中国服务业全要素生产率测度研究——基于DEA-Malmquist指数法

王雪瑞,刘志宽,王藤润,李峥嵘

(1.内蒙古财经大学 商务学院,内蒙古 呼和浩特 010070;2.兴安职业技术学院,内蒙古 乌兰浩特 137400;3.内蒙古财经大学 工商管理学院,内蒙古 呼和浩特 010070)

一、引言

“鲍莫尔-福克斯假说”认为随着社会生产效率的增长,劳动力将从制造业向服务业转移,使得名义工资提高,从而增加生产成本,在社会稳定发展的情况下,服务业劳动力比重增加,整个社会的经济效率会下降。在经济生产中,生产者作为系统中的各个要素的综合生产率,被称为全要素生产率(TFP)。有学者研究发现,服务业TFP并不比制造业低。同时,在新的时代背景下,中国服务业相关行业经济蓬勃发展,自2014年中国服务业增加值增量占GDP增量的比重(49.9%)超过第二产业(45.6%)成为第一大产业后,每年仍以2.72%的速度增长,2019年达到63.5%。2019年中国服务业就业人员数占总就业人员数的47.1%,服务业已成为吸纳就业的主要渠道。随着中国经济步入服务经济时代,中国是否存在“鲍莫尔-福克斯假说”的情况?这引起学者们对中国服务业TFP的思考。

目前,关于服务业TFP的研究主要集中于运用不同的测算方法[生产函数法、随机前沿分析(SFA)、指数法和数据包络分析(DEA)]和数据类型(区域面板或行业面板)进行分析,这对于充分认识服务业TFP的增长方向,区域和行业差异具有重要意义。同时,许多学者对服务业TFP的影响因素进行研究,主要包括竞争力、对外直接投资(FDI)、人力资本、创新、科技、贸易以及制度安排等。服务业TFP的研究现已成为学术界、国家重点关注的热点话题,大量学者对服务业TFP展开了深入研究,对相应政策的制定提供了理论的支持。然而,现有的研究表现为统计方式多样化、测算方法复杂化和测算结果差异化,并不能为相应政策的有效制定提供正确的参考,如何科学、有效地测算服务业TFP,形成统一标准,是当前学术界致力于解决的重要课题。鉴于此,本文采用2003—2019年中国第三产业相关行业统计数据,利用基于非参数数据包络分析Malmquist指数方法,试图测度中国第三产业相关行业TFP,分析内部生产率变化趋势及行业差异,为中国服务业高质量发展提供理论依据,并给出对策建议。

二、文献回顾

“鲍莫尔-福克斯假说”的提出引起了经济学家的极大兴趣,学者们开始重视对服务业生产率的研究和测算。鲍莫尔等人假设劳动是唯一的要素投入,所以劳动生产率成为早期研究焦点,C-D生产函数成为测算中国的服务业劳动生产率的主要方法。随着研究的深入,人们发现服务业劳动生产率增长主要来源于TFP,因此,服务业TFP成为重点研究对象,而对TFP的测算是研究中最基础的一部分,在此基础上,对不同层面的服务业TFP以及服务业TFP的收敛性及影响因素成为研究热点。

(一)服务业TFP的测算方法

根据是否需要预先假设具体的生产函数形式,将目前测算全要素生产率的主流方法分为参数方法、非参数方法以及半参数方法,其中,参数方法主要包括生产函数法、随机前沿分析(SFA)等;非参数法主要包括指数法、数据包络分析(DEA)法等;半参数方法包括Olley-Pakes方法(OP法)和Levinsohn-Petrin方法(LP法)等,此部分主要对主流的生产函数法,以及应用广泛的DEA-Malmquist方法研究现状做出梳理。

