施俊辉

（北方民族大学商学院，宁夏 银川 750021）

摘要：在“双碳”目标与新质生产力导向下，新能源汽车产业链竞争由规模扩张转向效率与技术前沿驱动。本文以2015—2023年新能源汽车产业链上市公司为样本，按上游—中游—下游—充换电/服务分组，构建“投入—产出”指标体系（投入：总资产、员工人数、研发投入；产出：营业收入、发明专利授权量），采用投入导向BCC-DEA测度静态效率并分解TE、PTE与SE，结合规模报酬与松弛变量识别投入冗余与产出不足；进一步运用DEA-Malmquist指数刻画全要素生产率（TFPCH）跨期变动及其技术进步（Techch）与效率变化（Effch=Pech×Sech）来源。结果表明：样本企业综合效率整体偏低且离散度较大，效率提高更多来自规模匹配改善而非纯技术同步提升；环节差异显著，上游受规模与周期扰动更强，中游纯技术效率约束突出，下游相对更高但仍存在规模偏离，充换电/服务规模效率偏弱且波动较大；TFP变动由技术进步与效率追赶共同驱动并呈阶段性切换。本文据此从技术进步、管理配置与规模匹配三条路径提出产业链协同优化启示。

关键词：新能源汽车产业链；新质生产力；数据包络分析（DEA）；Malmquist指数；全要素生产率；效率分解与松弛变量

一、引言

在“双碳”目标与新质生产力导向下，新能源汽车产业加速迈向绿色化、智能化与融合化^[1]。《新能源汽车产业发展规划（2021—2035年）》提出以科技创新突破关键核心技术，提升产业体系自主可控与持续发展能力。政策与市场合力推动产业链延伸完善，逐步形成上游资源与材料、中游动力电池与电机电控等关键零部件、下游整车制造以及充换电与后市场服务协同发展的体系^[2]。与此同时，竞争逻辑由补贴与需求扩张驱动的“规模增长”转向以技术迭代、成本控制和组织效率为核心的“效率与技术前沿竞争”，产业链协同与资源配置效率成为影响韧性与竞争力的重要因素，不同企业对创新、数字与绿色技术的吸收转化能力差异亦导致环节间效率分化。现实中，各环节企业在技术基础、研发组织、成本管控、资产配置与经营管理方面存在显著异质性，这种差异不仅影响个体绩效，还可能通过供需匹配、配套效率与协同创新机制传导至产业链整体效率。行业进入效率提升期后，单纯依靠投入扩张难以持续，企业能否以更少资源实现更高质量产出成为关键。基于此，本文以新能源汽车产业链上市公司为样本，按环节分组，运用DEA测度并分解静态技术效率，并利用规模报酬与松弛变量诊断识别投入冗余与产出不足。进一步运用Malmquist指数从动态角度刻画全要素生产率变动及其技术进步与效率变化来源。在不引入回归模型的前提下，基于效率分解、规模特征与松弛诊断，对不同环节效率分化的可能机制加以解释，为产业链协同优化与政策引导提供经验证据。与仅聚焦单一环节或规模扩张的研究相比，本文在产业链框架下比较各环节效率水平及其驱动来源，揭示效率短板与结构特征，为企业优化资源配置、提升技术吸收转化能力并支撑政策精准施策提供参考。研究更贴合“新质生产力—要素配置—效率提升”的逻辑链条，有助于从企业层面理解产业链协同升级的效率基础^[3]。

二、文献综述与评述

（一）DEA在企业/行业效率与创新效率测度中的应用

数据包络分析无需预设生产函数，能够处理多投入—多产出的相对效率评价，因而被广泛用于企业绩效、资源配置效率与创新效率测度^[4]。文献通常采用CCR/BCC等静态DEA模型测算综合技术效率，并进一步分解为纯技术效率与规模效率，用于识别“管理技术”与“规模配置”对效率差异的贡献。与此同时，一些应用研究还结合松弛变量分析，将效率损失具体拆解为投入冗余与产出不足，从而为低效决策单元提出针对性的优化方向^[5]。

