中國區域全要素生產率的空間非均衡及分布動態演進：2003-2014年

一 引 言

改革開放40年來，中國經濟實現高速發展，但也存在諸多經濟社會發展問題，如環境惡化、生產要素資源趨緊、區域經濟差距加大等。這意味著以要素和投資驅動生產的高速發展模式難以為繼，同時啟示經濟增速，需及時換擋。2014年，習近平總書記明確提出中國經濟進入新常態，指出“高速增長轉為中高速增長”、“經濟結構不斷優化升級，第三產業、消費需求逐步成為主體”、“要素驅動、投資驅動轉向創新驅動”是新常態的主要特點。《中共中央關于制定國民經濟和社會發展第十三個五年規劃的建議》認為基于經濟新常態特征，著眼于經濟發展面臨的不平衡、不協調和不可持續問題，實現經濟增長動力轉換，迫切需要努力提高全要素生產率及其對經濟增長的貢獻率。蔡昉(2013)[1]認為勞動力短缺和人口紅利的消失迫使中國經濟亟需轉向全要素生產率支撐類型，進一步印證全要素生產率是中國經濟增長的新動力源泉。而中國經濟存在著較大的空間區域差異，是否意味著全要素生產率亦存在顯著的空間差異特征？因此，深入分析全要素生產率的空間非均衡特征和動態分布演進對于實現區域均衡發展和促進經濟可持續發展具有重要的理論和現實意義。

二 文獻綜述

有關全要素生產率的研究大致可分為兩類：其一，全要素生產率的測算與對比分析；其二，全要素生產率與其他經濟變量的相關性。就前者而言，全要素生產率的測度主要有索洛余值法、參數型生產前沿法SFA(王德祥和薛桂芝，2016)[2]、OP方法和LP方法(Olley和Pakes，1996[3]；Levinsohn和Petrin，2003[4])、非參數型數據包絡分析法DEA(吳書勝和李斌，2015)[5]。索洛余值法函數設定存在較大內生性問題，SFA需要主觀設定生產函數的參數，OP和LP方法雖可以有效規避內生性問題，但較容易產生一定的共線性問題，從而降低估計參數的精確性，而DEA則無需設定函數形式，且可通過曼奎斯特指數(Malmquist Index)得到動態效率。學者們采用DEA方法分行業、分區域、分時間段、分技術進步視角測度全要素生產率(楊汝岱，2015[6]；張樂和曹靜，2013[7]；劉建國和張文忠，2014[8]；鐘世川和毛艷華，2017[9])。就后者而言，多數學者分析全要素生產率的影響因素，認為市場競爭、政府管制、知識資本、城鎮化水平、產業結構、集聚效應、金融發展等因素均會作用于全要素生產率(簡澤等，2014[10]； Li和Wu，2016[11])，且具有一定的區域或行業異質性(薛剛等，2015[12]；李建和衛平，2015[13])。也有學者強調全要素生產率的提升有利于區域差距的縮小，認為二者之間存在顯著的格蘭杰因果關系(石風光和李宗植，2009[14]；高帆和汪亞楠，2016[15])。上述研究多集中于探析全要素生產率的測度及其與其他宏觀經濟變量的相關性，而對全要素生產率的空間演變分析主要有三個方面：李斌等(2016)[16]采用曼奎斯特指數將全要素生產率分解為技術進步和效率進步，胡曉琳(2016)[17]分析環境全要素生產率的收斂性特征，李征(2016)[18]綜合了曼奎斯特指數分解、區域差異、靜動態效率和收斂特性，多方面分析全要素生產率的演變。總的來說目前我國對全要素生產率的區域差異、差異來源和分布動態演進的研究不多，有待進一步深入。這也是本文以此為視角提出問題進行研究的動因。

聶榮等(2015)[19]、劉華軍和劉傳明(2016)[20]、李強誼和鐘水映(2016)[21]分別運用了Dagum基尼系數分析中國農村居民收入分配、能源強度、財政醫療衛生支出強度的地區差異及分布動態演進，本文在運用分組城市群體決策單元下的非導向EBM-Meta Frontier-Malmquist Index 測度全要素生產率的基礎上，嘗試將Dagum基尼系數分解為區域內、區域間和超變密度三類，進而探究不同城市群體的空間差異及來源。最后是采用核密度非參數法分析全要素生產率的分布動態演進，以期從全要素生產率視角為統籌推進城鄉均衡發展提供相關政策建議。

三 方法與數據

(一)全要素生產率測度方法

DEA方法分為徑向、非徑向兩種，前者假設投入或產出變量按照相同的比例進行擴張，后者假設投入變量或者產出變量基于松弛量的大小進行有效調整，本文選擇Tone和Tsutsui(2010)[22]提出兼備徑向與非徑向特征的EBM-DEA模型。考慮到能源投入和非期望產出污染物的影響，本文參考Chung et al.(1997)[23]基于方向距離函數提出的Malmquist-Luenberger生產率指數進行測算。F?re et al.(2001)[24]提出通過提升合意產出的方向距離函數以增加測度合理性，具體的生產可能性集、方向距離函數如下：

