基于SE-DEA-Malmquist模型的中国制造业产业安全评价研究

[摘要]国际政治经济关系逆全球化背景下，制造业产业安全与否直接关系到中国经济安全状况。选取2018—2021年中国26个制造业细分行业面板数据样本，构建制造业产业安全评价指标体系，基于SE-DEA-Malmquist模型构建产业安全度定量测算模型，运用超效率和障碍因子诊断分析方法，实证分析中国26个制造业细分行业产业安全效率，对26个制造业细分行业的投入冗余进行比较分类，并对26个制造业细分行业提升产业安全度障碍因子的障碍影响程度进行集成分析。整体上，在技术效率和技术进步共同发挥作用下，中国制造业产业安全效率呈不断上升趋势，但仍处于产业不安全状态，其中17个细分行业都存在不同程度的产业控制力冗余或者产业依存度冗余。外资市场控制率、产业发展效益、外资品牌控制率以及劳动密集型和资本密集型行业对制造业安全发展影响程度相对较大。

[关键词]SE-DEA模型；Malmquist指数；制造业；产业安全

一、 引言

党的二十大报告指出，要加快建设现代化经济体系，着力提高全要素生产率，着力提升产业链供应链韧性和安全水平1。制造业作为中国工业体系的支柱和国民经济的脊梁，是强国之基、富民之本，影响中国整个工业体系的产业安全。制造业是否安全已经成为制约中国产业安全，乃至整个经济安全领域亟待解决的问题，也是为国家战略定位和现代产业政策的核心基础[1]。基于产业安全测评理论，本文从制造业细分行业出发，构建制造业产业安全评价指标体系，实证研判制造业产业安全“度”、识别障碍因子及其影响程度，并提出化解不安全风险对策，对完善制造业产业安全测评理论和研究方法，积极化解不安全的地缘政治经济环境和贸易壁垒，建立适应中国制造业安全发展的国际安全生态圈，实现制造业高质量发展具有理论研究价值和现实意义。

二、 文献综述

目前，国内学者对于产业安全的研究主要从产业安全的概念界定和产业安全测度评价两个方面展开。其中关于制造业产业安全的研究成果，主要涉及装备制造业、高技术制造业、电子与通信设备制造业等制造业细分行业，缺少基于产业安全视角对制造业的全面评估。已有的产业安全测度研究方法大都采用指标赋权的方法，存在主观性较强或者大量样本数据较难获得的情况，用其衡量产业安全的“度”结果较模糊。

对产业安全概念界定主要集中于两个视角：一是从外资投资威胁论的角度，即在开放条件下，一国产业抵御外来干扰或威胁并不断获得持续发展的状态[2]。二是从产业健康、可持续发展的角度，即在对外开放的条件下，在国际竞争发展的进程中，保持民族产业持续生存和发展的能力，保持本国资本对本国产业主体的控制［3］。

制造业产业安全测评目前有两大主流框架。一是经济安全论坛提出的由制造业的“显性安全、国际经济关系、国内科技水平、国内宏观经济条件”构成的四维框架［4］；二是何维达等提出的由“产业国际竞争力、产业对外依存、产业控制力”构成的三维框架［5］。此后，以上述“两大代表性产业安全评价框架”为基础，国内学者运用BP神经网络模型［6］、层次分析方法和熵权法［7］、模糊综合评价法［8］、层次分析法及主成分分析法［9］等方法构建指标体系框架，对产业安全进行实证性评价研究。

综上文献，国内学者们从不同视角对中国制造业的产业安全进行了定性或者定量分析，为本文的研究奠定了基础。本文基于SE-DEA-Malmquist模型和障碍因子诊断方法，对中国制造业产业安全进行动态定量分析。首先，SE-DEA模型将制造业看成一个多投入、多产出的复杂系统，通过建立非参数模型对各决策单元进行相对效率评价，不涉及指标赋权的问题；其次，在继承传统DEA模型优势的同时，能够实现对中国制造业26个细分行业的面板数据分析；再次，障碍因子诊断模型可以用来测度评价体系内各项指标评价结果对制造业安全发展的影响程度。

