中国全要素生产率的变化:2000-2008

[内容摘要]本文使用序列DEA和当期DEA方法测算了中国2000―2008年的Malmquist生产率指数,并在规模报酬固定的假设下将其分解为技术效率变化指数和技术变化指数。结果显示自2000年以来全国及各省份的全要素生产率均发生下降,近年来中国的经济增长几乎完全依赖于要素投入的增加。全要素生产率持续降低是同期资本产出比率迅速上升造成的,这反映出中国经济增长过于依赖投资、收入分配不合理,同时也反映出金融体系的不健全。

[关键词]全要素生产率;DEA;资本产出比

一、引 言

改革开放三十多年来,中国的经济增长迅猛,取得了世所瞩目的成就。但与此同时,资源消耗巨大、要素配置效率差、产品附加值低、产业结构不合理等诸多问题始终让人们疑虑中国经济增长的持续性。中国经济增长的质量究竟如何,经济增长到底是来源于要素的投入还是来源于效率的提高?全要素生产率(TFP)作为衡量经济增长质量的重要指标,越来越受到经济学者的广泛重视,提高全要素生产率也被视为中国未来经济增长的决定因素。[1]

Chow[2]开启了对中国经济增长来源的研究,他认为中国在改革开放前TFP基本稳定,经济增长的主要动力是资本积累,而改革开放后TFP以每年2.7%的速度增长。颜鹏飞和王兵[3]将中国改革开放以来的经济发展划分为两个阶段,测算得到第一个阶段(1978―1991年),中国TFP年均增长率为-0.17%;第二阶段(1992―2001年)则为0.79% 。Young[4]采用自行调整后的数据测算1978―1998年间中国的TFP增长率为1.4%等。但是,目前这类研究对中国TFP增长率的估计存在较大分歧,即便针对同一时期的研究,不同学者得到的结果也有着明显的差别。这些差别无非来源于两个方面,一是数据,二是方法。[5]数据方面的差异不在本文讨论的范围之内。在研究方法上,传统的基于新古典经济学的增长核算和生产函数估计方法在中国的生产力分析中使用广泛,现代基于Malmquist指数的非参数模型或前沿分析方法,包括DEA、随机或确定的边际生产函数估计方法也被大量用于实证研究。DEA这种非参数方法由于不需要事先确定生产函数的形式、允许无效率形式存在以及便于对生产率变化进行分解等诸多优势,得到了越来越广泛的应用。[6]

二、方法和数据

本文把每一个省作为一个决策单位,以劳动和资本两要素作为投入,以国内生产总值作为单一产出,依照Fre et al.[7]的方法,使用基于投入导向的Malmquist 指数测算中国各省2001―2008年的全要素生产率,并在规模报酬固定(CRS)假设下将其分解为技术变化指数(TC)和技术效率变化指数(TEC)两个指标。DEA方法、Malmquist指数的基本原理、假设和模型以及Fre等人的分解在很多论文及教材上都有详细介绍,此处不再赘述。 ①

章祥荪和贵斌威提出Fre等人对生产率指数的分解存在逻辑上的错误:其分解得出的“技 术进步"并不是现实技术进步, 而是参照技术(基准技术)的进步。他们认为应该采用Ray和 Desli[8]提出的方法,使用规模报酬可变(VRS)的技术前沿测算技术变化和规模 报酬变化。②

对于此争论,我们的观点是:针对微观层面的研究,规模收益可变的假设是更符合实际的,现实中规模效应往往对厂商的经营有着显著的影响,此时,Ray和Desli的方法对生产前沿的把握更为精确,测算结果也就更具说服力。但是,针对宏观经济层面的研究,规 模收益固定的假设应更接近实际。这是因为:(1)一个国家或地区的土地、自然资源等要素禀赋是给定的,其规模不可能自行决定[9]或改变;(2)虽然宏观层面的研究中关注对象是宏观决策单位,但真实的经济活动仍然是由各个微观经济主体完成的,而特定微观主体的规模并不受宏观经济规模的支配;(3)即使测算发现宏观经济体表现出一定程度的规模效应,[10]我们也难以分辨到底是宏观经济规模还是微观个体规模在发挥作用。所以,本文秉持CRS假设,不考虑规模报酬的变动,仍然采 用Fre等人的分解方法,且无须将技术效率变化指数继续分解为规模报酬变化指数和纯技 术效率变化指数。

