技术创新对纺织产业高端化的影响与作用机理——基于全要素生产率视角

许 菱，张 红，石 琴，曾凯霖,c

(江西理工大学, a.经济管理学院;b.赣州市高质量发展研究院;c.赣州市金融研究院，江西赣州 341000)

当前中国纺织工业拥有全球规模最大、最完整的产业链体系，在生产制造和出口总量等方面都具有绝对优势，然而绝大部分企业被锁定在生产、加工、制造等价值链低端地位。与此同时，中国正面临着劳动力低成本优势不再、市场份额收缩以及纺织技术及工艺水平偏低等问题[1-2]，高端服装面料、特殊功能面料等高附加值产品比重不高，中低端产品受东南亚国家挤压，由此纺织产业增长面临“双向挤压”。由于技术创新能带来产品、工艺等创新[3]，帮助纺织业有效提升产品附加值率[4-5]。因此，中国纺织产业如何通过技术创新摆脱既定的锁定路径，推动纺织产业高端化升级是当前亟须解决的问题。

产业高端化是从产业价值链低端向高端转型升级的过程[1,6]，表现为产业附加值率提升、盈利水平提高、结构优化和可持续发展能力增强等[7-8]。具体来看，产业高端化就是通过提升技术创新，从原有的依靠追加要素投入的发展模式，转变为注重全要素生产率提升的模式[9]。对于产业高端化这一议题，学者们主要倾向于从“价值链提升”和“生产率提升”两个角度对产业高端化进行探讨。从价值链升级视角方面，学者们从产业高端化的概念与内涵出发，构建出产业高端化评价指标体系，探究了产业高端化的影响因素[3,10-12]，并基于不同方面制定了产业高端化路径[13-14]。从生产率提升视角方面，学者们主要针对战略性新兴产业、高新技术产业等高端化的影响因素[15-17][17-19]展开研究，赵子健等[9]、任保全等[18]、申俊喜等[19]纷纷探究了产业高端化发展路径。随着学术界对产业高端化的持续关注，不少学者也开始探讨技术创新对产业高端化的影响关系[3,11-13]，然而现有研究主要集中在战略性新兴产业等高技术制造产业，涉及微观主体企业高端化发展的研究较少。与高技术制造产业相比，纺织服装等低技术制造产业技术创新活动主要集中在靠近产业链的后端，面料研发、服装设计和品牌影响力等自主性不强，技术创新水平远达不到行业平均水平。此外，纺织产业处在转型升级的关键期，推进纺织产业高质量发展正提上日程。那么当前国内纺织产业高端化水平如何？技术创新对纺织产业高端化是否产生影响？其影响机制如何？怎样才能推动纺织产业向高端化发展？这些在前人的研究中并没有得到回答。鉴于此，本文基于生产率提升视角，通过DEA-Malmquist指数法测算全要素生产率，以此探究纺织产业高端化发展趋势，通过实证分析，既探讨了技术创新对纺织产业高端化的直接影响，又关注了企业内部性质所造成的异质性，同时也进一步探究了技术创新通过企业竞争优势、企业绩效这两种机制对产业高端化的影响，最后给出政策建议。

1 理论分析与研究假设

在经济学上，产业高端化的最直接体现是全要素生产率的提升[9,19]，通过全要素生产率及其分解指标，有助于找出产业高端化的影响因素，找准产业高端化路径[18-19]。因此，将基于全要素生产率视角，从理论上分析技术创新与产业高端化的影响关系及作用机制。

1.1 技术创新对全要素生产率的直接效应分析

根据内生性增长理论和创新理论可知，技术创新能通过推动技术进步有效提升全要素生产率。然而国内外关于技术创新与全要素生产率的实证研究形成了不同的观点，部分学者提出技术创新对全要素生产率的作用或促进或抑制[21]；另一部分学者则实证表明两者呈正“U型”或倒“U型”关系[20, 22]。此外，还有些学者认为两者存在滞后效应，滞后阶数在1-3年不等[21, 23]。因此，技术创新与全要素生产率的关系以及滞后阶数暂未有定论，值得深入探讨。

