中國工業綠色全要素生產率變動測度研究

劉殿國 李鑫強

摘 要：基于網絡超效率EBM-Malmquist模型，測算了2003-2019年中國各省工業整體和分階段綠色全要素生產率變動情況。結果表明：工業綠色全要素生產率整體效率水平不高且各省之間存在巨大差異；EM指數結果分析表明，整體階段、工業生產階段和環境治理階段效率處于提升狀態，環境治理階段效率還有較大的進步空間；南北地區整體效率變動和分階段的效率變動都處于提升狀態，且南部地區效率變動在整體階段、生產階段和治理階段都要高于北部地區；EC（技術效率變化）指數和TC（技術變化）指數結果分析表明，整體階段、工業生產階段和環境治理階段的效率變動主要由技術變化驅動，而技術效率變化對其具有一定抑制作用；南方整體階段效率提升大部分由技術效率變化驅動；南方生產階段效率提升大部分由技術變化驅動；南方治理階段以及北方的整體和分階段效率的提升主要由技術變化驅動。

關鍵詞：整體效率；工業生產效率；環境治理效率；網絡超效率EBM-Malmquist模型；南北差異

中圖分類號：F424

文獻標志碼：A

文章編號：1672-0539（2023）03-0023-11

一、引言

2011年中國工業總產值超過美國，到2019年已連續十年保持世界第一制造大國地位，創造了舉世矚目的“中國經濟史上的奇跡”^[1]。2019年，我國工業總產值占國內總產值的32%，但工業領域能源消費占終端能源消費總量的65.1%，二氧化硫排放量、氮氧化物、煙（粉塵）排放量占總排放的比例分別為86.5%、44.4%、85.1%；一般工業固體廢物產生量達440 810萬噸。2014 年中國的全要素生產率僅相當于美國的43.3%^[2]。這種數量型的經濟增長方式，導致了生態環境破壞異常嚴重，投入要素利用效率低，這樣的發展現狀又反過來制約經濟的發展。習近平總書記在二十大報告中莊嚴宣告：高質量發展是全面建設社會主義現代化國家的首要任務。由于低耗能、高效率是高質量發展的重要構成部分，因此，在以“碳達峰”和“碳中和”為主導的綠色轉型背景下，在邁向經濟高質量發展的道路上，研究工業綠色全要素生產率無疑成為重要的研究課題。

其實，眾多學者早已開始關注高耗能、高排放的工業所帶來的能耗及環境污染問題，并在一定環境約束下測算了工業經濟全要素生產率；只不過，從經濟過程階段上看，多數學者所使用的是單階段方法；從具體的DEA方法上看，多數學者所使用的是SBM模型^[3]。而兩階段網絡SBM-Malmquist模型通過對不同階段的數據進行分析能夠更好地捕捉研究對象的內在結構和過程，從而能夠比單階段更真實地反映效率評價結果^[4]；同時，EBM 模型能有效解決DEA模型中的徑向、SBM模型測算效率值時存在的非徑向問題^[5]。基于兩階段網絡SBM-Malmquist模型以及EBM模型所具有的優勢，利用網絡超效率EBM-Malmquist模型測算中國省域工業綠色全要素生產率變動無疑是一個值得探索的問題。

