供给侧改革背景下佛山五区及重点行业全要素生产率实证分析——基于非参数DEA及Malmquist模型

关浩宇

（顺德职业技术学院 经济管理学院，广东 佛山 528333）

供给侧改革背景下佛山五区及重点行业全要素生产率实证分析
——基于非参数DEA及Malmquist模型

关浩宇

（顺德职业技术学院 经济管理学院，广东 佛山 528333）

全要素生产率的提升是供给侧结构性改革的核心内容。以2011—2015年的区域投入产出变量面板数据为基础，通过非参数DEA、Malmquist指数模型，测算了佛山市及属下5区的技术效率、规模效率及综合效率的静态数据及动态变化率；并对重点行业进行了效率测算。研究表明：佛山地区的全要素生产率在广东省内处于中游水平、5区之间的全要素生产率有较大差异、各区间的产业投资有巨大的互补空间、产业的资源利用效率有较大提升空间、过度的房地产开发对区域效率有负面影响。最后给出了提升佛山地区全要素生产率的6项对策建议。

全要素生产率；效率；佛山；DEA；Malmquist

生产率是指产出与投入的比率，即：产出的产品及服务的总量/所消耗的资源总量。经济增长可以归结于资本、土地、劳动等投入要素增加与生产率提升的结果。全要素生产率（TFP）是指考虑了所有要素投入后的投入产出比，即经济系统中总投入转化为总产出的效率。依据索洛1957年提出的概念［1］，TFP指不能由要素投入增长来解释的产出增长部分。从一个经济系统的投入产出关系来说，如果以更低的资源投入获得更高的产出，代表了其TFP的提升。TFP将多种要素综合在一起衡量，能够更科学全面地反映效率水平，是衡量经济运行状况、反映技术进步、技术效率或规模配置等方面水平的综合指标。

自2008年金融危机以来，虽然期间4万亿经济刺激短期企稳了经济，但中国的经济增长逐步放缓，经济面临严重的结构性问题。究其原因，是中国经济在经历了多年的高速增长后，依赖土地、劳动力、资金等资源要素不断扩大投入来驱动的粗放式增长模式遇到了瓶颈，国外出口市场饱和，国内市场需求与供给错配，在长期的需求刺激下，积累了深层次的矛盾。大量研究表明，经济的可持续性发展必须进行供给侧结构性改革，转到依赖于提升全要素生产率的路子上来。2016年中央经济工作会议公报中强调“推进供给侧结构性改革，是适应和引领经济发展新常态的重大创新”。国家各级领导人对供给侧结构性改革进行了多次批示，各级政府部门推出了多项规划，供给侧改革提出了“去产能、去库存、去杠杆、降成本、补短板”的五大重点任务。各项改革政策精神中，提升地区、行业及企业的全要素生产率，是从宏观、中观、微观上推进供给侧改革的核心内容［2-4］。

佛山地区在区域、产业、企业等各层面同样需要进行供给侧结构性改革，需要优化投资结构、产业结构，优化劳动力、资本、土地、技术、管理等要素配置。地区性全要素生产率的研究是一项重要的基础性工作，对政府对标先进地区，制定有效的发展规划、产业政策、土地及人力资源政策、社会管理政策，提升创新水平，具有重要的应用价值。本文是近几年来仅见的对佛山地区的TFP测评研究，研究涵盖区域及重点行业，数据覆盖2010—2015年，同时采用多个DEA和Malmquist模型以相互印证。这在相关的研究中是独特的。

1 DEA与Malmquist全要素生产率评测模型

传统经济理论认为经济增长主要源于要素投入的增长和生产率的提高，但是要素投入的边际效应递减，经济的长期增长需要依靠生产率的增长来实现。如果研究对象的投入只包含一种要素，则所得的生产率成为“单要素生产率”，如劳动生产率、资本生产率等；若投入包括了土地、劳动、资本等所有要素，所得生产率称为“全要素生产率（Total Factor Productivity）”（TFP）。TFP效率可以分为规模效率（即资源配置效率）和技术效率。资源配置效率是指为获得最大产出或最低投入，各种资源能够达到最佳比例的能力，反映了实际投入要素的配比与理论最佳配比的差距。技术效率是指在一定的投入要素组合下，获得最大产出的能力或者在一定的产出组合下，取得最少要素投入的能力，是实际的投入产出比与理论最佳投入产出比的比值，反映了决策单元采取有效管理及发挥技术的能力。技术效率与配置效率相组合就得到总的经济效率，即综合效率（综合效率=技术效率*配置效率）。

当前TFP实证研究所采用的模型分为两类：前沿分析法和非前沿分析法。前者度量的是相对效率值，后者度量的是绝对效率值。前沿分析法主要分为参数方法和非参数方法，区别在于是否需要假设具体的生产函数形式。参数方法主要有索洛余值法、拓展的索洛余值法、随机前沿生产函数（SFA）法等。非参数方法主要有指数法、数据包络分析（DEA）法等。全要素生产率研究作为评估经济增长绩效及来源的一项基础性工作，其研究和应用已经成为一门庞大的领域，相关的研究众多，集中于理论模型方法的拓展及实证研究，近期的综述和典型的实证分析案例可参见文献［5］～［7］及文献［8］～［13］。

