新常态经济下FDI对全要素生产率的影响——基于中国省际面板数据的实证分析①

刘 颖，张 淼，潘 博

(1.东北财经大学 统计学院，辽宁 大连 116025；2.对外经济贸易大学 统计学院，北京 100029； 3.东北财经大学 公共管理学院，辽宁 大连 116025)

一、问题的提出

改革开放以来，随着中国经济逐步与世界接轨，外商直接投资(Foreign Direct Investment，FDI)呈现逐年上升的趋势，中国现已跻身世界上吸收FDI最多的国家行列，由于FDI带来了国际间的技术溢出，使其在中国经济发展中发挥着越来越重要的作用。如今中国经济发展步入新常态阶段，提升经济的长期可持续发展能力成为我们追求的目标，全要素生产率正逐渐成为新常态经济的增长动力，促进全要素生产率的提高已经成为经济转型的关键所在。

从现有研究来看，囯外对FDI与全要素生产率的研究可以按结论分为两类：第一类认为FDI有助于提高全要素生产率；第二类认为FDI对全要素生产率没有促进作用。Liu等[1]选取英国48家制造企业1991—1995年的数据进行研究，结果表明FDI对英国制造企业的全要素生产率产生了积极的溢出效应，FDI对国内企业的技术溢出效应很大程度上取决于企业自身的技术能力。Haskel等[2]选取英国制造业1973—1992年的数据进行研究，结果表明企业的全要素生产率与其行业活动相关的FDI占比之间存在显著的正相关作用，认为FDI增加10%会使企业的全要素生产率增长大约0.5%。Aitken和Harrison[3]选取委内瑞拉制造业的数据进行研究，结果表明FDI与小型企业的全要素生产率呈明显的正相关，但FDI对合资企业的全要素生产率产生负面影响。考虑到这两种抵消效应，他们认为FDI对全要素生产率的净影响非常小。Grether[4]选取墨西哥制造业1984—1990年的数据进行研究，结果表明FDI的溢出效应在制造行业内部并不显著。

目前，国内学者对FDI与全要素生产率的研究可以按研究范围和研究方法进行分类。按研究范围主要分为两类：第一类是基于某一行业的实证研究，主要集中在制造业、工业、农业和服务业等行业。张公嵬等[5]选取中国制造业 28 个行业2000—2009年的数据进行研究，结果表明FDI具有技术溢出效应，产业集聚发挥了正的外部效应，FDI与产业聚集的交互作用对不同行业全要素生产率的影响有显著差异。孟令杰和李新华[6]选取中国15个省2000—2011年的数据进行研究，结果表明农业FDI对农业全要素生产率产生了负面影响。第二类是基于中国省际面板数据的实证研究。刘正瑜[7]选取中国 28 个省的数据进行研究，结果表明国际经济形势变化对FDI 与中国全要素生产率的关系影响非常显著。按研究方法主要分为两类：第一类是利用静态数据模型建立单个回归分析或者进行协整分析，以时间序列或者面板数据为主。张宇[8]通过建立协整与误差修正模型研究FDI对中国全要素生产率变动的影响，结果表明FDI对全要素生产率的提高有促进作用，但他认为这种积极作用不会在短期内得到体现，而是一种长期趋势性过程。杨向阳和童馨乐[9]选取中国1985—2008年省际面板数据，采用基于非参数的Malmquist指数方法估算了中国全要素生产率的增长情况，结果表明FDI对中国全要素生产率增长率和技术进步具有显著正向作用，对技术效率增长却呈显著负向作用。刘舜佳[10]选取中国1952—2006年27个省的面板数据进行研究，结果表明FDI在区域内产生了正向溢出，但在区域间产生了负向溢出，两种作用相互抵消导致整体上FDI并没有带动全要素生产率的增长。第二类是利用动态面板数据分析，大多数文献都采用GMM估计方法。黄小舟等[11]选取湖北省工业企业面板数据,分别采用了OLS计量和GMM计量,结果表明FDI对湖北工业企业的全要素生产率有着显著的促进作用。

