金融发展与全要素生产率关系探讨

孙智勇,刘　潇

(1.山东理工大学商学院，山东淄博255000;2.青岛大学经济学院，山东青岛266071)



金融发展与全要素生产率关系探讨

孙智勇1,刘潇2

(1.山东理工大学商学院，山东淄博255000;2.青岛大学经济学院，山东青岛266071)

金融发展与全要素生产率变动之间的关系一直是国内外学者关注的热点，但有关这方面的研究尚未取得一致认识。使用中国28个省级行政区1990～2012年的面板数据，利用基于数据包络法(DEA)的Malmquist指数法，测度我国近年来全要素生产率变化情况及其分解，构建动态面板模型，利用系统GMM方法，以金融发展为核心解释变量并控制其他变量，对TFP及其分解进行分别回归，研究发现：第一，以信贷总额与GDP之比为测度指标的金融发展与全要素生产率变动不是单纯线性关系，而是存在显著非线性关系，金融发展与全要素生产率变动呈正U型；第二，金融发展对全要素生产率影响的中间途径是影响技术进步而非规模效率变化。

金融发展; 全要素生产率; Malmquist指数; 系统GMM

一、引言

改革开放以来，中国经济保持快速、稳定增长，创造了令人瞩目的“中国奇迹”。世界银行认为生产率的提高为中国经济高速增长提供了基础，然而保罗.克鲁格曼则发出“亚洲国家具有较高的经济增长率，但生产效率并没有提高，甚至降低了”这一声音。中国的经济高速发展究竟是源于资本大量投入还是源于全要素生产率提高，这一问题引起了国内外学者的关注，大量学者对中国全要素生产率进行了不同方法的测算与分析，不少学者通过理论模型或是实证检验探索全要素生产率变化的影响因素。显然，中国30年来巨大的金融发展是我们探讨经济发展问题中不容忽视的因素。虽然目前普遍被接受的观点是金融发展促进了全要素生产率的进步，然而也有学者得出不同结论，所以，这一问题仍有待探讨，本文收集我国28个省1990～2012年的面板数据，利用系统GMM方法再次探究金融发展与全要素生产率的关系。

全要素生产率的变动来源于两部分——效率变动和技术进步。将全要素生产率进行细分，并对各个分解部分也纳入经验分析，有助于我们深入理解金融发展对全要素生产率的影响及产生这种影响的作用途径，找到促进全要素生产率不断提高的可行方法，为实现中国经济健康可持续发展提供理论支持。然而目前国内对金融发展作用于全要素生产率中间通道的研究尚不多见，本文借助数据包络法(DEA)和Malmquist指数对我国各省全要素生产率进行估计，这种方法能将全要素生产率的变化细分为效率变动和技术进步，将运用此方法得到的全要素生产率变化及其分解作为被解释变量，使用同样的模型进行逐个回归，对比各个回归结果，有助于我们判断金融发展是通过效率通道还是技术通道来对全要素生产率产生影响。本文试图为已有的关于金融发展和全要素生产率的研究做出探讨中间渠道这一视角的补充。

需要指出的是，金融发展与全要素生产率的关系究竟是线性还是非线性这一问题值得做出探讨，虽然目前大部分学者所做的研究都是以一次幂线性关系做回归，其中很多文章发现设定的某些衡量金融发展的指标对全要素生产率变化的影响为负，结果看似不合常理且找不到合理的解释，研究者便怀疑所设定的金融发展指标有误，但研究者往往忽略可能存在的非线性关系。本文将设定线性模型和加入核心解释变量的二次项的非线性模型，探讨金融发展与全要素生产率之间的关系究竟是线性还是非线性，以及可能存在怎样的非线性关系。

另外，基于中国省际面板数据进行实证研究往往会存在内生性问题，且全要素生产率的变化不仅受到金融发展及其他控制变量影响，同时也受其滞后期影响，故本文的实证模型中引入被解释变量的滞后项，为保证模型参数估计的有效性，必须选择合适的估计方法来消除因滞后项而引起的内生性问题。一般的面板数据回归方法如固定效应回归和随机效应回归都无法解决内生性问题，本文采用动态面板系统GMM ( System GMM)中的两步法(two-step system GMM)来合理控制内生性问题并得到回归结果。

