关键词：投资回报率；货币政策有效性；供给侧改革
一、 引言
本文首先给出了一个理论假说，强调投资回报率的重要性。然后定义并测算了中国投资回报率的变迁。在此基础上利用VAR模型检验投资回报率与货币政策的有效性的关系。
二、 理论假说
本文关于中国经济提出一个假说。本文认为，中国经济的特色是从计划经济向市场经济转变，民众需求的发展转变经常与滞后的、半管制的供给体制产生矛盾。根据需求层次理论，随着收入水平的增加，人们对某些产品的需求增长会快于其他产品需求，而供给机制因为管制准入等受到诸多限制，这样消费者愿意支付的价格逐渐高于产品的生产成本，两者的差异成为“准租”（Quasi Rent）。此时若通过市场化改革，允许社会资本参与该产品的供给，在满足更多消费需求的同时，准租为企业提供的利润会促进企业投资，从而加快经济增长。随着这一产品的消费需求不断得到满足，企业投资的利润率逐渐下降，经济增速逐渐回落。同时，发展中国家的潮涌现象（林毅夫等，2010）以及国有企业的预算软约束问题，可能造成企业之间过度竞争，导致产能过剩。改革开放三十多年，中国经济大致经历了三个大周期，恰好对应了消费者需求的三次大变迁。1990年以前，居民消费中最重要的是手表、自行车、缝纫机这所谓的“老三样”；到20世纪90年代，居民消费转移到冰箱、彩电、洗衣机这“新三样”；进入21世纪，最重要的国内需求则变成住房需求，加入WTO则带来了前所未有的国际需求。毫无悬念，每一次需求转换都伴随着一次经济低迷。
按照这一理论假说，当下中国经济的主要问题是，经过十多年的商品房改革和对外贸易的发展，外需和内需都再次出现了饱和，企业过度竞争和产能过剩导致企业的投资回报率快速回落。投资回报率的回落速度超过了利率的下行速度，企业投资意愿低迷，从而拖累GDP增速回落。当既有产品已然过度竞争时，货币宽松降利率将会进一步加剧企业竞争、降低投资回报率，一旦企业预期到这一结果，那么货币宽松对经济的刺激作用将大大降低。这正是本文对货币政策有效性的解释――重要的是企业的投资回报率。
三、 投资回报率的界定和测算
1. 概念的界定。在正式测算中国企业投资回报率之前，需要澄清投资回报率的概念。从定义上来说，投资回报率（ROI）是指企业每增加一单位投资所增加的利润。ROI=dP/dC，其中P为企业利润，C为资本存量。实际测算时，本文用企业息税前利润（EBIT）的变化除以企业固定资产投资来近似。由于从投资到产生利润有一定的时间间隔，所以考虑用滞后一定时期（例如12个月或24个月）固定资产投资对应相应EBIT的变化。从而有：
这里，采用EBIT而不是企业净利润，是为了测算全社会资金的投资回报，无论资金以股权还是债权的方式投资。一般而言，股权投资的期望收益率要高于债权，所以这样的测算给出了投资回报率的下边界，便于直接与资金成本相比较。同时，这里没有扣除税收因素，从而刻画了减税政策对改善企业盈利所能达到的上限。
与本文定义不同，现有文献一般采用企业总利润与其资本存量的比值来测度企业的投资效率，称为为资本回报率。具体计算上，可以采用全部上市公司或者全部工业企业的EBIT除以其固定资本存量。固定资本存量的数据不是现成的，需要根据企业投资的历史数据、投资品的历史价格以人为假设的折旧率和初始资本存量来估计，所以不同作者估计的固定资本存量往往差异较大，并直接导致估算的资本回报率出入较大。例如，CCER（2007）以及张勋和徐建国（2014）发现我国企业的资本回报率在20世纪90年代末先下降后上升。Bai等（2006）以及白重恩和张琼（2014）则认为自20世纪90年代初以来，我国企业的资本回报率一直处于持续下降过程。本文的投资回报率概念则无须加总多年流量数据，从而可以避免基数问题、长数据周期的不变价格问题，以及折旧的累积误差。本文投资回报率的另一个好处在于，它是一个边际的变化率，而文献中的资本回报率是一个平均的概念。边际变量的变化要领先于平均变量的变化，因此本文的投资回报率有助于提前发现经济走势的转变。总之，本文的投资回报率概念具有计算的可靠性与预测的领先性两大优势，是一个更好的指标。
2. 测算结果。图1汇报了工业企业的投资回报率和资本回报率数据，所有数据来自国家统计局。由于制造业投资的数据从2003年才有，所以投资回报率也从2003年开始。由图上可以看出，2003年～2010年，投资回报率虽略有下降但保持高位，在金融危机期间经历了较大波动。2010年以后则快速下行，直到2015年接近于零并维持在这一低位。这一走势与工业企业投资增速的走势高度一致，并领先后者约1年时间。资本回报率与投资增速则没有如此鲜明的关系。实际上在2012年以前，资本回报率还处于上升趋势，与投资增速走势相反。资本回报率在2012年开始回落，滞后于投资增速的拐点（2011年）。
图2报告的是利用收入法GDP中企业营业盈余和全社会固定资产投资测算的全行业投资回报率以及全社会固定资产投资增速。作为对比，图中还包含了白重恩和张琼（2014）所测算的全行业资本回报率。由图可见，除了金融危机期间国家大幅干预的2008年和2009年两年之外，投资回报率的走势与投资增长率的走势更为一致。再次印证了图1的结论。
为进一步检验投资回报率的解释力，还可以就不同行业、不同国家的数据分别测算，进而验证它与该行业、该国投资增速和产出增速的关系。作者测算了我国房地产、汽车制造、医药制造等行业以及美国、德国、西班牙、日本韩国等国家的投资回报率数据，结果显示（限于篇幅此处不逐一列出），无论中国还是欧美，无论发达国家还是发展中国家，无论宏观还是行业，投资回报率都比资本回报率更好地解释了投资（及产出）的增长。
四、 检验货币政策有效性
前面内容指出了投资回报率对货币政策有效性的制约作用，并测算了2003年以来中国企业的投资回报率。本节利用投资回报率和其他相关数据对前面假说加以检验。
为了检验货币政策的有效性，及投资回报率的作用，本文检验如下两个命题：
假设1：货币政策即使不是完全失效，应该也会大为下降。
假设2：货币政策有效性的下降，主要是因为投资回报率的下降。
为此考虑如下向量自回归（VAR）模型：
其中xt包括产出增长率，通货膨胀率，利率，汇率贬值预期（12个月NDF与即期汇率之差），货币（M2）增长率。a0和Ai是常数项和系数矩阵，？着是误差项。如前所述，投资回报率拐点发生在2010年左右，因此考虑对拐点前后分段回归，然后比较脉冲响应的强弱。
本文数据主要来自国家统计局，10年期国开债收益率数据来自中国债券信息网，NDF数据来自Wind资讯。原始数据有季度、月度和日度数据，所以为执行回归需要先对数据做变频处理。通胀率和M2增速本就是月度数据，原为日度数据利率和NDF数据降频为月度数据，处理方法是月内求平均。GDP增长率原为季度数据，为了尽量保留其他月度数据的细节，将GDP数据通过线性插值的方式升频为月度数据。数据时间跨度为2003年1月到2015年12月，每个变量有156个观测值。
为实施回归，首先检验单位根、确定滞后阶数。根据表1，所有变量都不能拒绝单位根假设，所以考虑先对每一个变量先做HP滤波，然后取其周期项。经检验，所有周期项都能在5%显著性水平下拒绝单位根假设（表2），因此可以对这些周期项采用VAR模型做回归。根据表3中的LR、AIC、SC等指标，选择滞后阶数为2。
回归结果如图3所示，其中图3.1是对全时段数据回归的结果，图3.2和图3.3则分别是对2003年1月～2009年12月和2010年1月～2015年12月这两个时间段分别回归的结果。所有特征值都在单位圆内，可见本文VAR模型是稳定的。
为了比较两个时段下货币政策有效性的差异，考虑两种情况下的脉冲响应。图4是货币数量M2对GDP增长率的累积脉冲响应，图5是利率对GDP增长率的累积脉冲响应。无论是哪一种脉冲响应，都可以发现，越到近来，货币政策对产出的刺激作用越弱。这意味着或者政策有效性的降低。进一步，由于时间分段是按照投资回报率的拐点来划分，我们可以认为，正是由于投资回报率的快速下降，使得货币政策的有效性大为减弱。从而验证了前面两个假设。本文也试过对不同变量次序构建VAR模型，并考察响应的脉冲响应，结果完全一致，证明结论是稳健的。
五、 结论与政策建议
本文从投资回报率的视角讨论货币政策的有效性。本文认为，现阶段由于房地产和国外市场这两大需求逐步饱和，我国企业在满足这两大需求过程中又存在过度竞争，造成近年来产能逐渐过剩、投资回报率的快速下降。经测算，我国企业投资回报率在2010年之后迅速下降，房地产行业和制造业投资的回报率甚至降到零附近。在这种情况下，即使货币宽松使得名义利率降为零，也很难大规模刺激企业增加投资、拉动经济增长。因此，货币政策的有效性因投资回报率的下降而大为减弱。
这一结论具有重要的政策意义。与人口红利说不同，本文观点认为，中国经济的主要矛盾不是人口红利的消失，计划生育政策的放开除了具有社会意义之外，对中国经济的拉动作用可能是有限的，短期甚至中期内无法成为中国经济增长的新引擎。按照本文发现，中国经济的主要矛盾在于投资回报率的快速下降。造成投资回报率快速下降的原因很可能是既有需求得到了比较充分的满足，而潜在需求由于计划经济的遗留尚未得到有效供给。按照此思路，本文认为，为了寻找中国经济增长的新引擎，需要通过供给侧改革释放具有巨大经济潜能的新行业、新产品。具体而言，这个新行业、新产品应该是人民群众迫切需要、愿意为其支付较高价格，而生产成本又比较低的行业，只不过由于行政或（其他方面原因）存在准入限制，使高涨的需求没有得到有效满足的领域。这些领域包括但不限于医疗、教育、能源以及电信等。通过放开这些领域的准入，引入市场化定价机制，必将引导更多资源投向这些领域，从而提高企业投资回报率，使经济重新回到扩张的轨道。
参考文献：
[1] 李向前，孙彤.影子银行对我国货币政策有效性的影响[J].财经问题研究，2016，（1）：49-55.
