長三角地區戰略性新興產業全要素生產率及其影響因素研究

申俊喜 楊若霞

(南京師范大學 商學院，江蘇 南京 210046)

長三角地區戰略性新興產業全要素生產率及其影響因素研究

申俊喜 楊若霞

(南京師范大學 商學院，江蘇 南京 210046)

采用DEA-Malmquist指數方法，先測算了2007—2015年間長三角地區戰略性新興產業上市公司全要素生產率及其分解效率；接下來，運用混合面板Tobit模型對其影響因素進行了實證檢驗。研究結果表明：從產業整體來看，長三角地區戰略性新興產業上市公司呈現純技術效率和規模效率雙低的低端化發展趨勢；長三角地區戰略性新興產業的發展存在區域異質性和行業異質性；政府補貼資金使用效率較低、企業員工素質不高、技術設備的使用效率不高都使得長三角地區戰略性新興產業呈現低端化發展的趨勢，而股權集中度適中、成長率較高的企業能更好地促進戰略性新興產業生產率的提升。

長三角地區；戰略性新興產業；全要素生產率；DEA-Malmquist指數；Tobit模型

一、引言及文獻回顧

現今，發展戰略性新興產業已成為全球主要發達國家和新興國家經濟政策所關注的焦點。發展戰略性新興產業，目的在于求得新一輪經濟發展過程中搶占科技制高點，進而獲得全球競爭優勢。因而，發展戰略新興產業意義重大，對中國同樣如此。從中國國內環境來看，傳統的資源優勢和人口紅利優勢逐步消失，部分跨國公司主導的勞動密集型產業逐漸從中國撤離，轉移到越南等勞動力成本更低的發展中國家；而從中國的外部環境來看，中國面臨著發達國家“高端產業回流”和發展中國家“中低端產業分流”的雙層競爭(孟祺，2016)，經濟增長的持續動力不足。傳統的需求管理政策在短期內帶來經濟增長的同時，也產生了投資過度、實體經濟產能過剩等問題，從而使得中國戰略性新興產業表現出附加值低、勞動力素質低、依賴政府補貼等問題，全要素生產率呈現不斷下降的發展趨勢，陷入了“高端產業、低端制造”的怪圈。作為中國經濟發展的引擎，長三角地區產業基礎較好、人力資本豐富，具有發展戰略性新興產業的天然優勢，但是該地區戰略性新興產業的發展仍然滯后于區域經濟發展水平，并存在著產業層次偏低、生產效率不高的問題。在此背景下，研究長三角地區戰略性新興產業全要素生產率的變動趨勢和內在機理，對于提高長三角地區的經濟發展質量、轉變長三角地區經濟發展模式具有重要的理論意義和實踐意義。

目前，在對戰略性新興產業的研究中，王其中(2013)認為，中國戰略性新興產業發展存在“高端產業、低端制造”的現象，戰略性新興產業的高技術、高附加值特征并不明顯。李琪(2013)認為，中國戰略性新興產業存在著同質化、產能過剩、自主創新能力差、處于全球產業鏈的中低端等問題。胡漢輝等(2014)認為，發展戰略性新興產業本身具有極大的風險和不確定性，由于全球價值鏈的低端環節鎖定、企業的盲目創新和地方政府之間的惡性競爭，可能會面臨戰略性新興產業發展陷阱。呂巖威等(2014)則發現，中國戰略性新興產業技術效率水平較低，并呈現出起伏波動的特征。

現有文獻中，針對長三角地區戰略性新興產業的研究相對較少，薛艷杰(2011)指出，長三角地區戰略性新興產業部分領域同質化水平較高、產業鏈低端化。任保全等(2016)的研究表明，長三角地區戰略性新興產業全要素生產率呈現下滑的低端化發展趨勢。因此，應著眼于從產業鏈、價值鏈、創新鏈、服務鏈和生態鏈這五個方面出發，推動戰略性新興產業的高端化發展(劉志彪，2012)。

綜上所述，現有對戰略性新興產業的分析主要是從全國范圍和某個具體行業展開的，少部分文獻從長三角地區區域異質性和行業異質性的角度研究戰略性新興產業的全要素生產率；關于長三角地區戰略性新興產業的研究大多以案例分析和規范分析等描述性分析為主，在一定程度上會影響研究結果的客觀性。因此，本文的創新之處主要有兩點：其一，以長三角地區戰略性新興產業作為研究對象，從產業整體、分地區、分產業視角進行全要素生產率的分析，并兼顧了區域異質性和行業異質性；其二，與以往研究多是采用行業數據不同，本文從微觀經濟主體視角出發，選取長三角地區戰略性新興產業上市公司的面板數據進行定量化的測度，從而使研究結論更為準確。

