下载掌阅APP，畅读海量书库
立即打开
发展经济学和经济史学相关理论指出：“起飞之后的经济增长，只能由一系列主导部门来支撑，因为每一个主导部门过一段时间注定要减速（ 罗斯托 ，2001）”；“……任何时期一国经济中具有强大动力的先导部门总是经济迅速增长的焦点，它们通过各种链条带动了经济中其他方面的增长（ 库兹涅茨 ，1989）”。因此，从中观产业层面来讲，经济新动能应集中于那些正处于高增长阶段或增长爆发前夜的各种新兴产业，即上述提及的“主导部门”和具有强大动力的“先导部门”。
从创新经济学及技术革命视角来看，新兴产业和先导部门的出现是周期性技术革命（或科技革命）推动的结果，也是推动经济增长（发展）的重要动力来源。早在20世纪30年代末，熊彼特便发现工业革命以后世界经济增长会呈现出50～60年的周期性变化。
弗里曼、佩雷兹等熊彼特的追随者对技术革命进行了界定，他们指出当多个关联的通用目的技术（General Purpose Technology，GPT）领域同时或相继出现激进式创新时通常会引发技术革命（Dosi，1982；Bresnahan and Trajtenberg，1992；Perez，2010；Lipsey et al.，2005）。他们还发现，工业革命以来，已经确定发生的5次技术革命同样呈现出周期性特征，
相邻两次技术革命出现的间隔时间也在50年左右。
在发生时间上，技术革命与经济长周期之间存在耦合，即几乎每一轮技术革命的标志性事件都会在上一轮经济长周期的下降阶段出现，比新一轮经济长周期的起点（及上升阶段）提前10～20年（Kondratiev，1935；Schumpeter，1939；Perez，2010；Mathew，2013）。技术革命周期和经济长周期之间的规律性耦合有其内在的微观基础，每一次技术革命都是对既有技术体系和经济均衡的颠覆性冲击，每一个社会成员和微观主体面对冲击时都有一个适应的过程。有的微观主体在原有技术体系下没有太多的既得利益和沉没成本，能够积极拥抱新的技术体系；而更多的微观主体则是原有技术体系的既得利益者，在新一轮技术革命萌芽阶段，出于维护自身利益的考量会本能地对新技术革命进行抵制。这样新技术体系从出现到全面推广应用，需要经历相当长时间的被社会所接受和适应的过程；而一旦跨越了社会成员接受的临界点，便会引发大规模的投资需求，全社会要素资源会向新技术领域大量集聚，社会成员的生活消费方式也将发生重大变化并产生新需求，整个社会将进入新一轮经济长周期的上升和繁荣阶段（Kondratiev，1935；Schumpeter，1939；Mathew，2013）。
Castellacci（2004）从熊彼特的创新理论出发对经济长周期中上升阶段的微观机制进行了类似分析。Castellacci（2004）主张，经济长周期的上升阶段是技术革命带来的新产品、新过程从创新者向其他企业和部门扩散的过程。随着模仿者群体（swarm of imitators，bandwagon of imitations）的全面出现，经济发展需要更多的投资和工人，于是出现乘数效应，该效应对经济的整体作用迅速增强。Castellacci（2004）进一步指出，经济长周期的上升阶段同时也是经济结构出现激进变化（radical change）的时期。随着新技术的扩散，新兴的产业部门逐渐成为（新的）主导，而原有的（主导）产业部门则逐步衰退。工业革命以来的5次技术革命，每一次基本上都遵循着上述新旧主导产业接续更替的规律。纺织、煤炭、铁路、钢铁、电力、石化、汽车、芯片等先后成为新的主导产业，成为不同经济长周期上升阶段中动力变革的产业基础。
工业革命以来历次经济长周期与技术革命见表1。
表1 工业革命以来历次经济长周期与技术革命
续表
