全要素生产率及其在农业领域的研究进展，本文主要内容关键词为：生产率论文,研究进展论文,要素论文,领域论文,农业论文，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。
文献标识码：A 文章编号：1002－2848－2012(01)－0109－11
早期的生产率概念主要指单要素生产率(Single Factor Productivity,SFP)概念，如土地生产率、劳动生产率等。直到当代，全要素生产率(Total Factor Productivity,TFP)概念才兴盛起来，因为其可以弥补SFP不能全面反映经济增长过程等不足，具有独特的优势[1]。该概念主要是随着宏观经济学增长核算(Growth Accounting)框架的发展而发展起来，但近年来，其理论和实证研究均得到了进一步深化，研究对象从宏观经济逐渐扩展到各大产业(如农业、工业、金融和服务业等)、微观企业和农户等绝大多数生产主体，在样本空间上扩展到了跨国、省区(州)和城市比较等。总体来看，由于TFP概念所具有的重大理论和实践意义，对其研究一直都未停止过，一些政府部门和世界机构都会定期出版关于本领域内的TFP研究成果，如OECD、世界银行和美国农业部、劳工部等。鉴于TFP研究的广泛性，相关文献浩如烟海，本文不可能面面俱到。论文主要在对TFP进行概念性阐释的基础上，重点就目前应用较多的TFP核算方法及其前沿进展、中国农业TFP增长及其影响因素的研究动态进行述评，希冀能够对丰富相关方面的研究有所帮助。
一、全要素生产率与全要素生产率增长
经典意义上的生产率概念主要是指古典经济学中的劳动生产率概念，其他类似单要素生产率概念还包括土地和资金生产率等。但生产单位在其生产过程中经常需要同时使用到劳动、土地和资本等多种生产要素，各要素之间则存在一定程度的替代性，单要素生产率经常会因为其不能反映这种替代性而面临一定局限性。例如，对发展中国家小农户与大农户的生产率比较中，采用土地和劳动生产率指标，就会出现截然相反的结果[2]；在进行农业生产率的跨国比较时，如中美农业，应用不同指标，也会出现不同结果。
这是一般意义上的TFP水平值概念。经验研究中，应用更广泛的却是其增量概念，即我们经常提到的全要素生产率增长或变化。增量概念主要来自于增长核算框架，增长核算的目的是测度增长源泉，以此确定各要素对产出增长的贡献，但其中一个重要结果就是：通常认为增长的两个源泉——资本和劳动，不能解释绝大多数实际增长的成绩，这其中明显遗漏了某些东西，包括规模经济、R&D、技术进步、劳动的重新配置等。这一遗漏其实就是TFP的贡献，又被称为“余值”。对(1)式求全微分，整理可得：
所以，TFP增长实质上仍然是各单要素生产率增长的加权平均。
TFP核算框架主要归功于Solow[3]的贡献，他开创性地提出了规模报酬不变的总量生产函数和增长方程，在数量上确定了产出增长率、投入增长率和技术进步率(Solow Residual,Kendrick将其定义为TFP)之间的关系。上述方法也是目前测算TFP增长最为广泛的方法，即“索洛残差法”或“余值法”。该方法测算出来的TFP又经常被解释为技术(或科技)进步，这在国内学术界更多被发展成为技术(科技)进步率及其贡献率的测度，例如《国家中长期科学与技术发展规划(2006－2020年)》、农业部[4]“我国农业科技进步贡献率测算方法”等。
在很长一段时期内，以“索洛残差”估计的TFP被当作技术进步的精确测度，增长核算框架在中国相当大程度上被机械地套用，这与TFP的含义没有被很好地理解有关[5]。随着认识的不断深化，TFP实际上包含了更为丰富的内容。除了直接的技术进步外，他还包括间接的效率改善，例如“干中学”、要素质量提高、专业化分工、和规模经济性等内容，经常被用来度量要素投入数量变化之外其他各种因素对产出增长的作用，即产出增长中各种要素投入无法解释的部分，又有“索洛黑箱(Black Box)”之称。
例如，Nishinizu和Page[6]曾首次提出了TFP增长的分解框架。Kumbhakar和Lovell[7]则在随机前沿生产函数框架下对TFP增长进行了四个方面的分解：