(1)*對應左側所有相應公式，后文亦同。

(2)

(二)Dagum基尼系數及其分解方法

本文采用Dagum(1997)[27]提出的Dagum基尼系數，并將其分解為研究區域之內差異、研究區域之間差異和超變密度及三者引致整體差異的貢獻率。Dagum基尼系數充分考慮子樣本群體的分布狀況，可以有效解決樣本之間的潛在的交叉重疊問題，同時可以基于分解項給出待研究變量的差異來源。參考Li和Wu(2017)[11]的做法，對本文群體劃分進行說明。城市是中國經濟發展行政架構布局中的重要方面，宏觀數據相對全面，而不同城市群體又具有不同的行政級別屬性，為此，本文基于城市樣本行政級別屬性的差異將全國數據全面的273個城市劃分為六類城市群體。總體基尼系數及其分解項如下：

(3)

式(3)中G為總體基尼系數，Gw為區域內差異值，Gnb為區域間差異值，Gt為超變密度值，Gjj為j城市群體的基尼系數，Gjh為j城市群體和h城市群體之間的基尼系數，Djh為j和h兩個城市群體之間全要素生產率的相對影響程度。djh定義為區域之間全要素生產率指標的差值，采用第j和h城市群體之間所有yji-yhr>0的數學期望值度量；pjh定義為全要素生產率指標的超變一階矩，采用第j和h城市群體之間所有yji-yhr<0的數學期望值的相反數表示；Fj(y)為第j個城市群體的累積密度分布函數，Fh(y)為第h個城市群體的累積密度分布函數；k為城市群體個數6，n為城市個數273，nj為第j個城市群體的城市個數，nh為第h個城市群體的城市個數，yji為第j個城市群體第i個城市的全要素生產率，yhr為第h個城市群體的第r個城市的全要素生產率，μ為樣本算術平均值；pj=nj/n，sj=nj*μj/(nμ)。

(三)核密度函數估計方法

核密度函數作為一種非參數估計，可以有效模擬宏觀變量的變動。參考王星和褚挺進(2014)[28]界定，一維核密度函數如下，隨機變量x服從連續分布p(x)，核密度估計為：

(4)

式(4)中n為待研究樣本的觀測值個數，x為p(x)分布連續變量的觀測值，f(x)為概率密度函數，h為帶寬，K為核函數，為保證概率密度函數的合理性和非負性，核函數K需要滿足式(4)中的兩個條件。本文選擇高斯核函數對我國六大城市群體全要素生產率的分布動態演進情況進行估計。需要說明的是，帶寬對高斯核密度估計模型光滑程度的影響作用較大，隨著h的不斷增大，將有更多的點對樣本值x處的密度產生影響。從均方誤差的偏差和方差分解來看，帶寬h越小，則高斯核估計的偏差就越小，本文基于積分均方誤差最小的標準選擇帶寬。

(四)城市分類界定、指標及數據說明

傳統城市按地域距離可大體上分為三類、四類或者八類。中國特有的政治行政管理體制決定了較高行政級別的城市更傾向于作為國家經濟戰略和策略的試驗地區，且地方政府可以以較低成本獲取生產要素資源進行配置。隨著信息化水平提高，同等行政級別之間的經濟交流更為密切。傳統的三、四、八分類方法無法有效比較同等行政級別或經濟行政級別趨近的城市之間的經濟效率或者全要素生產率。參考Li和Wu(2017)[11]的做法，基于中國行政級別、經濟總量和地理位置三方面進行區分，選取統計數據口徑一致且數據量全面的273個城市并分為六類，依次統計為A類、B類、C類、D類、E類、F類城市群體，又對應一線城市、省會城市、開放城市、東部剩余、中部剩余和西部剩余。A類城市群體包含北京、上海、天津、重慶、廣州、深圳6個城市；B類城市群體為各省級行政級別的省會(拉薩數據嚴重缺失未包含在內)，共有25個；C類城市群體主要包含計劃單列城市和部分副省級城市但非直轄市和非省會城市，包含珠海、汕頭、廈門、三亞、大連、秦皇島、煙臺、青島、連云港、南通、寧波、溫州、湛江和北海14個城市；D類城市群體為東部地區剩余的76個城市；E類城市群體包含中部地區剩余的92個城市；F類城市群體包含西部地區剩余的60個城市。