在参数方法中,最主要的是生产函数法,柯布和道格拉斯(Cobb &Douglas)通过对20世纪初期美国制造业数据的核算,提出C-D生产函数。1942年廷贝里(Tingbergen)将国民收入核算与计量研究进行整合,把时间趋势项与C-D生产函数结合起来,自此经济效率问题可以通过计量手段进行测算。索洛(Solow)在此基础上提出索洛余值法,将总产出的增长中除去资本和劳动增长以外的部分定义为技术进步对经济增长的贡献。众多学者利用C-D生产函数与索洛余值法对服务业生产率进行了大量研究,杨勇利用C-D生产函数对中国服务业TFP进行测算,并与部分国家的已有测算结果进行比较[1];郭克莎利用生产函数法测得其研究期内中国第三产业全要素生产率的平均增长率为2.58%[2];阿雷瓦洛(Arévalo-Avecillas)等人采用C-D生产函数和回归模型分析信息技术的实施对服务企业生产力的影响;在索洛余值法的基础上范巧和郭爱君通过空间计量分析框架做出改进,从而使测度得到的生产率更加贴近实际值[3]。扩展的索洛余值法,也被称为增长核算法,该方法利用生产函数将经济增长分解为各生产要素对经济增长的影响,进而分析生产要素的投入对TFP增长的贡献程度,该方法首先要根据数据类型在现有生产函数(C-D生产函数、超越对数生产函数以及常替代弹性生产函数等)中进行选择,从而对生产函数的各参数值进行估计,最后测算出TFP。

数据包络分析法(DEA)是由查恩斯(Charnes)等人所提出的一种线性规划方法,主要思路是构建出最佳生产前沿面,通过计算每个决策单元(DMU)和最佳生产前沿面之间的差距,通过线性规划最终得到全要素生产率指数。该方法可以避免设定生产函数与随机干扰性不满足正态分布的问题,在一定程度上解决了随机前沿分析法的局限性。

Malmquist指数方法由马姆奎斯特(Malmquist)提出,凯夫斯(Caves)在此基础上将其与生产率的测算相联系,中国学者利用该方法对服务业全要素生产率进行了大量研究。杨向阳和徐翔利用该方法对中国服务业全要素生产率进行了测算,并提出技术进步间的差距是影响各地区服务业全要素生产率增长率不同的主要原因[4]。徐盈之和赵玥将其应用于中国信息服务业全要素生产率的测算,并对全要素生产率指数的变化规律进行研究[5]。刘兴凯和张诚利用该方法从时间和空间两个角度探讨了中国服务业全要素生产率的变化[6]。赵若锦进一步地将Malmquist生产率指数法用于中国各省市服务业全要素生产率的测算[7]。本杰明(Benjamin)同样利用该方法分析得出电信服务业生产率增长的关键驱动力为技术进步[8]。

在DEA的基础上,Caves和Fare将其与Malmquist指数法结合,形成了DEA-Malmquist指数方法,该方法能够测算多投入、多时期、多产出的TFP指数。该方法不仅不用提前设定生产函数,还可以将测算得到的全要素生产率指数进一步拆分,同时,由于在计算过程中对数据做了一阶差分,在一定程度上减少了各行业间的内部影响。因此,国内大量学者利用该方法对服务业及其细分行业的全要素生产率进行测算。王恕立和胡宗彪利用该方法对中国服务业细分行业的全要素生产率进行测算并分解[9]。古马尔和桑迪普(Kumar &Sandeep)利用该方法测算了1991—1992年至2010—2011年印度服务业全要素生产率的变化。陈银忠(Yinzhong Chen)将其应用于台湾服务业全要素生产率的测算中[10]。曾燕萍也利用该方法对中国文化服务业企业全要素生产率进行了测算[11]。

学者们将生产函数法归为参数法,因为该类方法需要预先设定具体的生产函数形式,并利用计量方法估计出相应参数,最后通过“余值”的结算来测度生产率及变化。因此,生产函数形式设定的好坏直接决定了测算结果的准确程度,这是此类方法的根本缺陷。生产函数法形式简单明了、测算方便,核算原理符合经济意义,经拓展后对时间序列尤其适用,只是该方法需要对生产函数做较多的行为假设,严格的假设制约了该方法在更广领域的应用,一旦假设不符合现实情况,就大大地降低了方法的可信程度;不管是索洛余值法还是进一步的增长核算法,都是一种“余值”的计算,余值并不一定完全是相应生产率的增长;另外该类方法只是笼统的核算全要素生产率,难以评价技术效率的状况。

