中國服務業全要素生產率測度研究
——基于DEA-Malmquist指數法

王雪瑞,劉志寬,王藤潤,李崢嶸

(1.內蒙古財經大學 商務學院,內蒙古 呼和浩特 010070;2.興安職業技術學院,內蒙古 烏蘭浩特 137400;3.內蒙古財經大學 工商管理學院,內蒙古 呼和浩特 010070)

一、引言

“鮑莫爾-福克斯假說”認為隨著社會生產效率的增長,勞動力將從制造業向服務業轉移,使得名義工資提高,從而增加生產成本,在社會穩定發展的情況下,服務業勞動力比重增加,整個社會的經濟效率會下降。在經濟生產中,生產者作為系統中的各個要素的綜合生產率,被稱為全要素生產率(TFP)。有學者研究發現,服務業TFP并不比制造業低。同時,在新的時代背景下,中國服務業相關行業經濟蓬勃發展,自2014年中國服務業增加值增量占GDP增量的比重(49.9%)超過第二產業(45.6%)成為第一大產業后,每年仍以2.72%的速度增長,2019年達到63.5%。2019年中國服務業就業人員數占總就業人員數的47.1%,服務業已成為吸納就業的主要渠道。隨著中國經濟步入服務經濟時代,中國是否存在“鮑莫爾-福克斯假說”的情況?這引起學者們對中國服務業TFP的思考。

目前,關于服務業TFP的研究主要集中于運用不同的測算方法[生產函數法、隨機前沿分析(SFA)、指數法和數據包絡分析(DEA)]和數據類型(區域面板或行業面板)進行分析,這對于充分認識服務業TFP的增長方向,區域和行業差異具有重要意義。同時,許多學者對服務業TFP的影響因素進行研究,主要包括競爭力、對外直接投資(FDI)、人力資本、創新、科技、貿易以及制度安排等。服務業TFP的研究現已成為學術界、國家重點關注的熱點話題,大量學者對服務業TFP展開了深入研究,對相應政策的制定提供了理論的支持。然而,現有的研究表現為統計方式多樣化、測算方法復雜化和測算結果差異化,并不能為相應政策的有效制定提供正確的參考,如何科學、有效地測算服務業TFP,形成統一標準,是當前學術界致力于解決的重要課題。鑒于此,本文采用2003—2019年中國第三產業相關行業統計數據,利用基于非參數數據包絡分析Malmquist指數方法,試圖測度中國第三產業相關行業TFP,分析內部生產率變化趨勢及行業差異,為中國服務業高質量發展提供理論依據,并給出對策建議。

二、文獻回顧

“鮑莫爾-福克斯假說”的提出引起了經濟學家的極大興趣,學者們開始重視對服務業生產率的研究和測算。鮑莫爾等人假設勞動是唯一的要素投入,所以勞動生產率成為早期研究焦點,C-D生產函數成為測算中國的服務業勞動生產率的主要方法。隨著研究的深入,人們發現服務業勞動生產率增長主要來源于TFP,因此,服務業TFP成為重點研究對象,而對TFP的測算是研究中最基礎的一部分,在此基礎上,對不同層面的服務業TFP以及服務業TFP的收斂性及影響因素成為研究熱點。

(一)服務業TFP的測算方法

根據是否需要預先假設具體的生產函數形式,將目前測算全要素生產率的主流方法分為參數方法、非參數方法以及半參數方法,其中,參數方法主要包括生產函數法、隨機前沿分析(SFA)等;非參數法主要包括指數法、數據包絡分析(DEA)法等;半參數方法包括Olley-Pakes方法(OP法)和Levinsohn-Petrin方法(LP法)等,此部分主要對主流的生產函數法,以及應用廣泛的DEA-Malmquist方法研究現狀做出梳理。

