申俊喜 杨若霞

(南京师范大学 商学院，江苏 南京 210046)

长三角地区战略性新兴产业全要素生产率及其影响因素研究

申俊喜 杨若霞

(南京师范大学 商学院，江苏 南京 210046)

采用DEA-Malmquist指数方法，先测算了2007—2015年间长三角地区战略性新兴产业上市公司全要素生产率及其分解效率；接下来，运用混合面板Tobit模型对其影响因素进行了实证检验。研究结果表明：从产业整体来看，长三角地区战略性新兴产业上市公司呈现纯技术效率和规模效率双低的低端化发展趋势；长三角地区战略性新兴产业的发展存在区域异质性和行业异质性；政府补贴资金使用效率较低、企业员工素质不高、技术设备的使用效率不高都使得长三角地区战略性新兴产业呈现低端化发展的趋势，而股权集中度适中、成长率较高的企业能更好地促进战略性新兴产业生产率的提升。

长三角地区；战略性新兴产业；全要素生产率；DEA-Malmquist指数；Tobit模型

一、引言及文献回顾

现今，发展战略性新兴产业已成为全球主要发达国家和新兴国家经济政策所关注的焦点。发展战略性新兴产业，目的在于求得新一轮经济发展过程中抢占科技制高点，进而获得全球竞争优势。因而，发展战略新兴产业意义重大，对中国同样如此。从中国国内环境来看，传统的资源优势和人口红利优势逐步消失，部分跨国公司主导的劳动密集型产业逐渐从中国撤离，转移到越南等劳动力成本更低的发展中国家；而从中国的外部环境来看，中国面临着发达国家“高端产业回流”和发展中国家“中低端产业分流”的双层竞争(孟祺，2016)，经济增长的持续动力不足。传统的需求管理政策在短期内带来经济增长的同时，也产生了投资过度、实体经济产能过剩等问题，从而使得中国战略性新兴产业表现出附加值低、劳动力素质低、依赖政府补贴等问题，全要素生产率呈现不断下降的发展趋势，陷入了“高端产业、低端制造”的怪圈。作为中国经济发展的引擎，长三角地区产业基础较好、人力资本丰富，具有发展战略性新兴产业的天然优势，但是该地区战略性新兴产业的发展仍然滞后于区域经济发展水平，并存在着产业层次偏低、生产效率不高的问题。在此背景下，研究长三角地区战略性新兴产业全要素生产率的变动趋势和内在机理，对于提高长三角地区的经济发展质量、转变长三角地区经济发展模式具有重要的理论意义和实践意义。

目前，在对战略性新兴产业的研究中，王其中(2013)认为，中国战略性新兴产业发展存在“高端产业、低端制造”的现象，战略性新兴产业的高技术、高附加值特征并不明显。李琪(2013)认为，中国战略性新兴产业存在着同质化、产能过剩、自主创新能力差、处于全球产业链的中低端等问题。胡汉辉等(2014)认为，发展战略性新兴产业本身具有极大的风险和不确定性，由于全球价值链的低端环节锁定、企业的盲目创新和地方政府之间的恶性竞争，可能会面临战略性新兴产业发展陷阱。吕岩威等(2014)则发现，中国战略性新兴产业技术效率水平较低，并呈现出起伏波动的特征。

现有文献中，针对长三角地区战略性新兴产业的研究相对较少，薛艳杰(2011)指出，长三角地区战略性新兴产业部分领域同质化水平较高、产业链低端化。任保全等(2016)的研究表明，长三角地区战略性新兴产业全要素生产率呈现下滑的低端化发展趋势。因此，应着眼于从产业链、价值链、创新链、服务链和生态链这五个方面出发，推动战略性新兴产业的高端化发展(刘志彪，2012)。

综上所述，现有对战略性新兴产业的分析主要是从全国范围和某个具体行业展开的，少部分文献从长三角地区区域异质性和行业异质性的角度研究战略性新兴产业的全要素生产率；关于长三角地区战略性新兴产业的研究大多以案例分析和规范分析等描述性分析为主，在一定程度上会影响研究结果的客观性。因此，本文的创新之处主要有两点：其一，以长三角地区战略性新兴产业作为研究对象，从产业整体、分地区、分产业视角进行全要素生产率的分析，并兼顾了区域异质性和行业异质性；其二，与以往研究多是采用行业数据不同，本文从微观经济主体视角出发，选取长三角地区战略性新兴产业上市公司的面板数据进行定量化的测度，从而使研究结论更为准确。

