省际全要素生产率的测算与分解——基于DEA的非参数Malmquist指数法
- 格式:pdf
- 大小:157.25 KB
- 文档页数:2
我国科技金融效率研究——基于DEA-Malmquist模型分析刘立霞【摘要】以2009-2014年我国30个省份科技金融的面板数据为基础,运用DEA-Malmquist模型分析了我国科技金融发展效率,研究结果表明:我国科技金融综合效率整体水平不高,但呈现上升趋势.科技金融全要素生产率总体保持较快增长,年均增长率达7.5%,技术进步是引起全要素生产率提高的主要原因.从区域角度来看,东部地区无论是在综合效率,还是在全要素生产率方面均具有明显领先优势,西部地区虽然综合效率较高,但全要素生产率增速较慢,中部地区和东北地区综合效率偏低,但全要素生产率增速较快.【期刊名称】《天津商业大学学报》【年(卷),期】2017(037)003【总页数】6页(P27-32)【关键词】科技金融;数据包络分析;Malmquist指数;生产率变动【作者】刘立霞【作者单位】天津商业大学经济学院,天津300134【正文语种】中文【中图分类】F832.4科技金融是为科技企业产品开发、成果转化和高新技术产业发展提供融资支持和金融服务的一系列政策制度安排,是科技创新体系和金融体系的有机融合。
[1]近年来,我国中央和各级地方政府出台了一系列政策和法规来推动科技和金融的融合发展。
2016年7月28日,国务院发布《“十三五”国家科技创新规划》,首次将“科技金融”列入国家规划,明确提出“促进科技金融产品和服务创新,建设国家科技金融创新中心”,可见科技金融已成为国家科技创新战略的重要内容。
随着科技金融实践的不断深入,国内学者关于科技金融的理论研究也逐渐增多。
早期研究主要涉及科技金融的概念、体系、机制、模式和路径等理论分析方面,[2-4]近几年来国内一些学者开始关注科技金融效率问题,如骆世广和李华民[5]对广东省科技金融投入进行效益评价,结果表明广东省金融投入呈现DEA无效状态。
许汝俊等[6]对长江经济带11个省份科技金融效率进行了评价,结果表明2009—2012年间各省份科技金融效率存在一定的差异性,全要素生产率的增加主要源于科技效率的增加。
基于DEA—Malmquist模型的省际经济全要素生产力分析作者:秦春艳来源:《商业经济》2017年第07期[摘要] 选取1990-2014年全国和各省份面板数据,首先利用柯布道格拉斯生产函数模型和索罗经济增长方程测算资本、劳动力和科技进步对经济增长的贡献率,再利用DEA-Malmquist 指数方法,测算各省份全要素生产力数值,结果表明样本期间内,科学技术贡献率EA=40.5%,资本贡献率EK=53.87%,劳动力贡献率EL=5.62%,资本投入仍然是经济发展最主要动力,东部地区明显高于西部地区,全要素生产力地区发展不平衡,并且呈下降趋势。
[关键词] TFP;DEA-Malmquist模型;索罗经济增长方程;经济增长贡献率[中图分类号] F062.1 [文献标识码] AAbstract: Selecting 1990-2014 panel data of the whole country and every province in China,the study calculating the contribution rates of capital, labor force, technological progress of economic growth with Cobb-Douglas production function and Solow' economic growth equation. Then the DEA-Malquist method is used to figure out the numerical value of total factor productivity of every province. The result proves that during the sample period, the contribution rates of science and technology, capital, and labor force are respectively EA= 40, 5%, EK=53.87%,andEL=5.62%. Capital investment is still the major driving power of economic growth. It is more obvious in the east region than in the west region of China. The growth of total factor productivity is not even among regions and is declining.Key words: TFP, DEA-Malmquist model, Solow' economic growth equation, contribution rate to economic growth一、引言亚当·斯密的古典经济增长理论和哈罗德—多马模型,分别分析了资本和劳动力对经济增长的贡献,索洛模型将技术进步引入到经济模型中,发现当资金投入增长率等于劳动力投入的增长率时,工业产出增长率大于资金与劳动力增长率。
我国省级全要素生产率的测算与解释作者:杨子超邓晓来源:《商业经济研究》2016年第11期中图分类号:F275.5 文献标识码:A内容摘要:本文使用索罗余值法和DEA-Malmquist指数法分别测算了我国各省(市、自治区)在1986-2014年期间的全要素生产率。
通过对核算结果分析发现:过去近30年来,东部地区各省的全要素生产率最高,西部地区次之;我国全要素生产率主要由技术进步推动;自2012年以来,全国各省(市、自治区)的全要素生产率出现大范围的负增长情况,需要引起注意。