二、文献综述

关于金融发展能够通过何种渠道促进生产率提高进而促进经济增长这一问题，很多学者对此进行了理论模型分析。Bencivenga和Smith(1991)认为金融中介能够帮助企业有效控制流动性风险，银行存款为企业提供资金来源，故企业可把更多资本投入生产而不是置于流动性状态[1]195。金融机构有收集和处理信息的功能，借助这种功能，金融机构能主动将资金投向回报率更高的项目。有效的金融制度分散了流动性风险,因此,企业可不为预防流动性风险预留过多资金而是将资金转向回报率更高的用途，从而提高生产率。

技术创新实际上是长期经济增长的动力,大量学者以金融发展促进技术创新作为切入点研究金融发展对全要素生产率的影响。King和Levine(1993)认为,金融机构能够评估企业所进行的风险性创新活动然后考虑是否提供融资[2]513；同时金融机构能缓解创新型企业的外部融资约束，通过提高创新的成功率，金融发展对生产率进而对经济增长产生积极影响。发达的金融市场可以为最有效率的投资活动提供足够资金，并且分散创新活动产生的风险，故金融机构对企业创新有重要影响，进而影响生产率。

Dela Fuente和Martin(1996)基于企业家努力程度决定了企业创新成功的概率这一假设，认为金融中介作为监测企业家努力程度的代理监督者，能够督促企业家更加努力，从而提高企业创新成功的概率[3]769，同时，金融中介能降低监督成本，企业更容易获得贷款，从而产生更高水平的创新活动。

在经验研究方面，代表性的文章为King和Levine(1993)，他们设定了一系列测度金融发展程度的指标，利用跨国面板数据研究发现，金融发展与资本积累效率提升和经济增长之间表现为显著正相关关系[4]717。但他们的研究并未考虑内生性问题。使用国家层面的数据，Levine 和 Zervos(1998)通过分析资本市场发展、银行发展和长期经济增长间的关系,发现资本市场流动性和银行发展对生产率增长具有积极影响且较为稳健,他们认为分散的、并且更好的金融服务能够提高经济体的生产技术水平[5]1169。Beck等(2000)为控制内生性，创新性地利用法律起源作为金融发展的工具变量，他们的研究认为金融发展对全要素生产率增长具有显著正面影响，且其影响稳健[6]261。他们的跨国分析表明，63个国家的金融中介在长期对全要素生产率产生了较大的积极影响，并最终促进了经济增长。

然而，对金融发展是否一定促进全要素生产率增长这一问题存在许多争议，如 Benhabib 和 Spiegel (2000)发现并不是所有的金融指标都对全要素生产率产生显著正面效应[7]341。甚至Guariglia等(2008)发现，他们所构建的金融发展指标与中国全要素生产率增长的关系显著为负[8]633。

基于中国数据的经验分析也日渐丰富。Aziz和Duenwal(2002)使用十年中国省级面板数据研究发现银行贷款与GDP之比对我国TFP无显著影响[9]。张军、金煜(2005)同样使用我国省级面板数据回归发现，金融发展显著促进全要素生产率的增长[10]34。Guariglia和Poncet(2008)设定了多个金融发展指标，以1989～2003年省级面板数据为基础，利用系统GMM方法进行估计，研究发现，固定资产投资中银行贷款/财政拨款显著促进TFP的增长;其他如银行贷款与GDP之比甚至对TFP的增长具有显著负面影响[11]633。

需要指出的是，在已有文献中，研究者大多研究金融发展与全要素生产率之间的关系，而很少有学者考虑金融发展对全要素生产率产生影响的中间渠道。在这一方面，Arestis等(2006)基于数据包络(DEA)方法探讨了金融发展促进TFP增长的中间渠道，研究发现金融发展具有技术效率增长效应[12]417。Jeanneney等(2006)基于中国省级面板数据利用数据包络分析(DEA)Malmquist指数将TFP进行分解，发现金融发展对TFP的增长及其技术效率的增长具有显著正面影响[13]27。本文借鉴前人的研究，利用基于数据包络分析(DEA)的Malmquist指数，进一步探讨金融发展与全要素生产率之间的作用渠道。

另外，有研究发现金融发展对于全要素生产率的影响可能是非线性的，如Rioja和 Valev(2004)认为，单纯的线性关系可能无法很好解释指标复杂的金融发展与全要素生产率的关系[14]127，本文以此为启示，利用我国省级面板数据探讨二者之间是线性关系还是非线性关系，以及可能存在怎样的非线性关系。

