制造业转型升级与经济高质量发展

奥鹏网院作业

制造业转型升级与经济高质量发展
——基于全要素能源效率的研究
许光清 邓 旭 陈晓玉

[提 要] 全要素能源效率较高的行业逐步替代全要素能源效率较低的行业是制造业新旧动能转换的表现形式，也是促进经济高质量发展的核心。将非期望产出纳入考虑，本文构建SBM模型研究2009—2016年制造业各行业的全要素能源效率，基于GML指数计算及各项分解值的变动可以看出：(1)考虑了环境非期望产出的全要素能源效率较高的行业是新型制造业，这些新型制造业具备了带动和替代其他传统制造业的新动能；(2)基于GML指数的计算表明，大多数行业的技术进步和技术效率在上升，而与规模有关的技术规模和规模效率在下降；(3)将SBM模型与GML指数结合分析，发现全要素能源效率及其累计变动具有较高的一致性，处在线性趋势线上方的行业主要是新型制造业，其全要素能源效率的累计变动值更大，其有潜力在数年之后进一步提高全要素能源效率。这进一步验证了我国制造业已经实现了部分的新旧动能转换，且后续会有更多的转换发生。

[关键词] SBM模型；GML指数；全要素能源效率；制造业转型升级

党的十九大提出当前我国经济已由高速增长阶段转向高质量发展阶段，要推动经济发展质量变革、效率变革、动力变革，提高全要素生产率。经济高质量发展首先是有效率的发展，该效率是指综合考虑了各投入要素的产出效率，即全要素生产率。传统全要素生产率的研究通常只考虑资本、劳动要素而忽略能源要素，通常只考虑经济产出，而不考虑环境排放等非期望产出。实际上，当前我国能源问题凸显，具体表现为经济发展过多依赖于能源投入、能源利用效率比较低下以及能源开发利用导致的生态环境问题严重。能源效率已经成为制约我国经济高质量发展的最大瓶颈之一，考虑了多种投入要素和非期望产出的全要素能源效率也成为衡量经济高质量发展的重要指标。其次，经济高质量发展是结构优化的发展，结构优化意味着要素倾向于往效率更高的行业或者地区流动，要素的配置效率提高。我国制造业是经济的重要组成部分，其转型升级是促进经济高质量发展的核心，是新旧动能转换的具体表现。本文将全要素能源效率与其变化率之间建立联系，测算了制造业各行业的全要素能源效率，同时测算了制造业全要素能源效率的变化率和变化趋势以表征制造业内部的新旧动能转换，以观察制造业是否已经发生了新旧动能转换，以及是否具备了进一步转型升级的内在动力。研究表明，我国制造业的大多数行业已经处于发展比较成熟、正在进行新一轮技术革新的阶段，我国制造业已经具备了转型升级、向经济高质量发展转化的充分条件。

一、文献综述
(一)经济高质量发展、新旧动能转换与产业结构升级
自党的十九大明确提出将经济高质量发展作为我国的发展目标以来，学界开始重视对经济高质量发展的研究。高质量发展是指生产要素投入少、资源配置效率高、资源环境成本低、经济社会效益好的发展。传统的粗放式经济增长不能带来可持续的发展，也不能满足人民对高品质生活的需求，我国的经济发展模式迫切需要向高质量发展转型升级(王永昌和尹江燕，2019；李彩华，2019)。

如何实现经济的高质量发展？新旧动能转换是其内在动力与实质。当前，我国无效供给过剩，有效需求难以满足，传统产业对经济增长的拉动作用减弱；变化的国际贸易环境也使得我国经济高质量发展的动能急需升级转换。新旧动能转换意味着加快培育壮大新动能，改造提升传统动能，发展新经济，保持经济持续稳定健康发展(魏杰和汪浩，2018；余东华，2018)。

经济增长新旧动能转换的外在表现即为产业转型升级。产业转型升级意味着产业结构优化，既包括三次产业的结构优化，也包括第二产业内部的结构优化，即生产方式由粗放式向集约式的转变，产品价值由低附加值向高附加值转变，产业形态由高耗能高污染向低耗能低污染转变。产业转型升级是转变经济发展方式的核心，也是高质量发展的主攻方向(高远东等，2015；秦放鸣和唐娟，2020)。

