李秋杰，朱 婧，孙新章

（1.东北大学工商管理学院，辽宁沈阳 110819；2.东北大学文法学院，辽宁沈阳 110819；3.东北大学秦皇岛分校经济学院，河北秦皇岛 066004；4.中国21 世纪议程管理中心，北京 100038）

1 研究背景

国家可持续发展实验区（以下简称“实验区”）是中国可持续发展领域建设时间最长、覆盖规模最广、实验主题最为多样的公共政策试点，旨在依靠科技进步解决制约本地经济、社会、资源环境可持续发展过程中的问题。自1986 年创建以来，实验区建设取得了显著成效。孙新章［1］回顾国家可持续发展实验区30 年的建设，表明实验区建设有利于可持续发展理念普及。姚娜等［2］分析发现实验区科技支撑能力不断提升，创新管理机制与模式逐渐完善。Ma 等［3］研究发现，实验区的环境可持续发展效率比非实验区高27.7 倍。但由于实验区数量众多、类型复杂，Wan 等［4］分析发现实验区存在资源分布不均、资源环境复杂、行政区域分割等关键问题。黄钰乔等［5］认为，部分实验区尚未探明多维度协调发展的路径。刘守珍等［6］评估鲁中南山区的实验区发展状态，研究结果认为实验区协调水平较低。卫星等［7］分析云南省实验区成效,并提出相应的发展对策。薛冰等［8］研究了实验区和低碳试点城市的协同效应。在定量研究方面，王鹏龙等［9］和李俊莉等［10］构建指标体系，评价实验区的发展水平与创新能力。

尽管已有不少针对实验区发展演进的研究，但要素投入是如何驱动实验区发展的相关研究尚不足。全要素生产率（total factor productivity，TFP）被广泛应用于研究要素投入对经济发展的驱动机制，同时也是评价可持续发展水平的重要指标［11］。因此，本研究以实验区为对象，采用数据包络分析（DEA）-Malmquist 指数法测度其全要素生产率，分析其时空分异特征及影响因素，旨在为实验区要素投入和经济产出效率研究提供参考。

2 研究设计

2.1 研究对象概况

截至2019 年12 月，我国已建成189 个国家可持续发展实验区，涵盖全国（未含港澳台地区）90%以上的省、自治区、直辖市。从地域分布来看，实验区主要集中在东部地区1），数量在东、中、西地区呈现5 ∶3 ∶2 格局。按照行政级别划分为地级市型34 个（17.99%）、城区型66 个（34.92%）、县（县级市、乡镇）型87 个（46.03%）、其他类型2 个（1.06%）（见表1）。

表1 截至2019 年12 月我国国家可持续发展实验区地域分布概况

2.2 评价指标体系及数据来源

构建实验区可持续发展全要素生产率评价指标体系，逻辑架构分为3 个层次和27 个指标（见表2）。一级指标从支撑经济、社会和环境领域整体发展的角度测度实验区可持续发展水平，旨在基于量化的评价结果对标实验区实践程度：经济发展主要以居民收入、就业状况、绿色经济等指标来衡量；社会民生主要以居民消费、社会保障、教育、城镇化水平等衡量；资源环境主要以绿化水平、资源存量、环境质量、废物处理率等来衡量。

表2 国家可持续发展实验区可持续发展水平评价指标体系

根据建立的指标体系，采用极值法计算2014—2018 年实验区的可持续发展水平。其中，指标数据主要来源于实验区历年统计年鉴（或公报）、《国家重点园区创新监测报告》［12］，以及国民经济发展公报等基础资料，缺失数据采用临近年份滑动平均值填补，对实验区无效数据归零。根据数据缺失程度，剔除缺失数据大的实验区，最终选取样本实验区为161 个。

2.3 全要素生产率测算

本研究从动态视角利用Malmquist 指数分析实验区发展效率的动态变化。DEA-Malmquist 指数是测算TFP 增长率的一种非参数模型方法［13］。最早由Malmquist［14］在1953 年提出，并提出全要素生产率（TFP）可分解为技术进步（TC）与技术效率变化（TEC）；根据Fare 等［15］和Yunos 等［16］的相关研究，技术效率变化可分解为纯技术效率（PTEC）与规模效率（SEC），以此分析实验区经济效率变动的根本原因。全要素生产率计算公式如下：

式（2）是在规模效率可变（VRS）假设下构造的指数。若PTEC 大于1，说明管理水平改善或上升；反之则下降。若SEC 大于1，说明规模效率上升；反之则下降。

当式（1）（2）的值大于1 时，表示全要素生产效率呈增长趋势；反之，则为下降趋势。

3 实验区可持续发展评估

本研究采用极值化法对指标进行标准化处理，计算各样本实验区在2014—2018 年期间每年各指标的几何平均数，得到样本实验区整体的综合得分分别为0.425、0.432、0.431、0.426、0.437 分，整体上呈增长的趋势，说明实验区发展水平总体是上升的。2014—2018 年实验区综合得分均集中在0.43，受到经济、社会、环境系统区域指标极值的影响，综合指数出现低分状况，说明各实验区发展存在差异。

