Yr2025_RES_Industrial Policy Implementation：Empirical Evidence from China's Shipbuilding Industry
Panle Jia Barwick、Myrto Kalouptsidi、Nahim Bin Zahur
【Reference】: Panle Jia Barwick, Myrto Kalouptsidi, Nahim Bin Zahur, Industrial Policy Implementation: Empirical Evidence from China’s Shipbuilding Industry, The Review of Economic Studies, 2025. https://doi.org/10.1093/restud/rdaf011.
产业政策在全球范围内被广泛运用，但在实践中，此类政策的设计与实施是一项复杂任务。本文评估了不同产业政策工具（包括生产补贴、投资补贴、准入补贴及整合政策）的长期绩效。为此，我们聚焦中国近期一项旨在推动本国造船业成为全球规模最大产业的产业政策，利用 1998-2014 年的企业层面数据，结合包含企业进入、退出、投资与生产行为的动态模型，得出以下研究结论：（1）该政策显著推动了中国国内投资、企业准入及国际市场份额的提升，但同时也导致投资回报率低下、产业碎片化、产能闲置，且压低了全球船舶价格；（2）不同政策工具的有效性存在差异：从市场份额角度看，生产补贴与投资补贴具有合理性，而准入补贴则属于资源浪费；（3）逆周期政策、企业定向扶持以及缩短干预周期，可大幅降低政策扭曲效应。研究结果凸显了企业异质性、商业周期及企业成本结构在政策设计中的关键作用。最后，在探究政策潜在合理性时，我们发现非传统考量因素具有一定支撑依据，例如通过降低运费以促进中国贸易。
关键词：产业政策；中国；投资；动态性；造船业
引言
产业政策在发达国家与发展中国家均得到广泛应用。例如，二战后的美国与欧洲、20 世纪 50-60 年代的日本（Johnson，1982；Ito，1992）、20 世纪 60-70 年代的韩国与中国台湾地区（Amsden，1989；Lane，2022），以及近年来的中国、印度、巴西等发展中国家（Stiglitz & Lin，2013；Peres，2013）。如今，产业政策在欧洲、美国等发达国家再度成为关注焦点。产业政策的设计与实施极为复杂，政府在推动特定部门发展时，可运用的政策工具种类繁多，包括产出补贴、提供低于市场利率的贷款、税收优惠政策、关税及非关税壁垒等。此外，政府还需选择政策干预的时机，并决定是否对行业内特定企业进行定向扶持。正如 Rodrik（2010）所言：“关于产业政策，真正的问题并非是否应实施，而是如何实施。”本文正是围绕这一核心问题展开研究。
本文聚焦中国造船业，该行业为理解有效产业政策设计所面临的挑战提供了典型案例。世纪之交时，中国新兴的造船业在全球产量中的占比不足 10%。在“十一五”（2006-2010 年）与“十二五”（2011-2015 年）规划期间，造船业被列为需重点监管的支柱产业，进而获得了大量政策干预支持。短短数年内，中国在产量上超越日本与韩国，成为全球领先的船舶生产国。然而，这种显著的产量增长是通过大量新企业涌入实现的，这加剧了产业碎片化程度，并导致产能利用率低下。
在金融危机后，船舶价格暴跌，威胁到行业内众多企业的生存，促使政府暂停新企业准入。与此同时，政策支持转向“白名单”中的特定企业，以推动产业整合。
造船业的案例与钢铁、太阳能电池板、汽车等其他行业的发展模式相似，凸显了产业政策设计的复杂性及对过往经验进行实证评估的难度。已实施的政策往往透明度较低，且政策结果受行业动态、商业周期、企业异质性等多种因素影响。因此，相较于关于产业政策的大量理论文献及其在实践中的广泛应用，相关实证研究仍较为有限（详见 Lane，2020；Juhász 等，2025 的综述）。
研究问题与研究策略
本文探讨两组问题。首先，中国的产业政策如何影响了国内外产业的演变？其次，不同政策工具的相对绩效如何，这些政策工具包括生产补贴（例如，补贴性材料投入、出口信贷、买方融资）、投资补贴（例如，低息长期贷款、加速资本折旧）、进入补贴（例如，低于市场利率的土地价格）和整合政策（白名单）？
我们首先构建了一个包含动态和企业异质性的行业结构模型，这两者对于确定产业政策的长期影响至关重要。在每个时期，企业进行古诺竞争：它们在凸性生产成本的限制下选择产量，并加价。然后，它们决定是否退出以及如果继续经营应投资多少。投资增加企业资本，进而降低未来的生产成本。潜在进入者根据其预期的终身盈利能力和进入成本做出进入决策。中国的产业政策通过降低相关成本来影响所有这些决策。
我们随后使用 1998 年至 2014 年的企业层面产出、资本和特征数据，以及船舶市场价格来估计该模型。我们感兴趣的主要原始要素包括企业生产成本、投资成本、进入成本、退出报废价值、船舶需求以及补贴的规模。我们分析中的一个关键挑战是缺乏关于政府补贴性质的信息。部分原因是国际贸易协定禁止直接和实物补贴，“系统性数据并不存在”（世界贸易组织 2006 年），因此此类补贴的存在和规模往往未知。这对裁决补贴争端的国家和国际监管机构都是一个真正的障碍。为了克服这一挑战，我们遵循现有文献（见下文文献综述），通过估计政策实施前后中国企业的成本结构，并在可能的情况下与其他国家进行比较，来恢复补贴的规模。尽管这种方法有其自身的局限性，但在直接观察补贴之外，这是唯一可行的策略。
我们的实证策略在两个方面扩展了关于企业动态决策的文献。首先，我们根据会计数据估计生产固定成本，以适应那些闲置产能和零产量困扰行业的样本时期。其次，考虑到具有相似属性的企业间投资异质性，我们允许存在持续投资、未观察到的成本冲击和调整成本。一旦关键参数被揭示，我们在反事实分析中评估中国产业政策的长期影响，通过模拟全球造船业随时间变化，并根据需要分别讨论不同的政策工具。在方法论上，我们的框架相当通用，可以应用于其他特定行业产业政策的评估。
研究发现概述
我们的分析得出四组主要发现。
首先，与过去几十年中国中央政府实施的许多其他政策一样，该政策的规模相对于造船业规模而言是巨大的。补贴的现值总和（以 2000 年不变人民币计）估计为 6240 亿元人民币（约 910 亿美元），其中进入补贴为 4310 亿元人民币，其次是生产补贴 1560 亿元人民币，以及投资补贴 370 亿元人民币。我们的估计表明，2006 年至 2013 年的政策支持分别将中国的国内投资和进入提高了 140%和 120%，并使其世界市场份额增加了 40%以上。重要的是，这 70%的扩张是通过从竞争对手（日本和韩国）那里夺取业务实现的。这些估计证实了原始数据模式。例如，尽管全球衰退期间船舶价格暴跌，但中国企业的总投资在金融危机后仍然保持高位。
另一方面，该政策为国内生产者的利润和全球消费者剩余带来了适度的收益。从长远来看，该政策组合的毛回报率——以国内企业终身利润收益除以总补贴来衡量——仅为 18%。该政策吸引了大量低效生产者，并加剧了产能过剩的程度。由于行业的波动性和企业闲置，生产固定成本进一步导致了低回报。
其次，不同政策工具的有效性差异很大。如果目标是收益最大化（以增加行业收益与补贴的比率衡量的回报率为 153%），那么生产和投资补贴是合理的；但进入补贴即使在收益指标下也是浪费的，并导致行业碎片化和闲置。这是因为进入补贴吸引了小型和效率低下的企业；相比之下，生产和投资补贴则有利于大型和高效的企业，这些企业受益于规模经济。最后，扭曲是凸性的，因此当政策在实践中联合使用时，回报率会恶化。
第三，我们的分析表明，产业政策的有效性受到繁荣与萧条周期以及企业效率异质性的显著影响，这两者都是造船业的显著特征。反周期政策将大幅优于所采用的顺周期政策。事实上，它们在提高长期行业利润方面的有效性相差近两倍，这主要是由组合效应（与繁荣相比，萧条时更多低成本企业运营）和繁荣期间成本更高的扩张（由于凸型生产和投资成本）所驱动。此外，缩短政策实施的时间范围可以进一步提高回报，因为临时干预可以缓解低效企业的进入，并强化造船规模报酬递增，其他条件不变。
第四，我们考察了金融危机后实施的整合政策，政府在此期间暂停了企业准入，并发布了一份“白名单”，列出了优先获得政府支持的企业。这一策略被应用于多个行业，旨在抑制过剩产能，并培育能够参与全球竞争的国内龙头。与上述证据一致，我们发现针对低成本企业可以显著减少扭曲。然而，政府的白名单并非最优，它以牺牲最有效率的企业为代价，更倾向于支持国有企业（SOE）。
我们的研究结果突出了导致各国产业政策效果差异的潜在机制。例如，在东亚国家，由于产业政策被认为取得了成功，政策支持通常以绩效为条件。相比之下，在拉丁美洲，由于产业政策效果不佳，没有机制来淘汰表现不佳的受益者（Rodrik，2009）。我们的分析表明，在中国现代船舶工业的产业政策中，类似的机制正在发挥作用。在早期，当产量扩张主要由效率低下的企业进入所驱动时，该政策的回报率较低，但随着政府使用“绩效导向”标准（白名单）来引导补贴，随着时间的推移，回报率显著增加。这种有针对性的政策设计比惠及所有企业的开放式政策要成功得多。
最后，我们考察了我们所研究政策的可能理由。战略贸易考虑因素基本无关紧要，因为造船业在全球范围内高度分散，市场力量有限。没有证据表明存在行业范围内的边干边学（马歇尔外部性），这是产业政策的另一个常见理由。就其对其他经济部门的溢出效应而言，我们发现造船业对其他国内部门（例如钢铁生产或劳动力市场）产生的重大溢出效应的证据有限。
另一方面，中国船舶产量的增加导致全球船队规模的显著增长，这确实降低了运费，并增加了中国的进出口贸易。我们的（粗略估算）表明，政府补贴在 2006 年至 2013 年间平均每年达到 113 亿美元，使运费降低了 6%，并将中国的贸易量提升了 5%，即每年增加 1440 亿美元。然而，评估相关贸易量增加所带来的福利收益需要采用一般均衡贸易模型，这超出了本文的研究范围。此外，也有证据表明，军事船舶生产可能受益于中国的产业政策：军事船舶生产集中在国有造船厂，与商业船舶生产同步增长了几倍。但由于数据覆盖有限，这一结论尚需进一步验证。无论出于何种动机，我们的分析估算了政策的成本，并评估了不同政策工具的相对有效性。
相关文献与边际贡献
关于产业政策，存在大量的理论研究文献（Hirschman 1958；Baldwin 1969；Krueger 1990；Krugman 1991；Harrison and Rodriguez-Clare 2010；Stiglitz et al. 2013；Itskhoki and Moll 2019）。
| 论文题目 | 作者 | 年份 | 期刊/出版物 | 主要内容 |
|---|---|---|---|---|
| The Strategy of Economic Development | Albert O. Hirschman | 1958 | Yale University Press | 提出“不平衡增长”理论，主张发展中国家应集中资源发展“联系效应”大的部门，通过该部门带动其他部门成长，以短期不平衡谋求长期平衡 |
| The Case against Infant-Industry Tariff Protection | Robert E. Baldwin | 1969 | Journal of Political Economy | 反对幼稚工业关税保护政策，从理论上论证该政策对产业发展的局限性 |
| Government Failures in Development | Anne O. Krueger | 1990 | Journal of Economic Perspectives | 探讨发展中国家经济发展中的“政府失灵”问题，分析政府干预可能导致的效率损失 |
| Increasing Returns and Economic Geography | Paul R. Krugman | 1991 | Journal of Political Economy | 构建两区域、两部门一般均衡区位模型，揭示运输成本、规模经济与市场需求交互下“核心-边缘”产业结构的形成机制，为新经济地理学奠定理论基础 |
| Trade, Foreign Investment, and Industrial Policy for Developing Countries | Ann Harrison, Andres Rodriguez-Clare | 2010 | Handbook of Development Economics | 系统梳理发展中国家产业政策与贸易、外国直接投资的关系，为政策制定提供理论参考 |
| The Rejuvenation of Industrial Policy | Joseph E. Stiglitz et al. | 2013 | World Bank Policy Research Working Paper (No. 6628) | 推动产业政策的“复兴”，强调政府在产业发展中超越意识形态的积极作用 |
| Optimal Development Policies with Financial Frictions | Oleg Itskhoki, Benjamin Moll | 2019 | Econometrica | 研究存在金融摩擦的经济环境下，最优产业发展政策的设计与实施逻辑 |
早期的产业政策实证文献主要集中于描述受益产业（或国家）在产出、收入和增长率方面的变化（Baldwin and Krugman 1988；Head 1994；Luzio and Greenstein 1995；Irwin 2000；Hansen et al. 2003），
| 论文题目 | 作者 | 年份 | 期刊/出版物 | 主要内容 |
|---|---|---|---|---|
| Market Access and International Competition: A Simulation Study of 16K Random Access Memories | Robert E. Baldwin, Paul R. Krugman | 1988 | Empirical Methods for International Trade (MIT Press) | 通过 16K 随机存取存储器案例，模拟分析市场准入与国际竞争对产业发展的影响 |
| Infant Industry Protection in the Steel Rail Industry | Keith Head | 1994 | Journal of International Economics | 以钢轨行业为研究对象，实证分析幼稚工业保护政策的实际效果 |
| Measuring the Performance of a Protected Infant Industry: The Case of Brazilian Microcomputers | Eduardo Luzio, Shane Greenstein | 1995 | The Review of Economics and Statistics | 以巴西微型计算机产业为例，量化评估保护幼稚工业政策的绩效 |
| Could the United States Iron Industry Have Survived Free Trade after the Civil War? | Douglas Irwin | 2000 | Explorations in Economic History | 探讨美国内战后，钢铁行业若处于自由贸易环境中是否能够存续，反思贸易政策对产业的影响 |
| The Establishment of the Danish Windmill Industry | Jorgen Drud Hansen, Camilla Jense, Erik Strojer Madsen | 2003 | Review of World Economics | 实证研究丹麦风车产业的建立过程，分析产业政策在新兴产业培育中的作用 |
而近期的研究则认识到衡量生产率影响和跨部门溢出效应的重要性（Aghion et al. 2015；Liu 2019；Choi and Levchenko 2021；Manelici and Pantea 2021；Juhász et al., 2022；Lane 2022）。
| 论文题目 | 作者 | 年份 | 期刊/出版物 | 主要内容 |
|---|---|---|---|---|