作为实体经济的重要组成部分，制造业的转型升级对于经济的高质量发展意义重大，制造业的高质量发展是我国经济高质量发展的核心和基础。过去，我国制造业以粗放型增长模式发展，生产效率普遍不高，要素沉淀在生产率不高的行业拖慢了经济转型升级的步伐。同时，能源要素的过度投入使得制造业的生产过程排放大量废弃物，严重影响我国生态环境，资源与环境的双重约束也使得制造业亟需转型升级(任保平，2019；赵丽娜，2017)。许多研究显示，制造业转型升级是经济高质量发展的重中之重(安淑新，2018；郭克莎，2019；中国社会科学院工业经济研究所课题组和李平，2010)。

(二)新旧动能转换之能源效率体现
新旧动能的转换意味着高水平增长路径对低水平增长路径的替代。首先，在较低水平增长路径中，旧动能效率较高，是经济增长的主要动力，新动能虽具有较高的技术水平但技术效率不高。随后，新动能通过知识、经验的积累促进生产效率快速提升，逐步替代旧动能。最后，新动能成为主流，实现较高增长路径(杨蕙馨和焦勇，2018)。由此可见，新动能虽在前期生产效率不高，但得益于较高的技术水平，效率提升快，能够逐步替换旧动能成为经济发展的主要动力。

作为制造业大国，我国制造业长期遵循粗放型发展模式，具有高能耗高污染的特点，资源的过度消耗及其带来的环境污染与经济高质量发展的目标严重冲突。在经济高质量发展的背景下，对效率的考量更应该纳入能源投入与环境非期望产出，重视全要素能源效率。

(三)能源效率及其研究方法
能源效率分为单要素能源效率与全要素能源效率，早期研究大多基于前者，仅涉及有效产出与能源投入的比较，而不考虑其他生产要素，该方法具有较大的局限性。自2006年起，国内逐渐有学者采用全要素能源效率(Hu & Wang，2006)。全要素能源效率基于全要素生产率理论，即认为经济生产中的投入有多种，能源是其中一种，不同投入要素在一定程度上能够相互替代，其组合综合决定了经济的产出能力。全要素能源效率也称作能源全要素生产率、环境全要素生产率和绿色全要素能源效率等。数据包络分析(DEA)是利用线性规划对决策单元进行效率评价的数量分析方法，其本质上是一种非参数前沿面方法，通过计算不同决策单元在生产前沿面上的投影偏离程度，可以评价多投入指标和多产出指标系统的相对效率(Charnes et al.，1978)。全要素能源效率本质上是综合考虑经济系统中各种要素投入的效率，因此可以用DEA方法测算(曾绍伦等，2018)。

在考虑能源效率问题时，环境要素的纳入十分重要，化石能源的开发利用过程中会产生大量温室气体，也会导致严重的大气污染和生态环境破坏。能源利用过程中的环境排放叫作非期望产出。为了更加合理地考虑非期望产出，Tone(2004)在DEA基本模型的基础上，提出了非径向非角度的基于松弛变量的模型(SBM)。该模型的特点在于将松弛变量直接放入规划求解的函数当中，既解决了松弛性问题，也满足期望产出可以自由处置、非期望产出不可自由处置的特点。采用SBM模型，学者们研究了不同年份省际和各工业行业的全要素能源效率(刘叶，2018；张兵兵和朱晶，2015)。

Caves et al.(1982)采用Malmquist指数方法，以便全要素能源效率在时间尺度上进行比较。在Malmquist指数的模型基础上，有学者结合方向性距离函数提出ML指数方法(Chung et al.，1997)。与Malmquist指数成比例扩展有益和有害产出不同，ML指数可以在增加有益产出的同时减少有害产出(王喜平和姜晔，2012)。

然而，由于ML指数计算过程中包含以t时期为技术基础的t+1时期的产出，因此容易出现线性规划无可行解现象，并且ML指数不具有传递性，Oh(2010)将全局思想与方向性距离函数相结合，创建了GML指数，既解决了无解问题，又具备指数循环累加特性。采用GML指数，学者们大多聚焦于省际和“一带一路”沿线国家等，从工业用水效率和全要素能源效率等方面展开了研究(张忠杰和邓光耀，2017；岳立和杨玉春，2019；邓光耀和张忠杰，2019)。