二、研究方法

(一)DEA-Malmquist指數模型

研究戰略性新興產業的全要素生產率，本文采用非參數DEA-Malmquist指數方法，具體原因在于：一是DEA方法無須設定生產函數的具體形式，這是由于提出發展中國戰略性新興產業理念的時間尚短，并且七大產業各有特點，很難建立適合每個產業的生產函數，采用DEA方法可以有效避免函數形式設定偏誤所導致的誤差；二是運用DEA方法在建立模型前無須對數據進行無量綱化處理；三是本文擬從時間變化的角度分析戰略性新興產業全要素生產率的動態演變趨勢，這就要求在不同年份全要素生產率具有可比性；四是DEA-Malmquist指數方法能夠對全要素生產率進行分解，進而可以深入挖掘全要素生產率變化的內在機理和背后原因。因此，本文采用DEA-Malmquist指數方法，對長三角地區戰略性新興產業的全要素生產率進行動態測評是合適的。

接下來，構建DEA-Malmquist生產率指數表達式，具體公式如下：

(1)

式(1)可以進一步分解為技術效率(EFFCH)和技術進步率(TECHCH)，以分別反映企業各種投入資源配置水平的變化程度和技術創新水平的變化程度。而技術效率(EFFCH)還可以分解為純技術效率(PECH)和規模效率(SECH)。因此可得：

TFPCH=EFFCH×TECHCH=PECH×SECH×TECHCH

(2)

(二)Tobit模型

在對長三角地區戰略性新興產業全要素生產率及其分解效率進行測算之后，還須進一步分析影響全要素生產率變動的各種因素。具體步驟是：將上一階段DEA-Malmquist指數方法測算出來的各項效率值作為被解釋變量，并將各種影響因素作為解釋變量進行回歸，從而可以判斷各種影響因素的作用方向和強度。由于DEA-Malmquist指數方法測度的效率值始終大于0，屬于截斷的離散分布數據，假如采用OLS對模型直接進行回歸就會導致所得到的參數估計有偏且不一致，而采用Tobit 模型能夠解決受限或截斷因變量的模型構建問題。因此本文在第四部分采用基于極大似然估計方法的Tobit模型。其基本結構如下：

Y*i=βTXi+εi

(3)

(4)

其中：Y*i為潛變量；Yi為被解釋變量；Xi為解釋變量；βT為回歸參數向量；εi為殘差項且服從于正態分布N(0，σ2)；i=1，2，……，n。

該模型的特點是：Xi為實際觀測值，Yi只能在一定條件下被觀測到，當Y*i>0時，Yi取實際觀測值，Yi為無限制觀測值；當Y*i≤0時，Yi取0，Yi為受限制觀測值。

三、長三角地區戰略性新興產業全要素生產率的動態變化分析

這一部分利用投入角度的DEA-Malmquist指數方法和Deap2.1軟件，分別從產業整體、分地區、分產業等方面視角出發，對長三角地區戰略性新興產業的全要素生產率及其分解效率進行定量測評?；跀祿目傻眯?，選取2007—2015年長三角地區滬深兩市A股113家*其中，分省區看，安徽省14家企業，江蘇省29家企業，浙江省38家企業，上海市32家企業；分行業看，節能環保產業11家企業，新一代信息技術產業34家企業，生物產業23家企業，高端裝備制造業10家企業，新能源產業8家企業，新材料產業19家企業，新能源汽車產業8家企業。戰略性新興產業上市公司作為研究對象，具體數據來源于國泰安數據庫和巨潮資訊網公布的上市公司年報。在指標選擇方面，借鑒袁禮等(2014)的處理方式，選擇支付給職工以及為職工支付的現金作為勞動要素的投入指標，之所以這樣做，是由于：勞動力投入的貨幣化指標比勞動力數量更為直接和有效；同時選擇固定資產作為資本要素的投入指標、主營業務收入作為產出指標，以此進行全要素生產率的動態變化分析。

(一)產業整體視角

從產業整體來看，由表1可知：2008—2015年，長三角地區戰略性新興產業平均全要素生產率的變動為0.971，年均增長率為-2.9%。將全要素生產率進行分解后可知，技術效率變動的平均值為0.933，年均增長率為-6.7%；技術進步率的平均值為1.040，年均增長率為4%，這表明全要素生產率的下滑趨勢源于技術效率水平的降低。將技術效率做進一步分解可知，純技術效率和規模效率均呈現下降趨勢，純技術效率變動的平均值為0.972，年均下降2.8%；規模效率變動的平均值為0.960，年均下降4%，由此可見，技術效率的下降源于純技術效率和規模效率的雙降態勢。因此，長三角地區戰略性新興產業全要素生產率下降的低端化發展趨勢源自資源配置水平的降低，也就是：企業規模較小、管理水平較低、資源利用率不高、發展方式粗放等成為生產率提升的主要瓶頸。

為了對政策頒布前后長三角地區戰略性新興產業的發展情況做一個對比分析，本文將研究時段內全要素生產率及其分解效率的測度結果分為如下四個階段：2008—2009年*由于2009年下半年中央政府才提出發展戰略性新興產業，考慮到時間尚短，政策效果不明顯，因此將其列為政策實施前的階段。為政策實施前；2010—2011年為政策實施初期；2012—2013年為政策實施后1期；2014—2015年為政策實施后2期。

由表1可知：發展戰略性新興產業的政策實施初期，全要素生產率由政策實施前的0.938增長到1.047，增長了10.9%，說明短期內政策實施效果較好，2010年《國務院關于加快培育和發展戰略性新興產業的決定》的出臺有力地促進了戰略性新興產業生產率的提升。然而從長期來看，政策實施后1期TFPCH年均下降4.8%，政策實施后2期TFPCH年均下降5%，呈現逐步下滑的趨勢。從各項分解效率來看，技術效率的變動下降趨勢尤為明顯。政策實施前EFFCH為1.086，年均增長8.6%，政策實施初期、政策實施后1期、政策實施后2期年均下降分別為15.8%、9.2%、8.7%，說明相對于政策實施前，長三角地區戰略性新興產業生產要素的利用效率出現大幅降低。再來看技術進步率的變化，雖然政策實施初期、政策實施后1期、政策實施后2期TECHCH均大于1，呈現出增長的態勢，尤其是政策實施初期年均增長高達24.4%，但是政策實施后1期、政策實施后2期年均增長率分別為4.7%、4.1%，增長幅度均遠遠低于政策實施初期，且呈現下降趨勢。說明短期內政策效果明顯，但是長期內政策的技術進步效應逐漸下降，因而應警惕技術創新的動力不足所導致的生產率下滑問題。最后來看純技術效率的變動和規模效率的變動。政策實施前PECH和SECH年均增長6.7%和1.8%，政策實施后PECH和SECH均呈現下降的趨勢，雖然PECH在政策實施后1期、SECH在政策實施后2期大于1，但是增長幅度較小。從以上分析可知，短期來看，戰略性新興產業發展政策出臺之后，技術進步水平的提升幅度超過了資源配置水平的下降幅度，從而促進了全要素生產率的快速上升，政策效果明顯；長期來看，技術進步率增幅逐漸放緩，技術效率低下的劣勢凸顯，戰略性新興產業低端化發展的問題表現得尤為突出。

表1 長三角地區戰略性新興產業全要素生產率及其分解效率

注：各指數以上一年為基期得出，因此從2008年開始測算；政策實施前、政策實施初期、政策實施后1期、政策實施后2期、總體平均的數值分別為2008—2009、2010—2011、2012—2013、2014—2015、2008—2015年各年指標的幾何平均值。

通過以上分析可知，長三角地區戰略性新興產業上市公司雖然在技術創新能力方面有一定的提升，但是從長遠角度來看，技術創新的動力不足，投入的生產要素并沒有得到充分合理的利用，管理水平低下，尚未實現規模經濟效應，這些因素綜合起來從而制約了全要素生產率的增長，因而總體上呈現純技術效率和規模效率雙低的低端化發展趨勢。

(二)分地區視角

分地區來看，由表2可知：對于年平均全要素生產率的變動，四個地區均呈現下降的趨勢，尤其是安徽省下降幅度最大，年均下降5.1%。從各項分解效率來看，除江蘇省技術效率有微小幅度上升外，其余省市均呈下降趨勢，以浙江省最為明顯，年平均下降達7.9%。相反，對于技術進步率而言，浙江省年均增長6.2%，戰略性新興產業發展態勢較為樂觀，而其它省市均有著不同幅度的下降，安徽省降幅最大，年平均下降4.6%。進一步來看，各省市純技術效率的變動均呈現負增長的趨勢。其中，浙江省下降最快，年平均降低4.8%。規模效率的變動方面，安徽省和江蘇省分別以0.1%和0.9%的微小幅度上升，浙江省和上海市分別以3.3%和0.3%的幅度下降。

