供应商地理距离与企业全要素生产率

鲍 群 张云云 赵秀云

(1.安徽财经大学,安徽 蚌埠 233030;2.清华大学,北京 100084;3.天津财经大学,天津 300222)

一、引言

随着市场经济的发展,社会化大生产下的分工与合作日趋复杂,供应商对企业生产经营活动的影响不断加深。作为重要的利益相关者,供应商不仅可以直接参与企业前期研发、质量风险控制以及产品改善全过程,而且还能主动与客户进行资源共享和信息交流,为企业产品、服务创新提供支持。比如:戴尔通过与供应商的高效合作,有效整合供应链资源,取得供应链竞争优势,成为全球领先的IT系统和服务提供商;小米通过加强与上游供应商的研发合作,有效提高了自身的核心竞争力,进而在竞争激烈的智能手机市场占得一席之地。可见,科学合理地选择供应商对于提升企业生产效率,增强供应链韧性至关重要。

供应商地理距离是影响企业生产经营活动的重要特征之一,近年来愈发受到学者的关注。已有研究发现,选择邻近的供应商更易于供应链上下游之间建立相互信任的战略合作关系,规避供应链企业间因竞争或风险所带来的负面影响(Serpa et al.,2018)。这种地缘优势不仅可以强化上下游之间的信任关系,有效降低企业事前逆向选择、事中交通运输和事后道德风险所产生的交易成本,促进人员、资本及技术等要素的流动,助力企业获取上游的隐性知识和资源(Ghoul et al.,2013),还有助于弱化上下游之间的竞争关系,缓解企业间信息不对称,减少道德风险及逆向选择等机会主义行为,提高企业对供应链风险的监测和防御能力(刘静 等,2021),从而有效促进企业技术创新、优化资源配置,提升企业生产效率。但与此同时,随着数字经济的迅速发展以及基础设施体系的不断完善,企业与供应商之间的运输成本和信息成本逐步降低,供应商地理邻近优势日渐弱化,对企业生产效率的影响存在不确定性。因此,在构建以国内大循环为主体,国际国内双循环相互促进的新发展格局的背景下,探究供应商地理分布特征如何影响企业发展问题,具有一定的理论价值和实践意义。

基于上述分析,本文利用2010—2020年沪深A股制造业上市公司数据,实证分析供应商地理距离对企业全要素生产率的影响。较之已有研究,本文的边际贡献主要体现在以下几个方面:首先,从供应链视角拓展了地理距离对企业全要素生产率的影响研究,验证了供应商地理邻近性对企业经济效率的积极作用,是对全要素生产率驱动因素方面研究的有益补充。其次,基于企业创新及资源配置视角厘清了供应商地理邻近性影响企业生产效率的具体机理,深化了对地理距离在供应链上下游互动中影响的认识。最后,为供应商的选择提供了来自地理经济学的阐释,研究结论有助于更加深刻地把握供应商地理距离的价值,为增强供应链产业链韧性、提升供应链竞争力提供了一定启示。

二、文献综述

(一)供应链上下游企业间地理距离的微观经济效应

近年来,地理经济学在财务领域的应用越来越受到重视。有关产品市场的研究着重考察了上下游企业间地理距离对成本绩效、信息摩擦、关系治理及技术创新等的影响,结论存在一定分歧。成本绩效方面,研究发现地理邻近的供应链上下游企业更易建立相互信任的战略合作关系,这有利于降低企业交易成本,比如搜索成本、物流成本、沟通成本及监督成本等,提升营运资金配置效率(Serpa et al.,2018)。供应商在供应链网络中的位置越重要,对企业成本绩效的积极影响就越大(Oke et al.,2013)。信息摩擦方面,研究发现信息传递贯穿于供应链上下游互动的各个环节,私有信息的传递成本随地理距离的增加而增加。供应链企业间地理距离增加会加剧信息不对称,进而引发道德风险和逆向选择等机会主义行为(程博 等,2021),降低上下游企业之间的信任度,导致买卖合同时间缩短,契约条款更为严苛(Costello,2013)。关系治理方面,研究发现上下游企业间地理邻近能够降低企业监督成本,缓解双方信息不对称,发挥关系治理作用,弱化公司违规倾向(宛晴 等,2019),抑制公司盈余管理及财务舞弊行为(唐斯圆 等,2019),降低股价崩盘风险(黄珺 等,2022)。而在技术创新方面,研究结论较不一致。部分研究指出,地理邻近的供应商和企业之间更易于保持良好关系,这有助于促进上下游企业间的知识溢出、信息共享及合作创新,提高创新绩效(鲍群 等,2023)。但也有学者从议价能力角度出发,认为地理邻近性使得上下游企业中具有谈判优势的一方获得了更多的私有信息,从而更有能力掠夺对方的创新资源以及创新收益,抑制对方的技术创新(张广玲 等,2022)。还有一些研究发现,随着交通基础设施的完善以及数字化转型的深入,供应商地理邻近性带来的物流成本以及信息传递优势逐渐弱化(崔也光 等,2021;饶品贵 等,2019)。

(二)供应链视角下的企业全要素生产率

已有文献探讨了上下游企业制度背景、行业特征以及自身谈判势力等因素对企业生产率的影响,研究结论并未达成一致。一种观点认为供应链企业间的合作共赢有利于提高企业生产效率,原因主要在于:稳定且紧密的供应链上下游合作关系,能够促进技术创新和资源有效配置,进而提升企业生产效率。张沁琳等(2020)发现,政府大客户不仅可以凭借良好的社会声誉获取更多资源来促进企业创新,而且能够通过积极的市场调控引导企业合理配置资源,从而提高企业生产效率。林柄全等(2022)认为,稳定的供应链关系有利于促进产业集群内部的合作运转,消除供需偏差所致的“牛鞭效应”,提升资源配置有效性,从而提高企业全要素生产率。李云鹤等(2022)指出,客户数字化转型存在供应链上的后向溢出效应,即通过优化供需匹配、稳定供需关系、增强供应商创新能力提高了企业生产效率。孙浦阳等(2023)提出,地理邻近企业所形成的贸易网络深化了企业间垂直专业化分工,放大了销售网络的规模效应,进而提升了生产率的边际效应。于苏等(2023)认为,供应链链主能够凭借其影响力优势,通过供应链金融发挥协同效应,促进链上企业全要素生产率提高。

另一种观点则强调供应链上下游企业间的竞争关系会降低企业全要素生产率,这是因为:合作过程中上下游企业之间的信息不对称以及谈判势力的差距,可能会引发竞争掠夺的机会主义行为,进而损害企业生产效率。Hui et al.(2012)指出,由于上下游企业间信息不对称导致交易伙伴的私有信息难以被观察,企业很可能会遭受较大的经济损失。钱雪松等(2018)认为,当企业的人才、技术等资源受到供应链上下游企业的挤占时,其生产效率将出现明显下降。孟庆玺等(2018)发现,客户过度集中引发的供应链风险集聚效应会降低企业资源配置效率,阻碍企业生产效率的提升。李旭超等(2021)研究表明,僵尸企业拖欠上游供应商账款会导致供应商全要素生产率下降。杨玥等(2022)认为,上游行业垄断通过抬升中间品价格、占据重要生产要素或实施寻租行为阻碍了下游企业创新活动,进而抑制了其生产率的提高。

综上可知,供应链特征对企业全要素生产率有着重要影响。已有研究多从供应链上下游的谈判势力、行业环境及制度背景等视角展开探讨,忽略了供应商地理特征也可能对企业生产效率产生重要影响。现有研究表明,供应商地理距离与企业创新资源获取、信息传递及资源配置等密切相关。因此,本文主要基于地理经济学理论,探究供应商地理距离对企业全要素生产率的影响及其内在机理。

三、理论分析与研究假说

本文认为,供应商地理距离主要通过以下两条路径影响企业全要素生产率:

其一,创新能力是企业全要素生产率的核心驱动要素,供应商地理邻近性通过增强企业创新能力,提高了其全要素生产率。根据资源依赖理论,企业创新能力很大程度上依赖于其所拥有的异质性资源数量以及资源配置方式。因此,上游供应商传递的隐性知识和共享的资源能够为企业开展创新活动提供重要支撑(孟庆玺 等,2018)。并且,相比于封闭且孤立的地理环境,知识溢出以及创新活动更易于发生在有互动和联系的地理环境内。也就是说,选择地理邻近的供应商更可能帮助企业提高自身的创新能力。首先,地理邻近性有利于企业与供应商建立正式和非正式的关系网络,方便其通过实地考察、“面对面”互动沟通等方式获取异质性知识、技术等私有信息(许和连 等,2020),推动跨企业协作的实施。随着供应链上下游企业间创新研发交流的深化,企业创新能力和全要素生产率不断提升。其次,供应商地理邻近性有利于降低上下游企业之间的监督成本,减少企业间的机会主义行为,建立和维持良好的信任关系,降低新产品开发过程中协调、管理和控制的难度,激发供应商加大专用性资产投资,从而为企业创新营造良好的环境,促进创新能力和全要素生产率稳步提升(孙浦阳 等,2023)。再次,选择邻近的供应商有利于缓解上下游企业之间的信息不对称,帮助企业迅速获取供应链上的反馈信息,及时判断市场需求变化,减少技术创新的不确定性,促进供应链上下游持续价值共创,强化企业创新意愿(程小可 等,2020),进而提升企业生产效率。

其二,资源有效配置是企业全要素生产率的另一核心驱动要素,供应商地理邻近性通过优化企业资源配置,提高了其全要素生产率。首先,选择邻近的供应商有利于企业高效、低成本地建立上下游企业间的信任关系,增强合作稳定性,降低合作前的搜寻成本和讨价还价成本,以及合作中的物流、沟通和监督成本等(Serpa et al.,2018),进而促进资源有效配置,提高生产效率。其次,选择邻近的供应商有利于企业迅速了解供应链上的供需调整,准确判断外部市场需求变化,有效降低信息搜集成本,促进生产资源的有效配置(李青原 等,2023),提升企业生产率。再次,近距离的贸易往来有助于企业深入接触供应商的社会网络关系,以较低成本挖掘更多供给信息,提高供应链信息传递效率,降低信息交互成本,进而有利于其及时调整产品结构,合理高效分配内部资源,改善组织生产效率(陶锋 等,2023)。

基于以上分析,本文提出:

假说1：供应商地理距离越近,企业全要素生产率越高。

四、研究设计

(一)样本选择和数据来源

本文选取2010—2020年沪深A股制造业上市公司为样本,并按照已有研究惯例,对初始样本进行了以下筛选:剔除未披露前五大供应商地理距离的样本企业;剔除ST、*ST类特殊处理样本企业;剔除关键指标数据缺失的样本。经过上述处理,本文最终得到1560个观测值。地理距离与财务数据均来自CSMAR数据库,上市公司专利数来自CNRDS数据库。此外,为避免极端值的影响,对连续变量进行了双向1%的缩尾处理。

(二)变量说明

1.被解释变量:企业全要素生产率(TFP_LP)

对于企业全要素生产率(TFP_LP)的测算,主流方法有OLS、OP、LP、GMM等。为缓解衡量方法可能引发的内生性问题,本文选择半参数LP方法,构建Cobb-Dougias生产函数的对数形式估计企业TFP。

lnYit=μ0+μ1lnKit+μ2lnLit+μ3lnMit+εit

(1)

其中:Y代表企业产出,用公司当年主营业务收入衡量;K代表资本要素投入水平,用公司当年固定资产投资衡量;L代表劳动要素投入水平,用公司当年现金流量表中“支付给职工以及为职工支付的现金”衡量;M代表企业中间产品及原料投入,用公司当年现金流量表中“购买商品、接受劳务支付的现金”衡量。考虑到相关数据可能存在0值情况,以上指标均进行了加1后取自然对数的处理。模型(1)回归所得的残差即为企业全要素生产率(TFP_LP)。