在这种背景下，本文将FDI溢出效应与全要素生产率的增长联系起来，详细测算了中国省际全要素生产率，采用系统GMM方法精确计量了FDI对全要素生产率的影响程度，同时结合理论和实证分析结论提出了中国如何利用FDI的政策建议，有助优化FDI的现有结构，提高投资效率，进一步提升FDI溢出效应，促进中国产业结构优化升级和经济发展方式转变。

二、基本理论

(一)中国FDI发展概况

从引进FDI以来，随着中国相关政策的改变，实际利用FDI也呈现出一定的趋势。根据中国1978—2015年实际利用FDI的数据来看，中国FDI的发展呈现出很明显的两个阶段：第一个阶段是1992年前的缓慢增长，这一阶段FDI的整体规模比较小，并且增长率较小；第二个阶段是1992年至今的持续增长阶段，1992年中国FDI突飞猛进，并且一直以一定的速度在增长，这一现象主要是因为在1992年邓小平南巡讲话和中共十四大的影响下，中国形成了全方位、多层次、一体化的开放格局。综上所述，在研究FDI与全要素生产率的关系这一问题上，本文将选取1992—2015年的数据进行研究。

(二)基于DEA的Malmquist指数法

关于全要素生产率的测算方法主要有两类：第一类是参数法，即索罗剩余回归模型，虽然该方法必须要有具体的函数形式，但是其结果相对更准确；第二类是非参数法，这种方法不需要设定具体的生产函数，适合面板数据。综合考虑，本文将采用后者来进行测算。

DEA的Malmquist指数法可以实现在生产前沿面发生改变的情况下对全要素生产率的测算。以t时期的技术Tt为参照，基于产出角度的Malmquist指数可表示为：

(1)

类似地，以t+1时期的技术Tt+1为参照，基于产出角度的Malmquist指数可表示为：

(2)

为了避免时期选择的随意性可能导致的差异，仿照Fisher理想指数的构造方法，用上述两个公式的几何平均值作为从t时期到t+1时期的全要素生产率变化的Malmquist指数：

(3)

将上式进一步分解为：

(4)

可见，Malmquist指数实际上由两部分组成：第一部分是EC(技术效率指数)，表示从t时期到t+1时期技术效率的变化；第二部分是TC(技术进步指数)，表示从t时期到t+1时期的技术进步。其中，EC还可以进一步分解为纯技术效率指数和规模效率指数。

Malmquist指数大于1时，表明全要素生产率是增长的。进一步讲，当EC>1时，表示技术效率提高；当EC=1时，表示技术效率不变；当EC<1时，表示技术效率下降。同样地，当TC>1时，表示技术水平发生进步；当TC=1时，表示技术水平不变；当TC<1时，表示技术水平发生衰退。

(三)计量模型设定

在计量模型的设定上，本文依旧采用大多数学者的研究方法，将全要素生产率指数、技术效率指数和技术进步指数分别作为被解释变量，FDI和其他控制变量为解释变量。由于本文所用数据都是宏观经济指标，考虑到模型的内生性、经济问题的滞后性及经济活动中的惯性问题，本文采用动态面板数据模型，将被解释变量的滞后一期值作为解释变量加入模型，最终模型如式(5)—式(7)所示：

TFPit=β0+β1TFPit-1+β2FDIit+β3EXit+β4lnkit+β5Git+μit

(5)

EFFit=β0+β1EFFit-1+β2FDIit+β3EXit+β4lnkit+β5Git+μit

(6)

TECHit=β0+β1TECHit-1+β2FDIit+β3EXit+β4lnkit+β5Git+μit

(7)

其中，i表示省；t表示年份；TFPit、EFFit和TECHit分别表示i省第t年的全要素生产率指数、技术效率指数和技术进步指数；FDI表示外商直接投资；EX表示国际贸易；k表示人均资本存量；G表示地方政府管制水平； μ表示随机扰动项；β表示待估参数。

