中国战略性新兴产业技术效率及其影响因素,本文主要内容关键词为:战略性论文,中国论文,新兴产业论文,效率论文,因素论文,此文献不代表本站观点,内容供学术参考,文章仅供参考阅读下载。
中图分类号:F264.9 文献标识码:A 文章编号:1003-5230(2015)02-0003-09 为进一步推进我国产业结构优化升级和经济发展方式顺利转变,实现经济的可持续发展,我国政府明确将大力培育和发展战略性新兴产业作为当前经济发展的重大战略任务,并出台了一系列政策措施在全国范围内进行部署、推进及实施。近年来,随着我国政府以及企业主体对战略性新兴产业生产投入的不断加大①,由此引出的问题是:我国战略性新兴产业生产的技术效率究竟如何?其影响因素是什么?其提升路径何在?这些问题迫切需要从理论上进行探讨。为系统回答上述问题,本文基于生产函数理论,应用随机前沿分析法(SFA)并构建超越对数(Trans-log)生产函数模型,对我国战略性新兴产业的技术效率及其影响因素进行实证测度及检验。 国外有关产业技术效率测度的研究成果已经相当丰富,如Donald和Plessmann、Lilienfeld等基于农业部门的面板数据,使用两阶段数椐包络分析法,测度农业技术效率,并检验农业技术效率的相关影响因素[1][2];Kim和Shafi、Yot和Charles等运用随机前沿分析法,基于制造业面板数据,测度制造业技术效率[3][4];Heru、Peter和Carlos等运用随机前沿分析法并构造广义多产出随机前沿生产模型,估计商业银行的技术效率[5];Jarboui等使用公共道路运输部门的面板数据,运用随机前沿分析法,测度发展中国家公共运输部门的技术效率,并检验其影响因素[6]。然而遗憾的是,国外已有产业技术效率的测度对象主要集中在农业、制造业、银行业及公共事业部门等领域,而很少有学者对战略性新兴产业的技术效率进行测度,更缺乏对战略性新兴产业技术效率影响因素的实证检验。近年来国内学者对战略性新兴产业的效率研究开始活跃起来,如熊正德和詹斌等基于战略性新兴产业上市公司面板数据,对我国战略性新兴产业金融支持效率进行测度,并分析其影响因素[7];肖兴志和谢理、邬龙和张永安等运用随机前沿分析方法并构造柯布—道格拉斯生产函数模型,对我国战略性新兴产业的创新效率进行研究[8][9];程贵孙和张雍、任保全和王亮亮等运用数据包络分析法分别对我国战略性新兴产业的生产技术效率及全要素生产率进行测度[10][11]。然而,国内已有研究使用我国高技术产业或者随机抽取上市公司作为战略性新兴产业的替代研究对象,无法全面反映战略性新兴产业的整体状况,可能导致对其效率及影响因素分析不准;应用数据包络分析方法测度效率,牺牲了对生产函数的估计,难以检验结果的显著性;应用随机前沿分析方法并基于柯布—道格拉斯生产函数模型测度效率,无法克服函数模型的技术中性和产出弹性固定等强假定问题,容易导致因函数形式误设而带来的估计偏差。 基于现有研究基础,并克服上述局限,本文进一步深化对我国战略性新兴产业技术效率的研究,使用2004-2011年中国7大战略性新兴产业46个样本行业的面板数据,应用随机前沿分析方法(SFA)并构建超越对数(Trans-log)生产函数模型,对我国战略性新兴产业的技术效率及其影响因素进行更为稳健的实证分析。 二、模型设定、变量及数据特征分析 (一)随机前沿生产模型设定 考虑到随机前沿分析方法的基本特征,尤其是可以将技术效率测度与其影响因素同时进行估计所具有的优势,我们基于随机前沿分析法来构造我国战略性新兴产业随机前沿生产模型,其一般形式为:

