一 引 言

改革开放40年来，中国经济实现高速发展，但也存在诸多经济社会发展问题，如环境恶化、生产要素资源趋紧、区域经济差距加大等。这意味着以要素和投资驱动生产的高速发展模式难以为继，同时启示经济增速，需及时换挡。2014年，习近平总书记明确提出中国经济进入新常态，指出“高速增长转为中高速增长”、“经济结构不断优化升级，第三产业、消费需求逐步成为主体”、“要素驱动、投资驱动转向创新驱动”是新常态的主要特点。《中共中央关于制定国民经济和社会发展第十三个五年规划的建议》认为基于经济新常态特征，着眼于经济发展面临的不平衡、不协调和不可持续问题，实现经济增长动力转换，迫切需要努力提高全要素生产率及其对经济增长的贡献率。蔡昉(2013)[1]认为劳动力短缺和人口红利的消失迫使中国经济亟需转向全要素生产率支撑类型，进一步印证全要素生产率是中国经济增长的新动力源泉。而中国经济存在着较大的空间区域差异，是否意味着全要素生产率亦存在显著的空间差异特征？因此，深入分析全要素生产率的空间非均衡特征和动态分布演进对于实现区域均衡发展和促进经济可持续发展具有重要的理论和现实意义。

二 文献综述

有关全要素生产率的研究大致可分为两类：其一，全要素生产率的测算与对比分析；其二，全要素生产率与其他经济变量的相关性。就前者而言，全要素生产率的测度主要有索洛余值法、参数型生产前沿法SFA(王德祥和薛桂芝，2016)[2]、OP方法和LP方法(Olley和Pakes，1996[3]；Levinsohn和Petrin，2003[4])、非参数型数据包络分析法DEA(吴书胜和李斌，2015)[5]。索洛余值法函数设定存在较大内生性问题，SFA需要主观设定生产函数的参数，OP和LP方法虽可以有效规避内生性问题，但较容易产生一定的共线性问题，从而降低估计参数的精确性，而DEA则无需设定函数形式，且可通过曼奎斯特指数(Malmquist Index)得到动态效率。学者们采用DEA方法分行业、分区域、分时间段、分技术进步视角测度全要素生产率(杨汝岱，2015[6]；张乐和曹静，2013[7]；刘建国和张文忠，2014[8]；钟世川和毛艳华，2017[9])。就后者而言，多数学者分析全要素生产率的影响因素，认为市场竞争、政府管制、知识资本、城镇化水平、产业结构、集聚效应、金融发展等因素均会作用于全要素生产率(简泽等，2014[10]； Li和Wu，2016[11])，且具有一定的区域或行业异质性(薛刚等，2015[12]；李建和卫平，2015[13])。也有学者强调全要素生产率的提升有利于区域差距的缩小，认为二者之间存在显著的格兰杰因果关系(石风光和李宗植，2009[14]；高帆和汪亚楠，2016[15])。上述研究多集中于探析全要素生产率的测度及其与其他宏观经济变量的相关性，而对全要素生产率的空间演变分析主要有三个方面：李斌等(2016)[16]采用曼奎斯特指数将全要素生产率分解为技术进步和效率进步，胡晓琳(2016)[17]分析环境全要素生产率的收敛性特征，李征(2016)[18]综合了曼奎斯特指数分解、区域差异、静动态效率和收敛特性，多方面分析全要素生产率的演变。总的来说目前我国对全要素生产率的区域差异、差异来源和分布动态演进的研究不多，有待进一步深入。这也是本文以此为视角提出问题进行研究的动因。

聂荣等(2015)[19]、刘华军和刘传明(2016)[20]、李强谊和钟水映(2016)[21]分别运用了Dagum基尼系数分析中国农村居民收入分配、能源强度、财政医疗卫生支出强度的地区差异及分布动态演进，本文在运用分组城市群体决策单元下的非导向EBM-Meta Frontier-Malmquist Index 测度全要素生产率的基础上，尝试将Dagum基尼系数分解为区域内、区域间和超变密度三类，进而探究不同城市群体的空间差异及来源。最后是采用核密度非参数法分析全要素生产率的分布动态演进，以期从全要素生产率视角为统筹推进城乡均衡发展提供相关政策建议。

三 方法与数据

(一)全要素生产率测度方法

DEA方法分为径向、非径向两种，前者假设投入或产出变量按照相同的比例进行扩张，后者假设投入变量或者产出变量基于松弛量的大小进行有效调整，本文选择Tone和Tsutsui(2010)[22]提出兼备径向与非径向特征的EBM-DEA模型。考虑到能源投入和非期望产出污染物的影响，本文参考Chung et al.(1997)[23]基于方向距离函数提出的Malmquist-Luenberger生产率指数进行测算。Färe et al.(2001)[24]提出通过提升合意产出的方向距离函数以增加测度合理性，具体的生产可能性集、方向距离函数如下：

