中国省域新质生产力发展效率测评及数字经济对新质生产力影响因素分析——基于超效率SBM-Malmquist-Tobit模型

Evaluation of the Development Efficiency of New Quality Productivity in China Provinces and Analysis of the Influencing Factors of Digital Economy on New Quality Productivity—Based on the Super-Efficiency SBM-Malmquist-Tobit Model

摘要: 本文以2012~2021年我国30个省/市为研究对象，基于超效率SBM模型结合DEA-Malmquist指数模型对我国30个省/市新质生产力水平进行测算，从静态、动态两个维度进行分析。结果显示，我国新质生产力发展效率呈现波动上升趋势，从东西中部地区按从高到低排序为东部地区、西部地区、中部地区；同时，我国新质生产力总体水平受技术进步的影响更大。其次，利用Tobit回归模型分析数字经济影响新质生产力发展水平的因素，发现数字经济对发展新质生产力有着显著的正向促进作用。因此，为推进我国整体新质生产力的发展，重点关注未来产业和新兴产业，加强高技术人才、数字技术研发、环境保护、数字经济、数字基础设施等要素的投入。

Abstract: This study focuses on the 30 provinces/cities in China from 2012 to 2021, employing the super-efficiency SBM model in conjunction with the DEA-Malmquist index model to measure the level of new quality productivity in these provinces/cities, and analyzes it from both static and dynamic perspectives. The findings indicate that the development efficiency of China’s new quality productivity has shown a fluctuating upward trend, with the eastern, central, and western regions ranked from high to low as follows: the eastern region, the western region, and the central region. Moreover, the overall level of China’s new quality productivity is more significantly influenced by technological progress. Furthermore, using the Tobit regression model to analyze the factors influencing the development level of new quality productivity, it is discovered that the digital economy has a significant positive effect on the development of new quality productivity. Therefore, to promote the overall development of China’s new quality productivity, it is essential to focus on future and emerging industries and to strengthen the investment in high-tech talent, digital technology research and development, environmental protection, and digital infrastructure.

1. 引言

新质生产力将在二零二三年九月初，由习近平总书记在视察黑龙江时第一次正式提及。而针对这一新定义，习近平总书记则着重强调“积极培育新能源、新材料、先进制造、电子信息等战略性新兴产业，积极培育未来产业，加快形成新质生产力，增强发展新动能”[1]。如在二零二四年举行的全国两会上，习近平总书记就多次提到“新质生产力”。同时，在政府的工作报告中，着重强调将“大力推进现代化产业体系建设，加快发展新质生产力”作为政府工作中年度工作任务的首要工作[2]。为了推动我国经济高质量发展、全面落实新发展阶段的创新驱动发展战略、促进我国区域经济协调合作发展等目标，那么尽快形成以战略性新兴产业与未来产业为主要载体的新质生产力就是最重要的路径之一[3]。新质生产力是基于我国目前所处的国内外形势以及为实现两个百年奋斗目标。这个目标包括实现社会主义现代化，提高国家的综合实力和国际竞争力，同时确保人民享有更加富裕和美好的生活。新质生产力相对于传统生产力，主要体现在“新”与“质”上。在“新”层面，从马克思政治经济学关于生产力三要素的角度，体现为新劳动者、新劳动对象、新劳动资料。同时以新技术、高科技技术、战略性新兴产业、未来产业、新要素的全新生态形态[3]。而在“质”层面：第一，新质生产力的增长模式不同于传统生产力的粗放式增长，而是来源于科技研究、科技创新、并取得的重大突破以及战略性新兴产业的崛起，展现出强大的驱动力量。第二，在数字经济时代，目前中国主要的社会矛盾是人民日益增长的美好生活需要和不平衡不充分的发展之间的矛盾，而以数据为新生产资料能推动加快形成新质生产力，满足了人们对于美好和高品质生活的需要[2]；同时，通过技术创新、科技创新与数字化、智能化高技术设备提高生产效率、减少环境污染。第三，其能提升中国的核心竞争力。新质生产力具有先进性的特征，是其特征的具体体现，是推动现代化产业布局的核心力量，是实现发展方式转变以及引领高质量发展的核心关键力量[4]。

目前中国处于数字时代，而数字经济本身也具有先进性的特质，这与新质生产力相契合，两者都是先进生产力的具体体现，数字经济包括了产业数字化与数字化产业等内容，是推动高质量发展的重要力量[5]。数字经济如何赋能新质生产力，有以下三点：其一，以数据为新的生产资料(要素)赋能新质生产力。其二，数字技术的快速发展，驱动新质生产力发展。其三，数字基础设施为发展新质生产力提供了底层支撑[6]。

