苹果/安卓/wp
苹果/安卓/wp
积分 102, 距离下一级还需 43 积分
权限: 自定义头衔
道具: 彩虹炫, 雷达卡, 热点灯, 雷鸣之声, 涂鸦板, 金钱卡, 显身卡下一级可获得
道具: 匿名卡
购买后可立即获得
权限: 隐身
道具: 金钱卡, 雷鸣之声, 彩虹炫, 雷达卡, 涂鸦板, 热点灯
开心签到天数: 1 天连续签到: 1 天[LV.1]初来乍到
请教各位高手，在算企业技术效率值的时候，1、先用Frontier分析，执行文件如下：
1& && && && && &1=ERROR COMPONENTS MODEL, 2=TE EFFECTS MODEL
EG1-dta.txt& && && &DATA FILE NAME
2010out.txt& && &&&OUTPUT FILE NAME
1& && && && && &1=PRODUCTION FUNCTION, 2=COST FUNCTION
y& && && && && &LOGGED DEPENDENT VARIABLE (Y/N)
285& && && && & NUMBER OF CROSS-SECTIONS
1& && && && && &NUMBER OF TIME PERIODS
285& && && && &&&NUMBER OF OBSERVATIONS IN TOTAL
2& && && && && &NUMBER OF REGRESSOR VARIABLES (Xs)
n& && && && && &MU (Y/N) [OR DELTA0 (Y/N) IF USING TE EFFECTS MODEL]
n& && && && && &ETA (Y/N) [OR NUMBER OF TE EFFECTS REGRESSORS (Zs)]
n& && && && && &STARTING VALUES (Y/N)
& && && && && & IF YES THEN& &&&BETA0& && && && &&&
& && && && && && && && && && &&&BETA1 TO
& && && && && && && && && && &&&BETAK& && && && &
& && && && && && && && && && &&&SIGMA SQUARED
& && && && && && && && && && &&&GAMMA
& && && && && && && && && && &&&MU& && && && &&&[OR DELTA0
& && && && && && && && && && &&&ETA& && && && && &&&DELTA1 TO
& && && && && && && && && && && && && && && && && && &DELTAP]
& && && && && && && && && && &&&NOTE: IF YOU ARE SUPPLYING STARTING VALUES
& && && && && && && && && && &&&AND YOU HAVE RESTRICTED MU [OR DELTA0] TO BE
& && && && && && && && && && &&&ZERO THEN YOU SHOULD NOT SUPPLY A STARTING
& && && && && && && && && && &&&VALUE FOR THIS PARAMETER.
算出来的技术效率TE值都在0-1之间，不过有的很小，连0.1都不到。
2、用stata的frontier回归后，predict te，然后list te之后，出来的均大于10，两者差好多。
16:56:19 上传
stata的结果
16:56:20 上传
stata计算出的TE
我想问，用Frontier4.1 软件，怎么看变量显不显著？为什么stata出来的te都大于10，这个怎么办？
载入中......
predict te, te
热心帮助其他会员
总评分:&经验 + 100&
论坛币 + 10&
学术水平 + 1&
热心指数 + 1&
信用等级 + 1&
Stata版版规
蓝色 发表于
predict te, te万分感谢，可以了，不过两个软件差挺多，用哪个呢
本帖最后由 蓝色 于
00:23 编辑
FRONTIER (Version 4.1c)&&自带例子
Output from the program FRONTIER (Version 4.1c)
instruction file = eg1-ins.txt
data file =& && &&&eg1-dta.txt
Error Components Frontier (see B&C 1992)
The model is a production function
The dependent variable is logged
the ols estimates are :
& && && && && &&&coefficient& &&&standard-error& & t-ratio
&&beta 0& && && &0.&&0.&&0.
&&beta 1& && && &0.&&0.&&0.
&&beta 2& && && &0.&&0.&&0.
&&sigma-squared&&0.
log likelihood function =&&-0.
the estimates after the grid search were :
&&beta 0& && && &0.
&&beta 1& && && &0.
&&beta 2& && && &0.
&&sigma-squared&&0.
&&gamma& && && & 0.
& &mu is restricted to be zero
& &eta is restricted to be zero
iteration =& &&&0&&func evals =& &&&20&&llf = -0.