(1)*对应左侧所有相应公式，后文亦同。

式(1)中，P为生产可能性集合，D为方向距离函数，x为生产流程中的投入要素。但上述模型在测算过程中可能会出现不可行解，Oh(2010)[25]提出的全局技术条件下Global Malmquist-Luenberger生产率指数可以克服无可行解的问题。而上述方法测度的全要素生产率均假定决策单元持有异质性的生产技术函数，降低了决策单元之间比较的有效性。Oh和Lee(2010)[26]提出Malmquist-MetaFrontier Index来解决异质性问题和跨期可比问题，同时将决策单元分为不同类别。具体为将决策单元基于样本数据分为H类(每类群体包含Nh个决策单元，h=1,2…，H)，且不同类别的群体具有相同的前沿生产函数，共有H种，定义为Th(h=1,2，…，H)。假设群体h在t时期的生产可能性集合为且群体h前沿技术函数为得到全体样本共同前沿函数和如下全要素生产率测度指数。

(2)

(二)Dagum基尼系数及其分解方法

4.图9为C类城市群体全要素生产率高斯核函数Kernel密度估计。据图可知，2006年相比2003年，峰值下降，变为2个峰值，分别居于2003年峰值的左右，宽度稍微有所提升，表明C类城市2006年全要素生产率相比2003年出现显著的分化，集中分布概率下降。而之后的2009年、2012年和2014年峰值进一步下降，多峰值现象逐步弱化，但宽度显著增加，右拖现象明显，表明随着时间变化，C类城市之间全要素生产率分层加剧。

(3)

式(3)中G为总体基尼系数，Gw为区域内差异值，Gnb为区域间差异值，Gt为超变密度值，Gjj为j城市群体的基尼系数，Gjh为j城市群体和h城市群体之间的基尼系数，Djh为j和h两个城市群体之间全要素生产率的相对影响程度。djh定义为区域之间全要素生产率指标的差值，采用第j和h城市群体之间所有yji-yhr>0的数学期望值度量；pjh定义为全要素生产率指标的超变一阶矩，采用第j和h城市群体之间所有yji-yhr<0的数学期望值的相反数表示；Fj(y)为第j个城市群体的累积密度分布函数，Fh(y)为第h个城市群体的累积密度分布函数；k为城市群体个数6，n为城市个数273，nj为第j个城市群体的城市个数，nh为第h个城市群体的城市个数，yji为第j个城市群体第i个城市的全要素生产率，yhr为第h个城市群体的第r个城市的全要素生产率，μ为样本算术平均值；pj=nj/n，sj=nj*μj/(nμ)。

艾滋病相关肿瘤主要有非霍奇金淋巴瘤和卡波西肉瘤，也需关注非HIV定义性肿瘤如肝癌、肺癌、肛周肿瘤等的筛查、诊治和处理。肿瘤的确诊依赖病理活检。治疗需根据病情给予个体化综合治疗，包括手术、化疗、介入和放疗（具体请参考相关指南）。所有的艾滋病合并肿瘤的患者均建议尽早启动HAART，需要注意抗病毒药物和抗肿瘤药物之间的相互作用，尽量选用骨髓抑制作用和药物间药物相互作用小的HAART方案如含INSTIs的方案。肿瘤的诊治不应因感染HIV而降低要求，应提倡多学科合作诊治（MDT）模式的应用，应与肿瘤科、介入科、外科等专家一同制定诊治方案。治疗中注意预防各种并发症尤其是感染的发生。

(三)核密度函数估计方法

核密度函数作为一种非参数估计，可以有效模拟宏观变量的变动。参考王星和褚挺进(2014)[28]界定，一维核密度函数如下，随机变量x服从连续分布p(x)，核密度估计为：

(4)

式(4)中n为待研究样本的观测值个数，x为p(x)分布连续变量的观测值，f(x)为概率密度函数，h 为带宽，K为核函数，为保证概率密度函数的合理性和非负性，核函数K需要满足式(4)中的两个条件。本文选择高斯核函数对我国六大城市群体全要素生产率的分布动态演进情况进行估计。需要说明的是，带宽对高斯核密度估计模型光滑程度的影响作用较大，随着h的不断增大，将有更多的点对样本值x处的密度产生影响。从均方误差的偏差和方差分解来看，带宽h越小，则高斯核估计的偏差就越小，本文基于积分均方误差最小的标准选择带宽。

(四)城市分类界定、指标及数据说明

传统城市按地域距离可大体上分为三类、四类或者八类。中国特有的政治行政管理体制决定了较高行政级别的城市更倾向于作为国家经济战略和策略的试验地区，且地方政府可以以较低成本获取生产要素资源进行配置。随着信息化水平提高，同等行政级别之间的经济交流更为密切。传统的三、四、八分类方法无法有效比较同等行政级别或经济行政级别趋近的城市之间的经济效率或者全要素生产率。参考Li和Wu(2017)[11]的做法，基于中国行政级别、经济总量和地理位置三方面进行区分，选取统计数据口径一致且数据量全面的273个城市并分为六类，依次统计为A类、B类、C类、D类、E类、F类城市群体，又对应一线城市、省会城市、开放城市、东部剩余、中部剩余和西部剩余。A类城市群体包含北京、上海、天津、重庆、广州、深圳6个城市；B类城市群体为各省级行政级别的省会(拉萨数据严重缺失未包含在内)，共有25个；C类城市群体主要包含计划单列城市和部分副省级城市但非直辖市和非省会城市，包含珠海、汕头、厦门、三亚、大连、秦皇岛、烟台、青岛、连云港、南通、宁波、温州、湛江和北海14个城市；D类城市群体为东部地区剩余的76个城市；E类城市群体包含中部地区剩余的92个城市；F类城市群体包含西部地区剩余的60个城市。

2014年相比2012年，全国全要素生产率分布曲线左移，但宽度仍然增加，表明区域间全要素生产率中低水平的城市数反弹增加，且全要素生产率高水平的城市数与2012年接近。主要是因为传统生产模式难以为继，国家推行产业结构优化升级与转移，再加上人口红利的逐步消失，制造业和对外贸易低迷，地区技术经济泡沫被挤压。样本期间内，2014年相比2003年，峰值下降，曲线右移，且宽度显著加大，表明全要素生产率提升且分化加剧。

城西堤线西河至季郎，埋深4m以内地层变化较大，以轻粉质壤土为主，夹薄层砂壤土或粉细砂，夹层厚度0.1～0.4cm，具弱～中等透水性，堤基稳定性较差，不宜做为筑堤土料。

四 中国区域全要素生产率空间非均衡的事实与特征

(一)六类城市群体间全要素生产率空间非均衡特征

2.图7为A类城市群体全要素生产率高斯核函数Kernel密度估计。可以发现峰值变化分为两个阶段，2003-2009年峰值阶梯快速下降，且曲线右移，宽度增加，延展性明显。表明A类城市全要素生产率提升显著，且彼此之间差距加大，高水平全要素生产率的城市数量增加。2009-2014年，峰值显著上升，曲线继续右移，但右拖现象有所收敛，意味着随着时间的推移和国家宏观经济政策的推行，A类城市群体全要素生产率基本达到技术前沿，且相对集中。

图1 六类城市群体全要素生产率各年份均值变化趋势

数据来源：《中国城市统计年鉴》。

(二)六类城市群体内全要素生产率空间非均衡特征：以B类城市为例

图2为B类城市群体2003年、2008年、2014年各城市的全要素生产率。B类城市群体是国家二级行政单位的省会城市，在城市群发展宏观战略的背景下，除去省会城市政治便利性外，其对所属城市群的带动效应最为显著，属于“火车头”的位置。为进一步反映各城市群体内部全要素生产率的发展差异，此处以B类城市为例进行分析。从图2可见，除海口、兰州、西宁外，其他的23个省会城市全要素生产率呈递增变化趋势。根据各年份的测度结果，将B类城市群体分为三个层次。2003年、2008年和2014年始终保持在第一梯队的城市有石家庄、沈阳、南京、杭州、福州、济南、武汉，2008年之后挤入第一梯队的有呼和浩特、郑州、长沙，2014年挤入第一梯队的有成都。一直处于第三梯队的为太原、海口、贵阳、兰州、西宁和乌鲁木齐。另外，B类城市群体全要素生产率最高绝对差异值有逐步扩大之势，从2003年的0.6585扩大至2014年的0.9555，年均增长率为2.47%。另外，西部地区省会城市全要素生产率显著低于中东部地区，且提升幅度和增长速度均慢于中东部地区，说明即便同为省会城市，但由于地区区位和政府宏观战略不同，全要素生产率对地区经济增长有显著的限制效应。

图2 B类城市群体2003、2008、2014年各城市全要素生产率

数据来源：《中国城市统计年鉴》。

五 中国区域全要素生产率的空间差异及其来源

上文分析了不同城市群体全要素生产率水平值及绝对和相对性的区域差异，但未解释彼此之间的差异大小及其来源，本部分将通过分解Dagum基尼系数来探究区域内和区域间的差异大小及来源。

(一)六类城市群体全要素生产率的总体及区域内空间差异

表1和图3分别给出了六类城市群体全要素生产率总体及区域内基尼系数和演变趋势。总体差异在小幅波动中不断增大，该全要素生产率总体Dagum基尼系数介于0.16834～0.21736。2003年数值为0.17068，2004年小幅下降为0.16834，之后快速提升至2010年的0.20403，2011年轻微下降至0.20238，之后便一直递增至2014年的0.21736。总体来看，样本期间内六类城市群体总体全要素生产率差异不断扩大，年均增长率为0.39%。

表1 六类城市群体全要素生产率总体及区域内基尼系数

年份总体一线城市省会城市开放城市东部剩余中部剩余西部剩余200301706801362201898600978301481001609601810820040168340142370206380098110150360149070169882005017238016577018375012679017158013503016020200601849201891401997801517901690101376901592020070191340208470197260166990179720145750138792008019695021021020137017719018012014347014495200902011801857102064601790201742201432801617220100204030189840207640200060175400147010156422011020238014409021239021194016470015583014153

(续上表)

年份总体一线城市省会城市开放城市东部剩余中部剩余西部剩余201202070501376402292902391201651501571601507920130210690105430240250222980154870162450148082014021736008742023288024852016777014985016081均值019394015853020894017670016675014896015612

数据来源：《中国城市统计年鉴》。

分区域来看，样本区间内各地区均值大小由高到低依次为B类、C类、D类、A类、F类、E类，且最大的B类是最小的F类数值的1.4倍。就各自变化趋势来看，各城市群体区域内基尼系数演变趋势、变化幅度和变化速度均具有显著的差异。A类城市群体呈“上升-下降”的态势，2008年前基尼系数值不断扩大，从2003年的0.13622增大至2008年的峰值0.21021，之后便快速下降至2014年的0.08742，总体表现为下降态势，年均降幅为0.41%。B类城市群体呈“上升-短暂下降-持续上升-短暂下降”趋势，峰值为2013年的0.24025，分别在2004年和2013年有短暂下降的变化，总体呈现稳定攀升的态势，年均增幅为0.36%。C类城市群体呈“短暂稳定-快速攀升-短暂下降-快速攀升”的态势，增幅最大，由2003年所有城市群体之间最小的0.09783扩大至2014年的0.24852，增速也是最快的，年均增幅高达1.26%。D类城市群体呈“上升-下降-短暂上升”的态势，总体波动幅度较小，2003-2007年呈现不断扩大的态势，2007年之后逐步缩小，总体表征为上升态势，年均增幅为0.16%。E类城市群体呈“下降-上升-短暂下降”的态势，2003-2005年快速下降，由0.16096下降至0.13503，但之后小幅稳定攀升至2013年的0.16245，之后下降至2014年的0.14985，总体呈现下降趋势，年均降幅为0.09%。F类城市群体波动频繁，表现为“下降-上升-下降-上升”的态势，总体呈现下降的趋势，年均降幅为0.17%，2007年该区域内基尼系数降至最小，为0.13879。需要强调的是，E类和F类城市群体的全要素生产率不断交错超越，且处于较低水平。

图3 六类城市群体全要素生产率总体及区域内基尼系数的演变态势

数据来源：《中国城市统计年鉴》。

(二)六类城市群体全要素生产率的区域间空间差异

表2和图4给出了六类城市群体之间(或部分年份)全要素生产率的空间差异与演变态势，共分为15个组合。由表2可知，A类城市群体与其他五类城市群体之间的全要素生产率差异逐步扩大，由大到小的差异为A与E、A与F、A与B、A与D、A与C，对应的年均增长率分别为2.72%、2.32%、1.32%、1.91%、1.61%。主要是因为以直辖市、经济特区和广州组成的A类城市群体行政级别较高，属于中国经济改革开放的“排头兵”，在政策层面和政治公信力方面远高于其他五类城市群体，随着改革开放的深入，地区知识资本、人力资本、固定资产资本等积累不断攀升，与其他城市群体全要素生产率的差距不断加大。B类城市群体中地区差异化显著，特别是西部地区省会城市全要素生产率远低于中东部地区，整体拉低了该城市群体的全要素生产率平均水平，加大了其与其他城市群体的差距。C类城市群体代表的计划开放港口，在政策层面具有显著的优势便利，其经济发展多依靠对外贸易，在我国不断加强对外贸易合作的经济框架下，该群体城市经济发展水平甚至高于大部分中西部地区省会城市。从图4可以看到，B类城市群体与C类、D类、E类、F类城市群体的差距幅度和波动速度显著低于A类，但各组合之间存在着不同的变化趋势。B与C呈“上升-短暂下降-上升”变化态势，B与D呈频繁小幅波动状态，B与E和B与F总体呈“下降-上升”态势，2004-2006年有快速下降趋势。C类城市群体经济发展较快，与D类、E类、F类城市群体之间的全要素生产率基尼系数逐步扩大，远低于与A类城市群体比较，年均增幅分别为0.86%、1.14%、0.83%，但2014年所达到的峰值仍相对较低。主要是由于贸易政策促使以该群体城市为代表的对外贸易显著提升，该地区与其他内陆城市群体(特别是E类、F类城市群体)之间的经济差距不断拉大，基尼系数由2003年的0.12666、0.14907、0.15471提升至2014年的0.23086、0.28570、0.25412。D类与E类、D类与F类之间全要素生产率基尼系数均呈“上升-下降”的变化态势，前者在2010年达到最大值0.22117，后者在2009年达到峰值0.20405，总体表现为上升态势，年均增幅分别达0.38%和0.06%。E类和F类城市群体之间的全要素生产率基尼系数呈“下降-上升”态势，总体呈现下降趋势，这与上述14种组合的变化趋势相反，但下降幅度不大，在2007年降到最低值0.14725，年均降幅仅为0.011%。总体来看，A类和C类城市群体与其他剩余城市群体之间基尼系数不断扩大，而B类、D类、E类、F类城市群体之间基尼系数波动相对稳定。

1.图6为总体全要素生产率部分年份的Kernel密度估计。2006年峰值相比2003年有所增加，表明区域全要素生产率的集中程度提升。显现出来的右拖现象表明部分城市全要素生产率显著提升，且处于技术前沿，如A类城市中的北京、上海、广州等。2009年相比2006年，峰值下降，且向右发生移动，表明地区全要素生产率差异化加大，分化加重。2012年相比2009年，峰值继续下降，且右移幅度明显，宽度加大，表明大部分城市全要素生产率水平不断提升，总体分布扩大，总体均值增加，国家生产效率提升。