| Industrial Policy and Competition | Philippe Aghion et al. | 2015 | American Economic Journal: Macroeconomics | 研究产业政策与市场竞争的互动关系，分析政策如何通过影响竞争促进产业发展 |
| Industrial Policies in Production Networks | Ernest Liu | 2019 | The Quarterly Journal of Economics | 从生产网络视角切入，分析产业政策在网络中的传导效应与对整体产业的影响 |
| The Long-Term Effects of Industrial Policy | Jaedo Choi, Andrei A. Levchenko | 2021 | National Bureau of Economic Research (NBER) Working Paper | 实证检验产业政策对产业发展的长期影响，揭示政策效果的持续性与动态变化 |
| Industrial Policy at Work: Evidence from Romania’s Income Tax Break for Workers in IT | Isabela Manelici, Smaranda Pantea | 2021 | European Economic Review | 以罗马尼亚 IT 行业工人所得税减免政策为例，实证分析产业政策的实际作用效果 |
| The Who, What, When, and How of Industrial Policy: A Text-Based Approach | Réka Juhász et al. | 2022 | Working Paper | 基于文本分析方法，系统梳理产业政策的实施主体、内容、时机与方式，为政策评估提供新视角 |
| Manufacturing Revolutions: Industrial Policy and Networks in South Korea | Nathan Lane | 2022 | Quarterly Journal of Economics | 以韩国制造业为例，研究产业政策与产业网络的互动如何推动制造业革命，为发展中国家提供借鉴 |
相关文献分析了贸易政策，特别是出口补贴（Das et al. 2007）、研发补贴（Hall and Van Reenen 2000；Bloom et al. 2002；Wilson 2009）、针对不利地理区域的地域性政策（Kline and Moretti 2014；Neumark and Simpson 2015；Criscuolo et al. 2019）以及环境补贴（Yi et al. 2015；Aldy et al. 2018）。
| 论文题目 | 作者 | 年份 | 期刊/出版物 | 主要内容 |
|---|---|---|---|---|
| Market Entry Costs, Producer Heterogeneity, and Export Dynamics | Sanghamitra Das, Mark J. Roberts, James R. Tybout | 2007 | Econometrica | 研究市场进入成本、企业异质性对出口动态的影响，涉及出口补贴相关分析 |
| How Effective Are Fiscal Incentives for R&D? A Review of the Evidence | Bronwyn Hall, John Van Reenen | 2000 | Research Policy | 综述研发税收激励政策的有效性证据，为研发补贴政策设计提供参考 |
| Do R&D Tax Credits Work? Evidence from a Panel of Countries 1979–1997 | Nick Bloom, Rachel Griffith, John Van Reenen | 2002 | Journal of Public Economics | 基于 1979-1997 年跨国面板数据，实证检验研发税收抵免政策的效果 |
| Beggar Thy Neighbor? The In-State, Out-of-State, and Aggregate Effects of R&D Tax Credits | Daniel J. Wilson | 2009 | The Review of Economics and Statistics | 分析研发税收抵免政策对州内、州外及整体经济的影响，评估政策的溢出效应 |
| Local Economic Development, Agglomeration Economies, and the Big Push: 100 Years of Evidence from the Tennessee Valley Authority | Patrick Kline, Enrico Moretti | 2014 | The Quarterly Journal of Economics | 以田纳西河谷管理局为例，研究地域性政策在地方经济发展、集聚经济培育中的“大推动”效应 |
| Place-Based Policies | David Neumark, Helen Simpson | 2015 | Handbook of Regional and Urban Economics | 系统梳理地域性政策的理论基础与实证效果，讨论政策对区域经济平衡发展的作用 |
| Some Causal Effects of an Industrial Policy | Chiara Criscuolo et al. | 2019 | American Economic Review | 实证识别产业政策的部分因果效应，量化评估政策对企业行为与产业绩效的影响 |
| A Dynamic Model of Subsidies: Theory and Application to the Ethanol Industry | Fujin Yi, C.-Y. Cynthia Lin Lawell, Karen E. Thome | 2015 | Working Paper (Cornell University) | 构建补贴动态模型，并应用于乙醇行业，分析补贴政策的动态调整与效果 |
| Investment versus Output Subsidies: Implications of Alternative Incentives for Wind Energy | Joseph Aldy, Todd D. Gerarden, Richard L. Sweeney | 2018 | NBER Working Paper (No. 24378) | 比较投资补贴与产出补贴对风能产业的激励效果，为环境补贴政策设计提供依据 |
现有文献大多关注是否应实施产业政策以及应瞄准哪些行业。我们的分析是对现有文献的补充。我们假定一个目标行业，并考察产业政策的设计，而这个问题在以往的研究中受到的关注较少。据我们所知，我们的论文首次使用企业层面数据，对大规模产业政策的设计和绩效进行了结构分析。我们分析的关键特征包括丰富的企业异质性、市场势力、实际商业周期和企业动态，以及多样化的政策工具。产业政策的具体实施方式可能从根本上影响一个行业的动态演变。同时，不同的政策工具会带来截然不同的回报。
我们的论文也丰富了关于中国工业发展如何受到多种政策干预影响的研究文献，包括整合政策（Rubens 2023）、研发税收优惠（Chen 等 2021）以及增值税改革（(Bai and Liu 2019; Liu and Mao 2019; Chen et al. 2019）。
| 论文题目 | 作者 | 年份 | 期刊/出版物 | 主要内容 |
|---|---|---|---|---|
| Market Structure, Oligopsony Power, and Productivity | Michael Rubens | 2023 | Working Paper | 研究市场结构、买方垄断势力与生产率的关系，涉及中国产业整合政策的效果分析 |
| Notching R&D Investment with Corporate Income Tax Cuts in China | Zhao Chen et al. | 2021 | Working Paper | 基于中国企业所得税减免政策，研究税收激励对企业研发投资“阈值效应”的影响 |
| The Impact of Intranational Trade Barriers on Exports: Evidence from a Nationwide VAT Rebate Reform in China | Jie Bai, Jiahua Liu | 2019 | Working Paper | 以中国增值税退税改革为自然实验，研究国内贸易壁垒对企业出口的影响 |
| How Do Tax Incentives Affect Investment and Productivity? Firm-Level Evidence from China | Yongzheng Liu, Jie Mao | 2019 | American Economic Journal: Economic Policy | 基于中国企业层面数据，实证分析税收激励对企业投资与生产率的影响机制 |
| Tax Policy and Lumpy Investment Behavior: Evidence from China’s VAT Reform | Zhao Chen et al. | 2022 | The Review of Economic Studies | 以中国增值税改革为例，研究税收政策对企业“块状投资”行为的影响 |
此外，我们的研究建立在关于造船业的新兴文献基础之上（Thompson 2001, 2007；Hanlon 2020）。Kalouptsidi（2018）与我们的论文密切相关，并发现了针对部分散货船（Handysize）的生产补贴证据。相比之下，我们考察了中国整体产业政策的设计、实施及其效果，以及其对全球造船业的影响。
| 论文题目 | 作者 | 年份 | 期刊/出版物 | 主要内容 |
|---|---|---|---|---|
| How Much Did the Liberty Shipbuilders Learn? New Evidence for an Old Case Study | Peter Thompson | 2001 | Journal of Political Economy | 重新研究“自由轮”建造案例，量化分析造船业的学习效应 |
| How Much Did the Liberty Shipbuilders Forget? | Peter Thompson | 2007 | Management Science | 延续自由轮案例研究，分析造船业生产中的“遗忘效应”对生产率的影响 |
| The Persistent Effect of Temporary Input Cost Advantages in Shipbuilding, 1850 to 1911 | W. Walker Hanlon | 2020 | Journal of the European Economic Association | 研究 1850-1911 年造船业临时投入成本优势的持续影响，揭示成本波动对产业的长期作用 |
| Detection and Impact of Industrial Subsidies: The Case of Chinese Shipbuilding | Myrto Kalouptsidi | 2018 | Review of Economic Studies | 发现中国造船业针对部分散货船的生产补贴证据，评估补贴对产业的影响 |
在方法论上，我们借鉴了动态估计领域的文献，包括 Bajari 等人（2007 年）；Ackerberg 等人（2007 年），Pakes 等人（2007 年），Xu（2008 年），Aw 等人（2011 年），Ryan（2012 年），Collard-Wexler（2013 年），Sweeting（2013 年），Barwick 和 Pathak（2015 年）以及 Fowlie 等人（2016 年），以及企业投资宏观文献（Abel 和 Eberly 1994；Cooper 和 Haltiwanger 2006）。
| 论文题目 | 作者 | 年份 | 期刊/出版物 | 主要内容 |
|---|---|---|---|---|
| Estimating Dynamic Models of Imperfect Competition | Patrick Bajari, Lanier Benkard, Jon Levin | 2007 | Econometrica | 提出不完全竞争市场下动态模型的估计方法，为产业政策动态效果评估提供工具 |
| Econometric Tools for Analyzing Market Outcomes | Daniel Ackerberg et al. | 2007 | The Handbook of Econometrics (Vol. 6A) | 提供分析市场结果的计量工具，包括企业行为、市场结构与政策效应评估方法 |
| Simple Estimators for the Parameters of Discrete Dynamic Games (with Entry/Exit Examples) | Ariel Pakes, Michael Ostrovsky, Steven Berry | 2007 | The RAND Journal of Economics | 提出离散动态博弈（含企业进入/退出）参数的简单估计量，简化动态政策分析 |
| A Structural Empirical Model of R&D, Firm Heterogeneity, and Industry Evolution | Daniel Xu | 2008 | Working Paper | 构建研发投资、企业异质性与产业演化的结构实证模型，为政策效果模拟提供框架 |
| R&D Investment, Exporting, and Productivity Dynamics | Bee Yan Aw, Mark J. Roberts, Daniel Yi Xu | 2011 | American Economic Review | 研究研发投资、出口行为与企业生产率的动态关系，为产业政策靶向性提供依据 |
| The Costs of Environmental Regulation in a Concentrated Industry | Stephen Ryan | 2012 | Econometrica | 以集中行业为研究对象，量化分析环境规制的成本，为政策成本-收益评估提供方法 |
| Demand Fluctuations in the Ready-Mix Concrete Industry | Allan Collard-Wexler | 2013 | Econometrica | 研究预拌混凝土行业的需求波动对企业行为的影响，为动态政策设计提供参考 |
| Dynamic Product Positioning in Differentiated Product Markets: The Effect of Fees for Musical Performance Rights on the Commercial Radio Industry | Andrew Sweeting | 2013 | Econometrica | 分析差异化产品市场中动态产品定位，以音乐表演权费用为例研究政策对产业的影响 |
| The Cost of Free Entry: An Empirical Analysis of Real Estate Agents in Greater Boston | Panle Jia Barwick, Parag Pathak | 2015 | The RAND Journal of Economics | 实证分析大波士顿地区房地产经纪人的自由进入成本，为产业进入政策评估提供方法 |
