战略性新兴产业生产效率的测度

战略性新兴产业研发投入的成果除了外在表现为专利数等指标的增长之外，还应当内涵于产业生产效率的增长。在经济学概念中，产业生产效率通常采用全要素生产率（totalfactorproductivity，TFP）来测度，它是由索洛最早提出，用来表示产出增长率中超出物质要素投入增长率而由技术进步所决定的部分。因此战略性新兴产业生产效率的变化究竟如何甚至成为了战略性新兴产业发展成果的综合体现。本书将采用现代经济学的测度方法，测算2009—2013年间战略性新兴产业生产效率的变化，并为以后的研究提供基础。

1）索洛残差法

全要素生产率的计算公式为产出增长率扣除掉劳动、资本等物质要素增长率后的残差，即

这个残差集中体现了技术进步对产出增长的贡献。假定生产函数为C—D形式，即

Y=AKαLβ（4-8）

而为了得到劳动和资本的边际生产率α和β需要对式（4-8）两边取自然对数，得到

ln Y=ln A+αln K+βln L（4-9）

估计出所有生产要素项的系数代入式（4-10），即可以得到全要素生产率的增长率：

ln TEP=ln Y-αln K-βln L（4-10）

索罗残差法的优点在于直观和简便，但缺点在于由于形式简单导致其测算的全要素生产率包含了除生产函数中要素投入以外所有影响产出的因素，因此其测算结果较为依赖生产函数中生产要素的选择。但由于本书的研究重点在于全要素生产率的变化趋势，因此索洛残差法已经足够满足研究的需要。

2）战略性新兴产业全要素生产率的测算

由于战略性新兴产业技术密集的特征决定了研发行为在其生产中占据着重要的地位。因此本书考虑的战略性新兴产业生产函数需要包括研发资本项，所设定的CD生产函数为

Y=AKα1RDα2Lα3（4-11）

因此为了得到相关参数需要估计的回归式为

其中ln Yit表示产业i在时期t产出的自然对数值，由于数据来源所限，采用主营业务收入作为产业产出值；ln Kit表示产业i在时期t生产资本的资本存量，根据《高技术产业统计年鉴》中所提供的新增固定投资项，并设生产资本年折旧率为0.10，采用永续盘存法计算出逐年的生产资本存量；ln RDit表示产业i在时期t研发资本的资本存量，也采用永续盘存法计算，但是根据文献，设定研发资本的折旧率为0.15；ln Lit表示产业i在时期t的劳动投入，本书采用从业人员平均数；εit为服从正态分布的随机扰动项。

本书利用2001—2014年《高技术产业统计年鉴》中所需的省际面板数据和细分二级行业面板数据，以及STATA12.0，可以得到表4-14中的回归结果。

表4-14 2000—2013年战略性新兴产业整体和细分产业生产函数的估计结果

注：①表中结果根据《高技术产业统计年鉴》计算得到；②*、**、***分别代表10%、5%、1%显著性水平；③括号内为响应系数的标准差；④结果中未汇报常数项结果。

回归结果显示，每个回归都通过了显著性检验，且拟合效果较好，而每一个生产要素的系数也均显著。全部样本的研发资本的产出弹性为17%，同时生产资本与劳动的产出弹性均为50%。而细分产业的研发资本产出弹性在6%～14%之间，且低于生产资本与劳动要素的产出弹性。得到所需的参数值后，再根据公式

求出各地区或各行业在t期的全要素生产率的值。计算结果如图4-5所示。

图4-5 2000—2013年全国及各地区战略性新兴产业全要素生产率的变化

由计算结果可以发现，我国战略性新兴产业的全要素生产率从2000年到2004年为上升，年均增长率达到了7.38%，这可能是受加入WTO的影响，我国先进技术产业因为经济全球化的加速带来的外部技术冲击而获得了生产效率的显著改进。这一结果也与文献（郭庆旺，2004；赵志耘，2011等）中研究的结论一致。但从2004年之后整体全要素生产率却呈现下降的态势，说明我国固有的工业生产效率问题没有得到根本性的改变，时间越长其自身因素的负面影响开始重新显现。而在2008年以后，我国制造业的全要素生产率明显下滑（赵志耘，2011），但是图4-5显示战略性新兴产业的全要素生产率反而保持稳定没有出现同样幅度的下滑。说明我国当时推出的战略性新兴产业规划对于产业投资和技术投入都起到了短暂的激励效果，稳定了产业发展，保持了产业生产效率变化的延续性。但是战略性新兴产业发展规划正式推出之后，从2010年开始，全要素生产率并没有快速增长，反而开始普遍下降。这说明虽然各地政府积极响应国务院推出的战略性新兴产业发展规划，但是政策作用方式存在着比较严重的问题，政府作用可能挤出了市场机制的作用，原先的产业生态可能遭受到了冲击，导致产业资源配置的自然优化发展路径被扭曲，生产效率提高激励被抑制。主要表现为重视规模扩张、轻视内在竞争力培养，重视政府的扶持政策，而轻视企业自生能力的完善，使得全要素生产率不升反降。

