本部分的主要研究落脚点是分析服务化与企业绩效的相互作用影响，具体而言，要回答以下问题，即制造企业进行服务化转型的成功是否能在绩效上得到体现？对此，本书采用资产利润率、员工结构以及商品销售额三项指标进行考察。

此处，本书构造了一个对服务化与企业绩效的因果关系进行检验的离散模型：

上式中PFMi，t为i企业在年份t所表现出的企业绩效，包括了资产利润率水平、人员结构以及产品销售额三个方面，不同行业的企业绩效在跨时期可能存在固有的差异。所以此处设置δj，t捕捉行业与时间的差异，构造为所属行业j与年份t的虚拟变量的交互项，εi，t为扰动项。主要解释变量D（k；k+1），i，t-1的定义手段如下式析出：

根据（4-2）式，当i企业在年份t-1的服务化程度SERV处于［k，k+1］区间段内时，则D（k；k+1），i，t-1指标赋值为1，否则为0，而由于本书样本企业最高的服务化水平为49.31%，因此k取值在0%到49%之间，因此D（k；k+1），i，t-1可设置50组虚拟变量，θk，k+1为这些虚拟变量对应的系数值，在现有模型体系下这一系数值的意义在于可以反映某一特定服务化水平下的企业绩效相对于同年度以及相同行业内没有进行服务化企业所获得的“红利”进行对比（根据1）式的思路，本书对每个单服务化水平细化观测样本，但本书1530个企业服务化程度观测值中大多分布在10%以下，高于13%的样本数量极少，因此本书将企业的服务化程度介于13%-20%之间以及介于21%-50%之间的观测值整合入两个单独构造的变量D（13；20），i，t-1、D（21；50），i，t-1并估计其系数）。此处考虑到资产利润率水平、员工总数以及产品销售额等几个方面都与企业的规模相关联，如不对其加以控制，各组θ的系数很难有实质性的变化，因此要对企业的固定资产存量（PEE）进行控制。需要指出的是，服务化程度对企业绩效发展的影响往往体现在未来的时段，因此本书取滞后一期的变量数据进行估计回归以判断因果变量之间关系的变化趋势。

以上部分透露出的重要信息是我国上市企业在进行服务化转型的初期可以从中获得短期绩效上的提升，无论是在利润水平还是人员结构上，亦或是在产品销量方面。但随着服务化的深入，企业却似乎无法从该类业务决策中获益，但只要涉足于服务化，企业绩效就会有提升，即使程度不大，但随着服务化程度变化，除了后期整合点及少量极端点（人员结构图6%系数点），其他多数时期内，三张系数分布图中的系数上下分布震荡幅度并不大。从此中可以解读的就是服务化对于企业发展的影响方向目前来看取决于是否进行服务化的决策本身，而并非服务化的程度。因此，本书应将研究落脚点定位于企业是否服务化决策的虚拟变量而非服务化具体程度对企业三项绩效指标的影响，这就使得本书探析的问题是服务化企业与非服务化企业之间的差异。

对于内生性问题的担忧还来自于样本自我选择性的问题，企业之所以进行服务化会不会是因为自身在绩效上更有优势？投资于并不熟悉的领域可能对与企业绩效造成很大的压力，绩效不好的企业可能禁足于此。一段时期内，市场竞争力不足的企业很难通过服务化的营收弥补为服务化业务所进行的投资。因此，OLS回归可能造成向上偏误。而从另一个角度讲，布赖因利希等（Breinlich，2014）指出一些来自外部的压力（例如政府管制、税率调整等），使得企业市场份额以及利润水平都受损。此时为了收复失地，企业往往将服务化视作出奇制胜的手段。换言之，学者认为进行服务化往往是业绩表现不佳的企业的选择，由此可能导致OLS估计出现向下的偏误。

处理这些内生性的问题，首先要解决的就是对可能对实证产生影响的遗漏变量进行有效的约束，传统的手段是在企业固定效应分析基础上采用双重差分（DID）的技术方法加以控制，但由于双重差分要求模型所遗漏的变量需具有时间恒定性（time-invariant）特征，而企业在经营过程中自身也在瞬息万变，所以这种方法并不太适用于本书的研究。根据学者们的研究指出，企业之所以会介入服务化，往往是因为受到偶发性的冲击所致，比如利润率受到外在挤压缩水，或是企业受到外部刺激而愿意进行商业模式的创新（比如“营改增”式的税制改革为服务业发展“松绑”，使得企业介入该领域的热情陡然提升），或者仅仅是企业管理或是产权结构上的调整，这些都会对企业的运营策略产生些许潜在的影响，正如格鲍尔和弗莱施（Gebauer & Fleisch，2007）所指出的那样，由于“服务化陷阱”的存在，敢于将传统业务范畴延伸向服务业领域的企业，其决策层往往具有一定的冒险心态。(www.daowen.com)

