中国工业绿色全要素生产率变动测度研究

刘殿国 李鑫强

摘 要：基于网络超效率EBM-Malmquist模型，测算了2003-2019年中国各省工业整体和分阶段绿色全要素生产率变动情况。结果表明：工业绿色全要素生产率整体效率水平不高且各省之间存在巨大差异；EM指数结果分析表明，整体阶段、工业生产阶段和环境治理阶段效率处于提升状态，环境治理阶段效率还有较大的进步空间；南北地区整体效率变动和分阶段的效率变动都处于提升状态，且南部地区效率变动在整体阶段、生产阶段和治理阶段都要高于北部地区；EC（技术效率变化）指数和TC（技术变化）指数结果分析表明，整体阶段、工业生产阶段和环境治理阶段的效率变动主要由技术变化驱动，而技术效率变化对其具有一定抑制作用；南方整体阶段效率提升大部分由技术效率变化驅动；南方生产阶段效率提升大部分由技术变化驱动；南方治理阶段以及北方的整体和分阶段效率的提升主要由技术变化驱动。

关键词：整体效率；工业生产效率；环境治理效率；网络超效率EBM-Malmquist模型；南北差异

中图分类号：F424

文献标志码：A

文章编号：1672-0539（2023）03-0023-11

一、引言

2011年中国工业总产值超过美国，到2019年已连续十年保持世界第一制造大国地位，创造了举世瞩目的“中国经济史上的奇迹”^[1]。2019年，我国工业总产值占国内总产值的32%，但工业领域能源消费占终端能源消费总量的65.1%，二氧化硫排放量、氮氧化物、烟（粉尘）排放量占总排放的比例分别为86.5%、44.4%、85.1%；一般工业固体废物产生量达440 810万吨。2014 年中国的全要素生产率仅相当于美国的43.3%^[2]。这种数量型的经济增长方式，导致了生态环境破坏异常严重，投入要素利用效率低，这样的发展现状又反过来制约经济的发展。习近平总书记在二十大报告中庄严宣告：高质量发展是全面建设社会主义现代化国家的首要任务。由于低耗能、高效率是高质量发展的重要构成部分，因此，在以“碳达峰”和“碳中和”为主导的绿色转型背景下，在迈向经济高质量发展的道路上，研究工业绿色全要素生产率无疑成为重要的研究课题。

其实，众多学者早已开始关注高耗能、高排放的工业所带来的能耗及环境污染问题，并在一定环境约束下测算了工业经济全要素生产率；只不过，从经济过程阶段上看，多数学者所使用的是单阶段方法；从具体的DEA方法上看，多数学者所使用的是SBM模型^[3]。而两阶段网络SBM-Malmquist模型通过对不同阶段的数据进行分析能够更好地捕捉研究对象的内在结构和过程，从而能够比单阶段更真实地反映效率评价结果^[4]；同时，EBM 模型能有效解决DEA模型中的径向、SBM模型测算效率值时存在的非径向问题^[5]。基于两阶段网络SBM-Malmquist模型以及EBM模型所具有的优势，利用网络超效率EBM-Malmquist模型测算中国省域工业绿色全要素生产率变动无疑是一个值得探索的问题。

