我国对RCEP成员国的OFDI效率测度与影响因素分析

2022-08-12 14:31王甜甜
中国商论 2022年15期
关键词:伙伴国效率模型

王甜甜

(西安外国语大学经济金融学院 陕西西安 710128)

1 引言

RCEP是东盟在2011年2月提出,目标是在东盟现有的5个“10+1”FTA基础上,构建一个涵盖16国的全面的、高质量的、互惠的区域自由OFDI协定。RCEP对各个成员国都具有深远的意义,主要体现在OFDI便利化和技术合作等方面。RCEP不仅有利于我国经济的复苏及OFDI的增长,还有助于促进我国供给侧结构性改革,提高我国的OFDI效率与国际竞争力(沈铭辉和郭明英,2021)。另外,RCEP的签订能够提高各国的经济福利,推进多边OFDI体制,为促进区域经济一体化发展提供了良好的机遇(杨娜,2020)。

近几年RCEP引起了学者的广泛关注。目前,针对RCEP的研究集中于理论分析,多对RCEP动因、挑战与中国的举措进行分析。郑学党和庄芮(2014)认为,推进RCEP为有效整合亚太地区经济合作机制的现实需要和为平衡由美国主导的TPP的战略需要,RCEP面临着整合5个“10+1”FTA并达成高水平的区域OFDI协定的挑战,中国应该实现RCEP与中韩FTA、中日韩FTA的相互促进,并加强与RCEP成员国的产业合作。盛斌和果婷(2015)认为,在面向亚太经济一体化的多条路径中,RCEP为我国目前最优的选择,我国要有效发挥东亚国家的多重合作机制,积极推进RCEP,同时处理好由美国主导的TPP。平力群(2020)认为,RCEP的签署将给受新冠疫情与贸易保护主义冲击的世界经济注入新的动力与支撑。部分学者比较研究RCEP和TPP。陈淑梅、全毅(2013)深入探究RCEP与TPP分别对亚太经济一体化进程产生的影响,认为TPP没有全面考虑东亚地区国家之间存在的差异,而RCEP是东亚地区为平衡由美国主导的TPP战略需要,排他性较强的TPP有可能会导致东亚地区国家的分裂。邹国勇和吴琳玲(2016)认为面临TPP和RCEP带来的挑战,中国-东盟自贸区将会处在贸易转移效应加大的困境之中。如果有更多的东盟国家加入TPP,那么TPP带给中国的贸易转移效应就会更加明显,尤其是对机电产业的制成品。

此外,部分学者实证研究了我国对外直接投资产生的影响,主要使用空间计量模型和随机前沿引力模型进行探究。赵翊钧和邓茜(2021)使用空间面板杜宾模型分析了我国对RCEP成员国直接投资的影响因素。研究表明,我国对RCEP成员国直接投资具有显著的空间溢出效应,且伙伴国的出口规模和贸易成本能显著促进我国对RCEP成员国的直接投资。孙宇和刘海滨(2020)利用空间杜宾模型,研究了我国在2004—2016年对外直接投资的影响因素与空间效应。得出结论,人均GDP、地区企业出口和人口规模等对OFDI均存在正向影响,且与OFDI存在空间正相关性。田泽等(2021)使用随机前沿模型,探究了我国在RCEP框架下的OFDI前沿水平与影响效率损失的因素。结果表明,我国对RCEP成员国的直接投资效率水平影响较低,RCEP伙伴国的经济发展水平与直接投资水平有正相关关系,技术研发水平与OFDI效率负相关。屠年松和王浩(2019)通过随机前沿模型,测算了我国对东盟直接投资的效率和影响以及对东盟直接投资的非效率因素。研究显示,我国对东盟直接投资的效率处于较低水平,但呈现出逐年递增的趋势,影响我国对东盟直接投资的非效率因素逐年递减。相比随机前沿引力模型而言,超效率DEA法客观性较强,不用假设特定的生产函数及非效率项分布,可以更加精准地测算DMU多产出时的情形,能够减少主观因素可能导致的不良影响。

综上所述,学者对RCEP的定性分析居多,有关我国对RCEP成员国直接投资效率和影响因素的实证研究较少。本文运用标准效率DEA模型与超效率DEA相结合的方法,测算了我国对RCEP伙伴国直接投资的效率,使用Malmquist指数法深入分析我国对RCEP伙伴国直接投资效率的动态变化趋势,并通过Tobit回归模型探究了我国对外直接投资效率的主要影响因素。