资料来源：综合Kondratiev（1935）、Schumpeter（1939）、Perez（1985）、Lipsey等（2005）、Perez（2010）、Mathew（2013）等文献整理而得。
中国特色社会主义进入新时代，恰逢全球新一轮科技革命孕育兴起并加速演进。新一轮科技革命本质上是以（移动）互联网、大数据、人工智能等新一代信息技术为核心，涵盖新能源、新材料、生物等关联通用目的技术（GPT）的第六次技术革命。在2010年前后，在信息通信、能源、材料、生物等领域，一些革命性、颠覆性技术纷纷进入应用示范甚至商业化推广阶段，包括移动互联网的快速推广普及，风能、光伏太阳能的大规模应用示范，石墨烯、碳纳米管的试验开发，基因测序在疾病筛查中的应用等。这些从某种意义上可以看作是第六次技术革命的标志性事件。2010年，中国政府着手培育发展战略性新兴产业，其初衷就是要顺应全球新一轮科技革命和产业变革的趋势、抢占经济科技制高点。
技术革命、战略性新兴产业与经济新动能传导机制如图1所示。
根据此前5次技术革命与经济长周期相互耦合以及主导产业接续更替的内在规律，战略性新兴产业将成为中国乃至全球的接续主导产业，也代表着经济新动能的主要方向。当然，战略性新兴产业涵盖面较广，本身可以划分为多个领域和多个细分行业，而每个细分行业在发展阶段、市场需求、产业规模等方面存在较大差异。有的细分行业虽然长期来看有着良好的发展前景和潜力，但行业产业化尚处于刚刚起步的萌芽状态，短期内在支撑宏观经济增长方面很难发挥主导作用；而有的细分行业出于种种原因，企业运营及产业规模已呈现出爆发式增长态势，短期内即有望成长为经济增长的重要动力来源。2014年，中国经济正式进入新常态，迫切需要寻找短期内发挥支撑作用的新动能。从适应经济新常态、引领新常态、保持“十三五”时期经济中高速增长等内在要求考量，识别出那些已经显现出高成长态势并有望进入快速增长阶段的新动能细分行业，对于政府决策部门精准施策、改善调控以及实现保持经济较高增速的目标显得尤为重要。需要特别指出的是，战略性新兴产业代表的只是新一轮科技革命和动力变革的主要方向而非全部，由人均收入水平提升和需求结构升级而引发的产业结构变化也会是新旧动能转换的重要源泉。
图1 技术革命、战略性新兴产业与经济新动能传导机制
由技术革命和收入水平提升所引发的需求结构变化，其发生过程非常迅速；因为需求侧主要由消费者意愿所决定，而意愿的转换可以在瞬间完成。而产业结构顺应需求结构变化做出的适应性调整，其过程则要缓慢得多。毕竟各类要素的组织动员、生产性资本的积累以及组织架构和运行模式的形成都需要较长的时间。另外，消费者需求的结构性变化被生产者（供给侧）所感知也是一个循序渐进的过程。在需求结构发生转变的初期，往往只有一小部分非常敏锐的企业能够迅速捕捉到消费者需求结构的变化并及时在生产经营策略上做出相应调整。通过这部分先行者做示范和带动，更多企业意识到需求结构的变化，从而在更大范围内推动供给结构或者产业结构的适应性调整。
在上述过程中，那些能够快速捕捉到需求结构变化的企业，面对转变初期迅速形成的巨大市场需求，通过加大资金、人力、研发等要素的投入，往往会取得超常规的快速发展，进而带动并形成新兴产业或新型业态，成为宏观经济的新动能。从另一个角度来看，那些呈现出高速成长势头的企业在行业归属上会有很大一部分属于新动能行业，这也是后续开展新动能细分行业识别的重要依据。
在产业数据可获得的前提下，对各细分行业发展状况和变化趋势进行分析研判不失为一条更直接的识别路径。王礼恒等（2016）构建了一套评价新兴产业成熟度的指标体系。王礼恒等（2016）主要是从产品成熟度和市场成熟度两方面综合考察新兴产业的成熟度；其中，产品成熟度包括技术成熟度和制造成熟度；而市场成熟度则考察产业的市场规模、市场结构（集中度）及其市场潜力。但利用“产品成熟度”来衡量产业的成长性或增长潜力在操作上也有较大难度，毕竟对于“产品成熟度”的衡量存在较大主观性。
