中國工業低碳全要素生產率的測算及分解

許冬蘭 張敏

[摘 要]采用動態EBM-MI指數模型測度2000—2015年中國33個工業行業的低碳全要素生產率，并將低碳全要素生產率分解為規模效率變動（SEC）、動態進步（DPC）、純技術進步（TPC）、純技術效率變動（PTEC）以及環境效率變動（EC）五項。研究結果表明：1.中國工業低碳全要素生產率的年均增長率為4.3%，其歷年指數大都圍繞1波動。在五個分解項中，技術進步對低碳全要素生產率增長發揮的作用最大。2.絕大多數工業行業的低碳全要素生產率是增長的，且增速具有較為明顯的行業異質性，技術密集型、清潔型工業的增速明顯高于其他行業，污染密集型工業的增速最為緩慢。

[關鍵詞]低碳全要素生產率;工業;動態EBM-MI指數模型

[中圖分類號]F42[文獻標識碼]A [文章編號]1671-8372（2018）04-0019-06

The measurement and decomposition of Chinas industrial low-carbon total factor productivity

—based on the dynamic EBM-MI index model

XU Dong-lan， ZHANG Min

（Economics College， Ocean University of China， Qingdao 266100， China）

Abstract：The dynamic EBM-MI index model is used to measure the total factor productivity of low-carbon in 33 industrial sectors in China from 2000 to 2015， which has been decomposed into five indices， including scale efficiency change （SEC）， dynamic progress （DPC）， pure technological progress （TPC）， pure technical efficiency change （PTEC） and environmental efficiency change （EC）. The results show that Chinas industrial low-carbon total factor productivity has an average annual growth rate of 4.3%， and its index is mostly fluctuated around 1 over the years. Among the five decompositions， the technological progress plays the largest role in the growth of low-carbon total factor productivity. It is also found that the total factor productivity of low-carbon in most industrial sectors is increasing， and the growth rate has obvious industrial heterogeneity. The growth rate of technology-intensive and clean industries is significantly higher than that of other industries， and the growth rate of pollution-intensive industries is the slowest.

Key words：low carbon total factor productivity; industry; dynamic EBM-MI index model

The measurement and decomposition of Chinas industrial low-carbon total factor productivity

—based on the dynamic EBM-MI index model

XU Dong-lan， ZHANG Min

（Economics College， Ocean University of China， Qingdao 266100， China）

Abstract：The dynamic EBM-MI index model is used to measure the total factor productivity of low-carbon in 33 industrial sectors in China from 2000 to 2015， which has been decomposed into five indices， including scale efficiency change （SEC）， dynamic progress （DPC）， pure technological progress （TPC）， pure technical efficiency change （PTEC） and environmental efficiency change （EC）. The results show that Chinas industrial low-carbon total factor productivity has an average annual growth rate of 4.3%， and its index is mostly fluctuated around 1 over the years. Among the five decompositions， the technological progress plays the largest role in the growth of low-carbon total factor productivity. It is also found that the total factor productivity of low-carbon in most industrial sectors is increasing， and the growth rate has obvious industrial heterogeneity. The growth rate of technology-intensive and clean industries is significantly higher than that of other industries， and the growth rate of pollution-intensive industries is the slowest.

Key words：low carbon total factor productivity; industry; dynamic EBM-MI index model

一、引言

伴隨著全球氣候變暖和《聯合國氣候變化框架公約》的制定，能源消耗與科學發展等問題越來越受到國際社會的關注，“低碳經濟”“低碳發展”等新型理念也愈發得到人們的認同。長久以來，如何實現經濟與環境的協調發展一直都是學術界關注的熱點，且中國現階段處在經濟轉型發展的關鍵時期，正面臨著前所未有的能源和碳排放的雙重壓力。作為一種剔除了碳排放環境成本之后的全要素生產率改進，低碳全要素生產率將能源消耗和碳排放納入到經濟增長的核算框架當中，因而對其進行科學準確地測算必將有助于經濟發展質量與綜合效益的客觀評價，且對于中國工業的低碳轉型發展意義重大。

