EN中文

经济地理 >

2024 , Vol. 44 >Issue 3: 55 - 65

DOI: https://doi.org/10.15957/j.cnki.jjdl.2024.03.006

区域经济与理论方法

专精特新“小巨人”企业集聚的影响因素及分位异质性——基于分位数回归模型的实证研究

  • 薄文广 ,
  • 钱镱 ,
  • 刘璇
展开
  • 南开大学 经济学院，中国 天津 300071

薄文广（1978—），男，博士后，副教授，硕士生导师，研究方向为区域经济发展。E-mail：

收稿日期: 2023-10-07

  修回日期: 2023-11-24

  网络出版日期: 2024-09-12

基金资助

国家社会科学基金项目(19BJY093)

收起

Affecting Factors and Quantile Heterogeneity on the Agglomeration of Specialized and Sophisticated “Little Giant” Firms：An Empirical Study Based on Quantile Regression Models

  • BO Wenguang ,
  • QIAN Yi ,
  • LIU Xuan
Expand
  • School of Economics，Nankai University，Tianjin 300071，China

Received date: 2023-10-07

  Revised date: 2023-11-24

  Online published: 2024-09-12

Fold

摘要

专精特新“小巨人”企业在促进我国中小企业转型升级以及补链、固链和强链中发挥着日益重要的作用。文章以工信部最新认定的5批次专精特新“小巨人”企业为研究对象，在刻画其区域和产业分布特征后，应用分位数回归模型，深入研究了“小巨人”企业集聚的影响因素及其在不同集聚分位上的作用异质性。结果表明：①不同批次“小巨人”企业区域分布具有鲜明的政策导向，且总体呈现东部地区遥遥领先，并高度集中于五大城市群内中心城市的聚集特征；行业分布则呈现制造业超过半壁江山，但比例轻微下降，生产性服务业比例稳步递增的趋势。②产业基础、经济环境、营商环境、政策环境等因素共同影响了“小巨人”企业集聚水平，且上述因素对于不同分位集聚水平的影响具有明显异质性。③产业基础和政策环境仅对低集聚度“小巨人”企业集聚水平提升有显著促进作用，经济发展水平对“小巨人”企业集聚度提升无显著促进作用，不存在“大者通吃”现象，人力资本水平对“小巨人”企业集聚度提升有显著促进作用，营商软环境仅对高集聚度“小巨人”企业集聚程度提升具有显著促进作用，且两者的影响均随集聚程度提高而增加。

关键词： 专精特新; 企业集聚; 政策导向; 分位数回归; 中小企业; 制造业; 营商环境

本文引用格式

薄文广 , 钱镱 , 刘璇 . 专精特新“小巨人”企业集聚的影响因素及分位异质性——基于分位数回归模型的实证研究[J]. 经济地理, 2024 , 44(3) : 55 -65 . DOI: 10.15957/j.cnki.jjdl.2024.03.006

Abstract

The specialized and sophisticated "Little Giant" firms play an increasingly important role in promoting the transformation,upgrading and strengthening of supply chains for Chinese SMEs. This article takes the five batches of specialized and sophisticated "Little Giant" firms recently recognized by the Ministry of Industry and Information Technology as research objects. It analyzes the regional and industrial distribution characteristics,and uses the quantile regression model to study the affecting factors of enterprise agglomeration and the heterogeneity of their effects at different agglomeration levels. The results show that: 1) The regional distribution of "Little Giant" firms in different batches has distinct policy orientations,with a clear dominance in eastern regions overall,highly concentrates in central cities of the five major urban agglomerations. In terms of industry distribution,manufacturing industry accounts for more than half but with a slight decrease over time,while productive service industries show a steady increase proportionally. 2) Industrial foundation,economic environment,business environment,policy environment,etc,collectively affect the level of "Little Giant" firms agglomeration. Moreover these factors have obvious heterogeneity in their effects on different percentile levels of agglomeration. 3) Industrial foundation and policy environment only significantly promote low-level agglomerations among "Little Giant" firms. The economic development level has no significant effect on the improvement of the agglomeration degree of "Little Giant" firms (there is no "bigger one takes all" phenomenon). Human capital level has a significant effect on the improvement of the agglomeration degree of "Little Giant" firms. Business environment only significantly promotes the high-level agglomeration degree of "Little Giant" firms,the influences of human capital level and business environment both increase as aggregation increases.

Key words： specialized and sophisticated; agglomeration of enterprise; policy orientation; quantile regression; small and medium-sized enterprises; manufacturing; business environment

