引言

继2015年供给侧改革后，2025年7月中央财经委员会再次强调“依法依规治理企业无序竞争，推动落后产能有序退出”，使去产能重回经济工作重点。会议前后，光伏、玻璃、钢铁等行业纷纷宣布减产。在减产的背后，是企业价格战的恶性循环、创新投入的挤出效应。在这一过程中，地方政府行为是否进一步激化了行业内的“内卷”现象？

自2010年国务院发布《关于加快培育和发展战略性新兴产业的决定》以来，各地政府与企业积极响应，纷纷布局并投资重点新兴产业。多数省份出台专项规划，将光伏、新能源等列为重点发展领域。为抢占新兴产业先机，地方政府竞相推出补贴及政府引导基金等政策工具。2025年1月，国务院在《关于促进政府投资基金高质量发展的指导意见》中进一步强调，政府投资基金应聚焦重大战略、重点领域和薄弱环节，吸引社会资本，支持现代化产业体系建设与新质生产力培育。然而，尽管引导基金初衷是解决早期市场失灵、扶持初创企业，但在国有资产保值压力下，实践中却更多投向企业中后期，造成“该扶持时缺位、该退出时加码”的阶段错配，加剧了对扩张期企业的资金潮涌与产能过剩。引导基金的盲目投入也向社会资本释放过热信号，进一步强化了部分产业的“潮涌现象”与产能利用率下降。

基于以上背景本文展开研究，以2010-2024年A股上市企业为研究对象，探究政府引导基金对于企业产能利用率的影响效应。本文的研究贡献主要体现在以下三个方面：首先，从微观层面系统收集并分析了A股上市公司及政府引导基金数据，针对政府引导基金是否以及如何影响企业产能利用率这一尚属空白的研究领域，提供了新的经验证据。其次，深入探讨了政府引导基金通过影响过度投资和缓解融资约束两种机制作用于企业产能利用率的具体路径，丰富了对其作用机制的理解。最后，从企业不同生命周期视角分析了政府引导基金的投资偏好，为提出更具针对性的政策建议提供了实证依据。

文献回顾与理论假说

（一）政府引导基金相关研究

政府引导基金作为政府与市场资本结合的重要金融工具，其在推动产业升级、支持创新活动和促进区域经济增长方面被赋予重要职责。现有研究主要围绕政府引导基金的经济效应展开，可概括为引导效应、创新促进效应与经济增长效应三个方面。在引导效应方面，政府引导基金凭借政府信用背书，可显著缓解企业与投资机构之间的信息不对称，以及资金靶向作用引导社会资金的投向，通过融资效应、信息效应以及竞争效应等潜在渠道发挥其引导效应。

但与民营风险投资相比，国有风险投资更倾向于投资低风险项目，表现出对非高科技行业、成熟企业、晚期阶段或位于同一省份企业的明显偏好。这一投资行为可归因于国有风险投资机构专业性相对不足与风险规避倾向较强的特征。政府引导基金同样存在低风险偏好性的倾向，例如Wang以杭州政府引导基金为例进行经验调查发现许多政府引导基金都存在的避险投资，即不愿意进入早期企业，而是更加倾向于即将上市的企业。由于其规避风险的投资特征，引导基金往往未在企业早期阶段介入，从而导致实践中出现“投资期限错配”问题，进一步加剧了政策目标与实际执行效果之间的偏差。

（二）企业产能过剩相关研究

在通过培育新质生产力以破解传统产业产能过剩问题的过程中，推动发展战略性新兴产业同样面临过度投资与产能过剩的风险。这一现象可部分归因于，当国民经济中某一产业呈现明确的兴旺前景并形成广泛社会共识时，大量社会资本可能在短期内集中涌入该行业，从而引发“潮涌现象”。该现象不仅可能导致资源配置的扭曲，还会加剧行业内的无序竞争与结构性过剩，进而对新兴产业的健康可持续发展造成不利影响。

具体而言，“潮涌现象”主要源于信息不对称与政策信号被过度放大。政府引导基金作为一种具有长期投资特征的“耐心资本”，其在资源配置与政策响应方面具备一定优势。有研究指出，在尚未出现产能过剩的行业中，此类资本能够有效支持技术创新与产业培育，增强行业韧性与竞争力；然而，在已出现产能过剩的领域，政府引导基金若仍持续注入，可能因非市场化的资源配置机制引发“固化效应”，反而延缓低效产能出清，加剧结构性过剩问题。

