中国工业的环境绩效与治理投资的规模报酬研究

李 静，陈 武

（合肥工业大学 经济学院，安徽 合肥 230009）

一、引 言

由中国工业经济主导和推动的经济增长取得了巨大成就，特别是在改革开放以后得到了充分体现。从1978年到2011年，中国国内生产总值（GDP）实际增长了18.62 倍，年均增长速度达到近10%（几何平均）；与此相对应，同期中国的工业增长更为迅速，与改革初期相比，工业增加值实际增长了28 倍以上，年均增速达到11.63%之多，比整体经济年均增速快了大约1.68个百分点，当然也快于第一产业和第二产业的发展（中国统计年鉴2010）。因此，我们就可以认为中国经济的发展是工业化带动和主导的必然结果，中国的工业化带来中国经济的持续成长，也解决了贫困等其他诸多问题。

同时工业也是制造环境污染的重要力量，自然界中70%～80%的污染物来自工业企业。工业污染造成的环境污染对人体健康及经济活动危害严重。《中国环境经济核算报告2004》显示，2004年全国因环境污染造成的经济损失为5118 亿元，占当年GDP的3.05%，而当年全国环境污染治理成本为2874 亿元，占当年GDP 的1.8%。而根据最新核算2008年的生态环境退化成本达到12745.7 亿元，约占2008年GDP3.9%。其中因生态破坏损失3798.2亿元，环境污染造成的损失约为8947.5 亿元，分别占生态环境总损失的29.8%和70.2%。2008年中国环境治理成本高达5043.1 亿元，相对2004年增长75.4%。2010年美国哥伦比亚大学和耶鲁大学科学家们发布了2010年世界环境绩效排名EPI（Environmental Performance Index）。EPI 得分较高的地区几乎都来自于经济高度发达国家。在该评比中，欧洲发达国家普遍得到了较高的分数。该指数对温室气体排放，空气污染，农业，卫生设施等方面进行综合评测，满分为100 分。中国的环境绩效指数从2006年的第94 名下降到2008年的第105 名，此次持续下滑至121位，与上一次相比后退16位（2010世界环境绩效指数报告）①。

鉴于中国环境的持续恶化并没有有效遏制，政府已经开始启用了空气污染，固体废物，水污染等环境保护法规，并且这些管制从70年代后期也逐渐增多。中国环保部也宣称中国政府在发展经济同时，首先对工业污染进行治理，不断加大污染治理的投资，以期使经济发展与环境质量间呈现高度协调性的发展。工业污染治理投资额从1990年的不足50 亿元上升到2011年的483 亿元，实际增长了3 倍以上（CPI 平减），其中治理废气投资增长了5.75 倍，增长最为迅速，对废水和固体废物的治理投资也分别增长了2.1 倍和79%。不过，针对中国的污染控制和环境管理以及不同区域政策执行的差异，有必要回答以下几个问题：（1）多年的环境治理进程中有没有形成持续性的环境治理技术的提升？因为不断提升环境治理技术及应用能够有效降低产品和污染控制的成本。（2）污染治理技术是否有利于环境污染的控制？（3）政府污染治理的投资效果如何，有没有产生规模报酬的递增效应？

本文使用1990—2011年中国省份的工业数据，采用全局ML 指数来测算中国环境绩效，作为中国污染治理技术的代理变量，考察其对污染控制的作用；另一方面，我们检验了污染治理投资的对污染减排的效果以及投资的规模报酬递增效应。

文章结构如下，第二部分主要回顾相关研究文献，第三部分主要讨论数据和研究方法，第四部分给出结果及解释，第五部分是本文的结论与政策含义。

二、理论与文献回顾

污染是工业生产的副产品，其反映的环境质量的变化可以用库兹涅茨环境曲线（EKC）来模拟。EKC 假定了一条“倒U 型”曲线来反映环境质量和人均收入之间的关系，针对各种污染物的实证性研究虽然有较大争论，也有相当部分研究证实了这种关系。EKC揭示出当一个国家经济发展水平较低的时候，环境污染的程度较轻，但是随着人均收入的增加，环境污染由低趋高，环境恶化程度随经济的增长而加剧；当经济发展达到一定水平后，也就是说，到达某个临界点或称“拐点”以后，随着人均收入的进一步增加，环境污染又由高趋低，其环境污染的程度逐渐减缓，环境质量逐渐得到改善，这种现象被称为环境库兹涅茨曲线。

