基于三阶段DEA模型的省际真实环境效率测度与影响因素分析

郭四代+仝梦+郭杰+韩玥

摘要 随着经济的快速发展，大量不可再生资源不断消耗，生态环境急剧恶化，严峻的资源环境形势已成为阻碍我国经济社会可持续发展的“硬约束”。切实转变经济发展方式，采取有效的环境治理政策刻不容缓。而有效的环境效率测度可探究出造成资源过度消费与环境污染的主要原因，从而推进环境治理政策的改进。本文基于2006—2015年省际区域的面板数据，采用三阶段DEA模型评价了相同环境下各区域的环境效率水平、变化趋势及其差异性，探讨了我国环境效率的影响因素，剥离了外部环境因素与随机误差因素的影响，为测度环境效率的真实水平提供了可行的方法。结果发现：①三阶段DEA模型可有效剔除随机误差与外部环境因素对区域环境效率的影响，能客观真实地测度我国各省市的环境效率水平，从而获得比传统DEA模型更有效的环境效率状况。②排除随机误差与外部环境因素作用后，我国东部、中部、西部及全国的平均环境效率值和平均纯技术效率值均被低估，平均规模效率则在不同程度上被高估，环境效率的提升主要受规模效率水平不高的制约。③调整后的东部、中部、西部真实环境效率水平存在明显的空间不平衡现象。④规模收益的变动受环境与随机因素的影响比较明显，绝大部分省份处于规模收益递增行列。故为进一步提高中国环境效率水平，应优化产业结构比例，并借助“一带一路”倡议，实施产业转移；适度增加环境污染治理投资规模，转变“先污染后治理”模式；根据规模收益变化情况，各省市应因地制宜地选择不同的发展模式；切实提升企业生产技术创新能力和环境污染治理技术创新能力，实现能源的节约和污染排放的减量化；发展城市群，提高新型城镇化水平与环境治理效率；进一步深化对外开放程度，提高外贸依存度。

关键词 三阶段DEA模型；环境效率；外部环境因素；随机误差因素

中图分类号 F062.1 文献标识码 A 文章编号 1002-2104（2018）03-0106-11 DOI：10.12062/cpre.20170917

据《2017年全球能源架构绩效指数报告》显示，中国的能源架构绩效指数在127个国家中排名为95位，二氧化碳排放量约占世界总排放量的30%，这充分说明了我国的能源利用效率处于中下游水平，与发达国家相比存在着较大的差距。改革开放近40年，中国经济快速发展，综合经济实力已跃居世界第二大经济体，但随着城市化进程的不断加快，大量不可再生资源不断消耗，生态环境急剧恶化，严峻的资源环境形势已成为影响我国经济发展全局的硬约束，如严重的雾霾污染、水资源污染泛滥、土壤重金属污染等。近年来，各级政府都十分重视环境污染的治理和生态环境的改善，相继出台了诸多环境保护政策，虽然生态环境建设取得了巨大的成绩，但生态环境不断恶化的趋势依然没有发生根本性的改观，环境状况依然不能令人满意。因此，切实转变经济发展方式，采取有效的环境治理政策刻不容缓。而有效的环境效率测度可探究出造成资源过度消费与环境污染的主要原因，这是有助于环境治理政策改进的前提条件。为此，有必要在节能减排的约束下更加准确地测算我国省际地区环境效率的真实水平、变化趋势及其差异性，找寻出有助于环境治理政策改进的空间。

