华东地区工业生态效率面板数据研究

戴志敏 曾宇航 郭露

摘要：构建了生态效率投入产出指标体系，运用超效率DEA法测度了相关省市2003～2013年间工业生态效率，并利用Malmquist指数对工业生态效率实施了动态对比，并建立Tobit模型对主要影响因素进行识别。研究结果表明：华东地区工业生态效率总体水平不高，省际间差异十分明显，但是呈现显著的趋同现象；Malmquist分析表明，各地区全要素生态效率TFP值都大于1，且年均增长率为72%，技术进步对工业生态效率增长有较大推动作用；工业生态效率同研发强度、利用外资、工业结构等因素具有正相关关系等。最后，就提高工业生态效率提出了相应的政策建议。

关键词：超效率DEA；Malmquist指数；工业生态效率；华东地区

DOI：10.13956/j.ss.1001-8409.2016.07.08

中图分类号：F1245；F127 文献标识码：A 文章编号：1001-8409（2016）07-0035-05

Abstract： This paper constructs the ecoefficiency indicator system of input and output， and then it measures industrial ecoefficiency of relevant provinces from 2003 and 2013 by Superefficiency DEA method. And then， it does dynamic and comparative analysis of industrial ecoefficiency by Malmquist index and identifies its main factors by Tobit model. Results show that， firstly， the overall level of industrial ecoefficiency in East China is not high， there exists individual differences between provinces， but shows a significant convergence phenomenon. Secondly， Malmquist analysis showed that the area of ecoefficiency TFP total factor value is greater than 1， and the average annual growth rate is 7.2%， industrial ecoefficiency and technological progress have a greater role in promoting growth. Thirdly， there is a positive correlation relationship among industrial ecoefficiency with the R&D intensity， foreign investment， industrial structure and other factors. In the end， it puts forward some suggestions to improve the industrial ecoefficiency.

Key words：Superefficiency DEA；Malmquist index；industrial ecoefficiency；East China

1引言

国际经济发展经验与产业结构升级规律表明，当经济发展到一定程度时，环境污染、资源浪费等问题十分突出，需要着重提高工业发展的生态效率水平。生态效率评价的是人类生产活动同地区生态承载力的关系，这一概念最早由Schaltegger和Sturm提出[1]。1992年，世界可持续发展工商委员会提出了生态效率概念[2]。因此实现各个行业的生态效率提升对于维护人类生态环境具有重要意义。

最初研究多集中于企业、行业等微观层面，如OECD国家通过对政府、工业企业以及其他微观组织进行研究[3]；后来将对生态效率的研究逐步扩展到产业等宏观层面，如Hur等运用环境经济核算的生产率指标评价德国国家层面的生态效率水平[4]；类似的研究也在其他一些国家和地区展开[5～8]；Wurstorn等甚至尝试建立欧洲统一的生态效率统计框架[9]，这对研究大区域生态效率具有很好的启发意义。

目前我国关于生态效率的研究也主要是处于实证分析阶段，如杨斌利用数据包络分析（DEA）方法对我国生态效率进行研究，并从宏观角度测度与评价了中国2000～2006年的生态效率[10]；另外在考虑地区生态效率的基础上研究该地区的生态效率及影响因素，如罗能生等人运用超效率DEA方法对我国1999～2011年省际面板数据进行实证分析，既测量了区域生态效率，也通过面板计量模型研究了区域生态效率与城市化的关系，并认为城镇化水平与区域生态效率呈非对称U型关系的结论[11]；类似研究还可见付丽娜等人对长株潭地区的研究[12]；陈浩等人对32个资源型城市的研究[13]。在现有研究的基础上结合各地区实际，对评价生态效率指标体系进行扩展研究。王震等人构建了评价区域工业生态效率的指标[14]；高峰等人综合考虑了工业增加值、能源消耗以及环境等方面的因素，对我国30个省市工业生态效率进行测度[15]；潘兴侠和何宜庆则将工业生态效率分解为源头和末端消减效率，构建了效率评价模型[16]。

