产业集聚与企业管理能力——空间溢出和交互效应的实证研究

陈文静 叶 宇 何 刚

1（暨南大学经济学院，广州 510632） 2（广东财经大学经济贸易学院，广州 510320）

竞争力理论和企业成长理论表明，企业管理能力是企业持续成长和提升竞争力的重要源泉，其提升对企业运行效率与绩效具有重要的作用。已有研究表明企业绩效与管理能力显着正相关[1]，且在新冠肺炎疫情期间，企业管理能力对企业绩效的影响更加重要[2]。目前，我国企业面临经济增速趋缓、疫情防控常态化与外贸不确定性因素增多的三大长期性宏观经济背景，同时伴随着数字经济的兴起，对企业的管理能力提出了更高的要求。企业管理能力的提升与企业的内部因素有关，也与企业间管理能力的交互影响和企业所处的外部环境有关。在我国推进供给侧结构性改革的进程中，产业结构不断调整和优化升级，各区域企业呈现出显着的空间集聚态势，从而形成产业集聚效应。Melo等[3]研究表明，产业集聚可以通过链接的生产网络促进企业间要素的流动与共享，从而对企业产生外部经济和溢出效应。然而，部分学者认为产业集聚也会带来企业间过度竞争等负外部性[4]。因此，产业集聚影响企业管理能力的最终效果取决于集聚经济与过度竞争效应两者之间的相对大小。与此同时，在信息化时代下的企业生态系统，企业之间互相作用、互相影响的特征更加突显[5]。那么，在现实经济背景下，我国制造业企业之间的管理能力是否存在显着的交互影响效应？产业集聚能否显着促进企业管理能力的提升？且产业集聚在影响企业管理能力的过程中是否具有显着的空间溢出效应？这些问题的研究对增强企业管理能力从而提升企业绩效具有重要的现实意义。

关于产业集聚的影响研究主要从以下两个方面展开。（1）产业集聚对区域层面的影响研究。倪进峰和李华[6]认为产业集聚带动了当地人力资本水平，从而推动区域创新能力的提升。韩峰与李双玉[7]研究发现产业集聚具有空间相关性，专业化产业集聚和多样化产业集聚均有助于提高本市人口规模，但对周边城市却产生了负向的空间溢出效应。周鹏飞等[8]指出产业集聚能够产生规模效应和知识溢出效应，从而促进企业创新和提高产能利用率，进而实现区域绿色经济效率的提升；（2）产业集聚对企业层面的影响研究。范剑勇等[9]研究发现专业化产业集聚对企业全要素生产率增长产生正面的显着影响，多样化产业集聚则没有。苏丹妮等[10]实证研究发现产业集聚通过提高固定成本投入效率和企业生产率促进了企业出口产品质量的提升。张平淡和屠西伟[11]研究表明制造业集聚抑制了企业全要素能源效率的改进，还加剧了资本相对能源的要素技术进步偏向，但促进了资本体现式技术进步。现有研究表明产业集聚对区域和企业层面都产生了显着的影响，而产业集聚是否会影响企业的管理能力呢？产业集聚可以促进知识传播、产生知识溢出效应[12]，从而在集聚区域内，新管理知识可以更快地传播，企业能够更加迅速和准确地发现自身管理的缺口，受到关系邻近的高管理能力企业的启发，提升自身的管理能力，即高管理能力企业的管理知识具有正向的溢出效应；另外，产业集聚可以通过共享区域内基础设施、知识溢出效应等促进人力资源的流动[13]，产业集聚区域内形成的劳动力市场能够减少企业搜寻到契合度高的管理人才的成本，从而具备了提高企业管理能力的基础。因此，产业集聚可以通过管理知识溢出效应与管理人才互动和流动的溢出效应等促进企业管理能力的提升。

企业管理能力是企业管理层有效地将业务资源转化为营收的能力[14]。在企业管理能力的测算方面，学者评估企业管理能力较早使用的指标是历史股票收益率[15]和第三方媒体评价[16]等。 蔡蔚和余宇新[17]用管理费用占营业收入的比值来衡量管理效率，探究了企业管理效率的影响因素。程虹和高诗雅[18]通过 “中国企业-劳动力匹配调查”问卷的数据构建企业管理效率得分来衡量企业管理能力，实证研究发现企业管理能力和人力资本积累之间存在显着的正相关。张体俊等[19]量化了企业管理能力对企业出口产品质量的影响，其中，他们用主营业务收入与资产总额的比值和企业组织资本表示企业的管理能力。Demerjian等[20]认为，从平均比例的角度去测算企业的管理能力，不具备较强的检验力，从而提出了一种传统DEA模型与Tobit模型相结合的方法来测算企业的管理能力并检验了其有效性。

