大家好！本人是管理学在读博士生。一直想分享读博期间学习和生活的经历和感悟，希望能帮助到更多想要读博和正在读博以及科研工作的朋友们。坚持每天读高水平的论文是博士生的基本要求，也是写好自己论文的基础。 今天分享一篇文章——《“小巨人”大效应：专精特新认定、供应链溢出与企业生产率》，来自《数量经济技术经济研究》2024年9月25日首发。刘强（通讯作者），特聘副研究员，浙江大学经济学院；金瑛，讲师，浙江工商大学会计学院。 ![]()
在新一轮技术革命与逆全球化背景下，中国的关键核心技术仍面临“卡脖子”瓶颈，形成了产业链供应链安全的“痛点”“堵点”。为推动产业链供应链高质量发展与解决“卡脖子”难题，我国政府出台一系列政策，拟培育一批聚焦重点领域、攻克关键核心技术的专精特新“小巨人”企业（简称“‘小巨人’企业”）。2011年9月，工业和信息化部发布的《“十二五”中小企业成长规划》首次把“专精特新”作为促进中小企业成长和培育的重要方向。2018年11月，工业和信息化部印发《关于开展专精特新“小巨人”企业培育工作的通知》，计划用三年时间开展600家专精特新“小巨人”企业的培育工作，并促进其在创新能力、经营管理水平、智能转型等方面的提升发展。既有研究大多关注“专精特新”企业认定培育政策对企业自身的影响，证实了其对企业创新投入（张米尔等，2023）、供应链集中度（焦豪和李宛蓉，2023）、劳动雇佣（韩洪灵等，2024）等方面的积极作用，但未将视野扩展至供应链，忽视了“专精特新”企业认定培育政策的主要目的之一，即该政策潜在的供应链溢出效应。 （1）创新地将“专精特新”企业认定培育政策的经济后果研究拓展至供应链这一新的视角。现有研究主要着眼于专精特新“小巨人”认定对企业自身的影响（张米尔等，2023；韩洪灵等，2024），而未探讨其可能产生的供应链溢出效应。本文构建了匹配“小巨人”供应商/客户的焦点企业数据集，对“小巨人”企业的供应链溢出效应进行了全面分析，拓宽了对“专精特新”企业认定培育政策的经济后果的理论与实证研究。（2）当前关于企业全要素生产率影响因素的研究多聚焦于外部宏观因素或企业自身特征（Hsieh和Klenow，2009；任曙明和吕镯，2014），本文则创新地从供应链“小巨人”客户视角验证了企业全要素生产率增长的影响因素与路径。本文研究发现“小巨人”客户对焦点企业全要素生产率的溢出效应主要通过提高焦点企业的产能利用率、提升焦点企业的商业信用与发挥信号传递作用来实现，为企业全要素生产率的增长提供了新的理论解释。（3）已有研究多从供应链金融、客户企业的全要素生产率或客户企业的数字化转型等角度入手探究供应商—客户关系及供应链溢出效应（Serpa和Krishnan，2018；于苏等，2023；陶锋等，2023），而鲜有基于“专精特新”企业认定培育政策视角展开的研究。本文实证检验了专精特新“小巨人”客户对焦点企业全要素生产率的重要影响，是对供应商—客户关系与供应链溢出效应相关研究的有益补充。 对焦点企业的供应商来说，当其获得“小巨人”企业认定后，创新活力、经营绩效与发展质量均有所提升，可向焦点企业提供更精密、更高质量、更具有创新、种类更丰富的固定资产或中间产品，从而促使焦点企业改善生产要素的配置结构，降低生产成本并提升生产效率，以实现高质量发展（中国社会科学院工业经济研究所课题组，2021）。“小巨人”供应商的高质量信号将溢出至整条供应链，尤其是溢出至接受其原料供应、与其关系密切的焦点企业。焦点企业将获得更多的外部关注与更高的市场评价，更容易获得优质的渠道、技术、信贷等要素与资源，从而进一步提升企业经营绩效与发展质量（Roberts和Dowling，2002），提升全要素生产率。