“雙碳”政策下中國工業生產效率時空演化研究

摘" 要： 在考慮碳排放的情況下，靜態層面建立DEA模型，動態層面運用Malmquist指數方法，實證分析中國內地除西藏自治區外的30個省份規模以上工業2013—2021年生產效率的時空演化特征，并利用Tobit模型研究影響工業生產效率的相關因子。結果表明：地區間工業生產效率差距較大，東部地區顯著高于中西部地區，但總體生產效率正增長；政府制定的低碳環保政策對工業生產效率的提升具有顯著正向影響。對此，提出科學安排技術研發投入、推動區域協調發展、重視工業綠色低碳轉型升級以及加大對外開放力度等建議，旨在引領工業高質量發展。

關" 鍵" 詞： DEA-Malmquist； 生產效率； “雙碳”政策； 時空演化

中圖分類號： F223""" 文獻標志碼： A""" 文章編號： 1674-0823（2024）04-0394-06

*感謝遼寧裝備制造管理工程重點實驗室、遼寧裝備制造業發展研究基地、遼寧省人文社科重點研究基地——沈陽工業大學微觀管理理論研究中心對本文的大力支持。

收稿日期： 2023-03-14

基金項目： 遼寧省社會科學規劃基金項目（L20BJY002）； 遼寧省教育廳基本科研項目（LJKMR20220482）； 遼寧省教育廳項目（LJKR0078）； 遼寧省經濟社會發展研究課題（2024lslybwtkt-003）。

作者簡介： 徐" 偉（1980-），男，遼寧沈陽人，教授，博士生導師，主要從事運營管理與工業工程等方面的研究。

【經濟與管理】

DOI：10.7688/j.issn.1674-0823.2024.04.07

工業經濟發展是我國經濟高質量增長的根本，是國民經濟質量提高的重要物質基礎和社會可持續發展的根本保證［1］。進入新時代以來，中國的工業發展已經取得顯著成績。至2019年，中國已經接連十年保持著世界第一制造大國地位，五百余種重點工業產品中我國有二百二十多種產量名列世界首位。中國工業在全球市場中的地位逐漸上升，工業產品出口額在我國總出口金額中的占比達到71％，出口覆蓋達兩百個國家。黨的十八大以來，我國逐漸重視工業的發展質量，突出工業由大變強的重大意義。工業是中國實體經濟的重要構成基礎，推動并促進中國制造業的高質量發展是中國新時期工業化階段的一個重大使命［2］。

2020年9月22日，習近平總書記提出，“2030年達到碳峰值，努力爭取2060年實現碳中和。”實現“雙碳”目標需推進各地區、各行業有序發展，這是各級政府的一項重大政治任務。我國開始督查和整治高消耗、高污染的工業，推動工業綠色低碳轉型，這需要知識創新及其派生的技術進步。由于我國生態環境形勢依然嚴峻，因此，在“雙碳”政策下，對工業生產效率進行測度分析，比較各省份的差異，對工業的綠色低碳轉型升級以及我國整體工業水平的提升和良性發展都意義非凡［3］。

關于工業效率的測度，國內外學者已經進行了大量研究［4-6］。從現有文獻看，相關研究大多使用參數法和非參數法。對于參數法，原毅軍等利用隨機前沿生產函數研究了我國裝備制造業的研發效率，并提出政策建議［7］。DEA是典型的非參數法，其中，張優智等運用DEA-Malmquist方法研究了不同類型環境規制對制造業綠色全要素生產率的影響［8］。張雪琳等從價值鏈視角，采用DEA對工業企業技術創新效率進行了研究［9］。王艷等運用超效率DEA測算節能減排效率，并基于Tobit模型研究其影響因素，為節能減排能力的提高提供參考［10］。仇桂且采用DEA測算江蘇省的綠色工業生產效率［11］。

綜上所述，關于工業效率的研究比較豐富，但許多文獻較為注重經濟性，沒有考慮碳排放指標，基于此，將碳排放作為投入指標，構建DEA模型測算工業生產效率，同時運用Malmquist模型對效率進行動態分析。

一、模型構建與方法說明

數據包絡分析是一種多輸出多輸入的分析方法［12］，通常用于計算決策單位的生產效率，該模型經過研究逐步成熟［13-14］。故本文設有n個決策單元，每個決策單元有m種投入變量xmj和s種產出變量ysj（其中xmjgt;0，ysjgt;0），λj為決策變量［15］，基于規模報酬可變的BCC模型：

minθ

s.t.

