中国交通运输业碳排放全要素生产率研究——基于Global Malmquist-Luenberger 指数

李铭泓，黄 羿，朱伟俊，张发根，常向阳

(广州大学环境科学与工程学院，广东广州 510006)

交通运输业是我国能源消费碳排放的第二大来源［1］。近年来，我国交通运输业碳排放总量呈现上升趋势，据预测其在2030 年将达到2000 年的4 倍多，如何有效控制交通运输业碳排放已成为我国节能减排工作的重要内容之一［2］。中国作为世界上最大的发展中国家，发展的中心任务仍以经济建设和改善民生为主［3］，相对于采用减少碳排放绝对量的减排方式，提高碳排放效率更能保障行业间的分配公平并降低对经济发展造成的影响［4］。因此，碳排放效率常用于以投入产出为基础的碳排放量变化研究中，而科学全面地探讨区域交通运输业碳排放效率以及其影响因素，为推动行业碳排放生产率最优化提供基础依据，是促进交通运输业可持续发展和区域低碳经济建设的关键［5-7］。

国内外学者主要从单要素和全要素两个角度进行碳排放效率的研究［4,8-10］。单要素碳排放效率仅评价碳排放量与某一要素的比例关系，虽然有易于理解和应用的优点，但是缺乏对相关要素指标耦合性的考虑。而全要素生产率最早由美国经济学家Robert［11］提出，指的是单位总投入所带来的总产量，其结果比单要素评价更为全面和客观，因此常作为衡量地区经济效率变化的重要指标，对环境质量评价具有重要意义。目前国内对交通运输业碳排放全要素生产率的研究较少。其中，将碳排放作为非期望产出的全要素生产率评价以静态分析为主，一般采用数据包络分析方法中的Super-SBM 和RAM等模型，根据多个不同行业或省市的数据，逐年建立生产前沿面，对交通运输业碳排放全要素生产率进行测算［6,12-13］，也有研究进一步运用计量经济分析方法探讨了社会经济因素对碳排放全要素生产率的影响［14-15］。在考虑非期望产出分析交通运输业碳排放全要素生产率动态变化方面，已有研究结合研究期间投入产出要素面板数据，基于数据包络分析方法中的Malmquist-Luenberger（ML）指数、Global Malmquist-Luenberger（GML）指数等测算碳排放全要素生产率的变化率，并通过指数分解分析其影响因素。其研究范围主要为部分省市和经济区域［7,16-17］，以国家层面开展的省域对比研究少之又少［18-19］，而且缺少对交通运输业碳排放全要素生产率变化空间差异性的详细分析，不利于在全国统一生产前沿面的基础上深入地分析其动态变化与空间特征。同时，归纳已有研究中的投入产出指标后发现，期望产出指标主要为交通运输量和行业增加值，投入指标包括资本存量、劳动力、能源、运行车辆、路线长度等，而对交通碳排放强度有显著正向影响的城市化水平和交通用地面积［20-21］，却暂未被考虑在内，这在一定程度上影响了碳排放效率的评价结果。

因此，本文根据数据可获取情况，以我国30 个省级行政区（不包括西藏、香港、澳门和台湾，下同）作为研究对象，在常用投入产出指标中增加城市化水平与交通用地面积，同时为了在考虑非期望产出的情况下避免ML 指数可能出现的线性规划无解等问题，采用GML 指数评价2009—2016 年我国与四大经济区域交通运输业碳排放全要素生产率的动态变化及其影响因素，并结合泰尔指数和变异系数对其空间差异性进行分析，从而更加全面地探讨提升交通运输业碳排放效率的思路，为制定差异化的区域碳减排政策提供科学的实证依据，为各区域协同发展低碳交通提供指导方向。

1 研究模型

1.1 Malmquist-Luenberger 指数

Malmquist-Luenberger（ML）指数可用于动态效率的测度。它是Chung 等［22］为解决传统Malmquist指数未考虑非期望产出的问题，用方向距离函数（Directional Distance Function，DDF）与 传 统Malmquist 指数结合，构建出的一个带非期望产出的生产率指数。根据Chung 等的研究思路，Malmquist-Luenberger 指数需要对相邻两个不同时期的方向距离函数进行定义。

以某个生产单元为例，设其使用M种投入x=(x1,x2,…,xM)∈RM+，生产出N种期望产出y=(y1,y2,…,yN)∈RN+，和K种非期望产出b=(b1,b2,…,bK)∈则其第t期（t=1,2,…,T）产出可能性集合为：