全要素生產率測度的投入指標包括資本要素、勞動力要素和能源要素，產出指標包含合意產出與非合意產出。基于數據的可得性，資本(K)采用資本存量表示，采用永續盤存法計算：Kt=It+(1+δ)Kt-1，It為全社會固定資產投資額，為消除價格因素的影響，以2003年為基期構建固定資產價格投資指數表對其進行平減，初始的資本存量以2003年資本形成總額代替，折舊率參考單豪杰(2008)[29]的做法；勞動力(L)采用各地區年末第一產業、第二產業和第三產業就業人數綜合表示，且行業分類參考國家行業分類標準(GB/T 4754-2002)；能源投入(E)采用煤氣(人工、天然氣)供氣總量和液化石油氣供氣總量，基于《中國能源統計年鑒》給出的折算系數折算為標準煤；合意產出(G)采用各城市國內生產總值表示，通過以2003年為基期構建GDP價格指數表進行平減；非合意產出(B)采用各城市的CO2排放量表示。以上數據均源于《中國城市統計年鑒》、《中國能源統計年鑒》和《中國環境統計年鑒》。考慮到數據獲取的可得性，本文將研究時間設定為2003-2014年。

四 中國區域全要素生產率空間非均衡的事實與特征

(一)六類城市群體間全要素生產率空間非均衡特征

圖1為六類城市群體各年份全要素生產率地區均值直方圖，如圖顯示出城市群體之間的差距和單個城市群體的時間維度內的變化趨勢。由圖1可知，A類城市群體全要素生產率均值總體呈上升趨勢，且增速和增幅遠高于其他五類城市群體，年均增長率為8.61%。B類城市群體全要素生產率均值在2012年前穩定上升，但2012-2014年則平穩變動，增減幅度微弱，總體為遞增趨勢，年均增長率為2.13%。C類城市群體和D類城市群體全要素生產率均值具有相同變化趨勢，其發展水平基本呈“上升-下降-上升-下降”的波動態勢，但增速和變化幅度有所區別。2007年之前，D類城市群體全要素生產率均值略高于C類城市群體，但2007年，C類城市群體反超D類，且保持至今，2011年之后D類城市群體全要素生產率均值下滑明顯加快，總體上二者呈現遞增趨勢，年均增長率分別為1.79%和0.96%。E類城市群體和F類城市群體全要素生產率均值具有相同變化趨勢，為“下降-上升-下降-上升-下降”波動態勢，但F類城市群體均值小幅高于E類，且F類城市群體年均增長率為0.27%，E類城市群體小幅下降，年均增長率為-0.19%。就區域內差異來看，最高絕對差異逐步擴大，數值由0.2845擴大至1.2609，擴大近4.43倍，年均增長率為8.13%。但最低全要素生產率均值群體由B類切換為E類。從相對差異看，A類城市群體與其他五類城市群體之間的差距逐步擴大，而B類、C類和D類城市群體全要素生產率均值相對差異呈先擴大、再縮小的變化態勢，B類和E類、F類城市群體之間相對差距呈逐步縮小，之后再擴大的相反變化趨勢。

圖1 六類城市群體全要素生產率各年份均值變化趨勢

數據來源：《中國城市統計年鑒》。

(二)六類城市群體內全要素生產率空間非均衡特征：以B類城市為例

圖2為B類城市群體2003年、2008年、2014年各城市的全要素生產率。B類城市群體是國家二級行政單位的省會城市，在城市群發展宏觀戰略的背景下，除去省會城市政治便利性外，其對所屬城市群的帶動效應最為顯著，屬于“火車頭”的位置。為進一步反映各城市群體內部全要素生產率的發展差異，此處以B類城市為例進行分析。從圖2可見，除海口、蘭州、西寧外，其他的23個省會城市全要素生產率呈遞增變化趨勢。根據各年份的測度結果，將B類城市群體分為三個層次。2003年、2008年和2014年始終保持在第一梯隊的城市有石家莊、沈陽、南京、杭州、福州、濟南、武漢，2008年之后擠入第一梯隊的有呼和浩特、鄭州、長沙，2014年擠入第一梯隊的有成都。一直處于第三梯隊的為太原、海口、貴陽、蘭州、西寧和烏魯木齊。另外，B類城市群體全要素生產率最高絕對差異值有逐步擴大之勢，從2003年的0.6585擴大至2014年的0.9555，年均增長率為2.47%。另外，西部地區省會城市全要素生產率顯著低于中東部地區，且提升幅度和增長速度均慢于中東部地區，說明即便同為省會城市，但由于地區區位和政府宏觀戰略不同，全要素生產率對地區經濟增長有顯著的限制效應。

圖2 B類城市群體2003、2008、2014年各城市全要素生產率

數據來源：《中國城市統計年鑒》。

五 中國區域全要素生產率的空間差異及其來源

上文分析了不同城市群體全要素生產率水平值及絕對和相對性的區域差異，但未解釋彼此之間的差異大小及其來源，本部分將通過分解Dagum基尼系數來探究區域內和區域間的差異大小及來源。

