大数据在环境技术进步中的应用

王舒鸿*，崔欣，宋马林

（1. 中国海洋大学经济学院，青岛 266100；2. 安徽财经大学统计与应用数学学院，蚌埠 233030）

大数据在环境技术进步中的应用

王舒鸿1*，崔欣1，宋马林2

（1. 中国海洋大学经济学院，青岛 266100；2. 安徽财经大学统计与应用数学学院，蚌埠 233030）

【编者按】2016年11月，由《中国环境管理》主办的2016全国环境信息技术与应用交流大会暨中国环境科学学会环境信息化分会年会在京召开。大会组织了论文征集和评选活动，现刊登部分优秀论文以飨读者。

我国环境污染日益严重，政府加大环境保护力度势在必行，科学、有效的环境管理对保护环境、提高环境质量起着重要的作用。环境技术进步是环境管理有效且持久的驱动力，但是，环境技术进步的测度方法一直未能实现普适性。本文首先综述了技术进步对改善环境质量的重要性，在此基础上，阐述了各学者对技术进步和偏向型技术进步测量方法的探究。然后介绍了大数据在环境管理中的应用，在其应用经验的基础上，将其引入环境技术测度领域。大数据在该领域的应用为环境偏向型技术进步的测度提供了新的契机，同时，大数据的应用也增加了研究的困难性。最后，基于偏向型技术进步之间的矛盾，提出最优环境技术的理念。通过利用大数据，可以合理测度偏向型技术进步，实现生产偏向型技术进步和环境偏向型技术进步的合理配比，找出可以兼顾高产出和低污染物排放量的最优偏向型技术进步模式。并进一步结合各区域的差异性和关联性，能够测算出区域最优偏向型技术进步模式，找到有效的环境管理方式，为环境管理者与政策制定者提供合理参考。

大数据；环境管理；技术进步

1 环境技术是改善环境的重要手段

改革开放以来，我国经济迅速发展，工业化和城镇化进程快速推进，而粗放型经济发展方式则是以牺牲环境、耗费资源、破坏生态为代价的[1]。随着经济的持续增长，现代化步伐的逐步加快，废水、废气等有害污染物的排放量逐渐增多，环境污染日益严重。近年来，我国政府已经充分意识到环境管理的重要性。在党的十六届五中全会上，我国提出建设资源节约型和环境友好型社会的战略目标，并于2015年1月1日开始实施新的《中华人民共和国环境保护法》，而十八届五中全会则更进一步加大了环境治理力度。进行科学的环境管理可以有效地改善环境质量，有利于环保工作的顺利进行。

“十三五”开始，我国环境管理的战略导向由降低污染物排放量转变为改善环境质量。党的十八届五中全会提出了五大发展理念，而推动创新与技术进步则被排在这五大发展理念的首位。这意味着我国要大力发展绿色经济，就必须推动绿色创新、实现绿色技术的进步，这是我国发展绿色经济的根本途径。对于此，很多学者早已达成共识。Weitman[2]提出技术进步可以有效地推动经济长期、可持续发展。宋马林和王舒鸿[3]创新地将数据包络分析（data envelopment analysis，DEA）方法分解，将影响环境效率的因素分为技术因素和环境规制因素并对其进行实证分析，把两种因素对环境效率的影响程度量化。得出结论：技术进步能够促进环境保护、带动产业升级，适合各地经济环境的技术进步可以促使各地经济绿色、快速的增长。王兵和刘天光[4]首次采用两期权重修正罗素模型研究通过推动技术进步而实现的节能减排，能否促使中国经济绿色发展，实现环境与经济的双赢。结果表明：强化节能减排技术有利于促进绿色全要素生产率的增长，最终推动绿色经济的发展。

