基于灰色关联度的江苏省服务业TFP变动的影响因素分析

摘 要：本文选取2008—2017年江苏省服务业作为研究样本，使用灰色关联度法，从经济发展水平、城市化水平、对外开放程度、市场化水平、技术创新、居民消费水平、服务业和工业的集聚程度等方面，对全要素生产率增长的影响因素进行分析。我们可以发现：经济发展水平、城市化水平与服务业TFP增长的关联度较大;服务业集聚程度的变化与服务业TFP增长的关联程度在上升;工业集聚程度的变化与服务业TFP增长的关联程度在下降;居民消费水平的提升对服务业TFP增加有一定的正相关关系;技术创新对服务业TFP的增长也有较小的正向影响。通过促进和提高关联度较强的影响因素来促進江苏服务业TFP的增长，包括提升经济发展水平、城市化水平，提高服务业的集聚程度等。

关键词：全要素生产率;江苏服务业;灰色关联度

本文索引：郝志杰.<变量 2>[J].中国商论，2021（23）：-110.

中图分类号：F127 文献标识码：A 文章编号：2096-0298（2021）12（a）--03

服务业在江苏经济中占据主体地位，全要素生产率TFP对其增长做出了较大贡献。通过全局参比的Malmquist模型对江苏省服务业的TFP进行计算和分解，显示江苏服务业整体的TFP呈增长趋势（郝志杰，2020）。研究江苏服务业提高效率的机理，探索其创新发展的路径，有利于引导服务业相关企业的行为，促进服务业高质量发展。

李江蛟等（2012）认为江苏服务业劳动生产率与服务业比重之间存在着长期的均衡关系，服务业劳动生产率的提高对服务业发展水平有着显著的促进作用。黄胜华（2013）认为江苏现代服务业集群动力机制的关键动力机制因子分别是外部经济、技术创新、政府促导行为、产业价值链、社会资本与网络、外部竞争环境。郑江淮（2015）认为服务业发展的内在动力来自技术进步和需求收入弹性两大因素。宋晨晨等（2017）发现江苏省内各市服务业整体全要素生产率的变化和技术进步的变动有关。综上所述，现有的文献从不同角度分析了江苏服务业效率的影响因素，并提出了相应的发展服务业的建议。本文在已有研究成果的基础上，使用灰色关联度分析法来分析TFP变动的影响因素，致力于为江苏服务业的可持续高质量发展提供政策依据。

1 TFP变动影响因素的理论假设

影响服务业TFP的因素是多方面的，这些因素的共同作用决定了服务业TFP变动的表现。根据文献及数据的可得性，本文做出以下假设。

一是服务业TFP的变化与经济发展水平及居民生活水平正相关。较高的经济发展水平对服务业效率的提高有带动作用，居民生活水平的提升会增加对服务业的需求，也会对效率的提高产生促进作用。

二是服务业TFP的变化与经济环境的改善正相关。经济环境包括城市化水平、对外开放程度、市场化水平。多数学者认为城市化是服务业特别是生产者服务业发展的重要原因，有利于产品和服务的供给及行业效率的改进;较高的市场化水平可以加强竞争，促使行业效率提高;较高的开放程度可以促进技术的溢出效应，都能提高全要素生产率。

三是服务业TFP的变化与产业的集聚正相关。本文认为行业的集聚会促进服务业TFP的提高，工业集聚程度的提高会带来对生产者服务业需求的增加，服务业集聚水平提升以后，更有利于要素的配置组合，从而提高效率。

四是技术创新作为第一生产力，成果的应用必定会带来各行业效率的提高，所以服务业TFP的变动应该与技术创新产生的变化正相关。

2 研究方法及变量选取

2.1 研究方法

由于时间序列样本较少，数据量少且存在断层，通过多元回归方法分析TFP变动的影响因素，难以找到统计规律，且回归分析需要样本服从某种概率分布，各因素之间存在线性相关且无多重共线性，这些要求难以满足。相对来说，灰色关联度分析所用数据较少，对数据的要求较低，可以克服和弥补上述不足。所以，本文使用灰色关联度分析法来分析影响服务业TFP的各个因素，根据序列曲线几何形状的相似程度来判断关联的紧密程度，曲线越相似越接近，关联度就越大。该方法的核心是计算关联度， 一般要先对原始数据进行处理，再计算关联系数，由此计算出关联度。