二、文献综述

自从Solow提出通过国民经济核算或生产函数回归测算索洛余值（全要素生产率），全要素生产率研究受到广泛的重视^[6]。Aigner 和 Chu提出了前沿生产函数模型，用技术前沿（technological frontier）和技术效率（technical efficiency）解释生产者效率^[7]；Aigner等构建了包含随机扰动的前沿模型，即随机前沿生产函数（SFA ）分析方法；有的学者利用SFA来测量工业绿色全要素生产率^[8]，但是利用SFA方法来测量工业绿色全要素生产率，需要假设具体生产函数形式，这往往有一定局限性。Charnes等和 Caves等基于一种线性规划技术确定生产前沿面，即数据包络分析法（DEA）^[9-10]；Anderson和Petersen为了处理前沿面上多个决策单元最优化从而搭建了超效率DEA模型^[11]；Tone K.构建了SBM模型，解决了径向模型中存在的投入或产出要素以相同比例缩减或增加情形^[12]；Tone K.综合径向和非径向特点构建了 EBM 模型能有效解决DEA模型中的径向、SBM模型测算效率值时存在的问题^[5]；Hailu和 Veeman认为，如果忽略了能源消耗和环境对生产的制约，可能会导致人们对经济绩效看法出现偏颇^[13]；Watanabe认为研究中国工业效率要考虑资源环境约束^[14]；Fare等人建立了Malmquist 生产率变动指数，考察两个相邻时期生产率变化^[15]。一些学者将DEA模型与Malmquist 指数结合测算工业全要素生产率的变动，如，魏奇锋等运用SBM-Malmquist模型测量了成渝地区16个城市的工业绿色全要素生产率^[3]；籍艳丽等采用EBM-Malmquist模型测度了中国省域工业绿色全要素生产率^[16]。针对传统的DEA方法难以处理包含中间产品及前后连续具有多阶段过程的问题，Fare 和Grosskopf提出了网络 DEA（Network DEA）方法给出了合理的解决^[17]; Tone和Tsutsui把 SBM 和网络DEA 优点进行综合，探讨了中间产出的不同情形^[18]；Madjid Tavana等把 EBM 和网络DEA 优点进行综合，构建了网络EBM模型^[19]，一些学者应用网络DEA模型测算工业全要素生产率，两阶段网络 SBM模型在测量工业效率时更加精准^[4]。有学者使用网络EBM方法测度了中国30个省份国有工业企业2007-2014年的绿色技术创新整体和分阶段效率^[20]；也有学者基于截面数据运用两阶段网络EBM方法测度了2016年城市工业生态绿色发展^[21]。虽然目前有较多文献使用网络DEA模型对企业绩效、效率等进行了研究^[20-24]，但是目前仍然未见运用网络超效率EBM-Malmquist方法测算中国工业绿色全要素生产率的研究文献。

此外，南北区域间发展不平衡的趋势也在扩大。以2008年的国际金融危机为时间分界点，在过去的几十年，差距主要体现在东中西部发展水平上，而之后很快就演变为南北发展的差距。在经济总量占比上，北方地区占全国GDP总量的比重由2008年的43%降至2019年的35%;在经济增长速度上，2008年之后北方地区经济发展态势呈现出放缓、停滞和衰退，而南方地区依旧保持平稳；2008到2019年北方地区人均GDP年均增长为8.32%，而南方年均增长9.42%，北方比南方略低^[25]。南北差距成为中国新时代发展目标下新的问题，研究南北区域差异问题不仅能揭露南北区域差异来源，而且有利于促进中国区域协调发展，实现中国长期发展下的战略目標，打造中国工业高质量发展格局^[26]。但是目前区域差异研究的文献主要关注于东中西部，而使用南北区域差异的视角研究中国工业绿色全要素生产率的文献仍然不足。

综上所述，在单阶段DEA模型中，超效率EBM模型在测量工业绿色全要素生产率上具有一定的优势；DEA模型与Malmquist 指数结合能测算出工业全要素生产率的变动；网络DEA模型通过对不同阶段的数据进行分析能够更好地捕捉研究对象的内在结构和过程，从而能够比单阶段更真实地反映效率评价结果；但目前仍未见运用网络超效率EBM-Malmquist方法测算中国工业绿色全要素生产率的研究文献，且区域差异研究中关于南北区域差异的文献仍然不足。因此，依据已有的成果与存在的问题，本研究将运用网络超效率EBM-Malmquist方法，基于中国省域数据，测算工业绿色全要素生产率的变动，研究南北工业绿色全要素生产率变动的差异，并以此提出相应的建议。

