基于产业协同集聚的安徽省生产性服务业效率研究

赵鹏

近年来，安徽省生产性服务业保持持续增长态势，引领产业转型升级，促进产业链、价值链向高端跃升，为“双循环”大背景下安徽经济高质量发展，打造长三角高端制造业主阵地带来了更加充沛的、充满活力的新动能。然而，相较于长三角其他地区和发达省份，安徽省生产性服务业在发展规模、发展效率和协同集聚方面还有着较大的发展空间。相关研究表明，生产性服务业与制造业的协同集聚可以在推动两个产业有效互动与融合的过程中，进一步提升产业各自的技术水平与生产效率［1］。因此，生产性服务业的发展，不仅仅是单一产业的集群发展，更应该是协同集聚的高水平发展，是注重协同供给质量和高效率的高质量发展。产业协同集聚水平能否带来安徽省整体和16个地市的生产性服务业产业效率的提高，协同集聚对产业效率影响机理如何，是值得研究的问题。基于此，探究安徽省生产性服务业与制造业的协同集聚对生产性服务业产业效率影响机制，分析生产性服务业发展质量和效率提升策略，对促进生产性服务业和制造业深度融合、加快生产性服务业转型升级和创新发展具有重要的现实意义。

一、相关研究综述

通过知网文献检索，现有生产性服务业研究主要集中在利用DEA方法、投入产出法、回归分析法等实证方法测度生产性服务业效率，并在此基础上给出相关政策建议；有学者对生产性服务业与制造业效率、制造业互动融合进行研究，探讨生产性服务业和制造业协调集聚发展的机制和规律等问题，表明生产性服务业与制造业的协同集聚水平仅对欠发达地区的作用效率存在显著的正向效应［2］，生产性服务业对制造业升级的促进作用表现出显著的省际差异［3］，协同集聚对制造业全要素生产率变化产生正向影响［1］。也有学者研究生产性服务业的影响因素，选取城市化水平、人力资本积累、经济发展水平、经济发展结构、基础设施等变量，研究其影响机制，得出信息化水平、人才投入、科技投入等对生产性服务业有重要的推动作用［4］。部分省内学者还从生产性服务业集聚水平测度、技术效率实证分析等角度进行了研究，显示产业融合程度对安徽省生产性服务业的发展有明显的促进作用，而经济发展水平对生产性服务业的发展作用不显著［5］。现有研究中，基于生产性服务业和制造业产业协同集聚水平的生产性服务业产业效率研究较少，也缺乏安徽省区域内16地市生产性服务业产业效率的研究。因此本文基于DEA-Malmquist模型进行了安徽省整体以及16地市的生产性服务业产业效率实证测度，并从产业协同集聚的角度探究了生产性服务业产业效率的影响机制，给出提高安徽省生产性服务业产业效率的对策建议。

二、研究方法

（一）DEA-Malmquist模型

DEA模型是将所有的决策单元的投入和产出项投影到几何空间中，以寻找最低投入或最高产出的边界［6］。传统的CCR模型和BCC模型往往只能比较决策单元（DMU）在某个时点的时间效率，对面板数据不大适用。因此，采用DEAMalmquist指数模型测度决策单元在不同时期的动态时间序列下效率的变化，用来分析面板数据较为合适。其表达式为：

式中，MAL代表Malmquist产业效率指数，x，y分别代表投入变量和产出变量分别代表以t和t+1期为参照的距离函数。该产业效率指数可以分解为技术效率变化和技术进步变化，而技术效率变化又可以分解为纯技术效率变化和规模效率变化。

利用DEA-Malmquist模型可以计算生产性服务业在动态时间序列下的技术效率、技术进步、纯技术效率、规模效率和全要素生产率。当数值大于1时，表明产业效率是增长的，反之，则是下降的，值越大，表示产业效率越高。本文选择生产性服务业增加值作为产出指标，生产性服务业固定资产投资、从业人员数量作为投入指标，利用DEAP2.1软件测算了2013年至2019年的7个年度中安徽省16个地级市的生产性服务业产业效率值以及变化情况。

（二）面板数据回归模型

为了衡量安徽省制造业与生产性服务业的协同集聚效应对生产性服务业产业效率的影响，采用实证分析的方法对搜集的相关数据进行处理，并构建实证分析模型。

其中，PROE表示生产性服务业产业效率，数值来自于EDA-Malmquist模型实证分析所得的产业效率。CI表示协同集聚指数，代表生产性服务业与制造业的协同集聚水平。考虑到集聚指数CI可能与产业效率PROE之间存在的非线性关系，在公式中加入了集聚指数CI的二次方［7］。EDU代表受教育程度，TEC表示技术创新能力，ε代表模型的随机误差。下标的i，j分别代表不同的城市和年度。本文采用Stata16.0软件进行描述统计、平稳性检验，并在此基础上进行面板数据的Tobit模型回归。

