工业增加值能耗的改进空间及实现路径研究

2013-09-25郭炳南于同申

中南财经政法大学学报 2013年5期

张成郭炳南于同申

（1．南京财经大学经济学院，江苏南京210023；2．江苏科技大学公共管理学院，江苏镇江212003；3．中国人民大学经济学院，北京100872）

一、引言

改革开放以来，中国经济迅猛发展，年均GDP增长率高达9．8%。但是，中国的经济增长，尤其是20世纪90年代末的经济增长主要是由要素投入和牺牲环境推动的，这种粗放型经济增长方式给我们带来经济增长喜悦的同时，也带来了严重的环境问题和能源供求的紧张局面。日益恶化的生态环境和越发紧张的能源供求局面，迫使中国政府愈发重视“节能减排”工作。不论是哥本哈根会议上，中国政府作出的要在2020年将二氧化碳排放强度比2005年下降40%～45%的郑重承诺，还是国民经济“十二五”规划中提出的单位GDP能耗降低16%的约束目标，都体现了中国作为一个大国的责任、风范和决心。然而，我国还有大量的贫困人口有待脱贫，社会福利水平较低，同时城市化和工业化目标尚未实现，这就意味着我国在推进“节能减排”的同时，还必须考虑经济的增长问题［1］。因此，中国如何才能在节能减排和经济增长的双重任务中寻求最优均衡，根据政府的GDP能耗约束性目标在地区间、行业间进行合理分解成为中国目前迫切需要解决的问题之一，这也是当前学术界研究的热点之一。

从国内已有文献来看，魏楚等基于全要素生产率框架，估算了中国各地区的节能潜力，研究结果发现北京、上海和广东三省份位于效率前沿面，而其余省份在2006年和2007年可分别节约113 931和123 530万吨标准煤，节能潜力分别高达39．4%和39．0%，且节能潜力呈现西中东递减格局［2］。余泳泽使用类似的方法，构建了基于投入导向的节能潜力模型，发现以各地区2003～2008年数据为样本时，天津、上海、广东、海南和青海五省份为效率前沿面，且年均节能潜力达79 827万吨标准煤［3］。也有学者以行业数据为样本，测算各行业的节能潜力，如韩一杰和刘秀丽运用超效率DEA模型对2005～2007年间的中国各地区钢铁行业的全要素能源效率进行了测算，并计算了相应的节能潜力，他们发现天津、河北、江苏、浙江、安徽、江西和广东七省市构成了效率前沿面，并由此测算出2007年各地区电力节能潜力高达758．73亿千瓦时，化石能源节能潜力高达8 560．70万吨标准煤［4］。

现有文献大多止步于能源潜在节约量的测算上，鲜见有学者进一步研究产值能耗的改进空间，但有较多学者研究了影响产值能耗的潜在因素。如戴彦德等曾指出要想在过去的“十一五”期间完成单位GDP能耗降低20%的目标，要多途径全面推进，工业是重点，结构调整是关键，要多层次、全方位推进节能规制和政策建设，更要组织落实节能降耗重大行动［5］。柴建等基于我国历年30部门能源投入占用产出表，考虑了国民经济生产总值、能源直接消耗技术、最终需求结构和最终需求总量等因素，建立了我国单位GDP能耗的投入占用产出因素分析模型，从宏观和微观层面揭示了我国十年来单位GDP能耗变化的成因［6］。董锋等则使用面板协整技术研究了各因素对中国各省区单位GDP能耗的差异化影响，发现产业结构对单位GDP能耗的负影响东北最大，中部最小，西部为正影响；技术进步对单位GDP能耗的负影响东部最大，西部其次，中部最低；对外开放程度对单位GDP能耗的负影响西部最大，东北最小，中部则为正影响［7］。类似相关文献都为丰富与产值能耗相关的研究做出了不同的贡献。

在现有研究的基础上，本文略作推进，拟进一步研究工业增加值能耗的改进空间。具体研究时，本文以2011年江苏省县级数据为例，在可比较的口径上使用工业增加值能耗指标，但在测算其改进空间时，则是先基于SBM超效率模型框架间接求得能源和产出的松弛变量，再将其转化成工业增加值能耗改进空间。和已有文献相比，本文的主要贡献体现在以下两个方面：一是计算出各地区的工业增加值能耗改进空间，并基于二维矩阵图，给出四种发展路径；二是使用Tobit模型研究影响工业增加值能耗改进空间的可能因素，而不仅仅停留在分析效率水平的影响因素上。