2.2 变量选取

灰色关联度分析法需要确定参考数列与比较数列，参考数列是反映系统特征的数据序列，即因变量数列X0;比较数列是影响系统行为的因素组成的数据序列，即自变量数列Xi，根据因素分析的需要选取变量如下。

（1）因变量：江苏服务业的全要素生产率，使用全局参比的Malmquist模型计算得到，用x0（t）表示。研究区间分为2008—2012年、2013—2017年两个时段。

（2）自变量：基于因变量为与上一年的比率值，为保证数据的一致性，将自变量中除居民消费水平外的所有变量数值取与上一年的比率值，原有变量的解释则变为经济发展水平的变化、城市化水平的变化、市场化水平的变化、技术创新水平的变化、对外开放程度的变化、服务业和工业集聚程度的变化。

x1（t）：经济发展水平变化率。经济发展水平用人均GDP来衡量，用CPI指数进行平减得到;

x2（t）：城市化水平的变化率。城市化水平用非农人口占总人口比例表示;

x3（t）：对外开放程度变化率。用进出口总额占GDP比重表示对外开放程度;

x4（t）：市场化水平的变化率。市场化水平用服务业非公有制企业就业人员比例表示;

x5（t）：技术创新水平的变化。用国内发明专利授权量表示技术创新水平，这里没有使用研发投入作为衡量创新投入的指标，是考虑了全要素生产率是资本和劳动之外的因素带来的变化;

x6（t）：居民消费水平的变化率，用居民消费水平指数表示;

x7（t）、x8（t）：本文分别从服务业的集聚和工业的集聚两个方面衡量产业集聚对服务业TFP指数的影响，分别用两个产业的区位商，即用江苏省服务业（或工业）的产值占本省GDP的比重与全国该产业占GDP的比重之间的比值表示集聚的水平，变化率分别表示为x7（t）、x8（t）。

得到参考数列与比较数列如下：

X0={x0（1），x0（2），……，x0（k）}

X1={x1（1），x1（2），……，x1（k）}

X2={x2（1），x2（2），……，x2（k）}

……

X8={x8（1），x8（2），……，x8（k）}

2008—2017年江苏服务业TFP影响因素数据如表1所示。

3 数据处理与分析过程

3.1 对参考数列与比较数列进行无量纲化处理

由于不同量纲的数据几何曲线变化不同，难以进行直接比较，因此需对原始数据进行无量纲化处理，从而得到可比较的数据序列。本文无量纲化采用了初值化变化方式，即用序列的首位数据去除后面的各位数列，得到各个数列相对于第一个数列的倍数数列，能更好反映序列的变化态势。

，

3.2 求差序列，找出两级最小差、最大差

差序列是将第i个比较数列各期的数值与参考数列对应期差值的绝对值记为：

两级最小差δmin：各期δi（t）中最小的数，记为min（δi（t）），又记所有min（δi（t））中的最小值为δmin。两级最大差δmax：各期δi（t）中最大的数，记为max（δi（t）），又记所有max（δi（t））中的最大值为δmax。

，式中ρ为人为引入的分辨系数，。

3.3 计算关联度并排序

由于每个比较数列与参考数列的关联程度是通过k个关联系数来反映的，关联信息分散，不便于从整体上进行比较， 因此通过求平均值来集中信息，即用比较数列与参考数列各个时期关联系数的平均值来定量反映两个数列的关联程度，计算公式为：

由于关联度只是因素间关联性比较的量度，衡量的是因素间密切程度的相对大小，数值的大小意义不大。考虑到差序列中的两级最大差相对比较大，本文在计算中分别使用了ρ=0.2、ρ=0.3、ρ=0.4、ρ=0.5来计算ri，关联度大小及排序如表2所示。

