基于DEA模型的中国省域经济发展效率测度与提升路径研究

基于DEA模型的中国省域经济发展效率测度与提升路径研究一、引言1.1研究背景与意义新中国成立以来，我国经济发展取得了举世瞩目的成就，经济总量持续增长，综合国力显著提升。然而，在改革开放后的较长一段时间里，我国经济始终没有摆脱高投入、高消耗、高污染、低效率的粗放型发展模式。这种发展模式在推动经济快速增长的同时，也带来了资源短缺、环境污染、生态破坏等一系列问题，严重制约了我国经济的可持续发展。随着经济全球化的深入发展和国际竞争的日益激烈，提高经济效率已成为各国经济发展的关键。经济效率是指资源的有效配置和利用，它反映了一个国家或地区经济发展的质量和水平。在经济学中，效率是理论和实践的永恒主题之一，评价和探讨我国各省市经济相对效率不仅具有重要的理论意义，而且具有重要的经济意义和社会意义。从理论意义来看，对我国各省市经济相对效率的评价和研究，有助于丰富和完善区域经济学、产业经济学等相关学科的理论体系。通过运用数据包络分析（DEA）等方法，深入分析各省市经济发展的投入产出关系，揭示经济效率的影响因素和作用机制，为经济理论的发展提供实证依据和实践支持。从经济意义来看，准确评价各省市经济相对效率，能够帮助我们清晰地了解各地区经济发展的优势和不足，找出制约经济效率提升的关键因素，从而为制定科学合理的经济发展政策提供参考。对于经济效率较高的地区，可以总结其成功经验，加以推广和借鉴；对于经济效率较低的地区，可以有针对性地提出改进措施和建议，促进其经济效率的提升，实现资源的优化配置和经济的可持续发展。从社会意义来看，提高经济效率有助于增加社会财富，提高人民生活水平，促进社会公平正义。经济效率的提升意味着在相同的投入下能够获得更多的产出，从而为社会提供更多的产品和服务，满足人民群众日益增长的物质文化需求。同时，经济效率的提高还可以创造更多的就业机会，降低失业率，缓解社会矛盾，维护社会稳定。综上所述，评价我国各省市经济相对效率对于推动我国经济发展模式的转变、实现经济的可持续发展以及促进社会的和谐稳定具有重要的现实意义。本文将运用数据包络分析方法，对我国各省市经济相对效率进行实证研究，以期为相关政策的制定和经济发展提供有益的参考。1.2国内外研究现状经济效率评价一直是经济学领域的研究热点，国内外学者运用多种方法从不同角度展开了深入研究。数据包络分析（DEA）方法作为一种有效的多投入多输出效率评价方法，在经济效率评价中得到了广泛应用。国外方面，DEA方法由Charnes、Cooper和Rhodes于1978年首次提出，该方法将单输入单输出的工程效率概念推广到多输入多输出同类决策单元的有效性评价中，提出了第一个数据包络分析模型——CCR模型。此后，DEA方法不断发展和完善，众多学者将其应用于各个领域的效率评价。如Banker、Charnes和Cooper在1984年提出了BCC模型，该模型在CCR模型的基础上增加了规模报酬可变的假设，能够进一步区分技术效率和规模效率，使得对决策单元效率的分析更加深入和全面。在经济效率评价应用中，国外学者进行了大量实证研究。例如，Fare等学者运用DEA方法对多个国家的农业生产效率进行了评价，分析了不同国家农业生产在投入产出方面的效率差异以及影响因素，为提高农业生产效率提供了理论支持和实践指导。在区域经济研究中，Timmer等学者通过DEA模型研究了不同地区经济增长的效率，探讨了区域经济发展过程中的资源配置和利用效率问题，发现区域经济效率与产业结构、技术创新等因素密切相关。国内研究起步相对较晚，但发展迅速。众多学者将DEA方法引入到我国经济效率评价中，取得了丰富的研究成果。在区域经济领域，不少研究运用DEA方法对我国各省市的经济效率进行评价分析。如高亚春运用DEA方法中的CCR和BCC模型，对2000-2006年我国30个省市的技术效率、纯技术效率和规模效率进行了测算，从横向和纵向对实证结果进行比较分析，详细探讨了各省市经济相对效率情况以及非DEA无效的原因，并提出效率优化目标。在行业经济方面，也有诸多研究运用DEA方法评估特定行业的经济效率。例如对制造业的研究，通过构建合适的投入产出指标体系，运用DEA模型分析制造业企业的生产效率，发现技术创新投入、人力资源素质等是影响制造业经济效率的重要因素。然而，当前研究仍存在一些不足。一方面，在指标体系构建上，部分研究对指标的选取缺乏充分的理论依据和实际考量，导致指标不能全面、准确地反映经济效率的各个方面。另一方面，在分析影响经济效率的因素时，多数研究仅从少数几个常见因素进行分析，缺乏对经济系统复杂性的全面认识，对一些潜在的、深层次的影响因素挖掘不够。此外，对于如何根据DEA分析结果提出切实可行的政策建议，以有效提升经济效率，相关研究还不够深入和系统。本文将在借鉴已有研究的基础上，进一步完善指标体系，更加全面地考虑影响经济效率的因素，并深入分析各因素对经济效率的作用机制，从而更准确地评价我国各省市经济相对效率，并提出针对性更强的政策建议。1.3研究方法与创新点本文综合运用多种研究方法，对我国各省市经济相对效率展开全面深入的研究。在研究过程中，以确保研究的科学性、准确性和全面性为目标，具体研究方法如下：数据包络分析（DEA）方法：数据包络分析是一种基于线性规划的多投入多输出效率评价方法，无需预先设定生产函数的具体形式，能够有效处理多投入多产出的复杂系统，避免了主观因素对权重确定的影响，使评价结果更加客观可靠。本文运用DEA方法中的CCR模型和BCC模型，对我国各省市经济相对效率进行测度。CCR模型在规模报酬不变的假设下，用于评价决策单元的总体技术效率，即衡量决策单元在现有投入水平下，实现最大产出的能力；BCC模型则在规模报酬可变的假设下，将总体技术效率进一步分解为纯技术效率和规模效率。纯技术效率反映了决策单元的生产技术水平和管理效率，体现了在不考虑规模因素时，决策单元对生产技术和管理资源的有效利用程度；规模效率则衡量了决策单元的生产规模是否处于最优状态，反映了由于生产规模的变化而对效率产生的影响。通过这两个模型的结合运用，可以深入剖析各省市经济效率的构成，明确技术效率和规模效率对总体经济效率的贡献，从而更全面地了解各省市经济发展的优势和不足。面板数据模型：面板数据模型能够同时利用时间和截面两个维度的信息，有效控制个体异质性，提高参数估计的准确性和可靠性。在分析影响我国各省市经济相对效率的因素时，本文构建面板数据模型。以DEA方法测算出的技术效率值作为因变量，选取资本规模、劳动力规模、能源消费状况、财政支出和科技实力等对经济效率可能产生重要影响的因素作为自变量。通过面板数据模型的回归分析，可以确定这些因素对经济相对效率的影响方向和影响程度，揭示各因素与经济效率之间的定量关系，为深入理解经济效率的影响机制提供实证依据。对比分析方法：在研究过程中，对我国各省市经济相对效率的测算结果进行横向和纵向对比分析。横向对比是指在同一时期，对不同省市的经济效率进行比较，找出各省市之间经济效率的差异，分析导致这些差异的原因，如地区资源禀赋、产业结构、政策环境等因素的不同对经济效率的影响；纵向对比则是对同一省市在不同时期的经济效率进行分析，观察其经济效率的动态变化趋势，探讨经济发展过程中各种因素的演变对经济效率的作用，例如随着时间推移，技术进步、产业升级等因素如何影响经济效率的提升或变化。通过对比分析，能够更直观地展现各省市经济效率的发展状况，为制定针对性的政策提供有力支持。在研究内容和思路上，本文首先对我国经济发展模式以及国内外经济效率评价研究现状进行深入剖析，明确研究背景和意义，为后续研究奠定基础。接着，详细阐述数据包络分析方法及其相关模型原理，确立科学合理的评价我国各省市经济相对效率的指标体系，确保研究的科学性和可行性。