2.核心解释变量:供应商地理邻近性(Supdis)

对于供应商地理邻近性(Supdis),参考唐斯圆等(2019)的做法,测算过程如下:首先,根据企业与其供应商企业的注册地址计算二者的空间距离,并取空间距离加1的自然对数的相反数;然后,以企业前五大供应商采购额占比为权重,算得平均地理距离,即为供应商地理邻近性。该数值越大,表示企业与供应商的地理距离越近,反之则越远。海外供应商不在统计范围之内。

3.控制变量

借鉴已有文献,本文选取的控制变量具体包括企业规模(Size)、资产负债率(Lev)、销售增长率(Growth)、市账比(Mastro)、托宾Q值(Tbq)、产权性质(Soe)、企业年龄(Age)、股权集中度(First)、企业现金流(Cash)、固定资产占比(Fix)、客户地理邻近性(Cusdis)。此外,模型中还控制了年度(Year)和行业(Ind)虚拟变量。

本文主要变量的说明如表1所示。

表1 主要变量说明

(三)模型设定

为了检验假说1是否成立,本文构建如下模型(2):

TFP_LPit=α0+α1Supdisit+α2Controlsit+Year+Ind+εit

(2)

其中,TFP_LP表示企业全要素生产率,Supdis表示供应商地理邻近性,Controls表示一系列控制变量构成的向量集,εit为随机扰动项。模型(2)中,α1衡量了供应商地理邻近性对企业全要素生产率的影响。若α1显著为正,则表示供应商地理位置越邻近,企业全要素生产率越高,即本文假说1成立。

五、实证结果与分析

(一)描述性统计分析

表2列示了主要变量的描述性统计结果。企业全要素生产率(TFP_LP)的最小值和最大值分别为8.396和14.721,说明样本企业间的全要素生产率存在一定差异。供应商地理邻近性(Supdis)的最小值和最大值分别为-6.877和-0.128,说明供应商地理邻近性在不同企业间存在较大差异。此外,由表2还可见,其他变量的取值范围均不存在异常情况,限于篇幅,不再赘述。

表2 主要变量的描述性统计结果

(二)基准回归分析

表3报告了供应商地理邻近性与企业全要素生产率的回归结果。其中,列(1)未加入任何控制变量,列(2)在列(1)的基础上纳入了不包括年度和行业固定效应的所有控制变量,列(3)则是引入了全部控制变量。不难发现,无论是否加入控制变量,供应商地理邻近性(Supdis)的回归系数均在1%水平上显著为正,表明供应商地理位置越邻近,越有利于改善企业全要素生产率。可见,本文假说1得到验证。

表3 基准回归结果:供应商地理邻近性与企业全要素生产率

(续表3)

(三)稳健性检验

1.替换被解释变量的测量方法

为缓解潜在的变量测度误差对研究结论的干扰,采用OP法重新测算企业全要素生产率(TFP_OP),并再次对模型(2)进行回归,估计结果见表4列(1)。不难发现,供应商地理邻近性(Supdis)的回归系数为0.0338,且在1%水平上显著,与基准回归结果一致。

2.更换核心解释变量的度量方式

以企业公开披露的供应商数量为权重,对供应商地理距离进行加权平均,得到供应商地理邻近性的替代性指标(Supdis2)。表4列(2)报告了重新回归的结果,从中可见,Supdis2与TFP_LP依然显著正相关。这意味着,调整供应商地理邻近性的测量指标并不会对前文研究结论产生根本性影响。

3.增加省份固定效应

鉴于企业所属地区差异也可能对研究结论产生影响,本文在模型(2)的基础上进一步控制了省份固定效应,重新估计的结果如表4列(3)所示。不难发现,供应商地理邻近性(Supdis)的回归系数仍然显著为正,本文假说1再次得到验证。

