供给侧改革背景下我国全要素生产率的实证分析

徐小鹰

（中南民族大学 经济学院，武汉 430074）

0 引言

2015年习近平总书记提出了“供给侧结构性改革”概念，指出“在适度扩大总需求的同时，着力加强供给侧结构性改革，着力提高供给体系质量和效率，增强经济持续增长动力”。根据经济学原理，从供给侧因素分析，一国GDP应该由劳动、投资和效率（全要素生产率，即TFP）这三大因素决定，如果这三大因素假定所有的资源都得到优化配置，就会达到潜在增长率。但是，从目前我国现实情况来看，投资边际效率不断下降，人口红利也在逐渐消失，因此，提高经济潜在产出水平、增强经济持续增长动力的核心就在于提高全要素生产率，换言之，供给侧结构性改革意味着未来的宏观经济政策将会把主要精力放在通过改革来提高全要素生产率上。因此，在这样的背景下，研究我国全要素生产率显得尤为必要。

早在20世纪四五十年代有学者对全要素生产率就进行过研究，之后Solow（1957）明确界定了TFP概念，并指出TFP是用来衡量除去所有有形生产要素以外的技术进步和能力实现等导致的产出增长，可以综合反映技术效率的变化和技术进步。后来，国内外众多学者采用Malmquist指数对全要素生产率进行了研究。与现有研究相比，本文将从以下几个方面进行拓展分析：一是以传统投入-产出模型为基础，采用DEA-Malmquist方法对全国、30个省份和东中西部区域的全要素生产率加以估算，并进行指数分解；二是采用非期望产出的SBM模型估算出资源环境约束下的全国、30个省份和三大区域的ML指数，并加以指数分解；三是对不同层面的无资源环境约束和存在资源环境约束下的各个效率指数进行比较分析，以及对不同区域的生产率情况加以比较。

1 研究方法

1.1 非期望产出的SBM模型

DEA方法最初是基于径向和角度对效率进行测度的。基于径向是指在进行效率测度之前要先设置投入导向（Input-oriented）或者产出导向（Output-oriented），基于角度则强调只能从产出或投入某一个角度来测算效率。若选择基于径向来测算效率，那么投入产出如果出现非零松弛变量时，则最初的DEA方法由于不能测算出松弛变量导致的影响将会无效。

为了解决这一难题，Tone Karou（2001）首先提出了基于松弛的（Slack-based measure，SBM）非径向和非角度的效率测算方法，该方法将松弛变量引入目标函数中，避免了径向和角度选择不同所造成的偏差。

这里假设有n个决策单元，m种投入，s种好产出，其中好产出和坏产出分别为s和s2，则非期望产出的SBM模型表示为：

其中，s-、sg、sb分别表示投入、好产出和坏产出的松弛变量。目标函数满足对投入和产出松弛变量的单调递减，且0≤ρ≤1。当ρ=1，即松弛变量均为零，决策单元有效，反之则是无效的，存在着投入和产出改进的必要性。

1.2 Malmquist指数

在对生产率的研究中，国外学者往往采用数据包络分析法中的Malmquist指数（M指数）来测算不同时期全要素生产率的动态变化。Fare等（1994）构造了一个基于产出距离函数的Malmquist生产率指数，并将其分解为技术效率变化指数（EFFM）和技术进步指数（TECHM）两个部分。根据Fare的观点，可将产出方向的、从t期到t+1期的Malmquist指数定义为：

当Malmquist指数大于1时，表示全要素生产率提高；当Malmquist指数小于1时，表示全要素生产率下降；当Malmquist指数等于1时，表示生产率不变。

1.3 Malmquist-Luenberger指数

Chung等（1997）在M指数基础上引入环境因素，同时结合方向性距离函数来研究生产率变化，将M指数进一步扩展为ML指数，并将其分解为技术效率变化指数（effml）和技术进步指数（techml）两个部分。这里假设一项生产活动使用m种投入x=(x1，…，xm)∈，生产出s种好产出y=(y1，…，ys)∈，以及 k 种坏产出 b=(b1，…，bk)∈。根据Chung等（1997）的方法，将t期到t+1时期的全要素生产率的变化定义为：

上述指数中，ML大于1表示全要素生产率提高，反之则下降；EFFML表示技术效率的相对变化情况，EFFML大于1表示技术效率提高，反之则技术效率降低；TECHML表示技术生产前沿面的推进情况，TECHML大于1表示技术进步，反之则表示技术倒退。