∑nj=1λjyj≤θx0

∑nj=1λjyj≥y0

∑λi=1" （1）

式中：λj≥0，j=1，2，…，n。

DEA模型可以有效地對工業生產效率的截面數據進行評價，然而工業產業是一個動態的過程，FARE等據此構造了基于DEA的Malmquist指數［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）為t期決策單元的距離函數［17］。

二、指標選取與數據來源

1. 指標選取

本文參考已有研究成果，將指標體系分為投入、產出兩個目標層。借鑒國內外相關學者的指標選取方式，本文考慮數據的可靠性和可獲得性，投入指標選擇以人力、財力和環境投入為主，產出指標則以收入為主，采用工業平均用工人數、工業固定資產投資額來衡量人力與財力投入，鑒于在綠色低碳視角下，二氧化碳排放量越少越好，選擇二氧化碳排放量作為環境投入指標，并選擇了6種能源消耗，以計算工業的最終二氧化碳排放量，根據IPCC建議的估計二氧化碳排放量的參考方法，計算公式如下：

CO2=∑nj=1Ei·NCVi·CEFi·COFi·4412" （3）

式中：E為能源的消耗量；NCV為平均低位發熱量；CEF為碳排放系數；COF為碳氧化因子，44與12是二氧化碳與碳的分子量［18］。產出指標方面，一方面以工業增加值為反映生產水平的主要指標，體現了企業對國家生產總值的貢獻；另一方面，工業的生產經營情況主要由利潤總額和主營業務收入反映，工業的總體生產水平和獲利水平主要采用這3個產出指標來表達［19］。

2. 數據來源

本文選取2013—2021年我國內地除西藏自治區外的30個省份規模以上工業為樣本數據（來自《中國統計年鑒》《中國能源統計年鑒》以及相關省市區的統計年鑒等資料），使用插值法計算缺失數據。

三、工業生產效率時空演化特征分析

1. 綜合效率時間演化特征

2013—2021年30個省份在“雙碳”政策下，綜合效率均值整體呈現“先降低后增高再降低”的趨勢，從2013年的0.83降低到2017年的0.776，緊接著提升到2019年的0.833，又降低到2021年的0.729，效率水平整體上相對較低。從效率分解結果來看，2014—2020年規模效率雖有一定的下滑，但基本維持在0.9以上，整體水平較高；純技術效率有一定的波動，2013—2021年各省平均純技術效率為0.874，表示在此時的技術水平方面，投入的工業資源和要素的利用程度是相對有效的。

總體上，各省份規模以上工業的綜合效率均值為0.800，純技術效率均值為0.874，規模效率均值為0.919（見表1）。由此可得，30個省份的工業生產效率的提高得益于規模效率，而純技術效率的相對低下已經逐漸演變成為提高工業效率的主要障礙。

2. 綜合效率空間分布特征

各省份工業綜合效率均值如圖1所示，北京、天津、上海、廣東、陜西、海南、云南和內蒙古的綜合效率均值到達0.9以上，這些省份屬于效率高的地區。而綜合效率均值相對較低的省份有山西、寧夏、黑龍江、河南和安徽，效率亟待提高，其中純技術效率值普遍低于規模效率值。綜合效率均值最低的是山西省，其在注重產業規模發展的同時，也應對要素投入與產出方面進行調整，促使工業高質量發展。

3. 綜合效率省際時空演化特征

本文選擇2013年、2016年、2019年和2021年4個時期的各省份綜合效率數值，如圖2的省際演化分析，東部工業生產效率明顯高于中部和西部，北京、上海和內蒙古的效率一直處于較優狀態，天津由于技術效率的下降，從2018年開始未處于DEA有效；結合各個時期的省際演化，工業的低效率區域呈現連片分布，較低效率區域多分布于中部和西部，而高效率區域呈塊狀鑲嵌，相對集中在東部地區。國家對西部地區工業發展大力支持，青海、新疆和甘肅等省份的工業產業有針對性地采用多種措施提高生產效率，2019年的工業綜合效率得到了顯著提升。可見，因地制宜的細化措施有助于穩步提高工業生產效率。