二、文獻綜述

自從Solow提出通過國民經濟核算或生產函數回歸測算索洛余值（全要素生產率），全要素生產率研究受到廣泛的重視^[6]。Aigner 和 Chu提出了前沿生產函數模型，用技術前沿（technological frontier）和技術效率（technical efficiency）解釋生產者效率^[7]；Aigner等構建了包含隨機擾動的前沿模型，即隨機前沿生產函數（SFA ）分析方法；有的學者利用SFA來測量工業綠色全要素生產率^[8]，但是利用SFA方法來測量工業綠色全要素生產率，需要假設具體生產函數形式，這往往有一定局限性。Charnes等和 Caves等基于一種線性規劃技術確定生產前沿面，即數據包絡分析法（DEA）^[9-10]；Anderson和Petersen為了處理前沿面上多個決策單元最優化從而搭建了超效率DEA模型^[11]；Tone K.構建了SBM模型，解決了徑向模型中存在的投入或產出要素以相同比例縮減或增加情形^[12]；Tone K.綜合徑向和非徑向特點構建了 EBM 模型能有效解決DEA模型中的徑向、SBM模型測算效率值時存在的問題^[5]；Hailu和 Veeman認為，如果忽略了能源消耗和環境對生產的制約，可能會導致人們對經濟績效看法出現偏頗^[13]；Watanabe認為研究中國工業效率要考慮資源環境約束^[14]；Fare等人建立了Malmquist 生產率變動指數，考察兩個相鄰時期生產率變化^[15]。一些學者將DEA模型與Malmquist 指數結合測算工業全要素生產率的變動，如，魏奇鋒等運用SBM-Malmquist模型測量了成渝地區16個城市的工業綠色全要素生產率^[3]；籍艷麗等采用EBM-Malmquist模型測度了中國省域工業綠色全要素生產率^[16]。針對傳統的DEA方法難以處理包含中間產品及前后連續具有多階段過程的問題，Fare 和Grosskopf提出了網絡 DEA（Network DEA）方法給出了合理的解決^[17]; Tone和Tsutsui把 SBM 和網絡DEA 優點進行綜合，探討了中間產出的不同情形^[18]；Madjid Tavana等把 EBM 和網絡DEA 優點進行綜合，構建了網絡EBM模型^[19]，一些學者應用網絡DEA模型測算工業全要素生產率，兩階段網絡 SBM模型在測量工業效率時更加精準^[4]。有學者使用網絡EBM方法測度了中國30個省份國有工業企業2007-2014年的綠色技術創新整體和分階段效率^[20]；也有學者基于截面數據運用兩階段網絡EBM方法測度了2016年城市工業生態綠色發展^[21]。雖然目前有較多文獻使用網絡DEA模型對企業績效、效率等進行了研究^[20-24]，但是目前仍然未見運用網絡超效率EBM-Malmquist方法測算中國工業綠色全要素生產率的研究文獻。

此外，南北區域間發展不平衡的趨勢也在擴大。以2008年的國際金融危機為時間分界點，在過去的幾十年，差距主要體現在東中西部發展水平上，而之后很快就演變為南北發展的差距。在經濟總量占比上，北方地區占全國GDP總量的比重由2008年的43%降至2019年的35%;在經濟增長速度上，2008年之后北方地區經濟發展態勢呈現出放緩、停滯和衰退，而南方地區依舊保持平穩；2008到2019年北方地區人均GDP年均增長為8.32%，而南方年均增長9.42%，北方比南方略低^[25]。南北差距成為中國新時代發展目標下新的問題，研究南北區域差異問題不僅能揭露南北區域差異來源，而且有利于促進中國區域協調發展，實現中國長期發展下的戰略目標，打造中國工業高質量發展格局^[26]。但是目前區域差異研究的文獻主要關注于東中西部，而使用南北區域差異的視角研究中國工業綠色全要素生產率的文獻仍然不足。

綜上所述，在單階段DEA模型中，超效率EBM模型在測量工業綠色全要素生產率上具有一定的優勢；DEA模型與Malmquist 指數結合能測算出工業全要素生產率的變動；網絡DEA模型通過對不同階段的數據進行分析能夠更好地捕捉研究對象的內在結構和過程，從而能夠比單階段更真實地反映效率評價結果；但目前仍未見運用網絡超效率EBM-Malmquist方法測算中國工業綠色全要素生產率的研究文獻，且區域差異研究中關于南北區域差異的文獻仍然不足。因此，依據已有的成果與存在的問題，本研究將運用網絡超效率EBM-Malmquist方法，基于中國省域數據，測算工業綠色全要素生產率的變動，研究南北工業綠色全要素生產率變動的差異，并以此提出相應的建議。

三、研究方法與數據來源

（一）研究方法

1.網絡超效率EBM模型

傳統DEA模型缺乏生產過程中間環節的分析，而網絡超效率EBM-Malmquist模型考慮經濟生產和環境治理兩個環節對工業綠色全要素生產率的影響，將測算過程分成兩個階段：每個省的第一階段（工業生產環節）有3種投入1種合意產出、3種非合意產出；每個省的兩階段連接變量有3個；每個省的第二階段（污染治理環節）有3種投入和3種產出。

