技術創新對紡織產業高端化的影響與作用機理
——基于全要素生產率視角

許 菱，張 紅，石 琴，曾凱霖,c

(江西理工大學, a.經濟管理學院;b.贛州市高質量發展研究院;c.贛州市金融研究院，江西贛州 341000)

當前中國紡織工業擁有全球規模最大、最完整的產業鏈體系，在生產制造和出口總量等方面都具有絕對優勢，然而絕大部分企業被鎖定在生產、加工、制造等價值鏈低端地位。與此同時，中國正面臨著勞動力低成本優勢不再、市場份額收縮以及紡織技術及工藝水平偏低等問題[1-2]，高端服裝面料、特殊功能面料等高附加值產品比重不高，中低端產品受東南亞國家擠壓，由此紡織產業增長面臨“雙向擠壓”。由于技術創新能帶來產品、工藝等創新[3]，幫助紡織業有效提升產品附加值率[4-5]。因此，中國紡織產業如何通過技術創新擺脫既定的鎖定路徑，推動紡織產業高端化升級是當前亟須解決的問題。

產業高端化是從產業價值鏈低端向高端轉型升級的過程[1,6]，表現為產業附加值率提升、盈利水平提高、結構優化和可持續發展能力增強等[7-8]。具體來看，產業高端化就是通過提升技術創新，從原有的依靠追加要素投入的發展模式，轉變為注重全要素生產率提升的模式[9]。對于產業高端化這一議題，學者們主要傾向于從“價值鏈提升”和“生產率提升”兩個角度對產業高端化進行探討。從價值鏈升級視角方面，學者們從產業高端化的概念與內涵出發，構建出產業高端化評價指標體系，探究了產業高端化的影響因素[3,10-12]，并基于不同方面制定了產業高端化路徑[13-14]。從生產率提升視角方面，學者們主要針對戰略性新興產業、高新技術產業等高端化的影響因素[15-17][17-19]展開研究，趙子健等[9]、任保全等[18]、申俊喜等[19]紛紛探究了產業高端化發展路徑。隨著學術界對產業高端化的持續關注，不少學者也開始探討技術創新對產業高端化的影響關系[3,11-13]，然而現有研究主要集中在戰略性新興產業等高技術制造產業，涉及微觀主體企業高端化發展的研究較少。與高技術制造產業相比，紡織服裝等低技術制造產業技術創新活動主要集中在靠近產業鏈的后端，面料研發、服裝設計和品牌影響力等自主性不強，技術創新水平遠達不到行業平均水平。此外，紡織產業處在轉型升級的關鍵期，推進紡織產業高質量發展正提上日程。那么當前國內紡織產業高端化水平如何？技術創新對紡織產業高端化是否產生影響？其影響機制如何？怎樣才能推動紡織產業向高端化發展？這些在前人的研究中并沒有得到回答。鑒于此，本文基于生產率提升視角，通過DEA-Malmquist指數法測算全要素生產率，以此探究紡織產業高端化發展趨勢，通過實證分析，既探討了技術創新對紡織產業高端化的直接影響，又關注了企業內部性質所造成的異質性，同時也進一步探究了技術創新通過企業競爭優勢、企業績效這兩種機制對產業高端化的影響，最后給出政策建議。

1 理論分析與研究假設

在經濟學上，產業高端化的最直接體現是全要素生產率的提升[9,19]，通過全要素生產率及其分解指標，有助于找出產業高端化的影響因素，找準產業高端化路徑[18-19]。因此，將基于全要素生產率視角，從理論上分析技術創新與產業高端化的影響關系及作用機制。

1.1 技術創新對全要素生產率的直接效應分析

根據內生性增長理論和創新理論可知，技術創新能通過推動技術進步有效提升全要素生產率。然而國內外關于技術創新與全要素生產率的實證研究形成了不同的觀點，部分學者提出技術創新對全要素生產率的作用或促進或抑制[21]；另一部分學者則實證表明兩者呈正“U型”或倒“U型”關系[20, 22]。此外，還有些學者認為兩者存在滯后效應，滯后階數在1-3年不等[21, 23]。因此，技術創新與全要素生產率的關系以及滯后階數暫未有定論，值得深入探討。