与参数方法不同,指数法与DEA无需设定函数形式,因此测算结果中不存在因函数误设而导致的误差,故这两种方法被称为非参数法。指数法原理简单,分析资料较易获取,只需任意两个时期的投入产出数据和相应价格信息,就可以计算出相应的生产率变化。但是,该方法要求计算总投入指数和总产出指数,而指数形式选择的随意性可能导致测算出的生产率指数存在教导误差且缺乏可比性;同时,指数法在对影响全要素生产率的随机因素研究时有缺陷。DEA方法最突出的特点是避开了提前设定生产函数的测算要求,只是运用线性规划方法构建包络前沿,比较观测数据和包络前沿的偏离来对相对有效性做出测算,方法简单灵活、方便实用。其缺点是没有区分技术非效率项和随机误差项;没有考虑样本数据的随机性,一旦某个决策单元存在测算误差,其他所有决策单元的效率估计均受其显著影响,故DEA估计结果的稳定性较差;DEA只能测算出与“最优”决策单元相比较的相对有效性,对于生产效率的绝对水平及其变化不能考察,更不能分解出生产率增长的源泉。

综上所述,学者们利用不同的测算方法对服务业TFP进行了充分探讨。但对如何准确测度中国服务业TFP、中国现在的真实服务业TFP究竟如何仍有很大的争议。本文的讨论正是从此出发,对中国服务业相关行业数据利用DEA-Malmquist方法测度2003—2019年的服务业全要素生产率,并研究影响服务业TFP的各个因素。

(二)分层面的研究

为探究中国服务业TFP的整体演变趋势、区域差异性以及行业差别,我国学者分别从国家层面、区域层面以及行业层面对服务业TFP进行了大量研究。从研究层面上可以将中国服务业TFP的现有研究分为三部分,第一部分是从国家层面利用时间序列数据对服务业TFP进行测算并分析其主要增长因素。杨勇[1]、王恕立和胡宗彪[9]的研究都可归于此类。第二部分是利用中国各省市相关数据对服务业TFP进行测度,研究各省区市内部服务业全要素生产率增长状况以及空间异质性。如顾乃华利用SFA模型对各省市之间服务业生产率进行研究,将其归纳为东、中、西部进行比较分析[12]。刘兴凯和张诚运用Malmquist法测度中国各省区市第三产业TFP的演变过程,并对各省区市第三产业TFP变动的收敛特征进行分析[6]。第三部分主要是利用某省区市相关数据或企业面板数据对服务业某具体行业或行业间的异质性进行研究,其中,夏杰长等人发现服务业细分行业间TFP增长差距较大,但随着服务业整体发展,差距正在快速缩短[13]。陈景华使用指数方法测算了2004—2017年中国第三产业相关行业绿色TFP指数[13]。

(三)服务业TFP的收敛性研究

随着对服务业TFP研究的逐渐深入,学者们逐渐从测算行业或地区的TFP到探索行业间或地区间TFP的差距及动态追赶趋势情况,通过对不同层面服务业TFP收敛性的考察,可以明晰服务业的TFP动态演变趋势,同时,服务业TFP在不同层面的差距以及发展趋势也是中国统筹协调发展的重要内容。

学者们针对服务业TFP的收敛性研究多为一定区域内或区域间的趋势分析[14-15],鲜有对细分行业TFP的趋势探讨,对服务业绿色TFP的收敛性研究不足。如滕泽伟等人对中国服务业分行业间碳生产率及发展趋势进行比较[16];Gouyett和Perelman在20世纪就开始对OECD的13个成员国服务业和制造业生产率之间的收敛现象进行研究,发现服务业生产率的增长率相对制造业较低,却存在收敛情况;Gouyette和Perelman通过对香港银行间TFP的收敛性进行分析后发现其只有条件收敛趋势[17],而肖挺将服务业传统TFP与环境TFP的增长趋势进行对比,结果表明二者都有条件收敛趋势[18];王许亮和王恕立探讨了全球40个经济体的服务业细分行业能源生产率的发展状况,发现服务业总体及大部分细分行业的能源生产率均存在绝对β收敛和条件β收敛但不存在σ收敛[19];Thota和Subrahmanyam研究了印度商业银行的TFP的收敛性,证实了所有权相同的银行之间存在高度融合的现象[20]。

