下载掌阅APP，畅读海量书库
立即打开
城市的产生和发展都与工业生产存在着密切关系。Krugma.（1991）指出，集聚存在自我加强的特征。市场需求、交通成本决定工业企业的布局，当一地产生了工业集聚之后，集聚效应便会得到强化——越来越多的企业布局在原有的企业附近，并创造了新的需求，从而吸引更多企业布局到周边，如此循环。城市规模在这个过程中持续扩大。
早期对规模经济的研究可以追溯到马歇尔的研究（Marshall.1920）。马歇尔认为，由于外部规模经济的存在，厂商可以从其周边厂商的技术溢出中获益。相似行业的厂商集中分布会通过增加知识和信息的溢出、共享劳动力池以及加强上下游企业之间的联系扩大地方化经济（ localization economy）。Ohlin （1933）和Hoover （1937）区分了地方化经济和城市化经济（urbanization economy）。城市化经济是在较大的城市区域和多样化的行业中的规模经济，它存在于行业外部但限制于城市内部（Abdel－rahman，1988）；地方化经济是存在于厂商外部但限制于行业内部的规模经济（Arnott，1979；Henderson，1974）。地方化经济和城市化经济都是集聚外部性的体现。
城市化有利于生产，这主要是因为要素集中能产生集聚效应。Duranton和Puga （2004）将集聚效应的微观作用机制归纳为共享（ sharing）、匹配（matching）和学习（learning）。共享机制是指，企业可以在行业内共享供应商、劳动力和技术等（ McCann，2007；Partridge et al．，2008；陈良文等，2008）。大量经济主体在空间上的相互邻近降低了交易成本，实现了资源共享。集聚在单位面积上的经济规模越大，集聚经济效应就越强（陈良文等，2008）。学习机制是指，面对面交流能够促使知识的产生、积累和扩散以及技术的外溢。学习不仅包括企业之间新技术的交流，还包括人与人之间想法的传递。学习的方式有多种，如网络视频、面对面交流等。其中，面对面交流可以最大限度地保证信息的真实性和准确性，是无法被替代的学习方式（Glaeser et al．，2001）。匹配是指生产要素的有效配置，即利润最大化下要素投入与产出的关系（Behrens et al．，2014）。匹配机制表明集聚是有限度的，过度集中会导致拥挤效应或集聚不经济（Brinkman，2016）。根据劳动力市场理论，规模较大的劳动力市场能提高雇主和雇员之间的匹配程度，劳动者在规模较大的劳动力市场和与自身技能类似的劳动者群体中，更容易找到适合自己的工作（Helsley和Strange，1990；Moretti.2011），从而有利于提高企业的生产效率。从长远看，这还有利于增强企业员工的稳定性和就业市场的稳定性。
有关企业生产效率的研究和本书联系紧密，现有文献通常采用企业全要素生产率（TFP）来衡量企业的生产效率。中外学者很早就开始了针对企业全要素生产率测算的研究。20 世纪 50 年代，Solow提出了生产率的定义，在规模报酬不变的前提下，生产函数的残差部分即为全要素生产率。从函数设定的形式来看，最常见的函数形式是科布－道格拉斯（C－D）函数。具体的估计方法有基于特定生产函数的参数法（OLS、固定效应等）及半参数估计法（LP法、 OP法、 ACF法）等。生产函数法最早被用于计算企业TFP （舒元，1993；王小鲁，2000；郑玉歆，1999），但这种方法存在内生性问题和样本选择问题。随后，半参数估计法开始替代生产函数法，用于测算企业的生产效率。LP法（ Levinsohn和Petrin，2003）把中间投入作为不可观测的全要素生产率的代理变量。OP法（Olley和Pakes，1996）把投资的反函数作为不可观测的全要素生产率的代理变量，但该方法的使用前提是生产效率能够直接从企业的投资规模上体现出来。ACF法（Ackerberg et al．，2015）把投资视为所有要素投入的函数。