三、研究方法与数据来源

（一）研究方法

1.网络超效率EBM模型

传统DEA模型缺乏生产过程中间环节的分析，而网络超效率EBM-Malmquist模型考虑经济生产和环境治理两个环节对工业绿色全要素生产率的影响，将测算过程分成两个阶段：每个省的第一阶段（工业生产环节）有3种投入1种合意产出、3种非合意产出；每个省的两阶段连接变量有3个；每个省的第二阶段（污染治理环节）有3种投入和3种产出。

基于EBM的网络DEA模型^[21]、农业和服务业环境效率测量的超效 EBM-Malmquist 模型^[27-28]、非导向的EBM的研究框架以及超效率DEA模型约束条件的特点（j₀表示当被评论决策单元为DMU_j0时，在剔除掉DMU_j0的新的有效前沿面上 的超效值） ，本研究使用非径向、非导向的网络超效率EBM模型。我们研究30个决策单元DMU_j（j=1，…，30）包含K个节点的效率（k=1，2）。第一阶段，观察数据为{X¹_j=（xⁱ_j1，…，x¹_j3）∈R²₊}（j=1，…，30）（第j个决策单元在第1个节点3项投入资源）；2种一般产出{Y¹_j=（y¹_j1，y¹_j，2）∈R²₊}和2种非期望产出B_j={（b_j1，b_j2）∈R²₊}（j=1，…，30）（第j个决策单元在第 1 个节点2项一般产出和2项非期望产出）；两阶段连接变量{Z^（1，2）_j∈R¹₊}（j=1，…，30）（第1个节点到第2个节点中间产出的连接变量）；第二阶段，观察数据为{X²_j=（x²_j1，…，x²_j4）∈R²₊}（j=1，…，30）（第j个决策单元在第 2个节点所投入的资源），{Y²_j=（y²_j1，…，y²_j，3）∈R³₊} （j=1，…，30）（第j个决策单元在第 2 个节点的产出）。

基于上面的分析，假设待评价决策单元为DMU_j0，则其对应的整体阶段、工业生产阶段和环境治理阶段效率值可以通过求解（1）式的非导向的网络超效率 EBM 模型得到。

其中，k=1时，i=1，2，3，r=1，2，p=1，2；k=2时，i=1，…，4；r=1，2，3。本研究借鉴李静等^[3]，选择 LF 作为中间变量。式（1）中ρ*为规模报酬不变情况下的最佳效率；θ为径向部分的规划参数；ε_x为关键参数，满足0≤ε_x≤1。W-_i为投入指标的重要程度，其满足 ；x_ik和y_rk分别为决策单元k的第i类投入和第r类产出；S-_i为投入要素i的松弛量；ε_y为关键参数；φ为产出扩大比；S+₁为期望产出的松弛变量；S^b-_p为p类非期望产出的松弛变量；W+₁、W^b-_p分别为两者的指标权重；b_jp为决策单元j的第p类非期望产出；p为非期望产出的数量；j为决策单元；λ_j为线性组合系数；j₀表示当被评论决策单元为DMU_j0时，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个节点的相对权重，由该节点的重要性决定。

2.数据来源

限于数据的可得性，研究样本为30个省份（不含港澳台及西藏）。

第一阶段的投入量：工业劳动力人数、工业资本存量、工业能源消耗。其中，工业劳动力人数、工业资本存量分别用全部工业企业主要经济指标中的全部从业人员年平均人数（万人）、固定资产净值（亿元），2003-2019年相关数据来源于《中国工业统计年鉴》；工业能源消耗，利用各省市工业终端各种能源项目的消费数量以及能源折标准煤参考系数，将能源消费总量折算成万吨标准煤；2003-2019年能源消费量数据来自《能源统计年鉴》。第一阶段的产出量：合意产出为工业总产值，数据来源于《中国工业统计年鉴》；非期望产出为废固产生量、工业废水排放量和工业废气排放量，2003-2019年数据来自《中国环境统计年鉴》。其中，由于国家自 2012年起不再对外公布工业分地区的工业总产值数据，因此需要对 2012-2019 年分地区的工业总产值数据进行估算。通过对比 2003-2011 年的工业总产值和工业销售产值数据可知，二者相差不大，产销率（工业销售产值 / 工业总产值）均值为 97.99%。因此，采用工业销售产值和产销率来对 2012-2019年的工业总产值数据进行估算（2019年用营业收入代替，2017、2018年数据用内插法补齐）^[29]。固定资产净值已用固定资产价格指数转化为2000年不变价，工业总产值已用工业品出厂价格指数转化为2000年不变价。

