随机前沿生产方法（共6篇）
随机前沿生产方法 篇1
1引言
建筑业作为国民经济的支柱产业和基础性产业, 其产品需求量随着经济的快速发展和人民生活水平的迅速提高而不断增加。改革开放至今, 中国建筑业总产值的增长率从1978年的4%增长到现在的20%, 增加值占GDP的比例常年保持在6%左右, 成为拉动国民经济快速增长的重要力量, 但其增加值的增长率却出现了较大幅度的上下波动, 年平均波动约5个百分点, 最大波动约9个百分点, 最小约1个。这使我们有必要去探寻建筑业为何不能维持高速增长? 以及为何在明显的增长波动下, 建筑业仍能维持较高的发展总量? 技术效率在其中扮演什么角色? 长期以来大多学者是采用DEA ( 数据包络分析方法) 这种非参数法对建筑业增长的影响因素进行研究, 至今尚未有学者使用SFA ( 随机前沿分析方法) 这种参数方法基于全国省际面板数据对建筑业的增长因素进行系统性的分析。 因此, 本文将运用随机前沿生产函数的时变形式, 对我国建筑业产业的劳动产出弹性、资本产出弹性、技术进步率和技术效率变化率进行全面测定和具体分析。
2随机前沿生产函数 ( SFA) 模型设定
由于技术发展能引起技术替代的边际效应变化, 在模型中引入t能使某些斜率系数能随时间的变化而变化。因此, 本文先设定模型为超越对数生产函数的时变形式:
其中, Yi为第i省建筑业在t时期的实际产出, Kit和Lit为资本和劳动力。式中所有 α 为待估参数。误差项vi为统计噪声, vi~ iidN ( 0, σv2) , μit为第i省建筑业在t时期, 非负的生产技术无效率的随机误差项, μi~ iidN ( 0, σμ2) , 假定其服从理论假设: μit= μi·exp[η ( t - T) ], μi~ iidN+ ( 0, σμ2) , η 是待估参数。通过该式可推出:
技术效率TE = exp ( - μit)
对t求导可推出 η = T E/lnTE, 由此可以看出 η 若为正值表示建筑业技术效率不断改善, 负值则表示技术效率不断恶化。此外, 还可得出劳动、资本、技术进步以及技术效率变化率对产出增长的贡献度分别为:
3变量选取和模型分析
3. 1变量和数据的收集
本文选取2001—2010年建筑业的省际面板数据 ( 来源于 《中国统计年鉴》) 。各指标数据的选取和处理如下: ①实际产出选取建筑业增加值, 并以2000年为不变价格进行平减。②劳动力选取建筑业从业人数 ( 上年年底和本年年底的平均值) 。③资本选取建筑业实际资产净值的年平均余额, 是实际固定资产净值与实际流动资产的年平均余额之和, 两者分别是先经固定资产投资价格指数 ( 2000年= 100) 和原材料、燃料、动力购进价格指数 ( 2000年=100) 平减后, 再取上年年底和本年年底的平均值得到的。
3. 2模型的假设检验
不同模型对现实经济状况的解释能力存在差异, 因此需要对模型进行多个系数假设的联合检验。在非限制性 ( 备择假设) 的估计时, 限制性 ( 零假设H0) 和非限制性模型的对数似然函数估计值应该是近似的, 所以本文使用似然比例统计量来测量这种相近性: LR = - 2 ( LR- LU) , 其中LR和LU分别是限制性和非限制性模型对数似然估计的最大值。当H0成立时, LR服从混合卡方分布, 自由度为约束的数目。模型限制类型及检验结果如表1所示: 由于全部假设均被拒绝, 说明模型系数的设定均是合理的。
* 非限制性对数似然估计的最大值 LU= 597. 24784; 临界值为 5% 显著性水平下的值, 自由度为约束的数目。
3. 3结果分析
本文利用Frontier 4. 1软件对模型参数进行估计, 结果见表2。由于 γ 非常接近于1, 并通过了1%的显著性检验, 说明建筑业的实际产出与生产前沿面的确定性产出之间的偏差 ( 即复合误差 ( vit- μit) ) 几乎完全来自于技术非效率。可见, 相较于不存在技术非效率设定的传统生产函数模型, SFA模型能就现有数据得出更合理的经济解释, 因为其不仅可以分析技术非效率对产出的影响, 还可以通过对全要素生产率的分解来分析技术进步对产出的贡献。η 的估计值为负值且通过1% 的显著性检验, 表明建筑业行业的技术效率随时间存在恶化的趋势。而技术进步效应 αT虽为负的, 但并不显著, 可忽略。
注: * 表示10%的显著性水平, **表示5% 的显著性水平, ***表示1%的显著性水平。
3. 3. 1劳动力因素
十年间东中西部地区的劳动产出弹性大小顺序并未发生改变, 产业均值西部约比中部多0. 01%, 比东部多0. 023% ( 见表3) , 说明落后地区增加建筑业的劳动投入对产出增长的作用更明显。但这种作用逐年减弱。这是由于建筑业本身属于劳动密集型产业, 劳动力就业门槛低, 现阶段成为农村大量剩余劳动力转移的 “吸收机”, 出现了劳动力过剩的情况。其次, 劳动产出弹性不到0. 1, 属于非常低的程度, 表现出不断吸收的农民工劳动力由于技术力量薄弱, 所能带来的产出增长量非常少。并且, 劳动增长对产出增长的平均贡献度COBL仅为2. 67%, 更进一步说明了劳动投入不是促进建筑业发展的关键性因素。
注: 区域划分原则为: 东部 ( 北京、天津、河北、辽宁、上海、江苏、 浙江、福建、山东、广东、广西、海南) 、中部 ( 山西、内蒙古、吉林、黑龙江、安徽、江西、河南、湖北、湖南) 、西部 ( 重庆、四川、贵州、云南、 西藏、陕西、甘肃、青海、宁夏、新疆) ; 下同。
3. 3. 2资本因素
资本产出弹性的区域差异几乎与劳动产出弹性一样 ( 见表4) 。但资本投入增加1% 所带来的产出增长率, 西部约比中部多0. 17%, 比东部多0. 325%, 落后地区资本投入对建筑业产出所带来的正效应远远高于发达地区。其次, 资本产出弹性的年均值高达0. 770, 比劳动产出弹性大15倍, 虽有小幅波动, 但总体实现增加。若技术条件不变, 一个地区无论是经济落后还是发达, 增加资本投入比增加劳动投入更能提高建筑业的产出水平。可见, 资本投入是建筑业增产的重要因素。
然而, 这十年内的资本增长率与建筑业增加值的增长率的波动不一致 ( 下图) , 并且资本增长对产值增长的平均贡献度仅为28. 24%。说明建筑业增加值的变化在很大程度上并不依赖于资本投入的增加。
3. 3. 3技术进步因素
技术进步率在三个地区的高低顺序与劳动和资本产出弹性是完全相反的, 体现了经济发达地区的技术优势。十年来三个地区建筑业的技术进步率呈现加速增长的趋势, 并且西部地区虽落后于中东部, 但整体的增长速度是与之基本持平的。原因可能是建筑业的技术和管理创新容易扩散, 即技术溢出效应非常明显, 使得发达地区技术进步能带动落后地区发展。此外, 技术进步对产出增长的贡献度高达71. 9%, 表明建筑业的产业发展对技术进步有很大的依赖性。技术进步率的加速发展以及对产出的高贡献度, 预示着这种加速势头不会减弱, 将进一步推动建筑业产业的增长方式转变和内部结构优化。还说明了发达地区之所以在建筑业产业总量上优于落后地区, 是因为技术进步率高且贡献度大, 对产出水平形成叠加效应, 拉开了区域差距。
单位: %
3. 3. 4技术效率的因素
三个地区技术效率变化率的均值基本都接近于0. 4% , 说明建筑业的技术效率没有因经济发达程度不同而拉开差距, 并且没有实质性的改善。其原因应该是建筑业产业中的市场竞争和外资进入较为有限, 缺乏竞争。暗示着建筑业产业过多地受政府宏观调控的干预和影响, 产业内部没有有效地通过企业之间的自由竞争优胜劣汰实现技术效率增长。此外, 技术效率的变化率在2003年和2007年呈现巨大波动, 均与房地产行业的过度膨胀有密不可分的关系。李忠富等 ( 2008) 认为这个时间段内的第一次大波动是由于膨胀起来的庞大建筑施工队伍没有及时进行结构调整, 进入和退出壁垒不对称, 导致产业结构进一步恶化、产业内分工不合理。同样, 2007年之前的房地产行业也是价格虚高不下, 中国在金融危机席卷下短时间内通过大力开展基础设施建设来拉动内需, 使得原本低技术效率的变化率变得更低。由于技术效率降低而增加值在技术进步下仍是增加的, 使得技术效率变化率对产业增长的贡献度是个负值, 为 -2. 82%。但这并不能说明技术效率对建筑业产值有 “负拉动”的作用。从上图来看, 建筑业增加值的增长率和技术效率的变化率的折线图形几乎一模一样, 说明技术效率的变化程度是导致建筑业增加值出现波动的根本原因, 决定了建筑业是否能长期稳定增长。
单位: %
4结论
我国的建筑业虽然在扩大社会就业方面发挥了关键作用, 但实际上大量的劳动投入对我国建筑业产出增长的影响十分微弱。相反, 增加资本投入更有助于提高建筑业的产出水平。但在既定的技术条件下, 落后地区劳动和资本投入的产出效应比发达地区更大。尽管如此, 建筑业维持高速发展需要依赖于技术进步而非资本增长, 加大建筑业的技术创新力度和技术人才培养是实现建筑业可持续发展的关键。我国建筑业发达程度存在区域差异的根本原因, 是发达地区相较于落后地区具有更多的资本投入和技术进步。此外, 我们不能忽视建筑业技术效率对产出平稳性的决定性作用。政府应该尽量减少对建筑业产业的政策干预和垄断, 鼓励企业自由竞争, 使建筑业技术效率得到快速增长, 推动我国建筑业产业平稳高速发展。
摘要：本文采用随机前沿生产函数的时变形式结合省际面板数据, 测算出2001—2010年中国建筑业产业的劳动与资本产出弹性、技术进步率和技术效率变化率, 以及各增长因素对建筑业产出增长的贡献度。主要结论一是劳动投入对建筑业产出的影响远远低于资本投入;二是相较于资本投入, 技术进步才是中国建筑业实现可持续发展的关键因素;三是资本投入与技术进步决定了建筑业发达程度的区域差异;四是技术效率的变化率与建筑业产出增长的平稳性紧密相关, 政府应减少干预, 增加企业自由竞争, 促进技术效率平稳增长。
关键词：建筑业,随机前沿生产函数,增长因素,技术进步,技术效率
参考文献
[1]Aigner D, Lovell C A L, Schmidt P.Formulation and estimation of stochastic frontier production function models[J].Journal of econometrics, 1977, 6 (1) :21-37.
