“双碳”政策下中国工业生产效率时空演化研究

摘" 要： 在考虑碳排放的情况下，静态层面建立DEA模型，动态层面运用Malmquist指数方法，实证分析中国内地除西藏自治区外的30个省份规模以上工业2013—2021年生产效率的时空演化特征，并利用Tobit模型研究影响工业生产效率的相关因子。结果表明：地区间工业生产效率差距较大，东部地区显著高于中西部地区，但总体生产效率正增长；政府制定的低碳环保政策对工业生产效率的提升具有显著正向影响。对此，提出科学安排技术研发投入、推动区域协调发展、重视工业绿色低碳转型升级以及加大对外开放力度等建议，旨在引领工业高质量发展。

关" 键" 词： DEA-Malmquist； 生产效率； “双碳”政策； 时空演化

中图分类号： F223""" 文献标志码： A""" 文章编号： 1674-0823（2024）04-0394-06

*感谢辽宁装备制造管理工程重点实验室、辽宁装备制造业发展研究基地、辽宁省人文社科重点研究基地——沈阳工业大学微观管理理论研究中心对本文的大力支持。

收稿日期： 2023-03-14

基金项目： 辽宁省社会科学规划基金项目（L20BJY002）； 辽宁省教育厅基本科研项目（LJKMR20220482）； 辽宁省教育厅项目（LJKR0078）； 辽宁省经济社会发展研究课题（2024lslybwtkt-003）。

作者简介： 徐" 伟（1980-），男，辽宁沈阳人，教授，博士生导师，主要从事运营管理与工业工程等方面的研究。

【经济与管理】

DOI：10.7688/j.issn.1674-0823.2024.04.07

工业经济发展是我国经济高质量增长的根本，是国民经济质量提高的重要物质基础和社会可持续发展的根本保证［1］。进入新时代以来，中国的工业发展已经取得显著成绩。至2019年，中国已经接连十年保持着世界第一制造大国地位，五百余种重点工业产品中我国有二百二十多种产量名列世界首位。中国工业在全球市场中的地位逐渐上升，工业产品出口额在我国总出口金额中的占比达到71％，出口覆盖达两百个国家。党的十八大以来，我国逐渐重视工业的发展质量，突出工业由大变强的重大意义。工业是中国实体经济的重要构成基础，推动并促进中国制造业的高质量发展是中国新时期工业化阶段的一个重大使命［2］。

2020年9月22日，习近平总书记提出，“2030年达到碳峰值，努力争取2060年实现碳中和。”实现“双碳”目标需推进各地区、各行业有序发展，这是各级政府的一项重大政治任务。我国开始督查和整治高消耗、高污染的工业，推动工业绿色低碳转型，这需要知识创新及其派生的技术进步。由于我国生态环境形势依然严峻，因此，在“双碳”政策下，对工业生产效率进行测度分析，比较各省份的差异，对工业的绿色低碳转型升级以及我国整体工业水平的提升和良性发展都意义非凡［3］。

关于工业效率的测度，国内外学者已经进行了大量研究［4-6］。从现有文献看，相关研究大多使用参数法和非参数法。对于参数法，原毅军等利用随机前沿生产函数研究了我国装备制造业的研发效率，并提出政策建议［7］。DEA是典型的非参数法，其中，张优智等运用DEA-Malmquist方法研究了不同类型环境规制对制造业绿色全要素生产率的影响［8］。张雪琳等从价值链视角，采用DEA对工业企业技术创新效率进行了研究［9］。王艳等运用超效率DEA测算节能减排效率，并基于Tobit模型研究其影响因素，为节能减排能力的提高提供参考［10］。仇桂且采用DEA测算江苏省的绿色工业生产效率［11］。

综上所述，关于工业效率的研究比较丰富，但许多文献较为注重经济性，没有考虑碳排放指标，基于此，将碳排放作为投入指标，构建DEA模型测算工业生产效率，同时运用Malmquist模型对效率进行动态分析。

一、模型构建与方法说明

数据包络分析是一种多输出多输入的分析方法［12］，通常用于计算决策单位的生产效率，该模型经过研究逐步成熟［13-14］。故本文设有n个决策单元，每个决策单元有m种投入变量xmj和s种产出变量ysj（其中xmjgt;0，ysjgt;0），λj为决策变量［15］，基于规模报酬可变的BCC模型：

minθ

s.t.