基于EBM的網絡DEA模型^[21]、農業和服務業環境效率測量的超效 EBM-Malmquist 模型^[27-28]、非導向的EBM的研究框架以及超效率DEA模型約束條件的特點（j₀表示當被評論決策單元為DMU_j0時，在剔除掉DMU_j0的新的有效前沿面上 的超效值） ，本研究使用非徑向、非導向的網絡超效率EBM模型。我們研究30個決策單元DMU_j（j=1，…，30）包含K個節點的效率（k=1，2）。第一階段，觀察數據為{X¹_j=（xⁱ_j1，…，x¹_j3）∈R²₊}（j=1，…，30）（第j個決策單元在第1個節點3項投入資源）；2種一般產出{Y¹_j=（y¹_j1，y¹_j，2）∈R²₊}和2種非期望產出B_j={（b_j1，b_j2）∈R²₊}（j=1，…，30）（第j個決策單元在第 1 個節點2項一般產出和2項非期望產出）；兩階段連接變量{Z^（1，2）_j∈R¹₊}（j=1，…，30）（第1個節點到第2個節點中間產出的連接變量）；第二階段，觀察數據為{X²_j=（x²_j1，…，x²_j4）∈R²₊}（j=1，…，30）（第j個決策單元在第 2個節點所投入的資源），{Y²_j=（y²_j1，…，y²_j，3）∈R³₊} （j=1，…，30）（第j個決策單元在第 2 個節點的產出）。

基于上面的分析，假設待評價決策單元為DMU_j0，則其對應的整體階段、工業生產階段和環境治理階段效率值可以通過求解（1）式的非導向的網絡超效率 EBM 模型得到。

其中，k=1時，i=1，2，3，r=1，2，p=1，2；k=2時，i=1，…，4；r=1，2，3。本研究借鑒李靜等^[3]，選擇 LF 作為中間變量。式（1）中ρ*為規模報酬不變情況下的最佳效率；θ為徑向部分的規劃參數；ε_x為關鍵參數，滿足0≤ε_x≤1。W-_i為投入指標的重要程度，其滿足 ；x_ik和y_rk分別為決策單元k的第i類投入和第r類產出；S-_i為投入要素i的松弛量；ε_y為關鍵參數；φ為產出擴大比；S+₁為期望產出的松弛變量；S^b-_p為p類非期望產出的松弛變量；W+₁、W^b-_p分別為兩者的指標權重；b_jp為決策單元j的第p類非期望產出；p為非期望產出的數量；j為決策單元；λ_j為線性組合系數；j₀表示當被評論決策單元為DMU_j0時，在剔除掉DMU_j0的新的有效前沿面上DMU_j的超效值，∑2k=1ω^k=1；ω^k是第k個節點的相對權重，由該節點的重要性決定。

2.數據來源

限于數據的可得性，研究樣本為30個省份（不含港澳臺及西藏）。

第一階段的投入量：工業勞動力人數、工業資本存量、工業能源消耗。其中，工業勞動力人數、工業資本存量分別用全部工業企業主要經濟指標中的全部從業人員年平均人數（萬人）、固定資產凈值（億元），2003-2019年相關數據來源于《中國工業統計年鑒》；工業能源消耗，利用各省市工業終端各種能源項目的消費數量以及能源折標準煤參考系數，將能源消費總量折算成萬噸標準煤；2003-2019年能源消費量數據來自《能源統計年鑒》。第一階段的產出量：合意產出為工業總產值，數據來源于《中國工業統計年鑒》；非期望產出為廢固產生量、工業廢水排放量和工業廢氣排放量，2003-2019年數據來自《中國環境統計年鑒》。其中，由于國家自 2012年起不再對外公布工業分地區的工業總產值數據，因此需要對 2012-2019 年分地區的工業總產值數據進行估算。通過對比 2003-2011 年的工業總產值和工業銷售產值數據可知，二者相差不大，產銷率（工業銷售產值 / 工業總產值）均值為 97.99%。因此，采用工業銷售產值和產銷率來對 2012-2019年的工業總產值數據進行估算（2019年用營業收入代替，2017、2018年數據用內插法補齊）^[29]。固定資產凈值已用固定資產價格指數轉化為2000年不變價，工業總產值已用工業品出廠價格指數轉化為2000年不變價。