關于全要素生產率的核算，國外學者提出了諸多方法，其中應用最多的有代數指數法（AIN）、索洛余值法、隨機前沿分析法（SFA）以及數據包絡分析法（DEA）四種。Abramvitz在1956年提出了代數指數法（AIN），其核心思想是用產出指數與所有投入要素加權指數的比率來表示全要素生產率。該方法嚴格假定邊際生產率不變和資本勞動完全替代，明顯缺乏合理性，故并不適用于實證經濟的研究[1]。Solow提出了索洛余值法，其基本思路是利用C-D函數計算出的產出增長率減去全部投入要素增長率后的殘差來衡量全要素生產率的增長。該方法存在許多缺陷，比如它假設經濟是完全競爭的，且技術效率完全有效，這些假設均不符合現實情況。隨機前沿分析方法（SFA）雖不存在前面兩種方法的缺陷，但它只適用于單產出、多投入的生產方式，無法對含有非合意產出的情況進行測算[2]。Farrel提出了數據包絡分析法（DEA），克服了SFA的局限，可以用于研究多產出、多投入的生產類型，且無須給出具體的生產函數[3]。隨后，Charnes等、Banker等分別提出了CCR模型和BBC模型，擴展了DEA在生產率測算方面的適用范圍[4-5]，此兩種模型的方向性距離函數主要是基于徑向角度的DEA計算得出，并不適用于投入過度或者產出不足的情況。為解決該問題，Fare等提出了基于松弛向量的非徑向、非角度的SBM方向性距離函數[6]。此外，為了考察全要素生產率的變動情況，學術界還構建了基于DEA的一系列生產率指數。Malmquist首次提出了縮放因子的概念;Caves等將其應用于生產率領域的研究，定義了Malmquist生產率指數[7-8]。Chambers等提出了具有相加結構且無須選擇測度角度的Luenberger生產率指數;Chung等對Malmquist生產率指數進行擴展，得到了考慮環境因素的ML指數[9-10]。

由于前文所提到的全要素生產率測算方法均沒有充分考慮資源、環境等因素的約束，故難免會對經濟社會發展的綜合績效評價產生扭曲，進而不利于政策建議的制定。20世紀80年代以后，許多學者開始將環境因素引入到全要素生產率的框架中，使得全要素生產率的度量更加客觀，也更加具有現實研究意義。在測算包含環境因素的工業全要素生產率時，一些學者進行了分區域、省份的分析和比較。涂正革將SO2排放量作為非期望產出，利用方向性環境距離函數測算了我國各地區的環境技術效率。研究發現，東部沿海地區的環境技術效率均較高，而中西部地區則普遍偏低[11]。吳軍以工業廢水中的COD和廢氣中的SO2作為“壞”產出，利用Malmquist-Luenberger指數對中國東部、中部及西部地區的全要素生產率分別進行了測算和比較[12]。汪克亮等將CO2、SO2作為“壞”產出，利用投入導向的BC2-DEA模型測算了2000—2007年中國省際全要素能源效率。結果表明，中國整體的全要素能源效率較低，且三大地區及各省份之間均存在顯著差異[13]。屈小娥和席瑤用SO2、煙塵、粉塵、廢水及固體廢棄物五種工業主要污染物的排放量構造了環境污染指數，以其作為“壞”產出指標測算了1996—2009年中國28個省份的全要素生產率。并且將全要素生產率指數分解成技術進步指數和技術效率指數，又進一步將后者分解成為規模效率指數和純技術效率指數[14]。

另外，部分學者著重研究了環境約束下中國工業分行業的全要素生產率。岳書敬和劉富華利用三種不同的模型，測算了考慮環境因素的2001—2006年中國36個工業行業的增長效率。研究發現，各行業間的經濟增長效率差距顯著，其中通信設備計算機及其他電子設備制造業、儀器儀表及文化辦公用機械制造業的增速較快[15]。陳詩一估算了1980—2008年中國38個工業行業的綠色全要素生產率，發現考慮環境因素的全要素生產率比傳統不考慮環境因素的低了很多[15]，這與Jeon和Sickles等許多研究的結論一致。他還指出，政府所實施的節能減排政策有效推動了工業綠色全要素生產率的改善，并且導致重工業的生產效率超過了輕工業[16]。李濤等基于雙重產出RAM模型和SML指數，構建了中國低碳TFP指數，基于該指數考察了技術存量效應與效率追趕效應[17]。周五七和聶鳴將CO2排放作為非期望產出，測度了1998—2010年中國36個工業行業的綠色全要素生產率的動態變化，并且探究了資本深化、FDI等行業特征因素對于綠色TFP的增長影響[18]。鄧曉蘭和鄢哲明測算了2001—2011年中國36個工業行業的低碳生產率，檢驗了資源錯配對于低碳生產率的影響。其結果顯示，資源錯配程度的加深確實阻礙了中國工業低碳生產效率的提高[19]。

