中国数字经济产出效率：区位差异及变化趋势.pdfVIP

中国数字经济产出效率：区位差异及变化趋

势

作者：蔡昌林高怡李劲微

来源：《财会月刊·下半月》2020年第03期

【摘要】基于2008～2016年29個省份的面板数据，利用BCC-DEA模型和Malmquist指

数模型分别从静态和动态测算中国数字经济产出效率。研究发现，中国各省份数字经济产出效

率存在显著差异。从静态效率分析，东部地区的技术效率最低，中部地区次之，西部地区最

高。其中，北京、上海、浙江、江苏的相对产出效率排名垫底，资源配置效率低是其主要限制

因素，广东的纯技术效率虽高，但产出效率受到规模效率的制约。从动态效率分析，中国数字

经济全要素生产率总体呈先升后降趋势，主要原因在于技术升级遭遇瓶颈。此外，东部大部分

省份得益于纯技术效率的增长和规模效率的优化，正在逐步缩小与效率前沿省份技术效率的相

对差距。

【关键词】数字经济;全要素生产率;DEA-Malmquist指数法;区位差异

【中图分类号】F49【文献标识码】A【文章编号】1004-0994（2020）06-0153-8

一、引言

自2008年金融危机爆发以来，世界经济发展模式受到了巨大冲击。数字经济作为经济增

长的新引擎，开始带动相关产业变革，对人们的生产和生活带来颠覆性影响[1]。当前，中国

已经进入“经济新常态”，亟待寻找促进经济高质量增长的新动能，而数字经济不仅可以为传统

企业的发展注入新动能，还可以交叉融合推进各领域技术变革[2]。因此数字经济成为中国实

现可持续发展的关键依托，也是引领国家创新战略的重要力量[3]。

数字经济的概念可以追溯到1995年，DonTapscott[4]提出，与传统经济相比，数字经济

应该具有知识性、融合性、创新性、数字化等特征。进入20世纪，国内外学者开始从经济学

视角对数字经济的内涵进行探讨，Kim等[5]认为：数字经济是一种特殊的经济形态，数字经

济的活动本质为“商品和服务以数字化形式进行交易”。在2016年的世界经济论坛上，数字经

济被定义为“第四次工业革命”框架中的一部分。在数字经济浪潮的席卷之下，企业的规模优势

正在被数字化优势取代，数字化可以使企业在资本与人力不变的情况下扩大产能，转变甚至颠

覆传统企业的发展模式。

学术界对数字经济的初期研究，甚少从实证层面进行分析。这是因为研究初期指标设计过

于片面，经济统计未能跟上数字革命的步伐[6]，从而不能准确测算数字经济的产出效率。

1998年美国已经开始对数字经济的发展水平进行测算，并尝试从宏观角度分析信息技术在“高

增长、高就业、低通胀”经济运行模式中的作用，但是，由于数字经济往往融合于一个或者多

个行业，数字经济的统计口径和产业分类与传统经济不尽相同[7]。当前，经济合作与发展组

织[8]、中国信息通信研究院、上海社会科学院经济研究所、赛迪顾问、腾讯研究院等机构和

组织开始从多个维度构建数字经济的指标体系，并通过赋予不同权重来刻画各地区的数字经济

发展水平。由于一些“免费数字经济”的存在，当前的统计方式仍低估了数字经济对社会经济的

贡献[9]。向书坚等[10]认为，未来的数字经济统计研究可加强对数字技能、社会福利和安全

保护等领域的统计，以弥补数字经济统计中的薄弱环节。

由此可见，已有数字经济报告的重点聚焦于数字经济产出水平，较少甚至几乎没有关注数

字经济的产出效率，更谈不上深入研究数字经济的区位差异与变化趋势。基于此，本文采用

DEA（数据包络分析）方法，分别从静态、动态两个角度比较研究中国各省份数字经济产出效

率，探讨中国在推进数字经济建设中遇到的瓶颈，为数字经济产出效率的研究奠定基础。同

时，通过分解效率指标，剖析数字经济投入产出存在的问题及成因，为提升数字经济产出效

率、促进数字经济健康发展提供理论支撑与政策依据。

二、模型和方法

（一）DEA基本模型及其原理

DEA方法主要用于研究相同类型的决策单元（DMU）的相对有效性，其原理是利用线性

规划构建有效的凸性生产前沿面（ProductionFrontiers），通过实际生产活动与生产前沿面相

比较来计算决策单元的相对效率。鉴于学术界对数字经济的规模报酬仍无定论，本文采用规模

报酬可变的BCC-DEA模型，该模型可测算决策单元的技术效率（TE），并将其分解为纯技术

效率（PTE）和规模效率（SE）[11]。技术效率反映的是一个生产单元技术水平的高低，即每

消耗一单位的投入所生