二、实证分析

在追求节能减排的目标时，可以有两种思路：一种是在满足产出要求的基础上力图实现投入要素的最大节约，另一种则是在充分利用投入要素的基础上追求产出的最大扩张。在本文中，我们同时采取这两种思路。鉴于传统CCR和BCC模型在锥性和径向性等假设上的严格界定，导致实践中的效率评价存在诸多偏差，而Tone创立的SBM模型，通过将松弛变量引入目标函数，较好地解决了投入和产出的松弛性问题［8］，但该种SBM模型和CCR、BCC一样，存在无法对多个同时有效的决策单元（即效率评价值为1）进行排序的不足，Tone进一步构造了SBM超效率模型，从而解决了多个有效决策单元的排序问题［9］。

本文以2011年江苏省县级截面数据为样本，在计算超效率模型时，我们选取各地区工业增加值作为产出；选取资本、劳动和能源作为投入，其中资本数据用工业资产总计度量，劳动用工业从业人员年平均人数度量，能源用工业综合能源消费量（标准煤）表示，部分地区没有提供直接的数据，我们根据各种单位能源与煤炭能源的热量比值进行了转换。所用数据大部分是根据2012年《江苏统计年鉴》、分市统计年鉴整理和计算而得，部分数据来自于江苏省各级政府的公报和直接向地方政府统计局索取而得。

（一）工业增加值能耗改进空间的估算

本文使用江苏省2011年的县级数据，根据基于投入和产出导向的SBM超效率DEA模型，得到各自的效率值，并根据投入或产出的冗余量，计算出工业增加值能耗的改进空间。在计算时，采用DEA SOLVER Pro5软件，具体的结果见表1。并且，本文主要根据规模报酬不变的假设对工业增加值能耗的改进空间进行估算，原因在于如果采取规模报酬可变的假设一般需要决策单元是单个企业，而在地区间进行比较时，地区往往由多个企业构成，此时一个总体经济规模较小的地区，往往被赋予了规模报酬递增的特性，而一个经济规模较大的地区，则被赋予了规模报酬递减的特性，但两个地区中单个企业的规模特性可能相同或恰好相反。为此，本文认为在比较地区间的效率时，使用规模报酬可变的假设可能会适得其反。

根据表1报告的结果，在使用基于投入的规模报酬不变的超效率DEA模型时，溧阳市、东海县、灌云县、灌南县、射阳县、扬中市、沭阳县和泗洪县的超效率值均大于1，表明这八个地区处于效率前沿面，其中，射阳县的效率（3．030 9）最高，意味着射阳县在产出不变的情况下，即使将投入扩大至3．03倍，依然能够处于有效率的前沿水平。基于这八个前沿面地区的投入和产出，可以进一步评价其余地区的效率水平，可以看出，除前沿面外，效率水平相对较高的三个地区为泗阳县、高淳县和海门市，他们若分别将投入减少3．56%、5．06%和5．74%即可达到前沿面水平；相对较低的三个地区依次为邳州市、连云港市区和苏州市区，分别需要将投入减少61．85%、64．43%和71．99%方可达到有效率的前沿水平。同时，虽然不建议使用规模效率可变的假设，但本文还是给出了规模效率可变时的超效率值，可以看出，效率前沿面地区新增了南京市区、高淳县、溧水县、无锡市区、昆山市、海门市、镇江市区和淮安市八个地区。虽然规模效率不变和可变时的超效率值有所差异，但总体保持了一致性，两效率的相关系数高达0．856。

基于八个前沿面地区的投入和产出数据，可以求得其余地区在三种要素投入上的冗余量。能源投入上的冗余有两种类型：一种是为了达到资本、劳动和能源的最佳比值关系，决策单元可以节约的能源投入量；第二种是和前沿面相比，能源和资本、劳动要素可以同比率节约的投入量。为便于分析，本文不再对这两种类型的冗余量进行区分。将能源投入冗余量进行扣除，可以得到和前沿面相比，其他地区在工业增加值能耗上的理想状态及相应的改进率。相对而言，连云港市区的工业增加值能耗改进空间最大，具备从1．819 2降低至0．350 1的潜力，改进率高达80．75%；其次为江阴市和苏州市区，改进率亦分别高达79．28%和78．48%。而高淳县和溧水县的改进空间最小，分别具备0．67%和2．34%的改进率。容易发现，某地区工业增加值能耗越大，往往具备较大的改进空间，但这一关系并非绝对，如南京市区的工业增加值能耗高达3．311 3吨／万元，远高于连云港市区的1．819 2吨／万元，但南京市区的改进率为53．14%，远低于连云港市区的80．75%，原因就在于两地区的前沿面地区并不一致①，南京市区的前沿面地区为溧阳市和灌南县，它们的工业增加值能耗水平本身就相对较高，从而制约了南京市区的改进率，而连云港市区的前沿面地区则为工业增加值能耗相对较低的东海县。