在參數方法中,最主要的是生產函數法,柯布和道格拉斯(Cobb &Douglas)通過對20世紀初期美國制造業數據的核算,提出C-D生產函數。1942年廷貝里(Tingbergen)將國民收入核算與計量研究進行整合,把時間趨勢項與C-D生產函數結合起來,自此經濟效率問題可以通過計量手段進行測算。索洛(Solow)在此基礎上提出索洛余值法,將總產出的增長中除去資本和勞動增長以外的部分定義為技術進步對經濟增長的貢獻。眾多學者利用C-D生產函數與索洛余值法對服務業生產率進行了大量研究,楊勇利用C-D生產函數對中國服務業TFP進行測算,并與部分國家的已有測算結果進行比較[1];郭克莎利用生產函數法測得其研究期內中國第三產業全要素生產率的平均增長率為2.58%[2];阿雷瓦洛(Arévalo-Avecillas)等人采用C-D生產函數和回歸模型分析信息技術的實施對服務企業生產力的影響;在索洛余值法的基礎上范巧和郭愛君通過空間計量分析框架做出改進,從而使測度得到的生產率更加貼近實際值[3]。擴展的索洛余值法,也被稱為增長核算法,該方法利用生產函數將經濟增長分解為各生產要素對經濟增長的影響,進而分析生產要素的投入對TFP增長的貢獻程度,該方法首先要根據數據類型在現有生產函數(C-D生產函數、超越對數生產函數以及常替代彈性生產函數等)中進行選擇,從而對生產函數的各參數值進行估計,最后測算出TFP。

數據包絡分析法(DEA)是由查恩斯(Charnes)等人所提出的一種線性規劃方法,主要思路是構建出最佳生產前沿面,通過計算每個決策單元(DMU)和最佳生產前沿面之間的差距,通過線性規劃最終得到全要素生產率指數。該方法可以避免設定生產函數與隨機干擾性不滿足正態分布的問題,在一定程度上解決了隨機前沿分析法的局限性。

Malmquist指數方法由馬姆奎斯特(Malmquist)提出,凱夫斯(Caves)在此基礎上將其與生產率的測算相聯系,中國學者利用該方法對服務業全要素生產率進行了大量研究。楊向陽和徐翔利用該方法對中國服務業全要素生產率進行了測算,并提出技術進步間的差距是影響各地區服務業全要素生產率增長率不同的主要原因[4]。徐盈之和趙玥將其應用于中國信息服務業全要素生產率的測算,并對全要素生產率指數的變化規律進行研究[5]。劉興凱和張誠利用該方法從時間和空間兩個角度探討了中國服務業全要素生產率的變化[6]。趙若錦進一步地將Malmquist生產率指數法用于中國各省市服務業全要素生產率的測算[7]。本杰明(Benjamin)同樣利用該方法分析得出電信服務業生產率增長的關鍵驅動力為技術進步[8]。

在DEA的基礎上,Caves和Fare將其與Malmquist指數法結合,形成了DEA-Malmquist指數方法,該方法能夠測算多投入、多時期、多產出的TFP指數。該方法不僅不用提前設定生產函數,還可以將測算得到的全要素生產率指數進一步拆分,同時,由于在計算過程中對數據做了一階差分,在一定程度上減少了各行業間的內部影響。因此,國內大量學者利用該方法對服務業及其細分行業的全要素生產率進行測算。王恕立和胡宗彪利用該方法對中國服務業細分行業的全要素生產率進行測算并分解[9]。古馬爾和桑迪普(Kumar &Sandeep)利用該方法測算了1991—1992年至2010—2011年印度服務業全要素生產率的變化。陳銀忠(Yinzhong Chen)將其應用于臺灣服務業全要素生產率的測算中[10]。曾燕萍也利用該方法對中國文化服務業企業全要素生產率進行了測算[11]。

學者們將生產函數法歸為參數法,因為該類方法需要預先設定具體的生產函數形式,并利用計量方法估計出相應參數,最后通過“余值”的結算來測度生產率及變化。因此,生產函數形式設定的好壞直接決定了測算結果的準確程度,這是此類方法的根本缺陷。生產函數法形式簡單明了、測算方便,核算原理符合經濟意義,經拓展后對時間序列尤其適用,只是該方法需要對生產函數做較多的行為假設,嚴格的假設制約了該方法在更廣領域的應用,一旦假設不符合現實情況,就大大地降低了方法的可信程度;不管是索洛余值法還是進一步的增長核算法,都是一種“余值”的計算,余值并不一定完全是相應生產率的增長;另外該類方法只是籠統的核算全要素生產率,難以評價技術效率的狀況。

與參數方法不同,指數法與DEA無需設定函數形式,因此測算結果中不存在因函數誤設而導致的誤差,故這兩種方法被稱為非參數法。指數法原理簡單,分析資料較易獲取,只需任意兩個時期的投入產出數據和相應價格信息,就可以計算出相應的生產率變化。但是,該方法要求計算總投入指數和總產出指數,而指數形式選擇的隨意性可能導致測算出的生產率指數存在教導誤差且缺乏可比性;同時,指數法在對影響全要素生產率的隨機因素研究時有缺陷。DEA方法最突出的特點是避開了提前設定生產函數的測算要求,只是運用線性規劃方法構建包絡前沿,比較觀測數據和包絡前沿的偏離來對相對有效性做出測算,方法簡單靈活、方便實用。其缺點是沒有區分技術非效率項和隨機誤差項;沒有考慮樣本數據的隨機性,一旦某個決策單元存在測算誤差,其他所有決策單元的效率估計均受其顯著影響,故DEA估計結果的穩定性較差;DEA只能測算出與“最優”決策單元相比較的相對有效性,對于生產效率的絕對水平及其變化不能考察,更不能分解出生產率增長的源泉。

綜上所述,學者們利用不同的測算方法對服務業TFP進行了充分探討。但對如何準確測度中國服務業TFP、中國現在的真實服務業TFP究竟如何仍有很大的爭議。本文的討論正是從此出發,對中國服務業相關行業數據利用DEA-Malmquist方法測度2003—2019年的服務業全要素生產率,并研究影響服務業TFP的各個因素。

(二)分層面的研究

為探究中國服務業TFP的整體演變趨勢、區域差異性以及行業差別,我國學者分別從國家層面、區域層面以及行業層面對服務業TFP進行了大量研究。從研究層面上可以將中國服務業TFP的現有研究分為三部分,第一部分是從國家層面利用時間序列數據對服務業TFP進行測算并分析其主要增長因素。楊勇[1]、王恕立和胡宗彪[9]的研究都可歸于此類。第二部分是利用中國各省市相關數據對服務業TFP進行測度,研究各省區市內部服務業全要素生產率增長狀況以及空間異質性。如顧乃華利用SFA模型對各省市之間服務業生產率進行研究,將其歸納為東、中、西部進行比較分析[12]。劉興凱和張誠運用Malmquist法測度中國各省區市第三產業TFP的演變過程,并對各省區市第三產業TFP變動的收斂特征進行分析[6]。第三部分主要是利用某省區市相關數據或企業面板數據對服務業某具體行業或行業間的異質性進行研究,其中,夏杰長等人發現服務業細分行業間TFP增長差距較大,但隨著服務業整體發展,差距正在快速縮短[13]。陳景華使用指數方法測算了2004—2017年中國第三產業相關行業綠色TFP指數[13]。

(三)服務業TFP的收斂性研究

隨著對服務業TFP研究的逐漸深入,學者們逐漸從測算行業或地區的TFP到探索行業間或地區間TFP的差距及動態追趕趨勢情況,通過對不同層面服務業TFP收斂性的考察,可以明晰服務業的TFP動態演變趨勢,同時,服務業TFP在不同層面的差距以及發展趨勢也是中國統籌協調發展的重要內容。

學者們針對服務業TFP的收斂性研究多為一定區域內或區域間的趨勢分析[14-15],鮮有對細分行業TFP的趨勢探討,對服務業綠色TFP的收斂性研究不足。如滕澤偉等人對中國服務業分行業間碳生產率及發展趨勢進行比較[16];Gouyett和Perelman在20世紀就開始對OECD的13個成員國服務業和制造業生產率之間的收斂現象進行研究,發現服務業生產率的增長率相對制造業較低,卻存在收斂情況;Gouyette和Perelman通過對香港銀行間TFP的收斂性進行分析后發現其只有條件收斂趨勢[17],而肖挺將服務業傳統TFP與環境TFP的增長趨勢進行對比,結果表明二者都有條件收斂趨勢[18];王許亮和王恕立探討了全球40個經濟體的服務業細分行業能源生產率的發展狀況,發現服務業總體及大部分細分行業的能源生產率均存在絕對β收斂和條件β收斂但不存在σ收斂[19];Thota和Subrahmanyam研究了印度商業銀行的TFP的收斂性,證實了所有權相同的銀行之間存在高度融合的現象[20]。

(四)服務業TFP的影響因素研究

采用不同的測算方法對不同層面的數據進行分析時,從之前學者的分析結果來看,雖有差異,但中國服務業TFP偏低是基本事實,偏低的TFP不僅會拖累整體經濟增長,也會對服務業自身發展帶來困難。TFP的增長是推動服務業發展的關鍵。在當前國家以服務業來擴大內需和促進產業結構轉型升級的背景下,如何提高服務業偏低的TFP就成為服務業大發展的關鍵。而要提高服務業TFP,就必須正確把握服務業TFP的關鍵影響因素。只有明確了服務業TFP提升的關鍵,才能有的放矢地制定政策。

國內外學者們對服務業全要素生產率的影響因素已做大量研究,根據研究內容不同,將影響因素綜合概括為競爭力、對外直接投資(FDI)、人力資本、創新、科技、貿易以及制度安排等其他因素。

在關于競爭力的研究中,大久保俊弘(Toshihiro Okubo)分析了市場競爭對服務業全要素生產率、政策評估和生產率措施的影響。零售業生產力和競爭力對新加坡服務業未來至關重要;卡利姆和羅克珊娜(Kalim,Rukhsana)針對16個低收入國家的研究表明,競爭力有助于提高農業和工業部門經濟增長的生產率,但會降低服務業的生產率。

在關于對外直接投資(FDI)的研究中,伊藤和由紀子(Ito &Yukiko)分析了企業啟動FDI在日本服務業和制造業的生產率增長方面的差異;耶拿和帕比特拉·庫馬爾(JENA,PABITRA KUMAR)分析FDI流入對服務業生產率的影響都是正向的;劉艷通過實證分析得到FDI對服務業全要素生產率的增長有積極作用[21];王恕立等人發現FDI對中國服務業高質量發展影響顯著[22]。

在關于人力資本的研究中,徐盈之和趙玥分析認為人力資本等會影響中國信息服務業發展[5];斯波爾丁和史蒂夫(Spaulding &Steve)認為更新服務團隊以提高服務生產力;西姆內斯和瑪爾塔(Sim?es,Marta)脈沖反映分析表明人力資本對金融、保險、房地產等商業服務、社區服務以及個人服務的生產率有積極影響;王燕武等人研究發現隨著服務業快速發展,大量低學歷勞動力由制造業向服務業轉移,使得服務業勞動生產率下降[23]。

在關于創新的研究中,劉丹鷺和魏守華研究發現創新能夠促進服務業生產率增長[24];布森和伊莎貝爾(Busom &Isabel)發現創新的引進能夠提高低于生產率分布中值的公司的服務業生產率;彼得斯和貝蒂娜(Peters &Bettin)的研究結果表明,服務企業的創新與更高的生產率有關;森川(Morikawa)等人提出服務企業的產品創新比制造業企業少,但創新服務企業的生產率非常高。

在關于科技的研究中,發現信息和通信技術(ICT)資本在解釋國家間服務業全要素生產率的增長方面發揮了重要作用;拉思和巴德里·納拉揚(Rath &Badri Narayan)也同意服務業生產率的增長主要受技術變革的驅動的觀點;信息技術投資對生產率有正向影響;同時,信息技術作為服務業生產率最重要的勞動力生產力杠桿之一,可以有效地提高員工的生產力和執行活動。

在關于貿易的研究中,米魯多和塞巴斯蒂安(Miroudot &Sébastien)分析發現降低10%的貿易成本會帶來約0.5%的服務業全要素生產率增長;陳明和魏作磊提出在生產性服務業中雙向開放對生產率的提升有積極作用[25];簡澤等分析認為進口競爭在生產率較低的部門中負向影響更大,會阻礙部門發展[26];胡宗彪發現交易成本與服務業生產率增長速度成反比[27]。