1 文献综述

随着人们对资源环境问题的日益重视，Fare[1]等人最早提出环境效率概念，用它来测算考虑环境效率情形下的生产效率情况，该概念在1992年的里约地球峰会上被提及，自此以后，得到了国际学术界的广泛认可和深入的讨论。DEA作为一种非参数方法，在环境效率测度领域的应用相当广泛。Zaim和Taskin[2]较早运用DEA方法测度了OECD国家的环境效率及其影响因素。之后，随着处理非期望产出新方法的出现，越来越多的学者基于DEA方法测算环境效率，最常见的方法有非径向的SBM方法和有径向的方向距离函数（DDF）方法。方向距离函数法是基于一种弱可处置性假设的模型，是在距离函数的基础上增加投入和产出的不同改进方向衍生出来的，可增加期望产出，减少非期望产出，且近年来取得了广泛的运用。Khanna M和Kumar S[3]采用方向距离函数测算了标准普尔500家公司的环境效率，并用截断回归模型分析了企业环境效率的影响因素。Tao等[4]人在考虑能源消耗和污染物排放情形下，基于方向性距离函数和卢恩伯格生产力指数测算了我国1999—2009年的环境效率、环境全要素生产率，并考察了效率和生产率变化的决定因素。Lin， E等[5]人采用方向距离函数测算了63个国家在1981—2005年的环境效率，并验证了随着环境效率的增加是否采用《京都议定书》。王兵等[6]人考虑资源环境因素，采用SBM方向性距离函数对我国30个省份1998—2007年的环境效率、环境全要素生产率进行了测算，并对比分析了两者的影响因素。非径向的SBM模型是由Tone于2001年提出来的，由于它考虑了径向和角度选择的差异而造成投入和产出的松驰性问题，更受到研究者的青睐。Zhang[7]基于SBMDEA模型提出了纯能源效率和规模效率指标，在考虑二氧化碳、二氧化硫和化学需氧量等非期望产出的情形下，测算了中国在2001—2010年的能源效率。Chang[8]基于SBM模型评价了韩国港口的环境效率和二氧化碳排放减少量。胡达沙、李杨[9]基于2000—2009年的省级面板数据，运用SBM模型测算了各省区的环境效率、影响因素及其区域差异。宋马林[10]等人构建了考虑整数约束和非期望产出指标的SBM超效率模型，并对我国各省区2012年第二产业的环境效率进行了测算，以期验证该模型的有效性和稳健性。黄永春、石秋平[11]基于研发驱动理论构建了SBM模型，实证分析了我国东、中、西部的环境效率、环境全要素生产率及其影响因素。方向距离函数法由于确定方向向量方法的不同会导致不同的测评结果，且并没有考虑投入产出的松弛改进问题，可能会高估决策单元的效率。但SBM模型则有效解决了径向测度带来的问题，较其他模型更能体现效率评价的本质。

目前，有较多的学术文献基于传统的DEA方法评价环境效率，但这些方法并不能剔除随机误差和外部环境因素对环境效率的影响，无法真实反映出环境效率的实际状况。Fried[12]等人基于传统DEA模型提出了三阶段DEA法，该方法排除了有效投影点和无效率点混合的情形，且能有效的排除外部环境及随机误差等对生产单元效率的作用，使得效率水平更加客观真实。而较少学者应用三阶段DEA方法研究我国环境效率问题，这或许是由于DEA模型的输出一般都选用正向的产出，而环境污染物作为负产出，选择三阶段DEA方法则会失灵。但运用线性数据转换法对环境污染物进行转化后，则可以很好的解决三阶段DEA模型评价中的负产出问题，有效地保持了凸性和线性关系，不仅可以获得比传统DEA模型精度更高的環境效率结果，还可以进一步丰富环境效率测度理论，促进学科向前发展。鉴于此，本文试图优化以往研究的不足，力图运用三阶段DEA模型和线性数据转换函数法获得相同环境下更为客观真实的环境效率水平，为制定环境效率改善政策提供科学依据。endprint

2 研究方法

具体来看，基于三阶段DEA模型所进行的环境效率的度量操作具体情况如下。

阶段一：依据传统的DEA模型测算决策单元效率值。

该阶段一般选用规模报酬可变的BCC模型对我国30个省市的初始投入和产出数据进行传统的DEA分析。BCC模型是在修正CCR模型基础上构建起来的，它改进了CCR模型只能计算规模报酬不变情形下的效率值。BCC模型可表示为：

式中，X表示各省市的投入指标变量矩阵，Y表示相对的产出指标变量矩阵，N表示所选省市的数目，λj表示投入变量的权重，θ为效率值。

阶段二：随机前沿分析（SFA）模型的投入产出调整。

第一阶段基于传统DEA模型分析所得的效率值要受到环境、随机误差及管理效率的综合作用。为进一步分清各因素所产生的影响程度，在此环节需借助SFA模型以剔除环境因素和随机误差因素，提高DEA的估计信度，从而得出的决策单元投入冗余仅由管理无效率造成。假设有n个决策单位，单个决策单元均有m种投入，可观测的外部环境变量有p个，则可构建的SFA回归方程如下：

式中，y*ik，yik为第k个决策单元第i项投入的调整值和初始值，β^n表示环境变量的估计值。等式右边第二项式子表示将所有决策单元的第i项投入变为环境变量作用为最大的情况下，让其放在最不好的环境内投入的增量。等式右侧第三部分则是将其放在最大随机干扰项的情况下投入的增量。由此各决策单元面对同样的外部条件便可得以保障。