表2 六类城市群体全要素生产率的区域间基尼系数

年份A与BA与CA与DA与EA与FB与CB与DB与E20030249200151420158710197590191080186390204650184762004025614015523016472020982020165019274021071018507200503095502145302200102882002637801846902043101643720060348400245690241110341210305450213960220090174852007036239025916026120036729033518022627022177017748200803868602817802843004007803655702326502220101810720090376100271990278510414010382570229120214110188072010038789028776029471043348039418024346021206019323201103756202860602895204363004082902411102040302069120120380410298540308720449720410490258700210270222472013039957031412035990049799046016025092020850024335

(续上表)

年份A与BA与CA与DA与EA与FB与CB与DB与E2014040798034496038867052490046991025983020974025253均值035334025927027084038011034903022665021185019785年份B与FC与DC与EC与FD与ED与FE与F200302010001266601490701547101678201714201738820040198720127760147540151780168310171000162482005017910015178015587015430017910017604015225200601855001634201927601765502010701837801553920070173750176570219890195420213540189370147252008017887018287022996020418021834019236015122200901892101823002366902189702196502040501564220100187460201620251780230320221170195650158492011019214020172025279023270021841019223015267201202063102217202710202490002142801845701603220130222140208300278070247050208960175950162292014022219023086028570025412021308017802017256均值019470018130022259020576020364018454015877

数据来源：《中国城市统计年鉴》。

图4 六类城市群体部分年份全要素生产率区域间基尼系数比较

数据来源：《中国城市统计年鉴》。

(三)六类城市群体全要素生产率的差异来源及其贡献

六类城市群体全要素生产率差异来源及其贡献率如表3和图5所示。区域内差异来源呈小幅下降态势，区域间差异来源呈“快速递增(2003-2009年)-缓慢递增(2010-2014年)”态势，超变密度呈“快速下降(2003-2009年)-缓慢下降(2010-2014年)”变化态势。具体来看区域内差异稳定在均值0.3870左右，波动最小。区域间差异值从2003年的0.00903快速攀升至2009年的0.7604，年均增幅达0.95%；之后又小幅慢速提升至2014年的0.09083，年均增幅仅为0.44%。超变密度在2003年较大，达0.12101，但随之快速下滑至2009年的0.08526。就贡献率来看，超变密度的贡献率在2010年之前处于最大地位，介于42.58%-71.08%之间。2010年之后，区域间差异贡献率提升并在2011年超越超变密度，达到41.24%。之后二者呈现跳跃交互变化的态势，2013年和2014年区域间差异贡献率进一步提升并大于超变密度。而区域内差异贡献率在均值20.18%左右稳定下浮。总体来看，2010年前的超变密度差异来源和贡献率均最大，2011年开始区域间差异和贡献率不断交互超越超变密度，而区域内差异相对较小且稳定。

表3 六类城市群体全要素生产率的差异来源及其贡献

年份来源GwGnbGt贡献率GwGnbGt200300402000090301210102361300530407108320040038540019950109180229870118980651142005003812003220010127022215018764059021200600381700460400999202072802500705426520070038890058750092940204080308280487642008003890006548009168019842033398046760200900389600760400852601945203797204257520100039120077290086700192600380520426882011003836008307008001019044041238039718201200389500807400864001890003917604192420130037950091840080000180890437770381342014003826009083008772017647041894040460均值003870006094009351020182030609049209

数据来源：《中国城市统计年鉴》。

图5 六类城市群体全要素生产率差异来源及贡献率的演变态势

数据来源：《中国城市统计年鉴》。

六 中国区域全要素生产率分布动态演进

为反映全要素生产率区域绝对差异的分布动态演进，图6-图12给出了总体和六类城市群体全要素生产率的高斯核函数核密度估计图，考虑到图形的辨识性，仅标示2003年、2006年、2009年、2012年和2014年的密度估计。下面分别从图中峰值位置、分布态势、极化特征和分布延展性方面来分析各城市群体全要素生产率的演变。

何良诸恍然明白，赵集、小勺把他弄到井下，让他避开风头。要不，他跟闹事的矿工们混在一起，就说不清道不明了。何良诸问：“赵集被抓走了？”

图6 总体全要素生产率的Kernel密度估计

数据来源：《中国城市统计年鉴》。

全要素生产率测度的投入指标包括资本要素、劳动力要素和能源要素，产出指标包含合意产出与非合意产出。基于数据的可得性，资本(K)采用资本存量表示，采用永续盘存法计算：Kt=It+(1+δ)Kt-1，It为全社会固定资产投资额，为消除价格因素的影响，以2003年为基期构建固定资产价格投资指数表对其进行平减，初始的资本存量以2003年资本形成总额代替，折旧率参考单豪杰(2008)[29]的做法；劳动力(L)采用各地区年末第一产业、第二产业和第三产业就业人数综合表示，且行业分类参考国家行业分类标准(GB/T 4754-2002)；能源投入(E)采用煤气(人工、天然气)供气总量和液化石油气供气总量，基于《中国能源统计年鉴》给出的折算系数折算为标准煤；合意产出(G)采用各城市国内生产总值表示，通过以2003年为基期构建GDP价格指数表进行平减；非合意产出(B)采用各城市的CO2排放量表示。以上数据均源于《中国城市统计年鉴》、《中国能源统计年鉴》和《中国环境统计年鉴》。考虑到数据获取的可得性，本文将研究时间设定为2003-2014年。