在产出项存在零结合性、投入与期望产出项为强可处置性和非期望产出为弱处置性的前提下，引入方向距离函数，将“增加期望产出的同时降低非期望产出”这一目标模型化，其函数表达式为：

其中，g为方向向量，当g=(gy,-gb)时，表示期望产出增加，同时非期望产出减少；β为第t期的距离函数值，表示期望产出增加、非期望产出减少的最大可能倍数。

因此，t期到t+1 期的Malmquist-Luenberger 指数函数表达式为：

1.2 Global Malmquist-Luenberger 指数

Oh［23］在Chung 等 的 基 础 上 构 建 了Global Malmquist-Luenberger（GML）指数，它以所有研究时期的生产技术总集合为参照集，解决了ML 指数存在的不具备循环传递性、线性规划无解等缺点，因此可以更加客观准确地反映我国省域交通运输业碳排放全要素生产率的变化情况。Oh 定义了全局生产技术集PG(x)=P1(x1)∪P2(x2)∪…∪PT(xT)，通过它构建出一个单一生产前沿，可用于衡量各时期、各决策单元技术效率与前沿的差距。GML 指数大于（小于）1，代表全要素生产率增长（下降），其函数表达式为：

GML 指数可分解为全域技术效率变化指数（GMLEFFCH）和全域技术变化指数（GMLTECH），其指数数值大于（小于）1 分别代表效率提高（降低）和技术进步（退步），具体函数表达式为：

在规模报酬不变的情况下，本文参考赵良仕等［24］的研究，将GML 指数进一步分解为式（6）中的纯技术效率变化指数（GMLPECH）、规模效率变化指数（GMLSECH）和技术变化指数（GMLTECH），其中前两项指数的乘积即为技术效率变化指数。

1.3 泰尔指数和变异系数

泰尔指数可用于评估某一指标的区域差异，其值越大表示地区差异水平越高。本文采用泰尔指数测算30 个省级行政区交通运输业碳排放GML 指数的总体差异，并将其分解为四大经济区域之间的差异和区域内部差异，计算公式如式（7）～（10）所示［25］。其中，四大经济区域包括东部、东北、中部和西部地区［26］。

式中，T表示研究范围内30 个省级行政区GML指数的总体泰尔指数，可以分解为东部、东北、中部和西部地区内部省份之间的差异TW和地区之间的差异TB；Gi为第i个省份的GML 指数值；是各省GML 指数的平均值；n为总省份数，m为地区数量，np为第p个地区所包含的省份数；Gpi为第p个地区中各省份的GML 指数，为其对应的平均值，Tp则为第p个地区内各省份GML 指数的泰尔指数。

为了比较同一年份不同省份以及同一省份各年份GML 指数的差异程度，在此计算衡量数据离散程度的变异系数，即样本标准差与平均数的比值，其值水平越高表示离散程度越大，反之则越小，计算公式如下：

式中，C.V为变异系数，k为省份或年份数量；Gj为j省的GML 指数值或同一省份第j年的GML 指数值；则是测算范围内各省份或各年份GML 指数的平均值。

2 指标选取与数据来源

2.1 指标选取

在前文归纳的交通运输业碳排放效率评价指标中，资本存量、劳动力和能源是环境效率评价常用的三项投入指标［27］。由于能源消耗量可以间接地反映运行车辆、路线长度等投入指标，因此本文不再重复考虑，而是增加对交通运输业碳排放有重要影响却暂未被研究的城市化水平和交通用地面积。综合考虑数据的可比性与可获取性等因素后，本文选取全国除西藏、香港、澳门和台湾以外的30 个省级行政区为研究对象，以交通运输业资本存量、劳动力、能源、城市化率和交通用地占比作为投入指标，交通运输业增加值为期望产出指标，交通运输业碳排放量为非期望产出指标，对2009—2016 年省域交通运输业碳排放全要素生产率的动态变化进行分析。

