基于產業協同集聚的安徽省生產性服務業效率研究

趙鵬

近年來，安徽省生產性服務業保持持續增長態勢，引領產業轉型升級，促進產業鏈、價值鏈向高端躍升，為“雙循環”大背景下安徽經濟高質量發展，打造長三角高端制造業主陣地帶來了更加充沛的、充滿活力的新動能。然而，相較于長三角其他地區和發達省份，安徽省生產性服務業在發展規模、發展效率和協同集聚方面還有著較大的發展空間。相關研究表明，生產性服務業與制造業的協同集聚可以在推動兩個產業有效互動與融合的過程中，進一步提升產業各自的技術水平與生產效率［1］。因此，生產性服務業的發展，不僅僅是單一產業的集群發展，更應該是協同集聚的高水平發展，是注重協同供給質量和高效率的高質量發展。產業協同集聚水平能否帶來安徽省整體和16個地市的生產性服務業產業效率的提高，協同集聚對產業效率影響機理如何，是值得研究的問題。基于此，探究安徽省生產性服務業與制造業的協同集聚對生產性服務業產業效率影響機制，分析生產性服務業發展質量和效率提升策略，對促進生產性服務業和制造業深度融合、加快生產性服務業轉型升級和創新發展具有重要的現實意義。

一、相關研究綜述

通過知網文獻檢索，現有生產性服務業研究主要集中在利用DEA方法、投入產出法、回歸分析法等實證方法測度生產性服務業效率，并在此基礎上給出相關政策建議；有學者對生產性服務業與制造業效率、制造業互動融合進行研究，探討生產性服務業和制造業協調集聚發展的機制和規律等問題，表明生產性服務業與制造業的協同集聚水平僅對欠發達地區的作用效率存在顯著的正向效應［2］，生產性服務業對制造業升級的促進作用表現出顯著的省際差異［3］，協同集聚對制造業全要素生產率變化產生正向影響［1］。也有學者研究生產性服務業的影響因素，選取城市化水平、人力資本積累、經濟發展水平、經濟發展結構、基礎設施等變量，研究其影響機制，得出信息化水平、人才投入、科技投入等對生產性服務業有重要的推動作用［4］。部分省內學者還從生產性服務業集聚水平測度、技術效率實證分析等角度進行了研究，顯示產業融合程度對安徽省生產性服務業的發展有明顯的促進作用，而經濟發展水平對生產性服務業的發展作用不顯著［5］。現有研究中，基于生產性服務業和制造業產業協同集聚水平的生產性服務業產業效率研究較少，也缺乏安徽省區域內16地市生產性服務業產業效率的研究。因此本文基于DEA-Malmquist模型進行了安徽省整體以及16地市的生產性服務業產業效率實證測度，并從產業協同集聚的角度探究了生產性服務業產業效率的影響機制，給出提高安徽省生產性服務業產業效率的對策建議。

二、研究方法

（一）DEA-Malmquist模型

DEA模型是將所有的決策單元的投入和產出項投影到幾何空間中，以尋找最低投入或最高產出的邊界［6］。傳統的CCR模型和BCC模型往往只能比較決策單元（DMU）在某個時點的時間效率，對面板數據不大適用。因此，采用DEAMalmquist指數模型測度決策單元在不同時期的動態時間序列下效率的變化，用來分析面板數據較為合適。其表達式為：

式中，MAL代表Malmquist產業效率指數，x，y分別代表投入變量和產出變量分別代表以t和t+1期為參照的距離函數。該產業效率指數可以分解為技術效率變化和技術進步變化，而技術效率變化又可以分解為純技術效率變化和規模效率變化。

利用DEA-Malmquist模型可以計算生產性服務業在動態時間序列下的技術效率、技術進步、純技術效率、規模效率和全要素生產率。當數值大于1時，表明產業效率是增長的，反之，則是下降的，值越大，表示產業效率越高。本文選擇生產性服務業增加值作為產出指標，生產性服務業固定資產投資、從業人員數量作為投入指標，利用DEAP2.1軟件測算了2013年至2019年的7個年度中安徽省16個地級市的生產性服務業產業效率值以及變化情況。

（二）面板數據回歸模型

為了衡量安徽省制造業與生產性服務業的協同集聚效應對生產性服務業產業效率的影響，采用實證分析的方法對搜集的相關數據進行處理，并構建實證分析模型。

其中，PROE表示生產性服務業產業效率，數值來自于EDA-Malmquist模型實證分析所得的產業效率。CI表示協同集聚指數，代表生產性服務業與制造業的協同集聚水平。考慮到集聚指數CI可能與產業效率PROE之間存在的非線性關系，在公式中加入了集聚指數CI的二次方［7］。EDU代表受教育程度，TEC表示技術創新能力，ε代表模型的隨機誤差。下標的i，j分別代表不同的城市和年度。本文采用Stata16.0軟件進行描述統計、平穩性檢驗，并在此基礎上進行面板數據的Tobit模型回歸。

