摘要:本研究探讨了间接税收激励如何影响制造企业的全要素生产率,通过投入产出关联分析弥补了税收政策对生产率影响机制研究中的不足。我们利用2010年至2015年的国家税收调查数据库,借助中国从营业税向增值税的改革契机,分析间接税收激励的作用效应。研究发现,面临更多间接税收激励的企业,
摘要:本研究探讨了间接税收激励如何影响制造企业的全要素生产率,通过投入产出关联分析弥补了税收政策对生产率影响机制研究中的不足。我们利用2010年至2015年的国家税收调查数据库,借助中国从营业税向增值税的改革契机,分析间接税收激励的作用效应。研究发现,面临更多间接税收激励的企业,其全要素生产率会提升,尤其是那些资金紧张、依赖生产服务的企业以及活跃在出口市场的企业。机制分析表明,服务外包、现金流改善以及外部与内部研发活动的互补性是传导路径。除了提升企业层面的全要素生产率外,间接税收激励还能减少资源错配,进而提高行业整体生产率。这些研究结果为理解间接税收激励如何在企业和宏观层面影响全要素生产率提供了新视角,也为设计能够超越特定行业、优化企业间资源分配的税收政策提供了依据。
引言:全要素生产率被广泛视为衡量企业绩效和经济效率的关键指标,它反映了企业将资本、劳动力等投入转化为产出的效率水平。在影响全要素生产率的诸多因素中,税收政策通过塑造企业行为动机及经济主体间的资源分配方式发挥着重要作用。在现代生产网络中,各行业通过投入产出关联相互联系,这意味着针对某一行业的税收政策可能会产生向上下业的间接激励效应和溢出效应。然而现有研究大多聚焦于直接税收激励的影响,较少关注税收改革如何通过生产网络传导作用。中国的营业税改增值税改革为研究此类间接传导效应提供了理想场景——尽管该改革通过扩大进项税抵扣范围直接针对服务业,但由于制造业对服务投入的依赖,它们也会间接受到影响。这一背景使得我们能够突破传统以直接税收激励为中心的分析框架,探究上游服务业的政策变化如何通过投入产出关联影响制造业的全要素生产率和配置效率。更广泛而言,本文还拓展了关于制造业服务化的相关研究,指出制造业生产率不仅取决于企业自身的生产决策,还与服务业的发展水平及成本结构密切相关。
为识别间接税收激励对制造业企业的影响,我们以2012年开始、2016年完成的中国营改增改革为研究对象。改革前,中国实行间接税双轨制,商品和服务分别征税,且服务业在供应链的每个环节都要缴纳营业税,这导致了双重征税问题,进而造成生产扭曲和资源错配。此次改革允许注册为一般纳税人的服务企业提供货物、固定资产和服务采购的进项税抵扣,从而降低其税负。制造业企业也能从中受益,因为他们在购买服务时也可申请增值税抵扣,进而降低了服务投入的实际成本。因此,这项直接针对服务业的改革,通过投入产出关联为制造业企业带来了间接税收激励。这就引出了另一个问题:这类间接税收激励究竟是如何提升制造业的全要素生产率的?
间接税收激励可能通过三种并行机制影响制造业企业的全要素生产率。这些机制体现了企业在面对服务投入成本下降时的组织层面、财务层面和创新层面的反应。第一种机制是专业化渠道,这一机制源于劳动分工理论,认为当企业专注于核心业务,将非核心活动委托给专业服务商时,生产率会提升(Becker和Murphy,1992)。间接税收激励通过降低外部服务成本,促使制造业企业将业务转向专业服务提供商,从而专注核心生产任务。更深入的专业化与更高的企业生产率相关(Constantinescu等人,2019;Li和Yan,2018;Weinhold和Rauch,1999)。第二种机制是通过现金流渠道发挥作用,这一机制基于融资约束理论。外部服务价格下降会降低生产成本,改善企业的内部现金流。在存在融资约束的情况下,更高的内部流动性能够缓解融资压力,使企业有能力进行提升生产率的投资(Fazzari等人,1988;Chen和Guariglia,2013)。第三种机制是通过研发互补性渠道起作用。知识密集型服务成本的降低会促使企业增加外部创新投入。外部研发服务能够丰富企业的知识库,提升内部研发的边际收益。因此,企业会加大内部研发力度,以有效吸收和转化外部知识,这一过程与吸收能力框架相契合(Cohen和Levinthal,1989;Cohen和Levinthal,1990)。更多利用外部研发资源可以通过提升学习效率和促进知识传播,进而提高企业生产率(Cassiman和Veugelers,2006)。这三种渠道并行发挥作用,各自解释了总效应的一部分,如图1所示。同时,由于这些渠道仅能解释部分总效应,间接税收激励还可能通过其他渠道或直接效应影响生产率。