三、理论机制分析

金融发展能够通过多种渠道促进生产率的提高进而促进经济增长,概而言之，金融发展提高TFP的途径主要分为两种：一种是金融发展→提高资源配置效率→提高TFP；另一种是金融发展→促进技术进步→提高TFP。

(一)提高资源配置效率

金融中介降低了流动性风险，有效的金融制度分散了流动性风险, 企业可不为预防流动性风险预留过多资金而是将资金转向回报率更高的用途,银行存款为企业提供资金来源，故企业可把更多资本投入生产，而不是让资金处于流动性状态，从而有效地提高资源配置效率。

金融体系的基本功能就是优化资源配置。金融中介收集信息能够获得规模经济，能够有效对各个可供选择的投资项目进行准确评估，从而资源将被分配到回报率更高的项目中去，即金融发展能够促进资源配置优化，进而提高TFP。

(二)促进技术进步

内生增长理论认为，技术创新是长期经济增长的动力,这也是本文所列金融发展促进生产率提高的第二种途径。大量学者以金融发展促进技术创新作为切入点研究金融发展对全要素生产率的影响。金融机构有信息优势，随着金融发展程度的不断深化，金融机构能够利用这一优势更好地发挥其中介作用,有助于提高资本的边际产出率，从而可减少一部分投入生产的资本，而将这部分资本用于生产研发，促进技术进步从而提高生产效率。

随着金融发展不断深化，储蓄率得以提高，提高储蓄率能够促进技术进步从而促进TFP。金融抑制理论认为金融自由化一个重要方面是取消利率上限，使利率处于市场均衡水平。利率上升会提高私人储蓄率，更好地发挥金融体系动员储蓄的功能。储蓄增加，金融中介便有能力向更多的创新型企业提供融资服务，从而推动技术进步。内生增长理论同样认为，全要素生产率的提高需要大量研发资金投入，这从另一角度肯定了提高储蓄对技术进步的正面作用。因此，金融发展可以进一步提高储蓄率，加快技术进步，并最终提高全要素生产率。

金融市场能够评估企业所进行的风险性创新活动，然后考虑是否提供融资，即通过风险分散来促进技术进步，进而影响TFP 。研发过程中充满不确定性，这使得创新型企业面临巨大不确定性风险，而一个完善的金融市场能够有效地对风险进行跨期分散，提高企业技术创新成功率。金融市场分散投资风险从而鼓励企业采用更加专业化的技术；同时健全的金融机制能为创新性企业提供融资服务，缓解创新性企业可能面临的外部融资约束，进而鼓励企业进行创新活动，从而有效地促进技术进步，促进TFP发展。

金融中介作为监测企业家努力程度的代理监督者，能够督促企业家更加努力，从而提高企业创新成功概率；同时，金融中介能降低监督成本，企业更容易获得贷款，从而产生更高水平的创新活动。姚耀军(2011)认为金融发展能够使金融中介更好的发挥其监督作用，为技术创新以及为企业提供融资服务来推动技术进步[15]144。

四、实证检验

(一)指标说明与模型设定

1. TFP的测算。生产率通常可分为单要素生产率(Single Factor Productivity ,SFP)和全要素生产率(Total Factor Productivity ,TFP)。本文所要研究的对象是全要素生产率，它是指“生产活动在一定时间内的效率”。全要素生产率的增长率通常被看作是科学和技术进步的指标。全要素生产率的来源包括技术进步、组织创新、专业化和生产创新。

经济增长不仅取决于资本、劳动等要素投入，还取决于全要素生产率。目前全要素生产率的测算方法有多种，大致可分为生产函数法、生产前沿面法和指数法。生产函数法也称索洛余值法，该方法首先由索洛提出，其基本思想是估计的总生产函数，产出增长率扣除各投入要素增长率后计算全要素生产率的增长。目前已有很多学者利用这种方法对我国全要素生产率进行测算，如张军(2003)[16]35、郭庆旺等(2005)[17]60、涂正革等(2006)[18]22等。但该方法有缺陷和不足:全要素生产率实际上会因投入要素度量的不准确以及生产函数中必需的变量考虑不全面而引起计算误差；同时，生产函数法需设定函数参数，而参数估计的准确性难以保证。