| Market-Based Emissions Regulation and Industry Dynamics | Meredith Fowlie, Mar Reguant, Stephen Ryan | 2016 | Journal of Political Economy | 研究基于市场的排放规制对产业动态的影响，为环境政策与产业政策协同提供依据 |
| A Unified Model of Investment Under Uncertainty | Andrew B. Abel, Janice C. Eberly | 1994 | The American Economic Review | 构建不确定性下企业投资的统一模型，为分析投资补贴政策效果提供理论基础 |
| On the Nature of Capital Adjustment Costs | Russell W. Cooper, John C. Haltiwanger | 2006 | The Review of Economic Studies | 研究资本调整成本的性质与特征，为投资补贴政策的成本核算提供参考 |
我们的方法补充了关注不作为（零投资）和调整成本的宏观文献，能够解释可观察相似的企业的不同投资选择，同时容纳不作为和调整成本。我们的企业投资分析基于 Ackerberg 等人（2007 年），并为这一具有连续投资的模型提供了首批实证应用之一。该方法适用于投资异质性是重要考虑因素的多种情境。此外，我们的框架相当通用，可以轻松地应用于其他特定行业产业政策的评估。 最后，我们估算补贴的方法遵循了文献中的长期传统（Bruce 1990；Young 2000；Anderson and Van Wincoop 2004；Poncet 2005；Kalouptsidi 2018；Bai and Liu 2019；Barwick et al. 2021）。
| 论文题目 | 作者 | 年份 | 期刊/出版物 | 主要内容 |
|---|---|---|---|---|
| Measuring Industrial Subsidies | Neil Bruce | 1990 | Working Paper | 提出产业补贴的衡量方法，为后续补贴量化研究奠定基础 |
| The Razor’s Edge: Distortions and Incremental Reform in the People’s Republic of China | Alwyn Young | 2000 | The Quarterly Journal of Economics | 研究中国经济中的扭曲与渐进改革，涉及补贴相关的扭曲衡量方法 |
| Trade Costs | James E. Anderson, Eric Van Wincoop | 2004 | Journal of Economic Literature | 系统分析贸易成本的构成与衡量，为补贴对贸易的影响评估提供基础 |
| A Fragmented China: Measure and Determinants of Chinese Domestic Market Disintegration | Sandra Poncet | 2005 | Review of International Economics | 衡量中国国内市场分割程度，其方法为区域补贴差异分析提供参考 |
| Local Protectionism, Market Structure, and Social Welfare: China’s Automobile Market | Panle Jia Barwick et al. | 2021 | American Economic Journal: Economic Policy | 以中国汽车市场为例，研究地方保护主义与市场结构，其补贴估算方法具有借鉴意义 |
本文其余部分的结构安排如下。第二节概述中国造船业，并讨论相关的产业政策及我们的数据集。第三节介绍模型。第四节和第五节描述估计策略和实证结果。第六节量化政策对产业演变的影响，并检验不同政策工具的表现。第七节评估产业政策的传统理由。第八节总结。
产业背景与数据
产业背景
造船业是产业政策的传统扶持对象，常被视为兼具商业与军事战略意义的行业。19 世纪末 20 世纪初，欧洲（尤其是英国）是全球主导的船舶生产地区。二战后，日本通过补贴造船业及其他多个行业重建工业基础，成为全球船舶生产龙头。韩国在 20 世纪 70-80 年代经历了类似的发展阶段。21 世纪以来，中国通过一系列广泛的政策工具支持造船业发展。
21 世纪以来，尤其是 2005 年后，中国为支持造船业出台的国家政策规模前所未有。2002 年，时任总理朱镕基考察中国船舶工业集团公司（CSSC，中国两大造船集团之一）时指出：“中国有望在 2015 年前成为全球最大（产量规模）的造船国家……”此后不久，中央政府发布《2003 年全国海洋经济发展规划》，提出建设以环渤海地区（辽宁、山东、河北）、东海地区（上海、江苏、浙江）和南海地区（广东）为核心的三大造船基地。
最重要的举措是“十一五”规划（2006-2010 年），该规划将造船业列为战略性产业。自此，造船业与海洋装备产业、船舶修理业一道，获得了多项扶持政策。浙江省率先将造船业列为省级支柱产业，江苏省紧随其后，并设立专门银行向造船厂提供优惠融资条件。在“十一五”（2006-2010 年）与“十二五”（2011-2015 年）规划期间，分别有 12 个和 16 个省份将造船业列为支柱产业或战略性产业。除五年规划外，中央政府还发布了一系列政策文件，设定具体的生产与产能目标。例如，在《2006 年船舶工业中长期发展规划》中，政府设定了 2010 年船舶年产量达到 1500 万载重吨（DWT）、2015 年达到 2200 万载重吨的目标，而这两个目标均提前数年实现。表 A1 及附录 A.1 详细记录了样本期内发布的主要国家政策。
根据政策文件，我们将支持中国造船业的政策分为三类： 生产补贴、投资补贴与准入补贴 。
- 生产补贴降低船舶生产成本，例如，政府扶持的国内钢铁行业为造船业提供廉价钢材（造船业的重要投入品）。除投入品补贴外，出口信贷（Collins & Grubb，2008）及由政府指导银行提供的抵押贷形式的买方融资，也是生产补贴的重要组成部分。买方融资至关重要，因为传统上造船厂会通过提供贷款及金融服务，便利买方付款并吸引客户。（作者注：截至 2016 年，中国政府通过降低企业所得税、退还增值税等方式补贴出口企业。由于船舶产品主要用于国际贸易，造船厂可享受出口补贴。 ）
- 投资补贴形式包括长期低息贷款及允许加速资本折旧的税收优惠政策。（作者注：中国在 2009 年实施的增值税改革可能刺激了投资(Chen et al. 2019)，但该政策对造船厂的影响有限，因为造船厂已通过出口补贴免除增值税）。
- 此外，简化审批流程、缩短办理时间，以及沿海地区大幅补贴的土地价格，显著降低了潜在造船厂的准入成本。
2008 年经济危机导致全球船舶价格大幅下跌，为抑制产能过剩与产业碎片化，政府出台《船舶工业调整和振兴规划（2009 年）》，立即暂停新企业准入，同时加大对现有企业的投资补贴力度。这标志着中国造船业政策的重大转变—— 政府支持方向转向推动产业整合，培育能够与国际企业集团竞争的大型优势企业 。实现整合的关键政策是 2013 年发布的《船舶工业行业规范条件》，该文件要求政府定期公布“符合行业标准”的企业名单，这些企业将在补贴与银行融资方面获得优先支持（作者注：实际上，2014 年后，优惠融资条件与资本市场准入通常仅向“白名单”内企业开放）。2014 年首次公布的“白名单”包含 60 家企业。
本文重点研究三类船舶的生产：散货船、油轮与集装箱船，在样本期内，这三类船舶占全球订单吨位的 90%以上。散货船用于运输铁矿石、谷物、煤炭、钢材等均质散装货物，为单个货主提供非定期航线运输服务；油轮用于运输化学品、原油及其他石油产品；集装箱船则在固定港口间航线为不同货主运输集装箱货物。由于这三类船舶运输的货物完全不同，彼此间不具有替代性，因此我们将其视为处于不同市场。
全球造船业主要集中在中国、日本与韩国，这三个国家的产量占全球总产量的 90%以上。因此，我们的实证分析仅限于这三个国家。
数据
本文的实证分析基于多个数据集：
- 克拉克森（Clarksons）数据集：包含 1998 年第一季度至 2014 年第一季度全球所有建造远洋运输船舶的造船厂的季度数据（Clarksons Research，2015）。我们可观测到每家造船厂各类主要船舶（包括散货船、油轮、集装箱船）的订单量、交付量及未交付订单量（在建订单），所有数据均以修正总吨（CGT）为单位。修正总吨是行业内广泛使用的船舶规模衡量指标，考虑了不同船舶的生产复杂度，可在不同船舶类型间进行比较。
- 中国国家统计局（NBS）制造业企业年度数据库（NBS，2015）：包含每家造船厂的地理位置（省份与城市）、资产负债表信息（包括固定资产总额）及所有制类型（国有企业、民营企业、合资企业）。我们按照 Brandt 等（2012）的标准方法，通过追踪企业跨期数据，利用固定资产总额构建企业的实际资本存量与投资数据。（该数据集的一个局限是缺失 2010 年数据，由于投资需通过资本存量的年度变化推算，这导致我们无法计算 2009 年或 2010 年的企业层面投资）。此外，我们将中国船舶工业集团公司（CSSC）与中国船舶重工集团公司（CSIC，中国两大造船集团）旗下的国有企业与其他国有企业区分开来。
- 其他汇总数据：包括各类船舶的全球季度单位修正总吨价格（Clarksons Research，2017）。由于钢材是造船业的主要投入品，船用钢板价格被用作成本冲击变量。我们将所有数据集合并，构建了 1998-2013 年中国、韩国、日本造船厂的季度面板数据。所有货币变量（如投资、资本）均以 2000 年不变人民币计价的实际值表示。附录 A.2 详细说明变量构建方法及描述性统计特征。
【附录 A2】 描述了如何衡量企业进入、构建企业层面的投资，并提出了额外的数据模式。
进入、投资和实际资本。 造船厂的进入年份定义为第一年接受订单或第一年交付货物减去两年来计算造船所需的时间，以较早者为准。作为企业进入的额外衡量指标，我们从贸易和工业局的数据库中提取了 90% 中国企业的注册信息 (日期和业务范围)。整体进入模式在这两个指标上是相似的：进入模式在 2005-2007 年间达到峰值，2009 年后降至最低水平。
在我们的主要分析中，我们采用了 Clarkson 数据库中的企业成立年份数据，因为船舶注册数据存在若干局限性。首先，仅凭注册数据难以识别以造船为核心业务的企业，因为企业注册时往往申报广泛的经营范围。此外，部分企业在正式注册数年后会从船舶维修和海洋设备制造转型为造船业务。
我们参照现有文献（Brandt 等，2012）的方法计算船厂投资与实际资本存量，这是使用国家统计局制造业调查数据的标准做法。具体而言，企业投资数据源自国家统计局调查中的 “F310” 变量，即 “固定资产原值合计”。 “固定资产” 指与生产经营相关的建筑物、构筑物、机械、设备、运输工具及其他设备、器具和工具，其使用年限超过一年。调查中还存在相关变量 F309（即 “固定资产合计”），但我们未采用该变量（已存续企业除外），因为该指标同时包含固定资产原值与折旧金额，而不同企业可能采用差异化的折旧计算方式。
构建实际投资与实际资本存量的方法严格遵循 Brandt 等(2012)的研究框架：（一）初始资本存量构建。若企业首次出现在 1998 年之后，则采用国家统计局数据中首次观测年份 “固定资产原值合计”(F310 指标)；对于 1998 年首次出现的样本企业，则采用 “固定资产合计”(F309 指标)。（二）名义投资额通过 F310 指标的年度变化值测算。（三）实际投资额 = 名义投资额/国家统计局 “固定资产投资价格指数”。（四）第 t 期实际资本存量 = 97.7%× 第 t-1 期实际资本存量+第 t 期实际投资额。Brandt 研究建议采用 2.3%的季度折旧率，以反映样本期间中国较高的利率水平。
附加数据模式。图 A1 展示了中国在若干行业中的总产出与产业集中度。如图所示，造船业并非特例，而是在我们研究样本期内，许多其他制造业行业的增长同样伴随着较低的集中度。
中国造船业在 2005 年后迅速扩张，新建船厂数量创下历史纪录（图 1)。图 A2 显示，自 2006 年起，不同所有制企业、不同省份企业，以及既有厂商与新进入者的投资均出现激增。类似趋势也体现在产量数据上。这些数据特征为政府补贴的估算提供了关键识别变量。
此外，下文表 A2 列出了 2006 年前后各船型的平均价格与产量数据。
描述性证据与汇总统计
与中国许多其他制造业类似，造船业自 21 世纪中期以来经历了爆发式增长。2009 年，中国以修正总吨计的船舶产量超越韩国与日本，成为全球最大的造船国家。
图 1（a）展示了 1998-2013 年中国在全球造船业影响力的快速提升。与此同时，中国沿海地区涌现出大量新造船厂。
图 1（b)显示了各国每年新造船厂的数量：日本年均新增 1.4 家，韩国年均新增 1.2 家；而在中国，在准入补贴实施的繁荣期，年均新增造船厂数量超过 30 家。2009 年，随着《船舶工业调整和振兴规划》中“暂停新企业准入”政策的实施，新增造船厂数量降至 15 家，此后数年进一步减少至极低水平。
新企业大量涌入的同时，资本扩张也出现了大规模增长（图 1（c））。仅 2006 年一年，投资就激增 4 倍。资本扩张在新进入企业与在位企业中均有体现，且不受所有制类型限制。例如，2006-2011 年，新进入企业的投资占总投资的 43%，剩余 57%来自在位企业；民营企业、合资企业与国有企业的投资分别占总投资的 25%、36%与 38%。此外，资本扩张在各省份均有分布，其中江苏省 2006-2011 年的投资占总投资的 40%，占比显著较高（图 A2）。
中国造船业在准入、生产与投资方面的快速增长，与政策实施时间高度吻合。相比之下，经济基本面（市场力量）难以完全解释这些数据特征。如图 1（d）所示，船舶价格自 2003 年左右开始上涨，2008 年达到峰值，金融危机后大幅下跌，2009-2013 年持续低迷。然而，中国的生产与投资在金融危机后仍持续扩张，这与其他国家形成鲜明对比。
表 1 列出了关键变量的汇总统计数据。 样本中企业数量较多，包括 266 家中国造船厂、108 家日本造船厂与 46 家韩国造船厂。行业集中度较低，全球赫芬达尔-赫希曼指数（HHI）在样本期内介于 230-720 之间。（注：通用的三大类型船舶：集装箱船舶、油轮、散货船。描述性统计就依据此标准。 更详细信息可以参考 https://zhuanlan.zhihu.com/p/21361853084。）
船舶生产的一个重要特征是，造船厂承接新订单的频率较低：散货船造船厂仅在 23%的季度承接新订单，油轮与集装箱船造船厂的接单频率更低。2009 年后，在船舶价格长期低迷的时期，造船厂承接新订单的频率进一步下降。
船舶订单的这种间歇性特征，导致中国造船厂在经济衰退期间面临更长时间的业务停滞，这是行业的关键特征，也影响了我们在第 3 节中的模型设定。
最后，样本中约 52%的企业仅生产一种类型的船舶，这一特征在各国均存在。同时生产三类船舶的造船厂比例在韩国（28%）与日本（16%）较高，在中国（14%）较低。若某造船厂在整个样本期内从未承接某类船舶的订单，则认定其不生产该类船舶。
模型
本节构建一个包含企业进入、退出与资本投资行为的动态模型。
- 在每个时期，市场中企业通过古诺竞争决定静态产量，随后决定是否退出市场；若选择继续经营，则进一步决定投资规模。
- 潜在进入企业根据预期终身利润与准入成本，做出一次性的进入决策。
- 期末，进入、退出与投资决策生效，市场状态过渡至下一时期。
在模型中，时间为离散变量，每个时期为一季度。在时期 \(t\)，存在 $j = 1,…, J_t $ 家企业。船舶类型（散货船、油轮、集装箱船）用 \(m\) 表示，同类型的船舶具有同质性。
船舶需求
在时期 \(t\)，类型 \(m\) 船舶的总逆需求函数为：
\[ P_{m t}= P_{m}\left(Q_{m t}, d_{m t}\right)\tag{1}\label{eq1} \]
其中，\(m = 1,…, M\)；\(P_{mt}\) 为时期 \(t\) 类型 \(m\) 船舶的价格；\(Q_{mt}\) 为时期 \(t\) 类型 \(m\) 船舶的总修正总吨（CGT）需求量；\(d_{m t}\) 为需求冲击变量，包括运费率、总体经济活动指标等。
船舶生产
企业 \(j\) 生产 \(q_{jmt}\) 吨船舶的成本函数为：