中小企业是中国经济发展中数量最大、吸纳就业最多、活力最强的企业群体，特别是在应对百年未有之大变局和世纪疫情等挑战中，更是体现了极强韧性，为中国经济平稳运行奠定了坚实基础。而专精特新“小巨人”更是中小企业这一群体的优秀排头兵，自2018年工信部开展首批专精特新“小巨人”企业培育工作以来，围绕提升产业基础高级化、产业链现代化水平，国内涌现出一批“专精特新”企业，这些企业专业性强，创新能力过硬，研发投入水平高，发展势头好，在各自细分领域起到了补链、固链和强链的重要作用。在当前中国发展外部环境日益复杂和不确定的背景下，这些以专业化、精细化、特色化、新颖化为主要特征的中小企业，逐步成长为全球产业链与供应链上的“巨人、单项冠军和隐形冠军”。2022年中央政府工作报告提出，要继续大力培育专精特新企业，在资金、人才、孵化平台搭建等方面给予大力支持[1]。根据工信部发布的名单，截至2023年8月，五批次分别批复了248、1744、2930、5077①、3671家专精特新“小巨人”企业。
在中央相关政策的鼓励和示范下，许多省级地方政府也进行效仿，纷纷构建省级和市级的“小巨人”企业培育体系，并对于辖区内的“小巨人”备选企业给予了大量资金补贴、费用减免、税收返还等真金白银的“硬”扶持和人才引进、场景应用开放等政策“软”支持，甚至形成对热门行业一哄而起的狂热局面。据统计，仅2020年国内新增芯片相关企业数量同比增长173.76%，2021年同比增长105.06%。但是，每个城市的资源禀赋、产业基础、人力资本水平甚至营商环境等差异较大，一窝蜂地发展热门产业，往往对大多数城市而言并不明智和有效。这种忽视地区和产业实际，短期快速增长导向的发展模式，虽然可能短时间内使获得各种政策支持的“小巨人”备选企业取得较好发展成绩，但长期来看，这种发展模式所导致的重复建设、产能过剩、低端“模仿”成风、同质竞争等问题日益严重，对以高技术创新、高市场竞争和高产业附加值为特点的这一企业群体的健康可持续发展反而可能是有害的。因此，在地方推进“专精特新”化的工作实践中，长期以来简单以辖区“小巨人”数量为目标，缺少对本地产业定位的科学认知，甚至催生了一些地方化的利益联盟，要素流动受阻、分割市场的现象时有发生，这不仅阻碍了省际市域间正常的企业合作，也在很大程度上破坏了产业链上的企业协作环境，降低了这些城市对还未落户当地的潜在“小巨人”企业的吸引力。
专精特新“小巨人”企业的发展，重点在于质量的“精”而不在于数量的“多”，真正需要关注的是不同城市如何找准适合自身的“小巨人”企业差异化发展路径。因此，本文区别于已有的企业选址研究，除了探究专精特新“小巨人”企业的区域和行业分布特征之外，把研究重点放在深入探析“小巨人”企业集聚的影响因素及其在不同分位集聚度上的作用差异，这对区域结合自身条件，针对不同行业、不同层次的“小巨人”企业提供精准支持、推动当地中小企业的专精特新化转型，实现“小巨人”企业差异化发展，更好支撑我国经济迈向创新驱动的高质量发展均具有重要意义。
目前国内有关专精特新“小巨人”企业②定量研究的文献，主要集中在探讨其空间分布影响因素[2-3]、企业创新绩效[4-6]、数字化转型[7-8]等方面。但在数据库选择③、数据获取与更新④、核心变量选择与表征⑤等方面均存在一定程度局限，同时现有研究缺乏跨区域、跨行业的异质性比较视角，对专精特新“小巨人”企业的深入分析比较匮乏。当前，国内有关专精特新“小巨人”企业的研究与其实际发展情况和巨大的社会关注相比明显滞后。
在同本文主题相近的企业区位选择研究中，国内外已有许多较为成熟的理论和实证分析，相关研究表明企业选址更关注城市中的交通基础设施、投入产出距离及产业集群等经济、产业环境因素[9-11]。同时营商环境、企业外部环境也备受研究者关注，夏清华等以省级数据为样本，采用模糊集定性比较分析方法对营商环境的组态效应进行分析，揭示影响区域层面专精特新企业数量与质量的复杂作用机制[12]。朱秀梅等则选取中国拥有独角兽和潜在独角兽的城市作为研究样本，探讨城市营商环境驱动高成长创业企业涌现的复杂因果机制[13]。此外，也有学者研究证实了政策、开放环境对企业发展的重要影响，丁建军等研究发现国家级专精特新“小巨人”企业的空间分布格局是多种因素共同作用的结果，其中基础设施与政策环境是主要影响因素[3]。夏永祥等研究发现开放环境与产业集聚有密不可分的联系，对外开放程度的提升有利于第三产业集聚[14]。国内绝大多数关于专精特新“小巨人”企业区位选择相关研究都是用企业数量[15]、网格区或行政区内是否有该类型企业作为被解释变量，并且在具体研究方法上常使用可以减少被解释变量非正态分布带来的估计不一致的截断回归（Tobit）[16]、负二项回归[17]方法，可以较好解释影响因素的空间异质性的地理加权回归（GWR）[18]或者多尺度地理加权回归（MGWR）[15]方法，可以研究不同因素的驱动、差异性和交互作用[3]的地理探测器方法。然而上述研究中使用数量或是类型变量等中观层面变量直接作为被解释变量，往往会抹除较多的企业微观特征，例如企业的规模、企业的行业类型，无法深刻揭示影响不同行业、不同层次“小巨人”企业发展的驱动因素。同时在具体研究方法上，近年来常用的地理加权回归和地理探测器等新型方法，对本文的研究重点也具有一定局限性。多尺度地理加权回归等变系数方法更多关注区域层面影响因素的异质性，而本文除了关注区域维度的异质性，还涉及行业维度的异质性。地理探测器方法对异质性的讨论体现在解释变量作用的尺度不同，也是主要关注区域维度的异质性，具体而言就是要对解释变量所在图层做离散化处理，但是一些连续变量如地区产值、就业人数等做离散化处理，可能会抹去比较多的有用信息，而且分类的方法也难以统一，一定程度上降低了上述分析的稳健性。
本文拟从以下3个方面对已有研究进行拓展：①研究数据的更新。现有研究大都采用三批次“小巨人”企业入围数据，而批复的第四、五批入围企业超过了前三批的总和，且分布更具有代表性，更能反映“小巨人”企业最新发展的趋势，因此本文采用工信部最新批复的1~5批次共13529家专精特新“小巨人”企业数据进行分析，弥补之前使用三批次数据研究中适用性不足的问题。②核心指标表征的完善。基于专精特新“小巨人”企业微观信息加总得到地级及以上城市层面的行业区位熵，提供研究中专精特新“小巨人”企业集聚的经验证据，弥补之前单纯使用企业数量或密度等传统度量空间分布方式可能引起的难以真实反映企业微观个体信息不足的问题。③研究方法的扩展。通过构建更适合分析区域—行业维度异质性的分位数回归模型研究“小巨人”企业集聚的影响因素及其在不同分位集聚程度上的作用差异，进而为后续更精准制定相关政策提供参考。

