我国交通运输业全要素生产率的增长特征及影响因素分析
彭志敏1,2，吴群琪1,2
(1.长安大学 经济与管理学院，陕西 西安 710064；2. 长安大学综合运输经济管理研究中心，陕西 西安 710064)
摘要： 提高全要素生产率是转变经济增长方式、提高经济增长质量的有效途径和显著标志。在我国交通运输业进入新的历史发展背景下，尤其是我国交通运输供给侧改革过程中，要转变我国交通运输发展方式，推动我国交通运输业高质量发展，关键在于我国交通运输行业全要素生产率的提高。综合运用DEA-Malmquist指数法、σ 收敛性检验和面板数据回归分析等方法，构建了我国交通运输业全要素生产率(TFP)指数测算-收敛性检验-影响因素分析的研究框架，对2001至2015年间我国交通运输业全要素生产率的增长特征及影响因素进行了分析。研究结果表明：(1)在考察期内，我国交通运输业TFP年均增长率为4.0%，累积增长率为78.6%，技术进步是推动TFP增长的主要源泉；(2)我国区域间交通运输业TFP增长呈现出东部地区>西部地区>中部地区的空间格局；(3)我国交通运输业发展表现出要素投入(主要为资本)和TFP增长双重驱动的特点，但相比要素投入，TFP增长的贡献率较低；(4)我国三大区域间交通运输业TFP并未表现出σ 收敛特征；(5)要素质量和产业结构两类因素对我国交通运输业TFP具有正向作用，相关因素的趋势性变化致使我国交通运输业TFP呈现出发散格局。
关键词： 运输经济；交通运输业；全要素生产率；DEA-Malmquist；收敛性；影响因素
0 引言
全要素生产率(Total Factor Productivity, TFP)不仅是探寻经济增长源泉的主要工具，而且是确定经济增长质量的主要方法[1]。就交通运输业而言，全要素生产率度量了扣除相关要素投入对交通运输发展贡献之后的“余额”，提升交通运输业发展质量，即是全要素生产率替代要素投入且贡献日益提高的过程。目前，我国交通运输发展已实现了由“总体缓解”向“基本适应”的重大跃升[2]，在新的历史发展阶段，尤其是推动我国交通运输供给侧改革过程中，物质资本、人力资本等相关要素投入的作用将逐步减弱，未来我国交通运输业的发展将日益倚重全要素生产率的提高。因此，站在新的历史起点，探究我国交通运输业全要素生产率具有重要意义。
对全要素生产率的研究，一直是各国政府考核本国经济增长以及与其他国家相对比的重要指标和参数之一。就我国而言，全要素生产率及其在我国经济增长过程中所扮演的角色日益受到经济学界相关学者的高度关注与重视，这种关注与重视源自于对我国经济增长模式和可持续发展的讨论和质疑[3-4]。而具体到交通运输业全要素生产率的研究目前成果相对较少。Gordon[5]是较早探讨交通生产率的学者之一；张越等[6]测量了我国9个民用机场1995—2005年间全要素生产率指数；于剑[7]对我国5个航空公司2002—2006年间全要素生产率进行了研究；刘玉梅等[8]分析了我国道路运输业2000—2004年间全要素生产率动态变化；余思勤等[9]测算了我国1990—2000年间我国铁路、公路、水运、民航4个主要部门的全要素生产率；王亚华等[10]在更大数据时段上分析了我国1980—2005年间交通运输全行业全要生产率变动特征；郭明伟[11]也对我国交通运输全行业及4个主要部门在1980—2008年间的全要素生产率进行了测量，并对比了交通运输业全要素生产率与国民经济全要素生产率。总体来看，现有研究对我国交通运输业全要素生产率进行了有益的探索，但仍存在一定的改进空间。首先，现有研究主要集中于行业和整体层面，缺乏区域比较分析。由于我国不同省域社会经济发展水平和综合交通运输体系建设存在显著差异，要揭示我国区域交通运输业全要素生产率演变趋势，进而理解交通运输业发展动力机制，则必须考虑到不同省域的“异质性”特征。其次，我们省域交通运输业发展的动力源泉是否一致？也就是说，不同经济区域的交通运输业全要素生产率的贡献是否相同，如果发展的动力源泉并不相同，那么伴随时间的推移，我国交通运输业全要素生产率呈现出怎样的状态和收敛性。最后，已有文献只是回答了我国交通运输业全要素生产率“是什么”，但并未深入研究“为什么”，即哪些因素影响了我国交通运输业全要素生产率的变化，而只有深刻揭示其“背后的故事”才能更有效地、更具针对性地提出相应的政策启示。
基于以上分析，本研究将运用DEA-Malmquist指数法，分析我国2000—2015年间我国区域交通运输业TFP增长特征，即TFP的演变趋势及其收敛性，并基于面板数据回归分析探究我国交通运输业TFP收敛性的形成机制，形成“TFP指数测算-收敛性检验-影响因素分析”这一研究框架。与已有文献相比，对我国各省域交通运输业TFP的分析以及针对不同省域交通运输业TFP收敛性的检验和解释构成了本研究的两大特色。
例1.Young born of females that had eaten their partners had a 48%chance of making it through their first month of life.Those born of females who had let their partners live,had only a 12%chance of surviving that long.