（二）Malmquist指数在TFP动态分解中的应用

在动态效率分析中，DEA与Malmquist指数结合使用较为成熟。相关研究通常利用DEAP等工具输出TFP变化（tfpch）及其分解项：效率变化（effch）与技术进步（techch），并进一步分解为纯技术效率变化（pech）与规模效率变化（sech），以区分“追赶效应”和“技术前沿外移”的作用来源。李培哲等在区域高技术产业创新效率研究中，基于省际面板数据运用DEA-Malmquist同时刻画技术效率、技术进步与TFP增长，并强调该分解框架能够在不引入额外参数模型的情况下解释TFP变动机制^[6]，这为本文后续从分解项开展影响因素讨论提供了方法参照。

（三）新能源汽车或战略性新兴产业链效率研究

围绕新能源汽车与战略性新兴产业的效率研究不断增多。唐子晴等从推广效率角度指出，DEA适合在多投入多产出条件下对新能源汽车相关效率进行评价，并常与Malmquist结合分析跨期变化^[7]。进一步地，程霞珍等以新能源汽车产业链上市公司为样本，采用DEA-BCC与DEA-Malmquist从静态与动态视角测度技术创新效率，揭示效率水平及其分解结构^[8]。与此同时，关于“新质生产力—效率提升”的研究也开始尝试构建新质生产力指标体系并用于效率评价（如潘国强等），为将“新质生产力”概念转化为可量化分析框架提供了思路借鉴^[9]。

（四）文献评述

总体而言，现有研究已形成“DEA静态效率测度—Malmquist动态分解”的常用范式，并在新能源汽车及相关产业领域取得较多成果。然而，从本文主题出发仍有可深化空间：一是部分研究对产业链上游—中游—下游—服务等环节的分环节比较不足，难以揭示产业链内部效率错配与协同约束；二是影响因素讨论常依赖Tobit等回归模型，而对Malmquist分解项（techch、effch、pech、sech）与DEA松弛诊断信息的挖掘仍不充分。基于此，本文将从产业链视角对新能源汽车上市公司进行分环节对比，运用效率分解、规模报酬与松弛变量诊断，并结合Malmquist分解项对效率差异来源作出可解释分析，以回应新质生产力背景下技术效率提升的机制问题。

三、理论基础与研究设计：产业链视角的投入—产出效率分解框架

新质生产力以科技创新为核心驱动，体现数智化、科技化与绿色化特征，其作用机理可概括为：通过关键技术突破、数字化改造与绿色转型，优化要素结构与生产方式，从而提升企业将资源投入转化为规模产出与创新产出的能力^[10]。就新能源汽车产业链而言，上游原材料与基础材料偏资源、资本密集；中游动力电池、电机电控等关键环节依赖研发迭代与工艺制造能力；下游整车面临规模化竞争与成本约束；充换电与后市场服务更强调网络化布局与运营效率。环节属性差异决定投入结构、技术路径与价值实现方式不同，也意味着新质生产力要素在各环节的吸收转化效率存在异质性。

本文以“投入—产出”过程为主线刻画效率：企业将资产、劳动力与研发投入等要素投入转化为经营产出与创新产出，效率差异反映其偏离“最优前沿”的程度。方法上采用DEA在不预设生产函数条件下构建效率前沿，得到综合技术效率（TE），并分解为纯技术效率（PTE，侧重管理与技术组织能力）与规模效率（SE，反映规模与需求、产能利用的匹配程度），且SE=TE/PTE。结合松弛变量识别投入冗余与产出不足，从结构性视角解释效率损失来源。考虑研究期内产业处于持续技术迭代与结构调整阶段，进一步采用DEA-Malmquist指数测度跨期全要素生产率变化（TFPCH），并分解为效率变化（Effch，“追赶效应”）与技术进步（Techch，“前沿外移”），且将Effch进一步分解为纯技术效率变化（Pech）与规模效率变化（Sech），从而在不引入回归模型的前提下，基于分解结果解释不同环节效率变化来源。