相对其他方法，著名运筹学家W.W.Cooper等人（1978）［14］提出数据包络模型（Data Envelopment Analysis）具有独特的优点，已经成为多投入多产出情况下决策单元（DMU）效率测度应用最为广泛的数理方法之一。DEA直接根据投入产出数据，利用线性优化将有效的DMU线性组合起来，构造出“包络”整个样本集的分段超平面（即生产前沿面或生产函数），再把非DEA有效的DMU投影到生产前沿面上，通过距离函数比较DMU“偏离”生产前沿面的程度来评价各DMU相对效率。DEA独特的优点包括：1）可以评价具有多个“投入”和“产出”变量的决策单元，且不需要事先确定各变量的权重；2）不需要假设生产函数的具体形式或分布； 3）不需要有关投入产出的价格信息；4）对投入产出变量的量纲不敏感；5）理论框架和计算手段成熟，已经被广泛应用于产业政策、绩效评估等众多领域。这些优点在生产函数、投入产出要素权重等信息未知的条件下，其优越性尤为明显。文献［8］的研究表明，相对于随机前沿分析（SFA）， DEA 方法得到的结论更加可靠， 也更能满足对中国经济现实进行解释的需要。DEA模型结合Malmquist生产率变化指数方法，可以度量综合效率、技术效率、规模效率的静态及动态特征。

DEA发展至今，依据生产可能集、测度、偏好、变量类型、不同阶段、数据的确定性等6个维度拓展变化，衍生出上百种拓展模型［15］，在对数据的要求、分辨能力、解的可得性、用途有各自的特点，相关综述和介绍可参阅文献［15］～［17］。在本研究中，采用普通DEA模型，超效率SDEA模型及基于松弛量的SBM-DEA模型，并结合Malmquist生产率变动指数模型来从横截面（静态）和历史（动态）来分解及测量TFP。其中普通DEA即为Cooper等最早提出的经典DEA模型，相当多的TFP实证研究依然采用这一模型，其原理直接简单，但缺点在于到达生产可能集前沿的DMU的效率值都为1.0，无法进一步区分优劣，为此Andersen等2002年提出超效率（super efficiency）SDEA模型［18］，其将有效单元从参照集中提取出来计算其超效率得分，使等SDEA超效率值可大于1.0，从而进一步区分有效单元的效率差别； Tone在2001年提出了一种基于松弛变量的测量模型（slacks based measure， SBM-DEA）， 将除了等比例改进的部分之外的松弛改进（余量）也包含在效率值计算中［19］。

本研究使用的相关模型数学定义如下，首先定义生产可能集T：

T = {（x，y）｜产出y可由投入 x生产出来}

在凸性、锥性、无效性及最小性假设［13］下，可定义规模效率不变CRS下生产可能集T为：

并在投入产出变量满足（x，y）∈T的条件下定义三种评估TFP效率指标θ的DEA模型（投入导向）：

1）普通DEA模型：

2）超效率DEA模型：

3）基于松弛量SBM-DEA模型：

4）Malmquist生产率变化模型：

Malmquist指数最早由瑞典经济学家Sten Malmquist在1953年提出的衡量跨时段TFP变化率的指标。Malmquist指数大于1，表明在跨时段的评估中，效率获得改进；指数等于1，效率没有变化；指数小于1，效率下降。Fare提出FGNZ分解模型［20］，将Malmquist指数分解成技术效率变化指数TE（第一乘项），规模效率变化指数SE（第二乘项）及技术进步指数TC（第三乘项），成为在实证领域应用最多的FGNZ分解模型。但是FGNZ的分解存在逻辑上的缺陷， FGNZ 承认现实技术是规模效率可变VRS 形式，但是在计算技术进步时却舍弃了VRS 技术， 反而采用了假设的规模效率不变的CRS 技术，因此分解中的技术进步并不是现实技术进步， 而是参照技术的进步。Ray和Desli 对此问题进行了修正，提出RD分解模型［21］。Lovell 从理论角度对RD 模型的正确性进行了确认［22］。因此，对于Malmquist 指数的正确分解并不是国内研究常用的FGNZ 模型， 而应当是RD 模型。但RD模型需要计算VRS下的距离函数，DMU的投入产出向量可能并不位于跨期的生产可能集中，可能是规划无解的，从而造成应用上的困难。Paster提出改进的Biennial-RD分解模型［23］，通过由DMU两个相邻时段的投入产出集共同构造一个Biennial技术可行集，使投入产出向量包含在Biennial技术可行集中，距离函数始终有解，从而在保持了RD模型的分解思路下有效地解决了无解问题。

2 佛山市及五区区域全要素生产率分析

佛山地区的区域全要素生产率研究，把佛山及其所辖的5个区，放在广东21个地级市，以及江苏省江阴市、昆山市及深圳市南山区共30个样本中进行投入产出效率比较，分析将给出佛山市及各区历年的TFP效率值，并结合供给侧结构性改革背景进行分析和建议。

2.1 模型、样本、变量、数据选择

静态分析分别使用普通DEA，超效率DEA及基于松弛余量DEA（SBM-DEA）三种模型给出2010—2015各年度各区的综合效率、技术效率与规模效率；动态分析则分别使用FGNZ、Ray-Desli、Biennial-RD三种不同的分解模型将Malmquist指数分解为效率变动指数、技术变动指数和规模变动指数。考虑到整个地区的要素投入比产出更容易控制，所有模型均采用基于输入的模型（Input-Oriented Model）。

DEA测算的是相对效率，整体样本DMU的选择不同，得出的效率值亦不同。考虑到佛山市是广东省地级市，样本首先包含广东省21个地级市，同时将广东省整体作为一个DMU样本（以获得一个平均值意义上的比较）；佛山市下辖的5个区（禅城、顺德、南海、三水、高明）作为5个独立的样本DMU纳入比较；为了对比规模相近、国内经济较为发达的地区，参考2015年全国百强区的排名，将江苏省江阴市、苏州下辖昆山市、深圳南山区这3个地区也纳入样本DMU范围；共有30个地区纳入模型计算。

DEA模型对TFP测算的投入和产出变量的选择有非常多的选项。过少的变量将缺乏代表性及解析力，过多的变量将降低模型的分辨率（将使大部分的样本处于效率前沿上，无法区分效率高低），同时数据的可得性和质量难以保证。合适的DEA模型要求样本DMU数量n、投入变量维度m、产出变量维度s应满足的约束要求。结合过往研究经验，及参考众多DEA模型实证研究文献的投入产出变量选择，本研究采用2个投入变量（年度固定资产投资额、社会从业人员数量）来分别表征资本和人力的投入， 2个产出变量（地区生产总值、地方公共财政预算收入）来分别表征区域的总产出及公共（政府）收益。这4个投入产出变量具有较好的覆盖度和代表性，数据能够从各地政府统计部门发布的年鉴中获得，保证了数据的可得性和质量，也满足了DEA模型的要求。

相应的数据来自广东省、佛山市及各区、江阴市、昆山市及深圳南山区的统计年鉴，数据覆盖2010—2015年。为消除通货膨胀因素，得到各年度间更准确的可比结果，将年度固定资产投资额、地区生产总值、地方公共财政预算收入这3个变量分别按各年的GDP平减指数进行平减。数据计算分析采用Stata13及R统计软件的DEA模块及相关程序代码进行。

2.2 区域全要素生产率静态测算

基于普通DEA，超效率SDEA及基于松弛余量DEA（SBM-DEA）三种模型的测算给出了各地区各年度的综合效率、技术效率及规模效率。效率数值表明的是某个地区的投入产出比（在其选择最优的权重分配后）对比于最佳实践的线性组合的投入产出比的比值。效率数值为k，则表明其在当前的经济技术环境下，距离最佳实践还有1-k的提升潜力。而达到最优效率状态的DMU的效率值为1.0。（超效率DEA模型为了提高模型分辨率，区分各达到效率前沿面上的DMU的效率值差异，将效率值放宽到1.0以上）。

各地区2015年的DEA效率值中，深圳市（包括南山区）的技术效率为2.602，显著高于其余地区，规模效率（0.896）处于较高位置，从而综合效率达到2.332，全要素生产率远超其他地区。江阴市、昆山市作为广东省外的经济发达地区代表，其TFP效率也保持在较高的水平，综合效率分别为0.919和1.252，而且昆山市和深圳市一样，是仅有的在三个DEA模型测度下综合效率均保持在1.0以上的市级地区。广东省其他地市，分化为三个不同的类别，其中广州、东莞、珠海、佛山、中山等地的技术效率（0.645～1.188）和规模效率（0.636～0.986）都接近于1.0，处于较高的综合效率水平（0.577～0.830），属于第一梯队。其中广州表现出较高的技术效率，东莞和珠海表现出较高的规模效率；惠州、潮州、茂名、清远、江门、阳江等地的综合效率在0.344～0.410之间，处在第二梯队，其规模效率在0.417～0.952之间，技术效率处于0.431～0.961之间，处于中等水平；肇庆、湛江、韶关、梅州、汕头、河源、揭阳、汕尾、云浮等地市，综合效率在0.194～0.317之间，属第三梯队，其技术效率在0.341～0.760之间，规模效率在0.366～0.822之间，处于中下水平。

佛山及5区的各DEA模型效率值见表1（仅列出2013—2015年具体数值）。2015年佛山市及5区的超效率DEA模型综合效率值在0.516～0.849之间，佛山市的综合效率值为0.605，在广东21地市中排名第5，在深圳、珠海、东莞、广州之后，其后为中山和惠州；技术效率值为0.756，，规模效率为0.80，均排名第7；资产余量比例为53.8%，从业人员余量为27.1%。佛山市的效率值在全省中为中上水平，但与深圳、珠海、广州、东莞以及省外的江阴和昆山有较大差距。佛山5区的综合效率以三水、高明、禅城、顺德、南海依次降低，分别为0.849、0.751、0.742、0.707、0.516；三水区的综合效率已接近第一梯队，而南海区的综合效率值拉低了整个佛山的效率值排名。