式(1)中,y代表产出变量,x为投入向量,i为行业,t为时间,β为待估参数向量,误差项

-

为复合结构,且

和

相互独立。其中,

表示随机扰动项,服从独立同正态分布,即服从

,

为技术无效率项,其分布并没有先验证据。学者们根据研究对象的不同对

进行了不同分布假定,本文在研究时假定

服从均值为

、方差为

的零点截断正态分布,即服从

。其中,

为技术无效率项的解释变量,且有:

,参数η表示时间因素对技术无效率项

的影响[12]。另外,我们还设定方差参数

,其中,γ介于0与1之间,表示复合扰动项方差中技术无效率项方差所占的比例,γ越趋近于1,说明误差项主要来源于技术无效率,采用随机前沿生产模型就越合适[13]。 战略性新兴产业技术效率的经济学含义为,在控制随机冲击因素的影响后,样本行业生产的实际产出水平与最大可能产出水平之间的比值,其效率值(

)的表达式为:

式(2)中,当

>0时,

<1,表明决策单元的生产活动存在技术无效率;当

=0时,

=1,表明决策单元的生产技术有效。 对于设定的随机前沿生产模型,我们需要采用合适的生产函数形式。确定合适的生产函数形式既要考虑我国战略性新兴产业生产活动的数据特征,也要考虑函数形式的自身特征。目前较为常用的生产函数主要有柯布—道格拉斯生产函数(对数形式)和超越对数生产函数。已有研究大部分采用的是柯布—道格拉斯生产函数(对数形式)。我们认为,柯布—道格拉斯生产函数虽然形式简单易于使用,但其技术中性和产出弹性固定的假定并不能很好地反映我国战略性新兴产业生产活动的现实,而超越对数生产函数则放宽了这些假定,且形式上更为灵活,能够更好地避免由于函数形式误设而带来的估计偏差。因此,我们使用超越对数生产函数来刻画我国战略性新兴产业的生产行为,而且在下文的实证分析中,我们在对随机前沿生产模型设定的合理性进行检验时,其结果也表明超越对数生产函数优于柯布—道格拉斯生产函数(对数形式)。 对于设定的随机前沿生产模型,我们需要恰当地确定各个变量的衡量指标。基于数据的可获得性及完整性,我们使用工业增加值作为我国战略性新兴产业生产活动的产出变量(

),使用投入到我国战略性新兴产业生产活动中的资本存量(K)和劳动(L)作为投入变量(

)。由此,我国战略性新兴产业随机前沿生产模型为:

进一步,我们对式(3)中技术无效率项(

)进行建模,以检验相关因素对我国战略性新兴产业技术效率的影响。我们认为,行(产)业外部环境和内部经营绩效均会对我国战略性新兴产业生产活动的技术效率产生影响。对于行(产)业外部环境,我们主要考虑行(产)业市场结构、所有权结构、对外开放度等因素[14];对于内部经营绩效,我们主要考虑行(产)业盈利能力[15]。基于数据的完整性及可获得性,我们使用行(产)业平均企业规模(Scal)测度市场结构;使用国有产权比重(Own)测度所有权结构;使用外商投资占比(Foreign)测度对外开放度;使用行业销售利润率测度行(产)业盈利能力(Profit)。此外,由于不同行业的技术特征存在差异,考虑到其对技术效率测度可能产生影响,我们引入行业虚拟变量(

)加以控制。因此,将技术无效率项函数模型设定如下:

式(4)中,j=2,3,…,i,其余各变量含义如上文所述,δ为待估系数向量,

服从均值为0、方差为

的截尾正态分布,其截断点为

,这些假定与

服从

非负断尾正态分布相一致。 (二)变量及数据特征分析 依据国家统计局制定的《战略性新兴产业分类(2012)》标准②,结合《国民经济行业分类—2011》,我们将我国战略性新兴产业具体细分行业与《国民经济行业分类—2011》四位码行业进行对应衔接,整理与划分出46个样本行业作为本文实证研究的对象。考虑到数据的完整性及可获得性,我们将选取的样本期设定为2004-2011年。有关变量的原始数据均源自历年《中国统计年鉴》、《中国机械工业年鉴》、《中国高技术产业统计年鉴》、《中国化学工业年鉴》、《中国固定资产投资统计年鉴》等相关统计年鉴。至此,我们选取了2004-2011年我国7大战略性新兴产业46个样本行业,共有368个样本观测值。 1.关于工业增加值的核算。我国相关统计年鉴只报告了2004-2007年样本行业的工业增加值,但却报告了2004-2011年样本行业的工业总产值。由于工业增加值是工业企业在一定时期内工业总产出扣除中间消耗以后的价值,因此,我们可以根据样本行业工业总产值构造出样本行业工业增加值[16]。其核算方法如下:首先,计算出各个样本行业2004-2007年工业增加值与工业总产值的比值;其次,将计算出的2004-2007年各个样本行业工业增加值与工业总产值的比值分别进行算术平均,每个样本行业便得到一个平均比值;最后,将各个样本行业2008-2011年的工业总产值分别乘以上述步骤计算出的各自平均比值,由此便构造出各个样本行业2008-2011年的工业增加值数据。为消除价格因素对数据分析的影响,我们使用每个行业对应于《国民经济行业分类—2011》两位码行业的生产者价格指数,将工业增加值平减为2003年不变价格的实际值。 2.关于资本存量的核算。我们采用固定资产投资额,按照国际上较为流行的永续盘存法(PIM),对所选取的样本行业资本存量进行核算,其基本核算公式为:

其中,

表示第i个行业t时期的资本存量,

为资本(固定资产)折旧率,

表示第i个行业t-1时期的资本存量,

表示第i个行业t时期的固定资产投资支出额。按照永续盘存法,资本存量(

)的核算过程如下:首先,使用固定资产投资价格指数,将样本行业年固定资产投资支出额(

)平减为2003年不变价格的实际值。其次,对资产(固定资产)折旧率(

)进行确定,不同学者根据研究对象的不同设定不同的折旧率。如吴延兵等在核算我国工业行业R&D资本存量时,设定的资产折旧率为15%[17];张军等在核算我国省际物质资本存量时,设定的资产折旧率为9.6%[18];周晶、何锦义等在采用收入法核算我国战略性新兴产业增加值时,设定的资产折旧率为6%[19]。考虑到本文研究的行业特征与周晶、何锦义等的研究对象特征一致,我们也将资产(固定资产)折旧率(

)设定为6%。最后,对基期资本存量进行确定,我们采用Hall和Mairesse等核算样本基期资本存量的方法,表达式为:

。其中,

为基期(2004年)固定资产投资支出额,

为各个样本前期的固定资产投资额年平均增长率,

为资本(固定资产)折旧率。对于

的确定,吴延兵等事前假定各个样本行业

为5%,与之不同,我们根据各个样本在样本期内的固定资产投资额年平均增长率确定。 3.关于劳动投入的核算。我们使用各个样本行业从业人员的年平均人数作为劳动投入的核算指标,其基本的核算公式为: 从业人员年平均人数=(上年末从业人数+本年末从业人数)/2 (6) 4.关于各个影响因素代理变量的核算。我们使用样本行业的工业增加值(用生产者价格指数将其平减为2003年不变价格的实际值)与企业个数(规模以上)之比来核算行业平均企业规模(

)。为了检验模型结果的稳健性,我们也使用样本行业年平均从业人数(规模以上)与企业个数(规模以上)之比来核算行业平均企业规模(

);使用样本行业国有及国有控股企业年投资额与样本行业总体企业年投资额之比来核算国有产权比重(Own);使用样本行业外商及港澳台企业年投资额与样本行业总体企业年投资额之比来核算对外开放度(Foreign);使用样本行业利润总额与样本行业销售收入之比来核算行业盈利能力(Profit)。 运用Eviews6.0软件,我们对模型中各个变量进行描述性统计,其结果如表1所示。

三、实证结果及分析 (一)随机前沿生产模型设定的合理性检验 SFA模型的设定是否合理,关系到对我国战略性新兴产(行)业技术效率测度的准确性,因此尤为重要。为此,我们对SFA模型中的待估参数进行似然比检验(即LR检验),在进行LR检验时,构造如下检验统计量:

其中,

分别为零假设似然函数值和备选假设似然函数值。如果零假设成立,那么λ统计量渐近服从自由度为受约束数目的

分布,如果零假设中包含γ=0,则检验统计量λ服从混合

分布。我们在此设定三个零假设:假设

,此假设是为了检验模型中是否需要引入变量交互项,若零假设成立,则在SFA模型设定时应采用柯布—道格拉斯生产函数形式;假设

∶γ=η=0,此假设是为了检验技术无效率项(

)是否存在,若零假设成立,则技术无效率项(

)不存在;假设

∶η=0,此假设是为了检验时间因素是否对技术无效率项(

)产生影响,若零假设成立,则技术无效率不具有时间趋势。检验结果如表2所示。

由表2可知,三个假设检验的结论均为拒绝。假设

被拒绝,表明在SFA模型设定时应采用超越对数生产函数形式;假设

被拒绝,表明技术无效率项(

)确实存在;假设

被拒绝,表明时间因素对技术无效率项(

)产生影响,技术无效率具有时间趋势。以上结论表明本文SFA模型设定是合理的。 (二)我国战略性新兴产业技术效率测度及分析 基于上文模型估计式,我们使用Frontier 4.1软件,对我国7大战略性新兴产业46个样本行业的技术效率进行测度,其测度结果如表3所示。 由表3可知,从总体上来看,我们测度的所有样本行业技术效率值均低于1,这表明,在控制随机变量冲击的影响后,在既定的生产要素投入下,各个样本行业生产活动的实际产出值均没有达到其最大可能产出水平(即随机前沿面水平),可见,样本期间我国战略性新兴产(行)业生产活动存在着技术无效率。我国战略性新兴产业样本行业的整体产(行)业技术效率均值仅为0.41,该值表明,样本期间我国战略性新兴产(行)业生产活动的实际产出水平仅达到了最大可能产出水平的41%,生产活动的实际产出水平与其最大可能产出水平相差高达59%,由此可见,我国战略性新兴产(行)业技术效率总体水平偏低,技术效率仍然存在很大的提升空间。分产业来看,在我国7大战略性新兴产业46个样本行业中,有17个样本行业的技术效率均值超过整个产(行)业的技术效率均值(0.41),其中电子计算机整机制造业的效率值为0.98,效率值最高;有29个样本行业的技术效率均值低于整个产(行)业的技术效率均值(0.41),其中工矿有轨专用车辆制造业的效率值为0.20,效率值最低,技术效率最低行业的效率值仅为最高值的20.41%。可见,我国战略性新兴产业各个行业的技术效率存在很大差异,且极不平衡。 (三)随机前沿生产模型估计 我们使用Frontier 4.1软件,采用一步极大似然法,对设定的SFA模型进行估计。为检验技术无效率项(

)回归结果的稳健性,我们对

中自变量使用不同的代理变量,从而形成(3.1)、(3.2)与(3.3)三个具体模型估计式。模型(3.1)中行业平均企业规模使用样本行业的工业增加值(用生产者价格指数将其平减为2003年不变价的实际值)与企业个数(规模以上)之比来核算;模型(3.2)中行业平均企业规模使用样本行业年平均从业人数(规模以上)与企业个数(规模以上)之比来核算;模型(3.3)为在模型(3.1)的基础上引入行业虚拟变量而得。模型估计结果如表4所示。 由表4可知,从模型回归的总体结果来看,模型估计式(3.1)、(3.2)及(3.3)中的方差系数γ均在1%的显著水平上异于零,统计量单边LR检验值也在1%水平上拒绝零假设,这些都充分说明了模型误差项是包含无效率因素的复合结构,且误差主要来源于技术无效率,从而再一次验证SFA模型设定的合理性。 另外,从以上三个模型估计式的具体回归结果来看,技术无效率项中无论是否加入了行业虚拟变量,还是将行业平均企业规模(