2.2 数据来源及处理

本文参考李杰伟等［28］的研究，按永续盘存法对各地交通运输业资本存量进行核算［29］，计算所需的投资额为交通运输业固定资产投资额，基期资本存量采用Hall 等［30］提出的方法进行计算，折旧率取值为8.76%［28］。劳动力即交通运输业从业人数，可获取的统计数据为城镇单位就业人员数，这进一步说明了在投入指标中选取代表城市化率的城镇人口比重的必要性。交通用地占比为各地交通运输用地与区域总面积的比例，数据来源于我国土地调查成果共享应用服务平台。固定资产投资额、从业人数、城市化率以及交通运输业增加值取自2010—2017 年《中国统计年鉴》，且固定资产投资额与行业增加值均已转换成2005 年可比价。

投入指标中的能源即交通运输业终端能源消耗量，其实物量数据来源于2010—2017 年《中国能源统计年鉴》，具体整理归纳为19 种能源，包括原煤、洗精煤、其他洗煤、型煤、焦炭、焦炉煤气、其他煤气、原油、汽油、煤油、柴油、燃料油、液化石油气、其他石油制品、天然气、液化天然气、其他能源、电力和热力。根据2010—2017 年《中国电力年鉴》和《2010 中国电力工业统计数据分析》中各年份供电标准煤耗和供热标准煤耗数据，可将以煤炭为主要燃料生产的电力和热力转换成标准煤耗量［31］；其他类型能源的实物消耗量通过乘以对应的平均低位发热量再除以标准煤的低位发热量，可折算成便于加总计算的标准煤耗量［32-33］。将各年份所有类型能源的标准煤耗量求和，得到30 个省级行政区2009—2016 年交通运输业的能源消耗量。另一方面，采用IPCC 中将能源消耗量与碳排放系数相乘的方法计算各类能源的碳排放量［34］。其中，因电力与热力已转换成供应所需的标准煤耗量，其碳排放系数取国家发改委建议值0.67kgC/kgce［35］；将取值为平均低位发热量的能源单位热值，与其单位热值含碳量以及能源燃烧过程的碳氧化率相乘，计算其他各类能源的碳排放系数［36］。在此基础上，加总得到研究区各年份的交通运输业碳排放量。在国民经济行业分类中，交通运输业属于交通运输、仓储和邮政业并以此为口径进行数据统计，由于仓储和邮政在行业中的占比较小［13］，因此以上涉及的统计年鉴中的交通运输业指标数据均近似取值于对应的交通运输、仓储和邮政业数据。

3 结果与分析

3.1 GML 指数值及空间分布

运用MaxDEA 8 Ultra 软件 对2009—2016 年间我国30 个省级行政区交通运输业碳排放GML 指数进行测算，结果如表1 所示。研究期间，交通运输业碳排放全要素生产率上升的省份占测算省份的47%，我国交通运输业碳排放GML 指数年均值为0.996 2，即2009—2016 年交通运输业碳排放全要素生产率年均下降0.38%。其中，全要素生产率在2011、2012、2013 和2015 年有所上升，表明“十二五”期间实施的低碳发展政策使全国交通运输业碳排放效率总体得到了改善。全要素生产率增长的省份主要集中在东北、东南沿海和西南部，中部省份的全要素生产率则普遍下降，说明区域间全要素生产率的变化并不均衡，存在一定的空间差异性。GML 指数均值最高的五个省份是四川、河南、上海、新疆和浙江，研究期间全要素生产率的增长率均超过了25%，这也表明效率进步最优值在空间分布上并没有明显的区域性。总体上看，我国各省份之间的交通运输业碳排放全要素生产率变化率具有极大的区域不平衡性，主要受各省域自身经济发展政策影响。

表1 全国省域交通运输业碳排放GML 指数

表1 （续）

分析比较四大经济区域内部各地的GML 指数可知，在东部地区，东南沿海省份的年均GML 指数几乎都大于1，而环渤海地区省份的全要素生产率则都有所下降。东北地区各省GML 指数年均值均大于1，其中黑龙江全要素生产率的年均增加幅度最大。西部地区超过一半省份的全要素生产率年均有所上升，然而各地GML 指数均值的差异较大。中部六省中仅有河南的GML 指数大于1，虽然其仅小于全国GML指数最大的四川，但其他五个省份的全要素生产率均出现下降，导致中部地区GML 指数的年均值在四个地区中最小。综合而言，东部地区和东北地区全要素生产率年均分别增长了0.12%和1.69%，而中部和西部地区则年均分别下降了1.35%和0.86%。

