張理想 李亞瓊

摘 要 基于擴展的隨機生產前沿模型，研究了區(qū)域生產效率的差異和其影響因素的作用效果，應用貝葉斯統(tǒng)計方法對中國各省份2010-2017的年度數據（不包含港澳臺地區(qū)，下同）進行了實證研究.研究發(fā)現：生產效率總體呈逐漸下降的趨勢，地區(qū)間生產效率有一定的差異，高等教育規(guī)模對生產效率具有顯著的直接影響.人力資本能有效促進東部和中部地區(qū)的經濟增長，西部地區(qū)主要依靠資本促進經濟增長.環(huán)境污染對中部地區(qū)的經濟增長具有一定的負向作用.

關鍵詞 數理統(tǒng)計;隨機前沿模型;貝葉斯統(tǒng)計推斷;生產效率分析;Gibbs算法

中圖分類號 O212 ???????????文獻標識碼 A

Bayesian Statistical Inference on the Efficiency

of Stochastic Frontier Model for Chinese Economy

ZHANG Lixiang1， LI Yaqiong1*，MA Raoqing2

（1.College of Mathematics and Econometrics， Hunan University， Changsha， Hunan 410082， China;

2.King's College London， London，? SE5 9RJ，England）

Abstract Based on the extended stochastic production frontier model， the difference of regional production efficiency and the effect of its influencing factors were studied， and then the annual data of various provinces in China from 2010 to 2017 were used to conduct an empirical research by using Bayesian statistical method. Through the research， it is found that the production efficiency shows a trend of gradual decline generally， and there are certain differences in the production efficiency between regions. The scale of higher education has a significant direct impact on the production efficiency. Human capital can effectively promote economic growth in the eastern and central regions， while the western region mainly relies on capital to promote economic growth. Environmental pollution has a significant negative impact on the economic growth of the central region.

Key words mathematical statistics; stochastic frontier model; Bayesian statistical inference; production efficiency analysis; Gibbs algorithm

1 引 言

經濟增長是國家的基本經濟目標之一，已有大量學者從不同的角度對經濟增長的動力源進行了討論.很多研究者認為全要素生產率才是經濟增長的核心，并對其進行測量和分解.生產效率作為全要素生產率的一部分，是度量生產有效性的重要指標，用來衡量生產者在投入等量生產要素的條件下，實際產出與最大產出（生產前沿）的比率.對生產效率的

度量和其影響因素的研究，可以測量生產行為無效性的程度和分析無效的原因，進而對中國的經濟生產提出合適的改進對策，以提高資源利用率，促進經濟高效綠色可持續(xù)發(fā)展.

關于中國經濟生產效率及其影響因素的研究，相關學者已取得了一定的成果.Li和Xu（2014）[1]基于隨機前沿分析方法測量了中國1996-2010年間各省（未包含港澳臺，下同）的生產效率，發(fā)現生產效率呈下降趨勢，區(qū)域差異顯著.陳超凡（2016）[2]采用非參數模型和ML指數分解方法得出技術水平的提高和產權結構的合理化有利于全要素生產率的提高，而能源結構的不合理則不利于綠色全要素生產率的增長.Li和Zhang（2017）[3]通過面板tobit模型的實證分析發(fā)現區(qū)域一體化對效率的促進作用具有區(qū)域異質性.

在經濟增長中，教育的地位不容忽視.徐長青（2017）[4]通過拓展的生產函數和多變量VAR模型對中國教育公平和經濟增長的關系進行研究，發(fā)現短期內教育公平對經濟增長具有反向作用，長期內教育公平對經濟增長具有顯著的積極作用.秦勇和王孝坤（2017）[5]利用固定效應模型和逐漸添加變量的估計方法，發(fā)現高等教育規(guī)模對經濟增長有著正向的滯后影響.Johansen和Arano（2016）[6]實證研究了區(qū)域大學機構對當地經濟發(fā)展的影響，認為高等教育機構的主要貢獻之一是人力資本.

另外，環(huán)境污染對經濟增長的影響也是不可忽視的，故將人均受教育年限、環(huán)境污染量和高等教育規(guī)?？紤]到經濟生產之中.

