服务业全要素生产率研究综述

王雪瑞,刘志宽,王藤润,李峥嵘

(1.内蒙古财经大学 商务学院,内蒙古 呼和浩特 010070;2.内蒙古财经大学 工商管理学院,内蒙古 呼和浩特 010070)

一、引言

“鲍莫尔-福克斯假说”认为随着社会生产效率的增长,劳动力将从制造业向服务业转移,使得名义工资提高,增加服务业生产成本,在社会稳定发展的情况下,服务业劳动力比重增加,整个社会的经济效率会下降。在经济生产中,生产者作为系统中的各个要素的综合生产率,被称为全要素生产率(TFP)。有学者研究发现,服务业TFP并不比制造业低。同时,在新的时代背景下,中国服务业相关行业经济蓬勃发展,自2014年中国服务业增加值增量占GDP增量的比重(49.9%)超过第二产业(45.6%)成为第一大产业后,每年仍以2.72%的速度增长,2019年达到63.5%。2019年中国服务业就业人员数占总就业人员数的47.1%,服务业已成为吸纳就业的主要渠道。

目前,关于服务业TFP的研究主要集中于运用不同的测算方法(生产函数法、随机前沿分析(SFA)、指数法和数据包络分析(DEA))和数据类型(区域面板或行业面板)进行分析,这对于充分认识服务业TFP的增长方向,区域和行业差异具有重要意义。同时,许多学者对服务业TFP的影响因素进行研究,主要包括竞争力、对外直接投资(FDI)、人力资本、创新、科技、贸易以及制度安排等。服务业TFP的研究现已成为学术界、国家重点关注的热点话题,大量学者对服务业TFP展开了深入研究,对相应政策的制定提供了理论支持。然而,现有研究表现为统计方式多样化、测算方法复杂化和测算结果差异化,并不能为相应政策的有效制定提供正确的参考,如何科学、有效测算服务业TFP,形成统一标准,是当前学术界致力于解决的重要课题。本文对服务业全要素生产率的研究进行文献梳理,首先对服务业TFP测算方法进行介绍和比较,在此基础上,就中国服务业发展情况,分别从国家层面、区域层面以及行业层面对服务业TFP研究进行综述,并进行服务业TFP收敛性分析的总结,最后从理论角度讨论了服务业TFP的影响因素。

二、服务业TFP测算方法

“鲍莫尔-福克斯假说”的提出引起了经济学家的极大兴趣,学者们开始重视对服务业生产率的研究和测算。鲍莫尔等人假设劳动是唯一的要素投入,所以劳动生产率成为早期研究焦点。随着研究的深入,人们发现服务业劳动生产率增长主要来源于TFP,因此,服务业TFP成为重点研究对象,同时,TFP的测算是研究中最基础的一部分。

根据是否需要预先假设具体的生产函数形式,将目前测算TFP的主流方法分为参数方法、非参数方法以及半参数方法,其中,参数方法主要包括生产函数法、随机前沿分析(SFA)等;非参数法主要包括指数法、数据包络分析(DEA)法等;半参数方法包括Olley-Pakes方法(OP法)和Levinsohn-Petrin方法(LP法)等,本文将依次对各方法进行简述。

(一)生产函数法

Charles Cobb与Paul Douglas通过对20世纪初期的美国制造业数据的核算,提出C-D生产函数。1942年Tingbergen将国民收入核算与计量研究进行整合,把时间趋势项与C-D生产函数结合起来,自此经济效率问题可以通过计量手段进行测算。Solow在此基础上提出索洛余值法,将总产出的增长中除去资本和劳动增长以外的部分定义为技术进步对经济增长的贡献。中国学者利用C-D生产函数与索洛余值法对服务业生产率进行了大量研究,杨勇利用C-D生产函数对中国服务业TFP进行测算,并与部分国家的已有测算结果进行比较[1];郭克莎利用生产函数法测得其研究期内中国第三产业TFP的平均增长率为2.58%;在索洛余值法的基础上范巧通过空间计量分析框架做出改进,从而使测度得到的生产率更加贴近实际值。生产函数法的基本思路如下:

在希克斯中性技术假设下,我们把生产函数的形式设定为:

Y(t)=A(t)F((t),L(t))

(1)

其中,Y(t)表示总产出,A(t)表示技术水平,K(t)表示资本的生产投入,L(t)表示劳动的生产投入。

从而得到TFP的计算公式:

(2)

其中,α(t)+β(t)=1,α(t)和β(t)分别表示资本和劳动在总产出中的重要程度。

(二)随机前沿分析法(SFA)

Aigner、Meeusen和Broeck等人的文章标志着随机前沿分析方法的出现,该方法通过明确非效率因素的影响来避免索洛余值法在TFP的测算中产生的部分偏差。SFA的出现使得TFP可以利用面板数据进行测算,大量学者利用SFA研究各个地区,行业的TFP增长及其差异。顾乃华利用SFA对1992—2002年中国服务业TFP进行测算,结果显示在研究期内中国服务业发展质量低,要素投入是主要的增长来源[2];崔敏等人通过SFA对中国服务业各行业的TFP及技术进步率进行测算,结果表明进入2000年后技术进主导了服务业TFP的增长。

