双碳政策下工业生产效率时空演化

论文信息

一句话概要

论文在“双碳”政策背景下，将碳排放作为投入指标，采用DEA静态模型与Malmquist动态指数相结合的方法，系统测度了2013-2021年中国内地30个省份规模以上工业的生产效率时空演化特征，并运用Tobit模型探究影响因素。研究发现：东部地区效率显著高于中西部地区但总体呈正增长态势；技术进步是全要素生产率提升的主要动力；低碳环保政策对效率提升具有显著正向影响，而研发投入和对外开放程度与效率呈负相关。

背景与研究动机

论文首先指出工业经济发展是中国经济高质量增长的根本，是国民经济质量提升的重要物质基础。至2019年，中国已连续十年保持世界第一制造大国地位，五百余种重点工业产品中两百二十多种产量名列世界首位，工业产品出口额占总出口金额的71％。党的十八大以来，国家逐步重视工业发展质量，推动工业由大变强成为新时期工业化阶段的重大使命。

2020年9月，习近平总书记提出“2030年达到碳峰值，努力争取2060年实现碳中和”的目标。实现“双碳”目标需要推进各地区、各行业有序发展，成为各级政府的一项重大政治任务。我国开始督查和整治高消耗、高污染的工业，推动工业绿色低碳转型。由于生态环境形势依然严峻，在“双碳”政策下对工业生产效率进行测度分析，比较各省份的差异，对工业绿色低碳转型升级以及我国整体工业水平的提升和良性发展具有重要意义。

因此，论文的核心研究问题可以概括为：在考虑碳排放约束的条件下，中国各省份工业生产效率呈现怎样的时空演化特征？哪些因素影响这一效率的变动？这些问题直接关系到如何在落实双碳目标的同时保障工业高质量发展。

现有方法的瓶颈

关于工业效率的测度，国内外学者已经进行了大量研究。论文梳理了现有方法的几类路径：

第一类是基于参数法的随机前沿生产函数分析。原毅军等人利用该方法研究了我国装备制造业的研发效率。参数法在设定生产函数形式时存在先验假设的局限性，可能导致估计偏差。

第二类是典型的非参数方法——数据包络分析。张优智等人运用DEA-Malmquist方法研究了不同类型环境规制对制造业绿色全要素生产率的影响；张雪琳等人从价值链视角采用DEA对工业企业技术创新效率进行了研究；王艳等人运用超效率DEA测算节能减排效率，并基于Tobit模型研究其影响因素。

论文指出，现有研究存在一个显著不足：许多文献较为注重经济性，没有考虑碳排放指标。在“双碳”目标已上升为国家战略的背景下，忽略碳排放约束的工业效率评价无法真实反映绿色发展导向下的实际生产水平，其政策参考价值受到限制。

此外，现有研究大多仅从静态层面或动态层面单方面展开，将静态效率测度与动态全要素生产率变化分析相结合的研究尚不够充分，难以全面揭示工业生产效率的时间趋势与空间分异特征。

核心洞察与贡献

论文的核心洞察在于：将碳排放作为环境投入指标纳入DEA模型，同时结合静态评价（BCC模型）与动态分析（Malmquist指数），构建了一个兼顾“绿色”与“效率”双重目标的分析框架。这一设计的本质是将环境约束内化为生产效率评价的一个维度，而非事后调整或追加分析。

论文的主要贡献可以归纳为以下四点：

1. 将碳排放纳入生产效率评价体系：区别于传统仅关注经济产出的效率研究，论文将碳排放作为环境投入纳入DEA模型，使效率评价更能反映“双碳”政策导向下工业绿色转型的实际成效。
2. 静态与动态分析相结合：运用BCC模型评估各年份综合效率、纯技术效率和规模效率的静态水平，同时采用Malmquist指数对全要素生产率进行跨期动态分析，系统呈现了2013-2021年九年间30个省份工业效率的时空演化全貌。
3. 构建了“时空双维”的省际演化分析：通过对2013年、2016年、2019年和2021年四个关键时间点综合效率与全要素生产率的省际对比，揭示了东部地区效率明显高于中西部、低效率区域连片分布的空间格局，以及全要素生产率逐年提升的时间趋势。
4. 运用Tobit模型探究影响因素：以低碳环保投入、对外开放程度和研发投入为自变量，以综合效率为因变量进行回归分析，识别出了影响工业生产效率的关键政策变量。

方法详解

DEA模型（静态层面）

论文采用基于规模报酬可变的BCC模型进行静态效率评价。模型设定n个决策单元，每个决策单元有m种投入变量x_mj和s种产出变量y_sj，其中x_mj>0、y_sj>0，λ_j为决策变量。模型形式为：

$$min\theta$$

约束条件为：

$$\{\begin{array}{l}{\sum }_{j=1}^n{\lambda }_j{x}_j\le \theta x_0\\ {\sum }_{j=1}^n{\lambda }_j{y}_j\ge y_0\\ \sum {\lambda }_i=1\end{array}$$