隨機前沿模型是研究生產效率的有效工具.Koop等（1997）[7]提出了固定效應和隨機效應模型，實證研究發(fā)現超參數發(fā)生巨大變化時，隨機效應模型結果也表現出穩(wěn)定性.Koop等（2000）[8]采用擴展的隨機前沿模型對不同國家的經濟增長源進行實證研究，發(fā)現經濟自由度越高，生產效率越高.對于生產函數的選取，樊綱和王小魯（2011）[9]基于C-D生產函數，在傳統(tǒng)兩要素生產函數的基礎上加入了人均受教育年限要素，研究了中國市場化進程對經濟增長的影響.關于面板數據的組合誤差隨機前沿模型的計算問題，Osiewalski和Steel（1998）[10]提出了現代數值積分方法，通過理論分析和實證研究表明：Gibbs抽樣方法可以大大減少模型后驗推斷中所涉及的計算困難.Tsionas（2000）[11]通過對非效率項為伽瑪分布的隨機前沿模型的研究，發(fā)現擴充數據的吉布斯抽樣對模型后驗分布的探索、模型參數和非效率的相關函數的推斷都有效.

綜上所述，對于區(qū)域經濟生產效率的研究，主要側重于生產效率的測量和其變化趨勢及區(qū)域差異的分析，對區(qū)域經濟生產效率的影響因素的研究并不多.多數研究是基于非參數模型以及ML指數分解方法對全要素生產率進行分解，間接研究了城市化率、產業(yè)結構、基礎設施水平等因素對生產效率的影響，并采用最大似然方法對模型參數進行估計.由Fernandez[12]提出的變效率分布模型是隨機效應模型的一種情況，其非效率分布的均值依賴于一些外部因素，在研究生產效率影響因素方面，該模型更加靈活.

鑒于以上分析，基于C-D生產函數，在傳統(tǒng)兩要素生產函數的基礎上加入人均受教育年限和環(huán)境污染量要素作為研究的生產函數，并采用Wang[13]提出的變效率分布的隨機前沿模型，將高等教育規(guī)模加入到非效率的分布中.利用Gibbs抽樣方法做數值模擬，對模型參數和非效率進行后驗推斷，進一步分析中國區(qū)域經濟增長和生產效率的地區(qū)差異以及高等教育規(guī)模對生產效率的直接影響效果，進而對區(qū)域經濟的發(fā)展給出合理而有效的政策性建議，促進經濟綠色高效可持續(xù)發(fā)展.最后，基于2010-2017年的經濟產出，對2019年三大區(qū)域的實際GDP做預測分析.

文章結構如下：第二部分為模型設定和統(tǒng)計推斷，選擇合適的隨機生產前沿模型、參數先驗和貝葉斯統(tǒng)計推斷技術.第三部分是數據選取和生產變量的衡量.第四部分為實證結果，分析2010-2017年間隨機生產前沿模型參數的估計結果和生產效率的變化趨勢、區(qū)域差異及高等教育規(guī)模的影響效果，并預測2019年三大區(qū)域平均一個省的實際GDP產出的范圍.最后為結論部分.

2 模型設定和統(tǒng)計推斷

根據Koop和Osiewalski給出的隨機前沿模型，即

yit=hxit;β-zit+εit.?? （1）

其中，i=1，…，N，t=1，…，T，yit和xit分別是第i個個體在t時刻的產出量和投入向量的自然對數，h（·）是一個未知生產函數，β=β0，β1，…，βk-1′是一個k維的參數向量，定義生產前沿的確定部分，εit是測量誤差，zit稱為非效率，是一個非負的隨機變量，則生產效率τit=exp -zit.

根據引言部分的分析，該研究的生產函數為

hit=β0+β1kit+β2lit+β3eit+β4sit+εit.???? （2）

其中，i=1，…，N，t=1，…，T，hit為未知函數，β1，β2，β3，β4分別是資本、勞動力、人均受教育水平和環(huán)境污染量對產出的彈性系數，β0是截距項，kit，lit，eit，sit分別是第i個個體在t時刻的資本、勞動力、人均受教育水平和環(huán)境污染量的自然對數，εit代表測量誤差.由式（1）和式（2）聯立，可得擴展的隨機生產前沿模型，即

yit=xitβ-zit+εit.??? （3）

其中，i=1，…，N，t=1，…，T，xit=（1，kit，lit，eit，sit）.

