空间面板随机前沿模型及技术效率估计

空间面板随机前沿模型及技术效率估计

林佳显;龙志和;林光平

【摘 要】随机前沿模型是测算技术效率的重要方法之一.通常,模型假设生产单元之间彼此独立,然而在技术扩散过程中,空间外部性起着重要作用.文章结合随机前沿模型理论与空间经济计量分析方法,构建空间面板随机前沿模型,同时考虑空间滞后因变量和空间误差自相关,并逐步放松模型设定条件,首先考虑技术效率时变,接着引入技术无效率项的异方差性,之后考虑观察数据中潜在的截面异质性,分别以引入随机截面特有项和设定随机系数的形式来表示截面异质性.针对各种模型设定提出相应的参数估计方法,最后给出技术效率的估计.

【期刊名称】《商业经济与管理》

【年(卷),期】2010(000)005

【总页数】8页(P71-78)

【关键词】技术效率;随机前沿;空间计量;极大似然;模拟似然函数

【作 者】林佳显;龙志和;林光平

【作者单位】华南理工大学,经济与贸易学院,广东,广州,510006;华南理工大学,经济与贸易学院,广东,广州,510006;美国波特兰州立大学,经济系,波特兰,97207

【正文语种】中 文

【中图分类】F064.1

一、引 言 随机前沿模型(SFM)的理论最初由 Aigner、Lovell和

Schmidt(ALS)(1977)[1],Meeusen和 Van den Broeck(MB)(1977)[2]提出,并很快成为计量经济学中一个引人注目的分支,被广泛应用于效率测算和生产率分析,尤其是在 Jondrow等(JLMS)(1982)[3]指出各个生产单元的技术无效率可以通过条件分布 [ui|vi-ui]的期望E[ui|vi-ui]或模Mode[ui|vi-ui]来估算以后。随机前沿分析(SFA)始于对生产最优化的研究,经过 30多年的发展,其在理论研究与实践应用方面都得到了深入的发展,已被尝试性地应用于生产经济学以外的领域,如劳动经济学、公共经济学以及金融经济学等。

SFM假定,生产单位由于各种组织、管理及制度等非价格性因素导致生产过程中效率的损耗,而达不到最佳的前沿技术水平[4]。SFM的基本模型表述如下:

其中:Yi代表第 i个生产单位的产出;Xi代表第 i个生产单位的 k×1维投入向量;f(Xi;β)exp(vi)是随机生产前沿;β为待估计的参数向量;TEi=exp(-ui)表示技术效率;vi是随机干扰项。

通常,SFM假设 vi、ui都是独立同分布的,然而,空间和区域经济学的研究都指出,地理接近性是产生外部性和一系列相邻效应的关键因素。在技术扩散过程中,空间外部性起着重要作用,生产单元彼此独立的假设存在着很大漏洞。胡晶、魏传华和吴喜之(2007)提到,“任何一个地区的经济都不可能独立存在,它总是与其他经济区域间存在着各种各样的联系。当某外生干扰对一个地区的经济造成冲击时,其产生的影响往往会向外扩散,波及临近地区甚至更远的区域。”[5]如果生产单元间存在空间相互作用,SFM中没引入空间计量分析可能会导致模型设定偏误。

因此,本研究认为有必要把空间效应引入 SFM分析框架中,将一般 SFM扩展到空间

SFM,避免由于忽略空间效应所产生的模型估计偏误等问题,从而能更加客观地评估生产单元的效率,且进一步有助于开展以效率测算为基础的后续相关研究(如全要素生产率增长的研究等)。

当前文献上,SFM中引入空间因素的计量分析鲜见。Druska和 Horrace(2004)提出空间误差自相关固定效应面板模型的 GMM估计,随之将其引入 SFA框架中,并对印度尼西亚的米业农场进行实证分析,结果发现空间相关性确实影响农场效率的估计和排名[6];Igliori(2005)测算巴西亚马逊区域各市农业和牧业的技术效率,并将空间计量分析引入技术效率外生决定因素的研究中[7];Schmidt等(2009)分析巴西中西部地区370个市区农场的生产率,将潜在的空间结构引入 SFM的单边误差项中,研究结果支持空间效应的重要性[8];胡晶、魏传华和吴喜之(2007)构建了基于横截面数据的空间误差自相关 SFM,并采用极大似然方法对模型参数进行估计。

综合目前国内外关于 SFM空间计量分析的研究情况,尚存在以下不足:(1)已有的空间 SFM仅考虑空间误差自相关,缺乏对空间滞后模型的研究;(2)已有的面板模型仅采用 GMM估计方法研究固定效应的情形,未见涉及随机效应模型和极大似然法(ML)的研究;(3)当面板的时间维度T较大时,技术效率非时变(time-invariant)的假设显得与实际不符;(4)当技术无效率项存在异方差性时,其同方差的设定会使模型参数估计有偏,导致技术效率测算不可靠;(5)如果观察数据中存在非时变的潜在截面异质性(latent crossunit heterogeneity)与技术效率不相关,忽略截面异质性的模型设定就会将这部分异质引入技术无效率项的估计值中,由此得出的技术效率测算有偏。

有鉴于此,作者在已有研究的基础上,进一步将空间效应引入 SFM分析框架中,完善空间面板 SFM的理论基础,同时考虑空间滞后因变量和空间误差自相关,并逐步放松模型设定条件,建立若干不同形式的空间面板 SFM。首先考虑技术效率时变,接着引入技术无效率项的异方差性,之后考虑观察数据中潜在的截面异质性,分别以引入随机截面特有项(random firm specific term)和设定随机系数的形式来表示截面异质性。针对各种模型设定形式提出相应的参数估计方法,最后给出各种模型相应技术效率的估计。

