新质生产力视角下区域数字化转型效率测度与评价

Measurement and Evaluation of Regional Digital Transformation Efficiency under the Perspective of New Quality Productivity

摘要: 新质生产力赋能区域数字化转型。从科技生产力、绿色生产力和数字生产力三方面构建指标体系，运用超效率SBM模型对28个省份的数字化转型静态效率进行测度，同时，通过Malmquist指数测算时间序列下的动态效率。研究表明：2016~2022年我国整体数字化转型效率表现优异，呈现“上升–下降”的波动趋势，2020年达到峰值后有小幅度回落，西部地区数字化转型效率最高，其次是中部，东部地区数字化转型效率最低，资源配置投入与经济产出比还需完善。Malmquist指数测算得出的全要素生产率反映出区域数字化转型效率有所波动但总体向好，数字化转型全要素生产率受技术进步指数影响最大，技术效率变化指数、纯技术效率变化指数以及规模效率变化指数有小幅度的下降，区域数字化转型在资源优化配置、制度效能增强和创新管理实践等方面仍有广阔的提升空间。

Abstract: New quality productivity empowers regional digital transformation. The article constructs the index system from the three aspects of scientific and technological productivity, green production and digital productivity, and uses the super-efficient SBM model to measure the static efficiency of digital transformation in 28 provinces, and at the same time, measures the dynamic efficiency under the time series through the Malmquist index. The study shows that China’s overall digital transformation efficiency is excellent from 2016 to 2022, showing a fluctuating trend of “rising-declining”, with a small drop after reaching the peak in 2020, the western region has the highest digital transformation efficiency, followed by the central region, the eastern region has the lowest digital transformation efficiency, and the ratio of the resource allocation inputs to the economic outputs needs to be improved. The total factor productivity measured by the Malmquist Index reflects that the regional digital transformation efficiency fluctuates but is generally good, and the digital transformation total factor productivity is most affected by the technological progress index, and there is a small decrease in the technical efficiency change index, the pure technical efficiency change index, and the scale efficiency change index, and the digital transformation of the region is still in the optimization of the allocation of resources, the enhancement of institutional effectiveness, and innovative management practices, regional digital transformation in terms of resource optimization and allocation, system effectiveness enhancement and innovative management practices still has vast room for improvement.

1. 引言

2023年2月，中共中央、国务院印发《数字中国建设整体布局规划》，明确指出建设数字中国是数字时代推进中国式现代化的重要引擎。中国式现代化是以数据为基础，数字技术与经济、政务、文化、社会和生态文明“五位一体”的深度融合，《规划》提出的“2522”的整体框架是在国家层面明确了数字化转型的整体协同推进原则[1]。

现有关数字化转型的理论研究大致可分为以企业为主体的微观视角和以国家、市场为主体的宏观视角[2]，企业数字化转型不仅是产业层面上信息技术与制造业深度整合的具体表现，也是企业自身从传统工业模式向数字化模式转变的创新里程碑[3]，其动机是降低成本、提高效率、增强竞争力和提高客户满意度，作用程度依次递减[4]，企业借助数字技术去杠杆，切实提高了绩效[5]。政府数字化转型是以数据要素为基础，引入新兴治理技术，构建政府、市场和社会的新型关系[6]，其核心目标是整体智治，即整体性治理思维与智慧化治理的深度融合[7]。数字化转型成为城市治理新方向，部分学者将注意力转移到城市数字化转型，基于城市数字化转型的概念、内涵和路径提出了不同的见解。郑磊[8]认为城市数字化转型表现为城市发展模式与实体形态在数字技术和数据要素驱动下产生的根本性变革，涵盖经济、生活和治理三方面。顾丽梅等[9]以数据为生产要素，理念创新为顶层设计，技术与制度共同推动多领域转型。学者们对数字化转型的实证研究有不同视角和方法，顾丽梅等[10]从制度、技术、环境三个维度，采用过程分析和对比分析两种方法，探索上海、深圳和成都三种数字化转型的典型模式。郭成玉等[11]基于286个地级市的面板数据，利用多期双重差分模型得出政府数字化转型对经济存在正向影响。范合君等[12]通过生产、消费、流通和政府四个方面，利用主成分分析法和专家打分法，对省级数字化水平进行评估。