該模型滿足一般假設：εit服從一個均值為0，方差為h-1的正態(tài)分布，即εit～N0，h-1;εit和zit相互獨立，對于i=1，…，N，t=1，…，T.從而可得似然函數

py|β，h，z=∏Ni=1∏Tt=1h2π12

exp -h2yit-xitβ+zit′yit-xitβ+zit.? ??（4）

其中，h是誤差精度，y=（y11，…，y1T，…，yN1，…，yNT）′和z=（z11，…，z1T，…，zN1，…，zNT）′都是一個NT維的向量.

2.1 先 驗

參考Koop和Osiewalski提出的變效率分布方式，第一層是均值為λit，自由度為2的伽瑪分布，即

zit～Gλit，2.（5）

其中，i=1，…，N，t=1，…，T，λit=∏mj=1φ-ωit，jj，Ga，b表示均值為a，自由度為b的伽瑪分布的密度函數.未知參數φj>0j=1，…，m，ωit，j（j=1，…，m）是可能影響生產效率的解釋變量，且滿足ωit，1=1（i=1，…，N，t=1，…，T），φ=（φ1，…，φm）′.

第二層先驗，即參數φ的先驗為

φj～Ggj，vφj.（6）

其中，j=1，…，m， 即φ′js的先驗是相互獨立的伽瑪分布.

另外，對參數β和h分別采用相互獨立的正態(tài)—伽瑪先驗和共軛先驗進行數值模擬，即

β～Nμ，Σ，h～Gs-2，v，???? （7）

β～Nμ，Σh-1，h～Gs-2，v.?????? （8）

其中，μ=μ0，…μ4′是一個5維的向量，Σ是一個對角線上元素為Σ0，…，Σ4，其他元素為0的對角陣.由先驗（7）、（8）可知參數β，h，z，φ的聯合先驗為分別為

pβ，h，z，φ∝hv-22∏Ni=1∏Tt=1λ-1it∏mj=1φvφj-22jexp -12（β-μ）′Σ-1（β-μ）+hvs2+∑mj=1φjvφjg-1j-∑Ni=1∑Tt=1λ-1itzit，?? （9）

pβ，h，z，φ∝hv-12∏Ni=1∏Tt=1λ-1it∏mj=1φvφj-22jexp -h2（β-μ）′Σ-1（β-μ）+vs2+h-1∑mj=1φjvφjg-1j-∑Ni=1∑Tt=1λ-1itzit.? （10）

根據規(guī)模效益不變的經濟規(guī)則，滿足β1+β2=1，故令先驗參數μ1=μ2=0.5，Σ1=Σ2=0.25，即信息先驗.另外，取μ1=0.25，μ2=0.75時，數值模擬結果不變.由于人均受教育年限和環(huán)境污染量對經濟產出的貢獻度不明確，故設定相應的先驗參數為相對無信息先驗，令μ0=μ3=μ4=0，Σ0=Σ3=Σ4=100.對于h，令v=0，為無信息先驗，可以得到合適的后驗（見Fernandez（2004）），且s-2=10，20，25時，數值模擬結果基本不變.參考Koop和Osiewalski的做法，令非效率參數vφj=2j=1，…，m，g1=-ln τ*，gj=1（j=2，…，m），其中τ*∈0，1稱為先驗平均效率.由于不確定ωit，j（j=2，…，m）對生產效率是否有影響，從而對φ=φ1，…，φm′設定一個相對無信息先驗.取τ*=0.85，且在區(qū)間[0.7，0.9]內取值時，效率均值相對穩(wěn)定.當φ2，…，φm的值為1時，其相應的解釋變量對生產效率沒有影響.