2 大数据与环境技术测度

对技术进步进行合理测度，为环境管理制度的制定和实施提供切实、可靠的依据，是使环境治理得到改善、环境管理更加有效的关键因素之一。然而，现在并没有一个普适性的测度方法。Kennedy 等[5]利用“增长核算法”测度技术进步的大小，通过设定生产函数来衡量技术进步，但是如果生产函数设定错误或者其他生产条件改变，就会使计算得到的技术进步率与实际的技术进步率之间产生偏差。Bentolina 等[6]采用全要素生产率衡量技术进步；Welsch 等[7]用贸易占GDP的比重对技术进步进行衡量；Arnberg 等[8]和Ma 等[9,10]用时间趋势项表示技术进步。也有学者尝试用数据包络分析等非参数的方法来测度技术进步。Caves 等[12]把数据包络分析与全要素生产率相结合，构建出DEA-Malmquist的评价方法，计算得到各决策单元的技术进步效率，Fukuyama等[12]对DEA-Malmquist指数进行了进一步的探究；宋马林等[13]将数据包络分析与固定效应模型相结合，分析各省份的技术进步，并取得了较好的效果。但这些方法往往随着指标选取的不同而导致不同的结果，所得到的结论也并不稳定。

通过对技术进步研究的深入，学者逐渐将技术进步内生化，形成偏向型技术进步理论。当劳动与资本的相对价格发生变化时，企业生产过程中就会更多地使用价格较低的生产要素，放弃使用价格较高的生产要素，从而对资本和劳动的技术提升作用产生差异，出现资本偏向型技术进步和劳动偏向型技术进步。Acemoglu[14,15]提出，技术进步的偏向性可以拓展到任意投入要素之间，从而扩宽了偏向型技术进步的应用范围。随着环境问题逐渐得到人们的关注，各学者也将环境因素考虑到生产函数中。不同于生产要素的偏向型技术进步注重产出随技术进步而增加，环境要素的偏向型技术进步注重的是随着技术进步，能源消耗和污染物等非期望产出减少，既包括 “节能”型技术进步和“减排”型技术进步[16]。

环境偏向型技术进步是进行环境管理，改善环境质量持久、有效、稳定的驱动力[17]。但是自Acemoglu[18,19]首先提出“环境”偏向型技术进步以来，学者们同样面临无法测度以及测度不准的问题。很多学者进行了积极有效的尝试。Harrison[20]、Welsch等[7]、Arnberg等[8]、Ma 等[9,10]采用指标替代的方法衡量偏向型技术进步。Klump等[21]采用标准化供给面系统估计技术进步的方向指数。Leon-Ledesma等[22]用广义非线性最小二乘法对技术进步方向进行估计。但这些方法的拟合精度差，不能对环境偏向型技术进步进行很好的测度。有学者基于DEA方法，对其进行改进和创新，用以测度环境偏向型技术进步。Chambers等基于DEA模型，提出了具有相加结构的Luenberger生产率指标度量环境因素的技术进步。Chung 等[24]构建了同时考虑期望产出增加与非期望产出减少的方向性距离函数（Directional Distance Function，DDF），并在Chambers等的研究基础上，构建了比值Malmquist-Luenberger （ML）生产率指数。Oh等[25]提出了Sequential Malmquist-Luenberger（SML）指数的概念，并对26个OECD成员进行环境绩效的测算，等等。

如何进行有效的环境技术测度，这是环境管理领域困扰学者多年的难题。近年来大数据的兴起给学者们的研究带来了新的思路。因为在环境管理领域，已经出现了具有较高价值的巨量信息，这些信息也已实现在全球范围内的共享，这就给大数据下的环境技术测度提供了便利。依据HACE定理，大数据始于分布式和非集中控制的巨容（large-volume）、异构（heterogeneous）、自治源（autonomous），它寻求数据间复杂（complex）与不断变化（evolving）的关系[26]。据估计，目前从地下物理实验到零售交易、安全摄像头和全球定位系统等方面，每年产生大约4泽字节（Zettabytes）数字资料[27]。大数据业已席卷所有行业和业务功能领域，正在成为与劳动力和资本并驾齐驱的一个新的生产要素，将有力推进生产率增长和消费者盈余的新浪潮[28]。美国环境保护署（Environmental Protection Agency, EPA）和能源信息署（Energy Information Administration, EIA）将收集的大数据用以建立排放和发电资源综合数据库（Emissions and Generation Resource Integrated Database, eGRID），提供几乎全部美国发电的碳排放等数字资料。