（三）政府引导基金与企业产能过剩

因此，当政府引导基金投资某一企业时，会向市场传递出该企业或行业受到政策支持的认证信号。在产业前景预期明确、社会共识高度一致的背景下，此类信号极易引发社会资本集中涌入特定行业，产生所谓的“潮涌现象”。资本的大量集聚并非基于市场需求的有效甄别，最终导致行业产能过剩。基于上述机制，本文提出假说1。

H1: 政府引导基金介入会显著加剧企业产能过剩。

当存在政府干预时，企业的投资和经营行为将相应发生改变。政府引导基金作为政策驱动型资本，为企业提供长期稳定资金，但也可能弱化其市场约束与成本敏感度，助长企业对补贴的依赖，使其忽视市场需求与竞争压力，诱发过度投资和盲目扩产，最终加剧产能过剩。此外，政府引导基金通过提供长期低成本资金，有效缓解企业融资约束，提升其内外部融资能力。具体而言，政府信用背书降低了银企信息不对称，使企业更易获得信贷；同时，基金的参股或直接投资释放积极信号，吸引更多社会资本进入，拓宽企业股权融资渠道。然而，在缺乏有效制衡的情况下，融资约束的缓解也可能诱发企业非效率投资。此外，基于此，提出本文假说2和3。

H2: 政府引导基金介入会通过增加企业过度投资加剧企业产能过剩。

H3: 政府引导基金介入会通过缓解企业融资约束加剧企业产能过剩。

二、研究设计

（一）样本选择与数据来源

在样本选择上，本文的研究样本为2010-2024年A股上市公司。其中受到政府引导基金支持的企业为处理组，未受到政府引导基金支持的企业为对照组。政府引导基金数据和后续考虑的社会资本的数据均来自于清科私募通数据库，并进行了手工整理，其他企业的数据均来自于CSMAR数据库。并且并对本文的研究样本进行了以下处理:（1）删除了被ST和*ST等财务状况异常的公司；（2）删除了金融和保险业的公司；（3）删除了关键财务指标缺失的样本数据。经过处理之后得到有效样本数据47833条。此外，为了消除异常值对本文研究结果的影响，本文对关键的连续性变量进行了1%和99%的缩尾处理。数据处理软件为stata18。

（二）变量定义

1. 被解释变量

产能利用率（CU）。本文参考曲玥的研究，使用随机前沿生产函数法来估算企业的产能利用率。同时参考李雪松的研究采用公司主营业务收入、总资产以及企业人数来构建随机前沿生产面，然后根据随机前沿生产函数来计算产能利用率。根据以往研究基础，采用柯布—道格拉斯生产函数来构建，如下式（1）所示。

其中，为企业i在t期时的主营业务收入，代表企业在该时期的实际产出，为企业i在t期时的总资产水平，代表企业在该时期的资产投入，为企业i在t期时的职工人数，代表企业在该时期的劳动投入。是随机误差项，是无效率项。而根据生产函数估计出的无效率项反应出企业对于生产前沿的偏离程度，而定义的则代表了企业i在t时间的技术效率，本文衡量所的企业产能利用率就是企业的技术效率，如下式（2）和式（3）所示:

2.解释变量

政府引导基金支持（SF）。本文定义政府引导基金变量SF为虚拟变量，当企业在研究样本年限间获得政府引导基金支持则SF取1，若没有获得政府引导基金支持则SF取0。

3. 控制变量

文本参考何文彬和宫铭烜、吴秋生和黄贤环的研究，选取了公司年龄（Age）、有形资产占比（Tangible）、资产负债率（Lev）、现金流状况（CF）、托宾Q值（TonbinQ）、股权集中度（TOP）、两职合一（Dual）作为本文的控制变量。

（三）模型构建

为了探究政府引导基金的介入是否会引起企业的产能过剩现象，本文构建以下回归模型，若基准回归结果的系数显著为负，则代表政府引导基金的介入会显著降低企业的产能利用率，进而验证假说1。