三、 中国制造业产业安全评价指标体系构建

1. 已有指标体系框架

国内学者利用DEA评价法构建的产业安全指标体系（表1）的输入指标大多选取“产业控制力、产业对外依存度”等指标，输出指标主要是“国际竞争力、产业发展”等指标，用来反映“外资威胁”和“外资控制”对产业安全的影响。但是其中部分指标存在一些问题（表1）。

第一，输入输出指标体系的选择不适合用于DEA模型进行产业安全评价。DEA模型是用于计算相对效率的一种非参数统计方法。将相对效率直接用于产业安全的评价，投入和产出指标选择的合理性和适配性则非常重要。从外资角度而言，产业安全程度取决于产业为获得生存和发展所遭受“威胁”和“控制”的强度，强度越小，产业安全度越高。因此，部分学者将“关税、R&D费用”作为投入指标并不合适。

第二，部分指标之间存在矛盾关系。产业国际竞争力指标反映国内产业在世界市场上竞争力状况，指标数值越大，在一定程度上表示该产业在世界市场上的竞争力越强，产业越安全。但对某些出口型产业，国际竞争力越强，其出口对外依存度越高，世界市场份额也越大［16］。出口对外依存度反映产业的生存对产品出口的依赖程度，大部分学者认为这一指标和产业安全之间存在反比例关系，即产业出口对外依存度越高，产业越不安全。这一矛盾关系产生的原因在于，一国与世界经济的“融合”是相互的，即“双向依存”。对外依存度是一把双刃剑，在其数值高显示出风险的同时，也不能忽视贸易对象国对本国产业的依赖，其代表着在参与国际分工时，一国在世界经济周期波动中可以回旋的余地。

2. 构建产业安全评价指标体系

本文在已有的产业安全评价指标基础上，构建以产业控制力和产业对外依存度为投入指标、产业生存发展能力为产出指标的中国制造业产业安全指标体系（表2）。

第一，产业控制力反映外资对本国产业的控制力。本文运用市场、资产、品牌3项产业外资控制力逆向指标刻画外资对产业控制能力。外资产业控制力增强导致本国控制产业的能力的下降，产业外资控制力数值越大，产业越不安全。

第二，产业对外依存度反映对国际市场的依赖程度。基于出口对外依存度与产业竞争力指标之间的冲突性，本文剔除出口对外依存度，运用进口、技术、资本3项产业对外依存度逆向指标对产业对外依存度进行刻画。对外依存度数值越大，产业越不安全。

第三，产业生存和发展能力反映产业的发展现状和可持续发展能力。本文运用产业发展效益、产业发展速度和产业国际竞争力3项产业生存和发展能力正向指标对产业竞争力进行刻画。产业生存和发展能力数值越大，代表产业越安全。

3. 制造业行业分类与数据来源

由于“烟草制品业”没有外资进入，“废弃资源综合利用业”“家具制造业”“其他制造业”“金属制品、机械和设备修理业”的进口或者出口数据难以统计，基于数据可得性，本文选取26个制造业细分行业（来源于《国民经济行业分类和代码（GB/T 4754—2017）》标准）为研究对象，参考阳立高等［21］制造业分类方法，将制造业分为劳动、资本、技术密集型三大类型（表3）。

数据主要来源于《中国统计年鉴》《中国工业统计年鉴》《中国科技统计年鉴》和《2018年中国经济普查年鉴》。其中，制造业细分行业的进出口数据借鉴钱学锋等［22］的方法，根据国民经济行业分类（GB/T 4754—2017）、联合国统计署的国际标准工业分类法（ISICRev.4）代码对应表，参照国际标准工业分类法（ISICRev.4）与产品中心分类（CPCVer.2.1）对应表、产品中心分类（CPCVer.2.1）与海关商品编码（HS2017）对应表，建立国民经济行业分类（GB/T 4754—2017）四位代码与海关商品编码（HS2017）六位商品代码对应关系，利用UNCOMTRADE数据库测算制造业细分行业进出口数据。为保持统计口径的一致性，本文最终选取2018—2021年共26个制造业细分行业的面板数据进行测算。