[2]Battese G E, Coelli T J.Frontier production functions, technical efficiency and panel data:with application to paddy farmers in India[J].Journal of productivity analysis, 1992, 3 (1-2) :153-169.
[3]刘仕强, 顾国章.基于时变随机前沿生产函数的上海工业增长因素分析[J].南方经济, 2006 (12) :94-103.
[4]李忠富, 邹心勇, 李国良.中国建筑业全要素生产率的变迁:1996—2005年实证分析[J].土木工程学报, 2008, 41 (11) :106-111.
[5]余泳泽, 武鹏.我国物流产业效率及其影响因素的实证研究——基于中国省际数据的随机前沿生产函数分析[J].产业经济研究 (双月刊) , 2010 (1) :檶檶檶檶檶檶檶檶檶65-71.
随机前沿生产方法 篇2
关键词：物流业,TFP,malmquist指数法,随机前沿分析
1 引言
全要素生产率 (TFP) 增长率的分解可以很好地度量要素效率的提高以及技术进步的程度, 对经济发展的策略制定有很强的指导意义。物流业作为国民经济的基础产业, 对经济增长有重要的支撑作用。就在金融危机日益加深的2009年3月, 中国政府将物流业纳入“十大振兴产业”, 首次从国家层面全面提出物流业的发展规划, 希望籍此促使物流业更好地服务和支撑其他产业的调整与发展, 在转变经济增长方式、 增强国民经济竞争力等方面发挥重要作用。这促使我们提出以下问题:中国物流业近年来增长质量如何?TFP是提高了还是下降了?不同地区有无差异?这对于中国经济增长及该行业发展有何含义?
现有针对中国物流业生产率的研究很少, 主要集中于交通运输行业层面, 代表性的如:余思勤等测算了中国交通各部门1990～2000年的生产率, 并分析了具体的影响因素[1];刘玉海等对中国道路运输业在2000～2004年的生产率变动进行了测算和评价[2];王亚华测算了中国交通全行业及四个主要部门1980～2005年的生产率变动, 并估计了技术效率变化及其置信区间[3]。基于地区视角的研究主要是贺竹磬等, 他们对中国31个省、市2003年物流的相对效率进行了测算, 但评价的只是静态效率, 未反映效率的变化趋势, 也未涉及技术进步[4]。以往的研究成果对本文研究有重要帮助。但同时也有不足:一是缺乏物流业[5]。目前基于前沿技术的生产率分析大多都采用Malmquist指数分解。Malmquist指数可以通过不同方式定义, 这里只给出根据产出距离函数定义的Malmquist指数的表达公式。首先定义距离函数为:
其中, d (x, y) 表示距离函数, δ为标量, y和x分别为产出和投入 (向量) , P (x) 为生产可能集。根据这一定义, 在规模报酬不变且要素自由处置的假设条件下, 反映生产者i从s期到t期TFP变化的Malmquist指数可表示为:
其中, dsi (xt, yt) 表示生产者的t期产出行为相对于s期技术的距离, 其他距离函数的意义类似。式 (2) 右边的第一项为t期技术效率与s期技术效率的比率, 它测度了生产者s期 (基期) 与t期之间产出导向的技术效率变化Echst (efficiency change) ; 第二项为分别以t期投入和s期投入表示的生产技术水平变化的几何平均, 它测度了两时期内前沿技术进步Tchst (technical change) 。
2.2 随机前沿分析
Malmquist指数测量方法主要有随机前沿分析 (SFA) 和数据包络分析 (DEA) 。由于DEA方法不考虑随机误差对经济增长的影响, 而研究期间中国各地物流业发展中存在不可忽略的随机扰动因素, 因此考虑随机因素影响的SFA方法可能比DEA方法更适于区域性的研究。
根据Kumbhakar和Lovell的总结[6], 随机前沿生产函数模型的一般形式可以表示为:
其中, Yit表示决策单元i在t时期的实际产出, f (·) 是前沿生产函数, 表示有完全效率时的最大产出, Xit表示一组投入向量, t为时间趋势, 其中i=1, 2, …, N; t=1, 2, …, T.误差项Vit-Uit为复合结构, Vit与Uit相互独立。其中Vit～iidN (0, σ2v) , 表示统计误差、经济波动等因素的随机扰动;Uit≥0是技术无效率项。根据Battese和Coelli的设定[7], Uit满足:
随机变量Ui服从非负断尾正态分布, 即Ui～N+ (μ, σ2u) , 参数η表示时间因素对技术非效率项Uit的影响, η>0、η=0和η<0分别表示Uit随时间推移递减、不变和递增。
技术效率TE定义为实际产出期望与前沿面产出期望的比值, 即:
显然, 当Uit=0时, TEit=1, 表示决策单元位于前沿面 (f (Xit, t) exp (Vit, Uit=0) ) 上, 技术有效; 当Uit>0时, TEit<1, 决策单元位于前沿面下方, 技术无效。
通过计算s时期与t时期的技术效率, 则可得出从时期s到t时期的技术效率变化指数:
对于前沿技术变化指数, 则可以直接对模型求时间t的偏导数, 并计算出s时期与t时期的技术进步率而获得, 即有:
进而有
3 数据来源与处理
本文使用的样本为1991～2007年中国大陆29个省级地区物流业的投入和产出数据。所用数据主要来源有《中国统计年鉴》和《中国第三产业统计年鉴》。由于资本投入对物流业的影响不仅反映在当期, 对以后的经营活动也将产生影响。因此, 测算物流业TFP时应该首先核算资本存量。由于官方公布的数据只有每年的固定资产投资和固定资产投资价格指数, 需要采用国际流行的“永续盘存法”估计出按可比价格计算的资本存量。计算公式为:
其中, Kit、Ki (t-1) 分别表示i地区t期和t-1期的资本存量, δ为折旧率, Iit表示i地区t期的实际资本投入 (以1990为基期, 对各期资本投入进行平减) 。
使用永续盘存法主要涉及基期资本存量的计算、折旧率的选择和投资平减三个问题。其中研究时段内各省的固定资产价格指数可以从统计年鉴中获得, 这里折旧率采用大多数学者的取值 (5%) 。对于基期资本存量, 采用Wu的算法[8], 假设第一期的资本存量是过去投资的加总, 则投资时间序列可近似表示为:
对式 (10) 两边取对数, 得:
对式 (11) 进行回归分析, 同时对序列相关进行处理, 即可得到Ii0和λ.于是第一期的资本存量为:
据此, 可计算出各期各地区的资本存量。
对于劳动投入, 限于统计资料的可获得性, 多数文献使用劳动力人数代替服务流量, 本文也采用这种方法, 用各省历年物流业年均从业人员数作为劳动投入量指标。
物流业的产出指标从价值形态看是物流业产值, 从实用价值形态看则是货运周转量。考虑到中国长期以来一直执行低廉和稳定的运价政策, 运价严重背离运输价值, 采用价值量指标衡量物流业产出, 势必造成与实际偏离较大。因此本文用货物周转量作为物流业的产出指标。这一指标也被众多研究采用。
4 实证结果分析
4.1 模型设定与检验
SFA要求指定生产函数形式, 较为常用的有柯布-道格拉斯和超越对数两种形式。前者虽然形式简单, 但假定技术中性和产出弹性固定;后者放宽了这些假设[9], 且在形式上更加灵活, 能更好地避免由于函数形式的误设而带来的估计偏差, 同时也考虑了前沿技术进步与投入要素对生产率的交互效应, 以及投入要素之间的替代效应[10]。因此先选用超越对数生产函数的随机前沿模型, 通过假设检验选择最好拟合了样本数据的函数形式。超越对数生产函数的随机前沿模型具体形式可表示为:
式中, 各个变量及误差项的定义如前文所述, α、β为待估计变量的系数, 本文中生产要素特指资本和劳动力, 即j=K, L; m=K, L.
