服务外包产业投入产出效率及其影响因素的实证

　本文转载《财经问题研究》，版权归原作者和原期刊所有。

一、引言
　　经过二十多年的发展，中国软件服务外包产业取得了较好的成绩，比如2011年中国企业承接离岸服务外包合同执行金额238.3亿美元，已经成为仅次于印度的全球第二大离岸服务外包承接国。但是我们也必须看到，支持中国服务外包产业迅速发展的客观条件也正在改变：（1）新劳动法的实施使人力成本逐渐上升，比如2005年中国的人均工资水平是0.8万美元，2011年则增加到1.1万美元，增幅达到33%。（2）自从2005年汇率改革以来，人民币对美元的汇率已经从2005年的8.19（全年平均）上升到2011年的6.45，增幅为21.2%。上述客观条件的变化对中国服务外包业的影响主要表现在两个方面：（1）来自发达国家的发包企业有向其它国家转移发包业务的趋势。（2）由于中国服务外包产业的成本多是以人民币计价，而合同额多是以美元计价，汇率的变化压缩了国内服务外包企业的利润空间，使中国服务外包产业面临更为艰难的竞争环境。
　　在成本上升已经成为无法逆转的客观情况下，提高服务外包产业的投入产出效率变得尤为重要。基于此，本文采用超效率DEA-Tobit模型对中国软件服务外包的投入产出效率进行研究，这是因为：（1）DEA分析释放的信息可以帮助我们识别提高效率的途径。（2）DEA分析和Tobit分析的结合可以帮助我们进一步了解哪些外部因素在如何影响我国服务外包的投入产出效率。在样本的选取上，本文选取经国务院批准的21个服务外包示范城市作为样本，这是因为21个服务外包城市对全国服务外包产业的贡献度达95%[1]，所以对21个示范城市的承接效率进行研究具有较高的代表性。
　　二、文献综述
　　服务外包业起源于20世纪80年代的发达国家，这一新兴的国际分工现象引起了国外学者的广泛关注，在此期间他们从多个角度对其进行了研究。这些研究可以分为三类：（1）关于发包企业的研究。主要关注发包业务的范围、发包方式、风险控制、发包与企业绩效的关系等通过调研发现，发包方企业采取的开放式创新和接包方企业的内部知识管理能力造就了部分印度软件服务外包企业的创新能力。
　　近年来，中国服务外包产业的快速发展引起了国内学者的关注，在中国知网输入关键词“服务外包”进行搜索，相关文献数量（仅期刊）从2004—2011年分别为1篇、5篇、12篇、69篇、167篇、216篇、291篇和254篇，由此可以看出，中国对服务外包现象的研究文献数量在2008年急剧增加，2010年达到了高峰。2008年以前的早期研究主要集中在外包理论探讨、国外经验借鉴及外包（发包方和接包方）动因分析等主题[12]-[17]。2008年至今，国内学者对服务外包的研究视角逐渐丰富起来，主要集中在外包经济效应（特别是经济增长及技术溢出效应）、服务外包对生产率影响、承接城市竞争力分析、金融危机下服务外包发展路径选择等，比如刘绍坚[18]验证了服务外包技术外溢效应的存在性及外溢途径；刘海云和唐玲[19]检验了不同形式的外包对全员劳动生产率的影响；杨丽琳[20]将中国20个服务外包示范城市划分为4个发展梯队，认为4个梯队城市间应按照发展水平实现分工合作，通过外包业务的承接与转移，实现产业结构的升级；杨延杰及张皞和刘绍满[21-22]就后危机时代中国服务外包的发展路径选择问题进行了分析；杨学军和曾国军[23]在文献回顾的基础上，建立了影响承接地竞争力的分析模型，并对示范城市软件外包企业进行了验证性因子分析，结果显示，服务能力因子、服务成本因子和经营环境因子的共同作用影响着承接地的竞争力。还有一些学者从其它角度对服务外包现象进行有益的探索，比如价值链理论和产业集群[24-25]、人民币升值对服务外包的影响[26]以及服务外包产业人才培养模式[27]等。