二、研究方法

(一)DEA-Malmquist指数模型

研究战略性新兴产业的全要素生产率，本文采用非参数DEA-Malmquist指数方法，具体原因在于：一是DEA方法无须设定生产函数的具体形式，这是由于提出发展中国战略性新兴产业理念的时间尚短，并且七大产业各有特点，很难建立适合每个产业的生产函数，采用DEA方法可以有效避免函数形式设定偏误所导致的误差；二是运用DEA方法在建立模型前无须对数据进行无量纲化处理；三是本文拟从时间变化的角度分析战略性新兴产业全要素生产率的动态演变趋势，这就要求在不同年份全要素生产率具有可比性；四是DEA-Malmquist指数方法能够对全要素生产率进行分解，进而可以深入挖掘全要素生产率变化的内在机理和背后原因。因此，本文采用DEA-Malmquist指数方法，对长三角地区战略性新兴产业的全要素生产率进行动态测评是合适的。

接下来，构建DEA-Malmquist生产率指数表达式，具体公式如下：

(1)

式(1)可以进一步分解为技术效率(EFFCH)和技术进步率(TECHCH)，以分别反映企业各种投入资源配置水平的变化程度和技术创新水平的变化程度。而技术效率(EFFCH)还可以分解为纯技术效率(PECH)和规模效率(SECH)。因此可得：

TFPCH=EFFCH×TECHCH=PECH×SECH×TECHCH

(2)

(二)Tobit模型

在对长三角地区战略性新兴产业全要素生产率及其分解效率进行测算之后，还须进一步分析影响全要素生产率变动的各种因素。具体步骤是：将上一阶段DEA-Malmquist指数方法测算出来的各项效率值作为被解释变量，并将各种影响因素作为解释变量进行回归，从而可以判断各种影响因素的作用方向和强度。由于DEA-Malmquist指数方法测度的效率值始终大于0，属于截断的离散分布数据，假如采用OLS对模型直接进行回归就会导致所得到的参数估计有偏且不一致，而采用Tobit 模型能够解决受限或截断因变量的模型构建问题。因此本文在第四部分采用基于极大似然估计方法的Tobit模型。其基本结构如下：

Y*i=βTXi+εi

(3)

(4)

其中：Y*i为潜变量；Yi为被解释变量；Xi为解释变量；βT为回归参数向量；εi为残差项且服从于正态分布N(0，σ2)；i=1，2，……，n。

该模型的特点是：Xi为实际观测值，Yi只能在一定条件下被观测到，当Y*i>0时，Yi取实际观测值，Yi为无限制观测值；当Y*i≤0时，Yi取0，Yi为受限制观测值。

三、长三角地区战略性新兴产业全要素生产率的动态变化分析

这一部分利用投入角度的DEA-Malmquist指数方法和Deap2.1软件，分别从产业整体、分地区、分产业等方面视角出发，对长三角地区战略性新兴产业的全要素生产率及其分解效率进行定量测评。基于数据的可得性，选取2007—2015年长三角地区沪深两市A股113家*其中，分省区看，安徽省14家企业，江苏省29家企业，浙江省38家企业，上海市32家企业；分行业看，节能环保产业11家企业，新一代信息技术产业34家企业，生物产业23家企业，高端装备制造业10家企业，新能源产业8家企业，新材料产业19家企业，新能源汽车产业8家企业。战略性新兴产业上市公司作为研究对象，具体数据来源于国泰安数据库和巨潮资讯网公布的上市公司年报。在指标选择方面，借鉴袁礼等(2014)的处理方式，选择支付给职工以及为职工支付的现金作为劳动要素的投入指标，之所以这样做，是由于：劳动力投入的货币化指标比劳动力数量更为直接和有效；同时选择固定资产作为资本要素的投入指标、主营业务收入作为产出指标，以此进行全要素生产率的动态变化分析。