& &&&0. 0. 0. 0. 0.
gradient step
iteration =& &&&5&&func evals =& &&&42&&llf = -0.
& &&&0. 0. 0. 0. 0.
pt better than entering pt cannot be found
iteration =& &&&7&&func evals =& &&&69&&llf = -0.
& &&&0. 0. 0. 0. 0.
the final mle estimates are :
& && && && && &&&coefficient& &&&standard-error& & t-ratio
&&beta 0& && && &0.&&0.&&0.
&&beta 1& && && &0.&&0.&&0.
&&beta 2& && && &0.&&0.&&0.
&&sigma-squared&&0.&&0.&&0.
&&gamma& && && & 0.&&0.&&0.
& &mu is restricted to be zero
& &eta is restricted to be zero
log likelihood function =&&-0.
LR test of the one-sided error =& &0.
with number of restrictions = 1
[note that this statistic has a mixed chi-square distribution]
number of iterations =& && &7
(maximum number of iterations set at :& &100)
number of cross-sections =& &&&60
number of time periods =& && &1
total number of observations =& &&&60
thus there are:& && &0&&obsns not in the panel
covariance matrix :
&&0. -0. -0.&&0.&&0.
-0.&&0.&&0. -0. -0.
-0.&&0.&&0. -0. -0.
&&0. -0. -0.&&0.&&0.
&&0. -0. -0.&&0.&&0.
technical efficiency estimates :
& & firm& && && && & eff.-est.
& && & 1& && && &&&0.
& && & 2& && && &&&0.
& && & 3& && && &&&0.
& && & 4& && && &&&0.
& && & 5& && && &&&0.
& && & 6& && && &&&0.
& && & 7& && && &&&0.
& && & 8& && && &&&0.
& && & 9& && && &&&0.
& && &10& && && &&&0.
& && &11& && && &&&0.
& && &12& && && &&&0.
& && &13& && && &&&0.
& && &14& && && &&&0.
& && &15& && && &&&0.
& && &16& && && &&&0.
& && &17& && && &&&0.
& && &18& && && &&&0.
& && &19& && && &&&0.
& && &20& && && &&&0.
& && &21& && && &&&0.
& && &22& && && &&&0.
& && &23& && && &&&0.
& && &24& && && &&&0.
& && &25& && && &&&0.
& && &26& && && &&&0.
& && &27& && && &&&0.
& && &28& && && &&&0.
& && &29& && && &&&0.
& && &30& && && &&&0.
& && &31& && && &&&0.
& && &32& && && &&&0.
& && &33& && && &&&0.
& && &34& && && &&&0.
& && &35& && && &&&0.
& && &36& && && &&&0.
& && &37& && && &&&0.
& && &38& && && &&&0.
& && &39& && && &&&0.
& && &40& && && &&&0.
& && &41& && && &&&0.
& && &42& && && &&&0.
& && &43& && && &&&0.
& && &44& && && &&&0.
& && &45& && && &&&0.
& && &46& && && &&&0.
& && &47& && && &&&0.
& && &48& && && &&&0.
& && &49& && && &&&0.
& && &50& && && &&&0.
& && &51& && && &&&0.
& && &52& && && &&&0.
& && &53& && && &&&0.
& && &54& && && &&&0.
& && &55& && && &&&0.
& && &56& && && &&&0.
& && &57& && && &&&0.
& && &58& && && &&&0.
& && &59& && && &&&0.
& && &60& && && &&&0.
mean efficiency =& &0.
