潘俐 张迎春

摘要：为探究知识资本效率支持作用，基于2010—2021年151家海洋船舶业上市企业面板数据，采用空间杜宾模型（Spatial Dubin Model， SDM），实证分析知识资本对海洋船舶业全要素生产率影响。研究发现，知识资本对本企业全要素生产率有显著正向影响，对邻近企业全要素生产率有显著正向空间溢出效应。不同政府补助水平下，知识资本对海洋船舶业全要素生产率存在非线性影响。建议企业积极推动知识资本提升，政府制定合理补助政策，推动海洋船舶业高质量发展。

关键词：知识资本；全要素生产率；海洋船舶业

中图分类号：F276.7

文献标志码：A

文章编号：1006-1037（2023）02-0123-05

doi：10.3969/j.issn.1006-1037.2023.02.20

基金项目：国家社科基金重点项目（批准号：17ATJ002）资助；全国统计科研重点项目（批准号：2019LZ18）资助。

通信作者：张迎春，女，博士，教授，主要研究方向为国际比较、宏观经济统计等。

船舶行业作为中国战略性产业，可向能源提供交通运输工具，亦能技术支持国防建设和国防安全。中国属于造船大国，相较于其他造船强国，高技术、高附加值船舶等领域仍有较大差距。面对新市场形势，中国需加快船舶行业转型升级，提高技术水平和核心竞争力，推动船舶行业由高速增长阶段向高质量发展阶段迈进。研究发现，知识资本作为技术进步载体可通过优化资源配置、提升企业效率水平促进海洋船舶业全要素生产率提升［1-5］。由于新经济地理学和空间计量经济学的发展，知识溢出效应被广泛关注，知识溢出影响全要素生产率的研究聚焦产业角度、区域角度和国际角度，较少关注企业全要素生产率［6］。企业层面相关研究中，空间权重矩阵的构建方法存在较大差异［7］；创新增长理论认为，由于传统的区间检验存在主观性，不同政府补助水平下知识资本会抑制或促进企业效率提升［8-11］。由此，本文立足于海洋船舶业，运用Levinsohn-Petri半参数方法（LP）测度其全要素生产率，基于上市企业具体经纬度构建反距离空间权重矩阵，从人力、研发和创新设施资本维度构建知识资本指标体系，探究知识资本及溢出效应对海洋船舶业全要素生产率的影响。

1 研究设计

1.1 变量设定

为衡量海洋船舶业高质量发展，基于LP方法测算海洋船舶业全要素生产率，确定劳动投入、资本投入、产出和中间产品指标［12-13］。劳动投入用企业固定资产表示，基于固定资产价格指数平减。资本投入用企业员工数表示。产出用营业收入表示，基于工业生产者出厂价格指数平减。中间产品用购买商品、接受劳务支付的现金表示，基于原材料、燃料、动力价格指数平减。

核心解释变量为知识资本（KC），从人力资本、研发资本、创新设施资本［14-16］维度构建知识资本指标体系，运用熵权法计算权重。人力资本用研发人员数量占员工总数的比重表示，研发资本用研发费用占营业收入的比重表示，创新设施资本用专利授权数表示。

门槛变量：政府补助（PS）用政府补助占营业收入的比重表示。

控制变量：成长能力（GA）用企业利润总额占营业收入的比重表示，企业规模（Size）用企业资产总额占全部企业资产总额的比重表示，销售毛利率（GPM）用企业营业收入减去营业成本占营业收入的比重表示，盈利能力（PA）用企业利润总额占营业收入的比重表示，资产负债率（ALR）用企业负债总额占资产总额的比重表示。

1.2 数据来源

数据源自国泰安数据库（2010—2021）、《中国统计年鉴》《中国价格年鉴》等。由表1可知，不同企业全要素生产率标准差较大，说明样本中上市企业效率存在较大差异。

1.3 空间权重矩阵

构建空间权重矩阵Wij=1diji≠j0i=j，其中dij表示两个上市企业总部通过经纬度计算的直线距离。

构建空间杜宾模型TFPit=β0+β1KCit+δXit+αi+εit，其中TFP表示海洋船舶业全要素生产率；KC表示知识资本；X表示其他控制变量；i表示上市公司截面维度；t表示时间；β0表示截距项；β1表示知识资本对海洋船舶业全要素生产率的回归系数；δ表示其他控制变量对海洋船舶业全要素生产率的回歸系数；αi表示时间固定的固定效应；εit表示随机误差项。

2 实证分析

2.1 空间自相关检验

为考察知识资本是否存在空间溢出效应，需通过全局莫兰指数检验［17-18］。由表2可知，知识资本的莫兰指数均大于0，除2017年外其他年份的知识资本都通过了P统计值的显著性检验，表现较强的空间正相关性，说明知识资本存在显著的空间依赖性，即高—高聚集、低—低聚集。

2.2 模型识别与检验

通过豪斯曼检验，P统计值为0.051 7，选用固定效应模型。通过拉格朗日乘子检验，LM test spatial lag（robust）的P统计值为0.671，可选用空间误差模型、空间自回归模型和空间杜宾模型。通过似然比检验，P统计值均为0，拒绝选用空间误差模型和空间自回归模型的原假设。因此，空间杜宾模型确定为最优估计模型。

2.3 全样本回归分析

由表4可知，空间杜宾模型、空间误差模型及空间自回归模型都表明知识资本显著促进海洋船舶业全要素生产率提升。空间杜宾模型下，知识资本对全要素生产率的影响在10%的水平上显著；考虑空间因素后，知识资本的促进作用显著增强。控制变量中，企业规模和销售毛利率对海洋船舶业全要素生产率的影响在1%的水平上显著。这表明，知识资本不仅可促进本企业全要素生产率提升，也可辐射邻近企业。同质企业可通过交流经验、开展合作等优化技术，也可通过规模化生产、增加售价或者降低成本等提升效率。

