僵尸企業(yè)的識(shí)別與預(yù)警—來自中國(guó)上市公司的證據(jù)

周 琎，冼國(guó)明，明秀南

（南開大學(xué) 經(jīng)濟(jì)學(xué)院，天津 300071）

一、引 言

近年來，“僵尸企業(yè)”成了中國(guó)經(jīng)濟(jì)轉(zhuǎn)型背景下的熱點(diǎn)詞匯。2015年11月4日，李克強(qiáng)總理在主持召開國(guó)務(wù)院常務(wù)會(huì)議時(shí)首次明確提出，“要加快推進(jìn)僵尸企業(yè)重組整合或退出市場(chǎng)”。2016年2月1日，國(guó)務(wù)院印發(fā)了《關(guān)于鋼鐵行業(yè)化解過剩產(chǎn)能實(shí)現(xiàn)脫困發(fā)展的意見》，決定在鋼鐵行業(yè)率先嘗試化解過剩產(chǎn)能、清理僵尸企業(yè)。經(jīng)過一年的努力，2016年度我國(guó)共化解粗鋼產(chǎn)能6 500萬噸以上、煤炭產(chǎn)能2.9億噸以上，這標(biāo)志著我國(guó)在鋼鐵行業(yè)清理僵尸企業(yè)的嘗試取得了初步成效。然而，目前僵尸企業(yè)依然是困擾我國(guó)全行業(yè)的頑疾，徹底解決該問題任重而道遠(yuǎn)。

“僵尸企業(yè)”一詞最早由Kane（1987）提出，它是指陷入經(jīng)營(yíng)困境，但因獲得放貸者或政府的支持而免于倒閉的負(fù)債企業(yè)。從定義可看出，僵尸企業(yè)具有盈利性差、負(fù)債率高和吸血性三個(gè)特征。事實(shí)上，早在20世紀(jì)90年代，日本“失去的十年”中就出現(xiàn)了僵尸企業(yè)顯著增多的情況，并引發(fā)了學(xué)術(shù)探討。其中，Caballero等（2008）構(gòu)建了基于計(jì)算“利息支付下限”的CHK模型，F(xiàn)ukuda和Nakamura（2011）在此基礎(chǔ)上引入盈利指標(biāo)和常青貸款指標(biāo)，提出了更準(zhǔn)確的FN-CHK模型。但該模型不適用于我國(guó)，這是因?yàn)椋旱谝?，它沒有考慮政府干預(yù)在我國(guó)企業(yè)經(jīng)營(yíng)中不可忽視的作用；第二，在我國(guó)，可轉(zhuǎn)債利率遠(yuǎn)低于其他債券利率，使用可轉(zhuǎn)債利率這一單一指標(biāo)來計(jì)算所有債券應(yīng)支付的最低利息，可能會(huì)低估“利息支付下限”，進(jìn)而低估僵尸企業(yè)數(shù)量。鑒于此，本文嘗試改進(jìn)已有模型，并對(duì)我國(guó)上市公司中的僵尸企業(yè)進(jìn)行識(shí)別分析。

本文的貢獻(xiàn)主要體現(xiàn)在：（1）改進(jìn)“利息支付下限”計(jì)算方法，并加入“政府補(bǔ)貼依賴程度”指標(biāo)，改進(jìn)了FN-CHK模型；（2）將僵尸企業(yè)按吸血性劃分為“利息補(bǔ)貼”、“政府補(bǔ)貼”和“常青貸款”三種類型，并從行業(yè)、所有制和“4萬億”經(jīng)濟(jì)刺激計(jì)劃的影響等方面進(jìn)行了分析；（3）利用面板logit模型構(gòu)建了一個(gè)預(yù)警體系，預(yù)測(cè)準(zhǔn)確率達(dá)到了較高水平。本文的結(jié)果為政府部門預(yù)判、識(shí)別和治理僵尸企業(yè)提供了一定的參考，對(duì)于解決僵尸企業(yè)問題具有一定的現(xiàn)實(shí)意義。

二、研究設(shè)計(jì)

（一）僵尸企業(yè)識(shí)別方法

1. 識(shí)別僵尸企業(yè)的FN-CHK模型。Caballero等（2008）提出了以計(jì)算利息支付下限為基礎(chǔ)的CHK模型，如式（1）所示。①式（1）中BS、BL和Bonds分別表示年末短期銀行借款余額、長(zhǎng)期銀行借款余額和未清償債券余額，rst?1、rlt?j和rcbminoverlast5years分別表示t?1年的最低短期借款利率、t?5到t?1年的最低長(zhǎng)期借款利率以及t?5年到t?1年的最低可轉(zhuǎn)債利率。將與實(shí)際利息支出R做比較，依據(jù)式（2）計(jì)算超額利息支付比

i，t例EIRi，t。CHK模型認(rèn)為，當(dāng)EIRi，t＜0 時(shí)，企業(yè)接受了銀行資金援助，應(yīng)被識(shí)別為僵尸企業(yè)。■ ■