[2] 李丛文.中国影子银行与货币政策调控――基于时变Copula动态相关性分析[J].南开经济研究，2015， （5）：40-58.
[3] 马勇，陈雨露.经济开放度与货币政策有效性：微观基础与实证分析[J].经济研究，2014，（3）：35-46.
[4] 裴平，熊鹏，朱永利.经济开放度对中国货币政策有效性的影响：基于1985～2004年交叉数据的分析[J]. 世界经济，2006，（5）：47-53.
[5] 王德文，蔡P，张学辉.人口转变的储蓄效应和增长效应――论中国增长可持续性的人口因素[J].人口研究，2004，（5）：2-11.
[6] 林毅夫，巫和懋，邢亦青.“潮涌现象”与产能过剩的形成机制[J].经济研究，2010，（10）：4-19.
[7] CCER“中国经济观察”研究组.我国资本回报率估测 （1978-2006）――新一轮投资增长和经济景气微观基础[J]，2007，6（3）：723-758.
[8] 张勋，徐建国.中国资本回报率的再测算[J].世界经济，2014，（8）：3-23.
[9] 白重恩，张琼.中国的资本回报率及其影响因素分析[J].世界经济，2014，（10）：3-30.
【关键词】 创业投资；私募股权投资；创业板；私募股权基金；业绩评价
一、引言
私募股权投资在当今世界经济中占有非常重要的地位。据统计，2006年全球私募股权筹资总额达到$432 000M。2008年全球私募股权基金管理的资产规模已达到$1 000 000M 。
近年来，中国的私募股权投资取得了巨大发展。可以说，中国已成为亚洲最为活跃的私募股权投资市场。2008年，中国的私募股权投资案例607个，投资金额$4 210M。2009年，由于金融危机的影响，投资规模略有下降，投资案例数下降为477个，投资金额$2 701M 。
对于如此巨大的私募股权投资行业，外界对此了解却不是很多。特别是，由于数据的缺失对这个行业的投资回报以及风险所作的定量研究更是屈指可数。
Vissing-Jorgensen and Moskowitz （2000）首先意识到研究私募股权市场的重要性，因为私募股权市场与公共股权市场规模相当，有时甚至比公共股权市场还要大。他们经过研究发现：私募股权市场在当时看来是高度集中，77%的私募股权被富有个人所拥有。但是，由于私募股权投资分散性较差，因此在1989―1998年间其回报比公共市场指数的回报低2%到3%，而在1964―1998年间与市场指数持平。
Kaplan and Schoar （2003）研究了私募股权合伙企业的业绩。在所考察的样本期间，扣除费用后的基金的平均回报与S&P500的回报大至相当。经过计算，他们得到结论：样本中私募股权基金的平均内部收益率为19%。
Phalippou and Gottschalg（2006）选择1 328只私募股权基金作为样本对其回报进行研究，结果表明Kaplan and Schoar （2003）的结论过于乐观。的结论是：样本中基金的平均内部收益率比S&P500指数低3%，约为15%。
Ljungqvist and Richardson（2003）认为，以前的研究有两个局限性，一是数据太少、不够全面，二是所用的回报指标有缺陷。因此，他们在文章中加大了数据量，而且调整了回报指标的定义。他们用了美国某个大机构投资者1981到1993年间所投资的73只私募股权基金的数据，通过分析，他们得到结论：对于并购基金，平均内部收益率21.83%；对于风险基金，平均内部收益率只有14.08%。总体来讲，样本中的私募股权基金的内部收益率比S&P500高出约5~8个百分点。
Cendrowski， Martin， Petro， and Wadecki（2008）应用汤姆森VentureXpert数据库中的数据考察了创业基金和并购基金的回报。经过分析，得出了如下结论：在1985―2007年间，创业基金、 并购基金以及市场指数的回报分别为19.9%、19.7% 和13.8%，标准差分别为41.6%、16.7%和16.3%。
总结以前这些研究，可以得出私募股权投资的回报并不像人们预计的那样高。在很多时候与股市指数的回报相差无几。在有的研究中，也报告说私募股权投资的回报比市场指数的回报高出5~8个百分点。
中国的私募股权投资取得了很大发展，那么中国私募股权投资回报如何？目前，国内这方面的研究很少，本文应用创业板IPO数据试图研究中国创业投资及私募股权投资的投资回报，并与国际上的研究进行对比，得出的结论非常惊人：尽管中国私募股权投资的规模还没有欧美国家大，但作为一个新兴市场，其投资回报却数十倍于发达国家。
二、研究设计
（一）样本选择
本文以清科研究中心《创业板VCPE支持企业投资回报分析（截止2010-02-11）》（以下简称清科报告）中的数据为基础经过整理得到本文的数据样本。在上述分析报告中，作者选取从2009-10-30到2010-02-11之间在创业板上市的64项被VC/PE机构支持的投资作为研究对象，计算了VC/PE机构这64项投资的回报倍数。可以说，这是当前讨论中国VC/PE投资回报的为数不多的文献之一。
（二）研究思路
首先，本文将利用清科报告中的数据对报告中的64项投资计算其VC/PE投资的内部收益率指标，然后对内部收益率指标做描述性统计分析，计算出反应数据集中趋势的平均值、中位数、上四分位数、下四分位数等指标以及反应数据离散程度的极差、四分位差、标准差等，进而分析这些指标的特征并与欧美市场上的同类数据作对比，得出相应的结论。
假设对64项VC/PE投资全部在发行之初或者上市当日退出。如果按发行价退出，则计算的内部收益率称为按发行价计算的内部收益率，简称发行价内部收益率IRR；如果按上市首日收盘价退出，则称为按上市首日收盘价计算的IRR，简称收盘价内部收益率IRR。
接下来，考察内部收益率与初始投资规模的关系，建立内部收益率与初始投资的回归分析模型，计算两者之间的相关系数，进而得出相应结论。
（三）模型假设
假设1：发行价内部收益率IRR与初始投资规模负相关。
假设2：收盘价内部收益率IRR与初始投资规模负相关。
国外很多文献曾经论及此问题。在文献中，作者通过考察欧洲收购基金和美国收购基金的具体数据，得出结论：内部收益率资本加权平均值与基金规模负相关。那么，对于中国的创业投资和私募股权投资来说，是否也存在或者不存在这样的关系呢？因此提出这两个假设予以验证。
（四）模型建立
本文以发行价内部收益率IRR和收盘价内部收益率IRR作为因变量，以初始投资规模作为自变量，通过MATLAB统计分析工具箱进行回归模型的参数估计，假设检验等，最后得出实证研究结论，以验证本文所提出的假设。
因变量：发行价内部收益率IRR------Y1
收盘价内部收益率IRR------Y2
自变量：初始投资额---------X
发行价内部收益率IRR与初始投资额关系的回归分析模型如（1）式所示：
Y1 = B0 + B1*X + E1 （1）
收盘价内部收益率IRR与初始投资额关系的回归分析模型如（2）式所示：
Y2 = B'0 + B'1*X + E2 （2）
其中B0、B'0为常数项，B1、B'1是自变量系数，E1、E2为随机项。
三、实证结果与分析
（一）内部收益率计算
在清科报告中，作者根据64项投资的上市数据计算了VC/PE的投资回报倍数。投资回报倍数是该报告中唯一用来衡量投资回报的指标。另一重要的内部收益率指标该报告没有计算。另外，该报告也没有对投资回报作任何分析，只是在Excel表中列出而已。
本文首先利用MATLAB提供的内部收益率计算函数Xirr对所有64个样本计算了投资回报的内部收益率IRR指标。