四、全要素生產率指數時空演化特征

1. 全要素生產率指數時間演化特征

為進一步分析各省份工業生產效率的動態變化趨勢，本文對2013—2021年各省份采用Malmquist指數測算工業全要素生產率指數（見表2）。總體而言，2013—2021年各省工業的全要素生產率逐漸提高，均值大于1（1.064），年均增長率為6.4％。其中，技術進步效率和技術效率年均增長率分別為8.2％和-1.7％，說明技術效率的水平總體呈現下降趨勢，技術進步因素是規模以上工業生產效率提升的主要動力。2020—2021年由于技術進步效率的大幅度增長，全要素生產率為1.202，水平最高。由此可見，各省份應加強區域合作，通過穩定發展逐步提高工業全要素生產率。

2. 全要素生產率指數空間分布特征

本文對30個省份工業全要素生產率指數均值測度結果進行了分類（見圖3）。所有地區的全要素生產率指數都大于1，說明30個省份的效率是上升的，但大部分省份是在1.10以下，全要素生產率的變動幅度較小。其中，北京的工業全要素生產率最大（1.126），黑龍江的最小（1.016），主要原因在于黑龍江的技術效率為0.952，相對于其他省份偏低，結合純技術效率和規模效率會影響技術效率的結論，此時純技術效率低會對技術效率的變動產生影響，進而一定程度抑制了全要素生產率的提高。

3. 全要素生產率指數省際時空演化特征

基于Malmquist模型分析結果，本文選取2013—2014、2016—2017、2018—2019和2020—2021年4個時間段的數據繪制工業全要素生產率省際演化圖（見圖4）。由圖4可知，工業全要素生產率逐年提高，2014—2015年各省份全要素生產率均值為1.021，2020—2021年期間全要素生產率為1.202，全要素生產率的提高主要得益于技術進步。從區域整體角度分析，東部全要素生產率明顯高于中西部，中部、東部、西部差距突出。總體而言，我國的工業發展普遍存在著區域不平衡的現象。

五、工業生產效率時空演化影響因素分析

1. 模型構建

由實證分析結果可知，各省份規模以上工業生產效率存在差異。本文在采用DEA-Malmquist模型測算工業生產效率的基礎上，使用Stata15軟件進行Tobit模型回歸分析，探究“雙碳”政策下各省份規模以上工業生產效率的影響因素。

考慮工業企業的特性，兼顧指標數據可得性，本文選擇低碳環保投入（X）、對外開放程度（Y）以及研發投入（Z）等變量來考察“雙碳”政策下中國工業生產效率的主要影響因素，生產效率影響因素分析模型最終形式如下：

TEit=β0+β1Xit+β2Yit+β3Zit+εit" （4）

式中：β0表示常數項；β1～β3表示各自變量的回歸系數；i表示區域；t表示時期；εit表示殘差項。

2. 回歸結果與相關檢驗

在回歸分析中，本文使用固定效應模型或隨機效應模型來預測結果［20］。根據表3中的豪斯曼測試結果可知，P值為0.0329，故使用固定效應模型［21］，得出的回歸結果如表4所示。

由表4可知：（1）低碳環保投入與工業生產效率正相關，說明政府制定的低碳環保政策對工業生產效率具有促進作用。政府應通過相關低碳環保政策來引導和支持工業綠色生產行為，進一

步給予其環境支持和科技支持，幫助工業企業克服創新資源短缺的困難，激發企業進行技術創新行為，提高生產效率，同時增強資源利用率，減少排放污染物，從而改善生態環境。

（2）對外開放與工業生產效率負相關但不顯著。在對外貿易中，在一定程度上引進國外先進的技術可以顯著提升工業生產效率［22］，然而，引進大量國外技術可能會造成激烈的市場競爭，對工業生產效率產生負向影響。

（3）研發投入與工業生產效率負相關。實證研究表明，研發投資水平高會加速地方工業科技成果轉化和提高工業生產效率。因此，研發投入水平較高的省份會投入大量的科技經費用于工業科技創新活動，然而工業科技創新項目存在一定的滯后期。另外，部分地區科技開支可能出現政策范圍、資源占用、預算管理體系不完善等情況，造成科研支出的邊際效益下降［23］。上述現象在一定程度上增加了科研項目和技術費用投資的冗余，降低了該地區工業科技創新效率，從而影響工業生產效率。