4.遗漏变量问题处理

本文可能存在遗漏变量所致的内生性问题。为此,采用固定效应重新回归,估计结果如表4列(4)所示。结果显示,供应商地理邻近性(Supdis)依然对企业全要素生产率(TFP_LP)存在显著的正向影响。这表明在考虑遗漏变量可能引发的内生性问题后,本文研究结论稳健成立。

5.工具变量法

本文也可能存在反向因果所致的内生性问题。为此,使用工具变量法进行检验。参考Ghoul et al.(2013)、罗进辉等(2017)的做法,采用企业与供应商地理邻近性的年度行业均值(Div)作为工具变量,进行两阶段最小二乘回归,估计结果如表4列(5)、(6)所示。在第一阶段,工具变量Div的回归系数在1%水平上显著为正;在第二阶段,供应商地理邻近性(Supdis)的回归系数为0.2509,且在1%水平上显著,与上文表3的检验结果一致。

6.样本选择偏误问题处理

考虑到本文还可能存在样本选择偏误问题,采取以下方法进行检验。

其一,Heckman二阶段法。参考王迪等(2016)、唐斯圆等(2019),设置如下模型(3)进行第一阶段回归,结果见表5列(1):

表5 稳健性检验结果(二)

Supmedit=θ0+θ1Roait+θ2Sizeit+θ3Levit+θ4Soeit+θ5Mastroit+θ6Tbqit+θ7Disratioit+εit

(3)

其中:Disratio表示行业年度内披露供应商数据的企业所占比例;Roa表示资产收益率;Supmed为公司是否披露供应商信息虚拟变量,披露信息取值为1,否则为0。其他变量的含义及计算方法见表1。将估计得到的逆米尔斯比率(IMR)作为控制变量加入模型(2)进行第二阶段回归,结果如表5列(2)所示。从中可见,供应商地理邻近性(Supdis)的回归系数在1%水平上显著为正,与前文结论类似。

其二,倾向得分匹配法。首先,按照是否大于供应商地理邻近性(Supdis)的中位数将样本分为两组;其次,借鉴唐斯圆等(2019)的做法,以企业规模(Size)、资产负债率(Lev)、企业年龄(Age)、资产收益率(Roa)、托宾Q值(Tbq)和股权性质(Soe)作为协变量,进行一对一最近邻匹配。利用匹配后的样本重新回归,结果报告于表5列(3)。从中可见,供应商地理邻近性(Supdis)的回归系数为0.0375,且在5%水平上显著。这再次证实本文研究结论是稳健可靠的。

(四)作用机制检验

在理论分析与研究假说部分,本文指出供应商地理邻近性通过促进技术创新、优化资源配置提升了企业全要素生产率。为验证上述理论逻辑是否成立,参照温忠麟等(2014)提出的中介效应检验思路,在模型(2)的基础上,引入以下模型(4)、(5):

Medit=β0+β1Supdisit+β2Controlsit+Year+Ind+εit

(4)

TFP_LPit=γ0+γ1Supdisit+γ2Medit+γ3Controlsit+Year+Ind+εit

(5)

其中,Med表示机制变量,其他变量的含义同模型(2)。

1.技术创新机制

参照于茂荐等(2018)的做法,本文选取上市公司本身独立获得的专利数来衡量技术创新(Tech)。由于公司专利数据属于典型的非负整数,计数模型更为适合,且上市公司之间获得专利数量值存在较大差异,因此采用负二项回归对获得专利数进行检验。表6列(1)、(2)报告了技术创新机制的检验结果。列(1)中,供应商地理邻近性(Supdis)的回归系数为0.1388,且在1%水平上显著,表明提高供应商地理邻近性可以显著提升企业技术创新产出。列(2)结果显示,在将技术创新和供应商地理邻近性同时纳入模型后,Tech和Supdis的回归系数均在1%水平上显著为正,且Supdis的回归系数值较之基准回归结果(表3列(3))有所减小。同时,Sobel检验Z值在5%水平上显著为正。上述检验结果表明,技术创新在供应商地理邻近性影响企业全要素生产率的过程中发挥部分中介效应,技术创新机制得到证实。