样本选取方面，本文以新能源汽车产业链相关上市公司为研究对象，依据企业主营业务与产业链功能定位，选取具有代表性的50家上市公司作为决策单元（DMU），并按“上游—中游—下游—后期服务”四类环节进行分组。其中，上游涵盖碳酸锂、稀土永磁、钴以及正极/负极材料、电解液、隔膜等资源与基础材料企业（如天齐锂业、赣锋锂业、华友钴业、当升科技、天赐材料等）；中游涵盖电机、电池控制与电机控制、热管理/空调等关键零部件与系统集成企业（如信质集团、大洋电机、均胜电子、汇川技术、三花智控等）；下游以整车制造企业为主（如上汽集团、比亚迪、长城汽车、广汽集团等）；后期服务环节选取充电桩相关企业（如特锐德、万马股份等）。分组依据以公司年报披露的主营构成与业务描述为主，并结合行业分类口径（如申万/中信）进行一致性校验，最终形成2015—2023年的企业—年份面板数据。为保证测度结果可靠，本文剔除ST及财务异常样本、关键变量缺失严重或连续缺失样本，以及主营难以判定或跨环节占比过高导致归属不清样本；对并购重组、上市较晚等造成样本期不连续的情形，在不影响总体代表性的前提下进行处理。

表1  变量的描述性统计

指标体系方面，投入侧选取：总资产（万元，反映资本与资源占用）、企业员工人数（人，反映劳动要素投入）、研发投入金额（万元，反映创新要素投入强度）；产出侧选取：营业收入（万元，衡量经营规模产出）与企业发明专利授权量（项，衡量创新产出）。数据处理上，金额类指标统一单位口径并保证跨企业可比；在跨期比较时，金额类指标在条件允许下采用CPI或行业平减指数进行不变价处理，以降低价格因素干扰；DEA要求变量取值非负，若出现极少数异常取值（如缺失、为零或不合理负值），按可重复原则进行剔除或一致性修正，并在结果部分明确处理规则。基于企业规模差异与环节异质性，效率测度采用可变规模报酬（BCC）与投入导向设定，可以在既定产出水平下识别投入冗余，更贴合成本效率与资源节约的研究目标。

表2  相关性分析

为检验投入—产出指标设置的合理性，本文对投入变量（总资产、员工人数、研发投入）与产出变量（营业收入、发明专利授权量）进行Pearson相关性检验。结果显示，营业收入与总资产、员工人数、研发投入分别呈显著正相关（0.972、0.680、0.834，均在1%水平显著），表明资本规模、劳动投入与研发投入与企业经营产出具有稳定的同向关系。发明专利授权量与总资产、员工人数、研发投入亦呈显著正相关（0.598、0.734、0.754，均在1%水平显著），说明创新产出与研发投入及人力资本投入联系紧密。总体上，相关系数符号与经济逻辑一致，支持本文投入—产出指标体系的合理性；同时投入与产出并非完全线性对应，保留了DEA效率辨识所需的差异性。

四、实证结果与机制解释：DEA静态效率与Malmquist动态分解

（一）静态效率总体水平

表3  产业链各年静态效率均值

基于DEA测算，本文报告技术效率（TE）、规模效率（SE）与综合效率（OE），其中 OE=TE×SE。总体看，样本企业综合效率偏低且差异较大。以2015年为例，全样本TE均值0.548（标准差0.230）、SE均值0.742（0.237）、OE均值0.385（0.189），说明多数企业尚未达到相对有效前沿。有效DMU比例进一步表明“技术有效≠综合有效”：2015年TE=1的企业5家，但OE=1仅1家，综合效率损失更集中于规模维度。该特征在2023年仍存在（TE=1仍为5家，而OE=1仅1家）。部分企业表现为“TE=1但OE显著小于1”，如上汽集团2023年TE=1、SE=0.450、OE=0.450；比亚迪2023年TE=1、SE=0.445、OE=0.445，提示其规模与投入结构仍偏离最优。跨期看，OE较2015年有所改善，主要由SE带动：2022年SE均值升至0.850、OE均值升至0.434，而TE均值为0.528；2023年OE均值为0.423，较2022年略回落。总体而言，样本期内综合效率提升更多体现为规模匹配改善，TE所刻画的管理与技术组织能力仍是进一步提升OE的关键约束。