2.2 后 驗

根據貝葉斯準則，由似然函數和式（9）的聯合先驗可得模型參數β，h，z，φ的聯合后驗，即

pβ，h，z，φ|y∝hNT+v-22∏mj=1φvφj-22j∏Ni=1∏Tt=1λ-1itexp -h2∑Ni=1∑Tt=1yit-xitβ+zit′yit-xitβ+zit

+vs2+h-1（β-μ）′Σ-1（β-μ）+h-1∑mj=1φjvφjg-1j-∑Ni=1∑Tt=1λ-1itzit.??? （11）

由此，得到參數β的條件后驗

β|y，h，z，φ～

N∑-1μ+h∑Ni=1∑Tt=1x′it（yit+zit），. （12）

其中，=（∑-1+h∑Ni=1∑Tt=1x′itxit）-1.h的條件后驗為

h|y，β，z，φ～G（（NT+v）

（∑Ni=1∑Tt=1（yit-xitβ+zit）′（yit-xitβ+zit）

+vs2）-1，NT+v），（13）

則zit（i=1，…，N，t=1，…，T）的條件后驗為截斷的正態(tài)分布，即

pzit|yit，β，h，φ

=fNzit|xitβ-yit-（hλit）-1，h-1Izit≥0?? ??（14）

其中，fN·|A，B表示均值為A，方差為B的正態(tài)分布的密度函數.

最后，φjj=1，…，m的條件后驗為

φj|y，β，h，z，（-j）～G（（2∑Ni=1∑Tt=1ωit，j+vφj）

（2∑Ni=1∑Tt=1ωit，jφ（-j）zit+vφjg-1j）-1，

2∑Ni=1∑Tt=1ωit，j+vφj）.?? （15）

其中，（-j）=（φ1，…，φj-1，φj+1，…，φm），φ（-r）=∏mj≠rφωit，jj，r=1，…，m，ωit，j是虛擬變量.

同理，由似然函數和式（10）的聯合先驗得到的各參數的條件后驗，除β和h外，其他參數的條件后驗不變，則

β|y，h，z，φ～N（[Σ-1μ+∑Ni=1∑Tt=1x′it（yit+zit）]，h-1）.?? （16）

其中，=Σ-1+∑Ni=1∑Tt=1x′itxit-1.

h|y，β，z，φ～G（（∑Ni=1∑Tt=1（yit-xitβ+zit）′（yit-xitβ+zit）+（β-μ）′Σ-1（β-μ）+vs2）-1，）， （17）

其中，=NT+v.

由以上可知，每個未知參數在其他參數的條件后驗下都是經典分布.因此，可采用Gibbs算法完成數值模擬，算法過程如下：

第一步：選擇參數的初始值β（0），h（0），z（0），φ（0）;

第二步：從正態(tài)分布p（β|y，h（s-1），z（s-1），φ（s-1））中抽取β（s）;

第三步：從伽瑪分布p（h|y，β（s），z（s-1），φ（s-1））中抽取h（s）;

第四步：從正態(tài)分布p（z|y，β（s），h（s），φ（s-1））中抽取z（s）;

第五步：從伽瑪分布p（φj|y，β（s），h（s），z（s），φ（s）1，…，φ（s）j-1，φ（s-1）j+1，…，φ（s-1）m中抽取φ（s）j，j=1，…，m.

重復上面的步驟，直至抽取S次，從而得到一列樣本β（s），h（s），z（s），φ（s），s=1，…，S.為了消除參數初始值的影響，丟掉前S0個樣本，根據弱大數定律，用剩下S1個樣本對模型參數進行后驗推斷，且S=S0+S1.

3 數 據

選取2010-2017年間全國31個省、自治區(qū)和直轄市（不包括港、澳、臺，下同）的面板數據，包括GDP、固定資本存量、年末就業(yè)人數、二氧化硫排放量和文盲、小學、初中、高中、大專及以上學歷的人數，以及高等教育畢業(yè)生人數和地區(qū)總人口進行實證研究，這些數據均來自于時間段內的《中國統(tǒng)計年鑒》和地區(qū)統(tǒng)計年鑒等.另外，采用回歸分析方法預測2019年生產投入要素的數據.由觀測數據對經濟生產水平、資本、勞動力數量和質量、環(huán)境污染量和高等教育規(guī)模變量進行衡量，具體做法如下.

經濟生產水平用GDP來衡量，并將2007年作為基年，用不變價格的方法對名義GDP進行調整，消除價格因素.用固定資本存量來度量生產過程中的資本投入（狹隘物質資本的定義），并采用永續(xù)盤存方法，以1952年為基期，以1990年價格為標準，估計各省市的年均固定資本存量.參照樊綱和王小魯（2011）[9]的做法，將各省的年末就業(yè)人數和人均受教育年限分別作為人力資本的數量和質量指標.環(huán)境污染的度量方式有很多，為了保證研究的可靠性，將各地區(qū)二氧化硫的排放量作為環(huán)境污染的代理指標.以上變量作為生產的投入要素.另外，參照秦勇和王孝坤（2017）[5]的做法，以高等教育畢業(yè)生人數占地區(qū)總人口的比重作為高等教育規(guī)模的衡量指標.經濟增長和高等教育規(guī)模可能存在雙向關系（Wang（2011）[13]），故采用滯后一期的高等教育規(guī)模進行研究.