笔者的计算基于如下假设。假设对64项VC/PE投资全部在发行之初或者上市当日退出。事实上，原报告在计算回报倍数时也采用了这一假设。这样，对每一项投资我们就计算得到了两个IRR，一个是基于发行价的内部收益率，一个是按上市首日收盘价计算的内部收益率。当然，可以预见，一般来讲发行价内部收益率要低于收盘价内部收益率。原因是，收盘价要比发行价高，而且实际情况是收盘价要比发行价高很多。
在原数据中，有时投资时间多于一个，而且有的时间只有年月，没有日期。在这种情况下，本文采取了如下合理的假设。只有年月，没有日期的情况下，假设投资发生在当月的中旬，即15日。投资时间多于一个时，假设投资按总额平均分配。例如：原数据给出的投资时间和投资额分别为：2006-12、2007-02和173 770 181，则假设该投资分别发生在2006-12-15和2007-02-15，投资额分别为：173 770 181的一半，即86 885 090.5。
在所有64个样本中，有三个样本似乎是奇异样本。
这三个样本的原始数据和计算后得到的内部收益率数据如表1所示：
第一个样本按首日收盘价计算的IRR高达28 012.65%！第二、第三个样本即使是按发行价计算的IRR也高达187 112.87%。按首日收盘价计算的IRR，更是达到9 021 108.05%。由于太过巨大，这样的结果太令人不可思议了。造成这一结果的原因，笔者认为是投资时间和上市时间太近了。恐怕这在世界其他市场上也不大可能遇到这样的情况。因此，本文将这三个奇异样本剔除，剩余的样本数变为61。
在61个样本中，按投资机构的类型可分为创业投资机构（VC）50个和私募股权投资机构（PE）11个。
（二）描述性统计分析
本文对61个样本计算了发行价内部收益率和收盘价内部收益率，然后对计算结果进行了描述性统计分析，其结果如下表所示：
从表2可以看出：所有样本的均值为385.03%和929.29%，中位数为175.45%和204.99%。这比欧美市场上两位数的相同指标至少高出20倍。上四分位和下四分位也同样高出欧美同类指标20多倍。当然，分散程度也很高，意味着风险也较大。这说明，中国作为创业投资与私募股权投资的新兴市场具有高回报、高风险的特征。
如按VC和PE来划分，描述性统计分析结果如表3和表4所示。
从表3和表4可以看出：PE投资回报整体上要比VC投资回报高，当然分散程度也大。与欧美市场相比，PE投资回报高出40~100倍，VC投资回报高出20~40倍。同样说明中国的创业投资和私募股权投资的高回报特征。
表5是对PE样本、VC样本和所有样本分别计算的按发行价计算的IRR和按上市首日收盘价计算的IRR的资本加权平均值。这些数字同样说明，中国的创业投资和私募股权投资具有很高的回报。
以上的计算没有扣除任何费用和附属权益，是内部的毛收益率。那么，扣除费用和附属权益以后情况如何呢?
由于没有有关费用和附属权益的信息，因此以下讨论是在一些假设下作出的。
假设管理费用按初始投资的2%收取，收取时间与初始投资时间一致；附属权益按扣除初始投资后的余额的20%收取，时间与上市时间或变现时间相同。
在这些假设下，再重新计算IRR，然后对得到的IRR再做描述性统计分析，得出的结果如表7、表8所示。
从表7和表8可以看出：扣除费用和附属权益以后PE投资回报整体上还是要比VC投资回报高，当然分散程度也大。与欧美市场相比，扣除费用和附属权益以后PE投资回报高出25~70倍，VC投资回报高出15~30倍。同样说明中国的创业投资和私募股权投资的高回报特征。
（三）内部收益率IRR与初始投资关系的回归分析
本文运用MATLAB统计工具箱建立内部收益率IRR与初始投资关系的回归模型，以验证上文提出的研究假设是否成立。模型中的内部收益率IRR为扣除费用和附属权益之前的数值。
首先，建立模型（1）。以发行价内部收益率IRR为因变量，以初始投资为自变量进行回归。经过整理，得出结果，如表9、表10所示。
其次，建立模型（2）。以收盘价内部收益率IRR为因变量，以初始投资为自变量进行回归。经过整理，得出结果，如表11、表12所示。
由表9可知，拟合优度衡量指标R平方的值为0.0017，调整R平方值为-0.0152，表明拟合性很差。F值0.1015，对应p值为0.7511，说明回归方程在5%的水平上整体不显著。再计算因变量与自变量之间的相关系数，发现其值很小，为0.041448，说明发行价内部收益率与初始投资几乎无相关关系。表10说明回归系数也没有通过显著性检验。假设1不成立。
由表11可知，拟合优度衡量指标R平方的值为0.0047，调整R平方值为-0.0122，表明拟合性很差。F值0.2756，对应p值为0.6015，说明回归方程在5%的水平上整体不显著。再计算因变量与自变量之间的相关系数，发现其值很小，为0.06819，说明收盘价内部收益率与初始投资也无相关关系。表12说明回归系数也没有通过显著性检验。假设2不成立。
综上所述，根据创业板IPO数据计算的中国创业投资和私募股权投资的投资收益与初始投资的规模无相关关系。
如果用扣除费用和附属权益以后的内部收益率IRR作为因变量，用初始投资作为自变量，则可得到类似的回归参数，因此所得到的结论与上相同。
四、结论
本文应用中国创业板IPO数据，在作出一定假设的前提下，计算了中国创业投资和私募股权投资的投资回报，得出如下结论：在不考虑费用和附属权益的前提下，中国创业投资（VC）的平均内部收益率在289%~627%之间，中国私募股权投资（PE）的平均内部收益率在822%~2 302%之间。如果考虑费用和附属权益，则中国创业投资（VC）的平均内部收益率在227%~474%之间，中国私募股权投资（PE）的平均内部收益率在583%~1 570%之间，分别比欧美市场的类似指标高出15~30倍和25~70倍。这一指标体现了中国作为一个私募股权投资的新兴市场其投资回报具有很大的吸引力。这也可以从一个侧面解释为什么近年来中国私募股权投资业的发展如此之快。
尽管国外有文献论述了内部收益率与基金规模的负相关关系，但是利用本文的数据没有得出类似结论。无论是用发行价内部收益率，还是收盘价内部收益率都得出了内部收益率与初始投资不相关的结论。而且扣除费用和附属权益之后也得到了相同结论。
【参考文献】
［1］ 清科研究中心， 创业板VCPE支持企业投资回报分析（截止2010-02-11）［Z］.
［2］ Harry Cendrowski， James P. Martin， Louis W. Petro， and Adam A. Wadecki， Private Equity: History， Governance and Operations， John Wiley & Sons， Inc，2008.
［3］ Guy Fraser-Sampson， Private Equity as an Asset Class［J］. John Wiley & Sons，Inc，2007.
［4］ Steven Kaplan and Antoinette Schoar， Private Equity Performance: Returns， Persistence and Capital Flows， MIT Sloan Working Paper No. 4446-03，November，2003.
［5］ Alexander Ljungqvist and Matthew Richardson，The Cash Flow， Return and Risk Characteristics of Private Equity，NYU，Financ Working Paper No. 03-001，
2003.