借着手雷爆炸后燃起的火光，夏国忠看见他的突击队员倒下一批又一批，他浑身的血液在燃烧，把眼睛珠子都烧红了。

在翻译这类新闻标题时，译者需要根据具体需求补上部分背景资料，给读者提供更多信息。该例子中，虽然没有变的更加有意思，但却能提供更多背景信息，实现“信息传递效率最大化”。

图1为六类城市群体各年份全要素生产率地区均值直方图，如图显示出城市群体之间的差距和单个城市群体的时间维度内的变化趋势。由图1可知，A类城市群体全要素生产率均值总体呈上升趋势，且增速和增幅远高于其他五类城市群体，年均增长率为8.61%。B类城市群体全要素生产率均值在2012年前稳定上升，但2012-2014年则平稳变动，增减幅度微弱，总体为递增趋势，年均增长率为2.13%。C类城市群体和D类城市群体全要素生产率均值具有相同变化趋势，其发展水平基本呈“上升-下降-上升-下降”的波动态势，但增速和变化幅度有所区别。2007年之前，D类城市群体全要素生产率均值略高于C类城市群体，但2007年，C类城市群体反超D类，且保持至今，2011年之后D类城市群体全要素生产率均值下滑明显加快，总体上二者呈现递增趋势，年均增长率分别为1.79%和0.96%。E类城市群体和F类城市群体全要素生产率均值具有相同变化趋势，为“下降-上升-下降-上升-下降”波动态势，但F类城市群体均值小幅高于E类，且F类城市群体年均增长率为0.27%，E类城市群体小幅下降，年均增长率为-0.19%。就区域内差异来看，最高绝对差异逐步扩大，数值由0.2845扩大至1.2609，扩大近4.43倍，年均增长率为8.13%。但最低全要素生产率均值群体由B类切换为E类。从相对差异看，A类城市群体与其他五类城市群体之间的差距逐步扩大，而B类、C类和D类城市群体全要素生产率均值相对差异呈先扩大、再缩小的变化态势，B类和E类、F类城市群体之间相对差距呈逐步缩小，之后再扩大的相反变化趋势。

图7 A类城市全要素生产率Kernel密度估计

数据来源：《中国城市统计年鉴》。

3.图8为B类城市群体全要素生产率Kernel密度估计。可以发现样本年份内估计峰值显著下降，且曲线不断右移，宽度增加，具有一定的右拖现象，特别是2006年、2012年和2014年出现两个峰值，极化情况加剧。表明B类城市群体全要素生产率逐步提升，但省会城市差距明显扩大。主要是由于西部地区省会城市虽然在本省经济发展中处于领先位置，但相比中东部同等行政级别的城市而言，其在地理地貌、交通设施和天气气候层面存在劣势。

图8 B类城市全要素生产率Kernel密度估计

数据来源：《中国城市统计年鉴》。

本文采用Dagum(1997)[27]提出的Dagum基尼系数，并将其分解为研究区域之内差异、研究区域之间差异和超变密度及三者引致整体差异的贡献率。Dagum基尼系数充分考虑子样本群体的分布状况，可以有效解决样本之间的潜在的交叉重叠问题，同时可以基于分解项给出待研究变量的差异来源。参考Li和Wu(2017)[11]的做法，对本文群体划分进行说明。城市是中国经济发展行政架构布局中的重要方面，宏观数据相对全面，而不同城市群体又具有不同的行政级别属性，为此，本文基于城市样本行政级别属性的差异将全国数据全面的273个城市划分为六类城市群体。总体基尼系数及其分解项如下：

有的甚至原本是一价动词，在进入双及物构式后，构式赋予其“接受”的含义，增加接受者和接受物。例（17）是Goldberg提供的一个经典例句：

图9 C类城市全要素生产率Kernel密度估计

数据来源：《中国城市统计年鉴》。

5.图10为D类城市群体全要素生产率Kernel密度估计，按照曲线特征，态势可以分为三个阶段：2003-2006年，峰值下降，曲线右移，右拖现象加重；之后的2009年和2012年峰值小幅稳定波动，但峰值和曲线不断右移，右拖特征明显；2014年相比2012年，峰值微幅提升，但峰值和曲线却出现左移。主要是因为东部地区剩余城市代表的D类城市之间经济发展水平较为相近，概率分布集中程度较高，但延展性显著表明城市群体内的差距加大。

图10 D类城市全要素生产率Kernel密度估计

数据来源：《中国城市统计年鉴》。

6.图11为E类城市群体全要素生产率高斯核函数Kernel密度估计。可以发现2006年相比2003年，峰值有上升的态势，曲线左右移动幅度和宽度变化范围均较小，表明E城市群体全要素生产率分布于峰值附近的概率扩大。相比2006年，2009年和2012年的峰值梯度下降，曲线右移，且宽度增大，表明随着时间的推移，全要素生产率水平均值提升，分化加剧，处于区域生产率前沿的城市数量增多。2014年相比2003年，峰值增加且左移，群体内全要素生产率前沿继续显著攀升。