对于焦点企业的客户来说，本文认为“小巨人”客户有助于提高焦点企业的产能利用率、提升焦点企业的商业信用与发挥信号传递作用，进而提升焦点企业的全要素生产率。第一，“小巨人”客户有助于提升焦点企业的产能利用率，进而提升焦点企业的全要素生产率。焦点企业的客户成为“小巨人”企业，其创新水平和能力在政府扶持与产业链协同下逐渐提高，生产效率及经营业绩显著改善，进而引发更高的生产需求。“小巨人”客户的高生产需求反映至焦点企业则为订单数量增加，一方面有助于帮助焦点企业化解已存在的过剩产能，另一方面要求焦点企业在短期内发挥尚未开发的潜在产能，增加产品供给以满足“小巨人”客户的需求，实现产能利用率的提升。 第二，“小巨人”客户有助于改善焦点企业内部现金流情况，进而提升焦点企业的全要素生产率。一方面，“小巨人”客户因为其更强的融资能力和对焦点企业的现金偿付能力，将为焦点企业提供更多商业信用，有助于推动焦点企业的回款速度加快，焦点企业得以获得更多商业信用与更充裕的现金流入。另一方面，“小巨人”客户起到信号传递的作用，能够增加焦点企业的外部关注度、释放有关焦点企业的积极信号，进而缓解焦点企业的融资约束程度、增强其市场信用，提升焦点企业的全要素生产率。H1：专精特新“小巨人”供应商或客户能够促进焦点企业全要素生产率的增长。H1a：专精特新“小巨人”供应商能够促进焦点企业全要素生产率的增长。H1b：专精特新“小巨人”客户能够促进焦点企业全要素生产率的增长。本文在基准回归中采用LP法测算企业全要素生产率，而在稳健性检验中使用OP法。本文解释变量Giant#i,t-1包括“小巨人”供应商或客户（Giant_UD i,t-1）、“小巨人”供应商（Giant_Ui,t-1）和“小巨人”客户（Giant_Di,t-1）。若焦点企业i的前五大供应商或前五大客户在t-1年有获得“小巨人”企业认定的，则解释变量Giant_UDi,t-1取1，否则取0。若焦点企业i的前五大供应商在t-1年有获得“小巨人”企业认定的，则解释变量Giant_Ui,t-1取1，否则取0；若焦点企业i的前五大客户在t-1年有获得“小巨人”企业认定的，则解释变量Giant_Di,t-1取1，否则取0。 公司规模（Size）、财务杠杆（Lev）、总资产收益率（ROA）、营运能力（Turnover）、成长能力（Growth）、经营活动净现金流（CFOR）、流动比率（Liquidity）、市账比（MB）、董事会规模（Boardsize）。为了检验假设1，本文构建了模型（1）:![]()
γi为个体固定效应，δm,t和ηp,t分别为行业×年份固定效应和省份×年份固定效应，εi,t表示随机误差项。本文选取2015~2022年沪深A股上市公司作为焦点企业样本，并对原始样本进行了以下处理：（1）剔除金融保险行业样本；（2）剔除非正常上市企业（ST、ST*、PT）的样本；（3）剔除客户或供应商信息缺失的样本；（4）剔除焦点企业本身为国家级专精特新“小巨人”企业的样本；（5）剔除财务数据异常或缺失严重的样本。经处理后，最终得到16447公司—年度观测值。本文国家级专精特新“小巨人”企业名单由笔者手工整理获得，并与CNRDS“小巨人企业”数据库和工信部网站披露的国家级“小巨人”名单进行对比确认。本文其他企业特征与财务数据来源于CSMAR数据库、CNRDS数据库与RESSET数据库。为控制极端值的影响，本文对连续变量进行1%和99%的Winsorize缩尾处理。 表1报告了“小巨人”供应商或客户对焦点企业全要素生产率影响的回归结果。其中，第（1）列未控制固定效应，第（2）列控制了个体固定效应，第（3）列同时控制了个体固定效应和行业—年份固定效应，第（4）列同时控制了个体固定效应、行业—年份固定效应和省份—年份固定效应。在以上结果中，“小巨人”供应商或客户（Giant_UD）对焦点企业全要素生产率（TFP）的回归系数均在5%的水平上显著为正，表明“小巨人”供应商或客户的存在能够促进焦点企业全要素生产率的提升。这意味着专精特新“小巨人”企业具有供应链溢出效应，假设H1得到验证。![]()