4 實證結果與分析

4.1 模型比較和先驗的靈敏度分析

為了保證推斷結果的準確性，采用Brooks和Gelman（1998）[14]給出的BGR診斷方法對MCMC進行收斂診斷.首先賦予參數β，h，z，φ三個不同的初始值.

第一個初始值：β=[-2.97，0.50，0.53，1.54，-0.06]，h=18，φ1=-ln （0.85），φj=1（j=2，…，m）;

第二個初始值：β=[1，0.40，0.60，2.00，0.00]，h=10，φ1=-ln （0.80），φj=1.2（j=2，…，m）;

第三個初始值：β=[0，0.60，0.40，1.00，-0.10]，h=30，φ1=-ln （0.90），φj=0.8（j=2，…，m）.

由OpenBUGS軟件得到各參數的BGR診斷圖，圖1給出了部分參數的收斂診斷圖.

模型參數φ1和φ2分別是非效率分布中的常量和高等教育規(guī)模對應的系數.表1給出了各模型參數的均值（Mean）、標準差（SD）和數值標準誤差（NSE），其中數值標準誤差反映了樣本平均值相對于總體平均值的差異程度，體現抽樣誤差的大小.模型1和模型3都是基于β和h相互獨立的正態(tài)伽瑪先驗推斷的結果，且模型1只有資本和勞動力兩種投入，模型2是基于β和h的共軛先驗推斷的后驗結果.模型3和模型1相比，其偏差信息標準（DIC）的值更小.另外，模型2 和模型3的后驗推斷結果相差很小，故參數β和h的先驗選取是相對穩(wěn)定的.β4、β5和φ2的95%的最大后驗置信區(qū)間表明：人均受教育年限、環(huán)境污染和高等教育規(guī)模因素的影響都是顯著的，說明了模型3的合理性及增加因素的有效性.

觀察模型3的推斷結果，發(fā)現資本和勞動力的產出彈性均值之和約為1，說明我國經濟生產正好處于規(guī)模報酬不變的階段，資本和勞動力對經濟增長的貢獻度基本相當.模型1與相比，資本產出彈性均值下降了17 個百分點，勞動力產出增加了9個百分點，且人均受教育水平的產出彈性均值為1.409，說明傳統(tǒng)的兩要素生產函數模型高估了資本的產出彈性，人力資本才是有效促進經濟增長的重要因素.環(huán)境污染顯然對經濟的生產具有負向影響.高等教育規(guī)模95%的置信區(qū)間在1的右邊，表明它對生產效率的直接影響是顯著的.

4.2 三大地區(qū)的模型結果分析

根據4.1的分析，基于模型3分別采用東中西三大地區(qū)的生產數據，丟掉前8000個樣本，再取30000個樣本對模型參數和效率進行后驗推斷，推斷結果見表2.

表2給出了模型參數的均值（Mean）、標準差（SD）、數值標準誤差（NSE）和95%的最大后驗置信區(qū)間.由均值一列容易看出各生產要素對三個地區(qū)經濟增長的貢獻度不一樣.

結合表1分析，與全國經濟生產情況不同，東部地區(qū)和中部地區(qū)的勞動力產出彈性均值高于資本產出彈性均值，屬于勞動力拉動經濟增長型.西部地區(qū)與全國的增長型相似.東部地區(qū)的人均受教育水平的產出彈性均值為1.78，顯著高于全國水平，且東部和中部地區(qū)的人力資本產出彈性均值（β3+β4）遠大于資本的產出彈性均值，故人力資本對區(qū)域經濟的增長起到重要作用.西部地區(qū)的人均受教育水平的產出彈性均值只有0.37，遠遠低于全國水平，資本在西部地區(qū)的經濟生產中占主要地位.由β5的置信區(qū)間可以看出，二氧化硫的排放量對東部和西部地區(qū)的影響不明確，對中部地區(qū)的經濟增長具有負向影響.另外，φ2顯著不為1，故高等教育規(guī)模會直接影響三地區(qū)的生產效率水平，但影響程度有所不同.