图11 E类城市全要素生产率Kernel密度估计

数据来源：《中国城市统计年鉴》。

图12 F类城市全要素生产率Kernel密度估计

数据来源：《中国城市统计年鉴》。

7.图12为F类城市群体全要素生产率的高斯Kernel密度估计。由图12可知，2006年相比2003年，峰值上升右移，曲线右移，宽度变化幅度较小，表明区域内全要素生产率有所提升。2009年、2012年、2014年相比2006年，曲线峰值逐步降低，但相隔年份之间的降幅有差异，曲线整体右移，宽度变大，表明低行政级别的西部城市全要素生产率逐步提升，但总体水平相比中东部地区还有显著的差距。西部地区全要素生产率的提升与国家西部大开发战略和该区域交通设施改善、人力资本提升均有一定程度的关联。

七 主要结论与政策启示

全要素生产率是实现经济绿色可持续发展的关键，探究当下中国区域性全要素生产率的空间非均衡特征和分布演进，是分析全要素生产率提升的影响因素和优化路径的前提。以此为研究视角，本文将研究时间起点设定在2003年；考虑到国家新常态属于国家经济结构调整的政策转折年份，将研究时间终点设定为2014年。以273个地级城市作为研究对象，并根据国家设定直辖市、开放城市和传统三大地域经济带将其划分为6类城市群体；在构建EBM MetaFrontier Malmquist指数测度包含非合意产出的区域全要素生产率的基础上，利用Dagum基尼系数及其分解项测度总体、区域内基尼系数、区域间基尼系数和超变密度以及它们对总体差异来源的贡献；采用高斯核函数构造的Kernel概率密度估计函数探究总体和各区域全要素生产率的分布动态演进。

本研究的主要结论为：(1)六类城市群体全要素生产率总体呈逐步攀升的态势，但各群体存在显著的空间非均衡特征，一线城市群体全要素生产率增速较快，且水平远高于其他城市群体，处于技术前沿水平；省会城市群体全要素生产率区域内差异明显，整体均值偏低，但保持稳定递增的态势；开放城市和东部剩余城市全要素生产率水平相对较高，2012年前处于梯度第二，但之后有下降反弹的态势，且长期内会被省会城市群体超越；中西部城市群体全要素生产率提升较慢，呈小幅波动状态。(2)六类城市群体总体差异随时间变化逐步扩大，但区域内差异有所不同。参考均值变化来看，区域内差异由大到小依次是省会城市、开放城市、东部剩余、一线城市、西部剩余和中部剩余。一线城市和东部剩余全要素生产率差异呈“先增大-后缩小”的态势，省会城市和开放城市差异总体递增，而中西部剩余城市差异总体逐步降低。区域差异同样存在显著的区域差异性，一线城市和中西部城市的区域间差异最大，且逐步扩大。区域间差异贡献率高于区域内差异，但前者贡献率不断提升直至成为首要差异来源，后者处于小幅稳定波动态势。(3)总体和六类城市群体分布动态演变均呈现不同的趋势。总体全要素生产率提升，且存在高水平全要素生产率城市；一线城市呈“曲线右移，高水平全要素生产率城市集中度提升”的特点；省会城市和开放城市区域内层次度加深，多极化明显；东部、中部和西部剩余城市峰值右移，宽度变大，表现为区域内分布广泛，高集中度区域城市全要素生产率水平提升。

治疗后对照组平均 FPG 为（8.45±1.42）mmol/L；治疗后试验组（6.21±0.89）mmol/L，差异有统计学意义（P<0.05）。试验组平均 2 hPG 为（7.43±1.69）mmol/L，对照组平均2 hPG（10.21±1.72）mmol/L，差异有统计学意义（P<0.05）。

本研究的政策启示：(1)党的十八届中央委员会第五次全体会议强调，实现“十三五”时期发展目标，破解发展难题，厚植发展优势，必须牢固树立并切实贯彻创新、协调、绿色、开放、共享的发展理念。而区域全要素生产率呈递增态势且存在区域差异，为此政府宜继续推行“大众创新，万众创业”的发展理念，始终将创新作为推动经济持续发展的动力源。就政府而言，发挥政府的战略引导效应，依靠“雄安新区”、一带一路、京津冀一体化、长江经济带，带动中西部地区和其他相关地区的经济发展。(2)区域内全要素生产率区域差异不断扩大，尤其表现在行政级别相对较高的地区，如省会城市、开放城市和一线城市，因而政府宜首先依托既有交通，完善省会城市、开放城市和一线城市之间的高速铁路、航空路线、轨道交通等设施，有效降低核心城市之间的通勤时间，提升通勤效率。其次，完善政府官员考核机制，逐步弱化“唯GDP论”，逐渐加入人民幸福程度，环境优质资源和公共资源效率指标，增强人力资本流向中西部地区，提升该地区政府执政能力，全面提升该区域经济发展水平，减少其与其他地区差距。(3)从微观层面看，降低区域全要素生产率差距关键在于企业有所作为。在大数据和互联网信息技术时代下，企业应充分结合互联网技术，拓宽面向市场的宣传渠道，增加有关技术研发的人才和资金投入，强化个人环保意识和循环经济意识。同时利用企业资金开展多元化投资，以增长资金流动性和收益率。此外是加强行业之间、企业之间的交流合作，构建信息共享、技术共同研发等机制，以提升全要素生产率。

[参考文献]

[1] 蔡昉. 中国经济增长如何转向全要素生产率驱动型[J]. 中国社会科学, 2013, (1): 56-72.