股票市场通常被称为经济发展的晴雨表，简而言之，股票市场会反映市场对GDP增长的预期，高速GDP增长应当带来较高的股票市场投资回报。但中国的股票市场却不遵从此规律：高GDP增长并没有带来股市牛市，这造成长期以来广大投资者对中国股市的连连抱怨。本文试图探索经济增长与股票投资回报之间的联系，从经济学理论和经验数据验证得出结论：中国股市与经济增长的表面背离有其合理性。
本文中，选择了一个包括发达国家经济体和发展中国家经济体的样本，试图寻找高GDP增长与股票市场回报率之间的相关性。发达国家经济体的样本包括：美国、比利时、奥地利、荷兰、斯威士兰、德国、法国、英国、加拿大、日本、新加坡、澳大利亚、新西兰、香港特别行政区、韩国；发展中国家经济体的样本包括：巴西、墨西哥、智利、阿根廷、中国、印度、印度尼西亚。
所有的GDP和通货膨胀率相关数据都来自世界银行数据库，所有的股票指数数据都来源于雅虎财经的有效采集。
因为部分数据采集过程中发现难以获得或数据库本身有所缺失，所以在这篇文章中所有的GDP和股票指数的数据都按照年份匹配统一的方式列举展示。例如，世界银行显示可采集的比利时GDP数据是从1984―2013年，但雅虎财经显示的比利时股票市场有关指数的可采集数据是从1991―2013年，因此处于对数据来源的时间序列匹配性考虑，文章只选择1991―2013年期间比利时的GDP和股票市场有关指数的数据作为样本进行分析比较。
二、计算方式
本文中，对以上样本内国家的平均GDP增长率、人均单位GDP增长率、平均通货膨胀率、股票投资回报率（基于各国的主要股票指数数据）的计算均依据几何平均公式计算其平均值。
股票投资回报率：
假设沪深300指数在2005年4月29日为1000点作为统计基准数据，沪深300指数在2014年7月22日为2192.70点作为统计区间末端数据，得出中国股票市场的几何平均年回报率如下所示：
2192.7=1000*（1+r）number of years
Number of years（年数）=天数（2014/7/22-2005/4/29）/365，即：
通过以上公式计算所得的平均年回报率为名义年回报率。对于股票市场投资者而言重要的是购买力的提升而不是货币数量单位的增加。因此，通货膨胀的因素必须从上述名义年回报率中剔除以确保计算真实投资者年均回报率的有效性。GDP的增长率本省已经剔除了通货膨胀率，因此不需要再做调整。在少数几个国家无法从世界银行数据库中获得所需的通货膨胀率数据时，本文采用GDP平减指数（GDP deflator）作为测量标准，如下：
实际股票投资回报率=名义股票投资回报率-平均通货膨胀率
本文的调研结果将以下列图表配合文字说明的方式呈现：
首先，我们来观察股票投资回报与GDP增长的关系。表1为所选样本经济体中真实平均股票投资回报率和GDP平均增长率之。相比于发达国家样本，发展中国家样本体现出更高的GDP平均增长率但其股票市场投资回报率缺较低。表1的最后一栏是GDP增长率与股票投资回报率的负相关性，两者相关性为负，相关系数几乎达到-0.1，这一现象可能与发展中国家低投资回报率有关。因为在工业化过程中，这些国家往往投入大量人力物力，以高投资、高消耗的经济粗放型投入模式刺激GDP的增长，显然，在这般低层次的粗放型经济增长驱动模式下，股票市场的回报率必然遭到削弱，同理，在宏观上，资本的效率更低、回报更少、消耗更大。另一个原因是新兴快速发展的市场通常都会在初始阶段创造令人惊讶的经济增长与红利，据此，这些市场或地区的投资者往往会过于乐观的估计当时的经济形势而过度投资，因而造成最终的结果并不符合经济发展预期的设想，资本回报过低，股票市场投资回报率也受到负面影响。
另一方面，图1清楚显示GDP增速低的国家的投资回报率不一定低。例如，加拿大较高的GDP增长率仅伴随着几乎为0的股票市场投资回报率。巴西的股票市场投资回报率表现最为惨淡（在通过之前列示的公式中调整了通货膨胀率的计算后的的数据），尽管其GDP增长率却在整体样本中位居中游。
其次，我们在观察人均GDP增长与股票市场投资回报率的关系。GDP自身的高速增长、更低的人口出生率或者二者的复合叠加效应皆有可能带来较高的人均GDP增长率。发展中国家明显拥有更高的人均GDP增长率但是伴随着较低的股票市场投资回报率。通过相关性检测得出，人均GDP增长率与真实股票市场投资回报率的负相关性系数近乎于-0.05。
图2更加清晰地显示了人均GDP增长率与真实股票市场投资回报率之间的负相关性。样本中的韩国有着最高的人均GDP增长率，但该国的股票投资回报率却为负数。另一方面，新西兰只有1%的人均GDP增长率，但其股票市场的投资回报率却达6.5%。
三、结论
根据新古典主义经济学的增长模型理论，GDP增长与股票市场投资回报没有必然的正相关。本文的经验数据分析支持GDP增长并不会造成股票市场投资回报率相应的提高这一结论。发展中国家以高投入、高能耗的粗放型经济驱动模式刺激GDP的增长，在缺乏科技进步和劳动生产率提高的情况下，更多的粗放式投入只会更加折损资本市场的效率，降低投资者的投资回报率。
中国的资本回报率并不低于其他国家，近年来它反而在上升
“中国的投资太多吗”？答案似乎是肯定的。中国的固定资本投资率（固定资本形成占GDP的比重）近年来已经超过了40%，这是一个世界记录。美国的固定资本投资率只有15%，印度不到30%，即使是日本和韩国也从未达到过40%。不少中外评论家由此推断中国投资太多。
中国的投资是否太多从理论上无法确定答案。一方面，中国仍然是一个低收入国家，人均GDP仍低于世界平均水平，资本与劳动力之比也远低于发达国家。所以，中国的投资的潜在回报应该很高，大量投资并不太多。但另一方面，中国的投资回报受到其他因素制约，比如教育水平不高，技术较落后，制度不健全，它们限制潜在资本回报的实现，大量投资就会太多。
因此，要回答中国的投资是否太多，需要认真收集数据并对数据进行科学的定量分析。这不是根据若干常用数字或个别案例就可以简单得出结论的。判断投资效率的一个度量是资本回报率。资本回报率过低表示投资太多了，投资造成浪费；反之，资本回报率过高表示投资太少了，投资机会没有被充分利用。两者都没有效率。
最近我与清华大学的白重恩教授和伯克利加州大学的谢长泰教授在美国《布鲁金斯经济论文》期刊2006年秋季号上发表了题为“中国的资本回报率”的论文（中译文见《比较》杂志第28辑）。我们通过定量分析来回答两个关键问题：第一，中国的资本回报率是否低于其他国家？第二，中国的资本回报率近年来是否在下降？我们的研究发现中国的资本回报率并不低于其他国家，近年来它反而在上升。因此，我们没有找到中国在整体上投资过多的证据。
过去的研究只是抽取部分企业，比如上市公司或规模以上工业企业，所得结果不免有偏差。而我们搜集了至今为止所能公开得到的最好的国民经济核算数据，仔细计算出了在1978- 2005年间涵盖所有行业、地区和企业的资本回报率。
资本回报率的计算是用GDP中的资本收入除以全部资本存量，加上资本相对于产出的价格增长率，再减去资本折旧率。我们用两种口径来计算。第一种口径使用固定资本形成（即不包括库存的增加），所用的资本收入是GDP减去劳动收入（因此它包括了所有税收以及土地收益）。第二种口径在此基础做出三项调整：首先把存货计入资本，构成全部资本形成；其次在投资和产出中都剔除城镇住宅部分，从而更准确地度量了生产领域；最后在资本收入中减去所有生产税。这一口径更接近企业投资决策时的考虑。
首先我们看中国的资本回报率的水平。依照两种口径计算的资本回报率分别在18%-27%之间和8%-12%之间（见图）。第二种口径与经济学家估计一些发达国家的资本回报率时所用的口径很接近。从美国、英国、法国、日本、意大利和德国2000-2003年期间数据中得出的资本回报率在7%-13%之间，而我们计算的中国资本回报率正在此区间内。所以中国的资本回报率并不低于这些国家。
一、引言及文献回顾
股利政策，是上市公司在一段经营期限内如何分配其收益(或称利润)的决策。研究公司股利政策的原因在于，通过对公司股利回报的评价，能够使投资者以及其他市场参与者区分企业的好坏，衡量投资风险的高低，进而决定资金的流向并以此促成社会整体资源的合理配置。
西方股利政策的研究始终都试图寻找一种分析框架，以使公司最大化股东财富和投资者效用。在此框架下，股利政策的研究需符合实际的观察结论，同时也需要得到经验数据的支持。Miller和Modigliani(1961)认为，在一个信息对称的完美资本市场里，在公司投资决策既定的条件下，公司的价值和公司财务决策是无关的。因此，是否分配现金股利对股东的财富和公司价值没有影响。继MM股利无关理论之后又依次出现了税差理论、信号理论、理论等。这些理论的研究结论都在某种程度上符合了现实世界中股利政策的特点，并得到实证证据的部分支持，但是仍然存在未能完全解释现实以及预测未来公司股利决策的缺陷。