1 研究方法、指标选取与数据来源
1 .1 研究方法
在TFP测量方法中，并没有“完美无缺”或“绝对最佳”的工具[12]，但与其他测量方法相比(主要为增长核算法、随机前沿分析法)，基于数据包络分析(Date Envelopment Analysis, DEA)的Malmquist指数法相较其他测量方法而言具有一定的“比较优势”：(1)无需事先确定生产函数形式或相应的分布假设，其能够避免因模型设定不当而影响分析结果的准确性；(2)不需要提供相关投入产出要素的价格信息，这对数据获取以进行实证研究非常有利；(3)能够处理多投入多产出的情况，适用于不同经济区域跨时期的分析；(4)可以将TFP增长率分解为技术效率、技术进步等因素，分析的结论具有很强的政策指导意义。因此，将选用DEA-Malmquist指数法来测量我国交通运输业全要素生产率，且目前研究者普遍采用Fare[13]等所构建的以产出为导向的Malmquist生产率变化指数，其计算公式可表示为：
(1)
通过MaxDEA7.0软件对我国2001—2015年30个省域交通运输业投入产出数据进行处理，得出我国整体交通运输业TFP指数及其分解，其见表1所示(3) 由于Malmquist生产率指数测量的是相邻年份TFP的变动情况，因此，计算结果以2001年为起始年份。 。结果发现：第一，在考察期内，我国交通运输业TFP大体呈现出持续增长态势，年均增长率为4.0%，累积增长率为(以2000年为基期，即2000年累积增长率为1.000)1.786，我国交通运输业TFP在2015年相对于2001年提高了1.786倍。第二，从TFP指数分解情况看，交通运输业TFP增长中技术效率指数为1.014，技术进步指数为1.031，两者共同推动了我国交通运输业TFP增长。其中在技术效率中，纯技术效率指数为1.012，规模效率指数为1.004，这表明我国交通运输业规模经济效应并不显著，技术效率的改善主要还是来源于对现有技术和生产要素的使用效率的提高。第三，虽然技术进步和技术创新对我国交通运输业TFP的改善都起到了一定作用，但技术进步无疑是推动我国交通运输业TFP增长的主要因素，这与郭明伟[13]的研究结论基本一致，即我国交通运输业TFP的改善主要还是来自于生产可能性边界的外移而不是决策单位向生产前言边界的“追赶”。第四，与要素投入相比，我国交通运输业TFP对交通运输业发展的贡献率并不高，在考察期内，我国交通运输业产业增加值平均增长率为10.5%，交通运输业TFP对其行业经济增长的平均贡献率为38.1%(4) 目前国内学者一般按照如下公式计算TFP对经济增长的贡献率：(TFP增长率/GDP增长率)×100%。 ，可以说，我国交通运输业经济增长主要还是来源于要素投入，并且主要是由高资本投入所带来的，这可以从2001—2015年间，我国交通运输业资本投入平均增长率(15.8%)和劳动投入平均增长率为(4.8%)看出。需要指出的是，在2003年和2013年我国交通运输业Malmquist生产率指数均呈现负增长，前者可能是由于“非典”事件的影响，对我国交通运输业发展效率产生了一定负面效应，而后者是由于统计口径变化的影响，公路、水路旅客周转量和货物周转量出现一定程度下降，致使2013年交通运输业综合周转量产出受到较大的影响(5) 在2008年公路、水路运输量统计口径也发生了变化。 。总体来看，我国交通运输行业发展质量较高，但也必须认识到，资本投入对我国交通运输业发展具有重要影响，且这种资本投资驱动模式同时还伴随着巨大的能源消耗(2001—2015年间，我国交通运输业能源消费总量平均增长率高达9.8%)和污染的高排放，同时由于技术效率作用并不明显，资本投入的边际收益将可能存在递减风险。因此，在现有发展模式下，我国交通运输业可持续发展将面临重大挑战。
(2)
(3)
(4)
式(2)中，
分别为第i 个地区从t 期到t +1期的技术效率指数和技术进步指数。同时为分离出规模报酬可变条件下对技术效率变化的净影响，又可进一步将规模报酬不变条件下的技术效率指数分解为纯技术效率变化指数和规模效率变化[14]，即：
1 .2 .2 产出指标选取
(5)
(6)
(7)
式中，
分别为纯技术效率指数和规模效率变化；V 和C 分别表示规模报酬可变和不变的情况。至此，DEA-Malmquist生产率指数可表示为：
(8)
同时还基于TFP累积增长率对我国及三大区域间交通运输业TFP的σ 收敛性进行了检验分析。从见图2可以看出，我国及三大区域交通运输业TFP累积增长率也呈发散状态。例如，我国整体σ 收敛值从2001年的0.062增长到2015年的0.244，东部地区则从0.056增长至0.278，中部地区从0.026增长至0.227，西部地区从0.043增长至0.218，且相对应的变异系数与相对TFP比值也呈现出同样的变动态势，例如，我国整体交通运输业TFP累积增长率变异系数从2001年的0.064增长至2015年的0.237，东部地区从0.058增长至0.267，中部地区从0.028增长至0.246，西部地区从0.046增长至0.219，同样TFP累积增长率相对TFP比值从2001年的1.188倍增长至2015年的2.053倍，东部地区从1.145倍增长至1.959倍，中部地区从1.045倍增长至1.531倍，西部地区从1.118倍增长至1.696倍。可以看出，我国及三大区域间交通运输业TFP累积增长率同样不存在σ 收敛。而其主要原因可能在于我国及区域间交通运输业TFP在不同时期不同地区所呈现出的σ 收敛或发散特征并不具有延续性。
1 .2 指标选取与数据来源
图1和图2表明民乐铜矿区的火山岩类型主要为粗面玄武岩、玄武质粗面安山岩，文玉矿区则主要集中在粗面安山岩区间。总体上民乐地区北部火山岩与文玉矿区相似形成于三叠世中期和晚期；矿区南部的火山岩则富Na贫K。
美国制起司越来越不“美式”，美式起司的衰颓可从农业部资料看出一二。1920-1950年代约七成以上的美国制起司都是美式起司，然后比例逐年递减，到了1980年代末期美式起司已无法维持一半的占比。1990年代美式起司努力让比例维持四开头，2017年占比则为40%。