然后，运用DEA方法对我国各省市经济相对效率进行实证分析，全面深入地测算技术效率、纯技术效率和规模效率，并从横向和纵向两个角度对实证结果进行细致比较分析。在此基础上，利用面板数据建立计量经济模型，深入分析各因素对经济相对效率的影响方式和程度。最后，根据研究结论提出切实可行的对策建议，为促进我国各省市经济效率提升提供有益参考。本文的创新点主要体现在以下几个方面：指标体系构建创新：在构建评价我国各省市经济相对效率的指标体系时，不仅充分考虑了传统的经济投入产出指标，如资本、劳动力等，还创新性地纳入了一些反映经济发展质量和可持续性的指标，如能源消费结构、科技创新投入产出比等。这些指标的引入，使指标体系更加全面、准确地反映了经济效率的内涵和外延，能够更深入地揭示经济发展过程中的效率问题，为经济效率评价提供了更丰富的视角和更全面的数据支持。影响因素分析创新：在分析影响经济效率的因素时，突破了以往研究仅从少数常见因素进行分析的局限，综合考虑了经济、社会、环境等多个方面的因素。除了传统的经济因素外，还将社会发展水平、环境保护力度、政策制度环境等纳入研究范畴，全面深入地探讨各因素对经济效率的综合影响。通过这种多维度的分析，更全面地认识经济系统的复杂性，挖掘出一些潜在的、深层次的影响因素，为制定提升经济效率的综合政策提供更全面的理论依据。研究视角创新：本文从区域经济发展的角度出发，将我国各省市视为相互关联的经济系统，不仅关注各省市自身的经济效率，还考虑了区域之间的经济联系和协同发展对经济效率的影响。通过分析区域经济一体化、产业转移与承接等因素对各省市经济效率的作用机制，为促进区域协调发展、提升整体经济效率提供了新的研究视角和政策思路。二、DEA方法概述2.1DEA的基本原理数据包络分析（DEA）是一种基于线性规划的多投入多产出效率评价方法，由著名运筹学家A.Charnes、W.W.Cooper和E.Rhodes于1978年首次提出。该方法以“Pareto最优”为理论基础，旨在评价具有多个输入和多个输出的决策单元（DMU）之间的相对有效性。在经济学中，“Pareto最优”状态是指在不减少其他任何决策单元的效用或福利的情况下，无法增加任何单个决策单元的效用或福利。在DEA中，这意味着不存在其他可行的投入产出组合，能够在不增加任何投入的前提下，提高至少一个决策单元的产出，或者在不减少任何产出的情况下，降低至少一个决策单元的投入。DEA方法的核心在于通过线性规划技术，构建一个生产可能集，进而确定有效生产前沿面。假设有n个决策单元，每个决策单元都有m种投入和s种产出。对于第j个决策单元DMU_j，其投入向量X_j=(x_{1j},x_{2j},\cdots,x_{mj})^T，产出向量Y_j=(y_{1j},y_{2j},\cdots,y_{sj})^T，其中x_{ij}表示第j个决策单元对第i种类型输入的投入总量，y_{rj}表示第j个决策单元对第r种类型输出的产出总量，i=1,2,\cdots,m；r=1,2,\cdots,s；j=1,2,\cdots,n。通过对所有决策单元的输入输出数据进行综合分析，DEA方法可以找到一个由这些决策单元的线性组合构成的有效生产前沿面。处于这个前沿面上的决策单元被认为是DEA有效的，即它们在现有技术和资源条件下，实现了投入产出的最优配置，达到了相对有效的状态；而位于前沿面下方的决策单元则是非DEA有效的，意味着它们在投入产出方面存在改进的空间，通过调整投入或产出的组合，可以提高效率。例如，在评价多个企业的生产效率时，每个企业就是一个决策单元，投入可以包括劳动力、资本、原材料等，产出可以是产品数量、销售额、利润等。DEA方法能够综合考虑这些多方面的投入和产出因素，客观地评价每个企业相对于其他企业的生产效率，确定哪些企业处于生产前沿，哪些企业需要改进生产方式以提高效率。2.2主要DEA模型介绍2.2.1CCR模型CCR模型，全称为“Charnes-Cooper-Rhodes模型”，是DEA方法中最基础的模型之一，由运筹学家A.Charnes、W.W.Cooper和E.Rhodes于1978年首次提出。该模型基于规模报酬不变的假设，用于评价决策单元（DMU）的相对有效性，旨在判断各DMU在投入一定数量的生产要素并产出一定数量产品的经济系统中，其投入产出是否达到相对最优状态。假设有n个决策单元，每个决策单元都有m种投入和s种产出。对于第j个决策单元DMU_j，其投入向量为X_j=(x_{1j},x_{2j},\cdots,x_{mj})^T，产出向量为Y_j=(y_{1j},y_{2j},\cdots,y_{sj})^T，其中x_{ij}表示第j个决策单元对第i种类型输入的投入总量，y_{rj}表示第j个决策单元对第r种类型输出的产出总量，i=1,2,\cdots,m；r=1,2,\cdots,s；j=1,2,\cdots,n。CCR模型从投入导向的角度，在当前产出水准下，通过比较投入资源的使用情况来评价决策单元的效益，此模式被称为“投入导向模式”。定义决策单元j的效率评价指数为h_j=\frac{\sum_{r=1}^{s}u_ry_{rj}}{\sum_{i=1}^{m}v_ix_{ij}}，其中v_i是对第i种类型输入的权系数，u_r是对第r种类型输出的权系数。通过适当选取权系数v和u，使得h_j\leq1，j=1,2,\cdots,n。对第j_0个决策单元进行效率评价时，h_{j_0}越大，表明该决策单元能够用相对较少的输入取得相对较多的输出。因此，通过求解h_{j_0}的最大值，即可探究在这n个决策单元中DMU_{j_0}相对来说是否最优。以第j_0个决策单元的效率指数为目标，以所有决策单元的效率指数为约束，构建如下分式规划模型：\maxh_{j_0}=\frac{\sum_{r=1}^{s}u_ry_{rj_0}}{\sum_{i=1}^{m}v_ix_{ij_0}}s.t.\\frac{\sum_{r=1}^{s}u_ry_{rj}}{\sum_{i=1}^{m}v_ix_{ij}}\leq1,j=1,2,\cdots,nv\geq0,u\geq0为便于求解，使用Charnes-Cooper变换，令t=\frac{1}{\sum_{i=1}^{m}v_ix_{ij_0}}，w=tv，\mu=tu，将上述分式规划转化为等价的线性规划模型P：\max\\mu^TY_{j_0}s.t.\w^TX_j-\mu^TY_j\geq0,j=1,2,\cdots,nw^TX_{j_0}=1w\geq0,\mu\geq0线性规划P的对偶规划为规划D：\min\\thetas.t.\\sum_{j=1}^{n}\lambda_jX_j+s^-=\thetaX_{j_0}\sum_{j=1}^{n}\lambda_jY_j-s^+=Y_{j_0}\lambda_j\geq0,j=1,2,\cdots,ns^-\geq0,s^+\geq0其中，\theta为该决策单元DMU_{j_0}的有效值（即投入相对于产出的有效利用程度）；\lambda_j为相对于DMU_{j_0}重新构造一个有效DMU组合中第j个决策单元DMU_j的组合比例；s^-、s^+为松弛变量。根据线性规划的对偶理论，通过对偶规划D的解来判断决策单元j_0的有效性：若线性规划P的最优值h_{j_0}^*=1，则称决策单元DMU_{j_0}为弱DEA有效。这意味着在当前的生产技术和投入产出条件下，该决策单元在整体决策单元集合中，其投入产出效率处于相对较好的水平，但可能存在投入或产出的冗余情况，即可以在不减少产出的情况下降低某些投入，或者在不增加投入的情况下提高某些产出。若线性规划P的解中存在w^*\gt0，\mu^*\gt0，并且最优值h_{j_0}^*=1，则称决策单元DMU_{j_0}为DEA有效。此时，该决策单元在生产前沿面上，实现了技术有效和规模有效，即在现有技术水平下，达到了投入产出的最优配置，不存在任何投入的浪费或产出的不足，是一种理想的生产状态。