从理论上讲，规模效应和技术效应可以用来解释环境库兹涅茨曲线。在第一发展阶段，经济增长呈现出规模效应，对环境有一个负面影响，这是因为增长的人均收入带来更多的经济活动，从而提高了诸如原材料、能源、运输等的需求，进一步造成环境恶化；随着经济的增长，技术的进步也会对环境的改善产生积极影响。这主要指生产方式的变化导致更高的收入，随着收入水平的提高，对环境质量的需求也可能增加，故污染水平可能下降。因此，EKC的形状反映了环境质量需求的变化。

其他相应的理论研究也表明，存在一个环境库兹涅茨曲线的理论解释。Andreoni和Levinson（2001）［1］提出了环境库兹涅茨曲线的一个简单解释。为了减少污染，污染治理报酬的增加意味着治理效率随着治理规模的增加而增加，这能够表明，增加10%的污染治理努力（投资）会有超过10%的污染量的减少。

传统经济学理论认为，随着污染治理规模的增大（如污染治理投入加大），其边际治理成本也会随之增加。比如，对于既定技术水平，污水达标排放率从50%增长到90%，每单位的污水达标治理成本也会随之增高。不过，污染治理投资的递增回报可能会来源于另外两种机制：一是环境治理技术的创新和学习曲线效应。环境治理技术的创新使得生产可能性曲线外移，可以使企业保持既定的污染水平下创造更多的产品和价值。二是学习曲线效应使得治理周期缩短，如果生产函数遵循初始的“S”型加速形态，因此可以从中得到污染治理的递增回报效应。

而现有大部分验证环境库兹涅茨曲线假说的理论研究都是建立在环境治理规模经济和报酬递增规律的基础上的。Andreoni和Levinson（2001）［1］的研究解释了规模报酬递增在环境库兹涅茨曲线形成中的作用。其研究的一个重要含义是，污染治理的投资及递增报酬和合理的治理技术是理解EKC的核心。

对于污染治理的规模报酬的研究较少，Andreoni 和Levinson（2001）［1］用美国各个州的生产总值平方回归了美国工业污染治理投入的回报。负的平方项表示工业的污染治理投资越多产生的污染就越少，治理的回报就越高。Managi（2006）［2］用美国各州农业数据和DEA 方法，验证了美国农业污染治理存在着递增的规模报酬效应，负的污染治理平方项表示污染治理回报有递增效应。

本文以上述研究为基础，采用环境绩效模型和面板计量回归方法，探讨在中国工业污染治理中是否存在着合适的环境技术应用，考察环境污染治理投资的效果以及是否存在着污染治理的递增回报。其中环境绩效的全局ML 生产率指数估计方法和对面板数据存在异方差和序列相关等问题的GLS估计是本文区别其他研究的重要特点。

三、数据处理与研究方法

（一）数据处理

本文的数据按照使用的先后分为两个部分，第一部分是用来估计环境绩效指标的，其主要反映为环境治理技术进步，这里采用了非参数的全要素生产率（TFP）表示，由于模型同时考虑了经济产出（期望产出）和污染（非期望产出），又可称为“绿色生产率或绿色TFP”，这是本文区别于以往研究的主要特点。第二部分是用来考察污染治理投资的效果及回报的，主要通过计量方程的形式反映。

我们使用的研究数据是1990-2011年中国工业省际面板数据，包括除西藏和重庆外的29个大陆地区省、市、自治区，将其分为东、中、西部三大地区，当然也是为了方便文中数据选取，因为当前环境污染统计主要集中在工业污染排放。

环境绩效估计指标我们选取工业生产的投入与产出两大类。投入变量我们选取工业能源消费、工业资本以及劳动力三个指标；产出变量分为非期望产出和期望产出，非期望产出主要是指工业污染排放，包括地区固体废物产生量、废气排放量和工业废水排放量指标，期望产出以地区工业增加值来表示。环境治理投资的数据主要是指工业污染治理投资中分别用于治理废水、废气和固体废物的投资，为了消除价格因素的影响，以CPI平减处理成1990年不变价的数据。工业资本以90年不变价的固定资产投资价格指数平减后工业净资产表示，人均GDP则以其增长指数处理成90年不变价的实际量。主要数据来自《新中国六十年统计资料汇编》、历年《中国环境年鉴》及《中国环境统计年鉴》、历年《中国工业经济统计年鉴》，一些的数据来自于2011年全国统计公报及各省统计公报及环保部2011年环境统计公报的数据。

（二）研究方法

污染决定的因素的理论和经验研究文献中，污染技术及其使用效果被认为是其主要的因素。在现有文献中，时间趋势变量有时被作为技术水平的一个替代变量来处理（Hilton和Levinson，1998）［3］。但是，有时用时间趋势度量技术，可能还包含着其他无法解释的东西，它会获取随时间变化的其他效应，比如相对能源价格的变化（Agras 和Chapman，1999）［4］。显然这样处理不能完全获得技术进步因素的作用。因此有必要清晰地区分出技术进步的因素（Stern，1998）［5］。本研究采用非参数的DEA方法捕捉个体省份和随时间变化的技术因素。DEA方法已经被大量的文献证明特别适用于多投入多产出的生产过程的绩效评估，被广泛应用于企业绩效评价、宏观生产率研究等。

已经有很多文献曾试图寻找一整套合理的方法用来估算污染的生产效率和生产率问题（Fare et al.，1989［6］，1993［7］；Zaimand和Taskin，2000［8］；Chung，Färe 和Grosskopf，1997［9］；Domazlicky和Weber，2004［10］；Fare et al.，2005［11］；Kuosmanen，2005［12］；Kuosmanen 和Kortelainen，2005［13］；Managi et al.，2005［14］）。刘勇等人（2010）［15］系统归纳了当前处理非期望产出存在时的6种DEA效率评价方法，依次比较了各自优缺点。这些研究均试图把经济产出（期望产出）与环境因素（非期望产出）合并为产出，即假定环境因素为弱可处置性，期望产出作为强可处置性②。那么企业能生产更多的期望产出同时而产生较少的环境污染，则认为在技术上是有效的。

根据Chung，Färe和Grosskopf（1997）［9］理论，我们可以定义一个环境效率函数，即在给定期望产出水平和投入下的最小污染排放。定义投入向量集期望产出集非期望产出，即污染产出向量集合为

三个向量分别是投入，经济产出，污染排放。投入x 表示劳动力、能源消费和净资产；经济产出指地区工业增加值；污染排放指废水、废气排放量以及固体废物产生量。则可定义生产可能性技术集P(x)，

描述和刻画期望产出和非期望产出同时存在时的生产技术集，一些假设性的公理条件必须满足：①投入和期望的经济 产 出 均 为 强 可 处 置 性，即 如 果x′≥x则P(x′)≥P(x) ，y′≥y则P(y′)≥P(y)，意味着如果投入和经济产出增加，产出集不可能收缩；②如果(y,b)∈P(x)且b=0，则y=0，暗含着决策单位（省区）要生产期望的经济产出，必须同时生产污染等副产出；③污染的弱可处置性假设，如果(y,b)∈P(x)且0 ≤θ ≤1，则(θy,θb)∈P(x) ，意味着处理污染是有成本的，在给定的投入水平下，要减少污染水平必然导致经济产出的降低。

而生产可能性集合又可以由方向性距离函数来表示。在上述假定下，设方向性向量产出的方向性距离函数可定义为：

此方向距离函数表示在提高经济产出的同时同比例降低污染产出。方向向量g 决定了非期望产出增加和期望产出下降的方向，根据Chung，Färe和Grosskopf（1997）［9］及Kumar（2006）［16］等的分析办法，本研究中的方向向量设定为g=(y,b)），等于各自实际值。

我们根据生产率定义度量两个不同时期环境绩效或者环境TFP 指标，则从t 到t+1 时期的环境TFP 指数定义如下表示：

（4）式同样可以继续分解为生产效率指数和技术进步指数，用来解释生产率增长的动因。王兵等人（2008［17］）、吴军等人（2010）［18］和杨俊，邵汉华（2009）［19］使用ML 指数研究环境管制对区域或国家生产率的影响。因此上述方向距离函数可通过求解4个DEA 线性规划来求解，（s=t,t+1），其中是权重向量：