在测量交通运输业TFP过程中，能够选用的投入指标较多，根据Strassner等[15]所提出的基于总产出口径的KLEMS生产率测量方法，并考虑到数据的可获得性，本研究将以资本、劳动为最初投入要素，以能源为中间投入要素作为交通运输业的投入指标，具体而言：
(1)资本投入。本研究主要选取各区域交通运输业资本存量作为衡量指标。目前国内学者一般采用国际上流行的永续盘存法来对资本存量进行估算，其计算公式为：K i,t =K i,t -1(1-δ )+I i,t ，其中K i,t ，K i,t -1分别为第i 个地区在t 年、t -1年的资本存量；I i,t 为第i 个地区在t 年的实际投资额；δ 为折旧率。可以看出，对资本存量的估算至少涉及到投资价格缩减指数、折旧率、当年投资额、基期资本存量这4个关键变量，这方面研究成果较多，但结果不一[16]。在借鉴相关研究成果的基础上，对上述4个关键变量的说明如下：(1)投资价格缩减实数。运用1991年起正式公布的固定资产投资价格指数来计算其价格缩减指数，将其折算成可比价的实际投资额。(2)折旧率。主要采用薛俊波等[17]对我国17个行业折旧率的计算结果，将运输邮电业5.42%的折旧率指数作为我国交通运输业折旧率。(3)当年投资额。张军等[18]采用固定资产形成总额作为当年投资额，田刚等[19]则以固定资产净值作为当年投资额，相对来说，采用固定资产形成总额相对较优[20]，但由于无法获得各区域固定资产形成总额这一指标数据，因此，将以各区域交通运输业全社会固定资产投资额作为当年投资额指标；(4)基期资本存量。采用国内学者所普遍采用的投资增长比法来确定各区域基期资本存量，其计算公式为：K i,1997 =I i,1997 /(δ +g i )，其中g i 表示第i 个地区在研究时段内固定资产投资平均增长率[21]。
(2)劳动投入。一般来说，劳动投入应综合考虑劳动数量、质量以及时间等方面内容，且在市场经济条件下，相关要素都能反映到经济因素上，即可以通过劳动报酬来衡量劳动投入变化情况。但鉴于我国现行收入分配体制和市场机制仍不够完善，以劳动报酬度量交通运输业劳动投入可能欠妥，且数据获取也较为困难。因此，本研究也将遵循多数研究所采用的方法，将交通运输从业人数作为劳动投入变量。
(3)能源投入。本研究将着重考虑原煤、焦炭、汽油、煤油、柴油、燃料油、液化石油气和天然气等8种一次能源消费量作为各省份交通运输业能源投入指标。并将各区域不同类型的能源消费按照标准煤折算系数统一折合成标准煤并进行加总，并以此作为衡量能源投入变量。
1.3.2 HPV检测 应用罗氏cobas 4800、HC-Ⅱ、凯普等方法进行HPV检测，检测HPV16、HPV18型和其他HPV亚型。
旧址始建于1921年秋，原为长沙商人陶树清的私人住宅。1921年10月10日，中共湖南支部建立，毛泽东任书记，委员有何叔衡、易礼容等，这是全国成立最早的省级支部。1921年冬，由易礼容经手租下这所房子，作为湖南支部秘密办公和毛泽东住宿的地方。
从产业范畴来件，交通运输业作为生产性服务业，属于第三产业范畴，其生产的产品就是服务本身，即实现人与货物的空间位移。因此，从这个角度出发，衡量交通运输业产出应以其为所服务对象所带来的总效用来计量比较合理，但科学度量这一总效用几乎无法实现。因此目前国内大多数研究主要从两方面来衡量交通运输业产出：一是从价值形态出发，以交通运输业产业增加值作为其产出衡量指标；二是从实用价值形态出发，以运输周转量作为其产出衡量指标。综合考虑两种衡量方法，以交通运输业产业增加值和运输周转量共同来衡量其产品价值，其中交通运输业产业增加值数据以1997年为基期，运用各省域第三产业总值指数进行缩减。同时采用交通运输统计中的周转量换算方法将旅客周转量和货运周转量加权折算成“综合周转量”来衡量(1) 由于各省在统计运输周转量中存在一定差异，在考察期内无法完整获取各省民航旅客周转量和货物周转量数据，因此本研究只将铁路、公路和水运三种运输方式的运输周转量折算成综合周转量。同时限于水路运输座位数和铺位数难以获取，水路运输折算系数统一取“1”。 ，其计算方法主要参考王亚华等的研究成果[10]。
4）增强学习的主动性。可以通过微信、QQ和网络学习平台，对自己存在的英语听力方面问题，及时向任课老师请教。
1 .2 .1 投入指标选取
2 我国交通运输业全要素生产率的时序演变与区域差异
2 .1 我国整体交通运输业全要素生产率变化及其分解
式中，
为第i 个地区(决策单位)从t 期到t +1期的TFP 变化；
分别为第i 个地区在时期t 和t +1的投入和产出向量；
分别为以t 期前沿生产技术为参照的t 期和t +1期的产出距离函数；
分别为以t +1期前沿生产技术为参照的t 期和t +1期的产出距离函数。同时式(1)又可以被进一步分解为技术效率指数和技术进步指数，前者度量了在规模报酬不变且要素自由处置条件下实际产出与生产可能性边界上最大产出之间距离的变化，反映了从t 期到t +1期每个决策单位向生产前沿边界的追赶效应；而后者刻画了从时期t 到t +1期生产前言面的跨期移动，反映了因技术进步而对生产可能性边界的外推或内移。其分解过程可表示为：
以我国30个省市区为研究对象(2) 研究对象未包括我国港澳台地区，同时由于西藏在考察期内数据缺省较多，未将其纳入研究范围。 ，探究2001—2015年我国区域交通运输业全要素生产率的增长特征及其影响因素，其中所涉及的投入与产出指标数据均来自于《中国统计年鉴》、《中国国内生产总值核算历史资料1952—2004》、《中国能源统计年鉴》以及各省统计年鉴，其中对于相关指标的缺省数据采用趋势外推法或差值法得到。需要指出的是，从数据的可获得性和一致性出发，交通运输业全社会固定资产投资额、能源投入和产业增加值等指标数据来源于交通运输、仓储和邮政业统计资料，相关研究也采用了这一做法[22-23]。可以说，本研究的准确性和可靠性高度依赖于所选指标数据，但由于指标体系选取和数据获得性的局限，相关指标的数据只能粗略得到，其可能会给本文研究结论带来系统性影响，但同时也是今后需要进一步改进的重点方向。
表1 2001—2015年间我国平均交通运输业全要素
生产率指数及其分解