3.2 GML 指数区域差异及变化

本文根据式（7）～（11）计算泰尔指数和变异系数，进一步分析2009—2016 年我国交通运输业碳排放GML 指数的区域差异及其变化，从而探讨区域差异形成的主要来源。其中，泰尔指数计算结果如表2 所示，某年份的总体泰尔指数为上一年到该年份各省份GML 指数值的总体差异，可以分解为东部、东北、中部和西部地区之间的差异与四个地区内部各省份之间的差异。2010—2016 年，各省份交通运输业碳排放GML 指数的总体差异呈现出先上升后下降的趋势，由2010年的0.004 2上升至2013年的0.023 1，随后下降至2016 年的0.004 9。该变化特征的原因在于地区间差异和地区内部差异均出现了先波动上升后总体下降的变化状态。2010—2013 年，表示地区间差异和地区内部差异的泰尔指数由0.001 2 和0.003 1 分别上升至0.010 0 和0.013 2，随后又分别变化至2016 年的0.001 9 和0.003 0。研究期间，地区间差异和地区内部差异对总体差异的平均贡献率分别为22.44%和77.56%，且每年地区内部差异的贡献率都高于地区间差异，表明各地区内部的差异是造成我国交通运输业碳排放GML 指数省际差异的主要因素，其中2014 和2015 年GML 指数的差异几乎全部由地区内部差异所致。

然而，2010—2016 年间东部、东北、中部与西部地区内部省份之间的GML 指数差异并不稳定，四个地区内部差异对总体差异的贡献率均值按大小排序依次为西部、东北、东部和中部地区。其中，西部地区贡献率均值最大的原因在于其省份数量最多，且包含的四川与甘肃是研究范围内年均GML 指数最高与最低的两个省份，二者的碳排放全要素生产率年均分别增加5.22%和下降16.42%。研究期间，西部地区贡献率波动上升至2014 年的62.67%后逐渐下降，其变异系数也在2014 年后下降并趋于平缓，说明省份之间交通运输业碳排放全要素生产率变化率的差异有所减少。东北地区省份数量在四个地区中最少，但其对总体差异的平均贡献率却仅次于西部地区。东北地区的贡献率在波动变化中与西部地区呈现出此增彼减的状态，且在2011、2013 和2016年的四个地区内部差异贡献率中最大。同时，变异系数计算结果显示，东北地区的变异系数波动最为剧烈，除2012 和2014 年外其变异系数均为四个地区中的最大值，进一步印证了东北三省的GML 指数之间存在较为显著的差异。这主要与黑龙江和吉林全要素生产率的大幅度变化有关，两地在2010—2016 年间的GML 指数变异系数分别为0.342 6 与0.501 7，远大于全国平均水平0.106 2。东部与中部地区贡献率的变化过程与西部地区基本一致，虽然东部地区的贡献率自2013 年起始终高于中部地区，但二者在研究期间的平均贡献率较为接近。东部地区中，山东和海南的GML 指数变化相对不稳定，因而成为造成东部地区内部GML 指数差异的重要原因。而在中部地区，地区内部差异形成的主要因素是湖北省GML 指数的变化及其与其他各省的差异。其中，湖北交通运输业碳排放全要素生产率在2011和2012 年分别出现了大幅度的增长与下降，不仅引起中部地区总体全要素生产率的同步变化，而且导致了地区GML 指数变异系数的显著上升。

表2 全国交通运输业碳排放GML 指数的总体差异及其分解贡献率

3.3 GML 指数变化的影响因素

为研究各省份交通运输业碳排放全要素生产率变化的影响因素，本文将GML 指数进一步分解成纯技术效率变化指数（GMLPECH）、规模效率变化指数（GMLSECH）和技术变化指数（GMLTECH）。其中，GML 指数及各项分解指数的动态变化如图1 所示。我国交通运输业碳排放纯技术效率自2013 年起基本保持上升状态，规模效率在2010—2014 年间呈现总体增长的趋势，随后则出现了较为明显的下降，而技术水平仅在2012 年和2015 有所提高，其余年份均表现出不同幅度的下降，且技术变化在研究的七个时段中有四次是驱动全要素生产率变化的关键因素。由于研究期间不存在纯技术效率、规模效率和技术水平同时增加或减少的现象，因此GML 指数的变化幅度相对较小。由此可见，不同的时间段我国交通运输业在总体上对碳排放技术效率与技术水平各有侧重，在兼顾二者共同发展方面的成效并不理想，导致全要素生产率无法稳定上升。