而通过以《高技术产业统计年鉴》中各省市主营业务收入为权重，再根据我国2011年最新的经济区域划分方法，经计算得到我国东中西部和东北地区全要素生产率的变化情况。通过计算结果发现，东部地区始终保持在高于全国平均水平的位置，显示出强大的基础优势，成为带动全国战略性新兴产业发展的排头兵。而东部地区的TFP却整体呈现逐步下降的发展态势，与全国TFP发展趋势一致。中部地区与东北地区TFP变化较为平稳，而西部地区则呈现出上升的发展势头， 2010年之后年均增长率达到了4.15%，甚至在2012年超过了东部的TFP增长率。说明在我国资金、技术都较为缺乏的西部，战略性新兴产业的发展反而有较为令人惊喜的成绩，增长较快，发展潜力巨大。这一方面与国家的大力支持分不开，同时也说明西部很好地发挥了资深的自然资源优势，在新能源等领域取得了令人瞩目的成绩。

再将表4-14中细分产业的回归结果和相关数据代入式（413），得到细分产业2009—2013年全要素生产率的值，整理成表4-15。

表4-15中显示，由于航空航天产业是军民两用技术最为集中的领域，对技术要求极高，因此前沿技术密集的特征就决定了其全要素生产率要显著高于其他产业。而在其他产业中，医药制造业的全要素生产率较高，电子通信和医疗设备次之，计算机设备制造业最低。说明在战略性新兴产业中，我国计算机设备制造业的技术内涵还有待提高。从时间上来看，计算机设备制造业、医疗设备制造业和医药设备制造业的全要素生产率偶有波动，但总体在小幅上升，而电子通信设备制造业这五年中总体小幅下降，航空航天设备制造业波动较大。说明在这五年中，我国大部分战略性新兴产业仍处于技术起步阶段，技术进步的贡献仍较为有限，需要通过大力发展前沿技术以及推广技术的应用，实现前沿的技术产业化，以提高技术进步对产业增长的贡献。

表4-15 2009—2013年战略性新兴产业细分行业全要素生产率的变化

3）战略性新兴产业全要素生产率的收敛性分析

在测算了全要素生产率之后，还需要进一步研究全要素生产率的收敛情况。以更为深入地了解全要素生产率的变动趋势。本书按照文献中的常规研究思路，从σ收敛和β绝对收敛两个角度对战略性新兴产业全要素生产率的收敛性情况进行研究。

（1）收敛检验。本书需要考察各不同地区和范围内战略性新兴产业全要素生产率是否趋于收敛，其波动是否随时间的推移而趋于下降。若存在，则间接证明我国战略性新兴产业发展路径可行有效，产业发展正步入正轨。

①σ收敛的检验方法。σ收敛主要考察指标波动的变化，因此通常采用变异系数来测度。而变异系数的定义为方差均值的平方根与均值的比例，因此其计算公式为

②战略性新兴产业收敛的检验。利用《高技术产业统计年鉴》中省际面板数据和式（414），经过计算，全国和分地区CV变化如图4-6所示。

图4-6 2009—2013年战略性新兴产业分地区σ收敛的检验结果

由图4-6可以看出，总体来说全国和各地区呈现出σ收敛的发展趋势。全国CV值保持着下降的发展态势，其中2008—2012年变异系数变化较为缓慢，而到了2013年变异系数骤然减小。而分地区来看，东部地区在2009—2012年间变异系数不降反增，而到了2013年又恢复到了收敛的趋势，与期初相比总体还是呈现σ收敛。其他地区变异系数的变化较为稳定，而从细分产业来看，航空航天产业全要素生产率的变化处于明显的发散状态，这说明我国航空航天产业技术发展遇到了较为严峻的问题，需要加大力度克服（见图4-7）。而除此以外，其他产业虽然总体呈现σ收敛，但是收敛速度不一，总体较为缓慢，说明总体产业生产效率可能还会在一段时间内持续波动，我国在探索产业前沿技术方面仍需要努力。