但是对于以前ML生产率指数相关的研究，Oh（2009）［20］指出了（4）式和（5）式存在下面两个方面的缺陷：第一，（4）式的几何平均不满足传递性（circularity or transitivity）③；第二，（5）式在考察不同时期的参照技术，如和其线性规划有可能是没有可行性解的④。对于没有可行性解问题，以前的研究通常把此作为有效看待（最优β 为0），这很显然是不科学的处理方法！因此上述两方面的问题导致传统的ML 生产率指数测度可能会对DMU（决策者）产生误导。

鉴于此，Oh（2009）［20］等人提出解决上述两个问题的方法，叫做全局ML 生产率指数（global ML productivity index）。该指数与传统ML 指数相比较，它对生产可能性集定义上作了很大的改进，定义同期的生产技术和一个全局的生产 技 术 集 。 这个 同 期 生 产 技 术 定 义 为能够生产作用是提供每个DMU在时期t 的参照技术集；全局生产技术集则可以定义成同期生产技术集的并集： PG(x)=P1(x1)⋃P2(x2)⋃…⋃PT(xT)。经过如此定义，全局生产技术集成为包括了所有DMU和所有时期参照技术集。如此全局ML 生产率指数可表示为：

GML 提高表示污染治理技术有所改善，计算结果一般以1 为标准，GML ＞1，表示某省份区域环境绩效或环境TFP呈现增长即环境有所改善；反之，GML ≤1，表示该省份区域环境绩效或环境TFP 呈现不变或下降即环境至少没有变好。下降的GML 表示绿色生产率正在下降，显然可以推断该省份区域考虑环境因素的经济增长是不可持续的。

由于社会的环境产出成本和私人的环境产出成本具有非一致性，通常私人企业很少有激励控制污染达到法律规定的高限水平后再去努力，他们只有更高的激励去提高市场产出或期望产出。他们总会想方设法去控制投入，同时努力减少污染治理的成本，从而达到降低总成本的目的。除非能够给企业一个明确的指示，即存在着污染治理投资的规模递增报酬，增加污染治理的投资能够给企业带来明确的环境治理收益，因为它与污染治理的成本成反比。这样，企业才会有足够的激励在追求市场产出的同时，增加环境污染的治理投资。因此，为了检验中国工业污染治理过程中有没有存在治理投资的规模报酬递增的效应，我们首先估计环境绩效指数，作为环境治理技术的代理，然后通过计量回归的形式控制环境技术后，验证环境治理投资的规模报酬问题。

为了检验工业污染治理投资的规模报酬假设，我们给出本研究的面板数据的计量模型：

其中，Y 表示污染排放指标，j=1，2，3，分别表示废水、废气和固体废物三种环境质量指标；Effort表示工业污染治理的投资；GML 表示由上述全局ML 生产率指数得到的环境绩效指数，用来反映污染治理中的技术应用状况；αi（i=0，1，2，3，4，5）为待估参数。

人均GDP（AGDP）及其多项式主要用来检验EKC 变化形态的。我们预期α4和α5应显著为负，反映工业治理投资和治理技术进步会减少污染物的排放。再设定一个回归方程，即在（8）式添加一项Effort的平方项，用来检验治理投资的规模报酬递增假说，形式如下：

如果（9）式治理努力的二次项的系数β5 显著为负，意味着存在着污染治理的规模报酬递增效应；如果β5 显著为正，则说明存在着污染治理的规模报酬递减效应；如果β5 不显著，意味着我们没有找到显著的证据说明存在规模报酬问题。

在存在着省区个体的随机趋势的情况下，无论是面板数据的固定效应还是随机效应的估计量都不能满足一致性的要求。面板数据与时间序列和截面回归相比虽然增大了样本容量，但已经证明其仍然可能存在传统线性回归的一些有偏的估计问题，如面板线性模型的误差结构也可能存在异方差性、非独立性（相关性）以及序列相关性等时间序列和截面数据模型存在的各种问题。为了纠正模型存在的对估计系数产生偏误的时间序列相关和异方差性问题，参照Greene（2008）［21］与Beck and Katz（1995）［22］等人的研究，使用了一个能够同时修正面板数据估计存在的异方差性（包括个体相关性）和序列相关性的可行的广义最小二乘（FGLS）法，得到了一致和有效性估计量。