根据国内两个证券交易所的统计数据以及有关股利政策的研究，不难发现我国上市公司股利政策的特点：(1)现金回报低。1990―2005年资本市场总体派现金额与筹资金额(包括首次公开发行以及增发配股)之比为0-4，②按照复利计算现金股利回报率年均仅为-5-6%。(2)股利政策不具有稳定性。任有泉(2006)[1](20-29)所做的统计数据显示，1994―2001年间253家上市公司股利支付形式极不稳定，其中连续四年支付现金股利、股票股利和混合股利的公司所占比例仅分别为13%、2%和1%。而如果将支付数量考虑在内，则连续几年保持相同股利政策的上市公司会更少。(3)上市公司增加现金股利发放的部分原因是为了达到配股的目的，通过发放现金股利或超额派现的行为，可以降低未分配利润，进而降低净资产回报率计算当中的分母值，以实现连续三年净资产回报率达到6%的配股资格要求。(4)股权结构的影响导致上市公司大股东存在掏空上市公司现金流，侵占小股东利益的行为(唐跃军、谢仍明的研究支持掏空理论，谢军的研究结论并不支持掏空理论，而是更支持自由现金流理论)。
国内对于上市公司股利政策的研究多集中于对信号传递理论以及理论的实证检验。而对于投资者股利偏好的研究，张水泉、韩德宗(1997)[2](28-33)的研究显示，在整个考察期与空头市场，派息的异常报酬最大，送股次之，配股最小。而在多头市场，情形正好相反；陈晓、陈晓悦、倪凡(1998)[3](33-43)从信号传递的角度出发，研究显示三类股利均能产生超额收益，具有信号传递效应。但现金股利效应的显著性水平及超额收益低于混合股利和股票股利；向锐、李琪琪(2006)[4](62-68)的研究显示，混合股利、现金股利、不分配股利三类事件引起的累计超额收益率依次减少，反映了投资者
对现金股利的欢迎和对不分配股利的漠视效应，投资者喜欢现金股利而不是纯粹的资本收益。
二、研究方法与研究假设
目前国内关于投资者股利偏好的研究多从其投入成本和回报对比的角度进行论证。由于国内股票市场存在流通股和非流通股的划分，一般流通股股东由于溢价购买股票，现金股利的回报率明显低于股票股利和混合股利。实证研究主要通过股利公告前后AR(超常收益率)和CAR(累计超常收益率)的变化来进行检验，如陈晓、陈晓悦、倪凡(1998)对于股利公告前后AR和CAR的T检验显示，混合股利和股票股利的超额收益均大于现金股利，因此从税制差异角度来看投资者偏好股票股利。俞乔、程滢(2001)指出了陈晓、陈晓悦、倪凡所做研究的缺陷，并在重新选定公告日期的基础上引入了对异常交易量进行考察，得出了基本一致的结论。但是这种研究仍然存在缺陷。首先，选取AR和CAR作为研究的一个指标，尽管剔除了大盘的影响，理论上获得了投资者对于各种股利形式所做的反应，但是由于不能获得投资者实际的回报率，因而也就不能反应投资者真实的交易行为。投资者是否会依据回报率的高低进行交易，尚不明确。其次，尽管俞乔、程滢使用了交易量的指标，但是所选择的正常交易量并未排除其所称的“纯净性”，即在(-40，-11)期间的交易量是否也排除了由于其他公告或事件所引起的交易量异常变化，文中并未说明。最后，在收益率达到投资者理想状态时，投资者需要通过交易行为来实现股利所带来的收益，但是目前的研究并未将投资者对于股利的反应和交易行为结合起来。
投资者究竟偏好哪种股利形式，逻辑上应该遵从何种股利形式导致投资者收益最大化或回报率最高的原则。对于任何一个理性的投资者而言，如果不存在交易费用和所得税，则投资者的回报率应为：
后一段时期回报率的比较，以确定投资者偏好何种股利形式。同时，将投资者回报率与股票换手率联系起来，以判断投资者是否在收益率最高时通过交易行为以实现收益。此两项研究内容分别通过T检验和一元线性回归进行验证。
在T检验中我们将研究区间选定在分红派息股权登记日前后10天，分红派息股权登记日视为第0期，计算分红派息股权登记日前10天到后10天的回报率和换手率。在此期间内，还包括了上市公司股利正式公告日和除权除息日。一般而言，上市公司通过股利正式公告确定公司收益分配的方案，在送股、派息时，需要定出某一天以确定哪些股东可以参加分红或参与配股，定出的这一天就是股权登记日。也就是说，在股权登记日这一天仍持有或买进该公司的股票的投资者是可以享有此次分红或参与此次配股的股东，股权登记日后的第一天就是除权日或除息日，这一天购入该公司股票的股东是不同于可以享有上一年度分红的“新股东”，不再享有公司此次分红派息的权利。这样就可以将研究重点放在股利正式公告、分红派息股权登记日以及除权除息日这一期间。
在进行一元线性回归的检验中，我们建立回归模型，即：
其中，因变量SLi (stock liquidity)表示股票换手率，α为截距项，βi为回归系数，解释变量SRi (stock return)为回报率，εi为残差。
基于上述分析，提出以下假设：(1)投资者对于股票股利、现金股利以及混合股利偏好取决于其回报率的高低。通过假设一，我们主要观察股票股利、现金股利以及混合股利所带给投资者的现实回报率，以判断投资者是否能够理性的确定其股利形式偏好。(2)投资者依据回报率的高低，做出是否交易的决定以实现收益。交易量与回报率成正相关关系。通过假设二可以将回报率和交易量结合起来，以观察投资者是否通过交易实现了回报率最大化。
三、数据及样本
本文样本期间涵盖深沪两市2002-2004年期间A股派发过股利的全部上市公司资料，结果如表1所示。在初选样本的基础上，还剔除了符合下列条件的上市公司：(1)剔除了ST、PT类上市公司；(2)剔除了派息分红股权登记日与股利正式公告日相距10个交易日以上的数据，因为本文的分析窗口为[-10，+10]共二十一个交易日，在此期间包括股利正式公告日、分红派息股权登记日和除权除息日三个特殊时期，除了观察在三个特殊期间的收益数据，还需要进行回归分析。因此排除了股利正式公告日与股权登记日相隔超过10个交易日的上市公司数据；(3)剔除了在距离派息分红股权登记日前后10个交易日内进行SEO(seasoned equity offering)的上市公司；(4)最后剔除了数据缺失的上市公司。最终进入本文研究的数据样本如表1所示。
表12002―2004年上市公司股利派发方式汇总表现金股利股票股利混合股利深市2614382沪市34279125合计603122207
本文所使用的数据均来源于Wind数据库、色诺芬CCER中国证券市场数据库、上海证券交易所网站、深圳证券交易所网站以及中国证券监督委员会网站。使用EXCEL、SPSS12-0等数据分析软件对数据进行处理。
四、实证结果及分析
(一)描述性统计分析
依据2002-2004年区间内上市公司回报率和换手率的描述性统计数据(文中略去)，将其(均值)转换为下图，以观察回报率和换手率之间的变化关系。
通过数据可以发现发放现金股利的上市公司，在股利正式公告日至除权除息日之间有着正的回报率，整个区间日均换手率在0-8%之上波动。在收益率最高点时，换手率并没有明显提高；发放股票股利的上市公司在股利正式公告日至分红派息股权登记日期间，有着正的回报率，日均换手率在1%上下波动。在回报率最高时点，换手率有着明显的增加，但是也出现了滞后反应的现象；发放混合股利的上市公司，在分红派息股权登记日之前，有着正的回报率，日均换手率在1%之上波动，且最高点接近2%。在回报率最高的时点上，换手率同样有着明显的增加，但也出现了滞后反应的现象。通过对回报率的比较可以发现，混合股利在(-10,+10)区间有着最高的回报率10-05%，第-3期均值的最大值为0-677%。换手率期间内的最大值为28-61%，第0期均值的最大值为1-8%；股票股利在(-10,+10)区间有着最高的回报率10-07%，第-3期的均值的最大值为0-46%。换手率期间内的最大值为14-64%，第0期均值的最大值为1-16%；现金股利在(-10,+10)区间有着最高的回报率10-09%，第0期均值的最大值为0-142%。换手率期间内的最大值为0-916%，第4期均值的最大值为1-6%。平均而言，混合股利有着更高的回报率，股票股利次之，现金股利的报酬率最低。
现金股利、股票股利、混合股利换手率和回报率折线图
(二)T检验
为了验证上述分析，我们进行了回报率和换手率在(-10,+10)区间的T检验，结果如表2。
