全要素生产率如何影响我国制造业企业的区位选址决策

全要素生产率如何影响我国制造业企业的区位选址决策

逯宇铎，戴美虹，刘海洋

(大连理工大学管理与经济学部,经济学院，辽宁大连116024)

摘要：新经济地理理论以及新近发展的“‘新’新经济地理理论”认为，高生产率企业通过集聚效应和选择效应存在于规模较大的市场，本文在后者理论框架下考察中国企业区位选址这一被忽视的问题。运用中国1999～2007年297个地级及以上城市100多万家企业的微观数据，采用倾向得分匹配方法克服样本选择性偏误，本文发现：相比低生产率企业组，高生产率企业选址于更大规模的城市。而且，这种选址倾向在不同区域和企业所有制上具有差异表现：相比传统中、西部地区，东部地区高生产率企业选址于大城市的倾向更为明显；相比集体企业，港澳台、外商及私营企业的这种倾向性更为显著，且估计结果显示国有企业选址不受全要素生产率水平的影响。以上发现为我国制造业企业区位选址决策的制定提供了新的思路。

关键词：区位选址决策；倾向得分匹配；企业

收稿日期：2013-02-13

基金项目：辽宁省社会科学规划

作者简介：逯宇铎(1956-)，男，黑龙江齐齐哈尔人，教授，博士生导师，研究方向：国际贸易、开放经济、创新管理；戴美虹(1987-)，女，辽宁大连人，博士研究生，研究方向：国际贸易、异质性企业、新新经济地理、新新贸易理论；刘海洋(1978-)，男，山东日照人，副教授，博士，研究方向：新新贸易理论、新新经济地理、博弈论。

中图分类号：F272文章标识码：A

How Does TFP Affect Chinese Manufacturing Firms’Regional

Location Decisions？

LU Yu-duo, DAI Mei-hong, LIU Hai-yang

(SchoolofEconomics,FacultyofManagementandEconomics,DalianUniversityofTechnology,Dalian116024,China)

Abstract:New Economic Geography and New New Economic Geography which is developed recently indicate that firms with higher tfp will select more larger markets through agglomeration effect and selection effect.This paper studies the problem of Chinese firms’regional location based on the latter theory framework. Using more than one million firms’records of Chinese 297 prefecture-level and above cities during 1999～2007 and propensity score matching method to solve the problem of selectivity bias,the results indicate that：comparing to firms with lower tfp,firms with more higher tfp select more larger cities.What’s more,this location decision is different in different regions and firm’s ownership：comparing to traditional central and western regions,the trend of higher tfp firms selecting larger cities is more obvious in eastern region. Comparing to collective firms, this trend of HMT(Hong Kong, Macao and Taiwan)firms,foreign and private firms is more illustrious, and results show that state-owned firms’regional location decision is not affected by tfp.The results above provide a new solution for the policy-making of Chinese manufacturing regional location.

Key words:economic system and analysis; regional location decisions; propensity score matching; firm

0引言

地域选择对一个人或者一个企业的发展都是极为重要的。在人才的发展中，我们可以看到现实中存在的“宁要北京一张床，不要地方一套房”的选择倾向，近年来中国大规模的城市化运动实际上就是人们从乡村到城镇，从小城市到大城市的进程，对于这一点众多经济学家做了大量分析(陈钊和陆铭、程开明、王雅莉和齐昕、陆铭等)[1～4]。对于企业经营来说，也讲究天时地利人和，地域关系到企业的进货成本、人才招聘、销售成本等多个方面，因而地域对企业发展来说可能也是十分重要的。近年来，我们看到三一重工、重庆长安汽车、远大空调等知名企业的总部纷纷从地方迁址到北京，因而现实中可能也暗中存在一种大规模的企业迁移运动。

但非常遗憾的是，企业的迁址运动很少被注意到，无论是商业领域还是学术领域，对企业迁址及地域选择问题的分析并不多见，而且现有的研究从企业与市场特征(Venables、李新等、刘庆林等)[5～7]、交通运输(Isard、Moses、Ponts、郝寿义等)[8～11]以及经济与社会因素(池仁勇、孟韬)[12,13]等角度展开，并没有针对全要素生产率影响企业区位选址分析的直接相关文献。

