下载掌阅APP，畅读海量书库
立即打开
对于出口持续时间影响企业技术升级的机理，我们可以从以下两方面来进行思考：一方面出口持续时间可以降低企业产品进入新市场的固定成本（陈勇兵等，2014）。出口持续时间是企业在出口方面经验丰富程度的一个重要体现，企业进入一个新的市场往往要考虑很多方面，如建立新的市场渠道，定位潜在的目标顾客群体，提升产品的质量以满足目的国市场消费者的需求等等，而对于经验丰富的出口企业来说，在这些方面已经轻车熟路，一些应用在其他出口市场的策略也可以直接用来考察新的市场，这样就可以减少企业进入新市场的固定成本。另一方面，出口持续时间还会降低企业生产的可变成本。这一点与出口中学习效应非常相似，对于相关行业和市场的长期出口经验的积累可以降低出口企业的可变成本。Evenett和Venables（2003）指出，出口到一个指定目的国的成本取决于从其他相近的目的国获取的经验，并通过实证发现，从已有出口市场或相近的市场获取的出口经验使得发展中国家的出口增长进一步得到提高。Roberts和Tybout（1997）对哥伦比亚的制造业企业的出口数据进行了研究，发现先前的出口经验可以使得出口的概率增加60％之多。Rakhman（2010）研究表明，如果一种产品在进口国市场上持续的时间越长那么就能得到越多的出口学习效应，即出口企业在国际市场上学到更多的“知识”，如更高的技术、对消费者偏好和竞争性产品的了解等，这能降低企业进入一个新市场的成本。Artopoulos et al.（2011）也曾指出，对新市场比较熟悉的企业可以更好地调整自己的商业模式以适应市场需求，因而具有相关出口经验的企业（即具有较长出口持续时间的企业）能够降低企业进入新市场的成本。因此，出口持续时间会影响企业进入出口市场的成本（包括固定成本和可变成本），从而影响到企业在出口市场的利润，最终会对企业的技术升级产生影响。
为了分析企业的出口持续时间对其技术升级的影响，参见已有的相关实证研究文献，本文设定如下的回归模型：
其中，被解释变量 upgrading i t 为企业 i 在时期 t 所选择的技术升级程度的对数； exporttime it 衡量了企业 i 在时期 t 的出口持续时间，是本文所重点关注的核心解释变量； X it 表示了其他一些控制变量集合； λ i 、 υ t 分别表示企业和年份固定效应； μ it 表示随机扰动项。
本文用企业全要素生产率（TFP）的变化来衡量其技术升级程度。具体来看，本文将企业
i
在时期
t
的技术升级程度（
upgrading
it
）定义为：
upgrading
it
＝ln（
TFP
it
）-ln（
TFP
it
-1
），其中
TFP
it
表示企业
i
在时期
t
的全要素生产率。为了得到企业的TFP，需要估计企业的生产函数。然而在对企业生产函数的估计过程中，要素投入与TFP间的内生性问题会使得传统的OLS失效。本文将借鉴由Ackerberg et al.（2015）发展起来的半参数估计方法（简称ACF方法）来解决生产函数估计中的内生性问题
。本文使用ACF方法估计了只包含资本和劳动投入的CD型企业生产函数，以此得到企业的TFP并用之来构造衡量企业技术升级的指标。
企业出口持续时间是本文所关注的核心解释变量。借鉴陈勇兵等（2012）（2014）的相关研究，可以把企业的出口持续时间定义为企业从进入国外出口市场开始，到最终退出出口市场所经历的时间。按照已有相关文献的做法，本文中的出口持续时间用年来衡量。而利用数据具体构建出口持续时间这个指标时，需要注意以下两点：首先就是多个出口持续时间段的问题。企业某年进入了国外出口市场，持续一段时间以后可能会停止对外国市场的出口，间隔一段时间之后，企业又重新进入了出口市场。已有相关文献把这种情况称为“多个出口持续时间段”。根据Besedesˇ和Prusa（2006b）的相关研究，虽然某些企业可能存在多个出口持续时间段，但是将企业的第一出口持续时间段视为样本期间该企业的唯一出口持续时间段的做法并不会对样本期内企业出口持续时间的分布产生实质性的影响。