（二）产业链环节对比

分环节结果呈现显著异质性。2015年上游TE均值0.585、SE均值0.654、OE均值0.365，呈现“技术相对较高但规模偏弱”，如天齐锂业2015年TE=1但SE=0.381、OE=0.381，反映

资本密集与扩产节奏、兑现周期对规模效率的约束。到2022年，上游SE均值提升至0.874、OE提升至0.469，但2023年上游OE回落至0.416，提示其对供需与景气波动仍较敏感。
中游（电机/电控等）呈现更突出的“纯技术约束”：2015年中游TE均值0.424，2022—2023年分别为0.369、0.378，而同期SE达0.892、0.903，说明其规模更接近有效区间，但投入（总资产、员工、研发）向收入与专利产出的转化效率仍有明显提升空间。

下游整车综合效率相对更高：2015年下游SE均值0.921、OE均值0.472；到2023年下游TE均值0.640、OE均值0.512，表明其要素转化效率有所改善。但下游内部仍存在“技术有效但规模不优”的情形（如上汽、比亚迪2023年）。

服务/充电桩环节样本量较小（每年4家），但整体表现为“SE偏低且波动较大”：2015年TE均值0.730而SE均值仅0.521，2022、2023年SE仍约0.575、0.582；且存在奥特迅2023年OE仅0.130、和顺电气多年份TE=1但SE约0.20左右的现象，表明该环节综合效率更受规模与资产运营约束。

（三）松弛变量诊断：投入冗余与产出不足（证据1）

松弛变量刻画相对有效前沿下的非径向改进空间：投入松弛>0意味着在既定产出下投入仍可压缩，产出松弛>0则表示在既定投入下产出仍可提高。

投入端，总资产冗余并非普遍，而更集中于重资产或扩张型企业及特定年份，体现资产配置与产出兑现节奏不匹配。例如天齐锂业2015年总资产松弛64817.915（冗余率0.086），2020年增至254362.92（0.061），2021年达564240.76（0.128）；杉杉股份2015、2016年亦存在总资产松弛（61913.285与66124.044）。相较之下，员工人数与研发投入冗余更常见，提示组织管理与研发资源配置效率是更普遍的约束：如赣锋锂业2015年员工与研发松弛337.7与1387.613，领益智造2015年员工与研发松弛1777.41与2122.894，均胜电子2015年研发松弛16839.705，三花智控2015年员工与研发松弛1684.354与7291.288。

产出端，营业收入不足多不显著，而发明专利授权量不足更突出且波动较大，如沧州明珠2015年专利松弛1.089、均胜电子2015年专利松弛3.074，中国重汽2015年专利松弛8.468且后续年份仍出现类似不足。综合而言，松弛诊断形成清晰的结构性证据：资产冗余更指向产能/资本配置与需求匹配问题；员工与研发冗余并伴随专利不足更指向研发组织、项目管理与成果转化链条的效率短板。

（四） Malmquist动态结果：TFP及分解（证据2）

表4  产业链各年malmquist指数均值

Malmquist指数分解满足 TFPCH=Effch×Techch，且 Effch=Pech×Sech。需强调：本节“2015”表示2015→2016的跨期变动，其余年份同理。样本结果显示，技术进步（Techch）与效率追赶（Effch）共同塑造TFP的跨期波动，且企业/环节差异显著。以个体为例，赣锋锂业在2015→2016表现为TFPCH=1.4774、Techch=1.0366，而2016→2017出现TFPCH=4.757、Techch=1.8648；但2017→2018则为TFPCH=0.0986、Techch=0.4099，体现技术前沿推进与外部环境变化下的明显波动。类似地，东风股份在2019→2020（对应“2020”行）呈现Techch=3.0116并带动TFPCH=3.0116，说明部分跨期TFP跃升主要来自前沿外移；而另一些企业则更多体现为Effch或其内部的Pech/Sech变化对TFPCH的解释力上升，反映“追赶式提升”与规模调整的作用。总体而言，TFP变化并非单一来源驱动，而是“技术前沿推进—效率追赶—规模再匹配”交替发挥作用。