文章结构安排如下:第二部分阐述空间面板随机前沿模型及其估计;第三部分是技术效率估计;第四部分为研究结论与展望。

二、空间面板随机前沿模型及其估计

(一)基本模型及其 ML估计

在 SFM中,与横截面数据相比较,面板数据更能提供生产单元技术效率可靠的估算。Pitt和 Lee(1981)[9],Schmidt和 Sickles(1984)[10]将横截面 SFM扩展到面板

SFM。早期的面板模型都基于技术效率非时变的假设,当面板的时间维度 T较大时,这一假设显得与实际不符。随后,Cornwell、Schmidt和

Sickles(1990),Kumbhakar(1990),Lee和 Schmidt(1993),Battese和

Coelli(1995),Lee(2006),Ahn、Lee和Schmidt(2007)等放松了这一假定,发展了各种形式的技术效率时变(time-varying)面板 SFM。尽管如此,这些有关技术效率时变的假设都遵从一个严格的函数结构,如 Lee和 Schm id t(1993)建议

uit=δ(t)ui,其中 δ(t)=∑tδt dt,dt是虚拟变量;Kumbhakar(1990)提出

δ(t)=[1+exp(δ1 t+δ2 t2)]-1;Battese和Coelli(1995)建议 δ(t)=exp[-δ(t-T)]。

胡晶、魏传华和吴喜之(2007)构建了基于横截面数据的空间误差自相关 SFM,并采用极大似然方法对模型参数进行估计。现在本研究提出以下基于面板数据的空间

SFM,同时考虑空间滞后因变量和空间误差自相关,并放松了技术效率非时变的约束,且不赋予时变技术效率一定的函数结构。为了便于描述,f(x,β)采取对数线性 Cobb-Douglas函数形式:

其中:yt=[y1t,y2t,…,yNt]′表示 N个生产单位在第 t时段 N×1维的产出(取对数)向量,xt是 N个生产单位在第 t时段 K×1维投入(取对数)向量组成的 N×K维矩阵,t=1,2,…,T;β为待估计的 K×1维参数向量;α=α×[1,1,…,1]′是 N×1维的截距项向量;ut=[u1t,u2t,…,uNt]′≥0是 N×1维的技术无效率项向量,代表生产单位在第 t时段的技术无效率程度;vt=[v1t,v2t,…,vNt]′是 N×1维的双边误差项向量,代表不可控的经济系统外部影响因素和数据测度误差等;ηt=[η1t,η2t,…,ηNt]′是 N×1维的随机干扰项向量;W1、W2是空间权重矩阵,表示不同生产单位之间的空间相关性,W1 yt为空间滞后因变量,W2 vt为空间滞后误差项;λ是待估计的空间自回归系数;ρ是待估计的空间误差自相关系数。为了进行 ML估计,模型假定:

utE(vt1 v′t2)=0,t1 ≠t2;ηit～ iid N(0,σ2v),i=1,2,…,N,t=1,2,…,T。另外 ,uit、ηit和 xit相互之间不相关 。

根据以上的假定,可得到如下的分布密度函数:

设 εt=vt-ut,则(ut,εt)的联合分布密度函数为:

将式(8)对 ut求积分,得到 εt的分布密度函数:

其中:Φ(·)是多元标准正态分布函数,

基于式(11),可得到模型的对数似然函数:

通过最大化对数似然函数式 (13),可得到上述模型的参数估计

(二)考虑技术无效率项 uit的异方差性

如果影响技术效率的因素随不同生产单位而有差异,那么技术无效率项 uit可能存在异方差。Kumbhakar和 Lovell(2000)[11]指出,与经典线性回归模型相比较,由于 SFM具有非对称的复合误差项结构,异方差性问题在 SFM框架中显得更加突出,尤其是当异方差性存在于单边误差项 uit中时。异方差性可以出现在单边误差项

uit或双边误差项 vit中,将之忽略不但会影响生产技术参数和误差项参数的估计推断,也会使技术效率的推断不可靠。

当技术无效率项 uit不存在异方差时,基于本文第二部分(一)中的模型假定,可以得到:

其中其它变量、参数定义参见前文。

下面假设技术无效率项 uit存在异方差,uit～iid N+(0,),观察忽略异方差性所产生的问题。此时,式(14)将变成:

其中:ei是 N×1维向量,第 i个分量为 1,其它分量为 0。

比较式(14)和式(15),忽略 uit中的异方差性将导致截距项的估计是有偏的,而由此导致生产技术参数的估计也是有偏的。此时,技术无效率项 uit的估计式中(参见本文第三部分),σui将代替 σu。

当然,正如Kumbhakar和Lovell(2000)所说的,在仅有横截面数据的情形下,估计每个生产单位的显然不可能,而当面板数据的截面维 N远大于时间维 T时,的估计也不大可行。Kumbhakar和Lovell(2000)建议采用相关变量 zi的函数g(zi;δ)代替这样可大大有效减少待估计的参数,而又不会忽略 uit的异方差性。

在前文模型假设的基础上,考虑技术无效率项uit的异方差性,令下面给出模型的

ML估计。

由于 uit～iid N+(0,g(zi;δ),ut=[u1t,u2t,…,uNt]′的分布密度函数式(5)变为:

因此,ut与 vt的联合分布密度函数式(7)变为:

同样地,令 εt=vt-ut,并且,则式(8)变为: