2. 4　实证模型与研究方法

本节在前述理论模型的基础上来构建实证模型和设定估计方程，并讨论所采用的估计方法和计量相关事项。

2.4.1　计量模型

企业根据出口回报最大化原则所形成的出口参与决策可以用如下的动态离散选择方程来描述：

其中，出口未来回报现值满足如下条件：

为了参数化企业出口回报函数，本文根据Roberts和Tybout （1997）采用简约型单方程的方法（a reduced-form equation），近似描述出口回报为企业内部因素X _ij和企业外部因素Z _ij的线性函数。其中，X_ij包括可观测到的企业内部异质性特征；Z_ij包括可观测到的企业外部的产业特定因素、区位特定因素、地理特征等。这里假设企业出口回报是由企业内部特征和企业外部环境特征共同决定的。然而，企业出口回报的波动不仅受到可观测到的企业内部特征X_ij和企业外部环境特征Z _ij的影响，而且受到不可观测到的企业内部特征α_i和企业外部随机干扰η_it的影响。其中，α_i包括管理效率、外部联系、企业文化等与出口相关的影响因素；η_it包括需求冲击、政策干扰等与出口相关的随机因素。因而，企业出口未来净回报现值可以表达如下：

式中，ε_it为残差项，由不可观测到的α_i和η_it组成；α_i和η_it被假定为服从i．i．d．正态分布。

基于上述讨论，将式（2-11）代入式（2-9），可以得到企业最优出口参与的动态方程：

Bernard和Jensen（1995）表明，企业出口状态的转换会导致其自身异质特征的同步变化。他们的研究说明，企业本身的异质性特征和外部条件的变化会引导企业参与出口活动。与此同时，企业参与出口活动也会导致企业本身异质性特征的改变。为了避免可能存在的同步性问题，在模型设定上采用影响企业出口的滞后一期的企业内部和外部因素（Bernard＆Jensen，2004）。因而，估计的企业出口参与方程被设定为：

2.4.2　变量设置

在上述计量模型设定中，企业内部异质性特征变量X和企业外部条件变量Z还有待进一步确定。根据前述理论和实证文献，本文着重考察企业异质性特征、市场进入成本、技术溢出效应和特定区位因素等对企业出口参与的影响。

（1）企业异质性特征。文献中揭示，企业选择出口与其自身的特征密不可分，这些特征与其过去所获得的成功也是密切相关的（Bernard＆Jensen，2004）。大的企业具有规模效应和经济实力，更容易选择出口。生产率更高的企业具有更强的市场竞争力，无论是在国内市场还是国外市场都更容易取得成功。娴熟的、高质量的劳动力能够生产高质量的产品，因而更容易在竞争激烈的国外市场上获得成功。这里用企业员工数量来测量企业规模，用单位劳动力产出（真实产出与员工数量的比值）来表示劳动生产率，用工资水平来近似表示劳动力质量。此外，企业制度类型也对企业出口参与产生重要影响（Roberts＆Tybout，1997）。这里用虚拟变量（dummy）来区分企业制度类型的差异，其取值为1为公司制企业，取值为0为非公司制企业。这些因素都直接影响企业的出口参与意愿，包含在出口参与方程（2-13）的X_it－1变量里。

（2）市场进入成本。市场进入成本的存在使得企业的出口行为出现了持续性特征。一方面，非出口企业推迟了出口参与，继续不出口；另一方面，出口企业会连续出口。这个成本N（式（2-11）中）反映在出口参与方程（2-13）的滞后一期的出口状态Y_it－1前的参数θ里。这里用Y_it－1来协助测度市场进入成本。如果参数θ显著非零，那么说明出口市场上的进入成本显著存在。

（3）技术溢出效应。在市场上其他出口企业的存在会降低潜在企业进入出口市场的成本（Aitken，Hanson＆Harrison，1997）。如果市场进入成本显著存在，这种邻近企业的技术溢出将会提高企业参与出口的意愿。这种反映技术溢出效应的外部性可以通过多种方式和渠道来实现（Bernard＆Jensen，2004），本研究主要考察产业特定出口（industry-specific）和地区特定出口（region-specific）对于企业出口参与的影响，并用企业所在产业和城市的特定出口数量来测量这两种形式的外部效应。这些因素包含在出口参与方程（2-13）的Z_it－1变量里。

（4）特定区位因素。Roberts和Tybout（1997）表明，有利的地理位置将会提高企业的出口参与意愿。沿海地区的企业因为便捷的海运交通更容易从事出口活动。根据浙江省的地理特点，本研究采用虚拟变量来考察海滨城市的企业获得的特定区位优势对其出口参与意愿的影响。设变量沿海地区为虚拟变量，其取值为1说明企业位于海滨城市，取值为0说明其位于内陆城市。

（5）其他控制变量。其他控制变量包括年份控制、产业控制和城市控制。年份控制变量主要用来控制企业在时间维度上的变化和所面临的外部需求条件的改变，产业控制变量和城市控制变量主要用来控制企业所在的产业和地区的特定性特征。控制的年份包括2001—2003年；控制的产业包括数据所覆盖的采矿业、制造业和电力、燃气及水的生产和供应业这三大产业；控制的城市包括浙江省涵盖的11个地级市。这三类控制变量采用三组虚拟变量向量来分别表示。

2.4.3　估计方法

为了估计式（2-13），大部分相关实证文献密集讨论滞后一期的出口状态变量Y_it－1前的参数的识别（Bernard＆Jensen，2004）。不可观测到的产品特征、管理技能和企业文化等企业异质性特征都会影响企业的出口参与意愿，不仅与企业自身密切相关，而且其本身也是序列相关的。如果不考虑这方面因素的影响，Y_it－1前的参数θ估计值会吸收这些效应，因而其对应的市场进入成本会被严重高估。因此，在实际操作中把残差ε_it（式（2-11）中）分解为两个部分，其中一项α_i只与企业相关，但其本身不可观测，用来控制这些方面的影响；另外一项η_it反映的是企业所面临的外部随机扰动。

对具有不可观测异质性特征的二项分布动态概率模型的估计包括多种估计方法，比如说随机效应或固定效应的线性概率模型（LPM）、随机效应或固定效应的Probit模型以及条件Logit模型。一般而言，可以用随机效应或固定效应来估计不可观测的企业异质性。Bernard和Jensen（2004）表明，固定效应模型对动态方程中滞后因变量前参数的估计结果经常是有偏的、不一致的。然而，随机效应模型要求企业不可观测的异质性与动态方程中的自变量不相关。本研究遵循Roberts和Tybout（1997）的估计策略，对式（2-13）中残差元素的协方差进行如下约束：

因而，采用随机效应模型而非固定效应模型。关于线性概率模型，其缺陷也比较显著，包括通过估计获得的概率值会超出概率区间［0，1］，残差具有显著的异方差性且非正态分布等。对于这些问题，Probit模型提供了一些解决办法。基于上述讨论，本研究采用随机效应Probit模型对具有不可观测异质性特征的二项分布动态方程（2-13）进行估计。