然而,这一方法也存在一定的缺陷,这表现在当生产前沿发生部分或整体倒退时,决策单位 会出现“技术退步"。事实上,单纯从科技水平的角度考虑,当今世界科学技术突飞猛进,尤其是信息技术不断地扩展其应用领域,各行各业仍在享受这场革命所带来的持续技术创新。在这种情况下,一个稳定的开放经济体出现技术退步是难以令人理解的,尤其对于生产前沿上的经济体来说,其生产率的降低应是由技术效率因素引起的。“技术退步"造成的另一 个麻烦在于,它会给技术效率变化的测算带来偏差――“技术退步",会使决策单位的“技术效 率"被动提高,“技术效率变化"指数也就变得难以解释。

为了克服这一缺陷,Tulkens和Eechaut[11]提出了序列DEA方法,传统的DEA方法则被命名为当期DEA方法。序列DEA方法假设在任一时期,以前各期的技术仍然可行,当后一时刻全部决策单位形成的生产前沿相对于前一时刻的生产前沿未在任何一处出现倒退时,两种方法的结论没有区别,因为它们在后一时刻使用的参考技术是相同的;当生产前沿出现退步时,两种方法得出的Malmquist生产率指数一般是有差异的,因为这种情况下它们所参考的技术是不同的。更明显的区别在于对Malmquist指数的分解――技术变化指数和技术效率变化指数。特别是对于技术效率变化指数,使用序列DEA方法时,其不会出现因为生产前沿的倒退而“被"进步的情况。本文也将采用序列DEA方法对可能出现的生产前沿倒退予以修正。③

基础数据主要来源于中经网统计数据库中的综合年度库,该库收录整理了各期《中国统计年鉴》数据。只有2000年初始资本存量指标来源于张军等[12]的测算。考虑到张军等没有提供重庆市2000年资本存量的估算,为与其保持口径的统一,本文将重庆市的数据纳入四川省予以考察。由于固定资本形成数据缺失,自治区不在本文的研究范围之内。④考虑到数据和可比性问题,港、澳、台地区也被本研究排除在外。这样,本文的数据包括29个 省、市、自治区。劳动投入指标为年末从业人员数。各省2006年数据均缺失,采用2005年和 2007年数据的平均值取代。我们采用永续盘存法估计资本存量Ki,t,有Ki,t =Ii,t+(1-δ)Ki,

t-1。将固定资本形成总额数据作为Ii,t,并使用固定资产投资价格指数将其调整为2000年不变价格 ;基期资本存量使用张军等(2004)的测算结果;经济折旧率δ同样也来自于张军等计算得到的9.6%。云南省2008年固定资本形成数据缺失,我们采用前五年的数据测算其固定资本形成的年均增长率,并以此来估计2008年的固定资本形成数据。产出使用国内生产总值。以2000 年价格为基准用GDP平减指数进行调整。