CHK模型有計(jì)算簡(jiǎn)單的優(yōu)點(diǎn)，但因?yàn)閮H依賴單一指標(biāo)，所以容易出現(xiàn)誤判。Fukuda和Nakamura（2011）在CHK模型的基礎(chǔ)上加入盈利指標(biāo)和常青貸款指標(biāo)，提出了FN-CHK模型。然而，F(xiàn)N-CHK模型在中國(guó)的適用性值得商榷。首先，該模型假設(shè)僵尸企業(yè)的吸血性僅表現(xiàn)為對(duì)銀行資金的依賴，而現(xiàn)實(shí)中很多企業(yè)是依靠政府補(bǔ)貼持續(xù)經(jīng)營(yíng)的，這一現(xiàn)象在中國(guó)比較突出；其次，該模型僅根據(jù)某一年度情況來識(shí)別僵尸企業(yè)，這與其吸血的長(zhǎng)期性特征不符；最后，該模型在計(jì)算利息支付下限時(shí)使用可轉(zhuǎn)債利率，這一單一指標(biāo)可能會(huì)嚴(yán)重低估僵尸企業(yè)的數(shù)量。

2. 改進(jìn)的僵尸企業(yè)識(shí)別模型。針對(duì)FN-CHK模型的缺陷，本文做了如下改進(jìn)：第一，利用企業(yè)各種未清償債券的具體利率計(jì)算 ，如式（3）所示，其中rbondi，j，t?1為企業(yè)i在t?1 年末未清償債券j的利率，Bondsi，j，t?1表示企業(yè)i在t?1 年末未清償債券j的余額，債券集合J包括企業(yè)債、公司債、可轉(zhuǎn)債、私募債、可分離交易可轉(zhuǎn)債、中期票據(jù)、定向工具、短期融資債券和超短期融資債券等。將式（3）得到的 代入式（2）中計(jì)算EIRi，t，若EIRi，t＜0 且資產(chǎn)負(fù)債率大于 50%，則企業(yè)i被界定為接受銀行利息補(bǔ)貼的企業(yè)。

第二，本文使用扣除非經(jīng)常性損益后凈利潤(rùn)（NAGL）作為盈利指標(biāo)，代替FN-CHK模型中使用EBIT的做法。由于非經(jīng)常性損益項(xiàng)目容易被操縱，與EBIT相比，NAGL更能反映企業(yè)的日常經(jīng)營(yíng)狀況，所得結(jié)果也更能體現(xiàn)僵尸企業(yè)“盈利性差”的本質(zhì)。

第三，借鑒張棟等（2016）的研究方法，本文還考慮了政府補(bǔ)貼因素。我們考慮使用“政府補(bǔ)貼/凈利潤(rùn)”這一指標(biāo)，但對(duì)于凈利潤(rùn)為負(fù)的企業(yè)，該指標(biāo)缺乏可比性。因此，我們區(qū)分盈利和虧損企業(yè)分別討論。對(duì)于盈利企業(yè)，政府補(bǔ)貼依賴程度grant_profit=政府補(bǔ)貼/凈利潤(rùn)；對(duì)于虧損企業(yè)，政府補(bǔ)貼依賴程度grant_deficit=政府補(bǔ)貼/扣除非經(jīng)常性損益后凈利潤(rùn)。如果資產(chǎn)負(fù)債率大于50%且grant_profit＞1，或者資產(chǎn)負(fù)債率大于50%且grant_deficit＜?0.5，則企業(yè)被界定為接受政府資金救助的企業(yè)。

第四，本文計(jì)算了最低利息保障倍數(shù)inter_cover=EBIT/R*。如果inter_cover＜1、資產(chǎn)負(fù)債率大于50%且t年借款總額比t?1年有所增加，則企業(yè)被界定為接受常青貸款的企業(yè)。

第五，本文將改進(jìn)模型識(shí)別出來的樣本定義為“僵尸性企業(yè)”，由于僵尸企業(yè)具有長(zhǎng)期吸血性，只有在t?1年和t年都被判定為“僵尸性企業(yè)”，企業(yè)在t年才被定義為“僵尸企業(yè)”。

