摘要:
技术领先者与跟从者的增长过程是不同的。领先者必须进行原创性研发,而跟从者可以通过模仿和资本深化实现增长。这意味着随着领先者与跟从者差距的缩小，跟从者必须进行更正式的研发活动，并有可能面对减慢了的增长率。本文构造了度量日本的11个工业行业的相对全要素生产率的方法，并使用动态剖面数据计量方法来检验是否较小的生产力差距会导致较慢的增长，在日本向技术前沿逼近的过程中，研发是否已成为增长的引擎。研究结果显示，日本和美国自70年代中期开始，增长速度是接近的；日本增长减速，部分归因于可供模仿的空间已接近完结。
关键词: 经济增长, 全要素生产率, 追赶, 创新，异质动态剖面
1. 引语
以现今价格计算的1952年日本人均GNP达到了188美圆，低于巴西、马来西亚和智利的水平。像当今很多低收入国家一样，当时的日本的农业人口比例高，资本存量低而且技术水平也很低。尽管如此，日本在工业领域还是拥有教育程度和技能较高的劳动力，在发达和不够发达的工业行业间的生产率差别很大，以及在管理和组织方面明显的优势。截止1992年，以人均GNP算，日本名列世界第四，仅位居卢森堡，瑞士和美国之后。[1]
现有的数据主要是对日本的劳动生产率进行估算，很少估算其相对全要素生产率水平。[2]本文在两个方面有所进展：
第一， 提供了美日1955~1989年间11个工业行业全要素生产率的详细估计值；
第二， 从追赶和国内创新两个方面评估了它们对日本生产率表现的影响和效果。
本文认为日本工业在充分利用完模仿带来的好处之后，不得不通过提高研发投入来维持增长率。
对本文所使用的剖面数据而言，最简单的方法是用动态不变效应（DFE）估计量或者是平均组（MG）估计量，把不同行业的研发系数限制为一样大小。Pesaran，Shin 和Smith（1999）最近提出使用混合平均组（PMG）估计量，这样虽然容许在剖面的各组数据的短期系数和误差方差有所不同，但长期系数却须保持一致。本文的估算模型基于三种估计量。第四种方法是通过容许调整速度在不同行业间可以不同，而使长期系数可以改变。这与工业特征至少有弱外生性的假设是相符的。例如，有着高的资本-劳动比率或者面临激烈的外来竞争的行业相对于一般的行业具有较高的追赶速度。这样的工业特征可以被看作是因果关系：高的资本-劳动比率可能导致较快的追赶，或者是存在着不可观测因素之间的一种相关性-高资本-劳动比率可能是快速追赶工业的一种属性。[3]因此，这种方法可用于估计不同工业特征与全要素生产率差距之间的相互作用。[4]
本文共分五个部分。第二部分讨论了内生的蛙跳现象，展示了通过追赶和创新而增长的一个简单的模型。第三部分讨论全要素生产率的度量以及对美日相应的生产率水平的估计。在第四部分设计了一个生产率的动态剖面数据的计量经济模型，并估算了追赶和创新效果。第五部分是结论。数据来源在附录中。
2. 国际竞争中的蛙跳现象
2.1 内生性蛙跳理论
为什么技术领先者有时会失去优势而被取而代之？不少学者认为那些领先者慢慢地会变得蹒跚而行，或者由于国际的知识外溢效应是如此之大，以至于对手得以追赶上它们（见Barro和Sala-I-Martin， 1991，Benhabib和Spiegel，1994，Sachs和Warner，1995，以及Bernard和Jones，1996A）。例如，Olson（1982和1996）提出一个综合的社会学分析，认为成功的国家会逐步形成制度僵化以至于其他国家可以赶上并超过它们。
一些研究者认为领先者可能变得被锁定在过时技术上，[5]Redding（1996）构造了一个竞争模型，作为对Aghion和Howitt（1992）的成果的进一步发展，包括了初级和次级创新。初级创新可以被任何国家吸收，代表了最好的技术实践。而次级创新却是与特定的国家相关联的，可能取决于相应的实物投资。当初级创新出现时，它的利润率首先要看每个国家在先前最好的技术实践中采用了多少次级创新。领先的国家可能已采取了很多次级创新，以至于如果马上采用新的初级创新也是无利润的。然而一个从没有涉足这个行业的国家却有可能发现，采用这个初级创新是有利的，从而借助快速的“做中学”经济而取代领先者。这个论断也能应用于一系列的两部类模型，无论它们是食品还是其他制造业（如Brezis等，1993），或者对劳动密集型和资本密集型（Broadberry，1994）工业。Redding（1999）对静态和动态比较优势进行了对比研究，在他的模型里假设有两个国家，一个是技术领先者，无论在高技术行业还是在低技术行业的生产中都有绝对优势。为了使这两个国家的产出趋近，后进国家在自由贸易中需要部分地专业化，而领先国家在高技术产品方面要专业化。如果后进国家拥有了动态比较优势（即有潜力逐步获得静态比较优势），那么它的人均收入就会渐渐趋近领先国家水平。很明显，即使后进国家在高技术行业拥有动态比较优势，在自由贸易均衡条件下，如果专业化于低技术产品，没有机会学习高技术行业也是不能使产出趋同于领先国家的。
Barro和Sala-I-Martin（1997）对于技术锁定理论有一个替代方案。在他们的模型里，企业可以选择模仿或者研发来实现增长。长期来看，增长源自技术领先者的创新，但由于在某些技术差距方面，模仿比研究更便宜，跟从者会趋同于领先者。随着技术差距越来越小，模仿的成本上升，会出现全要素生产率趋同现象。
2.2 追赶和创新的一个简单模型
Quch (1996) 也提出在增长过程中有两个独立方面：一个是通过经济代理人将技术和能力限制向后推的机制，另一个是采用某种穷国可以向发达经济学习的途径。增长过程与趋同过程可能同时发生，也可能单独发生，这取决于具体的问题，但它们是不同的概念。Benhabib 和 Spiegel (1994) 展示了一个研发和模仿的内生增长模型，在Nelson 和 Phelps (1966)之后, 他们指出在增长回归中只简单地加入人力资本指数是不妥当的。他们认为人力资本有助于对新技术的采用和实施，但不会直接带来增长。Nelson 和 Phelps 认为技术进步或索洛剩余依赖于技术水平与“理论知识”水平间的差距Tt:
(1)
在这个模型里，理论知识水平以不变的指数函数增长，
在短期，全要素增长率是人力资本和生产率差距的函数，长期来看，它以速率l.增长。
Benhabib 和 Spiegel 扩展了这个分析，不仅容许较高的人力资本导致较高的技术水平，而且也容许国际的知识外溢。对某国i, 他们定义全要素增长率为：
i=1,....,n,
其中内生增长率 g(Hi) 和追赶系数[6]是Hi的非减函数。在他们看来，教育的水平不仅提高了一个国家发展新技术的能力，而且提高了引进和采用国外技术的能力。注意，拥有高的初始水平AL(0)的领先国家，将被有更高教育水平的国家所取代。这是因为领先国家以
而落后国家以更高人力资本水平Hi增长，其增长率可能更高。
由
因 g(Hi)>g(HL), 所以存在某个t使t+t>t, Ait>ALt.
Ai 和AL 逐渐达到同一g(Hi)。长期来讲，具有最高H水平的国家通过扩展生产边界而成为增长的火车头，拖动其他国家并通过追赶效应最终达到同步增长。
考虑一个简单模型，日本每个工业i以国内创新或者是追赶其美国对手的全要素增长率的方式增长。[7]
(5)
(6)
其中
(7)
对于起初就落后的工业继续保持在稳定状态，就要求gi <
模型的一个重要结论是说，当控制了能确保TFP以稳定速度增长的决定因素后，低初始水平的工业会经历最高的全要素增长率。也就是说，模型意味着TFP的“有条件b趋同”应该在两国间观察到。假设模仿是容易的，国外与国内生产力水平的缺口
对于生产力缺口的取值有一个限制规定：
如果AJapan>AUS 。那么缺口被设定为0, 也就是说，日本国内TFP高于国外TFP，那么国内TFP将取国外TFP水平。[10]
3. 国际对比
3.1 相对全要素生产率的测量
计算生产力的最简单方法是对相应的输入取固定的权数。当各因素的比例随时间变化时，可以用Divisia指数（见Dievert，1976）代替固定权数法。相对于离散情形，Divisia指数体现了变化的连续效果。本节讨论如何构建和分析相对全要素生产率的Divisia指数的离散时间近似值。
假设总产出Y是由3个生产要素-资本K、劳动L和原料M决定的。总投入F由资本、劳动和原料加权求和，使用离散时间Thornquist--Divisia指数计算总投入。因此，总投入F的增长率DlogF, 可以被写成：
(8)
其中t 和 t-1 指时间段, wit=(sit+sit-1)/2, sit是在投入的i 在年度t 的成本份额，i =K,L,M。
全生产要素的增长率DlogA等于总产出增长率减去总投入的增长率。DlogA 定义为：
(9)
等式右边最后一项等于总投入的增长率ΔlogFt. 方程式(9) 可以被更完整地写成：
(10)
对比日本和美国的化工业的增长率，不能说明生产力的相对水平。实际上，给定相应的互换率，有可能使用Divisia方法分析相对生产力水平的变化。按照Denny等人(1992)的研究, 假设在完全竞争和不变规模回报下，定义A国相对于B国的生产力水平为：
(11)
右边的第一项是两个国家产出的对数差值，其他三项用来调整因投入不同引起的产出差别。简而言之，如果A国投入是B国的2倍，而得到B国2倍的产出，那么相对效率就是1（比如 AA/AB=1)。如果A国在与B国同样投入的情况下产出是B国的2倍，那么相对效率就是2了。[11]为了估计出相对的产出和投入水平，有必要转换成相同的通货。这并不容易。本文使用的是由Kuroda（1996）算出的特定工业的购买力平价（PPP）。早期的研究，比如Dollar和 Wolff (1994) 采用的是基于整个经济支出的PPP平减指数，不包含产出和投入之间价格的差值。使用总平减指数在估计日本六七十年代的TFP会有一些问题。当时日本的劳动力价格仅相当于美国同期的1/5。所以，使用基于GDP的PPP会低估日本制造业的工人数量，因而高估了日本的相对生产力。
3.2 美日间的相对全要素生产力
日本的数据覆盖了1955-1989年间。日本的11个工业制造业的投入产出的数据和价格指数由Ichiro Tokutsu提供。[12]这11个工业覆盖了除石油煤炭[13]和杂项的所有工业门类。[14]我从这些数据里估计出1955-1989各年度的全要素生产率，几乎可以准确得出Denny等人（1992）报告的增长率，而且很接近Kuroda（1996）得出的估计值。通过对部类TFP按投入比例进行加权求和，[15]我也构造出包括这些工业部类的全要素生产率指数，19个美国双位代码工业和整个工业的数据由美国劳工统计局提供。数据包括1949-1991年间名义产出估计值、劳动投入、资本、能源投入、原料投入和相关的服务。[16]除此之外，还有价格指数、实际投入产出指数以及全要素生产率指数。表1给出了对应与美国相关产业的日本11个工业部类以及整个工业的TFP（以美国为100）, 数据显示出1955年日本工业的全要素生产率约为美国同期的50%，而到了1980年，差距差不多被消除了。[17]这显示出了无条件的追赶速度是相当高的。
表1 日本工业的相对TFP (US=100)
1955 1973 1980 1989
总体 52.9 79.8 90.0 91.3
化工 81.4 90.0 108.0 122.6
初级原料 57.2 99.1 124.0 122.0
电器 56.4 93.7 117.9 119.9
造纸 63.8 95.9 102.2 112.4
机械 19.4 82.4 101.0 90.7
金属制品 42.0 75.8 72.5 78.9
矿业 38.6 81.5 78.5 85.3
交通 42.3 79.1 89.4 83.0
食品 77.9 83.4 82.7 73.9
纺织 55.0 71.6 79.0 68.9
仪表 42.4 74.8 75.6 66.2
图1显示整个工业在各年度的生产力水平，说明大约在1980 以后开始，日本的生产率一直在以同美国相近的速度增长。[18]
正如前面提到，Dollar & Wolff (1994) 、Kuroda (1996) 也估算了日本工业与美国间的相对TFP，Kuroda的估计方法与本文使用的很相似，但只算到了1985。Dollar & Wolff的估计值使用了劳动和成本作为投入的增值生产函数，并采用最终支出PPP将日本价格转换成美国价格，而不是象KURODA采用工业和要素特定的PPP和本文的方法。(本文采用的PPP估计值是来自于Kuroda，投入产出数据取自Tokutsu, 1994)。Pilat (1996) 使用了一个增值的生产函数构建了1987年OECD国家的工业TFP，最终支出PPP和不变因素比例。如何将这些估计值与表1的结果做对比呢？让我们考虑1970年, [19]在这一年，Kuroda 估计的日本TFP是0.81, Dollar & Wolff 的估计是0.92 而本文的估计值是0.81。到70年代后期，估计值间的离散更大了，Kuroda对1980年的估计值是0.85，本文是0.90，而Dollar和Wolff 对1979年的估计值是0.77。到1985年，Kuroda估计的TFP是0.84，本文是0.91。Dollar & Wolff 的最近的估计值是0.88（1982）， Pilat (1996) 估计的日本工业的TFP 是0.74, 比本文估计的1987年的值0.90要低。
一般来说，本文的估计值比Kuroda，Dollar & Wolff的稍高一些。但是后者的结果似乎因使用单一的平减指数而有偏性，而且显示出有周期性---在1970年Dollar & Wolff 的TFP估计值为0.92, 1979年是0.77，1982年是0.88，看上去不太可能在1970年和1979年都出现了技术上的回退，而在1979年和1982年又同时突发了追赶。[20]回到Kuroda的估计，可以看到它们基本上都比本文的估计低，但都同时在1980年左右达到峰值，他的估计值与本文都说明了在1980年以后，日本的TFP相比美国更为稳定。在1980年, 表1 说明有5个日本工业，即造纸、化工、初级原料、机械和电子工业已经达到或者超过了美国TFP 水平。Kuroda 也估算出日本的化工和电子工业在1980年已经超过了美国, 而造纸、初级原料和机械接近美国水平。总体上，Kuroda对1980年的工业TFP估计值与表1的均值误差是0.036, 标准差为0.15。
图1和表1显示出日本生产率从80年代开始减速，但综合数据掩盖了一些重要趋势。 就追赶过程而言，有可能将日本的工业分成3个组。领先工业包括化工、初级原料、造纸和机电迅速追赶美国并从80年代开始超过了美国。处于中间位置的工业，如机械、矿业、运输[21]和金属制品追赶得没有这么快，自从70年代早期开始保持了相应的位置。落后的工业如食品，纺织和仪器仪表工业从70年代开始停止了趋同。但是生产力缺口仍然很大。看上去从70年代开始领先工业的良好表现掩盖了中间和落后工业的减速。
在本节的最后，图2显示了美国相对与日本的TFP的对数值以及日本相对美国在研发R&D资本与实物资本之比的对数值。
在1960年和1969年, 日本R&D投入比美国约高出50%。在1969年和1975年,日本的R&D 投入相对美国是停滞的。在1975年和1989年, 提高了约60%。因此到1989年, 两国的R&D投资与实物投资的比例基本接近了。在整个时间段，日本TFP赶上了美国，而在图1中，主要的追赶在70年代中期已经完成了。尽管从70年代中期开始，日本的TFP少有进展，但其R&D 投资与实物投资的比例仍继续上升得比美国快，意味着70年代中期生产力缺口消失后，较高的R&D仍然是必要的。
[1] 对日本经济增长的比较好的介绍见Denison和Chung(1976), Patrick 和Rosovsky (1976)，以及Balassa和Noland (1988)。
[2] 也有例外，见Denny等(1992), Dollar和Wolff (1994), 以及Kuroda (1996)，他们构建了测量日本和美国相对TFP的方法，在3.2节会有讨论。
[3] 见Basu和Weil (1998)以及Temple (1998)对技术问题的更广泛的讨论。
[4] 见Cameron, Proudman和Redding (1999)对英国和美国的一个类似分析。
[5] 见David (1985)和Nelson以及Winter (1982)的讨论。
[6] 即c(Hi),译者注。
[7] 见Bernard和Jones, 1996b和1996c, ameron, Proudman和Redding, 1999的有关模型，以及Quah, 1999的讨论。一个北南创新和模仿的内生增长模型见Currie, Levine, Pearlman和Chui (1999)。
[8] 注意这里也可以认为是一种均衡矫正机制。
[9] 推导过程为：
[10]这个假设形式上意指美国TFP被看作外生于日本的TFP，因此如果日本领先的话不会对美国有任何促进。也许对这里使用的直到1989年的数据来讲，不是一个现实的假设。此外，即使放宽假设，第4节报告的计量经济结果仍不会有明显变化。
[11] 见Jorgenson和Nishimizu (1978)，Denny和Fuss (1983a，1983b)的相对生产力方法的进一步讨论。
[12] 见数据附录和Tokutsu (1994)对此数据集的更多细节。
[13] 石油和煤炭产品的数据已经有提供，但因其70年代的平减指数不太实际而没包括在这里。
[14] 在本数据集中的其他制造业包括以下：制衣(21), 木材(22),家私(23), 印刷(25), 橡胶(28), 皮革(29), 军火(38)以及其他(39)。
[15] 在Cobb-Douglas生产函数假设下，理论上计算总和的正确方法是以其投入所占分额（在生产函数中的幂指数）为权数对每个工业部类的相对TFP进行加权计算，见Bernard和Jones (1996b)。然而，中间输入的2位数据和总产出是在一个净部门的基础上(如包括投入到，产出到其他的部门)，求和时会重复计入一些无法知道大小的数量。因此，表1的总和数据计算是使用了增值权数,这样就得到了比简单求平均数或以基于总产出份额的权数计算值略小的结果（这是因为高TFP的工业占加权后投入的份额相比占产出的份额为小）。时间曲线是相似的，具有介于增值加权总和和总产出加权总和的均值差0.075，标准差为0.015, 与简单均值的差别也是差不多大小。注意本文中的回归结果仅是基于工业水平的数据，因此不会受到影响。
[16] 注意，美国的数据把中间投入类别分成三部分-能源、原料和服务。其和与日本的投入是相等的。
[17] 注意，表1的估计量与方程11中的AA/AB等同，数据1 是log(AA/AB )。
[18] 注意，由于两国间的经济周期是不同步的，相对TFP可能因相对产能使用不同而变化。
[19] Kuroda (1996) 没有提供对制造业总和的估计值，因此本段落的数据是用表1中一样的增值权数对他的各工业估计值进行求和得出的。
[20] 由增值生产函数中得出的估计值通常比从总产出生产函数中得出的更不稳定。
[21] 运输工具之间的差别可能相当可观，但也可能只是反映了周期性误测以及两国间工业产出的成分不同。运输业包括：汽车、轮船、铁路、航空、摩托车和公共汽车。 美国有庞大的航空业,日本知道最近才有了一些航空制造，见Fuss和Waverman (1990, p. 85),以及Denny等(1992)对这个问题的讨论。
5. 结论
本文认为经济增长过程对于跟从者和领先者来说是非常不同的。跟从者能够使用技术转移来引进国外技术、机械和工作经验从而可以比领先者成长更快。尽管如此，当跟从者的生产力水平接近领先者时，从模仿中获得收益变得越来越困难。进而跟从者不得不投入巨大的R&D力量来提高生产力水平。
本文还应用了这一想法于战后日本的经验。估计了1955年日本的TFP只有美国水平的一半，但到1980已经接近美国的90%。当技术缺口缩小后，特别是在1973以后, 日本开始在R&D上大量投入。假使日本当初就启动针对消化外来技术的研究活动，这类非正式的研究也不会反映在R&D数据中。 仅当正式的R&D开始启动，R&D数据才开始包含日本的完全的R&D投入，这就是真正的创新性研究开始发生时的阶段。
这两个国家的生产力表现在两个方面是相似的。其一，70年代的生产力增长有明显的降低，紧接着在80年代开始提速。其二，不同的国家相同产业的的表现相比同一国家不同产业的表现有更大的类似性，比如，两国的电器工程和仪表工业都表现良好，但是矿业、初级原料和食品工业却不是很好。两国至少在一个重要方面表现出了不同。虽然日本在80年代的生产力增长没有显示出已回升到1955到1973水平, 但是已经同美国的增长速度相同。这就是是结论“日本的生产力水平相对于美国是稳定的，日本已经不再可以取得快速追赶的效果了”。
本文使用了四种不同的剖面数据方法，即动态固定效应、平均组、混合平均组以及与生产力缺口的交互。本文使用的计量经济学结果，揭示了日本相对与美国的生产力缺口对其工业的TFP增长是有显著影响的。这种影响既有直接因素又有由工业交互作用传导而来的间接因素。回归10显示出，直接影响的系数约为0.066 ，意味着生产力缺口每年消失6.6%。间接影响意味着有较高R&D资本与实物资本比例和出口对总产出比例的工业会更快地追赶。有较高非生产员工与总员工比例的工业追赶得相对较慢。
这些影响可以被用来估算不同工业间的潜在的追赶效果。这些估算表明最高速度的追赶发生在电器、纺织和仪表工业。与此相反，造纸和食品没有显示出从追赶中取得显著效果。注意到这点，从方程(7), 意味着电器、纺织和仪表业通常能被认为接近其稳定状态，但造纸和食品工业相对于美国没有显示出稳定的状态（由方程7的f=0得出）。
本文也检讨了R&D资本和人力资本所起的作用。结果显示出R&D资本的水平(相对于R&D 资本的变化量) 对于日本工业的内部创新速度有显著影响，但是在所研究的时间段里，人力资本的量度方法对于日本制造业的TFP增长很少有影响。
附录 1 数据来源
日本
日本投入产出的数据由Ichiro Tokutsu (见 Tokutsu, 1994)提供。包括毛产出和劳动，能源，原料和资本投入在1955年~1989年间的当前和不变价格:
· 以市场价格和1985不变价格计算的毛产出.
· 以市场价格和1985不变价格计算的中间投入.
· 以市场价格和1985不变价格计算的总能源投入.
· 以市场价格计算的资本收入和以1985年不变价格计算的总资本存量.
· 员工报酬.
下列数据日本厚生省，经济规划厅和MITI提供:
· 生产性员工的比例.
· 正常和加班时间.
购买力平价
日-美1970年的购买力平价由Masahiro Kuroda (见 Kuroda, 1996)提供。
美国
1948~1992年美国的投入产出数据由劳动统计局提供。
· 以市场价格和1980年不变价格计算的总产出.
· 以市场价格和1980年不变价格计算以市场价格和1980年不变价格计算中间投入.
· 以市场价格和1980年不变价格计算的总能源投入.
· 以市场价格计算的资本服务和以1980年不变价格计算的总资本存量.
· 员工报酬和工时.
剖面数据的单位根检验
表A1 报告了基于Im, Pesaran and Shin(1997) 提供的方法的
表 A1
动态剖面单位根检验
Levels Differences
Log(A) 3.63 12.67
Log(R/K) 3.90 7.86
Log(H/L) 3.41 15.1
注:
有时间趋势的临界值(近似): 4.4.。无时间趋势的临界值(近似): 2.98，Im, Pesaran and Shin (1997)。
常数和趋势包括在levels中, Differences只包括常数。样本区间是1960年到1989年。 Log(A)是日本TFP对数， Log(R/K)是R&D资本与实物资本之比的对数, Log(H/L)是非生产员工与全体员工之比的对数,
参考文献:
Aghion, P. and Howitt, P. (1992) ‘A model of Growth through Creative Destruction’, Econometrica, pp. 323-51.
Anderson, T. and Hsiao, C. (1982) ‘Formulation and estimation of dynamic models using panel data’, Journal of Econometrics, 18, pp. 47-82.
Balassa, B. and Noland, M. (1988) Japan in the World Economy (
Barro, R. and Sala-i-Martin, X. (1991) ‘Convergence across Regions and States’, Brookings Papers on Economic Activity, No. 1.
Barro, R. and Sala-i-Martin, X. (1997) ‘Technological Diffusion, Convergence, and Growth’, Journal of Economic Growth, vol. 2, no.1, pp. 1-26.
Basu, S. and Weil, D. (1998) Appropriate Technology and Growth, Quarterly Journal of Economics, 113, pp. 1025-54.
Ben-David, D., Lumsdaine, R. and Papell. D. (1999) Unit Roots, Postwar Slowdowns and Long-Run Growth: Evidence from Two Structural Breaks, mimeo (
Benhabib, J. and Spiegel, M. (1994) ‘The role of Human Capital in Economic Development: Evidence from Aggregate Cross-Country Data’, Journal of Monetary Economics, vol. 34, pp. 143-173.
Bernard, A. and Jones, C. (1996a) ‘Technology and Convergence’, Economic Journal, vol. 106, no. 437, pp. 1037-1044.
Bernard, A. and Jones, C. (1996b) ‘Productivity across Industries and Countries: Time Series Theory and Evidence’, Review of Economics and Statistics, vol. 58, no. 1, pp. 135-146.
Bernard, A. and Jones, C. (1996c) ‘Comparing Apples to Oranges: Productivity Convergence and Measurement across Industries and Countries’, American Economic Review, vol. 86, no. 5, pp. 1216-38.
Breusch, T. and Pagan, A. (1980) ‘The LM tests and its Application to Model Specification in Econometrics’, Review of Economic Studies, vol. 47, pp. 239-254.
Brezis, E., Krugman, P., and Tsiddon, D. (1993) ‘Leapfrogging in International Competition: A Theory of Cycles in National Technological Leadership’, American Economic Review, vol. 82, pp. 1211-1219.
Broadberry, S. (1994) ‘Technological Leadership and Productivity Leadership in Manufacturing since the Industrial Revolution: Implications for the Convergence Debate’, Economic Journal, vol. 423, pp. 291-302.
Cameron, G., Proudman, J. and
Currie, D., Levine, P., Pearlman, J. and Chui, M. (1999) Phases of imitation and innovation in a North-South endogenous
growth model, Oxford Economic Papers, 51, pp. 60-88.
David, P. (1985) ‘Clio and the Economics of QWERTY’, American Economic Review, vol. 75, no. 2, pp. 332-7.
Denny, M., Bernstein, J., Fuss, M., Nakamura, S. and Waverman, L. (1992) ‘Productivity in manufacturing industries,
Denny, M., and Fuss, M. (1983a) ‘The use of discrete variables in superlative index number comparisons’, International Economic Review, vol. 24, no. 2, pp. 419-21.
Denny, M., and Fuss, M. (1983b) ‘A general approach to intertemporal and interspatial index number comparisons’, Journal of Econometrics, vol. 23, no. 3, pp. 315-30.
Diewert, W. (1976) ‘Exact and Superlative Index Numbers’, Journal of Econometrics, vol. 4, no. 2, pp. 115-145.
Dollar, D. and Wolff, E. (1994) ‘Capital Intensity and TFP Convergence by Industry in Manufacturing, 1963-1985’, in Baumol,
W., Nelson, R. and Wolff, E. Convergence of Productivity: Cross-National Studies and Historical Evidence (
Fuss, M. and Waverman, L. (1990) ‘Productivity Growth in the Motor Vehicle Industry, 1970-1984: A Comparison of
Hall, B. (1995) TSP Version 4.3a (
Im, K., Pesaran, H. and Shin, Y. (1997) Testing for Unit Roots in Heterogeneous Panels, mimeo (
Jorgenson, D. and Nishimizu, M. (1978) ‘US and Japanese Economic Growth, 1952-74’, Economic Journal, vol. 88, no. 352, pp.707-26.
Kuroda, M. (1996) ‘International Competitiveness and Japanese Industries, 1960-85’, in Wagner, K. and van
International Productivity Differences: Measurement and Explanations, (
Nelson, R. and Phelps, E. (1966) ‘Investment in Humans, Technological Diffusion, and Economic Growth’, American Economic Review, vol. 61, pp. 69-75.
Nelson, R. and Winter, S. (1982) An Evolutionary Theory of Economic Change, (
Nickell, S. (1981) ‘Biases in Dynamic Models with Fixed Effects’, Econometrica, 49, pp. 1399-1416.
Olson, M. (1982) The Rise and Decline of Nations (
Olson, M. (1996) ‘Big Bills Left on the Sidewalk: Why Some Nations are Rich and Other Poor?’, Journal of Economic Perspectives, vol. 10, no. 2, pp. 3-24.
Patrick, H. and Rosovsky, H. (1976) Asia’s New Giant: How the Japanese Economy Works, (
Pesaran, M.H., Shin, Y. and Smith, R. (1999) Pooled Mean Group Estimation of Dynamic Heterogeneous Panels, Journal of the American Statistical Association, 94, pp. 621-634.
Pesaran, M. and Zhao, Z. (1997) Bias Reduction in Estimating Long-Run Relationships from Dynamic Heterogeneous Panels, mimeo (
Phillips, P. and Moon, H. (1999) Linear Regression Limit Theory for Nonstationary Panel Data, Econometrica, 67, pp. 1057-1112.
Pilat, D. (1996) ‘Competition, Productivity and Efficiency’, OECD Economic Studies, no. 27, pp. 107-146.
Quah, D. (1996) ‘
Quah, D. (1999) Cross-Country Growth Comparison: Theory to Empirics, mimeo (London School of Economics).
Ramsey, J. (1969) ‘Tests for Specification Errors in Classical Linear Least Squares Regression Analysis’, Journal of the Royal
Statistical Society, Series B, vol. 31, pp. 350-71.
Redding, S. (1996) ‘Is There a Penalty to being a Pioneer?’, Nuffield College Discussion paper no. 109.
Redding, S. (1999) ‘Dynamic Comparative Advantage and the Welfare Effects of Trade’,
Sachs, J. and Warner, A. (1995) ‘Economic Reform and the Process of Global Integration’, Brookings Papers on Economic Activity,pp. 1-118.
Tokutsu,
van
White, H. (1980) ‘A heteroscedasticity-consistent covariance matrix estimator and a direct test for heteroscedasticity’,
Econometrica, vol. 48, pp. 817-838.
Zellner, A. (1962) An efficient method of estimating Seemingly Unrelated Regressions and tests of aggregation bias, Journal of the American Statistical Association, 57, pp. 500-509.
作者: 加文·卡梅隆（Gavin Cameron）, 牛津大学纳菲尔德学院,1999.12
郑磊译