我们根据2017年《国民经济行业分类》以及国家统计局2018年修订后的《三次产业划分规定(2012)》,将批发和零售业等行业归类为服务业,表7.4列出了我们数据中所包含的服务业类别及各个服务业类别在样本所有投资中所占的比例。在表7.4中,我们区分了制造业对服务业的投资以及服务业对制造业的投资。从表7.4中可以看到,作为制造业最终销售渠道的批发零售业在两类投资中的比例都是非常高的,在每一类投资类型中都有超过三分之一的份额。
表7.4 2007年服务业行业投资制造业及被制造业投资分行业占比 单位:%
续表
资料来源:作者整理自中国工业企业数据库与国家市场监督管理总局企业注册数据。
此外,从表7.4中可以看到,金融业在制造业投资的服务业中也占有非常高的比例。然而,金融业作为社会的融资部门,在经济中发挥了为制造业企业及其他行业企业融资的功能,因而产业资本向金融行业的转移意味着制造业企业缺乏高于平均投资收益率的投资机会。在投资制造业的服务业行业中,租赁和商务服务业占有最高的份额,体现出金融租赁行业对实体经济的投资支持作用。
图7.1展示了制造业与服务业之间相互投资随时间的变化趋势。由于样本限制,图7.1中只包含了中国工业企业数据库中存在的工业企业及与其相关的相互投资情况。在1990年之前,我国市场经济尚处于初级发展阶段,服务业企业和制造业企业之间几乎没有相互投资行为。1990年之后,随着经济的发展,制造业主体投资服务业行业以及服务业投资制造业都有稳步的发展。而进入2000年之后,特别是中国加入WTO以来,我国经历了商品贸易的巨额顺差,这反映在我国制造业企业出口的增加及发展上。而相应的,制造业企业也开始加大其在服务业行业中投资的力度。从图7.1中可以看到,在2001年中国加入WTO后,制造业投资服务业的数量大大领先于服务业投资制造业的数量,两者之间存在着逐年扩大的趋势。
表7.5汇报了截至样本期间段(1998—2007年)最后一年,各行业涉及与服务业有关投资行为的企业数量占总。从表7.5中可以看到,即使在制造业内部,与服务业有关的投资行为分布也是非常不均匀的。比如,在投资服务业的企业中,数量最高的三个行业——纺织业、化学原料和化学制品制造业以及专用设备制造业就占了接近四分之一的投资。而服务业投资制造业企业则分布相对比较均匀,其中化学原料和化学制品制造业,黑色金属冶炼和压延加工业,计算机、通信和其他电子设备制造业,农副食品加工业,医药制造业等行业都成为服务业最经常投资的制造业行业。
图7.1 1980—2010年制造业企业投资服务业、被服务业投资数量
表7.5 1998—2007年制造业企业投资服务业以及被服务业投资的分行业占比 单位:%
续表
资料来源:中国工业企业数据库与国家市场监督管理总局企业注册数据。
接下来,我们将着重研究制造业企业是否投资服务业行业,或者是否被服务业行业投资对企业绩效的影响。随着技术的进步和分工细化,企业生产过程不再是单一的将资本、劳动和中间产品生产为最终产品的过程,在现代企业生产过程中,产品的研发、销售、配送以及售后等都与服务业密不可分。而对于制造业企业与服务业之间投资与被投资的关系,Coase(1937)认为,与生产一样,交易也是有成本的,而制造业在生产过程中存在着对服务业的需求,在与服务业企业的交易过程中,也是存在着交易成本的。这些交易成本可能来自信息成本、价格的不确定性(Arrow,1975),或者来自不完全合约(Hart 和Holmström,1986)等,而一体化可以通过组织内部化进程降低这些交易成本(Perry,1989),从而提高制造业企业的绩效。通过将生产成本内部化降低交易成本,进而提高企业的生产绩效。我们将从全要素生产率(TFP)、增加值(Value-added)、出口以及就业几个方面研究制造业企业的绩效问题。
我们使用全要素生产率而非劳动生产率、资本生产率等单一要素生产率度量企业生产过程的效率。单一要素生产率的大小受到要素禀赋等条件的影响,而全要素生产率度量了企业将资本、劳动等结合在一起生产最终产品的效率,不会受到要素禀赋等条件的影响。我们使用Ackerberg、Caves和Frazer(2006)的方法,以增加值作为产出变量,分行业对我国制造业企业的生产率进行了估计。与之前Olley和Pakes(1996)的方法不同,该方法使用中间品投入作为生产率的代理变量,此外解决了Levinsohn和Petrin(2003)方法的共线性问题。