四、 中国制造业产业安全的评价模型构建

1. SE-DEA模型

数据包络分析法（Data Envelopment Analysis，DEA），是运用线性规划的方法，在多投入和多产出的决策单元（Decision Making Units，DMU）之间进行相对效率的评价。Charnes等［23］和Banker等［24］学者相继提出规模报酬不变的CCR-DEA模型和规模报酬可变的BCC-DEA模型。在此基础上，Andersen等［25］提出SE-DEA模型，在不改变无效率的DMU的效率值的前提下，对所有有效率的DMU重新进行超效率值计算。假设有n个DMUj（j=1，2，3，...，n），每一个DMUj都有m个投入变量xij（i=1，2，3，...，m）和k个产出变量yrj（r=1，2，3，...，k），则第j个DMUj的效率评价的SE-DEA模型为：

[s.t.minθ-εi=1ms-i+r=1ks+rj=1≠0nλjxij+s-i=θxi0j=1≠0nλjyrj+s+r=θyr0λj≥0s-i，s+r≥0] （1）

式（1）中：θ表示为DMUj的超效率值；ε为阿基米德无穷小；si-和sr+为投入和产出的松弛变量；λj为权重系数。当θ＜1时，说明DMUj是无效率；当θ≥1时，则说明DMUj有效率，根据值大小对决策单元进一步进行排序。

2. Malmquist指数模型

Malmquist指数模型由Malmquist［26］和Fare等［27］相继提出和改进，通过将Malmquist和DEA结合，计算两个不同时期决策单元的全要素生产率指数（TFP），并将其分解为技术效率变化指数（Effch）和技术进步指数（Tech），其中，技术效率变化指数（Effch）又可以分解为纯技术效率指数（Pech）和规模效率变化指数（Sech）。DEA-Malmquist模型计算式为：

[TFPt，t+1i=dtixt+1i，yt+1idtixti，yti×dt+1ixt+1i，yt+1idt+1ixti，yti=Effcht，t+1i×Techt，t+1i=Pecht，t+1i×Secht，t+1i×Techt，t+1i] （2）

[Effcht，t+1i=dt+1ixt+1i，yt+1idtixti，yti] （3）

[Techt，t+1i=dtixt+1i，yt+1idt+1ixt+1i，yt+1i×dtixti，ytidt+1ixti，yti] （4）

式（2）中xit和xit+1分别表示决策单元i在t和t+1期的投入变量；yit和yit+1分别表示决策单元i在t和t+1期的产出变量；dit（xit，yit）和dit（xit+1，yit+1）分别表示决策单元i以t期的技术水平为基准，t和t+1期的投入产出变量的距离函数；dit+1（xit，yit）和dit+1（xit+1，yit+1）分别表示决策单元i以t+1期的技术水平为基准，t和t+1期的投入产出变量的距离函数。

3. 障碍因子诊断

为进一步考察各维度和下级指标对制造业各行业安全发展的影响程度，本文引入障碍影响程度模型对其进行诊断和分析。障碍影响程度模型采用因子贡献度、指标偏离度和障碍影响程度三项指标对维度指标和下级指标进行分析诊断［28］。本文采用熵权法确定权重（该方法为常用方法，略）。确定因子贡献度、指标偏离度和障碍影响程度的步骤如下：