兩階段連接變量為廢固產生量、工業廢水排放量和工業廢氣排放量，數據來自《中國環境統計年鑒》。第二階段的投入量：廢水和廢氣治理設施數、廢水和廢氣治理設施運行費用以及廢水、廢氣和廢固治理投資額為投入，2003-2019年數據來自《中國環境統計年鑒》《中國統計年鑒》。第二階段的產出量：廢固綜合利用量、空氣質量指數和廢水處理量。工業廢水處理量，2011-2015年數據來自《中國環境統計年鑒》；其他年度由于指標的不一致，利用廢水處理量與排放量的比值（該比值具有一定穩定性）調整得到處理量。工業固體廢物綜合利用量，2003-2019年數據來自《中國環境統計年鑒》；空氣質量指數利用城市空氣質量指標每立方米中二氧化流、二氧化氮、可吸入顆粒物（PM10）含量（毫克）倒數表示，數值越大效果越好，且該指數能夠真實地綜合反映廢氣的治理效果；并用熵權法將三項指標合成一項廢氣治理排放效果綜合指標。數據來源于《中國統計年鑒》中主要城市空氣質量指標（2003-2019年）。

四、結果分析

（一）網絡超效率EBM模型的結果分析

1.中國各省工業整體和分階段綠色全要素生產率的測算

運用網絡超效率EBM模型，使用MaxDEA6.3分析得到2003-2019 年中國各省工業整體和分階段綠色全要素生產率的17年平均值如表1所示。

由表1可知，整體效率水平不高且各省之間存在巨大差異。部分工業生產階段效率較高的省份治理階段的效率卻較低，例如北京、福建、山東、浙江、重慶等5個省工業生產階段效率高于30個省份的平均值0.806，但是環境治理階段效率低于30個省份的平均值0.590；另外，部分工業生產階段效率較低的省份環境治理階段的效率卻較高，例如海南、青海、貴州、吉林、廣西、新疆、黑龍江等省工業生產階段的生產率低于30個省份的平均值0.806，但是環境治理階段的效率高于30個省份的平均值0.590；大部分省份工業生產階段效率處于較高水平；大部分省份環境治理階段效率處于較低水平。因此，僅僅考慮工業生產階段而忽略環境治理階段的工業綠色全要素生產率得到的結果是有局限的。

部分工業生產階段效率較高的省份環境治理階段的效率較低，以及部分工業生產階段效率較低的省份環境治理階段的效率較高的原因解釋如下：在數量型經濟發展階段，各個省都追求工業經濟規模的擴大，工業經濟規模較大的省份其生產階段效率往往較高，而較大的工業生產規模往往產生較多的廢水、廢氣和廢固，從而影響了其環境治理效果，導致其治理的效率低；海南、廣西、青海、黑龍江等地區缺乏工業基礎，經濟發展受到一定限制，但具有獨特的生態環境地理優勢，具有較強的環境修復能力，地區的發展政策也更加側重于環境保護，導致環境治理階段的效率較高、工業生產階段效率較低。

2.中國各省工業整體和分階段綠色全要素生產率的南北差異

為了探討中國南北區域之間工業綠色全要素生產率的差異，依據劉殿國等的劃分方法^[27]，將中國除港澳臺及西藏外的30個省份劃分為南北兩大區域，其中南部區域包括上海、江蘇、浙江等15個省，北部區域包括北京、天津、河北等15個省。2003-2019年區域工業綠色全要素生產率如圖1所示。

