文摘

逐步改善的模糊集定性比较分析(fsQCA),它是引入越来越多的领域来分析实际问题。本文计算了全要素生产率指数和基于经济发展相关理论分析其发展趋势和中国省际面板数据从1999年到2019年。我们使用fsQCA方法研究各地区总生产率影响因素之间的相互作用。得到两个特定路径来提高全要素生产率,为不同领域提供参考根据当地条件提高全要素生产率。

1。介绍

中国经济近年来已经转向高质量发展,和经济增长已成为新常态。刘易斯拐点的到来,劳动力短缺,在某些特定领域限制经济的发展。中国经济迫切需要改变。罗默显示,全要素生产率(TFP)是经济增长的唯一来源1]。也被广泛接受的因素,如技术进步,提高效率,并返回规模都是TFP对经济学的贡献。中国的金融发展满足预期吗?是全要素生产率的趋势与先前的研究一致?TFP的增长的驱动机制是什么?试图回答这些问题已成为本文的重点。

当前全要素生产率测量方法主要包括索洛余值方法和前沿分析方法。前者是剩余计算方法索洛提出的TFP在1957年(2]。基于新古典生产函数,获得的剩余价值是在扣除所有因素输入总产出增长率,从而反映TFP的增长。这个方法简单,容易实现,但严格的假设,实证估计可能有明显的错误。前沿分析方法放松假设,提高准确性,和全要素生产率分解,反映了技术进步的经济增长速度,规模效率和技术效率(3]。当前主流的分析方法包括随机前沿生产函数方法(SFA)法雷尔和Charnes提出的在1957年和数据包络分析方法(DEA)艾格纳在1978年提出的。之后,票价组合Malmquist指数在1994年与数据包络方法,使其最常用的分析方法来衡量效率。郑,谢(2011),高风扇(2015),刘伟(2018),和其他学者都用上面的方法来测量和分析全要素生产率(4- - - - - -6]。

近年来,一些研究已经检查了全要素生产率的影响因素。大多数研究关注外部因素,如产业结构、城市化水平、人力资本和政府补贴在全要素生产率3]。一些学者实证分析了要素禀赋结构的积极影响机制,金融发展,技术进步在区域TFP和讨论了这些因素对全要素生产率的影响(7]。此外,一些学者解释TFP的内部结构的影响机制,得出的结论是,中国工业企业的TFP的增长主要来自技术进步(8- - - - - -10]。

然而,一些如果这些研究解释了全要素生产率的增长道路的共同作用下,多个影响因素。因此本文试图分析TFP的增长道路当使用不同的因素作为TFP增长的核心因素提供参考,促进高质量的经济发展。

2。模型和数据

2.1。DEA-Malmquist指数

Malmquist指数是由瑞典经济学家Sten Malmquist首次提出在1953年(11]。然后,雕刻比例因子的概念应用于经济分析和构建了一个距离函数来衡量生产力指数。然而,没有合适的测量方法。直到1978年,Malmquist指数成为一个重要的经验指数。生产力指数Malmquist基于技术的引用T和T+ 1如下: 在哪里 是一个距离函数基于输出; 是输入指数;和 是输出指数。根据优秀指数的费舍尔,我们计算的几何平均 和 测量综合生产力指数: 在哪里 代表了技术效率的变化,这表明可能的边界距离的变化潜在的最优生产决策单元。如果该值大于1,这表明技术效率的提高。同时,该指数可分为纯技术效率和规模效率的变化和技术效率=纯技术效率和规模效率的乘积。 显示技术的发展水平。如果该值大于1,技术进步。TFP指数=技术效率和技术进步的产物,衡量全要素生产率的变化程度。

2.2。方法

Ragin首先提出模糊集定性比较分析方法(2008年12]。这种方法是基于QCA开发的。利用集合论配置分析布尔代数法和调查充分必要子集前期条件和结果之间的关系,它可以探索多个并发伤亡引起的复杂的社会问题是如何作为一个整体(12]。近年来,这种方法吸引了越来越多的关注和认可的社会科学。在组织和管理的研究中,QCA提供了新的技术和管理理念解释组织实践的复杂的因果关系,如并发因果关系、对等,不对称13- - - - - -15]。fsQCA方法试图建立的逻辑因果关系条件组合和预期结果解释的事实和现象。