第一步：定义因子贡献度。[Fj=Ri×Wj] （5）

因子贡献度测度单向因素对总目标的影响程度。Ri为综合评价模型中第i个子系统的权重。Wj为第i个子系统中的第j个指标的权重。

第二步：定义指标偏离度。[Dj=1-Xj] （6）

指标偏离度测度是指单项指标与制造业各行业该项指标理想安全发展目标之间的差距，用1来表示制造业各行业安全发展目标。其中，Xj为标准化后第j项指标的值。

第三步：定义障碍影响程度。[Hj=Fi×Djj=1nFi×Dj×100%] （7）

n表示系统指标个数，Hj越大，表示该项基础指标对制造业各行业安全发展的影响程度越高，按照从大到小的顺序排序可以确定影响因素的主次关系。

第四步：定义集成障碍影响程度。[Sj=j=1nHj] （8）

在分析单向基础指标对制造业各行业安全发展的影响程度的基础上，集成衡量各子系统对制造业安全发展的影响程度。

五、 中国制造业产业安全实证分析

1. 基于SE-DEA模型的制造业产业安全效率评价

本文基于投入导向规模报酬不变的SE-DEA模型，采用Python对2018—2021年中国26个制造业细分行业进行全局超效率测算。测算结果显示：2018—2021年，总体呈波动上升态势，超效率均值为0.826，9个行业年度均值达到有效状态，占26个制造业行业的34.6%，总体未达到有效状态（表4）。各年份超效率值显示，超效率值达到DEA有效的行业数从4个增加到8个，相较于前三年，2021年有效的行业新增了“C20、C27”，减少了“C13、C18、C19、C36”，其中有14个行业在四年间一直处于无效率状态，约占26个制造业行业的53.8%。说明近年来中国有一半以上的制造业细分行业一直处于相对不安全的状态。

从中国制造业三大产业类型产业安全超效率变动态势来看，2018—2021年，制造业三大类型产业的产业安全超效率总体呈上升态势，但是产业类别分化明显（表5）。资本密集型制造业的超效率平均水平达到0.873，高于全国平均水平0.862；劳动密集型制造业和技术密集型制造业的超效率平均水平分别为0.847和0.740，低于全国平均水平，尤其技术密集型制造业与全国的平均水平差距相对较大，说明提升中国制造业产业安全主要依靠资本密集型制造业。

制造业产业安全的超效率值以1为分界线，大于等于1代表产业安全，数值越大代表产业越安全；小于1代表产业不安全，且越小代表产业发展越不安全。

如表6所示，劳动密集型制造业仅“C17、C20、C30”3个行业达到SE-DEA有效状态，其他8个行业都处于产业相对不安全状态。技术密集型制造业产业安全平均效率均值达到有效的只有“C27、C36”2个行业，且“C36”效率值处于波动状态，2020—2021年以52.8%的速度从1.764回落到0.833的不安全状态。资本密集型制造业的“C25”行业效率均值达到1.628，“C15”行业效率均值为1.044，“C28”行业效率均值为1.058，“C31”行业效率均值为1.055，均达到产业安全的有效水平，其中“C25”安全效率均值为三大制造业之首，也是唯一一个超效率均值超过1.5的行业，属于非常安全的行业。但是，制造业三大产业在“C14、C34、C39”行业的超效率均值低于0.5，属于非常不安全的行业。

总体而言，中国技术密集型制造业处于相对最不安全的状态，受外资的影响最大，其次是劳动密集型制造业，而资本密集型制造业处于相对安全的状态，受外资影响最小。

从非DEA有效行业投入冗余情况来看，除“C15、C17、C20、C25、C27、C28、C30、C31、C36”9个行业外，其他17个行业都没有达到最优状态，即存在投入冗余。因此，本文分别对17个非DEA有效行业的产业控制力和产业依存度指标的投入冗余作同权处理，以产业控制力为横坐标，产业依存度为纵坐标，绘制产业控制力-产业依存度矩阵散点图（图1），以两个投入指标的平均值为分界线，进一步对中国非DEA制造业行业的投入冗余状况进行综合分析。

整体上，中国制造业产业控制力冗余较产业依存度冗余明显。根据冗余程度，将产业控制力-产业依存度矩阵散点图划分为高依存度冗余高控制力冗余的双高冗余行业，低依存度冗余高控制力冗余行业，高依存度冗余低控制力冗余行业，低依存度冗余低控制力冗余的双低冗余行业共4类。“C18、C19、C22、C24、C40”5个行业构成双高冗余行业；“C34、C38”2个行业属于低依存度冗余高控制力冗余行业；“C14、C37”2个行业属于高依存度冗余低控制力冗余行业；剩下的8个行业为双低冗余行业。