　总体而言，国外的文献主要是站在发包方角度，而国内文献则主要是站在接包方的度来进行研究，定性分析较多，定量研究、特别是对服务外包承接方效率方面的定量研究还没有引起广泛关注，从而导致这方面的研究比较少。本文借鉴了何有世和刘旭以及何有世等[27-28]的研究方法，但是将样本扩大至21个服务外包示范城市，并将数据进行更新，以期对中国服务外包产业的投入产出效率有一个较为全面的认识。
　　三、效率排名及其内因分析
　　本文使用数据包络分析（DEA）方法对各示范城市的相对效率进行测算，它是由Charnes和Cooper等于1978年提出的[29]，由于该理论已经发展得比较成熟，所以在此不再进行赘述。
　　考虑到软件外包行业的投入产出特点并兼顾数据的可得性，同时参考以往的研究，本文选取的投入指标有服务外包从业人数（X1）、职工年均工资水平（X2）和软件企业数量（X3）；产出指标有离岸外包合同额（Y1）和服务外包行业收入（Y2）。
　　在数据包络分析（DEA）的C2R模型和BC2模型的基础上，本文选用Input-Oriented的VRS（即区分技术有效性和规模有效性）方法，应用Coelli小组开发的效率分析软件DEAP （Version2.1）计算各决策单元的技术效率和规模效率，利用EMS1.3计算各决策单元的超效率，以便能弥补传统DEA方法中有效决策单元不能进行排名的不足。
　　1.综合效率和趋势分析
　　示范城市的效率值及其排名状况如表 1所示。对于非有效决策单元（DMU）来说，传统DEA和超效率DEA两种方法测出的综合效率值是相同的，但对于有效DMU而言，超效率DEA测出的综合效率值会出现大于1的情形，从而使得对有效DMU进行排序成为可能。
　　从表1可以看出，无锡的效率最高，其超效率DEA值达到3.554；厦门的投入产出效率最低，仅为0.096。传统DEA测量尺度下综合效率值等于1的城市有大连、深圳、西安和无锡，即这四个城市的相对效率是最高的，处在生产前沿面上；综合效率无效但效率值高于平均值（0.591）的城市有北京、武汉、成都、南京、济南、杭州和苏州。四个综合效率有效的城市中有三个处于中国的东部沿海地区，分别位于环渤海（大连）、长三角（无锡）和珠三角（深圳）地区。西部地区的示范城市只有西安是有效的，这种“东强西弱”的现状比较容易理解，东部地区的经济发展水平高，人力资本充足，信息技术、通讯和交通等基础设施比较完善，为软件外包行业的发展提供了较好的条件。
　　从规模收益趋势上看，北京、上海、广州和南京是规模收益递减的，大连、深圳、西安和无锡是规模收益不变的，其它的12个城市都是规模收益递增的。这反映出大部分承接城市的软件服务外包规模没有达到最佳，主要表现是规模偏小，从而导致规模不经济。赵君等[30]及刘绍坚[18]也得出类似的结论。
　　2.技术效率和规模效率分析
　　综合效率可以进一步分解为技术效率和规模效率，通过对城市间技术效率和规模效率差异的分析可以对示范城市综合效率的差异来源有进一步的了解。依据21个示范城市的技术效率和规模效率并结合二者的平均水平，可以将其分为五类：第一类为二者都是有效的，即综合效率是1的城市；第二类是技术效率为1，但规模效率小于1的城市；第三类是技术效率和规模效率均小于1，但都高于平均效率水平的城市；第四类是规模效率高于平均效率水平，但技术效率低于平均效率水平的城市；第五类是规模效率和技术效率均低于平均效率水平的城市。
　　为了更直观地了解各示范城市的技术效率和规模效率以及它们具体所处的效率方位，本文利用效率平面并结合各示范城市的投入冗余和产出不足信息对技术效率和规模效率进行分析，如图1（因为篇幅所限，本文没有列出投入产出效率无效示范城市松弛变量表，如有需求，请与作者联系）所示。