若线性规划P的最优值h_{j_0}^*\lt1，则决策单元DMU_{j_0}不是DEA有效，表明该决策单元在投入产出方面存在改进空间，其生产技术或资源配置效率有待提高，可能是由于投入过多、产出不足，或者生产技术水平落后等原因导致的。例如，在评价多个企业的生产效率时，如果某企业通过CCR模型计算得到的效率评价指数为1，且满足DEA有效的条件，那么该企业在当前的生产规模和技术水平下，实现了资源的最优配置，能够以最少的投入获得最大的产出；而如果某企业的效率评价指数小于1，则说明该企业在生产过程中存在资源浪费或产出不足的问题，需要对生产技术、管理方式或资源投入进行调整和优化，以提高生产效率和经济效益。2.2.2BCC模型BCC模型，即Banker-Charnes-Cooper模型，由Banker、Charnes和Cooper于1984年提出。该模型是在CCR模型的基础上发展而来，主要区别在于BCC模型假设规模报酬可变，能够进一步将技术效率分解为纯技术效率和规模效率，从而更深入地分析决策单元的效率状况。在实际生产过程中，生产技术的规模收益并非始终保持不变，一般会先后经历规模收益递增、规模收益不变和规模收益递减三个阶段。CCR模型基于规模报酬不变的假设，所得到的技术效率实际上是包含了规模效率成分的综合效率。而BCC模型考虑了规模报酬可变的情况，更符合实际生产情况，能够更准确地评估决策单元的纯技术效率，即决策单元在不考虑规模因素时，其生产技术和管理水平所达到的效率水平。BCC模型从产出的角度探讨效率，即在相同的投入水准下，比较产出资源的达成情况，这种模式也称为“投入导向模式”（此处表述虽与前文产出角度似有矛盾，但在DEA领域中，BCC模型虽关注产出达成情况，但在模型构建和分析中常以投入为导向进行数学表达）。该模型所得到的是“技术效益”，当DEA=1时，称为“技术有效”，此时的最优解即为决策单元j的“技术效益”。投入导向的BCC对偶模型如下：\min\\thetas.t.\\sum_{j=1}^{n}\lambda_jX_j+s^-\leq\thetaX_{k}\sum_{j=1}^{n}\lambda_jY_j-s^+\geqY_{k}\sum_{j=1}^{n}\lambda_j=1\lambda_j\geq0,j=1,2,\cdots,ns^-\geq0,s^+\geq0其中，k=1,\cdots,n，\theta为决策单元k的技术效率值，反映了在当前投入水平下，决策单元k能够实现的最小投入比例；\lambda_j表示第j个决策单元在构建有效前沿面时的权重；s^-和s^+分别为投入和产出的松弛变量，用于衡量实际投入与最小有效投入之间的差距以及实际产出与最大有效产出之间的差距。当\theta=1且s^-=0，s^+=0时，决策单元为技术有效，表明该决策单元在现有技术和管理水平下，实现了投入产出的最优配置，不存在投入冗余和产出不足的情况，达到了生产前沿面的最优状态；当\theta=1，但至少有一个松弛变量不为0时，决策单元为弱技术有效，意味着虽然在整体上达到了技术效率的最优值，但在某些投入或产出方面仍存在改进的空间；当\theta\lt1时，决策单元为非技术有效，说明该决策单元在投入产出过程中存在效率损失，需要通过改进技术或优化管理来提高效率。例如，对于一家制造企业，如果通过BCC模型评估得出其技术效率值为1，且投入和产出的松弛变量均为0，那么这家企业在当前的生产技术和管理水平下，实现了资源的高效利用，生产过程达到了最优状态；如果技术效率值为1，但存在投入松弛变量，比如劳动力投入过多，那么企业可以适当减少劳动力投入，以进一步提高生产效率；如果技术效率值小于1，则表明企业在生产技术、管理方法或资源配置等方面存在问题，需要进行全面的分析和改进，如引进先进的生产设备、优化生产流程、加强员工培训等，以提升企业的技术效率和竞争力。2.3DEA方法在经济效率评价中的优势DEA方法作为一种强大的效率评价工具，在经济效率评价领域展现出诸多独特优势，使其成为研究经济系统投入产出效率的重要手段。首先，DEA方法无需预先设定生产函数的具体形式。在传统的经济效率评价方法中，如参数估计法，往往需要对生产函数进行明确的假设，例如常见的柯布-道格拉斯生产函数。然而，在现实经济系统中，生产过程受到众多复杂因素的影响，很难准确确定生产函数的具体形式。DEA方法则突破了这一限制，它直接基于决策单元的输入输出数据进行分析，通过线性规划技术构建生产前沿面，从而避免了因生产函数设定不当而导致的误差和偏差。这使得DEA方法能够更灵活地适应不同经济系统的特点，更客观地评价经济效率。例如，在评价不同行业的经济效率时，各行业的生产技术、工艺流程和市场环境差异巨大，难以用统一的生产函数来描述。DEA方法可以直接处理这些复杂的多投入多输出数据，无需对生产函数进行繁琐的假设和设定，为准确评价各行业经济效率提供了便利。其次，DEA方法能够有效减少系统误差。由于不需要预先设定生产函数，DEA方法避免了因函数形式选择错误而引入的系统性偏差。同时，它通过对多个决策单元的综合分析，利用线性规划求解出最优的权重，这些权重是基于数据本身的内在关系得出的，而非主观设定，从而减少了主观因素对评价结果的影响。这种客观性使得DEA方法在处理复杂经济数据时，能够更准确地反映经济系统的实际效率情况。以区域经济效率评价为例，不同地区的经济发展水平、资源禀赋和政策环境各不相同，传统方法在处理这些差异时容易受到主观因素干扰。而DEA方法基于各地区的实际投入产出数据，通过客观的数学计算得出效率评价结果，大大提高了评价的准确性和可靠性。再者，DEA方法特别适用于多输入多输出的复杂系统评价。在经济领域，一个经济系统往往涉及多种投入要素，如劳动力、资本、能源等，同时产生多种产出，如GDP、工业增加值、就业人数等。传统的单输入单输出评价方法无法全面考虑这些复杂的投入产出关系，而DEA方法能够综合考量多个输入和输出指标，对经济系统的整体效率进行评价。它通过构建生产可能集和有效生产前沿面，将每个决策单元与前沿面进行比较，从而判断其相对有效性。例如，在评价企业的经济效率时，企业的生产经营涉及原材料采购、设备投入、人力资源配置等多种投入，同时产生产品产量、销售收入、利润等多种产出。DEA方法可以将这些多方面的投入产出指标纳入统一的评价框架，全面评估企业在资源利用和产出效益方面的效率，为企业的管理决策提供全面而准确的依据。此外，DEA方法还可以对决策单元进行排序和分类。通过计算各决策单元的效率值，可以清晰地了解不同决策单元在经济效率上的差异，进而对它们进行排序，找出效率较高和较低的决策单元。同时，根据效率值的分布情况，还可以对决策单元进行分类，如将其分为DEA有效单元和非DEA有效单元，对于非DEA有效单元，进一步分析其无效的原因，为针对性地提出改进措施提供依据。在对各省市经济效率评价中，通过DEA方法的计算和分析，可以明确各省市经济效率在全国的排名情况，以及哪些省市处于生产前沿面，哪些省市存在效率提升的空间，为区域经济政策的制定提供有力参考。综上所述，DEA方法在经济效率评价中具有无需设定生产函数、减少系统误差、适用于多输入多输出评价以及便于决策单元排序和分类等显著优势。这些优势使得DEA方法在经济研究领域得到广泛应用，为深入分析经济系统的效率状况，推动经济的可持续发展提供了重要的技术支持。三、评价指标体系构建与数据收集3.1指标体系构建原则为了科学、全面、准确地评价我国各省市经济相对效率，在构建评价指标体系时，严格遵循以下基本原则：系统性原则：经济系统是一个复杂的有机整体，各省市的经济发展受到多种因素的综合影响。因此，评价指标体系应具有系统性，各指标之间需具备一定的逻辑关联，它们不仅要从不同角度反映出经济子系统的主要特征和运行状态，还要体现经济系统内部各要素之间的内在联系。