本文利用數據包絡分析法（DEA）理論框架中較為前沿的Epsilon-Based Measure（EBM）模型對中國工業行業的低碳全要素生產率進行評價。該模型是對傳統DEA理論的重大突破，吸收了徑向模型（CCR、BCC等）和非徑向模型（以SBM模型為代表）的優點，在決策單元相對效率的評價上更具優勢，評價結果更為客觀可靠[20-21]。還參考雷明等的做法，引入動態要素，構建動態EBM-MI指數模型對中國工業行業的低碳全要素生產率進行測算[22]，分別從縱向時間序列和橫向行業角度對測算結果進行分析，并據此提出相應的政策建議。

二、研究方法

（一）考慮環境約束的生產可能性集

本文將每個工業行業視為一個生產決策單元來構造生產前沿面，且分別用x、y、d表示投入要素、期望產出和非期望產出。假設每個行業使用m種投入要素，則，生產出r種期望產出，則，生產出s種非期望產出，則，那么生產可能性集P（x）可以表示為：

可以生產? （1）

令第k個行業在第t期的投入和產出值為，且滿足自由可處置、副產品和產出弱可處置性三公理。那么運用數據包絡分析法（DEA）可將（1）式進行模型化變換為：

（2）

其中，表示各橫截面觀察值的權重，這一約束條件意味著生產技術為可變規模報酬（VRS）;若去掉該約束條件，則表示規模報酬不變（CRS）。

（二）考慮非期望產出的EBM模型

為了克服傳統的DEA模型和方向距離函數（SBM）模型的弊端，Tone和Tsutsui提出了EBM模型，由此實現了徑向與非徑向兩種方法的有效結合，放寬了徑向函數投入要素同比例縮減的假定，綜合了非徑向函數考慮松弛變量的特點[23]，故能夠對研究對象的效率進行更加精確有效的評價。

對于含有m種投入要素，z種產出的n個決策單元，考慮非期望產出的EBM模型可以表示為：

（3）

其中，表示EBM模型測度的最優效率得分，若= 1，表明該決策單元技術有效;表示徑向部分的規劃參數（由CCR模型計算得出）;為決策單元的線性組合系數;為非徑向部分的投入要素松弛變量;表示含有徑向和非徑向松弛的核心參數，表示各項投入指標的相對重要程度（滿足），二者得分由數據本身的客觀屬性決定;表示決策單元的第個非期望產出;、分別表示第t種期望產出的松弛改進部分的值和重要程度指標;、分別表示第s種非期望產出的松弛改進部分的值和重要程度指標;表示投入矩陣，表示產出矩陣，且。

（三）動態EBM-MI指數

將動態要素（一種當期產出作為下期投入的特殊要素）引入到考慮非期望產出的Malmquist模型當中，構建一個全新的動態EBM-MI指數，探究中國33個工業行業低碳全要素生產率的動態效應。

首先，生產前沿面的構造、投入要素、期望產出及非期望產出均同上文所述一致。假定為動態要素，則每個生產決策單元期的投入產出值可以表示為。

然后，運用考慮環境負產出的動態EBM-MI指數來測算中國各工業行業的低碳全要素生產率，且期到期的動態Malmquist指數的具體表達式如下：

（4）

（4）式中，動態Malmquist指數被進一步分解，即對技術效率指數中的規模效應實行了剝離，但未考慮到技術進步指數中也包含有相當部分的規模效應因素。為提升以上模型的科學性和解釋能力，本文借鑒呂蘊虹的做法，將動態LCTFP分解為規模效率變動指數（SEC）、技術效率變動指數（TEC）和技術進步指數（TC），即[24]。

此外，技術效率變動指數（TEC）可被進一步分解為環境效率變動指數（EC）（反映環境質量效率的改善情況）和純技術效率變動指數（PTEC）（反映管理水平及制度創新的情況），即;技術進步指數（TC）也可被進一步分解為動態進步指數（DPC）（反映動態要素的跨期生產影響效應）和純技術進步指數（TPC）（反映投入要素的質量進步情況），即。