3. 僵尸企業(yè)的分類和識(shí)別步驟。本文將僵尸企業(yè)劃分為六種類型，如表1所示。

僵尸企業(yè)的識(shí)別步驟如下：第一，根據(jù)上述改進(jìn)方法，將相應(yīng)樣本界定為接受利息補(bǔ)貼、政府補(bǔ)貼和常青貸款的企業(yè)；第二，將NAGL＜0且被步驟一識(shí)別出來的樣本判定為“僵尸性企業(yè)”；第三，將NAGL＞0、inter_cover＜1 且EIR＜0的樣本判定為“僵尸性企業(yè)”；第四，將NAGL＞0且接受常青貸款的樣本判定為“僵尸性企業(yè)”；第五，如果樣本在t?1年和t年均被判定為“僵尸性企業(yè)”，則在t年被判定為“僵尸企業(yè)”?？梢园l(fā)現(xiàn)，步驟一和步驟二可以識(shí)別出第I類、第III類、第IV類和第V類僵尸企業(yè)，而步驟三和步驟四可以識(shí)別出第II類和第VI類僵尸企業(yè)。此外，本文還定義了“惡化性僵尸企業(yè)”，這類企業(yè)并不能根據(jù)上述步驟直接識(shí)別出來，其占僵尸企業(yè)的比例年均僅為1.13%，從而不影響上述識(shí)別步驟的廣泛適用性。

（二）計(jì)量模型

1. 國(guó)有企業(yè)與僵尸企業(yè)問題。本文構(gòu)建模型（4）對(duì)國(guó)有企業(yè)是否更有可能成為僵尸企業(yè)進(jìn)行檢驗(yàn)。其中，zombiei，t為被解釋變量，僵尸企業(yè)取1，否則取0；SOE為解釋變量，國(guó)有企業(yè)取1，否則取0。其他控制變量的定義及計(jì)算方法見表2。

表 1 僵尸企業(yè)類型

根據(jù)以往的研究，政府干預(yù)程度越高的地區(qū)，地方政府越傾向于通過補(bǔ)貼來幫扶國(guó)有企業(yè)（王紅建等，2015），而補(bǔ)貼正是僵尸企業(yè)的重要吸血來源；此外，政策性負(fù)擔(dān)會(huì)使企業(yè)過度投資（白俊和連立帥，2014），導(dǎo)致非周期性的產(chǎn)能過剩，而產(chǎn)能過剩往往是與僵尸企業(yè)問題相伴隨的?；诖?，本文根據(jù)《中國(guó)分省份市場(chǎng)化指數(shù)報(bào)告（2016）》中的“政府與市場(chǎng)關(guān)系指數(shù)”，將我國(guó)31個(gè)省份分組進(jìn)行回歸。

2. 經(jīng)濟(jì)刺激計(jì)劃與僵尸企業(yè)問題。孫曉華和李明珊（2016）研究發(fā)現(xiàn)，“4萬億”經(jīng)濟(jì)刺激計(jì)劃極大地加劇了國(guó)有企業(yè)的過度投資；聶輝華等（2016）認(rèn)為，固定資產(chǎn)投資過快增長(zhǎng)可能是僵尸企業(yè)產(chǎn)生的重要原因。為了驗(yàn)證這一論斷，本文使用以下兩個(gè)模型進(jìn)行檢驗(yàn)：

模型（5）為雙重差分模型，用于檢驗(yàn)2008年前后受“4萬億”經(jīng)濟(jì)刺激計(jì)劃影響較大企業(yè)的固定資產(chǎn)投資是否出現(xiàn)了較快的增長(zhǎng)。根據(jù)《發(fā)展改革委通報(bào)4萬億元投資重點(diǎn)投向和資金測(cè)算》的說明，本文區(qū)分了受影響較大和較小的行業(yè)，受影響較大行業(yè)中的企業(yè)為處理組，受影響較小行業(yè)中的企業(yè)為控制組。FAgrow表示固定資產(chǎn)投資的增長(zhǎng)情況，以固定資產(chǎn)凈值和在建工程之和的對(duì)數(shù)值在t年和t?1年的差值表示?？刂谱兞縓包括預(yù)期利潤(rùn)增長(zhǎng)率（Expect_profit）、兩職合一（Dual）、自由現(xiàn)金流（FCFF）、第一大股東持股比例（Top1）以及Sizet?1和Profit_growt?1。其中，Expect_profit是以上市公司業(yè)績(jī)預(yù)告中的“預(yù)計(jì)凈利潤(rùn)”計(jì)算得到的增長(zhǎng)率。Dual為董事長(zhǎng)是否兼任總經(jīng)理的虛擬變量，兼任時(shí)取1，否則取0。d2008為時(shí)間虛擬變量（2004?2007年取0，2008?2011年取1），d4wanyi為受“4萬億”刺激計(jì)劃影響較大企業(yè)的虛擬變量（受影響較大企業(yè)取1，受影響較小企業(yè)取0）。使用雙重差分模型的前提是，控制組的選擇是隨機(jī)的，且控制組和處理組滿足共同趨勢(shì)假設(shè)。本文借鑒鄭新業(yè)（2011）的做法，對(duì)上述兩個(gè)假設(shè)前提進(jìn)行檢驗(yàn)。