四、模型估计及结果解释

根据工业数据，本研究首先使用（7）式的线性规划和（6）式的全局ML 生产率指数分别求解在不同种类的工业环境污染的治理绩效，求解过程中采用全局ML 生产率指数方法较好地克服了其中出现的一些省区线性规划无可行性解的问题，证明了全局ML生产率指数方法是有效的度量方法。

以1990年为基期，到2011年全国废水、废气和固体废物治理的环境绩效指数分别累积上升了53%、38%和43%，年均分别增长2.3%、1.8%和1.9%（几何平均），显示出针对三大污染物的治理中呈现出持续的技术能力改善，环境绩效指数的上升表明中国地区在发展工业经济过程中至少一定程度上保持了与环境的协调性。这对于激励政府继续推广严格的环境管制措施，鼓励企业遵守环境标准以及实施各种环境污染治理技术有着重要的指示作用。

分地区考察，我们发现，东、中、西部地区的环境绩效指数存在明显的差异，特别是西部与东部和中部的差异较为明显。东部地区一直是中国污染治理技术改善的领先者，其中废水、废气和固体废物的环境绩效年均增长达到了2.79%、2.09%和2.32%。中部地区虽然在2000年前表现逊于东部地区，但在最近两个五年规划期间增长速度开始明显快于东部地区，在三大污染物的环境绩效年均增长分别达到了4.3%、2.4%和3.6%，同期东部只有3.88%、1.58%和2.2%，这使得中部的累积环境绩效指数开始达到甚至超过东部地区。西部地区环境绩效指数各年间波动性较大，整个报告期三大污染物环境绩效年均增长率仅为1.05%、1.03%和0.7%，相较于其他两地区增长缓慢，新世纪以来，在东中部地区均呈现较快增长的态势下，仍然增长较慢。三大地区环境绩效的差异体现了中国地区环境政策执行的力度与环境治理技术的应用的差异。随着经济的发展，东中部逐步注重环境质量的提升，严厉的政策执行和公众环保意识的提高与决策参与，使得环境绩效得以较快上升。而西部地区政府决策上往往更偏重于经济发展而非环境保护，环保政策的执行也会大打折扣，使其表现出较低的绩效水平。Managi and Kaneko（2006）［23］在他们的研究中发现，低环境绩效的表现与这些国家或地区对环境法规和政策的执行力较弱有关，也与这些地区的企业环境管理能力的不足有关。

为了检验中国环境污染治理的决定因素，在做面板数据线性回归前必须考虑面板模型可能存在的异方差和序列相关问题，如果不存在此类问题，我们可以直接使用面板固定效应或随机效应估计量；如果存在异方差和序列相关问题，就需要使用适当方法加以修正。因此，首先有必要对此进行统计检验。检验只针对公式（9）进行⑤。

表1列示了模型（9）估计前的相关检验量。在分别对模型进行固定效应和随机效应估计后，对其显著性进行了统计检验，固体效应的F 检验和随机效应的x2检验结果均以较强的统计显著性程度拒绝了混和效应的原假设，说明数据更适合面板数据模型。Hausman检验的结果都显示固定效应模型均优于随机效应模型。针对固定效应模型的结果，我们对此进一步做了异方差性检验，统计结果均在1%的显著性水平下显示出存在较强的异方差性。序列相关检验也表明模型存在着较强的一阶自相关。

参照Greene（2008）［21］与Beck and Katz（1995）［22］等人的研究，我们使用能修正面板异方差和自相关的FGLS 方法得到了一致和有效性估计，并对估计结果进行了异方差性检验和序列相关检验。

表1 模型（9）的估计前检验

当同时考虑到异方差及序列相关性时，FGLS 估计量能够较好地修正了固定效应模型存在的两类有偏估计问题。对模型（8）的估计见表2。

对FGLS 方法估计后的异方差性检验和序列相关检验对所有估计形式均在统计上不能拒绝不存在异方差和序列相关的原假设。与原固定效应模型相比，不仅较好地修正了存在的序列相关和异方差问题，同时估计系数均显示出很强的统计显著性。