技术创新对全要素生产率的影响作用主要体现在两个方面：从短期来看，技术创新从投入到产出需要一定的周期，创新活动存在高风险，如果投入不能带来产出的增加或者投入的成本效益远高于产出所带来的经济效益，则短时间内难以提高全要素生产率[20, 24]。而且技术创新活动主要汇聚于基础性、长期性的领域内，占据企业大量资源，而要实现创新成果向现实生产力的转变需要经过一系列的中间环节，同样难以推动全要素生产率的提升。

从长期来看，持续的研发投入会积累大量的知识存量，当这些知识积累转化为新技术、新产品进入市场获利，技术创新的投入和产出才会达到平衡。具体表现为：一方面，技术创新的积累效应能增加企业的知识存量和技术存量，加快企业引进和吸收先进技术的速度，实现再创新推动企业技术进步，从而提高全要素生产率。另一方面，技术创新能够增强高端产品开发和供给端能力，有效改善资源配置效率，从而促进全要素生产率提升[20]。因此，提出H1、H2假设：

H1：短期内技术创新难以提高全要素生产率。

H2：技术创新对全要素生产率的提升具有滞后效应。

1.2 技术创新对全要素生产率的影响机制分析

笔者认为技术创新对全要素生产率的影响可能通过提升企业竞争优势与企业绩效这两个渠道得以实现。

从竞争优势维度看，企业的技术创新能力、专利等无形资产是企业获取核心竞争优势的重要来源[25]，企业在进行产品创新、材料创新、工艺创新等一系列技术创新行为后，企业发展质量和效率将有所提高，甚至引发组织管理水平的变动，表现出要素投入更有效率地转化，从而使企业竞争优势不断提升[26]，而越具有竞争优势的企业，越能通过技术、效率、规模等进行高效低成本的生产，从战略的高度实现资源的有效配置，从而推动全要素生产率的提升[27]。但随着企业纷纷抢占市场势力而造成过度市场竞争环境，迫使企业开展低成本、低水平创新快速抢占市场份额，导致企业将更多的关注点从自主创新转移至技术模仿和技术溢出，进而削弱了企业自主创新动力，弱化了其对全要素生产率的正向影响[28]。

从企业绩效维度看，技术创新过程中存在创新资源投入和产出的不对等关系，因而技术创新不仅无法带来当期绩效的提升，反而造成了绩效的降低[29]。而在企业绩效的提升过程中，企业技术创新资源遭到挤占，劳动者生产积极性由此削弱，因而也难以带来生产率的提升。然而，技术创新对企业绩效的提升存在滞后效应[30]，持续投入创新资源一方面能够带来专利和无形资产等直接成果的增加，使得企业无形资产扩大。另一方面通过新技术带来企业成本的降低和效率的提升，使得员工更有生产价值，能够开发出差异化产品和新型工艺，带来企业流动资产的增加，因而企业绩效得以提升[31]，企业发展实力得到加强，则企业有足够的资金优化资源配置，间接促进全要素生产率的提升。

综上，提出假设H3：

H3：技术创新通过竞争优势效应与绩效提升效应作用于全要素生产率。

技术创新与全要素生产率作用关系如图1所示，以技术创新为开端，分别检验了依靠技术创新短期效应、滞后效应对全要素生产率的直接影响，同时引入竞争优势、企业绩效两大中介变量分析技术创新对全要素生产率的动力机制。

图1 技术创新与全要素生产率的作用关系

2 研究设计

2.1 样本选取与数据来源

在样本的选择方面，考虑到上市公司大多是纺织产业的成功代表，成长性强，经济效益和附加值都更高，因而选择上市公司作为微观样本主体研究产业高端化更具有代表性和说服力，认定的纺织样本企业是根据《国民经济行业分类》(GB/T 4754-2017)划分的，并参照王瑞荣等[32]的研究，选择前两位代码为17、18、19、28的企业，即“纺织业”“纺织服装与服饰业”“皮革、毛皮、羽毛及其制品和制鞋业”“化学纤维制造业”。

在时间跨度的选择上，2016-2020年是纺织服装行业步入深度转型升级的新阶段，也是《中国制造2025》计划正式实施的阶段，因而选择的样本期间为2016-2020年。