Tab.1 Average TFP indexes of Chinese transportation industry and their decomposition during 2001—2015
注：表1根据各项指标测算结果求算术平均计算得到。
2 .2 区域视角下我国交通运输业全要素生产率分异
考虑到我国不同省域社会经济发展水平和综合交通运输体系建设的差异，对我国东部、中部和西部三大经济区域交通运输业TFP指数及其分解进行了分析(6) 东部地区包括北京、天津、河北、辽宁、上海、江苏、浙江、福建、山东、广东、海南；中部地区包括山西、吉林、黑龙江、安徽、江西、河南、湖北、湖南；西部地区包括内蒙古、广西、重庆、四川、贵州、云南、陕西、甘肃、青海、宁夏、新疆。 ，其见表2所示。结果发现：第一，我国30个省域的交通运输业TFP增长率均大于1，且东部、中部和西部三大区域的TFP增长率均为正值，这与全国整体情况相耦合。第二，我国东部、中部和西部交通运输业TFP年均增长率分别为4.3%，3.6%和4.0%，呈现出东部地区>西部地区>中部地区的格局，其中东部地区技术效率指数和技术进步指数分别为1.007和1.040，中部地区分别为1.019和1.021，西部地区分别为1.017和1.030，可以看出，我国三大区域交通运输业TFP增长都主要来源与技术进步，与全国情况表现出一致。同时我国中部和西部地区技术效率指数要明显大于东部地区，这说明东部地区由于交通运输相关资源要素投入的持续增加，其已经开始出现资源要素边际生产力下降的趋势，资源要素投入冗余问题的出现可能是其技术效率小于中部和西部的主要原因。第三，东部、中部和西部对交通运输业TFP对行业经济增长的平均贡献率分别为47.8%，36.7%和35.7%，虽然东部地区可能存在资源要素投入冗余问题，但要素投入仍然是我国三大区域交通运输业经济增长的主要动力源泉。总的来说，我国三大区域交通运输业TFP增长和其对经济增长的贡献存在着明显的空间分异，这也构成了我国交通运输业TFP变化格局的特征事实。
3 我国交通运输业全要素生产率收敛性分析
由以上分析可以看出，我国交通运输业TFP变动及其构成存在显著的区域差异性，那么这种差异伴随着时间的推移呈现出怎样的演进特征？状态和收敛性呈现出怎样的特点？为此，将对我国及三大区域间的交通运输业TFP进行收敛性检验。在新古典经济增长理论中，对收敛性的检验主要包括3种方法：σ 收敛、绝对β 收敛和条件β 收敛[24]。对于交通运输业TFP收敛性分析而言，σ 收敛是指不同地区交通运输业TFP增长水平的离散程度随时间逐渐缩小；绝对β 收敛是指不同地区交通运输业TFP增长水平随时间推移达到相同的稳态水平；条件β 收敛是指不同地区交通运输业TFP增长水平朝着各自不同的稳态水平趋近。由于着重分析我国及不同区域间交通运输业TFP的差异程度，因此将不考虑绝对β 收敛和条件β 收敛，只进行σ 收敛检验分析。借鉴赵磊研究成果[25]，将σ 收敛定义为：
2.抓好关键人，不放松对党员领导干部党章意识的提升。广大党员特别是领导干部要自觉学习党章、遵守党章、贯彻党章、维护党章。要在培养干部、选拔干部、教育干部、使用干部上注重考察党章意识，围绕党章对领导干部的基本条件，考察是否坚定理想信念、工作是否实事求是、联系群众是否密切、能力素质是否合格、党的纪律是否遵守。只有抓好关键人的党章学习，才能为广大企业党员学习党章树立榜样，起到示范引领效应。
(9)
式中，σ m (t )表示第m 个区域在时期t 的σ 收敛值；N m 表示第m 个区域内具有N 个省域；TFP n (t )表示在m 区域内第n 个省域在时期t 的交通运输业TFP值，
为其平均值。则根据σ 收敛的定义，如果σ m (t +T )<σ m (t )， 则可认为区域m 存在σ 收敛，相反则表现出σ 发散。同时本研究还将借鉴高帆[35]的研究思路，引入变异系数和相对TFP比值对σ 收敛值进行相应验证，前者度量了我国及三大区域间交通运输业TFP标准差与均值的比值，后者度量了我国及三大区域间TFP最高组均值与最低组均值的比值(7) 同高帆研究过程一样，对全国而言，TFP最高组和最低组分别取5个省份；对东部、西部地区而言最高组和最低组分别取3个，中部地区最高组和最低组分别取2个。 ，当变异系数和相对TFP比值呈现出随时间下降的趋势则表明区域内地区差异存在收敛。
从测量结果来看(如图1所示)，σ 收敛值、变异系数与相对TFP比值呈现出高度相似性。其中对全国而言，“十五”、“十一五”以及“十二五”期间，σ收敛值均呈现出先上升后下降的趋势，其中“十五”期间以2004年为拐点，“十一五”期间以2008年为拐点，“十二五”期间以2013年为拐点，也就是说我国交通运输业TFP的σ 收敛值呈现出较大的波动性。同时与之相对应的变异系数和相对TFP比值也表现出同样的特征，例如在“十一五”期间，变异系数由2006年的0.032增至2008年的0.127，随后在2010年降至0.057，相对TFP比值2006年的1.096倍增至2008年的1.425倍，随后在2010年降至1.184倍。由此可见，我国交通运输业TFP除个别年份收敛外，其余时期呈现出发散状态，表现出并不稳定的时序波动特征，因此基本可以判断我国整体交通运输业TFP差异并未表现出收敛格局。
图1 2001—2015年间我国交通运输业TFP年均增长率的收敛性分析
Fig. 1 Convergence analysis of annual average growth rates of TFP of Chinese transportation industry during 2001—2015
而就我国三大区域而言，σ 收敛值、变异系数与相对TFP比值与我国整体相对较也极为相似。从区域内部差异来看，在“十五”期间，σ 收敛值均值呈现出西部地区>东部地区>中部地区的空间格局，也就是说此时期内三大区域交通运输业TFP内部差距呈现出西部地区>东部地区>中部地区的特征，而在“十一五”期间，则呈现出东部地区>中部地区>西部地区，在“十二五”期间，呈现出东部地区>西部地区>中部地区。而从全研究时段来看，则呈现出东部地区>西部地区>中部地区。也就是说，我国三大区域间交通运输业TFP随着时间的推移并未表现出一致的缩小趋势，且东部地区内部之间差异性要大于西部和东部地区，同时与之相对应的变异系数与相对TFP比值也呈现出同样的特征，从而更进一步佐证了我国及三大区域间交通运输业TFP并不存在显著的σ 收敛性。