2. 基于Malmquist指数模型的制造业产业安全效率评价

为进一步说明中国制造业细分行业2018—2021年产业安全效率的动态变化情况，本文使用DEAP2.1软件，基于Malmquist指数模型测算出TFP、Effch、Tech、Pech、Sech（表7、表8）。

（1）中国制造业全要素生产率总体处于上升态势

2018—2021年中国制造业TFP均值为1.135，其分解值Tech为1.112，上升11.2%；Pech为1.022，上升2.2%；Sech为0.998，下降0.2%，反映出中国制造业TFP的提升主要依赖于技术进步，但是仍处于生产规模不足的状态（表8）。2018—2019年和2020—2021年的Malmquist分解值中Tech都大于1，Effch都小于1，而2018—2019年Effch负增长的原因是生产规模不足，2020—2021年Effch负增长的原因是管理水平较差，但是这两个时期的TFP都大于1，这说明技术进步所带来的正面效应仍大于技术效率的负面效率；2019—2020年Malmquist分解值中技术进步指数小于1，Effch大于1，且TFP大于1，这说明技术效率提高的积极作用抵消了技术退步对制造业全要素生产率的消极作用。

（2）中国制造业三大产业全要素生产率的提升更依赖于科学技术的进步

劳动、资本、技术密集型制造业的TFP均值都大于1，且Tech的均值都大于Effch（表9）。在三大产业中，劳动密集型制造业的TFP增长最快，上升了17.7%，高于中国制造业整体的平均上升程度，其中Pech上升3.7%，Sech下降0.4%；而资本和技术密集型制造业的TFP动态变化均值分别是1.101和1.126，分别上升10.1%和12.6%，低于中国制造业整体的平均上升程度，且两者的Pech和Sech都维持在1左右。综合三大产业效率分析结果发现，劳动密集型制造业生产率改善最大，其次是技术密集型制造业，资本密集型制造业在TFP上的改善最小。结合超效率DEA模型分析显示：提升中国制造业产业安全主要是依靠资本密集型制造业，说明劳动和技术密集型制造业正在提升科技创新水平，调整要素结构投入，从而缩小与资本密集型制造业之间的差距，提升中国制造业整体的产业安全。

（3）生产技术相对落后导致部分行业全要素生产率较低

仅“C25、C28、C31、C36”4个行业的年均TFP小于1，即在制造业的26个细分行业中，仅这4个行业的综合生产率呈现下降趋势。上述4个行业的Tech都小于1，Effch、Pech、Sech都大于或等于1，说明以上4个行业TFP下降是由生产技术落后所致。

3. 产业安全障碍因子诊断

为深入探讨影响各细分行业产业安全发展的关键障碍因子，本文对26个细分行业的9个评价指标进行障碍度测算排序。同时，由于样本量较大，选取2018年和2021年数据作为样本进行测算，限于篇幅只列出障碍因子排序前3因子（表10）。结果显示：出现频率超过10次的影响因子，2018年依次为产业发展速度（A31）19次、外资市场控制率（A11）12次、产业发展效益（A32）11次、外资品牌控制率（A13）10次；2021年依次为外资市场控制率（A11）17次、产业发展效益（A32）15次、外资品牌控制率（A13）14次、资本对外依存度（A23）10次。总体而言，2018—2021年期间，外资市场控制率、产业发展效益、外资品牌控制率三个因素对制造业安全发展的影响程度相对较大。

将26个细分行业对制造业系统的影响程度划分为五个等级（第五个等级为6个细分行业）。产业控制力子系统影响程度（表11）显示C20等5个细分行业依次影响程度较大；产业对外依存度子系统影响程度显示C28等5个细分行业依次影响程度较大；产业竞争力子系统影响程度显示C24等5个细分行业依次影响程度较大；总集成影响程度显示C20等5个细分行业依次影响程度较大。总体而言，劳动密集型、资本密集型产业对整个制造业的安全发展影响程度较大。

