随机前沿生产函数.ppt

随机前沿生产函数.ppt

《随机前沿生产函数.ppt》由会员分享，可在线阅读，更多相关《随机前沿生产函数.ppt（51页珍藏版）》请在冰豆网上搜索。

随机前沿生产函数,随机前沿生产函数,1.生产函数概述2.随机前沿生产函数3.SFA与其他方法的比较4.Frontier4.1,1.生产函数概述,1.1发展进程1.2常用生产函数的具体形式,1.1发展进程,任何生产行为都是在特定的生产技术条件下进行的，这种特定的生产技术关系决定了一个生产过程投入和产出的数量上的对应关系，描述这种对应关系的工具就是生产函数。

从20世纪20年代末,美国经济学Cobb和Doyglas提出生产函数这一名词，并用18991922年生产情况资料导出著名的Cobb-Doyglas生产函数以来，不断有新的研究成果出现。

使生产函数的研究与应用呈现常盛不衰的局面。

生产函数研究的主要成果：

1928年Cobb,DoyglasC-D生产函数1937年DylanerC-D生产函数的改进1953年Shephard距离函数1957年SolowC-D生产函数的改进1960年Solow体现型技术进步生产函数1961年Arrow等两要素CES生产函数,1967年Sato二级CES生产函数1968年Sato,HoffmanVES生产函数1968年Aigner,Chy确定性前沿生产函数1971年Christensen,Jorgenson超越对数生产函数1971年Diewert广义列昂惕夫生产函数1979年Brown,Caves,Christensen多产出超越对数函数1980年Greene最大可能前沿生产函数,1.2常用生产函数的具体形式,把生产函数F（X）具体化，可以得到多种常用生产函数的具体形式。

其中较为常用的有柯布道格拉斯生产函数（C-D生产函数）、线性生产函数、列昂惕夫生产函数、固定替代弹性生产函数（CES生产函数）和超越对数生产函数（Translog生产函数）.,一般常见的函数形式,2.随机前沿生产函数,2.1相关理论知识2.2发展进程2.3随机前沿生产函数2.4估计参量2.5假设检验,2.1相关理论知识,1.生产率（Productivity）：

是指厂商所生产的产出与所需投入的比值。

当生产过程只有单投入、单产出的时候，计算是相当简单的。

当投入多于一个时，为了获得生产率，必须将这些多投入汇成一个单一的指数。

当我们提及生产率的时候，生产率就是指全要素生产率（TotalFactorProductivity），它是一种包括所有生产要素的生产率测量。

2.技术效率（TechnicalEfficiency）：

首先由Farrell（1957）提出的，具体定义如下:

产出规模不变以及市场价格不变的条件下，按照既定的要素投入比例，生产一定量产品所需的最小成本与实际成本的百分比。

当技术效率等于1时我们称之为技术有效。

3.生产前沿面（ProductionFrontier）：

表示的是对于不同水平的投入可以获得的最大产出水平。

也称生产边界，它可以用来定义投入和产出的关系。

4.规模效率（ScaleEfficiency）:

是指资源投入规模对生产效能的影响，即衡量企业是否能够得当的要素投入比例。

5.配置效率（AllocativeEfficiency）：

反映了一个公司合理划分投入成份，并合理安排对应价格和生产技术的能力。

2.2发展进程,20世纪20年代，美国经济学家道格拉斯（PDouglas）与数学家柯布（CCobb）合作提出了生产函数理论，开始了生产率在经济增长中作用的定量研究。

1957年，美国经济学家罗伯特索洛（RSolow）在经济学与统计学评论上发表了技术变化与总量生产函数一文，第一次将技术进步因素纳入经济增长模型。

在定量研究中，索洛将人均产出增长扣除资本集约程度增长后的未被解释部分归为技术进步的结果称其为技术进步率，这些未被解释的部分后来被称为“增长余值”（或“索洛值”），也即为全要素生产率（TFP）的增长率。