例如，资本投入、劳动力投入与经济产出之间存在着密切的因果关系，在指标体系中应合理体现这种关系。同时，整个指标体系应具有层次性，自上而下，从宏观到微观层层深入，形成一个不可分割的整体。宏观层面可设置反映经济总量、产业结构等指标，微观层面可选取体现企业生产效率、居民消费能力等指标，通过不同层次指标的相互配合，全面、系统地评价经济相对效率。典型性原则：选取的评价指标应具有典型代表性，能够精准地反映各省市经济相对效率的核心特征和关键要素。在众多可选择的指标中，挑选出那些对经济效率影响显著、具有较强解释力的指标，避免选取一些意义相近或对经济效率影响较小的冗余指标。这样，即使在指标数量相对精简的情况下，也能有效保证评价结果的可靠性和有效性，便于数据的收集、整理与计算。例如，在衡量科技创新能力时，选择专利授权量、科研成果转化率等典型指标，这些指标能够直观地反映一个地区科技创新活动的实际成效，对经济效率的提升具有重要影响。动态性原则：经济发展是一个动态变化的过程，各省市的经济相对效率也会随着时间的推移而发生改变。因此，指标体系的构建应充分考虑动态性特点，收集多个年度的数据进行分析，以全面反映经济效率的发展趋势和变化规律。通过对不同时期经济效率的对比研究，可以深入了解各省市在经济发展过程中所采取的政策措施、技术进步、产业升级等因素对经济效率的影响，为制定科学合理的经济发展战略提供依据。例如，观察某省市在过去十年间能源利用效率指标的变化情况，分析其在节能减排政策推动下，能源利用效率的提升趋势以及对经济相对效率的影响。简明科学性原则：指标体系的设计和评价指标的选择必须以科学性为根本依据，确保能够客观、真实地反映各省市经济发展的实际特点和状况，准确揭示各指标之间的内在关系。每个评价指标都应具有明确的经济含义和科学的计算方法，数据来源可靠，计算过程严谨。同时，指标应具有典型代表性，既不能过于繁杂，导致指标之间相互重叠，增加数据收集和分析的难度；也不能过于简单，以免遗漏重要信息，影响评价结果的准确性。例如，在选择衡量产业结构的指标时，采用产业结构比例（如三次产业占GDP的比重）这一科学合理且简明易懂的指标，能够清晰地反映一个地区产业结构的现状和变化趋势。可比、可操作、可量化原则：在指标选择上，要特别注重在全国范围内的一致性，确保各省市的数据具有可比性。指标体系的构建旨在为区域政策制定和科学管理提供支持，因此指标选取的计算量度和计算方法必须统一规范。各指标应尽量简单明了、微观性强，便于数据的收集和整理，具有很强的现实可操作性。此外，选择的指标要能够进行定量处理，以便运用数学方法进行精确计算和深入分析。例如，在衡量劳动力投入时，选取年末就业人员数量这一可量化且易于获取的指标，能够方便地对各省市的劳动力投入情况进行比较和分析。综合性原则：经济相对效率的评价是一个综合性的过程，需要全面考虑影响经济发展的诸多因素。在相应的评价层次上，不仅要关注经济增长、投入产出等直接经济因素，还要考虑社会发展、环境保护、科技创新等间接影响经济效率的因素。通过对这些因素的综合分析和评价，能够更全面、客观地反映各省市经济发展的质量和效益，为实现经济的可持续发展提供科学指导。例如，在评价经济相对效率时，将单位GDP能耗、环境污染治理投资占GDP比重等反映环境保护的指标纳入指标体系，综合考量经济发展与环境保护之间的关系，以实现经济、社会和环境的协调发展。3.2投入产出指标选取基于上述构建原则，结合我国各省市经济发展的实际情况以及数据的可获取性，选取以下投入产出指标，以全面、准确地评价我国各省市经济相对效率。投入指标：年末从业人员（万人）：该指标反映了各省市参与经济活动的劳动力数量，是经济生产的重要投入要素之一。劳动力作为生产过程中的关键资源，其数量和质量直接影响着经济的产出水平。大量的劳动力投入为经济发展提供了充足的人力支持，能够推动各产业的发展，促进生产规模的扩大和经济总量的增长。例如，在制造业中，充足的劳动力可以保证生产线的正常运转，提高产品的产量；在服务业中，劳动力的数量和素质决定了服务的质量和效率，进而影响服务业的发展水平。全社会固定资产投资（亿元）：全社会固定资产投资体现了各省市在一定时期内建造和购置固定资产的工作量以及与此有关的费用变化情况，是衡量经济投入的重要指标。固定资产投资的增加，意味着生产设备、基础设施等的改善和扩充，为经济增长提供了物质基础。例如，对工业企业的固定资产投资可以引进先进的生产设备，提高生产效率和产品质量；对交通、能源等基础设施的投资，能够改善投资环境，降低物流成本，促进区域经济的发展。R&D经费（亿元）：R&D经费即研究与试验发展经费，是指在科学技术领域，为增加知识总量（包括人类文化和社会知识的总量），以及运用这些知识去创造新的应用进行的系统的创造性的活动所支出的费用。R&D经费的投入反映了各省市对科技创新的重视程度和投入力度，是推动技术进步和经济增长的重要动力。通过加大R&D经费投入，可以开展前沿性的科学研究，推动技术创新和新产品开发，提高企业的核心竞争力，进而促进产业升级和经济结构优化。例如，在高新技术产业中，大量的R&D经费投入能够催生新技术、新产品，推动产业的快速发展，提高经济的附加值和增长质量。能源消费总量（万吨标准煤）：能源是经济发展的重要物质基础，能源消费总量反映了各省市在生产和生活过程中对各种能源的消耗总和。能源的投入对于维持经济系统的正常运转至关重要，不同产业对能源的依赖程度不同，能源消费总量的变化不仅影响经济的产出水平，还与能源利用效率、环境保护等密切相关。例如，在重工业领域，如钢铁、化工等行业，能源消耗量大，能源供应的稳定性和价格波动会对企业的生产成本和生产规模产生显著影响；同时，随着对环境保护要求的提高，降低能源消耗、提高能源利用效率成为经济可持续发展的关键。产出指标：GDP（亿元）：国内生产总值（GDP）是衡量一个国家或地区经济总体规模和发展水平的核心指标，它反映了各省市在一定时期内生产活动的最终成果，涵盖了各产业的增加值，能够综合体现经济活动的总量和效益。GDP的增长是经济发展的重要目标之一，它不仅代表了物质财富的增加，还反映了就业机会的增多、居民收入的提高以及社会福利的改善。例如，GDP的增长意味着更多的商品和服务被生产和消费，带动相关产业的发展，促进就业，提高居民的生活水平。三次产业增加值（亿元）：三次产业增加值分别反映了第一产业（农业）、第二产业（工业和建筑业）和第三产业（服务业）在生产过程中创造的新增价值，能够直观地展示各产业的发展规模和经济效益。分析三次产业增加值的构成和变化趋势，可以了解各省市的产业结构状况和产业升级情况。例如，随着经济的发展，第三产业增加值占GDP的比重逐渐上升，表明产业结构在不断优化，经济发展的质量和效益在逐步提高。不同产业的发展对经济增长的贡献不同，第一产业是国民经济的基础，第二产业是经济增长的重要支撑，第三产业的发展则体现了经济的现代化水平和活力。地方一般预算收入（亿元）：地方一般预算收入是指地方政府凭借国家政治权力，以社会管理者身份筹集以税收为主体的财政收入，主要用于保障地方政府的各项公共服务和社会管理职能的履行。它反映了各省市的财政实力和经济运行的效益，地方一般预算收入的增加，意味着政府有更多的资金用于基础设施建设、教育、医疗、社会保障等领域，能够促进经济社会的协调发展。例如，政府可以利用财政收入加大对教育的投入，提高劳动力素质，为经济发展提供人才支持；加大对医疗和社会保障的投入，提高居民的生活质量和消费信心，促进经济的稳定增长。专利申请授权数（件）：专利申请授权数体现了各省市的科技创新成果转化能力，是衡量科技创新产出的重要指标之一。专利是对发明创造的法律保护，专利申请授权数的多少反映了一个地区在技术创新方面的活跃度和成果水平。