4. 稳健性检验

DEA模型是一种非参数的线性规划方法，无法直接进行各种统计学检验。鉴于投入产出变量的选择以及异常点对模型效率值的影响，Kirjavainen等［29］提出利用Jackknifing法检验DEA模型效率得分结果的稳健性。Jackknifing法就是每次剔除一个有效率的行业，然后再进行模型分析，由此检验模型结果的稳健性。表5表明需分别删除9个有效率行业，逐一测算9次剩余25个制造业行业效率值。然后将表5效率均值与剔除1个有效行业的效率均值进行斯皮尔曼相关系数检验。计算这9次效率均值的平均效率及该平均效率的标准偏差如表12所示，在考虑异常值对效率前沿面影响的情况下，斯皮尔曼相关系数值很高，平均效率和迭代效率平均值的差异较小，且迭代平均效率的标准偏差非常小，表明本文的研究结果是稳健的。

六、 总结及建议

1. 结论

第一，中国制造业产业安全效率仍有极大的提升空间。2021年达到产业相对安全的行业有8个，占26个行业的30.8%。整体产业控制力冗余高于产业依存度冗余。5个细分行业双高冗余行业效率提升空间较大。

第二，中国制造业产业安全效率的提高主要源于技术进步指数的提高。2018—2021年，中国制造业Malmquist生产率上升了13.5%，技术效率均值提高了2.1%，技术进步均值提高了11.2%。

第三，中国制造业产业安全问题亟待重视。对制造业安全发展影响程度相对较大的主要因素为外资市场控制率、产业发展效益、外资品牌控制率，主要行业为C20、C31、C28、C24、C30、C32、C25、C17、C15、C33、C13、C26、C18等13个细分劳动密集型、资本密集型行业。

2. 建议

第一，提升产业控制力。合理利用外资，效率值越低的产业越应降低外资控制比例和对外依存度，培育和保护中国主导产业。具体而言，“低依存度冗余高控制力冗余”行业应注重产业控制力的改进，增强民族企业的市场竞争力，降低外资对产业的控制程度；“高依存度冗余低控制力冗余”行业则应重点关注产业对外依存度，努力提升产业的自主创新能力，控制外资资本的介入，促进全产业链发展，减少对外部市场尤其是中间产品市场的依赖；“双高冗余”行业既要减少外资的产业控制力，也要降低产业的对外依存度，推动制造业高质量发展。

第二，积聚产业安全生产要素。提升和优化产业生产要素的质量和结构是提高中国制造业产业安全的关键。一是优化制造业产业金融环境，国家应实施更加精准的制造业产业扶持政策，引导国内资本市场加强对制造业发展的支持力度，创新金融支持方式，提高资本效率，降低融资成本；二是营造引得进、留得住、用得好的人才环境，统筹各方面优质资源和专业力量，通过设立人才发展专项资金、打造人才发展服务平台、提供人才发展生活服务保障，重点着手靶向人才引进和培养机制的构建；三是推动产业核心技术攻关，尤其加大对半导体、汽车、医药、机器人、电子电器等技术密集型制造业扶持力度，推进相关产业供应链产业链的本土化。

第三，建立产业动态监控预警机制。国家相关部门应对制造业整体和局部进行科学、客观、全面监控，掌握制造业的全方位数据信息，建立一套制造业产业安全预警机制，不仅要对制造业目前产业安全进行评估，同时也要对制造业产业安全未来趋势做出预测，从而采取措施及时规避各类风险。

参考文献：

[1] 李妍.创新生态系统下制造业产业安全评价体系的构建与实证研究[J].中国科技论坛，2018（9）：22-30.

[2] 许铭.中国产业安全问题分析[D].上海：复旦大学，2005.

[3] 张立.经济全球化条件下的中国产业安全问题[D].成都：四川大学，2002.

[4] 经济安全论坛组.中国国家经济安全态势——观察与研究报告[M].北京：经济科学出版社，2002.

[5] 何维达，何昌.当前中国三大产业安全的初步估算[J].中国工业经济，2002（2）：25-31.

[6] 金成晓，俞婷婷.基于BP神经网络的中国制造业产业安全预警研究[J].北京工业大学学报（社会科学版），2010，10（1）：8-16.