技術創新對全要素生產率的影響作用主要體現在兩個方面：從短期來看，技術創新從投入到產出需要一定的周期，創新活動存在高風險，如果投入不能帶來產出的增加或者投入的成本效益遠高于產出所帶來的經濟效益，則短時間內難以提高全要素生產率[20, 24]。而且技術創新活動主要匯聚于基礎性、長期性的領域內，占據企業大量資源，而要實現創新成果向現實生產力的轉變需要經過一系列的中間環節，同樣難以推動全要素生產率的提升。

從長期來看，持續的研發投入會積累大量的知識存量，當這些知識積累轉化為新技術、新產品進入市場獲利，技術創新的投入和產出才會達到平衡。具體表現為：一方面，技術創新的積累效應能增加企業的知識存量和技術存量，加快企業引進和吸收先進技術的速度，實現再創新推動企業技術進步，從而提高全要素生產率。另一方面，技術創新能夠增強高端產品開發和供給端能力，有效改善資源配置效率，從而促進全要素生產率提升[20]。因此，提出H1、H2假設：

H1：短期內技術創新難以提高全要素生產率。

H2：技術創新對全要素生產率的提升具有滯后效應。

1.2 技術創新對全要素生產率的影響機制分析

筆者認為技術創新對全要素生產率的影響可能通過提升企業競爭優勢與企業績效這兩個渠道得以實現。

從競爭優勢維度看，企業的技術創新能力、專利等無形資產是企業獲取核心競爭優勢的重要來源[25]，企業在進行產品創新、材料創新、工藝創新等一系列技術創新行為后，企業發展質量和效率將有所提高，甚至引發組織管理水平的變動，表現出要素投入更有效率地轉化，從而使企業競爭優勢不斷提升[26]，而越具有競爭優勢的企業，越能通過技術、效率、規模等進行高效低成本的生產，從戰略的高度實現資源的有效配置，從而推動全要素生產率的提升[27]。但隨著企業紛紛搶占市場勢力而造成過度市場競爭環境，迫使企業開展低成本、低水平創新快速搶占市場份額，導致企業將更多的關注點從自主創新轉移至技術模仿和技術溢出，進而削弱了企業自主創新動力，弱化了其對全要素生產率的正向影響[28]。

從企業績效維度看，技術創新過程中存在創新資源投入和產出的不對等關系，因而技術創新不僅無法帶來當期績效的提升，反而造成了績效的降低[29]。而在企業績效的提升過程中，企業技術創新資源遭到擠占，勞動者生產積極性由此削弱，因而也難以帶來生產率的提升。然而，技術創新對企業績效的提升存在滯后效應[30]，持續投入創新資源一方面能夠帶來專利和無形資產等直接成果的增加，使得企業無形資產擴大。另一方面通過新技術帶來企業成本的降低和效率的提升，使得員工更有生產價值，能夠開發出差異化產品和新型工藝，帶來企業流動資產的增加，因而企業績效得以提升[31]，企業發展實力得到加強，則企業有足夠的資金優化資源配置，間接促進全要素生產率的提升。

綜上，提出假設H3：

H3：技術創新通過競爭優勢效應與績效提升效應作用于全要素生產率。

技術創新與全要素生產率作用關系如圖1所示，以技術創新為開端，分別檢驗了依靠技術創新短期效應、滯后效應對全要素生產率的直接影響，同時引入競爭優勢、企業績效兩大中介變量分析技術創新對全要素生產率的動力機制。

圖1 技術創新與全要素生產率的作用關系

2 研究設計

2.1 樣本選取與數據來源

在樣本的選擇方面，考慮到上市公司大多是紡織產業的成功代表，成長性強，經濟效益和附加值都更高，因而選擇上市公司作為微觀樣本主體研究產業高端化更具有代表性和說服力，認定的紡織樣本企業是根據《國民經濟行業分類》(GB/T 4754-2017)劃分的，并參照王瑞榮等[32]的研究，選擇前兩位代碼為17、18、19、28的企業，即“紡織業”“紡織服裝與服飾業”“皮革、毛皮、羽毛及其制品和制鞋業”“化學纖維制造業”。

在時間跨度的選擇上，2016-2020年是紡織服裝行業步入深度轉型升級的新階段，也是《中國制造2025》計劃正式實施的階段，因而選擇的樣本期間為2016-2020年。

在數據處理方面，剔除樣本期間未公開披露年度報告及重要指標存在缺省值以及終止上市的公司后，選定92家上市企業，5年共460個樣本；專利數據來源于智慧芽專利數據庫，其余指標均來源于CSMAR數據庫，并根據東方財富網披露的企業年報加以補充。為避免模型受到極端值影響，對連續數據進行了1%縮尾處理。