佛山5区综合效率算术均值为0.713，比作为整体的“佛山市”的0.605略高。原因是三水和高明的综合效率较高但经济体量占比较低，而南海的综合效率相对较低而经济体量占比较高，从而使算术均值大于整体值。虽然三水和高明的经济规模在5区中垫底（2015年GDP分别为1 009.09及710.54亿元，占整个佛山GDP 8 003.92亿元的12.6%及8.9%），但其技术效率分别是1.021和1.591，都达到了很高的程度。相反南海区的技术效率（0.606）为5区最低，从而导致了其综合效率（0.516）也在5区中最低。背后的原因，主要是三水和高明的人力投入效率较高，而南海的固定资产投资规模及社会从业人员的规模相对过大。基于松弛量的SBMDEA模型可以从另一侧面观察这一问题。从表1的 “资产投资余量/%”中可以得到5区各年度的投入松弛量（余量）及其占各自原始投入的比例。（松弛余量：假设DMU的效率达到最优，在保持当前的产出不变的情况下，其投入要素可以减少的数量）。三水和高明的“社会从业人员余量比例”分别为5.4%和15.9%（即只有5.4%和15.9%的人力是在保持当前产出水平下可以精简掉），而其他各区在22.4%～41.5%之间，这就是三水和高明有较高生产率的主要原因。2015年南海的固定资产投资余量为527.71亿元，占整个佛山固定资产投资余量1 632.09亿元的32.3%；从业人员余量为66.07万人，占整个佛山从业人员余量118.70万人的55.7%。南海区2015年的“固定资产投资余量比例”和“社会从业人员余量比例”分别是57.2%和41.5%，都处于很高的比例，相对于30个考察地区的最优实践标杆DMU来说，南海有近一半的资源投入（理论上）是可以节省下来的。

表1 2013—2015年佛山市各区DEA效率状况

2010—2015年间，佛山各区的人均创造GDP和人均固定资产投资处于上升趋势。而三水和高明的这两个数据高于其他各区，从另一侧面解释了这两个区的TFP相对较高的原因。值得注意的是，顺德区的人均固定资产投资规模在5区中最低，一方面说明顺德区的建设已达到较成熟的规模，不依赖于固定资产投资来拉动经济发展；另一方面也反映投资需求不足，对未来发展的动力有隐忧。

基于普通DEA模型，佛山市整体的综合效率保持在0.60左右的平稳状态，技术效率和规模效率基本在0.80；禅城区的综合效率保持在0.70～0.80之间，技术效率保持在0.90左右的较好水平，规模效率则以2012年为界，先下降后上升；顺德区的综合效率在0.68～0.80之间，以2010年最高，然后在2013年形成一个局部小高峰，技术效率则在2011年相对2010下降后，在2011—2015年间缓慢上升，而规模效率和综合效率走势基本一致；南海区的综合效率在0.60左右波动，2013年后则连续两年下降，规模效率基本保持在0.90左右，而技术效率基本随同综合效率走势，说明南海区的固定资产投入与人力投入虽然没有充分发挥潜力，但配比相对合理；三水区和高明区的技术效率基本保持在1.0水平，规模效率（从而综合效率）分别围绕在0.80及0.70左右平缓上升，说明两区的资源投入得到有效利用，但固定资产投资额和从业人员的配比还有提升空间。

为进一步考察固定资产的投入效果，探讨固定资产投资与TFP的潜在关系，研究对佛山各区、江阴市及昆山市的制造业及房地产业固定资产进行对比分析，数据来源于各地区统计年鉴（表2）。2011—2015年间，佛山市在制造业和房地产业的投资基本持平，约各占4成；但5区呈现出截然不同的特点，禅城区、南海区的制造业投资比例逐年下降，房地产业投资比例逐年上升，2015年两区房地产投资额分别是制造业的4.40倍和1.93倍，而顺德区、三水区、高明区分别为1.65倍、0.19倍及0.12倍，江阴市和昆山市则分别为0.55倍及1.62倍。禅城和南海无论是从趋势还是绝对比重上都越来越倾向于房地产投资。而三水和高明的制造业投资比例逐年上升，在2015年占比达82.8%及67.7%，2011—2015年房地产投资比例则分别围绕10%及15%波动，表明这两个西部区域更加偏重于制造业的投入；顺德的制造业投资比例比南海略高，房地产投资比例比南海低，固定资产投资总额基本保持在南海区的70%。昆山市的投资结构和南海顺德近似，江阴则处在一个更为均衡的投资结构比例。区域制造业与房地产投资比例受到地理位置、产业发展机会、政府及私营部门的投资决策等影响，无法简单给出一个最优的比率。禅城和南海对房地产投资的偏爱，受到当地接近广州，房地产需求旺盛的影响；三水、高明对制造业投资的偏重，与当地制造业基础较弱，在加速“补短板”，要素成本较低，有利于制造业发展有关。结合“三去一降一补”供给侧改革任务及南海区TFP相对较低的状况，房地产业对地区发展的短期与长期作用需要做进一步的谨慎的权衡。

