■王丁玄

（江苏师范大学 江苏圣理工学院-中俄学院）

引 言

随着经济的快速发展，中国也开始逐渐转型，开始向“走出去”发展。截至2019年末，中国对外直接投资存量位列世界第三位，仅次于美国和荷兰。同时自“一带一路”倡议开展以来，中国对“一带一路”沿线国家的对外直接投资额也有着显著地增长，截至目前已超过1000亿美元。“引进来，走出去”也一直是我国重要的国策。

吸收外国直接投资的溢出效应已经得到了很多学者的证明，而企业主动对外直接投资能否促进其自身全要素生产率的提高也成为了近年来研究的一个焦点。大多数的学者都认为中国企业对外直接投资有逆向的技术溢出效应，可以促进中国全要素生产率的提高。刘明霞（2019）等利用中国2003—2007年的省际面板数据检验了中国的情况，发现对外直接投资可以显著地促进企业全要素生产率的提高。刘淑琳（2011）则采用了K-S检验研究了中国上市公司企业生产率的分布情况，发现存在对外直接投资企业的生产率较高。但上述的方法并没有真正地将自选择效应与成为跨国公司的这两种效应分离开来。

已经有诸多的研究表明中国企业吸收外资促进了我国企业技术水平的提升同时为我国发挥比较优势、融入世界产业链提供了巨大的助力。因此本文将重点研究中国企业对外直接投资对其全要素生产率的作用，使用LP方法对中国2005年开始进行对外直接投资的企业进行分析，测算其全要素生产，从而为中国企业进一步地走出去，扩大对外直接投资提供合理的借鉴。

1 LP模型设定

Dunning（1977）就在其代表作Trade Location of Economic Activities and the MNE：A Search for an Eclectic Approach中提出了著名的OIL理论。即企业进行对外直接投资是由于其自身具有所有权优势、内部化优势与区位优势。因此要研究企业对外直接投资对其全要素生产率的影响就必须把其自身优势剥离开来，单独地考虑成为跨国公司对其全要素生产率的提升作用，即所说的“生产率”效应。而研究这一问题的最佳方法就是采用双重差分模型。

在本文中根据企业是否进行对外直接投资将企业划分为实验组和控制组。用ofdi=1来表示实验组的企业，用ofdi=0来表示控制组的企业。同时为了识别时间的变化引入了变量postt。如果postt=1则表明企业已经进行了对外直接投资，postt=0则表示企业进行对外直接投资前的年份。TFPit则表示企业i在t年的全要素生产率，用ΔTFPt1和ΔTFPt0表示企业在进行对外直接投资前后全要素生产率的变化。因此对外直接投资对于企业全要素生产率的实际影响即剔除掉了其自身优势的影响之后的效果为：

依据双重差分的模型设定，本文采用如下的方程来进行回归分析：

其中需要重点关注的系数是模型交互项的系数。因为该系数为双重差分之后的系数结果。如果在回归当中该系数为正数就可以表明企业对外直接投资的行为可以促进其全要素生产率的提高，反之为负数的话就表明对外直接投资对于企业的全要素生产率具有阻碍的作用。

2 数据来源

本文数据的来源分为两部分。企业的具体数据及各项指标来自于中国工业企业数据库，对外投资的数据来自于中国商务部公布的对外直接投资企业名录。首先本文从1980—2013年中国对外直接投资企业名录中筛选出核准日期为2005年的企业，共得到881个剔除重复值后的企业。然而考虑到这些企业可能存在着在1980—2004年间就已经进行对外直接投资的情况，因此将这882个企业与1980—2004间核准的企业名称进行匹配，发现在2005年的企业中有9家企业在1980—2014年间就已经开展了对外直接投资，因此将这9家企业予以剔除，得到了872个在2005年首次进行对外直接投资的企业名称。

接下来为了保证企业数据在每年中的可得性，因此将这872个企业名称利用stata中的merge函数与工业企业数据库中2002—2007年间的数据进行取交集，从而得到了101家在2002—2007年间都包含的企业。在利用工业企业数据库中的具体数据以及LP方法计算得到企业的全要素生产率后，发现有9家企业在2002—2007年的部分年份存在着缺失值，因此再将这9家企业进行剔除，从而得到了92家2005年首次进行对外直接投资的企业作为本文的实验组。

接下来利用PSM方法将这92家企业与2005年工业企业数据库中的全部企业按照1:3的k近邻匹配方法进行匹配，共得到276家企业。然后再将这276家企业与2002—2007数据库取交集，并剔除掉其全要素生产率存在缺失值的企业，最终得到了94家企业作为本次研究的控制组。

基于LP方法的全要素生产率测算全要素生产率是模型中重要的被解释变量，因此全要素生产率的测算方法十分地重要。蒋冠宏，蒋殿春（2013）指出传统的全要素生产率的计算方法会存在着严重的内生性问题，因为其将要素投入作为了解释变量，而要素投入和全要素生产率之间则存在着双向的关系。而Levinsohn和Pertin（2003）出的LP方法将中间品的投入作为了解释变量，从而可以避免内生性的问题。其提出的回归方程为：

而TFP则为该回归方程的残差值，即在去除掉资本和劳动的增长率后剩下的部分即为全要素生产率。其中表示企业的工业增加值，表示企业所雇佣的劳动，在工业企业数据库中使用从业人数年平均值进行代替。则表示企业所使用的的资本量，在工业企业数据库中使用固定资产净值年平均余额进行表示。则表示企业的中间品投入，此值可以在2002—2007的工业企业数据库中直接找到。下角标t表示时间。需要特别指出的是，由于2004的工业企业数据库中缺失工业增加值这一数据，因此参考了刘小玄、李双杰（2008）提出的方法进行代替。

表1 LP方法变量说明表

2004的工业增加值的数据根据此方法测算得到。在计算时对工业增加值和中间投入按照以2002年为基期的工业出厂价格指数进行了平减，固定资产净值则按照以2002年为基期的固定资产价格指数进行了平减。具体的stata代码则参考了Pertin（2004）文章中提供的Stata代码。对实验组与控制组的企业进行TFP测算后得到的回归结果如下：

表2 LP方法回归系数

Employment代表年平均从业人数，fanet代表固定资产净值年平均余额。根据此回归结果我们发现资本和劳动的系数均为正数，且在1%的水平之内显著，因此我们的TFP的测算结果是合理的。

3 结 语

通过以上的LP模型的实证分析以及回归性检验可以发现，中国企业对外直接投资可以显著地提高其全要素生产率。并且提升的幅度和企业的固定资产水平、规模、经营年限呈正相关的关系，因此规模越大的企业对外直接投资也可以促进其自身全要素生产率的提高。