4.3 生產效率分析

基于上述隨機生產前沿模型，分別對三大地區(qū)各省市的生產效率進行后驗推斷，結果見表3.

表3給出了三大地區(qū)各省市生產效率的后驗推斷結果.由均值一列可知，中部地區(qū)的生產效率都在0.8以上，平均生產效率最高，西部次之，東部最低，三大地區(qū)間的生產效率有一定的差異.整體來看，各省份的生產效率基本都在0.7 以上，只有海南省和河北省的生產效率最低，分別為0.564和0.690，而東部地區(qū)的上海和廣東，西部地區(qū)的重慶和四川以及中部地區(qū)的黑龍江和湖北的平均生產效率都在0.9以上，各省市的平均生產效率存在一定的差異.研究期內生產效率的變化趨勢為：全國生產效率從2010年到2011年有所上升，之后逐漸下降.東部和西部地區(qū)的變化趨勢與之一致，但中部地區(qū)的生產效率從2010年一直到2015年都是緩慢上升，之后呈緩慢下降的趨勢.

4.4 預測

對區(qū)域經濟生產進行預測的具體做法如下.

假設第i個被解釋變量的T個時間點的未觀測值為y*i=（y*i1，…，y*iT），i=1，…，N，則滿足

y*i=x*iβ-zi+ε*i.??? （18）

其中，ε*i與εi相互獨立，且ε*i～N（0，h-1IT），x*i是一個T×k的矩陣，對于第i個個體在每個時刻的產出點都包含k個解釋變量，非效率zi=（zi1，…，ziT）′是一個T維的向量.對于感興趣的函數g（·），有

E[g（y*（s）|y）]=1S1∑Ss=S0+1g（y*（s））（19）

其中，y*=（y*1，…，y*N）.

樣本的獲取方法如下：首先，基于公式（12）-（15）利用Gibbs抽樣得到樣本β（s），h（s），z（s），φ（s）;其次，將這些樣本代入正態(tài)分布p（y|y，β（s），h（s），z（s），φ（s））中;最后，從這個正態(tài)分布中獲得樣本y*（s）.

根據上面的數值模擬方法，分別取S1=20000，30000和40000進行后驗推斷，表4給出了三大地區(qū)平均一個?。ㄖ陛犑校?019年度的實際GDP預測結果.均值和中位數（Median）給出了2019年GDP的點估計值，95%的最大后驗置信區(qū)間則展現了2019年GDP的一個可能范圍.由NSE的值可知，隨著樣本量的增加，數值標準誤差會逐漸的減小.當樣本量增加到40000時，后驗估計結果與30000個樣本的后驗估計結果相近，且NSE值相對變化不大，估計結果趨于穩(wěn)定.三地區(qū)的經濟產出差距仍然較大，但從2011年以來，三地區(qū)的經濟產出差距有逐漸減小的趨勢.

5 結 論

應用貝葉斯統(tǒng)計方法和Gibbs抽樣算法對擴展的隨機生產前沿模型參數進行了后驗推斷，得到了全國和各地區(qū)的生產效率，接著分析了地區(qū)生產效率的差異和各生產要素對地區(qū)經濟增長及其生產效率的影響.通過實證研究發(fā)現以下結論.

我國經濟生產正處于規(guī)模報酬不變的階段.人力資本，特別是勞動力質量是拉動經濟增長的重要因素.環(huán)境污染對經濟生產具有負向影響.高等教育規(guī)模對生產效率具有顯著的直接影響.

東部和中部地區(qū)是勞動力促進經濟增長，而西部地區(qū)主要還是依靠資本促進經濟增長.相對于資本和勞動力，人均受教育水平很大程度上促進了東部和中部地區(qū)的經濟增長.環(huán)境污染（以二氧化硫的排放量作為環(huán)境污染量的指標）對中部地區(qū)具有顯著的負向影響，而對東部和西部地區(qū)的影響效果不確定.