)使用不同的代理变量表征,

中各个变量的回归系数符号都没有发生变化,由此可见,技术无效率项的回归结果是稳健的。

(四)我国战略性新兴产业技术效率的影响因素分析 我们通过对SFA模型中技术无效率项(

)进行建模来考察我国战略性新兴产业技术效率的影响因素。从表4的回归结果来看,除了模型估计式(3.1)中外商投资占比(Foreign)系数不显著,模型估计式(3.2)中行业平均企业规模(

)系数和外商投资占比(Foreign)系数不显著及模型估计式(3.3)中外商投资占比(Foreign)系数在10%的显著性水平上通过检验外,其他模型估计式中变量系数均在1%的显著性水平上通过检验。技术无效率项(

)中变量系数符号为负表明该变量对技术效率的影响为正,如果变量系数符号为正则表明该变量对技术效率的影响为负。

1.行业平均企业规模对我国战略性新兴产(行)业技术效率产生显著的正影响。除在模型估计式(3.2)中行业平均企业规模(

)的系数不显著外,在模型估计式(3.1)和(3.3)中,行业平均企业规模(

)的系数均在1%的显著性水平上通过检验,而且变量系数均为负数,这表明我国战略性新兴产(行)业技术效率随行业平均企业规模的扩大而提高。可见,我国战略性新兴产(行)业还处于成长发展阶段,企业规模的扩大带来了“规模经济”效应,即随着企业运营时大量资本(诸如厂房、设备、科研基础设施等)及劳动等要素投入的增加,分摊到每一单位产品的固定成本会越来越少,从而使得产品的生产成本下降,整个产(行)业技术效率得到提高。 2.国有产权比重对我国战略性新兴产(行)业技术效率产生显著的负影响。在模型估计式(3.1)、(3.2)和(3.3)中,国有产权比重(Own)的系数均在1%的显著性水平上通过检验,而且变量系数均为正数,这表明我国战略性新兴产(行)业技术效率随国有产权比重的上升而下降。与其他产业类似,战略性新兴产业过高的国有产权比重由于其激励、监督、约束机制的失效和预算软约束的存在,使得整个产业在生产经营、流程创新、资源利用等方面缺乏动力,从而对战略性新兴产业技术效率的提升形成负向冲击[21]。 3.对外开放度对我国战略性新兴产(行)业技术效率产生显著的正影响。模型估计式(3.1)及(3.2)中外商投资占比(Foreign)的系数不显著,但模型估计式(3.3)中外商投资占比(Foreign)的系数在10%的显著性水平上通过检验,而且变量系数为负数,表明我国战略性新兴产(行)业技术效率随着对外开放度的提高而上升。引进外资可以通过吸收国外先进的技术水平和管理经验、学习国外工作技巧、利用国际营销渠道及营销平台、借鉴国外品牌及无形资产等路径对我国战略性新兴产业本土企业带来积极的技术溢出效应和竞争效应③,从而对该产业技术效率的提升产生积极的促进作用。 4.行业盈利能力对我国战略性新兴产(行)业技术效率产生显著的正影响。在模型估计式(3.1)、(3.2)和(3.3)中,行业盈利能力(Profit)的系数均在1%的显著性水平上通过检验,而且变量系数均为负数,这表明我国战略性新兴产(行)业技术效率随着行业盈利能力的提高而上升。行业盈利能力的提高,一方面可以使行业内资产利用效率以及生产经营管理的有效性得到进一步的提升,从而推动行业技术效率的提升;另一方面也能够为行业发展带来充裕的资源投入使其更具规模经济性,从而有助于整个行业技术效率的提升。 四、结论与政策建议 本文研究所得结论主要有:第一,我国战略性新兴产(行)业技术效率总体水平偏低,存在很大的提升空间;第二,战略性新兴产业各个行业的技术效率存在很大差异,且极不均衡;第三,行业平均企业规模、对外开放度及行业盈利能力对我国战略性新兴产业技术效率的提升有显著的正影响,国有产权比重对我国战略性新兴产业技术效率的提升有显著的负影响。 