2 评价模型和评价指标

2.1 评价模型

2.1.1 DEA模型

DEA模型是一种对同类型决策单元(DMU)的相对有效性进行测评的分析方法。本文选择DEA模型,一是由于DEA模型适用于小样本,本文以我国RCEP伙伴国作为研究对象,样本量较少,比较适用该模型。二是相较随机前沿引力模型,DEA模型可以不用假设特定的生产函数及非效率项分布,可以更加准确地评估DMU多产出时的情形,能够减少主观因素导致的不良影响;该模型的权重由DMU投入产出的数据规划确定,所以只要有投入产出的数据,就可以使用线性规划测算得到效率值,既无需设定特定的生产函数,又无需给变量主观地赋予权重。

对于任意决策单元,BBC模型可以通过深入测算得到规模报酬可变情形下的综合效率,即TE=PTE×SE,具体的线性规划为:

2.1.2 超效率DEA模型

本文选取超效率DEA方法评估OFDI效率,是因为超效率DEA方法可以对多个有效DMU的效率大小进行排序,使有效的DMU可以相互比较,对公式(1)加以调整就能得出超效率DEA模型的表达式:

有效DMU的超效率值>1,超效率值越大说明OFDI效率越高,而无效DMU的超效率DEA值仍然等于标准DEA效率值。

2.1.3 Malmquist指数

将OFDI效率分解成综合技术效率及技术进步率,其中综合技术效率又能分解成纯技术效率及规模效率两部分。

2.1.4 Tobit面板回归分析

本文基于两阶段分析方法分析OFDI效率的影响因素。使用超效率DEA测度DMU的OFDI效率值,将之定义为因变量,由于OFDI效率受到投入产出变量之外的因素影响,因此令其他的影响因素为自变量。因为相对OFDI效率指数处于一定的数值范围之内,所以使用普通最小二乘法时会出现参数估计值的偏误,故本文使用极大似然法的截取回归模型。

其中:为不同的DMU;X是自变量;Y是第个DMU的相对OFDI效率值;β是未知参数变量,=1,2,3,…。

2.2 评价对象和评价指标

2.2.1 评价对象

DEA方法的结果主要由评价对象与评价指标的选取决定。本文在选取评价对象时,按照DEA模型的要求,遵守样本量必须大于等于2倍投入产出指标总和的原则,共选择了2个投入指标和3个产出指标。截至目前,除我国以外,签署RCEP的国家还有东盟十国、日本、韩国、澳大利亚、新西兰、印度等15个国家,因此本文采用这15个国家的数据,将观测期设定为2005—2020年。

2.2.2 评价指标

投入、产出指标直接决定着DEA方法的分析过程及最终分析结果。本文以RCEP促进各成员国的经济增长为基准选择投入与产出指标,将我国对RCEP伙伴国直接投资存量(万美元)和RCEP伙伴国劳动力总数(千人)作为投入指标。为消除通货膨胀产生的偏误,本文选用伙伴国的GDP(2010年不变价美元)作为产出指标,还将伙伴国人均GDP(2010年不变价美元)和伙伴国进出口总额(亿美元)作为产出指标,从而科学全面地测度我国对RCEP伙伴国直接投资的效率。数据主要来源于世界银行数据库。

3 我国对RCEP伙伴国的OFDI效率综合评价

3.1 基于标准效率DEA模型的OFDI效率评价

本文基于投入导向的BCC模型,将各项指标数据代入DEAP2.1软件测算2005—2020年我国对RCEP伙伴国直接投资的综合效率(TE)、纯技术效率(PTE)、规模效率(SE)及规模效益(RTS),评价结果如表1所示。

表1 基于标准效率DEA方法的我国对RCEP伙伴国直接投资效率评价结果

对伙伴国直接投资效率的分析如下:

从总体来看,我国对RCEP伙伴国直接投资的效率处于较低水平。从综合效率值来看,2005年的综合效率均值只有0.452,并且2020年该值出现了下降。除对澳大利亚、文莱、日本、新加坡4个国家的直接投资处于DEA有效以外,我国对剩余伙伴国的直接投资效率均处在中低水平,占总样本国家的73%。其中,我国对印度尼西亚、老挝、越南、缅甸、柬埔寨及泰国6个国家的直接投资效率处在极低水平。

虽然对外直接投资效率的国别差异较大,但国别差异出现逐渐缩小的趋势。由2005年的效率值可以得出,15个国家的效率介于0.002~1,直接投资效率达到高水平、中水平和低水平的国家占总样本的百分比分别为33%、0及67%,直接投资效率的分布非常不均匀。但是从2020年的效率值来看,直接投资效率达到高水平、中水平和低水平的国家占总样本的百分比分别为40%、7%和53%,说明直接投资效率的国别差异出现了逐渐缩小的趋势,且直接投资效率达到高水平的国家占比提高。