正如郑京海[8]所明确指出，生产率分析技术具有很好的系统性和结构框架，是一个经过严格定义的量化指标和参数体系，包括技术进步、技术效率、规模效益、配置效率、替代弹性等，涵盖了工农业生产的各个方面，该研究框架既可用于生产系统的结构描述，也可用于经济计划与预测，还可以应用于政策分析与绩效评估。而且，TFP分析技术还可以将生产率指标与诸多政策变量横向结合起来，例如所有制变化[9]、制度变迁[10]、结构调整[11]、对外开放[12]、技术创新[13]、环境保护[14－15]和人力资本[16]等。时下，中国政府正积极倡导转变经济发展方式，TFP增长可以用来度量要素投入变化之外各种因素对经济增长的综合作用，转变经济发展方式在很大程度上也就是要扩大TFP对经济增长的贡献份额，TFP理论必将因为其宽阔的视野而进一步得到广泛应用。所以，全要素生产率问题是研究中国经济可持续增长的核心问题[8]。
二、全要素生产率增长核算与分解
(一)增长核算法和指数法
1.增长核算法
当α＋β＝1时，δ与“索洛余值”的定义完全一致。在利用时间序列估计时，要充分注意数据非平稳性可能导致的“虚假回归(Spurious Rgeression)”问题，但笔者发现诸多研究却很少能够在生产函数估计前进行单位根等平稳性和协整检验。
隐性变量法(Latent Variable Approach,LV)可以有效解决这一问题，该方法的基本思路是：将TFP视为一个隐性变量即未观测变量，借助状态空间模型(State Space Model)和极大似然估计来给出TFP估算[19]。
隐性变量法事先会对模型进行设定检验，包括数据平稳性检验和协整检验。一般而言，各投入产出存量变量的趋势成分是单位根过程且不存在协整关系，故常利用产出、劳动和资本存量的一阶差分序列来建立回归方程。以规模报酬不变C－D函数为例，会有如下方程：
Divisa指数，该指数采用要素成本(零利润条件下成本也可用产出替代)份额作为要素贡献权重来构造TFP指数，采用积分形式，主要适合于连续数据。而Tornqvist－Theil指数其实是对Divisa指数的不连续逼近[21]。
指数法作为一种统计学方法，还有Paasche指数、Laspeyres指数和Fisher指数等。正如郭庆旺、贾俊雪[19]所指出，各指数法形式虽然有所不同，但基本思想却是一样的，本文不一一赘述。指数法较为直观地体现了TFP的内涵，其虽然没有明确生产函数形式，但却暗含着要素之间可以完全替代，且边际生产率恒定，缺乏一定合理性。作为一种概念性方法，其较少用于实证分析。
从是否需要预先设定生产函数具体形式的角度来看，又可将TFP核算方法分为参数法(Parameter Estimation)和非参数法(Non－parameter Estimation)。指数法和增长核算法分别作为非参数法和参数法的代表，各有优势。经验研究中，增长核算法应用要相对广泛。不过，上述无论指数法还是增长核算法，实际上都隐含着一个假设条件：即经济资源得到了充分利用，或生产单位实现了100％的技术效率。这又被称为完全效率假设，即假设生产单位实现了生产前沿面(Production Frontier)上的生产，利用到了其最高可资利用的生产函数。经验研究证明这一假设对发展中国家并不适宜[22]。立足于完全效率假设的核算方法也就无法进一步寻找TFP增长的源泉，而直接将TFP增长与技术进步等同起来。从计量经济学角度来看，应用普通最小二乘法(OLS)估计出来的生产函数实际上是一种平均意义上的生产函数(Average Production Function)，这在理论上与新古典生产函数的最优化定义矛盾。由此，生产前沿面方法(Production Frontier Approach,PFA)应运而生，并在经验研究中得到广泛应用。
(二)生产前沿面方法
根据是否需要预设和估计生产函数的具体形式，生产前沿面方法同样可以分为参数法和非参数法；根据构造的生产前沿面是否考虑随机因素的影响，又分为随机性前沿面(Stochastic Frontier)方法和确定性前沿面(Deterministic Frontier)方法。参数随机性前沿面方法和非参数确定性前沿面方法分别以随机前沿生产函数(Stochastic Frontier Analysis,SFA)和数据包络分析(Data Envelopment Analysis,DEA)最为典型，两者的应用最为广泛。本文重点对他们进行综述性介绍。
1.随机前沿生产函数
