中国工业生产效率评价及影响因素研究

张 鑫，王向前 ，耿 杰

（安徽理工大学 经济与管理学院，安徽 淮南 232001）

0 引言

工业水平是一个国家综合实力的重要标志。当前中国工业发展正走在“新型工业化道路”[1]上，然而即使我国工业当前正处于新型工业化阶段，工业体系较为完善，但工业生产效率仍然相对落后。我国工业的局限在快速发展的同时日益显现：投入产出比较低、能源消耗量较大、劳动成本较高，这使得我国工业的生产效率低下，而高污染、高排放的粗放型工业经济发展模式较多，导致环境恶化、资源枯竭的情况日益严重[2]。这种发展模式极其不利于我国工业经济长期健康发展，也导致我国工业企业在与国外同行业竞争时处于不利地位。工业生产效率是反映工业发展质量的一个重要指标，所以加强对工业生产效率的研究，科学测度工业生产效率，探索其影响因素，以努力使我国工业不仅在数量上，而且在生产质量与绩效方面都处于国际领先地位，具有重要意义。

田泽等[3]运用三阶段数据包络分析法（data envelopment analysis，DEA）模型对东部沿海地区装备制造业生产效率进行了实证研究，发现我国东部沿海地区装备制造业生产效率较高，但考虑环境因素后结果会发生显著变化；杜康等[4]选取从业人员年平均值、固定资产净值年均余额作为投入指标，工业总产值为产出指标，运用DEA-Malmquist方法对安徽省大中型企业生产效率进行了测度，探讨了全要素生产率的影响因素；郭亚军[5]采用各地区工业固定资产投资、各地区工业劳动力就业人数、各地区工业科研投入为投入指标，各地区工业生产总值为产出指标，采用DEA三阶段模型对我国工业生产效率水平进行了实证研究，结果表明，资源利用水平、人均居民消费、人均国内生产总值、财政支出占生产总值的比例、民营资本所占份额和对外开放水平等环境变量对工业生产效率有显著影响；徐冬冬等[6]选取劳动力年度总人数与固定资本投资作为投入要素，以工业生产总值作为产出要素，运用随机前沿生产函数模型测度2001—2013年各县域工业生产效率，并结合GIS空间分析技术分析了生产效率与空间格局特征间的关系；李健等[7]选取资本投入、各地区工业从业人员人数、平均受教育年限为投入指标，工业总产值为产出指标，采用Malmquist模型对中国1998—2011年30个省份的工业全要素生产效率进行了测度。上述文献中研究者对工业生产效率的测度所用方法各不相同，但都未考虑投入与产出的松弛性问题，所用方法都不能将全部松弛变量进行衡量，为更加精确地衡量效率水平，可利用SBM（slacks-based measurement）模型弥补这一问题。SBM是一种非射线模型，具有非角度和非径向性，能充分考虑投入与产出的松驰性问题，属于较为完整的DEA拓展模型。且在现实工业生产活动中，非期望产出是不可避免的问题，采用SBM-Undesirable模型会使非期望产出问题迎刃而解，因此本文选用SBM-Undesirable模型，对中国工业生产效率进行测算，改进已有文献的测度方法。并结合Malmquist- Luenberger模型对中国工业全要素生产效率进行测算，由点及面，动态分析与静态分析结合。

1 模型介绍与构建

1.1 SBM-Undesirable模型

DEA是由A.Charnes等[8]于1978年提出的一种对多投入多产出的评价相对有效性的线性规划方法，保持投入产出不变，通过判断各决策单元与生产前沿面的偏离程度来测算效率值或者评价是否有效。但是传统DEA方法没有将产出变量的松弛问题考虑在内，会对效率值的测算产生偏差。因此Tone K.[9]在传统DEA的基础上提出了基于非径向、非角度并引进非期望产出的SBM模型，用以弥补传统DEA径向与角度对测算效率值造成的误差。

