异质技术下的绿色效率：基于印度制造业的证据

《Journal of Cleaner Production》：Green efficiency under heterogeneous technologies: Evidence from Indian manufacturing industry

【字体：大中小】 时间：2026年08月28日 来源：Journal of Cleaner Production 10.7

编辑推荐：

　　 •ASI 数据；投入：劳动力、资本、能源；产出：总销售额和 CO2。•2014 年后绿色效率下降，2020 年触底，2022 年有所恢复。•TGR（技术差距比率）显示资本密集型产业的技术差距较大。•研究结果支持针对特定集群的清洁生产策略。引言印度制造业是国家经济增长的关键支柱

•
ASI 数据；投入：劳动力、资本、能源；产出：总销售额和 CO₂。
•
2014 年后绿色效率下降，2020 年触底，2022 年有所恢复。
•
TGR（技术差距比率）显示资本密集型产业的技术差距较大。
•
研究结果支持针对特定集群的清洁生产策略。

引言

印度制造业是国家经济增长的关键支柱，在过去十年中贡献了国内生产总值（GDP）的 13% 至 17%（世界银行，2026 年）。2022-23 年，该部门在正规部门雇佣了 1850 万劳动力，凸显了其对产出和就业的重要性（统计与计划实施部，2023 年）。随着印度通过“印度制造”和生产关联激励（PLI）等各种计划增强国内能力的雄心，其重要性进一步提升。与此同时，制造业规模的扩大也加剧了环境压力。

印度已成为第三大温室气体（GHG）排放国，仅制造业部门的二氧化碳（CO₂）排放量就占其排放总量的 20% 以上（欧盟委员会联合研究中心，2025 年）。在印度的总体排放结构中，制造业是主要贡献者之一，其次是电力和农业部门（Ritchie 等人，2023 年）。这引发了一个问题：制造业能否在持续减少 CO₂ 排放的同时继续扩张。在此背景下，绿色效率评估至关重要，因为它基准测试了生产者在限制非期望产出（如 CO₂ 排放）的同时，将投入转化为期望产出的能力（Zhou 等人，2008 年；Song 等人，2012 年；Kao 和 Hwang，2021 年）。实证证据反映了企业、地区和行业向基于效率的可持续性评估转变的更广泛趋势（Zhou 等人，2018 年；Halkos 和 Petrou，2019 年；Pang 和 Zhang，2019 年；Punj 等人，2023 年）。然而，大多数现有文献使用常规效率指标，且仅部分考虑环境外部性，限制了对绿色绩效的推断（Zhou 等人，2008 年；Song 等人，2012 年）。相当一部分文献使用横截面设计或短期面板分析效率，而未考虑政策转变、技术扩散和宏观经济冲击的影响（Sueyoshi 和 Goto，2012 年；Aparicio 等人，2017 年）。此外，许多评估使用单一基准技术（例如 Barnes 等人，2011 年；Bernini 和 Guizzardi，2015 年），这可能会使排名产生偏差，并使识别效率低下的来源变得困难（Battese 和 Rao，2002 年；O'Donnell 等人，2008 年）。

在此背景下，本研究旨在利用窗口数据包络分析（WDEA）结合元前沿框架，评估 2010-11 至 2022-23 年印度正规制造业的绿色效率。使用印度工业年度调查（ASI）的行业层面数据，本研究构建了一个生产设定，将常规投入（劳动力、资本、能源）与期望产出（总销售额）和非期望产出（CO₂ 排放）相结合。窗口结构实现了对绿色效率的动态评估，而元前沿结构则考虑了技术异质性。行业按联合国国际贸易标准分类（SITC）分类为劳动密集型、资本密集型和技术密集型集群（联合国统计司，2006 年）。

分析基于三个目标。首先，评估印度制造业的绿色效率。其次，分解跨行业差异，以区分表现不佳是源于前沿内效率低下，还是劳动密集型、资本密集型和技术密集型集群之间的结构性技术差距。第三，评估主要改革和冲击阶段（包括疫情冲击）如何与效率轨迹的转变相重合。现有证据仍然支离破碎，在提供时间一致、异质性的基准测试以衡量绿色效率方面范围有限。本研究在实证上提供了 13 年期间绿色效率的行业层面证据。结合动态基准技术与元前沿框架，实现了跨集群绩效评估，并分离了运营缺口与技术集约束。这有助于提高绿色效率排名的可解释性，并为制造业群体设计集群特定政策。

章节摘要

文献综述

实证研究将绿色效率定义为联合生产问题，其中行业根据其在扩大经济产出的同时减少投入资源和非期望产出的能力进行基准测试（F?re 等人，1993 年；Chung 等人，1997 年；Zhou 等人，2008 年；Halkos 和 Petrou，2019 年）。这将方法论焦点转向了基于数据包络分析（DEA）的环境效率模型，该模型在生产集中保留非期望产出。

动态 WDEA 方法

环境绩效因技术采用、监管和冲击而随时间变化。WDEA 通过将标准 DEA 框架扩展到面板设定，将每个 DMU-年观测视为独立单位，并在重叠的时间窗口内评估效率，从而延伸了标准 DEA 框架（Charnes 等人，1984 年）。这种结构使得能够跟踪随时间变化的效率动态，并降低对特定年份冲击的敏感性（Charnes 等人，1984 年；Asmild 等人，2004 年）。

设

{D M U}_{r}^{t}

表示时期 t 中的观测 r

数据来源

本研究使用纵向定量设计，利用国家统计办公室（统计与计划实施部，2023 年）的 ASI 数据，衡量 2010-11 至 2022-23 年印度正规制造业的绿色效率。ASI 是印度最全面的工厂层面数据来源，覆盖 1948 年《工厂法》注册的单元。样本包括 21 个 NIC-2008（2 位）制造业

绿色效率的时间趋势

观察到绿色效率（OTE、TE 和 SE）呈非线性路径，表明存在更广泛的过渡调整过程以及持续的低效（图 1）。在整个期间，SE 高于 TE，这意味着总体低效主要由技术因素（技术采用较慢、管理约束和较弱的前沿追赶）而非规模驱动。效率得分的聚合动态反映四个显著阶段：危机后恢复（2010-2013），

结论与政策建议

制造业作为增长引擎，同时也是能源使用和 CO₂ 排放的主要贡献者。因此，改善环境绩效已成为全球关键政策优先事项。在印度，鉴于该部门的规模和该国对长期脱碳目标的承诺，平衡制造业扩张与环境责任尤为重要。在此背景下，本研究评估了印度正规制造业的绿色效率

CRediT 作者贡献声明

卡马尔·夏尔马：写作 – 审阅与编辑，写作 – 初稿，可视化，软件，方法，形式分析，数据整理，概念化。索玛·巴尔蒂：写作 – 审阅与编辑，写作 – 初稿，验证，方法，形式分析，数据整理。拉希·詹：写作 – 审阅与编辑，写作 – 初稿，验证，方法，形式分析，数据整理。普拉塔普·C·莫汉蒂：监督，写作 – 审阅与编辑，概念化。

稿件准备过程中生成式 AI 及 AI 辅助技术的声明

在本工作的准备过程中，作者仅将人工智能（AI）用于语言改进。在使用 AI 后，作者根据需要审阅和编辑了内容，并对发表文章的内容承担全部责任。

资助声明

本研究未收到公共、商业或非营利部门资助机构的任何特定拨款。

竞争利益声明

作者声明，他们没有已知的竞争性财务利益或个人关系，可能会影响本论文中报告的工作。

卡马尔·夏尔马 | 索玛·巴尔蒂 | 拉希·詹 | 普拉塔普·C·莫汉蒂

引言