2.2 變量選擇與測量

2.2.1 被解釋變量：全要素生產率

選定DEA-Malmquist模型測算，存在如下考慮：其一，基于多投入和多產出指標。參考了翟華云等[16]、任保全等[18]的研究，以企業員工數量、年均固定資產凈值作為投入指標，凈利潤和主營業務收入為產出指標。其二，基于不同年份分析全要素生產率及其分解指標的動態變化趨勢，進而深入探究全要素生產率變化的內在機理[19]，故此法更為適合。在樣本的處理方面，由于凈利潤存在變量值為負的樣本值，故使用公式(1)對所有投入、產出數據按同一標準進行標準化處理，公式如下：

(1)

其中，Xi、Yi分別為原始數據和調整后數據，Xmin、Xmax為變量的最小和最大值。

表1為運用DEAP2.1軟件測度的2016-2020年紡織產業全要素生產率變化趨勢。

表1 2016-2020年紡織產業全要素生產率變化趨勢

由表1可知，TFP年均值為1.005，即紡織產業全要素生產率以年均0.5%的增幅呈正增長趨勢。從變化趨勢來看，紡織產業TFP在2016-2020年呈現先增后減的變化特點，2017年以3.6%的增幅達到最高點1.057，從2019-2020年呈現負增長的趨勢，主要是因為技術效率和技術進步率的雙重降低，因而未能帶動全要素生產率的提升。從分解指標來看，主要受SE的變動影響，EF分別在2017年和2019年達到最低點和最高點，呈現年均負增長的趨勢，而TE則呈現“遞增-遞減-遞增”的波動趨勢，分別在2018和2019年達到最高和最低點，最終以年均2.3%的增幅呈現正增長趨勢。綜上，受技術進步的推動作用，紡織產業全要素生產率呈現正增長趨勢，但同時受制于技術效率低下以及技術創新增幅不足，由此紡織產業高端化程度偏低，目前尚處于基礎高端化。

2.2.2 解釋變量：技術創新的測量

結合研發投入和創新產出角度，通過DEA指數法測算的技術創新效率衡量技術創新(RD)，其中投入指標包括研發投入資金和研發人員數，產出指標為申請專利數和專利授權數。在數據處理方面，同樣使用公式(1)對專利產出數據進行標準化處理，并通過均值插補法對研發人員數存在的缺失值進行補充，此外，參照張廣勝等[21]研究，對研發投入到產出之間設定一期滯后。

2.2.3 其他變量

中介變量方面，參照胡苗等[25]的研究，采用勒納指數作為企業競爭優勢(ECA)的代理變量，通過(營業收入-營業成本-銷售費用-管理費用)與營業收入占比來測算[25]。ECA指數越大，則企業相對競爭優勢越大。參照賈振全等[30]的研究，用凈資產收益率衡量企業績效(ROE)。并考慮納入企業年齡(age)、債權資本率(DCR)、股權資本率(ECR)、人力資本水平(LA)、股權集中度(top1)為控制變量，以所有制(syz)、兩職合一(ceo)為分組變量。

2.3 模型設定

綜合2016-2020年紡織產業92家上市公司數據，基于上述的分析及假設，構建面板計量模型。為驗證假設H1、H2，故建立模型式(2)、式(3)：

Ln(tfpit)=α0+α1RDi,t-n+yeari+εit

(2)

Ln(tfpit)=α2+α3RDi,t-n+Ψcontrolit+yeari+εit

(3)

基于前文研究假設部分的影響機制分析，參考前人提出的中介效應逐步法構建了如下中介效應模型，通過式(4)-式(6)驗證假設H4：

Ln(tfpit)=α0+α4RDi,t-n+Ψcontrolit+εit

(4)

Mit=β0+β1RDi,t-n+Ψcontrolit+εit

(5)

Ln(trpit)=γ0+γ1RDi,t-n+γ2Mi,t+Ψcontrolit+εit

(6)

Ln(tfpit)表示i企業第t年全要素生產率的對數值，RDi,t-n分別表示i企業技術創新的當期值(n取0)、滯后一期值(n取1)和滯后二期值(n取2)，controlit表示控制變量的合集，包括企業年齡、債權資本率、股權資本率、人力資本水平以及股權集中度，εit為模型的隨機擾動項，year表示控制年份效應。M表示中介變量，分別為競爭優勢ECA、企業績效ROE。