三、指標體系構建與數據說明

（一）指標選擇

1.投入指標。（1）勞動投入。采用2000—2015年各工業行業全部從業人員的年末人數（單位：萬人）進行衡量，具體數據來源于歷年《中國工業統計年鑒》和《中國勞動統計年鑒》。（2）能源投入。選取以用標準煤法折算后的能源消費量（單位：萬噸標準煤）作為代理指標，其數據來源于2001—2016年《中國能源統計年鑒》。

2.產出指標。（1）期望產出。采用2000—2015年各工業行業的增加值（單位：億元）進行表征，為消除通貨膨脹的影響，以2000年為基期，利用GDP平減指數對數據進行調整，數據來源是歷年《中國統計年鑒》。（2）非期望產出。采用各工業行業的CO2排放量（單位：萬噸）進行衡量，個體排放數據根據IPCC提供的方法計算得到。

3.動態要素。考慮到動態要素在生產過程中具有跨期影響的特征，而固定資產投資又恰好具有一定的收益滯后性和延續性，故本文采用固定資產投資作為動態要素進行衡量，其數據來源于2000—2015年《中國固定資產投資統計年鑒》。

（二）數據調整說明

為了保證前后分析的一致性，本文依據上文測算GVC嵌入程度指數的行業分類對以上年鑒中的數據按照行業進行了對應的合并加總處理。此外，由于工業能源消費量與CO2排放是按照全部工業企業核算的，而其他要素是按照規模以上工業企業進行統計的，為保證所有投入產出統計口徑的一致性，本文參考陳詩一的做法，將行業投入產出數據由規模以上工業企業口徑統一調整至全部工業企業口徑[25]。

四、測算結果分析

本文利用MaxDea 6.4專業版軟件測算了中國工業行業的低碳全要素生產率指數及其分解項（見表1、表2）。

從表1可以看出，2000—2015年中國工業低碳全要素生產率指數（MI）的平均值為1.043，低碳全要素生產率的年均增長率為4.3%，并且歷年指數基本圍繞著1而小幅波動。具體來講，2000—2003年持續增長，隨后迅速降低，且在2004年降至最低后出現反彈，并于2005年達到峰值1.306;2005—2012年指數大致呈現“鋸齒形”走勢;2012年后再次上升。2000—2012年大多數年份的低碳TFP指數（MI）是大于1的，這表明2000—2012年中國工業低碳TFP總體上處于增長態勢;但2012—2014年，低碳TFP指數（MI）均小于1，2014年后開始回升。縱觀整個考察期間，不難發現，2000—2015年中國工業低碳全要素生產率經歷了一段升降交替的“波浪式”變動過程。

從低碳全要素生產率指數（MI）的分解項來看，2000—2015年中國工業技術進步指數（TC）的均值為1.035，技術進步的年均增長率為3.5%;技術效率變動指數（TEC）的均值為1.007，年均增長率為0.7%;規模效率變動指數（SEC）的均值為1.001，年均增長率為0.1%。因此，考察期內技術進步、技術效率和規模效率對中國工業低碳全要素生產率的增長均具有正向影響，并且技術進步的推動作用明顯大于后兩者。從技術進步的兩大分解因子—純技術進步和動態進步來看，純技術進步指數（TPC）的均值為1.149，動態進步指數（DPC）的均值為0.901，這表明技術進步的增長主要得益于純技術進步水平的提高，動態進步對其具有阻礙作用;從技術效率的分解情況來看，環境效率變動指數（EC）和純技術效率變動指數（PTEC）的年均值都大于1，說明這兩者的正向作用共同推動了工業行業技術效率水平的提高。并且，兩個分解項的年均增長率都不足1%，這反映出在考察期間中國工業的環境效率與純技術效率的增長均較為緩慢[26]。