在数据处理方面，剔除样本期间未公开披露年度报告及重要指标存在缺省值以及终止上市的公司后，选定92家上市企业，5年共460个样本；专利数据来源于智慧芽专利数据库，其余指标均来源于CSMAR数据库，并根据东方财富网披露的企业年报加以补充。为避免模型受到极端值影响，对连续数据进行了1%缩尾处理。

2.2 变量选择与测量

2.2.1 被解释变量：全要素生产率

选定DEA-Malmquist模型测算，存在如下考虑：其一，基于多投入和多产出指标。参考了翟华云等[16]、任保全等[18]的研究，以企业员工数量、年均固定资产净值作为投入指标，净利润和主营业务收入为产出指标。其二，基于不同年份分析全要素生产率及其分解指标的动态变化趋势，进而深入探究全要素生产率变化的内在机理[19]，故此法更为适合。在样本的处理方面，由于净利润存在变量值为负的样本值，故使用公式(1)对所有投入、产出数据按同一标准进行标准化处理，公式如下：

(1)

其中，Xi、Yi分别为原始数据和调整后数据，Xmin、Xmax为变量的最小和最大值。

表1为运用DEAP2.1软件测度的2016-2020年纺织产业全要素生产率变化趋势。

表1 2016-2020年纺织产业全要素生产率变化趋势

由表1可知，TFP年均值为1.005，即纺织产业全要素生产率以年均0.5%的增幅呈正增长趋势。从变化趋势来看，纺织产业TFP在2016-2020年呈现先增后减的变化特点，2017年以3.6%的增幅达到最高点1.057，从2019-2020年呈现负增长的趋势，主要是因为技术效率和技术进步率的双重降低，因而未能带动全要素生产率的提升。从分解指标来看，主要受SE的变动影响，EF分别在2017年和2019年达到最低点和最高点，呈现年均负增长的趋势，而TE则呈现“递增-递减-递增”的波动趋势，分别在2018和2019年达到最高和最低点，最终以年均2.3%的增幅呈现正增长趋势。综上，受技术进步的推动作用，纺织产业全要素生产率呈现正增长趋势，但同时受制于技术效率低下以及技术创新增幅不足，由此纺织产业高端化程度偏低，目前尚处于基础高端化。

2.2.2 解释变量：技术创新的测量

结合研发投入和创新产出角度，通过DEA指数法测算的技术创新效率衡量技术创新(RD)，其中投入指标包括研发投入资金和研发人员数，产出指标为申请专利数和专利授权数。在数据处理方面，同样使用公式(1)对专利产出数据进行标准化处理，并通过均值插补法对研发人员数存在的缺失值进行补充，此外，参照张广胜等[21]研究，对研发投入到产出之间设定一期滞后。

2.2.3 其他变量

中介变量方面，参照胡苗等[25]的研究，采用勒纳指数作为企业竞争优势(ECA)的代理变量，通过(营业收入-营业成本-销售费用-管理费用)与营业收入占比来测算[25]。ECA指数越大，则企业相对竞争优势越大。参照贾振全等[30]的研究，用净资产收益率衡量企业绩效(ROE)。并考虑纳入企业年龄(age)、债权资本率(DCR)、股权资本率(ECR)、人力资本水平(LA)、股权集中度(top1)为控制变量，以所有制(syz)、两职合一(ceo)为分组变量。

2.3 模型设定

综合2016-2020年纺织产业92家上市公司数据，基于上述的分析及假设，构建面板计量模型。为验证假设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)

基于前文研究假设部分的影响机制分析，参考前人提出的中介效应逐步法构建了如下中介效应模型，通过式(4)-式(6)验证假设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企业第t年全要素生产率的对数值，RDi,t-n分别表示i企业技术创新的当期值(n取0)、滞后一期值(n取1)和滞后二期值(n取2)，controlit表示控制变量的合集，包括企业年龄、债权资本率、股权资本率、人力资本水平以及股权集中度，εit为模型的随机扰动项，year表示控制年份效应。M表示中介变量，分别为竞争优势ECA、企业绩效ROE。

各变量的描述性统计如表2所示，全要素生产率的平均值大于1，说明纺织产业的发展总体上是呈现正向增长的趋势，但纺织产业要实现高端化发展还有较大距离。RD均值为1.003，标准差为 0.125，表明纺织产业技术创新水平整体偏低，企业间存在较为明显的差距。中介变量ECA和ROE的均值都较低，表明纺织企业总体竞争优势不强，企业绩效偏低。对变量进行相关性和方差膨胀因子检验发现，变量间相关系数不超过0.7、VIF均值小于1.5，因而不存在明显的多重共线性问题。