表2括号内为样本标准差。从检验结果可以发现，现金股利的回报率分别在第-10期、第-5期和第10期显著为负，而在第-4期、第-2期、第0期和第1期显著为正。通过折线图可以发现,现金股利的换手率折线图较平滑，并无太大起伏。股票股利的回报率分别在第-9期、第0期和第2期显著为负，第-4期和-3期显著为正；换手率分别在第-10期至第-6期，以及第-1期、第1期至第7期和第9期显著为正。混合股利的回报率分别在第-10期、第-4、-3期和第-1期显著为正，第0期、第2期和第8期显著为负；换手率分别在第-4期至-1期、第2期和第3期显著为正。
1%水平上显著，**表示在5%水平上显著，*表示在10%的水平上显著(双尾检验)
通过上图和表2，可以发现，现金股利、股票股利和混合股利均在股利正式公告日、分红派息股权登记日以及除权除息日附近存在显著的回报率，并在一定程度上通过T检验。这一结论与前述的部分研究结论基本相同。股票股利和混合股利的换手率也在此期间有着显著变化，在一定程度上通过了T检验。
(三)回归分析
现金股利、股票股利和混合股利的换手率与回报率的线性回归结果如表3所示。其中样本数分别为26271、2835和5397。截距项在1%的水平下显著，截距项分别为0-009、0-009和0-012，括号内为t值。系数分别为0-182、0-144和0-186，并在1%的水平下显著。调整后R2分别为0-079、0-065和0-051，因此说明方程拟合度较好，而现金股利中拟合度高于股票股利和混合股利，可能由于样本较多的原因。拟合度数值较低的原因，可能的解释是由于市场对信息的反应存在一定程度的滞后性，因此导致大多数投资者并未在回报率最高时进行交易。
五、结 论
通过分析，基本证实了本文假设的正确性。从分析的结果可以发现，目前投资者普遍偏好混合股利和股票股利，而对现金股利并无特殊偏好，这主要是由于在分红派息股权登记日前后，混合股利和股票股利能够带给投资者较高的回报率。同时，一元线性回归模型的结果显示，股票市场的交易量在分红派息股权登记日前后往往伴随着各种股利形式的回报率提高而增加。
注 释：
①本文的投资者主要指流通股股东。
②该数据来自于Wind数据库。
主要参考文献：
[1]任有泉．中国上市公司股利政策稳定性的实证研究[J]．清华大学学报(哲学社会科学版)，2006(1)．
[2]张水泉，韩德宗．上海股票市场股利与配股效应的实证研究[J]．预测，1997(3)．
[3]陈 晓，陈晓悦，倪 凡．我国上市公司首次股利信号传递效应的实证研究[J]．经济科学,1998(5)．
[4]向 锐，李琪琦．股利政策市场效应的实证分析[J]．石家庄经济学院学报，2006(1)．
A Study on Investors’ Dividend Policy Preference and their Transaction Behavior
Xia Yunfeng Liu Zhaohui Yuan Fang3Abstract:Selecting the data of dividend distribution from the companies (2002-2004) listed in Shenzhen Stock Exchange and Shanghai Stock Exchange as the sample, we use T-test and unitary linear regression model, and find that the reasons whyinvestors prefer to mixed dividend and stock dividend are that they can reap more returns when the dividends are comparedwith cash dividend. At the same time, we not only find that the high returns always follows remarkable increase in trading volume, but also adjust the coefficient of determination to 1% significance level, which shows certain hysteresis.
Key words:Dividend Policy; Returns; Trading Volume; Turnover Rate
内容摘要：本文选取我国28个省市1978-2010年的面板数据研究发现，在投资不断增长、资本不断深化的背景下，资本回报率之所以没有出现明显下降，生产率的持续提升是一个重要因素，并且，本文的结论不受异常值和生产率测度方法的影响。同时，资本深化、经济开放程度、政府干预、产权结构、产业结构和成本因素等也会影响资本回报率。笔者认为，应加大研发投入和教育支出，促进生产率提升，从而保证资本回报率的稳定性，防止投资下降对我国经济增长造成的影响。
关键词：资本回报率 生产率 高投资
问题的提出
近年来，我国的资本形成在国民生产总值中的比重不断攀升，引发了众多学者的关注。尽管我国的投资增长非常快，但是一些学者的研究发现，我国的资本回报率仍然较高（Bai et al.，2006；CCER，2007），因而高投资是有其微观基础的。从这一角度而言，我国资本回报率的变动趋势将直接影响我国未来的投资，并决定我国目前依靠高投资拉动的经济增长能否持续。鉴于这一问题的重要性，一些学者开始致力于研究资本回报率的决定因素。例如，曹跃群、张祖妞、郭春丽（2009）以及陈立泰、叶长华、林川（2010）分别用VAR方法研究了我国服务业和农业的资本回报率及其变动的影响因素，并发现行业的经济增长和技术进步对资本回报率有显著的正向影响。黄先海、杨君（2012）利用我国省级层面的面板数据，发现经济增长将提高资本回报率，而劳动者报酬的提高会降低资本回报率，同时，资本深化对资本回报率的影响不显著。胡凯、吴清（2012）则根据商务成本理论的思想，认为地区间资本回报率的差距除了传统的人力资本、金融发展等因素外，制度可能也起到重要的作用。
上述文献无疑丰富了我们对资本回报率影响因素的认识，但是，现有文献大多只是从资本深化、经济增长等角度研究资本回报率的影响因素，而很少考虑经济中的产业结构、出口比重和国企份额等相关因素的影响，存在遗漏变量问题。特别是，对于资本回报率有着重要影响的生产率变动，现有的文献除了黄伟力（2007）外，均未予考虑。出现这种情况的原因可能是生产率测度的困难所致。另外，黄伟力（2007）利用的是国家层面的数据，样本容量过少而影响了结论的可靠性。基于这一现状，本文利用我国省级层面的面板数据，重点研究生产率变动对我国资本回报率的影响，并同时考虑产业结构、经济开放度、所有权结构、经济增长、成本变动等多个因素，避免遗漏变量问题。
生产率对资本回报率变动影响的理论分析
为了说明生产率对资本回报率的作用，考虑一个简单的包含人力资本的Solow模型，即Y=Kβ（AH）α。对资本K求导，可以推导出资本边际生产率的公式为：
（1）
在完全竞争的假定下，资本的边际生产率就等于资本的回报率。并且，进一步假定规模报酬不变，则上式可以变形为：
（2）
（2）式表明，在完全竞争的条件下，资本回报率的决定因素是全要素生产率和资本劳动比。其中，全要素生产率的提高可以改善我国的资本回报率。同时，资本劳动比K/H的提高，根据边际报酬递减的原理，将导致资本的回报率下降。特别是在我国，由于我国的要素禀赋是劳动相对充裕而资本相对稀缺，如果违背了要素禀赋结构，过度的资本深化，将违背比较优势而造成资本回报率的降低。
指标选取和数据处理
除了声明来源的数据外，本文的数据均来源于新中国六十年统计资料汇编和历年各省的统计年鉴，时间长度为1978-2010年。并且，考虑数据的可得性，重庆的数据并入四川，并在样本中删去数据不全的海南和。本文的核心变量为资本回报率和全要素生产率。对于各个省份资本回报率的度量，基于Bai et al.（2006）的方法，利用收入法GDP计算，并采纳周明海等（2010）的建议，将生产税净额在资本和劳动收入之间进行分配。全要素生产率采用基于Malquist指数的DEA方法测算，考虑了资本和劳动两种投入，其中资本存量数据来自单豪杰（2008），并基于其方法对后续年份的数据进行了补充。劳动力采用社会从业人员表示，并进行人力资本的调整。人力资本采用平均受教育年限度量，为了与大多数文献一致，小学教育用6年计算，初中9年，高中12年，大学及以上取16年。