为计算我国交通运输业第i 个地区从t 期到t +1期的Malmquist生产率变化指数，需要解决
个线性规划问题，运用DEA非参数方法即可求解，本研究主要借助MaxDEA7.0软件来实现。
图2 2001—2015年间我国交通运输业TFP累积增长率的收敛性分析
Fig.2 Convergence analysis of annual accumulated growth rates of TFP of Chinese transportation industry during 2001—2015
4 我国区域交通运输业全要素生产率影响因素分析
无论是从我国交通运输业TFP年均增长率还是TFP累积增长率的收敛性分析结果来看，我国及三大区域在考察期内交通运输业TFP均不存在显著的σ 收敛，为此需要给出合理的经济学解释，即需要回答我国交通运输业TFP增长受到哪些相关因素的影响这一核心问题。客观来说，影响交通运输业TFP增长的潜在因素较多，则主要从要素质量、产业结构以及政府变革3方面来考察其对交通运输业TFP的影响。具体而言，在要素质量方面，将主要考虑交通基础设施建设水平和人力资本两个因素，其中交通基础设施建设水平以各省域铁路、公路等运输方式营运里程之和除以各省域的国土面积来衡量；人力资本以各省劳动力平均接受教育年限来衡量，其计算方法主要参考彭国华[26]的研究成果。产业结构则主要以各省域第二产业增加值占地区生产总值的比重来衡量。对外开放是最重要的制度变化[27]，因此将以对外开放度来衡量制度变革因素，并以各省域进出口贸易总额占地区生产总值的比重来计量。至此，将式(10)来分析相关因素对交通运输业TFP变动的影响：
CTFP i,t =α +β 1IF i,t +β 2ED i,t +β 3IN i,t +
β 4OP i,t +μ i,t ,
(10)
式中，α 为常数项；β 1，β 2，β 3，β 4均为估计参数；μ i,t 为随机扰动项；CTFP i,t 为第i 个地区在时期t 的累积全要素生产率；IF i,t 为交通基础设施建设水平；ED i,t 为劳动力平均接受教育年限；IN i,t 为第二产业增加值比重；OP i,t 为对外开放程度。
在进行模型估计前需对相关变量进行单位根检验，因为若直接将面板数据代入式(10)，其可能会存在虚假回归或伪回归现象，即进行回归分析的基本前提要求时序变量具有平稳性。随着计量经济学的不断发展，单位根检验方法也不断得到完善，主要采用Lein-Lin-Chu，Im-Persaran-Shin，Fisher-ADF，Fisher-PP这4种方法对上述经济变量进行单位根检验，其结果如表3所示。从表3的检验结果来看，累积全要素生产率、交通基础设施建设水平、劳动力平均接受教育年限、第2产业增加值和对外开放程度等指标均为非平稳序列，不能拒绝有单位根的原假设，但上述指标的一阶差分均在5%的显著性水平下拒绝了存在单位根的假设，说明各经济变量均为一阶单整序列。
2006年起，常州在全省乃至全国较早组织开展大规模引进领军人才工作，先后实施“千名海外人才集聚工程”“龙城英才计划”，高层次人才集聚效应显著增强。截至2016年年底，共签约引进16批2 161名领军型创新创业人才，其中已落户企业1 661家。自主培养17人入选国家“千人计划”人才、3人入选国家“万人计划”领军人才、15个团队入选省“双创团队”，266人入选省“双创人才”，数量位居全省第一方阵。
表3 面板数据的单位根检验结果
Tab.3 Unit root test result of panel data
注：Δ表示一阶差分，括号中的数值为相应统计量P 值，“***”“**”分别表示在1%、5%水平下显著；CTFP为累积全要素生产率。
在检验所涉及变量平稳性的基础上，采用Pedroni检验方法和Kao检验方法对上述变量进行面板协整检验，其结果如表4所示。由表4可知，Pedroni检验方法中Panel PP-Statistic，Panel ADF-Statistic，Group PP-Statistic和Group ADF-Statistic检验统计量均在1%的显著性水平下拒绝了不存在协整关系的原假设，Kao检验方法中的ADF检验统计量在5%的水平下拒绝了不存在协整关系的原假设。因此，可以认为交通运输业累积全要素生产率与交通基础设施建设水平、劳动力平均接受教育年限、第2产业增加值比重和对外开放程度存在面板协整关系，即上述变量间存在长期稳定的均衡关系。
表4 面板数据的协整检验结果
Tab.4 Cointegration test result of panel data
注：“***”“**”分别表示在1%、5%水平下显著。
由于被解释变量交通运输业累积TFP及其解释变量均通过了单位根检验和协整检验，因此可以面板数据代入式(10)中进行回归分析。但由于面板数据回归模型有固定效应和随机效应两种回归形式，因此运用Hausman检验方法来确定具体的回归形式，结果显示，Hausman统计量值为34.6236，统计量P 值为0，其在1%的显著性水平下拒绝了为随机效应的模型的原假设，应建立固定效应的面板数据回归模型，相应的回归结果如表5所示。可以看出，就全国而言，调整后的判定系数R 2为0.723 7，说明模型拟合程度较好，解释变量对被解释变量具有较好的说服力，且相应的F 统计量值为36.652 3，且在1%的显著性水平下通过了检验，说明模型中被解释变量与解释变量之间的线性关系显著。其中交通基础设施建设水平(IF )、劳动力平均接受教育年限(ED )、第二产业增加值比重(IN )系数分别为0.293 7，0.211 5，0.997 6，说明IF ，ED ，IN 每提高1个百分点，会导致交通运输业TFP分别提高0.293 7个百分点、0.211 5个百分点和0.997 6个百分点，上述3个因素对交通运输业TFP增长具有正向作用，而对外开放度(OP )并未通过显著性检验，其表明目前对外开放水平对我国交通运输业TFP的影响不大。