∑nj=1λjyj≤θx0

∑nj=1λjyj≥y0

∑λi=1" （1）

式中：λj≥0，j=1，2，…，n。

DEA模型可以有效地对工业生产效率的截面数据进行评价，然而工业产业是一个动态的过程，FARE等据此构造了基于DEA的Malmquist指数［16］：

M（xt+1，yt+1，xt，yt）=

Dt（xt+1，yt+1）Dt（xt，yt）·Dt+1（xt+1，yt+1）Dt+1（xt，yt）（2）

式中：Dt（xt，yt）为t期决策单元的距离函数［17］。

二、指标选取与数据来源

1. 指标选取

本文参考已有研究成果，将指标体系分为投入、产出两个目标层。借鉴国内外相关学者的指标选取方式，本文考虑数据的可靠性和可获得性，投入指标选择以人力、财力和环境投入为主，产出指标则以收入为主，采用工业平均用工人数、工业固定资产投资额来衡量人力与财力投入，鉴于在绿色低碳视角下，二氧化碳排放量越少越好，选择二氧化碳排放量作为环境投入指标，并选择了6种能源消耗，以计算工业的最终二氧化碳排放量，根据IPCC建议的估计二氧化碳排放量的参考方法，计算公式如下：

CO2=∑nj=1Ei·NCVi·CEFi·COFi·4412" （3）

式中：E为能源的消耗量；NCV为平均低位发热量；CEF为碳排放系数；COF为碳氧化因子，44与12是二氧化碳与碳的分子量［18］。产出指标方面，一方面以工业增加值为反映生产水平的主要指标，体现了企业对国家生产总值的贡献；另一方面，工业的生产经营情况主要由利润总额和主营业务收入反映，工业的总体生产水平和获利水平主要采用这3个产出指标来表达［19］。

2. 数据来源

本文选取2013—2021年我国内地除西藏自治区外的30个省份规模以上工业为样本数据（来自《中国统计年鉴》《中国能源统计年鉴》以及相关省市区的统计年鉴等资料），使用插值法计算缺失数据。

三、工业生产效率时空演化特征分析

1. 综合效率时间演化特征

2013—2021年30个省份在“双碳”政策下，综合效率均值整体呈现“先降低后增高再降低”的趋势，从2013年的0.83降低到2017年的0.776，紧接着提升到2019年的0.833，又降低到2021年的0.729，效率水平整体上相对较低。从效率分解结果来看，2014—2020年规模效率虽有一定的下滑，但基本维持在0.9以上，整体水平较高；纯技术效率有一定的波动，2013—2021年各省平均纯技术效率为0.874，表示在此时的技术水平方面，投入的工业资源和要素的利用程度是相对有效的。

总体上，各省份规模以上工业的综合效率均值为0.800，纯技术效率均值为0.874，规模效率均值为0.919（见表1）。由此可得，30个省份的工业生产效率的提高得益于规模效率，而纯技术效率的相对低下已经逐渐演变成为提高工业效率的主要障碍。

2. 综合效率空间分布特征

各省份工业综合效率均值如图1所示，北京、天津、上海、广东、陕西、海南、云南和内蒙古的综合效率均值到达0.9以上，这些省份属于效率高的地区。而综合效率均值相对较低的省份有山西、宁夏、黑龙江、河南和安徽，效率亟待提高，其中纯技术效率值普遍低于规模效率值。综合效率均值最低的是山西省，其在注重产业规模发展的同时，也应对要素投入与产出方面进行调整，促使工业高质量发展。