习近平总书记指出，新质生产力的显著特点是创新，既包括技术和业态模式层面的创新，也包括管理和制度层面的创新[13]。数字技术创新、生产要素优化和产业转型升级为提高城市韧性提供了新方向[14]。新质生产力通过技术创新和社会逻辑的相互作用实现要素迭代和结构变迁，从而构建数智化时代的生产力发展新动力，推动数字化转型[15]。目前学术界已大致描绘出新质生产力的基本框架，为深入研究奠定了良好的基础，但鲜少有研究从新质生产力视角来评估数字化转型效率。

综上所述，本文以我国28个省份为研究对象，利用2016~2022年的面板数据，从新质生产力视角入手，分别从科技生产力、绿色生产力和数字生产力三方面构建指标体系，运用超效率SBM模型对静态区域数字化转型进行测度，通过Malmquist指数测算时间序列下的动态效率，为区域一体化和高质量发展提供建议，也是对已有研究进行补充。

2. 研究设计

2.1. 研究方法

2.1.1. 超效率SBM模型

SBM模型是一种评估决策单元的非参数方法，用以解决多投入多产出问题，可将其设定为投入导向、产出导向和非导向三种形式。超效率SBM模型是在传统DEA模型基础上进行改进，加入松弛变量，允许考虑非期望产出和效率值超过1的情况，提供了更详细准确的决策单元评估方法。本文利用超效率SBM模型(非导向)进行区域数字化转型的效率评估，具体模型如下所示：

假设有n个决策单元，每个决策单元有m个投入和S个产出，其向量表达式分别为$X\in R^m$ 和$Y\in R^s$ ，矩阵为$X=\left[x_1,x_2,\cdots ,x_n\right]\in R^{m\ast n}$ 和$Y=\left[{\text{y}}_1,y_2,\cdots ,y_n\right]\in R^{s\ast n}$ ，$\lambda$ 为权重。

$\begin{array}{l}\min \rho =\frac{\frac{1}{m}{\displaystyle \sum _{i=1}^m\overline{x}/x_{ik}}}{\frac{1}{s}{\displaystyle \sum _{r=1}^s\overline{y}/y_{sk}}}\\ s.t.\{\begin{array}{l}\overline{x}\ge {\displaystyle \sum _{j=1,\ne k}^n{x}_{ij}{\lambda }_j;\overline{y}\le {\displaystyle \sum _{j=1,\ne k}^n{y}_{sj}{\lambda }_j;}}\\ \overline{x}\ge x_k;\overline{y}\le y_k;\\ {\lambda }_j\ge 0,i=1,2,\cdots ,m;j=1,2,\cdots n;\\ j\ne 0,s=1,2,\cdots s;\end{array}\end{array}$ (1)

其中，$\rho$ 为效率值，且$\rho$ 的值不受1的限制。$\rho \ge 1$ 表明决策单元处在生产前沿，且值越大效率越高；$\rho <1$ 表明所评价决策单元存在效率缺失。

2.1.2. Malmquist指数

DEA有多种模型可以用于静态效率的评估，但在动态变化方面存在一定的局限性，因此，将DEA与Malmaquist相结合可以测算时间序列下决策单元的动态效率。本文通过Malmquist指数评价跨期各省新质生产力视角下数字化转型效率的动态特征，假设$t$ 期各省数字化转型的投入和产出为$\left(X^t,Y^t\right)$ ，此时技术水平条件下产出距离为$D^{\text{t}}\left(X^t,Y^t\right)$ ；同理，$t+1$ 时期的投入和产出为$\left(X^{t+1},Y^{t+1}\right)$ ，产出距离为$D^{\text{t}+\text{1}}\left(X^{t+1},Y^{t+1}\right)$ 。根据Fare等提出的FGLR分解方法，全要素生产率变化公式为

$\text{MI}\left(X_t,Y_t,X_{t+1},Y_{t+1}\right)=[\frac{D^{t+1}\left(X_{t+1},Y_{t+1}\right)}{D^{t+1}\left(X_t,Y_t\right)}\times {\frac{D^t\left(X_{t+1},Y_{t+1}\right)}{D^t\left(X_{t+1},Y_{t+1}\right)}]}^{\frac{1}{2}}$ (2)