回归结果还表明，2001至2015年间，对各省交通运输业全要素生产率具有推动作用最显著因素是第二产业增加值比重，其次是基础设施建设水平和劳动力平均接受教育年限。此格局与我国交通运输业行业特点紧密相关，交通运输作为链接生产和消费的桥梁，是生产力发展不可或缺的纽带，工业化的发展将直接带来货物在空间上的位移需求，也将间接作用于旅客需求，影响交通运输资源配置效率，因此成为影响交通运输业TFP最关键的因素。而完善的交通基础网络将会有利于生产要素资源配置成本的降低，如时间成本、经济成本，是交通运输业得以正常运行和提高交通运输运行效率的基础保障；以劳动力平均接受教育年限所代表的人力资本的提高将会有效改善交通运输业技术创新、技术引入以及管理水平的提高，这对交通运输业全要素生产率改善具有显著的正向作用。
这部随笔凝练精致，文字瑰丽，笔调温润，充满着浓厚而小资的艺术气息。身为作家的拜厄特通过对身为艺术家的马瑞阿诺﹒佛坦尼和威廉﹒莫里斯的家庭、婚姻、居所和设计作品等方面的描写和比较，抒发了自己对两位大师的艺术理念的理解，表达了自己对两位艺术天才的由衷致敬。
表5 模型的回归结果
Tab.5 Model regression result
注：“***”“**”分别表示在1%，5%水平下显著；括号中的数值为相应统计量P 值。
而就我国三大区域而言，我国东部、中部、西部面板数据的回归模型调整后的判定系数分别为0.694 9，0.789 4和0.708 9，拟合程度较好，相应的F 统计量值分别为27.839 1， 41.567 1和25.529 8，且均在1%的显著性水平下通过了检验。影响我国东部、中部和西部地区交通运输业TFP最显著的因素均是第二产业增加值比重，其系数分别为1.150 9，0.918 5和1.503 1，而对外开放度均未通过显著性检验，且交通基础设施建设水平和劳动力平均接受教育年限均对我国东部、中部和西部地区交通运输业TFP的改善具有正向作用。可以看出，要素质量、产业结构共同影响了交通运输业TFP增长率，而我国整体和三大区域交通运输业TFP的收敛性正是源于相关因素的趋势变化。例如，东部地区的劳动力平均接受教育年限始终高于中西部，2001年，东部地区劳动力平均接受教育年限平均为10.4 a，中部和西部地区分别为10.0 a和8.6 a；2015年，东部地区为12.3 a，而中部和西部地区分别为11.3 a和10.6 a。同样，东部地区的交通基础设施建设水平和产业结构调整也对中部和西部地区具有一定的优势，而正是由于上述因素的影响使得我国交通运输业TFP并未呈现出σ 收敛格局。
5 结论及政策启示
提高全要素生产率是转变经济增长方式、提高经济增长质量的有效途径和显著标志。交通运输作为支撑社会经济发展的重要产业，其发展质量将会对我国经济发展质量产生重要影响，其发展模式也是我国转变经济增长方式的重要组成部分，因此对我国交通运输业全要素生产率的研究具有重要意义。运用DEA-Malmquist指数法对我国30个省市区在2000—2015年间交通运输业全要素生产率进行了测量和分析，并对交通运输业全要素生产率的收敛性和影响因素进行了研究，主要结论如下：
首先，在考察期内我国交通运输业全要素生产率年均增长率为4.0%，累积增长率为78.6%，技术进步是推动我国交通运输业全要素生产率提升的主要因素。我国交通运输业经济增长主要表现为要素投入和生产率提升的双重驱动，但相对要素投入(主要为资本要素投入)，全要素生产率的贡献较低(平均贡献率为38.1%)，要素投入仍然是我国交通运输业经济增长的主要动力源泉。同时，我国区域间交通运输业全要素生产率其对经济增长的贡献存在着明显的空间分异，东部、中部和西部地区交通运输业全要素生产率年均增长率呈现出东部地区>西部地区>中部地区的格局，且其增长均主要来源于技术进步因素。其次，无论是基于全要素生产率还是累积全要素生产率角度，我国及三大区域间交通运输业全要素生产率并未表现出显著的σ 收敛特征，其相对应的变异系数和相对TFP比值也表现出相似特征。最后，无论是我国整体还是三大区域间，对交通运输业全要素生产率具有推动作用最显著因素是第二产业增加值比重，要素质量(交通基础设施水平和人力资本)对我国交通运输业全要素生产率的提升具有显著的正向作用，而正是由于在要素质量因素和产业结构因素的共同作用下使得我国交通运输业全要素生产率呈现出发散格局。
则基于上述研究结论，引申出如下政策启示：第一，转变交通运输业发展方式。目前我国交通运输业发展的主要动力源泉在于资本要素的大力投入，其往往还伴随着能源的高消耗和污染排放，但这种发展模式并不具有可持续性，因此，实现我国交通运输业发展由资本推动转向由全要素生产率推动，提高我国交通运输业全要素生产率对经济增长的贡献是实现行业良性健康发展的重要举措。第二，提高交通运输业资源配置效率。从我国交通运输技术发展情况来看，通过技术创新来支撑技术进步将会越来越困难，而在技术进步尚无法取得巨大进步的条件下，提高我国交通运输业全要素生产率的途径关键在于提高技术效率水平，即通过在体制、机制、政策、管理等方面实现创新，提高对现有技术和生产要素的使用效率。第三，提升交通运输与工业化发展的协调性。虽然工业的发展对提升我国交通运输业全要素生产率具有重要作用，但客观来说，交通运输业只是作为生产性服务业，工业化的发展并不是以提升交通运输业发展质量为目的，但通过实现交通运输与工业化的联动发展，更好地发挥交通运输对工业化发展的基础性作用，将会有利于优化交通运输资源配置。第四，进一步提高要素质量水平。在我国东部地区可能存在资源要素边际生产力下降趋势的情况下，要着重完善我国中部和西部地区交通运输基础设施建设水平，以实现交通运输对社会经济发展的贡献最大化，以及自身资源配置优化和规模效应的有效发挥，同时要加强我国三大区域交通运输业的人力资本水平，为我国交通运输业实现发展方式转变提供人才保障和智力支持。
参考文献：
References:
[1] 李京文, 钟义学. 中国生产率分析前言[M]. 北京：社会科学文献出版社, 2006.
