□ 俞曉萍

|研究背景及思路

2020 年，上海市松江區(qū)服務業(yè)實現(xiàn)增加值335.58 億元，占全區(qū)增加值的比重為20.5%，比“十二五”末（2015 年）提高1.7 個百分點，服務業(yè)已成為地區(qū)經濟的重要組成部分。

然而，自新冠疫情發(fā)生以來，服務業(yè)內部各主要行業(yè)則呈現(xiàn)出不同的發(fā)展態(tài)勢。部分行業(yè)降幅明顯，如教育（規(guī)上營收①規(guī)模以上營業(yè)收入。下降32%）、文化、體育和娛樂業(yè)（規(guī)上營收下降16.8%）、交通運輸、倉儲和郵政業(yè)（規(guī)上營收下降15.2%）；部分行業(yè)則逆勢較快增長，如信息傳輸、軟件和信息技術服務業(yè)（規(guī)上營收增長38.6%）、科學研究和技術服務業(yè)（規(guī)上營收增長9.7%）。

可見，新冠疫情對服務業(yè)不同行業(yè)的發(fā)展規(guī)模和發(fā)展速度產生了不對等的沖擊。高質量發(fā)展背景下，發(fā)展效率是地區(qū)經濟轉型升級，以及內涵式、集約式擴大再生產增長的主要體現(xiàn)，不同行業(yè)和企業(yè)的發(fā)展效率受到新冠疫情的沖擊程度是否也存在顯著差異，而這樣的顯著差異又與哪些因素高度關聯(lián)，為了回答上述問題，本文主要從以下三個部分依次進行探究。

1.全要素生產率的測算。以增加值為產出變量，資產和從業(yè)人員為投入變量，使用EBM 超效率模型測算2017—2020 年松江區(qū)規(guī)模以上服務業(yè)企業(yè)的全要素生產率。

2.全要素生產率的差異分析。以行業(yè)門類全要素生產率均值的變動率為樣本數(shù)據(jù)，使用配對樣本T檢驗以檢驗服務業(yè)各行業(yè)的發(fā)展效率是否受到新冠疫情的顯著沖擊。以個體企業(yè)全要素生產率的變動率為樣本數(shù)據(jù)，使用單因素方差分析以檢驗不同服務業(yè)行業(yè)的發(fā)展效率受到新冠疫情的沖擊程度是否存在顯著差異。

3.全要素生產率不對等沖擊的關聯(lián)因素分析。從靜態(tài)、財務、人力、信息化、創(chuàng)新、特色產業(yè)六個維度構建全要素生產率高關聯(lián)因素特征標簽體系，使用XGBoost 算法挖掘與全要素生產率受沖擊程度關聯(lián)度較高的主要因素。

|服務業(yè)全要素生產率的測算

（一）測算方法介紹

全要素生產率（Total Factor Productivity）是指指數(shù)化的產出與投入要素之比，其特點在于能夠反映綜合經濟效率，指數(shù)大小由全部投入、產出要素決定，可以表達技術進步、規(guī)模經濟、管理水平、人員素質等因素對產出的作用。本文使用EBM 超效率模型測算全要素生產率，超效率DEA 模型可以更好比較有效決策單元效率值的大小，EBM模型則能夠充分考慮投入和產出的松弛問題，以及準確區(qū)分期望產出和非期望產出。

超效率DEA 模型是一種由Andersen 和Petersen（1993）提出的通過將被評價決策單元從原生產可能集中剔除，以剩余決策單元構造新的生產可能集和形成新的有效生產前沿面，并以新的有效生產前沿面為基準來判斷其有效性，從而能夠進一步比較有效決策單元效率值大小的DEA 方法。

EBM 模型則是一種由Tone 和Tsutsui（2010）提出的結合了SBM模型（能夠充分考慮投入和產出的松弛問題）和DDF 模型（能夠區(qū)分期望產出和非期望產出）的優(yōu)點，兼容徑向和非徑向的混合距離函數(shù)測度模型。

（二）測算結果分析

使用2017 年至2020 年松江區(qū)規(guī)模以上服務業(yè)企業(yè)作為樣本集，投入指標為取自然對數(shù)的從業(yè)人員平均人數(shù)、資產總計，產出指標為取自然對數(shù)的增加值，增加值按勞動者報酬、生產稅凈額、固定資產折舊、營業(yè)盈余四要素進行核算，各年均值匯總結果見表1。

