打开文本图片集
内容提要：基于综合地理距离因素、经济因素和嵌套权重考察装备制造业全要素生产率可能更接近客观事实的认识，本文利用SBM超效率模型，并以邻接、经济、嵌套三种不同空间权重矩阵考察1999-2014年间我国装备制造业全要素生产率的时空分布特征，以此区分我国装备制造业生产效率不同水平的空间集聚特点。结果表明：我国装备制造业全要素生产率在省际层面存在较大差距，且东部地区要远远领先中、西部地区；变化趋势以增长为主要特征，其中，中西部地区明显增长，东部地区出现下降；在邻接和经济权重下具有空间正相关特点，而在嵌套权重下呈现负相关倾向反映出地理因素作用减弱、经济因素作用增强；三种权重表现出略有差异的空间集聚特征，且均具有显著的空间结构化特点。
关键词：装备制造業；全要素生产率；时空特征；空间权重
中图分类号：F260文献标识码：A文章编号：1001-148X（2017）04-0135-08
装备制造业是为国民经济和国防建设提供生产技术装备的制造业，是为国民经济各行业提供技术装备的战略性产业，其生产率发展水平为其他行业的产业升级、技术进步提供重要的保障。从近10年制造业全要素生产率来看，其年均增长率约为2%（毛其淋和盛斌，2013）。
目前，国内对装备制造业全要素生产率的研究十分有限。“地理学第一定律”指出空间观测值都具有一定的空间依赖性与空间自相关特征，而且距离越近的区域观测值之间的依赖性或相关性大于较远区域，因而考察装备制造业的全要素生产率特征时，纳入空间因素将更加贴近客观经济事实。葛鹏飞和黄秀路（2015）利用邻接权重分析了装备制造业技术效率的空间自相关性，研究结果表明，自2006年起，装备制造业各子行业技术效率的空间自相关性逐渐减弱，区域之间行业存在的空间溢出效应发挥不足。现实状况是经济发展水平相似的区域更能够吸收利用资源，呈规模报酬递增状态，因而利用经济因素所获得的权重结果比纯地理距离或邻接权重结果更能够反映客观事实。不过，李婧等（2010）指出，经济发展水平高的空间单元对经济发展水平低的单元会产生更强的空间辐射作用，因而综合地理距离因素和经济因素的嵌套权重更能够接近客观事实。基于此，本文采用邻接、经济、嵌套三种权重形式，探究我国装备制造业全要素生产率的空间集聚特征，以此区分我国装备制造业发展的局域性中心区域与全国性领先区域，为更好地发展产业集聚所具有的空间溢出效应提供理论依据。
一、研究方法与模型
（一）SBM超效率模型
早期用来测算全要素生产率的方法主要是基于经济计量的索洛余值法（SRA）。例如冯梅（2008）运用索洛余值法对我国装备制造业七个子行业1996-2006年的全要素生产率情况进行测算。但是，由于索洛余值法假设太过苛刻，Coelli（1995）认为采用索洛余值法（SRA）测算的全要素生产率（TFP）结果是有偏差的。近年来中外学者研究全要素生产率大多采用随机前沿分析（SFA）和数据包络分析（DEA）。王永保（2007）、刘靖宇和张宪平（2007）、牛泽东等（2012）采用随机前沿分析方法（SFA）测算了我国装备制造业在省际层面的生产效率。由于随机前沿分析（SFA）需要对生产函数形式进行假设，但是生产函数形式因人而异，随机前沿分析（SFA）测算的结果往往差异较大。因而，李星光与于成学（2009）、王欣（2010）、陈爱贞和钟国强（2014）利用数据包络分析法（DEA）的基础（CCR和BCC）和拓展（超效率、Malmquist指数）的模型，从省际、行业、区域等各个层面对我国装备制造业的全要素生产率进行了测算；任曙明和吕镯（2014）利用ACF法测算了我国装备制造业的生产效率，分析了融资约束、政府补贴对装备制造业生产效率的影响程度。
数据包络分析（DEA）是基于决策单元（DMU）间相对比较的非参数技术效率分析方法，其在分析多投入多产出情形中具有独特的优势。但是，在传统DEA模型分析中，往往存在多个决策单元（DMU）被评价为有效的情况，传统DEA地处的效率值最大为1，这些有效的决策单元（DMU）的效率高低无法进行进一步地区分。Andersen和Petersen（1993）提出的“超效率”模型，能够对所有效率值大于1的决策单元（DMU）进行区分。传统DEA模型中并没有考虑投入产出松弛变量可能产生对结果可靠性的影响，因而其效率值可能存在一定的偏差。Tone 提出的非径向的DEA模型-SBM模型，将松弛变量加入目标函数，这使得结果更加具有可靠型。
本文采用基于规模报酬可变（VRS）和非导向（Non-oriented）的SBM超效率模型，不仅能够区分有效决策单元（DMU）之间存在的效率差异，而且还能解决传统模型中对无效率的测量没有包含松弛变量的问题，其模型设定如下：
其中，δ*为决策单元（DMU）的全要素生产率，m、s分别表示投入和产出的松弛量个数，λ为权重向量，xij为第j个省市的i项投入，yrj为第j个省市的r项产出。
（二）空间自相关
由于产业间存在的投入产出联系、区域间形成的专业化劳动力市场共享、区域间的交通通讯技术改善等因素，使得某一区域产业发展明显受到其他邻近区域产业条件的影响，致使产业越来越表现为区域性集聚，而不是单一省市的集聚，从而形成区域间的产业链一体化。为衡量区域之间产业发展的相关程度，采用空间统计中的莫兰指数进行表示。
莫兰指数主要用来解释区域属性值的空间相关性，取值范围为[-1，1]，当Molan’s I>0时，表示空间正相关，具有相似属性值（高高或低低）的区域空间集聚；当Molan’s I<0时，表示空间负相关，说明异质性数据（高低或低高）空间集聚；当Molan’s I=0时，表示不存在空间相关性，属性值处于随机分布状态。Molan’s I的绝对值大小衡量的是空间相关程度，绝对值越大表示相关程度越大，反之亦然（田毕飞等，2016）。莫兰指数计算公式为：