Stata版版规
本帖最后由 蓝色 于
00:24 编辑
同样数据stata的结果，
一样的结果啊
. frontier lnoutput lnlabour lncapital
Iteration 0:& &log likelihood = -17.145284&&
Iteration 1:& &log likelihood = -17.028978&&
Iteration 2:& &log likelihood = -17.027226&&
Iteration 3:& &log likelihood = -17.027225&&
Stoc. frontier normal/half-normal model& && && &&&Number of obs& &=& && && &60
& && && && && && && && && && && && && && && && &&&Wald chi2(2)& & =& &&&173.70
Log likelihood = -17.027225& && && && && && && &&&Prob & chi2& &&&=& &&&0.0000
------------------------------------------------------------------------------
& & lnoutput |& && &Coef.& &Std. Err.& && &z& & P&|z|& &&&[95% Conf. Interval]
-------------+----------------------------------------------------------------
& & lnlabour |& &.2811026& &.0474977& &&&5.92& &0.000& &&&.1880087& & .3741964
& &lncapital |& &.5364803& &.0451735& & 11.88& &0.000& && &.447942& & .6250186
& && & _cons |& &.5616167& &.2025785& &&&2.77& &0.006& &&&.1645701& & .9586633
-------------+----------------------------------------------------------------
& & /lnsig2v |&&-3.123424& &.4892455& & -6.38& &0.000& & -4.082328& &-2.164521
& & /lnsig2u |& & -1.7545& &.4454761& & -3.94& &0.000& & -2.627617& &-.8813826
-------------+----------------------------------------------------------------
& &&&sigma_v |& &.2097766& &.0513161& && && && && && && & .1298775& & .3388288
& &&&sigma_u |& &.4159252& &.0926424& && && && && && && & .2687944& & .6435914
& && &sigma2 |& && & .217& &.0644016& && && && && && && & .0907753& & .3432247
& && &lambda |& &1.982705& &.1329547& && && && && && && & 1.722119& & 2.243292
------------------------------------------------------------------------------
Likelihood-ratio test of sigma_u=0: chibar2(01) = 2.84& &Prob&=chibar2 = 0.046
. predict double u_te, te
. list u_te
& &&&+-----------+
& &&&|& && &u_te |
& &&&|-----------|
&&1. | . |
&&2. | . |
&&3. |& &.726426 |
&&4. | . |
&&5. | . |
& &&&|-----------|
&&6. |&&.7765465 |
&&7. | . |
&&8. |&&.7376817 |
&&9. |&&.8438898 |
& &&&|-----------|
12. |&&.9373949 |
& &&&|-----------|
& &&&|-----------|
& &&&|-----------|
& &&&|-----------|
& &&&|-----------|