阶段三：修正后的DEA模型。

用上阶段的y*ik更换原来的yik，其他保持不变，继续运用式（1）度量出新的效率结果，利用松弛变量所含信息，此时的效率结果排除了环境及随机因素的作用部分，是我国各省市实际环境效率大小值的客观呈现。

3 变量选取与数据获取

3.1 变量选取

（1）投入变量选取。根据前人在环境效率领域的研究成果，并依据传统宏观经济学理论，测算环境效率的投入变量包括以下三项：①能源投入。能源作为一种中间投入，王兵[6]等在传统的全要素生产率的测算过程中没有将其纳入模型中考虑。其实在考虑了环境因素之后，Watanabe和Tanaka[14]将煤炭消费量作为能源消费指标，并将该资源投入纳入经济增长模型中。但从我国能源消费现状来看，能源消费包括煤炭、石油和天燃气等种类，而煤炭消费量就占能源消费总量的60%左右，且呈逐年下降趋势。因此，选择各省市历年能源消费总量作为能源投入较合时宜。②劳动投入。相比简单的劳动力人数而言，劳动力有效投入应是更好的度量指标，但数据获取较难，借鉴杨俊[15]等、沈能[16]等的做法，此处采用各省市历年从业人员数作为劳动投入指标。③资本投入。“永续盘存法”是按可比价格估算资本存量最常用的方法之一，主要涉及基期资本数量计算，当期投资指标和折旧率的选择，以及投资平减四个问题。选用资本存量作为资本投入指标，以2000年为基期，借鉴张军的算法进行估算，从而可求得2006—2015年期间各省份的资本存量。

（2）产出变量。借鉴相关研究成果和考虑数据的可获得性，选用GDP指标作为期望产出；为全面考察环境污染因素，选取了化学需氧量、氨氮、二氧化硫、烟（粉）尘、固体废弃物排放指标，运用熵权法对其进行降维处理，把五大指标综合成一个环境污染综合指数，并以此作为非期望产出。在环境效率评价中，通常存在着“三废”排放量这种类型的环境污染物指标。而三阶段DEA模型则要求每个决策单元的输入和输出数据必须为正值，且DEA效率通常是以评价指数的形式来呈现的，指数值越大，效率水平也就越高，所以，该方法要求投入越低越优，产出越多越优。因此，若以上指标不能满足DEA模型的运行条件，则将出现效率测评无效的情况。

鉴于此情形，必须对以上所需指标做相应的转化处理，目前常用的方式有曲线测度评价法、污染物投入处理法、数据转换函数处理法及方向距离函数法。其中，数据转换函数处理法是由Seiford and Zhu[17]提出的一种较为理想的效率评价方法，包含负产出、线性与非线性数据转化等不同类型，由于线性数据转化法在VRS模型分析中更具优势，此处特选取该方法对环境污染物指数做数据转化，具体公式为：Y′i=-Yi+C，C表示某个非常大的向量，以此保证所有转换后的输出数据均为正值，借鉴已有研究成果，我们选取C值为样本地区最大值的1.1倍。

（3）环境变量。此类变量需达到“分离假设”的要求，关键挑选出对环境效率产生作用，同时在较短时间里样本不能主观更改或把握的因素。学术界对环境效率的影响因素有着诸多不一致的实证结果，但普遍认为经济发展水平、开放水平、产业结构等变量对环境效率有着重要的影响。综合已有的研究成果，考察以下七个方面对环境绩效可能产生的影响。①实际人均GDP。以各省市的实际GDP与总人口的比重表示人均GDP，它是以某省市某一年為基期进行CPI折算的。②人口密度。用每平方公里人口数量表示该指标。③产业结构。用工业占三大产业总量的比值表示。④城市化水平。城镇和农村对环境效率的影响程度存在着较大差异，此处用地方城镇人口占常驻总人口之比表示城市化水平。⑤外贸依存度。用地区进出口总额占地区GDP的比值表示该指标，也称为外部系数，反映了该地区的外向程度。⑥外资开放度。用地区实际利用外资总额占地区GDP的比值表示该项指标。⑦政府规划。用各区域在环境污染治理方面的投资总额与其当年区域GDP的比值表示。⑧科技水平。用区域RD投入占区域GDP的比值表示。