1.1. 数据成为新生产资料(要素)赋能新质生产力

在二零一七年，习近平总书记在开展全国大数据管理战略的第二次集中学习时表示，“在互联网经济时代，数据是新的生产要素，是基础性资源和战略性资源，也是重要的生产力。”2020年，《中共中央国务院关于构建更加完善的要素市场化配置体制机制的意见》明确指出在以土地、资本、技术、劳动力的四大生产要素为基础上，将数据作为第五生产要素。2024年，《“数据要素×”三年行动计划(2024~2026年)》明确指出，发展新质生产力是“数据要素X”行动的重要目标之一。数据与传统的生产要素不同，其特殊性能够重构生产关系与生产力[7]。第三，数据作为关键要素，正在重新定义经济活动中的生产、再投资、交换和消费等环节的界限。通过将商品与数字要素有效结合，不仅扩大了社会再生产的规模，同时也提升了社会再生产的整体效率[8]。

1.2. 数字技术的快速发展，驱动新质生产力发展

新质生产力是传统生产力的创新，核心关键是经过对生产力的创“新”，并最终达到生产力“质”的飞跃。数字技术泛指大数据、移动互联网、物联网、云计算、区块链、人工智能等技术[9]。在数字时代诞生的新质生产力与以往传统的、老的生产力有着本质的不同，数字体系中的对象化劳动是劳动者通过活劳动固定在某个对象中的劳动成果[10]。首先，数字技术越尖端，数字经济的新质生产力作用越大[11]。其次，新质生产力需要具备数字技术能力的劳动者，数字技术也提高了新劳动者的综合能力[9]。第四次工业革命的产生，非常规认知任务变得越来越重要[12]。劳动者可以通过学习并掌握数字技术，延伸自己的技能。非常规任务最显著的特征就是它的复杂性，而劳动者可以利用数字技术对极其复杂的非常规任务进行拆解为各个部分，从而降低非常规任务的复杂度。

1.3. 数字基础设施为发展新质生产力提供了底层支撑

创新是基于一定的基础，而生产力的创新是以数字基础设施为前提条件[13]。第一，以5G/6G、互联网、AR、VR等为代表的网络基础设施有利于创新；第二，以大数据中心、云计算中心为代表的信息服务设施有利于创新；第三，以超级计算中心(智能计算中心)等为代表的科技创新支撑类基础设施有利于促进创新；第四，信息化的基础设施有利于创新[14]。数字基础设施的不断推进带来数字技术通用性的提升，进而成为改善生产效率的关键[15]。基于以上分析构建理论模型，如图1所示。

本文参考以往学者[16]的做法，利用超效率SBM模型以及DEA-Malmquist指数模型，对2012~2021年中国30个省/市的新质生产力发展水平效率进行静态与动态的测度分析。针对DEA模型与SBM模型的优缺点，采用超效率SBM模型测算精度更高。其次，为了研究影响新质生产力发展的因素，本文构建了Tobit回归模型，分析数字经济对新质生产力的影响，为各省/市在有限的资源条件下，优化资源配置，加快发展新质生产力。

Figure 1. Theoretical logic diagram

图1. 理论逻辑图

2. 研究设计

2.1. 研究方法与研究工具

DEA (Data Envelopment Analysis，数据包络分析)是一种非参数的效率评价方法，它通过相对效率评价来确定决策单元(DMU)在资源使用和产出方面的相对效率，DEA模型能够避免主管因素的影响，所以在静态效率评价中被广泛使用。为了从静态与动态两维度测度分析，一些学者[17]将静态的DEA模型与动态Malmquist指数相结合进行测算全要数生产率。形成的DEA-Malmquist模型在各个领域被广泛地应用。然而，传统DEA模型针对无效率决策单元仅含有等比例递增或者收缩，忽视松弛性问题以及径向问题对测算精度影响较大。因此，针对经典的DEA模型所存在的问题，已有学者[18]提出了SBM模型(Slacks Based Measure, SBM)。但是该模型也无法测量多个有效决策单元之间的效率高低。

因此，本研究采用了超效率SBM模型和DEA-Malmquist指数模型，对2012~2021年中国30个省/市的新质生产力的投入与产出面板数据进行了量化评估，通过应用这一模型，我们不仅提升了新质生产力水平效率的测量准确性，还成功地解决了超效率SBM模型在处理时间序列数据以进行动态效率分析方面存在的局限。通过超效率模型测算出我国30个省/市的新质生产力发展效率，并进一步分析数字经济对于发展新质生产力的影响分析。由于超效率SBM模型测出的效率是截断离散分布的数据，一般的最小二乘模型会有严重误差，所以选择Tobit回归模型进行分析。