随机前沿生产函数模型可以表示如下:

YI=f(Xi,β)evi-μi,i=1,2…N

(3)

其中YI表示第i个单位的产出,Xi表示第i个单位的投入向量,f(Xi,β)是生产函数,表示生产者技术的前沿,β为待估参数向量,vi-μi构成随机扰动项,其中vi是随机因素,μi(非负)为生产率,vi和μi相互独立。而在实际生产的技术效率(TE)就可以用样本的期望与随机前沿的期望的比值来确定,即

(4)

当μi服从半正态分布,可得到一个条件均值:

(5)

其中,φ(εiλ/σ)、Φ(-εiλ/σ)分别表示标准正态分布概率密度函数和累积密度函数。将其代入TEi=e-E[μi|εi]即可得到各生产单位的技术效率,即TFP。

(三)指数法

在TFP的测算过程中,由于各变量间计量方法的不同使得结果与现实的差异性较大,而指数方法被广泛应用于经济指标的测算,而TFP指数有多种测算方法,常用的有Hicks-Moorsteen指数法;Malmquist指数法;Malmquist-Luenberger指数法等。

Hicks和Moorsteen共同提出Hick-Moorsteen指数法,该方法利用总产出与劳动、资本等生产要素投入的净增长计算生产率指数,即TFP指数,Hick-Moorsteen指数法在TFP计算流程上进行了简化,但在对TFP影响因素的研究上不适用。杨向阳利用该方法测算了中国东部9个省区市1978—2002年的服务业TFP增长情况。[3]

M0(xt+1,yt+1,xt,yt)

=EFFCH×TECH

=TECH×PEFFCH×SEFFCH

(6)

(四)数据包络分析法(DEA)

数据包络分析法(DEA)是由Charnes等人在Farrell的基础上提出的一种线性规划方法。主要思路是构建出最佳生产前沿面,通过计算每个决策单元(DMU)和最佳生产前沿面之间的差距,通过线性规划最终得到TFP指数。该方法可以避免设定生产函数与随机干扰性不满足正态分布的问题,在一定程度上解决了SFA的局限性。

在DEA的基础上,Caves和Fare将其与Malmquist提出的生产率指数法结合,形成了DEA-Malmquist指数方法,该方法能够测算多投入、多时期、多产出的TFP指数。该方法不仅不用提前设定生产函数,还可以将测算得到的TFP指数进一步拆分,同时,由于在计算过程中对数据做了一阶差分,在一定程度上减少了各行业间的内部影响。因此,大量学者利用该方法对服务业及其细分行业的TFP进行测算。

DEA与Malmquist指数法的结合首先要用到在前文中提到的Malmquist指数方法中的每个行业的距离函数:

(7)

该函数可以利用DEA的线性规划求解:

(8)

其中,θ是标量(0<θ≤1),表示第i个行业的效率水平,λ表示一个1×1常数向量;x和y为行业的投入与产出,(Yt0,Yt0+1,…,Yt)与(Xt0,Xt0+1,…,Xt)分别表示每个行业的产出矩阵与投入矩阵;将每个DMU都利用上述线性规划进行求解,即可得到相对应的效率值θ。

(五)其他方法

除前文提到的测算方法之外,有的研究从微观企业视角来测算TFP,在方法选择上主要为半参数的OP法、LP法和ACF等方法,但微观企业的TFP在利用半参数方法进行测算时,所得结果偏高。夏杰长等人也利用半参数的OP方法测算中国服务业细分行业TFP。除上文提到的测算方法外,仍有许多方法被中国学者用于对服务业TFP的研究当中,如陈景华分别利用近似全要素生产率(ATFP)和劳动生产率(LTFP)对中国服务业TFP进行估算;Jones,John通过构建动态一般均衡模型发现,服务业生产率的提高是印度经济增长的主要驱动力,这得益于服务业的结构性转变;Ying-Ying Liang用列文松-彼得林(Levinsohn-Petrin)方法计算了中国生产性服务业的全要素生产率。Lee,Jong-Wha使用一般均衡模型分析服务业生产率较快增长有助于亚洲经济持续平衡增长;Sahu,Sohini使用动态一般均衡模型分析服务业生产率是影响印度经济的主要传导渠道;胡宗彪等人创新性的将双边服务贸易数据用于服务业TFP的测算,并利用具有赫克歇尔-俄林模型以及李嘉图模型特征的框架进行对服务业TFP的测算。