表 2 預(yù)警體系指標(biāo)定義及取值說明

此外，我們將使用模型（6）來檢驗(yàn)固定資產(chǎn)增長(zhǎng)對(duì)公司成為僵尸企業(yè)的影響。由于從固定資產(chǎn)過快增長(zhǎng)到產(chǎn)能過剩，再到成為僵尸企業(yè)，可能是一個(gè)長(zhǎng)期的過程，本文在解釋變量中加入了FAgrow的 0到 5階滯后項(xiàng)?？刂谱兞縔包括EIR、inter_cover、grant_profit、QR、Lev、Profit_grow、Size和Age，定義及計(jì)算方法見表2。

3. 僵尸企業(yè)預(yù)警體系。為了構(gòu)建僵尸企業(yè)預(yù)警體系，本文建立了如下logit模型：

本文選取的預(yù)警體系指標(biāo)Xj，i，t見表2。參考以往的研究中建立財(cái)務(wù)預(yù)警模型的經(jīng)驗(yàn)，本文從企業(yè)的僵尸性表現(xiàn)、財(cái)務(wù)狀況和企業(yè)特征三個(gè)維度選取了若干指標(biāo)，并采用逐步回歸法來精簡(jiǎn)模型，消除多重共線性的影響。在使用面板logit模型時(shí)，如果企業(yè)i的被解釋變量在樣本期內(nèi)的取值全部為1或0，則該企業(yè)在固定效應(yīng)模型下將不能被包含在回歸樣本中。由于樣本期內(nèi)大部分企業(yè)都是正常企業(yè)，即被解釋變量都為0，本文不采用固定效應(yīng)模型以避免造成回歸結(jié)果的偏誤。本文根據(jù)統(tǒng)計(jì)檢驗(yàn)結(jié)果來確定是使用混合模型還是隨機(jī)效應(yīng)模型。

（三）數(shù)據(jù)來源

本文使用的是2010?2016年我國(guó)非金融上市公司的數(shù)據(jù)，其中財(cái)務(wù)數(shù)據(jù)和債券數(shù)據(jù)來自Wind數(shù)據(jù)庫(kù)，企業(yè)所有制性質(zhì)數(shù)據(jù)來自CSMAR和CCER數(shù)據(jù)庫(kù)。此外，對(duì)于年報(bào)中報(bào)告了債券發(fā)行情況的企業(yè)，本文還采取手工錄入的方式，與Wind數(shù)據(jù)庫(kù)的債券發(fā)行數(shù)據(jù)進(jìn)行了匹配，以保證研究結(jié)果的準(zhǔn)確性。為了緩解變量的離群值問題，本文對(duì)連續(xù)變量進(jìn)行了首尾2.5%的winsorize處理。

三、僵尸企業(yè)識(shí)別結(jié)果分析

（一）僵尸企業(yè)識(shí)別結(jié)果

如表3所示，2011年和2012年的僵尸企業(yè)比例分別為3.20%和3.42%，而2013?2016年這一比例穩(wěn)定在4%?5%。此外，表3還報(bào)告了基于FN-CHK模型的判別結(jié)果，與本文提出的改進(jìn)模型相比，其對(duì)僵尸企業(yè)的漏判比例達(dá)到16.59%，未考慮政府補(bǔ)貼和使用單一利率造成的漏判幾乎各占一半?？梢?，本文改進(jìn)模型的判別精確度有一定的提高。

從表3中可以看出，我國(guó)僵尸企業(yè)比例在2013年有一次躍升，達(dá)到峰值后緩慢下降。由于我國(guó)2013年的“IPO停擺”，當(dāng)年的企業(yè)總數(shù)幾乎與2012年持平，因此僵尸企業(yè)比例可能存在高估，所以2013年該比例出現(xiàn)了一次躍升。此外，我國(guó)經(jīng)濟(jì)從2011年開始放緩，但經(jīng)濟(jì)下滑的初期和中后期有不同的特點(diǎn)。在經(jīng)濟(jì)下滑初期（2011?2013年），由于意料之外的經(jīng)濟(jì)放緩以及企業(yè)改變經(jīng)營(yíng)策略存在時(shí)滯，出現(xiàn)經(jīng)營(yíng)問題的企業(yè)可能持續(xù)增多；而在經(jīng)濟(jì)下滑的中后期（2013?2016年），經(jīng)濟(jì)放緩的狀況有所緩解，企業(yè)也開始改變經(jīng)營(yíng)策略以適應(yīng)經(jīng)濟(jì)“新常態(tài)”，因此一部分問題企業(yè)的經(jīng)營(yíng)狀況可能有所改善。這就造成了我國(guó)僵尸企業(yè)比例在2011?2016年呈現(xiàn)出先升后降的趨勢(shì)。對(duì)于2016年僵尸企業(yè)比例下降的現(xiàn)象，我們發(fā)現(xiàn)當(dāng)年退出僵尸企業(yè)的樣本主要集中在黑色金屬冶煉和有色金屬冶煉等行業(yè)。這可能與大宗商品價(jià)格在2016年觸底反彈有關(guān)，工業(yè)產(chǎn)成品價(jià)格的提高自然有助于改善相關(guān)企業(yè)的經(jīng)營(yíng)狀況。此外，這也可能是2016年我國(guó)在鋼鐵等行業(yè)清理僵尸企業(yè)取得初步成效的體現(xiàn)。