（五）影响因素机制解释

在不引入回归模型的前提下，本文基于 Techch、Effch（Pech/Sech）与松弛变量构建影响机制的可检验解释框架：
  1.技术进步因素（Techch）：当Techch>1且伴随TFPCH上升（如赣锋锂业2016→2017、东风股份2019→2020），可解释为技术前沿外移带动生产率提升；当Techch波动或<1（如赣锋锂业2017→2018），则提示技术扩散不充分或外部冲击导致前沿推进放缓。
  2.管理与资源配置因素（Pech/Effch + 松弛）：若Effch改善而Techch不突出，则更符合通过流程优化、协同与组织改进实现“追赶式提升”；同时，员工与研发冗余的普遍存在以及专利不足的突出，提供了“投入未能有效转化为创新产出”的结构性证据，指向研发组织效率、项目筛选与成果转化机制的改进空间。
  3.规模与产能匹配因素（Sech + 资产冗余）：当Sech偏弱或出现显著资产冗余（如天齐锂业、杉杉股份多年的总资产松弛），可解释为扩张节奏、产能利用与需求匹配不足导致规模效率损失。

综上，产业链效率差异的根源并非单一因素，而是技术进步（Techch）—管理效率（Pech）—规模匹配（Sech）三者共同作用，并在不同环节呈现不同主导机制。

五、结论、政策启示与研究展望

（一）主要研究结论

基于DEA静态效率测度与Malmquist指数动态分解（TFPCH=Effch×Techch，且Effch=Pech×Sech），并结合松弛变量与规模报酬特征，本文得到以下结论。

第一，产业链企业效率水平呈显著异质性，并伴随阶段性波动。静态效率指标TE/PTE/SE并非同步改善，部分时期的效率变化主要体现为纯技术效率或规模效率的结构性调整，而非均衡提升，表明企业在技术能力、管理组织与规模配置三维度存在“不同步演化”。

第二，分环节效率差异具有相对稳定性，且主导约束各不相同。上游材料与部分关键零部件更易体现技术前沿驱动特征，但也更易受到周期与价格波动扰动，规模匹配与产能兑现节奏会显著影响综合效率；中游关键件在制造与供应链协同中存在更明显的“追赶式提升”空间，管理与研发组织效率约束更突出；下游整车及充换电/后市场服务更受市场竞争强度、产品迭代节奏与运营效率影响，效率波动更强，规模匹配问题更为显性。

第三，TFP的跨期变化同时受技术进步与效率追赶驱动，二者贡献存在阶段性切换。在若干跨期中Techch>1较为普遍，显示行业存在阶段性的技术前沿外移；但也存在Techch波动甚至<1的跨期，提示技术扩散不均衡及外部冲击会影响“有效前沿”。当Techch不突出时，TFP改善更多依赖Effch的追赶式提升，尤其体现为Pech改善所对应的管理与资源配置优化。

第四，松弛变量表明效率短板并非“投入越多产出越多”的线性关系。一些企业在投入端存在冗余（如总资产、人员或研发投入可压缩），同时在产出端仍出现不足（收入或发明专利授权量不足），说明投入要素向经营与创新产出的转化链条存在结构性摩擦。由此可以将差异来源归纳为三类关键环节：组织与费用效率、研发成果产业化与市场化能力，以及产能利用与资产周转效率。

第五，规模报酬与Sech结果表明“扩张并非总是有效”。当Sech偏低或呈递减规模报酬倾向时，简单扩产可能压低效率；相反，对处于规模不足或具备规模效率提升空间的主体，更适合通过产能结构优化与协同扩张获得效率增益。政策与管理层面应避免“一刀切”扩张导向，而需匹配环节特征与企业效率状态实施差异化优化。