\[ C\left(q_{j m t}, s_{j m t}, \omega_{j m t}\right)= c_{0}+c_{m}\left(q_{j m t}, s_{j m t}, \omega_{j m t}\right) \]
其中，\(c_0\) 为 固定成本 （即使造船厂零产量时也需承担），包括管理人员工资福利、资本维护费用、土地及租金成本等。实证研究中常忽略固定成本，但在本研究场景下，金融危机后新船总需求骤降，许多造船厂长期零产量，此时固定成本占总成本的比重显著，因此不可省略。
第二项 \(C_m(q_{j m t}, s_{j m t},\omega_{jmt})\) 为 可变生产成本 。\(s_{jmt}\) 代表企业特征（如资本、未交付订单、企业年龄、地理位置、所有制类型）、影响所有造船厂的总体成本冲击变量（如钢材价格），以及捕捉产业政策对生产成本影响的政策虚拟变量。此外，生产成本还受冲击项 \(\omega_{jmt}\) 影响：\(\omega_{jmt}\) 越大，企业生产效率越低。
企业参与古诺竞争，在给定竞争对手产量决策的前提下，选择各类船舶的生产吨数 \(q_{jmt}\)。 若类型 \(m\) 船舶的最优生产吨数 \(q^*_{jmt}\) 为正，则满足以下一阶条件（本质上，这就是 \(MR=MC\)）： \[ P_{m t}+q_{j m t}^{*} \frac{\partial P\left(Q_{m t}, d_{m t}\right)}{\partial q_{j m t}}= M C_{m}\left(q_{j m t}^{*}, s_{j m t}, \omega_{j m t}\right) \tag{2} \label{eq2} \]
其中：
- \(M C_{m}(q_{j m t}^{*}, s_{j m t}, \omega_{j m t})\) 为类型 \(m\) 船舶的边际成本。
- 企业设定的加成（绝对值）等于 \(q_{j m t}^{*} \dfrac{\partial P(Q_{m t}, d_{m t})}{\partial q_{j m t}}\)，这会导致市场产量偏离最优水平。
企业利润
令 \(s_{jt} ={s_{j1t},…, s_{jMt}}\) 表示时期 \(t\) 企业 \(j\) 的状态变量，包括企业在各类船舶市场的状态变量、竞争对手状态变量及总体状态变量。产业政策通过影响生产、投资与准入成本，成为影响企业收益的状态变量 \(s_{jt}\) 的一部分。在成本冲击前，企业 \(j\) 从所有船舶类型中获得的预期利润为：
\[ \pi\left(s_{j t}\right)=\mathbb{E} \sum_{m = 1}^{M} \pi_{m}\left(s_{j t}, \omega_{j m t}\right) \] 其中，\(\pi_{m}(s_{j t}, \omega_{j m t})\) 为企业 \(j\) 生产类型 \(m\) 船舶的利润，\(\mathbb{E}\) 整合了企业生产成本冲击的不确定性。【企业利润是企业生产每种船舶产品的利润和（的期望）】
最终，在每个时期，船舶价格 \(P_{mt}\) 需满足总需求与总供给相等，其中总供给为所有企业最优产量 \(q^*_{jmt}\) （定义见式 \(\ref{eq2}\)）的总和。
投资与退出
企业确定最优产量后，会观测到一个独立同分布（i.i.d.）的清算价值 \(\phi_{jt}\)（其分布为 \(F_\phi\)），用于（在冲击发生时）决定继续经营或退出市场。 本小节模型的目标就是估计企业做出退出或继续经营决策的概率。
当预期到特定的随机投资成本冲击时（经济危机带来的政府政策转向，对于企业而言，这是随机的投资成本冲击 \(v_{jt}\) ，我们假设 \(v_{jt}\) 满足独立同分布，分布为 \(F_v\)），企业有两种选择：
- 【退出市场】 若选择退出，企业获得清算价值 \(\phi_{jt}\)；
- 【继续经营】 若选择继续经营，企业会观测到企业特定的随机的投资成本冲击 \(v_{jt}\)，并选择投资规模 \(i_{jt}\)，投资成本为 \(C^i(i_{jt}, s_{jt}, v_{jt})\)。投资金额 \(i_{jt}\) 将计入企业下一时期的资本存量，进而影响未来生产成本。
- 在两种选择中，理性的企业会比较： 清算价值 v.s. 持续经营贴现价值 。
令 \(V(s_{jt}, \phi_{jt})\) 表示企业 \(j\) 观测到清算价值后的事后价值函数，\(V(s_{jt})\) 表示清算价值实现前的事前价值函数（即 \(V(s_{jt}) ≡ \mathbb{E}_\phi V(s_{jt},\phi_{jt})\)）。企业 \(j\) 的事后价值函数为：
\[ {V\left( s_{jt},\phi _{jt}\right)}{=\pi \left( s_{j t}\right) +\max \left\{ \phi _{j t}, C V\left(s_{j t}\right)\right\} } \tag{3} \label{eq3} \]
其中，\(\pi \left( s_{j t}\right)\) 在上一小节已论述过，是成本冲击前企业已经获得的利润；当企业选择退出，企业将获得清算价值 \(\phi_{jt}\) ；当企业选择不退出时，企业将获得持续经营的贴现价值 \(CV\left(s_{j t}\right)\) 。
那么， \(CV\left(s_{j t}\right)\) 是如何构造得到的？当企业选择继续经营的时候，企业需要：继续投资（投资规模记为 \(i_{jt}\)），这将产生成本 \(C^i(i_{jt}, s_{jt}, v_{jt})\)。投资金额 \(i_{jt}\) 将计入企业下一时期的资本存量，形成下一期的价值函数 \(V(s_{jt+1})\)。其中，下一期状态 \(s_{jt+1}\) 由 当期状态 \(s_{jt}\) 和 当期最优投资 \(i^*\) 共同决定（投资会增加未来资本存量，进而降低未来生产成本）。
这时，持续经营的贴现价值可以表示为：下一期的价值函数 \(V(s_{jt+1})\) 贴现至当期（贴现因子记为 \(\beta\)）减去当期继续投资 \(i_{jt}\) 的成本 \(C^i(i_{jt}, s_{jt}, v_{jt})\)。
通过最大化持续经营价值，\(CV\left(s_{j t}\right)\) 在投资规模 \(i\) 满足最优投资策略 \(i^* = i^*(s_{jt}, v_{jt})\) 时取得最大值 \(CV^*\left(s_{j t}\right)\)。因此，在给定随机投资成本冲击 \(v_{j t}\) 时，\(CV^*\left(s_{j t}\right)\) 可以表示为未来利润的贴现值与最优投资的预期成本差值的期望。（即随机投资成本冲击 \(v_{j t}\) 的期望 \(\mathbb{E}_{v_{j t}}\) ）
\[ \begin{array}{rlrl} CV^*\left(s_{j t}\right) &= \mathbb {E}_{v_{j t}}\left(\mathop{\max}\limits_{i} \left( -C^{i}\left( i, s_{j t}, v_{j t}\right)+\beta \mathbb {E}\left [ V\left(s_{j t+1}\right) | s_{j t}, i\right] \right) \right) \\ &\equiv \mathbb{E}_{v_{j t}}\left(-C^{i}\left(i^{*}, s_{j t}, v_{j t}\right)+\beta \mathbb{E}\left [V\left(s_{j t+1}\right) | s_{j t}, i^{*}\right]\right) \end{array} \tag{4} \label{eq4} \]
最优退出策略具有阈值特征：当企业观测到的清算价值 \(\phi_{j t}\) 高于持续经营价值最大值 \(CV^*(s_{j t})\) 时，企业选择退出。 因此，由于 \(CV\left(s_{j t}\right)\) 直接决定了企业的退出概率——CV 越高，企业越倾向于留在市场，退出概率越低。 清算价值 \(\phi_{j t}\) 为随机变量，企业退出概率 \(p^x(s_{j t})\) 为：
\[ p^{x}\left(s_{j t}\right) \equiv Pr\left(\phi_{j t}> C V\left(s_{j t}\right)\right)= 1-F_{\phi}\left(C V\left(s_{j t}\right)\right)\tag{5} \label{eq5} \]
其中，\(F_\phi\) 为 \(\phi_{jt}\) 的分布函数。
【补充】：如何通过 最大化持续经营价值 得到最优投资策略 \(i^*\) 的？
企业选择继续经营后，会观测到投资冲击 \(v_{j t}\)，其最优投资 \(i = i(s_{jt}, v_{jt})\)（非负）使得持续经营价值取得最大值，因此满足一阶条件（这里假设所有企业的资本折旧率均为常数 \(\delta\)）：
\[ \text{F.O.C.} \quad \frac{\partial \left( -C^{i}\left( i, s_{j t}, v_{j t}\right)+\beta \mathbb {E}\left [ V\left(s_{j t+1}\right) | s_{j t}, i\right] \right)}{\partial i}= 0 \tag{6} \label{eq6} \]
- 当且仅当最优投资严格为正（\(i^*(s_{jt}, v_{jt})> 0\)）时，等式成立。
- 若投资成本过高或预期收益过低，\(MR\leq MC\)，企业会选择零投资。
\[ \beta \frac{\partial \mathbb{E}\left[V\left(s_{j t+1}\right) | s_{j t}, i^{*}\right]}{\partial i} \leq \frac{\partial C^{i}\left(i^{*}, s_{j t}, v_{j t}\right)}{\partial i} \]
本文假设投资成本函数形式为：
\[ C^{i}\left(i_{j t}, s_{j t}, v_{j t}\right)= c_{1}\left(s_{j t}\right) i_{j t}+c_{2} i_{j t}^{2}+c_{3} v_{j t} i_{j t} \tag{7}\label{eq7} \]
该二次函数形式借鉴了宏观经济学中关于凸性投资成本的文献（如 Cooper & Haltiwanger，2006），但存在重要差异——投资成本受未观测到的边际成本冲击 \(v_{jt}\) 影响。
现有文献多关注零投资与调整成本，却未对观测特征相似企业的异质性投资决策进行建模。实践中，特征相似的企业往往投资规模差异显著，本文通过引入 \(v_{jt}\) 来解释这种差异（\(v_{jt}\) 会改变企业间的投资边际成本）。此外，\(v_{jt}\) 还能解释零投资行为：若 \(v_{jt}\) 过大（不利的投资成本冲击），企业将选择不投资。引入 \(v_{jt}\) 后，额外的调整成本（如 \(\dfrac{i_{j t}^{2}}{k_{j t}}\) 或随机固定成本）对模型拟合度的提升作用极小。
企业进入
在每个时期 \(t\)，有 \(\bar{N}\) 个潜在进入企业观测到影响收益的状态变量及独立同分布的准入成本 \(\kappa_{jt}\)，随后做出一次性进入决策。准入成本的分布为 \(F_\kappa(\kappa | s_{jt})\)，该分布受产业政策（作为状态变量 \(s_{jt}\) 的一部分）影响。
- 若潜在进入企业 \(j\) 选择不进入市场，其收益为 0；
- 若潜在进入企业 \(j\) 选择进入市场，潜在进入企业 \(j\) 需支付准入成本，并在下一时期以行业内企业身份继续经营。假设进入企业会获得一个 随机初始资本存量 ，该存量将在企业开始运营的下一期 \(t+1\) 实现。
潜在进入企业 \(j\) 的决策问题为：
\[ \max \left\{0,-\kappa_{j t}+\mathbb{E}\left [-C^{i}\left(k_{j t+1}, s_{j t}\right)+\beta \mathbb{E}\left[V\left(s_{j t+1}\right) | s_{j t}\right]\right]\right\} \]
其中，\(\kappa_{jt}\) 为准入成本；\(k_{jt+1}\) 为企业 \(j\) 在 \(t+1\) 时期的初始资本存量，获取该资本需支付成本 \(C^i(k_{jt+1},s_{jt})\)；期望基于企业 \(j\) 在时期 \(t\) 的信息集（包含所有总体状态变量）计算。
与退出决策类似，最优进入策略同样具有阈值特征：当潜在进入企业观测到的准入成本 \(\kappa_{jt}\) 低于进入价值时，企业选择进入，即：
\[ \kappa_{j t} \leq V E\left(s_{j t}\right) \equiv \mathbb{E}\left [-C^{i}\left(k_{j t+1}, s_{j t}\right)+\beta \mathbb{E}\left[V\left(s_{j t+1}\right) | s_{j t}\right]\right] \]
由于 \(\kappa_{jt}\) 为随机变量，潜在进入企业的进入概率 \(p^e(s_{jt})\) 为：
\[ p^{e}\left(s_{j t}\right) \equiv Pr\left(\kappa_{j t} \leq V E\left(s_{j t}\right)\right)= F_{\kappa}\left(V E\left(s_{j t}\right) | s_{j t}\right)\tag{8}\label{eq8} \]
均衡
模型的马尔可夫完美均衡（Markov-Perfect Equilibrium）包含以下要素：策略组合 \(\{q^*_{jmt}\}^M_{m = 1}\)、\(i^*(s_{jt}, v_{jt})\)、\(p^x(s_{jt})\)、\(p^e(s_{jt})\)、价值函数 \(V(s_{jt})\) 及价格 \(P_{mt}\)，且需满足：
- 产量决策满足式(\(\ref{eq2}\))，并最大化当期利润；
\[ P_{m t}+q_{j m t}^{*} \frac{\partial P\left(Q_{m t}, d_{m t}\right)}{\partial q_{j m t}}= M C_{m}\left(q_{j m t}^{*}, s_{j m t}, \omega_{j m t}\right) \]
\[ \pi\left(s_{j t}\right)=\mathbb{E} \sum_{m = 1}^{M} \pi_{m}\left(s_{j t}, \omega_{j m t}\right) \]
- 退出策略满足式 (\(\ref{eq5}\))；
\[ p^{x}\left(s_{j t}\right) \equiv Pr\left(\phi_{j t}> C V\left(s_{j t}\right)\right)= 1-F_{\phi}\left(C V\left(s_{j t}\right)\right) \]
- 投资策略满足式 (\(\ref{eq6}\))；
\[ \frac{\partial \left( -C^{i}\left( i, s_{j t}, v_{j t}\right)+\beta \mathbb {E}\left [ V\left(s_{j t+1}\right) | s_{j t}, i\right] \right)}{\partial i}= 0 \\ \beta \frac{\partial \mathbb{E}\left[V\left(s_{j t+1}\right) | s_{j t}, i^{*}\right]}{\partial i} \leq \frac{\partial C^{i}\left(i^{*}, s_{j t}, v_{j t}\right)}{\partial i} \]
- 进入策略满足式(\(\ref{eq8}\))；