[7] 朱建民，魏大鹏.我国产业安全评价指标体系的再构建与实证研究[J].科研管理，2013，34（7）：146-153.

[8] 向一波.中国装备制造业产业安全研究[D].北京：中国人民大学，2013.

[9] 史欣向，李善民，王满四，等.“新常态”下的产业安全评价体系重构与实证研究——以中国高技术产业为例[J].中国软科学，2015（7）：111-126.

[10] 何维达，贾立杰，吴玉萍.基于DEA模型的中国纺织产业安全评价与分析[J].统计与决策，2008（13）：77-79.

[11] 宁学敏.基于DEA原理的中国农业产业安全度的评估与分析[J].生产力研究，2009（24）：49-50.

[12] 单春红，胡珊珊.基于DEA模型的我国航空航天业安全评价实证分析[J].中央财经大学学报，2012（5）：59-64.

[13] 史晓红，李金霞.基于DEA方法的装备制造业产业安全综合评价[J].统计与决策，2016（4）：60-62.

[14] 李孟刚，贾美霞，刘晓飞.基于DEA模型的中国文化产业安全评价实证分析[J].吉首大学学报（社会科学版），2018，39（5）：45-54.

[15] 高江涛，李红，邵金鸣.基于DEA模型的中国粮食产业安全评估[J].统计与决策，2020，36（23）：61-65.

[16] 景玉琴.产业安全评价指标体系研究[J].经济学家，2006（2）：70-76.

[17] 赵驰，戴阳晨.绿色贸易壁垒抑制了发展中国家的产业安全吗？——中国制造业产业的视角[J].经济问题探索，2021（12）：83-103.

[18] 范建亭.开放背景下如何理解并测度对外技术依存度[J].中国科技论坛，2015（1）：45-50.

[19] 刘帷韬，刘德学.外商投资产业政策对外资溢出效应的影响——基于中国制造业行业的面板检验[J].国际经贸探索，2017，33（3）：96-112.

[20] 段国蕊，于靓.制造业高质量发展评价体系构建与测度：以山东省为例[J].统计与决策，2021，37（18）：99-102.

[21] 阳立高，龚世豪，王铂，等.人力资本、技术进步与制造业升级[J].中国软科学，2018（1）：138-148.

[22] 钱学锋，陆丽娟，黄云湖，等.中国的贸易条件真的持续恶化了吗？——基于种类变化的再估计[J].管理世界，2010（7）：18-29.

[23] Charnes A，Cooper W W，Rhodes E.Measuring the Efficiency of Decision Making Units[J].European Journal of Operational Research，1978，2（6）：429-444.

[24] Banker R D，Charnes A，Cooper W W．Some Models for Estimating Technical and Scale Inefficiencies in Data Envelopment Analysis[J].Management Science，1984，30（9）∶1078-1092．

[25] Andersen P，Petersen N C.A Procedure for Ranking Efficient Units in Data Envelopment Analysis[J]．Management Science，1993，39（10）：1261-1264．

[26] Malmquist S．Index Numbers and Indifference Surfaces[J].Trabajos de Estadistica，1953（4）：209-242．

[27] Fare R，Grosskopf S，Norris M，et al．Productivity Growth，Technical Progress，and Efficiency Change in Industrialized Countries[J].The American Economic Review，1994，84（1）：66-83．

[28] 于婷.基于熵权TOPSIS法的农业高质量发展评价及障碍因子诊断[J].云南社会科学，2021（5）：80.

[29] Kirjavainen T，Loikkanent H.A Efficiency Differences of Finnish Senior Secondary Schools：An Application of DEA and Tobit Analysis[J].Economics of Education Review，1998，17（4）：377-394.

基金项目：东莞市哲学社会科学规划项目“东莞制造业安全发展研究”（项目编号：2023CG67）。

作者简介：王菁菁，女，硕士，广东科技学院财经学院讲师，研究方向为产业经济。

（收稿日期：2024-02-19  责任编辑：苏子宠）