從表2可以看出，除了紡織業（A9）、皮革毛皮羽絨及其制品業（A11）這兩個行業之外，其他行業的低碳全要素生產率指數的年均值均大于1，這表明在考察期間中國絕大多數工業行業的低碳全要素生產率實現了不同程度的提升。低碳全要素生產率的增速排在前五的工業行業依次為燃氣的生產和供應業（A33）、專用設備制造業（A27）、有色金屬礦采選業（A4）、印刷業記錄媒介的復制（A15）和通用設備制造業（A26），以技術密集型行業為主。低碳全要素生產率增速最慢的五個行業依次為紡織業（A9）、皮革毛皮羽絨及其制品業（A11）、非金屬礦物制品業（A22）、煤炭采選業（A1）和非金屬礦采選業（A5）。并且橡膠和塑料制品業（A21）、石油加工及煉焦業（A17）及造紙及紙制品業（A14）這類污染密集型工業的低碳TFP增長率也同樣非常緩慢，高耗能、高污染、低技術的行業特征導致了其低碳全要素生產率的低下。此外，從低碳全要素生產率的各分解項來看，全部工業行業的純技術進步指數（TPC）的均值都大于1，這說明我國工業行業低碳全要素生產率的增長主要來源于技術進步[27-29]。

五、結論及政策建議

（一）結論

本文利用動態EBM-MI指數模型對2000—2015年中國工業33個行業的低碳全要素生產率及其分解項進行了測算，得出結論如下：

1.從縱向時間序列來看，在考察期間中國工業低碳全要素生產率指數大都圍繞1波動，年均增長率為4.3%。具體來講，2000—2003年持續增長，隨后迅速降低，且在2004年降至最低后出現反彈，并于2005年達到峰值1.306;2005—2012年指數大致呈現“鋸齒形”走勢;2012年后再次上升。技術進步指數、技術效率變動指數及規模效率指數的年均值都大于1，且三者當中促進低碳全要素生產率的增長貢獻最大的是技術進步。技術進步的增長主要得益于純技術進步水平的提高，動態進步對其具有阻礙作用。純技術效率變動指數及環境效率變動指數兩者共同的正向作用推動了技術效率水平的增長[27，30-33]。

2.從分行業來看，2000—2015年絕大多數工業行業的低碳全要素生產率是增長的，且低碳TFP的增速具有較為明顯的行業異質性：技術密集型、清潔型工業的增速明顯高于其他行業，污染密集型工業的增速最為緩慢[34-36]。

（二）政策建議

1.努力深化與加快中國工業的低碳轉型發展，以求早日在工業領域全面實現生產方式的“低碳化”。在實際的生產過程中應該處理好“投入—產出”二者的關系，即需從經濟學的角度出發，以最少的要素投入追求最大的經濟社會綜合效益。同時，高度重視技術創新與技術進步，健全技術創新體系，提高企業內部的管理水平，積極引進低碳技術以及推行節能減排，這些措施對于低碳全要素生產率的提高都是非常有必要的。

2.繼續推進產業結構的優化升級，使之成為我國工業低碳發展的不竭動力。堅持可持續發展的原則，注意協調好各類碳排放工業行業的發展規模和速度，優先發展高新技術、清潔型工業，限制污染密集型工業過快發展。政府可在政策和監管方面給予低碳清潔企業更多的支持，從而激勵其開展低碳生產工藝的研發等技術創新活動，以助于提升我國工業整體的低碳全要素生產率。

[參考文獻]

[1]Abramvitz M. Resource and out-put trends in the U.S. since 1870 [J].America Economics Review，1956（46）：5-23.

[2]Solow R M. Technical change and the aggregate production function [J]. Review of Economics and Statisticsm，1957（39）：312-320.

[3]Farrel M J.The measurement of productive efficiency[J]. Journal of the Royal Statistical Society，1957（12）： 253-281.

[4]Charnes A， Cooper W W， Rhodes E. Measuring the Efficiency of decision making units [J].European Journal of Operational Research，1978（2）：429-444.

[5]Banker R D， Charnes A， Cooper W W. Some models for estimating technical and scale inefficiencies in data envelopment analysis [J].Management Science，1984（30）：1078-1092.

[6]F?re R， Grosskopf S， Lindgren B， et al. Productivity Developments in Swedish Hospitals： A? Malmquist Output Index Approach[M]// Data Envelopment Analysis： Theory， Methodology，and Applications. Springer Netherlands， 1994：227-235.

[7]Malmquist S. Index numbers and indifference surfaces [J]. Trabajos de Estadistica，1953（4）：209-242.

[8]Caves D W， Christensen L R， Diewert W E. The economic theory of index numbers and the measurement of input， output and productivity [J]. Econometrica，1982（50）：1393-1414.

[9]Chambers R G， Fare R， Grosskopf S. Productivity growth in APEC countries [J].Pacific Economic Review，1996（1）：181-190.