从纯技术效率水平的角度分析,我国对澳大利亚、文莱、日本、新加坡、韩国5个国家OFDI的纯技术效率维持DEA有效,占总样本量的33.3%。我国对越南、印度尼西亚及柬埔寨等国家直接投资的纯技术效率不断提高,其中对新西兰和菲律宾直接投资的纯技术效率水平提升效果显著,对外直接投资的纯技术效率均值水平却出现下降。

从规模效率和规模收益来看,我国对澳大利亚、文莱、日本、新加坡4个国家直接投资的规模效率一直保持DEA有效状态,占总样本量的27%。对越南、马来西亚、新西兰、韩国、菲律宾、泰国和印度尼西亚7个国家直接投资的规模效率有大幅度的提高,占总样本的47%;对印度、柬埔寨、老挝和缅甸直接投资的规模效率出现大幅下降,占总样本的27%。

3.2 基于超效率DEA模型的直接投资效率评价

将2005—2020年各指标数据代入MaxDEA6.6Pro软件,利用超效率DEA模型进一步测算我国对RCEP伙伴国的直接投资效率,测算结果如表2所示。

表2 超效率DEA模型和标准效率DEA模型评价结果比较

由标准效率DEA模型得出,我国对澳大利亚、文莱、日本和新加坡4个国家直接投资效率值都为1,本文使用超效率DEA方法对这4个国家的OFDI效率做深入分析。结果表明:(1)这四个国家的超效率排名稳定;(2)澳大利亚的超效率值出现小幅增长,说明澳大利亚的OFDI效率在逐步提高;(3)对文莱、日本和新加坡的OFDI效率近年来出现小幅下降,其OFDI效率需要改善;(4)澳大利亚的排名靠后,且OFDI效率较低,还需要进一步提高投资效率。

3.3 基于Malmquist指数的效率动态化分析

本文在进行超效率DEA静态分析的基础上,继续探究OFDI效率的动态变化趋势。本文使用Malmquist指数法,通过MaxDEA6.6Pro软件对我国对RCEP伙伴国的动态直接投资效率进行估算,评价结果如表3、表4和图1所示。

图1 历年平均值变化趋势

表3 2005—2020年我国对RCEP伙伴国直接投资效率的Malmquist指数及分解

表4 全要素生产率指数均值变化及分解(2005—2020年)

由表3可得,我国对越南直接投资的全要素生产率与技术进步率最高;对老挝直接投资的全要素生产率与技术进步率最低。说明我国对老挝的直接投资不仅要考虑“量”,还应该注重“质”,可通过有效的技术投入与技术创新活动提升直接投资效率水平。我国对文莱、日本、缅甸、泰国和马来西亚直接投资的全要素生产率和综合技术效率低于平均水平,但技术进步率高于平均水平,说明技术进步带动了我国对这五个国家的直接投资效率。相反,我国对澳大利亚、韩国和菲律宾直接投资的全要素生产率和综合技术效率高于平均水平,但技术进步率低于平均水平,说明我国应加大对这三个国家的技术投资力度。我国对柬埔寨和老挝直接投资的全要素生产率、技术进步率和综合技术效率均处于较低水平,政府部门应该对此予以关注。我国对RCEP伙伴国直接投资的纯技术效率与规模效率均值基本处于均值水平附近。我国对澳大利亚和菲律宾直接投资的纯技术效率高于均值、对澳大利亚、韩国和菲律宾直接投资的规模效率高于平均值,表明我国对这三个国家的直接投资具有较大的潜力。

从总体来看,2005—2020年我国对RCEP伙伴国直接投资效率(tfpch)的动态变化均值为1.2%,期间我国对RCEP伙伴国直接投资的全要素生产率呈下降趋势。由Malmquist指数的分解结果可知,OFDI效率下降的主要来源是综合技术效率(effch)的下降,其在2005—2020年动态变化均值为0.965。同时,技术进步率(techch)的大幅上升表明技术进步率的提高促进了我国对RCEP伙伴国直接投资效率的上升;纯技术效率(pech)下降了0.335,规模效率(sech)也下降了0.274,表明样本区间内我国对RCEP伙伴国直接投资时的管理水平和规模收益有所下降。