以前述处理所得数据为基础, 利用Frontier 4.10 软件对式 (13) 进行回归, 估计结果如表1中模型 (1) 所示。
注: 括号内数值为t检验值, *、**、***分别表示在10%、5%、1%水平上显著。
表1中的估计结果显示, γ通过了显著性水平为0.01的显著性检验, 印证了本文采取SFA技术的合理性。为了选择最适宜数据的函数形式, 我们还设定了以下几个零假设 (表2) , 所有的假设都使用了广义似然比检验, 其统计量的计算公式为:
L (H0) 和L (H1) 分别是零假设和备择假设的对数似然函数值, 如果零假设成立, 那么检验统计量服从卡方分布, 自由度为受约束变量的数目。零假设一为不存在无效率项, 若被接受, 则随机前沿模型就等同于传统的平均生产函数, 其参数可以直接利用最小二乘法估计;零假设二为柯布-道格拉斯生产函数是合适的 (所有的二阶系数都为零) ;零假设三为从生产函数中剔除资本与劳动的二次项;零假设四为与技术进步t有关的系数均为零, 表示不存在技术进步;零假设五为投入要素K、L与技术进步t的交叉项系数为零, 表示技术进步为希克斯中性, 也即技术进步与投入要素无关;零假设六为时变参数η=0, 表士技术效率不具有时间趋势;零假设七如果成立, 则表示Ui由服从零处截断正态分布变为服从半正态分布, 模型回到了Pitt和Lee[11]的定义。
①零假设下的对数似然值; ②在1%置信水平统计量的临界值; ③γ=0的临界值来自Kodde和Palm[12], 其余临界值来自卡方分布表。
从表2可知, 前六个零假设均被拒绝, 说明本文预设的模型 (式 (13) ) 是合适的, 零假设七被接受, 表明Ui～iddN| (0, σ2u) |, 即服从半正态分布。根据以上结果, 本文采用式 (13) , 并在分析中选择μ=0的情况。此时各项系数回归估计结果见表1中模型 (2) 。
4.2 TFP增长分解
由表1中模型 (2) , 结合式 (6) 、式 (7) 、式 (8) , 得到分析结果[13]、胡鞍钢[14]、郑京海等[15]的结论。
图1、图2、 图3更直观地显示了研究期间东、 中、 西部三大地区与全国物流业技术进步率 (Tch) 、 技术效率变化率 (Ech) 及TFP变化率 (TFPch) 变动情况及地区差异。
图1反映了中国各地区技术效率的下降趋势。东部技术效率水平明显高于中西部, 而中部又高于西部。这从一定程度上说明物流业与经济发展水平的相关性。经济发展较好地区的物流业技术效率耀高于经济发展较为落后的地区。造成这一差距的原因可能有多方面, 但一般来说, 较中、西部地区而言, 东部地区经济实力较强, 在人才和制度建设等方面已形成一套较为完备的体系, 开放程度及市场化程度较高, 使得其技术效率保持较高水平。而中、西部地区由于经济实力较弱, 削弱了其在物流环境建设方面的能力, 从而使得其技术效率较低。
图2、图3分别表明技术进步与TFP的上升态势, 二者变动趋势大致相同, 经历了先升后降再升的起伏过程:1991～1995年经历了较高增长, 1996后增长率有所降低, 2001年后, 增长恢复到较高水平。三大地区中, 东部最高, 中部次之, 西部最低。从图中也可看出, 技术进步是TFP增长的动力。技术进步的经济含义是在不增加投入要素的条件下, 采用先进的技术与工艺、制度变革等手段使得生产前沿面向外移动从而增加产出[15]。近年来, 各地大力发展现代物流业, 相继制定和实施物流发展规划, 加强物流基础设施建设, 积极推动物流信息技术的应用, 促进了物流业的技术进步。此外, 伴随着中国的市场化进程, 企业的改革进一步深化, 产权关系进一步明晰, 特别是由于市场竞争的加剧, 促使企业引入先进技术、工艺, 加大技术创新的投入, 以保持在市场中的优势, 从而有效地推动了生产前沿面的移动。
进一步地, 绘制研究期间中国物流业技术进步率、技术效率变化率及TFP增长率增幅的变动趋势 (图4) 。可以看出, TFP增长率的增幅在1992～1997年逐步下降, 1997～2003年逐渐上升, 而2003年后又呈逐渐下滑的趋势。TFP增长率增幅近年来下滑的原因, 一是因为技术效率变化率的降幅增大, 另一方面, 技术进步率的增幅同期也逐步下滑。这就意味着, 虽然近年来TFP及技术进步均逐年增长, 但由于增幅下降, 可能致使其发展的后劲不足。这种情况可能与物流业的粗放式增长有关。近年来, 国家及地方投入大量人力、物力和财力支持物流业的发展, 有效地促进了物流业设备更新和技术改进, 但由于管理体制改革和资源配置没有同步跟上, 使得投入的效力无法得到充分的释放, 这也使得这部分投入虽然在短期内促进了技术改进、TFP的提高, 但并不能支撑其长期的发展, 至少从本文的检验结果来看, 其增幅已经放缓。
4.3 收敛性分析
前面的分析表明, 中国各地区物流业增长存在差距。那么, 这种差距是在扩大还是在缩小? 是否存在“俱乐部收敛” (区域内部存在收敛趋势, 区域间却没有收敛的迹象) 对此, 我们应用β收敛方法, 考察地区间各项指标的收敛性, 以检验落后地区是否存在技术追赶效应。借鉴Barro的研究[16], 本文设置的β收敛模型如式 (15) 所示:
式中, gio和git分别为各省区物流业期初与期末的TFP增长率、 技术进步率或技术效率变化率, T为观察期时间跨度, α为常数项, β为收敛系数, εt为随机扰动项。如果β为负, 且从统计上看是显著的, 则说明增长趋于收敛; 反之则发散。式 (15) 所表示的收敛又叫绝对β收敛, 表示各个地区均会达到相同的稳态增长速度和增长水平。
根据式 (15) 分别对技术效率、技术进步及TFP增长的收敛性进行检验, 结果见表3。
从表3可知, 就全国而言, TFP增长显著发散, 也即意味着地区间的绝对差距在不断扩大, 并未出现地区间的追赶现象。究其原因, 发现技术进步虽呈收敛趋势, 但很不显著;而技术效率则呈强发散趋势, 表明技术效率发散是造成地区TFP增长发散的关键性因素。这意味着中国体制转轨过程中存在很强的“马太效应”, 严重的技术扩散壁垒扩大了区域间TFP增长率的差距。
在三大区域内部, TFP增长在东部呈显著发散趋势, 在中部发散不显著, 在西部收敛趋势不显著。技术进步在东部呈显著发散趋势, 在中西部收敛。技术效率在三大区域内均呈显著发散趋势, 意味着技术效率改善仅限于少数最为发达的地区, 技术扩散的渠道即使在资本流动性较强的东部地区也不畅通。
以上分析可以看出, 中国地区物流业没有出现所谓的“俱乐部”收敛现象。
注: *、**、***分别表示在10%、5%、1%水平上显著。
5 结语
中国物流业20世纪90年代初以来的发展, 基本特征表现为:主要由资本投入驱动, 而技术效率持续下降。技术效率的下降, 必然导致资本投资的边际收益递减。这种高资本投入、低资本收益及低资源配置效率的发展模式, 将使TFP 增长难以持续, 并且还伴随着能源高消耗和污染高排放的问题。由于近年来资本投入增长仍然很快, 资本投入驱动的技术进步率较高, 暂时抵消了技术效率的下降, 使得TFP 增长率能够保持较高水平。值得注意的是, 近年来技术进步增幅的持续下降表明, 资本投入对技术进步的促进作用已经在减弱;另一方面, 未来也不可能一直维持资本的高投入, 资本投入增长将会放缓。如果中国物流业仍然沿着过去的发展模式走下去, 可持续发展堪忧。更为严重的是, 地区间技术效率的强发散, 可能导致未来各地物流业TFP增长差距的进一步扩大, 从而使得各地区物流业发展水平极不平衡。
由此看来, 物流业的发展模式需要转型, 在维持较高的资本投入增长、推进技术进步的同时, 需要着力提高技术效率。这就要求大力推进各方面的创新, 包括理念创新、管理创新、体制机制创新, 通过创新提高物流效率, 使得投入的效力得到充分的释放, 从而维持该行业较高的生产率;同时, 政府通过适当的政策调节地区差距, 在鼓励创新的同时促进地区间的学习、模仿和技术流动, 特别是要减少落后地区体制障碍和技术壁垒。通过以上措施促使中国物流业高效、协调、可持续发展。由于物流业是国民经济的重要部门, 也是能源消耗和污染排放的重要来源, 物流业的增长质量对于中国经济的增长质量会产生重要影响。因此, 物流业发展模式的转型, 也构成了中国经济增长方式转变的重要组成部分。本文的研究为物流业发展模式的转型提供了科学依据。
随机前沿生产方法 篇3
关键词：种粮大户,技术效率,随机前沿生产函数,资源禀赋
0 引言
我国粮食生产现实是人均耕地少,产品质量不高,耕地后备资源不足且有逐年减少的趋势,粮食供求关系中长期仍处于紧平衡状态[1],粮食安全压力很大,为了增强农产品国际竞争力和缓解粮食安全压力,必须依靠土地规模经营和科技进步[2,3]。我国从20世纪60年代以来,粮食等大宗农产品增产主要依赖于技术进步导致的单产提高,未来满足我国粮食需求的增加必须依赖技术水平的不断提高[4],技术进步对粮食生产的相对贡献率超过100%[5]。现有农村经营制度框架下,农户是最基本的经营单位,农户的粮作物经营行为直接影响粮食供给安全[6],农户粮食生产技术效率决定着粮食总产量以及家庭收入的多少。所以,农民和农业竞争力问题最终体现为农户家庭经营的效率问题[7]。
有关粮食生产技术效率问题的研究,国外学者主要集中在利用横截面数据对区域农业生产技术效率进行了测度,如Battese&Coelli(1995)、Fan(2000)、Liu&Zhuang(2000)等[8,9,10]。国内学者该方面的研究也取得了很多成果,主要集中在基于时间数列,利用SFA等分析方法,测度了不同因素对粮食生产技术效率的影响,如苏旭霞、王秀清(2002),乔世君(2004)等[11,12,13,14]。
纵观已有文献,较少有从农户家庭角度研究微观经营技术效率问题,更少有针对种粮大户家庭粮食生产技术效率及影响因素问题进行研究的。为此,基于实地调研数据对种粮大户粮食生产技术效率以及影响因素进行研究,具有重要的指导意义。
1 技术效率模型构建
1.1 技术效率估计模型
本文在Battese and Coelli(1995)[8]与Battesse and Corra(1977)[15]提出的技术效率模型及技术效率估计方法的基础上,针对研究的主要内容,构建超越对数随机前沿生产函数模型,具体表达式为:
模型(1)中,i表示样本农户的序号,Y表示家庭粮食总产量;LI表示劳动力成本投入,劳动力投入=总用工量(人)×雇用工时(天)×用工价(元/工日);CI表示资本投入,指流动资本(包括化肥、种子、农药、其它粮食生产投入、水电费、地膜材料、农机燃油费)和固定资本投入(包括租用农业机械、仓库、购买农业机械、其它固定资产);SI土地成本投入,土地成本投入=地租×租种面积;Vi是随机扰动变量;Ui表示技术效率损失变量;β0→β9为待估计参数。
1.2 技术效率损失模型
种粮大户生产技术效率影响因素模型设定如下:
种粮大户资源禀赋(1)决定着技术扩散的成效以及农业技术进步的实际水平[16],因此,选择的指标主要有以下几类:心理特征变量(CA、EL、HC、SO、PA、GI)、社会网络变量(CA)、信息服务变量(MS)、技术变量(TS)、社会环境变量(SE1、SE2、SE3)。模型(2)中,i表示样本农户的序号,CA表示户主年龄;EL表示户主文化程度;HC表示户主身体健康状况;SO表示家庭土地经营规模;SO2表示家庭土地经营规模的二次项,用来反映规模效率提高速度与规模增大速度的对比;PA表示家庭从事农业人口数;GI表示家庭粮食总收入;CA表示信贷可获得性,变量具体描述为,是否从信用社获得贷款(1=是;2=否);MS变量描述为,家用的电脑是否上网(1=是;2=否);TS变量描述为,是否接受过新技术培训或辅导(1=是;2=否);SE1变量描述为,是否得到过周围人的帮助(1=是;2=否);SE2变量描述为,是否得到村委会等地方政府的帮助(1=是;2=否);SE3变量描述为,是否参加了专业合作社等协会组织(1=是;2=否);A表示地区虚拟变量,农垦分局地区为2,其他地区为1。
2 数据说明及相关统计描述
调查范围包括黑龙江省13个行政市27个乡(镇)以及2个农垦分局6个农场。调查对象为经营耕地面积100亩以上的农户(2)。在研究中共发放问卷490份,收回问卷476份,其中,有效问卷460份。
从表1中可以看出,种粮大户资源禀赋心理特征变量具体表现为:大户大都是中年人,学历不高,身体健康状况良好,平均经营规模为171.59亩,家庭农业投入人口很少,基本都能从农村信用社获得贷款,接受过技术培训或辅导,得到村委会或集体帮助,但很少与外界联系和参加协会组织,组织化程度较低。
3 模型估计结果及分析
3.1 技术效率模型估计
3.1.1 模型估计与检验
利用Frontier 4.1软件,采用Battese and Coelli(1995)提出的随机前沿生产函数方法对模型(1)进行最大似然估计,结果见表2。同时采用似然比检验,LR=-2ln[L(H0)/L(H1)]~χ2(q),L(H0)和L(H1)分别是零假设H0和备选假设H1设定下的对数似然估计值,自由度q是H0中的零约束的个数。经检验模型(1)似然比检验值49.956大于1%显著性水平上的临界值11.345,所以拒绝原假设,说明我们选择的模型是合理的。
3.1.2 估计结果分析
从表2看出,资本投入和土地投入对粮食产量的增加有正向影响,且都通过了1%显著水平检验,但劳动力投入对粮食产量增加有较弱的反向影响。γ值为0.879在1%水平上显著,说明种粮大户粮食实际产出与可能的最大产出之间的差距87.9%都来自于技术运用效果上的差距。
注:***、**、*分别表示该系数达到0.01、0.05、0.1的显著性水平,下同;似然比检验(LR)统计量呈现近似χ2分布。
从经营规模与技术效率分布看,见表3,全样本种粮大户技术效率平均值为62.23%,表明若现有的投入水平不变,消除技术效率损失,技术效率可增加37.77%,留有的提升空间很大。户数与技术效率分布呈现“∩”趋势,即技术效率分布在60%~70%区间内的户数最多为120户,占总户数的26.1%,其他技术效率区间的大户数较少,说明种粮大户粮食生产普遍获得了技术进步,技术效率处在较高水平。经营规模与技术效率之间呈现出了较明显的“反向”作用效应,经营规模在100~130亩之间的大户生产技术效率均值最高,为71.92%,这和钱贵霞,李宁辉(2004)[17]研究结论一致。其次是131~160亩大户技术效率均值为65.36%,最后是211亩以上的大户技术效率均值为43.51%,研究结果部分验证了规模经济效应是一个典型的“倒∪型”效应的结论,即土地经营规模过大也可称之为“规模不经济”,会带来组织内协调成本和监督成本等交易费用上升[7]。
3.2 资源禀赋对技术效率影响分析
(1)心理特征变量。户主年龄、文化程度、身体状况、经营规模和家庭农业投入人口数等变量对技术效率都产生了显著正向影响,表明种粮大户较小规模农户具备了较强从事粮食生产行为心理上的优势,并显著促进了微观技术效率进步;粮食总收入变量对技术效率产生了负效应,即种粮大户的收入增加与技术进步呈现出弱相关性,主要是粮食产品需求价格弹性小于供给价格弹性,农业技术进步将对农业收入增长率产生负影响[18];经营规模二次项变量与技术效率呈负相关,说明种粮大户粮食生产技术效率提高速度慢于规模扩大的速度,经营规模对技术效率产生的边际效应处于递减阶段[7],进一步说明粮食生产经营规模的扩大需要慎重,过快的扩大规模会损失大户规模经营报酬率的提高。
(2)社会网络变量。是否从农村信用社等农村金融机构获得贷款对技术效率有显著的负影响效应,见表4。从信用社等农村金融机构能否获得贷款及数额的大小,将对农户预算约束产生影响,进而影响到农户家庭微观技术效率的变化,与Battese&Broca(1997)[19]研究结论一致。大多数种粮大户获得了信用社贷款扩大了经营规模,获得了规模报酬,但同时也丧失了小规模经营带来的精耕细作等比较优势,当损失的效益超过规模经营获得的效益时,种粮大户粮食生产技术效率仍是下降,与前面的论述一致。
(3)信息服务变量。从表4得知,信息服务变量参数符号为正且没有通过显著性检验,对技术效率产生了较弱的负效应,原因是种粮大户年龄多为中年,从事传统粮食种植的大户凭借以往积累的经验,轻易改变耕作方式带来的风险较大,同时种粮大户与外界联系较少,获取信息成本很高,所以,信息并没有改变种粮大户生产行为方式,对技术效率进步影响作用很小,两者之间呈现出较弱的负效应。
(4)技术变量。是否接受过新技术培训或辅导变量参数符号为负且在5%水平上显著,对技术效率产生了较强的正效应。对种粮大户进行的新技术培训等非正规教育在很大程度上改变了粮食大户生产方式,也使农业生产各环节中需要的新技术得以广泛应用,更说明不断增加种粮大户人力资本投入能够大幅提高技术扩散。
(5)社会环境变量。社会环境1和社会环境2参数符号都为负,说明对技术效率有正向作用。社会环境1参数在5%水平上显著,说明周围人的帮助以及周围人成功行为选择的示范作用极大地影响了种粮大户生产行为改变。社会环境2参数没有通过显著性检验,但参数符号为负,说明村委会或集体的帮助也对种粮大户技术效率产生了正向影响,只是作用效果不明显。社会环境3对技术效率有较弱的负效应,说明合作社等协会组织发育还不成熟,也没有得到种粮大户充分重视,参合率很低,在现有协会组织中协作和管理成本很高,对技术效率改善作用甚微。地区虚拟变量对技术效率有较强正向作用,说明粮食生产受区域影响很大,垦区和地方粮食生产技术效率差异较大。
4 结论
(1)种粮大户经营规模与技术效率之间具有较强的“反向”作用效应。通过实证分析得知,经营规模处在100~130亩之间的大户生产技术效率最高,并随着经营规模扩大,生产技术效率值下降趋势非常明显,部分证明了规模经济效应是一个典型的“∩”效应。
(2)技术效率进步空间较大。全样本种粮大户生产技术效率均值为62.23%,消除技术效率损失的影响因素,技术效率可增加37.77%,留有进步空间很大。
(3)种粮大户资源禀赋对技术效率影响效应具有明显差异性。资源禀赋各变量中户主年龄、文化程度、身体状况、经营规模、家庭农业投入人口、社会环境1、社会环境2、技术变量都对技术效率有正向影响效应,资源禀赋中其他变量有负效应。
5 政策建议
(1)政府应正确引导种粮大户规模经营行为。实证分析结论已很明确,规模过小或者过大一样是“规模不经济”,所以,政府应该通过制度建设来约束和引导盲目扩大经营规模行为,提高有限土地资源的利用效率、生产要素投入效益,最大化地发挥适度规模经营的比较优势,使以大户经营为单位的粮食生产技术效率保持在很高的水平。
(2)政府应继续加大对种粮大户人力资本投入。对种粮大户人力资本投入包括学历提高和粮食生产各种实用技术培训,要注重人力资本投资的公平性与普及性,积极开展粮食生产各环节技术信息的传播与科技成果的推广和转化,通过提高种粮大户自身科技水平来促进粮食生产技术效率进步。
随机前沿生产方法 篇4
区域经济非均衡发展容易导致区域经济差距极化,不利于中国社会和政治稳定。这是经济发展过程中一种经济社会现象。区域经济的演变在服务业上的具体表现就是,中国不同地区服务业发展质量存在明显的差异,这可以用表征服务业发展质量的技术效率及其区域差异来衡量。此外,某一区域服务业的技术效率总是受到周围区域服务业技术效率的影响而不断变动。为了系统研究中国各区域服务业发展质量的时空演变规律,本文以中国各省区为研究单元,选取反映经济发展质量的技术效率为研究指标,利用随机前沿生产函数测度各地区服务业的技术,然后运用马尔可夫转换模型从时间和空间两个维度分析各区域服务业技术效率的时空演变,这有利于区域服务业发展差距不断缩小,促进区域服务业协调发展,保证宏观经济的快速稳定增长。
1 文献回顾
马尔可夫 ( Markov) 链模型是经济预测领域的常用方法,常见的应用包括预测人数[1]、房价[2]、利率[3]、汇率[4]以及股指收益率[5]、股市波动率[6]等,还有用来进行风险测度[7]、预测股市风险价值[8],以及进行货币危机预警[9]等应用。此外,近年来马尔可夫链模型还被用于研究区域经济及其时空演变,主要的有以下3类。 ( 1) 研究特定区域经济的时空演变特征。比如,蒲英霞等 ( 2005)[10]、黄晓峰和黄跃东 ( 2006)[11]、单宝艳 ( 2009)[12]、薛亮 ( 2014)[13]将区域经济发展的时间特征和空间特征结合在一起,基于马尔可夫链方法构建了马尔可夫转换矩阵,研究了江苏、福建、山东、关中地区等区域经济时空演变的动态特征。 ( 2) 研究特定区域产业结构的时空演变特征。比如,何一鸣等 ( 2011)[14]、余典范 ( 2013)[15]将马尔可夫链引入了产业研究领域,运用马尔可夫链方法构建了区域产业结构的马尔可夫转换概率矩阵,对特定区域产业结构的时空演变的动态特征或动态比较优势进行了分析。( 3) 将区域经济的时间特征和空间特征结合起来的 研究。比如, 陶晓红和 齐亚伟( 2013)[16]依据中国区域经济的空间依赖性和时间自相关性将区域经济增长的时间特征和空间特征结合起来,在传统马尔可夫链中引入空间效应,构建了加权空间马尔可夫链来研究中国区域经济增长过程中的时空动态演变特征。尚涛和陶蕴芳 ( 2011)[17]基于区域和产业双重角度运用马尔可夫转换矩阵方法,分析了1997年与2008年中国不同服务部门地区比较优势程度的分布,证明比较优势会随时间推移而发生转换。