本文采用基于DEA模型的Malmquist指数法，原因主要如下：首先，Malmquist指数法属于非参数方法，不需要生产函数进行参数设定，这样就不会出现模型设定错误；其次，也是本文选择此方法的最主要原因，即利用Malmquist指数法所获得的TFP增长指数还可以被进一步分解，同时将TFP增长指数与其分解的各项指数作为被解释变量分别进行回归，有助于我们在分析金融发展对TFP影响的同时，找到这种影响的中间渠道。

本研究依据的理论基础是经济增长理论中的生产函数。DEA模型对投入产出变量的选择要求十分严格，研究的具体投入变量和产出变量的指标设定和数据来源见表1。

表1　测算TFP所需指标说明

本文使用永续盘存法估算资本存量，估算方程为：

Kit=(1-δ)Kit-1+Iit

其中，δ为固定资本投资的折旧率(采用5%)，Ιit为i省(市)第t年的固定资本投资额(使用1990年为基期的固定资产投资价格指数进行平减)。基年为1990年，用gi表示样本时期内i省(市)固定资本投资平均增长率，基年固定资本存量可由下式计算得到：

Ki1990=Ii1990/(gi+δ)

本文使用Deap2.1软件，把每一个省看作一个生产决策单位，得到1990～2012年中国28个省的全要素生产率变动情况。表2为中国1990～2012年各省全要素生产率年度平均值的变化。

2.金融发展水平的衡量。衡量金融发展的最常用指标包括M2/GDP、现存金融资产总额/国民财富，即金融相关比率等，本文将金融发展(FD)构造为信贷总额占GDP之比。

3.控制变量说明。除不断深化的金融发展过程导致全要素生产率的提高，很多其他因素也推动或阻碍了生产率进步，在检验金融发展与全要素生产率之间的关系时需要控制这些变量。

城市化水平(URBAN)。各省城市化水平为各省城镇人口与其总人口之比，我们预期城市化水平对TFP有正向影响。

外商直接投资(FDI)。外商直接投资是发展中国家技术变迁的重要源泉之一。理论上说外商直接投资可以把优质资本、先进技术和管理经验转移到本国,从而改善本国的TFP，但FDI也存在挤出效应，故而FDI与TFP的关系有待进一步分析验证。

对外开放(TRADE)。改革开放以来，中国的进出口成为经济增长的重要动力之一，本文使用各省份进出口额占GDP比重作为对外开放程度的代理变量。

政府支出规模(GOV)。我们用政府财政支出与各省GDP之比来衡量政府支出规模，而政府支出有增长效应和挤出效应，前者对经济发展有正向推动作用，后者则表现出抑制作用，所以若其增长效应强于挤出效应或不存在挤出效应则政府支出规模对TFP显现正影响；若其增长效应弱于挤出效应或不存在增长效应则显现负向影响。

教育(EDU)。各省份人力资本存量或者有关教育发展程度的数据无法从官方统计资料中直接获取，故本文借鉴陈钊等的估测方法来估计我国各省份的教育发展水平。具体计算方法为:人均受教育年限=(样本含小学文化程度人口数×6+初中×9+高中×12+大专及以上×16)/六岁以上抽样总人口。

表2　TFP测算结果

资料来源：1990～2008年数据来自《新中国60年统计资料汇编》，2008～2012年数据来自2008～2013年《中国统计年鉴》，其中FDI自2009～2012年数据来源于CEIC数据库。

各指标对应：Effch——技术效率变化；Techch——技术进步；Pech——纯技术效率变化；Sech——规模效率变化；Tfpch——全要素生产率变化。

(二)变量统计性分析

重庆1997年成为直辖，对比《新中国50年统计汇编》和《新中国60年统计汇编》,本文发现1990～1996年重庆和四川的数据比较混乱，而年鉴上并未给出明确说明，查阅各方资料也未找到准确解决办法。为保证数据的准确性，本文将重庆和四川从样本中剔除。西藏数据缺失严重，且已有的数据准确性难以保证，故本文也将其剔除。同样，这里不含港澳台，故本文使用中国28个省级行政区1990～2012年的数据，测算出时间长度为22年TFP的Malmquist指数，参与回归的所有变量均包含616个观测值，各变量均值、方差、最大值和最小值如表3。

表3　变量统计性分析

(三)模型设定

本文使用的估计模型统一如式(1)：

Yit=αi+βlagYit+γFDit+∑λitControljit+εit

(1)