图4-7 2009—2013年战略性新兴产业细分产业σ收敛的检验结果

（2）β绝对收敛检验。在考察完考察对象个体自身收敛性之后，还将要考察在考察期内考察个体之间生产效率的差异是否也呈现出收敛的趋势，即区域间或产业间是否呈现出相互追赶发展的变化趋势。

①β绝对收敛的检验方法。本书讨论的β收敛是指在一个历史时期内初期全要素生产率水平较低的经济实体趋于全要素生产率水平较高的经济实体以更快的速度增长，一般由考察期内平均增长率与期初值的负相关关系来表示。β收敛有绝对收敛和条件收敛之分。条件收敛顾名思义，需要加入其他变量才能得到平均增长率与期初值之间的负向关系，而绝对收敛则不需要。本书讨论的是β绝对收敛。β绝对收敛的计算原理为：

首先计算在全部样本期内TFP的平均增长率，即

然后，以平均增长率对期初TFP值做横截面回归，即

其中lntfpi0为样本期内个体i的TFP期初值，β0为常数项，β1为收敛系数，εi为随机扰动项。当β1小于零时认为存在收敛，而当β1大于零时认为存在发散。当β收敛时可以通过公式

推算出收敛速度λ。

②战略性新兴产业的β绝对收敛检验。根据2001—2014年《高技术产业统计年鉴》中的省级面板数据以及模型（4 16）分别得到2000—2013年的省级面板数据、2009—2013年省级面板数据和细分行业面板数据的回归收敛系数，再根据式（417）计算得到其收敛速度。根据样本选取期限标准的不同，将结果整理成表4-16、表4-17和表4-18。

表4-16 2000—2013年全部样本期β收敛的检验结果

注：①表中结果根据《高技术产业统计年鉴》计算得到；②*、**、***分别代表10%、5%、1%显著性水平；③括号内为响应系数的标准差；④结果中未汇报常数项结果。

表4-17 2009—2013年战略性新兴产业β收敛的检验结果

（续表）

注：①表中结果根据《高技术产业统计年鉴》计算得到；②*、**、***分别代表10%、5%、1%显著性水平；③括号内为响应系数的标准差；④结果中未汇报常数项结果。

表4-18 2009—2013年战略性新兴产业细分产业β收敛的检验结果

注：①表中结果根据《高技术产业统计年鉴》计算得到；②*、**、***分别代表10%、5%、1%显著性水平；③括号内为响应系数的标准差；④结果中未汇报常数项结果。

由计算结果可以看出，就全部的样本期来说，可以发现我国战略性新兴产业在2000—2013年的样本期内都保持了β收敛的发展趋势，且收敛速度较快，14年间达到了7.25%，其中中部和东北部收敛速度较慢，而东部地区略低于全国速度，而西部战略性新兴产业TFP的收敛速度高于全国平均水平，显示出较为快速的追赶势头。而2009—2013年间，在国家的大力扶持之下，各地区战略性新兴产业的收敛速度明显加快，全国速度提高到了10.72%，而中部和东北部也均达到了10%附近的水平，东部由于处于领先水平，因此收敛速度相对较低，而西部地区速度下降。

从细分产业来看，电子通信和医药制造保持着较高的收敛速度，分别达到了11.01%和16.41%。航空航天设备制造业由于发展难度较大，产业布局还在完善中，因此反而处于发散的状态，说明航空航天产业还需要进一步明确技术路线，可以稳定推进技术发展，赶超先进国家水平。而计算机设备制造产业收敛速度较慢，可能是由于我国计算机技术较为成熟，处于相对领先的位置，而医疗设备收敛速度较低，但我国医疗设备产业的技术仍然较为落后，说明医疗设备技术还需要大力加强技术研发，加快赶超速度。

通过以上的测算可以看出，自从国家实施战略性新兴产业发展规划以来，我国战略性新兴产业总体而言TFP并没有明显的改善，产业的生产效率呈现出徘徊的局面。这可能与我国政府的主观作用方式、产业市场的客观培育阶段、金融大环境支持等方面有关。