式中λ_j≥0。该模型能够分离出纯技术效率和规模效率，帮助判断效率损失是源于管理水平不足还是规模结构不合理。

Malmquist指数（动态层面）

为了捕捉工业生产效率的动态变化趋势，论文采用FARE等人构造的基于DEA的Malmquist指数模型：

$$M(x^{t+1},y^{t+1},x^t,y^t)=\sqrt{\frac{D^t(x^{t+1},y^{t+1})}{D^t(x^t,y^t)}\cdot \frac{D^{t+1}(x^{t+1},y^{t+1})}{D^{t+1}(x^t,y^t)}}$$

式中D^t(x^t, y^t)为t期决策单元的距离函数。该指数可分解为技术效率变化和技术进步效率变化，进一步可分解为纯技术效率变化和规模效率变化，从而揭示全要素生产率变化的驱动来源。

指标选取与数据来源

论文将指标体系分为投入与产出两个目标层。投入指标选择：人力投入采用工业平均用工人数，财力投入采用工业固定资产投资额，环境投入采用二氧化碳排放量。论文采用IPCC建议的参考方法计算CO₂排放量，选用了6种能源消耗进行计算：

$$C{O}_2=\sum _{j=1}^n{E}_j\cdot NC{V}_j\cdot CE{F}_j\cdot CO{F}_j\cdot \left(\frac{44}{12}\right)$$

式中E为能源消耗量，NCV为平均低位发热量，CEF为碳排放系数，COF为碳氧化因子，44/12为CO₂与碳的分子量比。

产出指标方面，论文选取了工业增加值（反映生产水平和对GDP的贡献）、利润总额和主营业务收入（反映生产经营情况和获利水平）三个指标。

数据样本为中国内地除西藏自治区外的30个省份规模以上工业2013-2021年的数据，来自《中国统计年鉴》《中国能源统计年鉴》及相关省市区统计年鉴，缺失数据使用插值法计算。

Tobit模型（影响因素分析）

论文构建了生产效率影响因素的Tobit回归模型：

$$T{E}_{it}={\beta }_0+{\beta }_1{X}_{it}+{\beta }_2{Y}_{it}+{\beta }_3{Z}_{it}+{\epsilon }_{it}$$

式中β_0为常数项，β_1~β_3为各自变量的回归系数，i表示区域，t表示时期，ε_{it}为残差项。自变量包括：低碳环保投入（X）、对外开放程度（Y）和研发投入（Z）。

实验与结果

综合效率时间演化特征

2013-2021年30个省份在“双碳”政策下的工业综合效率均值整体呈现“先降低后增高再降低”的波动趋势：从2013年的0.83降至2017年的0.76，再提升至2019年的0.83，又降至2021年的0.729，效率水平整体相对较低。

从分解结果来看，2014-2020年规模效率虽有下滑但基本维持在0.9以上，整体水平较高；纯技术效率则出现一定波动，2013-2021年各省平均纯技术效率为0.874。这意味着投入的工业资源和要素的利用程度在现有技术条件下较为有效，但仍有较大提升空间。

各省份规模以上工业的均值得出：综合效率均值0.80，纯技术效率均值0.874，规模效率均值0.919。该数据表明工业生产效率的提高得益于规模效率，而纯技术效率的相对低下已经演变为提高工业效率的主要障碍。

Table 1. 2013-2021年各省份工业效率

综合效率空间分布特征

各省份工业综合效率均值呈现明显的空间分异格局。北京、天津、上海、广东、陕西、海南、云南和内蒙古的综合效率均值达到0.9以上，属于高效率地区。综合效率均值相对较低的省份有山西、宁夏、黑龙江、河南和安徽，其中纯技术效率值普遍低于规模效率值。综合效率均值最低的是山西省（0.605），表明其在注重产业规模发展的同时，需要对要素投入与产出方面进行调整。

值得注意的是，低效率区域呈现连片分布特征，较低效率区域多分布于中部和西部，而高效率区域呈块状镶嵌，相对集中在东部地区。国家对西部地区工业发展的大力支持产生了积极效果，青海、新疆和甘肃等省份的工业产业通过针对性措施提高了生产效率，2019年工业综合效率得到显著提升。这表明因地制宜的细化措施有助于稳步提高工业生产效率。