(四)服务业TFP的影响因素研究

采用不同的测算方法对不同层面的数据进行分析时,从之前学者的分析结果来看,虽有差异,但中国服务业TFP偏低是基本事实,偏低的TFP不仅会拖累整体经济增长,也会对服务业自身发展带来困难。TFP的增长是推动服务业发展的关键。在当前国家以服务业来扩大内需和促进产业结构转型升级的背景下,如何提高服务业偏低的TFP就成为服务业大发展的关键。而要提高服务业TFP,就必须正确把握服务业TFP的关键影响因素。只有明确了服务业TFP提升的关键,才能有的放矢地制定政策。

国内外学者们对服务业全要素生产率的影响因素已做大量研究,根据研究内容不同,将影响因素综合概括为竞争力、对外直接投资(FDI)、人力资本、创新、科技、贸易以及制度安排等其他因素。

在关于竞争力的研究中,大久保俊弘(Toshihiro Okubo)分析了市场竞争对服务业全要素生产率、政策评估和生产率措施的影响。零售业生产力和竞争力对新加坡服务业未来至关重要;卡利姆和罗克珊娜(Kalim,Rukhsana)针对16个低收入国家的研究表明,竞争力有助于提高农业和工业部门经济增长的生产率,但会降低服务业的生产率。

在关于对外直接投资(FDI)的研究中,伊藤和由纪子(Ito &Yukiko)分析了企业启动FDI在日本服务业和制造业的生产率增长方面的差异;耶拿和帕比特拉·库马尔(JENA,PABITRA KUMAR)分析FDI流入对服务业生产率的影响都是正向的;刘艳通过实证分析得到FDI对服务业全要素生产率的增长有积极作用[21];王恕立等人发现FDI对中国服务业高质量发展影响显著[22]。

在关于人力资本的研究中,徐盈之和赵玥分析认为人力资本等会影响中国信息服务业发展[5];斯波尔丁和史蒂夫(Spaulding &Steve)认为更新服务团队以提高服务生产力;西姆内斯和玛尔塔(Simões,Marta)脉冲反映分析表明人力资本对金融、保险、房地产等商业服务、社区服务以及个人服务的生产率有积极影响;王燕武等人研究发现随着服务业快速发展,大量低学历劳动力由制造业向服务业转移,使得服务业劳动生产率下降[23]。

在关于创新的研究中,刘丹鹭和魏守华研究发现创新能够促进服务业生产率增长[24];布森和伊莎贝尔(Busom &Isabel)发现创新的引进能够提高低于生产率分布中值的公司的服务业生产率;彼得斯和贝蒂娜(Peters &Bettin)的研究结果表明,服务企业的创新与更高的生产率有关;森川(Morikawa)等人提出服务企业的产品创新比制造业企业少,但创新服务企业的生产率非常高。

在关于科技的研究中,发现信息和通信技术(ICT)资本在解释国家间服务业全要素生产率的增长方面发挥了重要作用;拉思和巴德里·纳拉扬(Rath &Badri Narayan)也同意服务业生产率的增长主要受技术变革的驱动的观点;信息技术投资对生产率有正向影响;同时,信息技术作为服务业生产率最重要的劳动力生产力杠杆之一,可以有效地提高员工的生产力和执行活动。

在关于贸易的研究中,米鲁多和塞巴斯蒂安(Miroudot &Sébastien)分析发现降低10%的贸易成本会带来约0.5%的服务业全要素生产率增长;陈明和魏作磊提出在生产性服务业中双向开放对生产率的提升有积极作用[25];简泽等分析认为进口竞争在生产率较低的部门中负向影响更大,会阻碍部门发展[26];胡宗彪发现交易成本与服务业生产率增长速度成反比[27]。