1 研究方法与数据处理

1.1 研究方法

1.1.1 核密度

Kernel密度可以估算出地理要素的空间分布状况，并直观形象地反映出空间集聚状态。其具体计算公式如下：
f h x = 1 n h ∑ i = 1 n   k x - x i h
式中： f h x为核函数； h为带宽； x - x i表示估计值 x到样本 x i的距离。核函数根据输入数据计算整个区域内点要素的聚集情况，反映一个核对周围的影响程度， f h x值越大，说明点分布越密集，借助ArcGIS软件实现专精特新企业的核密度制图。

1.1.2 区位熵

区位熵最早由哈格特提出，是衡量产业集聚的重要指标，其计算公式如下：
a g g i j = s i j / x j s i / x
式中 s i j表示“小巨人”企业中i行业在城市j的总就业人数； s i表示全国“小巨人”企业中i行业的就业人。 x j和 x分别表示在城市j和全国“小巨人”企业所有行业的总就业人数，就业人数本文均以各企业参保人数计算。区位熵指数能够控制城市规模因素，充分反映一个城市产业构成与全国平均水平之间的差异。考虑专精特新企业产值数据的可得性，以及工业企业数据库的时效性，计算区位熵时采用企业就业人数而没有采用国内许多文章计算区位熵时使用的工业总产值来计算①。

1.1.3 分位数回归模型

分位数回归分析可以较全面地描述自变量对因变量的变化及其条件分布的影响，能够深刻揭示影响因素对不同城市—行业分位点集聚水平的边际效应，并深入探究这种影响的分位异质性。分位数方法的异质性分析在估计参数时，只是以被解释变量为基准，指定若干不同分位点，将样本点按照分位点分组，对不同分组的样本点在估计时施加不同的权重，从而得到估计值。这种探究影响因素分位异质性方法并不依赖缩减样本，考虑了全样本的信息，结果将更加稳健。而其他研究影响因素的文献中采用的地理探测器、MGWR和GWR等变系数方程研究方法均有不同程度的局限②，基于本文的研究目的和角度，本文选择采用分位数回归③的方法。
Koenker和Bassett首次提出分位数回归理论[19]，通过对 Y X分布的重要分位数进行细致研究，分析比较在不同分位点处自变量对因变量的影响。当因变量对不同部分的自变量分布产生不同影响时，比如出现左偏或右偏，分位数回归能够捕捉分布的尾部特征，更加全面地刻画分布特征。对于随机变量Y总体，第 τ分位数的一般线性条件分位数函数有：
Q τ X = x = x ' β τ
则对于任意 τ ∈ 0 , 1， x i为p维向量， ρ τ ( ⋅ )是倾斜绝对值函数，如式（4）所示的估计值 β ^ τ称为第τ分位数下的回归系数估计。
β ^ τ = a r g m i n β ∈ R P ∑ i = 1 n   ρ τ y i - x i ' β

1.2 数据处理

2019、2020、2021、2022、2023年工信部评定并发布了5批国家级专精特新“小巨人”企业名单，总计13529④家企业，覆盖了除香港、澳门、台湾以外的31个省（自治区、直辖市），302⑤个地级及以上城市。国家级专精特新“小巨人”企业名录及相关信息、所在区域经济社会发展数据，来源于工信部、国家统计局、相关地方政府官方网站等。在具体分析前，对数据做如下收集和处理：通过谷歌地图API接口，按照地址信息爬取13529个国家级专精特新“小巨人”企业的地理空间坐标；基于自然资源部标准地图服务系统的标准地图（审图号：GS（2023）2763号），运用ArcGIS进行可视化与定量分析，并制作空间分布图；参照《国民经济行业分类与代码（GB/T4754-2017）》和专精特新企业的主导行业，将国家级专精特新“小巨人”企业分成17个门类行业类型⑥。

2 专精特新“小巨人”的分布特征分析

2.1 区域分布特征

首先，不同批次获批“小巨人”企业的区域分布具有鲜明的政策导向特征，1~5批次获批的“小巨人”企业分布的核密度图如图1所示。
图1 第1~5批次专精特新“小巨人”企业核密度图

注：本图基于自然资源部标准地图服务网站下载的标准地图（审图号：GS（2023）2763号）制作，底图无修改。图2同。

Fig.1 Kernel density of specialized and sophisticated “Little Giant” firms in five batches