[2] 王德祥, 薛桂芝. 中国城市全要素生产率的测算与分解(1998-2013)——基于参数型生产前沿法[J]. 财经科学, 2016, (9): 42-52.

[3] Olley, G. S., Pakes, A.. The Dynamics of Productivity in the Telecommunications Equipment Industry[J]. Nber Working Papers, 1996, 64(6): 1263-1297.

[4] Levinsohn, J., Pertin, A.. Estimating Production Functions Using Inputs to Control for Unobservables[J]. Review of Economic Studies, 2003, 70(2): 317-341.

[5] 吴书胜, 李斌. 中国对外直接投资你想技术溢出非线性效应研究[J]. 世界经济研究, 2015, (9): 74-85.

[6] 杨汝岱. 中国制造业企业全要素生产率研究[J]. 经济研究, 2015, (2): 61-74.

[7] 张乐, 曹静. 中国农业全要素生产率增长: 配置效率变化的引入——基于随机前沿生产函数法的实证分析[J]. 中国农村经济, 2013, (3): 4-15.

[8] 刘建国, 张文忠. 中国区域全要素生产率的空间溢出关联效应研究[J]. 地理科学, 2014, 34(5): 522-530.

[9] 钟世川, 毛艳华. 中国全要素生产率的再测算与分解研究——基于多要素技术进步偏向的视角[J]. 经济评论, 2017, 203(1): 3-10.

[10] 简泽, 张涛, 伏玉林. 进口自由化、 竞争与本土企业的全要素生产率——基于中国加入WTO的一个自然实验[J]. 经济研究, 2014, (8): 120-132.

[11] Li, B., Wu, S.. Effects of Local and Civil Environmental Regulation on Green Total Factor Productivity in China: A Spatial Durbin Econometric Analysis[J]. Journal of Cleaner Production, 2017, 153: 342-353.

[12] 薛刚, 陈思霞, 蔡璐. 城镇化与全要素生产率差异: 公共支出政策的作用[J]. 中国人口·资源与环境, 2015, 25(3): 50-55.

[13] 李建, 卫平. 金融发展与全要素生产率增长——基于中国省际面板数据的实证分析[J]. 经济理论与经济管理, 2015, (8): 47-64.

[14] 石风光, 李宗植. 要素投入、 全要素生产率与地区经济差距——基于中国省区数据的实证分析[J]. 数量经济技术经济研究, 2009, (12): 19-31.

[15] 高帆, 汪亚楠. 城乡收入差距是如何影响全要素生产率的？[J]. 数量经济技术经济研究, 2016, (1): 92-109.

[16] 李斌, 祁源, 李倩. 财政分权、 FDI与绿色全要素生产率——基于面板数据动态GMM方法的实证检验[J]. 国际贸易问题, 2016, (7): 119-129.

[17] 胡晓琳. 中国省际环境全要素生产率测算、 收敛及其影响因素研究[D]. 南昌: 江西财经大学, 2016.

[18] 李征. 中国区域全要素生产率演变研究[D]. 长春: 吉林大学, 2016.

[19] 聂荣, 高艳, 储德银. 中国农村居民收入分配差距的时空演变——基于Dagum基尼系数分解[J]. 财贸研究, 2015, (4): 20-28.

[20] 刘华军, 刘传明. 中国能源强度的地区差异及分布动态演进——基于Dagum基尼系数分解和非产出估计的实证研究[J]. 山东财经大学学报, 2016, (5): 54-62.

[21] 李强谊, 钟水映. 我国财政医疗卫生支出的空间差异及分布动态演进——基于Dagum基尼系数分解与Kernel密度估计的实证研究[J]. 财经论丛, 2016, (10): 19-28.

[22] Tone, K., Tsutsui, M.. An Epsilon-based Measure of Efficiency in DEA——A Third Pole of Technical Efficiency[J]. European Journal of Operational Research, 2010, 207(3): 1554-1563.

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

[24] Färe, R., Grosskopf, S., Pasurka, Jr. C. A.. Accounting for Air Pollution Emissions in Measures of State Manufacturing Productivity Growth[J]. Journal of Regional Science, 2001, 41(3): 381-409.

[25] Oh, D. H.. A global Malmquist-luenberger Productivity Index[J]. Journal of Productivity Analysis, 2010, 34(3): 183-197.

[26] Oh, D. H., Lee, J. A.. Metafrontier Approach for Measuring Malmquist Productivity Index[J]. Empirical Economics, 2010, 38(1): 47-64.

[27] Dagum, C.. A New Approach to the Decomposition of the Gini Income Inequality Ratio[J]. Empirical Economics, 1997, 22(4): 515-531.

[28] 王星, 褚挺进. 非参数估计[M]. 北京: 清华大学出版社, 2014.

[29] 单豪杰. 中国资本存量K的再估算: 1952-2006年[J]. 数量经济技术经济研究, 2008, (10): 17-31.