在關于政策安排的研究中,程大中發現是否為直轄市、市區人口密度等對服務業生產率的增長有影響[28];許和連和成麗紅分析發現制度環境和創新的健康發展對服務業企業全要素生產率有正向作用[29];屋大維和詹馬可(Ottaviano &Gianmarco)認為移民提高了英國服務生產企業的整體生產率[30];學者帕帕約安努和索蒂里斯(Papaioannou &Sotiris)證實歐盟服務業指令的頒布積極影響歐洲服務業全要素生產率的增長[31]。

目前,業界與學術界對服務業TFP的討論已經非常全面且深入,但根據使用數據來源及估算方法的不同和測算方法的差異使最終得到的服務業TFP差距較大。國外經濟學家在對服務業TFP的測算方法上不斷拓展,對要素數據的選取更加細致,強調數據質量對服務業TFP測算結果的重要性,除對一國服務業及細分行業進行研究外,全球各個國家及地區間的服務業TFP差異性也逐漸成為研究焦點。國內學者對TFP的研究起初聚焦于制造業,在服務業成為中國第一大產業的過程中,其TFP問題逐漸顯現,與其他行業相比,服務業數據數量少、質量差,不僅各地區的統計口徑不一致,而且不同時期的數據也缺乏一致性。學者們大多通過某種處理方法來“修正”數據,但仍然不能保證修正后的數據質量優于原始數據,因此,在現有文獻綜述中缺少對較長時期服務業TFP的考察。服務業種類繁多,各行各業間因性質不同而有千差萬別,因此其TFP增長的影響因素也應各不相同,對于實證考察服務業各子行業的影響因素的研究文獻少之又少,當然這也為今后該問題的研究指明了方向。隨著可獲得數據的增加,尤其是微觀數據的整理,未來對于TFP增長的影響因素分析,可以進一步細化拓展,區分不同類型的服務行業分別考察。

三、理論分析

本文的研究對象是中國服務業細分行業,不能使用需要設定具體參數的方法(生產函數法、SFA等),故通過DEA-Malmquist指數法對服務業細分行業TFP進行測度,該方法可以區分不同要素對全要素生產率的貢獻。

DEA與Malmquist指數法的結合首先要用到在前文中提到的Malmquist指數方法中的每個行業的距離函數:

(1)

該函數可以利用DEA的線性規劃求解:

(2)

其中,θ是標量(0<θ≤1),表示第i個行業的效率水平,λ表示一個1×1常數向量;x和y為行業的投入與產出,(Yt0,Yt0+1,…,Yt)與(Xt0,Xt0+1,…,Xt)分別表示每個行業的產出矩陣與投入矩陣;將每個DMU都利用上述線性規劃進行求解,即可得到相對應的效率值θ。

從而得到全要素生產率指數:

M0(xt+1,yt+1,xt,yt)

=TE×TP

=PE×SC×TP

(3)

四、中國服務業TFP的測算

采用2003—2019年中國服務業細分行業統計數據,運用基于非參數DEA-Malmquist指數方法,試圖測度中國服務業細分行業全要素生產率,并分析內部生產率變化趨勢及行業差異。

(一)數據來源與處理

在第三產業下屬行業的劃分方面,考慮到2003年中國對各產業細分行業進行的重新規劃,第三產業細分行業類別變化較大,因此,研究建立的面板數據時間跨度為2003—2019年。測度服務業全要素生產率所需整理的數據包括服務業細分行業產出、勞動投入、資本投入。

1.服務業產出

研究采用服務業細分行業各年長夜增加值代表產出,根據國家統計局的數據,該細分行業包括批發和零售業在內的6個行業,缺乏信息傳輸、計算機服務和軟件業等9個行業的具體增加值數據。在各年《中國統計年鑒》中,這9個行業被歸于其他行業。因此,本文使利用這些行業在城鎮單位就業人員工資總額中的所占份額乘以其他行業增加值的總額,計算得到這些行業2003—2019年的具體增加值。同時,將原始數據根據相關指數換算為以2003年為基期的增加值。

2.勞動投入

選取服務業各細分行業從業人員數,借鑒王恕立等的方法:服務業細分行業就業人數=服務業全社會總就業人數x(服務業細分行業城鎮單位就業人數/服務業城鎮單位總就業人數)。

