基于DEA的马来西亚制造业生产效率提高的研究

Renuka Mahadevan

Department of Economics, The University of Queensland, Brisbane, Australia

摘要： 本文为了解释马来西亚制造业行业生产效率的提高，使用了1981-1996年28个行业的面板数据。这里采用数据包络分析方法计算和分析全要素生产率的Malmquist指数，进一步理解技术、技术效率、规模效应的改变。这需要鉴别效率增长的来源，对于模型制定来说也是十分重要的。我们发现马来西亚制造业年均TFP增长率低，仅在0.8%的水平而且这主要是来源于制造业接近最合适的规模时，技术变化和效率的小部分收益。

关键词：全要素生产率提高； 技术变化； 技术效率；规模效应；数据包络分析

1.引言

在1997年金融危机之前，马来西亚被吹捧为下一个第一的新兴工业经济体。马来西亚的经济水平不仅仅在70年代GDP增长率保持在7.7%，1987-1996年期间8.8%，而且成功的从60年代一个自然资源密集型工业为基础的国家在70年代末变成了一个以制造业为主的国家。近年来，出现了明显的劳动力密集型制造业向中等水平的资本密集型制造业转移，自80年代中期以来，这极大地吸引了很大一部分外商直接投资（FDI）

尽管马来西亚的制造业产出贡献从1979年的19.3%水平增加到1996年对本国GDP产出的34.2%水平，关键问题是，这样的增长能持续多久呢？在本文的内容中，需要研究制造全要素生产率（TFP）增长绩效，因为TFP的提高是其中一种衡量产出可持续性增长的指标，根据长期投入增加，报酬递减的规律。已有越来越多对马来西亚制造业TFP增长的研究，并已得出了一些主要的结论，如下。当世界银行公布了1981-1984年TFP增长率1.9%，研究如Okamoto(1994)和Tham(1996,1997)表明直至80年代末，TFP增长将不会超过0.3%。同时，1999生产率报告和Mahadevan(2001b)证明了80年代至80年代期间的下降趋势。

至今，只有Mahadevan(2001b)使用了随机前沿分析方法，计量估计马来西亚制造业行业的生产函数，去估计28个制造业行业的TFP增长率。其他所有的研究使用了非参数方法来分析。本文将采用数据包络分析方法作为替代方法，基于非参数前沿的方法。前沿被定义为各种投入组合能使产出最大或最小的集合。因此，一个行业的投入产出组合落在效率前沿上，则成该企业是有效率的。在这样的研究情下，根据Fareet al.(1994), DEA允许构造最优前沿，建立在马来西亚制造业行业样本数据的基础上。每个行业将会分别与模型和最优前沿比较，只要一个行业向效率前沿越来越接近，那么越来越多的行业将会成功的追赶上来，这是因为更好的使用了技术和生产设备。效率改变的前沿形式包括了追赶和行业经历的技术改变。其中一个要注意会产生的问题是，以行业为基础的研究，即资本密集型和劳动密集型行业可能会导致生产效率指标的选取的偏差。但是这也很难避免因为以企业为基础的数据还未能在马来西亚制造业行业中提供。

DEA方法是由Charnes et al.(1978)等学者在“相对效率评价”概念基础上发展起来的一种新的系统分析方法。DEA使用线性回归方法去计算TFP增长的Malmquist指数，选择这个方法是基于以下几个原因。第一，DEA方法是在以往研究中使用的Translog index 上的一个主要改进。根据Fried et al.(1993)等人的研究，Translog Index有瑕疵的因为它忽略了技术的无效性而且仅仅计算了技术变化，这对于TFP增长的诠释是不够精确的。然而关于生产效率理论研究中，显示TFP的增长是由两部分组成，一是技术改变（前沿变化），二是技术效率（追赶效应）。进一步来说，Translog Index方法计算了所有对于产出增长有贡献却不能解释投入增长的余量，进而得出了TFP的增长。与索洛余值方法不同，这次试验采用DEA方法很重要，因为它能够找到TFP增长的来源，而且也能更好得出模型估计结果，因为它还能同时解释特定的TFP低增长原因

第二，DEA方法相对于同时计算技术效率和技术改变对于TFP增长的随机前沿方法来说有一些有点。研究如Fare et al.(1989),Chaves and Cox(1990), Callan(1991)表明非参数放在某些情况下能比参数方法表现的更好。其中一个重要的优点就是DEA包络分析方法考察了投入-产出数据，不用函数形式的指标事先检验。对于生产函数的不同定义在参数方法中会产生不同的结果，这也是一个很重要的方法性问题。此外，Felipe（1990）研究表明关于生产函数模型的构造缺乏理论依据，而且它也仅仅表示了一个等式的增加值。