表6 作用机制检验结果

2.资源配置机制

根据科斯定理,交易成本越低,资源配置效率越高。为此,本文以交易成本(Cost)作为中介变量。参考唐静等(2023)的做法,使用销售费用、管理费用和财务费用之和与营业收入的比值来衡量交易成本。表6列(3)、(4)报告了资源配置机制的检验结果。列(3)的结果显示,供应商地理邻近性(Supdis)的回归系数为-0.0065,且在1%水平上显著,表明供应商地理距离越近,企业交易成本越低;列(4)中,交易成本(Cost)的回归系数在1%水平上显著为负,而供应商地理邻近性(Supdis)的回归系数在1%水平上显著为正,且系数值小于基准回归结果(表3列(3))。同时,Sobel检验Z值在1%水平上显著为正。上述检验结果说明,交易成本在供应商地理距离影响企业全要素生产率的过程中发挥中介作用,资源配置机制得到验证。

六、异质性分析

(一)供应商集中度的影响

供应商集中度反映了企业对供应商的依赖程度。供应商集中度越高,说明企业越依赖于少数几家供应商,供应商的谈判势力越强(任莉莉 等,2019)。此时,供应商地理邻近所带来的信息、成本等优势会因企业议价能力的降低而被明显弱化,进而难以对技术创新和资源配置起到积极作用。而当供应商集中度较低时,企业的谈判势力更强,其不仅能够更好地吸收供应商地理邻近带来的多样性信息,还可以更有效地整合供应链资源,通过促进创新知识交流、优化资源配置,推动全要素生产率提升。因此,本文预期当供应商集中度较低时,供应商地理邻近性对企业全要素生产率的促进作用更明显。

为检验供应商集中度对供应商地理邻近性与企业全要素生产率间关系的影响,先按照是否大于企业前五大供应商采购总和占比的平均数,将样本分为供应商集中度高、低两组,而后重新回归,估计结果见表7列(1)、(2)。不难发现,供应商地理邻近性(Supdis)的回归系数仅在供应商集中度低组显著为正。这表明供应商集中度越低,供应商地理邻近性对企业全要素生产率的促进作用越明显。

表7 异质性检验结果(一)

(二)市场竞争度的影响

当市场竞争较为激烈时,企业仅仅依靠自身优势很难获得成功,其需要强化供应链上下游合作,有效整合供应链资源,提高供应链整体竞争力。此时,供应商地理邻近所带来的人才、信息和资源优势更加重要,能够更好地促进企业创新产出,降低交易成本。因此,本文预期市场竞争度越高,供应商地理邻近性对企业全要素生产率的促进作用越明显。

为检验上述推断是否成立,本文按照企业赫芬达尔指数是否高于样本均值将全样本划分为市场竞争度高、低两组。由表7列(3)、(4)可知,在市场竞争度高组,供应商地理邻近性(Supdis)的回归系数为0.0782,且在1%水平上显著;而在市场竞争度低组,供应商地理邻近性(Supdis)的回归系数未能通过显著性检验。这说明当市场竞争较为激烈时,供应商地理邻近性更能促进企业全要素生产率的提高。

(三)区域效应的影响

我国区域发展较不平衡,东部地区经济发展水平往往优于中西部地区。通常,在经济发展水平较高的地区,信用环境、法治环境等更好,企业知识产权能够受到更充分的保护,这有利于强化供应链上下游企业间的合作,促进知识溢出和资源共享等。因此,供应商地理邻近优势在东部地区更加明显,能够更好地促进生产效率提升。本文预期当企业位于东部地区时,供应商地理邻近性对企业全要素生产率的促进作用更显著。

本文将样本按企业所处地区分为东部和中西部两组,重新估计的结果见表7。其中,列(5)为东部地区组结果,从中可见,供应商地理邻近性(Supdis)的回归系数在1%水平上显著为正;列(6)中西部地区组的检验结果显示,供应商地理邻近性(Supdis)的回归系数虽为正但不显著。上述实证结果表明,相比于中西部地区企业,供应商地理邻近性对东部地区企业全要素生产率的积极影响更为明显。