其中，代表企业i在t时间的的产能利用率，代表是否获得政府引导基金支持，为一系列的控制变量；、为年份和行业虚拟变量，用于控制年份和行业固定效应。

三、实证分析

（一）统计性分析

为验证政府引导基金能否通过信号效应吸引社会资本跟进投资，本文首先对样本期内相关投资事件进行了统计分析。结果显示（见表1-3），统计数据显示，政府引导基金与社会资本均高度集中于企业中后期（扩张期与成熟期合计占比超85%），其中引导基金对成熟期企业的投资占比达68.3%，而对早期（种子期/初创期）投资不足5%。在1098家同时获得两类资本投资的样本企业中，仅0.96%为引导基金先于社会资本进入，66.58%为社会资本先行进入。进一步分析发现，尽管引导基金多在社会资本之后介入，仍有66%的企业在引导基金进入后获得社会资本跟投，平均跟投轮次达31轮；其中21%的企业在6个月内即获跟投，平均跟投12.5轮。这表明引导基金虽在早期参与有限，但通过政策认证效应仍能有效吸引社会资本聚集，尤其对中后期企业的带动作用显著，为研究其在企业产能形成中的潜在影响提供了现实依据。

投资阶段	政府引导基金		社会资本投资（VC/PE）
	样本数	占比（%）	样本数	占比（%）
种子期	26	2.36	280	6.9
初创期	26	2.36	216	5.3
扩张期	297	26.98	1246	30.6
成熟期	752	68.3	2336	57.2
总计	1101	100	4078	100

	样本数量（个）	样本占比（%）
政府引导基金先于社会资本	7	0.96
同一天	360	32.79
政府引导基金晚于社会资本	731	66.58
总计	1098	100

	样本数量（个）	样本占比（%）	跟投平均轮次（轮）
有社会资本跟投	725	66	31
社会资本6个月内跟投	231	21	12.5

（二）主要变量描述性统计

表4的描述性统计显示，产能利用率（CU）均值为0.692，最大值为0.862，最小值为0.416，表明样本企业整体存在一定产能过剩，利用率尚有提升空间，且企业间差异明显。自变量政府引导基金支持变量的均值为0.0355，即3.55%的企业获得支持，比例虽小，但其政策撬动和信号作用可能对行业产能产生显著影响。控制变量中，股权集中度（TOP）差异较大（标准差14.85），企业年龄也存在一定差异（标准差6.578）。其余控制变量分布合理，为后续回归分析提供了可靠基础。

变量	样本数	平均值	标准差	最小值	最大值
CU	47833	0.692	0.0824	0.416	0.862
SF	47833	0.0355	0.185	0	1
age	47833	19.39	6.578	1	70
Lev	47833	0.416	0.211	0.0507	0.937
Tangible	47833	0.932	0.0814	0.550	1.000
TonbinQ	47833	2.001	1.276	0.836	8.466
CF	47833	0.0464	0.0688	-0.165	0.240
TOP	47833	33.84	14.85	8.376	74.30
Dual	47833	0.302	0.459	0	1

（三）基准回归

为验证本文假说H1，利用上文所构建的模型进行基础回归分析，下表5展示了回归结果。回归结果（1）（2）（3）分别代表没有控制变量和固定效应、有控制变量但是没有固定效应、同时添加控制变量和固定效应的三个回归结果。结果显示，不论是否添加控制变量和固定效应，政府引导基金的介入对于企业产能利用率都有显著的负向影响。并且加入固定效应后，系数绝对值增大，表面行业异质性强化了负向作用。这一结果揭示了政府引导基金的政策实践与理论预期存在悖论:以优化资源配置为初衷的干预，反而成为抑制企业产能效率的制度性因素。

	(1) CU	(2) CU	(3) CU
SF	-0.00911*** (-4.47)	-0.00899*** (-4.53)	-0.00960** (-2.74)
Controls	NO	YES	YES
年份效应	NO	NO	YES
行业效应	NO	NO	YES
_cons	0.692*** (1803.14)	0.530*** (116.36)	0.498*** (21.29)
N	47833

（四）内生性处理——倾向得分匹配（PSM）

为缓解政府引导基金支持企业与未支持企业之间存在的固有差异（即内生性问题）对估计结果的影响，本文采用倾向得分匹配法（PSM）构建了更为平衡的处理组和对照组。将匹配后的样本数据带入到模型当中进行回归，探究政府引导基金的介入在排除内生性问题之后对企业产能利用率的影响净效应，PSM匹配后的回归结果如下表所示。回归结果显示，在匹配之后政府引导基金（SF）的系数且均在1%的水平下显著为负，表明政府引导基金的介入会显著降低企业的产能利用率，与前文的基准回归结果保持一致，这也进一步验证了研究假说的稳健性。

	(1) CU	(2) CU	(3) CU
SF	-0.00787*** (-3.37)	-0.00748*** (-3.29)	-0.00837*** (-3.76)
Controls	NO	YES	YES
年份效应	NO	NO	YES
行业效应	NO	NO	YES
_cons	0.691*** (574.60)	0.542*** (47.48)	0.532*** (10.10)
N	6414