& &&&|-----------|
& &&&|-----------|
& &&&|-----------|
54. |&&.7550833 |
& &&&|-----------|
59. |&&.8567043 |
60. |&&.7084284 |
& &&&+-----------+
end of do-file
. sum u_te
& & Variable |& && & Obs& && &&&Mean& & Std. Dev.& && & Min& && &&&Max
-------------+--------------------------------------------------------
& && &&&u_te |& && &&&60& &
.740568& & .1284494& & .351263& &.9373949
热心帮助其他会员
总评分:&经验 + 100&
论坛币 + 10&
学术水平 + 1&
热心指数 + 1&
信用等级 + 1&
Stata版版规
蓝色 发表于
同样数据stata的结果，
一样的结果啊为什么 是 predict double u_te, te，，，，多了double？
蓝色 发表于
同样数据stata的结果，
一样的结果啊为什么 是 predict double u_te, te，，，，多了double？
手册里面的例子是这样写。
模仿就可以啊
Stata版版规
本帖最后由 绿茵战士 于
17:59 编辑
. frontier var1 var2 var3
Iteration 0:& &log likelihood = -229.78277&&(not concave)
Iteration 1:& &log likelihood = -228.96598&&
Iteration 2:& &log likelihood = -228.45918&&(not concave)
Iteration 3:& &log likelihood = -228.33049&&(not concave)
Iteration 4:& &log likelihood = -228.28172&&(not concave)
Iteration 5:& &log likelihood = -228.27613&&(not concave)
Iteration 6:& &log likelihood = -228.27528&&
Iteration 7:& &log likelihood = -228.21538&&
Iteration 8:& &log likelihood = -228.21531&&
Iteration 9:& &log likelihood = -228.21527&&
Iteration 10:&&log likelihood = -228.21527&&
Stoc. frontier normal/half-normal model& && && &&&Number of obs& &=& && && &30
Wald chi2(2)& & =& &&&577.68
Log likelihood = -228.21527& && && && && && && &&&Prob & chi2& &&&=& &&&0.0000
var1& && & Coef.& &Std. Err.& && &z& & P&z& &&&[95% Conf. Interval]
var2& & .0097312& &.0007161& & 13.59& &0.000& &&&.0083276& & .0111348
var3& &-.0243015& &.0091712& & -2.65& &0.008& & -.0422766& &-.0063263
_cons& &-136.5839& &215.1771& & -0.63& &0.526& & -558.3233& & 285.1556
/lnsig2v& & 11.52699& &.6427456& & 17.93& &0.000& &&&10.26723& & 12.78675
/lnsig2u& && &12.899& &.5930779& & 21.75& &0.000& &&&11.73659& & 14.06141
sigma_v& & 318.4592& &102.3441& && && && && && && & 169.6293& & 597.8701
sigma_u& & 632.3851& &187.5268& && && && && && && & 353.6448& &
sigma2& & & && && && && && && && & & &
lambda& & 1.985765& &264.6973& && && && && && && &-516.8115& &&&520.783
Likelihood-ratio test of sigma_u=0: chibar2(01) = 1.96& &Prob&=chibar2 = 0.081