目前还没有学者将全要素能源效率的实证研究与经济高质量发展和新旧动能转换建立联系，也鲜有学者对新旧动能转换进行实证研究。

二、模型方法与数据处理
(一)SBM模型
本文沿用Tone(2004)提出的考虑非期望产出的非径向非角度的SBM模型。x为投入，yg为期望产出，yb为非期望产出，s为松弛变量。全要素能源效率的测算值在0～1之间，当且仅当ρ=1,s=0时决策单元为DEA有效。

ρ=

width=294,height=80,dpi=110
(1)

width=242,height=13,dpi=110
width=91,height=15,dpi=110
ss，sg，sb，λ≥0

(二)GML指数
GML指数方法构建了统一的生产前沿面，本文采纳齐亚伟和陶长琪(2012)的指数分解方法，将GML指数分解为GPTC(纯技术变化)、GSTC(技术规模变化)、GPEC(纯技术效率变化)和GSEC(规模效率变化)，分别计算了VRS(考虑规模效应，假定规模报酬可变)与CRS(不考虑规模效应，假定规模报酬不变)条件下的方向性距离函数width=111,height=20,dpi=110与width=116,height=20,dpi=110其中g=(y,-b)。

width=159,height=20,dpi=110
(2)

width=308,height=38,dpi=110
width=123,height=38,dpi=110
width=171,height=38,dpi=110
width=170,height=38,dpi=110
λj≥0

width=156,height=20,dpi=110
(3)

width=260,height=36,dpi=110
width=99,height=36,dpi=110
width=148,height=36,dpi=110
width=146,height=36,dpi=110
λj≥0

width=45,height=15,dpi=110width=192,height=48,dpi=110

width=237,height=40,dpi=110
(4)

width=156,height=15,dpi=110
width=205,height=103,dpi=110
(5)

width=170,height=15,dpi=110
width=206,height=214,dpi=110
(6)

width=187,height=15,dpi=110
width=204,height=48,dpi=110
(7)

width=170,height=15,dpi=110
width=205,height=103,dpi=110
(8)

式中，Gml>1时意味着全要素能源效率进步，Gml<1时意味着全要素能源效率退步。width=61,height=15,dpi=110表示生产前沿面的移动，当不同时期的纯技术变化GPTC>1时，意味着当期技术前沿面较上一期更加靠近全局技术前沿面，实际经济活动中表现为纯技术进步，GPTC<1时意味着纯技术退步；width=60,height=15,dpi=110表示由于技术进步而引起的规模效应，当不同时期的技术规模变化GSTC>1时意味着技术偏离不变规模报酬，GSTC<1时意味着技术向不变规模报酬移动；width=61,height=15,dpi=110表示不同时期中决策单元和全局生产前沿面的逼近程度，当不同时期的纯效率变化GPEC>1时，意味着决策单元向全局生产前沿面逼近，实际经济活动中表现为纯技术效率改善，GPEC<1时意味着纯技术效率恶化；width=56,height=15,dpi=110表示由于效率值变化引起的规模效应，当不同时期的规模效率变化GSEC>1时意味着规模效率提高，GSEC<1时意味着规模效率下降。

(三)行业分类
本文综合考虑统计口径的统一和行业性质的相似性，将制造业合并为21个行业，见表1。

(四)数据处理
能源投入(E)选取各行业终端能源消费量，采用发电煤耗计算法折标煤数据，数据来源于《中国能源统计年鉴》。

资本投入(K)选取各行业资本存量，计算采用永续盘存法，公式为Kt=Kt-1(1-Dt)+It。首先，计算投资I，以相邻两年固定资本净值之差表示，数据缺失则以当年固定资产原价扣除累计折旧估算，运用分行业生产者出厂价格指数对不同工业行业投资进行平减，数据来源于《中国工业统计年鉴》。其次，折旧率D的选取参考相关研究(张军等，2004；单豪杰，2008；雷辉，2009；刘叶，2018)，最终采用9.8%。最后，资本存量以1999年基期盘存。