在关于政策安排的研究中,程大中发现是否为直辖市、市区人口密度等对服务业生产率的增长有影响[28];许和连和成丽红分析发现制度环境和创新的健康发展对服务业企业全要素生产率有正向作用[29];屋大维和詹马可(Ottaviano &Gianmarco)认为移民提高了英国服务生产企业的整体生产率[30];学者帕帕约安努和索蒂里斯(Papaioannou &Sotiris)证实欧盟服务业指令的颁布积极影响欧洲服务业全要素生产率的增长[31]。

目前,业界与学术界对服务业TFP的讨论已经非常全面且深入,但根据使用数据来源及估算方法的不同和测算方法的差异使最终得到的服务业TFP差距较大。国外经济学家在对服务业TFP的测算方法上不断拓展,对要素数据的选取更加细致,强调数据质量对服务业TFP测算结果的重要性,除对一国服务业及细分行业进行研究外,全球各个国家及地区间的服务业TFP差异性也逐渐成为研究焦点。国内学者对TFP的研究起初聚焦于制造业,在服务业成为中国第一大产业的过程中,其TFP问题逐渐显现,与其他行业相比,服务业数据数量少、质量差,不仅各地区的统计口径不一致,而且不同时期的数据也缺乏一致性。学者们大多通过某种处理方法来“修正”数据,但仍然不能保证修正后的数据质量优于原始数据,因此,在现有文献综述中缺少对较长时期服务业TFP的考察。服务业种类繁多,各行各业间因性质不同而有千差万别,因此其TFP增长的影响因素也应各不相同,对于实证考察服务业各子行业的影响因素的研究文献少之又少,当然这也为今后该问题的研究指明了方向。随着可获得数据的增加,尤其是微观数据的整理,未来对于TFP增长的影响因素分析,可以进一步细化拓展,区分不同类型的服务行业分别考察。

三、理论分析

本文的研究对象是中国服务业细分行业,不能使用需要设定具体参数的方法(生产函数法、SFA等),故通过DEA-Malmquist指数法对服务业细分行业TFP进行测度,该方法可以区分不同要素对全要素生产率的贡献。

DEA与Malmquist指数法的结合首先要用到在前文中提到的Malmquist指数方法中的每个行业的距离函数:

(1)

该函数可以利用DEA的线性规划求解:

(2)

其中,θ是标量(0<θ≤1),表示第i个行业的效率水平,λ表示一个1×1常数向量;x和y为行业的投入与产出,(Yt0,Yt0+1,…,Yt)与(Xt0,Xt0+1,…,Xt)分别表示每个行业的产出矩阵与投入矩阵;将每个DMU都利用上述线性规划进行求解,即可得到相对应的效率值θ。

从而得到全要素生产率指数:

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

=TE×TP

=PE×SC×TP

(3)

四、中国服务业TFP的测算

采用2003—2019年中国服务业细分行业统计数据,运用基于非参数DEA-Malmquist指数方法,试图测度中国服务业细分行业全要素生产率,并分析内部生产率变化趋势及行业差异。

(一)数据来源与处理

在第三产业下属行业的划分方面,考虑到2003年中国对各产业细分行业进行的重新规划,第三产业细分行业类别变化较大,因此,研究建立的面板数据时间跨度为2003—2019年。测度服务业全要素生产率所需整理的数据包括服务业细分行业产出、劳动投入、资本投入。

1.服务业产出

研究采用服务业细分行业各年长夜增加值代表产出,根据国家统计局的数据,该细分行业包括批发和零售业在内的6个行业,缺乏信息传输、计算机服务和软件业等9个行业的具体增加值数据。在各年《中国统计年鉴》中,这9个行业被归于其他行业。因此,本文使利用这些行业在城镇单位就业人员工资总额中的所占份额乘以其他行业增加值的总额,计算得到这些行业2003—2019年的具体增加值。同时,将原始数据根据相关指数换算为以2003年为基期的增加值。

2.劳动投入

选取服务业各细分行业从业人员数,借鉴王恕立等的方法:服务业细分行业就业人数=服务业全社会总就业人数x(服务业细分行业城镇单位就业人数/服务业城镇单位总就业人数)。