1977年，Aigner，Lovell，Schmidt和Meeusen，VandenBroeck分别独立提出了随机前沿生产函数，之后逐渐发展起来的随机前沿生产函数法则允许技术无效率的存在，并将全要素生产率的变化分解为生产可能性边界的移动和技术效率的变化，这种方法比传统的生产函数法更接近于生产和经济增长的实际情况。

能够将影响TFP的因素从TFP的变化率中分离出来，从而更加深入地研究经济增长的根源。

利用随机前沿生产函数法，Schmidt（1980，1986）、Kumbhakar（1988，1990）、Bauer（1990）、Kalirajan（1993）、Batese和Coelli（1988，1992，1995）等对技术效率对TFP和产出的影响做了大量的实证研究。

2.3随机前沿生产函数,传统的生产函数只反映样本各投入因素与平均产出之间的关系,称之为平均生产函数。

测算全要素生产率的传统方法是索洛余值法（SRA）,其关键是假定所有生产者都能实现最优的生产效率,从而将产出增长中要素投入贡献以外的部分全部归结为技术进步（technologicalprogress）的结果,这部分索洛剩余后来被称为全要素生产率。

但是1957年,Farrell在研究生产有效性问题时开创性地提出了前沿生产函数（FrontierProdutionFunction）的概念。

对既定的投入因素进行最佳组合,计算所能达到的最优产出,类似于经济学中所说的“帕累托最优”,我们称之为前沿面。

前沿生产函数（FrontierProdutionFunction）反映了在具体的技术条件和给定生产要素的组合下,企业各投入组合与最大产出量之间的函数关系。

通过比较各企业实际产出与理想最优产出之间的差距可以反映出企业的综合效率。

前沿生产函数的研究方法有:

参数方法和非参方法。

两者都可以用来测量效率水平。

参数方法沿袭了传统生产函数的估计思想,主要运用最小二乘法或极大似然估计法进行计算。

参数方法首先确定或自行构造一个具体的函数形式,然后基于该函数形式对函数中各参数进行计算。

而非参数方法首先根据投入和产出,构造出一个包含所有生产方式的最小生产可能性集合,其中非参数方法的有效性是指以一定的投入生产出最大产出,或以最小的投入生产出一定的产出。

但非参数方法存在的最大局限是:

该方法主要运用线性规划方法进行计算,而不像参数方法有统计检验数作为样本拟合度和统计性质的参考;另外,非参数方法对观测数有一定的限制,有时不得不舍弃一些样本值,这样就影响了观测结果的稳定性。

因此,我们在这里选择参数方法进行前沿生产函数的计算。

在参数型前沿生产函数的研究中,围绕误差项的确立,又分为随机性和确定性两种方法。

首先,确定性前沿生产函数不考虑随机因素的影响,直接采用线性规划方法计算前沿面,确定性前沿生产函数把影响最优产出和平均产出的全部误差统归入单侧的一个误差项中,并将其称为生产非效率。

确定性前沿生产函数模型如下：

其中u大于等于0，因而exp（-u）介于0和之间，反映了生产函数的非效率程度，也就是实际产出与最大产出的距离。

在确定了生产函数的具体形式后，可以计算或估计其参数。

随机前沿生产函数（StochasticFrontierProductionFunction）在确定性生产函数的基础上提出了具有复合扰动项的随机边界模型。

其主要思想为随机扰动项应由v和u组成,其中v是随机误差项,是企业不能控制的影响因素,具有随机性,用以计算系统非效率;u是技术损失误差项,是企业可以控制的影响因素,可用来计算技术非效率。

很明显,参数型随机前沿生产函数体现了样本的统计特性,也反映了样本计算的真实性。

Aigner，Lovell和Schmidt（1977）以及Meeusen和Broeck（1977）都分别提出了如下形式的随机前沿面生产函数：

（1）式中，代表第i家公司的产出；是包含投入对数的K*1向量；是待估参数的列向量；是与技术无效率相关的非负随机变量；为观测误差及其他随机因素,由式

（1）确定的模式被称为随机前面生产函数，产出值的上界是随机变量。

随机误差可以是正值也可以是负值，因此随机前沿面的产出对于前沿面模型的确定部分,是有偏差的。

随机前沿面模型的这些重要特点可以通过图示说明。

为了方便说明，首先要限定只有唯一的投入获得产出。

在这个前提下的科布道格拉斯随机前沿生产函数如下,或或,确定部分,噪声,无效率,图1表示的就是这样一个前沿生产函数，其中表示了两个公司A和B的投入和产出，同时也图示了随机前沿生产函数模型的确定成分，由此来反映其规模报酬递减的特性。