表2 主要变量的描述性统计

3 实证分析与检验

基于豪斯曼检验结果表明本文应采用固定效应模型，同时为避免自相关、异方差等对模型产生影响，采用xtscc模型进行回归。实证分析包括三方面：一是对全样本模型估计，验证假设H1、H2是否成立；二是对企业按照所有制性质、管理者结构进行分样本回归；三是稳健性检验。

3.1 基准模型估计

表3为技术创新对全要素生产率的直接效应。第1、2列为只加入核心解释变量RD和引入控制变量之后的回归结果，第3-6列是为了探究技术创新的滞后效应。如模型(1)(2)所示，无论是只加入RD或是加入控制变量后，RD均显著为负，表明技术创新对当期全要素生产率产生显著负效应，H1假设得到支持。

表3 技术创新对全要素生产率的直接效应

由模型(3)(4)(5)(6)可知，技术创新一期、二期滞后项的回归系数显著为正，且随着控制变量的加入显著性增强，即企业技术创新对TFP的促进作用存在滞后效应，因此连续不断地提升技术创新水平能促进全要素生产率提升，假设H2得到验证。

控制变量方面，人力资本水平系数为正且显著，说明人力资本水平越高，资源配置效率越高，企业所能获得的企业经济存量越高，因而全要素生产率也越高。股权集中度对全要素生产率存在显著负向作用，主要是因为股权过度集中容易导致企业缺乏民主或决策失误，从而引发损害公司利益的行为，因而阻碍了生产率的提升。股权资本率、债权资本率在此次实证检验中并未得到稳健结果，这说明在外部融资方面，企业想单纯依靠外部融资所获得的经济存量是不足以支撑技术创新，且融资成本较高会阻碍企业的研发创新，因而对提升TFP的贡献尚不明显。

3.2 分样本异质性回归

在不同情境下，企业间存在决策和资源禀赋差异，会导致企业技术创新活动存在差异，因而技术创新对企业全要素生产率作用效果也不同。分别从企业所有制性质、管理者结构两方面分组回归，探究两者关系的异质性，PanelA、PanelB分别呈现了技术创新在不同情境下对全要素生产率的异质性回归结果，具体见表4。

3.2.1 企业所有制异质性

表4中PanelA模型报告了技术创新对于不同所有制性质的企业全要素生产率的影响结果，由模型(7)(8)对比可知，与民营企业相比，非民营企业中技术创新对全要素生产率的负效应更为显著，主要是因为非民营企业更容易获得政府财政方面的支持，因而能拥有更多的创新资源投入到创新活动中，在当期技术创新活动中，技术创新投入更多地表现为沉没成本，并不能立刻为企业带来效益，因而对当期TFP的负向效应更强。由模型(9)(10)(11)(12)的估计系数看出，民营企业中技术创新滞后项对全要素生产率的促进效应更显著，主要是因为民营企业创新氛围和能动性更强，民营企业家的自主创新意识更突出，更能敏锐地捕捉到创新机会，因而民营企业通过技术创新不断积累的发展势能更能推动TFP的提升。

3.2.2 管理者结构异质性

表4中PanelB模型报告了当期和滞后期技术创新影响不同管理者结构的企业全要素生产率的回归结果，结果表明，技术创新在当期抑制了TFP的提升，其对TFP的促进作用存在一期、二期滞后效应，但对于不同管理者结构，二者作用效果存在显著的差异。相比于“两职分离”型企业，技术创新对“两职合一”型企业全要素生产率的影响作用更强。其基本逻辑是：“两职合一”型企业会带来管理者权力过度集中，更容易诱发管理者为了实现自身利益挤占创新资源，短期内导致技术创新投入非效率，而从长期来看，“两职合一”能减少企业内部竞争性，合理进行创新资源的有效配置同时提升企业的创新自由，进而提高生产率。