各變量的描述性統計如表2所示，全要素生產率的平均值大于1，說明紡織產業的發展總體上是呈現正向增長的趨勢，但紡織產業要實現高端化發展還有較大距離。RD均值為1.003，標準差為 0.125，表明紡織產業技術創新水平整體偏低，企業間存在較為明顯的差距。中介變量ECA和ROE的均值都較低，表明紡織企業總體競爭優勢不強，企業績效偏低。對變量進行相關性和方差膨脹因子檢驗發現，變量間相關系數不超過0.7、VIF均值小于1.5，因而不存在明顯的多重共線性問題。

表2 主要變量的描述性統計

3 實證分析與檢驗

基于豪斯曼檢驗結果表明本文應采用固定效應模型，同時為避免自相關、異方差等對模型產生影響，采用xtscc模型進行回歸。實證分析包括三方面：一是對全樣本模型估計，驗證假設H1、H2是否成立；二是對企業按照所有制性質、管理者結構進行分樣本回歸；三是穩健性檢驗。

3.1 基準模型估計

表3為技術創新對全要素生產率的直接效應。第1、2列為只加入核心解釋變量RD和引入控制變量之后的回歸結果，第3-6列是為了探究技術創新的滯后效應。如模型(1)(2)所示，無論是只加入RD或是加入控制變量后，RD均顯著為負，表明技術創新對當期全要素生產率產生顯著負效應，H1假設得到支持。

表3 技術創新對全要素生產率的直接效應

由模型(3)(4)(5)(6)可知，技術創新一期、二期滯后項的回歸系數顯著為正，且隨著控制變量的加入顯著性增強，即企業技術創新對TFP的促進作用存在滯后效應，因此連續不斷地提升技術創新水平能促進全要素生產率提升，假設H2得到驗證。

控制變量方面，人力資本水平系數為正且顯著，說明人力資本水平越高，資源配置效率越高，企業所能獲得的企業經濟存量越高，因而全要素生產率也越高。股權集中度對全要素生產率存在顯著負向作用，主要是因為股權過度集中容易導致企業缺乏民主或決策失誤，從而引發損害公司利益的行為，因而阻礙了生產率的提升。股權資本率、債權資本率在此次實證檢驗中并未得到穩健結果，這說明在外部融資方面，企業想單純依靠外部融資所獲得的經濟存量是不足以支撐技術創新，且融資成本較高會阻礙企業的研發創新，因而對提升TFP的貢獻尚不明顯。

3.2 分樣本異質性回歸

在不同情境下，企業間存在決策和資源稟賦差異，會導致企業技術創新活動存在差異，因而技術創新對企業全要素生產率作用效果也不同。分別從企業所有制性質、管理者結構兩方面分組回歸，探究兩者關系的異質性，PanelA、PanelB分別呈現了技術創新在不同情境下對全要素生產率的異質性回歸結果，具體見表4。

3.2.1 企業所有制異質性

表4中PanelA模型報告了技術創新對于不同所有制性質的企業全要素生產率的影響結果，由模型(7)(8)對比可知，與民營企業相比，非民營企業中技術創新對全要素生產率的負效應更為顯著，主要是因為非民營企業更容易獲得政府財政方面的支持，因而能擁有更多的創新資源投入到創新活動中，在當期技術創新活動中，技術創新投入更多地表現為沉沒成本，并不能立刻為企業帶來效益，因而對當期TFP的負向效應更強。由模型(9)(10)(11)(12)的估計系數看出，民營企業中技術創新滯后項對全要素生產率的促進效應更顯著，主要是因為民營企業創新氛圍和能動性更強，民營企業家的自主創新意識更突出，更能敏銳地捕捉到創新機會，因而民營企業通過技術創新不斷積累的發展勢能更能推動TFP的提升。

3.2.2 管理者結構異質性

表4中PanelB模型報告了當期和滯后期技術創新影響不同管理者結構的企業全要素生產率的回歸結果，結果表明，技術創新在當期抑制了TFP的提升，其對TFP的促進作用存在一期、二期滯后效應，但對于不同管理者結構，二者作用效果存在顯著的差異。相比于“兩職分離”型企業，技術創新對“兩職合一”型企業全要素生產率的影響作用更強。其基本邏輯是：“兩職合一”型企業會帶來管理者權力過度集中，更容易誘發管理者為了實現自身利益擠占創新資源，短期內導致技術創新投入非效率，而從長期來看，“兩職合一”能減少企業內部競爭性，合理進行創新資源的有效配置同時提升企業的創新自由，進而提高生產率。