3.2 数据获取及处理

根据所选分析工具及指标的特点，由于西藏、香港、澳门和台湾地区的数据资料不齐全或不完整，此处只分析我国30个省、直辖市和自治区2006—2015年间的环境效率。其中，各变量指标数据均来自历年的《中国统计年鉴》《中国环境统计年鉴》、各省市统计年鉴和中国经济数据库。由于各个指标的计量单位不同会对分析结果产生较大的影响，本文借鉴Afonso[18]等人提出的无量纲化数据处理方法，即为消除指标不同计量单位的影响，用各项子指标除以各自平均值的方法来对指标数据进行正规化处理，则可得到均值为1的无量纲子指标。endprint

表1为投入变量、产出变量及环境变量经过标准化处理后的描述性统计结果。从表1可以看出，各变量之间的最大值与最小值之间的差异极其不平衡。其中，差异最大的变量为人口密度指标，标准差为1.461，其最大值为2014年的上海（8.714），人口密度达到每平方公里3 826人，最小值为2006年的青海省（0.017），人口密度约为每平方公里7人，两者相差约546倍。其次是外贸依存度指标，标准差为1.219，其最大值约是最小值的49倍。其余变量的最大值与最小值之间相差倍数均在2倍以上，这也充分说明了我国各省市之间在投入、产出、环境变量等方面存在着较为严重的不平衡现象。

4 实证结果分析

4.1 第一阶段传统DEA实证结果分析

在此阶段，通过所获取的相关数据，借助软件DEAP2.1，选取BCC模型对中国30个省在2006—2015年间的绩效水平进行了分析，其结果如表2所示。

從全国范围来看，在不考虑外部环境变量和随机因素的情况下，全国达到技术有效前沿面的省市数量在0～3个之间逐年波动变化，到2015年仅为2个。全国、中部、西部地区的平均综合技术效率水平均呈波动下降趋势，东部地区为波动上升趋势。其中，全国及中西部地区的平均纯技术效率水平均呈波动下降趋势，东部的为波动上升趋势，且东部地区的效率水平始终高于中、西部地区及全国平均水平，而全国及三大区域规模效率水平都比较高，均高于所在地区的纯技术效率水平，且差异及变化幅度较小，这说明限制东、中、西部地区环境效率提升的主要因素在于纯技术效率不高的影响。但此结果没有将环境与随机因素的作用成分去除，无法反映不同省域的实际环境效率情况，因此还需进一步调整和测算。

4.2 第二阶段SFA回归结果及分析

在DEA分析的第二阶段，运用SFA法分解出环境因素、随机误差和管理无效率对环境效率的影响程度，调整各省市的原始投入值，可得到相同管理环境下的环境绩效水平。将第一阶段测算出的能源、劳动力、资本三个指标的松弛量当作回归函数中的被解释变量，以人口密度、实际人均GDP、城市化水平、外贸依存度、外资开放度、产业结构、政府规划、科技水平作为解释变量，考察8个环境变量对3个投入项松弛变量的影响。运用软件Frontier4.1，可得到第二阶段SFA回归结果，如表3所示。从表3中可以看出，部分结果经检验呈现出不同程度的显著，依此可知，外部环境对不同省域的环境投入松弛变量有一定的显著作用。因此，为了有效剥离管理因素和随机因素，对投入变量进行第二阶段的调整则显得相当重要。

在考察环境变量对投入松弛变量所带来的影响时，若系数结果是正值，则意味着环境变量值的上升将会带来投入松弛变量的增长或产出降低，导致浪费增加，对环境效率产生不利影响。若结果是负值，表明此环境变量的上升将带来投入松弛变量的缩小或产出增加，产生节约现象，对环境效率产生正影响。下面分析对投入松弛变量有显著影响的环境变量：

（1）人口密度。计算结果表明，人口密度对能源和劳动力的投入松弛变量的回归系数均为正值，且均通过了1%的显著水平检验。这说明了人口密度的增加会导致能源和劳动力投入松弛变量的增加，意味着能源、劳动力资源未得到充分利用，从而对环境效率产生不利的影响。

（2）实际人均GDP。计算结果表明，实际人均GDP与能源、劳动力和资本投入松弛变量的回归结果都是正值，且与资本投入松弛变量的回归系数在1%显著水平下显著。这就是说实际人均GDP对能源与劳动力的投入冗余带来的影响是不显著的，但实际人均GDP的上升将会带来资本投入松弛变量的增加，从而降低资本的利用效率。这主要是由于人均GDP的增加对资本利用效率的影响存在门槛效应，当低于门槛值时，人均GDP的增加将无法对资本利用效率的提升产生正影响，从而对环境效率带来不利影响。