. predict double te , te
(30 missing values generated)
最后(30 missing values generated)是啥意思？？？、
蓝色 发表于
同样数据stata的结果，
一样的结果啊你好，我有时候输出的结果文件是空的，我想请教一下这是什么原因造成的？
初级热心勋章
初级热心勋章
初级信用勋章
初级信用勋章
初级学术勋章
初级学术勋章
中级学术勋章
中级学术勋章
中级热心勋章
中级热心勋章
中级信用勋章
中级信用勋章
高级热心勋章
高级热心勋章
高级信用勋章
高级信用勋章
论坛好贴推荐
&nbsp&nbsp|
&nbsp&nbsp|
&nbsp&nbsp|
&nbsp&nbsp|
&nbsp&nbsp|
&nbsp&nbsp|
为做大做强论坛，本站接受风险投资商咨询，请联系（010-）
邮箱：service@pinggu.org
合作咨询电话：(010)
广告合作电话：（刘老师）
投诉电话：(010)
不良信息处理电话：(010)
京ICP证090565号
京公网安备号
论坛法律顾问：王进律师出自 MBA智库百科()
(重定向自)
全要素生产率（Total Factor Productivity）
　　全要素生产率是指“生产活动在一定时间内的效率”。是衡量单位总投入的总产量的生产率指标。即总产量与全部要素投入量之比。全要素生产率的增长率常常被视为科技进步的指标。全要素生产率的来源包括、组织创新、专业化和等。产出增长率超出要素投入增长率的部分为全要素生产率（TFP，也称总和要素生产率）增长率。
　　全要素生产率一般的含义为（包括人力、物力、）开发利用的效率。从增长的角度来说，与、劳动等要素投入都贡献于经济的增长。从效率角度考察，生产率等同于一定时间内国民经济中产出与各种资源要素总投入的比值。从本质上讲，它反映的则是各国家（地区）为了摆脱贫困、落后和发展经济在一定时期里表现出来的能力和努力程度，是技术进步对经济发展作用的综合反映。
　　全要素生产率是用来衡量生产效率的指标，它有三个来源：一是效率的改善；二是技术进步；三是。在计算上它是除去劳动、资本、土地等要素投入之后的“余值”，由于“余值”还包括没有识别带来增长的因素和概念上的差异以及度量上的误差，它只能相对衡量效益改善技术进步的程度。
　　50年代，获得者()提出了具有特性的总量和增长方程，形成了现在通常所说的生产率（全要素生产率）含义，并把它归结为是由技术进步而产生的。
　　全要素生产率是宏观经济学的重要概念,也是分析经济增长源泉的重要工具,尤其是政府制定长期可持续增长政策的重要依据。首先,估算全要素生产率有助于进行经济增长源泉分析,即分析各种因素(投入要素增长、技术进步和能力实现等) 对经济增长的贡献,识别经济是投入型增长还是效率型增长,确定经济增长的可持续性。其次,估算全要素生产率是制定和评价长期可持续增长政策的基础。具体来说,通过全要素生产率增长对经济增长贡献与要素投入贡献的比较,就可以确定经济政策是应以增加总需求为主还是应以调整经济结构、促进技术进步为主。
　　不过,目前学术界关于全要素生产率内涵的界定还有分歧。本文的全要素生产率是指各要素(如资本和劳动等) 投入之外的技术进步和能力实现等导致的产出增加,是剔除要素投入贡献后所得到的残差,最早由索洛(Solow ,1957) 提出,故也称为索洛残差。在我国,近年来有些学者已开始研究全要素生产率问题,尤其在克鲁格曼(1999) 提出“东亚无奇迹”的论点后,这一问题更引起国内学者的普遍关注。一些学者估算了我国不同时期的全要素生产率增长率,如舒元(1993) 曾利用生产函数法估算我国1952 —1990 年间全要素生产率增长率,得到的结论是,全要素生产率增长率为0102 % ,对产出增长的贡献率为013 %。王小鲁(2000) 同样利用生产函数法估算我国 年间全要素生产率增长率,得到的结论是,1953 —1978 年间全要素生产率增长率为-0117% , 年间全要素生产率增长率为1146% ,对经济增长的贡献率为1419 %。还有一些学者对全要素生产率与经济增长进行了理论思考,如郑玉歆(1999) 对全要素生产率测度和经济增长方式转变的阶段性规律进行了详细讨论,但未给出我国全要素生产率的具体估算。易纲、樊纲和李岩(2003) 提出我国经济存在效率提升的四点证据,指出新兴经济在测算全要素生产率上面临的困难,并给出新兴经济全要素生产率的测算模型,但他们也未给出具体估算。本文在分析比较全要素生产率四种估算方法的基础上,估算出我国1979 —2004 年间全要素生产率增长率,并依据估算结果对此间我国全要素生产率增长和我国经济增长源泉做简要分析。
　　GY=GA+aGL+βGK
　　其中：GY——经济增长率
GA——全要素生产率（技术进步率）
