指标选择、计量模型与数据来源的优化方法

（一）指标选取

不同的实证研究和计量分析对制造业效率指标的选取存在较大差异。国外研究常用指标有制造业的增加值率（增加值/总产值）、效率指数（制造业行业产出占GDP比重与该行业劳动投入数量占全国总劳动投入数量的比值）或劳动生产率（行业总产值/该行业就业总人数）等。

基于本研究分析的需要以及数据的可得性和一致性，在全国层面的分析中，本研究选取各地区规模以上工业企业的利润总量来近似衡量制造业企业的效率或获利能力，在行业层面的分析中以规模以上工业企业中的主要制造业的利润总量来衡量制造业效率和发展能力。而在该经验分析中，生产性服务业是主要解释变量，基于前文的理论分析以及经济发展的现实，主要选取全国及各地区生产性服务业的劳动投入即各生产性服务细分行业的就业人数占总就业人数的比重作为重要解释变量来体现生产性服务的种类、规模和发展水平对提升制造业发展效率产生的影响。^[20]在现实的统计分析中，对生产性服务业的行业划分和界定本来就存在较大争议，因为有的服务业既为其他行业提供中间投入也满足终端需求，并不完全是为了满足中间需求而提供服务。结合前文分析，生产性服务业主要选取交通运输、存储和邮政业等5个细分行业^[21]。在全国层面和地区层面的分析中，考虑到数据的可得性和完整性主要选取19个省份^[22]的生产性服务业中这5个细分行业的就业数据；在行业层面的分析中，主要选取全国的生产性服务业中这5个细分行业的就业数据。另外，考虑到不同的生产性服务业对制造业的影响不同，将生产性服务业分为高端生产性服务业（信息传输、计算机服务和软件业，租赁和商务服务业，科学研究、技术服务和地质勘探业）和低端生产性服务业（交通运输、仓储和邮政业，金融业）。同时，考虑到资本投入、行业内及行业间竞争也是影响制造业效率的重要因素，本研究的解释变量还包括各地区规模以上工业企业的固定资产年平均余额和企业单位数，另考虑制造业及生产性服务业从业人员的教育程度、科研经费和人员的投入以及城市化水平也是影响产业发展的重要因素，本研究还选取了教育程度、R＆D投入强度和城市化率作为控制变量。各指标的具体意义见表5-2。

表5-2　变量定义及说明

续表

①2012和2013年用固定资产净值来近似代替。
②制造业行业层面的R＆D主要指规模以上工业企业的R＆D人员全时当量（单位：人年）。

（二）计量模型

1.地区层面的计量模型

为了分析生产性服务业对制造业效率提升的影响，本研究将地区层面计量模型设定如下：

模型Ⅰ Proit=α0+α1PSi，t+α2Compi，t+α3Capii，t+α4Edui，t+α5RDi，t-1+α6Cityi，t+εi，t

其中，i和t分别表示地区和年份，α0为常数项，ε为随机扰动项。为了消除异方差以及数据的波动性，对以上各数据进行了对数化处理。Pro为各地区规模以上工业企业的利润额，是本模型的被解释变量，近似体现制造业发展效率和发展程度；PS为主要解释变量，以各地区各年份生产性服务业细分行业的就业人数占总就业人数比重来表示，该比重越高表明该地区生产性服务专业化分工越细、发展水平越高、规模越大，预期回归系数的符号为正。Comp体现了制造业行业竞争的程度，一般来说，某个制造业行业企业单位数越多表明该行业竞争越充分，越能促进行业的专业化发展，但企业数量过多也可能导致企业间恶性竞争，这样将会对该行业发展产生负面影响，所以回归系数的符号不确定。Capi体现了制造业的资本投入或资本有机构成状况，该值越大表明该行业资本有机构成越高，而资本有机构成往往与劳动生产率的提高呈现同向变动的关系，预期的回归系数符号为正。控制变量中的Edu反映从业者的教育程度会对产业发展产生积极作用，一般来看，不管是制造业还是生产性服务业从业者的教育程度都将影响从业者的素质和技能水平，从而直接或间接地影响制造业劳动生产率的提高，因此预期该回归系数为正。RD是各地区科研经费的投入占地区GDP的比重，反映科研投入强度，通常来看，科研投入具有较强的外溢效应，经费投入的增加有利于提高各产业特别是制造业的技术研发水平和层次，考虑到研发投入产生作用具有滞后性，故使用滞后一期的RD投入来分析其对制造业发展的影响，预期回归系数的符号为正。City代表城市化水平，通常城市化率越高，市场空间和市场容量就越大、市场竞争效应越强，也就越能促进产业集聚发展和促进产业内和产业间的互动和融合，更有利于发挥生产性服务业对制造业效率的作用，所以预期该回归系数为正。(www.xing528.com)