3. 综合效率省际时空演化特征

本文选择2013年、2016年、2019年和2021年4个时期的各省份综合效率数值，如图2的省际演化分析，东部工业生产效率明显高于中部和西部，北京、上海和内蒙古的效率一直处于较优状态，天津由于技术效率的下降，从2018年开始未处于DEA有效；结合各个时期的省际演化，工业的低效率区域呈现连片分布，较低效率区域多分布于中部和西部，而高效率区域呈块状镶嵌，相对集中在东部地区。国家对西部地区工业发展大力支持，青海、新疆和甘肃等省份的工业产业有针对性地采用多种措施提高生产效率，2019年的工业综合效率得到了显著提升。可见，因地制宜的细化措施有助于稳步提高工业生产效率。

四、全要素生产率指数时空演化特征

1. 全要素生产率指数时间演化特征

为进一步分析各省份工业生产效率的动态变化趋势，本文对2013—2021年各省份采用Malmquist指数测算工业全要素生产率指数（见表2）。总体而言，2013—2021年各省工业的全要素生产率逐渐提高，均值大于1（1.064），年均增长率为6.4％。其中，技术进步效率和技术效率年均增长率分别为8.2％和-1.7％，说明技术效率的水平总体呈现下降趋势，技术进步因素是规模以上工业生产效率提升的主要动力。2020—2021年由于技术进步效率的大幅度增长，全要素生产率为1.202，水平最高。由此可见，各省份应加强区域合作，通过稳定发展逐步提高工业全要素生产率。

2. 全要素生产率指数空间分布特征

本文对30个省份工业全要素生产率指数均值测度结果进行了分类（见图3）。所有地区的全要素生产率指数都大于1，说明30个省份的效率是上升的，但大部分省份是在1.10以下，全要素生产率的变动幅度较小。其中，北京的工业全要素生产率最大（1.126），黑龙江的最小（1.016），主要原因在于黑龙江的技术效率为0.952，相对于其他省份偏低，结合纯技术效率和规模效率会影响技术效率的结论，此时纯技术效率低会对技术效率的变动产生影响，进而一定程度抑制了全要素生产率的提高。

3. 全要素生产率指数省际时空演化特征

基于Malmquist模型分析结果，本文选取2013—2014、2016—2017、2018—2019和2020—2021年4个时间段的数据绘制工业全要素生产率省际演化图（见图4）。由图4可知，工业全要素生产率逐年提高，2014—2015年各省份全要素生产率均值为1.021，2020—2021年期间全要素生产率为1.202，全要素生产率的提高主要得益于技术进步。从区域整体角度分析，东部全要素生产率明显高于中西部，中部、东部、西部差距突出。总体而言，我国的工业发展普遍存在着区域不平衡的现象。

五、工业生产效率时空演化影响因素分析

1. 模型构建

由实证分析结果可知，各省份规模以上工业生产效率存在差异。本文在采用DEA-Malmquist模型测算工业生产效率的基础上，使用Stata15软件进行Tobit模型回归分析，探究“双碳”政策下各省份规模以上工业生产效率的影响因素。

考虑工业企业的特性，兼顾指标数据可得性，本文选择低碳环保投入（X）、对外开放程度（Y）以及研发投入（Z）等变量来考察“双碳”政策下中国工业生产效率的主要影响因素，生产效率影响因素分析模型最终形式如下：

TEit=β0+β1Xit+β2Yit+β3Zit+εit" （4）

式中：β0表示常数项；β1～β3表示各自变量的回归系数；i表示区域；t表示时期；εit表示残差项。

2. 回归结果与相关检验

在回归分析中，本文使用固定效应模型或随机效应模型来预测结果［20］。根据表3中的豪斯曼测试结果可知，P值为0.0329，故使用固定效应模型［21］，得出的回归结果如表4所示。