其中，Y表示被解释变量，由于TFP的变化不仅受金融发展影响，也受其自身滞后一期的影响，故本文使用动态面板模型，其中lagY 表示被解释变量的滞后项。本文用全要素生产率变化以及它的各项分解：效率变化、技术变化、纯技术效率变化、规模效率变化分别作为被解释变量进行回归；FD为各省不同年度的金融发展水平;Control表示控制变量； α 、β、 λ、 γ均为待估计参数。

TFP不仅受到金融发展及其他控制变量影响，同时也受其滞后期影响，故本文的实证模型中引入被解释变量的滞后项，故模型中必定存在内生性问题。为解决这一问题，本文使用系统GMM法 ( System GMM)，并进行Sargan检验；同时，本文就残差项是否存在一阶和二阶序列自相关进行了检验。

(四)回归结果及分析

本研究使用Stata12.0软件，根据回归方程(1)对TFP及其分解分别进行回归，回归结果见表4。

表4　线性回归结果

注：括号内为t统计量，*、** 和 *** 分别表示在10%、5%和1%的统计水平上显著。

列(1)为以TFP变化为被解释变量的回归结果，列(2)～(5)分别是以效率变化、技术变化、纯技术效率变化、规模效率变化为被解释变量的回归结果。

表4中各个回归均通过Sargan检验，说明本文GMM估计方法选取的工具变量是有效的，AR1各列P值均小于0.1，拒绝不存在序列相关的原假设，说明一阶序列相关，AR2 各列P值均大于0.1，接受原假设，即二阶序列不相关，上述检验结果表明本文使用系统GMM是合理有效的。

由表4可以看出，被解释变量的滞后一期作为解释变量加入回归方程的回归结果均非常显著，说明TFP及其分解的各指数均受自身上期影响。而核心解释变量金融发展(FD)系数在列(1)(2)(3)(5)中均为负，仅在列(4)中为正，且不显著，这与我们所预期的金融发展能够促进全要素生产率的提高不相符。本文认为出现这种结果可能是因为金融发展与全要素生产率的关系并非为简单的线性，而可能存在非线性关系，为考察是否有非线性关系，本文将金融发展指标的二次项加入回归，得到调整后的回归方程(2)。

(2)

根据回归方程(2)得到的回归结果如表5。

对于上述计量结果的可靠性，本文对工具变量的有效性和模型设定正确与否进行了检验：Sargan检验的结果表明不能拒绝工具变量为过度识别的原假设，即工具变量的选择是有效的；残差序列相关的检验中AR(2)的P值大于0.05，可以推断原模型的误差项不存在二阶序列相关性，从

表5　非线性回归结果

注：括号内为t统计量* 、 ** 和 *** 分别表示在10%、5%和1%的统计水平上显著。

而保证了模型使用的合理性。

表5中列(1)中金融发展一次项(fd)系数显著为负，二次项(fd2)系数显著为正，表示金融发展与全要素生产率的关系呈现U型，即先下降再上升，金融发展程度越高，越阻碍全要素生产率的增长，当金融发展程度到达一定门槛值时，其开始对全要素生产率的增长产生促进作用。这种U型关系在列(3)以技术变化为被解释变量的回归结果中也非常显著(金融发展的一次项和二次项系数均在1%的统计水平上显著)。而在列(2)(4)(5)中金融发展的系数均不显著，这也说明金融发展是通过影响技术进步从而对全要素生产率产生影响，其对全要素生产率影响的中间途径是影响技术进步而非规模效率变化。

我们来看列(1)中各控制变量的回归情况，其中外商直接投资和对外贸易对全要素生产率的增长有正向影响，且影响较为显著，外商直接投资的系数在10%的统计水平上显著，而对外贸易的系数显著性水平为1%，这符合本文理论预期，也与大部分研究结果相一致。

城市化水平(urban)和政府支出(gov)的系数均为正，但均不显著，而在表5(5)中教育水平(edu)对全要素生产率的回归系数显著为负，这与理论预期背道而驰，一般来说，地区的教育水平越高，其越能促进全要素生产率提高。为试图修正这一不合理结果，本文在模型(2)中加入教育水平的二次项(edu2)，回归结果显示：教育水平的二次项系数为负，而其一次项系数为正，整体呈现正U型，即受教育水平的升高促进全要素生产率提高，但受教育水平达到一定临界值后则对全要素生产率的提高产生负面影响。本文认为出现这种结果的可能解释为：受教育水平在一定范围内的提高能促进技术进步，而当其超过这个范围后这种技术促进作用逐渐减弱，出现不良竞争作用从而抑制了生产率增长。