表1各省平均Malmquist生产率指数及其分解省、市、区当期DEA方法序列DEA方法Malmquist生产率指数技术效率变化指数技术进步指数Malmquist生产率指数技术效率变化指数技术进步指数北京0.9241.0170.9090.9270.9271.000天津0.9150.9580.9550.9530.9531.000河北0.9080.9820.9240.9350.9351.000山西0.8951.0340.8660.9220.9221.000内蒙古0.8530.9600.8890.8730.8731.000辽宁0.9030.9450.9550.9130.9131.000吉林0.8800.8950.9830.9020.9021.000黑龙江0.9160.9910.9250.9450.9451.000上海0.9571.0000.9570.9840.9841.000江苏0.9330.9880.9440.9320.9321.000浙江0.9161.0000.9160.9230.9231.000安徽0.9100.9970.9130.9130.9131.000福建0.8940.9520.9390.9190.9191.000江西0.8860.9910.8940.8990.8991.000山东0.9031.0150.8900.9280.9281.000河南0.8960.9700.9240.9100.9101.000湖北0.8861.0070.8800.9080.9081.000湖南0.9070.9810.9240.9120.9121.000广东0.9161.0000.9160.9300.9301.000广西0.8950.9610.9320.8980.8981.000海南0.9351.0280.9090.9560.9561.000四川0.8971.0010.8960.9070.9071.000贵州0.9161.0520.8700.9170.9171.000云南0.9161.0110.9060.9180.9181.000陕西0.9100.9720.9360.9350.9351.000甘肃0.8900.9740.9140.8930.8931.000青海0.9141.0490.8710.9430.9431.000宁夏0.9131.0350.8820.9400.9401.000新疆0.9571.0530.9090.9550.9551.000东部0.9180.9950.9230.9320.9321.000中部0.8990.9980.9010.9120.9121.000西部0.9021.0080.8940.9170.9171.000全国0.9100.9830.9260.9250.9251.000

注:各省的Malmquist生产率指数、技术效率变化指数、技术变化指数均为其2001―2008年指数值的平均值。全国及各区域的指数值通过两步获得:(1)以各省GDP为权重,按年度计算指数的加权平均值;(2)将2001―2008年的年度指数平均。本文中各区域划分为:东部,包括北京、天津、河北、辽宁、上海、江苏、浙江、福建、山东、广东和海南;中部,包括陕西、吉林、黑龙江、安徽、江西、河南、湖北和湖南;西部,包括内蒙古、广西、四川、贵州、云南、陕西、甘肃、青海、宁夏和新疆。

三、测算结果及分析

(一)测算结果

当期DEA方法测算的结果多少让人感到意外――中国自2000年以来没有一个省份在任何一年中全要素生产率出现提高。Malmquist指数分解得到的技术进步指标也全部小于1。这说明用当期方法测算的生产前沿在持续退步,于是,我们用序列DEA方法重新进行了测算。限于篇幅 ,我们将平均后的结果列示于表1中。在当期方法下,全国年均Malmquist生产率指数为0.910 ,在序列方法下为0.925。不论采用哪种方法,东部地区的Malmquist生产率指数都是最高的,中部地区最低,西部略高于中部。这说明东部是中国全要素生产率退步最缓慢的地区,而中部则是退步最迅速的地区,东部与中西部地区间生产率的差距在扩大。从省份来看,上海的Malmquist生产率指数无疑是最高的,而内蒙古则是最低的。

图1 全国和各地区的年度TFP变化率

图1显示了使用两种方法测算的全国及各区域近年全要素生产率变化的变动趋势。可见自2001年来各区域的TFP都在持续地下降,降幅时大时小,呈螺旋态势,但Malmquist指数从未大于0.96。当期DEA方法的测算结果普遍低于序列DEA的测算结果,这种差异是由两种方法采用不同的生产前沿造成的。

图2 技术效率变化指数的比较(全国)

由于当期生产前沿的全面持续倒退,采用序列DEA方法对Malmquist生产率指数进行分解已经变得索然无味。很显然,在序列方法下,生产前沿持续保持不变,Malmquist指数必然等同于技术效率变化指数。但在采用当期DEA方法进行分解时,似乎还能得到相对“好看"的结论,例如有10个省份的技术效率变化指数大于1。然而非常遗憾的是,这仅仅是源于生产前沿的持续倒退,是技术效率的“被提高"。在这种情况下,由当期DEA方法测得的技术效率变化指数必然高于使用序列方法的所得(如图2)。⑤

本文的测算也使得分析TFP对经济增长的贡献率变得多余,很明显,近年来中国的经济增长依赖要素投入的增加。

(二)稳健性

自2000年以来全国所有省份全要素生产率持续降低,这似乎让人难以接受。我们尝试改变了资本和劳动投入的测算方法,试图这一论断:(1)按照Guillaumont Jeanneney et al.[13]的方法测算初始资本投入,将2000年的资本存量设定为过去20年投资的总和,同时将经济折旧率设定为5%;(2)使 用年末在岗职工人数替代年末从业人员数;(3)是将(1)和(2)相结合。