三、样本说明与变量选取

考虑到西藏数据的不完整性，本文将其剔除，以中国其余30个省为样本。以1991—2015年数据为样本测算全要素生产率，在研究FDI溢出效应对全要素生产率影响时，结合前文对中国FDI发展状况的分析，由于1992年中国才大量引进FDI，遂将研究时期定为1992—2015年，为保持数据的一致性和准确性，将数据都折算为1990年不变价数据。具体变量说明如下：

(一)产出(Y)

用各省的地区生产总值(GDP)来衡量该地区的产出。按照1990年不变价国内生产总值指数进行缩减，单位为亿元，数据来自中经网统计数据库。

(二)劳动投入(L)

用各省年末全社会从业人员数表示，单位为万人。数据来自各省历年统计年鉴，其中，河北、山西、内蒙古、黑龙江、湖南、四川和新疆7个省的2015年就业数据缺失，根据中经网数据库2014年各省城镇单位就业人数和私营企业个体就业人数占全社会就业人数比重补齐2015年数据。

(三)资本存量(K)

用各省资本存量来衡量，但是这一指标数据在中国官方公布的各种统计资料中均没有直接给出，需要运用相关数据和方法对其进行估算。事实上，在中国已有很多学者研究资本存量核算这一课题。但是值得一提的是，目前对资本存量的估计结果有很大的差异，本文借鉴靖学青[12]的核算方法，主要由于该方法时效性高、采用了质量较高的基础数据及尽可能使用官方统计数据。具体估算方法如下：

根据国际上通用的永续盘存法进行估计，基本公式可以表示为：

Kt=(1-δt)·Kt-1+It

(8)

Kt=Kt-1+(It-Dt)

(9)

其中，Kt和Kt-1分别表示第t年和第t-1年的不变价资本存量； δt表示第t年的折旧率；It和Dt分别表示第t年的不变价投资额和折旧额。这里基准年份1990年的资本存量，本文采用靖学青[12]测算的数据。当年投资流量指标用固定资产形成总额来估计，并用各省固定资产投资价格指数作为折算指数将投资额缩减为1990年不变价的值。对于部分缺失的固定资产投资价格指数，采用孙辉等[13]的方法补充，根据各省支出法GDP统计得到的当年固定资本形成总额占GDP的比重及GDP指数得到不变价固定资本形成数据，由此就能得到各省固定资本形成指数序列，再根据式(10)计算投资隐含平减指数(以1991年为例)：

(10)

关于固定资产折旧，1991—1992年统一使用5%的折旧率，用式(8)计算。1993—2015年不使用统一的折旧率，而是使用各省相应年份的折旧额用式(9)计算。

根据上述方法测算的1991—2015年主要年份中国各省资本存量如表1所示。

(四)外商直接投资(FDI)

用各省每年实际利用外商直接投资额来表示。用当年人民币对美元汇率平均价对实际利用外商直接投资额进行调整，该指标为回归模型的核心变量。

(五)国际贸易(EX)

进出口总额与GDP的比值表示某省的外贸依存度，用来衡量该省的国际贸易发展水平，将进出口总额数据用人民币对美元汇率进行调整后得到国际贸易指标，用来衡量对外开放程度对全要素生产率的影响。

(六)人均资本存量(k)

很多研究都证实资本和人力对全要素生产率有影响，所以本文构建人均资本存量这一指标，用前文计算得到的各省资本存量与年末社会从业人员数的比值来表示。为防止不同变量单位的数值差异太大，对此变量取对数，即lnk。

(七)地方政府管制水平(G)

用地方政府财政一般预算支出占GDP比重来表示，用来衡量地方政府介入经济的程度。

四、 实证结果与分析

(一)全要素生产率测算结果

本文使用1991—2015年中国30个省的面板数据，借助DEAP2.1软件测算各省产出导向的全要素生产率指数，并进一步将其分解为技术效率指数和技术进步指数，计算结果均以上一年为基期，各指数与1的正、负差值表示其上升或下降的百分点。具体结果如表2和表3所示。