从时间序列趋势的角度来看,2005—2020年我国对RCEP伙伴国直接投资效率具有曲折波动的趋势:(1)2006—2009年的OFDI效率呈现下降趋势,主要体现为技术进步率(techch)的下降,但是技术进步率(techch)出现大幅增长。(2)2010年,我国经济在全球金融危机后逐渐复苏,我国对伙伴国的直接投资效率也出现了小幅上升,但是2010—2012年的OFDI效率均呈现下降的趋势。(3)尽管在2013年的OFDI效率出现了小幅上涨,但在2014—2016年OFDI效率又呈现持续下降的趋势。其中,综合技术效率(effch)和规模效率(sech)持续下降,说明规模报酬带来的效益在逐渐减弱。(4)2013—2020年,出现以两年为周期的先上升后下降的趋势,且技术进步率的变化与全要素生产率的变化趋势相同。(5)我国对RCEP伙伴国的直接投资效率在2020年出现了大幅上升,其中综合技术效率增幅较为显著。

3.4 OFDI效率影响因素分析

有很多因素会影响OFDI效率,本文在借鉴现有研究(郭付友等,2022;马骏和王雪晴,2017;霍林等,2021)的基础上,从三个方面考虑影响因素:第一,经济层面:X1经济发展水平,用人均GDP表示(GP);X2产业结构,用工业增加值占GDP百分比表示(PT)。第二,制度层面:X3外商投资,用外商直接投资净流入占GDP百分比表示(WZ)。第三,地域层面:X4人口密度,用各国人口密度(每公里土地面积人数)表示(PD)。利用Stata16.0软件,通过极大似然估计法对Tobit模型数据进行处理并进行回归,回归结果如表5所示。

表5 Tobit回归结果

(1)从经济层面来看,经济发展水平对OFDI效率有显著的正向作用,说明经济越发达的国家,OFDI效率越高,主要是因为人均GDP高的国家,产业集聚程度越高,更有利于当地产业的发展。产业结构对OFDI效率具有负向作用,说明大多数国家产业结构不合理,因此各国要积极调整产业结构,有效利用能源,优化经济增长的新动能。

(2)从制度层面来看,外商投资对RCEP各伙伴国的影响系数为负,且在10%的显著性水平上未通过检验。从地域角度来看,人口密度对RCEP各伙伴国的影响系数为负,在10%的显著性水平上未通过检验,也就是说,RCEP各伙伴国的外商投资和人口密度与我国对RCEP成员国直接投资的效率没有影响。

4 结语

本文运用标准效率DEA模型与超效率DEA相结合的方法,测算了我国对RCEP成员国的直接投资效率,使用Malmquist指数法深入分析我国对RCEP伙伴国直接投资效率的动态变化趋势,并通过Tobit回归模型探究了我国对外直接投资效率的主要影响因素,得出以下结论:

从超效率DEA结果看,我国对RCEP伙伴国直接投资效率处于较低水平,对外直接投资效率的国别差异较大,但国别差异出现逐渐缩小的趋势。根据Malmquist指数可得,我国在2005—2020年对RCEP伙伴国直接投资的全要素生产率呈下降趋势;由Malmquist指数的分解结果可以得出,OFDI效率下降的主要来源是综合技术效率的下降。同时,技术进步率的提高促进了我国对RCEP伙伴国直接投资效率的上升,纯技术效率和规模效率的下降表明考察期内我国对RCEP伙伴国直接投资时的管理水平和规模收益有所下降。从时间序列趋势的角度来看,2005—2020年我国对RCEP伙伴国直接投资效率呈现曲折波动的趋势。通过使用Tobit回归模型分析可得,经济发展水平对贸易效率有显著的正向作用,产业结构对贸易效率具有显著的负向作用,RCEP各伙伴国的人口密度及外商投资与我国对RCEP成员国直接投资的效率没有影响。因此,建议:

各国要积极调整产业结构,提高能源的利用效率并优化经济增长模式。深化我国对RCEP伙伴国产能合作,积极发挥我国在制造业等领域的比较优势,充分发挥政府的正确指引与大力支持,完善产能合作机制,带动国内设备和技术出口。我国应该实施有效的本土化策略,加大技术“本土化”的研发力度,提升我国本土企业在对RCEP成员国直接投资时的管理能力与风险防范水平。我国要优化投资结构,在投资的过程中不仅考虑“量”,还应该注重“质”,通过有效的技术投入与技术创新活动提升对外直接投资效率的水平。

猜你喜欢
伙伴国效率模型
自制空间站模型
“慢”过程 “高”效率
选用合适的方法,提升解答选择题的效率
本财年内缅甸增加了10个新贸易伙伴国
聚焦立体几何命题 提高高考备考效率
模型小览(二)
圆周运动与解题模型
离散型随机变量分布列的两法则和三模型
跟踪导练(一)2