　　图1纵轴代表规模效率值，横轴代表技术效率值，图中数字为表1中的城市序号（比如左上端的2和7分别代表天津和广州），将21个承接城市的效率值绘制在效率平面中，可以看出效率平面上的点分别对应前面的分类。其中
　　第一类城市有4个，包括大连、深圳、西安和无锡。这四个城市是效率值最高，从而也是竞争力最强的软件外包承接城市，是其它城市效仿的标杆。这四个标杆城市各有特色，并充分发挥了自身比较优势或利用了外部机遇，比如大连拥有与日韩毗邻的地缘优势和丰富的日语人力资源，承接了大部分来自日本的软件外包，对日业务额占到其服务外包业务总量的80% 左右。深圳服务外包产业的发展得益于香港市场的需求，目前已经形成包括金融、物流和保险等领域在内的服务外包体系。此外，依托广东雄厚的制造业基础，提供了大量的外包业务需求，利于其学习效应和规模经济的实现。无锡地处经济活跃的长三角地带，紧邻上海，因为属于二线城市，相比于南京、上海等一线示范城市而言拥有商务方面的成本优势。西安发展迅速的原因除了本身所具有的优势条件，比如具有成熟的交通、通信及网络等发展服务外包不可缺少的基础设施条件以外，还面临着由于东部地区经营成本不断上升导致软件外包产业出现了从东部一线地区向中西部二线地区转移的机遇[31]。
　　第二类城市有6个，包括北京、哈尔滨、合肥、长沙、大庆和厦门。这一类城市的技术效率为1，即在不考虑规模的情况下，它们的投入产出是有效的，从而也不存在投入冗余和产出不足的问题，这表明该类城市的管理能力和资源利用能力是比较强的，其存在的问题主要是规模不合理，其中北京是规模收益递减，应该适度缩减规模，其它五个城市是规模收益递增，表明规模偏小，没有形成集群效应，从而未实现规模经济。这些城市可以在现有的资源利用技术基础上扩大规模，以达到增加产出降低成本的目的，从而提高效率，特别是哈尔滨和厦门，两者的规模效率值仅为0.133和0.096，其规模效率增进空间很大，扩大规模将提升他们承接外包业务的效率。
　　第三类城市有3 个，包括武汉、成都和济南，这些城市的技术效率和规模效率虽然小于1但都高于平均水平，有可能成为最具竞争力的服务外包城市，需要在资源利用技术水平和规模上进一步改进。
　　第四类城市有6个，包括天津、上海、广州、南京、杭州和苏州。存在的主要问题是技术效率水平过低，即管理能力和资源利用能力有待提高，比如2010年上海每个从业人员的工资冗余高达2.3万元，这表明上海没能充分利用高成本、高素质的劳动力去发展处于价值链高端的外包业务，从而严重降低了该城市的技术效率。又如南京2010年的从业人员投入冗余高达6.7万人，因而急需通过提高管理效率或裁员来增加自己的技术效率。
　　第五类城市有2个，包括重庆和南昌。它们在技术效率和规模效率上均低于平均效率水平，是最需要改进的，重庆和南昌均存在从业人员冗余，分别为1.5万人和1.4万人。如果这两个城市能够提高管理水平和资源利用能力，并适度扩大规模，则可在原有的投入水平下，理论上可将离岸外包合同额分别增加4.6亿美元和2.1亿美元，将服务外包行业收入分别增加31.6亿元和19.4亿元。
　　以上的DEA分析揭示了服务外包示范城市的效率排名及其影响效率的内部因素，下面本文运用Tobit模型进一步分析哪些外部因素可能影响服务外包产业的投入产出效率。
　　四、投入产出效率的外因分析
　　1.效率影响因素指标的选取
　　国内学者就软件外包竞争力影响因素已经做了一些研究，在CNKI搜索栏输入关键词“软件外包”和“影响因素”，可搜索到17篇文献，主要的研究成果整理如表2所示。