LI Jing-wen, ZHONG Yi-xue. The Front Analysis of Productivity in China [M]. Beijing: Social Sciences Academic Press, 2006.
[2] 杨传堂, 李小鹏. 深化供给侧结构性改革, 建设现代综合交通运输体系[J]. 中国水运, 2017, 38(3): 6-8.
YANG Chuan-tang, LI Xiao-peng. Deepening Structural Reform of Supply Side and Building a Modern Integrated Transportation System[J]. China Water Transport, 2017, 38(3): 6-8.
[3] KRUGMAN P. The Myth of Asia’s Miracle[J]. Foreign Affairs, 1994, 73(6): 62-78.
[4] 林毅夫, 任若恩. 东亚经济增长模式相关争论的再探讨[J]. 经济研究, 2007(8): 4-12.
LI Yi-fu, REN Ruo-en. East Asian Miracle Debate Revisited[J]. Economic Research Journal, 2007(8): 4-12.
[5] GORDON R. Productivity in the Transportation Sector [R]. Cambridge：National Bureau of Economic Research，1993.
[6] 张越, 胡华清. 基于Malmquist生产力指数的我国民用机场运营效率分析[J]. 系统工程, 2006, 24(12): 40-45.
ZHANG Yue, HU Hua-qing. An Analysis on Operating Efficiency of China Civil Airports Based on Malmquist TFP Index[J]. Systems Engineering, 2006, 24(12): 40-45.
[7] 于剑. 基于Malmquist指数的我国航空公司业全要素生产率分析[J]. 北京理工大学学报：社会科学版, 2007, 9(6): 43-46.
YU Jian. An Analysis of Total Factor Productivity of China Airlines Based on Malmquist Index[J]. Journal of Beijing Institute of Technology：Social Sciences Edition, 2007, 9(6): 43-46.
[8] 刘玉梅, 林建兵, 翁嘉辉. 中国道路运输业营运效率动态分析: 基于Malmquist生产力指数[J]. 产业经济研究, 2008(1): 56-63.
LIU Yu-mei, LIN Jian-bing, WENG Jia-hui. An Analysis on Dynamic Operational Efficiency of China Road Transportation Industry: Based on Malmquist Productivity Index[J]. Industrial Economics Research, 2008(1): 56-63.
[9] 余思勤, 蒋迪娜, 卢剑超. 我国交通运输业全要素生产率变动分析[J]. 同济大学学报:自然科学版, 2004, 32(6): 827-831.
YU Si-qin, JIANG Di-na, LU Jian-chao. Productivity Analysis of Transportation in China[J]. Journal of Tongji University: Natural Science Edition, 2004, 32(6): 827-831.
[10] 王亚华, 吴凡, 王争. 交通行业生产率变动的Bootstrap-Malmquist指数分析(1980—2005)[J]. 经济学, 2008, 7(3): 891-912.
WANG Ya-hua, WU Fan, WANG Zheng. Productivity in China’s Transportation Sector: A Malmquist Index and Bootstrap Approach (1980—2005) [J]. China Economic Quarterly, 2008, 7(3): 891-912.
[11] 郭明伟. 我国交通运输业要素投入和生产率问题研究[D]. 大连: 东北财经大学, 2010.
GUO Ming-wei. Research on Factor Input and Productivity of Transportation Industry of China [D]. Dalian: Dongbei University of Finance and Economics, 2010.
[12] 高帆. 我国区域农业全要素生产率的演变趋势与影响因素——基于省级面板数据的实证分析[J]. 数量经济技术经济研究, 2015(5): 3-19.
GAO Fan. Evolution Trend and Internal Mechanism of Regional Total Factor Productivity in Chinese Agriculture[J]. The Journal of Quantitative & Technical Economics, 2015(5): 3-19.
[13] FARE R, GROSKOPF S, NORRIS M, et al. Productivity Growth, Technical Progress, and Efficiency Change in Industrialized Countries[J]. American Economic Review, 1994, 84(1): 66-83.
[14] ESTACHE A, DE LA FÉ BEATRIZ T, TRUJILLO L. Sources of Efficiency Gains Inport Reform: A DEA Decomposition of a Malmquist TFP Index for Mexico[J]. Utilities Policy, 2004, 12(4): 221-230.
[15] STRASSNER E H, MEDDIROS G W, SMITH G M. Annual Industry Accounts: Introducing KLEMS Input Estimates for 1997-2003[J]. Survey of Current Business, 2005, 85(9): 31-65.
[16] 刘秉镰, 李清彬. 中国城市全要素生产率的动态实证分析：1990—2006 — 基于DEA模型的Malmquist指数方法[J]. 南开经济研究, 2009(3): 139-152.
LIU Bing-lian, LI Qing-bin. The Dynamic Analysis of China's City TFP: 1990-2006 — Based on the Malmquist Index and DEA Model[J]. Nankai Economic Studies, 2009(3): 139-152.
[17] 薛俊波, 王铮. 中国17部门资本存量的核算研究[J]. 统计研究, 2007, 24(7): 49-54.
XUE Jun-bo, WANG Zheng. A Research on the Capital Calculation of 17 Industries of China[J]. Statistical Research, 2007, 24(7): 49-54.