由于存在空间滞后效应，需估算模型的直接效应、间接效应和总效应。其中，直接效应指本地区的自变量对因变量的溢出效应，间接效应指本地区自变量对相邻地区因变量的溢出效应，总效应则为两者之和。由表5可知，知识资本对海洋船舶业全要素生产率的直接影响在5%的水平上显著，对间接效应和总效应的影响在1%的水平上显著。这表明知识资本不仅可通过优化要素配置，整合企业资源提升本企业全要素生产率，也可随不同区域间资本流动，影响邻近企业资源，促进邻近企业创新能力提升，改进效率。

2.4 门槛效应检验

创新增长理论认为，政府补助可解决企业创新能力不足问题，不同的政府补助水平对创新能力提升作用不同［19］。通过检验发现，知识资本通过了双门槛检验。当政府补助的门槛值小于0.028时，知识资本促进海洋船舶业全要素生产率提升，且促进作用逐渐减弱；当政府补助的门槛值大于0.028时，知识资本抑制全要素生产率提升（表6）。这表明，若政府补助过高，企业会过度依赖政府补助，降低企业自主研发和创新能力，此时企业全要素生产率的提升仅依靠政府补助。若政府补助适度，企业全要素生产率的提升不仅依靠政府补助，也依赖于本企业效率的提高和创新能力的改进，企业会通过资源重组、加大研发投入等提高创新能力和效率，提高知识资本對全要素生产率的作用。

2.5 稳健性检验

采取Ackerberg Caves and Frazer半参数法（ACF）代替LP方法测度海洋船舶业全要素生产率，运用基于企业营业收入的空间经济距离矩阵代替反距离空间权重矩阵，依然选用空间杜宾模型。由表7可知，知识资本的回归系数大小有所改变，但其方向和显著性水平未发生根本性变化，说明研究结果稳健可靠。

3 结论

基于2010—2021年151家海洋船舶业上市企业的面板数据，以海洋船舶业全要素生产率为被解释变量，从人力资本、研发资本和创新设施资本三个维度综合评估企业知识资本总指数，分析知识资本对海洋船舶业全要素生产率影响的空间效应。知识溢出能促进海洋船舶业全要素生产率提升，源于知识作为一种无形的生产要素，可优化企业资本、劳动力等其他要素的配置，促进企业不同部门间各要素流动最终至平衡，实现企业效率水平提升。引入政府补助后，知识资本对海洋船舶业全要素生产率存在非线性影响，船舶行业作为中国“高、精、尖”产业，其发展需要资金扶持以加大研发投入力度。为此，企业和政府应协同合作，共同推进海洋船舶业全要素生产率提升，实现海洋船舶业高质量发展。

参考文献

［1］金水英.企业知识资本管理战略模型的构建［J］.统计与决策，2007（5）：155-156.

［2］刘英基.知识资本对制造业出口技术复杂度影响的实证分析［J］.世界经济研究，2016（3）：97-107+136.

［3］BONTIS N. Intellectual capital： An exploratory study that develop measures and models［J］.Management Decision，1998，36（2）：63-76.

［4］吴延兵.R&D与生产率—基于中国制造业的实证研究［J］.经济研究，2006（11）：60-71.

［5］张静，王宏伟.我国知识资本生产特征及其对经济增长的影响［J］.科学学研究，2017，35（8）：1156-1166.

［6］KELLER W. International technology diffusion［J］.Journal of Economic Literature，2004，42（3）：752-782.

［7］汪辉平，王增涛，王美霞.知识资本、空间溢出与中国工业企业全要素生产率［J］.山西财经大学学报，2016，38（5）：1-10.

［8］范黎波，马聪聪，马晓婕.多元化、政府补贴与农业企业绩效——基于A股上市企业的实证研究［J］.农业经济问题，2012，33（11）：83-90+112.

［9］LEE J W. Government interventions and productivity growth［J］.Journal of Economic Growth，1996，1（3）：391-414.

［10］ HOWELL A. Picking “winners”in China：Do subsidies matter for indigenous and firm productivity？［J］.China Economic Review，2017（44）：154-165.

［11］ 孙阳阳，王冬梅.政府补贴对战略性新兴企业全要素生产率的影响——基于创新激励的中介效应检验［J］.工业技术经济，2021，40（12）：3-13.

［12］ DE LUCIO J J， HERCE J A，GOICOLEA A. The effects of externalities on productivity growth in Spanish industry［J］.Regional Science and Urban Economics，2002，32（2）：241-258.

［13］ 张微微.全要素生产率的提高对农民工就业的影响［J］.城市问题，2019（1）：40-47.

［14］ 程惠芳，陆嘉俊.知识资本对工业企业全要素生产率影响的实证分析［J］.经济研究，2014，49（5）：174-187.

［15］ 陈超.进口贸易、FDI与国际知识资本溢出——来自跨国面板数据的经验分析［J］.世界经济研究，2016（2）：90-100+137.

［16］ 陈伟，陈银忠，杨柏.制造业服务化、知识资本与技术创新［J］.科研管理，2021，42（8）：17-25.

［17］ ELHORST J P. Matlab software for spatial panels［J］.International Regional Science Review，2012，37（3）：389-405.

［18］ 徐子暄，张旭.金融发展、创新能力对区域高质量发展的空间效应分析［J］.青岛大学学报（自然科学版），2022，35（1）：135-142.

［19］ YEH M L， CHU H P，SHER P J， et al. R&D intensity， firm performance and the identification of the threshold： Fresh evidence from the panel threshold regression model［J］.Applied Economics，2010，42（3）：389-401.