超效率SBM模型：

$\begin{array}{l}\min \delta =\frac{\left(1/m\right){\displaystyle {\sum }_{i=1}^m{\overline{\chi }}_i/{\chi }_{ik}}}{\left(1/s\right){\displaystyle {\sum }_{r=1}^s{\overline{y}}_r/y_{rk}}}\\ \text{s}\text{.t}\text{.}{\overline{\chi }}_i\ge {\displaystyle \sum }_{\begin{array}{c}j=1,j\ne k\end{array}}^n{\chi }_{ij}{\lambda }_j,i=1,\cdots ,m\\ {\overline{y}}_r\le {\displaystyle \sum }_{j=1,j\ne k}^n{y}_{rj}{\lambda }_j,r=1,\cdots ,s\\ {\lambda }_j\ge 0,j=1,\cdots ,n;j\ne k\\ {\overline{x}}_i\ge x_{ik},i=1,\cdots ,m\\ {\overline{y}}_r\ge 0,{\overline{y}}_r\le y_{rk},r=1,\cdots ,s\end{array}$ (1)

DEA-Malmquist指数模型：

$M\left(x_{t+1},y_{t+1},x_t,y_t\right)=\sqrt{\frac{D^t\left(x^{t+1},y^{t+1}\right)}{D^t\left(x^t,y^t\right)}\times \frac{D^{t+1}\left(x^{t+1},y^{t+1}\right)}{D^{t+1}\left(x^t,y^t\right)}}$ (2)

Tobit回归模型：

$Y=\{\begin{array}{ll}{Y}^{*}=\alpha +\beta X+\epsilon \hfill & Y^{*}>a\hfill \\ 0\hfill & Y^{*}\le a\hfill \end{array}$ (3)

2.2. 变量设计

2.2.1. 投入产出指标建立

发展新质生产力并不是一蹴而就，这是一个巨大又复杂的系统工程，需要不断地积累和发展。同科技创新一样，是一个多主体、多要素、多方面的复杂过程[19]。本文参考已有文献[3]构建的指标体系与自我学习，最终选择了5个投入指标、5个产出指标。对于投入指标，新质生产力的核心关键力量是新技术的研发与科技创新，其主要指高新技术的研发资金、核心技术等，可以显著地提高劳动生产率，所以本文选择高技术产业研发人员、高技术产业的研发经费、人工智能企业数量作为投入变量；同时考虑到智能化、信息化给居民带来的便利，选择5G移动用户数为代表的数字基础设施作为投入指标；新质生产力包含有绿色化的要素，所以选择用环境保护力度作为投入指标。对于产出指标，针对高技术产业的研发投入，选择高技术产业新产品收入与高技术产业的发明专利数作为产出指标；最能体现新质生产力效用的指标是劳动生产率，因此选择劳动生产率作为产出指标。拥有高水平的新质生产力，则需要提高对于新能源的利用效率，新能源的利用效率通过每单位新能源产生的电力输出来评估，它是衡量新能源经济收益的关键指标，因此选择新能源利用率作为产出指标；对应环境保护投入指标，选择森林覆盖率作为产出指标。如表1所示。

Table 1. Comprehensive evaluation index system for development efficiency of new quality productivity

表1. 新质生产力发展效率综合评价指标体系

指标	指标名称	指标说明
投入指标	高技术产业研发人员	高技术产业的研发人员数，数据来自《中国科技统计年鉴》
	高技术产业研发投入	高技术产业的研发经费投入，数据来自《中国科技统计年鉴》
	人工智能企业	数据来源于天眼查
	环境保护力度	环保支出/一般财政支出
	5G移动用户数	数据来源于工信部。
产出指标	高技术产业发明专利申请数	数据来自《中国科技统计年鉴》
	高技术产业新产品收入	新产品的销售收入，数据来自《中国科技统计年鉴》
	新能源利用率	GDP/新能源发电量
	劳动生产率	人均GDP
	森林覆盖率	森林覆盖土地的面积

2.2.2. 影响因素变量

数字经济与数字化转型的大力发展，不仅促进我国高质量发展，而且使得我国居民生活更加的便利，增加了我国居民的幸福指数。发展数字经济、培养数字人才、引领数字技术创新、建设数字基础设施等，全面推进核心技术攻关以及颠覆性技术突破[2]。数据成为新的生产要素，数字经济也成为推动国家经济发展与高质量发展的新驱动力，推动生产力改革与发展有着重要的意义。数字经济不仅是发展新质生产力的因，还是发展新质生产力的果。因此，本文引用赵涛和张智等构建的指标体系[20]，通过主成分分析法进行测度我国省/市数字经济水平。并提出假设：数字经济对发展我国新质生产力有着正向促进的作用。