而在理论界，至少有两个时代的经济地理理论可以为企业的选址动机提供解释。一是以Krugman[14]为代表的新经济地理理论(New Economic Geography)：Krugman建立了“中心—外围”模型(CP模型)，研究指出大规模市场具有集聚效应，即企业和人口最终会集聚在较大的市场周围，且集聚地区企业的生产率水平相对更高；此后，随着 Fujita和Thisse[15]、Baldwin[16]等人对初始模型的研究和发展，新经济地理学逐渐在主流经济学中建立了一个衡量扩散与集聚、离心力与向心力的框架和标准(Neary)[17]，也为现实情况中经济和人口多集中于北京、伦敦、纽约等大城市的现象提供了合理的解释。二是以Melitz和Ottaviano[18]为代表的新新经济地理理论(New New Economic Geography)：Baldwin和Okubo[19]较早指出存在其他效应使得高生产率企业移动到区域中心而低效率企业移动到区域边缘；Melitz和Ottaviano[18]将垄断竞争模型和企业异质性融入到新经济地理模型，指出规模越大的市场中企业竞争越为激烈，进而能够在规模较大市场中存活的企业生产率门槛较高，因而生产率给企业选址决策带来自选择效应。截至目前，国内外对新经济地理理论的研究已经较多，但较少出现研究新新经济地理理论的文献：从理论发展脉络、研究进展角度进行相关文献梳理的有李福柱[20]，李晓萍和江飞涛[21]，刘海洋等[22]；从实证角度展开讨论的有Saito和Gopinath[23]、Okubo等[24]、刘海洋等[25]。

因而，本文在新新经济地理理论框架下，考察中国企业区位选址决策的制定。本文的创新之处可能体现在以下几个方面：

首先，本文提出并试图回答一个备受忽视的问题：全要素生产率是否影响到企业选址决策，是否具有较高生产率水平的企业才会选址发展于规模较大的城市。根据新新经济地理理论可以得到的结论是，具有较高生产率水平的企业会主动选择生存于规模较大的城市，因而现实中可能普遍存在全要素生产率影响企业区位选址的问题。

其次，方法上本文运用倾向得分匹配方法(Propensity Score Matching，PSM)来尽力克服样本选择性偏误。现实中存在许多因素影响企业全要素生产率水平，进而影响企业区位选址决策，例如企业规模、研发程度、利润水平等，如果采用最小二乘估计、或面板数据固定效应等检验方法，不能控制样本选择性偏误即剔除这些因素的影响，这意味着即使得到较高生产率企业选址于较大规模市场的估计结果，也不能得到这种结果是由企业较高生产率水平带来的结论。而倾向得分匹配方法的应用能够很大程度上克服样本选择性偏误问题，且能够较为准确地量化估计得到生产率对企业区位选址决策影响的方向和程度。

第三，在数据方面，我们的新颖之处是运用了中国全部国有和年主营业务收入500万元及以上的非国有工业法人企业、从1999～2007长达9年的数据来检验本文研究问题。这种细化的样本数据使得对样本区间内中国每一个规模以上制造业企业的全要素生产率水平与区位选址情况的研究成为可能。

1数据来源与处理、指标选取与度量

1.1数据来源与处理

(1)数据来源

本文所要研究的，是中国企业的区位选择问题。这对数据质量提出了较高的要求：一方面我们要得到每一个企业的经营信息，另一方面我们需要得到每个企业所处区位信息。为了达到这一要求，我们将两个数据库进行了关联。第一个数据库是中国工业企业数据库，该数据库囊括了中国规模以上工业法人企业的经营信息，如成立时间、所在地区、企业利润、固定资产等；第二个数据库来自《中国城市统计年鉴》，该数据包含企业所在城市的城市面积、人口规模等信息，本文借鉴Campbell和Hopenhayn[26]、Syverson[27]的研究，以企业所在地级及以上城市的人口数量作为衡量市场规模*此处市场规模即为企业从事生产经营活动所在地级及以上城市的城市规模,下文同。的基准。因而，我们将企业数据库中的区位代码，与城市区位代码作为关联变量，进行一一对应*对应标准按照国家统计局公布的最新行政区划代码四分位码进行。，得到了中国规模以上工业法人企业经营信息以及所在城市特征的综合数据库。

(2)数据处理

对应后的数据共包含1999～2007年中国工业企业的数据记录1750100条*信息统计中本文以企业所属年份、单位代码及四分位区域代码为标准，删除了重复的企业样本记录。，本文还对样本区间内历年样本数量及企业在主要经营绩效指标上的表现进行了统计，详见表1的统计结果。

表1　1999～2007年对应后数据库中国规模以上工业法人企业主要信息统计

注：平均总产值的计算方法为当年所有企业工业总产值加总与当年企业个数的比值，其余企业主要信息的统计方法同理。

经表1统计结果可知，1999～2007年中国工业企业共1750100家，测算可知样本区间内中国工业企业每年平均有194456家。随着中国经济的发展，企业数量逐年增加，到2007年中国每年规模以上企业数量已经达到298156家。而且历年企业的平均总产值、平均工业增加值以及平均资本总额整体保持上升态势，但平均人数呈现下滑态势。