随机前沿生产函数最初由Aigner et al[23]、Meesuen et al[24]和Battese et al[25]提出，并很快成为计量经济学引人注目的一个分支[26]。SFA主要沿袭传统生产函数的思想，通过确定一个合适的前沿生产函数来描述生产前沿面，即首先根据需要确定具体生产函数形式，然后利用计量经济学方法，估计出前沿生产函数中的未知参数，继而求出实际产出与潜在产出的比值(技术效率，TE)。其发展经历了两个阶段：早期的确定性前沿面和现在的随机性前沿面。确定性前沿面假定存在一个确定的上界生产函数，该前沿面是固定的，并将影响产出的不可控因素如气候、统计误差等和可以控制的因素放在一起，全部纳入到一个单侧误差项，作为技术非效率的反映。随机性前沿面则将生产前沿面看作是可控的确定性因素与不可控的随机因素共同作用的结果，将整个误差项表示为一个复合误差项：技术非效率项和随机误差项。
以公式(4)为例，－
≤0代表生产单位的技术非效率，技术效率可以定义为：
对分布的不同假定衍生出了不同的SFA模型，这至少可以出归纳出5种：①Kumbhakar et al[27]对Zellner－Revankar随机前沿生产函数所进行的特殊化处理，把技术效率假设为其他解释变量的函数，同时考虑配置和规模效率的作用；②Reifschneider et al[28]的随机前沿生产函数，假设技术效率不是其他变量的函数，而只是一个非负值；③Huang et al[29]的技术非中性随机前沿生产函数，假设技术效率受生产单位各种特征变量及这些变量与要素投入变量交互关系的影响；④Battese and Coelli[30]的随机前沿生产函数，将技术效率解释为时间变量的函数；⑤Battese and Coelli[31]包络数据的随机前沿生产函数。总之，公式(4)和(13)通过允许技术非效率项(－)的存在，利用计量经济学方法估计出前沿生产函数，最终将TFP增长分解为技术进步和技术效率变化。
2.数据包络分析。
数据包络分析主要是利用线性规划技术和对偶原理(Dual Approach)来确定生产前沿面，其本质是先通过所观测实际生产点的数据来构造生产前沿包络面，然后把非DEA有效的生产单位影射到DEA有效的生产前沿包络面上，再基于一定有效性标准来寻找包络面上的相对有效点，并通过比较非DEA有效的生产单位“偏离”DEA有效生产前沿面的程度来评价各生产单位相对效率[32]。在此基础上，可以进而求解出技术效率及TFP指数。
DEA由数据驱动(Data－Driving)，无需寻求生产前沿面的具体函数形式和技术非效率项的分布形式，并能很好地与经济学生产理论的集合论结合，形成了一个独具特色的理论体系。自从Farrell[33]提出技术效率度量以来，DEA文献进展很快，主要有CCR、BCC和ADD模型等。生产率分析中应用DEA最广泛的是Malmquist指数，该指数可以将TFP增长分解为技术进步和技术效率变化[34]。在不变规模报酬(Constant Returns to Scale,CRTS,C)和要素强可处置性(Strong Disposability of Inputs,S)条件下，t期生产可能性集合
可以被定义为：
大多数采用DEA－Malmquist指数的TFP文献采用的是当期(Contemporaneous)DEA，这经常会出现技术退步(TP＜0)的“尴尬”，与一般生产者行为假设相矛盾。序列DEA(Sequential DEA)[35－36]技术不仅考虑当期观测值，还考虑以前所有观察值来构造生产前沿面，有效避免了技术退步。为了考察环境污染损失对TFP的影响，Chung et al[37]通过引入方向性距离函数(Directional Distance Function,DDF)创造性地提出了Malmquist－Luenberger生产率指数，这被广泛应用于核算绿色TFP和环境技术效率，如Jeon和Sickles[38]。其它还有广义(Generalized)Malmquist指数、全局(Global)Malmquist指数等。这些指数形式虽然有所不同，但思想均基于经典Malmquist生产率指数，本文将重点放在SFA与DEA比较上。
3.SFA与DEA的比较