依据本书样本结构的分析，最为适合的实证策略是采用滞后因变量估计模型（LDV）进行估计，这种估计模型通过引入因变量的滞后项来控制时期变化产生的效应，相比于固定效应模型，LDV模型可以更好地解决估计过程中自我选择以及随之产生的反向因果性偏误^[1]。在LDV估计模型中本书继续如式（4-1）那样置入δj，t变量，即年份t与行业j的交互项（industry×year）来控制在特定年份及行业内发生的哪些被观测所遗漏对企业绩效产生影响的因素。本书提出的模型式为：

PFMi，t反映的是i企业在年份t的资产利润率水平、人员结构以及产品销售额三个方面的绩效水平，SERi，t-1为企业在此前一年是否进行了服务化的虚拟变量指标，换言之，本书认为服务化对企业绩效的影响有滞后性，如果此前一年进行了服务化，则变量赋值为1，否则为0，CVi，t-1为控制变量，指代为企业规模变量，仍然用滞后一期指标值以防止同时性偏误，δj，t为年份t与行业j的交互项捕捉固定效应以完成对时期及行业固定效应的控制，εi，t为扰动项。此外重要的一项就是PFM的滞后期数问题，威尔金斯（Wilkins，2015）指出，更多的滞后项更容易保障估计结果的准确性。但考虑到本书实证样本年份只有10年，过长的滞后期将造成样本量的损失，权衡之下本书将滞后期定为三年。上式中的α系数，为企业是否进行服务化对于绩效造成的影响，因为是虚拟变量的系数，通常可以被称为平均干预效应（ATE）。

尽管通过引入绩效的滞后值，LDV模型可以有效缓解反向因果性偏误问题，但解决模型内生性问题的工作远不止于此，如果企业进行服务化的目的就是为了能够改善绩效，那么反向因果的逻辑仍将存在，如达克斯等（Dachs，2013）的研究指出服务化可以划分为两类，即与产品相关联的服务创新以及与产品无关的服务创新，而前一类创新对于激发企业绩效的提升有至关重要的作用，因此企业为改善业绩选择服务化是顺理成章之事。要解决这种反向因果对模型产生的内生性问题，应当选择适当的工具变量加以处理，这要求Ⅳ与企业服务化决策相关但与绩效本身却无直接关联。克洛泽和米勒特（Crozet &Milet，2015）认为企业服务化决策的实际动机来自于外部环境的刺激，当同一行业内的竞争者进行服务化尝试时，企业往往试图模仿并进行“跟风”，这种企业创新动力来自于外部环境刺激的观点在国内外诸多文献中有所涉及，而现实中在经营决策上“扎堆”的现象在我国商业界也可谓屡见不鲜。按照这一思路，本书对服务化虚拟变量SER、工具变量Ⅳ的设计方法是以i企业在t年时，计算所属行业内（本书内包含的四个行业部门）其他各企业服务化虚拟变量的值与企业规模的乘积（即虚拟变量SER的值与该企业固定资产存量之积），该乘积以其他各企业与i企业距离的倒数作为权重进行加权后加总，这样做可以保证距离越近、规模越大的服务化企业对于本企业服务化的决策影响越大。考虑到不同行业内企业数量并不一致，这种做法无疑会高估上市企业较多行业内企业的服务化水平，因此以加权汇总后的总值除以该行业部门内除本企业外其他所有企业的数量表征。具体计算公式如下式：

上式中k表示企业i所在行业内除其自身以外的所有企业（如所在行业企业数为n，则其他企业共n-1家），DISTANCEi，k指代企业i与其他各企业之间的距离。由以上逻辑可知企业的工具变量是由行业其他企业的服务化决策所决定的（也就是说，企业会跟风于其他企业的决策），进一步讲工具变量的取值由时期、行业、地域以及企业规模等因素共同决定。由于模型（3）中服务化指标滞后一期，则此处工具变量取滞后两期值。此外，工具变量的有效性还取决于是否与绩效相关联，周边地区服务化厂商数量的变化势必改变企业所面临的竞争环境，那么想来对于企业的绩效水平会产生作用。但由于工具变量滞后于绩效变量两期，所以应当可以避免出现违反排斥性限制的联立性偏误问题。此外，由于模型（3）中置入了滞后三期的绩效变量，而Ⅳ应不可能在对过往绩效不产生影响的情况下却不对本期绩效产生影响，所以这种效应也应已得到了控制。

接下来，对于平均干预效应即模型（3）式中的α系数，本书采取极大似然估计处理内生性问题，对于虚拟变量SERi，t-1所进行的两阶段最小二乘法中，第一阶段采取的是probit估计，首先对企业进行服务化后（即干预后）所取得的绩效（涉及利润、人员结构以及产品销售额）进行预测，工具变量通过了有效性的检验，显示出良好的适用性。