表2 2011—2015年佛山市（5区）、江阴、昆山制造业及房地产业投资完成额占总比例 %

2.3 Malmquist生产率变动指数测算

基于FGNZ及Biennial-RD分解模型的佛山地区Malmquist效率变化、规模效率变化、技术变化指数的详细数据见表3（仅列出2010—2015数值）。通过Malmqusit指数观察到（是否大于1.0）， 2010—2015各年度，佛山市整体的综合效率逐年略微上升，TFP平均年提高3.31%，主要来源于技术变化（年平均提高6.20%），而年均技术效率变化和年均规模效率变化为-1.44%和-1.27%；换言之，虽然佛山TFP在提高，提高的主要原因是生产可能集前沿的进步，即整体上技术和管理水平的提升，但是对比“最佳标杆”，佛山在有效利用技术和管理手段，以及配置资源的相对表现是略微落后的。2010—2015年禅城区、顺德区、南海区、三水区、高明区的TFP年均提高2.50%、2.92%、-0.30%、8.08%、6.25%。除南海外，其他4区的TFP在上升，波动较平缓，而南海区的效率变化波动较大。各区各年度的Malmquist指数及分解的效率变化、规模效率变化、技术变化的折线图见图1，表现出不同的变化模式。

图1 2010—2015年佛山市（5区）Malmquist生产率变动指数折线图

佛山地区的TFP效率处于中游位置，与其主要产业结构是传统制造业有关。制造业处于“微笑曲线”低端，对资本投入和劳动力需求较高，利润水平较低，相对于深圳、广州等地的新型产业及现代服务业，效益水平相对不高；而佛山制造业已经达到了较高集聚度和规模，具有较好的竞争力，对其他地区依然具有较大优势。佛山应继续立足于现有制造业基础，压减落后过剩产能，提升制造业技术水平和创新能力，打造先进制造业，同时通过“补短板”，加大对新兴产业和现代服务业的扶持力度，优化产业结构。

表3 2010—2015年佛山市（5区）Malmquist生产率变动指数

3 佛山行业全要素生产率分析

佛山市以制造业立市，2015年全市生产总值8 003.92亿元，比上年增长8.5%，其中第二产业增加值4 838.89亿元，增长7.6%（全部工业增加值4 672.53亿元，增长7.7%，规模以上工业增加值4 406.95亿元，增长7.9%）。第一、第二、第三产业结构为1.7∶60.5∶37.8。工业经济效益指标中，资产贡献率19.05%，资本保值增值率102.76%，资产负债率56.00%，流动资产周转次数3.37次，成本费用利润率8.10%，产品销售率96.51%，实现利润总额增长9.7%。鉴于佛山的产业结构以第二产业为主，而顺德、南海两区的第二产业（1 512.94亿元、1 328.25亿元）占了整个佛山市的第二产业增加值的58.71%。为抓住重点，以下行业全要素生产率分析以2015年的佛山市整体、顺德区、南海区的工业制造业为分析研究对象。

3.1 模型、样本、变量、数据选择

各行业的TFP分析采用经典DEA、超效率SDEA、基于松弛量的SBM-DEA三种模型进行效率数据测算，采用投入导向模型。样本为2015年佛山大中型工业企业的30个工业制造行业，投入变量为“年度资产”及“从业人员人数”，分别代表资源和人力要素的投入，产出变量为“工业总产值”和“利税总额”，分别代表了产出中“量”的规模和产出中“质”的收获。（南海区的年度统计年鉴没有提供分行业的“利税总额”和“年度资产”数据，其模型的投入产出变量为： “年末固定资产原值”、“从业人员人数”及“工业总产值”）。数据来源于2015年佛山市、顺德区、南海区的统计年鉴的“大中型工业企业主要经济指标”一表。涉及企业1 155个，工业总产值总和12 500.68亿元，工业增加值总和2 895.61亿元，分别占当年佛山全市规模以上工业总产值19 544.95亿元及工业增加值4 363.33的64.0%及66.3%，足可代表佛山市的行业状况。

3.2 分行业综合效率、技术效率与规模效率测算

研究对佛山市2015年30个工业分行业的综合效率、技术效率与规模效率进行了测算。依照2015年超效率SDEA模型的数据，将其按技术效率、规模效率为横纵坐标，行业工业总产值为面积大小，综合效率为颜色，给出佛山市的效率分布气泡图如图2。

图2 2015年佛山市30个工业分行业TFP效率状况

1） 佛山市。

佛山工业各行业2015年的平均综合效率、技术效率、规模效率分别是：普通DEA效率：0.589、0.748、0.810；SDEA 效率：0.633、0.942、0.751 ；SBM-DEA效率：0.559、0.729、0.797。（SDEA效率均值稍高的原因是对于达到生产前沿面的行业的效率值会大于1.0，而其他两个模型的效率值最高为1.0）。行业SDEA综合效率前5位为废弃资源综合利用（1.63）、石油炼焦（1.43）、文教工美用品制造（1.26）、食品制造（0.88）、农副食品加工（0.86）；排名最后的5位为电力燃气水生产供应（0.38）、专用设备制造（0.38）、通用设备制造（0.41）、仪器仪表制造（0.43）、非金属矿物制品（0.45）；工业总产值最大5个行业的电气机械和器材制造（占佛山整体工业总产值29.6%）、通信计算机及电子设备（占7.1%）、金属制品（占6.7%）、有色金属冶炼和压延（占6.6%）、非金属矿物制品（6.3%）的SDEA综合效率值依次为0.507、0.709、0.624、0.691和0.454，处于中等水平。