SFA与DEA是生产前沿面法中应用最广泛的两种方法，互有优劣。其实两者最早都可以追溯到Farrell[33]的前沿函数思想和凸边界模型(Convex Facets)。通过综合比较分析，本文将两者的异同点、优劣势及应用中需要注意的问题归纳如下。
①SFA是一种计量经济学方法，从概率分布的角度来分析各样本点的技术效率，具有统计学特征，可以对模型设定和参数估计进行统计检验；DEA是一种线性规划方法，将生产单位的实际观测数据进行线性组合，不具备统计学特征。目前，Simar and Wilson[38－39]发展的Bootstrap纠偏技术已用来提高DEA的准确性，但应用尚不广泛。②SFA需要事先预设生产函数的具体形式和技术非效率项的分布形式，这种先验性假设对生产前沿面形状强加了要求，当函数形式和非效率项分布存在误设时，就会产生偏差；DEA无需生产者行为假设，直接根据数据特征构造生产前沿面(数据驱动，Data－driven)，不去寻求其显性函数表达形式，也无需设定误差项分布形式。③SFA能对随机干扰和技术非效率进行区分，避免了统计误差、运气等随机因素对技术效率的影响；DEA将每个生产单位同等对待，无法考虑随机误差的影响，将这些因素都归于技术非效率的作用，可能会影响到估计的准确性。④SFA服从大数定理，自由度越多，效果越佳；DEA将随机误差归结于效率差异，样本越多，数据偏差就越多，平均技术效率就可能越低。⑤SFA常用于单产出、多投入场合；DEA则无此限制，多产出或单产出均可有效处理。⑥SFA和DEA在数据结构上都经历了横截面数据向面板数据的发展，两者都可以将TFP增长分解为技术进步和技术效率变化。但DEA对异常数据很敏感，容易出现自我识别(Self－Identifiers)或近似自我识别(Near－Self－Identifiers)，即投入产出指标数和其它约束个数大幅度超过观测值个数时，效率值经常会达到(或接近)100％。
一般而言，SFA与DEA的经验结果十分相似，但也有实证表明SFA与DEA是相互排斥的[41]。在文献中，两者都得到了广泛应用，包括中国经济研究。傅晓霞、吴利学[42]曾对两者应用于中国经济的研究进行了综述，发现SFA在某种程度上要优于DEA的估计结果。在农业领域，SFA的应用前景理论上应该比DEA广阔，因为SFA更加吻合于农业生产的本质特征，例如自然风险等。但实证中DEA－Malmquist技术似乎得到了更为广泛的应用，下文将综述到这一点。一般而言，DEA技术效率值要稍高于SFA效率值，但在TFP及构成的时间趋势(增量)上，两者往往是一致的。另外，除了TFP核算，生产前沿面方法也被广泛应用于技术效率评价、排序及其影响因素分析等，例如，采用SFA“一步法”[26]、DEA－Tobit“两步法”[43－44]等对技术效率影响因素的实证。如果能够获取投入产出方面的价格信息，生产前沿面方法还可以求解出配置效率、成本效率和经济效率的非效率因素的作用，这些也是TFP增长的重要源泉，如公式(5)。限于研究目的，本文不再一一列举。
综上所述，TFP核算方法的具体发展脉络可以归纳如图1①。
图1 全要素生产率增长估计方法演进示意图
中国经济转型取得了巨大成功，但又面临着加快转变经济发展方式的重大任务，自从Krugman[45]引发“东亚无奇迹”的论战以来，中国TFP问题吸引了众多研究者的目光。中国富强的关键在于提高全要素生产率。对面临刚性资源约束条件的农业而言，TFP地位更为突出。例如，林毅夫[46]曾将改革开放以来农业的成功总结为农业科研、现代技术和家庭耕作制度三个方面，这些因素实际上都可以通过TFP的变动反映出来。在具体应用方面，本文重点关注农业TFP及其增长因素的研究进展。
三、中国农业全要素生产率增长估计与分解
改革开放以前，人民公社体制下的农业往往被认为是低效的。Wen[47]和Tang[48]表明1952－1978年农业TFP指数大约下降了25％，这比推行合作化运动以前的1952年和家庭联产承包责任制以后的80年代初期要低20％～30％。70年代晚期至80年代初期农业改革的成功，导致了TFP在短期内迅速上升，成为当时农业快速增长的重要来源[10,47、49－50]。不过，从1984年开始，TFP增长开始明显减速，农业增长也开始下滑[10]。但受完全效率假设和“索洛余值”法的影响，上述文献大多采用平均生产函数尤其是Griliches生产函数来估计农业TFP。