还需要说明的是，为了使得分析结果更加可靠，我们对中国工业企业数据库中的部分错漏和不完备信息进行了处理。具体包括：(1)保留制造业企业样本，即剔除国民经济行业分类(GB/T)二分位行业代码小于13或大于43的样本记录；(2)参照谢千里等[28]的做法，删除就业人数小于8人的企业样本；(3)剔除工业增加值和固定资产总值低于10万、资产总值低于100万以及工业总产值低于500万的企业样本；(4)并剔除固定资产净值年平均余额小于或等于零的企业样本；(5)删除重复的企业样本。最终获得企业样本记录1442878笔。

1.2指标选取与度量

在对两个数据库进行关联得到综合数据库后，我们考虑对部分经济指标进行计算。由于本文研究的目标是，全要素生产率对企业区位选址决策是否产生影响，这种影响的方向和程度如何。在倾向得分匹配方法下本文以全要素生产率作为处理变量，以企业所在的市场规模为所考察的结果变量*处理变量、结果变量的含义本文在第三部分模型设定中详细介绍。。现实中，许多因素对企业全要素生产率多寡产生影响，如果不剔除这些因素的作用那么样本选择便不具有随机性，所估计得到的企业所在城市规模大小，就不一定是受到了自身全要素生产率的影响，因而我们需要找到影响企业全要素生产率进而影响企业区位选址的其它因素，以便采用倾向得分匹配方法控制样本选择性偏误问题，经过相关文献的查找和整理，本文选取企业规模、企业年龄、利润水平、研发水平、人均工资等指标，将其作为控制变量。具体每个变量的处理方法如下：

第一，处理变量，全要素生产率(tfp)。关于全要素的估计，学术界有多种方法，先前研究多数采用简单的索洛余值方法、随机前沿方法、数据包络分析方法等。但这些方法运用到微观层面时通常会不可避免地遇到两类问题：同时性偏差(Simultaneity bias)和样本选择性偏差(Selectivity Bias)，其中以生产决策的同时性偏差问题最为突出。这是由于在实际生产过程中，企业决策者可以观测到一部分企业效率，并能够根据社会供求冲击信息及时调整生产要素的投入组合。在这种情况下，随机扰动会影响企业要素投入的选择，即扰动项和解释变量具有相关性，从而使估计结果产生偏差。偏差的典型表现是，劳动项的系数被高估，资本项的系数被低估。因而本文采用Levinsohn和Petrin[29]提出的半参数估计方法进行估计(简称LP方法，下文同)。LP方法以中间品投入对数(lnmt)取代OP方法中的投资额作为代理变量，来考察企业面临意外冲击时可能做出的生产调整，生产函数建立服从根据柯布—道格拉斯方程：

logνat=β0+α*logkt+β*loglt+γ*logmt+wt+ηt

(1)

上式中除中间品外的其它指标选取方面，本文借鉴亓朋等[30]的做法，选择企业固定资产净值年平均余额对数、从业人员年平均数对数分别作为企业资产(lnkt)、劳动投入(lnlt)的代理变量；采用LP方法测度企业全要素生产率时通常选取工业总产值或工业增加值衡量企业产出，本文采用后一种方法即lnνat代表工业增加值对数值；wt、ηt均衡量方程随机误差，区别是前者影响企业生产要素投入决策。此外，LP方法中企业的中间品投入(lnmt)可以表达为给定资产存量(lnkt)和误差项wt下的单调增函数，因而误差项wt可以写成资产存量和中间品投入的函数：

wt=wt(logkt,logmt)

(2)

除上述假设外，LP方法假设生产率在一阶马尔科夫过程下变化，这一假设与OP生产率估计法相同，采用公式表达即为：

wt=E[wt|wt-1]+ξt

(3)

其中，t-1期与t期之间的信息值以ξt衡量，且ξt与资产存量具有不相关性。采用LP方法根据以上估计式进行估计过后，便可得到公式(1)中变量系数，进而测算得到企业全要素生产率水平。

第二，结果变量，市场规模(marketscale)。依照新新经济地理理论，低效率的企业难以经受较大规模市场的激烈竞争，从而市场规模较大的地区、企业生产率水平较高(Melitz和Ottaviano)[18]，最终较高生产率企业选择进入到较大规模的市场。因而本文考察的是企业生产率对区位选址即所在市场规模大小的影响，考察结果变量为市场规模。如前文所述，本文借鉴Campbell和Hopenhayn[26]、Syverson[27]的研究，以企业所在城市人口数量衡量市场规模(本文研究以地级及以上城市为单位)，为了得到弹性系数，我们对这一变量数据进行了对数处理。