(一)产业整体视角

从产业整体来看，由表1可知：2008—2015年，长三角地区战略性新兴产业平均全要素生产率的变动为0.971，年均增长率为-2.9%。将全要素生产率进行分解后可知，技术效率变动的平均值为0.933，年均增长率为-6.7%；技术进步率的平均值为1.040，年均增长率为4%，这表明全要素生产率的下滑趋势源于技术效率水平的降低。将技术效率做进一步分解可知，纯技术效率和规模效率均呈现下降趋势，纯技术效率变动的平均值为0.972，年均下降2.8%；规模效率变动的平均值为0.960，年均下降4%，由此可见，技术效率的下降源于纯技术效率和规模效率的双降态势。因此，长三角地区战略性新兴产业全要素生产率下降的低端化发展趋势源自资源配置水平的降低，也就是：企业规模较小、管理水平较低、资源利用率不高、发展方式粗放等成为生产率提升的主要瓶颈。

为了对政策颁布前后长三角地区战略性新兴产业的发展情况做一个对比分析，本文将研究时段内全要素生产率及其分解效率的测度结果分为如下四个阶段：2008—2009年*由于2009年下半年中央政府才提出发展战略性新兴产业，考虑到时间尚短，政策效果不明显，因此将其列为政策实施前的阶段。为政策实施前；2010—2011年为政策实施初期；2012—2013年为政策实施后1期；2014—2015年为政策实施后2期。

由表1可知：发展战略性新兴产业的政策实施初期，全要素生产率由政策实施前的0.938增长到1.047，增长了10.9%，说明短期内政策实施效果较好，2010年《国务院关于加快培育和发展战略性新兴产业的决定》的出台有力地促进了战略性新兴产业生产率的提升。然而从长期来看，政策实施后1期TFPCH年均下降4.8%，政策实施后2期TFPCH年均下降5%，呈现逐步下滑的趋势。从各项分解效率来看，技术效率的变动下降趋势尤为明显。政策实施前EFFCH为1.086，年均增长8.6%，政策实施初期、政策实施后1期、政策实施后2期年均下降分别为15.8%、9.2%、8.7%，说明相对于政策实施前，长三角地区战略性新兴产业生产要素的利用效率出现大幅降低。再来看技术进步率的变化，虽然政策实施初期、政策实施后1期、政策实施后2期TECHCH均大于1，呈现出增长的态势，尤其是政策实施初期年均增长高达24.4%，但是政策实施后1期、政策实施后2期年均增长率分别为4.7%、4.1%，增长幅度均远远低于政策实施初期，且呈现下降趋势。说明短期内政策效果明显，但是长期内政策的技术进步效应逐渐下降，因而应警惕技术创新的动力不足所导致的生产率下滑问题。最后来看纯技术效率的变动和规模效率的变动。政策实施前PECH和SECH年均增长6.7%和1.8%，政策实施后PECH和SECH均呈现下降的趋势，虽然PECH在政策实施后1期、SECH在政策实施后2期大于1，但是增长幅度较小。从以上分析可知，短期来看，战略性新兴产业发展政策出台之后，技术进步水平的提升幅度超过了资源配置水平的下降幅度，从而促进了全要素生产率的快速上升，政策效果明显；长期来看，技术进步率增幅逐渐放缓，技术效率低下的劣势凸显，战略性新兴产业低端化发展的问题表现得尤为突出。

表1 长三角地区战略性新兴产业全要素生产率及其分解效率

注：各指数以上一年为基期得出，因此从2008年开始测算；政策实施前、政策实施初期、政策实施后1期、政策实施后2期、总体平均的数值分别为2008—2009、2010—2011、2012—2013、2014—2015、2008—2015年各年指标的几何平均值。

通过以上分析可知，长三角地区战略性新兴产业上市公司虽然在技术创新能力方面有一定的提升，但是从长远角度来看，技术创新的动力不足，投入的生产要素并没有得到充分合理的利用，管理水平低下，尚未实现规模经济效应，这些因素综合起来从而制约了全要素生产率的增长，因而总体上呈现纯技术效率和规模效率双低的低端化发展趋势。