（3）城市化水平。计算结果表明，城市化水平同劳动力、资本投入松弛变量的回归结果都是负值，同时也均通过1%显著水平检验。这说明了城市化水平的提高将使得劳动力及资本的投入松弛变量减小，从而产生节约现象，对环境效率带来正影响，这与实际相符合。城市化水平的推进，虽然会增加劳动力和资本的投入，但通过规模效应和聚集效应可以更合理的配置投入资源，提高投入资源的使用效率；同时还可以通过产业集聚和人口集聚提高集中排污、集中污染治理能力，降低治污成本，有效缓解生态环境压力。

（4）外贸依存度。回归结果表明，外贸依存度与能源、资本及劳动力投入松弛变量的回归结果都是负值，且均在1%显著水平下显著。这说明外贸依存度的增加将会带来能源、劳动力和资本投入冗余的减少，产生节约现象，从而对环境效率产生影响。出现此种结果的原因可能是，近年来，我国的加工贸易比重实现了高速度、跨越式发展，外贸依存度的增长对能源、劳动力及资本的影响已突破了门槛值的限制，呈现出积极的正向影响。

（5）外资开放度。回归结果表明，外资开放度与能源和资本的投入松弛变量的回归结果为负值，与劳动力投入松弛变量的回归系数为正值，且均在1%水平下显著。这说明外资开放度的增加将会导致能源与资本的投入松弛变量的减少、劳动力投入冗余的增加，从而产生能源与资本资源的节约、劳动力资源的浪费现象。

（6）产业结构。计算结果表明，产业结构与能源、劳动力和资本投入松弛变量的回归系数均为正值，且均在1%显著水平下显著。由此可知，第二产业比重的增加将会带来能源、劳动力及资本投入松弛变量的增加，造成浪费现象。而在同一显著水平下，产业结构与能源和资本投入松弛变量的回归系数要远大于与劳动力投入松弛变量的回归系数，这充分说明了能源与资本的利用效率受第二产业比重的影响更大，这主要是由于我国还处于发展中国家阶段，技术创新能力不高，能源与资本的利用效率较低，第二产业比重的增加势必会带来环境效率的降低，这与实际相互吻合。

（7）政府规划。计算结果表明，政府规划与能源投入松弛变量的回归系数为正值，与劳动力、资本投入松弛变量的回归系数为负值，并且三个结果系数均在1%水平下显著。这意味着政府环境治理投资的增加与能源、劳动力及资本投入松弛变量的变化有很大的相关性。而其与能源投入松弛变量的回归系数为正相关关系，这说明政府环境治理投资明显滞后于环境的污染，即当出现严重的环境污染后，政府才会增加环境治理投资，从而出现被动治理现象。同时，环境治理投资较多用于环境污染的末端治理，而在清洁能源生产、能源效率提升等前端防控投入却相对不足。endprint

（8）科技水平。计算结果表明，科技水平与能源、资本投入松弛变量的回归系数为负值，与劳动力投入松弛变量的回归系数为正值，同时三个结果系数均在1%显著水平下严格显著，这说明科技水平的提高能带来能源与资本效率的提高，却无法实现劳动力使用效率的提高。首先，科技创新水平的提高，这无疑意味着对我国资本配置效率的提升有着显著作用；同时，随着先进能源利用技术、清洁能源技术的运用，势必会提高能源利用效率，带来能源的大量节约。因此，科技水平对能源和资本投入的影响与实际情况相吻合。其次，随着科技水平的提升，机器设备更新加速，劳动生产率与科技水平将呈同步提升趋势，但科技水平与劳动效率未必呈同步发展趋势，这是因为劳动效率的提升不仅取决于我国从业人员整体文化素质水平，还取决于经济、体制机制、宏微观管理、劳动者的积极性等诸多因素，这与Luo[19]等，辛波[20]等，Yin[21]的结论一致。

基于上述剖析易知，环境变量对不同的投入松弛变量产生的影响程度因区域而异。因为外部环境因素的作用，可能会使得不同环境下的地区在环境绩效上表现出较大的偏差。所以，需对原来的投入变量进行调整，将环境与随机因素的作用成分去除，从而保证各地区处在同样的外部环境条件中，进而探索其环境效率的实际水平。

4.3 第三阶段投入调整后的DEA实证结果

在此阶段，依照式（4）对投入变量进行修正，借助软件DEAP2.1，把新的投入数据与原产出量一同放入BCC模型，重新测算出不同决策单元的效率水平，具体结果如表4所示。