第三，控制变量(协变量)。由前文可知，本文选取如下影响企业全要素生产率及区位选址决策的因素，将其作为其它控制变量进行计量检验：(1)企业规模(size)，规模经济给企业带来的利弊分析一直是学术界讨论的热点话题，较大的企业规模能够减少企业生产经营所需成本，可能对生产率具有促进作用，本文借鉴赵伟和赵金亮[31]的研究，选取员工人数自然对数值衡量企业规模；(2)企业年龄(age)，经营时间较长即年龄较大的企业具有生产经验丰富的优势，但也有可能因此懈怠从而忽视前沿科技以及先进经营理念等方面的引进和吸收，导致学习效应的减弱，最终不利于自身生产率水平的提高，因而本文选取该项指标加以考察并以企业从成立到考察年份所经历的时间跨度进行衡量；(3)利润水平(profit)，利润水平与企业生产率息息相关，较高的利润水平意味着企业具有优化现有生产要素的能力，因而能够提高企业自身的生产效率，现有研究通常选取利润总额绝对值或相对值对这一指标进行考察，本文选取后者并以利润总额与企业固定资产总值的比值加以测度；(4)研发能力(r&d)，随着企业自身研发水平的提升，科技转化为生产力的概率也随之加大，因而研发能力影响了企业生产率水平进而影响区位选址决策，中国工业企业数据库中有新产品产值和研发投入两个指标可以衡量企业研发能力，但由于后者数据在许多年份上的统计有所缺失，最终本文选取前者并以其与企业工业总产值的比值加以测度*中国工业企业数据库中2004年新产品产值数据缺失，因而本文以企业2003年、2005年两年新产品价值的平均值补齐2004年的缺失数据。；(5)人均工资(wage)，企业支付给员工较高的工资水平，一方面能够吸引到高素质的员工前来工作，另一方面能够激发现有员工的工作热情，带来的结果都将是促进企业生产率水平的提高，因而本文选取该项指标并以企业工资水平与员工人数的比值加以测度；(6)其它控制变量：企业所处地区、所属行业的不同，都会对自身生产率产生差异影响，因而本文加入了地区(zone)*地区划分采用传统东、中、西部标准。、行业(industry)*行业分类标准为国民经济行业分类(GB/T)二分位下制造业行业代码，最终设置30个制造业行业的多元虚拟变量。、所在9个年份(year)的多元虚拟变量，以期采用PSM方法控制这些因素对企业生产率及区位选址决策的影响。

以上研究变量及其均值、标准差统计详见表2。

表2　变量含义及均值、标准差统计

2模型设定、计量检验结果及分析

2.1模型设定

根据新经济地理和新新经济地理理论，至少有两种机制能够使高生产率的企业在规模较大的城市生存。一是集聚效应的外部性导致企业生产率普遍性提高，二是选择效应导致具有较高生产率水平的企业选择存活于较大规模市场。现有研究大多在前者理论框架下展开讨论，本文以后者为出发点检验中国企业生产率对区位选址的影响，即是否生产率水平较高的企业选择在较大规模的城市从事生产经营活动。

但问题是，如果直接采用传统的最小二乘方法，或者面板数据的固定效应或随机效应方法，都会带来一个问题：高生产率企业可能是具有更大规模、存活更久、利润和研发水平更高的企业*本文选取的其它影响企业全要素生产率的因素，详见前文指标选取与度量说明部分。。这样，企业选址于较大规模城市中生存，可能并不是由更高的生产率水平带来的，而是由企业规模、年龄等其它因素导致，处理变量的样本选择便不具有随机性。因而一种合理的检验方法，应该能够刨除其他因素对企业生产率的影响。

为此本文采用倾向得分匹配方法(Propensity Score Matching，PSM)进行考察，该方法最初由Rosenbaum和Rubin[32]提出，并经过Heckman等[33]、Lechner[34]、Abadie和Imbens[35]等人不断研究发展，近年来我国学者邵敏和包群[36]在分析工资决定因素、刘海洋等[37]在分析补贴影响时都采用了该方法。该方法的基本思想是：既然生产率水平较高的企业与较低生产率的企业在其它因素方面存在差异，那么我们将较高生产率与较低生产率企业组中相仿的企业挑选出来，使得两类企业在其他特征上保持一致，仅仅生产率高低不同，这样如果两组企业还拥有所处城市规模层面的差距，则这种差距就应当是生产率因素导致的。