现有文献对我国的工业生态效率进行了许多有意义的研究。但仍存在如下主要问题：一是单纯考虑工业生态效率，缺乏对其影响因素的研究，如没有从影响因素视角分析生态效率的差异[17]；二是在研究尺度上，现有文献主要关注全国范围内的工业生态效率，而对于重点区域的研究较少；三是在研究方法上多采用CCR和BBC模型计算效率值，而这些模型在面对面板数据时则存在显著的局限性，如杨文举无法对4个省都是有效决策单元进行区分[18]；四是在选用的数据格式上，大多文献忽视了包含时空两个维度的面板数据。在此情形下，本文以华东六省一市为例，利用超效率DEA法结合Malmquist指数模型研究2003～2013年间的工业生态效率，并从研发强度、利用外资、工业结构、环境治理等4个主要方面对影响因素进行Tobit模型的实证分析。

2研究方法与数据说明

21研究方法

211DEA方法

Charnes和Cooper于1959年在对工业的实证分析中提出了机会约束规划。借助于数学规划原理把决策单元（DMU）投入产出的权重系数作为优化变量求得效率[19]。而传统的DEA模型在评价DMU时存在同时出现多个DMU都处于前沿面的状况，从而导致了结果不可靠，因此无法进一步评价。Andersen等则建立了超效率DEA模型，使得效率高低的比较也能在相对有效决策单元之间进行[20]。超效率DEA模型基本思路如图1所示。在计算单元B的效率值时，将B排除在DMU集合之外，线段BB′表示B点的投入量可增加的幅度，则B点的超效率评价值为OB′/OB>1。按此方法，本文可以继续计算出A、C、D的超效率值。

22研究指标及数据选取

区域工业生态效率投入中主要以资源消耗和环境污染为代价，产出为工业生产成果的经济价值。为全面反映各省的工业生态效率水平，参考前述学者的研究，本文将环境污染排放与资源消耗作为投入指标，以各个地区的工业增加值为产出指标[16]。其中环境污染指标选择了具有代表性的工业废水和工业废气排放量。因为考虑到我国能源消耗对全球和区域环境影响的严重性，资源消耗方面选取了工业能源消费量。构建了区域生态效率评价的指标体系（见表1）。

在衡量华东地区工业生态效率的影响因素方面，本文参考张淑英、潘兴侠[16]等人的研究选取了4个影响因素指标分析因素变动对工业生态效率的影响：①研发强度：工业企业R&D经费内部支出与工业增加值的比值；②利用外资：外商投资工业企业工业总产值占工业总产值比重；③工业结构：重工业总产值与工业总产值的比值；④环境治理：工业污染治理项目本年完成投资额与工业增加值的比值。

本文投入产出指标数据来源于相关各年的《中国统计年鉴》（2004-2014）《中国工业统计年鉴》（2004-2014）《中国环境统计年鉴》（2004-2014），部分缺失数据由各省市2004～2014年统计年鉴补充，其中浙江省的工业能源消费量系数据组间估算。经手工统计整理合成2003～2013年华东地区六省一市的面板数据集。

3实证结果分析

31工业生态效率静态分析

将2003～2013年华东地区六省一市投入产出相关数据输入EMS13软件，可以得到各省市的年度工业生态效率值，如表2所示。

结果表明：从时间尺度来看，华东地区各省市平均工业生态效率总体呈现先下降后上升的较好的发展趋势。2003～2009年各DMU工业生态效率平均值小于1，处于规模报酬递减阶段，而从2010年开始，除2012年低于1之外其余都大于1，处于规模报酬递增阶段；总的平均值为096，说明从2003～2013年华东地区的工业生态效率总体水平不高，但呈现良好发展趋势。而从空间角度来看：上海市是华东地区工业生态效率值最大的地区，达到1449，且2003～2013年的工业生态效率值均大于1，说明上海市的工业生态效率水平较高，其次是浙江省，再次是江苏省，安徽省是华东地区工业生态效率水平最低的地区，平均值为0642，处于较为严重的规模报酬递减阶段。根据表2可以得到如下结论：