表2是1991—2015年中国各省全要素生产率指数及其分解指数的平均值。由表2可以看出，中国全要素生产率指数为1.005，平均上升了0.5个百分点。在中国 30 个省中，只有北京、天津、上海、江苏、广东和新疆等11 个省的全要素生产率是大于 1 的，其中，上海最高，达到1.219。仅有北京、天津、辽宁、上海、江苏、浙江、广东、海南和新疆9个省的全要素生产率是高于全国水平的。全要素生产率指数的分解结果显示：1991—2015年中国各省的平均技术效率指数为0.997，平均技术进步指数为1.008，这表明中国技术效率有轻微的下降，技术进步稍有提升，进步率为0.8%。技术效率方面，虽然全国整体没有提升，但是江苏、安徽、山东、贵州、陕西和甘肃6个省的技术效率指数都大于1，表明其技术效率都有所提高，其中，甘肃提高幅度最大，为1.5个百分点。就技术进步方面，30个省中有16个省的技术进步指数小于1，在发生技术进步的13个省中，仅有11个省的技术进步指数大于全国平均水平。以上分析说明中国各省的技术效率和技术进步都有待进一步的提高。

表3是1991—2015年中国全要素生产率指数及其分解指数。由表3可以看出，中国的全要素生产率在1991—2015年经历了先上升后下降的整体变化：1991—2008年处于上升阶段，仅有两年全要素生产率增长率小于1，其中，2008年全要素生产率增长率指数达到峰值，使中国的全要素生产率达到最大值1.451。2008年以后，中国全要素生产率增长率指数均小于1，即中国全要素生产率呈逐年下降趋势。产生这一现象的主要原因是2008年国际金融危机全面爆发，破坏了世界经济增长的动力，全球经济复苏乏力，国内经济下行压力较大。通过这几年的分解指数可以看出，造成全要素生产率下降的主要原因在技术进步上，2008年以来技术进步指数均小于1，说明中国的技术进步近几年表现的并不明显。

表3 1991—2015年中国全要素生产率指数及其分解指数

(二)FDI对全要素生产率的影响

由于设定的模型中包含被解释变量的滞后一期值，并且考虑到模型的内生性问题，本文用Eviews8.0软件进行分析，采用差分GMM方法对模型参数进行估计，并且选用Sagran J统计量检验GMM方法工具变量的可靠性，选用Arellano-Bond统计量检验模型是否存在序列相关。具体实证分析结果如表4所示。

Arellano-Bond统计量AR(2)的P值均大于0.05，模型(1)和模型(3)的P值大于0.1，说明GMM估计量具备一致性，模型不存在二阶自相关。Sargan检验的原假设是工具变量是有效的，即过度约束正确，表4数据显示三个模型的Sargan-J统计量对应的P值都大于0.1，可以接受原假设，说明工具变量的选择在整体上是合理有效的，模型设定较为合理，估计结果的准确性较高。

由表4可以看出，TFP、EFF和TECH的滞后一期值系数分别为0.394、0.376和0.458，系数均显著为正，这说明全要素生产率的增长具有很强的时间惯性，滞后一期值的变化对当期的增长有显著的影响。就 FDI 对全要素生产率的影响来讲，不管是弥补资本积累带来研发投入的提升以此来提高全要素生产率，还是通过模仿、学习效应提高全要素生产率，都需要时间来进行这种传导，并不是一蹴而就的。

模型(1)以全要素生产率指数为因变量，FDI的估计系数为0.645，通过了显著性检验，表示FDI相对于GDP增加一单位，全要素生产率将会提高0.645。说明FDI的溢出效应对中国全要素生产率的增长有积极作用。

模型(2)以技术效率指数为因变量，FDI的估计系数显著为负，表明FDI不但没有改善中国的技术效率，甚至起到了负面作用，这有可能是FDI的挤出效应所致。因此，应该进一步调整FDI的引入策略，优化现有的FDI结构，引导FDI对中国经济技术效率产生正向积极的影响。

模型(3)以技术进步指数为因变量，FDI的估计系数显著为正，并且是三个模型中的最大值，这表明FDI对中国全要素生产率的促进作用主要体现在促进技术进步上，进一步说明FDI的引入在中国产生了国际间的技术溢出，促使中国经济技术发生了进步。