随着人们对TFP的认识逐渐深化，生产前沿面方法开始得到应用。相对SFA技术，DEA尤其Malmquist指数的应用较广泛。国外文献如Mao and Koo[51]、Lambert and Parker[52]和Wu et al[53]，国内文献如顾海[54]、陈卫平[55]和李谷成[56]等，他们分别利用Malmqusit指数对不同时间段的农业加总数据进行分解，并得出了相似结论。即改革开放以来，农业TFP实现了较快增长，但呈明显阶段性波动特征，地区之间的TFP增长极不平衡，从增长源泉来看，TFP增长主要由技术进步贡献，技术效率基本上是恶化的。SFA方法虽然与农业生产的本质特征较为一致，但应用却相对有限。石慧等[57]利用前文公式(5)对农业TFP增长进行了详尽分解，发现改革开放以来技术进步是TFP增长的主要来源，技术效率和规模效率是恶化的，配置效率波动是导致TFP波动的主要原因。全炯振[58]则进一步验证了DEA－Malmquist指数方法的上述结论。李谷成等[59]系统研究了各作物品种的TFP增长及差异，发现普遍的技术进步与技术效率损失主要发生在90年代以来，80年代这一特征并不明显，这为相关结论提供了更为深刻的行业基础。
总的来看，已有文献大致将改革开放以来(1978－2005年)农业TFP增长划分为五个阶段：1978－1984、1984－1991、1992－1996、1997－2000和2001－2005年②，其中又普遍认为1992年是一个重要转折点。不同研究虽然对各阶段TFP具体增长率存在较大差异，但普遍认为TFP在第一阶段增长较快，第二阶段陷入了停滞甚至衰退，第三阶段重新有所回升，第四阶段又明显放慢，第五阶段重新加快增长，阶段性波动特征较明显。文献对TFP增长源泉的认识也较为一致，即农业技术进步与技术效率恶化并存，并且地区差异性较大。
文献调研表明，不同研究对各阶段农业TFP的具体增长率存在较大差异，这应该与三个方面的原因有关。一是具体核算方法的选择，二是投入产出变量的选择，三是宏观统计数据的调整问题。除了选择合适的核算方法，正如科埃利等[60]所明确指出，如果遗漏掉重要的投入或产出变量，那么TFP核算将产生有偏的估计结果。不过，已有文献对这个问题表现出了一定随意性。从产出变量来看，选用农林牧渔总产值的较多，其次是第一产业总产值，还有文献采取农业增加值或者自己直接将各类农产品加总来表示。投入变量的随意性更大，主要包括劳动力、耕地(播种面积)、机械动力、化肥和有机肥施用量、灌溉、农业用电量、种子及农药投入不等。文献比较表明，即使产出变量是相同的，采用的投入变量也经常并不相同。
另一方面，一直有学者对中国宏观经济数据的准确性持怀疑态度，农业统计数据也不例外。例如，Lu[61]、Fullerdeng[62]曾表明，国家统计局对畜牧业主产品的产出均存在大幅度的高估。但在农业TFP核算过程中，这一问题并没有引起文献的足够重视。只有Fan和Zhang[63]对农业产出数据进行了调整，并发现采用官方统计数据可能会夸大农业改革对TFP增长的影响。不过，一般研究中国经济的学者也都同意，来自官方的统计数据是目前可得的最好数据，使用数据的人的目的决定了他对数据可信度的判断[64]。总之，除了核算方法以外，投入产出变量的选择和数据质量问题同样是提高农业TFP核算可信度的重要问题，在未来研究中理应得到更大程度的重视。
四、中国农业全要素生产率增长因素分析
中国农业TFP的增长因素分析主要包括农村制度变迁、农业科研投入、人力资本、农业贸易条件和基础设施建设等方面，其中又以制度变迁为重点。众多文献都倾向于从制度变迁的视角来解释TFP增长的阶段性波动特征。例如，第一阶段TFP的高速增长大多被归因于以家庭联产承包责任制为代表的农业改革。McMillan et al[65]、Fan[49]和Lin[10]等对HRS的生产率效果进行了计量分析，其次就是农产品第一次政策性提价的作用[10,65]。不过，Lin[10]同样表明这种制度激励效应往往是一次性的。黄少安、孙圣民等[66]则在一个更大的视野内检验了1949－1978年土地产权制度变化的生产率效应，通过分阶段检验，该文表明不同土地产权制度会产生不同的生产率效应，HRS是一种相对较好的制度。然而，很少有文献会讨论到HRS对生产率的负面影响。只有刘玉铭、刘伟[67]讨论了该制度的局限性，包括对农业规模经济、分工协作和统一服务的破坏等，这会影响到TFP的进一步提高。