同时，为了和前文结果作对比，我们还使用了基于产出的规模报酬不变的超效率DEA模型，具体结果亦见表1。此时，前沿面地区和基于投入的规模报酬不变时总体保持了一致性，但前沿面地区内部的排序有所调整，如基于投入时的最具效率的三个地区依次为射阳县、扬中市和灌云县，但基于产出时最具效率的三个地区依次为射阳县、扬中市和泗洪县。至于其余地区的效率水平，两种假设下的结果基本保持一致，Pearson相关系数高达0．923，但依旧存在排序局部有调整的现象。进一步观察基于产出的规模效率可变时的相关结果，发现此时的效率前沿面地区的构成及其余地区的效率值和基于投入的规模效率可变时的结果亦保持了一致性。表1还报告了基于产出的规模报酬不变时的工业增加值能耗水平理想值及改进率，可以看出，此时的理想值及改进率和基于投入的相关结果高度相关（改进率的Pearson相关系数为0．875），相对而言，基于产出时的改进空间要小于基于投入时的对应结果，且各地区改进率的排序亦有所差异。不过，总体结果保持了一定的稳健性。

（二）降低工业增加值能耗的实现路径

前文分析了江苏省各地区的超效率值和工业增加值能耗改进空间，需要注意的是，虽然工业增加值能耗是指导各地经济协调发展的一个重要指标，但并不是经济发展的全部，苏南和苏北经济上的巨大差异性，客观上要求我们必须努力寻求差异化的发展路径。

为了更好地刻画江苏省各个地区工业部门劳均工业增加值和单位工业增加值能耗的空间分布，我们给出了一个二维矩阵图，在分类时，劳均工业增加值和单位工业增加值能耗均根据平均值进行分类，其中劳均工业增加值的均值为22．234万元／人，单位工业增加值能耗的均值为0．884吨／万元，从而将58个地区划分成高劳均工业增加值—低工业增加值能耗（组A）、高劳均工业增加值—高工业增加值能耗（组B）、低劳均工业增加值—高工业增加值能耗（组C）和低劳均工业增加值—低工业增加值能耗（组D）四组。

图1 工业增加值能耗和劳均工业增加值的状态矩阵图

可以看出，组A实现了工业部门经济增长和生产节能的双赢，该组包括无锡市区、溧水县和海门市等14个地区，其中东海县的劳均工业增加值居于本组首位（29．457万元／人），扬中市的单位工业增加值能耗则相对最低（0．106吨／万元）。这些地区是其他地区学习的榜样，在未来的发展中，应当继续保持其在劳均产出和能耗节约上的领先地位，寻求经济增长和环境保护的协调发展。

组B在工业部门的经济增长上取得了不错的成绩，但在能源消耗方面则不甚理想。该组包括南京市区、宜兴市和镇江市区等14个地区，其中溧阳市的劳均工业增加值高达34．298万元／人，居于本组乃至整个江苏省的首位，丰县的单位工业增加值能耗在组内最低，但仍然高达0．911吨／万元，是组A扬中市的9倍之多，南京市区的工业增加值能耗更是高达3．311，高居省内首位。这类地区在未来的经济发展中，应当重点推进能源的节约，可以从基于投入的角度考虑，如何在保持产出的前提下，尽量提高能源使用效率、优化产业结构，将能源投入量降低至省内前沿面水平，从而有效改善组B各地区在工业增加值能耗上的劣势地位。

活性炭内部含有丰富的孔隙结构，各种孔对活性炭吸附性能的贡献有着很大的差异。一般认为，大孔容积在0.2～0.8 cm3/g，比表面积小于0.5 m2/g；中孔容积介于0.1～0.5 cm3/g，比表面积在20～70 m2/g，不超过总面积的5%；微孔容积介于0.2～0.6 cm3/g，比表面积在400～1 000 m2/g，甚至更高，占总面积的95%以上[7]。