表2 模型（8）的FGLS估计结果

估计结果表明，不存在单纯的收入水平与环境质量间的EKC关系，环境质量还受到除收入之外的其他因素的较强影响，而且三类环境质量的EKC呈现出不同的变化形态。环境绩效的系数均显著为负，表明环境治理技术对控制污染有着积极的作用，符合预期。但治理投资却起着相反的效果，即治理投资的增长并不利于污染的控制。不存在环境绩效变量的敏感性分析结果也表明了大致相同的结论。

表3 报告了加入污染治理投资的二次项的FGLS 估计结果。异方差和序列相关等检验结果也表明了与表3 相似的结论。系数估计结果基本类似于表2，同样表明环境治理技术和管理水平的改善有利于对三类环境污染物的控制。与表2不同的是环境绩效的二次项，所有形式的估计结果均表明在很强的统计显著性水平下，污染治理投资表现出明显的规模报酬递增效应，验证了前述治理投资的规模报酬递增假说。在控制和不控制治理技术变量的情况下结论没有发生变化。

同时，需要注意到不论是模型（8）还是模型（9）均报告了治理投资的系数呈现显著正的表现，这与前述预期结论相反，即增加治理投资不是减少了污染而是增加了污染。可能的原因主要有：①实际的污染治理投资并没有用于污染控制，而是用到了非污染控制的领域，污染治理投资没有发挥相应的作用。例如，排污费是治理污染的主要投资来源，且《排污费征收使用管理条例》规定：“排污费应当全部专项用于环境污染防治，任何单位和个人不得截留、挤占和挪作他用。”但在许多基层环保部门，“排污费”绝大部分变成了“人头费”，已成为普遍现象⑥。②污染的拐点（人均GDP 表示）均远远大于所有省区人均GDP的均值，表明几乎所有的省区均处于EKC曲线的前端，即随着收入增长污染仍然上升的阶段，故治理投资还没有起到有效控制污染的作用。

表3 模型（9）的FGLS估计结果

五、研究结论

本文主要关注了相关研究常常忽略的环境管理的绩效或环境治理技术以及污染治理投资在中国污染控制中的作用。本文使用一种能够联合考虑污染和经济产出的DEA方法，估计了中国29个省区1990-2011年的动态环境绩效，并把它作为污染治理的技术，在考察了不同地区变化规律的基础上，文章进一步使用面板数据的FGLS 估计方法，在修正了存在的异方差和序列相关等问题后，检验了环境治理技术、污染治理投资及其治理投资的规模报酬问题。研究结论如下：

（1）全局ML 生产率指数的运用避免了传统ML 方法存在的不可传递性和可能没有可行性解的缺陷，完满地解决了在动态环境绩效测度中的不足，这是本文的一大特色之处。

（2）环境绩效的度量结果表明，三大地区均保持了一定的环境治理技术的持续提升，特别是中东部地区表现尤其明显。但是西部地区环境绩效指数仅有微弱的增长，且呈现较大的波动性规律。

（3）为了检验环境技术与治理投资规模报酬这一假说，本文构造了省份面板数据检验方程。通过异方差和序列相关的检验发现不论是固定效应还是随机效应均不能提供一致和有效的系数估计量。本文使用了同时考虑了异方差和序列相关的FGLS 面板估计方法，较好地纠正了上述问题，给出了基本符合预期的估计。检验结果发现，环境技术对于有效控制环境污染有着积极和作用，虽然污染治理投资还没有发挥积极作用，但我们发现其产生了积极的规模递增报酬效应。

本文的政策含义表明，发展污染治理技术和提高环境管理绩效是控制污染、提高环境质量的重要手段；增加污染治理投资虽然在短期内会增加生产的成本，但同样会给生产者带来递增的规模报酬和收益。因此不断增加污染治理的投资和提高环境绩效水平是除收入水平外控制污染的两大手段。

注 释：

①参见http://epi.yale.edu/Downloads.

②比如一家造纸厂，纸品是其期望产出，排放的污水是其非期望产出。弱可处置性暗含着如果投入不变，减少10%的污水排放相应地要减少10%的纸品生产。

③所谓传递性是指诸如I1，3=I1，2×I2，3的等式或规律成立，I1，3、I1，2、I2，3分别表示第1到第3时期、第1到第2时期和第2到第3时期的指数。

④本文针对所考察的29个省区的样本求解距离函数时确实有些省区无可行性解。

⑤对公式（8）的检验结果与对公式（9）的结论完全一致。

⑥参见http://business.sohu.com/20050711/n226268449.shtml.