\[ p^{e}\left(s_{j t}\right) \equiv Pr\left(\kappa_{j t} \leq V E\left(s_{j t}\right)\right)= F_{\kappa}\left(V E\left(s_{j t}\right) | s_{j t}\right) \]
- 船舶价格实现市场出清（总需求 = 总供给）；
- 市场内企业的价值函数满足式(\(\ref{eq3}\))，且企业基于上述策略形成预期。
\[ {V\left( s_{jt},\phi _{jt}\right)}{=\pi \left( s_{j t}\right) +\max \left\{ \phi _{j t}, C V\left(s_{j t}\right)\right\} } \]
模型假设说明
（1）船舶同质性假设
本文假设同一类型船舶（控制规模后）具有同质性。为验证该假设，我们分析了包含详细价格与船舶属性信息的新船采购合同子样本： 船舶类型、修正总吨规模及季度虚拟变量可解释大部分价格变动 ——仅包含这些变量的特征价格回归（Hedonic Price Regression）中，散货船、油轮、集装箱船的 \(R^2\) 分别为 0.93、0.94、0.75。造船厂特征（年龄、国家、船坞数量等）的解释力有限：在特征价格回归中加入造船厂固定效应后，仅集装箱船的 R² 有小幅提升。从买方角度看，买方集中度较低，买方垄断并非主要问题。
（2）生产的动态性简化
船舶生产存在时滞，当期生产会影响下期未交付订单，进而影响下期运营成本与生产决策。但 Kalouptsidi（2018）的研究表明，在包含此类动态性的模型中，成本函数估计结果与静态模型差异较小，尤其是在补贴估计方面。这部分是因为 观测到的大幅生产扩张无法通过生产动态性相关的跨期考量来解释。本文通过让未交付订单影响生产边际成本，以简约形式（reduced-form）体现生产动态性的影响。
（3）成本冲击的独立性假设
本文假设成本冲击 \(\omega_{jmt}\) 独立同分布，主要原因包括：
- 第一， \(\omega_{jmt}\) 的估计持续性较低（散货船、油轮、集装箱船的序列自相关系数分别为 0.28、0.27、0.39）；
- 第二，尽管可通过产量选择估计冲击的持续性（见 4.1 节），但在动态模型中纳入持续的时变未观测状态变量会带来巨大计算挑战。基于同样原因，假设投资成本冲击 \(v_{jt}\) 独立同分布。
不过，模型通过未交付订单与资本存量纳入了持续性效应：当企业面临有利的 \(\omega_{jmt}\) 冲击时，会增加订单与生产，进而提高未交付订单；由于未交付订单是反映企业生产效率的状态变量，未交付订单较高的企业会增加投资，提升未来资本存量，进一步降低长期生产成本。这一机制是导致事前同质企业随时间呈现不同增长轨迹的主要原因（Ericson & Pakes，1995）。
（4）政策永久性假设
本文借鉴 Ryan（2012）的做法，假设所有企业均将政府政策视为永久性政策，并基于丰富的状态变量设定假设：政策实施前后的均衡均为平稳均衡。放松该假设并估计企业对政策变化的预期与适应过程，是未来研究的重要方向（Doraszelski 等，2018；Jeon，2018）。
估计策略
本文关注的核心结构参数包括：新船全球需求函数、造船厂生产成本函数、投资成本函数、清算价值分布及准入成本分布。我们对所有国家造船厂的异质性生产成本函数进行估计，但仅分析中国造船厂的动态决策（进入、退出、投资）——原因在于：第一，宏观数据显示日本与韩国造船厂的进入、退出及产能扩张活动有限（OECD，2015，2016）；第二，我们缺乏中国以外国家造船厂动态决策的企业层面数据。
由于政府补贴信息未被直接观测，本文通过以下方式 间接估计补贴规模：对比政策实施前后中国企业的生产、投资与准入成本，并在可能的情况下与其他国家企业的成本进行比较。
本节内容自成体系，读者若仅关注结果，可跳过本节直接阅读第 5 节。4.1 节讨论静态参数（需求与生产成本）的估计；4.2.1 节与 4.2.2 节分别介绍动态参数（投资成本、清算价值、准入成本）估计的第一阶段与第二阶段。附录 B.1-B.3 提供估计细节，附录 B.4 详细说明模型识别方法及数据变异来源。
静态参数估计
需求函数估计
类型 \(m\) 船舶的需求函数（式 \(\ref{eq1}\)）设定为：
\[ Q_{m t}=\alpha_{0 m}+\alpha_{p m} P_{m t}+d_{m t}' \alpha_{d m}+\varepsilon_{m t}^{d} \tag{9} \label{eq9} \]
其中，需求冲击变量 \(d_{mt}\) 包括运费率、类型 \(m\) 船舶的总未交付订单、船舶类型特定变量。新船需求与航运服务需求正相关（体现为运费率上升）；反之，未交付订单规模越大（未来交付船舶越多），当期新船需求越低。此外，我们还控制了与各类船舶相关的总体经济活动指标：散货船对应小麦价格与中国铁矿石进口量，油轮对应中东炼油产量，集装箱船对应全球汽车贸易量。部分设定包含时间趋势项，并允许 2006 年（主要政策实施年份）前后的价格弹性存在差异。根据式（\(\ref{eq9}\)），\(\dfrac{\partial P_{m t}}{\partial q_{j m t}}=\alpha_{pm}\)。
本文采用钢材价格与钢材产量作为价格的工具变量 （Prices are instrumented by steel prices and steel production.）。
- 【相关性】 钢材是造船业的主要投入品，占可变生产成本的 25%-30%（Jiang & Strandenes，2012）。
- 【外生性】 识别假设为：在控制与船舶需求相关的主要经济因素后，钢材价格与钢材产量与新船需求冲击 \(\varepsilon_{mt}^d\) 不相关。该假设具有合理性，原因在于全球钢材产量中用于造船的比例较低，且新船需求冲击（\(\varepsilon_{mt}^d > 0\)）难以对钢材价格产生显著影响。由于每种船舶类型均存在单一全球市场，需求曲线是通过时间序列变化估算得出的。
生产成本函数估计
类型 \(m\) 船舶的边际成本函数 \(MC_m(q_{jmt}, s_{jmt}, \omega_{jmt})\) 设定为：
\[ M C_{m}\left(q_{j m t}, s_{j m t}, \omega_{j m t}\right)=\beta_{0 m}+s_{j m t}' \beta_{s m}+\beta_{q m} q_{j m t}+\omega_{j m t} \]
其中，\(q_{jmt}\) 为企业 \(j\) 在时期 \(t\) 生产类型 \(m\) 船舶的吨数。由于船舶生产存在时滞，当期订单、交付量与产量存在差异，本文采用订单量衡量 \(q_{jmt}\) —— 原因：订单吨数是企业的核心产量决策变量，且会对观测到的船舶价格做出响应；此外，数据仅报告订单与交付量，难以直接从订单推算产量。
成本冲击变量 \(s_{jmt}\) 包括企业 \(j\) 的资本存量（资本通过跨期投资积累，可通过规模经济降低生产成本）、所有类型船舶的未交付订单（未交付订单通过规模经济，如大量采购投入品、同时生产多艘船舶；或产能约束影响成本（Jofre-Bonet & Pesendorfer，2003））。此外，\(s_{jmt}\) 还包含造船厂 \(j\) 的企业年龄、所有制类型、国籍与所处地区、大型企业虚拟变量、钢材价格，以及这些状态变量的多项式项。最后，\(s_{jmt}\) 包含 2006-2008 年与 2009 年后两个政策干预阶段的虚拟变量。生产冲击项 \(\omega_{jmt}\) 假设服从均值为 0、方差为 \(\sigma^2_{\omega m}\) 的正态分布。
企业 \(j\) 利润最大化的一阶条件（允许零产量）为：
\[ M R_{j m t} \leq M C_{m}\left(q_{j m t}, s_{j m t}, \omega_{j m t}\right) \]
\[ \begin{split} P_{m t}+q_{j m t} \frac{\partial P_{m t}}{\partial q_{j m t}} &\leq \beta_{0 m}+s_{j m t}' \beta_{s m}+\beta_{q m} q_{j m t}+\omega_{j m t} \\ & \Downarrow \\ P_{m t}+q_{j m t} \alpha_{pm} &\leq \beta_{0 m}+s_{j m t}' \beta_{s m}+\beta_{q m} q_{j m t}+\omega_{j m t} \\ & \Downarrow \\ P_{m t}-\beta_{0 m}-& s_{j m t}^\prime \beta_{s m}-\omega_{j m t} \leq q_{j m t}(\beta_{q m}-\alpha_{pm}) \end{split} \]
令 \(\bar{\beta}_{q m}=\dfrac{1}{\beta_{q m}-\bar{\alpha}_{p m}}\)，则最优产量满足：
\[ q_{j m t}^{*}=\overline{\beta}_{q m}\left(P_{m t}-\beta_{0 m}-s_{j m t}' \beta_{s m}-\omega_{j m t}\right) \]
\[ q_{j m t}= \max \left\{0, q_{j m t}^{*}\right\} \tag{10}\label{eq10} \]
其中，\(q_{j m t}\) 为企业 \(j\) 在时期 \(t\) 的最优产量。
造船厂生产成本的特征参数为 \(\theta^{q} \equiv\{\beta_{0 m}, \beta_{s m}, \beta_{q m}, \sigma_{\omega m}\}_{m = 1}^{M}\)，采用 Tobit 模型估计似然函数：
\[ \mathcal{L} =\prod_{m = 1}^{M}\left(\underbrace{\prod_{j, t ; q_{j m t}= 0} Pr\left(q_{j m t}= 0 | s_{j t} ; \theta^{q}\right)}_{q = 0 \mathbb{不生产的概率（离散）}} \cdot \underbrace{\prod_{j, t ; q_{j m t}> 0} f_{q}\left(q_{j m t} | s_{j t} ; \theta^{q}\right)}_{\mathbb{生产最优产量}q^*\mathbb{的概率密度函数（连续型）}} \right) \]
Tip
- 由于数据独立，似然函数是所有单个数据概率密度函数的乘积。
- 若观测数据来自 离散型随机变量（如 “退出 / 不退出”“是否投资” 这类只能取有限个值的变量），则单个数据的似然贡献是 “该变量取此值的 概率”；
- 若观测数据来自 连续型随机变量（如 “投资规模”“清算价值” 这类可取任意实数的变量），则单个数据的似然贡献是 “该变量取此值的 概率密度函数（PDF） 值”。
- 对极大似然估计求积取对数，得到： \[ \ln \mathcal{L} = \sum_{m = 1}^M \left [ \sum_{j, t; q_{jmt}= 0} \ln Pr(q_{jmt}= 0 | s_{jt}; \theta^q) + \sum_{j, t; q_{jmt}> 0} \ln f_q(q_{jmt} | s_{jt}; \theta^q) \right] \]
需注意的是，即使 \(\omega_{jmt}\) 存在序列相关，\(θ^q\) 的极大似然估计（MLE）仍具有一致性（Robinson，1982）——这与标准线性回归中误差项非独立同分布时 OLS 估计仍一致（但非有效）的逻辑类似。为得到允许 \(\omega_{jmt}\) 序列相关的标准误，本文采用 500 次企业层面的块自举（block bootstrap）。
此外， Tobit 估计隐含假设 \(\omega_{jmt}\) 与价格 \(P_{mt}\) 独立，但有利冲击可能导致产量上升并影响船舶价格，从而违反该假设。本文在 5.4 节的稳健性检验中允许 \(\omega_{jmt}\) 与 \(P_{mt}\) 相关。
最后，由于固定成本（土地使用成本、资本维护成本等）无论生产与否均需承担，企业生产决策无法提供关于固定成本 \(c_0\) 的信息。与多数实证研究忽略固定成本不同， 本文将固定成本设为零可能导致反事实分析结果偏误（Aguirregabiria & Suzuki，2014；Kalouptsidi 等，2021）。本文将利用报告的会计成本数据校准 \(c_0\) （即使生产设施闲置时仍存在，见附录 B.1），并在 6.1 节讨论这一问题。
动态参数估计
本文利用观测到的企业层面投资、进入与退出数据估计动态参数。核心挑战在于： 企业最优决策依赖未知的价值函数（及未观测的投资成本冲击）。为解决这一问题，本文遵循 Hotz & Miller（1993）与 Bajari 等（2007，以下简称 BBL）的传统方法，分两阶段估计参数：
- 第一阶段：从数据中灵活估计投资与退出策略函数，以及状态变量的转移过程；利用这些估计结果，通过 B 样条基函数（Sweeting，2013；Barwick & Pathak，2015）灵活近似价值函数。
- 第二阶段：构建观测到的投资与退出行为的似然函数，进而识别核心动态参数。
第一阶段：策略函数与状态转移估计
退出策略函数
采用 Probit 回归估计 退出策略函数（结果对其他设定具有稳健性）：
\[ Pr\left(\chi_{j t}= 1 | s_{j t}\right)=\Phi\left(h\left(s_{j t}\right)\right) \]
其中，\(\chi_{j t}= 1\) 表示企业 \(j\) 在时期 \(t\) 退出，\(h(s_{j t})\) 为状态变量的灵活多项式，\(\Phi\) 为标准正态分布。第一阶段估计的退出概率记为 \(\hat{p}^{x}(s_{j t})\)。
投资策略函数
最优投资策略函数 \(i_{jt}^*(s_{jt}, v_{jt})\) 由式(\(\ref{eq6}\))的一阶条件隐式定义，本文目标是灵活估计该函数。
在合理假设下，最优投资 \(i^*\) 随 \(v_{jt}\) 单调递减： 即其他条件相同时，投资成本冲击越有利（\(v_{jt}\) 越小），企业投资越多。因此，给定 \(s_{jt}\) 时，\(v_{jt}\) 的第 \(j\) 分位数对应 \(i_{jt}\) 的第 \((100-j)\) 分位数。
借鉴 Bajari 等（2007），可通过以下方式识别最优投资策略函数 \(i_{jt}^*(s_{jt}, v_{jt})\) ：
\[ \begin{split}F(i | s_{j t}) =& Pr(i_{j t}^{*} \leq i | s_{j t}) = Pr(v_{j t} \geq i^{*-1}(s_{j t}, i) | s_{j t}) \\=&Pr(v_{j t} \geq v| s_{j t}) = 1-F_{v}(v | s_{j t})= 1-F_{v}(v) \\ \\ \text{which implies} & \quad i^{*} | s_{j t}= F^{-1}\left(1-F_{v}(v| s_{j t})\right) \end{split} \tag{11}\label{eq11} \]
其中 \(F(i | s_{jt})\) 为给定状态变量时投资的经验分布，\(F_{v}(v | s_{j t})\) 为给定状态变量时 \(v\) 的分布。
随着状态变量数量的增加，对该条件分布进行非参数估计所需的数据量会急剧上升。为简化计算，本文假设投资成本冲击 \(v_{jt}\) 与观测到的状态变量 \(s_{jt}\) 独立，且以可加形式进入投资策略函数：
\[ i_{j t}^{*}= h_{1}\left(s_{j t}\right)+h_{2}\left(v_{j t}\right) \tag{12}\label{eq12} \]
其中，\(h_1(s_{jt})\) 与 \(h_2(v_{jt})\) 为待估未知函数。由于无法从 \(h_2(v_{jt})\) 中非参数识别 \(v_{jt}\) 的分布，我们假设 \(v_{jt}\) 服从标准正态分布。
