【科研经验贴】全要素生产率估计：从原理到Stata实操，我踩过的坑都在这了

一、什么是全要素生产率为啥要估计它很多刚接触实证研究的同学可能会问“全要素生产率到底是个啥我为啥要估计它”其实全要素生产率Total Factor Productivity, TFP就是“除了劳动力、资本等投入要素之外能促进产出增长的那些因素”——比如技术进步、管理效率、制度创新等等。简单来说就是“同样的投入为什么有的企业能产出更多有的却不能”那个“额外的”产出增长就是全要素生产率带来的。估计全要素生产率的意义特别大经济增长研究可以分析经济增长的源泉——是靠投入要素的增加还是靠全要素生产率的提高企业绩效研究可以分析企业的核心竞争力——那些全要素生产率高的企业往往有更好的技术、更优的管理政策评估可以分析政策的效果——比如某产业政策是否提高了企业的全要素生产率比较研究可以比较不同地区、不同行业、不同企业之间的全要素生产率差异。二、常见的全要素生产率估计方法有哪些怎么选常见的全要素生产率估计方法有以下几种每种方法都有自己的优缺点和适用场景方法优点缺点适用场景OLS法简单易懂操作方便存在内生性问题估计结果有偏差初步分析或者当内生性问题不严重时FE法固定效应法可以控制个体固定效应解决部分内生性问题仍然存在 simultaneity 和 selection 偏差当个体异质性较大且内生性问题不严重时OP法Olley-Pakes法可以解决 simultaneity 和 selection 偏差对数据要求较高需要有投资数据当数据质量较好且有投资数据时LP法Levinsohn-Petrin法可以解决 simultaneity 和 selection 偏差对数据要求较低存在样本选择问题需要有中间投入数据当数据质量一般且没有投资数据但有中间投入数据时GMM法广义矩估计法可以解决内生性问题估计结果更可靠对工具变量的要求较高操作复杂当内生性问题严重且有合适的工具变量时我一般会先用OLS法做初步分析然后用OP法或LP法解决内生性问题最后用GMM法做稳健性检验。当然具体用哪种方法还要看你的数据质量和研究问题。三、Stata实操手把手教你估计全要素生产率我用Stata自带的企业数据prodmp.dta来演示你可以换成自己的数据。1. 数据准备首先我们需要导入数据看看变量都有啥。Stata代码use prodmp.dta, clear // 导入数据 desc // 描述数据基本信息这个数据里id是企业idyear是年份lny是产出的对数lnl是劳动力投入的对数lnk是资本投入的对数lnm是中间投入的对数age是企业年龄export是出口虚拟变量1表示出口0表示不出口。2. OLS法估计全要素生产率这是最基础的方法直接用OLS回归估计生产函数然后计算全要素生产率。Stata代码reg lny lnl lnk, r // OLS回归估计生产函数 predict tfp_ols, resid // 计算全要素生产率残差结果解读lnl的系数是劳动力的产出弹性lnk的系数是资本的产出弹性tfp_ols就是全要素生产率残差。3. FE法估计全要素生产率FE法可以控制个体固定效应解决部分内生性问题。Stata代码xtset id year // 设置面板数据 xtreg lny lnl lnk, fe r // 固定效应回归估计生产函数 predict tfp_fe, u // 计算全要素生产率个体固定效应残差结果解读lnl的系数是劳动力的产出弹性lnk的系数是资本的产出弹性tfp_fe就是全要素生产率个体固定效应残差。4. OP法估计全要素生产率OP法可以解决 simultaneity 和 selection 偏差但需要有投资数据。Stata代码ssc install opreg // 安装opreg命令 opreg lny lnk, exit(lnl) state(lnk) proxy(lnm) // OP法估计生产函数 predict tfp_op, tfp // 计算全要素生产率参数说明lny产出的对数lnk资本投入的对数状态变量exit(lnl)劳动力投入的对数退出变量state(lnk)资本投入的对数状态变量proxy(lnm)中间投入的对数代理变量。5. LP法估计全要素生产率LP法可以解决 simultaneity 和 selection 偏差对数据要求较低需要有中间投入数据。Stata代码ssc install levpet // 安装levpet命令 levpet lny lnl lnk, proxy(lnm) // LP法估计生产函数 predict tfp_lp, tfp // 计算全要素生产率参数说明lny产出的对数lnl劳动力投入的对数lnk资本投入的对数proxy(lnm)中间投入的对数代理变量。6. GMM法估计全要素生产率GMM法可以解决内生性问题估计结果更可靠但对工具变量的要求较高。Stata代码xtabond2 lny lnl lnk, gmm(lny lnl lnk) iv(age export) // 系统GMM回归估计生产函数 predict tfp_gmm, resid // 计算全要素生产率残差参数说明lny产出的对数lnl劳动力投入的对数lnk资本投入的对数gmm(lny lnl lnk)用滞后变量作为工具变量iv(age export)用外生变量作为工具变量。四、怎么解读全要素生产率的结果估计出全要素生产率后我们可以做以下分析描述性统计计算全要素生产率的均值、中位数、标准差等看看全要素生产率的分布情况趋势分析绘制全要素生产率的时间趋势图看看全要素生产率的变化趋势比较分析比较不同地区、不同行业、不同企业之间的全要素生产率差异影响因素分析用回归分析看看哪些因素影响了全要素生产率——比如技术进步、管理效率、制度创新等等。Stata代码sum tfp_ols tfp_fe tfp_op tfp_lp tfp_gmm // 描述性统计 by year, sort: sum tfp_op // 按年份计算全要素生产率的均值 twoway (line tfp_op year), title(全要素生产率的时间趋势图) // 绘制时间趋势图 reg tfp_op age export, r // 影响因素分析五、论文应用技巧让审稿人眼前一亮多方法对比论文里可以同时报告OLS法、FE法、OP法、LP法、GMM法的结果比较不同方法的差异突出最优方法的优势稳健性检验可以换不同的生产函数形式比如Cobb-Douglas生产函数、超越对数生产函数、换不同的变量定义比如用名义产出还是实际产出、换不同的估计方法验证结果的稳健性可视化可以绘制全要素生产率的时间趋势图、地区分布图、行业分布图让结果更直观解释要接地气别光说“全要素生产率提高了”要解释成“企业的技术进步、管理效率提高了使得同样的投入能产出更多的产品”。六、避坑指南这些坑我都踩过你别再踩了数据质量要高全要素生产率的估计结果对数据质量特别敏感一定要确保数据的准确性和完整性生产函数形式要合理一般用Cobb-Douglas生产函数如果数据允许也可以用超越对数生产函数内生性问题要重视OLS法和FE法都存在内生性问题一定要用OP法、LP法、GMM法等解决内生性问题工具变量要合适GMM法的结果对工具变量特别敏感一定要选择合适的工具变量——比如滞后变量、外生冲击等。