本文采用SBM-Undesirable模型对中国的30个省市自治区（由于西藏的数据严重缺失，港澳台地区的数据不可得，所以本文未予考虑）的工业生产效率进行测算，以空气污染物二氧化硫作为“坏产出”纳入分析评价体系。在生产效率评价模型中，每个省市自治区的工业生产部门都是一个决策单元DMU。对n个DMU，每个DMU中包含m个投入、S1种期望产出Yg（g为期望产出相关项）、S2种非期望产出Yb（b为非期望产出相关项）。变量向量矩阵如下：

式中：X为投入变量；Y为产出变量，且

根据K.Tone提出的加入非期望产出的SBM模型，其公式为

式中：ρ*为效率值，S-、Sg、Sb为松弛变量；λ为变量权重。

当且仅当S-=0、Sg=0、Sb=0时，ρ*=1，表明决策单元完全有效；当0 ＜ρ*＜1 时，表明决策单元存在效率损失，在投入产出上需要改进。

1.2 Malmquist-Luenberger模型

1953年，瑞典数学家S.Malmquist提出了M指数分析法，进行消费分析[10]。1978年，Chanmes首次将DEA模型与Malmquist指数分析法相结合，该方法适用于多个地区跨时期的样本分析，被广泛运用于效率测度与评价方面[11]。Malmquist指数最大的优势是全要素生产率可进一步分解为技术效率变化指数与技术变化指数，据此可以推断出生产率变化的主要影响因素。但是Malmquist指数没有考虑非期望产出，所以Chung Y.等[12]在Malmquist模型的基础上提出了Malmquist-Luenberger（M-L）模型。

本研究构建的M-L指数模型如下：

本文中的γML指数大小表示各省市的工业生产效率变动情况。若＞0 ，则该DMU在t+1期的工业生产效率相比于t期是提升的；若= 0，则该DMU效率保持不变；若＜0 ，则该DMU在t+1期的工业生产效率相比于t期是下降的。

同理，γEC和γTC大于1分别代表技术效率改善和技术进步；反之，则表示技术效率恶化、技术退步。

2 投入产出变量与数据来源

根据对近年来相关文献的学习与研究，得知专家学者采用数据包络分析对工业生产效率进行分析时，所采用的投入、产出指标如表1所示。

表1 工业生产效率相关研究投入、产出指标统计表Table 1 Statistical table of input and output indicators of relevant research concerning industrial production efficiency

根据以上各研究投入产出变量的选取，本文依据数据可获得性原则等，并针对本文研究主题，最后选取3个投入变量和3个产出变量，对我国各地区工业生产效率进行测算和分析。

2.1 投入产出变量

1）从投入角度看，本研究选取的3个投入变量分别代表人力、资本、资源3方面投入。工业从业人数代表劳动投入，衡量劳动要素投入；固定资产净值代表资本投入，该指标常被研究者作为工业生产效率测算投入指标，本文中有些固定资产净值由于无直接数据来源，故采取固定资产投资减去折旧作为固定资产净值；工业生产中消耗的大多是化石能源，因此本文能源消费总量以化石能源换算成万t标准煤表示。

2）从产出角度看，本文的3个产出变量分为期望产出与非期望产出两类。其中期望产出2个，非期望产出1个。利润总额与工业生产总值作为期望产出，利润总额能直接反映我国工业企业的盈利能力，企业只有获得最大利润，才能不断积蓄力量。工业生产总值是指工业企业在报告期内以货币形式表现的工业生产活动的最终成果。因此利润总额与工业生产总额都是测算工业生产效率的重要工业经济产出变量。因近年来环境问题越来越受到公众关注，且空气中的SO2主要来自工业生产过程，所以选用SO2作为非期望产出中工业污染物的代表。

2.2 数据来源

考虑到数据统计的滞后性与数据的可得性，本文选取2009—2019年中国的30个省份（西藏、香港、澳门和台湾地区未予考虑）的数据加以研究。本文所涉及指标数据均选自《中国统计年鉴》《中国工业统计年鉴》《中国能源统计年鉴》，以及各省市统计年鉴，部分数据来自国家数据网。