- 首先，通过 投资对状态变量的灵活回归 得到 \(h_1(s_{jt})\) 的估计值；
- 随后将 \(i^*_{jt}-\hat{h_1}(s_{jt})\) 作为观测数据，利用式(11)估计 \(h_2(·)\) 。
状态空间与状态转移过程
由于行业内企业数量众多，状态变量向量 \(s_{jt}\) 维度较高，计算负担较重。作为简化， 本文假设企业无需追踪所有竞争对手的状态变量，而是将行业层面价格作为充分统计量 （5.1 节的估计结果显示：市场势力有限，支持该假设）。该方法与 Weintraub 等（2008）、Benkard 等（2015）提出的“无感知均衡”（Oblivious Equilibrium）类似，适用于企业数量较多的行业，且已在近年实证研究中广泛应用。
此外，本文利用部分状态变量线性进入企业边际成本的特征，通过估计的生产成本系数 \(\hat{\beta}_{s m}\)（4.1.2 生产成本函数估计）构建一维指数 \(\bar{s}_{j t}=-\sum_{m} s_{j m t} \hat{\beta}_{s m}\) 衡量企业观测到的成本效率： \(\bar{s}_{j t}\) 越高，边际成本越低，可变利润越高。
状态变量的转移过程设定如下：
- 省份、所有制类型等状态变量不随时间变化；
- 企业年龄呈确定性增长；
- 资本存量 \(k_{jt}\) 的折旧率为 \(\delta\)（所有企业相同），资本积累的过程即 \(k_{j t+1}=(1-\delta)k_{jt}+i_{jt}\)，其中 \(\delta\) 校准为季度 2.3%（Brandt 等，2012），反映样本期内中国较高的利率水平；
- 钢材价格（视为行业外生变量）服从 \(AR(1)\) 过程；
\[ P_{mt} = a_0 + a_1 P_{mt-1} + \varepsilon_{mt}, \quad \varepsilon_{mt} \sim N(0, \sigma_\varepsilon^2) \notag \]
- 各类船舶的均衡价格由总需求与总供给共同决定，假设其服从 \(AR(1)\) 过程，并允许 2006 年政策实施前后的过程参数存在差异。
价值函数近似
在得到策略函数与状态转移过程的估计后，本文转向价值函数估计。假设清算价值 \(\phi_{jt}\) 服从参数为 \(\dfrac{1}{\sigma_\phi}\) 的指数分布（Exponential Distribution），则清算价值实现前的 事前价值函数 为（根据公式 \(\ref{eq3}\) 得到）：
\[ \begin{aligned} V\left(s_{j t}\right) & \equiv \mathbb{E}_{\phi} V\left(s_{j t}, \phi_{j t}\right)\\ &=\mathbb{E}_{\phi}\left [\pi\left(s_{j t}\right)+\max \left\{\phi_{j t}, CV\left(s_{j t}\right)\right\}\right] \\ & =\pi\left(s_{j t}\right)+p^{x}\left(s_{j t}\right) \mathbb{E}\left(\phi_{j t} | \phi_{j t}> C V\left(s_{j t}\right)\right)+\left(1-p^{x}\left(s_{j t}\right)\right) C V\left(s_{j t}\right) \\ & =\pi\left(s_{j t}\right)+p^{x}\left(s_{j t}\right)(\sigma_{\phi}+C V\left(s_{j t}\right))+C V\left(s_{j t}\right)-p^{x}\left(s_{j t}\right)C V\left(s_{j t}\right) \\ & =\pi\left(s_{j t}\right)+p^{x}\left(s_{j t}\right) \sigma_{\phi}+C V\left(s_{j t}\right) \end{aligned} \tag{13}\label{eq13} \]
其中，\(\mathbb{E}(\phi | \phi > C V)=\sigma_{\phi}+C V\)（Pakes 等，2007）；\(π_{jt}(s_{jt})\) 与 \(p^x(s_{jt})\) 分别为企业的静态利润与退出概率；\(CV(s_{jt})\) 为式(\(\ref{eq4}\))定义的持续经营价值。本文采用 B 样条基函数近似事前价值函数，理论上该方法可实现对光滑函数的任意精度近似（详见附录 B.3）。
Note
首先，明确指数分布的核心性质：
清算价值 \(\phi_{j t}\) 服从参数为 \(1/\sigma\) 的指数分布（Exponential Distribution）
若随机变量 \(X \sim \text{Exponential}(\lambda)\)（\(\lambda>0\) 为分布参数）
概率密度函数（pdf）：\(f(x) = \lambda e^{-\lambda x}\)
累积分布函数（CDF）：\(F(x) = P(X \leq x) = 1 - e^{-\lambda x}\)
均值（期望）：\(\mathbb{E}[X] = 1/\lambda\)（指数分布的均值等于参数的倒数）。
因此：清算价值的均值 \(\mathbb{E}[\phi_{jt}] = \sigma\) ，\(F(CV)=P(\phi \leq CV)=1-e^{-\frac{CV}{\sigma}}\)，\(f(\phi)=\frac{1}{\sigma} \cdot e^{-\frac{\phi}{\sigma}}\)。
\(\max\{\phi_{j t}, CV(s_{j t})\}=\underbrace{\mathbb{E}\left(\phi_{j t} | \phi_{j t}> C V\left(s_{j t}\right)\right)}_{Exit}+\underbrace{\left(1-p^{x}\left(s_{j t}\right)\right) CV\left(s_{j t}\right)}_{Stay}\)
Pakes et al. (2007) 证明， \(E(\phi | \phi > C V)=\sigma+CV\) 。为什么？
\(\begin{split}\mathbb{E}(\phi | \phi > CV) =& \dfrac{\int_{CV}^{\infty} \phi \cdot f(\phi) d\phi}{P(\phi > CV)}=\dfrac{\int_{CV}^{\infty} \phi \cdot f(\phi) d\phi}{1-P(\phi \leq CV)}=\dfrac{\int_{CV}^{\infty} \phi \cdot f(\phi) d\phi}{1-F(CV)}\\=&\dfrac{\int_{CV}^{\infty} \phi \cdot \frac{1}{\sigma} \cdot e^{-\frac{\phi}{\sigma}} d\phi}{1-(1-e^{-\frac{CV}{\sigma}})}=\dfrac{\int_{CV}^{\infty} \phi \cdot \frac{1}{\sigma} e^{-\frac{\phi}{\sigma}} d\phi}{e^{-\frac{CV}{\sigma}}}\\=&\dfrac{-\int_{CV}^{\infty} \phi d(e^{-\frac{\phi}{\sigma}})}{e^{-\frac{CV}{\sigma}}}=-\dfrac{(\phi \cdot e^{-\frac{\phi}{\sigma}})^\infty_{CV} - \int_{CV}^{\infty} e^{-\frac{\phi}{\sigma}} d(\phi)}{e^{-\frac{CV}{\sigma}}}\\=&-\dfrac{(0- CV e^{-\frac{CV}{\sigma}}) -(-\sigma) \int_{CV}^{\infty} e^{-\frac{\phi}{\sigma}} d(-\frac{\phi}{\sigma})}{e^{-\frac{CV}{\sigma}}} \\=& -\dfrac{- CV e^{-\frac{CV}{\sigma}}+ \sigma (e^{-\frac{\phi}{\sigma}})^\infty_{CV} }{e^{-\frac{CV}{\sigma}}}\\=&-\dfrac{- CV e^{-\frac{CV}{\sigma}}+ \sigma (0-e^{-\frac{CV}{\sigma}}) }{e^{-\frac{CV}{\sigma}}}\\=&\dfrac{CV \cdot e^{-\frac{CV}{\sigma}}+ \sigma \cdot e^{-\frac{CV}{\sigma}} }{e^{-\frac{CV}{\sigma}}}=CV+\sigma\end{split}\)
推导利用了分部积分求解，那么为什么 \(\mathbb{E}(\phi | \phi > CV) = \dfrac{\int_{CV}^{\infty} \phi \cdot f(\phi) d\phi}{P(\phi > CV)}\)?
对连续型变量 \(\phi\)，事件 \(A = \{\phi > CV\}\) 发生时，\(\phi\) 在区间 \([{a, b}]\) 内的条件概率为： \(P(a < \phi < b | \phi > CV) = \dfrac{P(a < \phi < b \cap \phi > CV)}{P(\phi > CV)} = \dfrac{\int_{a}^{b} f(\phi) d\phi}{P(\phi > CV)}\)
其中，事件 \(A\) 的“条件概率密度函数”为： \(f(\phi | \phi > CV) = \dfrac{f(\phi)}{P(\phi > CV)} \quad (\text{仅当}\ \phi > CV\ \text{时，否则为0})\)
连续型随机变量的 无条件期望 定义为： \(\mathbb{E}(\phi) = \int_{-\infty}^{\infty} \phi \cdot f(\phi) d\phi\)。 逻辑是“所有可能的 \(\phi\) 值，乘以各自的概率密度（权重），再累加（积分）”。
因此，\(\begin{split} \mathbb{E}(\phi | \phi > CV) =& \int_{-\infty}^{\infty} \phi \cdot f(\phi | \phi > CV) d\phi =\int_{-\infty}^{CV} \phi \cdot 0 d\phi+\int_{CV}^{\infty} \phi \cdot \dfrac{f(\phi)}{P(\phi > CV)} d\phi\\ =&\dfrac{\int_{CV}^{\infty} \phi \cdot f(\phi) d\phi}{P(\phi > CV)}\end{split}\)
第二阶段：动态参数识别
动态参数向量为 \(\theta^{i} \equiv \{\sigma_{\phi}, c_{1}, c_{2}, c_{3}\}\)，其中，投资成本的线性项 \(c_1\) 允许在不同政策阶段存在差异，以捕捉投资补贴的影响。采用极大似然估计（MLE）识别 \(θ^i\)，样本似然函数包含退出与投资决策的似然项。
退出决策的似然函数
对于某一个企业 \(j\) 在时期 \(t\) 的观测，其决策要么是“退出（\(\chi_{jt}=1\)）”，要么是“不退出（\(\chi_{jt}=0\)）”。我们可以用 指示变量 \(\chi_{jt}\) 统一两种情况的概率表达式：
\[ f(\chi_{jt}) = \left [P(\chi_{jt}= 0)\right]^{1-\chi_{jt}} \times \left [P(\chi_{jt}= 1)\right]^{\chi_{jt}}=(1-p^x)^{1-\chi_{jt}} \cdot (p^x)^{\chi_{jt}} \]
正如公式（5），企业退出的概率是：
\[ p^{x}\left(s_{j t}\right) \equiv Pr\left(\phi_{j t}> C V\left(s_{j t}\right)\right)= 1-F_{\phi}\left(C V\left(s_{j t}\right)\right) \]
所以，似然函数
\[ f(\chi_{jt}) =(F_\phi(CV))^{1-\chi_{jt}} \cdot (1-F_\phi(CV))^{\chi_{jt}} \]
代入： \(F(CV)=P(\phi \leq CV)=1-e^{-\frac{CV}{\sigma}}\)，有
\[ f(\chi_{jt}) =(1-e^{-\frac{CV}{\sigma}})^{1-\chi_{jt}} \cdot (e^{-\frac{CV}{\sigma}})^{\chi_{jt}} \]
从而，单个企业退出决策的对数似然为：
\[ \log \left(f\left(\chi_{j t}\right)\right)=\left[\underbrace{\left(1-\chi_{j t}\right) \log \left(1-e^{-\frac{CV}{\sigma}}\right)}_{Stay}+\underbrace{\chi_{j t} \left( -\frac{C V}{\sigma}\right)}_{Exit} \right] \]
假设样本包含 \(J\) 个企业、\(T\) 个时期（共 \(J \times T\) 个观测），则总似然函数为所有单个观测似然函数的乘积，也即所有单个对数似然函数的求和。
\[ \sum_{j, t} \log \left(f\left(\chi_{j t}\right)\right)=\sum_{j, t}\left [\left(1-\chi_{j t}\right) \log \left(1-e^{-\frac{C V\left(s_{j t} ; \gamma\right)}{\sigma_{\phi}}}\right)-\chi_{j t} \frac{C V\left(s_{j t} ; \gamma\right)}{\sigma_{\phi}}\right] \]
其中，\(\chi_{jt}= 1\) 表示企业 \(j\) 在时期 \(t\) 退出。
投资决策的似然函数
最优投资 \(i_{jt}^*(s_{jt}, v_{jt})\) 由式 (\(\ref{eq6}\)) 的一阶条件定义。
若投资成本过高或预期收益过低，企业会选择零投资。
当且仅当最优投资 \(i^*(s_{jt}, v_{jt})> 0\)（为正），\(\frac{\partial \left( -C^{i}\left( i, s_{j t}, v_{j t}\right)+\beta \mathbb {E}\left [ V\left(s_{j t+1}\right) | s_{j t}, i\right] \right)}{\partial i}= 0\) 。
- 按照公式（\(\ref{eq12}\)）的假设， \(i_{jt}^*(s_{jt}, v_{jt})= h_{1}\left(s_{j t}\right)+h_{2}\left(v_{j t}\right)\)，\(i^*\) 随 \(v_{jt}\) 增加而单调递减。当随机变量经严格单调变换时，其密度函数需通过雅可比行列式（Jacobian）调整，以反映 “变量取值范围的伸缩” 对概率密度的影响。因此，由投资成本冲击 \(v\) （服从标准正态分布）的概率密度函数 \(f_v(v)\) 可得：最优投资 \(i\) 的概率密度函数
\[ g(i)= f_v\left(v\right) \cdot \left|\frac{dv}{di} \right|=\dfrac{f_v\left(v\right)}{\left|\frac{di}{dv} \right|}=\dfrac{f_v\left(v\right)}{\left|i^\prime(v)\right|} \]
- 当 \(i^∗ =0\) 时，投资规模固定为 0。其概率是 \(Pr\left(\left [MR-MC\right]_{i = 0} \leq 0\right)\)
假设其可微，则投资的似然函数可以分两段构造如下：
\[ g\left(i_{j t}\right)= \begin{cases}\dfrac{f_{v}\left(v_{j t}\right)}{\left|i'\left(v_{j t}\right)\right|} & \text{if} \quad i^{*}\left(s_{j t}, v_{j t}\right)> 0 \\ Pr\left(\left [\beta \frac{\partial \mathbb{E}\left(V\left(s_{j t+1} ; \gamma\right) | s_{j t}, i\right)}{\partial i}-\frac{\partial C^{i}\left(i, s_{j t}, v_{j t}\right)}{\partial i}\right]_{i = 0} \leq 0\right) & \text{if} \quad i^{*}\left(s_{j t}, v_{j t}\right) \leq 0\end{cases} \]
其中，\(f_v(v_{jt})\) 为成本冲击 \(v_{jt}\) 的密度函数，\(|i^\prime(v_{jt})|\) 为 \(i_{jt}^*(s_{jt}, v_{jt})\) 关于 \(v_{jt}\) 的导数绝对值。
联合似然最大化
由于清算价值 \(\phi_{jt}\) 与投资冲击 \(v_{jt}\) 独立，退出与投资的联合对数似然为两者各自对数似然之和。在贝尔曼方程（公式 \(\ref{eq13}\)）的约束下，最大化动态参数向量 \(\theta^{i} \equiv \{\sigma_{\phi}, c_{1}, c_{2}, c_{3}\}\) 的样本对数似然：
\[ \max _{\theta^{i}} L =\sum_{j, t} \log \left(f\left(\chi_{j t} ; \theta^{i}\right)\right)+\sum_{j, t} \log \left(g\left(i_{j t} ; \theta^{i}\right)\right) \\ \text{s.t.} \quad V\left(s_{j t} ; \theta^{i}\right)=\pi\left(s_{j t}\right)+p^{x}\left(s_{j t}\right) \sigma_{\phi}+C V\left(s_{j t} ; \theta^{i}\right) \tag{14}\label{eq14} \]
准入成本参数估计
假设准入成本服从指数分布，在已知投资成本与清算价值参数后，准入成本均值的估计可通过以下步骤实现：
进入企业的初始资本存量从观测到的初始资本分布中抽取，初始资本成本为 \(C^{i}(k_{j t+1}, s_{j t})= c_{1}(s_{j t}) k_{j t+1}\)（与公式 \(\ref{eq7}\) 的投资成本形式一致，但无调整成本）。
- 首先，代入动态参数估计结果构建：进入价值 \(\mathrm{VE}(s_{j t})\)；
- 随后，基于式 (\(\ref{eq8}\))，采用极大似然估计分政策阶段、分地区估计准入成本均值，以捕捉不同地区准入补贴的差异。
结果
本节遵循第 4 节的逻辑展开：5.1 节呈现静态参数（需求与生产成本）的估计结果；5.2 节讨论策略函数与状态转移过程；5.3 节报告动态参数（投资成本、清算价值、准入成本）的估计结果；5.4 节进行稳健性检验。所有成本（生产成本、投资成本、准入成本）均以 2000 年不变人民币计价的实际值表示，附录 C 提供了详细补充说明。
静态参数估计结果
需求函数
表 C4 报告了需求函数（式 \(\ref{eq9}\)）的估计结果，所有变量系数均符合预期符号，且在经济与统计意义上均显著。例如，所有船舶类型的需求均随运费率上升而增加；未交付订单对需求具有负向影响（1%的未交付订单增长导致新船需求下降 1%）。根据基准设定（第 2 列），2006 年前散货船与油轮的价格弹性为 1.8，集装箱船为 3.4，2006 年后价格弹性均略有下降。
生产成本
表 2 报告了中国造船厂各类船舶的边际成本参数估计结果（标准误通过 500 次企业层面 block bootstrap 计算），边际成本单位为千人民币/修正总吨（CGT）。生产成本曲线曲率的特征参数（产量、资本、未交付订单、钢材价格的系数）因船舶类型而异，但补贴虚拟变量与造船厂属性的系数在各类船舶间设定为相同，以减少待估参数数量——这一设定具有合理性：未交付订单的规模经济效应、资本回报率（代理产能）、投入品强度可能因船舶类型不同而存在差异；但补贴对生产成本的影响在各类船舶间应相近（补贴未按船舶类型定向发放，且企业可根据市场条件调整生产的船舶类型）。
中国造船业政策于 2006 年启动，2009 年发生重大调整，因此本文允许 2006-2008 年与 2009 年后的生产补贴存在差异：2006-2008 年生产补贴为 2100 元/修正总吨数 CGT（占平均价格的 14%-18%），2009 年后降至 1220 元/修正总吨数 CGT。
尽管本文的估计方法、样本期与行业覆盖范围与 Kalouptsidi（2018）存在差异，但补贴估计规模相近（本文略小），验证了结果的可靠性。5.4 节的稳健性检验表明，采用双重差分（DID）方法（对比中国与其他竞争国家）得到的补贴估计结果与基准一致，且对新增控制变量和样本筛选具有稳健性，排除了行业成本结构混淆因素的影响。尽管这种间接估计补贴的方法存在局限性，但在无法直接观测补贴数据的情况下，这是最可行的策略。
参数 \(β_q\) 衡量新增 10 万 CGT 订单带来的边际成本增量（单位：千人民币/CGT），\(β_q\) 越大，成本函数凸性越强，供给对价格变化的响应越弱。平均而言，10%的价格上涨会导致散货船产量增加 22%、油轮增加 27%、集装箱船增加 20%。
资本存量与边际成本呈负相关（但边际效应递减，体现为资本平方项系数为正）：对于资本存量为 4 亿元的平均规模企业，资本增加 1 亿元可使散货船边际成本降低 2.7%、油轮降低 2.2%、集装箱船降低 2.2%。从经济意义看，若企业资本存量减半，其当期利润将下降 19%。
未交付订单存在生产规模经济效应（同时生产多艘船舶可降低成本）：未交付订单增加 10 万 CGT，各类船舶的边际成本平均降低 13%-30%；但随着未交付订单进一步增加，产能约束会推高边际成本（未交付订单平方项系数为正，但绝对值较小）。
位于主要造船省份（江苏、辽宁、浙江）的企业边际成本更低：江苏企业低 20%-26%，辽宁企业低 14%-18%，浙江企业低 11%-14%。
造船厂年龄每增加 1 年，边际成本上升 1%。
所有制类型对边际成本的影响有限且统计上不显著。
钢材价格上涨会显著提高所有船舶类型的边际成本，符合预期。
市场势力扭曲程度有限：散货船的平均加成率为新船价格的 6.39%，油轮与集装箱船的加成率更低。这表明企业生产决策接近“边际成本等于市场价格”的竞争状态，行业整体接近完全竞争。
最后，基于会计数据校准的季度固定成本为 1500 万元，相当于行业平均利润的 12%。因此，如现有文献常做的那样将固定成本设为零，会显著高估企业的当期利润。
动态参数第一阶段估计结果
投资策略函数
表 C5 报告了投资策略函数的估计结果，分别采用 OLS、Tobit 回归（假设 \(h_2(v)\) 服从正态分布）与截尾最小绝对偏差（CLAD，不对成本冲击分布做假设，非参数估计 \(h_2(v)\)）三种方法。
基准设定采用 OLS（模型拟合度最高），结果显示：船舶价格与投资正相关，钢材价格与投资负相关；生产效率更高（\(\bar{s}_{j t}\) 更大）的企业投资规模更大；2006-2008 年与 2009 年后政策虚拟变量的系数均为正（符合预期）；投资与资本存量呈“倒 U 型”关系——随资本存量增加先上升，在资本存量为 10-15 亿元时达到峰值，随后下降。
退出策略函数
采用 Probit 模型估计退出策略函数，表 C6 报告了两种设定的结果（包含所有状态变量的线性项及资本平方项，是否控制地区固定效应）。结果显示：\(\bar{s}_{j t}\) 更大（盈利能力更强）的企业退出概率更低；补贴实施期间企业退出概率显著下降。
动态参数第二阶段估计结果
投资与退出
表 3 报告了投资成本的估计结果：2006-2008 年，每 1 元投资的补贴为 0.27 元（即投资单位成本的 27%由补贴覆盖）；2009 年后补贴增至每 1 元投资 0.46 元——这一结果解释了金融危机后船舶价格暴跌但投资仍保持高位的现象，也与政府政策重心转向产业整合、支持现有企业的调整方向一致。
投资成本二次项系数 \(c_2\) 在经济与统计意义上均显著，调整成本平均占总投资成本的 28%，对于 5000 万元以上的大额投资，调整成本占比超过 50%。\(c_3\) 的估计值较大，表明企业层面未观测到的投资冲击具有重要影响。最后，平均清算价值估计为 9.8 亿元，显著低于企业价值 \(V(s_{jt})\)（约 30-40 亿元）——这与退出行为罕见（仅 1%的观测样本存在退出）的事实一致。
图 C3 对比了观测到的投资分布与模型预测的投资分布，两者整体吻合度较好，但实际投资的大额投资尾部更长，中等规模投资占比更低。
表 C8 对比了实际退出数量与模型预测退出数量：企业退出属于低概率事件，整体预测难度较大（Goldfarb & Xiao，2016），模型大致能匹配样本均值，但低估了 2006 年后的退出数量。
准入成本
各省份新增造船厂数量差异显著：样本期内浙江省新增 95 家（最多），辽宁、江苏、浙江三省合计占新增造船厂总数的 70%。本文分省份（辽宁、江苏、浙江、其他地区）、分政策阶段估计准入成本，表 4 报告了各阶段的平均准入成本（2000 年不变人民币，单位：十亿元）：2006 年前为基准期，2006-2008 年为准入补贴高峰期，2009 年后为准入限制期。2006-2008 年准入补贴力度显著（辽宁补贴 51%，江苏补贴 64%），与该时期新增企业爆发式增长的事实一致；2009 年实施准入禁令后，准入成本大幅上升。
进入企业实际支付的平均准入成本为 25 亿元，与造船厂的会计估值接近。表 C9 显示，模型预测的各政策阶段新增企业数量与实际数量吻合度较好。
稳健性检验
跨国对比（双重差分）
基准设定分国家估计了生产成本，表 C11 报告了合并三国造船厂数据的估计结果（相当于双重差分估计）。由于缺乏日本与韩国造船厂的资本数据，本文将其资本存量设为零并加入国别虚拟变量，结果与基准设定定性一致（仅 2006-2008 年补贴估计值略大）。基准设定允许各国生产函数存在差异，对补贴规模的估计更保守，因此更优。
干中学效应
表 C11 的面板 2-3 检验了中国造船厂的干中学（Learning-by-Doing）效应（Benkard，2004）\(\label{5.4.2}\)，分别允许边际成本依赖于企业自身过往产量（企业层面干中学）与行业累计过往产量（行业层面干中学）。结果显示，两类干中学效应均不显著——边际成本随过往产量增加而上升，而非下降。 这与行业现实一致：散货船与油轮的生产技术已成熟（存在数十年），干中学空间有限。现有关于造船业干中学的研究（Thompson，2001；Thornton & Thompson，2001；Hanlon，2020）对企业间知识溢出的结论存在分歧：Thompson（2001）认为二战期间美国海军造船厂干中学效应的 50%源于资本扩张，Thornton & Thompson（2001）则发现造船厂间的知识溢出规模较小。
其他稳健性检验
加入时间趋势项，或剔除政策实施后新进入的造船厂
加入时间趋势项，或剔除政策实施后新进入的造船厂（可能拥有更先进技术），均不改变核心结果（表 C12）。分地区估计的生产补贴显示，江苏、辽宁的补贴略高于浙江及其他地区，但差异在统计上不显著。尽管理论上生产成本估计依赖需求弹性，但由于行业加成率较低，需求参数对生产成本估计的影响极小。
允许企业生产成本冲击与船舶价格不独立
基准设定假设企业生产成本冲击与船舶价格独立，但有利冲击可能导致产量上升并影响价格，从而产生内生性问题。
\[ \omega_{jmt}=\rho\left(\frac{\sigma_{\omega}}{\sigma_{\eta}}\right)\eta_{mt}^{d}+e_{jmt} \]
附录 C.5 采用控制函数法（MacKinnon & Olewiler，1980；Smith & Blundell，1986；Newey，1987；Chernozhukov 等，2015）允许成本冲击与价格相关，估计结果与基准一致；
并且，在控制其他变量后，生产成本冲击与价格残差的相关系数绝对值仅为 0.002-0.05，表明基准设定中丰富的总体控制变量已有效缓解了内生性问题。
修改潜在进入企业数量设定
准入成本估计的核心挑战在于：潜在进入企业数量 \(\bar{N}\) 无法直接观测。遵循 Seim（2006）的文献传统，基准设定假设某地区某季度的潜在进入企业数量为该地区观测到的最大新增企业数量的 2 倍。本文尝试了其他设定（如观测到的最大新增企业数量、20、40 等固定值），结果显示：潜在进入企业数量增加会导致 \(\kappa_{jt}\) 的估计值上升，但进入企业实际支付的准入成本与准入补贴的估计结果高度稳健——这是因为它们由实际新增企业数量与进入价值（通过观测价格与企业生产估计）共同决定。附录 B.3 与附录 C 提供了更多稳健性检验细节。
中国造船业产业政策评估
与其他采用产业政策推动特定部门发展的国家类似（Krugman 等，1983；Lane，2022），中国通过多种政策工具推动造船业产出增长，且政策实施过程随时间发生显著调整：早期补贴面向所有企业，后期转向支持国有企业与存量企业（“白名单”），同时限制新企业进入。
本节评估中国造船业产业政策的长期影响，重点分析企业异质性、动态性与商业周期对不同政策工具相对绩效的影响，具体回答以下问题：（1）哪些政策工具最有效？（2）在行业波动与商业周期背景下，如何设计产业政策？（3）通过整合政策定向补贴特定企业会产生何种效果？
评估产业政策的长期影响需要对全球造船业进行长期模拟——因为企业进入与投资具有动态效应，政策结束后积累的资本仍将长期发挥作用。本文的模拟始于 2006 年（中国启动造船业补贴政策），止于 2050 年（足够长以捕捉政策动态影响，延长模拟期不改变结果）。在每个反事实场景的模拟中，只改变使用的补贴工具，结果为 50 次独立模拟的行业平均值（100 次模拟结果与 50 次几乎完全一致）。模拟中，中国企业需做出生产、投资、退出、进入决策，日本与韩国企业仅需做出生产决策，均衡价格由行业供需均衡决定。所有货币变量（行业收入、总补贴）均以 2%的季度贴现率折算为 2000 年不变人民币。
6.1 节量化 2006-2013 年政策对全球造船业实际发展的影响；6.2 节评估不同政策工具的长期绩效；6.3 节讨论政策设计的关键维度（补贴时机、定向扶持、政策期限）。附录 D.1-D.2 提供模拟实施细节，附录 D.3 报告补充反事实结果。
政策对行业发展的影响
中国政府的补贴对全球造船业各关键指标的发展均产生了显著影响，包括中国市场份额、船舶总产量、船舶价格、企业进入退出、投资、利润、行业集中度与产能利用率。
补贴规模与结构
估计显示，2006-2013 年中国造船业获得的贴现总补贴约为 6240 亿元人民币（折合 910 亿美元），具体结构为：准入补贴 4310 亿元，生产补贴 1560 亿元，投资补贴 370 亿元。这一补贴规模相对于国内行业规模而言极为庞大——同期中国造船业总收入约为 13600 亿元。
市场份额与产量转移
2006-2013 年，政策推动中国造船业全球市场份额提升 42 个百分点，其中散货船市场份额增长最为显著（大量新进入企业聚焦散货船生产，且日本、韩国在该领域的成本优势较弱）。
从绝对量看，中国产量增长中仅 30%转化为全球总产量增加，其余 70%为“业务替代效应”（中国产量扩张挤压了其他国家的产量）：2006-2013 年，韩国全球市场份额从 48%降至 39%，日本从 23%降至 20%，两国造船厂利润合计减少 1440 亿元。
尽管中国造船厂市场份额大幅提升，但其同期毛利（收入减生产成本）仅增加 1530 亿元——这主要因为产量扩张主要由低效新企业推动。