横轴表示投入，纵轴表示产出值。

公司A在投入水平的下得到产出。

而公司B在投入水平下得到产出。

如果没有技术无效率效应（例如如果和都等于0），则A和B两个公司的前沿生产函数产出分别为：

图1随机生产前沿面,噪声影响,无效率影响,噪声影响,无效率影响,0,Y,X,确定性前沿面,XA,XB,从图1中可以很清楚的看到，公司A前沿面产出在生产前沿面的确定值的上方，这是因为噪声效应为正值，而公司B的前沿面产出在生产前沿面得确定值的下方，因为噪声效应为负值。

同样可以看到，公司A的观测产出在前沿面得确定值的下方，这是因为噪声效应和技术无效率效应的总和为负值。

这个前沿面模型的特点可以推广到公司具有多个投入的情形。

特别是（未观测的）前沿面产出均匀分布在前沿面确定部分的上方和下方。

技术效率可以用计算观测产出与相应的随机前沿面产出的比值：

按照这种方法的技术效率取值为01.很明显可以看出，技术效率预测的第一步是估计随机前沿生产函数的参数。

2.4估计参量,通常假设每个与互相独立分布，并且这两种误差与中的解释变量是不相关的。

此外：

（期望为0）（同方差）（不相关）（c为常数，同方差）（不相关）,基于这些假设，可以使用最大似然法（ML）或者修正的普通最小二乘法（COLS）估计参数和随机变量，进而得到技术效率,由于最大似然估计量具有很大令人满意的大样本特征（例如渐进性），它通常要优于其他估计，如COLS。

1.正态半正态模型的ML估计,Aigner、Lovell和Schmidt（1977）基于以下假设得到了最大似然估计：

（1）

（2）式1表明是独立同分布（independentlyandidenticallydistributed）的正态随机变量，服从期望为0,方差为。

式2表明是独立同分布的半正态随机变量，服从参数为。

其中令且。

如果，则不会有技术无效率效应，并且所有与前沿面的偏差都是由噪声造成的。

利用这种参数定义法，对数似然函数为式中，是复合误差；是标准正态分布变量在x评价的累积分布函数。

最后对似然函数求最大值，通常要对未知参量求一阶倒数，然后把它们设定为0。

但是在上式的条件下，由于这些一阶条件是高度非线性的，并且不能得出，和的解析解。

因此必须利用逐步迭代最优化的方法来求似然函数的最大值。

这一过程包括为未知参量选取起始值和系统地修正它们，直到给出参数，的ML估计以及技术效率的估计。

详细过程如下,2.其他模型,利用以下形式来替代式

（2）中的半正态假设也很常见：

（截断的正态分布）（期望为的指数分布）（期望为，自由度为m的伽马分布）截断的正态分布前沿面模型是Stevenson（1980）提出的，而伽马分布是Greene（1990）提出的。

这些模型同样需要逐步最优化来求最大值。

2.5假设检验,在建立模型过程中，要对模型参数以及模型的各种假定条件作检验和判断，常用的检验方法主要有：

t检验、F检验、Wald检验、似然比（LR）检验、拉格朗日乘子（LM）检验等。

t检验:

如果误差服从正态分布，或者当样本容量很大时，能够使用t检测来对单一的系数进行假设检验。

令是向量的第k个分量，c是一个已知常数。

对于原假设与备选假设使用如下检测统计进行检验：

式中，是的估计值；是标准差的估计。

因此，如果检测统计的绝对值大于临界值时，在显著性为100下舍弃；如果备选假设是，当t统计量的值小于时则舍弃；如果备选假设是，当t统计量的值大于时则舍弃。

3.SFA与其他方法的比较,生产率和效率的度量