组D和组B的现状恰好相反，组D虽然在单位工业增加值能耗上和组A一样处于较低水平，但其劳均工业增加值在低位徘徊。组D包括高淳县、吴江市和泗阳县等23个地区。虽然我们将这23个地区分成一类，但组内差距是较为明显的，如高邮市的劳均工业增加值仅为11．866万元／人，而南通则为22．204万元／人，约为高邮的2倍。总体来看，该组地区在未来经济发展中，应当注重从产出角度考虑，重点思考如何在维持能源投入量小幅或同幅增长的情况下，努力提高产出水平，在实现劳均工业增加值增长的同时，客观上也进一步强化他们在工业增加值能耗上的优势地位。

组C的境地相对最为尴尬，不仅在劳均工业增加值上的成绩不如意，而且在工业增加值能耗上的现状亦不理想。组C包括新沂市、连云港市区和仪征市等7个地区。在选择未来的发展模式时，组C若选择C→B→A的发展轨迹，即先依靠大量投入能源追求经济增长来实现劳均工业增加值的快速增长，然后再追求工业增加值能耗降低，则没有逃离传统的“先污染后治理”的模式，和我国的可持续发展模式亦有所违背。组C若选择C→D→A的发展轨迹，即先追求工业增加值能耗的快速降低，然后再实现劳均工业增加值增长，这种模式虽然从能源投入角度符合我国节能减排趋势，但将相对较低的劳均工业增加值现状放到后期去解决，似乎也不利于“先富带动后富”理论的实现，对工业部门的大量低收入者而言，也是一种不公平。因此，摆在组C面前的路，似乎只有C→A的跳跃式发展轨迹，这虽然是一个难题，但同时也是一个重大的机遇，组C地区应当同时从投入和产出的角度考虑，适度降低能源的投入量，努力提高工业的产出能力，实现工业增加值能耗的有效降低；还应当进一步发展服务业特别是高端服务业，将工业部门边际产出能力低下的从业人员转移到其他产业中去，实现人力资源的有效配置；同时，大力推进新型城镇化道路，亦是流转工业部门剩余劳动力及实现新的经济增长点的有效途径。

（三）工业增加值能耗改进空间的影响因素

前文我们研究了江苏省各地区工业部门的超效率值及相应的工业增加值能耗改进空间与实现路径，这里引入多元回归分析来进一步分析具体有哪些因素会对他们造成影响。根据效率值与工业增加值能耗改进率特征，应当建立Tobit模型来进行研究，因为如果因变量数据是部分连续分布或部分离散分布时，传统的OLS估计将会有偏且不一致，而基于极大似然估计原理的Tobit技术则可以解决这一问题。具体构建的Tobit模型见式（3）。

因变量Y包括EI、EO、ImproveI和ImproveO四个，其中EI和EO分别表示基于投入和产出的规模报酬不变时的超效率值；ImproveI和ImproveO分别表示基于投入和产出的规模报酬不变假设时估算的工业增加值能耗改进率；Service表示服务业与工业的比值，以此来刻画服务业特别是生产性服务业对工业的外部性作用，用第三产业增加值与工业增加值的比值度量；State为国有企业比重，以此来研究国有企业是否会带来不同的影响，用国有企业增加值占工业增加值的比重衡量；Scale为企业平均规模，用工业企业资产总计除以企业个数衡量；Light为轻工业比重，以区分轻工业和重工业对因变量的影响，用轻工业增加值占工业增加值的比重度量；Fdi为外商直接投资强度，以此来分析相应的技术溢出效应、市场窃取效应和污染转移效应，用外商直接投资额与工业增加值的比值衡量；Patent为专利申请强度，来研究科研强度的不同是否会引致不同的影响，用专利授权数除以工业增加值表示；同时，为了考虑区域因素的影响，我们构建了虚拟变量V，南京、无锡、苏州、镇江和常州五个苏南城市用1表示，其他地区则取0；μ为随机误差项。