(一)六類城市群體全要素生產率的總體及區域內空間差異

表1和圖3分別給出了六類城市群體全要素生產率總體及區域內基尼系數和演變趨勢。總體差異在小幅波動中不斷增大，該全要素生產率總體Dagum基尼系數介于0.16834～0.21736。2003年數值為0.17068，2004年小幅下降為0.16834，之后快速提升至2010年的0.20403，2011年輕微下降至0.20238，之后便一直遞增至2014年的0.21736。總體來看，樣本期間內六類城市群體總體全要素生產率差異不斷擴大，年均增長率為0.39%。

表1 六類城市群體全要素生產率總體及區域內基尼系數

(續上表)

年份總體一線城市省會城市開放城市東部剩余中部剩余西部剩余201202070501376402292902391201651501571601507920130210690105430240250222980154870162450148082014021736008742023288024852016777014985016081均值019394015853020894017670016675014896015612

數據來源：《中國城市統計年鑒》。

分區域來看，樣本區間內各地區均值大小由高到低依次為B類、C類、D類、A類、F類、E類，且最大的B類是最小的F類數值的1.4倍。就各自變化趨勢來看，各城市群體區域內基尼系數演變趨勢、變化幅度和變化速度均具有顯著的差異。A類城市群體呈“上升-下降”的態勢，2008年前基尼系數值不斷擴大，從2003年的0.13622增大至2008年的峰值0.21021，之后便快速下降至2014年的0.08742，總體表現為下降態勢，年均降幅為0.41%。B類城市群體呈“上升-短暫下降-持續上升-短暫下降”趨勢，峰值為2013年的0.24025，分別在2004年和2013年有短暫下降的變化，總體呈現穩定攀升的態勢，年均增幅為0.36%。C類城市群體呈“短暫穩定-快速攀升-短暫下降-快速攀升”的態勢，增幅最大，由2003年所有城市群體之間最小的0.09783擴大至2014年的0.24852，增速也是最快的，年均增幅高達1.26%。D類城市群體呈“上升-下降-短暫上升”的態勢，總體波動幅度較小，2003-2007年呈現不斷擴大的態勢，2007年之后逐步縮小，總體表征為上升態勢，年均增幅為0.16%。E類城市群體呈“下降-上升-短暫下降”的態勢，2003-2005年快速下降，由0.16096下降至0.13503，但之后小幅穩定攀升至2013年的0.16245，之后下降至2014年的0.14985，總體呈現下降趨勢，年均降幅為0.09%。F類城市群體波動頻繁，表現為“下降-上升-下降-上升”的態勢，總體呈現下降的趨勢，年均降幅為0.17%，2007年該區域內基尼系數降至最小，為0.13879。需要強調的是，E類和F類城市群體的全要素生產率不斷交錯超越，且處于較低水平。

圖3 六類城市群體全要素生產率總體及區域內基尼系數的演變態勢

數據來源：《中國城市統計年鑒》。

(二)六類城市群體全要素生產率的區域間空間差異

表2和圖4給出了六類城市群體之間(或部分年份)全要素生產率的空間差異與演變態勢，共分為15個組合。由表2可知，A類城市群體與其他五類城市群體之間的全要素生產率差異逐步擴大，由大到小的差異為A與E、A與F、A與B、A與D、A與C，對應的年均增長率分別為2.72%、2.32%、1.32%、1.91%、1.61%。主要是因為以直轄市、經濟特區和廣州組成的A類城市群體行政級別較高，屬于中國經濟改革開放的“排頭兵”，在政策層面和政治公信力方面遠高于其他五類城市群體，隨著改革開放的深入，地區知識資本、人力資本、固定資產資本等積累不斷攀升，與其他城市群體全要素生產率的差距不斷加大。B類城市群體中地區差異化顯著，特別是西部地區省會城市全要素生產率遠低于中東部地區，整體拉低了該城市群體的全要素生產率平均水平，加大了其與其他城市群體的差距。C類城市群體代表的計劃開放港口，在政策層面具有顯著的優勢便利，其經濟發展多依靠對外貿易，在我國不斷加強對外貿易合作的經濟框架下，該群體城市經濟發展水平甚至高于大部分中西部地區省會城市。從圖4可以看到，B類城市群體與C類、D類、E類、F類城市群體的差距幅度和波動速度顯著低于A類，但各組合之間存在著不同的變化趨勢。B與C呈“上升-短暫下降-上升”變化態勢，B與D呈頻繁小幅波動狀態，B與E和B與F總體呈“下降-上升”態勢，2004-2006年有快速下降趨勢。C類城市群體經濟發展較快，與D類、E類、F類城市群體之間的全要素生產率基尼系數逐步擴大，遠低于與A類城市群體比較，年均增幅分別為0.86%、1.14%、0.83%，但2014年所達到的峰值仍相對較低。主要是由于貿易政策促使以該群體城市為代表的對外貿易顯著提升，該地區與其他內陸城市群體(特別是E類、F類城市群體)之間的經濟差距不斷拉大，基尼系數由2003年的0.12666、0.14907、0.15471提升至2014年的0.23086、0.28570、0.25412。D類與E類、D類與F類之間全要素生產率基尼系數均呈“上升-下降”的變化態勢，前者在2010年達到最大值0.22117，后者在2009年達到峰值0.20405，總體表現為上升態勢，年均增幅分別達0.38%和0.06%。E類和F類城市群體之間的全要素生產率基尼系數呈“下降-上升”態勢，總體呈現下降趨勢，這與上述14種組合的變化趨勢相反，但下降幅度不大，在2007年降到最低值0.14725，年均降幅僅為0.011%。總體來看，A類和C類城市群體與其他剩余城市群體之間基尼系數不斷擴大，而B類、D類、E類、F類城市群體之間基尼系數波動相對穩定。