另一个优点就是DEA方法的本质即非参数允许了它集中在揭示最优实践前沿而不是在某部分集中趋势前沿上。而且，正如Gong和Sickles(1992)讨论的，DEA相对于计量方法更有吸引力，因为无效性很有可能与投入有关。最后，DEA方法可以为规模经济提供相关的信息而不需要搜集价格数据。然而，DEA方法也不是没有缺点的。缺点则包括了：第一，计算错误和数据噪点假设是不存在的。第二，它不适用于计量方法中任何一种数据检验方法。

本文的主要目的是使用DEA方法去计算TFP增长和进一步解释这个增长是由于技术改变，技术效率的改变还是规模效率改变造成的，去更好的理解生产效率提高的源泉，为马来西亚制造业提出一些政策制定的建议。文章内容的安排如下，下一部分将会介介绍Malmquist TFP增长指数和DEA方法。关于模型和数据变量的问题将会在第三部分讨论。第四部分显示了实证分析结果第五部分给出结论。

2.研究方法

Malmquist指数是距离函数的比值。这里，产出距离函数考虑了产出扩张的最大比例，考虑了投入。更详细来说，Malmquist TFP指数衡量了两个数据点之间TFP增长的改变，通过计算两个数据点之间距离比例的相关共线性。按照Fare et al.(1994),产出指向的Malmquist TFP改变指数在s时期和t时期的表达式如下

表达式从表示了t时期观测值到S时期观测值的距离。y代表产出，x代表投入。Malmquist指数大于1是，表明生产率呈增长趋势，反之则为下降趋势。另一种相同的生产率指数表达式可以写为

这个表达式中第一项度量了产出指向的变化在Farrell技术效率s时期至t时期效率的变化。也就是说，技术效率的变化相当于Farrell技术效率在t时期和s时期的比率。上式中剩余部分衡量了技术改变，通过几何图形显示出这两个时期的技术改变，计算xt和xs。换言之，TFP增长率可以被解释为

根据Grifell-Tatje和Lovell(1995)，规模报酬不变（CRS）方法必须在估计上述距离函数时使用，为了准确计算出Malmquist TFP指数。根据Fare et al.(1994)，这种情况可以在规模报酬改变（VRS）方法下放宽，从CRS和VRS方法计算规模效应中的技术效应，通过以下方式：

因此,Fare et al.(1994)分析了追赶效应(根据CRS方法下技术效率改变的情况)，深入到纯技术效率改变（根据VRS方法下技术效率改变的情况）以及规模效应改变，也就是，

这要求计算（3）式中分解因素，通过使用数学上线性回归的方法（LP），也叫DEA。要求计算出四个LPs，在固定规模报酬效应中的不同行业。因为本文选取的样本包括了16年的数据，即对于每个行业需要计算出46个LPs。LPs 的表示：

为了求得（4）式中的分解因素，以上的LPs的计算必须通过规模报酬可变的情况，另外加入作为对所有LPs的一个限制条件。

3.数据来源

资本、劳动力、工业增加值的数据马来西亚统计局制造业行业年度调查结果。由于资本支出的数据未出版，固定资产可以用来代替，劳动力则使用从业人员数。制造业行业的工业增加值应该采用GDP平减化处理，资本变量也应使用国内固定资本平减方式处理。平减指数以1978年为基期，数据来源于马来西亚统计局出版的统计年鉴。表1给出了制造业行业的概括统计量。

可以看出就增加值来说，大型行业有机电，化工制品和食品制造业。然而，相对来说劳动力密集型的行业，即较低的资本劳动比率，包括家具装配业，机器及电气机械制造业。

4.实证结果

使用（3）式和（4）式，TFP增长首先由前沿和追赶效应来解释，接着可用纯技术效率的改变与规模效率改变来解释追赶效应。表2总结了效率增长速度的平均值，指出各个制造业行业1981-1996期间的变化。

TFP增长的平均权重（使用不同行业工业增加值份额作为权重）低，在8%，在整个行业水平来看，所有行业只有石油炼制行业有一定程度的TFP增长。石油炼制行业也是唯一一个行业有回归前沿效应，这可以被解释为，考虑到来自新加坡高度发展和大容量的冶炼行业的激烈竞争，马来西亚可能决定不会采用更完好的设备和技术去追逐这个市场，而去使用相对较老的技术也许会更有效。最高的TFP增长则在有色金属行业（3.7%），其次是皮革制造业（3%），然而制鞋业，纺织业，化工和玻璃制造业仅显示低于0.5%的增长。至于技术效率变化，只有纺织业，石油和玻璃制造业没有任何提升。从纯技术效率改变来看，食品行业有所下降，石油、石油及其他制品和煤矿产品行业则显示没有任何变化。