第一，华东地区工业生态效率总体水平不高，但处于整体上升阶段。主要原因在于华东地区的经济发展水平差异较大，上海等长江三角洲地区是我国经济发展最为活跃的地区，其次是山东和福建，安徽和江西则处于我国经济发展水平较低的中部地区。

第二，华东地区的工业生态效率存在显著的省际间差异，经济发展水平越高的省市工业生态效率水平越高。结果表明华东地区工业生态效率水平高低排序依次为：上海、浙江、江苏、福建、山东、江西、安徽；上海市工业生态效率值一直大于1，而安徽则一直处于1以下。由此看出，经济发展水平与工业生态效率的关系密切相关。

第三，华东地区的工业生态效率整体存在趋同性。首先，从上海的工业生态效率可以看出：2003～2013年工业生态效率值呈现下降趋势，但总体还是处于规模报酬递增阶段；福建、山东的工业生态效率值有明显的下降趋势；浙江、江苏从规模报酬递减阶段转变为递增阶段；江西、安徽的工业生态效率总体呈现上升趋势，但一直处于规模报酬递减状态。

32工业生态效率动态分析

超效率DEA是基于截面数据对单个地区的工业生态效率进行研究的。而Malmquist指数分析模型则是基于时序一体的面板数据对地区的工业生态效率进行研究，依据式（1）和式（2）可知，Malmquist指数分析模型可将地区的工业生态效率分为综合技术效率、技术进步、纯技术效率、规模效率与全要素生产率5个指标。表3给出了2003～2013年华东六省一市工业生态效率的Malmquist指数分解；表4则给出了华东地区各年份平均工业生态效率的Malmquist指数及分解结果。

从表3可以看出：华东地区各省市的全要素生产率都大于1，平均全要素生产率为72%。江西和安徽是华东地区全要素生产率最高的地区，福建是华东地区全要素生产率最低的地区。这说明目前华东地区的工业生态效率总体呈现较好的趋势。但是全要素生产率较低的福建和山东要注重提高工业生态效率的增长速度。

从分解指标看来：技术进步对全要素生产率有很大的影响。拥有较高的全要素生产率的江西、安徽，它们的综合技术效率（1041）、（1042）和技术进步（1062）、（1061）都非常高。而拥有最低的全要素生产率的福建，主要是受规模效率和技术进步的抑制，所以福建要扩大生产规模，形成规模效应，并提高技术水平。虽然山东的全要素生产率处于第二低的位置，但是技术进步位于第二（1070），工业生态效率增长幅度小主要是受规模效率的约束。故其应扩大规模，进一步完善生产规模体系。

根据表4，本文进一步来分析2003～2013年华东地区各指标的发展动态变化。从均值看，华东地区的全要素生产率为1072，总体上处于规模报酬递增阶段，综合技术效率、技术进步、纯技术与规模效率分别为1009、1062、1005和1004。由此可见，华东地区的全要素生产率主要依靠技术进步来拉动，纯技术效率与规模效率对华东地区的综合技术效率提升作用不明显。从表4中华东地区全要素生产率动态演变来看，全要素生产率呈现先减后增再减的趋势，在2003～2010年达到最大值1116，且均值为1072大于1，说明华东地区的工业生态效率经过了一个先衰弱再提高再衰弱的过程。而从分解的指标看来，技术进步与全要素生产率变化趋势一致，亦呈现先下降后上升再下降的特征，但整体水平还是较高，除2008年和2009年外均大于1。而纯技术效率、规模效率呈现波动中略有上升的特征。从综合技术效率及分解指标的动态演变可以看出，除2008年和2009年外，技术进步始终都是主要的推动力，这与表3中的结论一致。