表4 異質性分析

3.3 穩健性討論

從替換被解釋變量和內生性檢驗、替換解釋變量等方面來驗證模型的穩健性，分別對應表5中的PanelC、PanelD報告的結果。

3.3.1 替換被解釋變量和內生性檢驗

考慮到變量間可能存在反向因果關系，故引入全要素生產率滯后一期，同時也考慮到全要素生產率的多種測算方式，分別以LP法、ACF法以及Wrag法測算的全要素生產率作為被解釋變量，通過二階差分GMM法驗證RD與TFP兩者關系，模型PanelC中RD、RDt-1、RDt-2的顯著性和符號基本沒有實質變化，說明模型穩健性不錯。

3.3.2 替換解釋變量

分別選定研發投入營收比和滯后一期的專利申請數衡量技術創新以檢驗模型穩健性，分別對應表5的PanelD中的模型(28)(29)(30)和模型(31)(32)(33)回歸結果可知，技術創新與全要素生產率的影響效果不改變，模型依然穩健。

表5 穩健性檢驗結果

4 影響機制分析

根據前文研究假設部分的影響機制分析，認為技術創新對全要素生產率的影響可能通過競爭優勢效應、企業績效兩個途徑進行傳導。

4.1 競爭優勢的中介效應

表6的PanelF模型報告了企業競爭優勢的中介效應結果。由模型(35)(38)中RD系數β1可知，技術創新顯著提升了當期企業競爭優勢，但對企業競爭優勢的滯后項存在反向抑制作用。

從模型(35)(36)報告的結果中發現，模型(36)中解釋變量與中介變量的系數γ1、γ2均顯著但符號相異，此時β1γ2與γ1異號，表明企業競爭優勢在技術創新當期與全要素生產率之間存在遮掩效應。其基本邏輯是，企業管理者選擇更多地將技術創新資源投入到短期內可以提升企業競爭優勢的活動中，依靠低水平快速創新可能帶來短期競爭優勢的提升，但也致使企業更少地關注長期性的、有發展潛力的創新活動中，極大削弱了企業創新活力和積極性，即技術創新對于企業競爭優勢的提升作用并不能抵消甚至遠小于本身對于企業生產率的負向效應，進而抑制了全要素生產率的提升。

從模型(38)(39)可知，模型(38)滯后一期技術創新與競爭優勢ECA在5%水平上顯著負相關，而模型(39)中中介變量ECA的系數顯著為正，但RD的系數不顯著，說明企業競爭優勢在技術創新滯后一期與全要素生產率之間表現為完全中介效應。也即技術創新滯后期主要通過提升企業競爭優勢來帶動全要素生產率的提升。

4.2 企業績效的中介效應

表6的PanelF模型報告了企業績效的中介效應結果。從模型(41)(44)可知，RD和RDt-1系數符號分別為負、正，表明技術創新顯著抑制了當期企業績效的提升，其對企業績效的提升作用存在一期滯后效應。

表6 中介效應模型估計結果

由模型(41)(42)和模型(44)(45)可知，β1γ2系數符號與γ1均同號，表明無論是技術當期或是技術創新滯后期，企業績效均在技術創新與全要要素生產率之間存在部分中介效應，中介效應分別為16.24%和20.41%。其基本邏輯是，在短期內，由于技術創新對全要素生產率的負向效應遠大于企業績效的正向效應，因而生產率未得到提升，但在企業績效的中介作用下，二者的負向效果相對降低。而在技術創新滯后期中，技術創新直接作用于全要素生產率并使其提升，同時還通過企業績效的中介效應間接提升全要素生產率，由此，假設H3得到驗證。

5 研究結論及對策建議

將技術創新與產業高端化納入同一研究框架，基于近5年92家紡織上市企業數據，通過DEA-Malmquist法測算全要素生產率以此探究紡織產業高端化趨勢，通過實證分析進一步梳理了技術創新與紡織產業全要素生產率的關系及影響機制，以期為推動紡織產業高端化升級提供參考。研究表明：

a)中國紡織產業正朝著高端化的方向升級，但高端化程度不夠。中國紡織產業整體呈正增長趨勢，其主要驅動力來源于技術進步，但同時受技術效率低下和技術創新水平不足等制約，總體變化波動大、增幅小。