表4 异质性分析

3.3 稳健性讨论

从替换被解释变量和内生性检验、替换解释变量等方面来验证模型的稳健性，分别对应表5中的PanelC、PanelD报告的结果。

3.3.1 替换被解释变量和内生性检验

考虑到变量间可能存在反向因果关系，故引入全要素生产率滞后一期，同时也考虑到全要素生产率的多种测算方式，分别以LP法、ACF法以及Wrag法测算的全要素生产率作为被解释变量，通过二阶差分GMM法验证RD与TFP两者关系，模型PanelC中RD、RDt-1、RDt-2的显著性和符号基本没有实质变化，说明模型稳健性不错。

3.3.2 替换解释变量

分别选定研发投入营收比和滞后一期的专利申请数衡量技术创新以检验模型稳健性，分别对应表5的PanelD中的模型(28)(29)(30)和模型(31)(32)(33)回归结果可知，技术创新与全要素生产率的影响效果不改变，模型依然稳健。

表5 稳健性检验结果

4 影响机制分析

根据前文研究假设部分的影响机制分析，认为技术创新对全要素生产率的影响可能通过竞争优势效应、企业绩效两个途径进行传导。

4.1 竞争优势的中介效应

表6的PanelF模型报告了企业竞争优势的中介效应结果。由模型(35)(38)中RD系数β1可知，技术创新显著提升了当期企业竞争优势，但对企业竞争优势的滞后项存在反向抑制作用。

从模型(35)(36)报告的结果中发现，模型(36)中解释变量与中介变量的系数γ1、γ2均显著但符号相异，此时β1γ2与γ1异号，表明企业竞争优势在技术创新当期与全要素生产率之间存在遮掩效应。其基本逻辑是，企业管理者选择更多地将技术创新资源投入到短期内可以提升企业竞争优势的活动中，依靠低水平快速创新可能带来短期竞争优势的提升，但也致使企业更少地关注长期性的、有发展潜力的创新活动中，极大削弱了企业创新活力和积极性，即技术创新对于企业竞争优势的提升作用并不能抵消甚至远小于本身对于企业生产率的负向效应，进而抑制了全要素生产率的提升。

从模型(38)(39)可知，模型(38)滞后一期技术创新与竞争优势ECA在5%水平上显著负相关，而模型(39)中中介变量ECA的系数显著为正，但RD的系数不显著，说明企业竞争优势在技术创新滞后一期与全要素生产率之间表现为完全中介效应。也即技术创新滞后期主要通过提升企业竞争优势来带动全要素生产率的提升。

4.2 企业绩效的中介效应

表6的PanelF模型报告了企业绩效的中介效应结果。从模型(41)(44)可知，RD和RDt-1系数符号分别为负、正，表明技术创新显著抑制了当期企业绩效的提升，其对企业绩效的提升作用存在一期滞后效应。

表6 中介效应模型估计结果

由模型(41)(42)和模型(44)(45)可知，β1γ2系数符号与γ1均同号，表明无论是技术当期或是技术创新滞后期，企业绩效均在技术创新与全要要素生产率之间存在部分中介效应，中介效应分别为16.24%和20.41%。其基本逻辑是，在短期内，由于技术创新对全要素生产率的负向效应远大于企业绩效的正向效应，因而生产率未得到提升，但在企业绩效的中介作用下，二者的负向效果相对降低。而在技术创新滞后期中，技术创新直接作用于全要素生产率并使其提升，同时还通过企业绩效的中介效应间接提升全要素生产率，由此，假设H3得到验证。

5 研究结论及对策建议

将技术创新与产业高端化纳入同一研究框架，基于近5年92家纺织上市企业数据，通过DEA-Malmquist法测算全要素生产率以此探究纺织产业高端化趋势，通过实证分析进一步梳理了技术创新与纺织产业全要素生产率的关系及影响机制，以期为推动纺织产业高端化升级提供参考。研究表明：

a)中国纺织产业正朝着高端化的方向升级，但高端化程度不够。中国纺织产业整体呈正增长趋势，其主要驱动力来源于技术进步，但同时受技术效率低下和技术创新水平不足等制约，总体变化波动大、增幅小。