本文在剔除既有“小巨人”供应商又有“小巨人”客户的焦点企业样本的基础上，分别以Giant_U与Giant_D作为模型（1）的解释变量进行回归，结果如表2所示。供应商企业的回归结果如第（1）~（3）列所示，“小巨人”供应商（Giant_U）的系数均不显著。客户企业的回归结果如第（4）~（6）列所示，在控制了个体固定效应与交互固定效应后，“小巨人”客户（Giant_D）对焦点企业全要素生产率（TFP）的回归系数为0.213，在1%的水平上显著。这说明，“小巨人”供应商没有促进焦点企业全要素生产率的增长，而“小巨人”客户则有促进作用，假设H1a不成立，假设H1b成立。 ![]()
本文将是否存在“小巨人”客户随机分配给焦点企业，生成新的虚拟解释变量Giant_Dn（n=1，2，...，500），并带入模型（1）进行500次重复回归。结果如图1所示，系数显著为正和显著为负的占比较小，意味着本文构造的虚拟溢出效应并不存在。 本文以企业特征变量（模型（1）的控制变量）作为协变量，对有“小巨人”客户与没有“小巨人”客户的样本逐年进行“一对多、有放回”的K近邻匹配，并将各年份匹配后数据纵向合并为一个数据集，得到检验需要的面板数据。平衡性检验结果显示，匹配后的协变量无显著差异，表明匹配效果较好。表4的第（1）列与第（2）列分别为1:8近邻匹配与1:9近邻匹配的回归结果，Giant_D的系数均显著为正，进一步证明了本文的主要结论的稳健性。在第一阶段以“是否披露客户信息（Disclose）”为被解释变量，以市场占有率（MS）与模型（1）中的控制变量为解释变量，进行Probit回归，其中市场占有率=该公司的营业收入/该公司所在行业所有沪深A股上市公司的营业收入之和；将第一阶段计算出的逆米尔斯比率（IMR）放入模型（1）中，作为第二阶段的回归方程。 表4第（3）列为Heckman第一阶段的回归结果，MS系数显著为负，表明市场占有率越大的公司越不愿意披露前五大供应商或客户的信息，外生变量选择有效。第（4）列为Heckman第二阶段的回归结果，“小巨人”客户（Giant_D）的系数仍显著为正，表明在控制样本选择偏误的潜在影响后，后向溢出效应的结论依然成立。本文进一步使用OP法，GMM法测算的全要素生产率，进行稳健性检验，结果如表4第（5）、（6）列所示，Giant_D的系数均显著为正，“小巨人”客户的供应链溢出结果仍未发生明显变化。本文参考杨汝岱等（2023）和李斌等（2024）的做法，构建焦点企业“小巨人”客户的工具变量，计算公式为IVi,m,p',t=∑jθm,j,t1 ×Intensityj,p',t-1。其中，j、m表示行业（m=1，……，87），t表示年份，焦点企业i所在行业为m、所在省份为p。θm,j,t-1表示直接消耗系数，即行业j在t-1年的总投入中直接消耗的行业m的产品或服务的比例，采用2018年153个部门的中国投入产出表进行计算。Intensity j,p’,t-1表示除省份p之外的行业j在t-1年的“小巨人”企业密度，采用除省份p之外的行业j在t-1年的沪深A股上市公司总数量中“小巨人”企业所占比例度量。 