2 变量选择与数据处理

按照上文的研究方法，这里将分别选取全国、东中西部和30个省份1996—2016年的投入、期望产出和非期望产出的数据。考虑到西藏地区众多变量数据的缺失，故这里将西藏排除。不同年份的投入和产出变量的数据主要来源于历年的《中国区域经济统计年鉴》《中国环境统计年鉴》《中国能源统计年鉴》和《中国统计年鉴》。

（1）好产出变量：本文选取以2000年为基期的实际国内生产总值。

（2）坏产出变量：关于坏产出变量的选择，目前学术界存在着较大的争议。本文主要选择的污染物排放指标包含SO2、CO2、废水排放量和烟尘排放量。由于中国统计年鉴中没有直接给出CO2的排放数据，本文将CO2的主要来源界定为石油、煤炭和天然气这三种能源，借鉴国家发改委能源研究所（2003）和IPCC（2006）的方法，然后结合这三种能源的碳排放系数计算得出CO2的数值。参考李铠和齐绍洲（2011）的研究成果，石油、煤炭和天然气的CO2排放系数分别为：2.136、2.741和1.626（万吨/万吨标准煤。

（3）投入变量

①劳动投入：选取历年从业人员数量作为劳动投入。

②资本投入：资本存量的数据统计年鉴没有直接给出，通常采用永续盘存法计算得出。本文所采用的数据将借鉴单豪杰（2008）的测算结果，同时将各年的资本存量数据调整为以2000年为基期。

③资源投入：将资源等投入纳入到效率测算中，主要是作为非期望产出的对应来源。本文以各个省的能源消耗总量为基础数据，折算成标准煤计算，单位为万吨标准煤。

3 实证分析

根据上述研究方法，采用Maxdea6.6软件，首先基于时间序列测算出全国全要素生产率指数，并将其分解为技术效率变化指数和技术进步指数两个部分。为了加以区分，分别用EFFM、TECHM和TFPM表示不考虑资源环境约束的技术效率变化指数、技术进步指数和全要素生产率指数，用EFFML、TECHML和TFPML表示资源环境约束下的技术效率变化指数、技术进步指数和全要素生产率指数；其次，基于面板数据测算出30个省份的生产率指数；最后，在面板数据分析的基础上，对东中西部三大区域的生产率情况进行比较分析。

3.1 基于全国数据的分析

1996—2016年全国M指数和ML指数的分析如下页表1所示。

由表1的测算结果可知，两种情况下的TFP总体上均呈现波动下降的趋势。1996-2014年间不考虑资源环境约束的TFP平均增长率为2.0%，其中，技术效率提高了0.6%，技术进步率为1.4%。相比之下，在资源环境约束下TFP增长率为0.3%，低于传统TFP增长率，而技术效率指数和技术进步指数分别为0.1%和0.2%，这说明如果不考虑资源环境的约束，则全要素生产率及其分解指数均会被高估，在资源环境约束下，我国技术效率、技术进步及全要素生产率的提升均不明显。

3.2 基于省际面板数据的分析

在对全国全要素生产率进行总体分析之后，为了进一步研究各个省份的具体情况，这里将以30个省份的面板数据为样本进行M指数和ML指数的分析。如下页表2所示。

从30个省份的生产率指数来看，不考虑资源环境约束的全要素生产率及其分解指数明显高于资源环境约束下的各个指数。在资源环境约束下，TFP下降的省份高达17个，远远高于不考虑资源环境约束下的6个省份。对于大多数省份来讲，技术进步对TFP增长的贡献高于技术效率。

表1 1996—2016年全国M指数、ML指数及分解

表2 1996—2016年30个省份M指数、ML指数及分解

3.3 基于区域数据的比较分析

由上述分析可知，我国30个省份的技术效率、技术进步及TFP不尽相同，为了进一步了解不同区域的相关指数，这里将30个省份划分为东部、中部和西部三大区域，研究三大区域在两种不同情况下的生产率指数，并将三大区域进行比较分析。如表3至表5所示。

表3 1996—2016年我国东部地区M指数、ML指数及分解

表4 1996—2016年我国中部地区M指数、ML指数及分解

表5 1996—2016年我国西部地区M指数、ML指数及分解

从各区域的生产率指数来看，无资源环境约束时东中西部的TFP增长率分别为2.8%、1.6%和1.3%，明显高于资源环境约束下三大区域的生产率指数，即0.7%、0.2%和0.1%。在三大区域中，东部和中部的技术进步对TFP的贡献要大于技术效率的贡献，而西部地区全要素生产率的提高主要得益于技术效率。