为进一步分析实验区的区域之间差距，评估单项指标对不同区域实验区可持续发展的影响。图1是各指标标准化后5 年的平均结果，其中人均地方财政收入、新登记注册企业数、人均社会消费品零售额与每万人刑事案件发生率这4 个指标的标准化数值均小于0.1，是对实验区综合得分影响最大的指标，是主要限制因素。

图1 2014—2018 年样本国家可持续发展实验区可持续发展水平评价指标均值

4 实验区全要素生产率研究

在上述对实验区综合得分影响最大的4 个主要限制因素中，人均地方财政收入、新登记注册企业数、人均社会消费品零售额指标符合新古典经济增长理论中对经济增长的投入要素，主要为资本与劳动，因此，将人均地方财政收入作为产出要素，将新登记注册企业数、人均社会消费品零售额作为投入要素，借助全要素生产率探究经济发展与资本投入和技术进步的关系，运用DEAP2.1 软件对样本实验区2014—2018 年的经济动态生产效率进行估算。

4.1 全要素生产率总体特征

如表3 所示，样本实验区2014—2018 年全要素生产率总体呈现上升趋势，动态变化平均值为0.965，说明2018 年较2014 年降低了3.5%。从全要素生产率均值分解来看，技术效率为0.955、技术进步为1.012，全要素生产率下降源于技术效率在2014—2018 年期间动态变化均值降低了4.5%，而技术进步对全要素生产率起着改善作用。技术效率分解为纯技术效率与规模效率分别为0.933、1.023，技术效率下降源于纯技术效率动态平均值下降6.7%，全要素生产率下降根本上源于管理和制度的不完善。由此可见，样本实验区全要素生产率下降是技术效率拉低的结果，全要素生产率的提高不仅只靠技术进步来带动，也需要对现有技术水平进行充分挖掘才能充分促进区域可持续发展；而技术进步的改善提高了全要素生产率。

表3 样本国家可持续发展实验区Malmquist 指数测量值

4.2 全要素生产率空间分异特征

基于DEA-Malmquist 模型结果对实验区全要素生产率进行空间分析，给出各省份实验区的空间领先性，以发挥优势实验区的引领作用。表4 反映了各省份TFP＞1 的实验区比例、实验区TFP 数值大小分布：实验区全要素增长率上升比例大的省份分别为重庆市、浙江省、河北省；空间集聚高的省份主要集中在河南省、湖北省、江苏省、山东省、浙江省；全要素增长率下降显著的实验区分别在内蒙古克什克腾旗、江苏省宜兴市、湖南省湘乡市、海南省白沙县。综合来看，浙江省的实验区中TFP＞1 的比例达70%以上，基本上实现了全域全要素增长率增长，且在空间上表现出增长集聚的特征，说明浙江省的实验区经济发展水平较高，存在一定的溢出效应，有利于发挥对其他实验区的示范作用。

表4 2014—2018 年样本国家可持续发展实验区全要素生产率的空间分布

表4（续）

表4（续）

4.3 全要素生产率区域来源分布特征

根据测算结果可知，全要素生产率改善的样本实验区有52 个，占全样本的30.3%，有将近1/3 的实验区的社会进步是伴随着全要素生产率的改善，而并非只是投入型增长。其中，全要素生产率最大值为1.620，改善程度为62%；全要素生产率最小值为0.546，下降程度为45.4%。样本实验区之间离散程度较大、区域之间全要素生产率改善程度不均匀，进一步说明区域个体之间存在较大的差异，全要素生产率下降的实验区数量与技术效率、纯技术效率下降较为一致（见表5）。

表5 2014—2018 年样本国家可持续发展实验区全要素生产率基本统计特征

从全要素生产率、技术效率改善和未改善实验区的来源来看（见表6、表7）：表6 内全要素生产率改善的52 个实验区中有86.5%实现了技术进步的改善，55.8%实现了技术效率变化的改善，两者同时改进的只有1/3；全要素生产率未改善的109 个实验区中有81.7%的实验区被技术效率抑制，26.6%的实验区受到技术效率与技术进步共同抑制。表7内技术效率改善的52 个实验区中有53.8%实现了纯技术效率的改善，69.2%实现了规模效率的改善，两者同时改善为30.8%；技术效率未改善的实验区有109 个，主要受限于纯技术效率，达到92.7%。表明虽然规模效率对技术效率有一定的带动作用，但是纯技术效率限制作用更大；全要素生产率与技术效率的改善主要是单项因素的影响，共同因素作用的实验区较少，因素协调性差阻碍了系统整体协调发展。

