中国数字经济产出效率：区位差异及变化趋势

蔡昌 林高怡 李劲微

【摘要】基于2008 ～ 2016年29个省份的面板数据，利用BCC-DEA模型和Malmquist指数模型分别从静态和动态测算中国数字经济产出效率。研究发现，中国各省份数字经济产出效率存在显著差异。从静态效率分析，东部地区的技术效率最低，中部地区次之，西部地区最高。其中，北京、上海、浙江、江苏的相对产出效率排名垫底，资源配置效率低是其主要限制因素，广东的纯技术效率虽高，但产出效率受到规模效率的制约。从动态效率分析，中国数字经济全要素生产率总体呈先升后降趋势，主要原因在于技术升级遭遇瓶颈。此外，东部大部分省份得益于纯技术效率的增长和规模效率的优化，正在逐步缩小与效率前沿省份技术效率的相对差距。

【关键词】数字经济;全要素生产率;DEA-Malmquist指数法;区位差异

【中图分类号】F49      【文献标识码】A      【文章编号】1004-0994（2020）06-0153-8

一、引言

自2008年金融危机爆发以来，世界经济发展模式受到了巨大冲击。数字经济作为经济增长的新引擎，开始带动相关产业变革，对人们的生产和生活带来颠覆性影响[1] 。当前，中国已经进入“经济新常态”，亟待寻找促进经济高质量增长的新动能，而数字经济不仅可以为传统企业的发展注入新动能，还可以交叉融合推进各领域技术变革[2] 。因此数字经济成为中国实现可持续发展的关键依托，也是引领国家创新战略的重要力量[3] 。

数字经济的概念可以追溯到1995年，Don Tapscott[4] 提出，与传统经济相比，数字经济应该具有知识性、融合性、创新性、数字化等特征。进入20世纪，国内外学者开始从经济学视角对数字经济的内涵进行探讨，Kim等[5] 认为：数字经济是一种特殊的经济形态，数字经济的活动本质为“商品和服務以数字化形式进行交易”。在2016年的世界经济论坛上，数字经济被定义为“第四次工业革命”框架中的一部分。在数字经济浪潮的席卷之下，企业的规模优势正在被数字化优势取代，数字化可以使企业在资本与人力不变的情况下扩大产能，转变甚至颠覆传统企业的发展模式。

学术界对数字经济的初期研究，甚少从实证层面进行分析。这是因为研究初期指标设计过于片面，经济统计未能跟上数字革命的步伐[6] ，从而不能准确测算数字经济的产出效率。1998年美国已经开始对数字经济的发展水平进行测算，并尝试从宏观角度分析信息技术在“高增长、高就业、低通胀”经济运行模式中的作用，但是，由于数字经济往往融合于一个或者多个行业，数字经济的统计口径和产业分类与传统经济不尽相同[7] 。当前，经济合作与发展组织[8] 、中国信息通信研究院、上海社会科学院经济研究所、赛迪顾问、腾讯研究院等机构和组织开始从多个维度构建数字经济的指标体系，并通过赋予不同权重来刻画各地区的数字经济发展水平。由于一些“免费数字经济”的存在，当前的统计方式仍低估了数字经济对社会经济的贡献[9] 。向书坚等[10] 认为，未来的数字经济统计研究可加强对数字技能、社会福利和安全保护等领域的统计，以弥补数字经济统计中的薄弱环节。

由此可见，已有数字经济报告的重点聚焦于数字经济产出水平，较少甚至几乎没有关注数字经济的产出效率，更谈不上深入研究数字经济的区位差异与变化趋势。基于此，本文采用DEA（数据包络分析）方法，分别从静态、动态两个角度比较研究中国各省份数字经济产出效率，探讨中国在推进数字经济建设中遇到的瓶颈，为数字经济产出效率的研究奠定基础。同时，通过分解效率指标，剖析数字经济投入产出存在的问题及成因，为提升数字经济产出效率、促进数字经济健康发展提供理论支撑与政策依据。