　　参考已有的研究文献并考虑数据的可得性，本文选取以下指标进行考察：科技竞争力（E1）、经济开放程度（E2）、人才竞争力（E3）、资本获得的便利性 （E4）、制度竞争力（E5）和信息技术基础设施竞争力 （E6），以上数据均来源于《中国城市竞争力报告（2010）》。其中，科技竞争力通过科技实力指数、科技创新能力指数和科技转化能力指数来体现；经济开放程度由经济国际化水平、经济区域化指数、人文国际化指数和社会交流指数来体现；制度竞争力通过产权保护制度指数、个体经济决策自由度指数和市场发育程度指数三个指标来体现。
　　2.研究假设的提出
　　假设1：科技竞争力对承接效率有正向影响。
　　软件外包是知识密集型产业，科技创新能力一方面可以促进软件外包的产出，另一方面可以降低投入成本，从而提高软件外包的产出，何有世和刘旭[27]认为科技竞争力对承接效率有正向影响。
　　假设2：经济开放程度对承接效率有正向影响。
　　国际软件开发包括需求分析、系统设计、详细设计、编码和测试等环节，各个环节之间的顺畅衔接离不开发包方和接包方之间有效的沟通，而且越是高端环节的外包对接包方的沟通能力要求越高，郭冰[13]认为沟通效果的好坏往往是决定软件外包项目成败的最为关键、最为直接的因素，文化差异严重地影响着发包方和接包方的沟通效果。反映经济开放程度的指标有人文国际化指数和社会交流指数，所以假设经济开放程度与承接效率呈正相关。
　　假设3：人才竞争力对承接效率有正向影响。
　　有学者认为，人才是承接国际软件外包的核心要素，Matejic[32]认为国际软件外包已经不像制造业外包那样关注原材料和产品，而是集中目标在服务和知识上，因此，具有竞争力的人才才是国际软件外包中关注的核心要素。Zielinski[33]认为正是由于印度、中国等国家具有高素质、低成本的人才，因而大量的服务业外包转移到这些国家。所以假设人才竞争力对承接效率有正向影响。
　　假设4：资本获得便利性对承接效率有正向影响。
　　关于软件外包行业承接效率与资本获得之间的关系，目前鲜有文献进行研究。融资难问题是中国民营企业特别是民营中小企业难以做大做强的障碍之一，赵君等[30]认为影响中国软件外包行业存在的因素之一是软件企业普遍规模小，如果能有较好的融资渠道，使得资本获得的成本合适，将会对企业进行扩张，扩大企业规模提供强有力的支持。但是，软件外包不同于制造业外包，对硬件设备的需求相对较小，因而受资本约束的程度相对较小。因此，不能确定资本获得便利性与承接效率的关系。
　　假设5：制度竞争力对承接效率有正向影响。
　　制度竞争力强的城市具备完善的知识产权保护制度，个体经济具有高度的决策自由，市场发育程度高。制度竞争力越强，表明通过市场机制配备资源的能力越强，因此，包括软件企业在内的所有企业的效率越高。基于此，本文假设制度竞争力越高的城市，软件外包城市承接效率越高。
　　假设6：信息技术基础设施竞争力对承接效率有正向影响。
　　刘绍坚[18]认为由于交易成本和不可贸易性，服务外包发展比较缓慢，但是随着技术的发展，尤其是互联网信息技术的发展，使得通信成本大幅度下降，服务的数字化和代码化，也使得软件、信息等服务可以进行远距离的外包，从而推动了服务外包的迅猛发展。可见，完善的信息技术基础设施是发展软件外包业务所必需的条件，因而假设信息技术设施竞争力对承接效率有正向影响。
　　回归分析
　　本文采用21个示范城市的传统DEA综合效率值作为被解释变量，因其取值范围在0-1之间（不包括0），如果直接采用传统的最小二乘法，会给参数估计带来严重的有偏和不一致，因而采用Tobit回归模型。Tobit回归模型属于因变量受限的一种模型，当因变量为切割值（Truncated）或片段值（Cecsored）时采用。
　　以综合效率值为被解释变量，六个可能的影响因素为解释变量，使用Eviews5.1 软件进行回归分析的结果如表2所示。