假定自变量对因变量的影响 。在过去,一些方法只讨论的结果,一个变量对因变量。不过,fsQCA,变量可以组合成对或一起工作来预测因变量的值 (16]。变量使用模糊集分析之前需要校准。 在哪里

校准后,数据转换成模糊成员分数在0和1之间的模糊集生成一个真值表。最后,根据讨论结果的可靠性值的一致性和覆盖率。一致性对应表达的集合理论关系案例和解决方案(17]。报道结果的相对重要性不同的路径: 在哪里 代表成员的得分情况 在集合 和 意味着成员的得分情况 在结果条件设置 。一般来说,如果一致性值大于0.8,可以认为路径来解释这样的效果很好。的框架fsQCA方法如图1。


图1
fsQCA方法的过程。
2.3。变量的选择
2.3.1。解释变量:全要素生产率

索洛剩余价值的方法简单,容易实现。全要素生产率是通过计算产出增长率和增长率减去因素。前沿分析方法分解的TFP技术效率、技术进步率、纯技术效率和规模效率。它们反映了经济增长的实际情况。相比之下,传统的生产函数方法是基于严格的假设,导致实际的估计结果显著偏差。前沿分析方法放松假设和有助于提高估计的准确性。本文使用DEA-Malmquist指数法来衡量全要素生产率指数。

本文中的数据时期从1998年到2019年,输出指标的国内生产总值(GDP)在中国每个省(注意:保持的时间和地区维度数据一致后,西藏的相关数据不选择),并输入指标,资本存量,使用固定资产投资总额计算,指Coe [18)、张(19]。首先,我们计算资本存量以1997年为基期的根据 ,假设经济折旧率 是6% (20.), 是在基本周期和总固定资产投资 是今年的经济增长率。随后,我们使用永续盘存法来计算资本存量的30个省(地区或城市)从1998年到2019年。具体计算公式如下:

劳动力投入指数选择员工的数量在今年年底。主要的数据来自中国国家统计局(National Bureau of Statistics)和各省统计年鉴。

我们使用DEAP软件(版本2.1)计算全要素生产率指数。全要素生产率和相关分解数据从1999年到2019年如表所示1。

表1
全要素生产率指数及其分解(平均值)。

如表所示1,只有六个地区的全要素生产率指数小于1,全要素生产率在大多数领域显示了积极的增长趋势。结果表明,自1999 - 2019年,中国的全要素生产率增长的内部驱动力来自于技术进步和技术效率的提高。然而,如图2,我们可以看到,技术进步指数大于TFP指数在只有少数地区,所以我们可以得出这样的结论:技术的进步比技术进步效率更重要。


图2
TFP的比较指标和技术进步指标在不同的地区。
2.3.2。条件变量

金融发展。有许多指标来衡量金融发展,它们中的大部分使用存款和贷款余额占GDP的比例。本文将金融发展划分为两个维度:发展规模(陕西林业局)和开发效率(EFD)。贷款余额占GDP的比率是用来衡量金融发展的规模。金融发展效率是金融资源的分配。指的是投入产出效率,我们采用新的贷款比金融行业的附加值。

外国投资的程度(FIL)。本文选择外商投资企业投资总额占GDP的比例来衡量外国投资的程度。它被转换在人民币和美元的汇率。

政府支出的水平(凝胶)。一般来说,政府采购,总需求将会越大。不过,由于挤出效应将阻碍私人投资和经济增长,本文使用地方财政一般预算支出在每个地区地区国内生产总值(GDP)来衡量政府的财政支出。

技术创新的强度(TII)。科学技术是第一生产力,内生增长理论还认为,研发是技术进步的重要推动力量。本文选择专利申请的数量每10000人接受作为代理变量。

每个变量的描述性统计结果如表所示2。全要素生产率指数的平均值只有1.1597,这意味着TFP在2019年正增长。指数是1.328,最大值和最小值是0.966。在条件变量中,金融发展效率的两个变量和技术创新强度有明显的地区差异,反映不同地区发展水平的对比。图3显示条件变量的散点图。它可以发现,越发达的地区,TII和陕西林业局将越高。此外,金融发展效率之间的关系和金融发展规模的变化相反的方向。