综上所述,目前还未见到将马尔可夫链方法用于研究中国区域经济效率的时空演变特征。因此,本文将在这方面进行尝试,基于区域和产业双重视角,运用马尔可夫链方法,构建区域服务业技术效率的马尔可夫转换矩阵,分析1978年与2012年不同地区服务业技术效率的水平程度的分布,证明服务业技术效率水平或比较优势会随时间推移而发生转换。这将为探索中国区域服务业时空演变动态特征,为中国区域服务业的进一步发展提供科学决策依据。
2 研究方法与模型
2. 1 随机前沿生产函数模型
首先,采用随机前沿分析 ( SFA) 方法测度中国各省区服务业的技术效率值。本文采用Battese和Coelli ( 1992 )[18]提出的随机前沿生产函数模型作为分析服务业技术效率的模型,采用Cobb - Douglas生产函数的对数形式表达如下:
2. 2 马尔可夫转换模型
然后,把各地区服务业的技术效率按一定标准划分为不同的水平等级,利用马尔可夫转换模型分析不同水平等级地区数量的变化,以此来反映技术效率数值或水平等级的变化。马尔可夫转换模型是使用进行马尔可夫链分析的。设X ( t)是一随机过程,当过程在时刻t0所处的状态为已知时,时刻t ( t > 0) 所处的状态与过程在t0时刻之前的状态无关,这个显著特性称为马尔可夫链的无后效性,即事物的变化过程仅与近期状态有关,而与事物过去的状态无关。
马尔可夫转换模型是研究系统从一个状态转换到另一个状态的可能性,称之为状态转换概率。通常把所有状态转换概率排成一个矩阵,即转换概率矩阵为:
( 2) 式中,Pij≥0 ( 指从i转向j的概率) ,
各个时刻状态的转变由这个状态转换的概率矩阵控制,利用其预测可以避免由于数据的非实时性而对预测准确度产生影响。
本文将马尔可夫链模型引入对地区服务业技术效率变化的分析。将服务业技术效率水平划分为几个等级,然后计算出各等级地区数在总地区数中所占的比例并作为状态向量:
( 3) 式中,n为地区总数,n1,n2,…,nm为不同技术效率等级的地区数量。
本文为了考察中国服务业技术效率不同水平等级地区数量的变动,需要分析1978年各水平等级地区数量的变化情况。同样把2012年的服务业技术效率水平等级也进行以上划分,找出各个等级所包含的地区数,从而求出转换矩阵为:
( 4) 式中,nij表示1978年中国服务业技术效率水平第i等级中的区域数,nij表示1978年技术效率水平属于第i等级的区域,2012年技术效率水平归属于第j类的区域,而且满足:
3 变量选取与数据说明
服务业的技术效率可看作是包括服务业的劳动力、资本投入和服务业产出的决策单元,这3项变量的选取说明如下:
服务业的产出 ( Yit) : 采用各省区第三产业GDP代表相应的服务业产出。为了保持产出数据的可比性,利用各省区历年第三产业GDP指数 ( 1978年 = 100) 折算出各省区历年以1978年不变价计算的GDP。
服务业的劳动力投入 ( Lit) : 只考虑劳动力数量的投入,即采用各省区服务业就业人员数量代表服务业劳动力投入。
服务业的资本投入 ( Kit) : 采用各省区服务业的资本存量代表服务业资本投入。由于中国现有统计资料中只有历年资本形成总额的数据,没有资本存量的数据,本文采用永续盘存法对中国各省区服务业的资本存量进行估算。
由于各变量的数据来源及存续期间不同,为了使各变量的数据都具有相同的时间跨度,本文将研究期间确定为1978 ~ 2012年。现有统计资料中海南和西藏的历史数据缺失年份较多,为了研究方便,本文如多数文献一样在分省数据中不包括这两个省区。由于历史数据无法拆分,本文对四川、重庆的数据进行合并,将数据合并后的四川、重庆合称为“川渝”以示区别。以上数据来源于《中国国内生产总值核算历史资料( 1952 ~ 1995) 》、《中国国内生产总值核算历史资料 ( 1996 ~ 2002) 》、《中国国内生产总值核算历史资料 ( 1952 ~ 2004) 》、《新中国六十年统计资料汇编》及历年《中国统计年鉴》。
4 实证分析
4. 1 服务业技术效率的测度及其时空变化
服务业技术效率的测度是在公式 ( 1) 基础上,运用随机 前沿分析 ( SFA) 方法测度 出1978 ~ 2012年各地区服务业的技术效率。为了进一步定量地判别各地区服务业技术效率 ( TE)的水平,本文按照以下准则将技术效率划分为不同的水平等级: 0≤TE < 0. 2,为一级,表示水平很低; 0. 2≤TE < 0. 4,为二级,表示水平较低; 0. 4≤TE < 0. 6,为三级,表示水平中等;0. 6≤TE < 0. 8,为四级,表示水平较高; 0. 8≤TE≤1. 0,为五级,表示水平很高。
由表1可见,改革开放以来,中国服务业技术效率发生巨大变化,技术效率水平等级呈现出高水平等级地区大幅增加、低水平等级地区数量大幅减少的变化,这从整体上反应出中国服务业技术效率水平在提高。
进一步分析东、中、西三大区域的服务业技术效率的变动情况。按照以上的技术效率水平等级划分标准,以及1978年和2012年的各省区服务业技术效率,按东、中、西三大区域分别归纳,可得改革开放以来三大区域的服务业技术效率水平的变动情况 ( 见表2) 。
由表2可见,从1978 ~ 2012年间东、中、西三大区域服务业技术效率水平总的变动趋势是都得到迅速提高,技术效率水平很低和较低地区都减少为0。当前,东部地区主要居于较高水平,很高水平和中等水平也有分布,这说明东部地区内部服务业技术效率差异较大; 中部地区主要居于较高水平,同时很高水平也占据较大比例; 西部地区居于较高水平。
4. 2 基于马尔可夫转换模型的服务业技术效率转换
4. 2. 1 服务业技术效率的变动情况分析
前文已利用SFA方法测度出各地区服务业技术效率,并依据不同的技术效率水平区间将中国服务业技术效率水平划分为5个等级。按照这个标准,1978年和2012年各省区服务业技术效率水平等级分布的情况如表3和表4所示。
将1978年和2012年各省区服务业技术效率水平等级分布的情况进行比较 ( 见表5) ,可以看到中国各地区服务业技术效率在30余年间的变化情况。
由表5可见1978 ~ 2012年技术效率水平等级的变化,技术效率很高水平地区由3个增加到5个,技术效率较高水平地区由1个增加到22个,同时,技术效率中等水平地区由9个减少到1个,技术效率较低水平地区由14个减少到0个,技术效率很低水平地区由1个减少到0个。这说明,改革开放以来中国各地区服务业技术效率水平总体上是逐渐升高的。
各地区服务业技术效率水平等级的具体变化情况表现为: 一级地区的保留数量为0,向三级地区转换的有山东1个; 二级地区的保留数量为0,向四级地区转换的有北京、山西、辽宁、浙江、福建、江西、广东、广西、川渝、贵州、甘肃、青海、宁夏、新疆等14个地区; 三级地区的保留数量为0,向四级地区转换的有河北、内蒙古、黑龙江、江苏、湖北、湖南、云南、陕西等8个地区,向五级地区转换的有吉林1个地区; 四级地区的保留数量为0,向五级地区转换的有天津1个地区; 五级地区的保留地区有上海、安徽、河南3个。根据以上技术效率水平等级的变动情况,可以进一步总结出相应的转换频数 ( 见表6) 。
4. 2. 2 服务业技术效率的马尔可夫转换矩阵分析
由马尔可夫转换矩阵分析方法可知,可以根据技术效率水平变动的地区数量和概率分别确定服务业技术效率的转换地区频数矩阵M和转换概率矩阵P。设M代表服务业技术效率的转换地区频数矩阵,根据表6求得M的结果为:
根据转换频数矩阵可以计算出其转换概率矩阵P为:
从以上转换概率矩阵可以看到各地区服务业技术效率水平等级的变动情况: 一级地区的保留概率为0,向三级地区的转换概率为1 /1; 二级地区的保留概率为0,向四级地区的转换概率为14 /14; 三级地区的保留概率为0,向四级地区的转换概率为8 /9,向五级地区的转换概率为1 /9; 四级地区的保留概率为0,向五级地区转换的概率为1 /1; 五级地区的保留概率为3 /3,转换概率为0。
4. 3基于马尔可夫转换模型的服务业技术效率预测
对转换概率矩阵的进一步分析可以发现,原来技术效率很低、较低水平 ( 一级、二级) 地区的转换幅度最大,以100% 的概率跳级升级到高于原来水平两级的水平等级; 原来技术效率中等水平 ( 三级) 地区的转换幅度较小,基本上都升级到高于原来水平一级的水平等级; 原来技术效率较高水平 ( 四级) 地区则毫无悬念地升级到很高水平 ( 五级) ; 而原来技术效率很高水平 ( 五级) 地区则保持很高水平不变,其概率为100% 。总之,地区服务业技术效率水平变化的规律是: 技术效率水平越低,变化的幅度和速度越大; 水平越高,变化的幅度和速度越小。这也印证了服务业技术效率的收敛性。这个结果对当前服务业政策制定的启示是: 要针对不同技术效率水平地区的发展趋势因地制宜地采取不同的促进措施,对于高水平地区的重点是保持原状;对于低水平地区的重点是促进提高; 而对于中等水平地区还要注意采取措施防止技术效率下降。
利用计算出的1978 ~ 2012年期间服务业技术效率水平等级的转换概率和马尔可夫转换模型,还可以根据当前中国各地区服务业技术效率水平预测将来的技术效率转换趋势。设34年为1个研究期,研究期的步长为34,下面将预测1个研究期间后即2058年各地区服务业技术效率水平的状态。设λ1k、λ2k、λ3k、λ4k、λ5k分别代表第k期服务业各种技术效率水平等级的地区数量,其中,λ1k代表很低水平,λ2k代表较低水平,λ3k代表中等水平,λ4k代表较高水平,λ5k代表很高水平。设2012年各地区服务业技术效率水平为初始状态水平λ0:
则利用马尔可夫模型预测第k期服务业各种技术效率水平等级的结果可根据k步转换概率矩阵求得:
当k = 1,即1个研究期 ( 34年) 之后服务业技术效率水平的预测结果为:
以上计算结果表明,以2012年水平为起点,各省区服务业的技术效率在1个研究期 ( 34年)之后的预测结果为: 很低、较低、中等水平的地区将不存在,较高水平地区的数量大约为1个,很高水平地区的数量大约为27个。这说明,再经过34年发展,到2058年左右,中国服务业技术效率将达到一个新的水平,那时候各地区的服务业技术效率基本都将达到很高的水平。
综上所述,中国各地区服务业的技术效率变化的总趋势是,高水平地区数量不断增加,低水平地区数量不断减少。这种趋势从长期来看更加明显,各地区的技术效率都趋向一个共同的目标———技术有效。当然,这种向共同目标迈进的过程还会由于各地区服务业在历史沿革、资源禀赋、劳动力条件和科技水平等方面的差异而仍将长期处于变化之中。
5 结论与启示
本文从时间和空间两个角度定量化研究改革开放30余年 ( 1978 ~ 2012) 来中国区域服务业技术效率的演变特征与规律。首先,运用随机前沿分析方法测度了1978 ~ 2012年各省区服务业的技术效率值。然后,引入马尔可夫链方法分析各地区服务业的技术效率随着时间变化而产生的不同水平等级地区数量的变化。通过计算区域服务业技术效率的马尔可夫转换概率矩阵,进一步了解服务业技术效率的变化规律。研究结果表明: ( 1) 中国服务业的技术效率确实是在时间和空间两个维度变化,服务业技术效率整体有很大提高。如果从东、中、西三大区域的变动情况看,当前东部地区服务业技术效率主要居于较高水平,也有分布在中等和很高水平,说明东部地区内部服务业技术效率差异较大; 中部地区主要居于较高水平,很高水平也占据较大比例; 西部地区内部差异较小,都居于较高水平。 ( 2) 各地区服务业技术效率水平变化的规律是: 技术效率水平越低,变化的幅度和速度越大; 水平越高,变化的幅度和速度越小。
本文获得的对服务业政策的启示是:( 1)要针对不同技术效率水平地区的发展趋势采取不同的措施,对高水平地区要保持原状,对低水平地区要促进提高,而对中等水平地区要注意防止技术效率下降。( 2) 基于马尔可夫转换模型预测了下一个周期后中国各地区的服务业技术效率将达到很高的水平。
摘要：中国服务业技术效率在时间和空间上不断发生变化,并导致区域之间的差异。本文运用随机前沿分析方法和马尔可夫转换模型测度分析了30余年来(1978~2012)各省区服务业技术效率值,从时间和空间两个角度定量化研究了其演变特征与规律。结果表明:(1)服务业的技术效率在时间和空间两个维度变化,服务业技术效率整体有很大提高。当前东部地区服务业技术效率主要居于较高水平,内部服务业技术效率差异较大;中部地区主要居于较高水平;西部地区内部差异较小,都居于较高水平。(2)各地区服务业技术效率水平越低,变化的幅度和速度越大;水平越高,变化的幅度和速度越小。
随机前沿生产方法 篇5
企业的效率主要包括规模效率、范围效率和X效率。其中规模效率和范围效率分别指由企业生产规模扩大、产品多元化使生产成本降低带来的效率, 而X效率则是指企业经营中不为前两种效率解释的部分, Frei等 (2000) 将其定义为:除规模和范围影响外的技术和配置效率之和, 测度企业生产给定产出时整合技术、人力资源及其他资产的管理水平的差异。X效率的概念最早由Leibenstein (1966) 引入, Mester (1996) 、Altunbas (2001) 等通过实证研究后发现, 相较于规模效率和范围效率, X效率对企业成本控制和竞争力提高的影响更为显著。房地产开发投资周期长, 资金量大, 对房地产企业 (主要指开发企业) 的经营与管理能力要求较高, 这使得了解和提高X效率水平对房地产企业长足发展尤为重要。
已有对企业X效率的研究主要集中于银行业, 侧重于测算企业X效率或分析其影响因素。在测算方法上, 目前常用的有非参数法和参数法两种。非参数法中最常用的是数据包络分析 (Data Envelopment Analysis, DEA) 法, 利用线性规划思想, 测量具有多项投入和产出的决策单元对于生产可能性边界的相对效率 (Farell, 1957) , 该方法无需定义基本的生产或成本函数, 但对企业产品同质性和经营稳定性要求较高, 其中魏煜和王丽 (2000) 、张健华 (2003) 等采用DEA方法测算了商业银行的X效率, 但均未考虑方法的适用性问题;参数法中最常用的是随机前沿方法 (Stochastic Frontier Approach, SFA) , 首先设定企业的成本边界函数, 利用多元统计分析确定函数参数, 并通过效率含义来计算企业X效率 (Berger et al, 1993) , 该方法考虑到随机误差, 模型经济含义明确, 且对企业产品同质性和经营稳定性要求不高, 其中钱蓁 (2003) 和迟国泰等 (2005) 分别采用该方法测算了商业银行的成本效率, 并对测算方法的选择和成本函数的设定等进行了探讨。
而关于我国房地产企业效率研究, 孟川瑾等 (2008) 选取我国2006年500强中的房地产企业为决策单元, 采用DEA方法测算企业的技术效率、纯技术效率和规模效率;任放和钱珍 (2009) 采用不可控制变量DEA模型测算了2006年我国47家房地产上市公司的经营技术效率, 表明我国房地产企业普遍存在规模无效率现象;袁方和高钰 (2009) 采用DEA方法、基于2000-2007年我国20家房地产上市公司数据实证分析了整个行业的运行效率, 结果显示我国房地产行业总体运行效率较高, 但局部波动较大。然而总体来看, 目前对我国房地产企业效率的研究仍较为缺乏, 已有研究大多没有明确企业效率的定义和涵盖内容, 导致研究角度不一;且目前研究主要采用DEA方法进行效率测算, 没有考虑该方法对房地产企业的适用性。实际上, 房地产产品具有明显的异质性, 且由于受经济环境和宏观调控的影响较大, 企业经营波动性强, DEA方法可能并不适用于研究我国房地产企业效率。
本文关注于对我国房地产企业发展影响较大的X效率, 且考虑到房地产企业具体特点, 采用参数法中的SFA方法来进行企业X效率的测度。具体以我国房地产上市公司为样本, 采用合适的函数形式建立SFA方法下的X效率测算模型, 提出具体的测算步骤, 基于样本公司2005-2011年数据测算其X效率并对结果进行多角度统计分析, 以全面了解我国房地产企业的X效率水平, 为企业改善内部管理, 优化资源配置提供参考。
2 X效率测算模型与测算步骤
2.1 X效率测算模型
企业的X效率可以用企业生产的理论最小成本与实际成本的比值表示 (迟国泰等, 2005) 。以下分别对企业生产的理论成本、实际成本和X效率函数模型进行介绍。
2.1.1 理论成本函数模型
首先对企业生产的理论成本函数模型进行假设, 常用的成本函数有科布道格拉斯 (Cobudauglas, C-D) 成本函数和超越对数 (Translog) 成本函数。相较于结构较为简单的C-D成本函数, Translog成本函数还将生产的投入产出项的交互影响考虑在内, 能更贴合实际地模拟房地产产品的生产成本, 故本文采用该函数模拟房地产企业的理论生产成本。
对于有m项产品产出和n项要素投入的生产过程, 采用Translog成本函数形式的理论成本函数如式 (1) 所示:
式 (1) 中, C是n项投入生产的总成本;Yi是第i项产出量 (i=1, 2, …, m) ;Pj是第j项投入要素的价格 (j=1, 2, …, n) ;ε为随机误差项;α0, αi, βj, γik, δjl, ρij (i, k=1, 2, …, m;j, l=1, 2, …, n) 均为待估参数。
为保证Translog成本函数成立, 函数要求投入要素价格满足线性齐次性、二次项参数满足对称性。函数的参数约束条件如下:
2.1.2 实际成本函数模型
实际上, 由于存在非效率因素, 企业往往无法达到理论的最佳资源配置情况, 企业的实际成本 (Real Cost, RC) 与理论成本间存在差距, 两者关系如式 (2) 所示:
式 (2) 中, RC为企业实际成本;C为企业理论成本;U为企业理论成本与实际成本之比的倒数, 取值范围为[1, ∞) , 反映由于技术和管理不当等产生的成本浪费情况;V为测量的随机误差。
将理论成本函数式 (1) 代入式 (2) , 即可得企业实际成本的最终表达式, 如式 (3) 所示:
式 (3) 中, RC为企业实际成本;u等于ln U, 为成本的非效率项;v等于ln V, 为测量的随机误差项;其余参数含义与式 (1) 相同。
为区分式 (3) 中的成本非效率项u和随机误差项v, SFA方法中假定u服从半正态分布|N (0, δε2) |, v服从标准正态分布N (0, δε2) 。
2.1.3 X效率函数模型
企业X效率 (ESX) 为生产的理论最小成本与实际成本之比, 计算公式如式 (4) 所示。
式 (4) 中, ESX为企业X效率;C为企业生产的理论成本;RC为企业生产的实际成本。
由于理论成本不大于实际成本, ESX的分布范围为 (0, 1], 其值越接近1, 表示企业的X效率水平越高。
2.2 X效率测算步骤
测算企业的X效率遵循如下步骤。
第一, 确定企业投入产出的各项指标和变量。根据企业生产过程和产品生产特点, 选取合适的投入和产出要素, 确定生产的投入价格、投入总成本和产出的各类指标和相应变量。
第二, 采用极大似然法估计企业的实际成本函数。将选取的投入产出各类变量数据代入式 (3) , 采用极大似然法估计企业的实际成本函数, 确定函数中各项参数取值。
第三, 计算企业的理论生产成本。将式 (3) 中估计的各项参数值代入式 (1) , 结合投入产出各类变量数据, 计算企业的理论生产成本。
第四, 计算企业的X效率值。将企业的实际生产成本与求得的理论生产成本代入式 (4) , 计算企业的X效率值。
3 我国房地产上市公司X效率测算
这里选取我国房地产上市公司为样本, 结合房地产企业特点和模型形式进行相关指标选取和变量设定, 收集样本公司2005-2011年数据测算其X效率水平。