3.资本投入

根据资本存量估算法计算。由于服务业细分行业各年资本存量没有直接数据,利用永续盘存法得到具体数值,方法为:

(4)

其中,Ki,t为i行业在t年的资本存量,Ii,t为i行业在t年的固定投资额,δ为折旧率。基年的资本存量利用稳态方法进行计算,方法为:

Ki,t=Ii,t/(gi,t+δi,t)

(5)

其中,gi,t为2003—2019年内中国服务业增加值的综合增长率。δ表示折旧率,对于服务业细分行业的折旧率并没有固定数值,遵循现有学者的普遍做法,将其设定为4%。

(二)测算结果和分析

利用2003—2019年中国服务业细分行业相关数据,通过软件DEAP2.1得出中国服务业整体与细分行业TFP相关指数。

1.中国服务业整体TFP指数及相关分解

中国服务业整体TFP指数及相关分解情况如表1所示。

表1 中国服务业整体TFP及相关指数分解(2003—2019年)

由表可知可以看出,研究期内中国服务业全要素生产率年平均增长2.3%,技术进步是主导其增长的主要因素,主要由于技术进步年平均提高9.2%,技术效率作用较小,年平均下降0.1%。说明中国在开发技术和资源的实际运用方面还有很大的进步空间。

从全要素生产率变动情况看,研究期除2003—2004年、2016—2017年外中国服务业TFP均为正增长,最高值出现在2006—2007年期间,在加入WTO后,中国服务业逐渐对外开放,一批跨国集团进驻中国,导致国内各产业竞争形势愈渐严峻,提升了国内对服务业改革、开放和发展的信心,随着中国服务业的改革开放程度不断提高,在接下来一段时期服务业TFP一直保持着较高的增长率。2008年开始在金融危机影响下,中国服务业TFP增长变缓,虽然在接下来的几年中有所提高,但收效甚微。2017年的低谷可能与中国在宏观层面上进行供给侧结构性改革有关,但随着中国供给侧结构性改革的不断推进,中国服务业经济发展质量开始提升,表明改革已取得一定成效。

从TFP指数分解分解看,技术效率在其中八年为负增长,但技术进步整体上呈现正向增长,总之,技术进步对TFP增长的贡献更大,表明TFP增长的主要驱动力为技术进步。在技术效率方面,从2004年的-0.13%上升到2019年的6.2%;与此相反,技术进步增长率由2005年的11.8%下降到2019年的-0.2%。两个指数相反的增长方向在2016年完成替换,即2016年前是技术进步作为服务业TFP的主要来源,但自2016年起,由技术效率主导服务业TFP增长,这两个指数的三年和五年移动平均趋势可以显现上述变化(见图1)。

图1 技术进步与效率变化的移动平均趋势

通过对技术效率的分解看出,纯技术效率变化指数整体低下,但规模效率变化指数水平相对较高,2003—2019年的纯技术效率和规模效率年均增长率分别为-0.04%和0。这两个指数的反向变动是在2016—2017年间完成更替,即在此期前纯技术效率为技术效率的主要动力,但此后被规模经济反超并拉开差距。从两个指数的三年和五年移动平均趋势分析(见图2),该变化的主要原因可能是现代信息技术的发展使得服务业的某些行业在贸易方式上增加了更多的可操作性。

2.服务业细分行业TFP指数及相关分解

中国服务业细分行业TFP指数及相关分解情况如表2所示。

表2 中国服务业细分行业TFP指数及相关分解(2003—2019年)

从TFP变化趋势看,2003—2019年间批发和零售业等行业TFP快速增长,各行业全要素生产率指数增长主要依赖于技术进步。交通运输、仓储和邮政业,住宿与餐饮业等行业全要素生产率指数增长较慢,主要原因为技术效率水平低下,金融业,房地产业全要素生产率指数增长缓慢。由此看出,中国服务业细分行业TFP指数增长之间的差异性较大。而技术进步是中国服务业各行业TFP增长的主要动力来源。