本文旨在探讨间接税收激励如何通过投入产出关联影响制造业企业的全要素生产率。我们利用2010–2015年的国家税收调查数据库中的税务行政数据以及2012年的投入产出表,在异质性差异识别框架下构建了反映不同行业、地区和时间背景下间接税收激励差异的连续暴露度指标。为验证我们的识别策略,我们首先在传统的双向固定效应事件研究框架下,通过将事件时间虚拟变量与服务投入比率相乘,检验平行趋势假设。同时,我们还采用了Sun和Abraham(2021)提出的现代差异识别估计方法,以解决处理时间不一致和处理效应异质性可能带来的偏差问题。随后,我们研究了专业化、现金流和研发互补性三种潜在传导机制,并通过基于Bootstrap的中介分析评估其显著性。此外,我们还从财务约束、生产结构和出口行为三个维度分析了数据差异性。最后,我们超越企业层面生产率的分析,探讨了该改革的宏观影响。我们运用基于协方差的分解方法(Olley和Pakes,1996)以及全要素生产率离散度衡量方法(Hsieh和Klenow,2009),分析营改增带来的间接税收激励是否提升了企业间的配置效率,减少了资源错配,并提高了行业整体全要素生产率。
实证结果表明,间接税收激励显著提升了制造业企业的全要素生产率。事件研究证据显示,面临较高和较低税收激励的企业在改革前的发展趋势较为相似,而Sun和Abraham(2021)的估计方法进一步验证了我们识别策略的有效性。基于Bootstrap的中介分析表明,三种间接效应的置信区间均不包含零值,说明每种机制都具有统计显著性,尽管它们共同解释的只是总效应的一部分。差异性分析还显示,对于资金紧张的企业、生产者服务投入占比较高的企业,以及出口参与度或出口强度较高的企业,其生产率提升效应更为显著。除企业层面结果外,我们还发现该改革提升了配置效率,减少了资源错配,提高了行业整体生产率。从经济逻辑来看,通过在服务业领域用增值税取代营业税,改革降低了制造业企业所需服务产品的实际成本。那些更多使用这些服务的企业会面临更强的间接税收激励,这会推动企业开展服务外包,改善内部流动性,同时便于获取外部创新资源。通过这些途径,针对服务业的改革能够提升受间接影响的制造业企业的生产率。
为明确本文在现有研究中的位置,我们总结其主要贡献如下。首先,本文通过改进识别策略,丰富了关于税收激励与企业生产率关系的研究。现有研究通常探讨税收激励如何通过企业内部的反应,如固定资本积累或研发投资,直接影响生产率(Cai和Harrison,2021;Cui等人,2025;Gemmell等人,2018;Liu和Lu,2015;Liu和Mao,2019;Yang和Zhang,2021;Bournakis和Mallick,2021)。而本文则聚焦于中国直接针对服务业的营改增改革,分析了该改革如何通过投入产出关联为制造业企业带来间接税收激励。从这个意义上说,本文拓展了现有研究中关于企业内部直接税收激励的研究范畴,加入了通过生产网络在行业间传导的间接税收激励内容。
本文与Peng等人(2021)以及Bai等人(2023)的研究最为相似,他们同样通过投入产出关联将营改增改革与制造业的发展成果联系起来。我们在这些研究的基础上,对识别策略进行了重要拓展。Peng等人(2021)主要从时间和地区维度定义处理组,并利用生产关联关系来捕捉不同行业间的差异性放大效应。而我们则直接将行业暴露程度纳入处理定义,通过基于投入产出表的动态反向关联指标来衡量处理强度,这使得处理强度能够在时间、地区和行业层面同时发生变化。Bai等人(2023)也考虑了这些维度的差异性,但他们的指标仅聚焦于改革初期两个特定服务业领域的暴露程度,并将企业划分为不同的暴露组。相比之下,我们构建了一个连续的、随时间变化的处理强度指标,能够反映改革在众多服务业领域逐步推进的过程。这种设计更全面地刻画了通过生产网络传导的间接税收激励,同时通过在高维固定效应存在的情况下利用企业内部差异,增强了识别的准确性。
其次,本文通过将国内服务外包作为税收激励影响制造业企业生产率的企业层面机制,为关于外包与生产率关系的研究做出了贡献。以往关于外包与生产率的研究大多聚焦于国际外包或离岸外包的影响(Amiti和Konings,2007;Amiti和Wei,2009;Goldberg等人,2010;Gopinath和Neiman,2014;G?rg等人,2008;Topalova和Khandelwal,2011)。即便有些研究区分了服务投入和物质投入,如G?rg等人(2008)和Amiti和Wei(2009)的研究,其重点仍在于国际外包。此外,还有一些研究没有明确区分国际外包和国内服务外包(Girma和G?rg,2004;Raa和Wolff,2001)。而营改增改革则为分离国内服务外包提供了清晰的背景,因为它改变了国内服务交易的税收处理方式,从而间接影响了制造业企业对国内服务的采购,却不会影响其国际服务外包行为。此外,我们还将国内服务外包视为全要素生产率提升的机制,而非仅仅将其视为改革的结果,这与Bai等人(2023)的研究观点不同。在我们的框架中,服务外包的增加反映了企业的组织结构重组和专业化程度的提升,而这又会进一步提高制造业企业的全要素生产率。除了Peng等人(2021)强调的专业化渠道外,我们还在机制分析中加入了另外两种渠道:现金流渠道和研发互补性渠道。通过基于Bootstrap的中介分析,我们证明间接税收激励通过组织结构重组、财务压力缓解以及创新方面的互补效应,部分提升了全要素生产率。