然而，由于大数据规模巨大且生成迅速，大数据的研究一度陷入极大的困难[29]。但是对大数据的深入挖掘能够得到更加精确与稳定的结论，又促使学者对其进行深入探索。Russom[30]认为，通过综合运用数据采集、统计推断以及人工智能等多种技术，可以有效解决由大数据本身特性所带来的分析上的困难。Pijanowski 等[31]提出，对大数据进行分析时，将地理信息系统与神经网络相结合，以便解决分析上的困难。还有很多学者也提出了不同的解决方法[32,33]。我国印发的《生态环境监测网络建设方案》（2015）提出，要构建生态环境监测监管的大数据平台，开发、整合、应用生态环境监测监管的数据资源，将大数据应用到环境管理领域中。

3 基于大数据的最优环境技术测算

3.1 偏向型技术进步之间的矛盾

环境偏向型技术进步受到越来越多的重视，大数据为其测度方法的探究提供了新的契机。随着新常态的提出，我国经济增速由高速增长变为中高速增长，政府为加强环境管理、提高环境绩效、改善环境质量而出台的各项政策制度，使环境偏向型技术进步能在更有利的环境中得到全面发展。但是我国以环境和经济的协调发展为战略目标，环境偏向型技术进步的快速发展，必然会挤占生产偏向型技术进步的发展空间，使经济增长速度减缓[34]。

生产偏向型技术进步注重的是随着技术进步，产出增加，有利于促进经济增长，但是生产过程中废水、废气等污染物的排放不利于环境保护，且产出与生产过程中污染物的排放一般呈现出高度正相关。环境偏向型技术进步注重的是随着技术进步，能源消耗减少，非期望产出减少。有利于节约能源，减少污染物的排放从而提高环境质量，但是未必能使产出增加，而且，有些情况下，环境偏向型技术进步可能会减少企业的正常产出。企业在决策技术进步的偏向性时需要在产出和污染物排放成本之间做出权衡，产出越多，利润越大；而污染物排放成本与国家环境保护的政策制度有关，受国家环保政策的限制[35]。调整产出与污染物排放之间的结构，确定技术进步的偏向性，从而使企业总效益达到最大成为国内外学者研究的重点。

3.2 大数据下的最优环境技术进步

在大数据的背景下，环境偏向型技术进步的测度有了更广阔的探索空间，同时也为最优偏向型技术进步模式的探索提供了机遇和挑战。由于大数据种类繁多、结构复杂，在研究过程中，会出现大量半结构化数据和非结构化数据[36]，寻找科学、合适的方法将半结构化和非结构化的数据结构化是深入测度偏向型技术进步和最优技术进步的重要前提。在新常态下，我国经济增长速度放缓，并加大了对环境偏向型技术的研发投资，环境偏向型技术进步率是否已经达到最优，是否要继续加大对环境偏向型技术的投资力度，目前仍未有统一的定论。

由于各区域经济、政治和文化等存在差异，技术进步的模式必然也不相同[37]。经济发达的地区，会加大对环境偏向型技术的研发投资，而欠发达地区可能会更加注重对生产偏向型技术的投资。各地区环境规制的强度不同，强度大的地区，企业由于较高的排污成本，不得不加大环境偏向型技术的研发力度。因此，即使对各区域投入相同的生产要素，所产生的偏向型技术进步速度也必然不会相同[13]。邵帅等[38]将各个区域作为独立的个体，采用动态面板数据模型分析区域间的差异性对技术进步的影响。由于各区域之间的关联性[39]，使一个地区的技术进步可能会扩散到其他地区[40]，对其他地区的影响随着地理距离的增加而逐渐减弱。Song 等[39,41]和李健等[42]对区域间的关联属性进行了深入探究，仍未能揭示区域关联的长期动态特征。考虑到区域之间的差异性和关联性，DEA测度技术进步时所依据的假设条件将不再满足，同时增加了探究难度。但不考虑区域之间的差异性和关联性，偏向型技术进步的测度结果很可能会存在偏差。