從圖1可知，各區域整體（網絡）工業綠色全要素生產率介于工業生產階段和環境治理階段之間；所有年份南部和北部區域工業生產階段的工業綠色全要素生產率均高于環境治理階段的工業綠色全要素生產率；從工業生產階段來看，南部區域工業綠色全要素生產率高于北部，南部區域經濟上較為發達，擁有更先進的生產技術，從而在要素投入條件一致的情況下工業綠色全要素生產率通常是較高的；從環境治理階段來看，在較多的年份里，南部區域環境治理階段工業綠色全要素生產率高于北部區域，這表明南部地區更重視環境治理。原因解釋如下：官員的環境績效考核與經濟績效考核，共同決定了官員的晉升問題，經濟考核指標往往更加的明確具體，在經濟發展比較落后的北方地區，往往更加重視經濟方面的考核，從而忽略環境治理方面的考核；南部區域經濟整體較為發達，因此環境治理考核更加重要，受到人們的重視；因此建立完善的官員晉升體制，對于不同的省份調整合適的績效考核的比重，加強環境治理、綠色發展對經濟促進的積極作用^[30]。

（二） EM指數的結果分析

1.綠色全要素生產率變動的測算

本文運用非參數網絡EBM-Malmquist（EM）指數來度量中國30個省2003至2019年中國工業綠色全要素生產率的逐期變動，并將EM指數分解成技術效率變化（EC）指數和技術變化（TC）指數加以分析。2003至2019年中國各省工業綠色全要素生產率EM指數的幾何平均值如表2所示。

從表2可知，①整體階段17個省份EM指數值大于1，13個省份EM指數值小于1；工業生產階段22個省份EM指數值大于1，8個省份EM指數值小于1；環境治理階段14個省份EM指數值大于1，16個省份EM指數值小于1；大于1表示效率在提升，小于1表示效率在下降。②從30個省份的平均值來看，整體階段、工業生產階段和環境治理階段的EM指數值均大于1，治理階段的效率變動高于生產階段，這表明整體階段、工業生產階段和環境治理階段效率處于提升狀態，環境治理階段效率還有較大的進步空間。

2.綠色全要素生產率變動的南北差異

進一步探討中國南北區域工業綠色全要素生產率EM指數的差異，2003-2019年南北區域的EM指數如表3所示。

從表3可知，大多數年份南部地區效率變動在整體階段、生產階段和治理階段都是要高于北部地區，只有個別年份的階段效率變動會低于北部地區；從南北地區的平均值來看，整體和分階段的EM指數值都是大于1，整體效率變動和分階段的效率變動都是處于提升狀態，且南部地區效率變動在整體階段、生產階段和治理階段都是要高于北部地區，南方地區進步更加明顯。這意味著南北區域在不同水平的基礎上發展，南方地區的效率提升始終快于北方，逐漸累加形成一定優勢，這可能是南方的科技進步、研發優勢形成的，北方地區則需要加大相應的科研投入。

（三） EC指數和TC指數的結果分析

1.EC指數、TC指數的測算

計算得到EC指數、TC指數，2003-2019年的幾何平均值如表4所示。

根據表2和表4中的數據可知：①整體階段13個省份EC指數值大于1，17個省份EC指數值小于1；工業生產階段16個省份EC指數值大于1，14個省份EC指數值小于1；環境治理階段12個省份EC指數值大于1，18個省份EC指數值小于1；大于1表示效率在提升，小于1表示效率在下降。②整體階段16個省份TC指數值大于1，14個省份TC指數值小于1；工業生產階段21個省份TC指數值大于1，9個省份TC指數值小于1；環境治理階段14個省份TC指數值大于1，16個省份TC指數值小于1。③從中國30個省份的平均值可知，整體階段、工業生產階段和環境治理階段的EM指數值大于1，整體階段、工業生產階段和環境治理階段的EC指數值小于等于1，而整體階段、工業生產階段和環境治理階段TC指數均存在進步（大于1），可以看出技術變化抑制了整體階段、工業生產階段和環境治理階段的效率變動，而整體階段、工業生產階段和環境治理階段的效率變動主要是由技術變化驅動的，管理方面抑制了工業效率水平的提高。目前我國科研實力突飛猛進，但是由于工業發展相對較晚、經濟基礎薄弱、工業生產和治理管理經驗不足等原因，還處于通過提高技術進步便可促進綠色全要素生產率的階段，需要加大相關產業技術研發力度，向國外先進的企業學習生產和治理管理經驗，提升企業管理水平。