除了上述两个核心指标之外，为了控制其他因素对资本回报率的影响，避免遗漏变量的问题，还需控制资本深化程度、需求规模、成本变动、政府干预、产业结构、所有权结构和经济开放度等因素的影响。资本深化程度采用资本劳动比衡量，需求规模用国民生产总值作为，并采用司春林等（2002）的方法将生产总值用1978年不变价表示。成本变动采用资本品价格指数和产成品价格指数作为，鉴于近年来我国劳动力成本不断上升，笔者也考虑劳动者份额的变动。其中，资本品价格指数来源于单豪杰（2008），而产成品价格指数采用GDP平减指数表示。劳动者份额利用收入法GDP中的要素收入计算，并对生产税净额进行了调整。政府干预程度采用财政收入占GDP的比重，这也是通常文献中用来度量政府对经济的干预和扭曲程度的方法。产业结构方面，利用三次产业的比重变动进行度量。经济开放度采用文献通常的做法，用出口占GDP的比重和外商直接投资及占GDP的比重表示。其中，出口和外商直接投资的数据用美元对人民币的年平均汇率换算成人民币。在所有权结构方面，采用国有企业份额表示，具体的，使用国有及国有控股企业工业总产值占当年工业总产值的比重进行度量。
表1报告了回归中主要变量的描述性统计量（水平值变量的基本统计量）。从表中可以看出，我国资本回报率平均为15%左右，各地区相差较大，个别省份的个别年份甚至出现亏损的情况。同时，改革以来，我国的民营化进程不断推进，但总体而言，国有经济在国民经济中的比重仍然较高，平均而言达到62%。政府收入占国民收入的比重平均而言为14.8%，但在某些地区高达55%，这说明政府干预过于严重的同时，也提示可能在某些地区存在异常值，需要进行相应的处理。类似的，出口和资本劳动比的数据可能也有相应的离群值问题，将在稳健性检验中进行处理，以保证结果的可信性。
实证分析
在上文的基础上，综合考虑各个方面的指标，考虑如下模型：
（3）
在上式中，CR表示资本回报率，TFP代表全要素生产率水平，SOEshare表示国有企业份额，EXshare表示出口份额，Govshare表示政府干预，FDIshare表示外商直接投资（FDI）占GDP的比重，Kid表示资本品价格指数，Sid表示产成品价格指数，agrishare和tertiaryshare分别表示第一产业和第三产业比重，而laborshare表示产出中支付给劳动者的份额。
然而，对上述模型直接进行回归可能会出现一些问题。第一，这里的众多变量可能并不都是平稳的，从而导致估计的结果出现伪回归问题。第二，全要素生产率的测度结果是一个变化率指标，而没有水平值。存在这种问题的还有资本品价格和产成品价格两个指标，一般而言，价格水平的绝对值经济意义不足，常见的价格变量多用变化率表示。因此，在实际回归中，我们将上式中所有变量取对数，然后进行一阶差分。由于变量的对数差分反映的是其变化率，因而可以很好地解决生产率的度量问题，并且，由于大多数经济数据都是一阶单整过程，对其取差分使得相应的数据变为平稳。如果原方程的扰动项存在异方差和离群值问题，对数据取对数可以使得异方差和离群值的影响大大减小。
根据上述讨论，表2报告了模型的估计结果。在第一列和第二列中，分别采用固定效应和随机效应估计了一个最为简洁的模型，在这两个模型中，只考虑了影响资本回报率的几个最基本的因素。从回归的结果可以看出，全要素生产率对资本回报率有显著的正向影响，这和上文的理论分析是相一致的。通过对原始数据的分析发现，改革以来我国的生产率不断提高，年均增长约为0.6%。而从回归结果来看，生产率提高显著促进了资本回报率的上升，因此，我国较高的资本回报率是有其基础的，从而高投资具有一定的合理性。同时，以GDP为代表的需求规模的扩张也对资本回报率有着明显的促进作用。另一方面，资本深化程度对资本回报率有显著的负向影响，而要素成本的变量，即劳动份额的提高也显著降低了资本回报率。研究劳动份额的文献表明，20世纪90年代末期，我国的分配格局发生变化，出现“资本侵蚀劳动”的现象，劳动收入份额不断降低。而我们计算的资本回报率表明，我国的资本回报率从20世纪90年代末期开始出现回升，这一发现与回归分析的结论是一致的。
可以看到，运用随机效应和固定效应模型估计并不会对我们的结果产生本质的影响。然而，Hausman检验的结果拒绝了随机效应模型（Hausman检验统计量为44.69，在1%的水平上高度显著），因而在下文的分析中我们都使用固定效应估计。
在第三列中，进一步考虑了国有企业、经济的外向程度、政府对经济的干预和外商直接投资对资本回报率的影响。可以发现，在考虑了这些因素以后，生产率仍对资本回报率有着显著的正向作用。此外，经济的开放程度对资本回报率有显著的负向影响，这一发现与H-O理论的推断是相一致的。根据H-O理论，一国的对外贸易将使得其相对丰裕要素的回报增长，而相对稀缺要素的回报将下降。中国是个劳动力丰富而资本相对稀缺的国家，因此，中国的密集要素即劳动的收入将增加，资本的收入将减少。同时，与先前文献的研究一致，政府对经济的干预对资本回报率有着显著的负向影响，而FDI对资本回报率有微弱的正向影响，虽然并不显著。但是，笔者发现，国有企业的比重高低并不会对资本回报率产生显著的影响，即使有影响，其方向也是正的。这和先前文献有明显的不同。
事实上，由于某些特殊的原因，国有企业在市场中总是能够优先获得信贷资源和其他稀缺资源（邵挺，2010），并且常常能够获得各种隐性补贴（刘瑞明、石磊，2011；刘瑞明，2012）。政府也常常通过各种手段赋予国企各种垄断地位，从而使其获得超额利润（严海宁、汪红梅，2009），因此，国企盈利能力应该比其他生产单位的盈利能力强。而国企盈利能力低下的原因在于，国有企业存在产权不清，以及承担的政策包袱，造成了其运行的低效率。因此，国有企业的所有权本身并不会导致盈利能力的低下，造成盈利能力低下的是国有性质导致的效率低下。而在我们的研究中，已经控制了生产率这一变量，因而国有企业比重就不会对资本回报率有明显的影响，甚至可能出现正向的影响。
在第四列中，进一步考虑了产业结构对资本回报率的影响。在考虑了产业结构后，基本结论仍然不发生本质变化，生产率对资本回报率仍有显著的促进作用，甚至其绝对数值更大。同时，不同的产业结构对资本回报率有一定的影响，农业份额占比较高导致资本回报率降低，而第三产业占比的提高有利于资本回报率的上升。
上文的研究表明，生产率确实是导致我国资本回报率上升的一个重要因素。由于生产率的变动可以分解为技术进步和效率的变动，那么，促进资本回报率变化的原因究竟是技术的进步，还是效率的改变呢？为了明确这一问题，表1的第五列将生产率分解成技术变化（TECH）和效率变化（EFFCH），并将二者对资本回报率进行回归。回归结果表明，技术的进步和效率的改善都对资本回报率有着显著的正向影响，并且，二者的作用效果大致是一致的。
稳健性检验
实证检验表明，和前面的理论分析一致，生产率确实对我国的资本回报率有着显著的正向影响。同时，产业结构、国企比重、政府对经济的干预程度以及经济的外向程度等也会影响我国的资本回报率。为了检验这一结论的可靠性，从变量测度方法和离群值两个角度考虑对上述回归进行稳健性检验。
首先，由于生产率的测度方法众多，不同方法测度的结果差异较大，因而可能利用不同方法测度出来的结果对回归结果会造成影响。为了考虑这一可能性，分别利用Battese and Coelli（1995）和Wang and Ho（2010）两种随机前沿方法和Solow余量方法计算全要素生产率，并对这一结果进行回归。可以发现，Solow方法测算的TFP年均增长率为4.1%，Battese and Coelli（1995）方法测算的TFP最低，年均为2.7%，而Wang and Ho（2010）的结果偏高，为年均7.3%左右。但是，利用不同测度结果进行回归都表明，生产率对资本回报率的正向促进作用，并不受生产率具体测度方法的影响。
在进行主要变量的描述性统计分析时发现，资本回报率、政府干预程度、资本劳动比和出口比例四个变量都有一定的离群值现象出现。并且分别对变量进行了2%、5%和10%的缩尾和截尾处理，发现进行处理后，结果并没有发生本质的变化，说明我们的结果并不受离群值的影响。
结论
本文利用我国的省际层面数据，发现生产率对资本回报率有显著的促进作用，同时，需求规模、产成品价格的上升以及第三产业比重的增加对资本回报率有正向的影响，而资本深化、资本品价格的上升、第一产业比重的增加、劳动成本的提高、出口规模的扩大以及政府的过度干预都会对资本回报率产生负向的影响。鉴于资本回报率的高低直接影响我国的投资，进而影响经济增长，所以延缓我国资本回报率的下降无疑是非常重要的。基于本文的结论，笔者认为，今后我国应该加大教育和研发投入，以加快生产率的提高，从而防止因为资本深化而导致的资本回报率下降，以保证投资拉动的经济增长的持续性。
