本文采用非参数经验贝叶斯方法,基于智利、哥伦比亚和日本制造业数据,估计了异质性的柯布-道格拉斯生产函数,发现企业在要素中性生产率和要素产出弹性上存在显著差异,且两者负相关,且结果在CES和强化版柯布-道格拉斯模型中均稳健。这种异质性对生产率测量、技术采用和上涨幅度估计影响重大,揭示了现有研究忽视的重要维度。
报告题目:Inter-firm Heterogeneity in Production
作者:Michele Battisti, Valentino Dardanoni, Stefano Demichelis
发布日期:2024年11月26日
主题:企业间生产异质性及其对生产函数估计和相关经济学问题的影响
本研究论文关注制造业企业间生产过程中的异质性,区别于传统研究仅仅围绕不可观测的固定效应,本报告创新性地探讨了企业间生产函数中因素产出弹性的异质性。采用智利、哥伦比亚和日本制造企业的实证数据,结合创新的经验贝叶斯(Empirical Bayes, EB)方法对基于Cobb-Douglas生产函数的参数进行估计。
核心发现包含:
报告在JEL分类中对应D24(生产分析)、E23(生产力)、L00(产业组织理论)和C11(贝叶斯统计方法)方面,关键词包括生产函数、经验贝叶斯、生产率。整体目标是引入并验证一种以无参数方式估计生产参数的EB估计方法,探讨技术异质性的经济后果。
关键论点:
报告回溯Marschak和Andrews(1944)提出生产函数参数应作为随机变量处理的理念,但过去研究主要聚焦于不可观测的固定效应,如管理质量,而较少关注因素产出弹性差异。报告强调,若仅考虑因素中性产出率差异,将导致技术选择严格的主导次序,难以解释同一产业内多企业共存。考虑因素产出弹性差异,则不同企业可形成技术互补,体现各自比较优势。
方法论创新:
利用经验贝叶斯方法无参数估计分布,放宽对参数分布的假设,能够有效刻画企业异质性参数的边际和联合分布,包括参数之间及与误差的相关性。
数据与观察:
使用智利、哥伦比亚和日本三国制造业面板数据,采用异质Cobb-Douglas模型。发现两维生产率指标(因素中性和回报率)均显著异质,且高度负相关。
进一步用Bernard和Jones(1996)的TTP度量综合考虑两种类型生产率,发现相较传统TFP度量,跨企业分散度大幅收缩,暗示采用传统TFP度量会高估异质性水平。,
模型构建:
模型设定生产函数Yit=h(Xit;ψi)+ϵit,其中ψi包含企业特定技术参数向量,ϵit为异方差的正态随机扰动。ψ的分布不设定特定形式。
离散化参数空间:
将参数空间离散化成网格组合,形成有限种“企业类型”,参数联合分布用概率向量π描述。
后验概率计算:
结合先验π0和观测数据,通过贝叶斯定理更新求得每个企业属于某类型的后验概率。
EB方法通过设定先验满足“理性期望”:先验自洽且稳定,数学上表述为非线性方程组的唯一稳定不动点π∗,且为最大似然估计。
算法及推断:
通过迭代算法获得π∗后,可计算各参数的边际统计量和企业个体参数的贝叶斯期望值,实现参数的联立无参数估计。,
设定生产函数形式:
yit=αit+βikit+γilit+ξit
其中αit为时间变动的因素中性技术项,具体建模为多项式时间趋势捕捉αi0+αi1t+αi2t2,而βi、γi为企业异质的资本与劳动产出弹性,时间不变。
该设定考虑了时间维度和企业间异质性区分,避免由内生性引起的估计偏误,并结合异方差正态误差项建模。
通过EB方法非参数估计出企业间联合参数分布,既估计均值,也揭示参数分布刻画企业异质性特征。
OLS逐企业估计参数显示极大波动和不稳定性,EB方法通过全样本信息提升估计效率,降低方差。
参数网格划分精细(729,000种参数组合),算法迭代至固定点π∗。
不同国家回报规模平均值有所差异(智利>1,哥伦比亚≈1,日本<1),劳动弹性差异较大,资本弹性相对稳定。
EB估计的均值与经典ACF Translog方法估计较为一致。
但关键在于异质性:EB估计的标准差和90/10百分位差距远大于Translog,表明更高的结构性技术参数异质性。
相关图表(Figures 1-3)显示EB估计产出弹性和截距分布均表现出更宽的尾部和非对称性。
重大发现是,截距(因素中性生产率)与因素产出弹性呈强负相关,暗示拥有高总技术水平的企业往往弹性较低,反之亦然。, , ,
仿真验证(Section 5.1):通过基于日本数据结构的模拟,检验EB方法对异质性参数的估计偏差和均方误差,验证均值估计精确但对异质性方差估计略有偏小,是EB估计已知的特征。