表2报告了Tobit模型的回归结果。可以看出，当以EI为因变量时，服务业与工业的比值、轻工业比重、专利申请强度和区域虚拟变量的系数为正，但只有轻工业比重和区域虚拟变量的系数通过了显著性检验，前者说明随着轻工业比重的提高，能够降低单位产出对能源的依存度，从而在整体上提高效率水平，后者说明苏南相对于苏中和苏北而言具备更高的效率水平。服务业与工业比值的提高虽能增强工业部门的效率水平，但其影响并不显著，可能的原因是本文使用第三产业来度量服务业，但并不是每种服务业都能够对工业产生显著的外部性，相对而言只有生产性服务业才具备显著的外部性，同时，该结果也传递出一种信号：江苏省各地区的生产性服务业比重仍相对较低或其与工业部门的耦合效果仍未有效打通，如何改善这一现状将是未来工业和服务业结构调整的一个趋势；专利申请强度之所以未能对工业部门效率产生显著影响，一方面可能是由于各地区的产学研格局仍相对分散，专利未能及时有效地市场化，另一方面也可能是专利会对效率水平带来正负两种影响，虽然生产技术进步能够提高资本、劳动和能源的生产率，但这种技术若是能源偏好型的，则会导致能源的大量投入，从而对整体效率水平产生负向的影响，相对而言，正向影响要大于负向影响，但这种领先优势并非显著性的。

国有企业比重、企业平均规模和外商直接投资强度的系数为负，且国有企业比重和外商直接投资强度变量通过了显著性检验。从而说明国有企业的效率水平明显低于其他所有制企业，但值得注意的是这绝不是盲目推行私有化的充分理由，合理的做法应当着眼于如何提高国有企业的效率，而不是简单盲目的否定［10］。企业平均规模的扩大往往可能导致监督、协调和管理成本的不断上升，同时也注意到，国有企业的规模往往较大，所以客观导致了企业规模越大的地区，效率水平往往相对较低，在未来如何避免国有企业的不足，让国有企业和其他所有制企业依靠规模经济、范围经济来实现经济的良好发展将是努力的一个方向。虽然外商直接投资的技术溢出效应能够提升内资企业的传统效率水平，但FDI往往是污染、能源密集型的，从而导致涵盖能源要素的效率水平趋于下降。为了检验以上结果的稳健性，我们以EO为因变量展开了类似的检验，各变量的影响方向和以EI为因变量时保持了一致，但个别变量的系数大小和显著性水平有所变更，总体而言，两个模型的结果较为类似。

表2 Tobit模型回归结果

同时，我们分别以ImproveI和ImproveO为因变量，检验其影响因素。容易发现，这两个模型的结果亦较为类似，服务业与工业的比值、轻工业比重、专利申请强度和区域虚拟变量的系数均为负，表明这些因素的增强，能够降低工业增加值能耗改进率，某地区的工业增加值能耗改进率越低，说明该地区的工业增加值能耗水平越接近于前沿有效水平，但只有服务业与工业的比值和区域虚拟变量能够通过显著性检验。而国有企业比重、企业平均规模和外商直接投资强度的系数为负，且至少在一个模型中通过了显著性检验，说明这些影响因素相对越大，越能够提升工业增加值能耗改进率，越能够让工业增加值能耗偏离前沿有效水平。

三、结论与政策建议

本文以江苏省2011年的县级数据为基础，使用SBM超效率模型测算了各地区工业部门的效率水平，进而得到工业增加值能耗的改进空间，文章还结合工业增加值能耗和劳均工业增加值变量，探讨了各地区未来经济发展的实施路径，并使用Tobit方法研究了影响各地区效率水平和工业增加值能耗改进率的可能因素，得到如下结论：

在规模报酬不变的假设下，不论是基于投入还是产出，溧阳市、东海县、灌云县、灌南县、射阳县、扬中市、沭阳县和泗洪县八地区处于效率前沿面，为其他地区三要素协调发展提供了典范。在工业增加值改进空间上，基于投入的超效率模型结果显示，连云港市区、江阴市和苏州市区的潜在改进率最大，分别为80．75%、79．28%和78．48%，说明这三个地区离效率前沿面水平较远，而高淳县和溧水县的改进空间最小，分别具备0．67%和2．34%的改进率。基于产出的超效率模型的结果和前一结果总体保持了高度一致性。