表 3 僵尸企業(yè)識(shí)別結(jié)果

（二）按類型劃分僵尸企業(yè)及分析

本文將僵尸企業(yè)分六種類型進(jìn)行了統(tǒng)計(jì)分析，結(jié)果見表4。從中可以看出，第V類、第I類和第III類企業(yè)是我國(guó)主要的僵尸企業(yè)類型。本文還將僵尸企業(yè)按吸血方式進(jìn)行了劃分，統(tǒng)計(jì)分析結(jié)果見表5。從中可以看出，年均有62.31%的僵尸企業(yè)僅表現(xiàn)為一種吸血方式，其中常青貸款是最主要的吸血渠道。而兩種吸血方式的年均比例也高達(dá)33.74%，還有3.95%的僵尸企業(yè)同時(shí)采取了三種吸血方式。

表 4 僵尸企業(yè)比例按類型劃分的結(jié)果

表 5 僵尸企業(yè)比例按吸血性劃分的結(jié)果

（三）按區(qū)域劃分僵尸企業(yè)及分析

本文對(duì)僵尸企業(yè)按照地區(qū)進(jìn)行了分類統(tǒng)計(jì)分析，結(jié)果見表6。從中可以看出，我國(guó)東、中、西部地區(qū)的僵尸企業(yè)比例依次遞增，西部地區(qū)2013?2016年的僵尸企業(yè)比例一直在7%以上。本文認(rèn)為，對(duì)于經(jīng)濟(jì)欠發(fā)達(dá)的西部地區(qū)，上市公司作為當(dāng)?shù)氐凝堫^企業(yè)，在稅收、吸納就業(yè)等方面具有重要貢獻(xiàn)。即使出現(xiàn)經(jīng)營(yíng)問題，當(dāng)?shù)卣矔?huì)提供援助，使其免于證監(jiān)會(huì)的“特別處理”甚至摘牌和破產(chǎn)。而這容易造成僵尸企業(yè)問題的惡性循環(huán)，給后續(xù)的清理工作帶來很大的困難。此外，僵尸企業(yè)比例排在前十位的省份分別為青海、新疆、吉林、云南、山西、天津、遼寧、西藏、寧夏和重慶?？梢?，除了西部地區(qū)外，東北三省也存在較嚴(yán)重的僵尸企業(yè)問題。

表 6 僵尸企業(yè)比例按區(qū)域劃分的結(jié)果

（四）按行業(yè)劃分僵尸企業(yè)及分析

由于行業(yè)較多，且受篇幅限制，本文只報(bào)告了僵尸企業(yè)比例最高的五個(gè)行業(yè)的分析結(jié)果。從表7中可以看出，傳統(tǒng)產(chǎn)業(yè)是僵尸企業(yè)的“重災(zāi)區(qū)”。值得注意的是，黑色金屬冶煉業(yè)的僵尸企業(yè)比例從2015年的29.03%下降到2016年的15.63%，這與2016年鋼材價(jià)格的大幅上漲以及2016年開始的以鋼鐵行業(yè)為突破點(diǎn)的僵尸企業(yè)清理行動(dòng)有一定的關(guān)系。