全要素生产率指数时间演化特征

论文采用Malmquist指数测算了2013-2021年各省份工业全要素生产率指数。总体而言，均值大于1（1.064），年均增长率为6.4%。其中技术进步效率年均增长率为8.2%，技术效率年均增长率为-1.7%，说明技术进步因素是规模以上工业生产效率提升的主要动力，而技术效率水平总体呈下降趋势。2020-2021年由于技术进步效率的大幅度增长，全要素生产率达到1.202，水平最高。

Table 2. 2013-2021年工业全要素生产率指数

全要素生产率指数空间分布特征

所有地区的全要素生产率指数都大于1，说明30个省份的效率均呈上升态势，但大部分省份在1.10以下，全要素生产率的变动幅度较小。其中，北京的工业全要素生产率最大（1.126），黑龙江最小（1.016）。这一差异的可能原因是黑龙江的技术效率为0.952，相对其他省份偏低，纯技术效率低影响了技术效率变动，进而一定程度抑制了全要素生产率的提高。

从区域整体角度分析，东部全要素生产率明显高于中西部，中部、东部、西部差距突出，说明我国的工业发展普遍存在着区域不平衡现象。

影响因素分析

论文通过Hausman检验（P值为0.0329）选择固定效应模型进行Tobit回归分析，结果如下：

Table 4. Tobit回归结果

注：*、**、***分别表示在10%、5%、1%水平上显著。

回归结果显示三个重要发现：

• 低碳环保投入与工业生产效率显著正相关（系数0.0248，P<0.05）。这一结果说明政府制定的低碳环保政策对工业生产效率具有促进作用，政府可通过相关低碳环保政策引导和支持工业绿色生产行为，帮助工业企业克服创新资源短缺困难，激发技术创新，同时增强资源利用率、减少污染物排放。

• 对外开放与工业生产效率负相关但不显著。论文对此的解释是：一方面引进国外先进技术可提升效率，但另一方面大量引进国外技术可能造成激烈的市场竞争，对工业生产效率产生负向影响。

• 研发投入与工业生产效率在1%水平上显著负相关（系数-0.01）。这并非代表研发投入本身是无效的。论文指出，研发投入水平高的省份会投入大量科技经费用于工业科技创新活动，但工业科技创新项目存在一定的滞后期；此外，部分地区科技开支可能出现政策范围、资源占用、预算管理体系不完善等情况，造成科研支出的边际效益下降，导致科研项目和技术费用投资的冗余，降低了地区工业科技创新效率，从而影响工业生产效率。

实验批判性评估

论文在方法层面存在几点值得关注的问题：

在指标选择方面，用“工业平均用工人数”和“工业固定资产投资额”分别代表人力与财力投入，虽然便于数据获取和数据一致性，但能否充分反映劳动力质量和资本使用效率值得商榷。同时，仅选择6种能源消耗计算CO₂排放，可能遗漏了部分重要排放源。

在影响因素模型方面，论文仅选取了低碳环保投入、对外开放程度和研发投入三个自变量，变量数目有限，可能遗漏了产业结构、市场化程度、地方政府竞争等其他重要影响因素。Tobit模型虽然适用于受限因变量，但论文未对内生性问题进行必要处理，例如研发投入与生产效率之间可能存在反向因果关系——效率低的企业可能更倾向于增加研发投入，由此导致的估计偏误未被讨论。

在数据时段方面，2013-2021年正好覆盖了“双碳”目标提出前后，但2020-2021年因受疫情影响，经济运行的异常波动可能干扰了效率趋势的真实判断。2020-2021年全要素生产率高达1.202，技术进步效率达1.319，这一异常高点是否包含疫情后反弹效应，论文未做特殊时期的影响分析。

优势与局限性

优势

论文最重要的优势在于方法论层面的系统性与完整性：将碳排放纳入投入指标体系契合绿色发展的政策导向，BCC模型与Malmquist指数的结合实现了从静态截面到动态跨期的完整分析，Tobit模型补充了对影响因素的探究，形成了“测度—分解—归因”的闭环逻辑。

其次，论文在数据层面的广度与一致性方面表现扎实：覆盖30个省份、9年跨度的面板数据，样本规模较大，数据来源权威，缺失值采用一致的插值法处理，方法可追溯、可复现。

第三，对研发投入与效率呈负相关这一反直觉结果的坦诚解释体现了学术严谨性。论文没有回避异常结果，而是从科技创新的滞后期与研发投入的边际效益递减两个角度提供了合理说明。

局限性

第一，模型方法相对传统。 DEA方法虽然在效率评价领域应用广泛，但传统的BCC模型对异常值和测量误差敏感，且无法考虑随机误差的影响。在“双碳”目标这一重大政策冲击下，效率的动态变化可能还受到政策预期调整、市场反应等非技术因素的干扰，而这些在模型中未被捕捉。