表2 長三角各地區戰略性新興產業平均全要素生產率及其分解效率

注：各指數為2008—2015年的幾何平均值。

通過以上分析可知：長三角地區“三省一市”戰略性新興產業全要素生產率呈現出生產率下降的低端化發展趨勢，安徽省表現得尤為明顯。安徽省TFPCH的大幅下降源自TECHCH和PECH的下降，而TECHCH的大幅下降是導致生產率下滑的主要原因。其根本原因在于：相比其它省市，安徽省經濟發展水平較為落后，高端人才缺乏，技術創新能力不強。與安徽省相比，浙江省則恰恰相反，TECHCH呈現出上升趨勢，說明其在產品研發、工藝改進等方面技術創新能力較強。其生產率的下滑主要源于PECH和SECH的大幅下降，浙江省在注重技術創新能力提升的同時，也應著重于改進生產方式，提升管理能力，提高投入要素利用程度，全方位促進資源配置效率的改善。對于江蘇省和上海市而言，雖然兩個省區高?？蒲袡C構眾多，具有明顯的科教資源優勢，但技術進步率仍然不高。可能的原因在于：兩省區有些高校、研究所的科研成果游離于戰略性新興產業應用之外，從而忽視了科研成果的經濟價值和社會價值，科技成果的產業化率不高，很難實現科技成果與市場的有效對接。另外，江蘇省和上海市也要注重純技術效率的提升。

(三)分產業視角

分產業來看，根據表3中長三角地區戰略性新興產業平均全要素生產率及其分解效率的變動情況，可以將七大產業分為四種不同的類型。第一類是新能源汽車產業，其全要素生產率的變動呈現上升的趨勢，并且技術進步率也以年均7.8%的速度增長。第二類是節能環保產業和新材料產業，雖然全要素生產率的變動呈現下降的趨勢，但是技術進步率分別以年均5.3%、2.3%的速度增長，其生產率的下滑源于技術效率的降低。從技術效率的分解項來看，這兩類產業呈現出純技術效率和規模效率雙降的態勢。第三類是高端裝備制造業和新能源產業，全要素生產率降低源自技術進步率的大幅降低，而技術效率則呈現上升的趨勢。從技術效率的分解項來看，純技術效率和規模效率也都為正增長。第四類是新一代信息技術產業和生物產業，不論是全要素生產率的變動，還是技術進步率、技術效率的變動均呈現下滑的趨勢，生產率的下降源自技術進步率和技術效率的降低。從技術效率的分解項來看，除了生物產業的規模效率保持基本不變以外，生物產業的純技術效率與新一代信息技術產業的純技術效率和規模效率的變動均小于1。

表3 長三角地區七大戰略性新興產業平均全要素生產率及其分解效率

注：各指數為2008—2015年的幾何平均值。

具體原因在于，對于第一類新能源汽車產業而言，具備一定程度的技術創新能力，一些關鍵技術的采用、核心產品的研發與國外先進水平差距不大，但是新能源汽車產業存在著產業集中度偏低、產品成本較高、市場需求不足等問題，技術效率水平低，尤其是規模效率較低，從而制約了全要素生產率以更快的增長速度上升。對于第二類節能環保產業和新材料產業而言，雖然在技術創新能力方面有所提高，但采用的技術仍以常規技術為主，與發達國家相比仍有較大差距。而其投入資源的配置水平不高、管理經驗不足、企業規模小而分散，這些成為純技術效率和規模效率下降的重要原因。對于第三類高端裝備制造業和新能源產業而言，加工制造能力較強、產業規模較大，發展的瓶頸在于核心技術難以突破。因此，其生產率的下降主要源自技術進步率的降低。對于第四類產業而言，生物產業中生物醫藥、生物農業等產業已初具規模，生命科學領域具有較高的科研水平，技術基礎較好，但是一些生物技術并未完全轉化到規?；a中，科技成果轉化率不高，生物產業技術進步率較低，從而抑制了全要素生產率的提升。而新一代信息技術產業的發展起步較早，其上市公司的數量相比其它產業是最多的，但是大部分企業的經營范圍主要限于傳統的電子制造業，而非技術密集度更高的集成電路、信息技術服務業等行業，企業主要采取產品代工、加工貿易的發展方式，且企業規模不大，這些都導致了新一代信息技術產業生產率的下降。

四、長三角地區戰略性新興產業全要素生產率的影響因素分析

(一)模型的建立

前面已經采用DEA-Malmquist指數方法測算長三角地區戰略性新興產業全要素生產率及其分解效率，接下來將通過Tobit模型和stata12.0軟件對各種影響因素進行實證檢驗。