33华东地区工业生态效率影响因素分析

本文以工业生态效率为因变量，以研发强度、利用外资、工业结构与环境治理为自变量构建Tobit模型做回归分析，回归结果如表5所示。

如表5所示：研发强度、利用外资程度、工业结构对工业生态效率呈现正向的促进作用。其中，研发强度对工业生态效率的影响为6098，大于其他因素对工业生态效率的影响，t值为2230，5%的显著性水平下是显著的，说明研发强度是推动工业生态发展的第一要素，这要求华东地区在实现工业生态发展中要继续加强研发投入；其次是利用外资，对工业生态效率的影响为1420，在1%的显著性水平下是显著的，表明工业生态效率的提高有赖于外资流入；相比较而言，工业行业结构变化水平则对华东地区的工业生态效率没有多大的影响，仅为0024，且在10%的显著性水平下都不显著。从影响工业生态效率的正向因素看来，华东地区提高工业生态效率首先要加强科技研发，其次是吸引外资，再次是推动产业结构调整。

而与研发强度、利用外资和工业结构相反，环境治理与工业生态效率呈现反比。主要原因在于环境治理需要大量资金和设备的投入，对于企业来说，这是一个很大的负担，因此企业并没有动力将工业污染治理做到位。此外，也可能源于政府工业污染治理资金的投入或许并没有得到有效利用。因此华东各省市在投入工业污染治理资金的同时，应该加强完善技术和设备的政府监督和行业指导，尽快形成完善的工业污染治理体系。

4结论与建议

本文利用超效率DEA模型测算了华东地区六省一市2003～2013年间工业生态效率，并应用Malmquist指数分析其动态的变化，然后通过构建TOBIT回归模型对于工业生态效率的影响因素及显著性进行实证分析。在此基础上运用产出分解技术分析年均和一般工业生产效率。得出以下结论：

（1）华东地区的工业生态效率这11年间总体呈先下降后上升的趋势，地区差异十分明显，总体水平不高，但是呈现显著的趋同现象。这说明，区域内省域间的协同效应得到了一定程度水平提升。研究表明：由于地区差异巨大，华东地区的工业生态效率水平总体不高，而上海、江苏和浙江则是华东地区工业生态效率水平最高的地区，形成中间高两边低的格局。2003～3013年间华东地区的工业生态效率呈现空间趋同的特征，地区间的差异逐渐减少。产生这一现象的原因主要在于经济是地区工业生态效率的主导因素，而华东地区的经济发展水平呈现显著差异，但是近年来，随着中部地区省份经济得到显著提升，长江三角地区的产业向内陆转移，华东地区的工业生态效率因此通过非经济因素在工业生态效率中释放作用得到有效提升，因此呈现出显著趋同的特征。

（2）华东地区各省份全要素生态效率TFP值都大于1，年均增长率为72%，技术进步是全要素生产率提高的主要因素，但华东地区的全要素生产率近年来呈现波动下降的趋势。研究表明：技术进步对全要素生产率的贡献最大，较高的技术进步也推动了较高的综合技术效率，2003～2013年华东地区的综合技术效率都大于1。但是，从全要素生产率来看，虽然一直处于较高的水平（大于1），但是近年来呈现波动下降的趋势。而全要素生产率的下降也主要是由技术效率的下降导致，这说明华东地区这11年间技术推动带来的工业生态效率并未成为效率提升的主要来源，这一方面当然是由于华东区域内较发达的省市，如江苏、浙江和上海在工业产业转移的过程中一般转移的省份就是区域内的其他省份，这使得技术替代程度存在较小差异；另一方面主要来自于整体技术发展格局面临着低水平的天花板状态。因此在华东地区逐步提高工业生态效率过程中，需要加强技术投入，推动技术研发，从而推动全要素生产率上升。

（3）研发强度是提高工业生态效率的关键，环境治理负荷则制约了工业生态效率的提高。研究表明：研发强度对工业生态效率的提高作用最大，且在5%的显著性水平下是显著的；相比较而言，环境治理对工业生态效率则呈现最大的负作用，且在10%的显著性水平下是不显著的。这要求华东地区在经济发展过程中，需要进一步提高研发强度，同时采取更多的措施吸引外资。不仅如此，还应合理安排环境治理投入，保证环境治理投入与工业生态效率处于一个较长时间内的平衡增长空间，且这种环境治理应着眼于未来企业产业结构调整和工业行业替代或升级的战略性、基础性的治理安排，而不能仍然处于头痛医头、脚痛医脚的跟随治理模式，如若不然，未来可预见的较长一段时间内环境治理负荷将通过以系统治理资金大规模使用且效果不明朗的方式继续爆发其负作用的影响。

参考文献：

[1]Schaltegger S， Sturm A. Okologische Rationalitat： Ansatzpunkte Zur Ausgestaltung Yonokologieorienttierten Management Instrumenten [J]. Die Unternehmung， 1990（4）：273-290.

