用Stata复现经典文献：上市公司全要素生产率(TFP)计算全流程（含LP/OP代码解读）
对于从事公司金融、产业组织或宏观发展研究的学者和博士生而言，全要素生产率（TFP）是一个绕不开的核心变量。它衡量的是剔除劳动和资本投入贡献后，由技术进步、管理效率提升等带来的“剩余”产出增长，是评估企业竞争力、行业活力乃至经济增长质量的关键指标。然而，从理论概念到可用的面板数据，中间横亘着一道技术鸿沟：如何准确、稳健地测算TFP？特别是面对中国上市公司这类存在选择性偏差、样本存活和测量误差等复杂问题的数据时，选择合适的方法并正确实现，直接决定了后续实证研究的可信度。
本文旨在为实证研究者提供一个清晰、可操作的实战指南。我们将以2000-2020年中国A股上市公司财务数据为基础，手把手演示如何利用Stata软件，完整复现Levinsohn-Petrin (LP) 和 Olley-Pakes (OP) 这两种目前学界最主流的半参数估计方法。整个过程不仅仅是运行几行代码，更侧重于理解每一步背后的计量经济学逻辑，解读关键Stata命令的参数意义，并最终将我们的测算结果与鲁晓东、连玉君等权威文献中的经典发现进行交叉验证，确保计算流程的准确性。无论你是正在撰写第一篇实证论文的研究生，还是希望夯实研究方法的中青年学者，这份“从数据到结果”的完整模板都将为你节省大量摸索时间，让你把精力更聚焦于经济学问题的本身。
1. 理解核心：为什么LP和OP方法成为实证研究的标准？
在直接动手操作之前，我们有必要花些时间厘清一个根本问题：面对琳琅满目的TFP测算方法（OLS、FE、GMM等），为什么LP和OP方法在近十年的微观实证研究中几乎成为了“标准配置”？答案在于它们巧妙地解决了传统方法的一个致命缺陷——内生性问题。
想象一个简单的柯布-道格拉斯生产函数： Y_it = A_it * L_it^β_l * K_it^β_k 其中，Y是产出（如营业收入），L是劳动投入，K是资本投入，A就是我们要求的TFP（通常取对数后表示为tfp）。如果我们直接用OLS回归 lnY 对 lnL 和 lnK，会面临严重的内生性：企业的TFP A_it 是未被观测到的，而管理者在观察到当期较高的 A_it（即企业效率高、运气好）后，可能会相应调整 L 和 K 的投入决策。这就导致了解释变量（投入）与误差项（包含TFP）相关，OLS估计的要素弹性 β_l 和 β_k 会产生偏误，进而扭曲计算出的TFP。
注意：固定效应（FE）模型只能控制不随时间变化的个体异质性，但无法解决上述同期内生性问题，因为当期的生产率冲击仍然会影响当期的要素投入决策。
LP (Levinsohn & Petrin, 2003) 和 OP (Olley & Pakes, 1996) 方法的核心贡献，就是通过引入“代理变量”（Proxy Variable）来破解这个僵局。它们的基本思路是：虽然TFP不可直接观测，但它会影响企业某些可观测的中间决策。我们可以利用这个中间决策变量作为TFP的“影子”，将其从误差项中分离出来。
两者的区别在于代理变量的选择：
- OP方法：使用当期投资
I_it作为代理变量。其逻辑是，企业的投资决策依赖于当期的生产率水平。通过构建投资函数I_it = i_t(K_it, A_it)，并假设该函数关于A_it是单调递增的，便可以反推出A_it = h_t(K_it, I_it)，从而在第一步中控制住TFP。 - LP方法：使用中间品投入（如原材料、能源消耗）
M_it作为代理变量。Levinsohn和Petrin指出，在存在调整成本或投资可能为零（很多上市公司某年投资额确实为零）的情况下，投资作为代理变量可能不满足单调性假设。而中间品投入通常总是正值，且对生产率冲击反应更灵敏，因此是一个更稳健的代理变量。
为了更直观地对比，我们将两种方法的关键特征整理如下：
| 特性维度 | Olley-Pakes (OP) 方法 | Levinsohn-Petrin (LP) 方法 |
|---|---|---|
| 核心代理变量</ |
210
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
