1 数据说明
采用2018-2020年我国上市工业企业的财务数据来测度企业的全要素生产率。参考《The Brain Gain of Corporate Boards: Evidence from China》等文献的做法，企业投入产出的数据说明如下：
-
企业总产出--用企业主营收入的数据
-
资本--用企业固定资产的数据
-
劳动力--用企业员工总数的数据
-
中间投入--用企业购入商品和劳务现金的数据
由于数据的时间跨度比较短，所以不考虑通货膨胀的因素。如果时间跨度比较长，则需要对财务数据进行平减。
这里采用Stata16软件来分析。
2 录入数据
打开数据编辑窗口，将数据从Excel中复制到Stata，注意粘贴时选择“将第一行作为变量名”
3 数据预处理
将字符串数据类型转换为数值型：
destring 主营成本2020,replace force
数据格式转换为面板类型：
reshape long 主营收入 员工总数 固定资产 主营成本 中间投入 资本性支出 exit,i( 证券代码) j(year)
变量取对数：
g lny=ln(主营收入)
g lnk=ln(固定资产)
g lnl=ln(员工总数)
g lnm=ln(中间投入)
生成证券代码的数据型变量：
encode 证券代码,g(id)
设置面板格式：
xtset id year
4 估计企业全要素生产率
安装LP方法的命令：
search levpet
5 计算企业全要素生产率:总产值形式
对于产出变量，LP方法提供了总产值和增加值两种形式的估计！，在levpet命令中庸revenue和valueadded来指定，其中，revenue形式估计时需要采用gmm方法，估计更为耗时，且对数据质量要求更高。这里首先对总产值的形式进行估计
LP方法估计生产函数：
levpet lny, free(lnl) proxy(lnm) capital(lnk) revenue reps(50)
在opreg命令中： proxy()中为未被观测到的生产率的代理变量 free()中为生产函数中的自由变量 capital()中为资本投入变量。本例中，由于数据量少，导致无法估计出结果。
修改LP方法参数设置，重新估计生产函数：
levpet lny, free(lnl) proxy(lnm) capital(lnk) revenue justid grid reps(5)
在levpet命令中加入justid和grid选项，采用网格搜索法来求解回归方程系数，同时将bootstrap的计算次数减少为5次“res(5)”。
在LP方法估计结果中，可以看出，劳动的边际产出为0.2656909，资本的边际产出为0.01，且不显著；中间投入的产出为0.7.
计算企业全要素生产率：
predict tfp_1,omega
6 计算企业全要素生产率:增加值形式
对于上市企业，我们之前采用主营收入来表示总产值。这里为了近似计算出增加值，采用主营收入减去中间投入的方法来计算（纯粹为了演示lp的操作方法，在实际应用中应选取上市企业的更合适指标来表示增加值）。
估算增加值，并取对数处理：
g lnadd=ln(主营收入-中间投入)
LP方法估计生产函数：
levpet lnadd, free(lnl) proxy(lnm) capital(lnk) valueadded reps(50)
从结果可以看出，此时回归方程中只有lnk和lnl，没有lnm。资本和劳动的边际产出系数和采用总产值形式的估计结果接近！
计算企业全要素生产率：
predict tfp_2,omega
7 对个体和时间效应进行控制
由于是面板数据，可以对时间效应和个体效应进行控制，计算企业全要素生产率：
levpet lnadd, free(lnl) proxy(lnm) capital(lnk) valueadded i(id) t(year) reps(50)
predict tfp_3,omega