由表4可知：（1）低碳环保投入与工业生产效率正相关，说明政府制定的低碳环保政策对工业生产效率具有促进作用。政府应通过相关低碳环保政策来引导和支持工业绿色生产行为，进一

步给予其环境支持和科技支持，帮助工业企业克服创新资源短缺的困难，激发企业进行技术创新行为，提高生产效率，同时增强资源利用率，减少排放污染物，从而改善生态环境。

（2）对外开放与工业生产效率负相关但不显著。在对外贸易中，在一定程度上引进国外先进的技术可以显著提升工业生产效率［22］，然而，引进大量国外技术可能会造成激烈的市场竞争，对工业生产效率产生负向影响。

（3）研发投入与工业生产效率负相关。实证研究表明，研发投资水平高会加速地方工业科技成果转化和提高工业生产效率。因此，研发投入水平较高的省份会投入大量的科技经费用于工业科技创新活动，然而工业科技创新项目存在一定的滞后期。另外，部分地区科技开支可能出现政策范围、资源占用、预算管理体系不完善等情况，造成科研支出的边际效益下降［23］。上述现象在一定程度上增加了科研项目和技术费用投资的冗余，降低了该地区工业科技创新效率，从而影响工业生产效率。

六、结论与建议

1. 结" 论

从静态层面，2021年工业生产效率均值为0.729，相对较低，东部地区的效率值普遍高于西部。在“双碳”政策下，本文认为应提高国家工业生产效率的同时缩小各区域的差异，保障工业的可持续性发展。从动态层面，2013—2021年各省份工业全要素生产效率总体呈现上升趋势，2021年增长到1.202，其中，技术进步效率是全要素生产效率提升的重要因素。

2. 建" 议

（1） 科学安排技术研发的投入，注重创新。各省份应对科学技术方面的投资进行合理分配，改进和创新工业生产设备，合理利用人才推动环保技术研发，助力低碳经济，结合工业互联网推动工业高质量发展。（2）因地制宜，扩大工业规模，推动区域协调发展。我国工业发展存在区域不均衡现象，东部地区的生产效率普遍高于西部，本文认为应合理分配要素投入，加强区域合作，提升区域工业发展水平。（3）重视工业的绿色低碳转型升级，促进我国整体工业水平的提升。为保障各省份的工业可持续发展，政府应制定工业节能减排的相关措施，完善绿色低碳体系，加大前沿技术攻关力度，提高科技创新水平，更强有力地支撑工业绿色低碳转型。（4）加大对外开放力度，增加技术创新成果的交流。在引入国外先进技术创新的同时，企业应注重改善自身短板，提高工业生产效率。

参考文献：

［1］郭朝先.当前中国工业发展问题与未来高质量发展对策 ［J］.北京工业大学学报（社会科学版），2019，19（2）：50-59.

［2］江飞涛.中国工业发展政策的演进和启示 ［J］.产业经济评论，2022，49（2）：5-16.

［3］吴斌，黄建，董敏，等.低碳环境下“一带一路”重点省份先进制造业生产效率测度 ［J］.生态经济，2022，38（3）：47-53.

［4］钟茂初，尚秀丽.环境规制影响城市工业效率的机制与效应分析 ［J］.南开学报（哲学社会科学版），2022（5）：37-49.

［5］陆春华，李虹.碳试点政策、绿色创新和企业生产效率 ［J］.经济问题探索，2023（4）：38-60.

［6］陈维民.环境规制、经济分权与工业生产效率 ［J］.经济与管理研究，2020，41（12）：55-67.

［7］原毅军，耿殿贺.中国装备制造业技术研发效率的实证研究 ［J］.中国软科学，2010（3）：51-57.