表1 行业分类

width=368,height=387,dpi=110
劳动力投入(L)选取各行业平均从业人员，数据来源于《中国工业统计年鉴》。

期望产出(Y)选取分行业工业增加值数据。分行业工业增加值数据自2008年不再公开，一般研究采用两种方法对各年度数据补全。一种是运用工业增加值累计增长率或同比增长率，一种是在投入产出表中找到分行业的增加值数据，中间年份的增加值通过插值法估计。本文主要采用第一种方法，根据2006年分行业工业增加值数据，通过工业增加值累计增长率推算此后十年增加值，数据来源于国家统计局，个别行业由于统计口径发生变化，采用第二种方法进行补全，并统一以1999年为基期运用分行业生产者出厂价格指数进行平减。

非期望产出(B)考虑了二氧化碳排放量，本文将产生二氧化碳的来源分为三类：(1)终端能源消费量二氧化碳排放；(2)电力二氧化碳排放；(3)热力二氧化碳排放。第一部分由不同种类的终端能源消费量与实际排放因子相乘，实际排放因子参考《IPCC 2006年国家温室气体清单指南2019修订版》。第二部分为电力二氧化碳排放，主要考虑火力发电的煤炭燃烧过程中产生的二氧化碳，根据火电发电耗煤率、分行业电力消费量、中国每年的火电占比来计算。第三部分热力二氧化碳排放采用相同方法。数据来源于各年度中国能源平衡表、国家统计局公开数据。

三、中国制造业全要素能源效率实证分析
(一)描述统计
21个制造业行业数据描述统计见表2。不同行业的能源投入差别较大，投入最大的行业为黑色金属冶炼及压延加工业，其终端能源消费量在2014年到达最大值，为80 336.1万吨标煤，此后下降。能源投入最小的行业为烟草制造业，其能源消费量在近年来不断下降，于2016年达到最小值206.4万吨标煤。从资本投入来看，投入最大值为化学工业，一直稳步上升，在2015年达到最大值14 615.9亿元。烟草行业仍是资本投入最小的行业，自2009年起整体呈上升趋势，个别年份资本投入下降。计算机及电子设备制造业的从业人员平均数最高。从期望产出来看，增加值最大的是计算机及电子设备制造业，始终呈现稳步上升趋势，于2016年达到最大值27 094.3亿元。石油炼焦及核燃料加工业增加值最小，2009年达到最小值1 109.3亿元，此后保持上升趋势。从非期望产出来看，黑色金属冶炼及压延加工业二氧化碳排放量最大，于2014年达到最大排放量202 390.8万吨。烟草制造业二氧化碳排放量最小，并且在近年来不断下降，于2016年达到最小值391.5万吨。

表2 2009-2016年指标描述统计

width=736,height=187,dpi=110
说明：其中资本存量和分行业增加值为1999年不变价。

(二)制造业分行业全要素能源效率分析
1.分行业全要素能源效率——SBM模型。

运用SBM模型对制造业21个行业全要素能源效率进行测算，结果表明仅有烟草行业DEA有效，其他行业效率值均小于1，即DEA无效，并且效率值普遍偏低，均在0.8以下。将21个行业的SBM模型年均值结果由小到大排序(见图1)，综合考虑行业性质、全要素能源效率的测算结果，将21个制造业行业分为A，B，C，D四类，A类行业的效率值最低，D类行业最高。

width=542,height=278,dpi=110
图1 全要素能源效率行业排序与分类

A类行业由效率值最低的五个行业组成，效率值约为0.67，这五个行业均为高耗能行业，包括石油炼焦及核燃料加工业(S8)、化学工业(S9)、非金属矿物制品业(S12)、黑色金属冶炼及压延加工业(S13)、有色金属冶炼及压延加工业(S14)。

B类行业由食品工业(S1)、纺织业(S3)、木材加工及家具制造业(S6)、造纸印刷文教业(S7)、医药制造业(S10)、橡胶和塑料制品业(S11)、金属制品业(S15)七个行业组成，该类行业大部分为轻工业，效率值在0.678与0.693之间。

C类行业由八个行业组成，均为全要素能源效率值较高的行业，除纺织服装服饰业(S4)、皮革等制品和制鞋业(S5)以外，剩余六个行业均为设备制造业，包括通用设备制造业(S16)、专用设备制造业(S17)、交通运输设备制造业(S18)、电气机械及器材制造业(S19)、计算机及电子设备制造业(S20)、仪器仪表制造业(S21)。近年来迅速发展的高技术产业、高端装备制造业和战略性新兴产业大多属于这六个行业。