28个行业中的18个行业，基本上TFP增长都是来自追赶效应（技术效率改变）而不是前沿效应(技术改变)。这意味着边学边做的好处或者说技术使用知识的实际传播效果比单纯使用更好的技术或者生产设备能获多的收益。因此，他们面临着很小的可能性去继续使用更好、更先进的技术，所以说前沿效应的作用很小。另一方面，这些行业几年间使用相似的技术，根据已有知识，最有效的使用他们已有的技术，能获得产出收益，因此追赶效应更家显著。考虑到规模效应的改变，总体价值非常接近的行业显示运营到最理想的规模而且经历过规模报酬不变。

表3显示了制造业行业TFP增长的构成要素，通过不同时间段来研究效率改变的趋势。

可以看出TFP增长率从1981-1984的0.4%增加到1987-1990的2.1%，在这之后90年代下降到0.5%。这个趋势很大一部份是收到追赶效应趋势的影响。另一方面，规模效应的改变总体水平已接近1，暗示着规模报酬不变是贯穿着1981-1996年间的主要特征。尽管1991-1996年的平均水平，大多数TFP的增长是受到技术效率而不是技术改变驱动，然而这也是与80年代这十年的情况相符的，有趣的是，TFP增长的来源在90年代中期相反了过来。这个发现是从以下的观察得出的。当技术改变增加时，从纯技术效应获得的收益就会随着时间下降。这又应该如何解释呢？

在1986年颁布的投资法中，其中有提到一个尝试，对于外资参与更加开放，为了追求出口导向的增长策略，大量的FDI直接流入马来西亚，给当地带来了更好的技术和设备，由此提高了技术改变。除此之外，Ghani 和Suri（1999）解释银行贷款的激增使资本积累能更加快速。然而，自从80年后期对国外技术的掌握程度没有紧随大量的技术流入，因此反映在纯技术效率的收益减少。同时，Guyton(1995)和Menon(1998)也证明了马来西亚的FDI流向在低技术，装配，检验及试验活动。因此，这可能会限制更好的技术使用在这些生产活动中，也就意味着只有马来西亚转向高附加值的生产活动才能大规模使用新科技。所以，马来西亚应该有选择性的引入FDI，给予外资企业一定的激励，通过免税期、工人培训补贴，当地开展研发活动的机会。而且这样也能够抚平和快速转化技术水平，马来西亚应该增加国内Ramp;D支出。实际上，这项支出的增加仅仅超过马来西亚GDP的1%，尽管政府已经制定了Ramp;D目标，是到2000年占GDP的2%，这个比例已经减少到1.5%。

另外，Lall(2001)观察到马来西亚的教育结构不能满足行业技术需求。高等教育入学率仅仅从1960年低于2%的水平增加到1992的6%左右（亚洲发展银行，1998）。Tham(1997)解释1990年出现的双学位课程对此有一定的帮助但是还未能很好满足对技术劳动力的需求。但是获得成熟劳动力和不成熟劳动力，通过从印度尼西亚和邻国的流动劳动人口有挺大的约束（世界银行，1995；Thame，1997）这对于FDI是一个主要的激励因素，这样不仅能生产少量资本密集型商品而且能够降低培训工人的成本。如果员工没有具备相关的技术，制造业行业就不能生产出达到他们最大潜力的产品，这会减少纯技术效率的收益。

根据Rasiah(1995),为了提供给MNCs对高附加值生产的供应商和服务结构需求，提高国内生产贡献和技术活动也是很重要的。也有少量研究表明后向联系影响了MNCs企业对当地企业低采购率，通过内部采购的方式或者寻求外包机会还是存在的(Narayanan and Wah,2000)。例如，内部投入进口从1980年到1990年增长了差不多三倍，而且是1993年的两倍，在1996年再次出现这种情况。因此，马来西亚政府应该提供给当地企业升级提供适当的环境，为MNCs去群寻求当地企业成为供应商或者合资伙伴，这种积极的连锁效应会为双方关系打下基础。

下一个部分更深入的研究了每个行业的追赶效应通过制成平均效率分数表（表4）

技术效率揭示了不同行业间追赶行为的巨大差异，同时标准差表明了不同时期每个行业的差异。烟草制造业平均达到最大潜在产出的77%水平，效率最低的行业是在纺织业，产出增加到62%没有增加投入的情况下。28个行业中10个行业运行低于的

剩余内容已隐藏，支付完成后下载完整资料

A DEA Approach to Understanding the Productivity

Growth of Malaysiarsquo;s Manufacturing Industries

RENUKA MAHADEVAN r.mahadevan@economics.uq.edu.au

Department of Economics, The University of Queensland, Brisbane, Australia

Abstract. This paper seeks to explain the productivity growth performance of Malaysiarsquo;s manufacturing sector using a panel data of 28 industries from 1981–1996. Here, the data envelopment analysis technique is used to calculate and decompose the Malmquist index of total factor productivity (TFP) growth into technical change, change in technical efficiency and change in scale efficiency. This allows the identification of the sources of productivity growth which is crucial for policy formulation. It was found that the annual TFP growth of the Malaysian manufacturing sector was low at 0.8% and this was driven by small gains in both technical change and technical efficiency, with industries operating close to optimum scale.