在本节中,我们将主要介绍全要素生产率的度量问题。作为对生产效率的度量,生产率有多种不同的度量方式。常用的单要素生产率度量了单位特定要素投入所能够带来的产出。比如,劳动生产率是最经常使用的单要素生产率,度量了单位劳动投入的平均产出。然而,由于不同企业面临着不同的要素价格,理性的厂商会根据不同的要素价格理性地选择要素投入。比如,在劳动价格较低的中西部地区,理性的厂商会更多地投入劳动而非资本。因而,单要素生产率并不能够完全度量企业的生产效率,较高的劳动生产率可能仅仅是由劳动力成本较高导致的。
为此,我们主要使用所谓的全要素生产率度量企业的生产效率。全要素生产率的优点是同时考虑了所有要素的投入,排除了由于不同企业面临不同的要素价格而导致的差异。式(7.1)为一个希克斯中性的生产函数:
其中,Yi为产出,F(Li,Ki,Mi)为基于可观测投入(包括劳动Li、资本Ki以及中间投入Mi)的函数,而Ai即为全要素生产率。该生产率度量了单位要素投入增加所带来的产出增加中,不能被函数F(Li,Ki,Mi)解释的部分。在文献中,通常我们假设全要素生产率Ai对于厂商是已知的,但是对于经济学家而言是不可观测的变量。
在希克斯中性生产函数中,最经常使用的是柯布—道格拉斯生产函数(Cobb-Douglas Production Function),即:
式(7.2)取自然对数,得到:
其中,ln Ai=β0+ωi+єi,β0为平均的生产率水平,β0+ωi为企业已知的企业自身的生产率水平,而єi为企业未知的生产率的外部冲击。
以上方程虽然是线性方程,然而由于生产率水平(包括平均生产率水平ai)对于经济学家而言是不可观测的,而理性企业在做最优选择时,无论是资本还是劳动、中间投入,都是根据生产率水平决定的,因而所有的要素投入都是内生变量(Ackerberg等,2007),简单的普通最小二乘回归并不能得到βl,βk,βm三个系数的一致性估计。
Olley和Pakes(1996)通过对企业的动态决策行为进行建模,在单调性等假设的条件下,首先给出了生产函数的一个半参数估计方法。
考虑一个简单的柯布—道格拉斯生产函数:
在给定第t期的信息It,假设生产率动态满足一阶马尔科夫性质(First-order Markov Property):且该分布对于企业是已知信息,并假设该分布对于ωit是随机单调递增的。进一步,Olley和Pakes(1996)假设企业的资本积累满足:
其中,ii,-1为第t−1期企业所选择的投资的对数,此外,一个关键假设是劳动投入lit是在第t期静态选择的。
根据以上假设,企业的最优化行为可以由以下的动态规划进行描述:
其中,Ψ(kit,ωit)为企业选择退出市场的收益,而π(kit,ωit)为当期利润,V(kit,ωit)为该动态规划问题的指函数(Value Function)。解这个动态规划,可以得到一个关于投资的策略函数(Policy Function):
Olley和Pakes(1996)假设该函数对于ωit是一个严格单调递增的函数,其中ft函数允许随着时间的变化而变化。
由于ft函数的单调性,我们可以将其生产率写为:
将该式代入到生产函数中,得到:
在实践中,由于Φt(kit,iit)的函数形式是未知的,因而一般使用半参数的方法对以上方程进行回归。或者,可以使用多项式逼近的方法对Φt(kit,iit)进行逼近,如此我们就得到了βl的一致估计。
在第二阶段的回归当中,由于假设了生产率水平ωit的马尔科夫性质,意味着:
代入到原方程中,得到:
由于E(ξit|Ii,t−1)=0,因而以上方程满足外生性条件,可以使用非参数等方法进行估计,其中Φt−1(ki,t−1,ii,t−1)可以由第一阶段回归得到。
在Olley和Pakes(1996)的基础之上,Levinsohn和Petrin(2003)建议使用中间投入而非投资作为代理变量。他们设定了如下的生产函数:
其中,mit为中间投入的对数,并假设企业的中间投入需求为:
其中,ft为根据ωit单调递增的函数。在以上假设的基础之上,其估计方法与Olley和Pakes(1996)的估计方法是相同的。在第一阶段,首先使用半参数方法估计方程:
而在第二阶段,与Olley和Pakes(1996)类似,使用矩条件估计:
以上步骤是对结构参数进行识别的条件。实际上,由于企业经常存在着集中在某一年投资的现象,因而某些年份投资可能为零,这就使得单调性可能比较难以满足,因而使用中间投入品作为生产率的代理变量是更加符合实际的假设。
然而,Ackerberg、Caves和Frazer(2006,2015)对以上方法提出了质疑。他们指出,由于对劳动投入的决策依赖于资本和技术,而中间投入的决策同样依赖于技术,因而在第一阶段的半参数回归中,不可避免地会遇到共线性问题甚至是完全共线性问题,导致lβ实际上无法被识别。(www.daowen.com)
Ackerberg、Caves和Frazer(2015)从增加值生产函数出发,即:
其中,yit为企业的增加值,并进一步假设劳动投入在中间投入之前决定,从而避免了理论上的共线性问题。通过假设中间投入的“条件需求”函数:
并假设ft是根据ωit严格递增的函数,生产率可以写为:
代入到生产函数中,得到:
在矩条件运算过程中:
通过将第一阶段回归得到的Φt(kit,lit,mit)估计代入到以上矩条件中,使用广义矩估计方法即可得到生产函数结构参数的估计值。
由于Ackerberg、Caves和Fraze(r2015)的方法解决了Olley和Pake(s1992)与Levinsohn和Petrin(2003)方法中可能潜在的共线性问题,在接下来的实证模型中,我们主要使用该方法对企业的生产效率进行测算。此外,除了资本之外,我们还加入了企业年龄作为状态变量。此外,在生产函数估计中,我们使用了从业人数作为劳动投入的度量,中间投入使用生产物价指数进行了调整,而固定资产收入作为资本存量的度量,同样使用生产物价指数进行了调整。在得到β0,βl,βk的估计以后,使用式(7.22)对企业的生产率进行估计:
需要强调的是,虽然在以上的回归过程中我们使用了增加值作为产量的度量,然而以上得到的生产率估计与增加值并非是等价的。生产率度量了生产要素(如资本、劳动)的投入增加所导致的产出增加的弹性,是对生产过程中效率的度量,反映了企业为了生产固定的产出所需要投入的成本;而增加值则是相对于成本,其销售收益与成本之间的差额,除了成本之外,还受到产出价格水平的影响。因而,在接下来的实证模型中,我们将分别对生产率和增加值予以考察。
以下将主要使用通过 ACF(2015)方法估算的全要素生产率度量企业生产效率。具体来讲,全要素生产率度量了给定要素投入能够生产的产成品的产量大小,是生产过程中效率的度量。而增加值为企业产品价格与成本之间的差异,它从另外一个侧面度量了企业的生产绩效。增加值与全要素生产率的区别是,全要素生产率描述了投入与产出之间的关系,而除了生产效率之外,价格等因素也是影响增加值的主要原因。全要素生产率决定了生产产品的边际成本,而增加值则是销售价格中除去成本之外增加的部分。在一个垄断竞争的市场上,厂商的垄断势力(Market Power)影响了厂商可以销售的产品的价格,进而影响了增加值,然而这对于全要素生产率并不会有影响。因而,接下来我们除了使用生产率度量企业绩效之外,还以增加值作为企业盈利能力的度量方法进行研究。
此外,我们还将考虑制造业企业服务化对企业出口以及就业的影响。根据以往理论与实证检验,生产率水平较高和盈利能力较强企业更倾向于出口,而生产率水平和增加值水平较高的企业出口的产品在国际市场上更具有竞争优势,而且更能够生产出差异化产品(Francois,1990;Melitz等,2013;Lodefalk,2014;刘斌等,2016)。同时,制造业服务化扩展了第二、三产业的产业边界,延长了生产价值链的长度,不仅丰富了产品差异化,而且增加了社会就业岗位,吸纳了大量的劳动力(Milet和Crozet,2015;江小涓,2011;肖挺,2016)。
本章认为,制造业服务化对于出口和就业吸纳能力具有一定的影响。同时,出口和就业也是衡量企业绩效的重要指标,因此本章在研究制造业服务化和全要素生产率、增加值的视角下,进一步分析制造业服务化对企业出口和就业的影响。
免责声明:以上内容源自网络,版权归原作者所有,如有侵犯您的原创版权请告知,我们将尽快删除相关内容。