另外，三个模型中国际贸易的估计系数都显著为正，说明国际间的贸易也是影响全要素生产率增长的主要因素。而地方政府管制水平的估计系数则都显著为负，说明政府的“放权”和市场经济的作用对提高全要素生产率也很重要。从人均资本存量方面来看，其对全要素生产率的影响相对来说比较小，但会导致全要素生产率被低估。当资本大量投入在先进的机器设备上时，资本存量上升，一部分产出就归入了资本投入，计算出的全要素生产率就会相应下降，所以资本对全要素生产率在一定层面上会产生负的影响。

表4 FDI对中国全要素生产率的影响

注：括号内数据为t值，**和***分别表示5%和1%置信水平下显著。表6同。

五、不同经济发展模式下FDI对全要素生产率的影响

前文对中国全要素生产率状况进行分析时，发现2009年至今出现下降的趋势，加之2008年国际金融危机过后，中国经济下行压力加大，从高速增长转变为中高速稳定增长，并且大力进行供给侧改革，力求从要素驱动、投资驱动向创新驱动转变。本文将进一步探索新常态经济下FDI对全要素生产率的影响，验证宏观经济环境对全要素生产率的影响，为中国适应和引领新常态提供依据。

由1991—2015年中国经济增长率数据可以看出，自2010年开始中国经济增长速度换挡，呈现逐年放缓的趋势，中国经济走势在未来的20年内将沿L型滑行。那么在新常态经济下全要素生产率会有什么样的变化呢？本文选取2010—2015年的数据进行研究。

考虑到中国2002年加入WTO可能会对FDI造成较大影响，以及2008年全球金融危机对中国整体经济的影响，以2002—2007年经济高速增长时期的数据作为参照组，与2010—2015年新常态经济时期进行对比分析，主要指标对比如表5所示。

表5新常态经济与传统经济下主要指标对比

对两个时期的数据进行回归分析后得到的结果如表6所示。出人意料的是，全要素生产率指数滞后一期值、FDI 、地方政府管制水平和人均资本存量对中国全要素生产率的影响发生了方向性的改变。国际贸易对全要素生产率的影响只有影响力系数大小发生了改变。显著性上，2002—2007年FDI的估计系数和2010—2015年国际贸易和人均资本存量的估计系数都表现为不显著，其他系数都表现为在5%水平下显著。2002—2007年间FDI对全要素生产率的影响系数为-0.012，虽然该系数并不显著，但是说明这一时期FDI对全要素生产率的提高并没有显著的影响，结合中国当时粗放型经济模式分析，该阶段中国经济属于依靠投资拉动型经济，对FDI的吸引也主要是一些低端产业链，偏向劳动密集型产业，因而对全要素生产率不但没有显著的促进效应，反而挤占了一定国内资源，产生了负作用。

表6不同经济发展模式下FDI对中国全要素生产率的影响

在经济步入新常态时期，FDI对全要素生产率的影响系数高达0.382，产生了显著的积极影响。这一阶段中国加强对 FDI 的管理，注意 FDI 的产业导向和地区导向，同时使外商投资领域更为广阔。说明新常态经济下所追求的高效率、可持续发展对FDI和全要素生产率的影响是积极的。