2.3. 数据来源与处理

本文选择2012~2021年中国30个省/市(港澳台以及西藏，因数据不全未纳入)的面板数据。对少数缺失的样本数据，采用插值法进行预测填补，使得面板数据成为平衡面板数据。并使用超效率SBM模型、DEA-Malmquist指数模型与Tobit模型对数据样本进行运算。数据主要来源于《中国科技统计年鉴》《中国统计年鉴》、中国统计局等网站。

3. 实证分析

3.1. 新质生产力发展效率综合评价

3.1.1. 超效率SBM模型分析结果

本文选用DEARun软件，选用超效率SBM规模报酬可变模型，对2012~2021年30个省/市的新质生产力发展效率进行逐年测算，结果如表2所示。

从2012年到2021年测算出的数据来看，我国新质生产力发展效率呈现波动上升的趋势，表明我国若持续发展新质生产力能够取得积极的成效。因各个时期、不同省/市地区以及所处环境背景的差异，导致相同时期30个省/市的新质生产力发展效率有所不同。东西中部地区省/市，按高到低排序为东部地区、西部地区、中部地区。根据表2中各个省/市2012年到2021年新质生产力发展效率的均值，可以将30个省/市划分为4个梯队：第一梯队新质生产力发展效率较高(均值大于1.2)，包括上海、北京、天津、广东、新疆、海南、青海；第二梯队效率处于中上等区域(均值：0.9~1.2)，包括内蒙古、宁夏、广西、江苏、江西、河南、浙江、福建、黑龙江；第三梯队效率处于中等区域(均值：0.6~0.9)，包括云南、吉林、安徽、河北、湖南、贵州、重庆；第四梯队效率处于下等区域(均值小于0.6)，包括四川、山东、山西、甘肃、辽宁、陕西、湖北。第一梯队中，各个省/市均达到有效状态并处于最高效率区域，说明第一梯队的省市投入与产出结构较为合理，高技术研发投入、人才知识水平与数字水平等较高，资源合理配置并得到充分利用，持续维持资源的合理最优化配置以及利用。第二梯队中，江苏省虽每年都处于有效状态，但新质生产力发展效率呈递减趋势，主要原因是投入与产出结构日益失衡所导致。河南省除2011年外均保持有效状态。浙江省、广西省在2013~2015年呈现较大的波动状态，2014年其效率处于0.6以下，与当时浙江省所处的现实背景有所关联。为破解科研和产业脱节难题，从2012年以来，科技和人才都比较匮乏的江西省，开始探索建立紧密结合产学研用协同创新系统。江西省在2013年开创性地采用了全国首个科技协同创新体模式，2012至2021年间，江西省的新质生产力发展效率均大于1，达到了行业领先水平。第三梯队中，云南、吉林、河北为了解决当地问题，提高高技术产业、数字技术等投入，自2012起，新质生产力发展效率值逐年递增。安徽省呈现倒U的趋势，需关注其背后隐藏因素。湖南、贵州、重庆三个省/市的效率值波动值较大，针对重庆市经费投入等问题，导致有效专利等产出不足。今后，我们仍然需要积极有效地采取措施，运用数字技术这一先进手段，排除妨碍科技成果转化的限制因素，使新质生产力得到较好的发展。第四梯队中，各个省市由于地理位置、经济发展水平等因素，导致第四梯队的新质生产力发展水平都处于较低水平，都处于0.6以下，均未达到技术效率水平前沿。

本文，选取2012年、2015年、2018年和2021年四年数据绘制GIS矢量图，从而更形象以及动态地分析我国30个省/市新质生产力发展效率。如图2~5所示。

Table 2. Measurement results of development efficiency of new quality productivity in various provinces from 2012 to 2021