表 7 僵尸企業(yè)比例按行業(yè)劃分的結(jié)果

（五）按所有制性質(zhì)劃分僵尸企業(yè)及分析

從表8中可以看出，年均有8.23%的國(guó)有上市公司成為僵尸企業(yè)，是全樣本中僵尸企業(yè)比例的近2倍，是非國(guó)有企業(yè)的4倍。

表 8 僵尸企業(yè)比例按所有制性質(zhì)劃分的結(jié)果

表9報(bào)告了模型（4）的回歸結(jié)果，其中列（1）為全樣本回歸，列（2）至列（4）分別是政府干預(yù)程度高、中、低省份的分組回歸。從中可以看出，在全樣本中，國(guó)有企業(yè)確實(shí)更有可能成為僵尸企業(yè)。政府干預(yù)程度高的省份中SOE的回歸系數(shù)為正，且在1%水平上顯著；政府干預(yù)程度中等的省份中SOE的回歸系數(shù)雖然也為正，但只在10%水平上顯著；而政府干預(yù)程度低的省份中SOE并不顯著。然而，由于在僵尸企業(yè)的識(shí)別過程中使用了政府補(bǔ)貼依賴程度指標(biāo)，被識(shí)別為“政府補(bǔ)貼依賴型”的僵尸企業(yè)本就可能受到較高程度的政府干預(yù)，以政府干預(yù)程度進(jìn)行分組回歸可能導(dǎo)致內(nèi)生性問題。為了緩解內(nèi)生性問題，本文首先剔除了“政府補(bǔ)貼依賴型”僵尸企業(yè)，然后按照政府干預(yù)程度高低對(duì)樣本進(jìn)行分組回歸，結(jié)果見列（5）至列（7）。從中可以看出，僅在政府干預(yù)程度高的省份中，SOE的回歸系數(shù)在5%水平上顯著。雖然內(nèi)生性問題對(duì)結(jié)果造成了一定的干擾，但是列（2）至列（4）的結(jié)果是穩(wěn)健的。以上結(jié)果說明，國(guó)有上市公司總體上更有可能成為僵尸企業(yè)，政府干預(yù)程度過高可能是一個(gè)原因。

表 9 國(guó)有企業(yè)與僵尸企業(yè)的關(guān)系

（六）經(jīng)濟(jì)刺激計(jì)劃、產(chǎn)能過剩和僵尸企業(yè)

為了驗(yàn)證“4萬億”經(jīng)濟(jì)刺激計(jì)劃與僵尸企業(yè)的關(guān)聯(lián)，本文按照受“4萬億”經(jīng)濟(jì)刺激計(jì)劃影響的大小，對(duì)不同行業(yè)的企業(yè)進(jìn)行了分類統(tǒng)計(jì)，結(jié)果見圖1。從中可以看出，2011年，受影響較大行業(yè)的僵尸企業(yè)比例低于受影響較小的行業(yè)和全樣本，2012年三者基本持平。2013年后受影響較大行業(yè)的僵尸企業(yè)比例大幅攀升，始終高于同期受影響較小的行業(yè)和全樣本。為了解釋這一結(jié)果，本文對(duì)模型（5）和模型（6）進(jìn)行了回歸，結(jié)果見表10和表11。

圖 1 “4萬億”經(jīng)濟(jì)刺激計(jì)劃與僵尸企業(yè)

表 10 雙重差分模型估計(jì)結(jié)果

續(xù)表 10 雙重差分模型估計(jì)結(jié)果

表 11 固定資產(chǎn)投資增速與僵尸企業(yè)的動(dòng)態(tài)關(guān)系

在通過控制組隨機(jī)選取和共同趨勢(shì)假設(shè)檢驗(yàn)后，本文對(duì)模型（5）進(jìn)行了回歸。從表10中可以看出，本文重點(diǎn)考察的d2008×d4wanyi的系數(shù)在5%水平上顯著為正，表明“4萬億”經(jīng)濟(jì)刺激計(jì)劃顯著促進(jìn)了受影響較大行業(yè)2008?2011年的固定資產(chǎn)投資。在僅加入d2008和d4wanyi的模型中，各自的系數(shù)均在1%水平上顯著為正，表明2008年后企業(yè)的固定資產(chǎn)增速整體上都有所提高，受影響較大企業(yè)2004?2011年的固定資產(chǎn)增速更高。此外，Profit_growt?1和Expect_profit的系數(shù)均在1%水平上顯著為正，表明經(jīng)營(yíng)狀況良好和預(yù)期良好的企業(yè)更傾向于加快固定資產(chǎn)投資。Dual和Top1的系數(shù)均在1%水平上顯著為正，表明控制權(quán)越集中的公司越可能加快固定資產(chǎn)投資。

表11中列（1）是全樣本回歸，列（2）是對(duì)2013?2016年受影響較大行業(yè)中僵尸企業(yè)比例顯著提高時(shí)期的回歸。受篇幅限制，表中未報(bào)告控制變量的結(jié)果。從中可以看出，t期和t?1期的FAgrow與僵尸企業(yè)虛擬變量顯著負(fù)相關(guān)，t?5期顯著正相關(guān)。結(jié)合表10可知，過去和預(yù)期經(jīng)營(yíng)良好的公司才會(huì)加快固定資產(chǎn)投資，而這類公司在短期內(nèi)成為僵尸企業(yè)的概率本就很低，這解釋了t期和t?1期FAgrow的系數(shù)顯著為負(fù)的結(jié)果。而在長(zhǎng)期（t?5期），兩者卻顯著正相關(guān)，表明從長(zhǎng)期看，固定資產(chǎn)投資增速過快反而提高了上市公司成為僵尸企業(yè)的概率。