D类行业仅有烟草制造业(S2)，是唯一严格DEA有效的行业，该结果与王海宁和陈媛媛(2010)的结果相一致，烟草制造业的资本和能源密集程度低却有较高的工业增加值，是其全要素能源效率高的原因。

表3是研究期内四类行业的各项年均投入产出指标占其年均总量值的比例，可以反映四类行业各项投入和期望产出与非期望产出的情况。

表3 2006—2016年四类行业的年均投入产出指标占比情况

width=736,height=187,dpi=110
说明：总量数值指21个行业在2006—2016年的年均总量值，其中资本存量和分行业增加值为1999年不变价；各类行业的占比指各类行业的年均值占全部行业年均值的比例。

制造业中全要素能源效率低的行业是传统制造业中的高耗能行业，其消耗了大量的能源和资本，排放了大量的二氧化碳，而只贡献了相对较少的增加值。全要素能源效率较低的行业是轻工业，其能源投入少，资本和劳动投入比较少，排放的二氧化碳少，贡献的增加值也比较少。与此同时，制造业中全要素能源效率较高的行业是我国新型制造业的代表，包括了近年来不断发展壮大的高技术产业、高端装备制造业和战略性新兴产业等，其资本、劳动要素的投入虽然很多，但是能源投入非常少，碳排放量非常少，而增加值的贡献非常显著，这些新型制造业具备了带动和替代其他传统制造业的新动能。

2.分行业全要素能源效率变动——GML指数。

根据GML指数的循环可加性，将历年GML指数值相乘，则可以得到期末相对于期初的效率变动值，并将其进行分解(见图2)。图2的Gml，GPTC，GSTC，GPEC和GSEC实际上为各行业在2009—2016年间的累积变化值，反映制造业全要素能源效率、技术进步、技术规模、技术效率和规模效率在此期间的变动情况。

width=630,height=200,dpi=110
图2 GML指数及其分解累计值曲线

所有行业GML指数值均大于1，GML指数代表全要素能源效率的变动，表明所有制造业行业随着时间变动全要素能源效率不断进步，且多数行业的全要素能源效率变动在10%以下。其中轻工业和高耗能行业的GML指数比较小，说明这些行业的全要素能源效率变动比较小，而大部分机械设备、交通运输设备、电子电气及其他设备制造业的GML指数比较大，说明这些行业的全要素能源效率增长明显，这个结果说明了近年来新型制造业的全要素能源效率的增长速度大于轻工业和高耗能行业，随着时间的推移，新型制造业消耗了更少的资本、劳动和能源，排放了更少的二氧化碳，并且贡献了更多的增加值，新旧动能转换已经在我国制造业展开，新动能正在推动传统经济动能结构优化。

分析构成GML的四个指数，大部分行业GPTC(纯技术变化)>1而GSTC(规模技术变化)<1，说明我国大部分制造业的技术在进步，但技术向不变规模报酬移动。其中，食品工业(S1)、化学工业(S9)、黑色金属冶炼与压延加工业(S13)、交通运输设备制造业(S18)、电气机械及器材制造业(S19)和计算机及电子设备制造业(S20)尤其明显。所有行业中只有橡胶和塑料制品业(S11)GPTC(纯技术变化)<1而GSTC(规模技术变化)>1，说明该行业技术退步，但技术偏离不变规模报酬。

大部分行业GPEC(纯技术效率变化)>1而GSEC(规模效率变化)<1，说明我国大部分制造业的纯技术效率在进步，但规模效率在下降。其中，比较明显的是纺织业(S3)、化学工业(S9)、橡胶和塑料制品业(S11)、非金属制品业(S12)、有色金属冶炼和压延加工业(S14)、金属制品业(S15)和通用设备制造业(S16)。黑色金属冶炼与压延加工业(S13)、交通运输设备制造业(S18)和计算机及电子设备制造业(S20)的GPEC(纯技术效率变化)=1而GSEC(规模效率变化)<1，说明这些行业的纯技术效率不变，但规模效率在下降。石油炼焦及核燃料加工业(S8)、电气机械及器材制造业(S19)和仪器仪表制造业(S21)的GPEC(纯技术效率变化)<1而GSEC(规模效率变化)>1，说明这些行业的纯技术效率在退步，但规模效率在提高。