3.1 指标选取与变量设定
企业X效率测算基于Translog成本函数模型展开, 需对模型中涉及到的指标和变量进行设定。Translog成本函数中共涉及投入价格、总成本和产出三大类指标, 根据我国房地产企业及其生产特点, 研究所需模型中投入要素价格指标从人工、资金、土地和建安材料4方面选取;总成本指标为各投入要素的成本之和;产出指标则选取营业收入。在具体设定各指标对应变量时, 人工投入价格和营业收入对应变量可简单计算或直接获取, 资金、土地和建安材料投入价格对应变量需进行替代:资金投入价格用单位利息费用近似替代;土地、建安材料两类实物要素投入价格用单位产品成本近似替代。同时, 为消除房地产市场波动带来的成本变化, 引入国房景气指数作为控制变量。
数据来源:锐思数据库, www.resset.cn。
X效率测算的Translog成本函数模型中指标选取与变量设定如表1所示。
3.2 数据收集与整理
根据指标与变量设定, 在2005-2011年沪深A股房地产上市公司总体中剔除被特别处理 (ST) 和数据缺失的公司, 最终确定38家房地产上市公司为研究样本, 收集整理2005-2011年样本公司各变量的原始数据, 其描述性统计结果如表2所示。
3.3 X效率测算结果
结合表2中涉及的各变量原始数据, 根据X效率测算步骤进行2005-2011年样本房地产上市公司X效率测算 (该过程用Frontier4.1软件实现) , 结果如表3所示。
注:为避免不必要的纠纷, 这里房地产上市公司略去公司名称和股票代码, 而仅以序号列示。
4 我国房地产上市公司X效率统计分析
这里根据表3中样本房地产上市公司X效率的测算结果, 从总体和不同角度分类两个方面进行2005-2011年我国房地产上市公司X效率统计分析。
4.1 房地产上市公司X效率总体统计
从总体上对样本房地产上市公司的X效率水平进行统计分析。分别计算2005-2011年样本公司X效率的平均值, 衡量其X效率的平均水平;以平均值为基础计算样本公司X效率的年增长率, 反映各年X效率的纵向变化;计算各年样本公司X效率的标准差系数 (标准差与平均值之比) , 衡量样本公司间X效率的差异水平。具体统计结果如表4所示。
由表4可知, 2005-2011年样本公司X效率的平均值在0.75左右;各年样本公司X效率的平均水平呈现增减波动, 但总体变化不大;各年样本公司X效率的标准差系数均小于12%, 且总体呈降低趋势, 反映样本公司间X效率的差异正逐步减小。
4.2 基于不同角度的房地产上市公司X效率统计
这里考虑到房地产企业特点, 结合以往研究中X效率的影响因素, 进一步从资产规模、所有权性质和业务布局三个角度对样本房地产上市公司进行分类, 并对不同类别的样本公司X效率平均水平进行统计分析, 以衡量资产规模、所有权性质和业务布局这三个因素对房地产上市公司X效率的影响。统计结果如表5所示。
为更直观表示基于上述三个角度分类的样本公司2005-2011年X效率水平的变化, 将表5的统计结果分别反映于图1-3中。
由图1可知, 2006年以前我国房地产上市公司的X效率随资产规模的增大而提高;2006-2008年资产规模在100亿-200亿元之间的房地产上市公司X效率最高, 100亿元以下的公司X效率次之, 200亿元以上的公司X效率最低;而2009年以后, 资产规模在100亿-200亿元之间的房地产上市公司X效率最高, 200亿元以上的公司X效率次之, 100亿元以下的公司X效率最低。
由图2可知, 国有控股的房地产上市公司X效率总体高于民营控股公司;2005-2008年两类公司的X效率差距逐步缩小, 到2009年相等 (0.76) , 之后差距又逐年扩大。
由图3可知, 2005-2011年业务布局于10城市及以上的公司与布局于10城市以下的公司X效率水平高低有较大波动;总体来看, 业务布局范围较小 (10城市以下) 的公司X效率水平高于业务布局范围较广 (10城市及以上) 的公司。
5 结论与建议
本文以我国房地产上市公司为样本, 采用随机前沿分析 (SFA) 方法, 结合房地产企业及产品特点选取指标和设定变量, 收集相关数据测算和统计分析2005-2011年样本公司的X效率水平。结果显示: (1) 2005-2011年我国房地产上市公司X效率均值在0.75左右, 各年波动较小, 各公司间差异较小且呈降低趋势; (2) 不同资产规模的房地产上市公司X效率有明显差异, 国有控股房地产上市公司的X效率总体高于民营控股公司, 业务布局于10城市以下的房地产上市公司X效率总体高于布局于10城市及以上的公司。
随机前沿生产方法 篇6
21世纪,全球气候变暖与能源安全问题使新能源开发开始受到人们的广泛关注。新能源普遍具有环境污染少、资源储量大的特点。对于解决当今世界严重的环境污染问题和化石能源资源枯竭问题具有重要意义。由于新能源行业的广阔前景以及世界各国的大力扶植,越来越多的公司加入到新能源行业中,竞争日趋激烈。
中国近年来在政府可再生能源政策的激励下,在太阳能光热利用、风力发电、生物质能高效利用等可再生能源领域取得了较大的进展,已经出现了一批具有一定规模的新能源技术开发和生产制造企业。客观的评估我国新能源上市公司的技术效率水平,寻找影响技术效率的关键因素,以推动我国新能源上市公司不断提升技术效率、降低运营成本、增强竞争力,具有重要的现实意义。
技术效率的测度是企业技术管理研究的核心内容之一。技术效率被用来衡量在等量要素投入条件下,企业实际产出水平与所能达到的最大产出量的距离,距离越大,技术效率就越低。技术效率反映了企业对现有资源最优利用的能力。数据包络分析(DEA)和随机前沿分析(SFA)是测度企业技术效率时主要的两种方法。DEA没有解决统计噪声的问题,它把所有偏离前沿的因素都假定来自于技术无效,因此受到人们的质疑和批评。SFA通过引入一个表示统计噪声的随机变量解决了这个问题。并且,SFA能够分析面板数据,更加丰富的表现出被研究群体的纵向和横向的对比关系[1]。
近年来人们在处理面临复杂随机环境的上市公司的技术效率时越来越倾向于使用SFA。毛路(2009),何颖和官建成(2010)利用SFA技术对我国上市公司效率进行实证分析,结果表明上市公司的技术非效率显著存在[2,3]。师萍等(2010)运用对数型的柯布-道格拉斯生产函数的随机前沿模型研究了我国低碳企业技术效率及其影响因素,研究发现我国低碳企业间技术效率变动存在较大差异,且有进一步扩大的趋势[4]。吴文庆和李双杰(2003),高伟和何枫(2005),王晓东(2008),赵升(2008),梁树广(2010)分别运用随机前沿方法对我国电子、家电、钢铁、水泥、建筑等行业板块的上市公司技术效率进行了研究,并对企业规模、技术能力等影响技术效率的因素进行了分析[5,6,7,8,9]。
虽然目前我国在沪深两地上市的新能源板块上市公司已经有60多家,进军新能源产业普遍都有5年以上的历史,但是国内对新能源板块上市公司的技术效率的研究还比较少。耿逢春(2011)利用数据包络分析(DEA)对7家新能源板块上市公司的效率进行评价,分析结果为1家公司为非DEA有效,其他6家为DEA有效[10]。从比较意义上说,结果并不理想。因此,本文采用随机前沿方法对新能源板块上市公司的技术效率及其影响因素进行研究。
1 模型构建和数据选取
1.1 随机前沿模型
Aigner,Lovell and Schmidt(1977)以及Meeusen and Van Den Broeck(1977)分别提出随机前沿生产函数模型(Stochastic Frontier Model,SFM)。SFM在构造前沿生产函数模型的基础上,考虑随机因素对产出的影响,通过极大似然法估计出各个参数,进而利用条件期望度量技术效率。
SFM可以表示成如下形式:
其中,Yit表示厂商i在第t年的产出,Xit表示厂商i在第t年的投入向量,β表示要估计的未知参数向量。vit表示统计噪声的随机误差项,假定vit~iid N(0,σv2),并且与uit相互独立。uit表示在给定的适当结构下生产的技术无效因素,服从截断正态分布,即:uit~iid N+(μ,σu2),因此uit是一个非负的随机变量。Mit是技术无效率项,Mit越大表明技术效率越低。Zit为技术无效率的影响因素,N为影响因素的个数,δ为待估参数向量。TE为技术效率,它的预测值介于0和1之间,取值为1时表示完全技术效率。γ为待估计的参数,表示随机扰动项中技术无效率所占的比率。当γ接近于1时,说明该企业的实际产出与前沿之间的差距主要来源于技术非效率所引起的损失;当γ接近于0时,表明该企业的实际产出与前沿之间的差距主要来自于统计误差等外部影响因素如果γ=0,说明所有企业的生产点均位于生产前沿曲线上,此时无须使用SFA方法分析,直接运用OLS方法即可。
1.2 生产函数及技术无效率影响因素的选择
本文根据Battese & Coelli(1995)模型的基本原理[11],运用对数型柯布—道格拉斯生产函数对我国新能源上市公司的技术效率水平进行测算,影响因素选取企业规模、超额获利能力、股本结构、成立时间长短、技术能力、员工素质、地理位置等7个因素。
具体研究模型为:
方程(5)为前沿生产函数。基于主营业务指标能够更加本质、长期地表明一个企业的实际经营业绩及发展潜力,具有稳定性与持久性,并且处于会计报表的损益表中,相对更为客观、准确,所以Yit选取各上市公司的主营业务收入。Kit选取上市公司固定资产净值。Lit选取上市公司支付给职工以及为职工支付的现金,因为员工的现金收入代表了当期市场化了的劳动投入价值,其构成不但考虑了劳动投入的数量,也考虑了劳动投入的质量,考虑到各上市公司人员构成存在很大的差异,相对于采用在职职工人数或者总劳动时间等指标,员工现金收入对劳动投入的度量更加全面,并且具有横向可比性。β0、β1和β2均为待估计的参数。β0为截距项,β1实际上就是资本产出弹性,β2实际上就是劳动力产出弹性。
方程(6)为技术无效率的影响因素分析。其中,scale表示企业规模,用公司总资产反映;expower表示企业超额获利能力,用与其密切相关的公司无形资产反映;firstchar表示第一大股东性质,是一虚拟变量,第一大股东为国有股东则取1,否则取0;long为公司成立时间长短,用公司已成立的年数反映;techpower表示公司技术能力,用技术人员占全体在职人员比重反映;manpower表示公司员工素质,用本科及以上学历员工占全体在职员工的比重反映;east表示公司所处地理位置,是一虚拟变量,东部地区为1,否则为0。
1.3 样本选择及数据来源
2011年1月1日前在沪、深两地上市,股票正常交易的从事新能源及相关业务的公司共有62家。由于上市公司往往经营着多种业务,研究以2010年财务报表为基础,将新能源相关业务收入占公司总收入10%以上的企业筛选出来作为样本,这样共选出20家公司。其次,再将其中新能源业务收入占公司总收入50%以上的8家企业划分为专业化发展型企业,剩下的12家企业划分为多元化发展型企业。样本期间选取2004~2010年,这样就得到了140个样本点。经考察,所有样本点无异常值,均为有效样本点。数据来源于各个上市公司的年报,并经整理得到。指标取值皆为当年年末数据。
2 实证分析
根据上述研究方法和面板数据,运用Frontier4.1软件对2004~2010年度我国新能源板块上市公司技术效率及其影响因素进行了估计,实证分析结果如下。
2.1 参数估计及检验结果
参数估计及检验结果详见表1。从估计结果看,LR统计量(似然比检验统计量,渐进服从混合卡方分布)通过了1%显著水平下的检验,说明生产函数的误差项有明显的复合结构,因此使用SFA技术是有必要的。γ统计量在1%显著性水平下显著,说明被研究公司技术非效率显著存在。γ=0.686表明前沿生产函数的误差中有68.6%的成分来源于影响效率的因素,不可控因素产生的噪声只占较小的比重。
β1=-0.033意味着我国新能源上市公司的资本产出弹性为负值,但t检验不显著,说明单纯增加资本投入已对产出没有明显的作用。近几年我国新能源行业投资增加很快,太阳能、风能产业由于市场等问题,生物质能产业由于原料等问题,已经出现了不同程度的相对产能过剩现象,不宜再盲目扩大投资。β2=0.657,且通过了1%水平下的显著性检验,意味着我国新能源上市公司的劳动力产出弹性较大,说明我国新能源上市公司目前具有比较明显的劳动密集型特征,对劳动力的需求还比较旺盛。β1+β2=0.624意味着我国新能源上市公司总体上已处在规模报酬递减阶段,主要原因是资本的产出贡献过低。
注:*、**、***分别表示在10%、5%、1%的显著性水平上显著,无*表示未通过检验。
2.2 技术效率分析
表2给出了我国20个新能源板块上市公司2004~2010年度的技术效率水平估值,总体平均值为0.312。从公司维度看,各公司技术效率值存在较大差异,技术效率年度平均值排名第一的公司是特变电工,达到0.696,排名最后的公司是拓日新能,仅为0.127。从时间维度看,20家公司整体上技术效率有较大的提高,从2004年的平均值0.197提高到2010年的平均值0.444,各年增长率均超过了10%。单从2010年估值来看,已有东方电气、金风科技、特变电工3家公司的技术效率值超过了0.90。
从行业上看,综合型企业(样本中仅宝新能源一家)的技术效率平均值为0.607,排名第一;其次是风能企业,平均技术效率值为0.335;排名第三的是太阳能企业,平均技术效率值为0.310;排名最后的是生物质能企业,平均技术效率值为0.159。从时间趋势上看,综合型、风能、太阳能行业公司的技术效率整体上呈上升的趋势,生物质能行业公司的技术效率整体上呈现下降趋势(见图1)。
从类型上看,多元化企业平均技术效率值为0.324,专业化企业的平均技术效率值为0.294,多元化企业整体技术效率比专业化企业高10%。从时间趋势上看,除2006年外,多元化企业平均技术效率均高于专业化企业(见图2)。
2.3 技术效率的影响因素分析
根据表1可知,在技术无效率的各解释变量中,δ1、δ2、δ3、δ6通过了10%显著性水平下的t检验,δ4、δ5、δ7没有通过t检验。
δ1=-2.25E-07,表明新能源企业具有规模效应,规模越大,技术效率越高。但规模效益并不明显,总体来说,在其他因素不变的情况下,总资产每增加10亿元,技术效率增加2.25个点
δ2=-2.08E-05且通过了1%显著性水平下的t检验,表明新能源企业超额获利能力越强,技术效率就越高,而且这种效应非常显著,总体来说,在其他因素不变的情况下,无形资产每增加1000万元,技术效率就会增加2.08个点。由于无形资产主要包括专利权、非专利技术、商标权等,其主要形成途径为研发费用的资本化,这就要求新能源企业要重视科技研发,加大研发投入,促进无形资产的形成。
δ3=0.20且通过了5%显著性水平下的t检验,表明第一大股东性质对新能源企业技术效率有显著的负面影响,总体来说,在其他因素不变的情况下,第一大股东为国有股企业技术效率相对于第一大股东为非国有股企业平均低20个点。反映了在我国作为国有股股东的政府会对企业造成严重的行政干预,影响市场对资源优化配置功能的发挥,从而降低企业效率。这一问题的解决一方面依靠企业所有制改革的持续推进,另一方面也要依靠政府职能的切实转变。
δ6=-2.176且通过了1%显著性水平下的t检验,表明员工素质这一变量对新能源企业技术效率有非常显著的正面影响。总体来说,在其他因素不变的情况下,本科及以上学历员工占全体在职员工比重每增加1个百分点,技术效率就会增加2.176个点。市场竞争归根到底是人才的竞争,员工素质是企业竞争力的基础,决定了企业的技术和管理水平。对我国新能源行业而言,高素质人才十分缺乏,所以,大力培养、引进并使用好高素质人才成为提升技术效率的关键。
δ4、δ5、δ7没有通过t检验,表明我国新能源上市公司的技术效率与企业成立时间长短、技术能力、区域差异关系不大,对此做出如下解释。企业成立时间长短与技术效率没有必然联系,企业成立较早一方面意味着具有较多的经验积累,另一方面也可能意味着技术设备和管理理念的落后。企业技术能力和技术效率存在正相关的关系(δ5=-0.824),但这种关系并不显著,一方面是由于企业技术人员比重过大会造成技术人员的闲置和浪费,另一方面是由于我国新能源企业高素质的技术人员比重过小,使得整体研发创新能力不足,对技术效率的提高难以产生明显的作用地区差异对技术效率没有显著的影响主要是因为虽然东部在整体经济环境上存在优势(资金、人才、信息相对中西部更加充足),但中西部在资源和市场方面占据比较明显的优势,所以综合来看,技术效率的地区差异不明显。
3 结论与建议
通过对20家新能源上市公司的2004~2010年技术效率的测度以及影响因素的分析,可以得到以下主要结论:
(1)我国新能源上市公司总体技术效率偏低,虽然近几年有了较快的调高,但仍有很大的提升空间。(2)我国新能源上市公司技术效率参差不齐,差异较大,且差异有进一步放大的趋势。(3)整体上看,我国新能源上市公司资本产出弹性为负值,单纯增加固定资本投入对产出增加已没有明显作用。(4)企业超额获利能力、员工素质的提升对技术效率有非常显著的正向效应,企业规模对技术效率有一定的正向影响,第一大股东为国有股对技术效率的影响显著为负。(5)企业成立时间长短、技术人员比重、所处地理位置等因素对技术效率的影响不显著。
根据以上分析结论,对我国新能源行业发展提出一些建议:
(1)转变行业发展方式,大力提升技术效率。随着新能源行业投资的迅速增加和竞争的不断加剧,由于产业基础设施和政策体系建设相对滞后所带来的各种问题,我国新能源行业近期出现了一定程度上的相对产能过剩现象,不宜再盲目进行投资。所以,必须把依靠增加资源和资本投入的经济增长方式转变到依靠科技进步和提高劳动者素质的轨道上来,把提升技术效率与提高研发、管理水平和大力培养、引进高素质专业人才结合起来,为企业竞争力的提升提供不竭动力。
(2)鼓励企业间的一体化整合,规模化发展。从分析结果看,企业规模对新能源行业企业技术效率有正向影响,同时,多元化发展型企业技术效率高于专业化发展型企业。在适度控制行业新增投资的情况下,企业间的兼并重组有利于提高单个企业规模,实现规模效益,同时也有利于提高资源的综合利用效率,加速技术转移和扩散,从而加快行业整体技术效率的提升。
(3)继续发挥民营企业在新能源行业的优势。从分析结果看,在新能源行业上市公司中,民营企业技术效率显著高于国有企业。中国可再生能源学会副理事长孟宪淦认为:进入新能源或可再生能源领域,掌握或嫁接最先进的技术最为关键,而民营企业在这方面具有优势。所以,在新能源产业领域,应长期保持国企与民企并存竞争、合作共赢的长远态势,着力避免形成传统能源领域“寡头垄断”的格局。
摘要：文章运用随机前沿分析方法对我国新能源上市公司20042010年间的技术效率及其影响因素进行了实证研究。结果显示:自2004年以来,我国新能源上市公司的技术效率显著提升,但整体依然偏低;企业超额获利能力、员工素质对技术效率有显著的正向影响;企业规模对技术效率也存在正向影响,但影响不大;第一大股东的国有股性质对技术效率的影响显著为负;企业成立时间长短、技术人员比重、所处地理位置等因素对技术效率没有显著影响。最后,根据实证结果对我国新能源行业的发展提出了针对性的建议。
关键词：新能源,上市公司,技术效率,随机前沿分析
参考文献
[1].蒂莫西.J.科埃利.效率与生产率分析引论(第二版)[M].北京:中国人民大学出版社,2008:245~248
[2].毛路.上市公司技术效率实证研究[J].经济学家,2009,(3):69~73
[3].何颖,官建成.我国上市公司的技术效率[J].研究与发展管理,2010,22(3):51~57
[4].师萍,等.我国低碳企业技术效率及其影响因素的实证研究[J].中国科技论坛,2010,(11):67~72
[5].吴文庆,李双杰.中国电子行业上市公司效率的随机前沿分析[J].数量经济技术经济研究,2003,(1):112~116
[6].高伟,何枫.我国家电行业上市公司技术效率分析[J].产业经济研究,2005,(3):48~53
[7].王晓东.钢铁行业上市公司技术效率实证研究[J].北京科技大学学报(社会科学版),2008,24(2):17~21
[8].赵升.水泥行业上市公司技术效率实证研究[J].中国建材,2008,(6):65~68
[9].梁树广.我国建筑行业上市公司技术效率的随机前沿分析[J].科学决策,2010,(5):23~28
[10].耿逢春.基于DEA的新能源板块上市公司评价体系研究[J].经济视角,2007,(6):27~29