首页 理论教育 基于SFA模型的回归分析及其检验结果

基于SFA模型的回归分析及其检验结果

时间:2023-06-01 理论教育 版权反馈
【摘要】:为清楚起见,把基于式4.5、式4.8、式4.9和式4.10的SFA模型分别命名为模型1、模型2、模型3和模型4,待假设检验通过后,再确定最终的分析模型。λ服从x2分布,当λ大于临界值时,拒绝零假设,反之接受零假设,临界值采用KODDE&PALM的研究结果。(三)回归结果与分析全国20个百强县市2012-2016年面板数据的描述性统计结果如表4-3所示,数据差异性较大,具有一定代表意义。但由于其显著水平不高,这一估计结果可能不具有代表性。

基于SFA模型的回归分析及其检验结果

(一)SFA模型的确立

根据前面的分析,选择超越对数为生产函数,考虑技术进步的影响,得到如下分析模型:

式中,β0~β9回归系数,t为时间变量,表示技术进步对产出的影响。

技术无效率函数表达式为:

(二)模型合理性假设检验

上述模型是基于超越对数生产函数的最一般表达式,模型是否合理,还需接受如下假设检验:

生产函数是否应该考虑要素之间的交互效应以及非线性特征?如果不考虑,生产函数将不包含二次项,从而退化为简单的柯布-道格拉斯效用函数,模型可表达为:

建立零假设H0:β456789=0。

变量t是否必要?即技术进步是否对产出造成显著影响?如果不存在,模型将变为:

建立零假设H0:β3789=0。

技术是否中性?即要素的变化是否会导致技术的变化?如果技术中性,模型将变为:

建立零假设H0:β78=0。

为清楚起见,把基于式4.5、式4.8、式4.9和式4.10的SFA模型分别命名为模型1、模型2、模型3和模型4,待假设检验通过后,再确定最终的分析模型。

本文采用广义似然比进行假设检验,检验统计量的计算公式为:

式中,L(H0)为零假设H0成立时的对数似然值,L(H1)为备选假设H1成立时的对数似然值。λ服从x2分布,当λ大于临界值时,拒绝零假设,反之接受零假设,临界值采用KODDE&PALM的研究结果。

(三)回归结果与分析

全国20个百强县市2012-2016年面板数据的描述性统计结果如表4-3所示,数据差异性较大,具有一定代表意义。运行Frontier4.0,得到如表4-4所示的四个模型的随机前沿估计结果,模型假设检验结果如表4-5所示。

表4-3 2012—2016年20个百强县经济指标描述性统计结果(www.xing528.com)

表4-4 随机前沿模型估计结果

注:“”“★★”“★★★”分别表示在10%、5%、1%水平上显著,括号内为t值。

表4-5 模型假设检验结果(L(H1)=25.466)

表4-5中三个零假设全部被拒绝,表明生产函数模型中要素之间具有交互效应,技术进步是非中性的,而是渗入生产要素之中,同时技术进步对产出具有一定影响。因此,模型1是比较合适的选择。表4-4显示,模型1的γ值高达0.997,且在1%水平上显著,说明99.7%的误差是由技术无效率因素导致,仅有0.3%的误差来自统计过程的随机误差

根据估计结果,模型1中资本投入要素(K)、人力投入要素(L)以及技术进步(t)的回归系数均为正值,且在1%水平上显著,说明这三个要素对县域科技创新效率具有正向影响,这三个要素每增加1个百分点,分别使科技创新效率增加0.284、0.419、0.093个百分点,人力要素的影响最大,技术进步因素的影响较弱,县域高新企业技术含量还有待加强。

20个县市在2012—2016年间的创新效率描述性统计结果表如4-6所示,图4-2则示出了这些县市的平均科技创新效率变化趋势。

表4-6 县域科技创新效率描述性统计结果

图4-2 2012-2016年20个百强县市平均科技创新效率变化趋势图

从图4-2可以看出,我国县域科技创新效率不高,起伏较大,处于上升阶段,这对于中国整体科技创新来说是一个利好因素。我国目前经济发展处于新常态,经济结构正处于转型升级阶段,县域科技创新效率在曲折中螺旋上升,昭示着中国经济光明的未来。

根据表4-4模型1的估计结果,创新基础设施的回归系数为-0.174,表明创新基础设施每提高1个百分点,科技创新效率将提高0.174个百分点。但由于其显著水平不高,这一估计结果可能不具有代表性。

市场环境回归系数为-0.081,在5%水平上显著,说明市场环境因素目前对县域科技创新效率的提高具有促进作用,但作用并不明显,每提高1个百分点仅使科技创新效率提高0.081个百分点。

劳动者素质回归系数为-0.470,且在5%水平上显著,说明其对科技创新效率的提高促进作用明显,每提高1个百分点可以促使创新效率提高0.47个百分点。中国高等教育的跨越式发展,为县域企业提供了更多的高水平人才,也给县域科技创新奠定了坚实的基础。

金融环境回归系数大于零且在1%水平上显著,表明金融环境对科技创新效率的提高起到了阻碍作用。政府资助经费每提高1个百分点,创新效率将下降0.371个百分点。

所选取的20个百强县市的科技创新效率参差不齐,它们在2012—2016年的平均科技创新效率对比情况如图4-3所示。

图4-3 20个县市科技创新效率对比图

从图4-3可以看出,昆山、常熟、太仓的科技创效率最高,这三个县市多年来一直名列全国百强县前茅,高新科技企业较多,创新能力也比较强。义乌温岭等县科技创新效率较低,这些县的经济主要以小商品为主,科技含量相对较低。总体来看,江苏的几个县市的科技创新效率要明显高于浙江的几个县市,与这些县市的实际发展水平基本相符。

免责声明:以上内容源自网络,版权归原作者所有,如有侵犯您的原创版权请告知,我们将尽快删除相关内容。

我要反馈