表5第一阶段的回归结果显示，工具变量的回归系数显著为正，说明工具变量与内生变量的相关性，初步反映了工具变量选择的合理性。第一阶段的F统计量大于经验值10，进一步说明本文的内生变量与工具变量之间具有强相关性。Cragg-DonaldWaldF统计量为3886.42，大于Stock-Yogo弱工具变量识别在10%显著性水平上的临界值16.38，拒绝了弱工具变量的原假设。Kleibergen-PaaprkLM统计量在10%的显著性水平上拒绝了工具变量识别不足的原设。第（2）列为工具变量第二阶段的回归结果，Giant_D的系数依然显著为正，说明在考虑内生性问题后，本文主要结论具有可靠性。![]()
首先，2015年国务院印发了《中国制造2025》，全面推进实施制造强国，《中国制造2025》试点城市与概念股名单也随之公布，前文的结论可能受该政策的影响。本文采取了以下措施：第一，在模型（1）中加入城市—年份固定效应，以减轻《中国制造2025》试点城市政策的影响；第二，将焦点企业的前五大客户是否有当年位于《中国制造2025》试点城市（MCC）与焦点企业的前五大客户是否有当年属于《中国制造2025》概念股（MCS）的虚拟变量纳入模型（1）加以控制；第三，剔除当年前五大客户有位于《中国制造2025》试点城市或属于《中国制造2025》概念股的焦点企业样本。 其次，自2010年以来中国持续实施战略性新兴产业政策，“十三五”规划、“十四五”规划重点强调要培育壮大战略性新兴产业。本文采取了以下措施：第一，仅保留“十三五”规划发布当年及以后（2016年及以后）、“十四五”规划发布前（2020年及以前）期间的样本；第二，将焦点企业的前五大客户是否有当年属于《中国战略新兴产业综合指数》（“新兴综指”）样本股（SEIS）的虚拟变量纳入模型（1）加以控制；第三，剔除当年前五大客户有属于“新兴综指”样本股的焦点企业样本。表6汇报了经上述处理后的回归结果，Giant_D的系数均显著为正，说明在排除其他政策的影响后，“小巨人”客户的后向溢出效应结果依然稳健。![]()
本文构建以下模型对后向溢出效应的作用机制进行验证。 ![]()
参考李雪松等（2017）的研究，本文使用随机前沿生产函数法，利用焦点企业的主营业务收入、总资产和员工人数来构建随机前沿生产面，用焦点企业实际产出与前沿产出之比度量焦点企业的产能利用率（CU）。另外，参考修宗峰和黄健柏（2013）的研究，本文利用固定资产净值与营业收入之比（PPErev）作为产能利用率的另一个度量指标，该指标越高，表示企业产能利用率越低、产能过剩程度越大。回归结果如表7第（1）~（2）列所示，Giant_D对CU的回归系数在10%的水平上显著为正，Giant_D对PPErev的回归系数在5%的水平上显著为负，体现了“小巨人”客户的存在能够促使焦点企业固定资产净值比重的降低与产能利用率的提升，验证了产能利用率机制。 参考曾艺等（2023）的研究，本文选择销售商品和服务收到的现金的自然对数（SaleCash）、应收账款与营业收入之比（RECErev）、应收账款周转天数的自然对数（RTurnover）三个指标分别度量焦点企业的商业信用。回归结果如表7第（3）~（5）列所示。第（3）列显示Giant_D对 SaleCash的回归系数在10%的水平上显著为正，表明“小巨人”客户显著增加了焦点企业销售商品和服务收到的现金；第（4）~（5）列显示Giant_D对RECErev的回归系数在 5%的水平上显著为负，对RTurnover的回归系数在10%的水平上显著为负，表明“小巨人”客户同时促进了焦点企业应收账款比率的降低与应收账款周转速度的提升。 ![]()