关于滞后一期的全要素生产率指数对本期的影响中，其系数变化非常大，从 0.667 下降到-0.001，说明中国全要素生产率的路径依赖下降，可能是由于中国创新速度加快、对技术的吸收能力增强、技术密集型产业发展壮大，正逐渐向创新驱动经济转变，不再过度依赖前期全要素生产率的积累。在国际贸易方面，两种经济发展模式下也表现出了明显的不同。高速增长阶段中国全要素生产率的提高主要依赖国际贸易而不是FDI，新常态经济下国际贸易对全要素生产率的影响较小且不显著，其转向依赖FDI。这说明在注重改善经济结构后，FDI带来的国际间技术溢出效应使产业技术得到大幅提升，弱化了国际贸易的促进作用，同时也说明新常态经济下盲目地扩大进出口贸易额、提高国际贸易水平来提高全要素生产率是不可取的。关于政府管制水平，在两种经济发展模式下对全要素生产率的影响也不同。传统经济模式下全要素生产率受政府管制水平的影响很大，并且是正向影响，因为这一阶段经济发展是失衡的，甚至以牺牲环境换来高速增长的GDP，所以政府管制在“兼顾公平”和环境治理等方面是有积极意义的。在一个行业发展初期或者落后地区发展初期，政府必须加强对该行业和该地区的支持，才能使得各方面均衡发展，缓解贫富差距和两极分化。而在新常态经济模式下，政府管制水平却对全要素生产率有消极影响，说明现阶段中国市场化进程已经取得了一定的成效，政府对经济干预的影响正逐步降低，政府也应该适时适度地放权。

六、 主要结论与政策建议

(一)主要结论

经过前文对中国30个省的全要素生产率的测算，以及对FDI和全要素生产率指数的关系探究，本文得到如下结论：

第一，中国全要素生产率在1991—2015年间呈现先向上升后下降的趋势，整体上平均提高0.5个百分点。整个变化趋势以2008年为分界点，2008年前中国全要素生产率整体上呈现上升趋势，说明中国经济发展势头良好，并不是完全由投资拉动。通过全要素生产率指数的分解可以看出，2002年以前主要是技术效率的提高带动了全要素生产率的增长，而2002年到2008年则主要是技术的进步提高了全要素生产率，2008年这一现象更为明显。2008年以后，中国全要素生产率出现逐年下降的现象，直到2015年也没有上升的迹象，下降的主要原因是这一阶段技术进步没有得到提高，技术进步指数一直都小于1。而随着全要素生产率的不断下降，中国经济增长更大程度地依赖投资的拉动，向投资拉动型的经济转变，这种经济发展模式并不稳定，一旦停止大幅投资，经济增长就会停滞甚至会回落，要想追求经济长期稳定的发展就必须要改善这种状况。

第二，中国各省全要素生产率水平差异明显，存在省际、区域间的不平衡性。测算结果显示，1991—2015年各省平均全要素生产率水平高于全国平均水平的9个省中仅有新疆属于西部地区，其余多为东部地区省份。2007年以后西部地区省份全要素生产率相继开始呈现下降趋势。另外，东部和中部地区在技术效率和技术进步方面也都优于西部地区。因此，想要全面提高全要素生产率，就要把重点放在区域发展平衡上，加大对西部地区的扶持力度，争取从技术进步和技术效率两个层面提高全要素生产率。

第三，FDI溢出效应对全要素生产率提高有促进作用，尤其体现在促进技术进步方面。实证结果显示FDI对全要素生产率指数有明显的促进作用。从分解指数看，一方面，FDI产生的技术溢出可以提高中国的技术进步指数，促进科学技术的进步；另一方面，FDI在技术效率方面产生了反向的抑制作用。这说明要辩证地看待FDI对全要素生产率的作用，在进一步引入FDI的同时进行结构调整，以减小其对国内企业资金、技术的挤出效应。

第四，在影响中国全要素生产率其他因素方面，本文重点考察了国际贸易、人均资本存量、政府管制水平三个因素。由于国际贸易和 FDI 关系密切，甚至存在一定程度的替代效应，因而二者对全要素生产率的影响基本一致，国际贸易甚至比 FDI更为显著，这与中国在全球价值链中地位逐步提升有很大关系。人均资本存量对全要素生产率的影响较小，当大量资本投入到先进设备时，一部分产出相应地会被归入资本投入，这将导致全要素生产率在一定程度上被低估。关于政府管制水平，由于中国发展市场经济，市场化程度越来越大，所以政府干预经济对全要素生产率的影响不断下降。