[18] 张军, 吴桂英, 张吉鹏. 中国省际物质资本存量估算：1952—2000[J]. 经济研究, 2004(10): 35-44.
ZHANG Jun, WU Gui-ying, ZHANG Ji-peng. The Estimation of China’s Provincial Capital Stock: 1952-2000[J]. Economic Research Journal, 2004(10): 35-44.
[19] 田刚, 李南. 中国物流业技术进步与技术效率研究[J]. 数量经济技术经济研究, 2009(2): 76-87.
TIAN Gang, LI Nan. Research on Technical Progress and Technical Efficiency of China’s Logistics Industry[J]. The Journal of Quantitative & Technical Economics, 2009(2): 76-87.
[20] 马越越. 低碳约束下的中国物流产业全要素生产率研究[D]. 大连：东北财经大学, 2014.
MA Yue-yue. Research on Total Factor Productivity in China Logistics Industry under Low Carbon Constraint[D]. Dalian: Dongbei University of Finance and Economics, 2014.
[21] 张志彬, 张迎丰. 中国生产性服务业全要素生产率测度及其区际差异分析[J]. 技术经济, 2013, 32(8): 69-74.
ZHANG Zhi-bin, ZHANG Ying-feng. Measurement on TFP of China’s Producer Services and Analysis on Its Regional Difference[J]. Technology Economics, 2013, 32(8): 69-74.
[22] 袁长伟, 张帅, 焦萍, 等.中国省域交通运输全要素碳排放效率时空变化及影响因素研究[J]. 资源科学, 2017, 39(4): 687-697.
YUAN Chang-wei, ZHANG-shuai, JIAO Ping, et al. Temporal and Spatial Variation and Influencing Factors Research on Total Factor Efficiency for Transportation Carbon Emissions in China[J]. Resources Science, 2017, 39(4): 687-697.
[23] 宋京妮, 吴群琪, 袁长伟, 等. 基于地统计分析的中国省域交通运输系统碳排放时空特征研究[J]. 气候变化研究进展, 2017, 13(5): 502-511.
SONG Jing-ni, WU Qun-qi, YUAN Chang-wei, et al. Spatial-temporal Characteristics of China Transport Carbon Emissions Based on Geostatistical Analysis[J]. Climate Change Research, 2017, 13(5): 502-511.
[24] 胡晓琳. 中国省际环境全要素生产率测算、收敛及其影响因素研究[D]. 南昌：江西财经大学, 2016.
HU Xiao-lin. Research on China’s Provincial Environmental Total Factor Productivity Calculation, Convergence and Influencing Factors[D]. Nanchang: Jiangxi University of Finance and Economics, 2016.
[25] 赵磊. 中国旅游全要素生产率差异与收敛实证研究[J]. 旅游学刊, 2013, 28(11): 12-23.
ZHAO Lei. An Empirical Study on Difference and Convergence of Total Factor Productivity of China’s Tourism[J]. Tourism Tribune, 2013, 28(11): 12-23.
[26] 彭国华. 中国地区收入差距、全要素生产率及其收敛分析[J]. 经济研究, 2005(9): 19-29.
PENG Guo-hua. The Disparity of Income, TFP and the Convergence Hypothesis in Chinese Provinces[J]. Economic Research Journal, 2005(9): 19-29.
[27] 肖宏伟, 王庆华. 我国全要素生产率驱动因素及提升对策[J]. 宏观经济管理, 2017(3): 49-53.
XIAO Hong-wei, WANG Qing-hua. Driving Factors of Total Factor Productivity and Promoting Countmeasures in China [J]. Macroeconomic Management, 2017(3): 49-53.
Analysis on Growth Characteristics and Influencing Factors of Total Factor Productivity of Chinese Transportation Industry
PENG Zhi-min1,2, WU Qun-qi1,2
(1. School of Economy and Management, Chang’an University, Xi’an Shaanxi 710064, China；2. Center of Comprehensive Transport Economic Management，Chang’an University, Xi’an Shaanxi 710064, China)
Abstract ： Improving TFP is an effective way and a significant indication for transforming economic growth mode and improving economic growth quality. Under the new historical development background of China’s transportation industry, especially in the process of transportation supply side reform, the key to transform the development mode and promote the high-quality development lies in the improvement of the TFP of Chinese transportation industry. Comprehensive using DEA-Malmquist index method, σconvergence test and panel data regression analysis, a research framework of index measurement, convergence test and influencing factor analysis for the TFP of Chinese transportation industry is constructed. The growth characteristics and the influencing factors of the TFP of Chinese transportation industry during 2001—2015 are analysed. The result shows that (1) During the research period, the average annual growth rate of TFP of Chinese transportation industry is 4.0%, the cumulative growth rate is 78.6%, the technological progress is the principally factor causing the TFP growth; (2) the TFP growth in transportation industry in the main regions of China shows the following spatial pattern: eastern region > western region > central region; (3) the development of Chinese transportation industry is driven by factor input(mainly capital) and TFP growth, however, compared to the factor input, the contribution rate of TFP growth is lower; (4) the TFP of transportation industry in Chinese 3 main regions does not show the σconvergence characteristics; (5) factor quality and industrial structure have positive effects on Chinese transportation industry, and the trend variation of the related factors leads to the divergent pattern of the TFP of Chinese transportation industry.
Key words ： transport economics; transportation industry; total factor productivity (TFP); DEA-Malmquist; convergence; influencing factor
中图分类号： F252. 5
文献标识码： A
文章编号： 1002-0268(2019)09-0129-11
收稿日期： 2018-03-09
基金项目： 国家社会科学基金项目(17BJY139)；中央高校基本科研业务经费专项资金项目(310823160101,310823170109)
作者简介： 彭志敏(1989-)，男，湖北江陵人，博士研究生. (cadxpzm@163.com)
doi :10.3969/j.issn.1002-0268.2019.09.018
标签：运输经济论文; 交通运输业论文; 全要素生产率论文; DEA-MALMQUIST论文; 收敛性论文; 影响因素论文; 长安大学经济与管理学院论文; 长安大学综合运输经济管理研究中心论文;