表2. 2012~2021年各省新质生产力发展效率测度结果

省/市	2012	2013	2014	2015	2016	2017	2018	2019	2020	2021	均值
上海	1.328	1.341	1.327	1.313	1.289	1.283	1.217	1.242	1.084	1.105	1.253
云南	0.166	0.216	0.209	0.221	0.367	0.374	1.042	1.086	1.222	1.111	0.601
内蒙古	1.088	1.098	1.045	1.053	1.058	1.099	1.136	1.188	1.077	1.185	1.103
北京	1.255	1.178	1.109	1.227	1.198	1.232	1.267	1.303	1.436	1.839	1.304
吉林	0.301	0.371	0.250	0.555	0.658	0.741	1.015	1.042	1.066	1.024	0.702
四川	0.073	0.055	0.076	0.132	0.195	0.200	0.237	0.172	0.266	0.215	0.162
天津	1.417	1.526	1.477	1.487	1.335	1.215	1.279	1.051	1.189	1.264	1.324
宁夏	1.134	1.256	1.034	1.053	1.107	1.005	1.037	1.077	1.083	1.087	1.087
安徽	0.394	1.002	1.037	1.080	1.037	0.667	0.819	0.510	0.626	0.363	0.754
山东	0.339	0.256	0.012	0.431	0.376	0.478	1.023	0.244	0.223	0.244	0.363
山西	0.330	0.335	0.234	0.521	0.314	0.381	0.425	0.431	0.442	1.015	0.443
广东	1.478	1.472	1.268	1.458	1.496	1.472	1.482	1.488	1.455	1.426	1.450
广西	1.031	1.052	0.349	1.021	1.077	1.166	1.550	1.473	1.220	1.265	1.120
新疆	1.488	2.071	1.488	1.575	1.434	1.531	1.137	1.339	1.293	1.492	1.485
江苏	1.080	1.068	1.080	1.100	1.090	1.090	1.068	1.048	1.036	1.009	1.067
江西	1.028	1.044	1.037	1.087	1.030	1.036	1.094	1.181	1.104	1.058	1.070
河北	0.387	0.340	0.284	1.004	1.001	1.010	1.006	1.053	1.020	1.087	0.819
河南	0.321	1.119	1.118	1.140	1.118	1.132	1.137	1.050	1.057	1.021	1.021
浙江	1.018	1.006	0.044	1.014	1.053	1.005	1.030	1.046	1.056	1.091	0.936
海南	1.357	1.294	1.298	1.553	1.472	1.519	1.381	1.513	1.553	1.618	1.456
湖北	0.052	0.063	0.045	0.166	0.261	1.016	1.018	1.031	1.033	0.517	0.520
湖南	0.307	1.017	0.146	1.002	0.721	0.767	1.010	0.593	0.581	1.012	0.716
甘肃	0.266	0.281	0.196	0.359	0.375	0.324	0.386	0.408	0.509	1.052	0.416
福建	1.126	1.087	1.248	1.070	1.056	1.091	1.097	1.039	1.041	1.039	1.089
贵州	1.039	1.073	1.029	1.035	0.435	1.012	1.038	1.002	0.744	0.393	0.880
辽宁	0.226	0.225	0.101	0.354	1.014	0.516	0.669	0.548	1.004	1.014	0.567
重庆	0.318	0.231	0.201	1.062	1.014	1.001	0.749	1.011	1.014	0.404	0.701
陕西	0.258	0.237	0.048	0.344	0.358	0.286	0.310	0.256	0.216	0.199	0.251
青海	2.066	1.645	2.478	3.286	2.639	2.064	1.839	2.163	2.630	2.293	2.310
黑龙江	1.006	1.031	1.016	1.069	1.107	1.074	1.160	1.108	1.143	1.129	1.084
东部地区均值	0.948	0.938	0.809	1.049	1.088	1.056	1.130	1.056	1.100	1.145	1.032
西部地区均值	0.812	0.838	0.741	1.013	0.914	0.915	0.951	1.016	1.025	0.972	0.920
中部地区均值	0.405	0.763	0.603	0.833	0.747	0.833	0.917	0.799	0.807	0.831	0.754
均值	0.789	0.866	0.743	0.992	0.956	0.960	1.022	0.990	1.014	1.019	0.935

Figure 2. GIS vector map of national development of new quality productivity in 2012 (Approval No. GS (2022) 1873, base map unchanged)

图2. 2012年全国新质生产力发展GIS矢量图(审图号GS (2022) 1873底图无修改)

Figure 3. GIS vector map of national development of new quality productivity in 2015 (Approval No. GS (2022) 1873, base map unchanged)

图3. 2015年全国新质生产力发展GIS矢量图(审图号GS (2022) 1873底图无修改)

Figure 4. GIS vector map of national development of new quality productivity in 2018 (Approval No. GS (2022) 1873, base map unchanged)

图4. 2018年全国新质生产力发展GIS矢量图(审图号GS (2022) 1873底图无修改)

Figure 5. GIS vector map of national new quality productivity development in 2021 (Reviewed Drawing No. GS (2022) 1873, with no modifications to the base map)

图5. 2021年全国新质生产力发展GIS矢量图(审图号GS (2022) 1873底图无修改)