第五，FDI 与中国全要素生产率的关系对国内宏观经济环境非常敏感。本文对比分析了高速增长的传统经济模式和中高速增长的新常态经济下FDI对全要素生产率的影响。结果表明中国所经历的国内经济发展方式的转变对二者的影响非常深刻。传统经济模式下全要素生产率提高主要依靠前期的惯性影响、政府对经济的调控、国际贸易和人均资本存量，FDI对全要素生产率的影响微弱，这一阶段中国盲目地追求经济的高速增长而忽略了经济发展的质量，在引进外资方面也过分追求数量而忽视了质量，导致质量不高的 FDI 涌入国内，从而对提高全要素生产率没有明显促进作用。而在新常态经济模式下，中国更加注重经济转型、效率和可持续性，吸收的FDI质量不断提高，全要素生产率的提高也就转向更多地依赖FDI。

(二)政策建议

结合以上结论，针对中国实际国情，本文提出如下政策建议：

第一，进一步吸收FDI，保证中国FDI高质量稳步增长。本文研究结果显示，FDI 对中国全要素生产率有显著的积极影响，可见 FDI 在弥补国内资金不足、产生国际间技术溢出方面是有重要意义的，因而中国需要大量且高质量的FDI。想要在当前FDI已经很高的情况下继续吸引外资，应从三方面着手：减小政府管制力度、大幅度放开市场准入、通过降低税负和管理成本来降低企业制造成本。另外，应尽快将7个新自贸区落地，出台相关政策，进一步拓宽开放领域吸收FDI。

第二，优化FDI结构，提高FDI质量。中国目前吸引FDI为一千多亿美元，已经是很高的水平，在此基础上应把重点放在优化现有结构上而不是追求数量的大幅增长。推进国家创新发展进程，引导更多的FDI流入高附加值服务业及高技术制造业等高端行业，使其向资本和技术密集型产业，以及高附加值领域倾斜，逐渐从劳动密集型产业转移出去。

第三，优化FDI的区域布局，促进区域协调发展。在扩大FDI引进的同时，还必须加强对 FDI 的区域流向引导，使其更多地流向中西部地区，相对于经营成本不断提高的东部地区，中西部地区还有巨大的投资空间。吸引FDI参与中西部地区基础设施建设，发展中西部地区比较优势产业，配合“一带一路”发展倡议。

第四，提高国内技术创新能力和对国外先进技术的消化吸收能力。FDI 的引入不仅带来了资金，更重要的是带来了国外先进的技术，能否将这些先进的技术充分吸收是至关重要的。要注重创新能力的教育，对科技创新成果进行奖励，培养更多的复合型人才，缩短先进技术传播和扩散的实效。

第五，逐渐引导全要素生产率成为衡量创新发展水平的指标。目前中国最常用的衡量经济发展水平的指标就是GDP，但它存在局限性，并不能反映经济发展的方式和可持续发展的能力。把全要素生产率设定为这种指标是一种宏观激励的信号，不仅有助于企业了解全要素生产率的含义，以及自己在其中所扮演的角色，还能提高企业对这一指标的关注度从而全面提高全要素生产率。

ImpactofFDIonTotalFactorProductivityGrowthinNewNormalEconomy:AnEmpiricalAnalysisBasedonProvincialPanelDataofChina

LIU Ying1, ZHANG Miao2, PAN Bo3

(1.School of Statistics, Dongbei University of Finance and Economics, Dalian 116025, China; 2. School of Statistics, University of International Business and Economics, Beijing 100029, China; 3. School of Public Administration, Dongbei University of Finance and Economics, Dalian 116025, China)

Abstract:China’s economy has stepped into the new normal stage, and the total factor productivity is gradually becoming the new normal economic growth momentum. This paper calculates the growth of total factor productivity and its decomposition, and analyzes the effect of FDI on total factor productivity based on the dynamic panel data model. It also focuses on the relationship between FDI and total factor productivity in two different economic environments under the new normal economic model and traditional economic model. It shows that the total factor productivity level of all provinces in China are significantly different, and there exists inter provincial and regional imbalance. Under the new normal economic situation, FDI plays an increasingly significant role in promoting total factor productivity growth.

Keywords: FDI; total factor productivity; Malmquist index; GMM estimation