被解釋變量為本文第三部分測算的全要素生產率的變動及其分解項，即TFPCH、EFFCH、TECHCH、PECH和SECH。核心解釋變量則是政府補貼、勞動力投入、固定資產投入、股權結構和企業成長性五個變量。政府補貼對企業投資流向起著引導作用，對企業進行技術創新、改善經營管理、適度擴張規模有著重要的影響。因此，本文選擇企業營業外收入中的政府補助與營業總收入的比值來衡量政府補貼強度。在勞動力投入方面，由于戰略性新興產業屬于高科技產業，因此不論是加工制造環節的低層次勞動力還是技術設計環節的高素質勞動力，都會通過作用于企業的技術創新能力、管理水平以及規?；a來影響全要素生產率，因此本文參考任保全等(2014)的研究，選擇企業當年在職員工總數代表員工數量*由于長三角地區戰略性新興產業上市公司年報中企業員工的學歷比例構成統計口徑不一致，從而無法從勞動力質量的角度進行直接考察。因此，本文試圖通過勞動力投入數量來間接分析戰略性新興企業的勞動力層次結構。。在資本投入方面，固定資產是企業生產經營活動的物質保證，會影響企業的生產率和技術進步水平。因此，本文選擇企業固定資產凈額與總資產的比值作為固定資產比率的衡量指標。根據委托代理理論，企業內部的股權結構會對企業的決策效率產生影響，進而影響企業的經營績效。因此，本文選擇第一大股東持股比例代表企業的股權集中度水平。企業的成長性越好，企業的競爭力就越強，經營效益就越好，對企業生產率起到促進作用就越強。因此，本文選擇營業收入增長率代表企業的成長性。在控制變量方面，由于凈資產收益率的提高會為企業改善經營管理水平、擴張企業規模提供必要的資金支持，從而體現企業的盈利能力，進而會影響企業的生產率水平，因此，本文將凈資產收益率作為控制變量之一。不同的融資形式在融資成本、風險、收益等方面會有所差異，還會影響企業的研發投入和管理水平，進而對企業的生產率水平產生影響。因此，需要將債權融資比重和股權融資比重作為衡量企業外部融資的指標考慮在內。各變量的具體含義如表4所示。

表4 變量說明

根據各影響因素情況，可以將回歸模型設定為*考慮到既有研究中政府補貼和股權集中度對企業的影響并非簡單的線性關系，本文嘗試通過引入政府補貼和股權集中度的二次項，但是回歸結果并不顯著，并不存在“U”型或者倒“U”型的非線性關系。因此，本文并未引入政府補貼和股權集中度變量的二次項。同時，考慮到逆向因果問題的影響，本文試圖將企業成長性變量的滯后一期進行回歸分析，但是系數的方向為負且不顯著，不符合一般的理論解釋。因此，本文也未用核心解釋變量的滯后一期替換原有解釋變量進行回歸。：

Mit= β0+β1Govit+β2Lit+β3Fixedit+β4Top1it+β5Growthit+

β6Roeit+β7Debtit+β8Equityit+εit

其中，下標i和t分別表示第i個公司和第t年。

(二)樣本的描述性統計和檢驗

由表5可知，員工數量L的標準差較大，可能會影響回歸結果，因此回歸分析之前對其取對數，以保證實證結果的準確性。

表5 各影響因素變量的描述性統計分析

在正式回歸之前，本文對各個影響因素變量進行多重共線性檢驗，結果如表6所示。由表6可知：除Debt與Equity的相關系數為-0.5964外，其他各影響因素相關系數的絕對值均小于0.5，說明各個影響因素變量之間不存在強相關性，樣本不存在多重共線性的問題。

表6 多重共線性檢驗結果

(三)回歸結果分析

之所以采用Tobit模型分析長三角地區戰略性新興產業全要素生產率的變動及其分解項的影響因素，是因為采用的是2008—2015年間的平衡面板數據，因此采用面板Tobit模型。由于沒有充足的數據進行條件最大似然估計，因而無法進行固定效應面板Tobit回歸，如果類似于LSDV法—直接在混合面板Tobit回歸中引入個體虛擬變量，所得固定效應估計量將是有偏的。因此，可以利用發展較為成熟的是混合面板Tobit模型和面板隨機Tobit模型(程廣斌 等，2017)。而選擇混合面板Tobit模型和面板隨機Tobit模型的判斷依據是：如果Likelihood-ratio檢驗所對應的p值小于10%，則認為存在個體效應，應采用面板隨機Tobit模型；如果Likelihood-ratio檢驗所對應的p值大于10%，則選擇混合面板Tobit模型。經檢驗，五個方程中LR檢驗對應的p值均超過了10%，因此選擇混合面板Tobit模型。同時，考慮到Tobit模型中可能存在的異方差問題，本文采用穩健標準差的方法進行處理(陳強，2014)，并在公司層面予以聚類。