从技术效率指数变化来看,批发和零售业,金融业,房地产业,以及文化、体育和娱乐业等4个行业没有波动,在信息传输、计算机服务和软件业等5个行业有增长,但增长水平较低,可以看出,中国服务业整体技术效率水平不高,各细分行业之间异质性特征明显。说明各细分行业在现有经济状况下的技术利用率较低,利用对现有资源的使用来促进TFP增长仍有余地。

从规模效率与纯技术效率指数变化来看,规模效率除交通运输、仓储和邮政业,住宿和餐饮业等7个行业的规模效率增长为负外,其他行业增长强劲。纯技术效率除教育,公共管理和社会组织快速增长以外,其他所有行业均较低或为负增长。由此看出,各细分行业间规模效率、纯技术效率的差距较大。而且,较低的规模效率和纯技术效率从阻碍了服务业的高质量发展。

从TFP对行业增长值的贡献来看,文化、体育和娱乐业贡献率最大为80.16%,共有10个行业的贡献率高于50%。金融业与房地产业增长质量较低。整体来看,相较于流通服务业,生产性服务业与公共服务业在近些年的发展中更加注重技术与资源的实际应用。

3.中国服务业TFP增长的稳健性检验

借鉴王恕立等的做法对TFP增长进行稳健性检验,借助改变资本存量估算法中的基年资本存量和折旧率,对不同的资本投入进行多次计算,观察结果是否出现本质性改变。如表3所示,折旧率除本文使用的4.3%以外,还采用Wu中的7%和Zhang中的9.6%(表3中的Ⅰ);在基年资本存量的衡量方法选择上,Ⅰ借鉴Harberger的做法,使用服务业细分行业实际增加值在2003—2019年间的年增长率表示gi,t;Ⅱ则采用Hall和Jones(1999)的方法,使用2003—2019年间每年第三产业投资增长率均值表示gi,t。各种组合的测度结果见表3。

表3 稳健性检验结果

测度结果显示,当对资本存量法中相关指标的计算方法进行替换后,测算得到的TFP指数与相关分解指数与原有结果间的差异并不明显,对研究的最终结论并无影响,如技术进步水平仍主导着中国服务业细分行业TFP指数的增长。因此,测算得到的全要素生产率指数是稳健的。

五、进一步讨论

在利用DEA-Malmquist指数法得到中国服务业整体及细分行业TFP指数后,进一步对服务业TFP指数的影响因素进行实证检验,探寻中国服务业全要素生产率改善的有效途径。

(一)模型构建与数据处理

学者们对服务业TFP影响因素的研究,主要利用定性方法进行分析,定量研究较为缺乏。通过借鉴前人的已有研究(王恕立等,2012)以及与TFP相关的计量理论,选择市场化水平指标、对外开放度指标,同时根据资本密集度在服务业生产率中的重要程度,加入人均资本增长率作解释变量,构建实证模型:

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

(6)

其中:TFPi,t为i行业在t年的全要素生产率增长指数。数据选取前文测算得到的2003—2019年中国服务业整体及细分行业TFP指数,测算过程及数据见本文第三、四部分。