从市场成熟度来评价产业成熟度，虽然可以将评价指标集中于产值、就业、利润、研发投入等较为客观的指标，但是要实现评价新兴产业领域各细分行业的目标，在数据获取上还存在非常直接的现实障碍。包括战略性新兴产业在内的潜在经济新动能领域，其细分行业划分标准更多是为了适应新一轮科技革命和产业变革要求设定的；而现行官方统计体系下的国民经济行业分类标准则主要是以往历次技术革命和产业革命的产物。因此，现行官方统计体系难以直接提供战略性新兴产业细分行业的相关统计数据。
这意味着从行业本身入手，评价以战略性新兴产业为主的相关领域细分行业及其是否具备经济新动能特征，在数据收集环节上存在操作上的现实困难。
因此，识别高成长细分行业的一条可行路径便是从高成长企业筛选入手，通过被筛选出的高成长企业的行业分布状况，大致推断出短期内具有高成长潜力、有望成为新动能的相关细分行业。相比产业成熟度判别路径，从既有的快速成长企业中识别经济新动能的可能范围，数据信息收集更为可行，所采集的数据信息与既定目标之间的关联也较为直接。正是基于高成长企业与高成长行业之间的上述内在关联，本文对以战略性新兴产业为主的相关领域高成长细分行业识别的基本思路是：①从企业相关数据指标收集整理和分析入手，利用文本挖掘及相应统计分析工具筛选出不同评判标准下的高成长企业；②根据高成长企业的行业领域归属，推断出以战略性新兴产业为主的相关领域中具有高成长态势的细分行业，并将其识别为新动能（细分）行业。
由于对后续高成长细分行业识别的基础是对高成长企业的筛选，因此，厘清高成长企业的特征并设定筛选标准至关重要。欧美学者特别是欧盟及北欧学者在这方面开展了较多的具有参考价值的研究。
早在20世纪90年代，Birch和Medoff（1994）等给出了一个较为具体的高成长企业界定标准，即企业必须在一定期间内取得至少20%的销售增长率，且年均收益至少达到10万美元。此后，学者们虽提出了不同的界定标准，但各个标准之间并无本质上的差别，大致来说包括以下主要特征：①高增长率，但所采用的衡量指标和高增长标准存在差异；②较长持续时间，通常是3～5年，以减少由于增长率短期波动而造成的误选或遗漏；③一定的规模，以剔除特别小规模企业初期由偶然因素而获得高速增长的情形（Delmar and Roslagsvägen，1997；Garnsey et al.，2006；Shepherd and Wiklund，2009）。
可用于考察企业成长状况的指标包括资产、就业、市场份额、物质投入、利润、销售额等几乎所有可以反映企业投入产出状况的财务指标或经营指标，其中又以销售额和就业两个指标最为常用。
Hoy等（1992）认为，如果只选一个衡量企业成长的指标，应首选销售额。销售额指标具有很多优点，如数据容易获得、适用面广泛等。当然，销售额本身也有其局限性。一是销售额对通货膨胀和汇率的敏感度较低，这会影响其名义增长率的真实性，从而降低其作为测度基准的效果。二是销售额增长需要企业运营取得一定成效后才会显现，具有一定的滞后性；而企业的资产和就业人数的增长往往先于销售额的增长，因此用总资产规模或就业人数有时能更为准确地预测企业的发展趋势。就业人数是标准化、可比较的数据指标，能提供反映企业扩张的比率和方向，且基本不受通货膨胀的影响。就业指标能够较好地反映劳动密集型企业和知识型企业的真实增长情况，但不足之处在于，它比较容易受劳动生产率提高和垂直一体化的影响，无法反映生产率提升情形下的企业增长。
实证研究中还有一些文献根据需要构造了若干复合性指标，为指标增长的测度形式提供了更多不同选择，如Birch系数、对数增长指数、复合年度增长率等。对于某个具体指标来说，可以有两种方式衡量其增长情况：一是绝对增加量，如新增就业岗位数量；二是相对增长速度，如吸纳就业增速。Birch（1987）则构造了一个包含上述两方面信息的Birch系数。