这些方法的出现吸引了众多国内学者对我国企业全要素生产率进行测算和研究。鲁晓东和连玉君（2012）基于中国工业企业数据和LP法估计了工业企业TFP，发现 1999—2007 年我国工业企业全要素生产率年增长率为 2％～5％。研究还指出，企业全要素生产率与资本生产率和劳动生产率的相关性较低，说明非投入要素在我国企业成长过程中发挥了重要作用。郭庆旺和贾俊雪（2005）使用四种方法（代数指数法、索罗残差法、隐形计量法和潜在产出法）估算了我国企业 1979—2004 年的TFP，指出我国企业全要素生产率从 2000 年开始逐渐稳步攀升，但对经济增长的贡献一直较低。
在测算企业TFP方面，各种方法都存在一定的局限性（柳荻和尹恒，2015；于永达和吕冰洋，2010）.OP法考虑了企业退出决策对生产率的影响，减少了企业退出市场而造成的样本选择性偏误。作为OP法的改良方案，LP法能根据数据特点灵活选择代理变量，较好地解决了数据丢失的问题。但是LP法的估计结果也没有明显优于OP法，且操作过程较为复杂（鲁晓东和连玉君，2012）。此外，使用增加值和总产值计算出的企业全要素生产率存在差异。使用增加值作为产出变量的方法，没有考虑中间投入份额变化对企业生产函数估计的影响，而缺乏中间投入信息会造成企业生产函数模型存在遗漏变量的问题（朱沛华和陈林，2020）。鉴于企业全要素生产率是衡量工业投入产出效率的核心指标，但又缺乏公认的衡量标准（Syverson.2011），在数据可得的情况下，有关研究都使用多种方法对全要素生产率进行计算，力求得到准确、可信的实证结果。
在测算企业TFP的基础上，学者们基于我国企业生产效率较低的现状，重点关注影响企业全要素生产的因素，以寻求促进生产效率提高的办法。Heish和Klenow （2009）的研究是具有代表性的。他们的研究发现，我国资源配置效率低下是工业企业生产效率降低的重要原因，假设我国资源配置效率达到与美国同样的水平，工业企业的TFP会提高 30％.50％。在此基础上，很多学者探讨了产业集聚、产业政策、交通条件以及环境管制等因素对企业全要素生产率的影响。林毅夫等（2018）通过研究 2000—2005 年国家级经济开发区对企业生产率的影响，发现经济开发区主要通过税收优惠政策提高企业的生产效率。林毅夫从侧面指出，人为形成的集聚区未必会存在集聚效应。虽然设立开发区的初衷是为了催生集聚经济效应（Kline和Moretti，2014），但事实可能并非如此。Martin等（2011）也指出，企业自发形成的集群才能发挥集聚效应。刘冲等（2020）通过高度细化的城市各级道路交通网络计算城市之间的交通成本并测算市场的可达性水平。该研究发现，城市中的交通基础设施通过提升市场可达性来提高当地企业的全要素生产率。席强敏和孙瑞东（2020）发现，市场邻近和供给地邻近都会促进企业生产率提高，但是市场邻近所带来的生产率优势优于供给地邻近。宣烨和余泳泽（2017）研究了服务业产业集聚对企业生产效率的影响。该研究发现，生产型服务业多样化集聚和专业化集聚都有利于提高制造业企业生产率，但是生产型服务业多样化集聚的作用更大。盛丹和张国峰（2019）发现，“两控区”（酸雨控制区或者二氧化硫控制区）政策通过淘汰其区域内的低效率企业，以期提升企业整体的全要素生产率。但是与非“两控区”相比，“两控区”内企业生产效率更低，说明“两控区”的环境管制政策阻碍了企业生产效率的提高。
大量理论与实证文献研究从城市空间特征的角度对城市层面或企业层面生产效率的差异给出了解释（Baldwin和Okubo，2006；Combes et al．，2012；Yu et al．，2019；郭晓丹等，2019；柯善咨和赵曜，2014；李晓萍等，2015；秦蒙和刘修岩，2015；魏守华等，2016）。由于多种因素，企业级的数据在研究此类问题上具有优势。首先，宏观经济背后是真实的企业个体。研究者通过使用微观个体数据，可以在考虑异质性企业特征的基础上研究企业如何受到外部环境的影响。其次，企业级数据拥有更多的样本数量，包含了更多的指标变量，可以缓解模型的遗漏变量问题，也为处理模型的内生性问题提供了有利条件。