[10]Chung Y H， Fare R， Grosskopf S. Productivity and undesirable outputs： a directional distance function approach[J]. Journal of Environmental Management，1997（51）：229-240.

[11] 涂正革.環境、資源與工業增長的協調性[J].經濟研究，2008（2）：93-105.

[12] 吳軍.環境約束下中國地區工業全要素生產率增長及收斂分析[J].數量經濟技術經濟研究，2009（11）：17-27.

[13] 汪克亮，楊寶臣，楊力.考慮環境效應的中國省際全要素能源效率研究[J].管理科學，2010（12）：100-110.

[14] 屈小娥，席瑤.資源環境雙重規制下中國地區全要素生產率研究—基于1996—2009年的實證分析[J].商業經濟與管理，2012（5）：89-97.

[15] 岳書敬，劉富華.環境約束下的經濟增長效率及其影響因素[J].數量經濟技術經濟研究，2009（5）：94-106.

[16] 陳詩一.中國的綠色工業革命：基于環境全要素生產率視角的解釋（1980—2008）[J].經濟研究，2010（11）：21-34.

[17]李濤，陳碧琴，何雪峰.技術存量效應、真實效率追趕與中國低碳TFP核算—基于RAM與序列Malmquist-Luenberger指數[J].管理工程，2013（3）：116-123.

[18]周五七，聶鳴.低碳轉型視角的中國工業全要素生產率增長—基于1998—2010年行業數據的實證分析[J].財經科學，2012（10）：73-83.

[19]鄧曉蘭，鄢哲明.資源錯配對中國工業低碳生產率影響的實證分析[J].財經科學，2014（5）：74-83.

[20]Porta R L， Lopez-De-Silanes F， Shleifer A. The economic consequences of legal lrigins[J]. Journal of Economic Literature，2008（46）：285-332.

[21]Egger H， Egger P.Labor market effects of outsourcing under industrial? interdependence[J].International Economics&Finance，2005（14）：349-363.

[22]雷明，趙欣娜，張明璽.基于環境負產出的能效動態Malmquist 模型研究[J].數量經濟技術經濟研究，2012（4）：33-48.

[23]Tone Kaoru， Tsutsui M.Dynamic DEA：a slack-based measure approach[J].Omega，2010（38）：145-156.

[24]呂蘊虹.出口技術復雜度對中國工業環境全要素生產率的影響研究[D].山東：中國海洋大學，2018：1-60.

[25]陳詩一.中國工業分行業統計數據估算：1980—2008[J].經濟學，2011（3）：735-776.

[26]惠樹鵬，張威振，邊珺.工業綠色全要素生產率增長的動力體系及驅動效應研究[J].統計與信息論壇，2017（12）：78-85.

[27]楊杰.FDI與中國工業綠色TFP關系的實證檢驗[J].山東工商學院學報，2017（3）：58-64.

[28]楊世迪，韓先鋒，宋文飛.對外直接投資影響了中國綠色全要素生產率嗎[J].山西財經大學學報，2017（4）：14-26.

[29]周五七.行業特征對低碳約束下工業綠色TFP增長的影響[J].中國人口·資源與環境，2014（5）：66-71.

[30]諶瑩，張捷.碳排放、綠色全要素生產率和經濟增長[J].數量經濟技術經濟研究，2016（8）：47-63.

[31]陳梅，趙煒濤，鄔雪雅.中國兩型社會試驗區生態效率對比研究[J].科技進步與對策，2015（11）：39-45.

[32]張虎，宮舒文.基于DEA-Malmquist的工業綠色全要素生產率測算及分析—以湖北省為例[J].江西師范大學學報（自然科學版），2017（9）：531-537.

[33]馮杰，張世秋.基于DEA方法的我國省際綠色全要素生產率評估—不同模型選擇的差異性探析[J].北京大學學報（自然科學版），2017（1）：151-159.

[34]胡閩，蘇芳.基于DEA模型的我國綠色經濟的綠色全要素生產率研究[J].生態經濟，2017（7）：82-86.

[35]岳書敬.基于低碳經濟視角的資本配置效率研究—來自中國工業的分析與檢驗[J].數量經濟技術經濟研究，2011（4）：110-123.

[36]劉傳江，劉慧，趙曉夢，田正杰.考慮PM2.5影響的我國區域環境全要素生產率研究[J].宏觀質量研究，2017（3）：11-20.