从计量检验的角度来说，考察的结果变量是企业所处的城市规模；处理变量则是将企业按照生产率高低分为两组的分组变量，具体来说是将企业按照生产率由高到低进行排序，进而根据生产率大小将样本企业等分为两组*当以年份为单位进行考察时，分组按照每一年进行；同理，下文中以企业所处区域或所有制标准进行考察时，处理变量分组分别在某一区域或所有制样本下进行。，生产率较高组作为处理组实验组(treatment group)，生产率较低组作为对照组(control group)，从而考察企业生产率水平对区位选址的影响(treatment)。本文以变量S代表生产率分组变量，即前文所说的处理变量，且S=1时企业隶属于实验组，S=0时隶属于对照组。本文现对PSM方法的应用叙述如下：

(1)倾向得分(PS值)测算

如前文所述，在较高生产率与较低生产率两组企业中，要挑选得到具有相似特征的企业集合，即将实验组与对照组企业进行匹配。现在遇到的问题是，按照哪些特征挑选“相似”企业？本文选取的特征指标为前文中除了全要素生产率、市场规模的其余指标以及地区、行业和年份总共8大变量，这些特征指标便是前文所述的控制变量(协变量)，这些控制变量对处理变量也就是企业生产率产生影响，采用PSM方法便是要剔除控制变量对处理变量的作用。那么，如果将这8个指标核算成一个倾向得分值(PS，propensity score)，进而匹配挑选出实验组和对照组中具有相同或相近PS值的企业，此时匹配得到的两组企业便只是在生产率上有所差异，如果这两组企业所处城市规模大小不同，这种差异性就是由生产率差异带来。具体到测算倾向得分值时采用的概率模型，通常有Logit或Probit模型两类，本文选取前者概率模型进行估计：

(4)

其中，i代表企业、Xi代表8个控制变量、β为参数向量，等号右边为累积分布函数， Logit模型因变量为企业生产率分组变量S。

(2)实验组与对照组指标匹配

在采用公式(4)进行回归之后，能够得到PS即倾向得分值，现在所需进行的工作是按照PS值将实验组与对照组企业进行匹配，问题是采用何种匹配原则进行匹配？一般来说，PSM方法的匹配原则有最近邻匹配法(Nearest Neighbor Matching)、核匹配法(Kernel Matching)、半径匹配法(Radius Matching)三种类型，其中第一种方法是在较高生产率组企业前后挑选出唯一一个PS得分最为相近的较低生产率组企业，因而本文采用这种匹配原则进行多元匹配：

(5)

(3)比较差别结果

匹配完成后，便可以考察较高和较低生产率企业组在所处城市规模大小上的平均差异，这种差异称为“平均处理效应”(ATT，average treatment effect on the treated)：

ATT=E{E[marketscale1i|Si=1,p(Xi)]-E[marketscale0i|Si=0,p(Xi)]}

(6)

其中，marketscale1i、marketscale0i分别代表企业i在实验组、对照组的平均城市规模。根据新新经济地理理论：在其他因素一致的情况下，较高生产率企业选址存活于较大规模的城市，因而理论预期所得ATT值为正数。

2.2实证检验结果及分析

(1)PS值测算

根据上述步骤1能够估计得到各个控制变量对处理变量的影响权重，我们对此进行了汇报和分析，从而初步判断各变量对处理变量的作用方向，受到篇幅限制本文并未报告全部年份的估计结果，详细报告内容见表3。

由表3分析可知：在控制了企业所处区域、所属行业之后，企业年龄对生产率产生负向影响，企业规模、利润水平、研发水平以及人均工资，均正向影响企业生产率水平，以上估计结果符号与我们前文的理论预期相符；而且，除了2001年人均工资变量估计系数没有通过显著性水平检验外，其余年份的各个变量估计系数均在1%或5%水平上显著异于零，体现出以上所得结论的准确性。

表3　倾向得分值估计结果

注：***、**、*分别代表在1%、5%和10%的显著性水平，括号中为标准差；由于此部分估计结果以年份为单位，因而无需控制年份虚拟变量。

(2)PSM实证检验结果

表3的估计结果，显示了每种因素对企业生产率(选址)的影响权重，这样我们就可以将该权重乘以该企业的变量大小，得到每一个企业的倾向得分数值，进而运用最近邻匹配方法，将对照组企业与实验组企业倾向得分相近的企业组进行匹配，便可以估计得到平均处理效果，匹配后的ATT值估计结果详见表4。