由以上分析可见，除了S8，S11，S19和S21之外，大多数行业的技术进步和技术效率在上升，而与规模有关的技术规模和规模效率在下降。根据“干中学”理论，规模效益在技术发展中期起作用，在技术发展初期与后期不起作用。这说明我国制造业的大多数行业已经处于发展比较成熟、正在进行新一轮技术革新的阶段，我国的工业化进程经过改革开放40多年的高速发展，制造业已经具备了转型升级、向经济高质量发展转化的充分条件。

3.SBM模型与GML指数比较分析。

将SBM模型与GML指数结合分析，见图3，横轴为基于SBM模型的2009—2016年各行业的全要素能源效率的平均值，纵轴为基于GML指数的2009—2016年各行业全要素能源效率的累计变动值。可以发现全要素能源效率及其累计变动具有较高的一致性，即全要素能源效率越高的行业，效率随时间的增长幅度越快，反映了高效率的行业将一直维持高效率，而具有较多落后产能的行业则容易停滞不前，例如A类的五大高耗能行业。

width=614,height=321,dpi=110
图3 2009—2016年各行业全要素能源效率及其变动分布

根据21个行业的两组数据做线性趋势线，发现大部分行业处在线性趋势线上，亦有部分行业处在线性趋势线上方或下方。处在线性趋势线上方的行业，相对于与其具有同等全要素能源效率平均值的行业来说，其全要素能源效率的累计变动值更大，其有潜力在数年之后提高全要素能源效率等级。反之处在线性趋势线下方的行业，相对于与其具有同等全要素能源效率平均值的行业来说，其全要素能源效率的累计变动值更小，随着时间的推移，其全要素能源效率等级可能降低。而处在线性趋势线上的行业，会维持当前的全要素能源效率等级。

趋势线上方的行业有潜力在数年之后提高其全要素能源效率等级。在B类中，木材加工及家具制造业(S6)的全要素能源效率的累计变动最大，并且高于与其能源效率值匹配的程度，主要原因是前三年的变动较大。在C类中，通用设备制造业(S16)、专用设备制造业(S17)和仪器仪表制造业(S21)的全要素能源效率逐年增加，累计变动值远远高于趋势线。这些行业的全要素能源效率如果始终保持增长态势，数年之后将向坐标轴右方移动。

趋势线下方的行业随着时间的推移，其全要素能源效率等级可能会降低。在C类行业中，纺织服装服饰业(S4)、皮革等制品和制鞋业(S5)属于传统轻工业，虽然其全要素能源效率与新型制造业类似，效率的累计变动值却保持着传统行业的特点，变动较为缓慢。这是因为它们历年GML指数并非全部大于1，尤其在2011—2012年出现了全要素能源效率的退步，2012年终端能源消费量与二氧化碳排放量增长幅度较大。随着时间的推移，这两个传统的轻工业将会退步到B类行业中。也就是说，在前述由SBM模型计算的全要素能源效率值的分类中，虽然这两个传统轻工业行业分在了C类，与属于新型制造业的行业分在了一类，但是随着时间的推移，这两个行业终究要回到以轻工业行业为主的B类。

C类行业的全要素能源效率及其累计变动值均在21个行业平均值之上，具有特殊性的是计算机及电子设备制造业(S20)在趋势线之下，这是因为S20早在21世纪初便有较为迅猛的发展态势，技术水平已然较高，其全要素能源效率从研究起始便大于其他新型制造业行业，后期其能源效率的增长幅度并未超过也在高速增长的其他新型制造业行业。

通过将SBM模型与GML指数结合分析，进一步验证了新型制造业已经具备了带动和替代其他传统制造业的新动能，新动能正在推动传统经济动能结构优化。尽管部分轻工业行业的全要素能源效率平均值与新型制造业行业相近，但是它们的全要素能源效率累计变动值远远小于新型制造业，这说明在研究期限的前期，部分轻工业行业的全要素能源效率比较高，但是随着时间的推移，这些轻工业行业的全要素能源效率在退步，在针对全要素能源效率平均值的分类中，这些轻工业行业终究要回到以轻工业行业为主的B类。