表2 六類城市群體全要素生產率的區域間基尼系數

(續上表)

年份A與BA與CA與DA與EA與FB與CB與DB與E2014040798034496038867052490046991025983020974025253均值035334025927027084038011034903022665021185019785年份B與FC與DC與EC與FD與ED與FE與F200302010001266601490701547101678201714201738820040198720127760147540151780168310171000162482005017910015178015587015430017910017604015225200601855001634201927601765502010701837801553920070173750176570219890195420213540189370147252008017887018287022996020418021834019236015122200901892101823002366902189702196502040501564220100187460201620251780230320221170195650158492011019214020172025279023270021841019223015267201202063102217202710202490002142801845701603220130222140208300278070247050208960175950162292014022219023086028570025412021308017802017256均值019470018130022259020576020364018454015877

數據來源：《中國城市統計年鑒》。

圖4 六類城市群體部分年份全要素生產率區域間基尼系數比較

數據來源：《中國城市統計年鑒》。

(三)六類城市群體全要素生產率的差異來源及其貢獻

六類城市群體全要素生產率差異來源及其貢獻率如表3和圖5所示。區域內差異來源呈小幅下降態勢，區域間差異來源呈“快速遞增(2003-2009年)-緩慢遞增(2010-2014年)”態勢，超變密度呈“快速下降(2003-2009年)-緩慢下降(2010-2014年)”變化態勢。具體來看區域內差異穩定在均值0.3870左右，波動最小。區域間差異值從2003年的0.00903快速攀升至2009年的0.7604，年均增幅達0.95%；之后又小幅慢速提升至2014年的0.09083，年均增幅僅為0.44%。超變密度在2003年較大，達0.12101，但隨之快速下滑至2009年的0.08526。就貢獻率來看，超變密度的貢獻率在2010年之前處于最大地位，介于42.58%-71.08%之間。2010年之后，區域間差異貢獻率提升并在2011年超越超變密度，達到41.24%。之后二者呈現跳躍交互變化的態勢，2013年和2014年區域間差異貢獻率進一步提升并大于超變密度。而區域內差異貢獻率在均值20.18%左右穩定下浮。總體來看，2010年前的超變密度差異來源和貢獻率均最大，2011年開始區域間差異和貢獻率不斷交互超越超變密度，而區域內差異相對較小且穩定。

表3 六類城市群體全要素生產率的差異來源及其貢獻

數據來源：《中國城市統計年鑒》。

圖5 六類城市群體全要素生產率差異來源及貢獻率的演變態勢

數據來源：《中國城市統計年鑒》。

六 中國區域全要素生產率分布動態演進

為反映全要素生產率區域絕對差異的分布動態演進，圖6-圖12給出了總體和六類城市群體全要素生產率的高斯核函數核密度估計圖，考慮到圖形的辨識性，僅標示2003年、2006年、2009年、2012年和2014年的密度估計。下面分別從圖中峰值位置、分布態勢、極化特征和分布延展性方面來分析各城市群體全要素生產率的演變。

1.圖6為總體全要素生產率部分年份的Kernel密度估計。2006年峰值相比2003年有所增加，表明區域全要素生產率的集中程度提升。顯現出來的右拖現象表明部分城市全要素生產率顯著提升，且處于技術前沿，如A類城市中的北京、上海、廣州等。2009年相比2006年，峰值下降，且向右發生移動，表明地區全要素生產率差異化加大，分化加重。2012年相比2009年，峰值繼續下降，且右移幅度明顯，寬度加大，表明大部分城市全要素生產率水平不斷提升，總體分布擴大，總體均值增加，國家生產效率提升。