由表7可知，五個方程的F檢驗統計量均在5%的統計水平上顯著，而且大部分解釋變量對被解釋變量的影響結果與相關文獻的研究結果相一致，因此模型的解釋能力較強，回歸結果是可靠的。

(1)政府補貼對TFPCH、EFFCH、PECH、SECH均產生負向影響，并且對TFPCH、EFFCH的影響在1%的水平上統計顯著且影響程度較高，對TECHCH產生正向影響但不顯著。這說明政府補貼限制了資源的優化配置、管理能力的提升以及規模經濟效應的實現，并沒有能夠顯著促進技術水平的提高，從而嚴重抑制了全要素生產率的提升。這與前文第三部分產業整體視角的分析中EFFCH、PECH、SECH在政策實施后呈下降趨勢、TECHCH雖呈上升趨勢但增長率卻逐漸下降的結論相一致。可能的原因是政府補貼資金的使用效率并不高。戰略性新興產業企業獲取政府補貼的成本較低，獲得的大部分資金并沒有投入到產品的研發、生產工藝的改進之中，而是被用于低層次重復建設、低附加值產品的生產制造等環節，進而導致企業整體生產率水平的降低。

表7 Tobit回歸結果分析

注：括號內的數值為變量估計系數的t統計值；***、**、*分別表示在1%、5%、10%的統計水平上顯著。

(2)員工數量對TFPCH、EFFCH、PECH在1%或5%的顯著性水平上產生負向影響，對TECHCH在5%的顯著性水平上產生程度較低的正向影響，對SECH產生不顯著的正向影響。這說明勞動力投入對生產率水平的抑制主要源自對純技術效率水平的抑制，而對技術水平的提升起到了較小程度的促進作用，但對生產規模擴張的促進作用并不明顯。這背后的原因可能在于：企業員工的整體素質不高，低層次勞動力的團隊合作能力和自律意識相對較弱，更加需要相應規章制度的約束與引導，因此，低層次勞動力的增多在一定程度上會增加企業管理成本，從而限制企業管理水平的進一步提升以及勞動力資源的合理配置；在技術水平方面，低層次勞動力的增多有利于常規技術的傳播和技術熟練掌握，但對于核心技術的研究開發影響微弱，因此對TECHCH的影響系數較??；與高素質勞動力相比，低層次勞動力對于生產技能的吸收能力相對較差，因此對成本節約與規模經濟效應的影響作用薄弱。

(3)固定資產比率對TFPCH、TECHCH均在1%的顯著性水平上產生負向影響，對EFFCH、PECH、SECH的影響系數分別為：-0.0442、0.0544、0.0618。這些在統計上均不顯著。這說明固定資產比率對戰略性新興產業生產率的提升存在一定程度的抑制效應，而這主要來源于對技術水平的抑制?？赡艿脑蚴牵浩髽I更注重生產制造環節中大型設備的引進和使用，從而忽略了技術設備的使用效率。

(4)第一大股東持股比例對TFPCH、EFFCH、PECH、SECH均產生正向影響，并且對TFPCH、EFFCH、SECH的影響分別在10%、1%、10%的統計水平上顯著。這說明股權集中度越高，股東代理成本越低，企業管理層的決策越容易得到及時、高效地執行，企業的管理效率、規模水平和資源配置能力越高，經營績效越好。而第一大股東持股比例與TECHCH呈顯著負相關，顯著水平達10%?？赡艿脑蛟谟冢浩髽I在集中決策的過程中更傾向于規模的擴張而非創新能力提升，而通過低端生產環節獲取短期收益，這并不利于技術水平的提高。

(5)企業的成長性與TFPCH、EFFCH、TECHCH、PECH、SECH均呈正相關，并且對TFPCH、EFFCH、TECHCH的正向影響在1%的統計水平上顯著，對SECH的正向影響在5%的統計水平上顯著。原因在于：成長率高的企業，在人才、信息、技術、管理經驗等方面資源較為充足，更容易獲得規模經濟、資源整合能力和技術水平方面的優勢，從而有效提升企業經營績效，使得企業擁有更多的資金投入到管理、研發等環節，形成生產率不斷提高的良性循環。