2.EC指數、TC指數的南北差異

2003-2019年南北區域EC指數和TC指數如表5和表6所示。

從表5和表6可以看到：①南方地區整體階段、工業生產階段和環境治理階段的EC指數值高于北方地區，南方地區平均值整體階段、工業生產階段EC指數值大于1，南方地區平均值環境治理階段的EC指數值小于1，北方地區平均值整體和分階段EC指數值小于1；②南方地區整體階段、工業生產階段和環境治理階段的TC指數值低于北方地區，南北區域平均值整體階段、工業生產階段和環境治理階段的TC指數值大于1。

此外，表3中EM數值大于或小于1的結果表明了效率變化是提升還是降低，而表5、表6中EC、TC 數值大于或小于1的結果則揭示了表3中EM數值效率變化（提升還是降低）產生的原因，是對表3中EM數值的解釋和說明，具體解釋如下：南方整體階段效率提升大部分是由技術效率變化驅動的；南方生產階段效率提升大部分是由技術變化驅動的；南方治理階段以及北方的整體和分階段效率的提升主要是由技術變化驅動的。這說明南方地區在科研技術投入和管理方面雙管齊下，起到了較好的效果，而北方地區在技術創新科研投入方面做得不錯，管理水平還是有待加強。

五、主要結論與政策建議

（一）主要結論

在高質量發展已成為全面建設社會主義現代化國家首要任務的背景下， 提高工業綠色全要素生產率的研究無疑是非常重要。相比單階段SBM模型，網絡超效率EBM-Malmquist模型通過對不同階段的數據進行分析能夠更好地捕捉研究對象的內在結構和過程，比單階段更真實地反映效率評價結果，還能有效解決SBM模型測算效率值時存在的非徑向問題。基于網絡超效率EBM-Malmquist模型，將工業經濟發展階段分成工業生產階段與環境治理階段，測算了2003-2019年中國各省工業綠色整體和分階段全要素生產率變動情況，得到的主要結果如下：

（1）網絡超效率EBM模型的結果分析對于中國各省工業整體和分階段及南北綠色全要素生產率，整體效率水平不高且各省之間存在巨大差異，工業生產階段與環境治理階段都處于前沿面（生產率大于等于1）的省份數量較少，各省份與前沿面有著較大的差距；工業生產階段效率高的省份，工業經濟規模往往較大，產生的污染較多，環境治理效率低下，拉低了當地的整體效率水平；南部地區在整體和分階段的效率基本上都高于北部區域。

（2）對于EM指數的結果分析，從30個省份的平均值來看，整體階段、工業生產階段和環境治理階段的EM指數值均大于1，治理階段的效率變動高于生產階段，這表明整體階段、工業生產階段和環境治理階段效率處于提升狀態，環境治理階段效率還有較大的進步空間；從南北地區的平均值來看，整體和分階段的EM指數值都是大于1，整體效率變動和分階段的效率變動都是處于提升狀態，且南部地區效率變動在整體階段、生產階段和治理階段都是要高于北部地區，南方地區進步更加明顯。

（3）對EC指數和TC指數的結果分析，從30個省份的平均值可知，技術變化抑制了整體階段、工業生產階段和環境治理階段的效率變動，而整體階段、工業生產階段和環境治理階段的效率變動主要是由技術變化驅動的，目前我國管理方面抑制了工業效率水平的提高，還處于通過提高技術進步便可促進綠色全要素生產率的階段。南方整體階段效率提升大部分是由技術效率變化驅動的；南方生產階段效率提升大部分是由技術變化驅動的；南方治理階段以及北方的整體和分階段效率的提升主要是由技術變化驅動的。這說明南方地區在科研技術投入和管理方面雙管齊下，起到了較好的效果，而北方地區在技術創新科研投入方面做得不錯，管理水平還是有待加強。