圖6 總體全要素生產率的Kernel密度估計

數據來源：《中國城市統計年鑒》。

2014年相比2012年，全國全要素生產率分布曲線左移，但寬度仍然增加，表明區域間全要素生產率中低水平的城市數反彈增加，且全要素生產率高水平的城市數與2012年接近。主要是因為傳統生產模式難以為繼，國家推行產業結構優化升級與轉移，再加上人口紅利的逐步消失，制造業和對外貿易低迷，地區技術經濟泡沫被擠壓。樣本期間內，2014年相比2003年，峰值下降，曲線右移，且寬度顯著加大，表明全要素生產率提升且分化加劇。

2.圖7為A類城市群體全要素生產率高斯核函數Kernel密度估計。可以發現峰值變化分為兩個階段，2003-2009年峰值階梯快速下降，且曲線右移，寬度增加，延展性明顯。表明A類城市全要素生產率提升顯著，且彼此之間差距加大，高水平全要素生產率的城市數量增加。2009-2014年，峰值顯著上升，曲線繼續右移，但右拖現象有所收斂，意味著隨著時間的推移和國家宏觀經濟政策的推行，A類城市群體全要素生產率基本達到技術前沿，且相對集中。

圖7 A類城市全要素生產率Kernel密度估計

數據來源：《中國城市統計年鑒》。

3.圖8為B類城市群體全要素生產率Kernel密度估計。可以發現樣本年份內估計峰值顯著下降，且曲線不斷右移，寬度增加，具有一定的右拖現象，特別是2006年、2012年和2014年出現兩個峰值，極化情況加劇。表明B類城市群體全要素生產率逐步提升，但省會城市差距明顯擴大。主要是由于西部地區省會城市雖然在本省經濟發展中處于領先位置，但相比中東部同等行政級別的城市而言，其在地理地貌、交通設施和天氣氣候層面存在劣勢。

圖8 B類城市全要素生產率Kernel密度估計

數據來源：《中國城市統計年鑒》。

4.圖9為C類城市群體全要素生產率高斯核函數Kernel密度估計。據圖可知，2006年相比2003年，峰值下降，變為2個峰值，分別居于2003年峰值的左右，寬度稍微有所提升，表明C類城市2006年全要素生產率相比2003年出現顯著的分化，集中分布概率下降。而之后的2009年、2012年和2014年峰值進一步下降，多峰值現象逐步弱化，但寬度顯著增加，右拖現象明顯，表明隨著時間變化，C類城市之間全要素生產率分層加劇。

圖9 C類城市全要素生產率Kernel密度估計

數據來源：《中國城市統計年鑒》。

5.圖10為D類城市群體全要素生產率Kernel密度估計，按照曲線特征，態勢可以分為三個階段：2003-2006年，峰值下降，曲線右移，右拖現象加重；之后的2009年和2012年峰值小幅穩定波動，但峰值和曲線不斷右移，右拖特征明顯；2014年相比2012年，峰值微幅提升，但峰值和曲線卻出現左移。主要是因為東部地區剩余城市代表的D類城市之間經濟發展水平較為相近，概率分布集中程度較高，但延展性顯著表明城市群體內的差距加大。

圖10 D類城市全要素生產率Kernel密度估計

數據來源：《中國城市統計年鑒》。

6.圖11為E類城市群體全要素生產率高斯核函數Kernel密度估計。可以發現2006年相比2003年，峰值有上升的態勢，曲線左右移動幅度和寬度變化范圍均較小，表明E城市群體全要素生產率分布于峰值附近的概率擴大。相比2006年，2009年和2012年的峰值梯度下降，曲線右移，且寬度增大，表明隨著時間的推移，全要素生產率水平均值提升，分化加劇，處于區域生產率前沿的城市數量增多。2014年相比2003年，峰值增加且左移，群體內全要素生產率前沿繼續顯著攀升。

圖11 E類城市全要素生產率Kernel密度估計

數據來源：《中國城市統計年鑒》。

圖12 F類城市全要素生產率Kernel密度估計

數據來源：《中國城市統計年鑒》。

7.圖12為F類城市群體全要素生產率的高斯Kernel密度估計。由圖12可知，2006年相比2003年，峰值上升右移，曲線右移，寬度變化幅度較小，表明區域內全要素生產率有所提升。2009年、2012年、2014年相比2006年，曲線峰值逐步降低，但相隔年份之間的降幅有差異，曲線整體右移，寬度變大，表明低行政級別的西部城市全要素生產率逐步提升，但總體水平相比中東部地區還有顯著的差距。西部地區全要素生產率的提升與國家西部大開發戰略和該區域交通設施改善、人力資本提升均有一定程度的關聯。