不同组别的经济发展轨迹是不同的，高劳均工业增加值—低工业增加值能耗组在未来的发展中，应当继续保持其在劳均产出和能耗节约上的领先地位，寻求经济增长和环境保护的协调发展；高劳均工业增加值—高工业增加值能耗组应当重点推进能源的节约，可以从基于投入的角度考虑，如何在保持产出的前提下，尽量降低能源投入量。低劳均工业增加值—低工业增加值能耗组应当注重从产出角度考虑，重点思考如何在维持能源投入量小幅或同幅增长的情况下，努力提高产出水平。低劳均工业增加值—高工业增加值能耗组的境地最为困难，应当同时从投入和产出的角度考虑，实现跳跃式发展。

服务业与工业的比值、轻工业比重和专利申请强度相对越大，越能够提高投入产出的效率水平，降低工业增加值能耗改进率，意味着越能够让工业增加值能耗接近前沿有效水平。而国有企业比重、企业平均规模和外商直接投资强度的提高，则会降低效率水平，提高工业增加值能耗改进率，使工业增加值能耗越发偏离前沿有效水平。同时，相对而言，苏南地区具备区位优势，在工业增加值能耗上更为接近前沿有效水平。但各变量的显著性水平在不同模型间有一定的差异。

结合研究结果，我们尝试提出以下政策建议：（1）应当根据各地区的特点，因地制宜地选择最优的发展模式，避免一刀切式的节能减排思路，上文对江苏省各地区的四组划分则为相关工作的开展提供了一个思路。（2）结合服务业与工业比值和轻工业比重的提高对降低工业增加值能耗的积极作用，我们一方面应重点提升金融、物流、研发、信息服务、文化创新等高端生产性服务业比重，在获取服务业增长的同时，能够反哺工业，提高工业生产效率，助推制造业攀升全球价值链的高端［11］，实现积极的“去工业化”进程；另一方面，鉴于美国“过度去工业化”后的“再工业化”进程，江苏工业内部，在关停并转一批污染环境、浪费资源、设备落后、产能低下的企业和产品的基础上，应大力发展高端制造业，提高产能效率［10］，促进高工业增加值能耗地区逼近前沿有效水平。（3）鉴于江苏省的FDI对增加工业增加值能耗的负向作用，我们要杜绝盲目追求FDI的数量，应注重FDI的国别属性、产业偏好和经营导向等内在特征，因地制宜地引入更能促进当地内资企业生产技术和节能减排技术进步的外资，如可以重点引进英国、法国、德国、日本、新加坡和韩国的以内销为导向的绿色资本［10］，达到缓解资金短缺、提升技术、节约能源和保护环境的共赢。

注释：

①由于各地区的产业结构、要素偏好有较大差异，为客观全面地选取前沿面地区，往往会综合考虑三种投入要素的综合效率，溧阳市和灌南县虽然在能源生产率上不具备领先优势，但在资本和劳动生产率上的优异表现，使其依然成为了前沿面地区。

［1］张成，陆旸，郭路，于同申．环境规制强度和生产技术进步［J］．经济研究，2011，（2）：113—124．

［2］魏楚，杜立民，沈满洪．中国能否实现节能减排目标：基于DEA方法的评价与模拟［J］．世界经济，2010，（3）：141—160．

［3］余泳泽．我国节能减排潜力，治理效率与实施路径研究［J］．中国工业经济，2011，（5）：58—68．

［4］韩一杰，刘秀丽．基于超效率DEA模型的中国各地区钢铁行业能源效率及节能减排潜力分析［J］．系统科学与数学，2011，（3）：287—298．

［5］戴彦德，周伏秋，朱跃中，熊华文．实现单位GDP能耗降低20%目标的途径和措施建议［J］．中国工业经济，2007，（4）：29—37．

［6］柴建，郭菊娥，席酉民．我国单位GDP能耗的投入占用产出影响因素分析［J］．管理科学学报，2009，（5）：140—148．

［7］董锋，龙如银，周德群，李晓晖．产业结构，技术进步，对外开放程度与单位GDP能耗——基于省级面板数据和协整方法［J］．管理学报，2012，（4）：603—610．

［8］Tone K．ASlacks－based Measure of Efficiency in Data Envelopment Analysis［J］．European Journal of Operational Research，2001，（3）：498—509．

［9］Tone K．ASlacks－based Measure of Super－efficiency in Data Envelopment Analysis［J］．European Journal of Operational Research，2002，（1）：32—41．

［10］张成，蔡万焕，于同申．区域经济增长与碳生产率：基于收敛及脱钩指数的分析［J］．中国工业经济，2013，（5）：18—30．