从图1中可以看出，第一批次获批企业具有数量少、试点明显的特点，其中上海市以17家企业领跑全国，超过第二名深圳8家企业的2倍。从第二批次开始，“小巨人”企业的分布地区间更加均衡，企业获批数量大幅增加。其中，第二批次中排名第一的北京共有90家企业入选，且这一批次的前10名城市，比上一批次前10名的企业数量都有超过4倍的增长。第三批次出现了多个城市“小巨人”企业的明显增加，从增长比例①上看，省会城市优势较大，增长率前10名中，长沙市（253%）、济南市（250%）、广州市（176%）、武汉市（169%）均为省会城市。第四批“小巨人”企业获批总量超过了前3批的总和，其中中部城市武汉异军突起，共获批435家，位居全国第一，是上一批次第一名上海的182家的2.4倍，比本批次第二名北京市的336家多出近100家。第五批次“小巨人”企业呈现总量收缩、重点城市倾向更为明显的特点，本批次获批的“小巨人”总量仅为3671家，只有第四批次总量的七成；前10名城市中有9个来自京津冀、长三角和珠三角城市群，其中长三角区域城市独占6席，超过这一批次前10名城市获批总数的一半。
其次，“小巨人”企业数量全国前10强的省份和城市排名见表1。从省份分布上看，东部地区有7个，占绝对优势，中部地区有2个，西部地区只有1个，而东北地区没有，呈现出东部地区遥遥领先全国其他地区的非均衡分布特征，“小巨人”企业排名全国前10的省份占比高达74.20%。从城市分布来看，北京市以839家专精特新“小巨人”企业居全国首位，显示出在更强调科技创新能力的企业培育上具有巨大优势，位于第一梯队；深圳、上海、武汉等城市的“小巨人”企业数量都超过500家，处于第二梯队；而苏州、宁波、杭州、重庆等城市的“小巨人”企业数量都超过300家，处于第三梯队。“小巨人”企业数量前10的城市高度集中分布在京津冀、长三角、珠三角、中部地区以及成渝地区等国内5个最发达的城市群内部的中心城市，“小巨人”企业排名全国前10的城市在全部302个城市中占比为35.65%。
表1 “小巨人”企业数量前10强的省份和城市

Tab.1 Top 10 provinces and cities in terms of the number of “Little Giants” firms

省份 江苏 广东 浙江 湖北 山东 北京 上海 安徽 湖南 四川 前10省份所占比例（%）
数量（家） 1513 1509 1457 1355 1056 839 710 616 531 453 74.20
城市 北京 深圳 上海 武汉 苏州 宁波 杭州 重庆 成都 天津 前10城市所占比例（%）
数量（家） 839 755 710 580 402 352 324 318 286 257 35.65

2.2 行业分布特征

为深入探究全国专精特新“小巨人”企业的行业分布特征，本文将13529家专精特新“小巨人”企业的主导行业与《国民经济行业分类与代码（GB/T4754-2017）》中的门类行业进行匹配，具体行业分布情况见表2。从行业整体分布来看，制造业“小巨人”企业数量最多，总数达到了8469家，超过全部获批数量的60%；其次为科学研究和技术服务业，有3041家，占总量的22.48%；其余行业分布均未超过10%。获批数量前4位行业的累计比例达96.64%，后面全部13个行业只占3.36%，两者相比存在着巨大差距。从各批次行业分布来看，“小巨人”企业行业的整体分布前期试点行业明显，从第二批次开始逐渐增加其他行业的比例。四大代表性行业中，制造业占比一直稳定在很高的水平，均达60%以上，但随时间推移呈现轻微下降的趋势；能够为制造业赋能和提供更好支撑的科学研究和技术服务业以及信息传输、软件和信息技术服务业等生产性服务企业比例呈现稳步递增的趋势。传统产业尤其是批发和零售业以及住宿和餐饮业等传统服务业比重呈现下降态势，更强调必须为中国实体经济服务的金融业所占比重也呈现下降趋势。
表2 专精特新“小巨人”企业行业分布占比 (单位:%)

Tab.2 Percentage distribution of specialized and sophisticated "Little Giant" firms by industry (Unit:%)

国标
代码		 行业名称 第一
批次		 第二
批次		 第三
批次		 第四
批次		 第五
批次		 总比例
C 制造业 70.61 63.68 63.33 58.75 66.34 62.60
M 科学研究和技术服务业 18.78 20.31 21.27 24.35 22.13 22.48
F 批发和零售业 7.76 10.33 8.88 8.63 1.99 7.13
I 信息传输、软件和信息技术服务业 2.45 2.93 3.99 4.55 5.48 4.43
E 建筑业 0.41 0.57 0.31 0.99 0.98 0.78
N 水利、环境和公共设施管理业 0.46 0.48 0.73 1.18 0.75
L 租赁和商务服务业 0.75 0.65 0.77 0.14 0.56
D 电力、热力、燃气及水生产和供应业 0.29 0.44 0.42 0.78 0.50
G 交通运输、仓储和邮政业 0.14 0.12 0.39 0.18
A 农、林、牧、渔业 0.17 0.32 0.08 0.16
B 采矿业 0.17 0.10 0.08 0.34 0.16
O 居民服务、修理和其他服务业 0.06 0.14 0.18 0.08 0.13
R 文化、体育和娱乐业 0.11 0.03 0.04 0.06 0.05
J 金融业 0.06 0.07 0.02 0.03 0.04
K 房地产业 0.11 0.10 0.04
H 住宿和餐饮业 0.07 0.02 0.02
Q 卫生和社会工作 0.02 0.01