3.1.2. Malmquist生产指数分析结果

本文选用DEAP2.1软件，采用规模报酬可变(VRS)的DEA-Malmquist模型，计算2012~2021年全国新质生产力发展效率M指数以及各分解变量，如表3、表4、图6所示。可以看出，2012~2021年我国新质生产力全要素生产率有下降的趋势，但是近几年保持着较为稳定的趋势，平均值为0.942，年平均降低率为5.8%，说明在2024年提出新质生产力前，我国的新质生产力发展总体偏差。从技术进步指数详细来看，技术进步指数在同年也有较大幅度的下降趋势，均值为0.935，年平均降低率为6.5%，最后趋于稳定。全要素生产率等于技术效率变动指数与技术进步指数两者相乘。同时从图6中可以看出全要素生产率变化趋势和技术进步指数变化趋势表现出一致，这表明全要素生产率下降主要是由于技术进步指数

Table 3. Annual change index and decomposition index of development efficiency of new quality productivity in China from 2012 to 2021

表3. 2012~2021年我国新质生产力发展效率分年度变动指数及其分解指数

Year	Effch	Techch	Pech	Sech	Tfpch
2012~2013	1.000	0.953	1.002	0.998	0.953
2013~2014	0.943	1.164	0.997	0.945	1.098
2014~2015	1.123	0.725	1.046	1.074	0.814
2015~2016	1.022	0.928	1.007	1.015	0.948
2016~2017	0.990	0.947	0.996	0.994	0.937
2017~2018	1.013	0.940	1.019	0.994	0.952
2018~2019	0.975	0.997	0.965	1.011	0.972
2019~2020	1.014	0.891	1.022	0.992	0.904
2020~2021	0.997	0.924	1.006	0.991	0.921
Mean	1.007	0.935	1.006	1.001	0.942

Figure 6. Annual change index and decomposition index trend of development efficiency of new quality productivity in China from 2012 to 2021

图6. 2012~2021年我国新质生产力发展效率分年度变动指数及其分解指数变化趋势

Table 4. Overall change index and decomposition index of development efficiency of new quality productivity in various provinces of China from 2012 to 2021

表4. 2012~2021年我国各省新质生产力发展效率整体变动指数及其分解指数

省/市	技术效率	技术进步指数	纯技术效率	规模效率	全要素生产率
上海	1.000	0.866	1.000	1.000	0.866
云南	1.031	0.860	1.022	1.009	0.887
内蒙古	1.000	0.974	1.000	1.000	0.947
北京	1.000	1.003	1.000	1.000	1.003
吉林	1.021	0.849	1.020	1.002	0.867
四川	1.001	0.986	1.007	0.993	0.987
天津	1.000	0.884	1.000	1.000	0.884
宁夏	1.000	0.935	1.000	1.000	0.935
安徽	1.014	0.958	1.006	1.008	0.971
山东	1.000	1.074	1.009	0.991	1.074
山西	1.032	0.900	1.032	1.000	0.929
广东	1.000	1.004	1.000	1.000	1.004
广西	1.000	0.987	1.000	1.000	0.987
新疆	1.000	0.903	1.000	1.000	0.903
江苏	1.000	0.941	1.000	1.000	0.941
江西	1.000	0.892	1.000	1.000	0.892
河北	1.016	0.839	1.009	1.007	0.853
河南	1.028	0.940	1.011	1.016	0.967
浙江	1.000	1.017	1.000	1.000	1.017
海南	1.000	0.894	1.000	1.000	0.894
湖北	1.045	0.973	1.033	1.012	1.017
湖南	1.021	0.888	1.021	0.999	0.907
甘肃	1.004	0.973	1.033	0.972	0.977
福建	1.000	0.998	1.000	1.000	0.998
贵州	1.003	0.861	0.990	1.013	0.863
辽宁	1.009	1.013	1.008	1.000	1.022
重庆	0.992	1.005	0.995	0.996	0.996
陕西	1.008	0.978	0.998	1.010	0.986
青海	1.000	0.933	1.000	1.000	0.933
黑龙江	1.000	0.811	1.000	1.000	0.811
Mean	1.007	0.935	1.006	1.001	0.942

偏低，而全要素生产率更容易受到技术进步影响。2014~2015，全要素生产率与技术进步呈现较大幅度的下降，需进一步做出改变，稳定发展。加强高技术研发资金和人才投入、环境保护投入、人工智能企业数和5G移动用户数仍是未来的主要目标之一。

分析技术效率变动指数可知，除了2013~2014年、2016~2017年、2018~2019年和2020~2021年呈现下降的趋势以外，其余各年都处于上升的趋势。技术效率变动指数在2014~2015年有较为明显的上升趋势，均值为1.007，年平均增长率为0.7%。技术效率等于纯技术效率与规模效率相乘，其两者的均值为1.006、1.001，两者年平均增长率为0.6%、0.1%。因此，技术效率的增降与两者有关。