综上，本文将从以下几方面拓展研究：（1）在企业管理能力的影响因素研究方面，已有研究忽略了企业之间管理能力的时空交互效应。实际上，企业管理能力不仅受到企业自身因素的影响，还受到产业集聚区域内邻近企业的影响，如企业以领先企业的管理能力为 “参考系”产生的对标行为，以及企业间管理人才的交流和流动会对本企业的管理能力产生动态影响。因此构建动态空间计量模型探究企业管理能力的时空交互效应；（2）在企业管理能力的测算方面，借鉴Demerjian等[20]的方法，但由于传统DEA模型存在未考虑松弛变量从而可能导致计算结果存在误差等问题，因此采用超效率EBM模型和Tobit回归相结合来测算我国制造业企业的管理能力。EBM模型包含径向和非径向两种距离函数，既有效反映实际值与目标值之间的比例信息，又反映企业投入或产出变量非径向部分的差异[21]，超效率模型能够区分有效决策单元的效率，从而使得测算结果更为准确[22]；（3）在产业集聚对企业管理能力的影响方面，构建空间计量模型考察产业集聚对企业管理能力的直接作用与空间溢出效应。此外，产业集聚可以促进企业之间的联系，从而增强企业之间管理能力的互相影响，因此进一步考察产业集聚在企业间管理能力空间交互效应中所发挥的调节效应。

为研究企业间管理能力的空间交互效应，探究企业所在区域的产业集聚及其空间溢出效应对企业管理能力的影响，本文综合考虑以下空间计量模型：

空间自回归模型（SAR）主要用于研究邻近企业的行为对其他企业的行为产生的影响，具体模型如下：

其中，glit为企业管理能力；zcyjjit和dcyjjit是企业所在区域的专业化产业集聚程度和多样化产业集聚程度；xit是控制变量集合的列向量；ρ是空间自回归系数，代表着邻近企业的管理能力对本企业的影响方向和程度，反映企业管理能力的空间交互效应；W＝（wij）是空间权重矩阵；μi是固定效应；β是解释变量前的回归系数的列向量；N是样本中企业个数。εit代表独立同分布的扰动项。

空间误差模型（SEM）用来研究空间效应通过扰动项的空间相关性进行传导的情形，模型如下：

其中，λ为空间误差系数，度量了邻近企业由于因变量的误差冲击对本企业观测值的影响程度；为空间滞后误差变量； 其他参数含义与模型（1） 相同。

空间杜宾模型（SDM）可以综合考察企业管理能力的空间交互效应和产业集聚的空间溢出效应，模型如下：

其中，向量Xit表示一系列控制变量；α3和α4分别为专业化产业集聚和多样化产业集聚空间滞后项的回归系数；其他参数含义与模型（1）相同。

为考察产业集聚对企业管理能力间空间交互效应的调节效应，参考张华[23]的做法，在模型（3）中引入专业化产业集聚、多样化产业集聚与企业管理能力空间交互项的交叉项，调节效应空间杜宾模型如下：

其中，α5是专业化产业集聚与企业管理能力空间交互项的交叉项前的待估参数，α6是多样化产业集聚与企业管理能力空间交互项的交叉项前的待估参数，其他参数含义与模型（3）相同。

建立具体形式如下的动态空间计量模型进一步考察企业管理能力的动态效应：

其中，ρ、τ、η为因变量的空间交互、时间滞后和时空交互项的待估参数，其他参数与模型（1）相同。

由于专业化产业集聚的程度不同对企业管理能力产生的影响程度可能不同，因此构建具体形式如下的半参数空间杜宾模型探究专业化产业集聚对企业管理能力的非线性影响。

其中，f（·）为未知非线性函数，其他参数含义与式（1） 相同。

本文的数据基于中国经济金融研究数据库、《中国城市统计年鉴》和 《中国人口和就业统计年鉴》整理所得。企业的经纬度数据来自百度地图。考虑数据的可获得性和时效性，选取能够完整收集到2015～2020年①的制造业上市企业数据。为了减少异常值的影响，对连续型变量进行1%和99%分位的缩尾处理并进行对数化处理。剔除ST和∗ST企业，剔除数据存在严重缺失和错误的企业样本，对少量缺失值进行插补，最终样本容量为3432。