（三）變量說明

1.生產性服務業產業效率（PROE）

生產性服務業產業效率是模型的因變量，也是模型的核心解釋變量，選用數據包括分析所測算的7個年度16個地市生產性服務業的技術效率，表示不同城市的生產性服務業在一定條件下投入產出要素的生產效率。產業效率可以衡量某市生產性服務業的投入產出是否有效。由于在實證分析過程中，用固定效應和隨機效應的面板回歸分析均未能得到顯著的一致估計。因此借鑒杜宇瑋（2017）的做法，采用Tobit模型來分析協同集聚指數和其他控制變量對生產性服務業產業效率的影響機制。

2.協同集聚指數（CI）

協同集聚指數是模型中關鍵解釋變量，采用的是基于區位熵計算的協同集聚指數。協同集聚表示各城市不同產業集聚在空間上建立起聯系，進而更有效地推動產業的有效互動和融合［8］。協同集聚指數的實證分析方法包括綜合指數法、赫芬達爾指數法、投入產出法、區位熵法、E-G指數法等。考慮到數據的可獲得性，基于兩個產業的區位熵共同構建指數模型。表達式如下：

其中，cmi表示某城市制造業的區位熵值，Csi表示某城市的生產性服務業的區位熵值；emi和Emi分別代表各城市制造業的產值和安徽省制造業的總產值；esi和Esi分別代表各城市生產性服務業的產值和全省生產性服務業的總產值；ei和E分別表示各城市總產值和全省總產值。CIi表示各城市的協同集聚指數，代表某城市的產業間協同集聚程度，數值越大，表示協同集聚效應越高。

3.其他變量

生產性服務業的發展還會受到人力資源狀況和科技發展狀況等因素的影響。模型中設計了相應的控制變量來還原這些因素的影響作用。人力資源狀況由變量受教育程度EDU來代表，采用的數據是各市每十萬人口中擁有大專及以上學歷人群的百分比；科技發展狀況由變量技術創新能力TEC來代表，采用的數據是各市三種專利申請受理的數量占全省專利總數的比例。相關變量描述性統計結果如表1所示。

（四）數據來源

數據來源是2014至2020年安徽省統計局發布的《安徽統計年鑒》及各地級市統計年鑒和相關公開數據。考慮到統計數據的可獲得性和相關研究的一致性，選取交通運輸、倉儲和郵政業，信息傳輸、計算機服務和軟件業，金融業，租賃和商務服務業，科學研究和技術服務業［9］五個行業的數據來代表生產性服務業。

三、分析結果

（一）產業效率分析

1.產業效率空間分布特征

表2顯示的是2013年至2019年安徽省16個地市生產性服務業產業效率的空間分布情況。由表2可見，安徽省生產性服務業技術效率指數呈現“北高南低”的趨勢，皖北區域的阜陽、亳州、宿州三地技術效率變化指數位居全省前三位。大部分城市的指數值大于1，生產性服務業技術效率體現正向發展的趨勢。蕪湖、宣城、馬鞍山等地的技術效率指數排名較為靠后，且指數值小于1，說明三個城市的技術效率變化近年來可能呈下降趨勢。純技術效率指數僅在蕪湖、馬鞍山兩地低于1，其余城市的數值都在1以上，說明在一定的規模條件下，兩地的生產性服務業純技術效率變化呈下降趨勢。其余城市生產性服務業純技術效率成上升趨勢。淮北、宿州兩地在生產性服務業規模效率方面指數較為靠前，但有7個地市未達平均值，5個城市的生產性服務業規模效率方面指數小于1。

技術進步指數反映了安徽16個地市的生產性服務業的技術進步程度，所有地市的指數均為正值，說明各市的生產性服務業都存在技術進步，指數值越高，說明技術進步影響越大。位于安徽中部的六安市技術進步指數值最高，滁州、淮南等則相對較低，呈現出中部區域高，周圍區域低的趨勢。全要素生產率方面，全省16個地市的指數值均為正，說明各市的生產性服務業的全要素生產率均呈正增長態勢，其中淮北的全要素生產率指數值最高。全省各地市的全要素生產率分布較為均衡，但出現了區域分化的現象。

表2安徽省各地市生產性服務業產業效率

2.產業效率時間分布特征

表3顯示的安徽全省2013年至2019年生產性服務業產業效率變動情況。由表3可見，全省生產性服務業技術效率變化指數除兩個時段小于1外，其余時段的指數值均大于1，說明技術效率遞增效應并不明顯，呈現了先增高后降低再增高的趨勢。技術進步變化指數、純技術效率變化指數也體現了相類似的變化趨勢，但其變化在技術效率變化之前，存在技術進步引導技術效率變化的現象。規模效率方面，在時間上呈現波動式變化，缺乏穩定的變化趨勢，未能表現出穩定的規模效應遞增。這與省內學者提出的生產性服務業發展已經逐漸顯現出規模經濟特征的結論［10］并不一致。全要素生產率方面，僅有一個時段數值低于1，其余時段都呈現全要素生產率增長的趨勢。但全要素生產率增長速度變化趨勢不明顯，增速出現了漲跌交替的現象，說明安徽省整體的生產性服務業的發展還不夠穩定，受各種因素干擾較大。總體來說，安徽省生產性服務業全要素生產率的變化與技術進步變化有較高的趨勢一致性，可以說技術進步引導著全要素生產率和技術效率的變化，提高純技術效率和技術進步將有助于產業效率增長。