通过技术创新获得专利，企业可以获得市场竞争优势，推动产业技术进步，促进经济的高质量发展。例如，在高新技术产业中，大量的专利授权能够使企业在产品研发、生产工艺等方面保持领先地位，提高产品附加值，增强市场竞争力，从而带动整个产业的发展和经济效率的提升。3.3数据来源与处理本文的数据主要来源于各省市统计年鉴、政府公开数据以及国家统计局等权威渠道。这些数据涵盖了我国各省市在不同时期的经济发展相关信息，具有较高的权威性和可靠性，能够准确地反映各省市的经济实际情况，为研究提供坚实的数据基础。在获取原始数据后，为了确保数据的准确性和可用性，使其更适合后续的DEA模型分析，进行了一系列的数据预处理工作。首先，对数据进行标准化处理。由于不同指标的量纲和数量级存在差异，如年末从业人员以“万人”为单位，全社会固定资产投资以“亿元”为单位，这种量纲的不一致会对分析结果产生影响。因此，采用标准化方法对数据进行处理，使各指标数据处于同一数量级，消除量纲的影响。例如，对于投入指标中的年末从业人员X_{1}，其标准化公式可表示为：X_{1ij}^*=\frac{X_{1ij}-\overline{X_{1i}}}{\sigma_{X_{1i}}}其中，X_{1ij}表示第j个省市在第i时期的年末从业人员数量，\overline{X_{1i}}表示第i时期所有省市年末从业人员数量的平均值，\sigma_{X_{1i}}表示第i时期所有省市年末从业人员数量的标准差。通过这样的标准化处理，使得不同省市、不同时期的年末从业人员数据具有可比性。对于产出指标中的GDPY_{1}，同样采用类似的标准化公式：Y_{1ij}^*=\frac{Y_{1ij}-\overline{Y_{1i}}}{\sigma_{Y_{1i}}}其中各参数含义与投入指标标准化公式类似，通过标准化，消除了GDP数据因地域和时间差异导致的量纲影响，使各省市的GDP数据在同一标准下进行比较和分析。其次，进行缺失值处理。在数据收集过程中，由于各种原因，部分数据可能存在缺失情况。对于缺失值，采用均值插补法进行处理。即根据该指标在其他省市或其他时期的均值来填补缺失值。例如，若某省市在某一年份的R&D经费数据缺失，通过计算其他省市在该年份R&D经费的平均值，或者该省市其他年份R&D经费的平均值，以此平均值来填补缺失数据，保证数据的完整性和连续性，避免因数据缺失而影响分析结果的准确性。通过以上数据来源的确定和数据预处理工作，为运用DEA模型进行我国各省市经济相对效率评价提供了可靠的数据支持，确保了研究结果的科学性和可靠性。四、基于DEA模型的实证分析4.1数据准备与模型选择为了深入研究我国各省市经济相对效率，本研究对前文所选取的投入产出指标数据进行了细致的整理与分析。数据涵盖了我国多个省市在连续时间跨度内的经济发展关键信息，确保了研究的全面性和代表性。在投入指标方面，年末从业人员数据反映了各省市劳动力投入规模，不同省市间劳动力数量的差异体现了人力资源禀赋的不同，如人口大省河南、山东，年末从业人员数量相对较多，为经济发展提供了充足的人力支持；全社会固定资产投资体现了各省市在基础设施建设、生产设备购置等方面的投入力度，像经济发达的广东、江苏，固定资产投资规模庞大，为经济增长奠定了坚实的物质基础；R&D经费支出展示了各省市对科技创新的重视和投入程度，北京、上海等科技创新前沿地区，R&D经费投入持续增长，推动了高新技术产业的快速发展；能源消费总量则体现了各省市在经济活动中的能源消耗水平，一些以重工业为主的省市，如山西、内蒙古，能源消费总量较高。产出指标同样具有重要意义，GDP直观地反映了各省市经济活动的总体规模和发展水平，广东、江苏、山东等经济强省，GDP总量长期位居前列；三次产业增加值清晰地展示了各省市不同产业的发展规模和经济效益，东部沿海省市在第二、三产业增加值方面表现突出，产业结构不断优化升级；地方一般预算收入体现了各省市财政收入水平，反映了经济运行的效益和政府的财政实力，经济发达地区的地方一般预算收入相对较高，能够为公共服务和基础设施建设提供更充足的资金支持；专利申请授权数反映了各省市的科技创新成果转化能力，深圳、杭州等城市在这一指标上表现优异，凭借强大的科技创新能力推动经济高质量发展。基于本研究的目的，即全面评价我国各省市经济在投入产出方面的相对效率，并深入剖析技术效率和规模效率对总体经济效率的影响，选择数据包络分析（DEA）方法中的CCR模型和BCC模型进行实证分析。CCR模型在规模报酬不变的假设下，能够评价决策单元的总体技术效率，衡量在现有投入水平下实现最大产出的能力，帮助我们判断各省市经济系统在整体上是否达到了相对有效的投入产出状态。BCC模型则在规模报酬可变的假设下，将总体技术效率进一步分解为纯技术效率和规模效率。纯技术效率体现了决策单元在不考虑规模因素时，其生产技术水平和管理效率的高低，反映了对生产技术和管理资源的有效利用程度；规模效率衡量了决策单元的生产规模是否处于最优状态，揭示了生产规模变化对效率的影响。通过这两个模型的协同运用，能够从多个维度深入剖析各省市经济效率的构成，全面了解各省市经济发展的优势与不足，为后续的分析和政策建议提供有力支持。四、基于DEA模型的实证分析4.2实证结果分析4.2.1技术效率分析运用DEAP2.1软件，基于前文选定的投入产出指标数据，对我国各省市经济相对效率进行测算，得到各省市的技术效率值，结果如表1所示（此处仅为示例，实际数据需根据计算得出）：省市2015年技术效率值2016年技术效率值2017年技术效率值2018年技术效率值2019年技术效率值北京0.950.960.980.970.99天津0.880.900.920.910.93河北0.750.780.800.820.83..................从横向比较来看，在某一特定年份，技术效率值为1的省市，表明其在该年度实现了技术有效，即这些省市在现有投入水平下，达到了生产前沿面，实现了产出的最大化，资源得到了最优配置。例如，在2019年，上海、江苏等省市技术效率值达到了1，处于技术有效状态，这意味着这些省市在年末从业人员、全社会固定资产投资、R&D经费、能源消费总量等投入要素的组合下，能够高效地生产出GDP、三次产业增加值、地方一般预算收入、专利申请授权数等产出，经济发展在技术层面表现出色，投入产出比达到了相对最优。而技术效率值小于1的省市，则处于非技术有效状态，存在投入冗余或产出不足的情况。以2019年的云南省为例，其技术效率值为0.78，说明该省在投入产出方面存在改进空间。可能是投入的年末从业人员数量过多，但劳动生产率不高，导致人力资源的浪费；或者是全社会固定资产投资没有得到合理的配置，部分投资项目效益不佳，未能充分带动经济增长；也有可能是R&D经费投入虽然不少，但科技创新成果转化能力较弱，专利申请授权数较少，未能有效推动产业升级和经济发展。从纵向比较来看，观察各省市在不同年份的技术效率值变化，可以了解其技术效率的动态发展趋势。如广东省，2015-2019年技术效率值分别为0.85、0.88、0.90、0.92、0.94，呈现逐年上升的趋势，表明广东省在这五年间不断优化投入产出结构，提高资源利用效率，通过技术创新、产业升级等措施，经济发展的技术效率逐步提升，经济发展质量不断提高。相反，有些省市的技术效率值可能出现波动甚至下降的情况。例如辽宁省，在2015-2017年技术效率值相对稳定，但在2018-2019年出现了下降，从0.82降至0.79，这可能与该省产业结构调整过程中遇到的困难、部分传统产业竞争力下降等因素有关，导致经济发展的技术效率受到影响，需要进一步分析原因，采取针对性措施加以改进。4.2.2纯技术效率分析纯技术效率反映了决策单元在不考虑规模因素时，其生产技术水平和管理效率的高低。