二、模型和方法

（一）DEA基本模型及其原理

DEA方法主要用于研究相同类型的决策单元（DMU）的相对有效性，其原理是利用线性规划构建有效的凸性生产前沿面（Production Frontiers），通过实际生产活动与生产前沿面相比较来计算决策单元的相对效率。鉴于学术界对数字经济的规模报酬仍无定论，本文采用规模报酬可变的BCC-DEA模型，该模型可测算决策单元的技术效率（TE），并将其分解为纯技术效率（PTE）和规模效率（SE）[11] 。技术效率反映的是一个生产单元技术水平的高低，即每消耗一单位的投入所生产的产品数量;纯技术效率表示在目前的管理和技术水平上，该决策单元投入资源的使用效率，可用于判断管理和技术水平上是否达到了最优状态;规模效率指受到产业规模影响的生产效率，主要用来描述实际规模与最优规模之间的差距。当各效率值等于1时，表示决策单元在该项效率上处于生产前沿面上。

（二）基于DEA的Malmquist生产率指数法

由于BCC-DEA仅能测算同一时间截面内各决策单元的相对效率值，无法准确反映决策单元在不同时期的变化趋势，本研究借助基于DEA计算的Malmquist全要素生产率（TFP）来刻画决策单元产出效率的动态变化，并将Malmquist指数分解为技术效率变化指数（EC）和技术变化指数（TC）[12] 。

在规模报酬变动的前提下，又可将技术效率变化指数划分为纯技术效率变化指数（PTEC）和规模效率变化指数（SEC），从而对各省份产出效率的历史演化进行更深入的分析。因为本研究的Malmquist指数及各效率变化指数采用比值法计算，所以各效率变化指数大于1表示生产率的提高，小于1表示生产率的下降。

从理论上分析，技术变化指数大于1表示生产前沿面前移，小于1表示生产前沿面后退。而通常情况下，生产技术应该随着时间不断进步。技术变化指数是包含了除资本、劳动、技术效率变化之外的一切可影响经济增长的相关因素，这也是技术变化指数能反映生产前沿面移动的原因。

三、指标选取与数据来源

（一）指标选取

1. 投入指标：资本和劳动。本文参考《中国数字经济发展白皮书》中有关数字经济的测算方法，选取信息传输、软件和信息服务业与计算机、通信和其他电子设备制造业的固定资产投资总量来衡量资本投入，劳动则以上述两个行业的总就业人数来衡量。根据“萨伊生产要素三定律”，投入变量应包含资本、劳动、土地三个维度。数字经济是数据化、网络化的经济，构建于数字化之上。开发软件、传输信息、运营网站、搭建平台等相关数字经济行为表明，我国经济正在逐步摆脱农业经济、工业经济时代对土地过度依赖的现状。从这个意义上来说，或许数据储存设备才是推动数字经济发展所需投入的“土地”。基于此，本文把“土地”这一维度的投入并入资本投入，最终选取资本投入和劳动力投入两个维度进行研究。

2. 产出指标：实际GDP和劳动生产率。实际GDP是省级层面数据，各省分别以1990年为基准年，对样本年份的名義GDP做平减处理，目的在于剔除价格因素的影响。劳动生产率同样源于省级层面数据，即：劳动生产率=各省实际GDP/各省总就业人数。理论上，最优的数字经济产出指标应是数字经济产出水平或者数字经济发展水平。然而，使用与信息传输、软件和信息服务业及计算机、通信和其他电子设备制造业相关的行业产出来衡量数字经济的产出水平，其中的问题是“与上述两个行业相关”的界定是人为的，带有主观因素，受制于界定者对数字经济技术和产品应用的了解程度。

目前，人们对数字经济发展水平的衡量仍处于探索阶段，尚无定论。反观社会总GDP，其测算中涵盖了全部数字化、信息化技术和应用所能带来的影响，可以避免因知识受限、主观判断等因素而影响实证结果。此外，已有的数字经济研究报告认为，地区的数字经济发展水平与地区的经济发展水平有很强的相关性。这意味着社会总GDP可作为数字经济发展水平的代理变量。为此，本文选择了社会总GDP作为产出指标。同理，本研究选择了社会劳动生产率作为产出指标。

（二）数据来源

本文的研究对象是中国29个省市自治区（西藏、宁夏、香港、澳门、台湾由于数据缺失而被剔除）的数字经济产出效率，样本年份为2008 ～ 2016年，数据分别来源于《中国统计年鉴》《中国工业统计年鉴》《中国固定资产投资统计年鉴》。表1是相关指标的描述性统计结果。