CES生产函数估计(Section 5.2):采用Arrow等(1961)提出的CES函数家族推广CD,增加替代弹性参数σ,验证即使替代弹性有大幅异质,EB方法仍能有效估计,且CD与CES参数估计结果高度一致,均显示强异质性和负相关。
密集型CD模型(Section 5.3):以每位员工产出和资本劳动密集度为变量重新估计,得到类似的结论,特别是拦截项与弹性强负相关。
异质性解释(Section 5.4):通过方差分解发现,行业和企业规模仅解释极小部分参数异质性(一般低于10%),大部分变异存在于行业与规模内部,暗示基于行业或规模假定同质性难以准确表征技术异质性。, ,
总结指出:
描述三国样本关键变量对数值的均值、中位数、标准差和观测数。
关键见解:日本生产规模(劳动力和资本)明显小于拉美两国,中位数和均值均体现出地域产业规模差异。标准差表明样本中企业规模和生产波动稳定。样本量均衡,具备代表性。
列出三个国家EB估计的截距αˉ、资本弹性β、劳动弹性γ、及动态参数α1,α2和误差标准差。
见解:
显著显示EB估计的参数分布更宽广,标准差和90/10百分位比远大于Translog,说明Translog低估产出弹性及因素中性生产率异质性。
图形印证EB估计提供非对称且长尾分布,更接近真实企业技术差异。
比较EB与Translog估计提供的截距、资本弹性和劳动弹性密度。
重要发现:
三国截距与资本及劳动弹性均呈显著强负相关系数(通常在-0.7至-0.8),验证理论非支配技术组合假设。
此结果支撑论文核心发现,解释市场中不同技术路径共存可能。
仿真展示均值估计偏差很小,方差估计略低,符合EB方法文献预期。表明方法准确但存在方差低估。
三国异质系数的均值、标准差和截距-因素弹性相关系数,持续呈现大异质性和强负相关。
行业和规模仅解释小部分方差,多数技术差异发生在企业内部。说明简化假设行业/规模同质存在局限。
显示传统因素中性生产率分布(黄色)、规模回报分布(蓝色)与综合考虑两者的TTP分布(红色)差异。
观察到TTP的分布明显更集中,提示纳入因素弹性异质性校正了过度估计的生产率差异。
展示EB与Translog方法计算的劳动力利润率,EB估计的利润率分布更广泛且差异明显,强调忽略异质性会严重低估企业利润率差异。,
详列CES估计主要参数及其异质性分布及相关性,进一步验证了CD结论的稳健性,相关分布与CD保持高度一致。
本文未采用传统财务估值模型,核心在于非参数统计估计企业生产函数参数分布,侧重技术参数估计、分布特征及其对生产率、利润率测度的影响。
估计方法:
估计结果推断:
报告未专门设风险章节,但可从方法和数据面隐含风险点:
缓解措施:
本报告系统分析了企业间生产函数异质性的实证特征以及对相关经济问题的影响,具体结论如下:
技术异质性显著且结构复杂
三国制造业企业表现出极其显著的因素中性生产率和要素产出弹性异质性,EB方法在参数联合分布非参数刻画上具优势。
截距与因素弹性之间强负相关
各数据源和多生产函数估计均一致显示截距与资本、劳动产出弹性负相关,表明市场技术结构无单一主导技术,支持技术菜单选择理论。
生产率异质性衡量革新
新的TTP指标综合参数异质性,纠正了传统TFP因忽略弹性异质性而产生的生产率差异过大估计问题,提供更合理的跨企业生产率差异度量。
利润率估计的敏感性
基于EB估计的利润率分布更广泛,揭示当前以单一或较简单异质性估计生产函数的利润率测算存在系统偏误。
方法论创新与实施
EB无参数估计方法解决了因小样本中大量参数导致估计偏误和效率低下问题,具有最新理论依据支撑和算法保证收敛的唯一最大似然估计优势。
应用与局限
该方法适用多国、多模型框架,但需较长面板数据支持,且计算复杂性限制了极高维度参数空间的分析。
对产业政策与理论研究的启示
结果为分析技术异质性对市场结构、资源配置效率和生产率差异提供了坚实的实证与理论基础,有助于未来开发更精细的工业组织和宏观模型。
图表深度解读明确了EB方法在数据集上的具体成果和对传统方法的显著改进,特别是图表展示的参数分布、相关结构和市场技术多样性。
综上,报告成功革新了对企业生产技术异质性的定量理解,推动生产率测量、技术选择理论及市场效率等领域研究,具有重要的理论价值和应用前景。, , , ...,
Figure 1: Distributions EB vs Translog Chile
Figure 4: Returns of scale vs Intercepts
Figure 5: Dominated production functions
Figure 6: TTP distributions
Figure 7: Markups comparison
此分析报告着眼于文本与数据的全面解读,力求为研究者、政策制定者及市场分析师提供深层次、多视角的理解依据。
2411.15980.pdf