通過一、三阶段的结果比较可发现，去掉外部环境与随机因素的作用后，不同省市的环境效率出现了较大的改变，调整后的综合环境绩效水平高于调整前的水平值，且呈上升趋势。其中，调整后的全国平均规模效率值明显低于其平均纯技术效率值；全国平均纯技术效率比调整前整体上有较大提升；同时，调整后的规模效率水平呈上升趋势，虽依旧低于调整前的水平值，但两者间的差值在不断缩小。由此可知，在剔除环境与随机因素的影响后，由于规模效率水平的不足，导致了综合环境效率水平的提升出现了困难，即意味着环境效率的提升主要受到规模效率水平不高的制约。

从调整前后技术有效前沿面角度来看，综合技术有效的省市数的总量始终保持在0～3个之间，在2006年，综合技术效率达到有效值的省市数量调整前后均为2个，而到2015年，环境效率达到技术效率前沿面的省市数量则为3个。

从环境绩效水平调整前后来看，绝大部分省份处于规模收益递增行列，极少部分处于规模收益不变或递减行列。而对于规模收益不变的省份数量而言，调整后除了2006年、2009年和2014年等于调整前数量，2007年多于调整前数量之外，其余年份均少于调整前数量，但变化数量并不大。对于规模收益递增的省份数量而言，调整后除了2006年与2009年等于调整前数量、2007年少于调整前数量外，其余年份均多于调整前数量。对于规模收益递减的省份数量而言，调整后除2006—2010年外，其余年份均少于调整前数量。这说明外部环境因素成为了各省市规模扩大的关键限制因素，大多省市依旧可采取扩大要素投入规模的路径来实现环境效率状况的改善。此外，由表5可知，VRS有效数在调整后的数据变化趋势上更趋平缓；调整后的综合技术效率达到规模有效的省份数量整体变化不大，但各年份的综合技术效率却有明显上升，这说明环境和随机因素对环境绩效水平的影响较大。

4.4 基于Bootstrap方法的区域环境效率调整前后比较分析

为了验证评价结果的稳健性，基于Bootstrap方法，利用SPSS22.0软件测算投入调整前后全国整体及不同区域各项效率的平均值以及效率的置信区间，可进一步提高效率测算的可靠性，此处设置Bootstrap次数B为1 000。结果如表6、表7和表8所示。

从表6、表7和表8可以看出，全国环境绩效与平均纯技术效率在调整后有明显的上升，平均规模效率则明显下降，由此带来了我国环境的平均综合效率的变化，各个经济区域变化情况如下：

东部地区：排除环境与随机因素作用后，中国东部环境的平均综合效率在95%和90%两种类型区间上变化均比较明显，即有明显的上升。东部地区平均纯技术效率均值从0.847 1增加到0.989 8，平均规模效率值则由0.989 5降到了0.887 1。据此可得，该区域的纯技术效率的平均水平被低估了，相应的规模效率的平均水平被高估了，进而区域的平均综合技术效率出现被低估的结果。此外，还可以看出环境变量对我国东部地区环境效率的影响主要体现在环境绩效的纯技术效率水平方面。

中部地区：排除环境与随机因素影响后，该地区的平均纯技术效率和平均规模效率均有所变动。平均纯技术效率由原来的0.757 9上升到了0.995 8，平均规模效率则由0.980 5下降至0.769 1，由此导致其平均综合效率从0.743 5提高到了0.766 0。据此可知，在环境变量的作用下，中部的纯技术效率的平均水平被低估，而平均规模效率水平则被高估，由此造成了中部地区的环境总效率水平被低估。由变化幅度大小可以看出，其环境变量对中部区域环境效率的影响关键是通过其纯技术效率来实现的。

西部地区：排除环境与随机因素作用后，西部地区的平均纯技术效率由原来的0.787 8上升至0.992 0，其平均规模效率由0.983 1下降至0.855 1，由此导致其平均综合效率从原来的0.787 8增加到了0.848 0。依此易知，环境因素的作用使得此区域纯技术效率的平均水平出现被低估的结果，而规模效率相应的平均值被高估，由此使得此区域的综合效率的平均水平被低估。同理可知，环境变量对西部环境效率的影响也是主要通过纯技术效率水平来实现的。

从全国来看：剔除环境因素和随机因素影响后，全国平均综合效率明显提高，由0.790 8上升到0.835 4，造成这一结果的原因在于三大经济区域的综合环境效率水平均受环境因素影响较大所致。endprint