参考文献：
1.Bai C E， Hsieh C T， Qian Y. The Return to Capital in China[J]. Brookings Papers on Economic Activity，2006（2）
2.Wang H J， Ho C W. Estimating fixed-effect panel stochastic frontier models by model transformation[J]. Journal of Econometrics，2010， 157（2）
3.CCER研究组.我国资本回报率估测（1978-2006）—新一轮投资增长和经济景气微观基础[J].经济学（季刊），2007（3）
4.陈立泰，叶长华，林川.农业资本利润率变动趋势及其成因的实证研究[J].产业经济研究，2010（2）
5.单豪杰.中国资本存量K的再估算：1952-2006年[J].数量经济技术经济研究，2008（10）
6.胡凯，吴清.制度环境与地区资本回报率[J].经济科学，2012（4）
7.黄先海，杨君.中国工业资本回报率的地区差异及其影响因素分析[J].社会科学战线，2012（3）
论文关键词：金融市场化，投资回报率，面板数据模型
一、引言
资本运营的最终目的都是为了获取利润，因而不同的投资主体关注的焦点都在于——投资的资本回报率。而金融发展与经济增长之间的因果关系是近年来国内外学术界广为关注的一个议题，在应用研究方面，许多学者利用一些数据分析了金融业发展指标与经济增长指标之间的相关性。那么，金融业的市场化程度对我国的资本回报率有没有影响呢？二者的关系如何呢？
国内外学者对于金融市场化和资本回报率等相关问题都进行了一些研究。
在金融业的市场化方面，Goldsmit（1969）在《金融结构与经济发展》一书中第一次探索了金融发展与经济增长的关系问题，开创了金融发展研究的先河，并给出了评价金融发展水平的主要指标。 Mackinnon R.I.（1973）和ShawE.S.(1973)曾针对金融系统的发育状况，将金融市场化理解为金融抑制向金融深化的转变。①此后的学者从不同的角度和概念内涵对金融市场化和经济增长之间的关系进行了大量的理论研究,目前形成相反的两类观点：第一类观点认为金融市场化增强了金融发展的动力，并最终为经济带来了更高的长期增长（Bandiera,2000；Andersen and Tarp,2003；Bekaert,2005；Ghosh,2006）；第二类观点认为，金融市场化导致了过度的风险介入，加剧了宏观经济的波动性，从而导致更加频繁的金融危机（Demirguc-Kunt and Detragiache,1998；Kaminsky and Reinhart,1999）。②关于金融业市场化指数的测算，自2000年开始，中国经济改革研究基金会国民经济研究所的学者樊纲，王小鲁，张立文就出版了中国各地区市场化进程相对指数报告，其中就包含了金融业的市场化这一指标，并分别在2004年、2006年、2009年了新的报告。本文中采用的数据部分就来自于2009年的报告。
关于资本回报率的问题，白重恩、谢长泰、钱颖一（2006，2007）曾对我国资本的实际回报率进行了测算，分析了我国在高投资率的情况下，仍然保持了年总资本回报率约20%的资本回报率，并指出可能由于中国工业部门内的渐进式重组使其向资本密集型工业转变，因此要求中国有更高的稳态投资率。
但是将中国的金融业市场化指数和资本回报率联系起来，分析二者之间的关系以及金融市场化对投资回报率影响的文章并不多见。
本文试图利用1999-2007年的省级面板数据，来分析一下我国的资本回报率与金融市场化之间的相关关系。本文以下内容安排如下，第二部分说明模型设定已经模型中相关指标的测算方法及数据选取；第三部分对1999-2007年的面板数据进行了相关检验并基于数据对计量模型进行估计；第四部分为结论和简单的政策建议。
二、模型与数据
——————————
（一）模型设定
本文将着重考察资本回报率与金融市场化之间的相关关系，分析金融业的市场化进程对投资回报率的影响程度投资回报率，因而建立如下面板计量模型：
（1）
其中，i表示横截面，即各个省市区，i=1，2，……，31；t表示时间，t=1999，2000，……，2007。为残差。ROIC为投资的资本回报率(Return on Invested Capital)，FMI为金融业的市场化指数 (Financial Market Indices)。β为相应的弹性，表明投资的资本回报率对金融市场化程度变动的敏感程度。
（二）数据选取
本文利用中国31个省（市、自治区）的投资的资本回报率以及金融业的市场化指数各279个数据，由于指标选取的限制，样本区间为1999—2007年。31个省（直辖市，自治区）包括北京、天津、河北、辽宁、上海、江苏、浙江、福建、山东、广东、山西、内蒙古、吉林、黑龙江、安徽、江西、河南、湖北、湖南、海南、广西、重庆、四川、贵州、云南、陕西、西藏、甘肃、青海、宁夏、新疆。
1．我国投资回报率的测算
Bai 等（2006）曾经对我国资本的实际回报率进行了核算，其测算公式为：
其中，r 表示实际资本回报率，i 表示资本名义回报率，P 表示价格水平，^表示增长率，α表示资本所得在总收入中所占比重，K 表示资本存量，Y 表示总产出，δ 表示资本折旧率。理论上，式（1）一个的近乎完美核算公式。但是，由于我国统计资料的限制，如果应用其来测算我国分省区的资本回报率，在操作中还存在着一些难以克服的困难。③
如果生产要素是规模报酬不变的，且符合生产要素分配净尽定理，及要素按照其边际产出获得报酬，那么资本回报率就等于资本所得份额除以资本产出比。其原理如下：
设定投入两种生产要素资本K 和劳动L，得到产出Y。投入要素的规模报酬保持不变，则有
（2）
上式中，MPK 和MPL分别表示资本和劳动的边际产出。将等式（2）两边同时除以产出Y，得到
（3）
如果投入要素分别按照边际产出MPK 取得收入，则资本回报率r=MPK。式（3）右边第一项为资本所得份额（记为α），则资本的回报率转化为
（4）
产出Y以实际GDP计算，资本存量K作者借鉴Bai 等（2006）所采用的“固定资本形成”指标。而资本所得份额没有现成的统计数据，作者将利用中国统计年鉴所公布的按照收入法核算的地区生产总值构成来计算。
资本所得应该为固定资产折旧，营业盈余以及属于资本所得的生产税。因而核算公式如下：
资本所得除以GDP总量就可得到资本所得份额。这样，将1999-2007年我国31个省（市、自治区）代入式（4）中，就可以测算出投资的资本回报率。统计数据来源为2000—2008年的《中国统计年鉴》以及锐思金融研究数据库；此外，2004年各地区生产总值结构构成的统计数据缺失，作者利用插值法完成缺失数据的填充后，再行计算出了2004年各地区的资本回报率。
2．金融市场化指数
金融业的市场化指数则选用中国经济研究基金会国民经济研究所的《中国市场化指数——各地区相对市场化进程2009年报告》中的数据。
三、金融业的市场化对投资回报率影响的实证分析
（一）面板数据的单位根检验
从选取的变量的实际数据看，都有随着时间而增长的趋势，为了消除虚假回归的现象，需要对这些变量进行单位根检验。由于单一的检验方法可能存在缺陷，本文作者使用了Levin-Lin-Chu检验、Im-Pesaran-Shin检验、Fisher-ADF检验和Fisher-PP检验四种方法来对资本回报率和金融市场化这两个模型中的变量进行面板数据的单位根检验。使用的计量软件为Eviews 6.0版本，检验结果见表3-1。
表1 资本回报率及金融市场化指数的单位根检验结果
变量
ROIC?
ROIC?
FMI?
FMI?
LLC值
-4.1952
-15.9634
-4.0889
-24.6921
p值
0.0000
0.0000
0.0000
0.0000
IPS值
1.2876
-4.7306
2.2567
-8.2947
p值
0.9011
0.0000
0.9880
0.0000
ADF-Fisher值
49.1463
135.1460
57.5226
194.1310
p值
0.8819
0.0000
0.6375
0.0000
PP-Fisher值
46.3882
156.8131
41.0520
185.0343
p值
0.9305
0.0000