同样运用DEAP2.1软件计算各省市纯技术效率值，得到如下结果（示例数据）：省市2015年纯技术效率值2016年纯技术效率值2017年纯技术效率值2018年纯技术效率值2019年纯技术效率值北京0.980.990.990.980.99天津0.920.930.940.930.95河北0.800.820.840.850.86..................纯技术效率值越接近1，表明该省市的管理和技术水平越高，能够在现有的技术和管理条件下，充分利用投入要素，实现较高的产出效率。例如，北京市在2015-2019年期间，纯技术效率值始终保持在较高水平，接近1，这得益于北京市丰富的科技资源、先进的管理理念和完善的创新体系。大量的科研机构、高校以及高新技术企业汇聚于此，为技术创新和管理提升提供了强大的支持。同时，政府积极推动科技创新政策的实施，优化营商环境，提高了企业的管理效率和技术创新能力，使得北京市在经济发展过程中，能够充分发挥技术和管理的优势，实现较高的纯技术效率。对于纯技术效率值较低的省市，说明其在管理和技术水平方面存在不足，需要加强技术创新和管理改进。以广西壮族自治区为例，2019年纯技术效率值为0.75，相对较低。这可能是由于该地区部分企业技术装备落后，生产工艺陈旧，导致生产效率低下；在管理方面，企业的管理模式较为传统，缺乏科学的决策机制和高效的运营管理体系，无法充分调动员工的积极性和创造力，影响了资源的有效利用和产出的提升。因此，广西壮族自治区需要加大对技术创新的投入，引进先进的生产技术和管理经验，加强人才培养和引进，提高企业的自主创新能力和管理水平，从而提升纯技术效率。管理和技术水平对经济效率有着至关重要的影响。先进的管理水平能够优化资源配置，合理安排生产流程，提高生产效率，降低生产成本。例如，企业通过实施精益生产管理模式，能够减少生产过程中的浪费，提高产品质量和生产效率，从而提升经济效率。而高水平的技术则能够推动产业升级，开发新产品，拓展新市场，提高产品附加值，增强企业的竞争力。例如，在信息技术领域，大数据、人工智能等新技术的应用，能够帮助企业更好地了解市场需求，优化生产决策，提高生产效率和经济效益。因此，各省市应高度重视管理和技术水平的提升，通过加强科技创新、优化管理模式等措施，提高纯技术效率，进而促进经济效率的提升。4.2.3规模效率分析规模效率衡量了决策单元的生产规模是否处于最优状态，反映了由于生产规模的变化而对效率产生的影响。通过DEAP2.1软件计算各省市规模效率值，结果如下（示例数据）：省市2015年规模效率值2016年规模效率值2017年规模效率值2018年规模效率值2019年规模效率值规模报酬情况（2019年）北京0.970.970.990.990.99规模报酬不变天津0.960.970.980.980.98规模报酬不变河北0.940.950.950.960.97规模报酬递增.....................规模效率值为1的省市，表明其经济规模处于最优状态，此时增加或减少投入规模，都不会带来效率的提升，处于规模报酬不变阶段。如上海市在2019年规模效率值为1，规模报酬不变，说明上海市在当前的经济规模下，投入产出达到了最佳平衡，资源利用效率达到了最大化。无论是增加劳动力投入、固定资产投资，还是扩大生产规模，都难以进一步提高经济效率，此时应注重保持现有规模的稳定，并通过技术创新、管理优化等方式提升经济发展质量。规模效率值小于1且规模报酬递增的省市，说明其目前的经济规模偏小，增加投入规模能够带来产出的更大比例增长，从而提高经济效率。以贵州省为例，2019年规模效率值为0.85，且处于规模报酬递增阶段。这意味着贵州省在经济发展过程中，扩大生产规模能够有效提升经济效率。贵州省可以加大对基础设施建设的投入，吸引更多的企业入驻，扩大产业规模；同时，增加劳动力投入，提高人力资源的利用效率，通过规模的扩张来实现经济的快速增长和效率的提升。规模效率值小于1且规模报酬递减的省市，则表明其经济规模过大，投入的增加无法带来相应比例的产出增加，甚至可能导致产出减少，此时应适当缩小经济规模，优化产业结构，提高资源利用效率。例如山西省，2019年规模效率值为0.80，处于规模报酬递减阶段。山西省长期以来以煤炭产业为主导，产业结构单一，经济规模过度依赖煤炭资源的开发和利用。随着市场环境的变化和资源的逐渐枯竭，这种过大的经济规模导致了资源浪费、环境污染等问题，经济效率逐渐下降。因此，山西省需要加快产业结构调整，减少对传统煤炭产业的依赖，培育新兴产业，优化经济规模，提高资源利用效率，实现经济的可持续发展。4.3非DEA有效的原因探究通过对非DEA有效省市的参考集合和差额变数进行深入分析，可以清晰地找出其投入冗余和产出不足的具体方面，进而探究导致非DEA无效的深层次原因。在投入冗余方面，以部分非DEA有效省市为例，年末从业人员冗余现象较为突出。某些省市在产业结构调整过程中，传统产业逐渐衰退，但劳动力未能及时从这些产业中转移出来，导致大量劳动力闲置，投入冗余严重。例如，一些资源型城市，随着资源的逐渐枯竭，相关产业规模缩小，但从业人员数量却没有相应减少，造成人力资源的浪费。在全社会固定资产投资方面，部分非DEA有效省市存在盲目投资和重复建设的问题。一些地区为了追求短期的经济增长，过度投资于一些低水平、高耗能的项目，这些项目不仅经济效益低下，还占用了大量的资金和资源，导致固定资产投资冗余。同时，由于投资决策缺乏科学论证和长远规划，一些投资项目与当地的产业发展需求不匹配，无法发挥应有的效益，进一步加剧了投资冗余。在产出不足方面，GDP产出不足是一个较为普遍的问题。部分非DEA有效省市产业结构不合理，过度依赖传统产业，新兴产业发展缓慢，导致经济增长动力不足，GDP产出无法达到有效水平。例如，一些以农业为主的省市，农业产业化程度低，农产品附加值不高，对GDP的贡献有限；而在工业领域，一些省市的工业企业技术水平落后，产品竞争力不强，市场份额逐渐缩小，也制约了GDP的增长。地方一般预算收入不足也是非DEA有效省市存在的一个重要问题。这主要是由于经济发展水平较低，企业盈利能力不强，税收贡献有限；同时，一些地区的财政收入结构不合理，非税收入占比较高，而税收收入增长缓慢，影响了地方一般预算收入的规模。导致非DEA有效的原因是多方面的。从产业结构角度来看，产业结构不合理是导致经济效率低下的重要原因之一。部分省市产业结构单一，过度依赖少数几个产业，抗风险能力较弱。例如，一些资源型省市，经济发展主要依赖资源开采和初加工产业，一旦资源价格波动或资源枯竭，经济就会受到严重冲击。同时，产业结构层次较低，传统产业占比较大，新兴产业和高新技术产业发展不足，也限制了经济效率的提升。传统产业往往技术含量低、附加值低，资源消耗大、环境污染重，难以适应市场需求的变化和经济发展的要求。从技术创新能力方面分析，技术创新能力不足是影响经济效率的关键因素。技术创新能够推动产业升级，提高生产效率，降低生产成本，增强企业的竞争力。然而，部分非DEA有效省市的企业技术创新投入不足，研发能力薄弱，缺乏自主知识产权和核心技术。这使得企业在市场竞争中处于劣势，产品附加值低，市场份额逐渐缩小，进而影响了整个地区的经济效率。此外，一些地区的科技创新环境不完善，缺乏有效的科技创新激励机制和人才培养引进机制，也制约了技术创新能力的提升。政策因素也对经济效率产生重要影响。一些地区的政策制定缺乏科学性和针对性，未能充分考虑当地的实际情况和产业发展需求，导致政策效果不佳。例如，一些地区出台的产业扶持政策，由于缺乏对市场需求和产业发展趋势的深入分析，扶持的项目与市场需求脱节，无法发挥政策的引导作用。同时，政策执行不到位也是一个普遍存在的问题。一些地区在政策执行过程中，存在着推诿扯皮、效率低下等现象，导致政策无法及时有效地落实，影响了企业的发展和经济效率的提升。4.4效率优化目标设定针对非DEA有效的省市，基于DEA模型的投影分析原理，可明确其投入减少和产出增加的优化目标，以实现经济相对效率的提升。