六、結論與建議

1. 結" 論

從靜態層面，2021年工業生產效率均值為0.729，相對較低，東部地區的效率值普遍高于西部。在“雙碳”政策下，本文認為應提高國家工業生產效率的同時縮小各區域的差異，保障工業的可持續性發展。從動態層面，2013—2021年各省份工業全要素生產效率總體呈現上升趨勢，2021年增長到1.202，其中，技術進步效率是全要素生產效率提升的重要因素。

2. 建" 議

（1） 科學安排技術研發的投入，注重創新。各省份應對科學技術方面的投資進行合理分配，改進和創新工業生產設備，合理利用人才推動環保技術研發，助力低碳經濟，結合工業互聯網推動工業高質量發展。（2）因地制宜，擴大工業規模，推動區域協調發展。我國工業發展存在區域不均衡現象，東部地區的生產效率普遍高于西部，本文認為應合理分配要素投入，加強區域合作，提升區域工業發展水平。（3）重視工業的綠色低碳轉型升級，促進我國整體工業水平的提升。為保障各省份的工業可持續發展，政府應制定工業節能減排的相關措施，完善綠色低碳體系，加大前沿技術攻關力度，提高科技創新水平，更強有力地支撐工業綠色低碳轉型。（4）加大對外開放力度，增加技術創新成果的交流。在引入國外先進技術創新的同時，企業應注重改善自身短板，提高工業生產效率。

參考文獻：

［1］郭朝先.當前中國工業發展問題與未來高質量發展對策 ［J］.北京工業大學學報（社會科學版），2019，19（2）：50-59.

［2］江飛濤.中國工業發展政策的演進和啟示 ［J］.產業經濟評論，2022，49（2）：5-16.

［3］吳斌，黃建，董敏，等.低碳環境下“一帶一路”重點省份先進制造業生產效率測度 ［J］.生態經濟，2022，38（3）：47-53.

［4］鐘茂初，尚秀麗.環境規制影響城市工業效率的機制與效應分析 ［J］.南開學報（哲學社會科學版），2022（5）：37-49.

［5］陸春華，李虹.碳試點政策、綠色創新和企業生產效率 ［J］.經濟問題探索，2023（4）：38-60.

［6］陳維民.環境規制、經濟分權與工業生產效率 ［J］.經濟與管理研究，2020，41（12）：55-67.

［7］原毅軍，耿殿賀.中國裝備制造業技術研發效率的實證研究 ［J］.中國軟科學，2010（3）：51-57.

［8］張優智，喬宇鶴.不同類型環境規制對制造業綠色全要素生產率的影響效應研究——基于DEA-Malmquist指數法與空間誤差模型的實證分析 ［J］.生態經濟，2022，38（5）：177-182.

［9］張雪琳，賀正楚，任宇新.中國區域工業企業技術創新效率研究：整體創新和階段創新的視角 ［J］.科學決策，2022（10）：1-19.

［10］王艷，蘇怡.綠色發展視角下中國節能減排效率的影響因素——基于超效率DEA和Tobit模型的實證研究 ［J］.管理評論，2020，32（10）：59-71.

［11］仇桂且.我國綠色工業生產效率對經濟高質量發展的影響——以江蘇為例 ［J］.社會科學家，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，韓霞霞.“一帶一路”中國沿海港口城市旅游效率測度與空間特征研究 ［J］.中國海洋大學學報（社會科學版），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，馬琳，來堯靜.“一帶一路”重點省份低碳物流效率測度 ［J］.生態經濟，2020，36（11）：18-24.

［18］蔡海亞.中國碳鎖定的行業差異分解與解鎖路徑分析 ［J］.北京交通大學學報（社會科學版），2018，17（2）：44-51.

［19］童紀新，徐倩，李瑩.基于五大空間布局的裝備制造業技術效率評價與測度 ［J］.中國科技論壇，2019（4）：84-92.

［20］歐陽小迅，黃福華.我國農產品流通效率的度量及其決定因素：2000—2009 ［J］.農業技術經濟，2011（2）：76-84.

［21］田存志，容宇恩.基于A股上市公司數據的資產流動性與企業創新研究 ［J］.商業研究，2018（10）：65-70.

［22］吳傳清，黃磊，文傳浩.長江經濟帶技術創新效率及其影響因素研究 ［J］.中國軟科學，2017（2）：160-170.

［23］馬聰穎，吳宏超.一流大學建設高校科技創新效率：差距、影響因素與提升路徑 ［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

（責任編輯：張" 璐）