综上，环境变量对我国三大经济地区的环境绩效均有所影响，并主要是通过各地区的纯技术效率来影响的。

5 结论及建议

研究结果发现：①剔除随机误差因素和外部环境因素影响后，我国东部、中部、西部及全国各省市的环境效率水平均发生了较大的变化。调整后，全国的平均规模效率值远低于平均纯技术效率值，且全国平均综合技术效率与其平均规模效率在发展水平及趋势上是一致的；全国、东部、中部和西部地区的平均纯技术效率都在不同程度上被低估，平均规模效率则在不同程度上被高估，但后者的幅度小于前者，這使得平均环境效率水平均被低估。可见，环境因素和随机误差因素主要通过影响纯技术效率的方式来影响环境效率的，此类因素的存在将会影响真实环境效率的测度，因此，采用三阶段DEA模型评价我国各省市的环境效率是合理且必要的。②我国三大区域的真实环境效率水平存在明显的空间不平衡现象。2006—2015年，东部、中部和西部地区均呈上升趋势，东部、中部地区上升幅度较大，西部地区则呈缓慢上升趋势。在2006—2007年期间，环境效率值的大小依次为“西部地区>东部地区>中部地区”；在2007—2015年期间，环境效率大小依次为“东部地区>西部地区>中部地区”。③环境因素和随机误差因素对环境效率产生了显著影响。人口密度、实际人均GDP的增加，都会对环境产生不利的影响；城市化水平与外贸依存度的提高会对环境产生正影响；外资开放度、科技水平的增加会提高能源和资本的利用效率，产生节约现象，同时也会导致劳动力投入冗余的增加，从而产生浪费现象，对环境效率产生负影响；环境治理投资占比的上升能带来劳动力与资本利用效率提升，却无法实现能源利用效率的提升，说明环境治理投资明显滞后于环境污染，存在着被动治理的现象；第二产业比重的增加将会带来能源、劳动力及资本投入松弛变量的增加，造成浪费现象，对环境产生不利影响。④规模收益的变动受环境和随机因素的影响比较明显，绝大部分省份处于规模收益递增行列，极少部分省市处于规模收益不变或递减行列。

鉴于我国省际地区及全国的环境效率情况，本文提出以下六点政策建议：①优化产业结构。切实做好第二产业的节能减排，提质增效工程，提高产业科技创新能力，逐步实现以第二产业为主导向以第三产业为主导的调整，优化产业结构比例，并借助“一带一路”战略，积极实施产业转移。②适度增加环境污染治理投资规模，提高企业污染排放成本。转变“先污染后治理”模式，走“在发展中保护，在保护中发展”之路、实现发展与环保的双赢，推进生态文明建设。同时，鼓励企业发展以技术创新为核心的前端预防路径，从本质上提高能源使用效率，降低环境污染排放程度。③针对规模收益变化情况，不同省份应选择不同的发展方式。对于我国规模收益处于递增的省市，可选择采取扩大要素投入规模的路径来实现其环境效率的改善；而对于调整后呈现出规模收益递减的地区，应优化其资源的合理配置，提高利用效率，走内涵式发展道路，从而提高其环境效率。④切实提升企业生产技术创新能力和环境污染治理技术创新能力，实现能源的节约和污染排放的减量化。具有自主创新能力的企业须重视能源高效利用技术、先进生产工艺、废弃物循环利用技术的研发与创新，加强环境污染治理的前端预防。缺乏自主创新的企业应积极引进先进设备和生产工艺，加强产学研合作，降低能耗，减少污染排放。⑤规划发展城市群，提高新型城镇化水平与环境治理效率。对于人口基数大、处于工业化中后期阶段的现实国情而言，发展城市群不仅可通过人口集聚和产业集聚，集中优势资源发展经济，还可以提高集中排污、集中治理效率，降低治污成本，实现城镇化和环境效率的共同改善。⑥进一步深化对外开放程度，提高外贸依存度。各地区应实施更加主动的开放战略，完善对外开放体制机制，增强外资引进力度，不断提升经济开放水平。

参考文献（References）

[1]FARE R， GROSSKOPF S， LOVELL C A K，et al. Multilateral productivity comparisons when some outputs are undesirable： a nonparametric approach[J]. Review of economics and statistics， 1989， 71（1）： 90-98.

[2]ZAIM O， TASKIN F. A Kuznets curve in environmental efficiency： an application on OECD countries[J]. Environmental & resource economics， 2000， 17（1）： 21-36.

[3]KHANNA M， KUMAR S. Corporate environmental management and environmental efficiency[J]. Environmental & resource economics， 2011， 50（2）： 227-242.

[4]TAO F， LI L， XIA X H. Industry efficiency and total factor productivity growth under resources and environmental constraint in China[J]. The scientific world journal， 2012（2）：134-141.