　　举例：如果在生产中投入劳动、资本（包括厂房、机器设备、存货等劳动创造的资本财物）、土地（包括一切自然资源在内）等生产要素共计100万美元，而生产出来的总产量为150万美元。那么，这150万美元的产量是由两个方面的贡献构成的，其中100万美元是由于投入了100万美元的生产要素所引起的，其余 50万美元则是全要素生产率（TFP）的贡献。如果本年度的产量比上年度增长15%，而其中要素投入量的增长为10％，则其余5％就是全要素生产率的增长。
　　全要素生产率的估算方法可归结为两大类:一类是增长会计法,另一类是。增长会
计法是以为基础,估算过程相对简便,考虑因素较少,但主要缺点是假设约束较强,
也较为粗糙;而经济计量法利用各种经济计量模型估算全要素生产率,较为全面地考虑各种因素的
影响,但估算过程较为复杂。
　　() 的基本思路是以为基础,将经济增长中要素投入贡献剔除掉,从而得到全要素生产率增长的估算值,其本质是一种指数方法。按照指数的不同构造方式,可分为代数指数法和(也称) 。
　　1. 代数指数法(AIN)
　　( ,AIN) 最早由( ,1956) 提出,其基本思想是把全要素生产率表示为产出数量指数与所有投入要素加权指数的比率。
　　假设商品价格为Pt ,数量为Qt ,则总产出为PtQt 。生产中资本投入为Kt ,劳动投入为Lt ,资本价格即利率为rt ,工资率为wt ,则总成本为rtKt + wtLt。在完全竞争和假设下,有总产出等于总成本即:
　　PtQt = rtKt + wtLt　　　 (1)
　　但由于技术进步等因素的影响, (1) 式往往不成立,可将(1) 式改写为:
　　P0Qt = TFPt[r0Kt + w0Lt] 　　　(2)
　　其中, r0 、w0 和P0 为基年利率、工资和价格。参数TFPt 为全要素生产率,反映技术进步等因素对产出的影响。由(2) 式可得:
　　　　　(3)
　　(3) 式就是全要素生产率的代数指数公式。后来,经济学家们又提出各种全要素生产率代数指数,它们的形式虽不同,但基本思想是一样的。
　　代数指数法很直观地体现出全要素生产率的内涵,但缺陷也十分明显,主要体现在它虽然没有明确设定生产函数,但暗含着资本和劳动力之间完全可替代,且边际生产率是恒定的,这显然缺乏合理性。所以这种方法更多地是一种概念化方法,并不适于具体(Caves ,Christensen andDiewart ,1982) 。
　　2. 索洛残差法(SR)
　　最早由(,1957) 提出,基本思路是估算出后,采用产出增长率扣除各投入要素增长率后的残差来测算全要素生产率增长,故也称生产函数法。在和希克斯中性技术假设下,全要素生产率增长就等于技术进步率。
总量生产函数为:
　　Yt = &O(t)F(Xt) (4)
　　其中,Yt为产出,
为要素投入向量, xnt为第n 种投入要素。假设Ω(t) 为希克斯中性技术系数,意味着技术进步不影响投入要素之间的边际替代率。进一步,假设F(·)为一次齐次函数即关于所有投入要素都是规模收益不变的。(4) 式两边同时对时间t 求导,并同除以(4) 式有:
　　其中,为各投入要素的产出份额。由(5) 式有:
　　(6) 式就是全要素生产率增长的索洛残差公式,本质上是一个几何指数。各投入要素的产出份额δn 往往需要通过估算总量生产函数加以测算。具体估算中,常采用两要素(资本和劳动力) 的C - D 生产函数:,其中Yt 为现实产出,Lt 为劳动投入, Kt 为,α、β分别为平均资本产出份额和平均劳动力产出份额。两边同时取自然对数有:
　　为误差项,通常我们假设α+β= 1 ,即规模收益不变,则有回归方程:
　　这是一个双对数模型,可以利用OLS 估算。其中资本存量需要测算,测算公式为:
　　Kt = It / Pt + (1 & &t)Kt & 1
　　其中Kt 为t 年的实际资本存量,Kt & 1 为t - 1 年的实际资本存量, Pt 为固定资产投资价格指数, It
为t 年的名义投资,&t 为t 年的固定资产的折旧率。在确定了的初值以及实际净投资后,便可以利用(7) 式给出各年的实际资本存量。这样,利用回归方程(8) ,我们可以估计出平均资本产出份额α和平均劳动力产出份额β,带入(6) 式可以得到全要素生产率增长率。索洛残差法开创了经济增长源泉分析的先河,是的一个重要贡献(Lucas ,1988) 。但它也存在着一些明显缺陷:索洛残差法建立在新古典假设即完全竞争、规模收益不变和希克斯中性技术基础上,这些约束条件很强,往往难以满足;具体估算中,由于资本价格难以准确确定,所以利用资本存量来代替资本服务,忽略了新旧生产效率的差异以及能力实现的影响。此外,索洛残差法用所谓的“残差”来度量全要素生产率,从而无法剔除掉测算误差的影响。上述这些因素都不可避免地导致全要素生产率的估算偏差。
　　由于增长会计法存在着较多缺陷,后人提出很多经济计量方法,以期借助各种经济计量模型和计量工具准确地估算出全要素生产率。本文主要比较两种计量方法,即隐性变量法和潜在产出法。
　　1. (LV)