佛山市全部30个工业行业的资产余量为3 358.33亿元，从业人员余量为67.16万人，分别占行业整体总资产8 163.36亿元、总从业人员115.95万人的41.1%及57.9%。以资产余量比例+从业人员余量比例为衡量，在前10位工业产值最大的行业中，产能过剩最为严重的前3个行业依次为电力燃气水生产供应、汽车制造业、橡胶和塑料制品业。产值占比最大的电气机械和器材制造业的资产余量为1 190.8亿元，从业人员余量为20.57万人，余量比例为49.3%和56.5%，换言之，如果本行业的效率达到30个行业中最佳标杆的水平，在保持工业总产值和利税总额产出水平不变的情况下，其行业总资产和从业人数可以缩减近一半。说明本行业的市场需求不足、产能过剩或行业投资提前太多，在供给侧改革背景下，去产能和行业重组使资源要素能够流动是进一步提高本行业全要素生产率的有效途径。其他行业的提效率、去产能方向可依技术效率值、规模效率值、资产余量、人员余量的状况进行类似的进一步分析研究。

2） 顺德区。

顺德区工业各行业2015年的平均综合效率、技术效率、规模效率分别是：普通DEA效率：0.501、0.683、0.768；SDEA 效率：0.581、0.937、0.722 ；SBM-DEA效率：0.494、0.657、0.777。行业SDEA综合效率前5位为有色金属冶炼和压延（2.60）、文教工美用品制造（1.59）、饮料制造（1.06）、食品制造（0.93）、通信计算机及电子设备（0.83）；排名最后的5位为化学纤维制造（0.38）、非金属矿物制品（0.38）、印刷和记录媒介复制（0.41）、仪器仪表制造（0.43）、其他制造（0.45）；工业总产值最大5个行业的电气机械和器材制造（占顺德区整体工业总产值53.0%）、文教工美体育和娱乐用品制造业（占6.5%）、金属制品（占5.7%）、橡胶和塑料制品业（占4.5%）、汽车制造业（占3.9%）的SDEA综合效率值依次为0.570、1.587、0.689、0.411和0.549，处于中等水平。

顺德区全部30个工业行业的资产余量为1 751.49亿元，从业人员余量为39.07万人，分别占行业整体总资产3 867.80亿元、总从业人员61.42万人的45.3%及63.6%。以资产余量比例+从业人员余量比例为衡量，在前10位工业产值最大的行业中，产能过剩最为严重的前3个行业依次为通用设备制造业、橡胶和塑料制品业、专用设备制造业。顺德区产值占比最大的电气机械和器材制造业的资产余量为897.84亿元，从业人员余量为20.26万人，余量比例为43.0%和63.3%，换言之，如果本行业的效率达到本地区30个行业中最佳标杆的水平，在保持工业总产值和利税总额产出水平不变的情况下，其行业总资产和从业人数可以缩减近一半。

3） 南海区。

南海区工业各行业2015年的平均综合效率、技术效率、规模效率分别是：普通DEA效率：0.368、0.439、0.883；SDEA 效 率：0.436、0.624、0.855 ；SBM-DEA效 率：0.306、0.355、0.916。SDEA综 合效率前5位为：废弃资源综合利用业（2.78）、化学纤维制造业（1.20）、农副食品加工业（0.52）、皮毛制品和制鞋业（0.51）、木材加工业（0.44）；排名最后的5位为饮料制造业（0.13）、仪器仪表制造业（0.16）、纺织业（0.16）、纺织服装服饰业（0.21）、汽车制造业（0.24）；工业总产值最大5个行业的有色金属冶炼压延加工业（占南海整体工业总产值14.2%）、电气机械和器材制造业（占10.2%）、计算机通信和其他电子设备制造业（占9.8%）、金属制品业（占8.3%）、废弃资源综合利用业（占7.9%）的SDEA综合效率值依次为0.377、0.287、0.388、0.337和2.777，处于中下水平。

南海区全部30个工业行业的资产余量为789.09亿元，从业人员余量为38.98万人，分别占行业整体总资产1 108.29亿元、总从业人员48.09万人的71.2%及81.1%。以资产余量比例+从业人员余量比例为衡量，在前10位工业产值最大的行业中，产能过剩最为严重的前3个行业依次为非金属矿物制品业、通用设备制造业、金属制品业。南海区产值占比最大的有色金属冶炼和压延加工业的资产余量为115.86亿元，从业人员余量为2.13万人，余量比例为71.9%和62.3%，换言之，如果本行业的效率达到本地区30个行业中最佳标杆的水平，在保持工业总产值和利税总额产出水平不变的情况下，其行业总资产和从业人数可以缩减近6成。值得说明的是，因为DEA模型比较的是相对效率，南海区的投入要素余量如此之大，说明在南海区的各行业内部，其TFP的差异也相当的大。