两阶段连接变量为废固产生量、工业废水排放量和工业废气排放量，数据来自《中国环境统计年鉴》。第二阶段的投入量：废水和废气治理设施数、废水和废气治理设施运行费用以及废水、废气和废固治理投资额为投入，2003-2019年数据来自《中国环境统计年鉴》《中国统计年鉴》。第二阶段的产出量：废固综合利用量、空气质量指数和废水处理量。工业废水处理量，2011-2015年数据来自《中国环境统计年鉴》；其他年度由于指标的不一致，利用废水处理量与排放量的比值（该比值具有一定稳定性）调整得到处理量。工业固体废物综合利用量，2003-2019年数据来自《中国环境统计年鉴》；空气质量指数利用城市空气质量指标每立方米中二氧化流、二氧化氮、可吸入颗粒物（PM10）含量（毫克）倒数表示，数值越大效果越好，且该指数能够真实地综合反映废气的治理效果；并用熵权法将三项指标合成一项废气治理排放效果综合指标。数据来源于《中国统计年鉴》中主要城市空气质量指标（2003-2019年）。

四、结果分析

（一）网络超效率EBM模型的结果分析

1.中国各省工业整体和分阶段绿色全要素生产率的测算

运用网络超效率EBM模型，使用MaxDEA6.3分析得到2003-2019 年中国各省工业整体和分阶段绿色全要素生产率的17年平均值如表1所示。

由表1可知，整体效率水平不高且各省之间存在巨大差异。部分工业生产阶段效率较高的省份治理阶段的效率却较低，例如北京、福建、山东、浙江、重庆等5个省工业生产阶段效率高于30个省份的平均值0.806，但是环境治理阶段效率低于30个省份的平均值0.590；另外，部分工业生产阶段效率较低的省份环境治理阶段的效率却较高，例如海南、青海、贵州、吉林、广西、新疆、黑龙江等省工业生产阶段的生产率低于30个省份的平均值0.806，但是环境治理阶段的效率高于30个省份的平均值0.590；大部分省份工业生产阶段效率处于较高水平；大部分省份环境治理阶段效率处于较低水平。因此，仅仅考虑工业生产阶段而忽略环境治理阶段的工业绿色全要素生产率得到的结果是有局限的。

部分工业生产阶段效率较高的省份环境治理阶段的效率较低，以及部分工业生产阶段效率较低的省份环境治理阶段的效率较高的原因解释如下：在数量型经济发展阶段，各个省都追求工业经济规模的扩大，工业经济规模较大的省份其生产阶段效率往往较高，而较大的工业生产规模往往产生较多的废水、废气和废固，从而影响了其环境治理效果，导致其治理的效率低；海南、广西、青海、黑龙江等地区缺乏工业基础，经济发展受到一定限制，但具有独特的生态环境地理优势，具有较强的环境修复能力，地区的发展政策也更加侧重于环境保护，导致环境治理阶段的效率较高、工业生产阶段效率较低。

2.中国各省工业整体和分阶段绿色全要素生产率的南北差异

为了探讨中国南北区域之间工业绿色全要素生产率的差异，依据刘殿国等的划分方法^[27]，将中国除港澳台及西藏外的30个省份划分为南北两大区域，其中南部区域包括上海、江苏、浙江等15个省，北部区域包括北京、天津、河北等15个省。2003-2019年区域工业绿色全要素生产率如图1所示。