四、结论与建议
本文采用制造业行业2009—2016年面板数据，以能源、劳动力、资本作为投入指标，以期望产出分行业增加值与非期望产出二氧化碳排放量作为产出指标，非期望产出以方向性距离函数的方式纳入考虑，运用SBM模型与GML指数方法分别计算全要素能源效率及其变动程度，对行业之间进行了比较，得出以下结论。

首先，基于SBM模型的全要素能源效率较高的行业是新型制造业，这些新型制造业具备了带动和替代其他传统制造业的新动能。

其次，基于GML指数的计算表明，新型制造业的全要素能源效率的正向变动大于轻工业和高耗能行业，说明新旧动能转换已经在我国制造业展开，新动能正在推动传统经济动能结构优化。大多数行业的技术进步和技术效率在上升，而与规模有关的技术规模和规模效率在下降，这说明我国制造业的大多数行业已经处于发展比较成熟的阶段，已经具备转向经济高质量发展的充分条件。

最后，将SBM模型与GML指数结合分析，发现全要素能源效率及其累计变动具有较高的一致性，同时与其线性趋势线相比，处在线性趋势线上方的行业主要是新型制造业，其全要素能源效率的累计变动值更大，其有潜力在数年之后进一步提高全要素能源效率。反之处在线性趋势线下方的行业主要是全要素能源效率平均值较高的轻工业，其全要素能源效率的累计变动值更小，随着时间的推移，其全要素能源效率会降低。这进一步验证了我国制造业已经实现了部分的新旧动能转换，且后续会有更多的转换发生。

由此本文提出以下建议：

首先，在制造业发展战略和各项环境经济政策的制定上，要从考虑环境非期望产出的全要素能源效率角度出发，抓住科技革命和“新基建”的先机，加快培育新动能，改造升级旧动能，加快促进制造业新旧动能转换与结构转型，促进经济高质量发展，同时对发展理念转变和社会结构转型形成助推效应。

其次，对“旧动能”，制定严格的改造和淘汰政策，加快供给侧结构性改革，取消各类补贴，提升全要素能源效率，转换为“新动能”。同时利用各项经济杠杆，引导社会资源流向“新动能”，促进“新动能”进一步发展。推动新技术、新产业加快成长，培育壮大新动能，加快发展新经济。

最后，通过制造业的转型升级培育一批知识、技术密集型产业，提升全球产业链、供应链水平。同时结合地域特色与产业优势，引导高端制造业与金融业、商贸服务业等第三产业融合发展，引导以新模式、新业态为代表的新经济发展成为总体经济的“新动能”，以制造业的高质量发展推动产业结构高级化，实现总体经济的高质量发展。

参考文献

安淑新，2018：《促进经济高质量发展的路径研究:一个文献综述》，《当代经济管理》第9期。

邓光耀、张忠杰，2019：《基于网络SBM-DEA模型和GML指数的中国各省工业用水效率研究》，《自然资源学报》第7期。

高远东、张卫国、阳琴，2015：《中国产业结构高级化的影响因素研究》，《经济地理》第6期。

郭克莎，2019：《中国产业结构调整升级趋势与“十四五”时期政策思路》，《中国工业经济》第7期。

雷辉，2009：《我国资本存量测算及投资效率的研究》，《经济学家》第6期。

李彩华，2019：《中国经济转向高质量发展阶段的历史必然性》，《中南财经政法大学学报》第1期。

刘叶，2018：《国际贸易会恶化全要素能源效率吗——基于中国33个工业行业的经验分析》，《中国人口·资源与环境》第6期。

齐亚伟、陶长琪，2012：《我国区域环境全要素生产率增长的测度与分解——基于Global Malmquist-Luenberger指数》，《上海经济研究》第10期。