［1］Andreoni J，Levinson A. The Simple Analytics of the Environmental Kuznets Curve［J］. Journal of Public Economics，2001，80（2）：269-286.

［2］Managi S. Are There Increasing Returns To Pollution Abatement? Empirical Analytics of the Environmental Kuznets Curve in Pesticides［J］. Ecological Economics，2006，58（3）：617-636.

［3］Hilton H，Levinson A. Factoring the Environmental Kuznets Curve:Evidence from Automotive Lead Emissions［J］.Journal of Environmental Economics and Management，1998，35（2）：126-141.

［4］Agras J M，Chapman D. A Dynamic Approach to the Environmental Kuznets Curve Hypothesis［J］.Ecological Economics，1999，28（2）：267-277.

［5］Stern D I. Progress on the Environmental Kuznets Curve［J］.Environment and Development Economics，1998，3（2）：17-19.

［6］Färe R，Grosskopf S，Lovell K，et al. Multilateral Productivity Comparisons When Some Outputs Are Undesirable: A Nonparametric Approach［J］. Review of Economics and Statistics，1998，71（1）：90-98.

［7］Färe R，Grosskopf S，Lovell C A K，et al.Derivation of Shadow Prices for Undesirable Outputs: A Distance Function Approach［J］.Review of Economics and Statistics，1993，75（2）：374-380.

［8］Zaim O，Taskin F.A Kuznets Curve in Environmental Efficiency:An Application on OECDCountries［J］.Environmental and Resource Economics，2000，17（1）：21-36.

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

［10］Domazlicky B，Weber W. Does Environmental Protection Lead To Slower Productivity Growth In The Chemical Industry ？［J］. Environmental and Resource Economics，2004，28（3）：301-324.

［11］Färe R，Grosskopf S，Noh D，et al.Characteristics of a Polluting Technology: Theory and Practice［J］. Journal of Econometrics，2005，126（2）：469-492.

［12］Kuosmanen T.Weak Disposability in Nonparametric Production Analysis with Undesirable Outputs［J］. American Journal of Agricultural Economics，2005，87（4）：1077-1082.

［13］Kuosmanen T，Kortelainen M. Measuring Eco-Efficiency of Production with Data Envelopment Analysis［J］. Journal of Industrial Ecology，2005，9（4）：59-72.

［14］Managi S，Opaluch J J，Jin D，et al. Environmental Regulations and Technological Change in the Offshore Oil and Gas Industry［J］.Land Economics，2005，81（2）：303-319.

［15］刘勇，李志祥，李静.环境效率评价方法的比较研究［J］.数学的实践与认识，2010（1）:84-92.

［16］Kumar S. Environmentally Sensitive Productivity Growth: A Global Analysis Using Malmquist-Luenberger Index［J］.Ecol Econ，2006，56（2）：280-293.

［17］王兵，吴延瑞，颜鹏飞. 环境管制与全要素生产率增长：APEC的实证研究［J］.经济研究，2008（5）：19-32.

［18］吴军，笪凤媛，张建华.环境管制与中国区域生产率增长［J］.统计研究，2010（1）：83-89.

［19］杨俊，邵汉华.环境约束下的中国工业增长状况研究——基于Malmquist—Luenberger 指数的实证分析［J］.数量经济技术经济研究，2009（9）：64-78.

［20］Oh D H. A Global Malmquist-Luenberger Productivity Index: An Application to OECD Countries 1990-2004［R］.CESIS Electronic Working Paper Series，Paper No. 164，2009.

［21］Greene W H. Econometric Analysis［M］. Upper Saddle River，NJ:Prentice-Hall，2008.

［22］Beck N，Katz J N. What to Do（And Not to Do）With Time-Series Cross-Section Data［J］.American Political Science Review，1995，89（3）：634-647.

［23］Managi S，Kaneko S.Productivity of Market and Environmental Abatement in China［J］. Environmental Economics and Policy Studies，2006，7（4）：459-470.

［24］Tyteca D. Linear Programming Models For the Measurement Of Environmental Performance Of Firms—Concepts And Empirical Results［J］. Journal of Productivity Analysis，1997，8（2）：182-197.

［25］涂正革.环境、资源与工业增长的协调性［J］.经济研究，2008（2）：93-105.