表4　企业全要素生产率对区位选址影响的倾向得分匹配检验结果

注：***、**、*分别代表在1%、5%和10%的显著性水平。

表4汇报结果显示，除了2001年ATT值没有通过显著性水平检验以外，其余年份匹配后的平均处理效果均为正数，取值范围为0.0261-0.0934，且均在1%水平上显著异于零；具体分析可知，2002年ATT数值最小为0.0261，于2006年达到峰值0.0934，期间平均处理效果呈现跳跃式发展但整体处于上升态势。这就意味着：在其他因素相同的情况下，高生产率组企业经营所在地的平均城市规模、要比低生产率组企业的更大，城市规模平均高出0.0261-0.0934，而且随着经济水平的不断发展，高生产率企业选址于较大规模城市的倾向性越发强烈。由于以上结果是控制了样本选择性偏误下所估计得到的，即两组匹配上的企业只是在生产率水平上有所差异(已经剔除了其它因素的影响)，因而可以认为是企业较高的生产率水平促进了自身选择经营于较大规模的城市。

(3)核密度函数图检验

表4的估计结果表明，根据新新经济地理理论所得到的，生产率高的企业主动选址到规模较大的城市这一结论是成立的。为了直观表明以上PSM匹配结果的稳健性，我们采用核密度函数图进行检验，其指导思想为：如果匹配之前实验组、对照组中企业在控制变量上具有显著差异，而在匹配之后这些差异应该在较大程度上得以消除，那么可以说明样本匹配的效果较好，由此能够得到样本选择偏误已有效降低的结论。

图1　实验组、对照组匹配前后企业的核密度函数图

本文选取1999年样本数据为例，进行核密度函数图的检验说明，检验结果如图1所示：对比匹配前、后的企业核密度函数图可知，匹配前两组企业在规模、年龄、利润、创新水平、人均工资、地区、行业变量上存在显著差异，但匹配后图示显示成功匹配上的高生产率、低生产率组企业样本集合在这些变量上已十分接近，因而本文选取控制变量合理，这就进一步验证了表4估计结果的稳健性。

3稳健性检验

3.1区域分类检验

表4的估计结果表明中国高生产率制造业企业主动迁址到规模较大的城市。但考虑到中国是一个幅员辽阔的国家，各地区的经济发展水平和企业行为动机具有较大的差异，因而应当对本文结论进行分地区考察，以检验该结论在各地区是否成立。为此，我们按照前文所述区域划分方法，将全国划分为东、中、西三个区域，考察实验组(较高生产率企业组)、对照组(较低生产率企业组)在城市规模上的平均处理效果，估计结果详见表5。

表5　不同区域下企业全要素生产率对区位选址影响的倾向得分匹配检验结果

注：***、**、*分别代表在1%、5%和10%的显著性水平。

表5汇报结果显示：三大地区的平均处理效果均为正数，且于1%水平上通过显著性水平检验，说明无论在东、中、西部哪个区域，企业较高的生产率水平给自身区位选址的影响都是选址于较大规模的城市，新新经济地理结论在我国传统东中西部地区中均成立。其中，东部地区匹配后的平均处理效果为0.0609，在三个地区中数值最大，体现出东部地区的高生产率企业选择在较大规模城市从事生产经营活动的倾向性更为强烈；中部地区匹配后的ATT数值大小处于第二位(0.0439)，西部地区平均处理效果数值最小为0.0279。此外，对比匹配前后ATT数值大小可知，若不控制样本选择性偏误，东、中、西部地区的平均处理效果均将被低估。

3.2 所有制分类检验

除了区域因素，不同类型的所有制企业，在选择生产区域时也有不同的考虑。例如我国国有企业选址以国家政策导向为主，不以生产率高低作为主要的选址标准，因而所估计得到的平均处理效果可能并不显著；而港澳台企业、外商企业以及私营企业以盈利为目标的特征更为明显，因而在进行区位选择时只要自身生产率水平符合较大规模市场的存活条件，将更倾向于选择在消费者需求大且多元、交通运输便利、资源较广的大规模城市从事生产经营活动，而且这些企业往往具有更强的竞争实力，在选址于较大规模城市后更能抵住激烈竞争不被市场所淘汰，因而这些企业由生产率所驱使的区位自选择效应表现可能十分显著。

考虑到以上所有制性质对企业区位选址的影响，本文对企业所有制类型进行进一步划分，具体划分为国有企业、集体企业、私营企业、外商企业、港澳台企业五种类型，划分标准参照我国企业登记注册类型代码表三分位代码进行。