图1 全国交通运输业碳排放GML 指数及其分解指数变化趋势

表3 为2009—2016 年各省份交通运输业碳排放GML 指数分解结果的年均值。因福建、海南、四川、贵州、宁夏和新疆的纯技术效率变化指数小于1，且海南与宁夏纯技术效率的下降幅度较大，我国纯技术效率平均水平稍有下降，年均降幅为0.18%。除北京、天津、河北、山西、安徽、湖北、广西、陕西、甘肃和青海以外，其他地区规模效率变化指数均值均大于1，这推动了我国规模效率年均上升2.68%。在纯技术效率与规模效率变化的共同作用下，我国技术效率年均增长幅度为2.50%。技术变化方面，除河北、浙江、福建、广东、内蒙古和青海以外，其他地区技术变化指数均值均小于1，导致我国技术水平年均下降2.81%。因此，虽然我国交通运输业产业结构与规模不断优化，但对应的交通运输管理能力却没有得到同步提升，且行业技术创新水平的退化在生产率变化中起主导性作用，造成了我国交通运输业碳排放效率的总体下降。

表3 2009—2016 年各省份交通运输业碳排放GML 指数分解结果年均值

表3 （续）

在区域层面上，交通运输业碳排放全要素生产率年均有所增加的东部与东北地区，其各分解指数的变化方向相同但变化幅度存在一定差异。东部地区纯技术效率和规模效率年均分别增加1.10%和1.30%，技术水平却年均下降2.24%。东北地区纯技术效率年均增加6.29%，规模效率的变化则与东部地区相近，年均增幅为1.03%，但技术水平下降幅度较大，年均下降5.31%。中部地区纯技术效率与规模效率年均增加幅度分别为2.31%与0.57%，技术水平年均下降4.12%。而西部地区各项指数的变化与全国情况基本一致，纯技术效率与技术水平分别下降4.29%和1.82%，规模效率年均增加5.61%。综合而言，纯技术效率和规模效率分别是对东北和西部地区交通运输业碳排放效率变化影响最大的因素，而技术水平变化对东、中部地区碳排放效率变化的作用最明显。

4 讨论

经济较发达且开放程度较高的部分东南沿海省份，带动了东部地区交通运输业碳排放全要素生产率的增长，其中上海、浙江和江苏技术效率年均增长幅度最高，对改善地区全要素生产率的作用较大，这可能和其经济发展水平与交通碳排放的关联度相较京津冀地区与广东省更小有关［37］。北京、天津和河北的规模效率均有所下降，这可能是由要素过度聚集所引起［38］。除此之外，城市化水平较低的河北，因交通需求的增速不如人口规模的增长速度［39］，导致扩大交通规模时可能造成了资源的浪费。同时，河北在京津冀一体化的背景下承接了部分北京与天津转移的高污染产业，造成能源消费总量的上升［40］，从而降低了碳排放的规模效率。

东北地区全要素生产率的上升，源于其交通运输管理水平快速进步带来的技术效率增长。这一提升可能是由于自2012 年起东北地区通过产业转型和节能减排措施，在总体上改善了碳排放和经济增长的脱钩状态［41］。然而，因受技术衰退的影响，交通运输业碳排放全要素生产率虽然在四个地区中增长最快，却很不稳定。其中，吉林和黑龙江的全要素生产率都出现了大起大落的现象，且三省间全要素生产率变化率差异较大。因此，为保持交通运输业碳排放效率的持续增长与更大程度的提升，东北地区应在加快技术创新的基础上加强区域间的合作。

中部和西部地区交通运输业碳排放全要素生产率的下降均由技术水平的下滑所致。在中部地区，河南是研究期间全要素生产率唯一增加的省份，这与其部分年份合理的交通能源结构所推动的技术效率增长密不可分［42］。近年来在“一带一路”政策的驱动下，为了与“丝绸之路经济带”沿线国家建立互联互通网络，西部地区积极推进交通基础设施建设、增加路网密度［43］，这或许有效带动了交通运输业碳排放规模效率总体不断提高。然而，甘肃的规模效率却出现大幅度下降，导致其全要素生产率下降并与其他省份形成明显差异，这可能是由于其交通运输业碳排放受经济发展水平影响较大，因此行业仍处于粗放型发展阶段［44-45］。在促进行业规模优化发展的同时，西部地区各省份还应加快提升交通运输系统的管理水平，推动纯技术效率的进步。