表6 2014—2018 年样本国家可持续发展实验区全要素生产率变化来源分布

表7 2014—2018 年样本国家可持续发展实验区技术效率变化来源分布

4.4 经济增长与全要素生产率的关系

分析样本实验区全要素生产率与经济增长的关系如图2 所示。其中，处于第一象限（“高-高”）的实验区，具体见表8，这些实验区人均GDP 与TFP 均较高，经济高质量协调发展；处于第二象限（“低-高”）的实验区人均GDP 低而TFP 较高；处于第四象限（“高-低”）的实验区人均GDP 低而TFP 较高；而处于第三象限（“低-低”）的实验区人均GDP 和TFP 均较低，其全要素生产率下降且人均GDP 低于我国31 个省份平均水平（见表9）。

图2 2014—2018 年样本国家可持续发展实验区人均GDP 与TFP 相关关系

表8 2014—2018 年人均GDP 与TFP“高-高”集聚的样本国家可持续发展实验区分布

表8（续）

表9 2014—2018 年人均GDP 与TFP“低-低”集聚的样本国家可持续发展实验区分布

5 结论与讨论

本研究以我国161 个国家可持续发展实验区为研究对象，构建实验区可持续发展水平评价指标体系，测度影响实验区可持续发展水平的低得分指标，将其作为投入与产出要素纳入DEA-Malmquist生产率指数模型，在构建投入产出效率指标的基础上，采用DEA-Malmquist 生产率指数模型对实验区2014—2018 年经济效率的动态变化及区域分异特征进行分析，得出结论及启示如下：

（1）从可持续发展水平来看，2014—2018 年实验区的综合得分集中在0.43 分，发展水平区域差异明显，其中人均地方财政收入、新登记注册企业数、人均社会消费品零售额和每万人刑事案件发生率4个指标导致实验区综合得分低，是引起区域可持续发展水平差异的根本因素。可见在评估实验区可持续发展水平时，应考虑指标之间的协调度从而得出全面的结果，并据此提出有针对性建议，为政策制定者与管理者提供正确的判断。

（2）实验区全要素生产率下降源于技术效率，技术进步起到促进作用，粗放经济抑制区域发展是全要素生产效率下降的主要原因；技术效率分解结果表明，纯技术效率起着抑制作用，规模效率起着带动作用，技术效率下降主要来源于纯技术效率限制作用。表明实验区依靠扩大生产要素投入、推动经济增长的方式是不可持续的，实验区的可持续发展既要立足科技创新又要重视效率机制，促进产业结构优化及绿色转型，构建绿色生产和供应链；同时制定高质量的管理制度，充分发挥技术对生产效率的作用，促进经济发展、社会进步与环境保护相互协调。

（3）内蒙古克什克腾旗、江苏宜兴市、湖南湘乡市、海南白沙县实验区全要素生产率下降幅度较大；浙江省的实验区中，TFP＞1 的比例达70%以上，而且在空间上表现为全要素生产率增长集聚，是全要素增长率的领先地区。因此，要促进领先实验区对其他实验区的带动作用以及实验区对非实验区示范作用，加强实验区与实验区、实验区与外界信息交流，促进形成区域可持续发展的新合力。

（4）全要素生产率改善最大的实验区达到62%，下降最大的则为45.4%，区域离散程度大、区域之间差异明显。从全要素生产率与技术效率区域来源分布看，主要是单项因素的影响，共同作用导致的结果较少。因此，促进生产要素的优化配置成为当前促进实验区经济高质量发展过程中亟须解决的重要问题，而非片面地强化单项要素驱动作用。

（5）通过分析人均GDP 与TFP 之间关系发现，宝鸡市渭滨区、常熟市、成都市金牛区、东莞市清溪镇、东阳市横店镇等34 个实验区的经济增长水平与质量同步发展。因此，实验区的发展要注重区域与区域之间要素共同发展，强调要素之间的均衡度，加强互联网、交通等基础设施建设，降低各类要素跨区域流动的成本，优化生产要素的配置效率。

注释：

1)根据《中共中央国务院关于促进中部地区崛起的若干意见》和《国务院发布关于西部大开发若干政策措施的实施意见》，将我国（未含港澳台地区）划分为东、中、西三大地区。东部地区包括：北京、天津、上海、江苏、浙江、福建、山东、河北、广东、海南、辽宁、黑龙江、吉林13 个省份；中部地区包括：安徽、江西、河南、湖北、湖南、山西6 个省份；西部地区包括：内蒙古、广西、重庆、四川、贵州、云南、西藏、陕西、甘肃、青海、宁夏、新疆12 个省份。