2008年-世界发展银行全球_Heterogeneous_Technology_and_Panel_Data___The_Case_of_the_Agricultural_Production_Function_48页_296kb

总结：异质性技术与面板数据在农业生产函数中的应用

核心内容

本研究探讨了在面板数据框架下，如何利用异质性技术模型来估计农业生产函数。传统研究多采用同质性技术假设，而本文则认为，农业生产的实际技术选择是内生的，并受到多种状态变量的影响。因此，通过引入异质性技术模型，可以更准确地捕捉技术变化和资源分配对农业增长的贡献。

主要观点

1. 农业生产函数的估计方法

   • 本文使用面板数据进行农业生产函数的估计，引入了农业资本这一在多数研究中未被充分考虑的变量。
   • 采用异质性技术模型，认为技术选择是与投入变量共同决定的，而非单一的生产函数。
   • 技术选择依赖于预定的状态变量，这些变量包括制度、激励、技术和物理环境等。

2. 技术与生产要素的相互作用

   • 技术的变化不仅影响产出，还影响投入的配置和规模。
   • 总要素生产率（TFP）增长是农业增长的重要驱动力，占整体增长的59%。
   • 农业资本的增加对产出增长有显著贡献，表明资本在农业发展中的重要性。

3. 状态变量的作用

   • 状态变量如制度、文化、地理、市场整合等，对农业增长和生产率变化具有重要影响。
   • 制度变量被定义为人类设计的规则，包括财产权保护、合同执行和信息传播。
   • 状态变量在模型中可能作为外生变量或工具变量，用于处理内生性问题。

4. 统计模型与估计方法

   • 本文提出了一个基于Cobb-Douglas形式的农业生产函数模型，并引入了分配误差以识别技术变化对产出的影响。
   • 使用面板数据的结构，通过内生变换（如固定效应模型）来处理国家和时间效应。
   • 异质性技术模型允许参数随状态变量变化，从而提高了估计的准确性。

5. 生产函数的分解与识别

   • 产出增长可以分解为总要素生产率（TFP）和资本积累的贡献。
   • 由于技术选择的内生性，传统的生产函数估计方法可能无法准确反映真实的技术变化。
   • 分配误差的存在使得模型参数对状态变量具有依赖性，因此TFP的增长并非独立于技术变化，而是其结果。

关键信息

• 数据来源：

  • 使用1990年美元计算的农业GDP作为产出指标。
  • 农业资本分为固定资本（如基础设施）和农业来源资本（如牲畜和树木）。
  • 投入变量包括土地、资本、劳动力和化肥。
  • 状态变量包括制度、激励、技术和经济环境等。

• 技术指标：

  • 以单位土地的产量（即峰值产量）作为技术水平的代理变量。
  • 通过帕氏指数（Paasche index）衡量不同国家和商品的产量变化，以反映潜在产出。

• 制度与激励变量：

  • 制度变量采用Freedom House的“政治权利”和“公民自由”指数，范围为1到7。
  • 激励变量包括农业部门与整体经济之间的贸易条件及其变动，以衡量市场激励的变化。

• 模型估计与结果：

  • 模型估计中，使用了多种投影矩阵（如W(it)、B(i)、B(t)）来处理国家和时间效应。
  • 通过将数据转换为对数形式，可以更清晰地识别生产函数的参数。
  • 由于状态变量的影响，TFP增长并非独立于技术变化，而是其结果，因此不能简单视为增长的驱动力。

• 政策含义：

  • 理解农业增长的机制对于制定有效的农村发展政策具有重要意义。
  • 本文强调了资本积累和技术进步在农业增长中的双重作用，同时也指出制度和激励因素对农业生产的深远影响。

结论

本文通过异质性技术模型和面板数据方法，重新审视了农业增长的驱动因素。结果显示，总要素生产率增长和资本积累共同推动农业增长，其中TFP增长占主导地位。同时，研究也指出，状态变量如制度、激励和技术对农业生产的实际影响远比传统模型所认为的更为复杂和重要。因此，未来的农业增长研究应更加关注这些因素的综合影响。