本文借鉴李姝等（2021）的研究，以焦点企业应付账款与预收账款之和减去应收账款与预付账款之和再除以营业收入作为市场信用的度量指标（MC），数值越大表示焦点企业的市场信用越大。其次，本文以 SA指数（SA）与KZ指数（KZ）作为焦点企业融资约束的度量指标。回归结果如表8第（1）~（3）列所示，Giant_D对MC的回归系数在 5%的水平上显著为正，对SA与KZ的回归系数均在10%的水平上显著为负，表明“小巨人”客户起到了信号传递的作用，缓解焦点企业的融资约束程度、提升其市场信用。本文借鉴Cheng和Liu（2018）以及宋献中等（2024）的研究，以分析师关注度（AnalystAtt）与公众关注度（PubicAtt）分别作为外部关注度的度量指标，并将这两个指标及其与Giant_D的交乘项引入模型（1）进行回归。其中分析师关注度为焦点企业前一期的分析师跟踪数量加一的自然对数，公众关注度为焦点企业前一期网络搜索指数加一的自然对数。回归结果如表8第（4）~（5）列所示。第（4）列显示 Giant_D与AnalystAtt交乘项的系数在1%的水平上显著为正，第（5）列显示Giant_D与PubicAtt交乘项的系数在5%的水平上显著为正，进一步验证了信号传递的机制。 ![]()
高人力资本的焦点企业应当更能够把握发展机会，“小巨人”后向溢出效应更显著。参考李云鹤等（2022）的研究，本文首先采用高学历员工占比与研发人员占比来度量公司员工人力资本，占比越高反映公司人力资本越高，其中高学历员工指大学本科及以上学历的员工；随后基于两个指标的行业年度中位数进行分组回归。结果如表9所示，在焦点企业高学历员工占比高与研发人员占比高的样本中，Giant_D的系数显著为正，而占比低的样本不显著，表明对于高人力资本的企业，“小巨人”客户具有更强的后向溢出效应。![]()
2.焦点企业的产权性质
本文根据焦点企业产权性质将样本划分为国有企业与非国有企业，分别进行回归，结果如表10第（1）~（2）列所示。在非国有企业样本中，Giant_D的系数在 5%的水平上显著为正，而国有企业样本不显著，表明“小巨人”客户仅对非国有的焦点企业有后向溢出效应。
3.焦点企业的环境不确定性
参考申慧慧等（2012）的研究，本文用焦点企业过去5年的非正常销售收入标准差除以过去 5 年销售收入均值，再经过行业调整，得到焦点企业的环境不确定性指标。随后基于该指标的行业年度中位数进行分组回归。结果如表10 第（3）~（4）列所示，在环境不确定性程度高的焦点企业样本中，Giant_D的系数在1%的水平上显著为正，而环境不确定性程度低的样本不显著。
![]()
（一）研究结论
研究发现，“小巨人”供应商或客户能够显著提升焦点企业的全要素生产率，且这一效应主要由“小巨人”客户企业的后向溢出驱动，该结果经一系列稳健性检验后依然成立。进一步研究发现，“小巨人”客户主要通过提高焦点企业的产能利用率、提升焦点企业的商业信用与发挥信号传递作用来促进焦点企业全要素生产率的增长。异质性检验发现，“小巨人”客户的后向溢出效应在人力资本更高、国有产权、环境不确定性更大的焦点企业中更明显。
（二）政策启示
第一，“专精特新”企业不仅是增强中国产业链供应链韧性、保障产业链供应链安全的重要基石，更是构建双循环新发展格局与引领经济高质量发展的内生动力。
第二，中国市场经济的买方市场与需求导向特征日益强化，企业全要素生产率的提升日益受下游客户企业的影响。
第三，中小企业应当聚焦行业细分领域，增强主观能动性，不断朝“专精特新”方向发展。
