能源环境视阈下的安徽省城市发展效率研究

2014-09-28万伦来陈天奇

合肥工业大学学报（自然科学版） 2014年8期

万伦来，陈天奇

（合肥工业大学经济学院，安徽合肥 230009）

城市作为人口集聚和政治、经济、文化中心，在区域和国家发展中发挥着重要作用。近年来，安徽城镇化水平不断提高，速度不断加快，步入快速发展时期。据统计，2012年安徽城市化率达到46.5%，比2007年提高7.8个百分点，5年内年均提高1.56个百分点。但城市化在促进经济繁荣和社会进步的同时，也带来了能源供给紧张、生态环境破坏和环境污染等问题。2010年全省能源消费总量为9706.60×104t标准煤，同比增长9.1%，随着能源消耗的不断增长，环境污染问题也日益突出，2010年全省工业废气排放量高达17853.27×108m3，同比增长16.9%，工业固废产生量为9159.43×104t，同比增长8.13%，废水排放量为18.49×108t，同比增长2.9%。城市空气质量均处于二、三级标准，未能达到一级。因此，将能源和环境因素引入安徽省城市效率评价体系中，显得尤为重要。

城市效率是指城市单位投入在单位时间内，创造或增值的物质和精神产品的价值量总和［1］；自从文献［2］把DEA（data envelopment analysis，简称DEA）模型用于区域经济研究，DEA及其应用成为一个热点问题［3］；文献［4］应用DEA模型分析了我国28个重要城市的城市效率，用事实证明了DEA可用来估计城市效率，并指出我国城市效率存在区域差异；文献［5］提出超效率DEA模型，克服了传统DEA模型对有效的决策单元无法进一步区分的问题；文献［6］评价了我国直辖市和省会城市的投入产出效率，发现城市并非规模越大，投入产出越有效；文献［7－8］利用DEA模型，研究了区域效率的变化趋势和空间差异，发现各城市效率存在差异是纯技术效率与规模效率共同作用所致；文献［9］应用超效率DEA模型及Malmquist生产率指数等模型，探讨了城市效率与城市规模的关系及不同城市规模的城市效率影响因素差异，结果表明中国城市的综合效率与城市规模呈正相关关系，城市规模效率随城市规模的扩大大体呈倒U型变化；文献［10］利用DEA和Malmquist指数方法对城市效率进行评价研究，证实了加入自然资源要素对于城市经济增长各种效率评价的合理性和必要性。

上述研究有很多启发性，但也存在不足，未把能源环境因素同时纳入城市发展效率评价体系中。因此，本文将能源环境因素引入城市效率评价中，基于社会支付意愿理论，对安徽省17个城市效率进行综合评价研究，以期从科学发展观的视角审视安徽省各地的城市效率。

1 研究模型及数据说明

1.1 研究模型

传统DEA模型在评价效率时要求满足以最小的投入得到最多的产出，此模型只考虑了期望型产出，而没有将生产过程中产生的非期望产出纳入评价体系。城市发展伴随着严重的能源消耗和环境污染问题，污染物的排放并不是人们期望的产出，此时，传统DEA模型对于非期望产出的处理显然不再适合。目前有效解决含有非期望产出的效率评价问题的方法，主要包括双曲线法、转换向量法、作投入法、倒数法、SBM法和方向距离函数法［11］，但这些方法仅从排放量的角度分析环境污染物对效率的影响，并没有考虑不同排放物价格上的差异，以至于得到的估算值与实际情况存在一定的偏差。所以本文在考虑能源因素的同时，引入社会支付意愿理论［12］，将各城市环境排放货币化，得到城市环境影响的社会支付意愿，即社会为了将当前环境污染程度降到某一水平而愿意付出的代价，并将其作为环境投入要素引入到DEA模型中。这样不但解决了传统DEA模型不能处理含有非期望产出的效率评价问题，而且考虑了单位污染排放物对城市效率的影响，能更准确地反映各地城市效率。

传统DEA模型进行效率评价时，易出现多个评价单元同时出现DEA有效的情况，从而难于区分有效单元，文献［5］提出超效率DEA模型，以解决此缺陷。超效率DEA模型的基本思想是在对第k个决策单元进行效率评价时，把第k个决策单元的投入和产出用其他所有决策单元的投入和产出的线性组合代替，从而排除了第k个决策单元［13］。假设对于安徽省17个城市，每个城市有M 种投入，N 种期望产出y∈，I种非期望产出，并且把非期望产出作为投入要素，具体模型如下：

在超效率DEA模型中，无效率的决策单元效率值与传统DEA模型一致，但对于有效决策单元，可以使投入按比例增加，而效率保持不变，其投入增加比例记为超效率评价值［14］。所以超效率DEA模型能够很好地区分有效单元之间的差异，对决策单元进行有效的排序。