（二）政策建議

依據實證分析的結果，從提高技術效率變化和技術變化入手，具體政策建議為：

（1）加大科研創新投入，提升企業自主研發能力。尤其是加大對于環境治理技術研發，激勵和扶持創新型企業的發展，借助地區高校和科研平臺，成立高新技術產業園區，實現企業技術共享和互助，加大高精尖人引進力度，為其創造良好的發展環境。通過技術進步，實現生產階段和治理階段的效率提升，進而降低污染，如河南、內蒙古和甘肅等科研水平較差、研發投入不足的地區，加大研發投入，搭建科研平臺，改善工業生產和環境治理技術。

（2）提高管理水平，完善官員考核體制。因地制宜調整經濟考核和環境治理考核的比重，尤其是北方地區;對于經濟欠發達的地區，如河南、內蒙古和甘肅等，不能單純為了經濟發展以及經濟績效考核，放棄生態環境保護，更不能采取一刀切的發展方式，要根據經濟需求采取彈性的政策，控制好污染，對于高污染的行業要提高準入的門檻；對于經濟較為發達的地區，特別是北京、福建和浙江等，加大工業整治和監管力度，進一步改善工業環境治理技術，切實提高環境治理能力；而海南、青海、廣西、黑龍江等地區具有獨特的生態環境地理優勢，具有較好的環境修復能力，更要因地制宜，制定合適的環境監督管理政策，加強高新科技產業的發展，打造產城融合和生態宜居的雙贏局面。

參考文獻：

[1]王政，韓鑫. 我國產業發展綜合實力穩步提升[N]. 人民日報，2022-10-11（9）.

[2]戴小勇.中國高創新投入與低生產率之謎：資源錯配視角的解釋[J].世界經濟，2021，44（3）：86-109.

[3]魏奇鋒，譚娟，石琳娜.成渝地區雙城經濟圈工業綠色全要素生產率測度及空間分異研究[J].軟科學，2023，37（2）：103-111.

[4]李靜，倪冬雪.中國工業綠色生產與治理效率研究——基于兩階段SBM網絡模型和全局Malmquist方法[J].產業經濟研究，2015，（3）：42-53.

[5]Tone K.，Tsutsui M. An epsilon-based measure of efficiency in DEA-A third pole of technical efficiency[J]. European Journal of Operational Research， 2010， 207（3）：1554-1563.

[6]Solow R. M. Technical change and the aggregate production function[J]. Review of Economics and Statistics， 1957，39（3）：312-320.

[7]Aigner J．，Chu S. F．On estimating the industry production function[J]. American Economic Review，1968，58（4）： 826-839.

[8]崔和瑞，王浩然，趙巧芝. 中國工業綠色全要素生產率動態演變特征及驅動因素研究[J]. 統計與決策， 2021， 37（3）： 117-120.

[9]Charnes A.，W.W. Cooper， E. Rhodes. Measuring the efficiency of decision making units[J]. European Journal of Operational Research， 1978， 2（6）： 429-444.

[10]Caves D.W.， Christensen L. R.， Diewert W.The economic theory of index numbers and the measurement of input， output， and productivity[J]. Econometrica， 1982， 50（6）： 1393-1414.

[11]Anderson P.，Petersen N. C. A procedure for ranking efficient units in data envelopment analysis[J].Management Science，1993，39（10） ： 1261-1264.

[12]Tone K. A slacks-based measure of efficiency in data envelopment analysis[J]. European Journal of Operational Research， 2001， 130（3）：498-509.

[13]Hailu A.， Veeman T. S . Environmentally sensitive productivity analysis of the canadian pulp and paper industry， 1959-1994： An input distance function approach[J]. Journal of Environmental Economics & Management， 2000， 40（3）：251-274.

[14]Watanabe M.， Tanaka K.. Efficiency analysis of Chinese industry： A directional distance function approach[J]. Energy Policy， 2007， 35（12）：6323-6331.

[15]Fare R.， Grosskopf S.，Norris M.，et al．Productivity growth，technical progress，and efficiency change in industrialized countries[J].American Economic Review，1994，84（1）：66-83.

[16]籍艷麗，辜子寅，薛潔. 環境規制對工業綠色全要素生產率的波特效應[J]. 統計與決策， 2022， 38（7）： 82-86.

[17]Fare R.，Grosskopf S．Network DEA[J].Socio-Economic Planning Sciences，2000，34（1）：35-49.