由表1可知，各指标的最小值与最大值差异较大，需要进一步分析差异产生的原因。

四、实证结果及经济解释

（一）静态效率分析

1. 各地区数字经济产出效率比较分析。表2是基于BCC-DEA方法得到的实证结果。将29个省市划分为东、中、西部，探讨数字经济在不同地区的效率状况。其中，东、中、西部的技术效率（TE）、纯技术效率（PTE）、规模效率（SE）均为区域内各省份当年数据的算术平均值。从技术效率来看，2014年之前，东部的技术效率最低，中部次之，西部最高;2014年至今，西部技术效率仍然最高，东部效率提升并高于中部地区。这反映出数字经济与农业经济、工业经济不同，没有遵循传统的东、中、西部的分布规律，可能是因为数字化、信息化削弱了地理位置对经济水平的影响。因此，数字经济对于缩小地区经济差距具有重要意义，也是解决区域发展不平衡问题的一把“金钥匙”。纯技术效率和规模效率则反映出东、中、西部在不同程度上存在管理水平低下的问题。

值得注意的是，虽然东部地区的数字经济产出效率长期低于全国平均水平，但在纯技术效率的带动之下，东部地区的技术效率呈上升趋势。东部与西部9.6%的差距已经从2008年的23.7%缩小为2016年的10.4%。近年来，我国提倡地方发展模式由粗放型转向集约型，此举对提高数字经济产出效率具有一定的促进作用。中部地区的技术效率保持在全国均值水平附近，最近几年有下降趋势，这主要是因中部的纯技术效率下滑所致。此外，中部规模效率波动幅度一直较大，这可能与政府对发展定位不准、频繁调整发展战略相关。西部11省的技术效率均值一直高于全国水平，这主要归功于其高水平的规模效率，基本维持在0.9以上。但西部存在的问题同样不容忽视，其纯技术效率与东部和中部类似，在0.6 ～ 0.8之间，有待进一步提高。

2. 各省份数字经济产出效率比较分析。下面将细化分析对象，比较研究各省在样本期内的产出效率情况。

表3反映的是2008 ～ 2016年各省每年的技术效率。平均值一栏是各省技术效率在样本期内的算术平均值，地区的排名先后取决于各省技术效率在样本期限内的平均值大小。表3中，内蒙古、海南、青海、新疆、黑龙江年均技术排名前5名，而内蒙古、海南、青海常年处于效率最优状态（技术效率=1），位于生产前沿面，这说明以上5个省份在数字经济产出效率上相对优于其他省份。

下面以内蒙古为例，进一步探讨其数字经济产出效率位居全国前列的原因：在地理位置方面，内蒙古存在明显的区位优势，由于年均温度处于数据中心运行的适宜温度，以及能源充足、电价较低，可保证数据中心稳定运行;在人才方面，内蒙古不仅充分发挥了本地高校的人才培养优势，设立了数据科学与大数据技术专业，培养了本土数字科技人才，还通过“草原英才”等人才引进计划，发挥“传、帮、带”作用，稳步推进数字经济产业的发展;在政策优势方面，内蒙古除了可以享受西部大开发和东北振兴政策，还可以享受民族区域自治政策，政策保障为内蒙古发展云计算等战略性新兴产业创造了条件;在发展规划方面，政府在“十二五”规划中明确提出加快“数字化”步伐，推进“结构转型”的战略布局，加强云计算等数字建设，对数字化龙头企业给予土地和能源支持。

除此之外，产业的规模效应同样是不可忽视的影响因素。内蒙古处于内陆地区，地理位置、发展程度等因素使其对数字经济产业布局落后于沿海发达省份。也正因如此，内蒙古的数字经济产业规划发挥后发优势，充分借鉴已有经验，从而长期保持较高的产出效率。

3. 北京、上海、广东、浙江和江苏数字经济产出效率及分解。在王彬燕等[13] 的研究中，他们发现广东的数字经济发展水平在全国稳居首位，而北京、上海、浙江、江苏分别位于第二梯队。全国的数字经济发展水平表现出自东向西递减的特征。这与《中国数字经济发展白皮书》《中国城市数字经济指数白皮书》等数字经济报告的结论相吻合，即中国各省份的数字经济发展程度与自身的经济发展存在较高的相关性。因此，数字经济产业发达省份集中分布在沿海地区，尤其是“珠三角”和“长三角”区域。

然而，表3显示，北京、上海、广东、浙江和江苏等5个经济发达省市的数字经济产出效率排名垫底。以江苏与浙江最为典型，虽然两省的电子商务行业每年都能贡献巨额的产出量，但它们的技术效率常年处于0.1 ～ 0.3之间。至于北京、上海和广东，虽然经济发达并拥有众多资源，但技术效率却处于全国最后一梯队，这反映出这些省份在数字经济上可能存在资源配置能力低下、资源利用效率不高等问题。为什么这些相对发达省份会出现经济总量高而产出效率低的奇怪现象？