2.3.1 企业管理能力的测算

第一步，用超效率的EBM模型测算企业的投入产出总效率：

假设需要测算的决策单位为 DMU（Dicison Making Unit），即企业。n是DMU的总数量。γ∗为可变规模报酬下的最优效率；为投入要素i的松弛变量；j为决策单元。表示投入的权重指标，其满足；x和y分别为决策单元j的第i ijrj类投入和第r类产出；xik和yrk分别为决策单元k的第i类投入和第r类产出；m和s分别表示投入和产出的数量；θ为径向部分的规模参数；λj为线性组合系数；εx为关键参数，满足0≤εx≤1。产出为企业的营业收入。选取的投入集包括：企业营业成本、销售费用、管理费用、薪酬支出、固定资产净值、无形资产净值。

第二步，采用Tobit回归分析从企业总效率中提取管理能力。通过将企业总效率对影响企业效率的企业特征变量进行Tobit回归，从企业总效率中剔除企业特征的效率驱动因素，剩下的部分作为企业管理能力的度量。 借鉴DeAngelo等（2010）[24]对企业总效率影响因素的研究，本文选取以下变量为企业的特征变量：总资产、市场份额、自由现金流、企业年龄、企业规模。

2.3.2 产业集聚

借鉴韩峰和李玉双[7]的做法，本文使用区位熵的方法测算区域专业化产业集聚：

其中，Ei，m表示城市i制造业总就业人数，Ei为城市i总就业人数，Em表示全国制造业总体就业人数，E为全国总就业人数。

多样化产业集聚采用赫芬达尔-赫希曼指数（HHI指数）来测算：

其中，Dij为i城市j产业单位从业人数；Zi为i城市的总单位从业人数。HHI指数较大，则说明该区域的产业类别较多且均衡。

2.3.3 企业空间权重的构建

企业空间权重矩阵的计算思路如下：地理学第一定律表明任何企业与其他周围企业之间均存在联系，而且地理位置邻近的企业对本企业的影响程度较大。其次，企业在考虑决策的时候更加受与自己营收相当、更具竞争力的企业所影响。因此，本文建立企业反地理-营收嵌套空间矩阵。借鉴潘孝珍[25]的做法，利用公司企业的经纬度计算企业的直线距离，并进行倒数化处理，组建成矩阵，将对角线元素变换为0且对矩阵做行标准化处理，得到企业的反地理空间权重矩阵D。利用企业营收差距的倒数组建企业营收空间权重矩阵M，并对矩阵进行行标准化处理。将矩阵D和矩阵M点乘得到企业反地理-营收嵌套空间矩阵W，并进行行标准化处理。

2.3.4 控制变量

用Altmand[26]提出的Zscore值去控制企业的财务灵活度（zscore）； 参考 Lamont等（2001）[27]用5个比率进行有序Logit模型测算企业融资约束程度（kz）。区域层面控制变量：教育重视程度（政府教育支出取对数，lngdp）和经济水平（人均生产总值取对数，lngdp）。管理人员层面的控制变量：董事会规模（dgm）、管理层平均年龄（glnl）、管理层总薪酬（xc）、董监高是否具有海外背景（hw）和股东大会召开次数（gddh）。