4 分析结果

综合两个时间段各影响因素的相关度排序情况，我们可以发现：（1）两个阶段都排在前两名的影响因素是经济发展水平变化率和城市化水平变化率。也就是说，江苏服务业的全要素生产率在这10年间基本都处在增长中，這与经济发展水平变化率、城市化水平变化率有很明显的关联，较高的经济发展水平对服务业TFP有明显的促进作用，城市化水平不断提高为生产性服务业和生活性服务业扩大规模提供了条件。（2）居民消费水平的影响处于第4位，意味着居民生活水平的提升对服务业TFP增加有一定的影响。（3）技术创新的影响能力排在第5位，有一定的影响，但相对较小，可能的因素是变革性、实现科技成果与技术研发转化的服务活动还需要一个实践的过程，所以序列曲线的相似度不高。（4）服务业集聚水平在2008—2012年影响力排在第7位，而在2013—2017年上升到第3位;工业集聚程度的关联度从第3位下降到第7位。说明不同产业的集聚对服务业TFP变动影响不同，当工业占主要地位时，工业集聚程度与服务业TFP增长正相关程度高，而当服务业占主要地位时，服务业集聚程度与服务业TFP增长正相关程度高，在一定程度上验证了前文的假设。（5）对外开放程度与TFP变动的关联度排在后面，可能与江苏服务业发展主要为内向型有关，进出口变动对TFP变动影响较小。（6）市场化水平的关联度分别处于第6位和第8位，说明与TFP增长的正相关性较弱。

5 结语

2008—2017年，江苏省服务业TFP增长的影响因素中，经济发展水平的变化、城市化水平变化率与TFP增长有很强的正向关联，服务业集聚程度的变化与TFP增长的关联程度在上升，而工业集聚程度的变化与TFP增长的关联程度在下降，居民消费水平的提升对服务业TFP增加有一定的正相关关系，技术创新对服务业TFP的增长也有较小的影响，市场化水平与服务业TFP增长的正相关性较弱，进出口的变动对TFP变动的影响较小。通过促进和提高关联度较强的影响因素来促进江苏省服务业TFP的增长，包括提升经济发展水平、城市化水平，提高产业的集聚程度，特别是服务业的集聚程度，增加居民的收入，引导居民提升消费水平。

参考文献

郭庆旺，贾俊雪.中国全要素生产率的估算（1979—2004）[J].经济研究，2005（6）：51-60.

刘兴凯，张诚.中国服务业TFP增长及其收敛分析[J].数量经济技术经济研究，2010（3）：55-67.

章文燕.基于灰色关联分析法的物流发展影响因素分析[J].统计与决策，2011（23）.

孙芳芳.浅议灰色关联度分析方法及其应用[J].科技信息，2010（17）.

郑江淮.收敛性与异质性：服务业发展趋势[J].北京工商大学学报（社会科学版），2015，30（6）：12-21.

宋晨晨，王兴安，张莹莹.江苏服务业全要素生产率变动特征研究[J].无锡商业职业技术学院学报，2017（23）：7-12.

郝志杰.基于TFP视角的现代服务业高质量发展研究——以江苏为例[J].中国商论，2020（23）：107-111.

Analysis of Influencing Factors of Changes in Total Factor Productivity （TFP） of Jiangsu Service Industry Based on Grey Relational Degree

School of Business， Jiangsu Open University  HAO Zhijie

Abstract： This article selects the service industry in Jiangsu Province from 2008 to 2017 as the research samples， and uses the grey relational method to analyze the levels of economic development， urbanization， opening to the outside world， marketization， technological innovation， consumer consumption， service industry and industrial agglomeration. The analysis of the factors affecting the growth of total factor productivity （TFP） reveals that the levels of economic development， urbanization， and TFP growth in the service industry have a greater degree of correlation; however， the correlation between changes in the degree of industrial agglomeration and the growth of TFP in the service industry is declining. The increase in consumer consumption has a positive correlation with the increase in TFP in the service industry. Technological innovation also has a smaller positive effect on the growth of TFP in the service industry. The growth of TFP in Jiangsu's service industry can be promoted by increasing the influencing factors with a strong degree of correlation， including improving  economic development and urbanization， and increasing the degree of agglomeration of the service industry.

Keywords： total factor productivity （TFP）; service industry in Jiangsu Province; Grey Relational Degree （GRD）