从表4可知，2012年至2021年只有6个省/市的全要素生产率(TFP)大于1，说明这十年期间，整体状况较差。山东的全要素生产率(TFP)最高，达到7.4%，表明山东省在全要素的协同运用上有明显的优势。黑龙江最低，呈现18.9%是衰退趋势，表明黑龙江省在全要素的协同运用上有明显的劣势。技术效率(EC)均值为1.007，表明各省在这十年期间的技术效率有所提升，其中湖北省技术效率(EC)最高，表明湖北省在发展新质生产力中充分发挥了其技术效率。技术进步(TC)的平均值为0.935，各省/市之间存在差异。但整体看，全国各省/市的技术进步整体保持在相对稳定的水平。在此期间，纯技术效率(PEC)的均值为1.006，各省/市之间的差距较小，除贵州、重庆和陕西三省外，均超过1，说明在发展新质生产力中发挥了其纯技术效率。规模效率(SEC)的均值为1.001，表明各省在生产规模上有较小的提高，河南省的规模效率最高，表明河南省在发展新质生产力中充分发挥了其规模效率。

3.2. 数字经济影响新质生产力发展分析

前文运用超效率SBM模型和DEA-Malmquist指数模型，从微观视角全面测量了全国30个省/市的新质生产力发展效率。为了从更全面的角度研究分析，还需从宏观的视角更加详细地分析数字经济的影响机制。利用超效率SBM模型计算的纯技术效率作为被解释变量，数字经济作为核心解释变量，采用Tobit回归模型，利用Stata软件进行计算。

数字化时代，数字经济的发展，需要具备数字知识的高学历人才与技术人员，将数据作为新生产要素，利用数字技术和数字平台，推动生产力改革，发展新质生产力。时代在不断地发展变化，传统生产要素已经不能适应当下时代高质量发展需求。因此，生产要素的结构也需进行优化[21]。数据这一新型生产要素，正改变着当前的生产方式、生活方式和社会治理方式[22]。同时，数据要素也为发展新质生产力奠定了基础。随着数字技术不断地更新迭代，5G、高技术服务器等成为发展新质生产力的构成要素。由数字技术带来的数据生产力、信息生产力、网络生产力等就是新质生产力[23]。伴随着人工智能、大数据等数字技术快速发展并广泛应用于诸多领域，劳动生产率显著提高，生产力也有了质的跨越。数字经济如今已成为推动现代社会生产力发展的关键支柱。因此，数字经济是新质生产力形成和发展的原因也是必然结果[24]。数据的价值属性激发了工业互联网和共享生产等平台的兴起与发展。这些平台的兴起，不仅加深了数字经济与实体经济的融合，还为新质生产力的增长注入了源源不断的动力。在过去的几十年里，数字经济的增长极为迅猛，其影响力持续扩大，为产业结构的转型和升级提供了广阔的发展空间。因此，提出假设H1。

H1：数字经济能促进新质生产力发展。

如表5所示，本文选择了混合Tobit回归模型与随机Tobit回归模型，分别对数字经济对新质生产力的影响进行分析。可以得出，无论是从混合Tobit回归模型还是随机Tobit回归模型，系数分别为1.9530^***、1.4987^***，都表明数字经济对于新质生产力的发展能产生显著的促进效用。因此，假设H1得到验证。

4. 结论与政策性建议

4.1. 结论

本文对全国30个省/市2012~2021年的新质生产力发展水平进行了测度和分析，采用超效率SBM

Table 5. Regression analysis of digital economy on new quality productivity

表5. 数字经济对新质生产力回归分析

	混合Tobit回归	随机Tobit回归
VARIABLES	Peff	Peff
Digital Economy	1.9530^*** (4.109)	1.4987^*** (4.977)
Constant	−0.2543 (−0.738)	0.0224 (0.112)
Observation	300	300
Number of Narea	30	30
ID	YES	YES
YEAR	YES	YES

z-statistics in parentheses. ^***p < 0.01, ^**p < 0.05, ^*p < 0.1.