然而,改变投入数据后测算的中国全要素生产率与原有结果的差别只在于取值的微小变化,并不涉及Malmquist指数及其因子性质的改变(大于或小于1,省份层面有极个别的例外)。这说明本文结论没有受到数据选择的影响。

段文斌和尹向飞[14]提出:如果某一时刻出现异常值,并且该异常值在生产前沿上,那么使用序列DEA方法很可能造成该值对以后时期的持续影响。针对这一疑虑,我们将数据区间向前推至1999年,结果显示,2000年的生产前沿只在上海一个地区将1999年的生产前沿略微向前推进(TC=1.016)。应该说我们的结论受到个别异常值持续影响的可能性不大。

事实上,很多测算中国全要素生产率的研究都显示,从2000年前后,中国全要素生产率呈现下降趋势,这也从侧面印证了本文的结论。

(三)结果分析

全要素生产率的变动并不是单纯的技术变化。正如前文所言,考虑到时代背景,我们应该从效率,而不是技术水平的角度来分析中国TFP下降的原因。

表22000―2008年中国单位产出所需要素投入的变化年 份200020012002200320042005200620072008劳动产出比(人/亿元)638963666429636061406039603959125687资本产出比(-)1.812.022.272.522.743.073.513.934.32

注:2000年不变价格;将各省数据直接加总获得全国劳动投入、资本投入和产出数据;劳动产出比等于当年年末从业人员数/GDP;资本产出比等于当年资本存量/GDP。

为了找到TFP下降的根源,我们考察产出所需要素投入在2000―2008年的变化情况。这里既有好消息,也有坏消息。好消息是单位产出所需的劳动投入在持续下降,从2000年的每亿元 产出需要6389个劳动力,到2008年的5687个劳动力;坏消息则是单位产出所需资本投入(资 本产出比)在这短短的几年间迅速上升,从2000年的1元产出需要1.81元投入上升至2008年 的4.32元投入(见表2)。内蒙古的资本产出比上升最为迅猛,从2000年的1.60上升到200 8年的7.13,而同期其全要素生产率下降的幅度也最大。

一般来说,资本产出比的提高往往是对劳动力价格提升的反应。近年来中国居民的收入虽有所增加,但排除价格因素后这一增加并不明显,然而,同期的资本产出比却翻了一番多,资 本/产出上升的速度明显高于劳动/产出下降的速度,这必须引起我们的警惕。在2002年,西欧发达国家法国、德国和英国的资本产出比也仅仅达到2.67、3.08和2.26,[15]尽管他们的居民收入水平和劳动生产率均远高于中国。大量外来资本的流入 也许可以解释短时期资本产出比的迅速提高,但是,全国范围持续数年的快速上升无疑说明中国的资本 投入不合理。

从资本投入的总量看:近年来全国各地新增固定资产投资迅猛增加,政府和大集团主导下的投资成为拉动地方经济增长的重要动力。然而投资的回报率是会逐渐降低的,因而这不是一种可持续的增长方式。更重要的是,从宏观收入分配的角度考察,更多的收入被用于固定资产投资必将挤占普通居民的收入,进而挤压国内消费空间,使普通百姓难以充分享受经济发展的果实。这两种影响综合起来造成国内消费不足、对外部市场的依赖加重,同时,经济发 展愈加依赖投资。

从资本投入的效率看:资本产出比上升就意味着单位资本的产出下降。在中国这样一个还在发展中的国家,资本仍然是非常稀缺的资源,然而,资本产出比的快速上升告诉我们大量的 资本被配置在产出低的部门,这反映出中国金融体系的不健全――金融部门在分配资本时没有起到应有的作用。