为深入分析上述5省数字经济产出效率垫底的影响因素，本文在表4中把5省的技术效率分解为纯技术效率和规模效率。研究发现广东省的纯技术效率常年为1，但规模效率较低，个别年份不超过0.1。这说明广东省的管理能力、技术水平是有效的，但地区规模效率处于递减趋势。这一状况可能源于广东省政府在“十五”至“十二五”时期的制度安排。在“十五”末期至“十一五”中期，广东省处于产业结构调整和产业转型升级的关键阶段，电子信息产业作为当时广东省的三大新兴支柱产业之一，全方位地获得了财力和智力的政策扶持，进一步巩固了广东省的数字经济大省地位。然而，由于过度依赖粗放型增长方式，在“十一五”时期，广东省的数字经济产业出现产业规模大而产品附加值低、产品同质化严重、低水平重复建设多、产业集聚水平不高、核心技术能力不强等问题。虽然广东省在“十二五”期间对数字经济发展方式进行了调整，并取得了一定成效，但与北京、浙江等省市仍有一定差距。因此，广东省未来的关注点仍应是如何提高规模效率，借以提高数字经济的产出效率。

北京、上海、江苏和浙江的技术效率则受到纯技术效率和规模效率的双重制约，纯技术效率方面的制约更为显著。具体来看，上海的纯技术效率要高于其他三个省市，这是上海的排名领先于北京、江苏和浙江的主要原因;江苏的规模效率明显低于其他三省市，从而使得江苏的技术效率居于末位;北京和浙江的规模效率波动幅度非常大，规模效率高的年份其值超过0.95，接近最优规模效率，规模效率低的年份却在0.3以下。之所以会出现上述结果，这与每个省市长期依赖粗放型增长方式不无关系。此外，北京、上海、广东等地的数字经济产业的基础总量很大，数字化、信息化程度很高，每年虽有相当大的产出量，但由于基础产量规模大，整体产权效率并不高。至于其他数字经济产业相对落后地区，虽然基础总量较小、发展速度慢，但可以充分借鉴发达省份的成功经验和发展模式，制定更高效、更切合实际的发展路径和管理制度，从而使数字经济的单位投入创造更多的产出。可见，数字经济发展水平高的地区不一定是資源配置优、利用效率高的地区。无论各省已有的数字经济产业基础如何，发展状况如何，都需要重视资源配置的优化，进一步提高数字经济产出效率。

虽然BCC-DEA是以每个时间截面内的决策单位来确定相对效率值，无法直接反映动态变化，但可以观察到多个省份的产出效率在逐年上升。这就意味着无效率省份与有效率省份的差距在逐年缩小，在一定程度上反映了地区产出效率的逐年改善。这一结果得益于政府开始倡导由集约型发展模式代替粗放型发展模式的战略转型。

4. 甘肃和陕西数字经济产出效率及分解。甘肃、陕西两省地理上毗邻，但是技术效率却相差甚远。通过对比两省的纯技术效率和规模效率，发现两省在规模效率上并无显著差异，在某些年份，陕西的规模效率还相对优于甘肃。问题的根源在于纯技术效率，甘肃每年的纯技术效率基本都为陕西的两倍以上。由于两省毗邻，且都处于中部地区，数字经济产业存在极强的趋同性，导致邻近省份对技术、人才产生激烈的竞争，使得两省的数字经济产出效率出现截然不同的走势。