另外，考虑到不同类型生产性服务业对提升制造业效率的影响程度和作用路径不一样，故将生产性服务业又分为低端生产性服务和高端生产性服务。模型设定如下：

模型Ⅱ ln Proi，t=α0+α2LPSi，t+α3HPSi，t+α4Compi，t+α5Capii，t+α6Edui，t+α7RDi，t-1+α8Cityi，t+εi，t

2.行业层面的模型

为了进一步分析生产性服务业对提升不同类型制造业效率的影响程度，本研究将规模以上工业企业^[23]分为劳动密集型制造业、资本密集型制造业和技术密集型制造业。劳动密集型制造业主要有：农副食品加工业，食品制造业，酒、饮料和精制茶制造业，纺织业，纺织服装、服饰业，皮革、皮毛羽毛及制品和制鞋业，木材加工及木材藤棕草制品业，家具制造业，造纸及纸制品业，印刷品和记录媒介复制业，文教、工美、体育和娱乐用品制造业，橡胶和塑料制品业共12个行业；资本密集型制造业包括：石油加工、炼焦及核燃料加工业，非金属矿物制品业，黑色金属冶炼及压延加工业，有色金属冶炼及压延加工业，金属制品业，通用设备制造业，专用设备制造业共7个行业；技术密集型制造业包括：化学原料及化学制品制造业，化学纤维制造业，医药制造业，铁路、船舶、航空航天及其他运输设备制造业，电气机械及器材制造业，计算机、通信及其他电子设备制造业共6个行业。设定如下两个模型：

模型Ⅰ Proi，t=α0+α1PSt+α2Co mpi，t+α3Capii，t+α4RDi，t-1+α5Edut+α6Cityt+εi，t

其中，i表示以上选定的不同的制造业行业，t表示不同的年份，α0为常数项。为了消除异方差以及数据的波动性，也对以上各数据进行了对数化处理。Pro表示不同制造业行业不同年份的利润；PS是不同年份全国生产性服务业就业人数在全国总就业人数中的占比，没有下标i表示对不同制造业细分行业的影响是一样的；Comp、Capi分别表示各制造业行业在不同年份的企业单位数和固定资本年平均余额；RD表示的制造业各细分行业R＆D人员全时当量，考虑到科研投入对制造业发展产生影响可能具有滞后性，所以采用滞后一期的数据；Edu、City是两个控制变量，分别表示就业人员的教育程度和城市化发展状况对制造业发展产生的影响。

为进一步分析不同层次的生产性服务业对制造业细分行业产生的影响，本研究还设定了：

模型Ⅱ Proi，t=α0+α1LPSt+α2HPSt+α3Co mpi，t+α4Capii，t+α5RDi，t-1+α6Edut+α7Cityt+εi，t

（三）资料来源

本研究使用的面板数据主要是2004—2013年期间的，地区层面的分析中考虑到数据的完整性主要选取了中国共19个省份，行业层面的分析中主要选取了25个规模以上国有及非国有制造业细分行业的数据。全国和地区层面的生产性服务业数据主要选取了：交通运输、仓储及邮政业，信息传输、软件及信息技术服务业，金融业，租赁和商务服务业，科学研究和技术服务业这5类服务业的数据。所有数据均来自《中国统计年鉴》（2005—2014）、《中国工业经济统计年鉴》（2005—2012）、《中国工业统计年鉴》（2013—2014）《中国科技统计年鉴》（2005—2014）以及国研网的“就业与人口统计数据库”（2004—2013）。