其中，若MI > 1，则表示全要素生产率趋于上升；若MI = 1，则表示保持不变；若MI < 1，则表示趋于下降。

在规模效率可变的条件下，Malmquist指数(MI)可进行如下分解

$\text{MI}=\frac{D^{t+1}\left(X_{t+1},Y_{t+1}\right)}{D^t\left(X_t,Y_t\right)}\times [\frac{D^t\left(X_{t+1},Y_{t+1}\right)}{D^{t+1}\left(X_{t+1},Y_{t+1}\right)}\times {\frac{D^t\left(X_t,Y_t\right)}{D^{t+1}\left(X_t,Y_t\right)}]}^{\frac{1}{2}}$ (3)

其中，第一个分量表示技术效率变化指数(TEC)，TEC值大于(小于) 1，表示被评价单位的技术效率得到了提高(减退)；第二个分量表示技术进步指数(TPI)，反映决策单元技术变化情况，TPI的值大于(小于) 1，表明决策单元技术进步(退步)与创新能力提高(降低)。

$\frac{D^{t+1}\left(X_{t+1},Y_{t+1}\right)}{D^t\left(X_t,Y_t\right)}=\frac{S^t\left(X_t,Y_t\right)}{S^{t+1}\left(X_{t+1},Y_{t+1}\right)}\times \frac{D_v^{t+1}\left(X_{t+1},Y_{t+1}\right)}{D_v^t\left(X_t,Y_t\right)}$ (4)

公式(4)中，下标$v$ 表示规模报酬可变。技术效率变化指数(TEC)又可以进一步分解为规模效率变化指数(SEC)和纯技术效率变化指数(PTC)，分别衡量了规模经济和管理制度带来的全要素生产率增长效应。第一个分量表示规模效率变化指数(SEC)，衡量了规模经济，SEC的值大于(小于) 1意味着使用规模变化可以促进(减小)生产率变化；第二个分量表示纯技术效率变化指数(PTC)，显示了与管理有效性和技术水平相关的效率变化，如果PTC的值大于(小于) 1，则技术水平提高(降低)。

2.2. 指标体系

新质生产力是一个涵盖了科技、数字和绿色等多个关键要素的集成体[16]，科技生产力是科学技术实现颠覆性突破而创造的生产力，强调以新技术、新经济、新业态为主要内涵[17]。其中，信息技术相关产业发展反映市场发展新趋势，国家R&D经费内部支出所占地区生产总值比重凸显研发强度。数字生产力是数字化转型的推动力，强调的是数字技术在生产和生活中的应用，由邮电业务总量占地区生产总值的比值体现信息化发展水平，移动电话普及率反映生活数字化水平。绿色生产力是以环境友好和资源可持续利用为核心的生产力，推动形成绿色产业和绿色消费模式，旨在实现经济发展与生态环境保护的双赢局面。

新质生产力促进企业、政府数字化转型，推动区域经济高质量发展。人均地区生产总值在宏观层面反映地区经济发展的均衡性，数字化程度代表数字化转型水平。具体内容如表1所示。

Table 1. New quality productivity indicator system

表1. 新质生产力指标体系

指标体系	一级指标	二级指标	单位
投入	科技生产力	信息传输、软件和信息技术服务业相关企业数	万个
		研发强度	%
	数字生产力	信息化水平	%
		移动电话普及率	%
	绿色生产力	一般工业固废综合利用率	%
		产业结构整体升级指数	%
产出	经济效益	人均地区生产总值	元
	数字水平	数字化程度	%

2.3. 数据来源

本文研究时期为2016~2022，共计七个年度的面板数据，测算我国28个省份在新质生产力视角下数字化转型的效率。相关数据来源于《中国科技统计年鉴》、各省统计年鉴、统计公报以及北京大学数字金融普惠指数[18]。较少缺失的数据依据线性插值法进行补齐，以确保数据的平稳性。

3. 实证结果分析

3.1. 数字化转型效率的静态化分析与评价

根据2016~2022年我国28个省份的面板数据，借助LINGO11软件，从新质生产力视角入手，运用超效率SBM模型对区域数字化转型进行效率测度，具体数据如表2所示。