其中， E i，t 是企业 i 在 t 时点的雇佣人数。从式（1）可以看出，Birch系数所选用的基础指标仍是就业，但是将就业数量的绝对增加和相对增长速度两方面因素一并予以考虑，所包含的就业增长信息就更为全面。Birch系数的缺陷在于，据此计算出的系数值所表达的增长状况更为抽象，难以给出直观的评判。
Schreyer（2000）使用对数增长指数来衡量企业成长情况。对数增长指数与一般的算术增长率本质上是一致的。
从式（2）可以看出，对数增长指数无非就是在原有指数计算基础上两边取对数。Coad和Holzl（2010）认为，采用对数增长率在计量分析过程中受异方差的影响较小，在实证中使用更为广泛。当然，经过对数变换后，也存在表达和评判不够直观的问题。
为了避免单个年份增长的波动，实证中还会采用复合年度增长率指标。例如，Barringer等（2005）运用复合年度增长率指标来计算高成长企业，并将3年复合年度增长率超过80%的企业定义为高成长企业，将3年复合年度增长率低于35%的企业定义为低成长企业。
考察指标确定后，通过设定相应的量化标准，便可以筛选出高成长企业。既有的量化标准大致可以分为两类：一类是直接给出特定考察指标绝对增长率的阈值，增长率超过该阈值的便属于高成长企业。另一类是在给定企业样本中，按照一定比例选取增长率排名较高的企业作为高成长企业。当然，阈值或比例的设定都存在一定的差异。
在绝对增长率阈值设定方面，Birch和Medoff（1994）提出的标准是：一定时期内年销售额增长20%以上。Fischer等（1997）则更为具体地将标准定为：连续5年销售额年增长20%以上。Acs等（2008）的标准是4年内销售额翻一番，大致相当于连续4年销售额年增长20%。Autio等（2000）提出的标准是连续3年销售额年增长50%以上。Ahmad和Gonnard（2007）、Deschryvere（2008）针对就业指标给出了类似的阈值和标准，即就业人数3年内每年增长20%以上，或4年左右大致翻一番，还附加了“初始员工10人以上”的前提条件。
在实证研究中，也有很多学者采用增长率相对排名作为界定标准。Davidsson和Henrekson（2002）将其所用数据库中平均每年绝对就业增加数排名前10%的企业视为高成长企业。Holzl和Friesenbichler（2010）则将样本企业中销售额增长排名前10%的企业作为高成长企业。Daunfeldt等（2010）、Bjuggren等（2010）、Vanacker（2009）都将高成长企业定义为就业增长速度排名前1%的企业。Daunfeldt等（2010）还采用增加值、生产率和销售额作为识别高成长企业的标准。
综合以上文献设定的标准可以看出，虽然在绝对增长率的具体数值上存在差别，但将特定考察指标在3～5年内每年保持20%增长率或4年翻一番作为筛选高成长企业的标准，已经被大多数学者所认同。至于具体的指标，可以是销售额、就业人数以及其他常用的企业财务经营指标。相对排名的设定存在较大弹性，从排名前1%到前10%的情形都有，这可能主要与样本数量有关。如果样本数量非常大，以排名前1%作为标准更便于数据处理；而在样本数量较小的情形下，则可以考虑选择排名前10%作为标准。
需要指出的是，除了绝对增长速度或相对增长速度的设定外，对于高成长企业的筛选往往还会加上初始规模方面的限制，例如，初始销售额大于10万美元、初始人员规模大于10人或50人等。这种限制有利于纠正筛选结果过于集中于小微企业而形成的偏差。毕竟，规模过小的企业，偶然出现的一笔订单或业务便能实现销售、人员、利润等指标的快速增长，从而释放出关于企业及所属产业成长性高的错误信息。