3.資本投入

根據資本存量估算法計算。由于服務業細分行業各年資本存量沒有直接數據,利用永續盤存法得到具體數值,方法為:

(4)

其中,Ki,t為i行業在t年的資本存量,Ii,t為i行業在t年的固定投資額,δ為折舊率。基年的資本存量利用穩態方法進行計算,方法為:

Ki,t=Ii,t/(gi,t+δi,t)

(5)

其中,gi,t為2003—2019年內中國服務業增加值的綜合增長率。δ表示折舊率,對于服務業細分行業的折舊率并沒有固定數值,遵循現有學者的普遍做法,將其設定為4%。

(二)測算結果和分析

利用2003—2019年中國服務業細分行業相關數據,通過軟件DEAP2.1得出中國服務業整體與細分行業TFP相關指數。

1.中國服務業整體TFP指數及相關分解

中國服務業整體TFP指數及相關分解情況如表1所示。

表1 中國服務業整體TFP及相關指數分解(2003—2019年)

由表可知可以看出,研究期內中國服務業全要素生產率年平均增長2.3%,技術進步是主導其增長的主要因素,主要由于技術進步年平均提高9.2%,技術效率作用較小,年平均下降0.1%。說明中國在開發技術和資源的實際運用方面還有很大的進步空間。

從全要素生產率變動情況看,研究期除2003—2004年、2016—2017年外中國服務業TFP均為正增長,最高值出現在2006—2007年期間,在加入WTO后,中國服務業逐漸對外開放,一批跨國集團進駐中國,導致國內各產業競爭形勢愈漸嚴峻,提升了國內對服務業改革、開放和發展的信心,隨著中國服務業的改革開放程度不斷提高,在接下來一段時期服務業TFP一直保持著較高的增長率。2008年開始在金融危機影響下,中國服務業TFP增長變緩,雖然在接下來的幾年中有所提高,但收效甚微。2017年的低谷可能與中國在宏觀層面上進行供給側結構性改革有關,但隨著中國供給側結構性改革的不斷推進,中國服務業經濟發展質量開始提升,表明改革已取得一定成效。

從TFP指數分解分解看,技術效率在其中八年為負增長,但技術進步整體上呈現正向增長,總之,技術進步對TFP增長的貢獻更大,表明TFP增長的主要驅動力為技術進步。在技術效率方面,從2004年的-0.13%上升到2019年的6.2%;與此相反,技術進步增長率由2005年的11.8%下降到2019年的-0.2%。兩個指數相反的增長方向在2016年完成替換,即2016年前是技術進步作為服務業TFP的主要來源,但自2016年起,由技術效率主導服務業TFP增長,這兩個指數的三年和五年移動平均趨勢可以顯現上述變化(見圖1)。

圖1 技術進步與效率變化的移動平均趨勢

通過對技術效率的分解看出,純技術效率變化指數整體低下,但規模效率變化指數水平相對較高,2003—2019年的純技術效率和規模效率年均增長率分別為-0.04%和0。這兩個指數的反向變動是在2016—2017年間完成更替,即在此期前純技術效率為技術效率的主要動力,但此后被規模經濟反超并拉開差距。從兩個指數的三年和五年移動平均趨勢分析(見圖2),該變化的主要原因可能是現代信息技術的發展使得服務業的某些行業在貿易方式上增加了更多的可操作性。

2.服務業細分行業TFP指數及相關分解

中國服務業細分行業TFP指數及相關分解情況如表2所示。

表2 中國服務業細分行業TFP指數及相關分解(2003—2019年)

從TFP變化趨勢看,2003—2019年間批發和零售業等行業TFP快速增長,各行業全要素生產率指數增長主要依賴于技術進步。交通運輸、倉儲和郵政業,住宿與餐飲業等行業全要素生產率指數增長較慢,主要原因為技術效率水平低下,金融業,房地產業全要素生產率指數增長緩慢。由此看出,中國服務業細分行業TFP指數增長之間的差異性較大。而技術進步是中國服務業各行業TFP增長的主要動力來源。