可見，“4萬億”經(jīng)濟(jì)刺激計(jì)劃顯著促進(jìn)了受影響較大企業(yè)2008?2011年的固定資產(chǎn)投資，而這可能是這類企業(yè)在2013?2016年僵尸比例顯著高于其他企業(yè)的原因。

四、僵尸企業(yè)預(yù)警體系分析

本文采用單變量分析和逐步回歸法，從初選指標(biāo)中選取有效變量，以面板logit模型建立了一個(gè)僵尸企業(yè)預(yù)警體系。

（一）單變量分析結(jié)果

本文采用Mann-Whitney U檢驗(yàn)對(duì)連續(xù)變量進(jìn)行了單變量分析，結(jié)果見表12。從中可以看出，僵尸企業(yè)和非僵尸企業(yè)在IT、TAT、Profit_grow和R&D上不存在顯著差異。而在EIR、inter_cover、ROA、CR、QR和Sale_grow等指標(biāo)上，僵尸企業(yè)顯著低于非僵尸企業(yè)；在grant_profit、Lev、RTR、Size和Empl等指標(biāo)上，僵尸企業(yè)顯著高于非僵尸企業(yè)。由于僵尸企業(yè)形成的原因是復(fù)雜的，我們有必要采用多項(xiàng)logit回歸做進(jìn)一步分析。

表 12 非僵尸企業(yè)和僵尸企業(yè)樣本統(tǒng)計(jì)性描述與Mann-Whitney U檢驗(yàn)

（二）多變量回歸分析結(jié)果

對(duì)于樣本內(nèi)回歸，本文選取被解釋變量2013?2015年、解釋變量2012?2014年的數(shù)據(jù)，然后利用回歸結(jié)果對(duì)2016年的被解釋變量進(jìn)行預(yù)測(cè)?；貧w結(jié)果見表13。從中可以看出，混合模型和隨機(jī)效應(yīng)模型的結(jié)論基本一致，而隨機(jī)效應(yīng)模型更優(yōu)。t年為僵尸企業(yè)在t+1年仍為僵尸企業(yè)的概率更高；mult_type和mult_zombie的系數(shù)顯著為正，說明吸血方式越復(fù)雜、僵尸性程度越深的公司越難擺脫僵尸企業(yè)的狀態(tài)；EIR和inter_cover較低以及Lev較高的樣本在t+1年成為僵尸企業(yè)的概率較高，說明償債能力越差的公司在下一年越容易成為僵尸企業(yè)；ROA和Sale_grow的系數(shù)顯著為負(fù)，表明盈利能力較差和銷售增長(zhǎng)較慢的公司成為僵尸企業(yè)的概率較高；TA_grow和Size的系數(shù)顯著為正，說明公司規(guī)模增長(zhǎng)過快可能并不利于企業(yè)健康發(fā)展，且大企業(yè)一般較難改變?cè)械慕?jīng)營(yíng)方式，一旦成為僵尸企業(yè)更有可能深陷泥潭。

表 13 僵尸企業(yè)面板logit預(yù)警模型回歸結(jié)果

續(xù)表 13 僵尸企業(yè)面板logit預(yù)警模型回歸結(jié)果

（三）預(yù)警模型預(yù)測(cè)結(jié)果

本文利用表13中的回歸結(jié)果，對(duì)數(shù)據(jù)進(jìn)行了樣本內(nèi)和樣本外預(yù)測(cè)。預(yù)測(cè)的關(guān)鍵在于選擇合適的臨界值：若臨界值較低，則犯“第二類錯(cuò)誤”的概率較高，反之則容易犯“第一類錯(cuò)誤”。本文使用的是非配對(duì)數(shù)據(jù)，因而采用樣本內(nèi)僵尸企業(yè)的比例0.0503（=僵尸企業(yè)數(shù)386家/企業(yè)總數(shù)7 675家）作為臨界值，使得兩類錯(cuò)誤發(fā)生的概率相當(dāng)。本文中隨機(jī)效應(yīng)模型和混合模型的預(yù)測(cè)結(jié)果非常接近，受篇幅限制，僅報(bào)告了隨機(jī)效應(yīng)模型預(yù)測(cè)結(jié)果。從表14中可以看出，樣本內(nèi)和樣本外識(shí)別準(zhǔn)確率分別高達(dá)88.57%和96.58%。