假设存在一个非DEA有效的决策单元（省市），其投入向量为X=(x_1,x_2,\cdots,x_m)，产出向量为Y=(y_1,y_2,\cdots,y_s)，通过DEA模型计算得到的最优解为\theta（技术效率值）、\lambda_j（各决策单元的权重）、s^-（投入松弛变量）和s^+（产出松弛变量）。对于投入指标，其优化目标是减少投入冗余，使投入量达到生产前沿面上的有效水平。具体来说，第i种投入要素的优化目标值x_{i}^*可通过以下公式计算：x_{i}^*=\thetax_{i}-s_{i}^-其中，x_{i}为当前第i种投入要素的实际值，\theta为该决策单元的技术效率值，反映了在现有生产技术和管理水平下，投入要素可减少的比例；s_{i}^-为第i种投入要素的松弛变量，代表了该投入要素的冗余量。通过减少投入冗余，可提高资源利用效率，降低生产成本，从而提升经济相对效率。例如，若某非DEA有效省市的年末从业人员实际投入量为x_{1}，通过计算得到的技术效率值\theta=0.8，年末从业人员的松弛变量s_{1}^-=10万人，则该省市年末从业人员的优化目标值x_{1}^*=0.8x_{1}-10万人，即需要减少10万人的从业人员投入，以达到更有效的生产状态。对于产出指标，其优化目标是增加产出不足部分，使产出量达到生产前沿面所要求的水平。第r种产出要素的优化目标值y_{r}^*计算公式为：y_{r}^*=y_{r}+s_{r}^+其中，y_{r}为当前第r种产出要素的实际值，s_{r}^+为第r种产出要素的松弛变量，表示该产出要素的不足量。通过增加产出，可提高经济总量和效益，增强该省市的经济实力和竞争力。例如，某非DEA有效省市的GDP实际产出值为y_{1}，GDP的松弛变量s_{1}^+=500亿元，则该省市GDP的优化目标值y_{1}^*=y_{1}+500亿元，即需要增加500亿元的GDP产出，才能达到生产前沿面的有效产出水平。以具体省市为例，假设云南省在某一时期的DEA分析中，技术效率值为0.78。在投入方面，全社会固定资产投资实际值为x_{固定资产}，投入松弛变量s_{固定资产}^-=200亿元，根据公式计算，其全社会固定资产投资的优化目标值为x_{固定资产}^*=0.78x_{固定资产}-200亿元，这意味着云南省应减少200亿元的固定资产投资冗余，以提高投资效率。在产出方面，地方一般预算收入实际值为y_{预算收入}，产出松弛变量s_{预算收入}^+=80亿元，那么地方一般预算收入的优化目标值为y_{预算收入}^*=y_{预算收入}+80亿元，即需要增加80亿元的地方一般预算收入，才能使产出达到有效水平。通过设定这样明确的投入减少和产出增加的优化目标，各非DEA有效省市可以有针对性地制定发展策略，调整经济结构，提高资源配置效率，逐步向DEA有效状态迈进，从而提升经济相对效率，实现经济的可持续发展。五、影响因素分析5.1面板数据模型构建为了深入探究影响我国各省市经济相对效率的因素，以DEA测算的技术效率值为因变量，选取资本规模、劳动力规模、能源消费状况、财政支出和科技实力等对经济效率可能产生重要影响的因素作为自变量，构建面板数据模型。变量选取：因变量：被解释变量为各省市的技术效率值（TE），该值通过DEA模型中的BCC模型测算得出，它综合反映了各省市在经济发展过程中的技术有效程度，涵盖了生产技术水平和管理效率等多方面因素，能够直观地体现各省市经济相对效率的高低，是衡量经济发展质量的关键指标。自变量：资本规模（CAP）：选用全社会固定资产投资来衡量资本规模，该指标反映了各省市在一定时期内用于建造和购置固定资产的资金总量，体现了资本要素的投入规模。大量的固定资产投资能够改善生产条件，扩大生产规模，为经济增长提供坚实的物质基础，对经济效率的提升具有重要影响。例如，新建的工厂、购置的先进设备等固定资产投资，能够提高企业的生产能力和生产效率，进而影响经济效率。劳动力规模（LAB）：以年末从业人员数量来表示劳动力规模，劳动力是经济生产中不可或缺的要素之一。劳动力规模的大小直接影响到生产活动的开展和经济的运行，充足的劳动力供给能够为经济发展提供人力支持，不同规模的劳动力投入在不同产业和经济发展阶段会对经济效率产生不同的作用。例如，在劳动密集型产业中，劳动力规模的扩大可能会带来产出的显著增加；而在技术密集型产业中，劳动力素质的提升可能比规模的扩大对经济效率的影响更为关键。能源消费状况（ENE）：采用能源消费总量来衡量能源消费状况，能源作为经济发展的重要物质基础，其消费情况直接关系到经济活动的开展。不同的能源消费总量反映了各省市经济发展对能源的依赖程度和消耗水平，能源的合理利用和有效配置对经济效率的提升至关重要。例如，高能耗产业占比较大的省市，能源消费总量通常较高，如果能源利用效率低下，会导致经济效率降低；而注重能源节约和能源结构优化的省市，能够在较低的能源消费总量下实现较高的经济产出，从而提高经济效率。财政支出（FIN）：财政支出体现了政府对经济和社会发展的支持力度。政府通过财政支出进行基础设施建设、教育投入、科技创新扶持等，能够改善经济发展环境，提高生产要素的质量和配置效率，进而影响经济效率。例如，加大对教育的财政支出，可以提高劳动力素质，为经济发展提供高素质的人才；对科技创新的财政扶持，能够推动技术进步，提高生产效率，促进经济效率的提升。科技实力（R&D）：以R&D经费投入来衡量科技实力，R&D经费投入反映了各省市对科技创新的重视程度和投入力度。科技创新是推动经济发展和提高经济效率的核心动力，通过R&D活动，能够开发新技术、新产品，提高生产技术水平和管理效率，增强企业的竞争力，从而对经济效率产生积极影响。例如，高新技术企业通过大量的R&D投入，研发出具有自主知识产权的核心技术，能够提高产品附加值，降低生产成本，提升经济效率。模型设定：构建如下面板数据模型：TE_{it}=\alpha_0+\alpha_1CAP_{it}+\alpha_2LAB_{it}+\alpha_3ENE_{it}+\alpha_4FIN_{it}+\alpha_5R\&D_{it}+\mu_{it}其中，i=1,2,\cdots,n表示第i个省市；t=1,2,\cdots,T表示第t年；TE_{it}表示第i个省市在第t年的技术效率值；CAP_{it}、LAB_{it}、ENE_{it}、FIN_{it}、R\&D_{it}分别表示第i个省市在第t年的资本规模、劳动力规模、能源消费状况、财政支出和科技实力；\alpha_0为常数项；\alpha_1、\alpha_2、\alpha_3、\alpha_4、\alpha_5为各变量的回归系数，反映了自变量对因变量的影响程度；\mu_{it}为随机误差项，代表模型中未考虑到的其他随机因素对技术效率值的影响。在构建面板数据模型时，考虑到各省市在经济发展水平、资源禀赋、产业结构等方面存在个体差异，这些个体特征可能会对经济效率产生影响，且不随时间变化而变化，因此采用固定效应模型或随机效应模型进行估计。通过Hausman检验来确定最终采用的模型。若Hausman检验结果拒绝原假设，则选择固定效应模型，因为固定效应模型能够控制个体的异质性，更准确地反映个体特征对经济效率的影响；若接受原假设，则采用随机效应模型，随机效应模型假设个体效应与解释变量不相关，在一定程度上可以提高估计的效率。通过构建上述面板数据模型，能够定量分析各因素对我国各省市经济相对效率的影响，为深入理解经济效率的影响机制提供实证依据，也为制定提升经济效率的政策提供有力支持。5.2回归结果分析利用Eviews软件对构建的面板数据模型进行回归分析，在进行回归之前，对数据进行了平稳性检验，以避免出现伪回归问题。通过单位根检验方法，对各变量的面板数据进行平稳性检验，确保数据的平稳性。