从图1可知，各区域整体（网络）工业绿色全要素生产率介于工业生产阶段和环境治理阶段之间；所有年份南部和北部区域工业生产阶段的工业绿色全要素生产率均高于环境治理阶段的工业绿色全要素生产率；从工业生产阶段来看，南部区域工业绿色全要素生产率高于北部，南部区域经济上较为发达，拥有更先进的生产技术，从而在要素投入条件一致的情况下工业绿色全要素生产率通常是较高的；从环境治理阶段来看，在较多的年份里，南部区域环境治理阶段工业绿色全要素生产率高于北部区域，这表明南部地区更重视环境治理。原因解释如下：官员的环境绩效考核与经济绩效考核，共同决定了官员的晋升问题，经济考核指标往往更加的明确具体，在经济发展比较落后的北方地区，往往更加重视经济方面的考核，从而忽略环境治理方面的考核；南部区域经济整体较为发达，因此环境治理考核更加重要，受到人们的重视；因此建立完善的官員晋升体制，对于不同的省份调整合适的绩效考核的比重，加强环境治理、绿色发展对经济促进的积极作用^[30]。

（二） EM指数的结果分析

1.绿色全要素生产率变动的测算

本文运用非参数网络EBM-Malmquist（EM）指数来度量中国30个省2003至2019年中国工业绿色全要素生产率的逐期变动，并将EM指数分解成技术效率变化（EC）指数和技术变化（TC）指数加以分析。2003至2019年中国各省工业绿色全要素生产率EM指数的几何平均值如表2所示。

从表2可知，①整体阶段17个省份EM指数值大于1，13个省份EM指数值小于1；工业生产阶段22个省份EM指数值大于1，8个省份EM指数值小于1；环境治理阶段14个省份EM指数值大于1，16个省份EM指数值小于1；大于1表示效率在提升，小于1表示效率在下降。②从30个省份的平均值来看，整体阶段、工业生产阶段和环境治理阶段的EM指数值均大于1，治理阶段的效率变动高于生产阶段，这表明整体阶段、工业生产阶段和环境治理阶段效率处于提升状态，环境治理阶段效率还有较大的进步空间。

2.绿色全要素生产率变动的南北差异

进一步探讨中国南北区域工业绿色全要素生产率EM指数的差异，2003-2019年南北区域的EM指数如表3所示。

从表3可知，大多数年份南部地区效率变动在整体阶段、生产阶段和治理阶段都是要高于北部地区，只有个别年份的阶段效率变动会低于北部地区；从南北地区的平均值来看，整体和分阶段的EM指数值都是大于1，整体效率变动和分阶段的效率变动都是处于提升状态，且南部地区效率变动在整体阶段、生产阶段和治理阶段都是要高于北部地区，南方地区进步更加明显。这意味着南北区域在不同水平的基础上发展，南方地区的效率提升始终快于北方，逐渐累加形成一定优势，这可能是南方的科技进步、研发优势形成的，北方地区则需要加大相应的科研投入。

（三） EC指数和TC指数的结果分析

1.EC指数、TC指数的测算

计算得到EC指数、TC指数，2003-2019年的几何平均值如表4所示。

根據表2和表4中的数据可知：①整体阶段13个省份EC指数值大于1，17个省份EC指数值小于1；工业生产阶段16个省份EC指数值大于1，14个省份EC指数值小于1；环境治理阶段12个省份EC指数值大于1，18个省份EC指数值小于1；大于1表示效率在提升，小于1表示效率在下降。②整体阶段16个省份TC指数值大于1，14个省份TC指数值小于1；工业生产阶段21个省份TC指数值大于1，9个省份TC指数值小于1；环境治理阶段14个省份TC指数值大于1，16个省份TC指数值小于1。③从中国30个省份的平均值可知，整体阶段、工业生产阶段和环境治理阶段的EM指数值大于1，整体阶段、工业生产阶段和环境治理阶段的EC指数值小于等于1，而整体阶段、工业生产阶段和环境治理阶段TC指数均存在进步（大于1），可以看出技术变化抑制了整体阶段、工业生产阶段和环境治理阶段的效率变动，而整体阶段、工业生产阶段和环境治理阶段的效率变动主要是由技术变化驱动的，管理方面抑制了工业效率水平的提高。目前我国科研实力突飞猛进，但是由于工业发展相对较晚、经济基础薄弱、工业生产和治理管理经验不足等原因，还处于通过提高技术进步便可促进绿色全要素生产率的阶段，需要加大相关产业技术研发力度，向国外先进的企业学习生产和治理管理经验，提升企业管理水平。