表1 2017-2020 年松江區(qū)規(guī)上服務業(yè)企業(yè)全要素生產率均值匯總結果

由結果能得到松江區(qū)規(guī)上服務業(yè)企業(yè)全要素生產率三方面的主要信息。

1.新冠疫情前，綜合技術效率呈現(xiàn)逐年提高態(tài)勢。綜合技術效率均值從2017 年的0.625 提高到2019年的0.638，累計增長2.0%，年均增長1.0%。雖然由于各投入和產出指標取自然對數(shù)，導致一定程度上收縮了高效率DMU 和低效率DMU 的差距，但綜合技術效率逐年提高的整體趨勢依然顯著且穩(wěn)健。

2.新冠疫情前，綜合技術效率提高主要由純技術效率拉動。綜合技術效率可分解為純技術效率和規(guī)模效率兩部分。純技術效率均值從2017 年的0.766 提高到2019 年的0.780，累計增長1.9%，年均增長0.9%；而三年間的規(guī)模效率則基本持平?？梢?，綜合技術效率的提高主要依靠純技術效率拉動。

3.新冠疫情對綜合技術效率產生一定影響。2020 年的綜合技術效率為0.626，低于2018 年和2019 年，稍高于2017 年。其中，純技術效率為0.772，低于2019 年，但高于2018 年和2017 年；規(guī)模效率為0.810，收縮至近四年最低值。

|服務業(yè)全要素生產率的差異分析

（一）基于配對樣本T 檢驗的服務業(yè)全要素生產率差異分析

配對樣本是指存在一一對應關系的兩組樣本，配對樣本T 檢驗則是指用于判斷配對樣本間是否存在顯著性差異的統(tǒng)計檢驗方法。配對樣本T 檢驗有兩項前提條件，一是兩組樣本必須是配對的（也就是相關的），二是兩組樣本來自的總體都應服從正態(tài)分布。

使用配對樣本T 檢驗以檢驗服務業(yè)各行業(yè)的發(fā)展效率是否受到新冠疫情的顯著沖擊，以行業(yè)門類全要素生產率均值的變動率為樣本數(shù)據(jù)。其中，對照組為各行業(yè)門類2017 年至2019 年全要素生產率均值的年均變動率，事件組為各行業(yè)門類2020年全要素生產率均值的同比變動率。

基礎數(shù)據(jù)見表2，檢驗結果見表3，由檢驗結果可知，“差值樣本均值與0 不存在顯著性差異”假設的伴隨概率為0.0142（小于0.05），應拒絕原假設，從而表示兩組樣本的均值差與0 具有顯著性差異，也就說明服務業(yè)各行業(yè)的發(fā)展效率確實受到了新冠疫情的顯著沖擊。

表2 松江區(qū)規(guī)上服務業(yè)行業(yè)門類全要素生產率均值的變動率

表3 松江區(qū)規(guī)上服務業(yè)行業(yè)門類全要素生產率均值變動率的配對樣本T 檢驗

（二）基于單因素方差分析的服務業(yè)全要素生產率差異分析

單因素方差分析是指用于判斷單個自變量的不同水平是否對因變量產生顯著影響的統(tǒng)計檢驗方法。單因素方差分析將總方差分為兩部分，即可以由自變量解釋的系統(tǒng)誤差和無法由自變量解釋的隨機誤差，若系統(tǒng)誤差顯著超過隨機誤差，則可判斷該自變量在處于不同水平時因變量均值存在顯著差異。

使用單因素方差分析以檢驗服務業(yè)各行業(yè)發(fā)展效率受到新冠疫情的沖擊是否存在顯著差異，以2020年全部規(guī)上服務業(yè)企業(yè)全要素生產率的同比變動率為樣本數(shù)據(jù)，并將其按行業(yè)門類進行分組。

檢驗結果見表4，由檢驗結果可知，Bartlett 檢驗的伴隨概率為0.092（大于0.05）表示通過方差齊性檢驗，F(xiàn) 值為4.92，其伴隨概率為0.000（小于0.05）表示各組樣本全要素生產率的變動率存在顯著性差異，也就說明服務業(yè)各行業(yè)發(fā)展效率受到新冠疫情的沖擊是不同等的。

表4 松江區(qū)規(guī)上服務業(yè)企業(yè)全要素生產率（按行業(yè)門類分組）單因素方差分析輸出結果

|服務業(yè)全要素生產率不對等沖擊的關聯(lián)因素分析

（一）關聯(lián)因素的特征標簽體系

使用2020 年統(tǒng)計一套表年報數(shù)據(jù)，初步篩選出可能與要素效率存在一定關系的統(tǒng)計指標，按靜態(tài)、財務、人力資源、信息化、創(chuàng)新、特色產業(yè)六個類別構建要素效率影響特征標簽體系。

1.靜態(tài)特征標簽。主要反映服務業(yè)企業(yè)的基本情況，包括行業(yè)門類、單位規(guī)模、開業(yè)（成立）時間、登記注冊類型、企業(yè)集團情況，共構造17 個模型變量。