关键词:全要素生产率索罗余值法 Malmquist指数省级面板引言全要素生产率(TFP)一直是宏观经济学中最重要的概念之一,也是分析经济增长源泉的重要工具。
TFP可被用于分析各种因素(投入要素、技术进步和制度环境等)对经济增长的贡献,从而识别出当时的经济增长模式是投入型增长还是效率型增长,以此确保经济增长模式的可持续性。
关于TFP增长率的测算及研究,国内学者已经进行了较为深入的研究,主要集中在以下几个方面:一是对全国或者各地区TFP增长率的测算和分解,其中代表性的研究有张军和施少华(2003)、郭庆旺和贾俊雪(2005)、赵志耘和杨朝峰(2011)、庞瑞芝和杨慧(2008);二是对行业的TFP增长率进行测算,其中代表性的研究有王亚华等(2008);此外还有学者对TFP的测算方法进行了比较研究,其中代表性的研究有李双杰和左宝祥(2008)、肖林兴(2013)等。
总体上看来,国内学者对各地区TFP增长率及影响因素已经有了较深入的分析,但是对于各区域TFP增长模式的差异研究还比较少。
同时,2008年金融危机以后,中国经济进入“新常态”,中国经济增长模式的可持续性在学术界引起了广泛而又持续的讨论。
经笔者核算,尤其是2012年以后,我国越来越多的省(市、自治区)的TFP变为负增长,需要引起注意。
本文利用最新的统计数据,分别使用索罗余值法(SR)和数据包络分析法(DEA)-Malmquist指数法核算了1986-2014年期间各省(市、自治区)的TFP增长率,并依据结果对此间我国各地区的TFP增长和增长模式做了简要分析。
省际全要素生产率的测算与分解作者:陈秋明苟娟来源:《现代商贸工业》2010年第06期摘要:采用基于数据包络分析(Data Envelopment Analysis,DEA)的非参数指数法测算了各省市区的全要素生产率(Total factor productivity,),技术进步率TECHCH以及技术效率变化EFFCH。
除了江西省的平均增长率小于1外,其他省市的均为正增长,东部地区较中西部提升较快;我国各省全要素生产率的增长主要来源于技术进步,而技术效率的恶化阻碍了生产率的增长。
关键词:FDI;技术溢出;TFP;技术进步率;技术效率中图分类号:F22 文献标识码:A 文章编号:1672-3198(2010)06-0311-021957年美国经济学家罗伯特•索洛(R.Solow)在《经济学与统计学评论》上发表了《技术进步与总量生产函数》一文,论文统一了生产的经济理论、拟合生产函数的计量经济方法,第一次将技术进步因素纳入经济增长模型。
在定量研究中,索洛将人均产出增长扣除资本集约程度增长后的未被解释部分归为技术进步的结果,称其为技术进步率,这些未被解释的部分后来被称为“增长余值”(或“索洛余值”),也即为全要素生产率的增长率。
基于DEA方法的Malmquist全要素生产率指数法测算全要素生产率(Total factor productivity,TFP),可以避免计算索洛剩余时遇到的强假设条件,既不要求生产处于有效率的路径之上,也无需得知要素投入对经济增长贡献的实际份额,还可以分解为几个有意义的指数的乘积,从而能得到更为细致的动态分析结果。
具体说来,Malmquist全要素生产率指数能被分解为两个部分,一部分是技术进步,另外一部分是技术效率的改善,以便更好地了解全要素生产率的构成。
MI=dt0(x t+1,y t+1)dt0(xt,yt)×dt+10(x t+1,y t+1)dt+10(xt,yt)12=dt+10(x t+1,y t+1)dt0(xt,yt)×dt0(x t+1,y t+1)dt+10(x t+1,y t+1)×dt0(xt,yt)dt+10(xt,yt)12=EFFCH×TECHCH=TFPCH即:全要素生产率变化(TFPCH)可分解为技术效率变化(EFFCH)和技术进步变化(TECHCH),EFFCH是基于可变规模收益的效率变化指数,TECHCH表明了技术的进步和创新。
安徽省战略性新兴产业全要素生产率测度——基于DEA-malmquist指数模型王哲;沙国;胡伟【摘要】文章基于DEA-malmquist指数法,先从产业整体层面对2008-2015年安徽省战略性新兴产业TFP进行实证测算,得到各年份的TFP及其分解指数,然后分产业对安徽七大战略性新兴产业TFP变化率及其分解指数进行测算,得到各战略性新兴产业TFP年均变化率及其分解指数,进而揭示安徽战略性新兴产业的增长源泉;再通过实证回归分析,探讨安徽战略性新兴产业TFP变动的影响因素;最后提出了提升安徽战略性新兴产业全要素生产率的具体对策建议.【期刊名称】《华东经济管理》【年(卷),期】2017(031)006【总页数】6页(P25-30)【关键词】战略性新兴产业;全要素生产率;DEA-Malmquist指数法;安徽省【作者】王哲;沙国;胡伟【作者单位】皖西学院经济与管理学院,安徽六安 237012;皖西学院大别山发展研究院,安徽六安 237012;皖西学院经济与管理学院,安徽六安 237012;皖西学院经济与管理学院,安徽六安 237012【正文语种】中文【中图分类】F062.9战略性新兴产业是引导未来经济社会发展的重要力量。
在供给侧结构改革的背景下,发展战略性新兴产业带动生产效率的提升,将决定我国以及安徽省能否完成经济增长方式转变、保持长久高增长率战略目标。
对于安徽省来说,发展战略性新兴产业:①有利于安徽省抢抓新一轮经济和科技发展战略机遇,加速科技与经济融合、创新驱动与产业发展融合,加快产业的升级换代,打造未来区域支撑产业,积极培育安徽崛起的“制高点”;②有利于推进安徽供给侧结构性改革,更好地发挥制度变革、结构优化和要素升级“三大发动机”的作用,加速形成科学化、集约化、可持续化的发展路径,高起点建设现代产业体系,加快形成安徽未来经济发展的新“增长点”。
国外在全要素生产率(TFP)测度方面有参数方法和非参数方法。