模型从静态分析，并结合DEA-Malmquist指数模型从动态分析，两者综合评价我国省域新质生产力发展水平。同时，数字经济最突出的要素为数据，数据作为新的生产要素帮助构建新的生产要素结果，并最终推动新质生产力发展。因此，构建Tobit模型(混合Tobit和随机Tobit)，实证验证数字经济对于发展新质生产力的驱动作用。得出以下结论：从静态方面分析，我国新质生产力发展效率呈现波动上升趋势，从东西中部地区按高到低排序为东部地区、西部地区、中部地区；从动态指数分析，新质生产力全要素生产率受技术效率变动指数与技术进步指数的交叉影响，对于新质生产力全要素生产率受技术进步的影响更大，尤其在2014~2015年的下降幅度最大。整体十年来看，呈现波动变化的趋势。从数字经济影响新质生产力的角度分析，由数字技术带来的数据生产力、信息生产力、网络生产力等构成了新质生产力，数据被视为新的生产要素，通过数字技术和平台推动生产力的改革和发展，数据的价值属性推动了工业互联网和共享生产平台的发展，这些平台加深了数字经济与实体经济的融合，为新质生产力的增长提供了动力。同时本文在方法与研究维度上有一定的创新。本文的创新点：模型创新：本研究首次将超效率SBM模型与DEA-Malmquist指数模型相结合，并应用到新质生产力研究领域，提供了一个更为全面的新质生产力评估框架。这种结合不仅提高了评估的准确性，还增强了对动态变化的捕捉能力。维度拓展：引入数字经济作为影响新质生产力的关键因素，拓展了传统生产力研究的维度。本研究通过构建Tobit回归模型，实证分析了数字经济对新质生产力的正向影响，为理解数字经济与生产力之间的关系提供了新的视角。

4.2. 政策性建议

第一，加强教育与培训。新质生产力是为推动我国发展更上一个台阶的新型武器。需要高技术、高知识、高能力的新质劳动者，其需要具备更高综合素养的人才，优化劳动者教育结构，推动我国教育高质量发展。政府有关部门，如各地区教育局应加大投资于教育，特别是STEM (科学、技术、工程和数学)领域，以培养未来的创新者和领导者。各地政府应强化基础教育，确保学生具备扎实的数学、科学和信息技术基础。推动高等教育与产业界的紧密合作，通过产学研一体化培养实用型人才。同时，设立专项基金支持职业教育和技能培训，以满足不同行业对专业技能的需求。

第二，随着我国数字经济、数字技术以及数字基础设施的快速发展，发展新质生产力应尽可能地用其利而避其弊。各地政府应将创新作为重要目标之一，拉动新质生产力发展。如利用数字技术带来的优势，利用5G、人工智能、大数据等新一代技术，向更深层、更广阔的领域发展。对于目前困扰与我国的高端芯片为主要代表的“卡脖子”领域实现突破，大力发展战略性新兴产业和未来产业与传统制造业相结合。各地政府应大力鼓励各地高技术企业，例如人工智能企业发展，推动技术改革、技术创新。

第三，数据要素作为新的关键性生产要素。必须改革现有的机制和体制，以激发数字经济的创新潜力。并且各地政府应对数据的存储方式进行优化，选择较为优势的地区建立数据中心基地，例如，贵州具有良好的自然环境与优越的天气条件，有利于数据基地的建设。在贵安新区已经建立了数字经济产业园。政府还需要加强对个人和企业数据的保护，制定严格的数据安全法规，建立网络安全防护体系，防止网络攻击和数据泄露。

第四，发展新质生产力是一个庞大的系统工程，它涉及了许多方面。除了需要新人才、新技术、新要素等，还需要考虑我国的环境保护。各地政府，不应盲目发展，要“尊”“顺”“保”，即要“尊”重自然、“顺”应自然、“保”护自然，可持续发展我国新质生产力。各地政府应制定严格的环境保护法规，限制高污染、高能耗产业的发展。同时，支持清洁能源和循环经济的发展，鼓励企业采用环保技术和生产方式。

5. 研究不足与展望

本研究虽然在新质生产力的研究领域提供新的研究路径，但是在本研究中也存在着不足。数据收集的局限性：本研究在数据收集方面依赖于现有的统计年鉴和数据库，部分数据由于缺失采用了插值法进行预测填补。虽然这种方法在一定程度上弥补了数据的不足，但也可能引入了偏差，影响了分析结果的准确性。未来的研究应考虑采用更全面的数据集，包括更多年份和更细分的地区数据，以提高研究的可靠性和普遍性；微观层面的深入分析：本研究主要从宏观角度分析了数字经济对新质生产力的影响，而对企业层面的微观影响机制探讨不足。未来的研究可以采用企业调查数据，分析数字技术在企业内部的应用情况，以及如何通过提高生产效率、促进创新等方式影响新质生产力；多维度影响因素的考虑：本研究主要关注了数字经济对新质生产力的影响，而对其他可能的影响因素如政策环境、市场需求、社会文化等因素考虑不足。未来的研究可以采用多元回归分析、结构方程模型等方法，探讨这些因素如何与数字经济共同作用于新质生产力的发展；政策干预效果的评估：本研究提出了一些政策建议，但缺乏对这些政策干预效果的实证评估。未来的研究可以通过构建政策评估模型，分析不同政策措施对新质生产力发展的实际影响，为政策制定提供更加科学的依据。