（二）动态效率分析

1. 中国数字经济Malmquist指数及分解。表6是按照DEA-MAL指数法所得到的中国数字经济全要素生产率变化及其分解结果。研究结果表明，2009 ～ 2016年中国数字经济的全要素生产率（TFP）总体呈先增后降趋势。相比2009年，2016年中国数字经济的产出效率不升反降。其中，纯技术效率变化指数（PTEC）和规模效率变化指数（SEC）围绕1上下波动，带动技术效率频繁变动，进而影响全要素生产率变动。但这并不是造成全要素生产率不升反降的主要原因，关键因素在于技术变化指数（TC）对中国数字经济的贡献在持续降低，以致抵消了资源优化配置、管理水平上升、集聚效应提高的正向影响。技术变化指数小于1，反映的是经济体涌现出了各种阻碍数字经济发展的因素。这些因素或是已知的，或是未知的，亟待进一步发现和处理，以确保数字经济的有效运行。一些因素已为我们所知，例如，隐私问题正在恶化互联网用户与公司之间的关系，信任缺失将成为数字经济发展的阻碍;在数字经济时代，人人都有机会接触到他人的知识成果，因知识产权保护制度不完善，数字侵权行为层出不穷，损害了数字经济开发者的实际利益，对数字经济产业发展造成一定的阻碍[14] ;区块链、3D打印、5G、共享产品等新型数字化技术的应用吸纳了社会巨额投资，但仍未找到推动经济增长、社会生产率提高的有效途径;从机会成本角度出发，各种还未被开发完备的技术，同样也是阻碍数字经济发展效率提升的因素之一。

2. 各地区及全国总体全要素生产率变化趋势。下图反映出东部、中部、西部地区和全国总体的全要素生产率的纵向变化趋势，不仅东部、中部、西部地区的全要素生产率呈现出不同幅度的波动，且其总体走势均为下降趋势。

2009 ～ 2016年8个年度时间段，东部和西部地区的全要素生产率只在3个年度呈现增长趋势，其余时间皆呈现下降趋势。而中部地区的全要素生产率大部分年度在1以下，说明中部地区的数字经济产出效率较低。总体而言，下图反映出中国东部、中部、西部地区在样本期内均没能对中国数字经济发挥积极的推动作用，而中部地区和西部地区全要素生产率的持续下滑态势更是负向影响了全国总体的全要素生产率。

3. 各省份数字经济Malmquist指数及分解。表7反映了中国29省在样本期内的数字经济产出效率均值。由表7中数据可知，我国仅有10个省份的数字经济全要素生产率出现增长，全国平均下降幅度约为2.3%。全要素生产率增长的省份主要集中在东部地区，中部地区只有吉林和黑龙江，西部则仅剩内蒙古和新疆。究其原因，主要是因为技术变化指数在拖慢全要素生产率的增速。29个省份中仅有内蒙古和新疆的技术变化指数大于1，这说明各省份在发展数字经济过程中均遇到技术障碍，这是一个共性问题。从技术效率变化指数分析，东部大部分省份的技术效率变化指数大于1，且高于中部、西部省份。通过分解可知，纯技术效率变化指数和规模效率变化指数均起到了一定的推动作用。这也印证了本研究的发现：东部地区凭借长期积累的人才优势，通过提高管理水平、优化产业规模等方式正在缩小与中部、西部省份的产出效率差距。值得注意的是，不同地区的数字经济发展程度与数字经济产业人才流动可能互为因果关系：一方面，经济发达地区由于具备良好的信息基础设施与数据基础设施，以及获得了地方财税政策支持，因此这些地区的数字经济发展程度高，提供的数字经济相关岗位多，更易于吸引大量优秀人才流入;另一方面，数字经济相关产业人才的持续流入，带来了生产效率、资源配置效率的不断提升，从而持续支撑并推动该地区的数字经济发展。

因此，对中部、西部省份而言，不仅要加大数字经济产业人才的引进力度，建立、完善人才培养体系，还要充分利用有限资源，以“先富带动后富”的理念布局辖区的整体规划，围绕辖区内的核心城市构建数字经济高地，借此吸引“高精尖”人才向辖区聚集，使数字经济产业保持稳定的发展态势。

五、结论与政策建议

（一）结论

本研究采用BCC-DEA模型和Malmquist指数模型对2008 ～ 2016年中国29省的数字经济产出效率从静态和动态两个角度进行了估算和对比分析，总结出以下结论：中国大部分省份的数字经济运行长期处于无效率状态;中国数字经济全要素生产率总体呈先升后降趋势;数字经济的发展有助于缩小我国地区间的经济水平差异。

（二）政策建议

从静态效率来看，中国大部分省份的数字经济技术效率长期处于无效率状态，东部省份的技术效率最低，中部省份次之，西部省份最高。通过分解技术效率发现，纯技术效率低下是导致数字经济长期无效率的主要原因，这反映出中国大部分省份的数字经济存在资源配置效率低、管理水平低的问题。从宏观层面分析，解决数字经济产业资源配置效率低、管理水平低的问题需要同时发挥市场自发调节与地方政府治理的合力，即采取双管齐下的共治模式：一方面，地方政府必须设计推进数字经济发展的战略规划，并针对数字经济相关产业制定财政、信貸扶持政策，保证该产业的优先发展、有序监管与有效治理。另一方面，从市场调节角度分析，政府只开展政策引导、制度设计等顶层设计与监管治理工作，其余的资源配置与产业调节全部交由市场自发完成，充分发挥市场的资源配置功能和经济调节功能。