随着微观数据可得性的提高，很多文献开始使用包含企业注册信息的企业个体数据来研究经济集聚和全要素生产率之间的关系。从产业角度来看，产业集聚对企业生产效率的影响是不确定的。产业集聚带来的知识溢出、劳动力流动和良性的竞争会促进企业技术进步，提高生产效率（吴明琴和童碧如，2016）。但是集聚程度过高会导致“搭便车”现象和拥挤效应的出现，这将不利于企业创新和盈利能力的提高（Lin et al．，2011）。范剑勇等（2014）以通信设备、计算机与其他电子设备业企业为研究对象，发现专业化经济通过提高技术效率来促进企业全要素生产率的提高，而多样化经济对全要素生产率没有显著影响。
从城市空间特征角度来研究企业间生产效率差异的文献重点讨论了城市规模对企业生产的影响（ Andersson和Lööf，2011；柯善咨和赵曜，2014）。Andersson和Lööf （2011）使用瑞典 1997—2004 年的企业数据，发现在控制企业自身特征和宏观时间趋势后，布局在较大区域的企业的生产率更高。基于中国制造业企业的研究也发现，城市规模在扩大过程中通过筛选效应保留高效率企业，并通过规模效应提高本地企业的生产率（柯善咨和赵曜，2014）。基于北京市街道层面数据的研究发现，劳动生产率对单位面积上经济集聚的弹性为 11.8％.16.2％，高于我国地级市层面的弹性，也高于同期欧美国家城市层面的弹性（陈良文等，2008）。
还有文献从要素在空间上的分布来讨论企业生产效率差异的来源（Baldwin和Okubo，2006；陈旭等，2018）。集聚经济的存在暗示了不紧凑的城市空间形态不利于企业生产率的提高。Harar.（2020）基于印度普查数据，认为不紧凑的城市空间形态不会影响企业在城市之间的布局选择，但是不紧凑城市中的企业会离彼此更近。较高的经济密度对企业全要素生产率有正向的溢出效应（Baldwin和Okubo，2006），而较低的经济密度通常被认为不利于企业生产率的提高。然而，要素空间分布对企业生产率的影响并不是线性的。陈旭等（2018）采用中国 2001—2011 年制造业企业数据，发现在城市蔓延的过程中，制造业企业整体的全要素生产率先降后升。该研究发现，在蔓延的初期，刚刚成为城市区域的土地极度缺乏基础设施和公共服务，粗放的土地利用方式稀释了集聚经济效应，企业全要素生产率呈现下降趋势。而随着基础设施的逐渐完善和土地利用效率的提高，企业全要素生产率又开始上升。
总结不同城市间企业生产率差异形成的原因，现有研究主要有以下观点：
第一，将企业生产率差异归结为空间的集聚效应。集聚会带来资本外部性和技术外部性，有利于规模经济的发挥，从而提高生产效率（Combes et al．，2011）。要素密集、形态紧凑的城市中，集聚作用也更强。大量文献基于数据对集聚效应的存在性进行了检验（Andersson和Lööf.2011；陈良文等，2008；范剑勇等，2014）。
第二，归结为企业自身的选择效应或分类效应（Baldwin和Okubo，2006；Fujita，1988；陈强远等，2016）。大城市聚集了优质的生产要素和较多的消费需求，为了获取优质生产资源和更大的消费市场，高效率企业会选择布局在大城市（Baldwin和Okubo，2006；Fujita，1988），从而有了大城市具有生产率溢价的结论。在高效率企业主动择优的同时，也有低效率企业主动布局到小城市以寻求更好的发展机会。例如，小城市可能为低效率企业提供税收优惠或经营补贴等（Baldwin和Okubo，2006）。有文献将高效率企业的定位选择称为“选择效应”，将低效率企业的定位选择称为“分类效应”（陈强远等，2016；席强敏和孙瑞东，2020）。也有文献将高效率企业和低效率企业的定位选择统称为“选择效应”（李晓萍等，2015）。
在估计企业自身的选择效应上，Combes等（2012）的做法具有代表性，即通过不同地区企业生产率分布的左截尾差异来识别选择效应。不过，Combes等（2012）基于法国企业的研究并未发现选择效应的存在。李晓萍等（2015）基于Combes等（2012）的方法，利用中国工业企业1999—2007 年的数据，发现低效率企业为避免竞争倾向于选择中小城市，表现出显著的选择效应。郭晓丹等（2019）采用DOP生产率分解方法，同样验证了大城市制造业生产率优势来自企业的选择效应。王永进和张国峰（2016）发现集聚效应在短期对开发区生产率有提升作用，选择效应是开发区长期具有生产率优势的原因。