七 主要結論與政策啟示

全要素生產率是實現經濟綠色可持續發展的關鍵，探究當下中國區域性全要素生產率的空間非均衡特征和分布演進，是分析全要素生產率提升的影響因素和優化路徑的前提。以此為研究視角，本文將研究時間起點設定在2003年；考慮到國家新常態屬于國家經濟結構調整的政策轉折年份，將研究時間終點設定為2014年。以273個地級城市作為研究對象，并根據國家設定直轄市、開放城市和傳統三大地域經濟帶將其劃分為6類城市群體；在構建EBM MetaFrontier Malmquist指數測度包含非合意產出的區域全要素生產率的基礎上，利用Dagum基尼系數及其分解項測度總體、區域內基尼系數、區域間基尼系數和超變密度以及它們對總體差異來源的貢獻；采用高斯核函數構造的Kernel概率密度估計函數探究總體和各區域全要素生產率的分布動態演進。

本研究的主要結論為：(1)六類城市群體全要素生產率總體呈逐步攀升的態勢，但各群體存在顯著的空間非均衡特征，一線城市群體全要素生產率增速較快，且水平遠高于其他城市群體，處于技術前沿水平；省會城市群體全要素生產率區域內差異明顯，整體均值偏低，但保持穩定遞增的態勢；開放城市和東部剩余城市全要素生產率水平相對較高，2012年前處于梯度第二，但之后有下降反彈的態勢，且長期內會被省會城市群體超越；中西部城市群體全要素生產率提升較慢，呈小幅波動狀態。(2)六類城市群體總體差異隨時間變化逐步擴大，但區域內差異有所不同。參考均值變化來看，區域內差異由大到小依次是省會城市、開放城市、東部剩余、一線城市、西部剩余和中部剩余。一線城市和東部剩余全要素生產率差異呈“先增大-后縮小”的態勢，省會城市和開放城市差異總體遞增，而中西部剩余城市差異總體逐步降低。區域差異同樣存在顯著的區域差異性，一線城市和中西部城市的區域間差異最大，且逐步擴大。區域間差異貢獻率高于區域內差異，但前者貢獻率不斷提升直至成為首要差異來源，后者處于小幅穩定波動態勢。(3)總體和六類城市群體分布動態演變均呈現不同的趨勢。總體全要素生產率提升，且存在高水平全要素生產率城市；一線城市呈“曲線右移，高水平全要素生產率城市集中度提升”的特點；省會城市和開放城市區域內層次度加深，多極化明顯；東部、中部和西部剩余城市峰值右移，寬度變大，表現為區域內分布廣泛，高集中度區域城市全要素生產率水平提升。

本研究的政策啟示：(1)黨的十八屆中央委員會第五次全體會議強調，實現“十三五”時期發展目標，破解發展難題，厚植發展優勢，必須牢固樹立并切實貫徹創新、協調、綠色、開放、共享的發展理念。而區域全要素生產率呈遞增態勢且存在區域差異，為此政府宜繼續推行“大眾創新，萬眾創業”的發展理念，始終將創新作為推動經濟持續發展的動力源。就政府而言，發揮政府的戰略引導效應，依靠“雄安新區”、一帶一路、京津冀一體化、長江經濟帶，帶動中西部地區和其他相關地區的經濟發展。(2)區域內全要素生產率區域差異不斷擴大，尤其表現在行政級別相對較高的地區，如省會城市、開放城市和一線城市，因而政府宜首先依托既有交通，完善省會城市、開放城市和一線城市之間的高速鐵路、航空路線、軌道交通等設施，有效降低核心城市之間的通勤時間，提升通勤效率。其次，完善政府官員考核機制，逐步弱化“唯GDP論”，逐漸加入人民幸福程度，環境優質資源和公共資源效率指標，增強人力資本流向中西部地區，提升該地區政府執政能力，全面提升該區域經濟發展水平，減少其與其他地區差距。(3)從微觀層面看，降低區域全要素生產率差距關鍵在于企業有所作為。在大數據和互聯網信息技術時代下，企業應充分結合互聯網技術，拓寬面向市場的宣傳渠道，增加有關技術研發的人才和資金投入，強化個人環保意識和循環經濟意識。同時利用企業資金開展多元化投資，以增長資金流動性和收益率。此外是加強行業之間、企業之間的交流合作，構建信息共享、技術共同研發等機制，以提升全要素生產率。

[參考文獻]

[1] 蔡昉. 中國經濟增長如何轉向全要素生產率驅動型[J]. 中國社會科學, 2013, (1): 56-72.

[2] 王德祥, 薛桂芝. 中國城市全要素生產率的測算與分解(1998-2013)——基于參數型生產前沿法[J]. 財經科學, 2016, (9): 42-52.

[3] Olley, G. S., Pakes, A.. The Dynamics of Productivity in the Telecommunications Equipment Industry[J].NberWorkingPapers, 1996, 64(6): 1263-1297.