表6对五种类型企业的PSM检验结果进行了汇报。结果显示：五类企业的平均处理效果均为正数，除国有企业以外，其余四类企业的平均处理效应估计结果在1%水平上显著异于零，这表明国有企业在制定选址决策时表现在计量模型上并不受自身生产率水平的影响，而其余类型中具有较高生产率的企业会选址于较大规模的城市，因而新新经济地理理论结论在集体、私营、外商和港澳台所有制企业下成立。具体分析可知：匹配后港澳台企业的ATT数值最大(0.1139)，其次为外商和私营企业，平均处理效果分别为0.0606、0.0538，集体企业中高生产率企业组相比低生产率企业组的平均市场规模差距相比之下较不明显(0.0327)，说明港澳台、外商和私营企业中的高生产率拥有者出于自身发展考虑更倾向于选址于较大规模的城市，这一结论也与前文中我们的理论分析相符。

表6　不同所有制下企业全要素生产率对区位选址影响的倾向得分匹配检验结果

注：***、**、*分别代表在1%、5%和10%的显著性水平。

4结论与启示

新经济地理和新近发展起来新新经济地理理论阐述了较大规模城市中的企业拥有更高生产率水平的道理：一是集聚效应的外部性导致企业生产率普遍性提高，二是选择效应导致具有较高生产率水平的企业选择存活于较大规模市场。本文根据后者考察中国制造业企业全要素生产率水平对自身区位选址决策的影响，以及这种影响的方向和程度。

为了考察这一问题，我们关联了1999～2007年间中国工业企业数据库和中国城市统计年鉴数据，得到中国297个地级及以上城市的制造业企业样本记录1442878笔，并采用倾向得分匹配方法进行实证估计。克服样本选择性偏误问题后本文发现：具有较高生产率水平的企业会选址于更大规模的城市从事生产经营活动。稳健性估计结果表明：以上结论在传统东中西部地区中均成立，且东部地区的高生产率企业选址于较大规模城市的倾向性更为强烈；集体、港澳台、外商及私营企业的高生产率企业均选址于较大规模的城市，且后三者的倾向性更为强烈，但国有企业区位选址决策并不受全要素生产率水平的影响。

本文可能蕴含的启示有：

(1)现实中有很多企业选择将厂址建立或迁移到较大规模的城市(如北京、上海等地)，而这种企业迁移运动背后的深层次原因一直没有受到商界人士和理论界学者的足够重视和探究，本文在新新经济地理理论框架下从全要素生产率层面对这一问题进行了来自中国制造业企业的考察，通过研究得到的解释为，是企业具有的较高生产率水平使得企业选址于规模较大的城市；

(2)规模较大的城市能够给企业生产经营活动提供更为广阔的资源和发展空间、便利的交通运输条件能够节约企业成本、庞大且多元化的消费者需求也能够拉动企业的生产经营活动，因而如果企业具有生存于较大规模城市的能力，一般来说都会将经营地点选择在较大规模城市，本文研究显示这种迁移运动可以由企业自身较高的生产率水平带来，因而我国制造业企业应积极提高自身生产率水平，以期进入并享受较大规模城市所带来的好处；

(3)研究结果显示东部地区，私营、外商和港澳台企业中，具有较高生产率水平的企业相比较低生产率拥有者，会更倾向于选址在较大规模的城市，因而政府在制定相关政策指导企业区位选址实践时，可以科学地对应不同类型企业特点制定差异化政策，以期在保持投入资源不变的条件下最有效地发挥出政府政策的引导性作用。

参考文献：

[1]陈钊，陆铭.从分割到融合：城乡经济增长与社会和谐的政治经济学[J].经济研究，2008，(1)：21-32.

[2]程开明.城市化促进技术创新的机制及证据[J].科研管理，2010，31(2)：26-34.

[3]王雅莉，齐昕.中国城市化经济发展效应解析[J].经济学家，2013，(8)：102-104.

[4]陆铭，蒋仕卿，陈钊，佐藤宏.摆脱城市化的低水平均衡——制度推动、社会互动与劳动力流动[J].复旦学报(社会科学版)，2013，(3)：48-167.

[5]Venables A J. Equilibrium locations of vertically linked industries[J]. International Economic Review, 1996, 37(2): 341-359.

[6] 李新，苏兆国，史本山.基于区位选择的中国工业生产企业空间集聚研究[J].科学学研究，2010,28(4)：549-557.

[7] 刘庆林，汪明珠，韩军伟.市场关联效应与跨国企业选址——基于中国数据的检验[J].财贸经济，2011，(11)：127-135.