[5]LIN E， CHEN P Y， CHEN C C. Measuring the environmental efficiency of countries： a directional distance function metafrontier approach[J]. Journal of environmental management， 2013， 119（1）： 134-142.endprint

[6]王兵，吴延瑞，颜鹏飞.中国区域环境效率与环境全要素生产率增长[J].经济研究， 2010（5）： 95-109.[WANG Bing， WU Yanrui， YAN Pengfei. Environmental efficiency and environmental total factor productivity growth in Chinas regional economies[J]. Economic research journal， 2010（5）： 95-109.]

[7]ZHANG N， CHOI Y. Environmental energy efficiency of Chinas regional economies： a nonoriented slacksbased measure analysis[J]. Social science journal， 2013， 50（2）： 225-234.

[8]CHANG Y T. Environmental efficiency of ports：a Data Envelopment Analysis approach[J]. Maritime policy & management， 2013， 40（5）： 467-478.

[9]胡达沙，李杨.环境效率评价及其影响因素的区域差异[J].财经科学，2012（4）：116-124.[HU Dasha， LI Yang. Assessment of environmental efficiency and regional distinction of its influencing factors[J]. Finance & economics， 2012（4）： 116-124.]

[10]宋马林， 王舒鸿， 邱兴业. 一种考虑整数约束的环境效率评价MOISBMSE模型[J].管理科学学报， 2014， 17（11）： 69-78.[SONG Malin， WANG Shuhong， QIU Xingye. Environmental efficiency evaluation MOISBMSE model considering integer constrains[J]. Journal of management sciences in China， 2014，17（11）： 69-78.]

[11]黄永春，石秋平.中国区域环境效率与环境全要素的研究——基于包含R&D投入的SBM模型的分析[J].中国人口·资源与环境，2015，25（12）：25-35.[HUANG Yongchun， SHI Qiuping. Research on environmental efficiency and environmental total factor productivity in Chinas regional economies[J].China population， resources and environment， 2015，25（12）： 25-35.]

[12]FRIED H O， LOVELL C A K，SCHMIDT S S， et al. Accounting for environmental effects and statistical noise in data envelopment analysis[J]. Journal of productivity analysis， 2002， 17（1/2）：157-174.

[13]JONDROW J，LOVELL C A K， MATEROV I S， et al.On the estimation of technical inefficiency in the stochastic frontier production function mode[J]. Journal of econometrics， 1982， 19（2-3）： 233-238.

[14]WATANABE M， TANAKA K. Efficiency analysis of Chinese industry： a directional distance function approach[J]. Energy policy， 2007， 35（12）： 6323-6331.

[15]楊俊，邵汉华，胡军.中国环境效率评价及其影响因素实证研究[J].中国人口·资源与环境，2010，20（2）：49-55.[YANG Jun， SHAO Hanhua， HU Jun. Empirical study on evaluation and determinants of environmental efficiency of China[J].China population， resources and environment， 2010，20（2）： 49-55.]

[16]沈能，王群伟.考虑异质性技术的环境效率评价及空间效应[J].管理工程学报，2015，29（1）：162-168.[SHEN Neng，WANG Qunwei.Environmental efficiency evaluation and spatial effect taking account of technology heterogeneity[J].Journal of industrial engineering and engineering management，2015，29（1）：162-168.]

[17]FARE R， GROSSKOPF S， SHAWNA G. Modeling undesirable factors in efficiency evaluation[J]. European journal of operational research， 2004， 157（1）： 242-245.

[18]ANTONIO A， LUDGER S， VITO T. Public sector efficiency： evidence for new EU member states and emerging markets[J]. Applied economices，2010， 42（17）： 2147-2164.

[19]LUO L W，LIANG S R.Study on the efficiency and regional disparity of green

technology innovation in Chinas industrial companies[J].Chinese journal of

population，resources and environment，2016，14（4）：262-270.

[20]辛波，高彬，刘浩.城镇化的经济与环境溢出效应分析及新型城镇化的路径选择

——以山东省为例[J].经济与管理评论，2015（6）：141-148.[XIN Bo， GAO Bin，LIU Hao. Analysis of urbanizations economic and environment overfloweffect and a path selection to new urbanizationtaking Shandong Province as an example[J].Review of economy and management，2015（6）：141-148.]

[21]YIN C B.Environmental efficiency and its determinants in the development of

Chinas western regions in 2000-2014[J]，Chinese journal of population，resources

and environment，2017，15（2）：157-166.endprint