MARi,t表示i行业在t年的市场化水平,利用1-(服务业分行业城镇单位就业人员/服务业总就业人员)计算得到,从而体现市场开放水平对中国服务业TFP的作用。

FDIi,t表示i行业在t年的对外开放程度,用中国服务业分行业实际利用FDI增长率表示,从而体现对外开放程度对中国服务业发展的作用。

PERCi,t表示i行业在t年的人均资本量增长率,考虑到服务业数据的可得性,求取各行业固定资产投资与各行业就业人员的比值并得到各年增长率。

PERCIi,t与PERCIIi,t是对人均资本量增长率的一阶和二阶滞后,为了体现在时间序列上资本存量对服务业的作用。

βi、εi,t为解释变量的系数和随机误差项。

为了解释前期的TFP指数对后期的影响,在模型中加入TFP指数的一阶滞后项进行动态面板的回归。

(二)实证结果

根据建立的2003—2019年中国服务业细分行业静态面板与动态面板,分别利用OLS、差分GMM估计和系统GMM估计对其进行回归,回归结果如表4所示。

表4 服务业全要素生产率影响因素模型回归分析

从表4中可以看出,解释变量在两个面板模型中系数符号基本一致。由于差分GMM估计在动态面板估计中能够有效地提高其估计的效率,因此主要对差分GMM估计结果进行解释。

根据回归结果,市场化水平对促进中国服务业TFP增长影响显著,由于在市场化的过程中大量的技术与资源投入实际生产,因此市场化水平能够促进TFP的增长。此外,根据回归结果,对外开放度对服务业TFP的作用显著,在开放经济的条件下,跨国公司的加入使得中国服务业内部竞争水平提升,进一步提高了TFP。

衡量人均资本量增长率的变量系数为负,这与我们现实中的经济常识相悖,成因可能为:第一,本研究在人均资本量的指标计算上有不足之处。第二,或许存在着一个较为深刻的可能因素,人均资本量的增加对服务业细分行业的技术进步贡献率低,资源配置使用率不高,但人均资本量增长率的增加对下一年的服务业的高质量发展仍为负面影响,但对第二年服务业全要素生产率增长的影响变小,这表明随着时间的推移,资本的吸纳效应在减小。

六、研究结论与展望

本文根据最新的中国服务业细分行业分类,对中国服务业整体及细分行业TFP指数进行了测度与分解,同时对服务业细分行业TFP指数的变化进行了解释,最后利用动态面板对影响服务业TFP指数的相关因素进行回归。研究发现:第一,2003—2008年间中国服务业TFP增长迅速,2008年后增速变缓,在此过程中技术进步主导了服务业TFP指数的增长,技术效率水平在一定程度上阻碍了中国服务业的发展。根据对技术效率的分解,纯技术效率指标偏低,但近年来开始有所提升。与此同时服务业技术效率变化指数不高,技术效率低下阻碍中国服务业TFP的增长。第二,中国服务业细分行业TFP指数及其分解显现出较大的差异性,批发和零售业、教育、文化、体育和娱乐业等行业TFP快速增长。交通运输、仓储和邮政业等行业TFP增长较慢,技术效率有待提高,金融业、房地产业TFP增长低。中国服务业细分行业TFP增长的主要动力是技术进步,技术效率水平整体不高。第三,对影响中国服务业TFP的因素进行实证分析后发现,对外开放度,市场化水平对中国服务业影响显著,但人均资本量对中国服务业全要素生产率的影响为负,并且随着时间的推移,资本的吸纳效应在减小。

基于现有国内外服务业TFP的研究现状,未来中国服务业TFP可以从以下几个方面进行拓展:首先,在选择服务业TFP测算方法时,根据中国服务业的现实情况,引用国外前沿理论,考虑中国服务业的已有数据、研究方向以及经济发展战略的重大转变等针对性地选择测算理论,从而探寻中国服务业TFP最佳的测算方法,真实测度中国服务业发展质量。其次,在对不同层面的研究中,既要对国家整体的服务业TFP进行分析,也要对不同地区、行业间的服务业TFP进行讨论,探寻中国服务业TFP水平低下的根本原因,为政策的制定提供有力的理论支撑。接着,在收敛性研究方面,要清楚服务业TFP收敛的根本原因,在分析时既要考虑不同区域间的比较,同时也要考虑不同行业间的差异性,加强对环境约束下的服务业绿色TFP收敛性的研究,以便更好地把握我国各产业间的协调发展。最后,在宏观层面上对我国各个区域的服务业及其细分行业的发展在影响因素研究方面,通过竞争力、对外直接投资、人力资本、创新、科技、贸易、制度安排以及服务外包等其他因素对服务业TFP的影响分析,为推动我国服务业TFP快速增长,从而加速我国服务业发展提供了具体建议:深化服务业市场化改革,全面推进市场化进程,提升各企业竞争力;加大创新支持力度,强化创新成果和市场需求的结合;加大人力资本的投资;扩大对外开放程度,积极融入全球市场。