4 对策建议

结合政府报告精神、供给侧结构性改革规划及前面TFP效率现状特点分析，提出以下供给侧结构性改革背景下的提升佛山全要素生产率的方向性对策建议。

1）加速区域协同，优化资源配置。

为发挥地方的积极能动性，各地方政府过往被赋予了较大的发展自主权，辖地经济发展规模和发展速度在地方主官的绩效考核中占据了较大权重，各区及区以下的行政区域（镇、街、村）形成相对意义上的竞争格局。竞争压力下，各地竞相招商引资，出台各类优惠政策，村村点火、户户冒烟，一村一个开发区、一镇一个产业。各区域对资源要素的投入产出效率，对资源的集约利用没有得到足够的重视，区域之间也缺乏足够的产业协调。虽然各地微观表面上看起来经济活力十足，但宏观层面上，行业多而不强，效益不佳，产业升级转型压力大；企业规模小，抗风险能力低，同质化严重，在产能过剩而有效需求不足的情况下彼此恶性竞争，缺乏积累在市场品牌、产品研发上形成差异性，创造出新的细分市场和有效需求，从而恶性循环；地区缺乏足够多的大型龙头企业在产业链整合、基础技术研发、产业人才聚集上形成对区域的溢出效益。在供给侧改革背景下，整合产能和库存，优化基础设施等要素投入、补齐产业发展短板等任务，已经不可能局限在一村、一镇、甚至一区之内独立可以完成。在佛山市级层面进行5区协同，将佛山市放在“广佛城市圈”、“珠三角城市群”、“粤港澳湾区”、“一带一路”等更大的格局下进行区域及产业的定位，加强各区的协同，有所为有所不为，形成独特竞争优势。

2）促进5区产业合作与资源流动，形成产业梯度。

佛山5区中，南海顺德与三水高明具有不同的经济基础、产业特点及资源要素优势。分析表明顺德南海的资产投入与从业人员数量已经超过了当前产出所需的优化数量，而三水高明的资本投入与从业人员数量处于紧张状态，还有很高的边际效用和容纳潜力。在佛山东西部之间开展产业协作及产能转移，形成产业梯度，引导要素的合理流动，一方面降低东部地区的资源压力，减少要素投入余量，提高TFP；另一方面提升西部地区的有效产出，使资源保持在较高水平的边际效用，从而改进佛山地区整体效率，改善区域经济总量的不均衡状态，是一举两得的事。

3）优化投资方向，权衡房地产投资规模

房地产投资已占佛山地区年度投资的近40%，南海区和禅城区的房地产投资占比已远超制造业投资比例。房地产业的发展对提高地方财政收入、改善居民居住水平、提高城市环境、带动相关产业需求有明显的作用，但房地产业资本投入较大，受政策影响大，房地产过度交易的房地产会带来金融杠杆上升，过高的房地产价格给各行业带来成本上升压力，房地产库存会阻碍要素流动，房地产投资挤压制造业投资造成潜在的产业空心化，产业结构脱实向虚等负面效应。房地产业的过度投资会对地区的TFP造成负面影响，房地产业对地区发展的短期与长期作用需要做进一步的谨慎的权衡。

4）补短板，促进生产性服务业发展。

2016年上半年，佛山第三产业增加值占GDP比重达39.6%，比2015年提高1.76个百分点。“纵向比有进步，横向比差距还是很大，生产性服务业是我们补短板的重要内容。”如市长朱伟所言，“全省生产性服务业占GDP比重是27.7%，而佛山是15.7%，在珠三角各市中倒数第一，生产性服务业是我们产业结构的一个短板”。佛山创新驱动发展仍不牢固，高新技术数量与全市经济体量不符，新型研发机构、科技企业孵化器等平台功能发挥不够充分。在佛山规模以上工业企业中，高新技术企业数量才占10%。去年佛山拥有新型研发机构815家，在珠三角排名第三。但是，因为我们规模以上工业企业总数比较多，新型研发机构占规模以上工业企业总数的比例仅14.09%，又落到第五去了。”［24］

5）打造区域特色产业和龙头企业。

在产业政策上，从小散乱的行业中退出，压减产能，释放土地及劳动力资源，集中打造行业龙头航母（而不是一堆小舢板），以龙头公司夺取全球市场的份额，向上进行产业并购进入新的市场，向下采用分包、合作、入股等形式，整合地区内产业链，在有效的供应链资格管理下提升各中小企业的效率，美的集团就是一个典型的案例。今后南海区将改变“一镇一业” 的传统模式，形成“全区协同”的格局和对制造业大国德国、日本的定向招商，大力吸引一汽大众、本田变速箱等已落地重点企业的上下游企业落户南海，充分利用东方精工等龙头民营企业在国际上的技术和资本合作关系，鼓励企业延伸产业链并将合作项。这是产业升级竞争格局变化的要求，也是供给侧改革背景下区域内产业整合的必然趋势。

6） 建立区域全要素生产率与供给侧改革研究中心。

TFP的研究是一项重要的基础性工作，对政府对标先进地区，制定有效的发展规划、产业政策、土地及人力资源政策、社会管理政策，提升创新水平，以及企业提升资源利用效率、创新能力、最优化企业规模等微观效率管理，具有重要的应用价值。全要素生产率相对于传统的绩效评估手段（如最常见的加权平均的单要素生产率），具有考虑范围全面、理论基础牢固、不依赖人为判断、评估过程标准化、可应用于各个不同层次等优点；供给侧改革则需要在中央精神指导下，紧密围绕地区经济社会发展状况进行。建立研究中心，专注于TFP和供给侧改革的精神解读、模型研究、数据资源建设、政府行业公司绩效优化咨询服务等，可以为政府及时监控地区经济发展状况、制定有效政策、为行业及企业提升微观效率提供重要的决策依据。

［1］ ROBERT M. SOLOW. Technical Change and the Aggregate Production Function［J］. The Review of Economics and Statistics，1957，39（3）：312-320.