(二)分地区视角

分地区来看，由表2可知：对于年平均全要素生产率的变动，四个地区均呈现下降的趋势，尤其是安徽省下降幅度最大，年均下降5.1%。从各项分解效率来看，除江苏省技术效率有微小幅度上升外，其余省市均呈下降趋势，以浙江省最为明显，年平均下降达7.9%。相反，对于技术进步率而言，浙江省年均增长6.2%，战略性新兴产业发展态势较为乐观，而其它省市均有着不同幅度的下降，安徽省降幅最大，年平均下降4.6%。进一步来看，各省市纯技术效率的变动均呈现负增长的趋势。其中，浙江省下降最快，年平均降低4.8%。规模效率的变动方面，安徽省和江苏省分别以0.1%和0.9%的微小幅度上升，浙江省和上海市分别以3.3%和0.3%的幅度下降。

表2 长三角各地区战略性新兴产业平均全要素生产率及其分解效率

注：各指数为2008—2015年的几何平均值。

通过以上分析可知：长三角地区“三省一市”战略性新兴产业全要素生产率呈现出生产率下降的低端化发展趋势，安徽省表现得尤为明显。安徽省TFPCH的大幅下降源自TECHCH和PECH的下降，而TECHCH的大幅下降是导致生产率下滑的主要原因。其根本原因在于：相比其它省市，安徽省经济发展水平较为落后，高端人才缺乏，技术创新能力不强。与安徽省相比，浙江省则恰恰相反，TECHCH呈现出上升趋势，说明其在产品研发、工艺改进等方面技术创新能力较强。其生产率的下滑主要源于PECH和SECH的大幅下降，浙江省在注重技术创新能力提升的同时，也应着重于改进生产方式，提升管理能力，提高投入要素利用程度，全方位促进资源配置效率的改善。对于江苏省和上海市而言，虽然两个省区高校科研机构众多，具有明显的科教资源优势，但技术进步率仍然不高。可能的原因在于：两省区有些高校、研究所的科研成果游离于战略性新兴产业应用之外，从而忽视了科研成果的经济价值和社会价值，科技成果的产业化率不高，很难实现科技成果与市场的有效对接。另外，江苏省和上海市也要注重纯技术效率的提升。

(三)分产业视角

分产业来看，根据表3中长三角地区战略性新兴产业平均全要素生产率及其分解效率的变动情况，可以将七大产业分为四种不同的类型。第一类是新能源汽车产业，其全要素生产率的变动呈现上升的趋势，并且技术进步率也以年均7.8%的速度增长。第二类是节能环保产业和新材料产业，虽然全要素生产率的变动呈现下降的趋势，但是技术进步率分别以年均5.3%、2.3%的速度增长，其生产率的下滑源于技术效率的降低。从技术效率的分解项来看，这两类产业呈现出纯技术效率和规模效率双降的态势。第三类是高端装备制造业和新能源产业，全要素生产率降低源自技术进步率的大幅降低，而技术效率则呈现上升的趋势。从技术效率的分解项来看，纯技术效率和规模效率也都为正增长。第四类是新一代信息技术产业和生物产业，不论是全要素生产率的变动，还是技术进步率、技术效率的变动均呈现下滑的趋势，生产率的下降源自技术进步率和技术效率的降低。从技术效率的分解项来看，除了生物产业的规模效率保持基本不变以外，生物产业的纯技术效率与新一代信息技术产业的纯技术效率和规模效率的变动均小于1。

表3 长三角地区七大战略性新兴产业平均全要素生产率及其分解效率

注：各指数为2008—2015年的几何平均值。

具体原因在于，对于第一类新能源汽车产业而言，具备一定程度的技术创新能力，一些关键技术的采用、核心产品的研发与国外先进水平差距不大，但是新能源汽车产业存在着产业集中度偏低、产品成本较高、市场需求不足等问题，技术效率水平低，尤其是规模效率较低，从而制约了全要素生产率以更快的增长速度上升。对于第二类节能环保产业和新材料产业而言，虽然在技术创新能力方面有所提高，但采用的技术仍以常规技术为主，与发达国家相比仍有较大差距。而其投入资源的配置水平不高、管理经验不足、企业规模小而分散，这些成为纯技术效率和规模效率下降的重要原因。对于第三类高端装备制造业和新能源产业而言，加工制造能力较强、产业规模较大，发展的瓶颈在于核心技术难以突破。因此，其生产率的下降主要源自技术进步率的降低。对于第四类产业而言，生物产业中生物医药、生物农业等产业已初具规模，生命科学领域具有较高的科研水平，技术基础较好，但是一些生物技术并未完全转化到规模化生产中，科技成果转化率不高，生物产业技术进步率较低，从而抑制了全要素生产率的提升。而新一代信息技术产业的发展起步较早，其上市公司的数量相比其它产业是最多的，但是大部分企业的经营范围主要限于传统的电子制造业，而非技术密集度更高的集成电路、信息技术服务业等行业，企业主要采取产品代工、加工贸易的发展方式，且企业规模不大，这些都导致了新一代信息技术产业生产率的下降。