（三）变量说明

1.生产性服务业产业效率（PROE）

生产性服务业产业效率是模型的因变量，也是模型的核心解释变量，选用数据包括分析所测算的7个年度16个地市生产性服务业的技术效率，表示不同城市的生产性服务业在一定条件下投入产出要素的生产效率。产业效率可以衡量某市生产性服务业的投入产出是否有效。由于在实证分析过程中，用固定效应和随机效应的面板回归分析均未能得到显著的一致估计。因此借鉴杜宇玮（2017）的做法，采用Tobit模型来分析协同集聚指数和其他控制变量对生产性服务业产业效率的影响机制。

2.协同集聚指数（CI）

协同集聚指数是模型中关键解释变量，采用的是基于区位熵计算的协同集聚指数。协同集聚表示各城市不同产业集聚在空间上建立起联系，进而更有效地推动产业的有效互动和融合［8］。协同集聚指数的实证分析方法包括综合指数法、赫芬达尔指数法、投入产出法、区位熵法、E-G指数法等。考虑到数据的可获得性，基于两个产业的区位熵共同构建指数模型。表达式如下：

其中，cmi表示某城市制造业的区位熵值，Csi表示某城市的生产性服务业的区位熵值；emi和Emi分别代表各城市制造业的产值和安徽省制造业的总产值；esi和Esi分别代表各城市生产性服务业的产值和全省生产性服务业的总产值；ei和E分别表示各城市总产值和全省总产值。CIi表示各城市的协同集聚指数，代表某城市的产业间协同集聚程度，数值越大，表示协同集聚效应越高。

3.其他变量

生产性服务业的发展还会受到人力资源状况和科技发展状况等因素的影响。模型中设计了相应的控制变量来还原这些因素的影响作用。人力资源状况由变量受教育程度EDU来代表，采用的数据是各市每十万人口中拥有大专及以上学历人群的百分比；科技发展状况由变量技术创新能力TEC来代表，采用的数据是各市三种专利申请受理的数量占全省专利总数的比例。相关变量描述性统计结果如表1所示。

（四）数据来源

数据来源是2014至2020年安徽省统计局发布的《安徽统计年鉴》及各地级市统计年鉴和相关公开数据。考虑到统计数据的可获得性和相关研究的一致性，选取交通运输、仓储和邮政业，信息传输、计算机服务和软件业，金融业，租赁和商务服务业，科学研究和技术服务业［9］五个行业的数据来代表生产性服务业。

三、分析结果

（一）产业效率分析

1.产业效率空间分布特征

表2显示的是2013年至2019年安徽省16个地市生产性服务业产业效率的空间分布情况。由表2可见，安徽省生产性服务业技术效率指数呈现“北高南低”的趋势，皖北区域的阜阳、亳州、宿州三地技术效率变化指数位居全省前三位。大部分城市的指数值大于1，生产性服务业技术效率体现正向发展的趋势。芜湖、宣城、马鞍山等地的技术效率指数排名较为靠后，且指数值小于1，说明三个城市的技术效率变化近年来可能呈下降趋势。纯技术效率指数仅在芜湖、马鞍山两地低于1，其余城市的数值都在1以上，说明在一定的规模条件下，两地的生产性服务业纯技术效率变化呈下降趋势。其余城市生产性服务业纯技术效率成上升趋势。淮北、宿州两地在生产性服务业规模效率方面指数较为靠前，但有7个地市未达平均值，5个城市的生产性服务业规模效率方面指数小于1。

技术进步指数反映了安徽16个地市的生产性服务业的技术进步程度，所有地市的指数均为正值，说明各市的生产性服务业都存在技术进步，指数值越高，说明技术进步影响越大。位于安徽中部的六安市技术进步指数值最高，滁州、淮南等则相对较低，呈现出中部区域高，周围区域低的趋势。全要素生产率方面，全省16个地市的指数值均为正，说明各市的生产性服务业的全要素生产率均呈正增长态势，其中淮北的全要素生产率指数值最高。全省各地市的全要素生产率分布较为均衡，但出现了区域分化的现象。

表2安徽省各地市生产性服务业产业效率

2.产业效率时间分布特征

表3显示的安徽全省2013年至2019年生产性服务业产业效率变动情况。由表3可见，全省生产性服务业技术效率变化指数除两个时段小于1外，其余时段的指数值均大于1，说明技术效率递增效应并不明显，呈现了先增高后降低再增高的趋势。技术进步变化指数、纯技术效率变化指数也体现了相类似的变化趋势，但其变化在技术效率变化之前，存在技术进步引导技术效率变化的现象。规模效率方面，在时间上呈现波动式变化，缺乏稳定的变化趋势，未能表现出稳定的规模效应递增。这与省内学者提出的生产性服务业发展已经逐渐显现出规模经济特征的结论［10］并不一致。全要素生产率方面，仅有一个时段数值低于1，其余时段都呈现全要素生产率增长的趋势。但全要素生产率增长速度变化趋势不明显，增速出现了涨跌交替的现象，说明安徽省整体的生产性服务业的发展还不够稳定，受各种因素干扰较大。总体来说，安徽省生产性服务业全要素生产率的变化与技术进步变化有较高的趋势一致性，可以说技术进步引导着全要素生产率和技术效率的变化，提高纯技术效率和技术进步将有助于产业效率增长。