表3安徽省省域2013年至2019年產業效率變動情況

（二）Tobit回歸分析

1.平穩性檢驗

在擬合模型之前，需要對數據的平穩性進行檢驗，以避免因此帶來的偽回歸問題，確保估計結果的有效性。對變量使用LLC單位根檢驗（Levin-Lin-Chu unit-root test）考察面板數據的平穩性，原假設為面板數據存在單位根。表4的檢驗結果表明，在加入個體固定效應與線性時間趨勢的LLC檢驗中，6個變量均在1%的顯著性水平上拒絕原假設，面板數據為平穩過程，可以進行Tobit回歸。

表4各變量LLC檢驗結果

2.參數估計

表5顯示了2013年至2019年安徽省生產性服務業產業效率各影響因素的Tobit模型回歸結果。可以看出，協同集聚指數的估計系數為正，在1%的顯著水平下效果明顯，并且在四個變量中影響系數最高，表明協同集聚水平對各地市的生產性服務業產業效率有著比較顯著的影響。其作用程度為，協同集聚水平每提高1個百分點，會對生產性服務業效率產生1.528 2個百分點的正向影響。協同集聚指數平方變量的估計系數值為負，在5%的顯著水平下效果明顯，說明協同集聚對生產性服務業產業產業效率的影響效果并不持續為正。原因可能在于，當協同集聚水平不斷增加時，受到資源、競爭、環境、政策等因素的限制，導致協同集聚所帶來的擁負效應日益凸顯［7］。產業協同集聚對生產性服務業產業效率的影響存在正向的顯著影響作用，但影響作用存在著邊際效用遞減的機理，其優勢未能得到充分發揮。

控制變量人力資源狀況在10%的顯著水平下對生產性服務業的影響是正向的，且影響程度較為明顯，這表明，大專學歷以上人員占比越高，受教育程度越高、人力資源狀況越好，對生產性服務業效率的影響程度越大。科技發展狀況對生產性服務業效率影響較小，并且沒有通過顯著性檢驗，說明在本模型中科技發展狀況變量對生產性服務業的效率影響并不明確。這需要在后續的研究中進一步探索。

表5各變量回歸結果

四、結論及建議

本文采用了DEA-Malmquist模型測度了安徽省生產性服務業產業效率的空間、時間特征和變化規律，并基于協同集聚水平關鍵變量，采用Tobit模型實證考察了各變量對生產性服務業的影響機制。

（一）結論

1.產業效率空間特征

安徽省16個地級市生產性服務業的全要素生產率差距不大，都呈現正增長的態勢，但存在區域分化現象。全要素生產率排名靠前的皖北區域城市居多，但排名靠后的皖北城市也有1個；省會城市合肥的全要素生產率排名第九，位居中部位置。技術效率變化中，呈現“北高南低”的趨勢；技術進步變化中，皖中的六安位居第一位，整體呈現中間高、周圍低的趨勢。

2.產業效率時間特征

技術效率變化指數時間上呈現上下波動，但總體呈現先增高后降低再增高的波形趨勢，技術進步和純技術效率變化指數也體現了相類似的變化趨勢。規模效率變化也呈波形變化，且只在3年中存在規模效應的遞增，其余時間都表現為規模效應遞減。全要素生產率僅在2015至2016年的時段降低，其余時段都呈現增長的趨勢。總體來看，技術進步引導著全要素生產率和技術效率的變化，提高純技術效率和技術進步有助于產業效率增長。

3.協同集聚對產業效率的影響

生產性服務業與制造業的協同集聚水平對生產性服務業產業效率的提升有著正向的顯著影響。但協同集聚水平平方的估計系數為負，說明協同集聚水平對產業效率的影響并不總為正。協同集聚水平對生產性服務業產業效率的影響存在著邊際效用遞減。

（二）對策建議

基于以上研究結論，給出以下提升安徽省生產性服務業產業效率的對策建議。

1.實施區域協調發展戰略

各地級市要充分考慮資源稟賦和區位優勢，明確各城市的角色和功能定位，推動生產性服務業與其他產業的產業聯動和空間協同發展［11］。省級層面要做好生產性服務業區域布局的引導和協調，制定有針對性的產業協調發展政策，避免重復建設，充分發揮規模效應。

2.加大技術改造升級力度

技術進步引導著全要素生產率和技術效率的變化，通過技術改造升級，可以提高生產性服務業的技術創新。依靠技術進步和創新優化產業結構，提高行業內部高知識技術含量［12］，進而通過引導機制促進技術效率和全要素生產率的提升，形成規模效應。

3.提高產業協同集聚水平

調整生產性服務業的規模、結構和質量，優化資源配置，營造生產性服務業與制造業共生共榮的產業環境，促進生產性服務業與制造業的協同集聚和深度融合，充分發揮產業協同集聚的正向影響作用，提升生產性服務業的產業效率。