(6)控制變量方面，凈資產收益率對生產率的促進作用主要源自對技術效率水平的促進，而對技術進步率反而起到抑制作用。說明隨著凈資產收益率的提升，企業將把更多資金投入到易于見效的規模擴張領域(與SECH呈正相關)，而對研發創新的投入不足。債權融資比重與股權融資比重會對TFPCH的促進作用主要受技術效率的影響，而債權融資比重對TECHCH產生負向影響，股權融資比重對TECHCH的正向促進作用并不明顯。原因在于：戰略性新興產業企業技術創新的重要來源之一是銀行貸款，但是銀行在貸款時限制條件較為嚴格，無疑會增加戰略性新興產業企業的還款壓力和融資成本，進而影響創新活動的積極性，在一定程度上阻礙了研發投入。而中國上市公司普遍存在治理結構不健全的問題，使得企業股本資金使用效率低下，從而導致戰略性新興產業企業對技術革新的投入不足。

五、結論和對策建議

(一)研究結論

本文采用DEA-Malmquist指數方法，對2007—2015年長三角地區戰略性新興產業上市公司全要素生產率的變動及其分解項進行了分析，并利用混合面板Tobit模型對各影響因素進行了實證檢驗，得到以下幾點結論：(1)從產業整體來看，長三角地區戰略性新興產業上市公司呈現純技術效率和規模效率雙低的發展趨勢。(2)長三角地區戰略性新興產業的發展存在區域異質性和行業異質性。從地區來看，安徽省技術水平較低，產業發展的低端化現象表現得最為明顯；浙江省技術水平有所進步，但技術效率水平不高；江蘇省技術進步率和純技術效率都不高，從而制約了生產率的提升；上海市全要素生產率及其分解效率均呈下降趨勢。從產業來看，新能源汽車產業、節能環保產業、新材料產業技術水平均有所上升，技術效率偏低成為制約其生產率提高的重要原因；高端裝備制造業、新能源產業的關鍵問題在于核心技術的突破，生物產業、新一代信息技術產業則呈現“低技術效率、低技術進步率”雙低的發展趨勢。(3)從影響因素來看，政府補貼資金使用效率較低、企業員工素質不高、技術設備的使用效率不高，使得長三角地區戰略性新興產業呈現低端化發展的趨勢；而股權集中度適中、成長率較高的企業能更好地促進生產率的提升。此外，凈資產收益率、外部融資水平的提升均對企業生產率水平的提升有積極影響。

(二)政策建議

基于以上實證結論，為了進一步促進長三角地區戰略性新興產業生產率的提高，避免和傳統制造業一樣陷入“高端產業、低端發展”的怪圈，推動戰略性新興產業企業從GVC的低端逐步提升到GVC的中高端，本文提出以下幾點政策建議：

第一，要加大研發投入，突破核心技術的制約；完善“市場為導向、政府為引導、企業為主體、產學研相結合”的體系，提高科技成果轉化率；逐步探索出適合不同產業發展的產業集中度水平，有效提升龍頭企業的市場份額，發揮規模經濟效應，既要防止過度壟斷帶來的創新不足，又要避免過度競爭帶來的資源浪費；企業應積極向集約型的生產方式轉變，有效提升資源整合能力。

第二，應著重于自主創新能力的提升以及品牌的構建，依托龐大的國內消費市場，對產業低端生產環節進行轉移，通過構建區域價值鏈、國內價值鏈的方式，逐步建立起特定產業為主導的全球價值鏈；對于相對弱勢的地區和產業，可先嵌入發達國家主導的全球價值鏈，以此實現產品升級，再由價值鏈的低端環節向中高端環節逐步拓展。

第三，政府應實施精準補貼的政策，加強政府補貼信息的監督與管理，加大企業政府補貼信息的披露力度，提高資金使用效率；企業應加大高層次人才的引進與培養，完善人才的激勵和留用機制，確保高端技術人才引得進、用得好、留得??；企業應提升重大技術設備的使用效率，減少設備的閑置浪費；完善上市公司內部治理機制，保持一定的股權集中度，提升內部管理水平；積極提升企業自身素質，形成技術不斷進步、資源配置不斷優化的良性循環。此外，要積極培育和完善多層次資本市場，拓寬企業資金來源渠道，降低融資成本，為戰略性新興企業提供良好的資金保障，進而引導其將資金投入到技術創新領域。

陳強. 2014. 高級計量經濟學及Stata應用[M]. 北京:高等教育出版社:216-217.

程廣斌,龍文. 2017. 絲綢之路經濟帶城市可持續發展能力及其影響因素：基于超效率DEA-面板Tobit模型的實證檢驗[J]. 華東經濟管理(1):35-43.

