世界发展银行-Productivity-and-Firm-Exit-during-the-COVID-19-Crisis---Cross-Country-Evidence_49页_1mb

总结：Productivity and Firm Exit during the COVID-19 Crisis: Cross-Country Evidence

核心内容

本研究探讨了新冠疫情对不同国家企业退出市场的影响，重点分析了企业生产力在其中的作用。研究基于31个国家的企业级数据，使用世界银行企业调查（Enterprise Surveys, ES）和新冠疫情后续调查（COV-ES）的数据，评估了企业生产力与永久退出之间的关系，并检验了其他因素如创新、数字化程度、企业年龄和营商环境对退出的影响。

主要观点

• 生产力与企业退出的负相关关系：研究发现，在疫情期间，生产力较低的企业更有可能永久退出市场，这支持了熊彼特（Schumpeter）的“净化”理论，即经济冲击会淘汰低效企业。
• 创新与数字化的重要性：企业如果在疫情前引入了产品创新或具有数字化存在，其退出市场风险较低。这表明，企业在面对市场变化时的适应能力是其生存的关键。
• 企业年龄与退出负相关：企业年龄越长，其退出市场概率越低，这一结果与非危机时期的企业生存研究一致。
• 营商环境的负面影响：繁琐的监管措施与企业退出存在正相关，说明不良的营商环境增加了企业退出的风险。

关键信息

数据来源与样本

• 数据来自31个国家的企业调查（ES）和新冠疫情后续调查（COV-ES）。
• ES数据为2019年或2020年完成的国家代表性调查，涵盖制造业和服务业的企业。
• COV-ES通过电话访谈收集数据，用于追踪企业在疫情期间的运营状态。
• 样本包括25个欧洲和中亚国家、6个中东和北非、东亚和太平洋及撒哈拉以南非洲国家。

企业退出的衡量方式

• 确认退出（Confirmed Exit）：企业被明确联系并声明永久关闭。
• 假设退出（Assumed Exit）：企业无法联系，因此假设其已永久关闭。
• 研究采用假设退出作为主要衡量指标，因其更全面地反映企业退出的实际情况，尽管存在一定的偏误风险。

企业退出率

• 确认退出率：平均为3.5%。
• 假设退出率：平均为8.8%。
• 各国退出率差异显著，例如希腊确认退出率最低（0.02%），而蒙古确认退出率最高（19.70%）。

实证策略

• 基准回归模型为：
  $$
  Exit_{ijk} = \beta_0 + \beta_1 \text{Productivity}{ijk} + \boldsymbol{\beta}2 \text{Firm Controls}{ijk} + S_j + C_k + \epsilon{ijk}
  $$
• 采用逻辑回归模型，以处理极端事件（如企业退出）。
• 使用Huber-White稳健标准误，按地区和行业聚类。
• 为减少偏差，采用滞后变量和丰富的控制变量。

其他影响因素

• 企业规模：小型企业在疫情期间更易退出。
• 行业类型：制造业和服务业企业的退出率存在差异。
• 企业结构：多分支机构和国有企业的退出率较低。
• 政策环境：监管负担越重，企业退出率越高。

结论

本研究为理解新冠疫情对企业退出的影响提供了新的视角，指出企业生产力、创新能力和数字化程度是企业生存的重要决定因素。同时，研究也强调了营商环境对企业退出的显著影响。这些发现有助于政策制定者评估疫情对经济的长期影响，并制定有效的支持政策。

贡献

• 数据丰富性：使用了31个国家的全国代表性企业数据，提供了更全面的跨国家分析。
• 方法创新：采用假设退出作为主要指标，弥补了因无法联系企业而产生的数据缺失问题。
• 理论联系实际：结合熊彼特理论与实际数据，验证了企业在危机中的适应能力和生存策略。

附录内容

• 表2：提供了企业退出的定义标准。
• 表3：展示了各国确认和假设退出率。
• 表4：列出了解释变量和控制变量的详细描述。
• 表5：提供了样本企业的总结统计。
• 表6：分别展示了存活企业和退出企业的统计信息。
• 图1：展示了劳动力生产率的核密度函数，显示了存活与退出企业的分布差异。
• 表7：提供了解释变量和控制变量之间的相关性分析。

字数统计：约990字