[18]Tone K.，Tsutsui M．Network DEA： A Slacks-based measure approach[J].European Journal of Operational Research，2009，197（1）：243-252．

[19]Tavana M.， Mirzagoltabar H.， Mirhedayatian S.M.， et al. A new network epsilon-based DEA model for supply chain performance evaluation[J]. Computers & Industrial Engineering， 2013， 66（2）：501-513.

[20]孫絲雨，安增龍. 兩階段視角下國有工業企業綠色技術創新效率評價——基于網絡EBM模型的分析[J]. 財會月刊， 2016， 783（35）： 20-25.

[21]韓潔平，程序，閆晶，等.基于網絡超效率EBM模型的城市工業生態綠色發展測度研究——以三區十群47個重點城市為例[J].科技管理研究，2019，39（5）：228-236.

[22]Li J.， Qin R.， Jiang H. Measurement of innovation efficiency in Chinas electronics and communication equipment manufacturing industry-based on dynamic network SBM model[J]. Sustainability， 2022， 14（3）：1227.

[23]Park S.，Kim P. Operational performance evaluation of korean ship parts manufacturing industry using dynamic network SBM model[J]. Sustainability， 2021， 13（23）：13127.

[24]Cui H.，Ramachandran V. Performance evaluation of logistics enterprises based on non-radial and non-angle network SBM model[J]. Journal of Intelligent & Fuzzy Systems，2021，40（4）：6541-6553.

[25]黃少安，謝冬水.南北城市功能差異與南北經濟差距[J].南方經濟，2022，76（6）：40-63.

[26]盛來運，鄭鑫，周平，等.我國經濟發展南北差距擴大的原因分析[J].管理世界，2018，34（9）：16-24.

[27]王美， 劉殿國. 中國省域農業環境效率測算及收斂性分析——基于非期望產出的超效率 EBM 模型[J]. 數學的實踐與認識， 2020， 50（9）： 20-27.

[28]劉殿國， 張茜， 傅國華. 服務業環境全要素生產率變動測算及收斂性研究——基于超效率 EBM-Malmquist 模型和南北區域分析[J]. 海南大學學報（人文社會科學版），2023，41（3）：96-107.

[29]馬曉明，張燦，熊思琴，等.中國區域工業環境效率及其影響因素：基于Super-SBM的實證分析[J].生態經濟，2018，34（11）：96-102.

[30]趙麗，胡植堯.環境治理是否促進了地方官員晉升？——基于中國地級市樣本的實證研究[J/OL].經濟學報：1-22[2023-04-08].https：//doi.org/10.16513/j.cnki.cje.20230215.001.

Research on the Changes in Chinas Industrial

Green Total Factor Productivity Measurement：

An Analysis Based on the Network Super-Efficient EBM-Malmquist Model

LIU Dianguo，LI Xinqiang

（School of Economics， Hainan University， Haikou Hainan 570228， China）

Abstract：Based on the network super-efficiency EBM-Malmquist model， the changes in overall industrial and phased green total factor productivity in various provinces in China from 2003 to 2019 were measured. The results show that the overall efficiency level of industrial green total factor productivity is not high， and there are significant differences between provinces. The analysis of the EM index results shows that the efficiency of the overall stage， industrial production stage， and environmental governance stage is improving， but there is still much room for improvement in the efficiency of the environmental governance stage. The overall efficiency changes and phased efficiency changes in the northern and southern regions are improving， with higher efficiency changes observed in the southern region compared to the overall stage， production stage， and governance stage in the northern region. The analysis of the EC （technical efficiency change） index and TC （technology change） index indicates that the efficiency changes in the overall stage， industrial production stage， and environmental governance stage are mainly driven by technological changes， although technical efficiency changes have a certain inhibitory effect on them. In the South， most of the overall efficiency improvement is driven by changes in technological efficiency， and a significant portion of the efficiency improvement in the production stage is also due to technological changes. The improvement in governance in the South and the overall and phased efficiency in the North are mainly driven by technological change.

Key words： Overall Efficiency; Industrial Production Efficiency; Environmental Governance Efficiency; Network Super-Efficient EBM-Malmquist Model; North-South Differences