中国地区生态效率的空间特征及收敛性分析

吴 昊,车国庆

(吉林大学 东北亚研究中心， 吉林 长春 130012)

一、 引 言

中国经济自改革开放以来，经济增长取得了举世瞩目的伟大成就。但长期以来“粗放型”增长模式，造成了严重的环境污染，使得已有发展模式难以为继。加快中国经济增长方式的绿色转型，实现经济的可持续发展已迫在眉睫。Schmidheiny和Zorraquin(1996)[1]首次提出“经济-生态效率(简称生态效率)”这一概念，反映企业、产业或地区经济在生产活动中降低环境影响或减少自然资源消耗的能力。Picazo-Tadeo等(2012)[2]指出生态效率可以为环境政策的制定及管理战略实施提供重要的依据。国内外学者围绕如何测算生态效率进行了大量的研究。其研究思路是将资源要素和环境要素作为投入，*也有一些研究将环境变量作为非合意产出，进行环境效率的评价。但究竟是应该环境变量作为投入还是产出，目前学术界并未得到一致结论(Dyckhoff和Allen, 2001；Seiford和Zhu, 2002)[3-4]。经济增加值或经济总产值作为产出，借助数据包络分析方法(Data Envelopment Analysis，DEA)测算生态效率。例如，Korhonen和Luptacik(2004)[5]在包含非阿基米德无穷小量的C2R模型基础上，构建了六种衡量生态效率的DEA模型，并对24个欧洲地区火力发电站的生态效率进行了评价研究。Kuosmanen和Kortelainen(2005)[6]认为如何先验给定一个客观的权重系数是计算生态效率的关键性问题，但也是一个非常难以解决的问题；DEA方法可以有效避免主观权重赋值问题，所以相比其他的一些综合评价方法，DEA方法是测算生态效率最为合理的工具。Zhang等(2008)[7]运用包含合意产出和非合意产出的C2R模型，测算了中国2004年30个省级地区的工业生态效率。Picazo-Tadeo等(2011)[8]运用包含松弛变量的环境DEA模型对西班牙雨水灌溉农业系统的171个农场的生态效率进行了测算。张炳等(2008)[9]将污染物排放量作为非期望产出，利用C2R和BC2模型研究了杭州湾精细化工园区的化工企业生态效率。Kortelainen(2008)[10]利用在静态DEA生态效率测算模型的基础上，提出了动态生态效率测算方法。杨文举(2009)[11]利用动态生态效率DEA模型研究发现，中国工业发展过程中环境技术无效是一个普遍的现象，地区之间在环境绩效方面的差异在不断扩大。张炳等(2009)[12]将经济生产过程中所产生的“三废”和二氧化碳分别作为非期望产出或非期望投入构建两种DEA模型，测算江苏省1990-2005年的生态效率，研究发现两种评价方法的结果是一致的。

随着研究的逐步深入，研究发现单纯利用传统DEA模型进行生态效率的评价存在着诸多不足。一些学者提出经典的DEA模型在实际应用中会出现多个评价单元的效率值为1，无法近一步分析和判别，而利用超效率DEA模型可以有效解决这个问题。王恩旭和武春友(2011)[13]运用超效率DEA模型分析了中国地区生态效率的演变。付丽娜等(2013)[14]利用超效率DEA模型测算2005-2010年长株潭“3+5”城市群区域的静态和动态生态效率。成金华等(2014)[15]运用超效率DEA模型对2000-2011年中国30个省份的生态效率进行测算。陈浩等(2015)[16]同样是利用超效率DEA模型测算2003-2011年中国32个资源型城市的生态效率，并分析生态效率的影响因素。孙欣等(2016)[17]利用超效率DEA模型和Malmquist-Luenberge指数法对长江经济带及上中下游2003-2013年生态效率进行评价。

还有研究认为DEA模型并没有考虑到外部环境和随机误差对评价结果的影响，评价结果并不能反映出评价单元真实客观的效率状态。邓波等(2011)[18]利用三阶段DEA方法，测算了中国2008年30个省级行政辖区的生态效率，研究结果发现外部环境和随机因素对生态效率存在显著的影响。张煊等(2014)[19]认为在生态效率的测算中应该考虑生态系统作为一个复杂系统的结构性和依赖性，并基于矩阵型结构的网络DEA模型测算了中国省级行政辖区2007-2012年的生态效率。查建平和王挺之(2015)[20]发现，在生态效率的DEA评价中，如果模型中投入和产出向量之间具有显著的相关性，那么这种相关性会造成评价结果的严重失真。为了克服这一缺陷，程晓娟等(2013)[21]基于PCA-DEA组合模型对中国煤炭产业2001-2010年的生态效率进行评价，研究结果发现中国煤炭产业生态效率存在显著的无效率状态。王敏和张晓平(2015)[22]同样是利用PCA-DEA组合模型对中国2004-2012年30个省级行政辖区的生态效率进行测算，研究发现中国总体生态效率相对较低。汪克亮等(2016)[23]指出当评价单元数目有限，造成数据稀疏无法构建光滑的生产前沿面，将导致无法计算生态效率的问题，解决这一问题的方法是利用视窗分析法，改进DEA模型。