我们考虑，如果能够将区域的差异性、关联性与偏向型技术进步的测度相结合，可以找出各区域的最优技术进步模式，对最优偏向型技术进步模式进行模拟、仿真、预测，据此调整我国的环境管理方式，可以为出台的环境管理的政策制度提供有利的支持，使之更加精确、可靠。在这个分析框架中，我们将重点考察节能型技术、减排型技术、生产型技术和开采型技术这四种技术的产出分配。科技子系统按照利润最大化原则对四种技术进行研发投资，通过测度节能型技术进步和减排性技术进步，得到区域环境偏向型技术进步的最优进步率。但是只能得到一个区域的最优技术进步率，要想得到整个区域最优偏向型技术进步模式，还需要结合区域的关联性，建立多区域的经济、科技、能源、环境的综合系统进行探究。而大数据在整个探究过程中起着举足轻重的作用，为每一步的探究分析提供数据支持，从而使每一步探究得以实现。

4 结论与展望

科学、有效的环境管理对环境保护有着重要的影响。技术进步和环境偏向型技术进步及其有效测量对环境管理同样有着重要意义。近年来，偏向型技术进步理论基础得到了飞速的发展，但已有的测度方法考虑到的问题并不全面，不能准确测度环境偏向型技术进步。在大数据的条件下，对数据的分析将更加复杂但是对方法的探索空间也将更加广阔，且从海量数据中提取出隐含着的有效信息，建立起的环境偏向型技术进步模型更加精确性和稳定性，为环境管理工作的进行提供更可靠的依据。在大数据背景下，寻找能有效测度环境偏向型技术进步的方法势在必行。环境偏向型技术进步和生产偏向型技术进步之间的矛盾，引发了国内外学者对最优偏向型技术进步的探索。大数据、区域间的差异性和关联性，为最优技术进步模式的探索增加了困难，同时也提供了新契机，扩大了其探索空间。随着经济的发展，可以尝试通过建立经济、科技、能源和环境的综合系统，测算区域最优偏向型技术进步模式，找到合理的环境管理方式，给决策者以参考。

[1] WANG S H, SONG M L. Review of hidden carbon emissions, trade, and labor income share in China, 2001-2011[J]. Energy policy, 2014, 74: 395-405.

[2] WEITZMAN M L. Sustainability and technical progress[J]. The Scandinavian journal of economics, 1997, 99(1): 1-13.

[3] 宋马林, 王舒鸿. 环境规制、技术进步与经济增长[J]. 经济研究, 2013(3): 122-134.

[4] 王兵, 刘光天. 节能减排与中国绿色经济增长——基于全要素生产率的视角[J]. 中国工业经济, 2015(5): 57-69.

[5] KENNEDY C, THIRLWALL A P. Surveys in applied economics: technical progress[J]. The economic journal, 1972, 82(325): 11-72.

[6] BENTOLILA S, SAINT-PAUL G. Explaining movements in the labor share[J]. Contributions in Macroeconomics, 2003, 3(1), doi: https://doi.org/10.2202/1534-6005.1103.

[7] WELSCH H, OCHSEN C. The determinants of aggregate energy use in west Germany: factor substitution, technological change, and trade[J]. Energy economics, 2005, 27(1): 93-111.

[8] ARNBERG S, BJØRNER T B. Substitution between energy, capital and labour within industrial companies: a micro panel data analysis[J]. Resource and energy economics, 2007, 29(2): 122-136.

[9] MA H Y, OXLEY L, GIBSON J, et al. China’s energy economy: technical change, factor demand and interfactor/ interfuel substitution[J]. Energy economics, 2008, 30(5): 2167-2183.