首先，本文对核心变量进行空间相关性检验的结果显着，说明了使用空间计量模型的必要性。豪斯曼检验得到的卡方统计量为25.51，p值为0.0077，故采用固定效应。实证结果如表1所示，SAR模型、SDM模型、SDPD模型与半参数SDM模型的ρ系数均在1%的水平下显着为正，说明企业间的管理能力存在显着正向的空间交互效应，高管理能力的企业更加注重企业的管理理念与体系，能够带动邻近企业也注重管理能力的提升。λ系数在1%的显着性水平下显着为正，说明邻近企业由于管理能力的误差冲击会对本企业的管理能力产生正向的影响。具体来看，SAR模型与SEM模型的估计结果均显示，zcyjj与dcyjj变量的系数在1%的显着性水平下显着为正，说明企业所在区域的专业化产业集聚与多样化产业集聚对企业管理能力均存在显着的正向影响。专业化产业集聚伴随着管理知识的转移和扩散，促进企业管理能力的提升。多样化产业集聚促进不同类型企业之间的协同合作、集群之间的交流学习，有助于互补性管理知识融合与碰撞，建立良好的管理文化氛围及增强企业竞争力，从而有效促进企业管理能力的提升。产业集聚伴随着投资汇集，区域内大量的物质资本形成大规模的经济载体，充分提供企业管理实践和学习的机会，不仅会推动本地劳动力在 “干中学”完成人力资本的积累，也会吸引邻近区域高素质管理人才跨区流动，形成产业与人力资本共聚的现象，通过学习效应、合作效应加速了管理知识的扩散及高效管理模式的分享，从而推动企业管理能力的提升。

表1 空间计量模型回归结果

SDM模型的估计结果显示，zcyjj、Wzcyjj和Wdcyjj变量的系数在1%的水平下显着为正，dcyjj变量的系数在5%的显着性水平下显着为正，说明企业所在区域的专业化产业集聚和多样化产业集聚不仅会促进本企业管理能力的提升，还会通过空间溢出效应提升邻近企业的管理能力。产业集聚提高了企业管理知识交流的频率，进一步引起知识溢出效应和扩散效应，邻近企业可以充分吸收和借鉴高管理能力企业的管理知识，并转化成为自身管理能力提高的知识资本。

调节效应SDM模型中，zcyjj·Wgl和dcyjj·Wgl交叉项的系数显着为正，且zcyjj·Wgl项前的系数（0.0277）大于dcyjj·Wgl前的系数（0.0195），说明专业化产业集聚和多样化产业集聚均在企业之间管理能力的空间交互效应中发挥了正向的调节效应，且专业化产业集聚的调节效应大于多样化产业集聚。产业集聚通过集聚企业互动机制促进了企业间协作与交流的动态过程，从而在这一过程中企业间管理能力的交互效应得到强化。

SDPD模型描述企业管理能力空间和时间上的交互效应，估计结果中，glt-1的系数在1%水平下显着为正，表明上一期的管理能力对当期的管理能力是显着正向影响的，具有循环累积效应。管理能力的时空滞后项在1%的水平下显着为负，这可能是因为企业上一期抢占了区域内优质的管理人才从而在竞争效应下对邻近企业产生了负外部性。

如图1所示，半参数空间杜宾模型的偏导图揭示了专业化产业集聚程度对企业管理能力的非线性影响路径。随着企业所在区域专业化产业集聚程度的提高，在0～1.5的区间，专业化产业集聚对企业管理能力提升的促进效应上升很快，在1.5～8区间，对企业管理能力提升的促进效应平缓上升并且8左右时达到最大，而超过这一数值时，对企业管理能力的促进效应下降，这可能是因为此时集聚程度较高，产业集聚带来的过度竞争效应开始凸显。从样本企业来看，目前大部分企业所在区域的专业化产业集聚程度在2～6之间，对于少部分企业所处的区域专业化集聚程度小于1.5，应该加速推进产业结构调整，形成 “以商养商，以商聚商”良性循环的产业集聚区。对于少部分企业处于专业化产业集聚程度大于8的区域，应该控制好该区域的专业化集聚程度，避免过度竞争效应太大。

图1 管理能力对专业化产业集聚的偏导图

LeSage和Pace[28]认为当被解释变量空间交互项系数显着不为0时，直接把空间滞后项的回归系数解释为空间溢出效应会产生系统性偏误，因为回归参数包含大量企业相互作用的信息。因此需要采用矩阵偏微分方法[29]将SDM模型的回归结果分解为直接效应、空间溢出效应和总效应，分解结果如表2所示。