观测数取330时，各变量的描述统计见表2。

表2 投入与产出变量的描述统计表Table 2 Descriptive statistics of input and output variables

3 中国工业生产效率实证分析

3.1 中国工业生产静态效率分析

采取DEA Solver Pro软件对我国30个省市自治区2009—2019年的工业生产效率进行测算（结果见表3），并对所得结果进行评价与分析。

表3 2009—2019年各省市自治区工业生产静态效率值Table 3 Static efficiency of industrial production in provinces and autonomous regions from 2009 to 2019

3.1.1 分省份分析

将30个省份单独进行观察，有助于对中国工业生产效率的理解和分析。化整为零，是为了更加透彻和深入地剖析我国各省市自治区工业生产有效或者无效的原因，由点到面，全面了解我国近几年工业生产效率状况。

从表3中可以得知北京市、天津市、江苏省、广东省及海南省的工业生产效率最高，均为1，表明从2009—2019年，这几个省市的工业生产过程中投入少、产出多且污染物排放量低，证明其工业处于生产技术前沿面，工业生产完全有效，同时也表明这些地区的工业注重劳动、资本、能源的合理配置。工业生产效率平均值在0.8～1之间的有上海市、福建省、江西省、山东省、浙江省、湖南省、内蒙古自治区、河北省、河南省，其中大于0.9的有内蒙古自治区、上海市、福建省、江西省、山东省，且上海市、福建省、江西省的工业生产效率均为0.99；山东省次之，为0.91。上海市、福建省和江西省2009—2019年的工业生产效率都仅有1年的效率值没有达到1。均值为0.6～0.8的有广西壮族自治区、湖北省、重庆市、辽宁省、吉林省、陕西省、安徽省、黑龙江省，以上8个地区的工业生产综合效率值处于我国工业生产效率的第三序列。东北三省尤为明显，以上地区工业发展规模都较大，工业经济效益处于中上等，但资源投入量较大，属于明显的高投入、高产出的粗放式工业生产，其中的非期望产出也较高。最后是工业生产效率值为0.3～0.6的，分别是四川省、青海省、新疆维吾尔自治区、贵州省、云南省、山西省、甘肃省、宁夏回族自治区，其中山西省是中国煤炭能源的重要产地，污染严重，是其工业生产效率低的主要原因；贵州省、云南省、甘肃省、青海省、宁夏回族自治区、新疆维吾尔自治区的工业化程度较低，交通运输能力较差、工业经济规模较小都是其工业生产效率低下的重要影响因素。

3.1.2 分区域分析

区域的划分标准会直接影响对工业生产效率的分析，因为我国工业体系的分布各有特点，比如我国东北地区是以钢铁、机械、化工、石油为生产核心；而华北地区是以燃料动力、钢铁为生产主体。为了更加深入地了解我国工业生产效率的空间分布特征，本文参照国家统计局国家数据网将全国区域划分为东部、中部、西部3个地区。东部地区的工业平均效率值为0.93，中部地区为0.73，西部地区为0.49，整体呈现东高西低的梯形分布。生产效率为1的北京市、天津市、江苏省、广东省、海南省5个地区均在我国东部地区，而生产效率低于0.6的8个省份中，有7个属于西部地区，占总数的87.5%，可见，我国东西部发展不均衡，区域差距明显。

3.2 中国工业生产动态效率分析

上文使用SBM-Undesirable模型对我国30个省份2009—2019年的面板数据进行了测算，从静态层面对我国工业生产效率情况进行分析。为了更深入地探究我国工业生产效率在时间维度上的表现，使用Malmquist- Luenberger模型对我国30个省市自治区2009—2019年的工业生产效率进行测算，从动态层面考察我国工业生产效率的变动趋势以及变动原因，所得测算结果见表4和图1。

表4 中国工业生产效率指数及其分解指数的演化趋势Table 4 Evolution trend of China’s industrial production efficiency index with its decomposition index

图1 中国工业生产效率指数及其分解指数折线图Fig.1 Broken line chart of China’s industrial production efficiency index with its decomposition index

由表4可知，30个省份的工业全要素生产效率指数γML的平均值为1.141，技术进步指数γTC的平均值为1.246，而效率改进指数γEC的平均值仅为0.927。这表明技术进步发展状况良好，对全要素生产效率起着促进作用，而技术效率改进较为欠缺。