[2]World Business Council for Sustainable Development.Measuring Eco-efficiency：A Guide to Reporting Company Performance[R]. WBCSD， 2000.

[3]OECD. Eco-efficiency[R].Paris， Organization for Economic Cooperation and Development， 1998.

[4]Hur T， Kim I， Yamamoto R. Measurement of Green Productivity and Its Improvements[J].Journal of Cleaner Production， 2004， 12（7）： 673-683.

[5]Grant J.Planning and Designing Industrial Landscapes for Ecoefficiency[J]. Journal of Cleaner Production， 1997， 5： 75-78.

[6]Seppala J， Melanen M， Menp I， et al. How can the Ecoefficiency of a Region be Measured and Monitored？[J]. Journal of Industrial Ecology， 2005， 9（4）：117-130.

[7]Mickwitz P， Melanena M， Rosenstrma U， et al.Regional Ecoefficiency Indicators——A Participatory Approach[J].Journal of Cleaner Production， 2006， 14（18）： 1603-1611.

[8]Zhang B， Bi J， Fan Z Y.Eco-efficiency Evaluation of Industrial System in China：A Data Envelopment Analysis Approach[J]. Ecological Economics， 2008， 68： 306-316.

[9]Wursthom S， Poganielz Schebek L.Economic-environmental Monitoring Indicators for European Countries：A Disaggregated Sector-Based Approach for Monitoring Eco-Efficiency [J].Ecological Economics， 2011， 70 （3）：487-496.

[10]杨斌. 2000～2006年中国区域生态效率研究：基于DEA方法的实证分析[J]. 经济地理， 2009， 29（7）：1197-1202.

[11]罗能生， 李佳佳， 罗富政. 中国城镇化进程与区域生态效率关系的实证研究[J]. 中国人口·资源与环境， 2013， 23（11）：53-60.

[12]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.

[13]陈浩， 陈平， 罗艳. 基于超效率DEA模型的中国资源型城市生态效率评价[J]. 大连理工大学学报：社会科学版， 2015（2）：34-40.

[14]王震， 石磊， 刘晶茹. 区域工业生态效率的测算方法及应用[J]. 中国人口·资源与环境， 2008， 18（6）：121-126.

[15]高峰， 王金德， 郭政. 我国区域工业生态效率评价及DEA分析[J]. 中国人口·资源与环境， 2011：318-321.

[16]潘兴侠， 何宜庆. 工业生态效率评价及其影响因素研究——基于中国中东部省域面板数据[J]. 华东经济管理， 2014（3）：33-38.

[17]王恩旭， 武春友. 基于超效率DEA模型的中国省际生态效率时空差异研究[J]. 管理学报， 2011， 8（3）：443-450.

[18]杨文举. 基于DEA的生态效率测度——以中国各省的工业为例[J]. 科学经济社会， 2009， 27（3）：56-60.

[19]Charnes A， Cooper W W， Rhodes E.Measuring the Efficiency of Decision Making Units [J].European Journal of Operational Research， 1979， 3（4）： 338-339.

[20]Fare R，Grosskopf S，Lovell C A K，et al.Multilateral Productivity Comparisons When Some Outputs are Undesirable：A Nonparametric Approach[J].The Review of Economics and Statistics，1989，71（1）：90-98.

[21]Fre R， Grosskopf S， Linderdgren B， et al.Productivity Changes in Swedish Pharmacies 1980-1989：Anonparametric Malmquist Approach [J]. Journal of Productivity Analysis， 1992， 3： 85-101.

（责任编辑：冉春红）