整体来看，我国区域数字化转型表现优异，所有省份均达到效率前沿，2016~2022年全国数字化转型效率有明显变化，2016~2019年波动较少有上升趋势，2020年出现最高点后跌幅较大。2020年，疫情在全国范围内传播，不仅对人民生命安全造成威胁，同时也使经济发展停滞，“封锁”、保持社交距离等的措施，迫使企业和组织加速数字化转型步伐，直播、远程办公、在线教育等新模式的兴起满足市场需求，政府和公共部门也通过数字化监控疫情变化、数字分析和提供公共服务。随着疫情得到良好的控制，线下活动的逐步恢复，数字化转型发展进程逐步放缓。

从区域范围来看，西部地区的数字化转型效率明显高于东部和中部地区，东部地区效率最低。西部地区数字化转型效率在1.58~1.85之间波动，2018~2020的三年间数字化转型效率维持在较高水平；中部地区七年间效率波动最小，总体变化幅度与全国保持一致，2020年达到最高1.695；东部地区所有省份各年均值均未达到全国水平，且数字化转型效率波动最大，2016~2019年有小幅度波动，2022年达到最高1.687，后持续降低，2022年仅为1.387。东部地区中，山东在这七年间的均值最高，江苏的数字化转型效率稳定处于较高位，福建和上海紧随其后。东部地区各省七年效率均值均低于全国，仅在2020年江苏、北京、上海、山东和福建达到了全国水平，出现此情况的原因可能是新质生产力投入力度较大，产出优势不够突出，从而造成数字化转型效率和实际体验不相匹配的情况。中部地区各省数字化转型效率相差较小，均值维持在1.52~1.64之间，湖北、江西、山西和黑龙江表现较为突出，处在地区平均值之上。西部地区省份数字化转型表现较好，青海、宁夏和甘肃位列地区前三，其中，青海和宁夏平均效率值超过2，特别是在2018年青海一般工业固废利用率较好，宁夏产业整体结构升级水平较高，资源配置有所提升，投入产出比相对合理。

Table 2. Digital transformation efficiency

表2. 数字化转型效率

省份	2022	2021	2020	2019	2018	2017	2016	均值
江苏	1.426	1.506	1.788	1.561	1.488	1.486	1.550	1.544
浙江	1.352	1.400	1.497	1.372	1.370	1.422	1.463	1.411
北京	1.384	1.469	1.816	1.549	1.418	1.421	1.453	1.501
天津	1.342	1.403	1.594	1.461	1.472	1.484	1.547	1.472
上海	1.342	1.390	1.800	1.575	1.439	1.421	1.453	1.489
山东	1.438	1.523	1.781	1.600	1.529	1.550	1.636	1.579
广东	1.357	1.410	1.529	1.380	1.369	1.421	1.461	1.418
福建	1.436	1.512	1.785	1.635	1.419	1.449	1.495	1.533
河北	1.410	1.447	1.592	1.447	1.437	1.447	1.520	1.472
东部	1.387	1.451	1.687	1.509	1.438	1.456	1.509	1.491
吉林	1.466	1.508	1.538	1.761	1.710	1.606	1.479	1.581
黑龙江	1.498	1.507	1.691	1.770	1.642	1.502	1.514	1.589
河南	1.418	1.476	1.639	1.563	1.470	1.497	1.608	1.524
安徽	1.430	1.507	1.682	1.558	1.535	1.562	1.647	1.560
湖南	1.447	1.536	1.682	1.605	1.521	1.568	1.666	1.575
湖北	1.489	1.589	1.828	1.731	1.599	1.596	1.667	1.643
江西	1.493	1.561	1.786	1.644	1.554	1.583	1.671	1.613
山西	1.603	1.554	1.713	1.665	1.556	1.557	1.555	1.600
中部	1.481	1.530	1.695	1.662	1.573	1.559	1.601	1.586
重庆	1.422	1.521	1.677	1.490	1.436	1.477	1.571	1.514
四川	1.469	1.525	1.762	1.678	1.517	1.515	1.618	1.583
贵州	1.455	1.506	1.606	1.660	1.644	1.578	1.617	1.581
陕西	1.469	1.519	1.639	1.482	1.483	1.517	1.503	1.516
云南	1.478	1.511	1.638	1.636	1.574	1.604	1.569	1.573
广西	1.548	1.596	1.747	1.670	1.567	1.562	1.634	1.618
甘肃	1.486	1.812	1.909	2.088	1.948	1.964	1.652	1.837
青海	2.157	2.162	2.221	2.786	3.015	2.109	1.943	2.342
新疆	1.549	1.572	1.721	1.585	1.432	1.570	1.458	1.555
宁夏	1.774	1.826	2.012	2.319	3.239	2.238	1.799	2.172
内蒙古	1.447	1.494	1.882	1.447	1.393	1.451	1.635	1.536
西部	1.569	1.640	1.801	1.804	1.841	1.690	1.636	1.712
全国	1.485	1.548	1.734	1.668	1.635	1.577	1.585	1.605