表2 SDM模型的效应分解

效应分解的结果表明，专业化产业集聚对企业管理能力的直接效应及其空间溢出效应在1%的水平下显着为正。其中，空间溢出效应包括：邻近企业所处区域的专业化产业集聚对本企业的管理能力的正向影响；邻近企业所在区域的专业化产业集聚促进该企业的管理能力，进而对本企业的管理能力产生正向影响。多样化产业集聚对企业管理能力的直接效应及其空间溢出效应在1%的水平下显着为正，而且专业化产业集聚的空间溢出效应（0.0046）大于多样化产业集聚的空间溢出效应（0.0004）。进一步分析其可能的原因：（1）模仿效应。本区域的企业通过模仿邻近企业的先进组织管理能力从而提高自身的管理能力；另外，产业集聚不仅为企业之间进行 “示范-模仿”提供了平台，而且为企业专业管理人才的交流铺设了通道，强化了企业间管理经验交流的互动，进而促进管理知识共享和溢出，同时管理理念可以在企业间大量溢出，邻近企业可以充分吸收先进的管理理念；（2）产业集聚区域内人员的流动效应。由于摩擦性失业与就业的动态变化，在集聚区域内能够加速这一变化，邻近企业具有较高管理能力的管理人才可能流动到本企业，把在邻近企业积累的管理知识和经验运用到本企业，从而提升本企业的管理能力；（3）主导企业和配套企业在集聚区域内的协作关系得到加强。集聚区域内原有的主导企业为了不断提高自身在核心业务上的速度经济，有动力与配套网络进行知识共享[30]，其中包括管理知识，从而在主导企业和配套企业的动态相互作用下提高彼此的管理能力。控制变量中，企业管理能力与企业融资约束程度显着负相关，与区域教育重视程度、管理层薪酬、企业财务灵活度和股东大会召开次数显着正相关。企业管理能力与董事会规模、区域经济发展水平、管理层是否具有海外背景和管理层年龄存在一定程度的正相关，但在统计上不显着。

空间计量模型对空间权重矩阵较为敏感，本文在这里选用企业的反地理距离空间权重进行稳健性检验，结果如表3所示。在反地理距离空间权重矩阵下，空间计量模型回归结果的显着性与方向不会因为改变空间权重矩阵而发生逆转性改变，即上述通过空间计量模型得到的实证结论具有一定的稳健性。

表3 空间计量模型的稳健性检验

续 表

本文基于我国2015～2020年制造业企业数据，运用超效率EBM模型与Tobit模型相结合测算了我国制造业企业的管理能力，并构建空间计量模型探究企业管理能力的时空交互效应，分析专业化产业集聚和多样化产业集聚对企业管理能力的空间溢出作用，检验产业集聚在企业之间管理能力的空间交互效应中发挥的调节效应。构造半参数空间杜宾模型进一步探究专业化产业集聚对企业管理能力的非线性影响效应。主要得出以下结论：（1）企业之间的管理能力存在正向的空间交互效应与循环累积效应，高管理能力的企业能够带动关系邻近的企业的管理能力提升，企业上一期的管理能力对当期的管理能力具有自我推动作用；（2）专业化产业集聚对企业的管理能力具有显着正向且非线性的直接作用，同时也显着存在正向的空间溢出效应，能够间接强化邻近企业的管理能力；（3）多样化产业集聚对企业的管理能力的直接效应和空间溢出效应显着为正，而且专业化产业集聚的空间溢出效应大于多样化产业集聚的空间溢出效应。这说明我国目前产业集聚对企业管理能力产生的集聚经济效应大于过度竞争效应；（4）专业化产业集聚和多样化产业集聚均强化了企业间管理能力的空间交互效应，并且专业化产业集聚的调节效应较大。

基于上述结论本文提出以下建议：产业政策要侧重为中小企业创建产业集聚区，搭建中小企业跟大企业的融合交流平台，促进主导企业和配套企业的更好协作与交流，充分发挥产业集聚对企业管理能力的促进作用。优化产业空间布局，在不同企业间形成专业化分工与互补，充分释放产业集聚带来的知识溢出效应。在推进区域产业专业化的同时，既要注重区域产业种类的均衡，也要注意避免过度专业化产业集聚；另外，政府要构建知识交流和人才协作平台，鼓励企业加强协作，推动要素跨区域自由流动，最大化发挥产业集聚区域内管理人才的作用性，营造企业间管理知识交流的良好互动环境，从而提高企业的管理能力进而提升企业绩效。

注释：

①由于2020年数据可能受到新冠肺炎疫情的影响，为避免可能存在的异常值影响，已对连续变量进行缩尾处理。