同时，进行了多重共线性检验，以判断自变量之间是否存在高度相关关系，避免因多重共线性导致回归结果的不准确。检验结果表明，各变量之间不存在严重的多重共线性问题，数据适合进行回归分析。回归结果如表2所示（此处为假设的回归结果示例，实际需根据数据计算得出）：变量系数标准误差t统计量概率\alpha_00.2050.0563.6610.000\alpha_1（CAP）0.0850.0214.0480.000\alpha_2（LAB）0.0520.0153.4670.001\alpha_3（ENE）-0.0680.023-2.9570.003\alpha_4（FIN）0.0760.0203.8000.000\alpha_5（R&D）0.1200.0254.8000.000从回归结果来看，资本规模（CAP）的系数为正，且在1%的水平上显著，这表明资本规模对经济相对效率具有显著的正向影响。具体而言，在其他条件不变的情况下，全社会固定资产投资每增加1亿元，技术效率值平均提高0.085。这说明资本投入的增加能够为经济发展提供更坚实的物质基础，改善生产条件，扩大生产规模，从而促进经济相对效率的提升。例如，某省市加大对基础设施建设的投资，新建了高速公路、铁路等交通设施，这不仅降低了企业的物流成本，还提高了区域的可达性，吸引了更多的企业入驻，促进了产业的集聚和发展，进而提高了经济相对效率。劳动力规模（LAB）的系数同样为正，且在1%的水平上显著，说明劳动力规模对经济相对效率也有正向促进作用。年末从业人员数量每增加1万人，技术效率值平均提升0.052。劳动力作为生产过程中的关键要素，充足的劳动力供给能够为经济发展提供人力支持，推动各产业的发展。在制造业中，大量的劳动力投入保证了生产线的正常运转，提高了产品的产量；在服务业中，劳动力的数量和素质决定了服务的质量和效率，促进了服务业的发展，从而对经济相对效率产生积极影响。能源消费状况（ENE）的系数为负，在1%的水平上显著，意味着能源消费总量的增加对经济相对效率具有抑制作用。能源消费总量每增加1万吨标准煤，技术效率值平均降低0.068。这可能是由于我国目前的能源利用效率还相对较低，能源消费结构不合理，以煤炭等传统能源为主，清洁能源占比较低。在能源消费过程中，存在着能源浪费、环境污染等问题，导致能源消费的增加并没有带来相应的经济效率提升，反而对经济相对效率产生负面影响。一些高能耗产业，如钢铁、水泥等行业，能源消耗量大，但产出效率却不高，造成了资源的浪费和环境的污染，影响了经济相对效率的提高。财政支出（FIN）的系数为正，在1%的水平上显著，表明财政支出对经济相对效率有正向影响。财政支出每增加1亿元，技术效率值平均提高0.076。政府通过财政支出进行基础设施建设、教育投入、科技创新扶持等，能够改善经济发展环境，提高生产要素的质量和配置效率，进而促进经济相对效率的提升。加大对教育的财政支出，提高了劳动力素质，为经济发展提供了高素质的人才；对科技创新的财政扶持，推动了技术进步，提高了生产效率，促进了经济效率的提升。科技实力（R&D）的系数为正，且在1%的水平上显著，说明科技实力对经济相对效率的提升具有显著的促进作用。R&D经费投入每增加1亿元，技术效率值平均提高0.120。科技创新是推动经济发展和提高经济效率的核心动力，通过R&D活动，能够开发新技术、新产品，提高生产技术水平和管理效率，增强企业的竞争力，从而对经济效率产生积极影响。高新技术企业通过大量的R&D投入，研发出具有自主知识产权的核心技术，提高了产品附加值，降低了生产成本，提升了经济效率。5.3结果讨论与启示从上述回归结果可以看出，各因素对我国各省市经济相对效率的影响具有不同的特点和作用机制，这些结果为提升各省市经济相对效率提供了重要的理论依据和实践指导。资本规模和劳动力规模对经济相对效率具有显著的正向影响，这与传统经济学理论相符。在经济发展的初级阶段和快速增长时期，资本和劳动力的投入是推动经济增长和提升经济效率的重要动力。加大资本投入，能够为企业提供更先进的生产设备、更完善的基础设施，从而提高生产效率，扩大生产规模，促进经济增长。在一些新兴产业的发展中，大量的资本投入能够迅速推动产业的崛起，形成产业集聚效应，提高经济效率。劳动力作为生产过程中的核心要素，其规模的扩大为各产业的发展提供了充足的人力支持，推动了生产的进行和经济的发展。然而，随着经济的发展和产业结构的升级，单纯依靠增加资本和劳动力投入来提升经济效率的空间逐渐缩小，必须注重提高资本和劳动力的质量与利用效率。在资本利用方面，应优化投资结构，避免盲目投资和重复建设，提高资本的回报率；在劳动力利用方面，要加强劳动力素质的培养和提升，通过教育和培训，提高劳动者的技能水平和创新能力，使劳动力能够更好地适应产业升级和技术创新的需求，从而进一步提升经济相对效率。能源消费状况对经济相对效率呈现显著的负向影响，这反映出我国在能源利用方面存在的问题。当前，我国经济发展对能源的依赖程度仍然较高，且能源利用效率偏低，能源消费结构不合理，以煤炭等传统化石能源为主，清洁能源占比较低。这种能源消费模式不仅导致能源浪费严重，还带来了环境污染等问题，制约了经济相对效率的提升。为了改变这一现状，各省市应积极推动能源结构调整，加大对清洁能源的开发和利用力度，提高清洁能源在能源消费中的比重，如大力发展太阳能、风能、水能、核能等清洁能源。同时，要加强能源管理，推广节能技术和设备，提高能源利用效率，降低单位GDP能耗。通过这些措施，实现能源消费与经济发展的协调共进，提高经济相对效率，促进经济的可持续发展。财政支出和科技实力对经济相对效率具有积极的促进作用，这充分体现了政府在经济发展中的重要引导作用以及科技创新的核心驱动力作用。政府通过合理安排财政支出，加大对基础设施建设的投入，能够改善交通、通信、能源等基础设施条件，降低企业的运营成本，提高区域的竞争力；增加对教育的投入，能够培养高素质的人才，为经济发展提供智力支持；加强对科技创新的扶持，能够推动企业开展技术研发和创新活动，提高生产技术水平和管理效率。科技实力的提升是推动经济效率提高的关键因素，科技创新能够催生新的产业和商业模式，提高产品附加值，增强企业的市场竞争力。各省市应进一步加大财政对科技创新的支持力度，建立健全科技创新激励机制，鼓励企业增加R&D经费投入，加强产学研合作，促进科技成果的转化和应用，提高科技创新对经济增长的贡献率，从而有效提升经济相对效率。综上所述，为了提升我国各省市经济相对效率，应综合考虑各因素的影响，采取针对性的措施。在加大资本和劳动力投入的同时，注重提高其质量和利用效率；积极推动能源结构调整，提高能源利用效率；充分发挥政府的引导作用，合理安排财政支出，加大对基础设施建设、教育和科技创新的投入；坚定不移地实施创新驱动发展战略，提高科技实力，促进经济发展方式的转变和产业结构的升级。通过这些措施的协同推进，实现我国各省市经济的高质量发展，提升经济相对效率，增强我国经济的整体竞争力。六、结论与建议6.1研究结论总结本文运用数据包络分析（DEA）方法中的CCR模型和BCC模型，对我国各省市经济相对效率进行了全面深入的评价研究，并通过构建面板数据模型，分析了影响经济相对效率的因素，主要研究结论如下：在经济相对效率评价方面，我国各省市经济相对效率存在显著差异。从技术效率来看，部分省市如上海、江苏等在2015-2019年期间技术效率值达到1，实现了技术有效，表明这些省市在现有投入水平下达到了生产前沿面，资源得到了最优配置；而部分省市技术效率值小于1，处于非技术有效状态，存在投入冗余或产出不足的问题，如云南省在2019年技术效率值为0.78，在投入产出方面存在改进空间。从纯技术效率角度，北京、上海等省市纯技术效率值始终保持在较高水平，接近1，反映出这些省市的管理和技术水平较高；而广西壮族自治区等部分