b)技術創新當期難以帶來全要素生產率的提高，其對全要素生產率的提升作用存在一期滯后效應，且滯后效應持續到第二期，因此連續不斷地提升技術創新能力才能提高紡織產業高端化水平。此外，與非民營企業和“兩職分離”型企業相比，民營企業和“兩職合一”型企業的技術創新滯后項對全要素生產率的正向促進效果更顯著。

c)技術創新帶來了當期競爭優勢的提升，但技術創新對于當期全要素生產率的負向效應遮掩了競爭優勢對生產率的正向效應。在技術創新滯后期，企業全要素生產率的提升則主要通過企業競爭優勢效應產生。因此，提升競爭優勢也是企業高端化發展的重要影響因素。

d)企業績效在技術創新與企業當期和滯后期全要素生產率之間均起到部分中介作用。在技術創新當期，企業能夠通過降低企業績效從而削弱技術創新對企業生產率的抑制效應。而技術創新滯后期對企業績效的提升作用，為企業帶來更多的經營利潤，進而顯著提高紡織企業全要素生產率。

基于以上結論，提出以下推進紡織產業高端化升級的對策建議：

a)優化配置紡織企業創新資源，提高紡織產業高端化程度。針對企業高端化程度不足的痛點問題，發揮各方主體合力，有針對性地形成多層次的技術創新指南。對企業而言，既要持續加大資金、人員等方面的投入，引進國內外先進生產工藝、設備等，實現創新資源要素“量”的積累。也要持續開展技術創新活動，創新開發和培育差異化的高端產品，以自主高端品牌實現產品的高端化升級。還要合理應用大數據、智能化、數字化等手段，并滲透到研發、設計、生產、服務、營銷等紡織價值鏈各個環節，實現資源要素配置“質”的提升。此外，政府各方應當有計劃地吸引和培育重點領域高端科研人才，為紡織企業高端化發展搭建高端人才梯隊。同時率先培育一批極具發展潛力的龍頭企業，協同開展紡織關鍵領域核心技術集體攻關，提升紡織企業高附加值率。

b)盡管技術創新在當期抑制了紡織企業生產率的提升，但仍應當充分發揮技術創新的滯后效應。首先，企業應當樹立長遠的發展觀，深刻意識到技術創新需要通過持續不斷地創新資源投入來積蓄發展勢能，才能推動企業向高端化躍遷。同時，引入創新績效和生產率指標作為企業績效考核的一部分，引導企業更加關注技術進步和生產率的提升，強化企業自主創新意識。其次，企業仍需依托高校、科研院、聯盟等多方資源優勢，積極開展技術創新活動，將技術創新積累的知識存量和技術存量轉化為現實生產力，爭取實現更多的創新產出。此外，政府則應當嚴格落實知識產權保護政策，加大專利業務培訓力度，并設立創新激勵機制，提高紡織企業創新產出效率。

c)因企制宜，提升紡織企業比較優勢。首先政府應當健全融資擔保體系，拓寬企業多樣化融資渠道，切實改善民營企業創新活動“融資難”的問題，同時加大對民營企業創新發展的政策和資金支持，激發民營企業技術創新熱情。其次，搭建企業交流分享會，加強非民營企業與民營企業在技術研發、管理經驗、渠道更新、設備使用等方面的有效溝通，強化非民營企業的創新能動性。“二職合一”型企業應當充分發揮管理者的先導權和決策權，率先拍板具有發展前景的創新項目，避免錯失創新機遇，同時持續加大對紡織核心技術的研發強度，提高企業創新效率。針對“兩職分離”型企業，可引入多元化的管理人才結構，發揮各層級管理人才合力，共同制定穩定且可持續的技術創新戰略決策，提升企業資源配置效率。

d)找準企業競爭優勢提升的切入點。具體來說，紡織企業可開展定期的市場調研，深度摸清企業所處的市場環境，制定有針對性的競爭策略。同時有效結合市場需求開發出具有差異化的新產品，通過技術創新將當前市場競爭帶來的壓力轉化為激勵效應，幫助企業在市場上占據有利地位，通過擴大市場份額推動高端化發展。

e)管理者在進行研發決策時應當選擇未來收益較好的創新項目。既要避免企業為追求短期盈利，通過低水平快速的研發創新進行大規模重復生產，造成企業資源的浪費。又要重視改善研發投入的產出效率，逐步擴大具有比較優勢的主營業務。同時加強引導企業將關注點落在技術、質量、品牌提升等方面，有效推動績效提升對高端化發展的促進效應。