第三,我们将分析范围从企业层面生产率拓展到了资源分配和行业层面生产率。我们运用Olley和Pakes(1996)提出的基于协方差的生产率分解方法,以及Hsieh和Klenow(2009)的全要素生产率离散度衡量方法,分析了营改增改革是否提升了资源配置效率。这使我们能够判断间接税收激励是否不仅影响企业层面的生产率,还影响行业内企业间的资源分配效率。更广泛地说,本文也与日益丰富的关于生产结构变化如何影响宏观经济成果的研究相呼应(H?tte等人,2024;Gollin和Kaboski,2023;Konte等人,2022)。我们表明,税收政策本身就会引发此类结构调整,进而影响配置效率和整体生产率。这一观点与近期的一些研究结果一致,即税收相关的扭曲可以通过企业间资源的重新分配,改变生产率分布和整体生产率水平(Menoncin等人,2026)。在我们的研究背景下,从营业税向增值税的改革可以通过输入增值税抵免降低中间投入的实际成本,同时减少税收对投入价格造成的扭曲,从而提升配置效率。此外,通过服务外包实现更深入的专业化分工,有助于增强企业的比较优势,并促使资源向更具生产力的企业流动。与这些机制相一致,我们发现该改革提升了配置效率,减少了资源错配现象,而且这些变化还伴随着行业整体全要素生产率的上升。这些研究结果表明,间接税收激励带来的生产率提升不仅源于企业内部的改进,也源于企业间更高效的资源重新分配,这一观点在关于资源重新分配和整体生产率的文献中已有阐述(Mukoyama和Osotimehin,2019;Hsieh和Klenow,2009;Melitz和Polanec,2015;Foster等人,2001)。Bai等人(2023)、Li和Yan(2018)以及Peng等人(2021)的研究并未系统探讨这些对资源分配和整体效率的更广泛影响。本文的结构如下:第2节介绍改革背景,第3节阐述概念框架,第4节说明数据及实证方法,第5节呈现相应的实证结果,第6节提出并检验影响机制,第7节分析异质性效应,第8节将分析扩展到资源分配和整体生产率层面,第9节进行稳健性检验,第10节总结全文。
中国的现代税收体系建立于1994年,其特点是增值税与营业税并存。增值税主要适用于商品以及部分加工、维修和保养服务,而营业税则涵盖大多数服务、房地产及无形资产。由于营业税不允许输入增值税抵免,这种双轨制导致了重复征税,进而扭曲了企业的投入选择、资源分配以及分工结构。为解决这些问题,才有了从营业税向增值税的改革。
尽管制造业并非直接受益于从营业税向增值税的改革,但可通过投入产出关联间接受到影响。由于该改革允许对购买的服务享受增值税抵免,降低了制造企业服务投入的实际成本,从而推动了更多的服务外包。事实上,2017年前八个月,制造企业购买服务的金额同比增长了37.6%。
我们使用了由中国国家税务总局与财政部每年通过分层随机抽样方法收集的全国税务调查数据库中的企业级数据。分层依据为总销售额、行业类型以及纳税人类别。该数据库旨在更好地监测税基信息并评估税收政策的效果,覆盖了全国所有地区的所有行业。
表3展示了基准回归(1)的结果,其中以OP法计算的企业全要素生产率作为面板A的因变量,LP法计算的结果作为面板B,ACF法计算的结果作为面板C。表格的每一列代表针对制造业非平衡样本进行的单独回归的估计值,仅显示了相关系数。
为更清晰地揭示基准结果背后的机制,本节将改革与企业在外包、融资和创新方面的实际决策联系起来。这些决策对应着以下三个分析渠道:专业化分工、现金流状况以及研发互补性。基于后向关联度指标,我们将以服务为导向的从营业税向增值税的改革与制造企业对中间服务的依赖联系起来。该改革扩大了可抵扣的输入税范围。
本节从三个理论层面探讨间接税收激励在生产率效应上的异质性:财务约束、生产结构以及出口行为。这三个层面与我们框架中的关键机制相对应,分别反映了企业内部流动性(现金流渠道)、生产组织结构(专业化渠道)以及对外部市场的依赖程度。为了开展这项分析,我们将相关指标相互结合。
除了通过现金流改善、专业化分工以及研发互补性来展现企业层面的生产率提升外,我们还进一步研究了这些企业内部的生产率提升是否能够转化为企业间更高效的资源分配。根据Olley和Pakes(1996)的方法,我们可以进行如下分解:TFPt=TFP?t+∑i=1Ntsit?s?tTFPit?TFP?t。其中,左边的是同一行业内所有企业的加权平均全要素生产率。
为增强结果的稳健性,我们采用了工具变量法而非传统的差异对比法。在工具变量框架下,我们以“依赖度”作为工具变量,直接估算外包服务对企业全要素生产率的影响。估算方程如下:TFPijct=αIV+βIVOutsourcedServiceijct+θIVXijct+τi+τt+?ijct。其中,OutsourcedServiceijct包含了各类外包服务的内容。