從技術效率指數變化來看,批發和零售業,金融業,房地產業,以及文化、體育和娛樂業等4個行業沒有波動,在信息傳輸、計算機服務和軟件業等5個行業有增長,但增長水平較低,可以看出,中國服務業整體技術效率水平不高,各細分行業之間異質性特征明顯。說明各細分行業在現有經濟狀況下的技術利用率較低,利用對現有資源的使用來促進TFP增長仍有余地。

從規模效率與純技術效率指數變化來看,規模效率除交通運輸、倉儲和郵政業,住宿和餐飲業等7個行業的規模效率增長為負外,其他行業增長強勁。純技術效率除教育,公共管理和社會組織快速增長以外,其他所有行業均較低或為負增長。由此看出,各細分行業間規模效率、純技術效率的差距較大。而且,較低的規模效率和純技術效率從阻礙了服務業的高質量發展。

從TFP對行業增長值的貢獻來看,文化、體育和娛樂業貢獻率最大為80.16%,共有10個行業的貢獻率高于50%。金融業與房地產業增長質量較低。整體來看,相較于流通服務業,生產性服務業與公共服務業在近些年的發展中更加注重技術與資源的實際應用。

3.中國服務業TFP增長的穩健性檢驗

借鑒王恕立等的做法對TFP增長進行穩健性檢驗,借助改變資本存量估算法中的基年資本存量和折舊率,對不同的資本投入進行多次計算,觀察結果是否出現本質性改變。如表3所示,折舊率除本文使用的4.3%以外,還采用Wu中的7%和Zhang中的9.6%(表3中的Ⅰ);在基年資本存量的衡量方法選擇上,Ⅰ借鑒Harberger的做法,使用服務業細分行業實際增加值在2003—2019年間的年增長率表示gi,t;Ⅱ則采用Hall和Jones(1999)的方法,使用2003—2019年間每年第三產業投資增長率均值表示gi,t。各種組合的測度結果見表3。

表3 穩健性檢驗結果

測度結果顯示,當對資本存量法中相關指標的計算方法進行替換后,測算得到的TFP指數與相關分解指數與原有結果間的差異并不明顯,對研究的最終結論并無影響,如技術進步水平仍主導著中國服務業細分行業TFP指數的增長。因此,測算得到的全要素生產率指數是穩健的。

五、進一步討論

在利用DEA-Malmquist指數法得到中國服務業整體及細分行業TFP指數后,進一步對服務業TFP指數的影響因素進行實證檢驗,探尋中國服務業全要素生產率改善的有效途徑。

(一)模型構建與數據處理

學者們對服務業TFP影響因素的研究,主要利用定性方法進行分析,定量研究較為缺乏。通過借鑒前人的已有研究(王恕立等,2012)以及與TFP相關的計量理論,選擇市場化水平指標、對外開放度指標,同時根據資本密集度在服務業生產率中的重要程度,加入人均資本增長率作解釋變量,構建實證模型:

TFPi,t=αi+β1MARi,t+β2FDIi,t+β3PERCi,t+β4PERCIi,t+β5PERCIIi,t+εi,t

(6)

其中:TFPi,t為i行業在t年的全要素生產率增長指數。數據選取前文測算得到的2003—2019年中國服務業整體及細分行業TFP指數,測算過程及數據見本文第三、四部分。