2.財務特征標簽。主要用于反映服務業(yè)企業(yè)的財務情況，包括貢獻率、負債率、周轉率、利潤率，共構造4 個模型變量。

3.人力資源特征標簽。主要反映服務業(yè)企業(yè)的勞動力要素使用情況，包括從業(yè)人員平均工資、中層及以上管理人員占比、專業(yè)技術人員占比，共構造3 個模型變量。

4.信息化特征標簽。主要反映服務業(yè)企業(yè)的數(shù)字轉型情況，包括信息化投入強度、財務管理信息化、購銷存管理信息化、物流配送信息化、客戶關系管理信息化、人力資源管理信息化、其他信息化，共構造7 個模型變量。

5.創(chuàng)新特征標簽。主要反映服務業(yè)企業(yè)的創(chuàng)新活動情況，包括無形資產占比、研發(fā)費用投入強度，共構造4 個模型變量。

6.特色產業(yè)特征標簽。主要反映服務業(yè)企業(yè)的特色產業(yè)隸屬情況，包括戰(zhàn)略性新興產業(yè)、高技術產業(yè)、健康產業(yè)、教育培訓及相關產業(yè)、科技服務業(yè)、旅游及相關產業(yè)、生產性服務業(yè)、生活性服務業(yè)、體育產業(yè)、文化及相關產業(yè)、養(yǎng)老產業(yè)、知識產權（專利）密集型產業(yè)、數(shù)字經濟產業(yè)，共構造13 個模型變量。

（二）服務業(yè)全要素生產率不對等沖擊的關聯(lián)因素分析

1.建模方法的說明

使用XGBoost 算法挖掘松江區(qū)服務業(yè)全要素生產率受到新冠疫情不對等沖擊的高關聯(lián)因素。XGBoost是華盛頓大學陳天奇博士于2014 年發(fā)起的一個開源機器學習項目，高效地實現(xiàn)了GBDT 算法并進行了算法和工程上的許多改進。

XGBoost 算法的主要優(yōu)化包括（1）對代價函數(shù)進行二階泰勒展開，同時用一階和二階導數(shù)（2）在代價函數(shù)中加入正則項，用于控制模型復雜度（3）將存在缺失值的情況視為變量的一種取值，自動學習其分裂方向，具有較強的預測力。

2.建模結果的分析

（1）調節(jié)參數(shù)。使用2020 年松江區(qū)417 條規(guī)上服務業(yè)企業(yè)記錄構成樣本集，隨機抽取90%作為訓練集，10%作為測試集，解釋變量為由特征標簽體系構造的48 個模型變量，被解釋變量為EBM 超效率模型測算的綜合技術效率的同比變動率。迭代模型選擇gbtree，迭代次數(shù)選擇500，學習率選擇0.1，損失函數(shù)選擇RMSE，使用GridSearch 對其他主要參數(shù)進行調節(jié)（表5）。

表5 XGBoost 部分主要參數(shù)調節(jié)結果

XGBoost 調參前的擬合結果為：5折交叉驗證訓練集的RMSE=0.0589，驗證集的RMSE=0.0643；調參后的擬合結果為：5 折交叉驗證訓練集 的RMSE=0.0598，驗證集的RMSE=0.0612，測試集的RMSE=0.0513。

2.挖掘高關聯(lián)因素。雖 然Feature Importance 可以直觀反映特征對預測結果的影響程度，但無法判斷特征與預測結果的歸因關系。因此，本文使用SHAP value 作為高關聯(lián)基因的判別標準，SHAP value 是指模型產生的每個樣本預測值分配到各個特征的數(shù)值。

假設第i 個樣本為xi，第i 個樣本的第個特征為xi,j，模型對第個樣本的預測值為，整個模型的基線（通常是所有樣本目標變量擬合值的均值）為，SHAP value 服從以下等式：（式3）。式中，是的SHAP value，也就是i 第個樣本的第k 個特征對預測值yi的貢獻值。當說明該特征使得預測值提高，具有正向作用；當說明該特征使得預測值降低，具有反向作用。

基于XGBoost 計算得到的單樣本（以001—005 號樣本為例）全要素生產率高關聯(lián)因素SHAP value 構成情況見圖1，全部樣本全要素生產率高關聯(lián)因素的SHAP value 絕對值及分布情況見圖2。

圖1 基于XGBoost 的001—005 號樣本高關聯(lián)因素SHAP value 構成

圖2 基于XGBoost 的全部樣本高關聯(lián)因素SHAP value 絕對值及分布

定義新冠疫情對服務業(yè)企業(yè)全要素生產率不對等沖擊的高關聯(lián)因素為全部樣本SHAP value 均值排名前15 位的解釋變量。從特征標簽的類別看：靜態(tài)特征標簽有3 個，分別為水利、環(huán)境和公共設施管理業(yè)（可平均提高TE 增速0.034 個百分點），成立時間5-10 年（可平均提高TE增速0.014 個百分點），企業(yè)集團情況為總部（可平均提高TE 增速0.006個百分點）。財務特征標簽有1 個，即周轉率（可平均提高TE 增速0.110個百分點）。人力資源特征標簽有1個，即從業(yè)人員平均工資（可平均提高TE 增速0.018 個百分點）。信息化特征標簽有4 個，分別為全年信息化投入強度（可平均提高TE 增速0.033 個百分點），人力資源管理信息化（可平均提高TE 增速0.003個百分點），財務管理信息化（可平均提高TE 增速0.002 個百分點），客戶關系管理信息化（可平均提高TE 增速0.002 個百分點）。特色產業(yè)特征基因有6 個，分別為文化及相關產業(yè)（可平均提高TE 增速0.018個百分點），教育培訓及相關產業(yè)（可平均提高TE 增速0.008 個百分點），健康產業(yè)（可平均提高TE 增速0.002 個百分點），知識產權（專利）密集型產業(yè)（可平均提高TE 增速0.001 個百分點），科技服務業(yè)（可平均提高TE 增速0.001 個百分點），數(shù)字經濟產業(yè)（可平均提高TE 增速0.001 個百分點）。

|下階段，增強服務業(yè)全要素生產率抗沖擊力的意見建議

（一）著力提高服務業(yè)企業(yè)純技術效率

本文研究結果表明，從松江區(qū)服務業(yè)內部結構演化過程看，全要素生產率的提升除技術進步影響，技術效率的提升也發(fā)揮著重要作用，尤其在面對突發(fā)疫情沖擊時，對行業(yè)發(fā)展差距的擴大有著一定的影響效應。因此，需要通過純技術效率的提升來實現(xiàn)行業(yè)間的均衡協(xié)調發(fā)展。當前雖然部分服務行業(yè)具有較高開放度，但技術效率水平獲得較低，這是由于這些行業(yè)自身存在管理能力和技術結構等問題，制約了對國際溢出過程中先進技術的吸收。故而，為保證服務業(yè)全要素生產率持續(xù)增長，應根據(jù)不同國際溢出渠道的差異性效用因勢利導，制定引資和產業(yè)政策，強化服務行業(yè)對于先進技術的吸收消化能力。

（二）加快促進服務業(yè)企業(yè)數(shù)字化轉型

蔓延全球的新冠疫情使面對面服務遭遇莫大困境，教育、娛樂、運輸?shù)葌鹘y(tǒng)服務業(yè)首當其沖，生產率下降明顯。與此同時，信息傳輸、軟件和信息技術、科學研究和技術等新興服務業(yè)卻逆勢增長。在疫情催化下，數(shù)據(jù)化和智能化服務快速成形，新一代信息技術廣泛深入地參與到服務業(yè)轉型發(fā)展中，成為拉動服務業(yè)增長的新動能。這部分服務業(yè)企業(yè)把握住疫情危機下在線服務發(fā)展的契機，實現(xiàn)了規(guī)模和收入的快速增長。從供給側角度出發(fā)，加快推動服務業(yè)企業(yè)借助物聯(lián)網、互聯(lián)網、5G 等新一代信息技術進行數(shù)字化轉型，發(fā)展“線上下單、無接觸配送”等新模式實現(xiàn)線上線下融合共生的新業(yè)態(tài)，有助于提高人們的生活水平，滿足不斷增長的消費需求，推動服務行業(yè)格局不斷優(yōu)化。

（三）加大培育高質量特色產業(yè)的力度

疫情之下潛藏機遇。實施服務業(yè)創(chuàng)新發(fā)展，加快傳統(tǒng)服務業(yè)改造升級、新興服務業(yè)跨界融合，加大高質量特色產業(yè)培育力度，既不斷滿足了產業(yè)轉型升級需求和人民美好生活需要，也為實現(xiàn)全區(qū)經濟社會高質量發(fā)展提供重要支撐。對于生產性服務業(yè)，要充分發(fā)揮其對制造業(yè)的升級推動作用，以產業(yè)鏈整合、價值鏈提升和生態(tài)鏈維護等方式改造傳統(tǒng)服務業(yè)，打造具有核心競爭力的優(yōu)勢特色產業(yè)。對于生活性服務業(yè)，要進一步挖掘旅游、醫(yī)療保健、教育等消費性服務領域的巨大潛力，引導企業(yè)細化服務市場需求，變革陳舊服務產品與服務流程，向高品質多樣化升級，推動生活性服務業(yè)生產率不斷提升。