［2］ 人民日报社.七问供给侧结构性改革：权威人士谈当前经济怎么看怎么干［M］.北京：人民出版社，2015.

［3］ 贾康.供给侧改革的重点是提高全要素生产率［N］.第一财经日报，2016-02-15（A11）.

［4］ 习近平.2016年01月18日在省部级主要领导干部学习贯彻党的十八届五中全会精神专题研讨班上的讲话［N］.人民日报，2016-05-10（2）.

［5］ 龙建辉.全要素生产率综述：结构分解、影响因素与产出贡献［J］.经济纵横，2015（10）：13-15.

［6］ 岳彩东，程静.全要素生产率文献综述［J］.经济研究导刊，2013（9）：9-13.

［7］ 杨鹏.TFP方法与中国TFP研究文献综述［J］.理论探讨，2013（9）：14-17.

［8］ 魏下海，余玲铮.中国全要素生产率变动的再测算与适用性研究：基于数据包络分析与随机前沿分析方法的比较［J］.华中农业大学学报（社会科学版），2011（3）：76-83.

［9］ 胡鞍钢.考虑环境因素的省级技术效率排名（1999—2005）［J］.经济学，2008（3）：933-960.

［10］ 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.

［11］ 江春.中国全要素生产率的变化：2000—2008［J］.财经科学，2010（7）：55-62.

［12］ 章祥荪.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）：111-122.

［13］ 蒋晶晶.广东省要素投入与全要素生产率的实证分析［J］.暨南大学学报，2012（7）：76-82.

［14］ CHARNES A，COOPER W，RHODES L. Measuring the efficiency of decision making units［J］. European Journal of Operational Research，1978，2（6）：429-444.

［15］ 杨国梁，刘文斌.数据包络分析方法（DEA）综述［J］.系统工程学报，2013（12）：840-860.

［16］ WADE D，COOK，LARRY M，et al.Data envelopment analysis（DEA）:Thirty years on［J］. European Journal of Operational Research，2009，2（6）：1-17.

［17］ 魏权龄.数据包络分析［M］.北京：科学出版社，2004.

［18］ ANDERSON，HOLLINGSWORTH.The fixed weighting nature of a cross-evaluation model［J］. Journal of Productivity Analysis，2002，18（1）：249-255.

［19］ TONE K.A slacks-based measure of efficiency in data envelopment analysis［J］.European Journal of Operation Research ，2001，130（3）：498-509.

［20］ FARE，GROSSKOPF，NORRIS，et al. Productivity Growth，Technical Progress，and Efficiency Change in Industrialized Countries［J］. American Economic Review， 1994（84）：66–83.

［21］ RAY S C，DESLI E. Productivity growth，technical progress，and efficiency change in industrialized countries： Comment［J］.American Economic Review，1997（87）：1033–1039.

［22］ LOVELL.The Decomposition of Malmquist Productivity Indexes［J］.Journal of Productivity Analysis，2003（20）：437–458.

［23］ PASTOR.The biennial Malmquist productivity change index.［J］.Socio-Economic Planning Sciences，2011（3）：10-15.

［24］ 王芃琹.供给侧结构性改革如何推进：佛山市长直陈五区短板［N］.南方日报，2016-08-29（2）.

Foshan TFP Analysis under the Supply-side Reform Background: Based on Nonparametric DEA and Malmquist Model

GUAN Haoyu
（School of Business Administration，Shunde Polytechnic，Foshan Guangdong 528333，China）

s：Total Factor Productivity is the key component of supply-side reform. Based on DEA and Malmquist model and 2011—2015 statistics panel data，this paper calculates the static technical efficiency，scale efficiency，total efficiency and dynamic Malmquist TFP index of Foshan city. Besides，the efficiency of the key industries are calculated.Analysis results indicate that Foshan's TFP is in the middle of Guangdong province，its 5 districts have diversified TFP and great complementation potential of investments，the efficiency of resource use has big room for improvement，and there is negative influence if the real estate industry is overdeveloped. Suggestions for TFP improvements are also provided.

TFP；efficiency；Foshan；DEA；Malmquist

F061.5

A

1672-6138（2017）03-0078-13

10.3969/j.issn.1672-6138.2017.03.017

［责任编辑：曹娜］

2017-05-22

佛山市2016年度哲学社会科学规划重点项目（2016-ZD09）；佛山市机电专业群工程技术开发中心2016 专项课题项目（KJ030920140095）。

关浩宇 （1974—），男，广东南海人，讲师，硕士，研究方向：效率评估及管理、产业经济及管理。