2.EC指数、TC指数的南北差异

2003-2019年南北区域EC指数和TC指数如表5和表6所示。

从表5和表6可以看到：①南方地区整体阶段、工业生产阶段和环境治理阶段的EC指数值高于北方地区，南方地区平均值整体阶段、工业生产阶段EC指数值大于1，南方地区平均值环境治理阶段的EC指数值小于1，北方地区平均值整体和分阶段EC指数值小于1；②南方地区整体阶段、工业生产阶段和环境治理阶段的TC指数值低于北方地区，南北区域平均值整体阶段、工业生产阶段和环境治理阶段的TC指数值大于1。

此外，表3中EM数值大于或小于1的结果表明了效率变化是提升还是降低，而表5、表6中EC、TC 数值大于或小于1的结果则揭示了表3中EM数值效率变化（提升还是降低）产生的原因，是对表3中EM数值的解释和说明，具体解释如下：南方整体阶段效率提升大部分是由技术效率变化驱动的；南方生产阶段效率提升大部分是由技术变化驱动的；南方治理阶段以及北方的整体和分阶段效率的提升主要是由技术变化驱动的。这说明南方地区在科研技术投入和管理方面双管齐下，起到了较好的效果，而北方地区在技术创新科研投入方面做得不错，管理水平还是有待加强。

五、主要结论与政策建议

（一）主要结论

在高质量发展已成为全面建设社会主义现代化国家首要任务的背景下， 提高工业绿色全要素生产率的研究无疑是非常重要。相比单阶段SBM模型，网络超效率EBM-Malmquist模型通过对不同阶段的数据进行分析能够更好地捕捉研究对象的内在结构和过程，比单阶段更真实地反映效率评价结果，还能有效解决SBM模型测算效率值时存在的非径向问题。基于网络超效率EBM-Malmquist模型，将工业经济发展阶段分成工业生产阶段与环境治理阶段，测算了2003-2019年中国各省工业绿色整体和分阶段全要素生产率变动情况，得到的主要结果如下：

（1）网络超效率EBM模型的结果分析对于中国各省工业整体和分阶段及南北绿色全要素生产率，整体效率水平不高且各省之间存在巨大差异，工业生产阶段与环境治理阶段都处于前沿面（生产率大于等于1）的省份数量较少，各省份与前沿面有着较大的差距；工业生产阶段效率高的省份，工业经济规模往往较大，产生的污染较多，环境治理效率低下，拉低了当地的整体效率水平；南部地区在整体和分阶段的效率基本上都高于北部区域。

（2）对于EM指数的结果分析，从30个省份的平均值来看，整体阶段、工业生产阶段和环境治理阶段的EM指数值均大于1，治理阶段的效率变动高于生产阶段，这表明整体阶段、工业生产阶段和环境治理阶段效率处于提升状态，环境治理阶段效率还有较大的进步空间；从南北地区的平均值来看，整体和分阶段的EM指数值都是大于1，整体效率变动和分阶段的效率变动都是处于提升状态，且南部地区效率变动在整体阶段、生产阶段和治理阶段都是要高于北部地区，南方地区进步更加明显。

（3）对EC指数和TC指数的结果分析，从30个省份的平均值可知，技术变化抑制了整体阶段、工业生产阶段和环境治理阶段的效率变动，而整体阶段、工业生产阶段和环境治理阶段的效率变动主要是由技术变化驱动的，目前我国管理方面抑制了工业效率水平的提高，还处于通过提高技术进步便可促进绿色全要素生产率的阶段。南方整体阶段效率提升大部分是由技术效率变化驱动的；南方生产阶段效率提升大部分是由技术变化驱动的；南方治理阶段以及北方的整体和分阶段效率的提升主要是由技术变化驱动的。这说明南方地区在科研技术投入和管理方面双管齐下，起到了较好的效果，而北方地区在技术创新科研投入方面做得不错，管理水平还是有待加强。