程貴孫,芮明杰. 2013. 戰略性新興產業理論研究新進展[J]. 商業經濟與管理(8):75-83.

胡漢輝，周海波. 2014. 戰略性新興產業發展陷阱:表現、成因及預防[J]. 科技進步與對策(3):61-66.

黃啟才. 2013. 我國戰略性新興產業的國際地位及升級策略[J]. 經濟縱橫(8):55-59.

季凱文. 2015. 中國生物農業全要素生產率的增長效應及影響因素研究：對 32 家上市公司的實證考察[J]. 軟科學(2):41-45.

姜達洋,李寧. 2013. 從美國經驗看中國戰略性新興產業低端化問題[J]. 華東經濟管理(1):89-92.

李琪. 2013. 我國戰略性新興產業的發展動向及策略[J]. 福建論壇(人文社會科學版)(11):44-48.

劉志彪. 2012. 戰略性新興產業的高端化:基于“鏈”的經濟分析[J]. 產業經濟研究(3):9-17.

路世昌,關娜. 2012. 基于DEA- Tobit的裝備制造業上市公司經營績效研究：來自2005～2010年裝備制造業的經驗數據分析[J]. 工業技術經濟(2):108-115.

呂巖威,孫慧. 2014. 中國戰略性新興產業技術效率及其影響因素研究[J]. 數量經濟技術經濟研究(1):128-143.

孟祺. 2016. 基于“一帶一路”的制造業全球價值鏈構建[J]. 財經科學(2):72-81.

任保全,劉志彪,王亮亮. 2016. 戰略性新興產業生產率增長的來源:出口還是本土市場需求[J].經濟學家(4):13-23.

任保全,任優生. 2016. 長三角戰略性新興產業發展的演變趨勢及增長質量研究[J]. 現代經濟探討(9):77-81.

任保全,王亮亮. 2014. 戰略性新興產業高端化了嗎[J]. 數量經濟技術經濟研究(3):38-55.

任優生,邱曉東. 2017. 政府補貼和企業R&D投入會促進戰略性新興產業生產率提升嗎[J]. 山西財經大學學報(1):55-69.

王其中. 2013. 促進戰略性新興產業高端化發展的思考[J]. 經濟縱橫(12):60-62.

薛艷杰. 2011. 長三角戰略性新興產業:現狀、趨勢與對策[J]. 經濟體制改革(3):50-54.

袁禮,國勝鐵. 2014. 融資偏好會影響生產率增長嗎:來自我國戰略性新興產業的經驗證據[J]. 商業研究(10):25-31.

張根文,曾行運. 2014. 基于DEA-Tobit模型的新能源汽車生產效率及影響因素研究[J]. 工業技術經濟(3):130-137.

TotalFactorProductivityofStrategicEmergingIndustriesinYangtzeRiverDeltaandItsInfluencingFactors

SHEN JunXi YANG RuoXia

(School of Business, Nanjing Normal University, Nanjing 210046)

By using DEA-Malmquist index, this paper measures the trends of total factor productivity and its decomposition of efficiency of listed companies of strategic emerging industries in Yangtze River Delta from 2007 to 2015 and carries out an empirical study on the influential factors by using Mixed Panel Tobit model. The research result shows that listed companies of strategic emerging industries in Yangtze River Delta present a low-end of development trend that both pure technology efficiency and scale efficiency are low from a perspective of the whole industry, the development of strategic emerging industries in Yangtze River Delta exists heterogeneity in different regions and different industries, the low efficiency of government subsidies, the low quality of enterprise′s employees and the low efficiency of technology equipment make the strategic emerging industries in Yangtze River Delta present a low-end of development trend. However, enterprises which have moderate concentration of shareholding and higher growth rate are able to promote improvement of productivity. Finally, some relevant suggestions are put forward based on the empirical results.

Yangtze River delta; strategic emerging industries; TFP; DEA-Malmquist index; Tobit model

2017-09-09

申俊喜(1969--)，男，江蘇鹽城人，博士，南京師范大學商學院教授，碩士生導師。

楊若霞(1993--)，女，河北石家莊人，南京師范大學商學院碩士生。

本文是國家社會科學基金項目“技術負位勢視角下我國企業技術尋求型FDI的逆向技術轉移機制研究”(批準號 13BJY084)的階段成果，同時得到江蘇省創新經濟研究基地資助。

F427

A

1001-6260(2017)11-0024-10

10.19337/j.cnki.34-1093/f.2017.11.003

(責任編輯 張 坤)