（二）政策与管理启示

面向产业链协同优化，本文提出以下建议。上游环节应以“控制无效扩张+强化协同创新”为重点，严格评估扩产投资边际效率，降低资产冗余；通过资源与能源效率提升、工艺优化与材料体系迭代推动Techch，并加强与中下游联合研发与标准协同，缩短技术扩散周期。中游关键零部件应以“提升Pech与良率”为核心，围绕质量控制、良率提升与自动化改造提升纯技术效率，同时强化与整车端协同开发与需求联动，减少重复研发与无效投入，提高研发转化效率，使追赶式提升转化为稳定TFP增益。下游整车应以“优化投入结构+提升产出质量”为抓手，重点治理管理与研发资源配置效率，推进平台化与模块化以分摊研发成本；加强供应链协同与成本管控，提升收入与专利产出的匹配度，避免在激烈竞争中陷入“规模扩大但效率下降”。充换电/服务环节应以“提升资产周转与运营效率”为导向，通过科学选址、提升利用率、数字化运维与负荷管理改善Sech与Pech，避免低利用率下重复建设导致资产沉淀，并通过与车企、运营商及电网侧协同强化网络效应，实现由“重资产铺设”向“精细化运营”的效率跃迁。

六、研究不足与未来展望

本文以总资产、员工人数与研发投入为投入指标，以营业收入与发明专利授权量为产出指标开展DEA与Malmquist分析，能够刻画企业资源投入的综合转化能力，但对绿色化、数字化等新质生产力特征的直接度量仍有限；同时未纳入非期望产出与环境扰动校正，也未通过三阶段/四阶段DEA或回归框架识别影响因素的因果方向。未来研究可在数据可得前提下引入能耗、碳排放等非期望产出，或采用网络DEA与三阶段DEA细化环节效率来源，并结合回归或结构化模型对“技术—管理—规模”机制进行更严格检验。

参考文献

[1]王新平,肖雪,王双明,等.新质生产力驱动能源绿色低碳转型：作用机理、现实挑战与实现路径[J].技术与创新管理,2025,46(6):627-639.

[2]于晓楠.财税激励政策对新能源汽车企业全要素生产率的影响研究[D].广州：广东财经大学,2025.

[3]宋炜,张文静,何静.外需冲击、循环模式与制造业新质生产力[J].统计与决策,2025,41(23):137-142.

[4]张雨琪,范定祥.基于DEA模型的数字产业创新绩效评价研究——以35家软件行业上市公司为例[J].现代工业经济和信息化, 2024, 14 (12): 269-273. 

[5]张新宁,陈世羽,刘娜. 京津冀铁路资源投入产出效率分析及优化配置[J].铁道工程学报, 2025, 42 (5): 116-121.

[6]李培哲,菅利荣,刘勇.基于DEA与Malmquist指数的区域高技术产业创新效率评价研究 [J].工业技术经济,2019,38(1):27-34.

[7]唐子晴,任芳容,孙芳怡.我国新能源汽车推广效率及影响因素分析——基于SBM-DEA和Tobit模型[J].时代经贸,2025,22(3):63-66. 

[8]程霞珍,唐晓婷.战略性新兴产业技术创新效率及影响因素研究——基于新能源汽车产业视角[J].华东经济管理,2024,38(12):54-64. 

[9]潘国强,李韶彬,赵佳茵.基于新质生产力的绿色工业用水效率与经济协调发展研究 [J]. 人民黄河,2025,47(6):76-83.

[10]陈泽鹏.新质生产力赋能城市社区治理现代化：作用机理与实践路径[J].西南石油大学学报(社会科学版),2026,28(1):51-62.

基金项目：本文系北方民族大学研究生创新项目：新质生产力提升新能源汽车产业链成本效率路径及政策研究（项目编号：CYX25294）的研究成果。