对比列(1)和其他各列，我们发现在列(1)中系数显著的变量在列(3)中也均显著，而在剩余各列中不显著，这进一步说明，在本文所设定的模型下，金融发展对全要素生产率的影响是通过影响技术水平变化来实现的。

五、结论

本文利用中国28个省级行政区1990～2012年的数据对各省全要素生产率(TFP)变动进行了估算，并以TFP及其分解的各个指标作为被解释变量，利用系统GMM法进行回归，得到以下结论。

以信贷总额与GDP之比为测度指标的金融发展与全要素生产率变动不是单纯线性关系，而是存在显著的非线性关系。金融发展与全要素生产率变动呈现正U型，金融发展程度越高，越阻碍全要素生产率越的增长，当金融发展程度到达一定门槛值时，其开始对全要素生产率的增长产生促进作用。这种U型关系在以技术变化为被解释变量的回归结果中也非常显著。金融发展通过影响技术进步从而对全要素生产率产生影响，其对全要素生产率的影响的中间途径是影响技术进步而非规模效率变化。

新古典增长理论表明，长期来看，全要素生产率的增长是经济可持续发展的唯一源泉，进一步分析金融发展对全要素生产率变动的影响对保持我国经济高速增长，实现经济健康、可持续发展具有重要的政策性意义。本文研究发现金融发展与全要素生产率变动存在非线性关系，金融发展对全要素生产率的促进作用可能存在门槛效应，具体表现为何种门槛类型以及门槛值为多少这一问题还未解决，这将是下一步需要研究的内容。

[1]Bencivenga V R,Smith B D.Financial intermediation and endogenous growth[J].The Review of Economic Studies,1991,(2).

[2]King R G, Levine R. Finance, entrepreneurship and growth[J]. Journal of Monetary economics, 1993,(3).

[3]De la Fuente A,Marin J M.Innovation,bank monitoring,and endogenous financial development[J].Journal of Monetary Economics,1996,(2).

[4]King R G,Levine R.Finance and growth:Schumpeter might be right[J].The quarterly journal of economics,1993,(3).

[5]Levine R, Zervos S. Capital control liberalization and stock market development[J].World Development, 1998, (7).

[6]Beck T,Levine R,Loayza N.Finance and the Sources of Growth[J].Journal of financial economics,2000,(1).

[7]Benhabib J, Spiegel M M. The role of financial development in growth and investment[J].Journal of economic growth, 2000, (4).

[8]Guariglia A, Poncet S. Could financial distortions be no impediment to economic growth after all? Evidence from China[J]. Journal of Comparative Economics, 2008, (4).

[9]Aziz J, Duenwald C. Growth-financial international Nexus in China[J]. IMF Working paper, 2002.

[10]张军, 金煜. 中国的金融深化和生产率关系的再检测: 1987～2001[J]. 经济研究, 2005, (11).

[11]Guariglia A, Poncet S. Could financial distortions be no impediment to economic growth after all? Evidence from China[J]. Journal of Comparative Economics, 2008, (4).

[12]Arestis P, Chortareas G, Desli E. Financial development and productive efficiency in oecd countries: an exploratory analysis[J].The Manchester School, 2006, (4).

[13]Guillaumont Jeanneney S, Hua P, Liang Z. Financial development, economic efficiency, and productivity growth: Evidence from China[J].The Developing Economies, 2006, (1).

[14]Rioja F, Valev N. Finance and the sources of growth at various stages of economic development[J].Economic Inquiry, 2004, (1).

[15]姚耀军, 曾维洲. 金融发展和全要素生产率: 一个文献回顾[J]. 浙江社会科学, 2011 ,(3).

[16]张军, 章元. 对中国资本存量 K 的再估计[J]. 经济研究, 2003,(7).

[17]郭庆旺, 贾俊雪. 中国全要素生产率的估算: 1979-2004[J]. 经济研究, 2005, (6).

[18]涂正革, 肖耿. 中国经济的高增长能否持续[J].世界经济, 2006,(2).

(责任编辑鲁守博)

2016-02-21

孙智勇，男，山东淄博人，山东理工大学商学院副教授；刘潇，女，山东日照人，青岛大学经济学院研究生。

F830.2

A

1672-0040(2016)03-0010-08