3 专精特新“小巨人”企业集聚的影响因素分析

3.1 变量选择

在被解释变量上，使用区位熵来表征专精特新“小巨人”企业的集聚水平，利用ArcGIS10.8软件的分级符号系统，采用自然间断点分级法，对各个城市的区位熵进行可视化表示，代表性行业的区位熵的区域分布情况如图2所示①。
图2 代表性行业区位熵区域分布

Fig.2 Regional distribution of location entropy in representative industries

从图2可以看出：①制造业专业化程度地区分布较为均衡，且制造业的区位熵总体差距不大。这表明，作为全球制造业链条最为完整的大国，我国专精特新的制造业分布范围更广，既包括纺织服装等传统制造业，也包括生物医药、新能源材料等战略新兴产业，相关产业均能在中国不同区域内找到适宜成长和发展的沃土，从而体现为区域间的集聚程度差距不大。而其他3个行业的区位熵均呈现“东强西弱、沿海强于内陆”的特征。特别是在信息传输、软件和信息技术服务等更强调人力资本密集和政府服务高效等软要素支撑的生产性服务业上，沿海地区更是具有明显的压倒性优势。②因地制宜、聚焦重点产业的特色城市集聚程度较高。不同于单纯基于企业数量从而导致大城市集聚程度表征较高的研究，区位熵可以更好反映小而精的“小巨人”企业的内在要求。以科学研究和技术服务业为例，区位熵前三名城市分别为三亚、湛江和宁德，均不是传统认知上的大型城市，如三亚市充分利用其良好的区位条件，孵化了一批专注于海洋信息化领域的创新型企业，专业化程度在全国居于领先地位。
在解释变量选择上，以往区位选择文献中选取影响因素的指标通常有区位条件[20-22]、治理条件[23-24]、集聚经济[25-26]、政策因素[27-28]等，细分指标常用一些地区中观数据指标如城市从业人数、二产三产所占比值、城市行政级别、到985院校的距离、一般公共财政预算支出等[16,18]。本文依据已有文献将上述常用指标进一步细分为5个维度，分别为产业基础、经济环境、营商环境、政策环境、开放环境。影响因素指标的选择和表征说明见表3。
表3 影响因素选择及说明

Tab.3 Selection and explanation of influencing factors

维度 指标 变量符号 表征说明
产业基础 从业人数 Empl 细分城市—行业的从业人数
经济环境 经济发展 Pergdp 城市人均GDP
人力资本 Human 每万人本专科在校学生数
营商环境 营商硬环境 BE_hard 营商硬环境指数
营商软环境 BE_soft 营商软环境指数
政策环境 政府支出 Gbuy 一般预算支出占GDP的比例
开放环境 对外开放 Open 城市进出口占GDP的比重

3.2 数据说明

本文以1~5批次共计13529家专精特新“小巨人”企业的就业人数数据加总得到城市—行业层面的区位熵，其中企业就业人数数据来自企查查数据库；城市行业从业人数，城市人均GDP，第三产业和第二产业增加值的比值，每万人本、专科在校学生数，一般公共预算支出占GDP比例，城市FDI占GDP的比例均来自《中国城市统计年鉴2020》；营商环境数据来自李志军《2020·中国城市营商环境评价》[29]测算的2019年289个地级及以上城市的营商环境指数，并依据申烁等的做法[30]将其分为营商硬环境指数和营商软环境指数①。另外，根据企查查的微观企业数据加总得到地区层面的区位熵指数，可能会存在一些极端值，这些极端值主要是由于数据搜集过程导致的，或者是自然存在的极端行业区位熵。如拉萨市的文化、体育和娱乐业区位熵为1210，属于自然存在的极端行业，而淮北的金融业区位熵为122，属于数据搜集过程中专精特新企业数量有限导致的行业从业人员占比被高估，所以本文依据前文的说明进行了极端值和缺失值删除处理，最后得到共计368个城市—行业观测值。

3.3 基准回归结果分析

由于上述影响因素之间可能存在着相关性或多重共线性，本文首先对上述变量进行相关系数检验，结果见表4。
表4 变量的相关系数检验

Tab.4 Correlation coefficient test for variables

Empl Pergdp Human BE soft BE hard gbuy Open
Empl 1.00
Pergdp 0.39*** 1.00
Human 0.20*** 0.53*** 1.00
BE_soft 0.56*** 0.68*** 0.41*** 1.00
BE_hard 0.54*** 0.74*** 0.58*** 0.92*** 1.00
Gbuy -0.13*** -0.58*** -0.28*** -0.15*** -0.29*** 1.00
Open 0.45*** 0.47*** 0.08 0.64*** 0.56*** -0.04 1.00

注：*、**和***分别表示在10%、5%和1%的显著性水平。表5同。

相关系数检验结果表明，除了营商硬环境和经济发展变量之间、营商硬环境和营商软环境之间的相关系数均较大外，其他变量之间的相关系数均较小，可能存在多重共线性。因此，还需要进行VIF检验，检验结果表明平均VIF为3.87，不存在多重共线性，可以纳入回归模型中。分位数回归的具体结果见表5。
表5 分位数回归的检验结果

Tab.5 Test results for quantile regression

维度 变量符号 低集聚度 高集聚度
Q10 Q25 Q75 Q90
产业基础 Empl 0.0048***（3.04） 0.0042**（2.40） -0.0027（-1.63） -0.0060*（-1.83）
经济环境 Pergdp 0.0270*（1.85） 0.0057（0.35） -0.0062（-0.40） -0.0067（-0.22）
Human 0.0003**（2.05） 0.0001（0.98） 0.0008***（6.11） 0.0009***（3.32）
营商环境 BE_hard -0.0031（-0.43） -0.0056（-0.70） -0.0199***（-2.61） -0.0197（-1.32）
BE_soft -0.0109*（-1.79） -0.0070（-1.03） 0.0237***（3.65） 0.0246*（1.94）
政策环境 Gbuy 3.3400***（5.43） 2.4660***（3.60） 0.9350（1.43） 0.0646（0.05）
开放环境 Open -0.0771（-0.53） -0.0014（-0.01） -0.0409（-0.27） 0.1490（0.49）
样本量 N 368 368 368 368

注：本文选取10、25、75、90作为分位点，其中10和25分位等低分位点代表低集聚度，75和90分位等高分位点代表高集聚度；括号中的数字表示为t值。

此外，为了更深入分析相关变量对于作为被解释变量的区位熵的影响系数在不同分位数的动态变化，本文绘制了10~90分位的影响系数的动态趋势图②（图3）。结合表5的分位数回归结果以及图3的动态趋势图可以发现：
图3 10~90分位数变量影响系数动态趋势图

Fig.3 Dynamic trend of impact coefficients for 10~90 quantile variables

①从产业基础指标来看，在低集聚度行业，从业人数的回归系数为正，且统计量检验具有显著性，而在高集聚度行业，从业人数的回归系数虽然为负，且在90分位点处显著，但结合75分位的系数统计量检验结果和高集聚度区间内整体置信区间来看，总体上不具有显著性。这说明产业基础对于低集聚度“小巨人”企业集聚水平提升有显著促进作用，而对高集聚度“小巨人”企业集聚度提升无明显作用，这可能是因为对于低集聚程度的城市行业的“小巨人”企业，雄厚的产业基础是重要资源，对企业发展有着显著的促进作用，而对于高集聚程度的“小巨人”企业，特别是处于所在行业领先的企业而言，单纯的所在地区从业人数的数量增加可能并无法满足其创新发展的需要，这类企业的发展可能更需要行业领先的高端人才而非行业的普通从业人员。
②从经济环境指标来看，经济发展指标的回归系数为正，但统计量检验不具有显著性，一个地区的经济发展水平对其辖区内“小巨人”企业集聚度提升并无促进作用。这说明，“小巨人”企业发展与其所在地区的城市发展水平关系不大，经济发展水平较滞后地区同样可以专注于某一细分领域或细分行业，培育和发展“小巨人”企业，并不会出现经济发展水平较高的地区“大者通吃”现象。而人力资本指标的回归系数为正，且统计量具有显著性，这说明一个地区的人力资本水平对低集聚度和高集聚度的“小巨人”企业集聚具有显著的正向促进作用，且其影响随着集聚程度的提高而呈现日益增大趋势。这表明，由于中国经济正从之前的投资驱动迈向创新驱动，人力资本对于专精特新“小巨人”企业的发展具有非常明显的促进作用，提升一个地区的人力资本水平对于更强调创新发展的“小巨人”企业而言更为重要和关键。
③从营商环境指标来看，营商硬环境指标的回归系数虽然在75分位点处显著为负，但结合其他分位点系数的显著性和置信区间来看，其系数值在-0.02和0.00之间波动，置信区间总体范围也较大，所以可以判断，无论是低集聚度还是高集聚行业，回归系数均不具有显著性。这说明一个地区营商硬环境指标对于辖区内“小巨人”企业集聚程度的提高并无明显作用，而营商软环境对于低集聚度“小巨人”企业的集聚程度提升并无明显促进作用，而对高集聚度“小巨人”企业集聚程度提升有显著正向影响，且这种影响随分位的提高而扩大。这可能是因为随着我国市场化和法治化水平的日益提升，各地区都高度重视营商环境的提升，包括水、电、气等在内的营商硬环境，各地区之间都比较完善且差异不大，因此其对“小巨人”企业集聚程度提升并无明显促进作用，而“小巨人”企业发展对高效的政务服务、便捷的融资支持、良好的创新氛围及完善的法治保障等营商软环境指标越发看重，因此各地区的营商环境软指标的提升能够显著促进高集聚度“小巨人”企业集聚程度提升。
④从政策环境指标来看，对于低集聚度企业，政策环境指标的回归系数为正且统计量检验具有显著性，而对于高集聚度企业，政策环境指标回归系数的统计量检验无显著性。这说明政府支出扩张对低集聚度的“小巨人”企业有显著的推动作用，而对高集聚度的“小巨人”企业没有显著影响。这可能是因为政府支出扩张一定程度上从需求端刺激了“小巨人”企业的发展，而高集聚度的“小巨人”企业的发展更加注重地区的要素、制度供给，单纯政府支出增加所带来的资金扶持政策增多，渐已无法满足对供给端要求更高的“小巨人”企业高质量发展的需要。
⑤从开放环境指标来看，无论是低集聚度还是高集聚行业，对外开放回归系数的统计量检验均无显著性。这说明，单纯的开放对于“小巨人”企业提升集聚度并无明显促进作用。这可能是由于现阶段“小巨人”企业虽然在资金、人才、品牌已经取得了一定优势，逐步从国际循环中的“代工方”走向“发包方”，但尚未形成一定的国际影响力，主要还是精耕国内市场配合国内的龙头企业，从而受城市进出口发达程度的影响较小。

3.4 稳健性检验

本文采用2种方法替换被解释变量进行稳健性检验：①改变“小巨人”企业样本时间窗口，重新计算区位熵agg_dropped替换基准回归的被解释变量的方法进行稳健性检验，这样做可以排除某些特殊时间的政策对分析结果的影响，如第一批次国家级“小巨人”企业样本具有很强的试点性质。所以考虑到这一批次“小巨人”样本对核心表征指标计算的影响，本文将第一批次的“小巨人”企业样本删除，只采用2020—2023年的“小巨人”企业样本，重新计算城市行业区位熵，并替换基准回归的被解释变量agg进行回归，从而进行稳健性检验。②重新计算相对于城市所属省份水平的区位熵agg_adjusted替换基准回归的被解释变量的方法进行稳健性检验。具体地，在区位熵的计算公式中， s i和 x为上一级地理单元的相关指标；在基准回归的计算中， s i表示行业i全国的就业人数， x为全国所有行业的就业人数，其本质是城市相对于全国水平的集聚度，考虑了城市相对于全国的规模差异；在计算agg_adjusted时， s i表示行业i在城市j所属省份的就业人数， x为城市j所属省份的所有行业的就业人数，将上一级地理单元改为省域层面，计算的区位熵是相对于城市所属省份水平的集聚度。
同时依据重新计算的区位熵，绘制10~90分位数变量影响系数动态趋势图，对解释变量对区位熵的影响在不同分位数处的动态变化趋势进行稳健性检验。检验结果表明主要解释变量的正负、大小次序和系数在高、低集聚度分位点附近的区间内，总体的显著性上均没有发生明显变化，这说明基准回归结果是稳健的。受限于篇幅，稳健性检验结果的表格、动态趋势图在正文中不再详细汇报。

4 结论和讨论

4.1 结论

本文以工信部最新认定的5批次专精特新“小巨人”企业为研究对象，分析其区域和产业分布特征，并应用分位数回归模型，深入研究了“小巨人”企业集聚的影响因素及在不同集聚度上的分位异质性。主要结论如下：①“小巨人”企业区域分布呈现东部地区遥遥领先，高度集中于五大城市群内中心城市的特征；行业分布呈现制造业超过半壁江山，但比例轻微下降，生产性服务业比例稳步递增趋势。②产业基础、经济环境、营商环境、政策环境等因素共同影响了“小巨人”企业集聚水平，且对不同分位集聚水平的影响具有明显异质性。③产业基础和政策环境仅对低集聚度“小巨人”企业集聚水平提升有显著促进作用；经济发展水平对“小巨人”企业集聚度提升无显著促进作用，不存在“大者通吃”现象；人力资本水平对“小巨人”企业集聚度提升有显著促进作用，营商软环境仅对高集聚度“小巨人”企业集聚程度提升具有显著促进作用，且两者的影响随集聚程度提高而增加。

4.2 讨论

当前，世界正处于百年未有之大变局中，我国发展环境面临深刻复杂的变化。在双循环发展格局构建以及中国经济创新驱动发展中，专精特新“小巨人”企业发挥着日益重要的作用，受到了中央和地方政府的高度重视和大力支持，甚至呈现“一哄而上”的态势。但政府也应当充分认识到：
①专精特新“小巨人”企业分布具有明显的地域性，不存在规模较大的经济体“大者通吃”的现象。各地的资源禀赋、产业基础、劳动力资源及素质、政府财政情况不尽相同，各地方政府需要考虑本地实际，不能盲目随波逐流，追求产业的“高大上”，而应当依据不同的地区和行业，因地制宜和因产制宜促进专精特新企业发展。
②不同地区政府应针对“小巨人”企业实行差异化而非同一化的扶持政策，为处于不同阶段的“小巨人”企业发展创造精准“生态环境”。比如目前常根据研发成果进行的政府补贴，其更多集中于高集聚度的处于较成熟期或产业链较上游的企业，而对处于低集聚度的新兴或产业链较下游的企业支持较少，本文发现，政府补贴等政策对高分位集聚度“小巨人”企业集聚水平提升无明显作用，因此政府亟须改变当前唯数量和产出指标的扶持政策。此外，应充分发挥好中央企业对产业链的融通带动作用，搭建“小巨人”企业与央企合作和对接平台，建立以中央大企业为牵引，专精特新“小巨人”企业为支撑，大中小企业协同发展的企业合作新格局。
③随着产业集聚度的提升，人力资本水平和政府营商软环境等“软”支撑在专精特新“小巨人”企业发展中起着日益重要的作用。因此，随着中国硬件设施的日益完善，政府更应该关注人力资本水平提升。一方面，强化中国较雄厚的科教资源和实业的对接及服务，助推产学研一体化，提升科技成果转化率；另一方面，全社会积极弘扬“工匠精神”，坚持问题导向和需求导向，同时瞄准“痛点”，打通“堵点”，提升职业教育的吸引力，为实体企业提供发展所必需的技能劳动力基础。此外，政府改善营商软环境，全力做好服务和保障企业的“店小二”工作，也是应有之义。
当然，本研究也存在一些不足：虽然本文使用了专精特新“小巨人”企业的就业和地理空间坐标等微观数据以及能够更好分析地区—行业维度异质性的分位数回归模型，能在一定程度上避免之前常用做法的不足，但对专精特新“小巨人”企业发展和本文中四类因素之间的作用机制和影响路径及其可能的空间异质性、非线性等问题，还未深入展开分析。此外，当前数字经济已经成为驱动我国经济迈向创新发展的新引擎，其对企业分布、发展以及不同层次人才的影响也日益凸显，更好地把握数字化和智能化等新技术、新模式对企业选址和发展的影响及其与传统指标的影响异同比较也都有待深入研究。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
李克强. 2022年政府工作报告[N]. 人民日报,2022-03-15(1).