表 14 僵尸企業(yè)預(yù)測(cè)結(jié)果

五、結(jié)論與啟示

如何識(shí)別和預(yù)測(cè)僵尸企業(yè)是認(rèn)識(shí)和解決僵尸企業(yè)問題的關(guān)鍵。早期的CHK模型和FNCHK模型為我們判別僵尸企業(yè)提供了一定的借鑒，但在我國(guó)的適用性有待商榷。本文通過改進(jìn)利息支付下限計(jì)算方式、引入政府補(bǔ)貼依賴程度指標(biāo)以及明確界定“僵尸性企業(yè)”和“僵尸企業(yè)”，構(gòu)建了一個(gè)識(shí)別更精確的模型，并利用我國(guó)2010?2016年上市公司數(shù)據(jù)進(jìn)行了識(shí)別分析。研究發(fā)現(xiàn)，2011年和2012年我國(guó)僵尸企業(yè)比例約為3.3%，2013年后這一比例升至5%，2016年有所回落；2008年“4萬億”經(jīng)濟(jì)刺激計(jì)劃造成固定資產(chǎn)投資過快增長(zhǎng)，可能是2013年后僵尸企業(yè)比例上升的原因；我國(guó)東、中、西部地區(qū)的僵尸企業(yè)比例依次遞增，黑色金屬冶煉、造紙等傳統(tǒng)產(chǎn)業(yè)是僵尸企業(yè)的“重災(zāi)區(qū)”，國(guó)有企業(yè)僵尸比例是非國(guó)有企業(yè)的4倍；常青貸款是我國(guó)僵尸企業(yè)的最主要吸血方式，其次為利息補(bǔ)貼和政府補(bǔ)貼。本文構(gòu)建的預(yù)警體系對(duì)樣本內(nèi)和樣本外的預(yù)測(cè)準(zhǔn)確率分別高達(dá)88.57%和96.58%，能夠?yàn)榻┦髽I(yè)的早期預(yù)警和防治起到一定的積極作用。

本文構(gòu)建的僵尸企業(yè)識(shí)別模型具有較高的識(shí)別準(zhǔn)確率和較強(qiáng)的適用性。在數(shù)據(jù)可獲取的情況下，本文的模型同樣適用于非上市公司。本文構(gòu)建的僵尸企業(yè)預(yù)警體系對(duì)于政府部門預(yù)判和防治僵尸企業(yè)有一定的參考價(jià)值。

[1]白俊，連立帥. 國(guó)企過度投資溯因：政府干預(yù)抑或管理層自利？[J]. 會(huì)計(jì)研究，2014，（2）：41?48.

[2]程虹，胡德狀. “僵尸企業(yè)”存在之謎：基于企業(yè)微觀因素的實(shí)證解釋——來自2015年“中國(guó)企業(yè)?員工匹配調(diào)查”（CEES）的經(jīng)驗(yàn)證據(jù)[J]. 宏觀質(zhì)量研究，2016，（1）：7?25.

[3]杜勇，劉星. 基于Logistic回歸的上市公司虧損逆轉(zhuǎn)識(shí)別模型研究[J]. 技術(shù)經(jīng)濟(jì)，2009，（12）：58?65.

[4]劉奎甫，茅寧. “僵尸企業(yè)”國(guó)外研究述評(píng)[J]. 外國(guó)經(jīng)濟(jì)與管理，2016，（10）：3?19.

[5]聶輝華，江艇，張雨瀟，等. 中國(guó)僵尸企業(yè)研究報(bào)告——現(xiàn)狀、原因和對(duì)策[R]. 中國(guó)人民大學(xué)國(guó)家發(fā)展與戰(zhàn)略研究院，2016.

[6]孫曉華，李明珊. 國(guó)有企業(yè)的過度投資及其效率損失[J]. 中國(guó)工業(yè)經(jīng)濟(jì)，2016，（10）：109?125.

[7]王紅建，李青原，劉放. 政府補(bǔ)貼：救急還是救窮——來自虧損類公司樣本的經(jīng)驗(yàn)證據(jù)[J]. 南開管理評(píng)論，2015，（5）：42?53.

[8]張棟，謝志華，王靖雯. 中國(guó)僵尸企業(yè)及其認(rèn)定——基于鋼鐵業(yè)上市公司的探索性研究[J]. 中國(guó)工業(yè)經(jīng)濟(jì)，2016，（11）：90?107.

[9]鄭新業(yè)，王晗，趙益卓. “省直管縣”能促進(jìn)經(jīng)濟(jì)增長(zhǎng)嗎？——雙重差分方法[J]. 管理世界，2011，（8）：34?44.

[10]Caballero R J，Hoshi T，Kashyap A K. Zombie lending and depressed restructuring in Japan[J]. The American Economic Review，2008，98（5）： 1943?1977.

[11]Fukuda S I，Nakamura J I. Why did ‘zombie’ firms recover in Japan？[J]. The World Economy，2011，34（7）：1124?1137.

[12]Kane E J. Dangers of capital forbearance：The case of the FSLIC and “zombie” S&Ls[J]. Contemporary Economic Policy，1987，5（1）： 77?83.