本文的结论对于如何有效提升我国战略性新兴产业技术效率具有重要的启示,基于以上实证结果,我们提出以下政策建议: (1)我国政府应充分发挥其有效的投入导向作用,并根据当前我国战略性新兴产业整体技术效率偏低、各行业发展极不均衡的特点,实行有针对性的分类指导。具体而言,对于技术效率高的行业,应将其作为重点行业进行培育和发展,并在投融资、税收优惠、财政资金补贴等方面加大扶持力度,充分发挥其引领和带动作用[22];对于技术效率低的行业,要着力引导和鼓励其大力引进先进技术、进行工艺流程创新以及提升管理水平,以有效提高其资源要素的利用效率。 (2)我国政府应进一步促进战略性新兴产(行)业企业规模的扩大,实现规模化经营。实证结果表明,行业平均企业规模的扩大对战略性新兴产业技术效率的提升产生显著正影响,因此,政府应当及时制定战略性新兴产业的市场准入标准,提高企业的进入门槛,以防止生产过度分散及规模不经济。同时,政府也应当鼓励和支持战略性新兴产业企业通过重组、兼并、联合及股权转让等方式优化资源配置,以企业低成本优势实现规模化经营,提升产业技术效率。 (3)我国政府应进一步深化战略性新兴产业国有及国有控股企业改革,合理调整国有产权比重。实证结果表明,过高的国有产权比重已对我国战略性新兴产业技术效率的提升形成了负向冲击,因此,政府应进一步加快战略性新兴产业国有企业股份制改革的步伐,大力推进混合所有制,鼓励与引导民营企业发展战略性新兴产业,充分发挥产权激励机制与预算约束机制对企业提高技术效率的内在激励与约束作用,提升整个产(行)业的技术效率。 (4)我国政府应鼓励和支持战略性新兴产业进一步加大对外开放程度。实证结果表明,提高对外开放度有利于战略性新兴产业技术效率的提升,因此,政府应积极打造与搭建战略性新兴产业有效利用全球资源的通道与平台,支持战略性新兴产业本土企业深度开展国际交流与合作,鼓励本土企业合理引进国外先进技术、先进经验及高端装备等,充分发挥对外开放的市场竞争效应和技术示范效应,全面提升整个产(行)业的技术效率。 (5)战略性新兴产业各企业主体应合理确定适宜的经营盈利模式,着力提升自身盈利能力。实证结果表明,较高的行业盈利能力有利于战略性新兴产业技术效率的提升,因此,战略性新兴产业各企业主体应加强其内部组织、运营及协调管理,保障现有技术水平下包括资本、劳动等在内的要素资源投入得到有效利用,并推动其在生产过程中要素投入在质和量上发生新的组合和变化,提高企业经济效益及盈利水平,为整个战略性新兴产业技术效率的提升提供机制保证。 ①就2011年而言,战略性新兴产业固定资产投资额达23012.73亿元,占我国全社会固定资产投资的7.39%,全年从业平均人数达1462.29万人,占我国城镇就业总人数的4.07%。 ②国家层面制定的战略性新兴产业的分类标准有三种:一是国家发改委发布的《战略性新兴产业重点产品和服务指导目录》;二是国家工信部发布的《战略性新兴产业分类目录(征求意见稿)》;三是国家统计局编制的《战略性新兴产业分类(试行)》。在这三个分类标准中,国家统计局的标准将《国民经济行业分类标准—2011》的四位码与战略性新兴产业的分类相对应。因此,本文以国家统计局划分的标准为基础,遵循科学性、唯一性及可操作性的统计规则,按照“大口径”原则,对我国战略性新兴产业进行了划分与整理。 ③技术外溢效应是指随着外资企业市场份额的增大,内资企业可以通过模仿外资企业的经营方式及产品种类,并吸收先进的技术和管理经验,来提高自身的生产经营与创新能力。竞争效应是指外资企业的进入使得国内企业无论在生产管理上还是产品质量上都面临着更为激烈的竞争,并产生激励和挤占效应。
标签:生产函数论文; 战略性新兴产业论文; 生产效率论文; 经济论文;