[10] MA H Y, OXLEY L, GIBSON J. Substitution possibilities and determinants of energy intensity for China[J]. Energy policy, 2009, 37(5): 1793-1804.

[11] CAVES D W, CHRISTENSEN L R, DIEWERT W E. Multilateral comparisons of output, input, and productivity using superlative index numbers[J]. The Economic journal, 1982, 92(365): 73-86.

[12] FUKUYAMA H, WEBER W L. A directional slacksbased measure of technical inefficiency[J]. Socio-economic planning sciences, 2009, 43(4): 274-287.

[13] 宋马林, 王舒鸿, 汝慧萍, 等. 基于省际面板数据的FDI绿色创新能力统计分析[J]. 中国软科学, 2010(5): 143-151.

[14] ACEMOGLU D. Labor- and capital-augmenting technical change[J]. Journal of the European economic association, 2003, 1(1): 1-37.

[15] ACEMOGLU D. Equilibrium bias of technology[J]. Econometrica, 2007, 75(5): 1371-1409.

[16] SONG M L, WANG S H, LIU W. A two-stage DEA approach for environmental efficiency measurement[J]. Environmental monitoring and assessment, 2014, 186(5): 3041-3051.

[17] 景维民, 张璐. 环境管制、对外开放与中国工业的绿色技术进步[J]. 经济研究, 2014(9): 34-47.

[18] ACEMOGLU D, AGHION P, BURSZTYN L, et al. The environment and directed technical change[J]. American economic review, 2012, 102(1): 131-166.

[19] ACEMOGLU D, AKCIGIT U, HANLEY D, et al. Transition to Clean Technology[R]. MIT Working Paper, 2012.

[20] HARRISON A E. Has Globalization Eroded Labor’s Share? Some Cross-Country Evidence[R]. UC Berkeley and NBER Working Paper, 2002.

[21] KLUMP R, MCADAM P, WILLMAN A. Factor substitution and factor-augmenting technical progress in the United States: a normalized supply-side system approach[J]. Review of economics and statistics, 2007, 89(1): 183-192.

[22] LEON-LEDESMA M, MCADAM P, WILLMAN A. In dubio Pro CES: Supply Estimation with Mis-Specified Technical Change[R]. ECB Working Paper No.1175, 2010.

[23] CHAMBERS R G, FĀURE R, GROSSKOPF S. Productivity growth in APEC countries[J]. Pacific economic review, 1996, 1(3): 181-190.

[24] CHUNG Y H, FÄRE R, GROSSKOPF S. Productivity and undesirable outputs: a directional distance function approach[J]. Journal of environmental management, 1997, 51(3): 229-240.

[25] DONG-HYVNO. A global malmquist of efficiency in data envelopment analysis[J]. European | Journal | of Operation Research, 2010, 130(3): 498-509.

[26] WU X D, ZHU X Q, Wu G Q, et al. Data mining with big data[J]. IEEE transactions on knowledge and data engineering, 2014, 26(1): 97-107.

[27] TIEN J M. Big data: unleashing information[J]. Journal of systems science and systems engineering, 2013, 22(2): 127-151.

[28] MANYIKA J, CHUI M, BROWN B, et al. Big Data: The Next Frontier for Innovation, Competition, and Productivity[M]. New York: McKinsey & Company, 2011.

[29] ÖZDEMIR V, BADR K F, DOVE E S, et al. Crowd-funded micro-grants for genomics and “big data”: an actionable idea connecting small (Artisan) science, infrastructure science, and citizen philanthropy[J]. OMICS: a journal of integrative biology, 2013, 17(4): 161-172.

[30] RUSSOM P. Big data analytics[R]. TDWI Best Practices Report, 2011.

[31] PIJANOWSKI B C, TAYYEBI A, DOUCETTE J, et al. A big data urban growth simulation at a national scale: configuring the GIS and neural network based land transformation model to run in a High Performance Computing (HPC) environment[J]. Environmental modelling & software, 2014, 51: 250-268.