(四)数字化发展的影响

大数据、人工智能与制造业的深入融合,逐步改变了市场竞争方式、产业发展模式,打破了企业传统边界。随之而来的是,企业业务结构以及工作流程发生变革,价值链嵌入形式和结构悄然改变,供应商客户角色边界日渐模糊,上下游企业之间的关系逐步由链状转向网状。此时,供应商地理距离优势带来的信息传递、知识溢出等积极效应一定程度被削弱。但值得注意的是,我国目前仍处于供应链现代化建设摸索阶段,数字化转型多聚焦于企业内部业务、组织和经营理念的重塑,在企业间的溢出作用较为有限,因此其不太可能会对供应商地理邻近优势产生较大影响。基于上述分析,本文认为数字化转型水平对供应商地理邻近性与企业全要素生产率间关系的影响存在不确定性,有待进一步检验。

参照赵宸宇等(2021)的做法,对上市公司年报中的数字化相关词频进行统计,并利用文本中数字化转型关键词的出现次数衡量企业数字化转型水平。在此基础上,依据数字化转型水平的均值将样本划分为两组,估计结果如表8所示。由列(1)、(2)可知,供应商地理邻近性(Supdis)的回归系数均显著,但数字化水平高组的显著性水平较低。这表明,现阶段数字化发展削弱上下游地理邻近优势的作用有限。

表8 异质性检验结果(二)

(五)高铁是否开通的影响

高铁开通加快了生产要素的跨区域流动,降低了企业物流成本,增加了企业间实地交流频率,为供应链上下游知识流动和信息传递提供了便捷,使得企业在挑选供应商方面拥有更多的选择。也就是说,高铁开通可能会削弱地理邻近的供应商的位置优势。然而,即使上下游地理距离较近,但他们绝大部分不在同一城市,高铁开通反而更好地促进了短途供应商的人力、技术等资源的交流。因此,高铁开通是否会明显弱化供应商地理邻近性对企业全要素生产率的促进作用尚存不确定性。

依据上市公司所在城市当年是否开通高铁设置虚拟变量,当前年度开通高铁取值为1,否则为0。在将样本划分为高铁已开通、高铁未开通两组的基础上,重新进行估计,结果如表8列(3)、(4)所示。不难发现,无论是在高铁已开通还是未开通组,供应商地理邻近性(Supdis)的回归系数均显著为正,只是显著性水平有所不同。这说明,高铁开通并没有对供应商地理距离与企业全要素生产率之间的关系产生根本性影响。

七、结论与启示

本文以2010—2020年沪深A股制造业上市公司为样本,考察供应商地理距离对企业全要素生产率的影响。研究发现,供应商地理位置越邻近,越有利于提升企业全要素生产率,且该结论在经过一系列稳健性测试后仍然成立。作用机制检验结果显示,供应商地理距离对企业全要素生产率的影响主要通过促进技术创新、优化资源配置两条路径实现。异质性分析表明,当供应商集中度较低、市场竞争较激烈或企业处于东部地区时,供应商地理距离对全要素生产率的促进作用更明显;数字化发展水平、高铁开通情况并没有对供应商地理距离与企业全要素生产率之间的关系产生实质性影响。

基于上述研究结论,提出以下建议:其一,企业在遴选供应商的过程中,除了要密切关注成本、质量等因素外,还应结合自身战略管理目标,重视供应商地理位置的合理分布。同时,建立健全供应商管理体系,充分发挥供应链上下游资源互补优势,推动企业全要素生产率稳步提升。其二,企业在构建供应链体系时,需从战略层面审视供应链上下游合作价值,优化供应链关系管理举措,强化与供应商的互动,通过打造高效的供应链体系推动企业全要素生产率持续提升。其三,政府应以供给侧结构性改革为主线,积极倡导公平竞争的市场环境,切实加强各地区营商环境建设,进一步推动企业高质量发展,促进国民经济平稳增长。