從2010年到2011年全國生產效率有所上升，之后逐漸下降，東部和西部地區(qū)與全國變化一致，而中部地區(qū)的生產效率緩慢上升到2015年之后出現緩慢下降的趨勢.對于各區(qū)域的平均生產效率，中部地區(qū)為最高，西部次之，東部最低，三大地區(qū)間的平均生產效率有一定的差異.人均受教育水平和環(huán)境污染可能會通過改變經濟產出（生產前沿面）而間接地影響生產效率.高等教育規(guī)模對生產效率的直接影響顯著，且對三地區(qū)生產效率的影響程度有所不同.最后，利用Gibbs抽樣和蒙特卡洛積分對2019年度三大地區(qū)平均一個省（直轄市）的實際GDP進行了預測分析，發(fā)現三地區(qū)的經濟產出差距仍然很大.

根據實證研究結果，在現階段，對東部和中部地區(qū)應提高人均受教育水平，控制污染.對西部地區(qū)，在控制污染的同時，加大資本投入，這樣可以均衡的提高各區(qū)域的經濟增長.

未來進一步的研究工作可能包括如下幾個方面.變換環(huán)境污染量的指標，例如CO2和COD，進一步考察環(huán)境污染量對各地區(qū)經濟增長的影響.對科技創(chuàng)新指標進行量化，研究其對生產效率的影響.在時變隨機生產前沿模型下，對經濟增長和生產效率進行研究.

參考文獻

[1] LI C Y， XU? Z， WANG? H Y， et al. An estimation of the regional disparities in technical efficiency in China： An analysis based on stochastic frontier model[C]// International Conference on Management Science and Engineering. IEEE， 2014：1732-1737.

[2] 陳超凡. 中國工業(yè)綠色全要素生產率及其影響因素——基于ML生產率指數及動態(tài)面板模型的實證研究[J]. 統(tǒng)計研究，2016，33（03）：53-62.

[3] LI? X S， ZHANG? Y D， SONG? B W. Does regional integration promote the efficiency of economic growth？ an empirical analysis of the Yangtze River Economic Belt[J]. China Population， Resources and Environment， 2017， 27（1）：10-19.

[4] 許長青， 周麗萍.教育公平與經濟增長的關系研究——基于中國1978-2014年數據的經驗分析[J]. 經濟問題探索， 2017（10）：28-40.

[5] 秦永， 王孝坤. 高等教育規(guī)模擴張與中國經濟增長——來自省級面板數據的證據[J]. 宏觀質量研究，2017，5（03）：49-61.

[6] JOHANSEN? T， ARANO? K. The Long-Run Economic Impact of an Institution of Higher Education： Estimating the Human Capital Contribution [J]. Economic Development Quarterly the Journal of American Economic Revitalization， 2016， 30（3）： 203-214.

[7] KOOP? G， OSIEWALSKI? J， STEEL? M F J. Bayesian efficiency analysis through individual effects： Hospital cost frontiers [J]. Journal of Econometrics， 1997， 76（1-2）：77-105.

[8] KOOP? G， OSIEWALSKI? J， STEEL?? M F J. Modeling the Sources of Output Growth in a Panel of Countries [J]. Journal of Business and Economic Statistics， 2000， 18（3）：284-299.

[9] 樊綱， 王小魯， 馬光榮. 中國市場化進程對經濟增長的貢獻[J]. 經濟研究， 2011（9）：4-16.

[10]OSIEWALSKI? J， STEEL? M F J. Numerical Tools for the Bayesian Analysis of Stochastic Frontier Models [J]. Journal of Productivity Analysis， 1998， 10（1）：103-117.

[11]TSIONAS? E. Full Likelihood Inference in Normal-Gamma Stochastic Frontier Models [J]. Journal of Productivity Analysis， 2000， 13（3）：183-205.

[12]FERNANDEZ? C， OSIEWALSKI? J， STEEL? M F J. On the use of panel data in stochastic Frontier models with improper priors [J]. Social Science Electronic Publishing，2004， 79（1）：169-193.

[13]WANG? X. Chinas higher education expansion and the task of economic revitalization [J]. Higher Education， 2011， 62（2）：213-229.

[14]BROOKS? S P， GELMAN? A. General methods for monitoring convergence of iterative simulations. Journal of Computational and Graphical Statistics [J]， 1998， 7（4）：434-455.