b)技术创新当期难以带来全要素生产率的提高，其对全要素生产率的提升作用存在一期滞后效应，且滞后效应持续到第二期，因此连续不断地提升技术创新能力才能提高纺织产业高端化水平。此外，与非民营企业和“两职分离”型企业相比，民营企业和“两职合一”型企业的技术创新滞后项对全要素生产率的正向促进效果更显著。

c)技术创新带来了当期竞争优势的提升，但技术创新对于当期全要素生产率的负向效应遮掩了竞争优势对生产率的正向效应。在技术创新滞后期，企业全要素生产率的提升则主要通过企业竞争优势效应产生。因此，提升竞争优势也是企业高端化发展的重要影响因素。

d)企业绩效在技术创新与企业当期和滞后期全要素生产率之间均起到部分中介作用。在技术创新当期，企业能够通过降低企业绩效从而削弱技术创新对企业生产率的抑制效应。而技术创新滞后期对企业绩效的提升作用，为企业带来更多的经营利润，进而显著提高纺织企业全要素生产率。

基于以上结论，提出以下推进纺织产业高端化升级的对策建议：

a)优化配置纺织企业创新资源，提高纺织产业高端化程度。针对企业高端化程度不足的痛点问题，发挥各方主体合力，有针对性地形成多层次的技术创新指南。对企业而言，既要持续加大资金、人员等方面的投入，引进国内外先进生产工艺、设备等，实现创新资源要素“量”的积累。也要持续开展技术创新活动，创新开发和培育差异化的高端产品，以自主高端品牌实现产品的高端化升级。还要合理应用大数据、智能化、数字化等手段，并渗透到研发、设计、生产、服务、营销等纺织价值链各个环节，实现资源要素配置“质”的提升。此外，政府各方应当有计划地吸引和培育重点领域高端科研人才，为纺织企业高端化发展搭建高端人才梯队。同时率先培育一批极具发展潜力的龙头企业，协同开展纺织关键领域核心技术集体攻关，提升纺织企业高附加值率。

b)尽管技术创新在当期抑制了纺织企业生产率的提升，但仍应当充分发挥技术创新的滞后效应。首先，企业应当树立长远的发展观，深刻意识到技术创新需要通过持续不断地创新资源投入来积蓄发展势能，才能推动企业向高端化跃迁。同时，引入创新绩效和生产率指标作为企业绩效考核的一部分，引导企业更加关注技术进步和生产率的提升，强化企业自主创新意识。其次，企业仍需依托高校、科研院、联盟等多方资源优势，积极开展技术创新活动，将技术创新积累的知识存量和技术存量转化为现实生产力，争取实现更多的创新产出。此外，政府则应当严格落实知识产权保护政策，加大专利业务培训力度，并设立创新激励机制，提高纺织企业创新产出效率。

c)因企制宜，提升纺织企业比较优势。首先政府应当健全融资担保体系，拓宽企业多样化融资渠道，切实改善民营企业创新活动“融资难”的问题，同时加大对民营企业创新发展的政策和资金支持，激发民营企业技术创新热情。其次，搭建企业交流分享会，加强非民营企业与民营企业在技术研发、管理经验、渠道更新、设备使用等方面的有效沟通，强化非民营企业的创新能动性。“二职合一”型企业应当充分发挥管理者的先导权和决策权，率先拍板具有发展前景的创新项目，避免错失创新机遇，同时持续加大对纺织核心技术的研发强度，提高企业创新效率。针对“两职分离”型企业，可引入多元化的管理人才结构，发挥各层级管理人才合力，共同制定稳定且可持续的技术创新战略决策，提升企业资源配置效率。

d)找准企业竞争优势提升的切入点。具体来说，纺织企业可开展定期的市场调研，深度摸清企业所处的市场环境，制定有针对性的竞争策略。同时有效结合市场需求开发出具有差异化的新产品，通过技术创新将当前市场竞争带来的压力转化为激励效应，帮助企业在市场上占据有利地位，通过扩大市场份额推动高端化发展。

e)管理者在进行研发决策时应当选择未来收益较好的创新项目。既要避免企业为追求短期盈利，通过低水平快速的研发创新进行大规模重复生产，造成企业资源的浪费。又要重视改善研发投入的产出效率，逐步扩大具有比较优势的主营业务。同时加强引导企业将关注点落在技术、质量、品牌提升等方面，有效推动绩效提升对高端化发展的促进效应。