Keywords: total factor productivity growth, technical change, technical efficiency, scale efficiency, data envelopment analysis

1. Introduction

Before the 1997 financial crisis, Malaysia was often touted to be the next first-tier newly industrialising economy. The Malaysian economy has not only sustained a GDP growth rate of 7.7% in the decade of the 70s and 8.8% in 1987–1996, but was also successful in moving from a natural resource-rich primary industrial-based country in the 1960s to that of a manufacturing dominant economy by the late 70s. Of late, there has been a clear move from labour intensive manufacturing operations to mid-level capital intensive manufacturing operations and this has been significantly helped by the large foreign direct investment (FDI) that Malaysia has attracted since the mid 80s.

Although Malaysiarsquo;s manufacturing output has grown from contributing about 19.3% in 1979 to 34.2% of its GDP output in 1996, the key issue is, how sustainable is this growth? In this context, one needs to study the total factor productivity (TFP) growth performance of the manufacturing industries as TFP growth is one of the measures of sustainable output growth, given the diminishing returns nature of input growth in the long run. The interest in TFP growth studies on Malaysiarsquo;s manufacturing sector has been increasing and some of the key results are as follows. While the World Bank (1989) showed a TFP growth rate of minus;1.9% for 1981–1984, studies such as Okamoto (1994) and Tham (1996, 1997) show that TFP growth did not exceed 0.3% for the late 80s. Also, a declining trend in the 80s to mid 90s was evidenced by The Productivity Report 1999, and Mahadevan (2001b).

To date, all but Mahadevan (2001b) has used the stochastic frontier approach to econometrically estimate the production function of the Malaysian manufacturing sector to obtain

TFP growth estimates for 28 manufacturing industries. All other studies have used the nonparametric translog index approach for their analysis.1Here, the data envelopment analysis (DEA) is used as an alternative technique underlying the nonparametric frontier approach. The frontier is defined as a set of best obtainable positions obtained as a lo- cus of constrained maximum or minimum values. Thus an industry which operates on the production frontier is said to produce its potential or maximum output by following the lsquo;best practicersquo; techniques given the technology. In the context of this study, following Fauml;re et al. (1994), the DEA allows the construction of the lsquo;bestrsquo; frontier based on the data from the Malaysian manufacturing industries in the sample. Each industry is compared to the lsquo;modelrsquo; or lsquo;bestrsquo; frontier and the closer an industry gets to the best frontier, the more the industry has been successful in lsquo;catching-uprsquo; and this is due to better use of technology and equipment. How much the best frontier shifts at each industryrsquo;s observed input mix is termed as technical change and this is due to the use of better technology and equipment. The frontier version of productivity change consists of the lsquo;catching uprsquo; and technical

change experienced by the industries. One caveat arising from this industry-based study is that capital-intensive industries are compared to labour-intensive industries and this may lead to biasedness in productivity indices. But little can be done about this since firm-level data is yet to be made available for the Malaysian manufacturing sector.

The DEA methodology was initiated by Charnes et al. (1978) who built on the frontier concept pioneered by Farrell (1957). DEA which uses linear programming techniques to calculate the Malmquist index of TFP growth is chosen for the following reasons. First, DEA is a major improvement over the translog index approach used by previous studies. As shown by Fried et al. (1993), the translog index approach is flawed since it ignores technical inefficiency and only calculates technical change, which is inaccurately interpreted as TFP growth. But in the productivity literature, TFP growth is shown to be composed of both technical change (frontier shift) and technical efficiency (catching up effect). Furthermore, the translog index approach calculates TFP growth as a residual measuring lsquo;anything and everythingrsquo; of output growth not accounted for by input growth. Unlike the residual ap- proach, this exercise using DEA is important as it is able to identify the sources of TFP growth and this enables better policy prescriptions since they can be made rather specific to the particular source of low TFP growth.

Second, the DEA has some advantages over the stochastic frontier approach which calculates both technical efficiency and technical change components of TFP growth. Studies such as Fauml;re et al. (1989), Chaves and Cox (1990), and Callan (1991) show that nonparametric techniques outperform parametric techniques in some situations.

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[287293]，资料为PDF文档或Word文档，PDF文档可免费转换为Word