［8］张优智，乔宇鹤.不同类型环境规制对制造业绿色全要素生产率的影响效应研究——基于DEA-Malmquist指数法与空间误差模型的实证分析 ［J］.生态经济，2022，38（5）：177-182.

［9］张雪琳，贺正楚，任宇新.中国区域工业企业技术创新效率研究：整体创新和阶段创新的视角 ［J］.科学决策，2022（10）：1-19.

［10］王艳，苏怡.绿色发展视角下中国节能减排效率的影响因素——基于超效率DEA和Tobit模型的实证研究 ［J］.管理评论，2020，32（10）：59-71.

［11］仇桂且.我国绿色工业生产效率对经济高质量发展的影响——以江苏为例 ［J］.社会科学家，2022（12）：91-98.

［12］KORTELAINEN M.Dynamic environmental perfor-mance analysis：a Malmquist index approach ［J］.Eco-logical Economics，2008，64（4）：701-715.

［13］CHARNES A，COOPE W W，RHODES E.Measuring the efficiency of decision making units ［J］.European Journal of Operational Research，1978，2（6）：429-444.

［14］HOLASEK R E，WOODS A W，SELF S，et al.Robustness of the efficient DMUs in data envelopment analysis ［J］.European Journal of Operational Research，1996，90（3）：451-460.

［15］王新越，韩霞霞.“一带一路”中国沿海港口城市旅游效率测度与空间特征研究 ［J］.中国海洋大学学报（社会科学版），2018（5）：36-42.

［16］FARE R，GROSSKOPF S，NORRIS M.Productivity growth，technical progress，and efficiency change in industrialized countries ［J］.The American Economic Review，1994，84（5）：1040-1044.

［17］姚山季，马琳，来尧静.“一带一路”重点省份低碳物流效率测度 ［J］.生态经济，2020，36（11）：18-24.

［18］蔡海亚.中国碳锁定的行业差异分解与解锁路径分析 ［J］.北京交通大学学报（社会科学版），2018，17（2）：44-51.

［19］童纪新，徐倩，李莹.基于五大空间布局的装备制造业技术效率评价与测度 ［J］.中国科技论坛，2019（4）：84-92.

［20］欧阳小迅，黄福华.我国农产品流通效率的度量及其决定因素：2000—2009 ［J］.农业技术经济，2011（2）：76-84.

［21］田存志，容宇恩.基于A股上市公司数据的资产流动性与企业创新研究 ［J］.商业研究，2018（10）：65-70.

［22］吴传清，黄磊，文传浩.长江经济带技术创新效率及其影响因素研究 ［J］.中国软科学，2017（2）：160-170.

［23］马聪颖，吴宏超.一流大学建设高校科技创新效率：差距、影响因素与提升路径 ［J］.高教探索，2021（2）：53-61.

A study of the spatial and temporal evolution of industrial productivity

in China in a low carbon environment

XU Wei， LI Xueying， YAN Yan， AWAGA Afi Laeticia

（School of Management， Shenyang University of Technology， Shenyang， Liaoning 110870， China）

Abstract： The DEA model is established at the static level and the Malmquist index method is applied at the dynamic level to empirically analyze the spatial and temporal evolution characteristics of the production efficiency of industries above the scale of 30 provinces in China′s mainland except Xizang Autonomous Region from 2013 to 2021， the Tobit model is used to study the factors affecting industrial productivity. The results show that the gap in industrial production efficiency between regions is huge， and the eastern region is significantly higher than the central and western regions， but the overall production efficiency is positive; the green production policies formulated by the government and the degree of openness to the outside world have a significant positive impact on the improvement of industrial production efficiency. In response to this， it is proposed that scientific arrangement of investment in technological research and development， promotion of coordinated regional development， emphasis on green and low-carbon transformation and upgrading of industry， as well as increased openness to the outside world will lead to high-quality industrial development.

Key words： DEA-Malmquist; production efficiency; low carbon; spatial and temporal evolution

（责任编辑：张" 璐）