1.2 研究指标及数据说明

根据文献［8－10］的研究成果，考虑数据的可得性，本文引入能源环境因素，给出投入产出指标和含义，分别为城市建城区面积（土地投入量）、市区固定资产投资额（资本投入量）、科技研发和教育投入费用（技术投入量）、市区全部从业人员总数（劳动投入量）、能源消耗（能源消耗量）、市区GDP（城市经济总量）、市区地方财政预算内收入（城市投入收益）［15］和环境影响社会支付意愿（环境治理意愿）［16］。

城市能源投入包括生活能源和生产能源消耗2个部分［10］，其中生活能源消耗可由文献［15］直接得到，而对于城市生产能源消耗方面，仅有全省生产能源消费量统计数据。

本文假设各市工业总产值占全省工业总产值的比重与能源消费量比重相同，由于各市工业结构差异，这样假设可能低估淮南、淮北、马鞍山和铜陵等城市的能源消耗量，但安徽省各工业城市的工业产值比重相对较大，各城市能源综合运用能力差异性较小。文献［17－18］研究表明，工业总产值和能源消耗之间存在协整关系，工业产值对能源消耗有较强的依赖性，并且两者互为Granger原因，两者之间正相关，所以假设较合理，对评价结果影响不大。

本文令a＝市辖区工业总产值／全省工业总产值，则各市生产能源消费量＝a×全省工业生产能源消费量，最后根据文献［15］中的折算系数将2个部分能源消耗转换成标准煤后求和即得。环境污染的社会支付意愿则根据文献［16］相关经验数据，基于环境排放的社会支付意愿理论［12］计算得到，其中COD的排放量是令b＝市辖区工业总产值／全市工业总产值，然后由b×每个市的工业废水中COD排放量＋城镇生活废水中COD排放量求得，氨氮排放量的计算同上。二氧化硫、工业烟尘、工业粉尘和废固排放量的计算，分别由b乘以每个市总的二氧化硫、工业烟尘、工业粉尘和废固排放量求得。然后再用上述环境污染物的排放量乘以安徽省主要环境排放的社会支付意愿，即得到安徽省2003—2010年17个城市的环境影响社会支付意愿。

下面分析如何得出安徽省环境影响社会支付意愿。目前，我国的排污收费制度已由过去的超标收费变成排污即收费［19］，其规定的环境税税率可以看作我国社会对环境污染的支付意愿［12］。但是，不同地方环境污染状况不同，对环境污染的社会支付意愿也不同，所以国家规定的环境税率反应的是社会对环境污染的平均社会支付意愿。我国“十一五”规划主要污染物减排目标为SO2和COD，比2005年水平分别减排10%，安徽省“十一五”规划主要污染物减排目标为SO2和COD，比2005年水平分别减排4%和6.5%。相比之下，没有国家规定排放目标严格，反映了安徽省环境影响社会支付意愿低于全国平均水平。

本文在文献［12］研究的基础上，估算出安徽省主要污染物的社会支付意愿（污染物影子价格理论和拟合方法），结果见表1所列，进而测算出安徽省17个城市2003—2010年的环境影响社会支付意愿，结果见表2所列。

表1 主要环境排放的社会支付意愿元／kg

表2 安徽省17个城市2003—2010年的环境影响社会支付意愿 108元

2 实证研究

为观察考虑能源环境因素前后的城市效率差异，测度既定时期各城市要素的实际投入量与目标投入量的相对距离，本文从时间和区域2个角度实证检验安徽省17个城市综合效率及其分解项纯技术效率和规模效率，并观察其变化情况。

2.1 时间角度分析

为把握各种效率的总体变动趋势，并找出其变化的原因，必须对其进行详细的时间序列分析。根据投入／产出数据，利用DEAP 2.1软件计算得到安徽省在考虑能源环境因素前后的3种静态效率时间变化趋势，结果如图1所示。

由图1可知，未考虑能源环境因素时，2003—2004年规模效率降低，城市效率改善主要得益于纯技术效率的提升；2004—2007年城市效率均呈现下降状态，其中2006—2007年主要是因为规模效率的降低，其他年份主要是由纯技术效率的降低引起的；2007—2010年城市效率呈上升趋势，除2008—2009年以外，其他年份主要是因为纯技术效率的提升。

考虑能源环境因素后，综合效率、纯技术效率以及规模效率都有所提高，说明能源、环境因素能够更全面、合理地反映各种投入要素间的替代效应，得出更积极的评价效果。同时考虑能源环境因素前后，规模效率之间的距离普遍大于纯技术效率之间的距离，说明综合效率的提高主要得益于规模效率的提高，所以考虑能源环境因素后，城市加快提升了节能减排技术水平。