表2
摘要统计信息的所有变量。

图3
条件变量的散点图。注意:TII对应于第二轴。

3所示。模糊集分析

3.1。变量校准

QCA的方法是基于集合理论。在讨论之前,有必要校准数据和收集数据在0和1之间。具体方法使用锚点来确定每组数据定性和校准每组变量的模糊集隶属于0 - 1通过使用三个关键价值观:完整的会员,十字会员点,完成non-membership点。杜指的实践(14),本文选择第95百分位,50百分位,和第五百分位为锚点校准数据。每个变量的校准锚点如表所示3。

表3
校准锚点为每个变量。

校准后,根据布尔代数的计算原则,我们把每个条件变量和可接受的组合数量设置为0.8 1和一致性。最后,我们计算真值表(如表所示4)。

表4
编码的结果。
3.2。必要性分析

校准后,必要的条件将被淘汰的过程中形成了解决方案。因此,它是必不可少的检查每一个条件变量和确定的必要性条件变量结果的必要条件。根据先前的研究,通常使用必要条件的一致性来判断这是一个必要条件和结果的模糊集在多大程度上是有条件的模糊集的一个子集。Ragin [12)认为一致性只能当它达到显著超过0.9,表明独立变量是必要的结果。表5列出了每个条件的必要性测试变量的计算结果。可以看出,五维元素的一致的影响对TFP的增长小于0.9。单变量不是必要的结果,表明维的组件不确定全要素生产率的发展。

表5
必要条件变量的测试结果。
3.3。配置分析

我们使用软件fsQCA(30)版分析校准的标准真值表,我们可以得到三个方案与不同的条件,即复杂的解决方案,经济的解决方案,和中间的解决方案。复杂的解决方案是一个路径反映在所有条件变量没有简化和逻辑部分,所以它的通用性不高。简化后的结果,吝啬的解决方案是决定性影响路径;两者之间的中间的解决方案是,添加边界条件的基础上,降低解决方案,这是普遍的。标准化后的配置结果分析见表6。是0.8958的整体一致性,覆盖率为0.698363。结果符合定性分析标准提出的伍德赛德和张21),结论是代表。

表6
配置更高的全要素生产率的结果。

根据表4配置的核心条件6,图4显示2重要的路径来实现高TFP增长。(1)机构相关驱动。根据配置1和2,高金融发展和政策因素总生产率增长的核心条件。结果表明,对于一些内陆地区,如河北、贵州、吉林,即使对外贸易的条款并不突出,我们仍然可以有效地促进全要素生产率的提高通过改善财政支出支持和增加财政援助。其中,金融支持更多的取决于资金运用效率的进步。(2)金融投资的相关驱动。配置3:陕西林业局 ∼工艺流程图 费尔 凝胶,表明更高的金融发展规模因素,国际因素,政策因素,和non-high金融发展效率的充分条件是全要素生产率更高,其中金融发展规模和外国投资水平的核心条件。这表明即使金融发展效率低和政策财政支出水平不突出,地区全要素生产率仍然可以改善通过增加总金融信贷支出和提高外国直接投资。通过这条道路典型地区是海南、天津、等等。配置4:陕西林业局 费尔 ∼凝胶 TII,也显示了金融发展规模和外国直接投资的重要性水平,促进全要素生产率。3与配置,这些地区(北京、上海、浙江等)强调科技创新要素的重要性超过策略元素。


图4
实现高TFP增长路径。注意:蓝色框代表的核心条件,红色框表示边界条件,意味着的黄色框元素水平很低。

4所示。结论

基于年度中国30个省份的面板数据从1999年到2019年,本文首先计算在中国不同地区的TFP增长指数。然后,我们使用模糊集定性比较分析方法研究不同条件变量对全要素生产率的影响从配置的整体角度思考。结论表明,中国的全要素生产率增长的内部驱动力来自于技术进步和技术效率的提高。技术的进步比技术进步效率更重要。其次,由于各种因素的不同输入,有实质性的差异在多个地区全要素生产率的增长。第三,通过配置分析、核心因素和两条路径,促进全要素生产率的发展。不同的区域可以根据他们的条件采取相应的对策和建议。

数据可用性

用来计算全要素生产率指数的数据收集从中国国家统计局网站http://www.stats.gov.cn/tjsj/)。使用的数据来支持本研究的结果也可以从相应的作者。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

本研究淮南师范大学支持的研究项目(没有。2020 xjyb024)。