四、长三角地区战略性新兴产业全要素生产率的影响因素分析

(一)模型的建立

前面已经采用DEA-Malmquist指数方法测算长三角地区战略性新兴产业全要素生产率及其分解效率，接下来将通过Tobit模型和stata12.0软件对各种影响因素进行实证检验。

被解释变量为本文第三部分测算的全要素生产率的变动及其分解项，即TFPCH、EFFCH、TECHCH、PECH和SECH。核心解释变量则是政府补贴、劳动力投入、固定资产投入、股权结构和企业成长性五个变量。政府补贴对企业投资流向起着引导作用，对企业进行技术创新、改善经营管理、适度扩张规模有着重要的影响。因此，本文选择企业营业外收入中的政府补助与营业总收入的比值来衡量政府补贴强度。在劳动力投入方面，由于战略性新兴产业属于高科技产业，因此不论是加工制造环节的低层次劳动力还是技术设计环节的高素质劳动力，都会通过作用于企业的技术创新能力、管理水平以及规模化生产来影响全要素生产率，因此本文参考任保全等(2014)的研究，选择企业当年在职员工总数代表员工数量*由于长三角地区战略性新兴产业上市公司年报中企业员工的学历比例构成统计口径不一致，从而无法从劳动力质量的角度进行直接考察。因此，本文试图通过劳动力投入数量来间接分析战略性新兴企业的劳动力层次结构。。在资本投入方面，固定资产是企业生产经营活动的物质保证，会影响企业的生产率和技术进步水平。因此，本文选择企业固定资产净额与总资产的比值作为固定资产比率的衡量指标。根据委托代理理论，企业内部的股权结构会对企业的决策效率产生影响，进而影响企业的经营绩效。因此，本文选择第一大股东持股比例代表企业的股权集中度水平。企业的成长性越好，企业的竞争力就越强，经营效益就越好，对企业生产率起到促进作用就越强。因此，本文选择营业收入增长率代表企业的成长性。在控制变量方面，由于净资产收益率的提高会为企业改善经营管理水平、扩张企业规模提供必要的资金支持，从而体现企业的盈利能力，进而会影响企业的生产率水平，因此，本文将净资产收益率作为控制变量之一。不同的融资形式在融资成本、风险、收益等方面会有所差异，还会影响企业的研发投入和管理水平，进而对企业的生产率水平产生影响。因此，需要将债权融资比重和股权融资比重作为衡量企业外部融资的指标考虑在内。各变量的具体含义如表4所示。

表4 变量说明

根据各影响因素情况，可以将回归模型设定为*考虑到既有研究中政府补贴和股权集中度对企业的影响并非简单的线性关系，本文尝试通过引入政府补贴和股权集中度的二次项，但是回归结果并不显著，并不存在“U”型或者倒“U”型的非线性关系。因此，本文并未引入政府补贴和股权集中度变量的二次项。同时，考虑到逆向因果问题的影响，本文试图将企业成长性变量的滞后一期进行回归分析，但是系数的方向为负且不显著，不符合一般的理论解释。因此，本文也未用核心解释变量的滞后一期替换原有解释变量进行回归。：

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

β6Roeit+β7Debtit+β8Equityit+εit

其中，下标i和t分别表示第i个公司和第t年。

(二)样本的描述性统计和检验

由表5可知，员工数量L的标准差较大，可能会影响回归结果，因此回归分析之前对其取对数，以保证实证结果的准确性。

表5 各影响因素变量的描述性统计分析

在正式回归之前，本文对各个影响因素变量进行多重共线性检验，结果如表6所示。由表6可知：除Debt与Equity的相关系数为-0.5964外，其他各影响因素相关系数的绝对值均小于0.5，说明各个影响因素变量之间不存在强相关性，样本不存在多重共线性的问题。

表6 多重共线性检验结果

(三)回归结果分析

之所以采用Tobit模型分析长三角地区战略性新兴产业全要素生产率的变动及其分解项的影响因素，是因为采用的是2008—2015年间的平衡面板数据，因此采用面板Tobit模型。由于没有充足的数据进行条件最大似然估计，因而无法进行固定效应面板Tobit回归，如果类似于LSDV法—直接在混合面板Tobit回归中引入个体虚拟变量，所得固定效应估计量将是有偏的。因此，可以利用发展较为成熟的是混合面板Tobit模型和面板随机Tobit模型(程广斌 等，2017)。而选择混合面板Tobit模型和面板随机Tobit模型的判断依据是：如果Likelihood-ratio检验所对应的p值小于10%，则认为存在个体效应，应采用面板随机Tobit模型；如果Likelihood-ratio检验所对应的p值大于10%，则选择混合面板Tobit模型。经检验，五个方程中LR检验对应的p值均超过了10%，因此选择混合面板Tobit模型。同时，考虑到Tobit模型中可能存在的异方差问题，本文采用稳健标准差的方法进行处理(陈强，2014)，并在公司层面予以聚类。

由表7可知，五个方程的F检验统计量均在5%的统计水平上显著，而且大部分解释变量对被解释变量的影响结果与相关文献的研究结果相一致，因此模型的解释能力较强，回归结果是可靠的。

(1)政府补贴对TFPCH、EFFCH、PECH、SECH均产生负向影响，并且对TFPCH、EFFCH的影响在1%的水平上统计显著且影响程度较高，对TECHCH产生正向影响但不显著。这说明政府补贴限制了资源的优化配置、管理能力的提升以及规模经济效应的实现，并没有能够显著促进技术水平的提高，从而严重抑制了全要素生产率的提升。这与前文第三部分产业整体视角的分析中EFFCH、PECH、SECH在政策实施后呈下降趋势、TECHCH虽呈上升趋势但增长率却逐渐下降的结论相一致。可能的原因是政府补贴资金的使用效率并不高。战略性新兴产业企业获取政府补贴的成本较低，获得的大部分资金并没有投入到产品的研发、生产工艺的改进之中，而是被用于低层次重复建设、低附加值产品的生产制造等环节，进而导致企业整体生产率水平的降低。

表7 Tobit回归结果分析

注：括号内的数值为变量估计系数的t统计值；***、**、*分别表示在1%、5%、10%的统计水平上显著。

(2)员工数量对TFPCH、EFFCH、PECH在1%或5%的显著性水平上产生负向影响，对TECHCH在5%的显著性水平上产生程度较低的正向影响，对SECH产生不显著的正向影响。这说明劳动力投入对生产率水平的抑制主要源自对纯技术效率水平的抑制，而对技术水平的提升起到了较小程度的促进作用，但对生产规模扩张的促进作用并不明显。这背后的原因可能在于：企业员工的整体素质不高，低层次劳动力的团队合作能力和自律意识相对较弱，更加需要相应规章制度的约束与引导，因此，低层次劳动力的增多在一定程度上会增加企业管理成本，从而限制企业管理水平的进一步提升以及劳动力资源的合理配置；在技术水平方面，低层次劳动力的增多有利于常规技术的传播和技术熟练掌握，但对于核心技术的研究开发影响微弱，因此对TECHCH的影响系数较小；与高素质劳动力相比，低层次劳动力对于生产技能的吸收能力相对较差，因此对成本节约与规模经济效应的影响作用薄弱。

(3)固定资产比率对TFPCH、TECHCH均在1%的显著性水平上产生负向影响，对EFFCH、PECH、SECH的影响系数分别为：-0.0442、0.0544、0.0618。这些在统计上均不显著。这说明固定资产比率对战略性新兴产业生产率的提升存在一定程度的抑制效应，而这主要来源于对技术水平的抑制。可能的原因是：企业更注重生产制造环节中大型设备的引进和使用，从而忽略了技术设备的使用效率。

(4)第一大股东持股比例对TFPCH、EFFCH、PECH、SECH均产生正向影响，并且对TFPCH、EFFCH、SECH的影响分别在10%、1%、10%的统计水平上显著。这说明股权集中度越高，股东代理成本越低，企业管理层的决策越容易得到及时、高效地执行，企业的管理效率、规模水平和资源配置能力越高，经营绩效越好。而第一大股东持股比例与TECHCH呈显著负相关，显著水平达10%。可能的原因在于：企业在集中决策的过程中更倾向于规模的扩张而非创新能力提升，而通过低端生产环节获取短期收益，这并不利于技术水平的提高。

(5)企业的成长性与TFPCH、EFFCH、TECHCH、PECH、SECH均呈正相关，并且对TFPCH、EFFCH、TECHCH的正向影响在1%的统计水平上显著，对SECH的正向影响在5%的统计水平上显著。原因在于：成长率高的企业，在人才、信息、技术、管理经验等方面资源较为充足，更容易获得规模经济、资源整合能力和技术水平方面的优势，从而有效提升企业经营绩效，使得企业拥有更多的资金投入到管理、研发等环节，形成生产率不断提高的良性循环。

(6)控制变量方面，净资产收益率对生产率的促进作用主要源自对技术效率水平的促进，而对技术进步率反而起到抑制作用。说明随着净资产收益率的提升，企业将把更多资金投入到易于见效的规模扩张领域(与SECH呈正相关)，而对研发创新的投入不足。债权融资比重与股权融资比重会对TFPCH的促进作用主要受技术效率的影响，而债权融资比重对TECHCH产生负向影响，股权融资比重对TECHCH的正向促进作用并不明显。原因在于：战略性新兴产业企业技术创新的重要来源之一是银行贷款，但是银行在贷款时限制条件较为严格，无疑会增加战略性新兴产业企业的还款压力和融资成本，进而影响创新活动的积极性，在一定程度上阻碍了研发投入。而中国上市公司普遍存在治理结构不健全的问题，使得企业股本资金使用效率低下，从而导致战略性新兴产业企业对技术革新的投入不足。

五、结论和对策建议

(一)研究结论

本文采用DEA-Malmquist指数方法，对2007—2015年长三角地区战略性新兴产业上市公司全要素生产率的变动及其分解项进行了分析，并利用混合面板Tobit模型对各影响因素进行了实证检验，得到以下几点结论：(1)从产业整体来看，长三角地区战略性新兴产业上市公司呈现纯技术效率和规模效率双低的发展趋势。(2)长三角地区战略性新兴产业的发展存在区域异质性和行业异质性。从地区来看，安徽省技术水平较低，产业发展的低端化现象表现得最为明显；浙江省技术水平有所进步，但技术效率水平不高；江苏省技术进步率和纯技术效率都不高，从而制约了生产率的提升；上海市全要素生产率及其分解效率均呈下降趋势。从产业来看，新能源汽车产业、节能环保产业、新材料产业技术水平均有所上升，技术效率偏低成为制约其生产率提高的重要原因；高端装备制造业、新能源产业的关键问题在于核心技术的突破，生物产业、新一代信息技术产业则呈现“低技术效率、低技术进步率”双低的发展趋势。(3)从影响因素来看，政府补贴资金使用效率较低、企业员工素质不高、技术设备的使用效率不高，使得长三角地区战略性新兴产业呈现低端化发展的趋势；而股权集中度适中、成长率较高的企业能更好地促进生产率的提升。此外，净资产收益率、外部融资水平的提升均对企业生产率水平的提升有积极影响。

(二)政策建议

基于以上实证结论，为了进一步促进长三角地区战略性新兴产业生产率的提高，避免和传统制造业一样陷入“高端产业、低端发展”的怪圈，推动战略性新兴产业企业从GVC的低端逐步提升到GVC的中高端，本文提出以下几点政策建议：

第一，要加大研发投入，突破核心技术的制约；完善“市场为导向、政府为引导、企业为主体、产学研相结合”的体系，提高科技成果转化率；逐步探索出适合不同产业发展的产业集中度水平，有效提升龙头企业的市场份额，发挥规模经济效应，既要防止过度垄断带来的创新不足，又要避免过度竞争带来的资源浪费；企业应积极向集约型的生产方式转变，有效提升资源整合能力。

第二，应着重于自主创新能力的提升以及品牌的构建，依托庞大的国内消费市场，对产业低端生产环节进行转移，通过构建区域价值链、国内价值链的方式，逐步建立起特定产业为主导的全球价值链；对于相对弱势的地区和产业，可先嵌入发达国家主导的全球价值链，以此实现产品升级，再由价值链的低端环节向中高端环节逐步拓展。