东部地区的生产率在1996—2016年期间大体呈现波动下降的趋势，而中部和西部地区均呈现出先下降后上升的趋势，2010年之前东部地区生产率指数明显高于中部和西部，而之后则低于中部和西部，这在很大程度上与国家区域政策的宏观调控有关。

4 结论

本文以1996—2016年我国的全国时间序列数据和30个省份的面板数据为样本，采用传统的投入-产出模型和非期望产出的SBM模型，测算出了全国、30个省份及东中西部的M指数和ML指数，分析得到以下结论：

（1）从全国范围来看，无论是否考虑资源环境约束，全要素生产率总体上均呈现波动下降的趋势，且技术进步对TFP的贡献大于技术效率，如果不考虑资源环境的约束，则全要素生产率及其分解指数均会被高估。

（2）从各个省份的分析数据来看，不考虑资源环境约束的全要素生产率及其分解指数明显高于资源环境约束下的各个指数。在资源环境约束下，全要素生产率指数下降的省份数量远远高于不考虑资源环境约束下的省份数量。对于大多数省份来讲，技术进步对TFP增长的贡献高于技术效率。

（3）从各区域分析数据来看，无资源环境约束时三大区域的TFP增长率明显高于资源环境约束下的生产率指数。在三大区域中，东部和中部的技术进步对TFP的贡献要大于技术效率的贡献，而西部地区全要素生产率的提高主要得益于技术效率。东部地区的生产率在1996—2014年期间大体呈现波动下降的趋势，而中部和西部地区均呈现出先下降后上升的趋势，2010年之前东部地区生产率指数明显高于中部和西部，而之后则低于中部和西部，这说明国家西部大开放战略和中部崛起战略的实施对我国区域经济增长具有显著的影响。

[1]Chung Y H,Fare R,Grosskopf S.Productivity and Undesirable Out⁃puts:A Directional Distance Function Approach[J]．Journal of Envi⁃ronmental Management,1997,(51).

[2]Fare R,Grosskopf S,Pasurka C A．Environmental Production Func⁃tions and Environmental Directional Distance Functions[J].Energy,2007,(32).

[3]Cooper W W,Seiford L M,Tone K.Data Envelopment Analysis Sec⁃ond Edition[M].Boston:Kluwer Academic Publishers,2007.

[4]Dong H O.A Global Malmquist-Luenberger Productivity Index—An Application to OECD Countries 1990—2004[J].Journal of Productivi⁃ty Analysis,2010，(34).

[5]Tone K.A Slacks-based Measure of Efficiency in Data Envelopment Analysis[J].European Journal of Operational Research，2001，(30).

[6]单豪杰.中国资本存量K的再估算:1952—2006[J].数量经济技术经济研究,2008,(10).

[7]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).

[8]胡鞍钢,郑京海.考虑环境因素的省级技术效率排名:1999—2005[J].经济学（季刊）,2008,(3).

[9]李静.环境约束下的中国省区效率差异研究:1990—2006[J].财贸研究,2009,(1).

[10]刘瑞翔,安同良.资源环境约束下中国经济增长绩效变化趋势与因素分析——基于一种新型生产率指数构建与分解方法的研究[J].经济研究,2012,(11).

[11]王兵,吴延瑞,颜鹏飞.中国区域环境效率与环境全要素生产率增长[J].经济研究,2010,(5).

[12]王志刚,龚六堂,陈玉宇.地区间生产效率与全要素生产率增长率分解（1978—2003）[J].中国社会科学,2006,(2).

[13]颜鹏飞,王兵.技术效率、技术进步与生产率增长：基于DEA的实证分析[J].经济研究,2004,(12).

[14]易纲,樊纲,李岩.关于中国经济增长与全要素生产率的理论思考[J].经济研究,2003,(8).

[15]章祥荪,贵斌威.中国全要素生产率分析：Malmquist指数法评述与应用[J].数量经济技术经济研究,2008,(6).

[16]张少华,蒋伟杰.中国全要素生产率的再测度与分解[J].经济研究,2014,(3).

[17]张自然,陆明涛.全要素生产率对中国地区经济增长与波动的影响[J].金融评论,2013,(1).