图1 安徽省静态效率值

2.2 区域角度分析

为了进一步观察安徽省各城市考虑能源环境因素前后的效率评价差异，本文从区域角度进行效率分析，得到17个城市3种效率的8年均值，结果见表3所列和图2所示。

表3 17个城市3种效率均值

图2 安徽省17个城市3种效率均值

表3和图2中，Cr1、Vr1、Sc1和 Cr2、Vr2、Sc2分别表示未考虑和考虑能源环境因素时的综合效率、纯技术效率和规模效率。

由表3和图2可以看出，考虑能源环境因素后，各城市都提高了综合效率、纯技术效率和规模效率，并且DEA有效城市由开始的2个（马鞍山和铜陵）增加到6个（马鞍山、铜陵、合肥、黄山、亳州和池州）。蚌埠、淮南、淮北、安庆、六安、阜阳和亳州综合效率的改善主要来源于纯技术效率的提高，说明这7个城市主要是因为考虑能源环境因素后，促使城市加快节能减排技术水平提升和创新，加大了节能减排的管理监督力度所致；其余10个城市综合效率的改善主要来源于规模效率的提高，说明考虑能源环境因素后，改善了投入产出规模效应，促使资源合理配置，最终使城市综合效率普遍提高。

另外，加入能源环境因素后，省内各城市效率间的差异也明显减小，表明在城市发展中，能源综合运用能力和环境治理程度的差异性较小，城市发展较为均衡。同时值得注意的是，无论是否考虑能源环境因素，马鞍山和铜陵市虽然经济规模和发展水平都不算高，但效率评价值却很高，说明该城市的技术利用和投入产出规模比其他城市更为合理。

为了进一步分析安徽省17个城市综合效率变化情况，本文利用EMS软件进行超效率DEA分析，以克服陷入对有效的决策单元无法进一步分析评价的困难，结果见表4、表5所列。

由表4、表5可以看出，未考虑能源环境因素时，除了铜陵和马鞍山市，其他15个市不同程度地出现无效率情况；考虑能源环境因素后，17个市的城市效率都有明显提高。

表4 安徽省17个城市2003—2010年不考虑能源环境因素时超效率DEA评价值

表5 安徽省17个城市2003—2010年考虑能源环境因素时超效率DEA评价值

3 结论

（1）由于目前尚未建立统一的城市效率评价体系和评价比较基准，因此，基于不同模型、指标的评价结果可比性差。所以，构建稳健的城市效率评价模型和指标，将成为今后的研究方向之一。

（2）受限于数据的可获得性，本文研究范围局限于2003—2010年的安徽城市状况，随着时间推移及数据增加，该评价方法的准确性将不断提升。同时由于能源环境方面的数据有限，研究暂时无法涵盖城市发展所导致的全部污染排放和能源消耗。

［1］王嗣均.城市效率差异对我国未来城市化的影响［J］.经济地理，1994，14（1）：46－52.

［2］Macmillan W D.The estimation and applications of multiregional economic planning models using data envelopment analysis［Z］.Paper of the Regional Science Association，1989：41－57.

［3］万伦来，丁洁.区域经济与生态环境协调发展宏观监测方法及应用［J］.合肥工业大学学报：自然科学版，2011，34（11）：1720－1725.

［4］Charnes A，William W，Li C S.Using data envelopment analysis to evaluate efficiency in the economic performance of Chinese cities［J］.Socio－Economic Planning Sciences，1989，23：325－344.

［5］Andersen P，Petersen N C.A procedure for ranking efficient units in data envelopment analysis［J］.Management Science，1993，39（10）：1261－1264.

［6］杨开忠，谢燮.中国城市投入产出有效性的数据包络分析［J］.地理学与国土研究，2002，18（3）：45－47.

［7］庞瑞芝.我国主要沿海港口的动态效率评价［J］.经济研究，2006（6）：92－100.

［8］戴永安.中国城市效率差异及其影响因素［J］.上海经济研究，2010（12）：12－19.

［9］席强敏.城市效率与城市规模关系的实证分析［J］.经济问题，2012（10）：37－41.

［10］陶小马，谭婧，陈旭.考虑自然资源要素投入的城市效率评价研究：以长三角地区为例［J］.中国人口·资源与环境，2013，23（1）：143－154.

［11］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，2010，40（1）：85－92.

［12］吴星.建筑工程环境影响评价体系和应用研究［D］.北京：清华大学，2005.

［13］袁晓玲，张宝山，张小妮.基于超效率DEA的城市效率演变特征［J］.城市发展研究，2008，15（6）：102－107.

［14］付丽娜，陈晓红，冷智花.基于超效率DEA模型的城市群生态效率研究：以长株潭“3＋5”城市群为例［J］.中国人口·资源与环境，2013，23（4）：169－175.

［15］国家统计局城市社会经济调查司.中国城市统计年鉴2013［M］.北京：中国统计出版社，2013.

［16］安徽省统计局.安徽统计年鉴［M］.北京：中国统计出版社，2013.