[2]
丁建军, 王淀坤, 刘贤. 长三角地区专精特新“小巨人”企业空间分布及影响因素研究[J]. 地理研究, 2023, 42(4):1009-1028.

DOI

[3]
丁建军, 刘贤, 王淀坤, 等. 国家级专精特新“小巨人”企业空间分布及其影响因素[J]. 经济地理, 2022, 42(10):109-118.

DOI

[4]
张司飞, 陈勇岐. “专精特新”中小企业创新绩效提升路径研究[J]. 科学学研究, 2024(4):873-884,896.

[5]
安家骥, 刘国亮. 营商环境驱动专精特新企业创新的路径选择——基于FsQCA的定性比较分析[J]. 科学管理研究, 2023, 41(2):101-110.

[6]
王伟楠, 王凯, 严子淳. 区域高质量发展对“专精特新”中小企业创新绩效的影响机制研究[J]. 科研管理, 2023, 44(2):32-44.

[7]
朱小艳. “专精特新”企业数字化转型:现实意义、制约因素与推进策略[J]. 企业经济, 2023, 42(1):53-59.

[8]
余澳, 张羽丰, 刘勇. “专精特新”中小企业数字化转型关键影响因素识别研究——基于1625家“专精特新”中小企业的调查[J]. 经济纵横, 2023(4):79-89.

[9]
范剑勇, 刘念, 刘莹莹. 地理距离、投入产出关系与产业集聚[J]. 经济研究, 2021, 56(10):138-154.

[10]
王业强, 魏后凯. 产业特征、空间竞争与制造业地理集中—来自中国的经验证据[J]. 管理世界, 2007(4):68-77,171-172.

[11]
张晶, 陈海山. 新时期城市化推进过程中集聚阴影研究——基于高铁通车的视角[J]. 经济学(季刊), 2022, 22(1):281-302.

[12]
夏清华, 朱清. 增量提质:营商环境生态与专精特新企业——基于模糊集定性比较分析[J]. 经济与管理研究, 2023, 44(8):126-144.

[13]
朱秀梅, 历悦, 张越. 筑巢引凤: 城市营商环境对高成长创业企业涌现的影响[J/OL]. 外国经济与管理:1-17[2023-11-02].

[14]
夏永祥, 张雯. “一带一路”、开放环境与产业集聚发展[J]. 陕西师范大学学报:哲学社会科学版, 2019, 48(3):113-127.

[15]
刘婧, 甄峰, 张姗琪, 等. 新一代信息技术企业空间分布特征及影响因素——以南京市中心城区为例[J]. 经济地理, 2022, 42(2):114-123,211.

DOI

[16]
赵静平, 卢明华, 刘汉初. 北京上市公司总部空间分布特征及影响因素[J]. 经济地理, 2020, 40(1):12-20.

DOI

[17]
韦胜, 王磊, 曹珺涵. 长三角地区创新空间分布特征与影响因素——以“双创”机构为例[J]. 经济地理, 2020, 40(8):36-42.

DOI

[18]
沈泽洲, 王承云, 王永正. 中国大陆上市公司研发投入空间格局及动力机制——以500强为例[J]. 经济地理, 2020, 40(11):131-139.

DOI

[19]
Koenker R, Bassett Jr G. Regression quantiles[J]. Econometrica, 1978, 46(1):33-50.

[20]
Allayannis G, Mozumdar A. The impact of negative cash flow and influential observations on investment-cash flow sensitivity estimates[J]. Journal of Banking&Finance, 2004, 28(5):901-930.

[21]
刘涛, 刘嘉杰, 唐琳, 等. 北京市住宅租金影响因素空间分异研究[J]. 城市规划, 2023, 47(3):75-84.

[22]
严德成, 吴建伟. 区位条件对创新导向型企业社会网络的影响——兼论企业选址决策[J]. 华东经济管理, 2017, 31(5):66-71.

[23]
朱舜. 长三角及其经济腹地城市化空间格局优化的区域治理研究[J]. 中国行政管理, 2015(12):64-67.

[24]
罗若愚, 邹玲. 区域经济发展中区域合作治理的形成及影响因素分析——以长株潭和成渝经济区为例[J]. 经济问题探索, 2012(1):126-131.

[25]
林柄全, 谷人旭, 王俊松. 集聚经济与基于价值链的企业区位选择——重新发现内部集聚经济[J]. 经济地理, 2020, 40(4):56-64,74.

DOI

[26]
胡志强, 苗长虹, 华明芳, 等. 中国外商投资区位选择的时空格局与影响因素[J]. 人文地理, 2018, 33(5):88-96.

[27]
景国文. 低碳城市试点政策与FDI的区位选择[J]. 华东经济管理, 2021, 35(12):43-51.

[28]
彭如霞, 夏丽丽, 林剑铬. 创新政策环境对外商直接投资区位选择的影响——以珠江三角洲核心区六市为例[J]. 地理学报, 2021, 76(4):992-1005.

DOI

[29]
李志军. 2020·中国城市营商环境评价[M]. 北京: 中国发展出版社, 2021.

[30]
申烁, 李雪松, 党琳. 营商环境与企业全要素生产率[J]. 经济与管理研究, 2021, 42(6):124-144.

Options
文章导航

/

〈 〉