价格与消费者剩余
补贴导致全球船舶供给增加，推动船舶价格显著下降：2006-2008 年，散货船、油轮、集装箱船价格分别下降 9.9%、10.1%、4.3%（表 D14）；随着补贴累积效应显现，2009 年后价格降幅进一步扩大，散货船、油轮、集装箱船价格分别降至 16.8%、14.8%、4.2%。散货船价格降幅最大，原因是中国造船厂在该领域市场份额更高，且散货船需求弹性更低。船舶价格下降使全球船东受益（剩余增加 2900 亿元），但中国船东获益有限——其拥有的全球船队占比极低。
投资与企业数量
- 图 2 显示补贴对投资的显著刺激作用：2006 年后投资激增，2006-2013 年有补贴时的总投资为 800 亿元，无补贴时仅为 330 亿元。
- 图 3 显示补贴对企业数量的影响：2006-2013 年，有补贴时新增企业 143 家，无补贴时仅 64 家；同时，补贴降低了企业退出率（有补贴时退出 38 家，无补贴时退出 43 家）。
行业碎片化与产能利用率
- 政策加剧了行业碎片化：准入补贴吸引大量小型低效企业进入；生产与投资补贴提高了企业可变利润，使本应退出的低效企业得以存续。
- 中国造船业国内赫芬达尔-赫希曼指数（HHI）从 2004 年的 1200 降至 2013
年的 500 以下，四企业集中度也显著下降（图 D4）。
- 尽管中国造船业总产量大幅增加，但产能利用率始终较低，尤其是 2009 年后需求低迷时期——若未实施补贴，2009-2013 年经济衰退期间中国造船业的产能利用率（以“产量/资本”衡量）将比实际水平高出 19%。
政策工具的长期绩效
本文设计五个反事实场景以评估不同政策工具的效果：（1）全部补贴（与实际政策一致）；（2）仅生产补贴；（3）仅投资补贴；（4）仅准入补贴；（5）无补贴。 假设 2013 年的政策环境延续至模拟期末（2050 年），例如“全部补贴”场景中，准入补贴实施至 2008 年，生产与投资补贴则持续至 2050 年。由于中国国内消费者剩余相对于行业利润较小，下文重点分析行业产出、利润等核心指标。
政策工具效果对比
表 5 报告了中国造船厂长期贴现收入、利润及各类补贴规模，最后两行“收入增量/补贴”与“净利润增量/补贴”为政策效果衡量指标：
- 收入增量/补贴：某政策场景下的收入与无补贴场景收入的差值，除以该政策的补贴总额，反映政策推动行业收入增长的效率（与中国政府文件中明确的产量目标直接相关）；
- 净利润增量/补贴：某政策场景下的净利润（收入+退出清算价值-生产成本-投资成本-准入成本）与无补贴场景净利润的差值，除以补贴总额，即政策的毛回报率（低于 100%意味着补贴成本超过国内行业净收益）。
结果显示：
- 综合补贴效率低下：全部补贴同时实施时，政策毛回报率仅为 18%；
- 单一政策工具差异显著：仅生产补贴的毛回报率为 50%，仅投资补贴为 74%，仅准入补贴为 32%——准入补贴的效率显著低于生产与投资补贴；
- 政策组合的凸性扭曲：多政策叠加的回报率远低于单一政策，原因是准入补贴降低了企业进入门槛（吸引低效企业），而生产与投资补贴进一步扩大了行业企业数量（推高补贴支出），最终导致单位补贴的扭曲效应加剧。
固定成本的影响
- 固定成本是导致政策回报率低的重要因素：企业即使无订单也需承担固定成本（如管理费用、资本维护），
- 而造船业的繁荣-衰退周期使企业频繁面临“暂时亏损但等待未来需求回升”的闲置状态（滞后效应）。
- 若忽略固定成本（设为零），政策毛回报率将从 18%升至 25%，进一步验证了固定成本在政策评估中的重要性。
各类补贴的机制差异
- 生产与投资补贴：若以“推动行业收入”为目标，两类补贴均有效——每 1 元补贴可带动 1.5 元收入增长（与地方官员晋升考核中的产量指标高度相关）。其中，投资补贴的扭曲效应更小（74% vs 50%），原因是投资补贴促进资本积累，支撑行业长期增长，而生产补贴对产出的刺激更具短期性（表 D15）；
准入补贴：效率最低的核心原因是“选择效应”——准入补贴主要吸引小型高成本企业（表 2 显示新进入企业规模小、效率低）。
- 从补贴分配看，82%的生产补贴、68%的投资补贴流向效率高于行业中位数的企业，而准入补贴中仅有 49%流向高效企业（表 D16）。
此外，生产与投资补贴可通过增加未交付订单与资本存量，发挥规模经济效应并降低当期及未来生产成本，这一机制在准入补贴中完全缺失。
观测数据进一步验证了准入补贴的浪费性：与 2005 年前成立的企业相比，2006 年后新进入企业的闲置概率更高（74% vs 56%）、投资概率更低（61% vs 72%），且大量企业在金融危机后退出——2009 年至 2020 年，中国活跃造船厂数量从峰值下降近 50%（图 D5）。
政策设计优化方向
本节从商业周期适配、低效企业筛选、政策期限设定三个维度，提炼可推广至其他行业的产业政策设计原则。
商业周期与产业政策
与许多制造业类似，繁荣-衰退周期是造船业的核心特征。为检验补贴效果是否随周期变化，本文设计两个反事实场景：在政府支出规模相同的情况下，
- （1）仅在 2006-2008 年繁荣期补贴生产与投资；
- （2）仅在 2009-2013 年衰退期补贴生产与投资，
表 6 显示，反周期政策效率显著更高：繁荣期补贴的毛回报率仅为 38%，而衰退期补贴的回报率达 70%。
差异源于两个机制：
- 凸性成本效应：繁荣期行业接近满负荷运转，进一步扩张需动用高成本资源（如加班工资、临时设备租赁），且企业可能过度投资导致高额调整成本；衰退期行业产能大量闲置，补贴可激活未充分利用的设施，扭曲效应更小；
- 企业构成效应：繁荣期补贴吸引低效企业进入（整体效率降低），而衰退期存续的企业多为低成本高效企业——图 4 显示，繁荣期补贴场景下的企业平均边际成本始终高于衰退期补贴场景。
然而，中国实际政策呈现显著的顺周期特征：2006-2008 年发放的补贴占总补贴的 90%，2009-2013 年仅占 10%。这与发展中国家普遍采用顺周期财政政策的文献结论一致（Frankel 等，2014），背后原因包括预算约束与政治考量（Tornell & Lane，1999；Barseghyan 等，2013）。
| 篇名 | 作者 | 发表刊物 | 主要内容 |
|---|---|---|---|
| On Graduation from Fiscal Procyclicality | Frankel 等，2013 | Journal of Development Economics | 工业国倾向反周期或无周期财政政策，发展中国家普遍采用顺周期财政政策，加剧经济波动；近十年约1/3发展中国家摆脱顺周期陷阱，转向反周期财政政策；制度质量是国家能否“转型”的关键决定因素。 |
| Fiscal Policy over the Real Business Cycle: A Positive Theory | Barseghyan 等，2013 | Journal of Economic Theory | 基于政治经济模型，预测财政政策长期反周期（债务衰退期增加、繁荣期减少），短期顺周期（进入繁荣期时债务激增）；预测政府支出繁荣期增加、衰退期减少，税率繁荣期降低、衰退期提高。 |
| The Voracity Effect | Tornell & Lane，1999 | American Economic Review | 提出贪婪效应理论，解释资源丰富国的财政政策顺周期成因：在经济繁荣期，利益集团争夺财政资源，政府难以抵抗支出扩张压力而过度支出；在经济衰退期，利益冲突加剧，财政调整困难，政策顺周期进一步强化；资源丰富国过度借债、公众倾向即时分配资源收入（忽视长期收入平滑）导致经济增长不佳。 |
定向扶持高效企业
为推动产业整合、培育可与国际集团竞争的龙头企业，中国于 2013 年发布《船舶工业行业规范条件》，定期公布“符合行业标准”的“白名单”企业。本文通过反事实评估这类整合政策的效果：
- 最优白名单设计：依据 2013 年企业预期可变利润 \(\mathbb{E}[\pi_{jt}]\) ，筛选 56 家最高效企业组成“最优白名单”，2014-2050 年仅对这些企业发放生产与投资补贴；
- 对比场景：同时模拟“补贴所有企业”与“无补贴”场景。
表 D18 显示，定向补贴高效企业可显著提升政策回报率：最优白名单场景下，生产与投资补贴的毛回报率为 71%，而“补贴所有企业”场景仅为 37%。原因包括：（1）定向补贴不扭曲企业进入决策（仅支持存量高效企业）；（2）高效企业的生产成本更低，减少资源错配；（3）高效企业的投资与生产决策更接近最优，补贴的扭曲效应更小。
然而，中国实际白名单存在 国有企业偏向：政府选择的 56 家企业中 65%为国有企业，而最优白名单中仅 55%为国有企业；且实际名单与最优名单的重合度仅为 55%（56 家企业中仅 31 家进入最优名单）。信息不对称与监管俘获可能导致这一偏差（Lane，2022）。
临时性补贴的优势
前文假设生产与投资补贴为长期的永久性补贴（与中国实际一致，如造船业被纳入“中国制造 2025”），本节进一步检验“临时性补贴”的效果，设计两个场景：
- 临时统一补贴：政府承诺在明确期限 \(T\) 前逐步取消补贴，企业均知晓；
- 临时定向补贴：补贴既临时又定向高效企业，并与“永久性补贴”“无补贴”场景对比（保持政府预算一致，且排除周期因素干扰，采用稳态需求假设）。
表 7 显示：
- 临时性补贴效率更高：永久性补贴的毛回报率为 47%，临时统一补贴升至 55%，临时定向补贴达 75%；
- 核心机制：
- 选择效应：永久性补贴吸引低效企业进入、阻碍低效企业退出，导致行业碎片化；临时性补贴可缓解这一问题（企业预期补贴终将取消，低效企业无动力进入或存续）；
- 规模效应：临时性补贴的单位补贴强度更高，可强化船舶生产的规模经济（如更高的未交付订单密度），推动企业效率提升。
图 D6 与图 D7 进一步验证：无论中期还是长期，临时定向补贴场景下的企业平均成本显著低于其他场景。
此外，本文还检验了临时政策的最优期限（表 E19），发现回报率并非随期限缩短单调上升——过短的政策难以实现资本积累（受投资凸性成本限制），最优期限为 3-5 年，而中国实际造船业政策持续超过 10 年（尽管期间有调整）。
国际经验的对比与启示
本文结果为各国产业政策效果差异提供了机制解释：东亚国家（如韩国）的产业政策常被认为成功，核心原因是政策支持与企业绩效挂钩（低效企业会失去补贴）；而拉美国家的进口替代政策效果不佳且在 20 世纪 80 年代终止，原因是缺乏淘汰低效企业的机制（Rodrik，2009）。中国造船业的案例呈现类似规律：政策早期（依赖准入补贴、推动低效企业进入）的回报率低，后期（转向绩效导向的“白名单”、支持高效企业）回报率显著提升。
核心启示在于：产业政策的有效性依赖对企业异质性与商业周期的适配。
- 投资补贴优于准入补贴，本质是前者更多流向高效企业；
- 反周期政策优于顺周期政策，本质是前者可激活闲置资源并间接定向高效企业（衰退期存续的多为高效企业）；
- 此外，整合与定向政策虽能提升效率，但政府精准筛选高效企业的能力面临挑战（如中国白名单的国企偏向）。
产业政策的合理性依据
本节评估支持产业政策的传统理论依据，分析中国造船业政策在多大程度上实现了这些目标，附录 E 提供更详细的论证与补充分析。
战略性贸易考量
- 在存在市场势力的情况下，补贴可将国外企业利润转移至国内，产生战略性贸易收益（Dixit，1984；Krugman，1986；Eaton & Grossman，1986；Brander，1995）。但这一逻辑成立的前提是行业存在显著市场势力（即“可争夺的租金”足够大）。
- 为检验这一点，本文模拟“企业为价格接受者”的完全竞争场景（消除战略性贸易动机），结果显示：完全竞争下补贴的整体回报率（14%）仅略低于基准场景（18%），差异主要源于生产补贴效率下降（从 50%降至 38%）。
- 结合 5.1 节“行业加成率低（散货船仅 6.39%）”的结论，表明战略性贸易考量无法为中国造船业政策提供合理性支撑。
正外部性：干中学
产业政策的另一依据是正外部性（如行业层面的干中学），此时企业私人最优产量低于社会最优。
但 5.4 节的检验显示，中国造船业不存在显著的干中学效应——边际成本不随企业自身或行业过往产量下降，这与行业现实一致：散货船、油轮的生产技术已成熟，学习空间有限。
尽管中国造船厂在大型集装箱船、液化天然气（LNG）船等高技术船舶领域可能存在“技术追赶”，但这类船舶的订单量极少，无法进行实证检验。
劳动力市场效应
- 产业政策常被认为可通过增加就业或缓解就业扭曲产生福利收益，但造船业及相关行业（船舶修理、海洋装备）的就业人数仅占中国总就业的 0.1%以下，潜在就业收益极为有限。
- 进一步测算显示：每 100 万美元生产补贴每年仅能在造船业创造 12 个岗位、每年在造船业上游行业创造 39 个岗位，结合 2006 年（2099 美元）与 2013 年（7051 美元）中国人均 GDP，造船业补贴并非成本有效的就业创造工具。
上下游产业溢出效应
- 船舶价值中 50%-60%来自其他行业的中间投入，钢材占 25%-30%（Jiang & Strandenes，2012），因此有观点认为造船业补贴可拉动钢铁等战略行业需求。
- 但 2012 年投入产出表数据显示，造船用钢仅占中国钢铁总产量的 1.5%，拉动效应微弱。从下游看，造船业 75%的产出用于最终消费，但 80%以上的船舶用于出口，国内企业难以捕获补贴收益。
成本发现
Hausmann & Rodrik（2003）提出，发展中国家难以知晓自身具有比较优势的产品，企业家需承担“成本发现”成本（Cost Discovery，尝试生产潜在优势产品），而知识溢出导致企业家仅能获得部分社会收益，因此政府需通过准入补贴激励创新。
但附录 E.2 的检验显示，中国造船业的“成本发现”效应不显著：无证据表明企业间存在成本溢出、企业可从竞争对手的过往有利冲击中获益，或某类船舶的生产企业数量增加会降低边际成本。
排挤国外企业以锁定市场份额
另一潜在动机是通过补贴迫使国外企业退出，利用未来进入成本高的特点锁定长期市场份额。
但数据显示，2006-2013 年日本与韩国仅少量造船厂退出，合计仅占全球产量的 1.6%（附录 E.3），由此产生的“额外业务攫取效应”极小——中国全球市场份额从 29%升至 42%的主要原因是新增产能，而非排挤国外存量产能。
非传统依据：降低运费以促进贸易
- 一个可能支撑中国造船业补贴的非传统依据是：全球船队规模扩大可降低运输成本（运费率），而中国作为样本期内全球最大出口国与第二大进口国，运费下降可显著提升贸易规模。
- 本文粗略测算显示（附录 E.4）：2006-2013 年，补贴使散货船运费率下降 6.1%、集装箱船运费率下降 2%；结合文献中的贸易弹性（Brancaccio 等，2020；Jeon，2018），这一政策推动中国年贸易额增加 4.9%（1440 亿美元），远超同期年均 113 亿美元的补贴规模。但贸易规模扩大带来的福利收益需通过一般均衡贸易模型测算，超出本文研究范围。
国家安全与军用船舶生产
- 国家安全与军用船舶生产可能是另一考量，但相关数据稀缺，分析具有局限性（附录 E.5）：中国军用船舶生产集中在 13 家国有大型造船集团（CSSC 与 CSIC）的子公司，这些企业多为“军民两用”（同一厂区生产商用与军用船舶，Erickson，2017）。
- 图 E8 显示，2006-2013 年中国商用与军用船舶交付量均增长数倍，且军用船舶在金融危机后加速增长；两用造船厂的两类船舶产量均显著提升，暗示造船业补贴可能同时惠及军用船舶生产。但由于样本量小且数据准确性难以验证，这一结论仅为初步推测。
无论政策动机，本文对政策设计与工具效率的评估可为未来产业政策提供参考。
结论
产业政策曾被视为“过时”的政策工具，但近年来在欧盟、美国等全球多个地区重新兴起。尽管政策制定者与经济学家对其关注度极高，但利用企业层面数据检验不同政策设计的相对效率及长期福利影响的研究仍较为有限。
本文结合企业层面数据与包含企业进入、退出、生产、投资决策的动态模型，对中国造船业产业政策进行了系统评估。研究发现：
- 补贴显著提升了中国造船业的全球市场份额，推动其成为全球领先者，但同时也加剧了行业碎片化与产能闲置；
- 政策早期回报率低，但随着政府从“普惠补贴”转向“高效企业定向支持”，回报率逐步提升。
核心启示在于：采用反周期政策、定向扶持高效企业、实施临时性干预而非长期补贴，可从福利角度显著提升产业政策的有效性。
最后，在探究政策动机时，本文发现非传统依据（如降低运费以促进贸易）具有一定支撑，且存在补贴惠及军用船舶生产的初步证据。