观察图1可以发现，γML与γTC的变化趋势大多一致，但γTC的波动幅度较为强烈，带动了γML的变动，这说明γTC是影响γML的重要因素，技术进步对全要素生产效率的提高有着显著的促进作用。

观察图1可知，γML、γEC、γTC都呈现上下波动的变化趋势，其中γML的年平均增长率为0.29%，γTC的年平均增长率为3.64%，总体呈现上升趋势，而γEC的年平均增长率为-4.1%，总体呈下降趋势。中国工业生产效率指数γML在2009—2016间振幅较小，而在2016—2019间振幅较大。在2009—2013期间呈下降趋势，究其原因，是因为受次贷危机的影响，工业产业的复苏需要经历一个曲折而缓慢的过程，外需萎缩短期内难以根本改观，消费对经济增长带动性不够，中国面临的生产要素综合成本上升、资源环境约束增强等情况都制约着工业生产效率的增长。而γML增长的拐点出现在2015—2016年，国务院在2015年5月8号印发了《中国制造2025》的通知，该通知将“创新驱动、质量为先、绿色发展、结构优化、人才为本”作为基本方针。中华人民共和国国家发展和改革委员会和环境保护部联合发布的《清洁生产审核办法》于2016年7月1日起正式实施，该办法鼓励企业自愿开展清洁生产审核。国家一系列的政策指导企业不断创新，努力增产减排，这不仅促进了我国工业生产效率的提高，更是对全国工业整体的发展产生了积极的影响。

4 结论与建议

本文以我国30个省份的工业发展情况作为研究对象，利用 SBM-Undesirable模型以及Malmquist-Luenberger模型对其2009—2019年的数据进行了测度与分析，得出如下结论：

1）在研究的30个省市自治区中，有5个省市工业生产有效，占总体的16%，而生产效率低于0.6的有8个省市自治区，占总数的26%。这说明我国大部分省市自治区都存在投入冗余和期望产出不足、生产投入要素利用率低、资源浪费及生态污染现象。

2）我国工业的地区发展不平衡，区域差异明显，呈现出东高西低的阶梯状分布。工业生产有效的省份集中在东部地区，而工业生产效率较低的省份则主要集中在西部地区。这是由于东部地区有着悠久的工业发展历史，优越的区位优势，雄厚的资金实力，而这些又带来了先进的生产技术，使得资源被更加有效地利用。

3）我国工业γML呈上下波动，在研究期间内，其平均值为1.141，γTC的平均值为1.246，而γEC的平均值为0.927，这说明我国工业全要素生产有效，技术也得到了发展，但是效率的改进并未达到最佳状态。

4）全要素生产效率与技术进步指数总体都呈现增长趋势，且两者变动趋势相似，这表明技术进步促进了全要素生产效率的增长，且国家政策与经济环境会对工业生产效率产生明显影响。

综上所述，从我国基本国情出发，为提高工业生产效率，促进我国工业又快又好地发展，完善区域发展战略，缩小东西部发展差距，提出以下建议：

1）促进经济转型和完善产业结构。我国大部分省份的生产效率偏低，传统的粗放型经济增长模式使得资源与生态都承受着巨大的压力，特别是我国中西部地区要处理好资源储量与经济发展之间的不平衡，要“生态保护”与“经济增长”双管齐下，积极探索“绿水青山就是金山银山”的环境友好型经济发展模式。

2）加强区域协作，促进区域协调发展。国家应注重不同地区之间的资源调配，合理规划生产资源的跨区域流动，充分发挥市场对产品的引导作用，推进区域开放度，加强区域之间的交流合作。地区层面则应该加强顶层设计，因地制宜，根据地区特点制定相应的发展战略，强化对投入产出的控制，减少冗余。

3）加大研发投入，以科技进步推动生产效率提高。强化产学研深度融合，推进核心技术攻关，促进科技成果转化成生产力。科技是第一生产力，长期来看，科学技术的发展可降低成本、增加产出，解决投入与产出冗余或者不足的问题。