从动态效率来看，中国数字经济全要素生产率总体呈现先升后降的趋势。其中，纯技术效率和规模效率每年均维持在小幅度范围内波动，对全要素生产率产生了一定的影响。但数字经济面临的主要问题是遭遇了技术瓶颈，从而遏制了全要素生产率的提升。此外，虽然东部大部分省份的技术效率常年排名垫底，但它们的年均技术效率变化基本大于1，且正在逐步缩小与效率前沿省份的相对效率差距。通过分解发现，纯技术效率的增长和规模效率的优化对东部省份的技术效率起到了一定的推动作用。为维持数字经济全要素生产率在未来期间的持续上升趋势，笔者认为政府应对不同地区的数字经济产业根据其特征和发展要求采取不同的治理模式，东部地区继续实现纯技术效率的增长和规模效率的优化，中部、西部地区应实施人才弹性引进机制、设计人才激励制度，提升对高科技人员和高级管理人员的引进率。

从总体来看，数字经济的发展对不同地区的资源禀赋差异的敏感性不强，尤其是放宽了对土地、劳动力等资源的刚性需求，但对资本投入和技术投入较为敏感，这显然有助于提高所有地区的经济增长率，进而缩小不同地区之间的经济发展水平差异。鉴于此，国家应根据不同区域的数字经济产业基础，推进不同区域数字经济的协调、健康、有序发展，注重不同地区之间数字经济相关产业的差异化、协同化发展，抓好数字经济发展战略的顶层设计和整体谋划。同时，国家还应加强对数字经济发展方向的引导和监管，推进市场结构优化，避免无序融资、恶意竞争等效率低下的经济行为，提高数字经济的资源配置效率。

【 主 要 参 考 文 献 】

[ 1 ]   Degryse C.. Shaping the world of work in the digital economy[ J].SSRN Electronic Journal，2017（3）：45 ～ 50.

[ 2 ]   张于喆.数字经济驱动产业结构向中高端迈进的发展思路与主要任务[ J].经济纵横，2018（9）：85 ～ 91.

[ 3 ]   张新红.数字经济与中国发展[ J].大数据时代，2016（2）：30 ～ 37.

[ 4 ]   Don Tapscott. The digital economy： Promise and peril in the age of networked intelligence[M].New York：The McGraw-Hill Companies，1995：156 ～ 168.

[ 5 ]   Kim B.， Barua A.， Whinston A. B.. Virtual field experiments for a digital economy： A new research methodology for exploring an informa-tion economy[ J].Decision Support Systems，2002（3）：215 ～ 231.

[ 6 ]   Bakhshi， Hasan. How can we measure the modern digital economy？[ J].Significance，2016（3）：6 ～ 7.

[ 7 ]   徐清源，单志广，马潮江.国内外数字经济测度指标体系研究综述[ J].调研世界，2018（11）：54 ～ 60.

[ 8 ]   经济合作发展组织.衡量数字经济：一个新的视角[M].上海：上海远东出版社，2015：9 ～ 28.

[ 9 ]   Nakamura L. I.，Samuels J. D.，Soloveichik R. H.. Measuring the "free" digital economy within the GDP and Productivity Accounts[Z].BeaWorking Papers，2017.

[10]   向书坚，吴文君.OECD数字经济核算研究最新动态及其启示[ J].统计研究，2018（12）：3 ～ 15.

[11]   Banker R. D.， Charnes A.，Cooper W. W.. Some models for estimating technical and scale inefficiencies in data envelopment analysis[ J].Management Science，1984（9）：1078 ～ 1092.

[12]   Fare R.， Grosskopf S.， Lindgren B.. Productivity changes in Swedish pharmacies 1980-1989： A non-parametric malmquist approach[ J].Journal of Productivity Analysis，1992（1）：81 ～ 97.

[13]   王彬燕，田俊峰，程利莎.中國数字经济空间分异及影响因素[ J].地理科学，2018（6）：859 ～ 868.

[14]   张景先.数字经济发展的几个关键点[ J].人民论坛，2018（29）：80 ～ 81.