第二，影响因素分析的解释力有限。 论文仅选用三个影响因素变量，模型的拟合优度未被报告，无法评估这些变量共同解释了工业效率变异的多少。特别是“对外开放程度”变量不显著且方向为负，论文对此的解释——引进技术带来市场竞争导致负向影响——与一般认知存在一定张力，需要更充分的论证和稳健性检验。

第三，研究的时效性与政策衔接存在落差。 论文数据截止至2021年，但发表时间为2024年。在“双碳”政策快速推进的背景下，数据和发表的两年时间差可能导致政策建议与现实需求之间的脱节。

第四，可复现性方面存在一定不足。 论文未公开原始数据或代码，虽然数据来源有据可查，但基于统计年鉴的数据整理和CO₂排放量的具体计算过程（尤其能源消耗的种类目录、各参数取值）未给出完整附表，增加了严格复现的难度。

未来方向与开放问题

论文自身为后续研究留下了几个重要的开放问题：

改进效率测度方法。 论文使用的传统DEA模型在处理碳排放这一非期望产出时，将其作为投入变量处理，而非采用更为成熟的非期望产出DEA模型（如方向性距离函数、SBM模型等）。未来研究可尝试采用更能体现环境约束本质的非期望产出建模方式，使效率测度更契合绿色发展的理论内涵。

拓展影响因素分析。 论文仅考察了三个宏观变量，未涉及地方政府竞争、环境规制强度、产业集聚程度、市场化指数等可能影响工业效率的深层次因素。未来可构建更丰富的影响因素体系，并关注变量之间的交互效应。特别是研发投入与效率负相关这一反直觉结果，值得进一步检验——是数据时限较短导致的偶发现象，还是反映了一种更深层的结构性矛盾？

深化区域异质性分析。 论文虽然识别了东部与中西部之间的效率差距，但对差距成因的分析较为笼统。不同区域在资源禀赋、产业基础、政策环境等方面的巨大差异可能意味着影响效率的驱动机制存在系统性的区域异质性，需要在模型中加入交互项或进行分组回归来进一步挖掘。

关注政策冲击效应。 “双碳”目标作为一个外生政策冲击，其对工业效率的影响可能存在阶段性特征：短期可能因减排约束导致效率下降，中长期则通过倒逼技术创新提升效率。论文的9年数据跨度虽然包含“双碳”政策提出前后，但未对政策冲击效应进行专门识别，未来可采用断点回归或双重差分方法深入考察。

组会预判问答

Q1：为什么选择DEA-Malmquist模型而不是随机前沿分析或其它效率测度方法？

论文指出，DEA作为非参数法无需预设生产函数形式，可以避免参数设定偏差；结合Malmquist指数能够将全要素生产率分解为技术效率变化和技术进步效率变化两部分，有助于判断效率变化的驱动来源。此外，在“双碳”政策背景下，论文引入碳排放作为投入指标，构建绿色效率评价框架，DEA方法灵活处理多投入多产出变量的特点为此提供了便利。

Q2：为什么对外开放程度和研发投入与效率负相关？论文的解释是否充分？

对于研发投入的负相关，论文解释为科技创新项目的滞后期和研发投入边际效益递减。对于对外开放程度的不显著负相关，论文认为引进技术可能加剧市场竞争从而产生负向影响。值得注意的是，回归结果的显著性水平不同：研发投入在1%水平上显著，而对外开放程度不显著（P=0.647）。这可能意味着“对外开放”对工业效率的影响在当前样本中缺乏统计证据支持，而不应被理解为明确的负向效应。

Q3：论文将碳排放作为投入指标是否合理？为什么不采用非期望产出模型处理碳排放？

论文的潜在逻辑是：碳排放是生产过程中消耗的资源和污染物排放的结果，将其视为“环境投入”更便于在传统DEA框架内进行效率评价。但从经济学角度，碳排放作为非期望产出在建模上应区别于可控投入。当前学界更普遍的做法是采用方向性距离函数或SBM模型将非期望产出单独处理。可以推测，论文选择这一处理方式的原因可能是为保持模型简洁、便于结果解释，而牺牲了一定的理论精确性。具体原因论文未明确交代，这是方法选择上值得补充说明的一点。

Q4：论文的样本时间范围是2013-2021年，但2020-2021年受疫情影响明显，这种数据异常波动是否会影响效率趋势的判断？

论文在分析中注意到了2020-2021年全要素生产率指数高达1.202、技术进步效率达1.319的异常点，但未将其归因于疫情后的经济反弹效应。一种可能的解读是：疫情导致的停工停产可能使产出大幅下降，从而在复工复产后呈现短期技术进步的“虚高”现象。论文未将这种结构性断点纳入模型进行控制或处理，这可能影响效率长期趋势推断的稳健性。未来研究可考虑剔除疫情期间数据或使用断点回归模型加以修正。