[32] STEED C A, RICCIUTO D M, SHIPMAN G, et al. Big data visual analytics for exploratory earth system simulation analysis[J]. Computers & geosciences, 2013, 61: 71-82.

[33] SCHNASE J L, DUFFY D Q, TAMKIN G S, et al. MERRA analytic services: meeting the big data challenges of climate science through cloud-enabled climate analytics-as-aservice[J]. Computers, environment and urban systems, 2014, 61: 198-211.

[34] SONG M L, WANG S L. Environmental efficiency evaluation of china based on a kind of congestion and undesirable output coefficient[J]. Panoeconomicus, 2015, 62(4): 453-468.

[35] 董敏杰, 梁泳梅, 李钢. 环境规制对中国出口竞争力的影响——基于投入产出表的分析[J]. 中国工业经济, 2011(3): 57-67.

[36] 周晓方, 陆嘉恒, 李翠平, 等. 从数据管理视角看大数据挑战[J]. 中国计算机学会通讯, 2012, 8(9): 16-20.

[37] BENTO N, FONTES M. Spatial diffusion and the formation of a technological innovation system in the receiving country: the case of wind energy in Portugal[J]. Environmental innovation and societal transitions, 2015, 15: 158-179.

[38] 邵帅, 杨莉莉. 自然资源开发、内生技术进步与区域经济增长[J]. 经济研究, 2011(S2): 112-123.

[39] SONG M L, WANG S L, WU J, et al. A new space-time correlation coefficient and its comparison with Moran’s Index on evaluation[J]. Management decision, 2011, 49(9): 1426-1443.

[40] 王恕立, 滕泽伟, 刘军. 中国服务业生产率变动的差异分析——基于区域及行业视角[J]. 经济研究, 2015(8): 73-84.

[41] SONG M L, WANG S L, LIU W. A new method for measuring the economic convergence and its application on central china provinces[J]. Economic research, 2012, 25(4): 925-936.

[42] 李健, 卫平, 付军明. 中国地区工业生产率增长差异及收敛性研究——基于三投入DEA实证分析[J]. 产业经济研究, 2015(5): 21-30.

The Application of Big Data in Environmental Technology Progress

WANG Shuhong1*，CUI Xin1，SONG Malin2
(1. School of Economics, Ocean University of China, Qingdao 266100; 2. School of Statistics and Applied Mathematics, Anhui University of Finance and Economics, Bengbu 233030)

With the increasingly serious environmental pollution in China, the government is imperative to intensify environmental protection efforts. Besides, scientific and effective environmental management plays an important role in protecting environment and improving environmental quality. Environmental technology progress is an effective and lasting driving force for environmental management, but its measurement method has not been able to achieve universal. The importance of technological progress in improving environmental quality was summarized in this paper, on the basis of that, the researches of many scholars on measurement methods of the technical progress and biased technical progress were expounded. Then, the paper introduced the application of big data in environmental management, on the basis of its application experience, big data was introduced to the field of environmental technology measurement, which provides a new opportunity for the measurement of environmental biased technology progress. Meanwhile, the application of big data also increases the diffculty of research. Finally, based on the contradiction between the biased technological progresses, the concept of optimal environmental technology was put forward. By making use of big data, biased technical progress can be reasonable measured and then reasonable ratio of production biased technology progress and environmental bias technology progress could be realized. In addition, optimal biased technical progress pattern, which can take into account the high output and low pollutant emissions could be obtained. Combined with the regional differences and association, regional optimal biased technical progress pattern could be calculated. Thereby, an effective way of environmental management was found, which provides a reasonable reference for the environmental managers and policy makers.

big data; environmental management; technical progress

X321；TP311

1674-6252（2017）02-0021-05

A

10.16868/j.cnki.1674-6252.2017.02.021

*责任作者： 王舒鸿（1986—），男，讲师，博士，主要从事环境管理研究领域，E-mail:wangshunnar@163.com。