表3安徽省省域2013年至2019年产业效率变动情况

（二）Tobit回归分析

1.平稳性检验

在拟合模型之前，需要对数据的平稳性进行检验，以避免因此带来的伪回归问题，确保估计结果的有效性。对变量使用LLC单位根检验（Levin-Lin-Chu unit-root test）考察面板数据的平稳性，原假设为面板数据存在单位根。表4的检验结果表明，在加入个体固定效应与线性时间趋势的LLC检验中，6个变量均在1%的显著性水平上拒绝原假设，面板数据为平稳过程，可以进行Tobit回归。

表4各变量LLC检验结果

2.参数估计

表5显示了2013年至2019年安徽省生产性服务业产业效率各影响因素的Tobit模型回归结果。可以看出，协同集聚指数的估计系数为正，在1%的显著水平下效果明显，并且在四个变量中影响系数最高，表明协同集聚水平对各地市的生产性服务业产业效率有着比较显著的影响。其作用程度为，协同集聚水平每提高1个百分点，会对生产性服务业效率产生1.528 2个百分点的正向影响。协同集聚指数平方变量的估计系数值为负，在5%的显著水平下效果明显，说明协同集聚对生产性服务业产业产业效率的影响效果并不持续为正。原因可能在于，当协同集聚水平不断增加时，受到资源、竞争、环境、政策等因素的限制，导致协同集聚所带来的拥负效应日益凸显［7］。产业协同集聚对生产性服务业产业效率的影响存在正向的显著影响作用，但影响作用存在着边际效用递减的机理，其优势未能得到充分发挥。

控制变量人力资源状况在10%的显著水平下对生产性服务业的影响是正向的，且影响程度较为明显，这表明，大专学历以上人员占比越高，受教育程度越高、人力资源状况越好，对生产性服务业效率的影响程度越大。科技发展状况对生产性服务业效率影响较小，并且没有通过显著性检验，说明在本模型中科技发展状况变量对生产性服务业的效率影响并不明确。这需要在后续的研究中进一步探索。

表5各变量回归结果

四、结论及建议

本文采用了DEA-Malmquist模型测度了安徽省生产性服务业产业效率的空间、时间特征和变化规律，并基于协同集聚水平关键变量，采用Tobit模型实证考察了各变量对生产性服务业的影响机制。

（一）结论

1.产业效率空间特征

安徽省16个地级市生产性服务业的全要素生产率差距不大，都呈现正增长的态势，但存在区域分化现象。全要素生产率排名靠前的皖北区域城市居多，但排名靠后的皖北城市也有1个；省会城市合肥的全要素生产率排名第九，位居中部位置。技术效率变化中，呈现“北高南低”的趋势；技术进步变化中，皖中的六安位居第一位，整体呈现中间高、周围低的趋势。

2.产业效率时间特征

技术效率变化指数时间上呈现上下波动，但总体呈现先增高后降低再增高的波形趋势，技术进步和纯技术效率变化指数也体现了相类似的变化趋势。规模效率变化也呈波形变化，且只在3年中存在规模效应的递增，其余时间都表现为规模效应递减。全要素生产率仅在2015至2016年的时段降低，其余时段都呈现增长的趋势。总体来看，技术进步引导着全要素生产率和技术效率的变化，提高纯技术效率和技术进步有助于产业效率增长。

3.协同集聚对产业效率的影响

生产性服务业与制造业的协同集聚水平对生产性服务业产业效率的提升有着正向的显著影响。但协同集聚水平平方的估计系数为负，说明协同集聚水平对产业效率的影响并不总为正。协同集聚水平对生产性服务业产业效率的影响存在着边际效用递减。

（二）对策建议

基于以上研究结论，给出以下提升安徽省生产性服务业产业效率的对策建议。

1.实施区域协调发展战略

各地级市要充分考虑资源禀赋和区位优势，明确各城市的角色和功能定位，推动生产性服务业与其他产业的产业联动和空间协同发展［11］。省级层面要做好生产性服务业区域布局的引导和协调，制定有针对性的产业协调发展政策，避免重复建设，充分发挥规模效应。

2.加大技术改造升级力度

技术进步引导着全要素生产率和技术效率的变化，通过技术改造升级，可以提高生产性服务业的技术创新。依靠技术进步和创新优化产业结构，提高行业内部高知识技术含量［12］，进而通过引导机制促进技术效率和全要素生产率的提升，形成规模效应。

3.提高产业协同集聚水平

调整生产性服务业的规模、结构和质量，优化资源配置，营造生产性服务业与制造业共生共荣的产业环境，促进生产性服务业与制造业的协同集聚和深度融合，充分发挥产业协同集聚的正向影响作用，提升生产性服务业的产业效率。