秦放鸣、唐娟，2020：《经济高质量发展:理论阐释及实现路径》，《西北大学学报》(哲学社会科学版)第3期。

任保平，2019：《新时代我国制造业高质量发展需要坚持的六大战略》，《人文杂志》第7期。

单豪杰，2008：《中国资本存量k的再估算:1952—2006年》，《数量经济技术经济研究》第10期。

王海宁、陈媛媛，2010：《产业集聚效应与工业能源效率研究——基于中国25个工业行业的实证分析》，《财经研究》第9期。

王喜平、姜晔，2012：《碳排放约束下我国工业行业全要素能源效率及其影响因素研究》，《软科学》第2期。

王永昌、尹江燕，2019：《论经济高质量发展的基本内涵及趋向》，《浙江学刊》第1期。

魏杰、汪浩，2018：《转型之路:新旧动能转换与高质量发展》，《国家治理》第21期。

杨蕙馨、焦勇，2018：《新旧动能转换的理论探索与实践研判》，《经济与管理研究》第7期。

余东华，2018：《以“创”促“转”:新常态下如何推动新旧动能转换》，《天津社会科学》第1期。

岳立、杨玉春，2019：《“一带一路”沿线国家绿色全要素能源效率的时空分异研究——基于超效率DEA模型和GML指数法》，《经济问题探索》第6期。

曾绍伦、 张雨朦、邓想，2018：《工业全要素能源效率研究进展与展望》，《生态经济》第11期。

张忠杰、邓光耀，2017：《环境约束视角下中国各省全要素能源利用效率变动研究》，《生产力研究》第12期。

张军、吴桂英、张吉鹏，2004：《中国省际物质资本存量估算:1952—2000》，《经济研究》第10期。

张兵兵、朱晶，2015：《出口对全要素能源效率的影响研究——基于中国37个工业行业视角的经验分析》，《国际贸易问题》第4期。

赵丽娜，2017：《产业转型升级与新旧动能有序转换研究——以山东省为例》，《理论学刊》第2期。

中国社会科学院工业经济研究所课题组、李平，2010：《“十二五”时期工业结构调整和优化升级研究》，《中国工业经济》第1期。

Caves, D.W., L.R.Christensen, and W.E.Diewert, 1982, “The Economic Theory of Index Numbers and the Measurement of Input, Output, and Productivity”, Econometrica, 50(6):1393-1414.

Charnes, A., W.W.Cooper, and E.Rhodes, 1978, “Measuring the Efficiency of Decision Making Units”, European Journal of Operational Research, 2(6):429-444.

Chung, Y.H., R.Färe, and S.Grosskopf, 1997, “Productivity and Undesirable Outputs: A Directional Distance Function Approach”, Journal of Environmental Management, 51(3):229-240.

Hu, J.L., and S.C.Wang, 2006, “Total-factor Energy Efficiency of Regions in China”, Energy Policy, 34(17):3206-3217.

Oh, D.H., 2010, “A Global Malmquist-Luenberger Productivity Index”, Journal of Productivity Analysis, 34(3):183-197.

Tone, K., 2004, “Dealing with Undesirable Outputs in DEA: A Slacks-based Measure (SBM) Approach”,North American Productivity Workshop.

TRANSFORMATION AND UPGRADING OF MANUFACTURING AND HIGH-QUALITY ECONOMIC DEVELOPMENT
——A Research Based on Total Factor Energy Efficiency
XU Guang-qing1 DENG Xu2 CHEN Xiao-yu1

(1. School of Environment and Natural Resources, Renmin University of China; 2. Institute of Energy Environment and Economy, Tsinghua University)

Abstract: The gradual substitution of sectors with higher Total Factor Energy Efficiency (TFEE) for those with lower one is a manifestation of the shift from the old growth driving force to the new one in the manufacturing, and is also the core of promoting high-quality economic development. Taking non-desirable output into consideration, this paper constructs the Slack Based Measure (SBM) to study the TFEE of various sectors from 2009 to 2016, and then calculates the Global Malmquist-Luenberger (GML) index and its decomposition. The following conclusions are drawn: (1) Sectors with higher TFEE are new manufacturing, which is the new growth driving force to substitute traditional manufacturing. (2)The calculation based on the GML index shows that the technological progress and technological efficiency of most sectors are rising, while the scale-related technological scale and scale efficiency are decreasing. (3) The combination of the SBM model and the GML index shows that the TFEE and its cumulative change have a high consistency, and the sectors above the line are mainly the new manufacturing, which have the larger cumulative change value of TFEE and have the potential to increase their TFEE over time. This further verifies that some of the old growth driving forces have been replaced by new ones in China’s manufacturing. More replacements will occur in the near future.

Key words: SBM model; GML index; TFEE; transformation and upgrade of manufacturing