[4] Levinsohn, J., Pertin, A.. Estimating Production Functions Using Inputs to Control for Unobservables[J].ReviewofEconomicStudies, 2003, 70(2): 317-341.

[5] 吳書勝, 李斌. 中國對外直接投資你想技術溢出非線性效應研究[J]. 世界經濟研究, 2015, (9): 74-85.

[6] 楊汝岱. 中國制造業企業全要素生產率研究[J]. 經濟研究, 2015, (2): 61-74.

[7] 張樂, 曹靜. 中國農業全要素生產率增長: 配置效率變化的引入——基于隨機前沿生產函數法的實證分析[J]. 中國農村經濟, 2013, (3): 4-15.

[8] 劉建國, 張文忠. 中國區域全要素生產率的空間溢出關聯效應研究[J]. 地理科學, 2014, 34(5): 522-530.

[9] 鐘世川, 毛艷華. 中國全要素生產率的再測算與分解研究——基于多要素技術進步偏向的視角[J]. 經濟評論, 2017, 203(1): 3-10.

[10] 簡澤, 張濤, 伏玉林. 進口自由化、 競爭與本土企業的全要素生產率——基于中國加入WTO的一個自然實驗[J]. 經濟研究, 2014, (8): 120-132.

[11] Li, B., Wu, S.. Effects of Local and Civil Environmental Regulation on Green Total Factor Productivity in China: A Spatial Durbin Econometric Analysis[J].JournalofCleanerProduction, 2017, 153: 342-353.

[12] 薛剛, 陳思霞, 蔡璐. 城鎮化與全要素生產率差異: 公共支出政策的作用[J]. 中國人口·資源與環境, 2015, 25(3): 50-55.

[13] 李建, 衛平. 金融發展與全要素生產率增長——基于中國省際面板數據的實證分析[J]. 經濟理論與經濟管理, 2015, (8): 47-64.

[14] 石風光, 李宗植. 要素投入、 全要素生產率與地區經濟差距——基于中國省區數據的實證分析[J]. 數量經濟技術經濟研究, 2009, (12): 19-31.

[15] 高帆, 汪亞楠. 城鄉收入差距是如何影響全要素生產率的？[J]. 數量經濟技術經濟研究, 2016, (1): 92-109.

[16] 李斌, 祁源, 李倩. 財政分權、 FDI與綠色全要素生產率——基于面板數據動態GMM方法的實證檢驗[J]. 國際貿易問題, 2016, (7): 119-129.

[17] 胡曉琳. 中國省際環境全要素生產率測算、 收斂及其影響因素研究[D]. 南昌: 江西財經大學, 2016.

[18] 李征. 中國區域全要素生產率演變研究[D]. 長春: 吉林大學, 2016.

[19] 聶榮, 高艷, 儲德銀. 中國農村居民收入分配差距的時空演變——基于Dagum基尼系數分解[J]. 財貿研究, 2015, (4): 20-28.

[20] 劉華軍, 劉傳明. 中國能源強度的地區差異及分布動態演進——基于Dagum基尼系數分解和非產出估計的實證研究[J]. 山東財經大學學報, 2016, (5): 54-62.

[21] 李強誼, 鐘水映. 我國財政醫療衛生支出的空間差異及分布動態演進——基于Dagum基尼系數分解與Kernel密度估計的實證研究[J]. 財經論叢, 2016, (10): 19-28.

[22] Tone, K., Tsutsui, M.. An Epsilon-based Measure of Efficiency in DEA——A Third Pole of Technical Efficiency[J].EuropeanJournalofOperationalResearch, 2010, 207(3): 1554-1563.

[23] Chung, Y. H., F?re, R., Grosskopf, S.. Productivity and Undesirable Outputs: A Directional Distance Function Approach[J].JournalofEnvironmentalManagement, 1997, 51(3): 229-240.

[24] F?re, R., Grosskopf, S., Pasurka, Jr. C. A.. Accounting for Air Pollution Emissions in Measures of State Manufacturing Productivity Growth[J].JournalofRegionalScience, 2001, 41(3): 381-409.

[25] Oh, D. H.. A global Malmquist-luenberger Productivity Index[J].JournalofProductivityAnalysis, 2010, 34(3): 183-197.

[26] Oh, D. H., Lee, J. A.. Metafrontier Approach for Measuring Malmquist Productivity Index[J].EmpiricalEconomics, 2010, 38(1): 47-64.

[27] Dagum, C.. A New Approach to the Decomposition of the Gini Income Inequality Ratio[J].EmpiricalEconomics, 1997, 22(4): 515-531.

[28] 王星, 褚挺進. 非參數估計[M]. 北京: 清華大學出版社, 2014.

[29] 單豪杰. 中國資本存量K的再估算: 1952-2006年[J]. 數量經濟技術經濟研究, 2008, (10): 17-31.