MARi,t表示i行業在t年的市場化水平,利用1-(服務業分行業城鎮單位就業人員/服務業總就業人員)計算得到,從而體現市場開放水平對中國服務業TFP的作用。

FDIi,t表示i行業在t年的對外開放程度,用中國服務業分行業實際利用FDI增長率表示,從而體現對外開放程度對中國服務業發展的作用。

PERCi,t表示i行業在t年的人均資本量增長率,考慮到服務業數據的可得性,求取各行業固定資產投資與各行業就業人員的比值并得到各年增長率。

PERCIi,t與PERCIIi,t是對人均資本量增長率的一階和二階滯后,為了體現在時間序列上資本存量對服務業的作用。

βi、εi,t為解釋變量的系數和隨機誤差項。

為了解釋前期的TFP指數對后期的影響,在模型中加入TFP指數的一階滯后項進行動態面板的回歸。

(二)實證結果

根據建立的2003—2019年中國服務業細分行業靜態面板與動態面板,分別利用OLS、差分GMM估計和系統GMM估計對其進行回歸,回歸結果如表4所示。

表4 服務業全要素生產率影響因素模型回歸分析

從表4中可以看出,解釋變量在兩個面板模型中系數符號基本一致。由于差分GMM估計在動態面板估計中能夠有效地提高其估計的效率,因此主要對差分GMM估計結果進行解釋。

根據回歸結果,市場化水平對促進中國服務業TFP增長影響顯著,由于在市場化的過程中大量的技術與資源投入實際生產,因此市場化水平能夠促進TFP的增長。此外,根據回歸結果,對外開放度對服務業TFP的作用顯著,在開放經濟的條件下,跨國公司的加入使得中國服務業內部競爭水平提升,進一步提高了TFP。

衡量人均資本量增長率的變量系數為負,這與我們現實中的經濟常識相悖,成因可能為:第一,本研究在人均資本量的指標計算上有不足之處。第二,或許存在著一個較為深刻的可能因素,人均資本量的增加對服務業細分行業的技術進步貢獻率低,資源配置使用率不高,但人均資本量增長率的增加對下一年的服務業的高質量發展仍為負面影響,但對第二年服務業全要素生產率增長的影響變小,這表明隨著時間的推移,資本的吸納效應在減小。

六、研究結論與展望

本文根據最新的中國服務業細分行業分類,對中國服務業整體及細分行業TFP指數進行了測度與分解,同時對服務業細分行業TFP指數的變化進行了解釋,最后利用動態面板對影響服務業TFP指數的相關因素進行回歸。研究發現:第一,2003—2008年間中國服務業TFP增長迅速,2008年后增速變緩,在此過程中技術進步主導了服務業TFP指數的增長,技術效率水平在一定程度上阻礙了中國服務業的發展。根據對技術效率的分解,純技術效率指標偏低,但近年來開始有所提升。與此同時服務業技術效率變化指數不高,技術效率低下阻礙中國服務業TFP的增長。第二,中國服務業細分行業TFP指數及其分解顯現出較大的差異性,批發和零售業、教育、文化、體育和娛樂業等行業TFP快速增長。交通運輸、倉儲和郵政業等行業TFP增長較慢,技術效率有待提高,金融業、房地產業TFP增長低。中國服務業細分行業TFP增長的主要動力是技術進步,技術效率水平整體不高。第三,對影響中國服務業TFP的因素進行實證分析后發現,對外開放度,市場化水平對中國服務業影響顯著,但人均資本量對中國服務業全要素生產率的影響為負,并且隨著時間的推移,資本的吸納效應在減小。

基于現有國內外服務業TFP的研究現狀,未來中國服務業TFP可以從以下幾個方面進行拓展:首先,在選擇服務業TFP測算方法時,根據中國服務業的現實情況,引用國外前沿理論,考慮中國服務業的已有數據、研究方向以及經濟發展戰略的重大轉變等針對性地選擇測算理論,從而探尋中國服務業TFP最佳的測算方法,真實測度中國服務業發展質量。其次,在對不同層面的研究中,既要對國家整體的服務業TFP進行分析,也要對不同地區、行業間的服務業TFP進行討論,探尋中國服務業TFP水平低下的根本原因,為政策的制定提供有力的理論支撐。接著,在收斂性研究方面,要清楚服務業TFP收斂的根本原因,在分析時既要考慮不同區域間的比較,同時也要考慮不同行業間的差異性,加強對環境約束下的服務業綠色TFP收斂性的研究,以便更好地把握我國各產業間的協調發展。最后,在宏觀層面上對我國各個區域的服務業及其細分行業的發展在影響因素研究方面,通過競爭力、對外直接投資、人力資本、創新、科技、貿易、制度安排以及服務外包等其他因素對服務業TFP的影響分析,為推動我國服務業TFP快速增長,從而加速我國服務業發展提供了具體建議:深化服務業市場化改革,全面推進市場化進程,提升各企業競爭力;加大創新支持力度,強化創新成果和市場需求的結合;加大人力資本的投資;擴大對外開放程度,積極融入全球市場。