　　( ,LV) 的基本思路是,将全要素生产率视为一个隐性变量即未观测变量,从而借助状态空间模型(state space model) 利用给出全要素生产率估算。具体估算中,为了避免出现伪回归,需要进行模型设定检验包括数据平稳性检验和。平稳性检验和协整检验的方法很多,常见的有ADF (the Augmented Dickey2Fuller) 和JJ(Johanson and Juselius ,1990) 。由于产出、劳动力和资本存量数据的趋势成分通常是单位根过程且三者之间不存在协整关系,所以往往利用产出、劳动力和资本存量的一阶差分序列来建立回归方程。采用C - D 生产函数,且假设规模收益不变,则有如下观测方程:
　　其中,&DLn(TFPt) 为全要素生产率增长率,假设其为一个隐性变量,且遵循一阶自回归即AR
(1) 过程,则有如下状态方程:
　　&DLn(TFPt) = &&DLn(TFPt & 1) + &t (11)
　　其中,&为自回归系数,满足| &| & 1 , 为白噪声。这样,利用状态空间模型,通过极大似然估计同时估算出观测方程(10) 和状态方程(11) ,从而得到全要素生产率增长的估算值。隐性变量法的最大优点在于,不再将全要素生产率视为残差,而是将其视为一个独立的状态变量,这样将全要素生产率从残差中分离出来,从而剔除掉一些测算误差对全要素生产率估算的影响。同时,在具体估算时,还充分考虑了数据非平稳性带来的伪回归问题。
　　2. (PO)
　　和在估算全要素生产率时,都暗含着一个重要的假设即认为经济资源得到充分利用,此时,全要素生产率增长就等于技术进步率。换言之,这两种方法在估算全要素生产率时,都忽略了全要素生产率增长的另一个重要组成部分———能力实现改善( improvement incapacity realization) 即提升的影响。( ,PO) 也称() 正是基于上述考虑提出的,其基本思路是遵循法雷尔(Farrell ,1957) 的思想,将经济增长归为要素投入增长、技术进步和能力实现改善(技术效率提升) 三部分,全要素生产率增长就等于技术进步率与能力实现率改善之和;估算出能力实现率和技术进步率,便给出全要素生产率增长率。
　　潜在产出法可分为两类:
　　一是(,SFA) ,其中较为流行的方法为Hildreth and Houck(1968) 的() ,这类方法可以很好地处理度量误差,但需要给出生产函数形式和分布的明确假设,对于样本量较少的而言,存在着较大问题(Gong and Sickles ,1992) 。
　　二是( ,DEA) ,这种方法直接利用线性优化给出边界生产函数与距离函数的估算,无需对生产函数形式和分布做出假设,从而避免了较强的理论约束。但这两类方法只适合于,并不能单独估算出某一主体的全要素生产率增长,所以本文没有采用这两种方法。
　　设Ry , t为产出增长率, RTP,t为技术进步率, CRt 为能力实现率, Ryx,t 为要素投入增长所带来的产出增长率, RTFP,t为全要素生产率增长率,则有:Ry,t = RTP,t + &DCRt + Ryx,t (12)且全要素生产率增长率等于技术进步率与能力实现率变化之和,即:
　　RTFP,t = RTP,t + &DCRt (13)
　　能力实现率CRt 测度了现有生产能力的利用程度,反映了现实经济的生产技术效率,通常利用来度量。产出缺口的估算方法很多,目前较为流行的是(Hodrick-Prescott,1990) ,它是通过最小化(T为样本期)&:
　　从而将现实产出的自然对数LnYt 分解为趋势成分(即潜在产出的自然对数和周期性成分
(即产出缺口 ）。
　　如前所述,索洛残差法和隐性变量法估算的全要素生产率增长率就等于技术进步率,鉴于索洛残差法较为粗糙,所以我们利用隐性变量法估算的全要素生产率增长率作为技术进步率RTP ,这样利用公式(13) 便得到全要素生产率的估算。潜在产出法最大的优点在于,全面考虑了技术进步和能力实现改善对全要素生产率增长的影响,且借助这种方法可以更全面地分析经济增长源泉。但它的缺点也很明显,主要体现在它是建立在产出缺口估算基础上,而无论用何种方法估算产出缺口,都会存在估算误差,从而导致全要素生产率增长率估算偏差。
关于全要素生产率内涵界定的分析,请参阅郑玉歆(1999) 与赫尔坦(Hulten,2000) 的著述。
易纲、樊纲和李岩(2003) 较为详细地论述了索洛残差法估算全要素生产率时存在的理论缺陷。周方(2001) 则认为存在着原理性错误。
郭庆旺、贾俊雪(2004a) 详细比较分析了潜在产出与产出缺口的三种估算方法。
本条目对我有帮助53
&&如果您认为本条目还有待完善，需要补充新内容或修改错误内容，请。
本条目相关文档
& 2页& 85页& 2页& 16页& 8页& 2页& 7页& 6页& 12页& 4页
本条目由以下用户参与贡献
,,,,,,,,,,,,,,,.
(window.slotbydup=window.slotbydup || []).push({
id: '224685',
container: s,
size: '728,90',
display: 'inlay-fix'
评论(共3条)提示:评论内容为网友针对条目"全要素生产率"展开的讨论，与本站观点立场无关。
发表评论请文明上网，理性发言并遵守有关规定。}