（五）其他稳健性检验

为了进一步检验研究结果的稳健性，本文采用如下集中稳健性检验方法进行回归，结果如表7所示。首先，参考何文彬等人的研究控制省份固定效应，回归结果如表（1）列所示，政府引导基金（SF）的系数依旧在1%的水平下显著为负。表明无论是否控制地区差异，基金介入对产能利用率的抑制效应均稳健成立；其次，参考修宗峰和黄健柏的研究替换被解释变量，将被解释变量的衡量指标替换为固定资产收入比PPErev，该指标越高, 表示企业产能利用效率较低、产能过剩程度越大。回归结果显示SF的系数在1%的水平下显著为正，表示政府引导基金的介入会显著增加企业的固定资产收入比，与前文假说一致；第三，替换以及增加控制变量，将公司年龄（Age）替换为上市年龄（IPOage），并增加营业收入增长率为控制变量，其他控制变量保持不变。回归结果如表（3）列所示，SF的系数依旧在5%的水平下显著为负；最后，为准确鉴别该滞后效应是否会对企业产能利用率产生持续且显著的净效应，将核心解释变量（政府引导基金参与）滞后一期（L.）与两期（L2.）纳入计量模型。回归结果如表（4）（5）列所示，都在5%的水平下显著为负，表面政府引导基金的介入对企业产能利用率的影响不仅在当期存在负向效应，在介入后一期和介入后两期都持续的存在着影响。此外还进行了安慰剂检验，并且结果与前文结论一致。

	(1) CU	(2) PPErev	(3) CU	(4) CU	(5) CU
SF	-0.00917*** (-4.62)	0.0727*** (4.66)	-0.0101** (-2.87)
SF_lag1				-0.0105** (-2.80)
SF_lag2					-0.0121** (-2.82)
Controls	YES	YES	YES	YES	YES
年份效应	YES	YES	YES	YES	YES
行业效应	NO	YES	YES	YES	YES
省份效应	YES	NO	NO	NO	NO
_cons	0.506*** (70.94)	0.581*** (11.64)	0.481*** (20.40)	0.515*** (21.28)	0.542*** (27.19)
N	47812	47812	47812	42027	36948

（六）影响机制分析

1.过度投资

本文采用 Richardson（2006）提出的预期投资模型对企业过度投资水平进行测度。该模型通过估计企业理想状态下的资本投资水平，并将实际投资额与该理想水平的差值作为过度投资的衡量指标。同时，本文参考潘越等人的研究构建如下估计模型（5）:

其中，新增投资（）的计算为资本性支出、并购支出、研发支出三项之和减去资产清理收益、重置投资两项之和除以期初总资产。其他变量含义如下:为企业前一期的营业收入增长率；为企业前一期的现金资产；为企业前一期的年龄；为企业前一期的规模，使用上一期总资产加1取对数来衡量；为企业前一期的年股票回报率；为企业前一期的新增投资；其次，和为年份和行业的虚拟变量。

对模型5进行回归，取残差值作为衡量企业过度投资的变量。若残差值，则认为企业存在过度投资，此时过度投资变量取值为；若残差值，则取值为0。在构建了过度投资变量之后，为了验证中介机制假设，采用温忠麟等人（2004）提出的中介效应检验方法，构建了如下式（6）和式（7）的中介机制模型，以分析过度投资作为中介变量在政府引导基金投资与企业产能利用率之间的中介作用。

如下表8为中介机制检验结果，其中第（1）列为基础回归模型的回归结果。第（2）列的结果揭示出政府引导基金对过度投资的正向影响，SF的系数为0.00561，且在5%的水平上显著为正，说明政府引导基金的介入显著促进了企业的过度投资行为。进一步地，表中列（3）的检验结果指出，企业的过度投资行为对产能利用率的影响在5%的水平上显著为负，即表明企业的过度投资会显著降低产能。同时Sobel中介效应检验的Z统计量在1%的水平上显著，这证实了过度投资在政府引导基金和企业产能利用率之间的中介效应。

	(1) CU	(2) OverInv	(3) CU
SF	-0.00960** (-2.74)	0.00561** (3.02)	-0.0115** (-3.26)
OverInv			-0.0785*** (-7.24)
_cons	0.498*** (21.29)	0.0993*** (5.51)	0.527*** (20.15)
Sober Z	-3.959***
N	47833	35783	35783

2. 融资约束

本研究选取SA指标作为中介变量融资约束的衡量指标，同时与前文类似，采用温忠麟等人（2004）的研究构建中介机制模型（8）和（9），以探究融资约束作为中介变量时的中介效应：

回归结果如表10所示。第（1）列为SF对CU的直接影响。第（2）列显示，SF对SA的影响系数为0.0412，在1%水平上显著，说明 SF 显著提高了企业的融资约束。第（3）列在加入中介变量SA后，SF对CU的系数仍显著为负（-0.00967），而SA对CU的系数也为负（-0.0190）且显著，表明融资约束SA在SF影响CU的过程中起到了部分中介作用。此外，Sobel 检验统计量为-10.36，在1%水平上显著，进一步验证了中介效应的存在。

	(1) CU	(2) SA	(3) CU
SF	-0.00960** (-2.74)	0.0412*** (4.04)	-0.00967** (-2.82)
SA			-0.0190** (-2.90)
_cons	0.498*** (21.29)	-3.224*** (-101.86)	0.441*** (14.14)
Sober	-10.36***
N	47833	46748	46748

（七）异质性分析

1. 市场化程度

当前，我国各地区在市场发育程度及资源禀赋条件方面存在明显差异。为考察市场化水平对政府引导基金加剧产能过剩的调节作用，本研究按地区市场化指数中位数将样本分为高、低两组进行回归。结果显示（表11），在高市场化地区，政府引导基金（SF）的系数为-0.018，在1%水平上显著；而在低市场化地区，系数为-0.004且不显著。组间系数差异检验（chowtest）值为31.11，在1%水平上显著。结果表明，政府引导基金对企业产能利用率的负面影响仅在市场化程度较高的地区显著，在市场化较低地区则不明显。在市场化水平高的地区，金融体系完善、民营资本活跃，市场机制能迅速将资源导入基金支持领域，但也容易放大基金的“政策信号”与“资源效应”，导致资本、人才与技术过度集中于特定行业，加速产能过剩。而在市场化较低地区，尽管制度环境薄弱可能缓冲部分负面效果，却也制约了政策目标的有效实现。

2.产权性质

不同所有制企业在资源获取、市场行为与管理模式上具有系统性差异，其治理结构与经营目标也不同，这可能导致其在产能利用效率上对政府引导基金（SF）的支持作出不同反应。为此，本文基于产权性质进行分组回归，结果如表12所示。列（3）为国有企业样本，SF系数为-0.006，不显著；列（4）为非国有企业样本，SF系数为-0.010，在5%水平上显著为负。组间系数差异Chow检验值为51.26，在1%水平上显著。结果表明，政府引导基金显著降低了非国有企业的产能利用率，加剧其产能过剩，但对国有企业影响不显著。在非国有企业中，引导基金的“政策信号效应”突出，民企为抢占政策红利而过度投资，加之融资约束缓解促使原受限项目上马，导致产能扩张超出需求。而国企已享有多种政策支持，引导基金的边际效应有限，且其产能决策本就受多重目标影响，故基金介入难以产生显著效果。

	(1) 高市场化组	(2)低市场化组	(3) 国有企业	(4) 非国有企业
SF	-0.018*** (0.004)	-0.004 (0.005)	-0.006 (0.006)	-0.010** (0.004)
组间差异分析（chowtest）	31.11***		51.26***
_cons	0.438*** (0.020)	0.535*** (0.026)	0.408*** (0.042)	0.513*** (0.026)
N	22014	25819	15751	31022

四、结论与建议

本研究基于2010-2024年A股上市公司数据，发现在企业发展中后期阶段进入的政府引导基金，会显著降低其产能利用率，加剧了部分行业产能过剩。该效应主要通过“过度投资”和“缓解融资约束”两条路径传导，且在市场化程度较高地区的企业及非国有企业中更为明显。原因在于高市场化地区政策响应更灵敏，而非国企融资约束更强、更易依赖政策扩大规模，但投资效率并未同步提升。上述结论在经PSM处理内生性及多项稳健性检验后依然成立。据此提出以下建议。

首先，政策制定者在扩大和丰富政府引导基金的过程中，要明确其作用对象的不同特征，建立多维度的项目筛选机制，不仅关注战略符合度，更应强化对行业产能现状、市场需求潜力与技术前沿水平的尽职调查，从源头上避免重复建设与低水平扩张。同时，在资金投放过程中，需要限制对产能已明显饱和行业的增量投资，并将资金更多引导至产业链薄弱环节、关键技术突破以及绿色低碳转型等领域，切实服务于国家产业安全与现代化产业体系建设。

从企业角度来看，企业需建立科学的投资决策流程与内部监督机制，审慎评估新项目所处的市场环境、竞争格局与长期盈利能力，避免因过度依赖外部资源而放松对投资效率的内在要求。尤其是非国有企业，在响应政策、运用政府基金拓展发展空间的同时，应避免将政策信号视为盲目扩张的单一依据，而应强化自身战略定力与独立判断能力。此外，企业应更加注重创新能力与全要素生产率的提升，将外部资金支持转化为技术升级、人才引进与管理优化的实质性投入，逐步从规模扩张转向质量提升，在不断变化的市场环境中形成可持续的竞争优势。

综上所述，政府引导基金作为一项重要的产业政策工具，其效果不仅取决于政策初衷，更依赖于投资企业的可发展性与市场环境的契合度。未来的发展过程中应该更加注重其投向结构的优化与投资效率的提升。同时，企业也需在借助政策支持的同时，注重自身稳健发展，共同促进实体经济的高质量发展。

参考文献：

1. [1] 蔡庆丰，刘昊，舒少文.政府产业引导基金与域内企业创新:引导效应还是挤出效应?[J].金融研究，2024（03）:75-93.
2. [2] 陈蓉.政府引导基金的经济效应及影响路径研究[D].上海财经大学，2022.
3. [3] 丛菲菲，李曜，谷文臣.国有创投资本对民营资本的引导效应研究[J].财贸经济，2019，40（10）:95-110.
4. [4] 范晓敏，陈伟宏，游家兴.国有风险投资的投资偏好及其政策效果[J].经济管理，2021，43（01）:35-53.
5. [5] 方丹，陆巧雯，陈彬，等.补贴退坡政策与战略性新兴产业产能过剩——来自光伏上市公司的证据[J/OL].中国管理科学，1-20[2025-09-02].
6. [6] 宫义飞，张可欣，徐荣华，等.政府引导基金发挥了“融资造血”功能吗[J].会计研究，2021（04）:89-102.
7. [7] 国务院发展研究中心《进一步化解产能过剩的政策研究》课题组，赵昌文，许召元，等.当前我国产能过剩的特征、风险及对策研究——基于实地调研及微观数据的分析[J].管理世界，2015（04）:1-10.
8. [8] 何文彬，宫铭烜.耐心资本能缓解产能过剩吗——基于上市公司产能利用率视角[J].当代经济研究，2025（01）:85-100.
9. [9] 李雪松，赵宸宇，聂菁.对外投资与企业异质性产能利用率[J].世界经济，2017，40（05）:73-97.
10. [10] 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，2010，45（10）:4-19.
11. [11] 潘越，汤旭东，宁博，等.连锁股东与企业投资效率:治理协同还是竞争合谋[J].中国工业经济，2020（02）:136-164.
12. [12] 曲玥.中国工业产能利用率——基于企业数据的测算[J].经济与管理评论，2015，31（01）:49-56.
13. [13] 温忠麟，张雷，侯杰泰，等.中介效应检验程序及其应用[J].心理学报，2004（05）:614-620.
14. [14] 吴秋生，黄贤环.财务公司的职能配置与集团成员上市公司融资约束缓解[J].中国工业经济，2017（09）:156-173.
15. [15] 徐明.政府引导基金是否发挥了引导作用——基于投资事件和微观企业匹配数据的检验[J].经济管理，2021，43(08):18.
16. [16] 修宗峰，黄健柏.市场化改革、过度投资与企业产能过剩——基于我国制造业上市公司的经验证据[J].经济管理，2013，35（07）:1-12.
17. [17] 杨敏利，李昕芳，仵永恒.政府创业投资引导基金的引导效应研究[J].科研管理，2014，35（11）:8-16.
18. [18] 余东华，吕逸楠. 政府不当干预与战略性新兴产业产能过剩——以中国光伏产业为例[J].中国工业经济，2015（10）:53-68.
19. [19] 余靖雯，韩秀华，李一可.政府补贴与企业产能过剩[J].产业经济评论，2022（05）:130-153.
20. [20] Wang J，Wang J，Ni H，et al.How government venture capital guiding funds work in financing high-tech start ups in China? A 'strategic exchange' perspective[J].Strategic change，2013，22(7-8).