3.2. Malmquist指数分析与评价

借助DEA相关软件进行Malmquist指数计算得到数字化转型效率的全要素生产率及分解量，计算结果如表3和表4所示。

整体来看，2016~2022年28个省份全要素生产率数值有所波动但总体向好，平均值为1.06，年平均增长率为67.1%。2016~2018年从0.869上升为0.967，后连续两年出现下跌，2016年陆续出台的《国家信息化发展战略纲要》《“十三五”国家信息化规划》旨在指导2016~2020年间信息化发展，表明区域数字化转型还处在探索阶段，发展不均衡，难以为区域协调发展注入稳定动力。2020~2021年突如其来的疫情成为数字化转型效率提升的契机，全要素生产率达到巅峰值1.914。随着疫情常态化管理，经济增长又有所回落。

Table 3. Malmquist index measurements of digital transformation in 28 provinces

表3. 28个省份数字化转型的Malmquist指数测算结果

时期	技术效率 变化指数	技术进步指数	纯技术效率 变化指数	规模效率 变化指数	全要素生产率
2016~2017	1.052	0.826	1.001	1.05	0.869
2017~2018	1.001	0.966	0.999	1.002	0.967
2018~2019	1.003	0.934	1.001	1.002	0.936
2019~2020	1.006	0.913	1.003	1.003	0.919
2020~2021	0.997	1.919	0.999	0.999	1.914
2021~2022	0.997	1.031	0.999	0.998	1.028
平均	1.009	1.051	1	1.009	1.06

Table 4. Malmquist index and its decomposition of digital transformation efficiency in 28 Provinces, 2016~2022

表4. 2016~2022年28个省份数字化转型效率的Malmquist指数及其分解

省份	技术效率 变化指数	技术进步指数	纯技术效率 变化指数	规模效率 变化指数	全要素生产率
江苏	1	1.1	1	1	1.1
浙江	1.024	1.102	1.006	1.018	1.129
北京	1	1.123	1	1	1.123
天津	1	1.053	1	1	1.053
上海	1	1.027	1	1	1.027
山东	1.029	1.021	1	1.029	1.051
广东	1.033	1.106	1.002	1.032	1.143
福建	1.014	1.082	1	1.013	1.097
吉林	1.008	0.995	0.994	1.015	1.004
黑龙江	1.012	1.037	1	1.012	1.05
河北	1.035	1.057	1.005	1.03	1.094
河南	1.014	1.045	1	1.014	1.06
安徽	1	1.061	1	1	1.062
湖南	1.007	1.037	0.999	1.009	1.044
湖北	1.004	1.032	1	1.004	1.036
江西	1	1.034	1	1	1.034
山西	1.011	1.07	1	1.011	1.082
重庆	1.023	1.037	1.002	1.021	1.062
四川	1.013	1.032	1	1.013	1.045
贵州	0.993	1.083	0.996	0.998	1.076
陕西	1.03	1.083	1.006	1.024	1.116
云南	1	1.098	1	1	1.097
广西	1	1.055	1	1	1.055
甘肃	0.993	1.025	0.999	0.994	1.018
青海	1	1.014	1	1	1.014
新疆	1	1.029	1	1	1.029
宁夏	1.014	1.012	1.005	1.009	1.026
内蒙古	1	0.988	1	1	0.988