为此，借鉴陈勇兵等（2014）的类似做法，即使企业在样本期间存在多个出口持续时间段，本文也只根据企业的第一出口持续时间段来计算该企业的出口持续时间。其次就是数据删失的问题。本文所使用的数据样本期间为1999—2007年，至于样本期间外某些企业的出口状况，无法准确得知。比如在1999年以前就已经出口的企业，该企业具体的出口持续时间就无法判断，假如不对这个问题加以考虑，那么对于在1999年以前就已经出口的企业，它们的出口持续时间就会被明显低估。已有文献把这个问题称为数据的左删失问题。借鉴陈勇兵等（2012）、毛其淋和盛斌（2013）、陈晓华和刘慧（2015）的类似做法，本文去掉了左删失的观测值，即所选取的是在1999年没有出口，而在2000—2007年有出口的企业。因此，企业最长出口持续时间为8年。
为了得到更为精确的估计结果，结合既有的相关文献，本文引入以下因素作为控制变量：（1）企业规模（ size it ）。已有相关研究通常是用企业的销售额、企业员工数或企业总资产等来对企业规模加以衡量（毛其淋和盛斌，2014），本文采用企业从业人员数的对数值来衡量。（2）要素密集度（ kl it ）。本文用资本劳动比的对数来度量要素密集度，其中资本为企业每年的固定资产净值余额，同时利用相应的价格指数进行了平减，而劳动即为企业每年的从业人员人数。（3）平均工资（ wage it ）。本文使用企业的应付工资总和（其中包括应付福利费）与企业从业人员数之比的对数来对平均工资进行衡量。（4）企业年龄（ age it ）。本文用当年年份与企业成立年份之差并取对数来衡量企业年龄。（5）政府补贴（ subsidy it ）。本文使用政府补贴额与企业销售额的比值来进行衡量。
本文是用企业TFP的变动幅度来衡量其技术升级程度，考虑到企业的TFP跟出口持续时间可能存在双向因果关系（一方面，出口持续时间会影响企业TFP的变化；另一方面，企业的TFP也会影响到企业在出口市场的存活时间
），企业的技术升级与出口持续时间也很可能会存在双向因果关系，对（1）式直接使用固定效应回归很可能会出现内生性问题。为了避免可能存在的内生性问题，本文将采用系统GMM方法来对（1）式进行估计
。
在使用系统GMM估计时，需要注意工具变量的有效性问题。为此，一般会进行差分模型残差的序列相关检验（常用的是Arellano-Bond的自相关检验，即AB检验）以及工具变量过度识别检验。残差的序列相关检验主要是利用估计方程一阶差分的 n 阶残差序列来构建相应的统计量，以此来检验工具变量的有效性，其原假设为差分残差不存在序列相关。Brown和Petesen（2009）指出，当差分残差没有通过一阶序列相关检验时，只有二阶及以上的高阶滞后项才能作为有效的工具变量；当差分残差没有通过二阶序列相关检验时，只有三阶及以上的高阶滞后项才能作为有效的工具变量，依此类推。工具变量的过度识别检验则需要使用Hansen（即J统计量）或Sargan检验（Sargan统计量），这两个检验的原假设都是工具变量并不存在过度识别。
本文所用的数据均来自中国工业企业数据库，样本期间为1999—2007年，对于该数据库的详细说明可参见聂辉华等（2012）的研究。对于样本中异常值的剔除，本文与鲁晓东和连玉君（2012）、Feenstra et al.（2013）、Yu（2015）等文献的做法类似。
为了衡量企业的技术升级，需要先估计企业的生产函数得到企业的TFP。考虑到不同行业之间的生产技术可能存在较大差别（Pavcnik，2002），为了得到更加准确的TFP估算结果，本文先根据工业企业数据库里的行业代码，同时借鉴鲁晓东和连玉君（2012）的类似做法，把所有企业分成了16个大的行业
，然后利用ACF方法对每个行业的生产函数分别进行了估计来得到各企业的TFP，并以此来构建衡量企业技术升级的指标。表1展示了本文所使用的主要变量的描述性统计。
表1 主要变量的描述性统计
（续表）
注：labor＿p表示企业劳动生产率的对数，具体计算方法是用企业的工业增加值除以其平均从业人员数并取对数，在之后的稳健性检验中将用到。