家庭联产承包责任制作为一项基本经营制度被稳定下来后，农村经济实际上又发生了许多重要制度变迁。对此，乔榛[68]、郑晶和温思美[69]、杨正林[70]等继续在Lin[10]的Griliches生产函数框架内对各制度变量的TFP增长效应进行扩展，对应分阶段讨论了财税制度变迁、农村税费改革、农村工业化、农业开放程度和价格体制改革等制度变量的生产率效应。李谷成[71]则在DEA非参数框架内分阶段估计了上述制度变量的TFP效应。这些文献大都证实了制度变迁会对TFP变化产生显著影响，制度创新是提高TFP的重要突破口。不过，Mead[72]曾表明政策的不稳定性本身也是农业TFP波动的重要原因。
除了制度变量，农业TFP增长因素主要还包括：①人力资本投资(如张艳华[73]；李谷成[74])。人力资本是一种特殊的生产要素，不仅具有直接的生产要素效应，还因为其正外部性而产生间接的生产率效应。不过，关于人力资本的准确计量问题在已有文献中并没有得到很好解决。②自然因素和气候变化(如Zhang and Carter[75]; You[76])。这包括受灾率、全球气候升温等，主要与农业所面临的自然风险较大有关。③基础设施建设和R&D投入。Fan and Pardey[77]、Fan and Zhang[78]和王红林、张林秀[79]等表明，R&D和基础设施建设是影响农业TFP增长的重要因素。乔榛[68]、魏朗[80]。等进一步认为政府财政支农支出的生产率效应不容忽视，这与农业本身的弱质性和公益性特征有关。④比较优势。Lin[10]和李谷成等[59]表明地区比较优势的偏离或发挥是影响TFP增长的重要因素。
总之，农业TFP增长因素分析涉及的影响因素较多，要罗列这些因素或者进行定性分析并不困难，困难主要体现在实证分析上。一是如何对这些因素进行准确量化；二是如何准确估计其对农业TFP的影响大小，并对其重要性进行排序。这些对于政府制定政策及实施的优先序具有更重要意义。另外，对TFP增长地区差异性影响因素的研究也是一个重要方向，即对所谓收敛性“工具箱”的拓展，包括那些刻画不同TFP稳态水平的具体变量，例如储蓄率、基础设施、人口因素等，但是却很少发现有文献关注于中国农业TFP此方面的研究。
五、结束语
无论理论还是实证上，全要素生产率都受到了国内外研究者的高度强调，在农业经济领域亦得到了广泛应用，成为观察中国农业增长模式的重要分析工具，但对这一理论也存在着不少批评，尤其是一些技术细节上争议较大。易纲和樊纲[81]、林毅夫和任若恩[82]、郑玉歆[83]等对这一问题作了一定讨论。这些批评主要集中在：①要素质量改进如何度量，例如资本和劳动力质量；②TFP体现的技术进步是不包括资本投入的Hicks中性技术进步[82]，这也就产生了资本内含型(Embodied)技术进步与不包含资本型(Disembodied)技术进步的区分问题，还有TFP所体现技术进步的外生性问题；③技术进步与要素增长的因果关系，两者是独立的吗？例如，不可分性农业技术进步往往发生在大规模投资之中；④投入与产出指标的准确定义与度量，这在农业领域比宏观经济更为复杂，包括实物量与价值量问题；⑤TFP核算的基础理论——生产者行为理论和实证估计方法论的挑战。上述问题一方面可能与TFP含义没有被很好地理解或者核算方法被机械地套用有关，另一方面也是TFP理论和实证方法本身发展过程中需要进一步解决的问题。但无论如何，TFP是客观存在的，TFP理论是宏观经济理论发展的重要里程碑，我们所面临的问题只是如何更精确无误地去度量TFP及其贡献而已，这与否定TFP的客观存在性是性质不同的两个问题。如果能恰当地运用和解释，增长核算是一种很有价值的工具[84]。正如张军等[1]指出，尽管全要素生产率理论存在局限性，但对经济学家来说，没有比研究经济增长和TFP变动更让人着迷的了，测度TFP水平及其变动模式始终是当代经济学家认真思考和认识经济增长的主要内容。农业经济领域亦然如此。
收稿日期：2011－08－28
注释：
①此示意图的制作借鉴了Mahadevan(2003)以及郑京海相关课程讲义中的思想和介绍。
②对于农业TFP增长的时间演变特征，不同文献对各阶段在具体年份上的划分可能会存在一定差异，但并不存在根本性的差别。