四、结 论

我们使用DEA非参数模型衡量中国的生产率变化,并将全要素生产率分解为技术效率变化和技术变化。结果显示自2000年中国全要素生产率持续下降,东部与中西部地区间生产率的差距仍然在扩大。近年来,中国的经济增长依赖要素投入的增加,全要素生产率的持续降低是同期资本产出比率迅速上升造成的。资本产出比的上升反映出中国投资回报率的下降、收入分配不合理,同时也反映出金融体系的不健全。次贷危机以来的大规模投资会否造成中国全 要素生产率的继续恶化、影响到中国经济的可持续增长,是非常令人关注的问题。

注 释:

①原理、假设和模型的详细介绍可以参见Fre et al.(1994),颜鹏飞和王兵(2004) ,科埃利等(2008)等。

②但需要注意的是,章祥荪和贵斌威(2008)采用Ray和Desli的方法所得到的“技术进步”仍然不是决策单位实际的技术进步,其本质还是一种参照技术的进步,只不过参照对象换成了最佳实践技术。

③序列DEA方法已被较为广泛的使用,详细介绍可参考Tulkens和Eechaut(1995),王兵和颜鹏飞(2007)等。

④考虑到自治区经济规模的特殊性,这样处理也使规模报酬固定的假设更有说服力。

⑤只有当生产前沿不再继续倒退时(但不必要取代原有的序列生产前沿),当期方法所得才会低于序列方法。

主要参考文献:

[1] 胡鞍钢.未来经济增长取决于全要素生产率提高[J]. 政策,2003(1).

[2]Chow, G., Capital Formation and Economic Growth in China[J]. Quart erly Journal of Economics, 1993.

[3]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).

[4]Young, A., Gold into Base Metals: Productivity Growth in the People' s Republic of China during the Reform Period[J]. Journal of Political Economy,

2003.

[5]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).

[6]Fre, R., Grosskopf, S., and Russell, R. R., Index Numbers: Essays

in Honor of Sten Malmquist[M]. Boston: Kluwer Academic Publishers, 1998.

[7]Fre, R., Grosskopf, S., Norris, M., and Zhang, Z., Productivity Gr owth, Technical Progress, and Efficiency Change in Industrialized Countries[J] . American Economic Review, 1994.

[8]Ray, S. C., and Desli, E., Productivity Growth, Technical Progress,

and Efficiency Change in Industrialized Countries: Comment[J]. American Econom ic Review, 1997.

[9]科埃利,拉奥,奥唐奈和巴蒂斯.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.

[10]Kim, J.,and Lau, L., The Sources of Economic Growth of the East Asi an Newly Industrialized Countries[J]. Journal of Japanese and international Ec onomies, 1994(8).

[11]Tulkens, H. and P. van den Eeckaut, Non-parametric efficiency, prog ress, and regress measures for panel data: methodological aspects[J]. European

Journal of Operational Research, 1995.

[12]张 军,吴桂荣,张吉鹏.中国省际物质资本存量估算: 1952―2000[J]. 经济研 究, 2004(10).

[13]Guillaumont Jeanneney, S.,

Hua, P., and Liang Z., Financial Develo pment, Economic Efficiency, and Productivity Growth: Evidence from China[J]. T he Developing Economics, 2006.

[14]段文斌,尹向飞.中国全要素生产率研究评述[J]. 南开经济研究, 2009(2).

[15]Weale, M., UK Productivity: Its Failings and Its Outlook[R]. NIES R, 2004. www.niesr.ac.uk/EVENT/productivity.PPT.

Changes of Total Factor Productivity in China: 2000-20 08

Jiang Chun1 Wu Lei2 Teng YunAbstract: Using Sequential DEA and Contemporaneous DEA, this pa per calculates Ch ina's Malmquist Productivity Index and its components- Technical Efficiency Chan ge and Technical Change- in the period of 2000 to 2008. The result shows that Ch ina has a sustained decrease in Total Factor Productivity. China's economic grow th almost totally depends on the increase of input. The rapid rise of the capita l/output ratio which implies unreasonable of income distribution and sickness of

financial system leads the decrease of TFP.

Key words: Total Factor Productivity; DEA; Capital/Output Ratio