虽然已有研究发现我国交通运输业碳排放效率在空间上存在相关性［13,15］，然而采用全局Moran's I指数分析2009—2016 年各省平均GML 指数的空间关联性发现，Moran's I 指数为－0.116 且P 值为0.21，即各省份GML 指数在空间分布上没有呈现出聚集的现象，进一步说明各省份全要素生产率的增长率受各地自身交通运输业发展水平以及相关政策的影响更大，与邻近省份的联系则较少。研究期间，四大经济区域交通运输规模不断得到改善，但仍需更加重视交通运输系统节能减排技术创新，进一步提升资源利用效率。同时，在提高交通运输业碳排放效率的过程中，各地并未能同时兼顾技术效率和技术水平的提高，这与其他关于能源、环境全要素生产率的研究结果相吻合［24,46-47］。因此，各省份在各类资源利用、污染排放控制问题方面，应当将如何使技术效率与技术水平齐头并进作为研究的重点之一。

5 结论与建议

5.1 结论

本文运用Global Malmquist-Luenberger 指数、泰尔指数和变异系数，测算了我国30 个省级行政区2009—2016 年交通运输业碳排放全要素生产率的变化率，并对其区域差异和影响因素进行了分析，研究得到以下主要结论：

（1）研究期间，我国交通运输业碳排放全要素生产率总体略有下降。其中，东北地区全要素生产率年均增长幅度最大，东部地区次之，西部与中部地区的全要素生产率则有所下降，且中部地区的下降幅度超过全国平均水平。

（2）我国交通运输业碳排放全要素生产率变化情况的区域差异呈现出先上升后下降的趋势。四大经济区域内部省份之间的差异是全国差异形成的主要原因，其中西部和东北部地区内部差异的贡献程度较大，且东北地区省份之间的差异最为显著。

（3）四大经济区域交通运输业碳排放技术效率均有所增长，而技术水平却均出现了下降。虽然西部地区纯技术效率的下降导致全国纯技术效率总体水平稍有降低，但四个地区规模效率的提升在整体上推动了我国技术效率的增长。技术水平是造成东部、中部以及全国全要素生产率变化的主要原因，而纯技术效率和规模效率分别对东北和西部地区全要素产率的影响最大。

5.2 建议

（1）推动碳减排技术的创新与进步，建立与运营管理服务相互促进的有效机制。面对普遍存在的技术水平影响碳排放效率进步问题，一方面应继续加大经费投入，支持环保新设备与工艺技术的研发，加快科技成果转化，推进清洁能源在交通领域的应用，并逐步完善配套基础设施的建设。另一方面，通过发展智能交通系统优化交通路线和资源调配，同时更换高能耗交通工具，降低行业能源消耗总量与能耗强度；关注企业管理效率，发挥规模效应提高经济效益，进一步激发技术创新的驱动力。由此形成技术研发与管理服务良性互动的有效机制，从而改善技术效率与技术进步难以兼顾的现状。

（2）明确区域低碳交通发展的重点方向，因地制宜科学设计总体改善思路。东部地区的东南沿海省份在继续发挥技术水平优势的同时，应汲取京津冀的交通运输管理经验，而京津冀地区除提升技术水平外，尤其需要关注交通运输规模扩张的合理性，避免因要素过度集中而造成资源的浪费。虽然东北地区碳排放全要素生产率的进步得益于技术效率的大幅度增长，但仍需寻求保持或突破其目前趋于稳定状态的策略。西部地区应加大对交通运输业绿色经济发展的政策支持，充分结合自身能源资源禀赋，整合资源提升交通运输管理服务水平。此外，西部地区可以通过与中部地区建立跨区域的交通运输业综合管理机构，加强区域之间的联动，缩小中西部和东部地区的发展差距。

（3）加强区域内部省份之间的交流合作，为行业绿色生产效率协同发展提供保障。加快区域交通运输业“一体化”发展规划的制定与实施，根据实际需求跨省域优化交通规模与资源配置。搭建交流平台并通过财政、金融和投资等经济政策，促进资金、技术、管理人才与经验在区域内流动，发挥高效率省份的辐射带动作用，缩小各区域内部的效率差异。同时，对于内部差异平均水平最高的东北地区，在省际优势互补的基础上，还应合力加强绿色创新技术的发展与区域共享，减少技术进步速度与其他区域的差距。