从分解量来看，2016~2022年技术效率变化指数、纯技术效率变化指数以及规模效率变化指数有小幅度的变化，整体呈现出下降趋势。规模效率在前期大于1，说明生产规模的扩大对数字化转型是有益的，当其与技术发展和管理水平不匹配的时候会导致数字化转型效率下降。政策出台初期，各省市落实力度、执行效果和管理水平不同，从而导致整体测算结果不佳，因此，说明区域数字化转型在资源优化配置、制度效能增强和创新管理实践等方面仍有广阔的提升空间。技术进步指数呈现上升趋势，2020~2021年最高指数达到1.919，技术进步对全要素生产率的提升做出了巨大贡献。这一时期，数字研发投入逐年加大，数字信息化产业数增多，数字技术创新和人才培养推动技术进步与发展。

从国家层面来看，除内蒙古外，27个省份全要素生产率大于1，表明我国数字化转型效率呈现上升趋势。各省全要素生产率处于0.98~1.15之间，数字化转型差距较小，广东(MI = 1.143)位列全国首位，浙江(MI = 1.129)、北京(MI = 1.122)、陕西(MI = 1.116)和江苏(MI = 1.1)紧随其后，内蒙古最低仅为0.988，说明全国数字化发展总体向好，但仍存在地区发展不均衡的现象。

技术效率变化受到纯技术效率变化和规模效率变化共同作用。除贵州和甘肃外，其他省份技术效率变化指数均大于1，占比达到92.6%。吉林、湖南的纯技术效率变化指数小于1，表明其管理质量较差，运行效率较低，未来应当注重对生产要素的合理分配，但又由于其规模效率变化指数大于1，从而导致技术效率变化大于1，可以看出规模效率变化对技术效率变化的影响更大。技术进步指数反映了某个地区在一定时期内要素质量的提高和科技的发展水平[19]，它是全要素生产率增长的核心驱动因素。贵州和甘肃在技术进步方面表现良好，从而弥补了技术效率变化的退步。相反的，内蒙古在数字技术创新、数字经济发展以及数字基础建设方面进步缓慢，导致数字化转型的低效。

4. 研究结论与建议

本文基于新质生产力，分别从科技生产力、绿色生产力和数字生产力三方面构建指标体系，运用超效率SBM模型对28个省份的数字化转型静态效率进行测度，同时，通过Malmquist指数测算时间序列下的动态效率。主要结论如下：第一，2016~2022年我国整体数字化转型效率表现优异，呈现“上升–下降”的波动趋势，2020年达到峰值后有小幅度回落，西部地区数字化转型效率最高，其次是中部，东部地区数字化转型效率最低，经济产出与资源配置投入有一定差距。第二，Malmquist指数测算得出的全要素生产率反映出区域数字化转型效率有所波动但总体向好，除内蒙古外，所有省份全要素生产率大于1；技术效率变化指数、纯技术效率变化指数以及规模效率变化指数有小幅度的下降，贵州和甘肃两省其值未超过1，区域数字化转型在资源优化配置、制度效能增强和创新管理实践等方面仍有广阔的提升空间；数字化转型全要素生产率受技术进步指数影响最大。

根据上述实证结果，提出以下建议：第一，数据要素激发新质生产力活力。数据要素是新质生产力发展过程中的重要元素，通过数据要素资产化推动数字技术产业孵化，培养新质劳动力，提升数字生产力水平，促进信息技术产业结构升级。数据要素市场化为区域经济一体化建设、产业数字化转型升级、人才集聚提供基础服务，因此，政府部门要建立健全制度保障体系，优化市场资源配置，加强数据监管，保障数据安全。第二，新质生产力赋能区域数字化转型。治理体系数字化释放红利效应，为政府治理营造公开、透明的环境，为企业转型提供优质的营商环境，释放市场活力；新质生产力推动核心数字技术创新，聚焦产业链发展升级，数字赋能场景，优化数据共享机制，依据产业结构特征，整合优化资源，识别阻碍因素，充分调动参与主体的积极性；创新人才集聚，层层推进各层次人才建设梯队，加大研发投入，探索新模式人才培育体系，为区域可持续发展提供坚实保障。

基金项目

江苏省研究生科研与实践创新计划项目“长三角城市群数字化转型背景下高质量发展效率的评价”(KYCX24_1100)。