(六)测算方法的比较

学者们将生产函数法与SFA归为参数法,因为该类方法需要预先设定具体的生产函数形势,并利用计量方法估计出相应参数,最后通过“余值”的结算来测度生产率及变化。因此,生产函数形式设定的好坏直接决定了测算结果的准确程度,这是此类方法的根本缺陷。生产函数法形式简单明了、测算方便,核算原理符合经济意义,经拓展后对时间序列尤其适用,只是该方法需要对生产函数做较多的行为假设,严格的假设制约了该方法在更广领域的应用,一旦假设不符合现实情况,就大大降低了方法的可信程度。SFA的突出特点在于将传统模型的误差项分解为随机误差项和技术非效率项,并通过测量技术非效率项,能够更加精确地估计出样本个体的生产效率,同时可以实现TFP的分解。另外,SFA对于横截面数据和面板数据均适用,自由度较大。但该方法与生产函数法一样,面临具体生产函数选择与误差分布的一些假定,这些假定也常常可能与实际情况不符,导致其应用也受到较多的限制。与上述两种方法不同,指数法与DEA无须设定函数形式,因此测算结果中不存在因函数误设而导致的误差,故这两种方法被称为非参数法。指数法原理简单,分析资料较易获取,只需任意两个时期的投入产出数据和相应价格信息,就可以计算出相应的生产率变化。但是,该方法要求计算总投入指数和总产出指数,而指数形式选择的随意性可能导致测算出的生产率指数存在教导误差且缺乏可比性。

三、服务业TFP研究拓展

(一)不同层面的研究

为探究中国服务业TFP的整体演变趋势、区域差异性以及行业差别,我国学者分别从国家层面,区域层面以及行业层面对服务业TFP进行了大量研究。从研究层面上可以将中国服务业TFP的现有研究分为三部分,第一部分是从国家层面利用时间序列数据对服务业TFP进行测算并分析其主要增长因素。杨勇[1]、王恕立等人[5]的研究都可归于此类。第二部分是利用中国各省区市相关数据对服务业TFP进行测度,研究各省区市内部服务业全要素生产率增长状况以及空间异质性。如顾乃华[2]利用SFA模型对各省市之间服务业生产率进行研究,将其归纳为东、中、西部进行比较分析。第三部分主要是利用某省区市相关数据或企业面板数据对服务业某具体行业或行业间的异质性进行研究,其中,夏杰长等人发现服务业细分行业间TFP增长差距较大,但随着服务业整体发展,差距正在快速缩短。陈景华使用指数方法测算了2004—2017年中国第三产业相关行业绿色TFP指数[6]。

(二)服务业TFP的影响因素

采用不同的测算方法对不同层面的数据进行分析时,从之前学者的分析结果来看,虽有差异,但中国服务业TFP偏低是基本事实,偏低的TFP不仅会拖累整体经济增长,也会对服务业自身发展带来困难。TFP的增长是推动服务业发展的关键。在当前国家以服务业来扩大内需和促进产业结构转型升级的背景下,如何提高服务业偏低的TFP就成为服务业大发展的关键。而要提高服务业TFP,就必须正确把握服务业TFP的关键影响因素。只有明确了服务业TFP提升的关键,才能有的放矢地制定政策。

学者们对服务业TFP的影响因素已做大量研究,其中,竞争力[7]、对外直接投资(FDI)[8]、人力资本[9]、创新、科技、贸易以及制度安排等因素为主要研究方向。同时,服务业生产率的提高,不仅会受服务业的结构变化、服务质量等内部因素影响,还会受产品评论、制造业、土地金融等相关行业发展的外部因素影响。

四、对中国服务业TFP研究的启示

基于现有国内外服务业TFP的研究现状,未来中国服务业TFP可以从以下几个方面进行拓展:首先,在选择服务业TFP测算方法时,根据中国服务业的现实情况,引用国外前沿理论,考虑中国服务业的已有数据、研究方向以及经济发展战略的重大转变等针对性地选择测算理论,从而探寻中国服务业TFP最佳的测算方法,真实测度中国服务业发展质量。其次,在对不同层面的研究中,既要对国家整体的服务业TFP进行分析,也要对不同地区、行业间的服务业TFP进行讨论,探寻中国服务业TFP水平低下的根本原因,为政策的制定提供有力的理论支撑。再次,在收敛性研究方面,要清楚服务业TFP收敛的根本原因,在分析时既要考虑不同区域间的比较,同时也要考虑不同行业间的差异性,加强对环境约束下的服务业绿色TFP收敛性的研究,以便更好地把握我国各产业间的协调发展。最后,要在宏观层面上对我国各个区域的服务业及其细分行业的发展在影响因素研究方面,通过竞争力、对外直接投资、人力资本、创新、科技、贸易、制度安排以及服务外包等其他因素对服务业TFP的影响分析,为推动我国服务业TFP快速增长,从而加速我国服务业发展提供了具体建议,即深化服务业市场化改革,全面推进市场化进程,提升各企业竞争力;加大创新支持力度,强化创新成果和市场需求的结合;加大人力资本的投资;扩大对外开放程度,积极融入全球市场。