[8] Isard W. Location and space-economy: a general relating industrial location, market size, land use and urban structure[M]. Cambridge: Massachusetts Institute of Technology, 1956. 1-350.

[9] Moses L N. Location and theory of production[J].Quarterly Journal of Economics, 1958, 72(2): 259-272.

[10]Pontes J P. Industrial clusters and peripheral areas[J]. Environment and Planning A, 2003, 35(11): 2053-2068.

[11]郝寿义，倪方树，林坦，方兴.企业区位选择与空间集聚的博弈分析[J].南开经济研究,2011，(3):69-78.

[12]池仁勇.区域中小企业创新网络的结点联结及其效率评价研究[J].管理世界，2007，(1)：105-121.

[13]孟韬.空间变化、结构调整与三线企业的集群创新[J].改革，2013，(1)：35-40.

[14]Krugman P. Increasing returns, monopolistic competition, and international trade[J]. Journal of International Economics, 1979, 9(4): 469-479.

[15]Fujita M, Thisse J F. Economics of agglomeration[J]. Journal of the Japanese and International Economies, 1996, 10(4): 339-378.

[16]Baldwin R E, Martin P, Ottaviano G I P. Global income divergence, trade, and industrialization: the geography of growth take-offs[J]. Journal of Economic Growth, 2001, 6(1): 5-37.

[17]Neary J P. Of hype and hyperbolas: introducing the new economic geography[J]. Journal of Economic Literature, 2001, 39(2): 536-561.

[18]Melitz M J, Ottaviano G I P. Market size, trade, and productivity[J]. Review of Economic Studies, 2008, 75(3): 295-316.

[19]Baldwin R E, Okubo T. Heterogeneous firms, agglomeration and economic geography: spatial selection and sorting[J]. Journal of Economic Geography, 2006, 6(3): 323-346.

[20]李福柱.“新”新经济地理学研究进展[J].经济学动态，2011，(6)：98-102.

[21]李晓萍，江飞涛.企业异质性与经济地理研究新进展[J].经济学动态，2011，(10)：114-118.

[22]刘海洋，孔祥贞，汤二子.基于微观异质性的新新经济地理研究[J].财经科学，2012，(4)：62-70.

[23]Saito H, Gopinath M. Plants self-selection, agglomeration economies and regional productivity in Chile[J]. Journal of Economic Geography, 2009, 9(4): 539-558.

[24]Okubo T, Picard P M, Thisse J F. The spatial selection of heterogeneous firms[J]. Journal of International Economics, 2010, 82(2): 230-237.

[25]刘海洋，马靖，宋巧.中国地级以上城市的工资差异：原因及趋势[J].中国软科学，2012,(5)：93-102.

[26]Campbell J R, Hopenhayn H A. Market size matters[J]. Journal of Industrial Economics, 2005, 53(1): 1-25.

[27]Syverson C. Prices, spatial competition and heterogeneous producers: an empirical test[J]. Journal of Industrial Economics, 2007, 55(2): 197-222.

[28]谢千里，罗斯基，张秩凡.中国工业生产率的增长与收敛[J].经济学(季刊)，2008，7(3)：809-826.

[29]Levinsohn J, Petrin A. Estimating production functions using inputs to control for unobservables[J]. Review of Economic Studies, 2003, 70(2): 317-341.

[30]亓朋，许和连，艾洪山.外商直接投资企业对内资企业的溢出效应：对中国制造业企业的实证研究[J].管理世界，2008，(4)：58-68.

[31]赵伟，赵金亮.生产率决定中国企业出口倾向吗——企业所有制异质性视角的分析[J].财贸经济，2011，(5)：100-105.

[32]Rosenbaum P R, Rubin D B. The central role of the propensity score in observational studies for causal effects[J]. Biometrika, 1983, 70(1): 41-55.

[33]Heckman J J, Ichimura H, Todd P E. Matching as an econometric evaluation estimator[J]. Review of Economic Studies, 1998, 65(2): 261-294.

[34]Lechner M. Identification and estimation of causal effects of multiple treatments under the conditional independence assumption[M]. Verlag: Phsical-verlag heidelberg, 2001. 43-58.

[35]Abadie A, Imbens G. Large sample properties of matching estimators for average treatment effects[J]. Econometrica, 2006, 74(1): 235-267.

[36]邵敏，包群.出口企业转型对中国劳动力就业与工资的影响：基于倾向评分匹配估计的经验分析[J].世界经济，2011，(6);48-70.

[37]刘海洋，孔祥贞，马婧.补贴扭曲了中国工业企业的购买行为吗？——基于讨价还价理论的分析[J].管理世界，2012，(10)：119-145.