（二）政策建议

依据实证分析的结果，从提高技术效率变化和技术变化入手，具体政策建议为：

（1）加大科研创新投入，提升企业自主研发能力。尤其是加大对于环境治理技术研发，激励和扶持创新型企业的发展，借助地区高校和科研平台，成立高新技术产业园区，实现企业技术共享和互助，加大高精尖人引进力度，为其创造良好的发展环境。通过技术进步，实现生产阶段和治理阶段的效率提升，进而降低污染，如河南、内蒙古和甘肃等科研水平较差、研发投入不足的地区，加大研发投入，搭建科研平台，改善工业生产和环境治理技术。

（2）提高管理水平，完善官员考核体制。因地制宜调整经济考核和环境治理考核的比重，尤其是北方地区;对于经济欠发达的地区，如河南、内蒙古和甘肃等，不能单纯为了经济发展以及经济绩效考核，放弃生态环境保护，更不能采取一刀切的发展方式，要根据经济需求采取弹性的政策，控制好污染，对于高污染的行业要提高准入的门槛；对于经济较为发达的地区，特别是北京、福建和浙江等，加大工业整治和监管力度，进一步改善工业环境治理技术，切实提高环境治理能力；而海南、青海、广西、黑龙江等地区具有独特的生态环境地理优势，具有较好的環境修复能力，更要因地制宜，制定合适的环境监督管理政策，加强高新科技产业的发展，打造产城融合和生态宜居的双赢局面。

参考文献：

[1]王政，韩鑫. 我国产业发展综合实力稳步提升[N]. 人民日报，2022-10-11（9）.

[2]戴小勇.中国高创新投入与低生产率之谜：资源错配视角的解释[J].世界经济，2021，44（3）：86-109.

[3]魏奇锋，谭娟，石琳娜.成渝地区双城经济圈工业绿色全要素生产率测度及空间分异研究[J].软科学，2023，37（2）：103-111.

[4]李静，倪冬雪.中国工业绿色生产与治理效率研究——基于两阶段SBM网络模型和全局Malmquist方法[J].产业经济研究，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，赵巧芝. 中国工业绿色全要素生产率动态演变特征及驱动因素研究[J]. 统计与决策， 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]籍艳丽，辜子寅，薛洁. 环境规制对工业綠色全要素生产率的波特效应[J]. 统计与决策， 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]孙丝雨，安增龙. 两阶段视角下国有工业企业绿色技术创新效率评价——基于网络EBM模型的分析[J]. 财会月刊， 2016， 783（35）： 20-25.

[21]韩洁平，程序，闫晶，等.基于网络超效率EBM模型的城市工业生态绿色发展测度研究——以三区十群47个重点城市为例[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]黄少安，谢冬水.南北城市功能差异与南北经济差距[J].南方经济，2022，76（6）：40-63.

[26]盛来运，郑鑫，周平，等.我国经济发展南北差距扩大的原因分析[J].管理世界，2018，34（9）：16-24.

[27]王美， 刘殿国. 中国省域农业环境效率测算及收敛性分析——基于非期望产出的超效率 EBM 模型[J]. 数学的实践与认识， 2020， 50（9）： 20-27.

[28]刘殿国， 张茜， 傅国华. 服务业环境全要素生产率变动测算及收敛性研究——基于超效率 EBM-Malmquist 模型和南北区域分析[J]. 海南大学学报（人文社会科学版），2023，41（3）：96-107.

[29]马晓明，张灿，熊思琴，等.中国区域工业环境效率及其影响因素：基于Super-SBM的实证分析[J].生态经济，2018，34（11）：96-102.

[30]赵丽，胡植尧.环境治理是否促进了地方官员晋升？——基于中国地级市样本的实证研究[J/OL].经济学报：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