4）战略性新兴产业全要素生产率的影响因素分析

如前所述，全要素生产率集中体现了技术进步等非物质因素对于产出的贡献，包括资源配置效率提高、政府行政效率提高以及其他随机因素等。具体到战略性新兴产业的全要素生产率的变化上，典型的影响因素包括政府的扶持、市场需求扩张的激励、当地经济所有制结构、当地金融发展程度、市场结构、技术的国产化率等。并且考虑到全要素生产率具有遵循一阶自回归过程的性质，受到上一期技术水平的影响，即：

ln TEPt=ρln TEPt-1+ut（4-18）

由于涉及滞后一阶项，因此需要进行面板数据的单位根检验，以验证TFP数据的平稳性。首先使用了由Levin，Lin and Chu（2002）提出的面板数据平稳性的常规检验方法，即LLC检验。由于面板时期较短，因此还采用了Harris and Tzavalis（1999）剔除的基于T固定而n趋于无穷的检验方法。而不管LLC还是HT检验，它们共有的局限性在于要求每个个体的自回归系数相等，而我国各地之间存在着历史传统、产业基础和政策等方面的差异，因此为了弥补这一局限，又使用了IPS方法进一步检验。三种方法的检验结果如下：

表4-19 TFP值单位根检验结果

上表显示，LLC检验中经校正后t值为-1.47，在10%显著性水平上显著为负，拒绝面板包含单位根的原假设。而HT检验中在1%水平上强烈拒绝原假设， IPS检验在5%水平上拒绝原假设。因此认为本书考察的面板TFP数据平稳。另外结合LLC和IPS检验结果，根据AIC信息准则选择的平均滞后阶数为1阶（实际结果LLC检验中AIC信息准则选择为1.10阶，而IPS检验中选择为0.83，但是为了完成后面的回归只能选择整数）。

既然TFP通过了平稳性检验，因此可以建立如下模型来分析规划推出以来战略性新兴产业全要素生产率变化的影响因素：

其中ln TEPit如前表示地区i在t期的全要素生产率，ln YEAR控制了年份因素，ηit为随机扰动项。其他解释变量的说明如表4-20所示。

表4-20 各解释变量的说明

其中R&D经费内部支出、政府资金、主营业务收入、购买国内技术以及大中型企业和国有企业的产出等数据均来源于2009—2014年的《高技术产业统计年鉴》（由于存在滞后一阶项，因此本书用了2008—2013年的数据，在滞后一阶之后删除了2008年数据从而得到完整的2009—2013年的面板数据），而金融发展相关的银行贷款总额、银行存款总额、股票市值和保险费用来源于相应年份的《金融统计年鉴》（由于部分省份的金融数据不完整，如股票市值只从2007年开始提供统计，这也是本书将注意力集中于2009年以后的另一个原因）。应用STATA12.0根据模型而设定，依次加入控制变量进行面板数据回归，以得到回归结果如表4- 21所示。

表4- 21影响全要素生产率因素分析模型的回归结果

注：①表中结果根据《高技术产业统计年鉴》计算得到；②*、**、***分别代表10 %、5 %、1 %显著性水平；③括号内为响应系数的标准差；④结果中未汇报常数项结果。

从回归结果中可以看出，所有的模型都通过了显著性检验，拟合效果也较好，其结果具有可靠性。在具体的回归系数方面，无论在哪个模型中TFP值的滞后一阶项都产生显著的正向影响。说明和其他产业类似，战略性新兴产业的TFP值也依赖于前一期的水平，TFP值的变化具有显著的一阶自回归属性。而时间项的负系数也从实证的角度验证了上文中测算的TFP值逐年下降的事实。

而对于其他控制变量，政府补贴率在模型1—6中都显著与TFP值负相关，说明2009年战略性新兴产业规划推行以来我国政府出台的各项扶持政策发挥的作用往往有悖于初衷，政策作用方式不恰当甚至对战略性新兴产业的发展产生了阻滞的作用，亟需做出调整。而市场需求规模与TFP值的变化也呈1%水平的显著负相关关系，这说明市场需求的变化并没有对战略性新兴产业生产效率的改善产生积极的促进作用，其正向的传导机制受到了阻碍，反而产生了负面的激励作用，如为满足市场需求产业投资偏重于量产而忽略了质的提高，导致其市场需求规模的扩张反而加剧了这种不平衡，从而造成生产效率的进一步下降。地区金融发展程度与战略性新兴产业的全要素生产率的变化有着显著的正向关系，地区金融产业占比越高越有利于战略性新兴产业生产效率的提升。另一方面，金融业的发达程度也部分地反映了地区经济市场化的程度，只有市场化越充分的地区才会有较为发达的金融业，因此金融发达程度的正效应也反映了市场化对于战略性新兴产业生产效率发展的重要作用。而在地区所有制结构方面，模型中地区国有企业产出占比与全要素生产率呈现负相关，这说明国有企业较为强势不利于战略性新兴产业生产效率的提高，这也从另一个侧面验证了市场经济对于产业生产效率的积极作用。