第三，政府应实施精准补贴的政策，加强政府补贴信息的监督与管理，加大企业政府补贴信息的披露力度，提高资金使用效率；企业应加大高层次人才的引进与培养，完善人才的激励和留用机制，确保高端技术人才引得进、用得好、留得住；企业应提升重大技术设备的使用效率，减少设备的闲置浪费；完善上市公司内部治理机制，保持一定的股权集中度，提升内部管理水平；积极提升企业自身素质，形成技术不断进步、资源配置不断优化的良性循环。此外，要积极培育和完善多层次资本市场，拓宽企业资金来源渠道，降低融资成本，为战略性新兴企业提供良好的资金保障，进而引导其将资金投入到技术创新领域。

陈强. 2014. 高级计量经济学及Stata应用[M]. 北京:高等教育出版社:216-217.

程广斌,龙文. 2017. 丝绸之路经济带城市可持续发展能力及其影响因素：基于超效率DEA-面板Tobit模型的实证检验[J]. 华东经济管理(1):35-43.

程贵孙,芮明杰. 2013. 战略性新兴产业理论研究新进展[J]. 商业经济与管理(8):75-83.

胡汉辉，周海波. 2014. 战略性新兴产业发展陷阱:表现、成因及预防[J]. 科技进步与对策(3):61-66.

黄启才. 2013. 我国战略性新兴产业的国际地位及升级策略[J]. 经济纵横(8):55-59.

季凯文. 2015. 中国生物农业全要素生产率的增长效应及影响因素研究：对 32 家上市公司的实证考察[J]. 软科学(2):41-45.

姜达洋,李宁. 2013. 从美国经验看中国战略性新兴产业低端化问题[J]. 华东经济管理(1):89-92.

李琪. 2013. 我国战略性新兴产业的发展动向及策略[J]. 福建论坛(人文社会科学版)(11):44-48.

刘志彪. 2012. 战略性新兴产业的高端化:基于“链”的经济分析[J]. 产业经济研究(3):9-17.

路世昌,关娜. 2012. 基于DEA- Tobit的装备制造业上市公司经营绩效研究：来自2005～2010年装备制造业的经验数据分析[J]. 工业技术经济(2):108-115.

吕岩威,孙慧. 2014. 中国战略性新兴产业技术效率及其影响因素研究[J]. 数量经济技术经济研究(1):128-143.

孟祺. 2016. 基于“一带一路”的制造业全球价值链构建[J]. 财经科学(2):72-81.

任保全,刘志彪,王亮亮. 2016. 战略性新兴产业生产率增长的来源:出口还是本土市场需求[J].经济学家(4):13-23.

任保全,任优生. 2016. 长三角战略性新兴产业发展的演变趋势及增长质量研究[J]. 现代经济探讨(9):77-81.

任保全,王亮亮. 2014. 战略性新兴产业高端化了吗[J]. 数量经济技术经济研究(3):38-55.

任优生,邱晓东. 2017. 政府补贴和企业R&D投入会促进战略性新兴产业生产率提升吗[J]. 山西财经大学学报(1):55-69.

王其中. 2013. 促进战略性新兴产业高端化发展的思考[J]. 经济纵横(12):60-62.

薛艳杰. 2011. 长三角战略性新兴产业:现状、趋势与对策[J]. 经济体制改革(3):50-54.

袁礼,国胜铁. 2014. 融资偏好会影响生产率增长吗:来自我国战略性新兴产业的经验证据[J]. 商业研究(10):25-31.

张根文,曾行运. 2014. 基于DEA-Tobit模型的新能源汽车生产效率及影响因素研究[J]. 工业技术经济(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，江苏盐城人，博士，南京师范大学商学院教授，硕士生导师。

杨若霞(1993--)，女，河北石家庄人，南京师范大学商学院硕士生。

本文是国家社会科学基金项目“技术负位势视角下我国企业技术寻求型FDI的逆向技术转移机制研究”(批准号 13BJY084)的阶段成果，同时得到江苏省创新经济研究基地资助。

F427

A

1001-6260(2017)11-0024-10

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

(责任编辑 张 坤)