本文认为利用DEA方法测算生态效率，除了上述文献中所指出的不足之外，现有研究忽视了两个问题。第一问题就是在进行生态效率测算中，往往假设评价单元之间的技术水平具有同一性，忽视了技术异质性(Technological Heterogeneity)的存在。近年来，这一假设的合理性受到了学术界的广泛质疑(De Koeijer等，2002[24]；Picazo-Tadeo等，2011[8]；Beltran-Esteve等，2014)[25]。第二问题就是Simar和Wilson(1999)[26]以及Kneip等(2011)[27]指出DEA模型作为效率估计方法，从统计性质来看：在有限样本情况下，估计结果具有显著的偏误，并且这种偏误在大样本情况下依然不会趋于零。针对这两个问题，本文认为利用共同前沿方向距离函数和Bootstrap-DEA纠偏方法是改进现有生态效率DEA测算方法的重要途径。因为通过共同前沿方向距离函数可以控制技术异质性对测算结果带来的影响，放松传统DEA模型中要求技术具有同一性的不合理假设。同时利用Bootstrap-DEA纠偏方法针对其统计偏差对测算进行纠偏处理，获得统计性质更佳的估计结果。本文的第一个创新之处在于尝试利用共同前沿方向距离函数和Bootstrap-DEA纠偏方法测算中国地区生态效率。同时关于生态效率的收敛性检验对于进一步了解生态效率动态演变具有重要的理论价值，而且具有异常丰富的政策含义。但是目前关于地区生态效率收敛性的研究中，虽然有研究发现生态效率具有显著的空间相关特征，但是在检验方法的使用上并没有注意到生态效率空间特性所带来的问题，往往是利用一般的σ检验方法和绝对β收敛工具检验地区生态效率的收敛性特征。研究中忽略了由于地区禀赋、产业结构、经济发展水平的不同，地区生态效率以条件β收敛形态存在的可能。所以本文的第二个创新之处在于利用动态空间面板模型对中国地区生态效率的条件β收敛性特征进行系统分析和检验。

二、 共同前沿方向距离函数及生态效率纠偏估计

(一) 方向距离函数和共同前沿技术

假设对k=1,…,K个地区经济-环境绩效进行考察，对于每个地区其经济增加值为v，同时在生产过程中产生了n=1,…,N种环境压力，并且可以用向量p=(p1,p2,…,pn)刻画。借鉴Kuosmanen和Kortelainen(2005)[6]和Picazo-Tadeo等(2011)[8]的研究思路，将考察各地区的环境压力及经济增加值所有可能组合，用一个集合来刻画，这就是所谓的“共同环境压力产生技术集合(Pressure Generating Metatechnology Set, PGMT)”，即：

(1)

在集合PGMT的基础上，可以利用所谓的“共同环境压力要求技术集合(Pressure Requirement Metatechnology Set, PRMS)”描述环境压力下的共同技术。*Picazo-Tadeo等(2012)[2]认为环境压力下的共同技术满足如下的一些性质：(1)经济增加值生产的过程中必然伴随着对环境的压力；(2)经济增加值作为产出具有自由可处置性；(3)环境压力下的共同技术集合具有凸性。PRMS集合包含了给定经济增加值v下所有可能的环境压力p=(p1,p2,…,pn)的组合，即：

PRMS(v)={p|(v,p)∈PGMT}

(2)

按照Kuosmanen和Kortelainen(2005)[6]，将生态效率定义为经济行为中经济增加值和环境压力之比，即：

(3)

Saez-Fernandez等(2012)[28]所提出的“方向共同距离函数(Directional Metadistance Function, DMF)”运用到上述生态效率的分析中，可得如下的方向共同距离函数：

(4)

其中方向向量g=(gv,-gp)刻画了经济增加值与环境压力的变化方向，β为经济增加值与环境压力通过同比例增加或缩减达到生产边界的最大可行数量。方向性距离函数值越大表明评价地区和生产边界的距离越远，当结果为零时，表示该评价地区处于生产边界上，此时的方向向量变为：

gall=(gv,-gp)=(0,-p)

(5)

与之对应的方向共同距离函数为：

(6)

(二) 群组边界

首先，假设决策单元可以分为H(H>1)个群组，由第h(h=1,2,…,H)个群组包含的环境压力要求共同技术集合可以表述为：

(7)

群组h的环境压力要求共同技术集合为：

PRSh(v)=[p|(v,p)∈PGTh]

(8)

相应地，群组环境压力要求技术集合和共同环境压力要求技术集合的方向距离函数分别可以表示为：

(9)

(10)

(三) 基于共同前沿技术的生态效率估计及Bootstrap纠偏

在前述定义的基础上，Beltran-Esteve等(2014)建议利用非参数DEA方法估计群组内部和共同前沿下的生态效率值[25]。具体非参数DEA模型如下：

(11)

zk≥0,k=1,2,…,K

(12)

zk≥0,k=1,2,…,K

非参数DEA方法作为一种有效性的估计方法，从统计性质的角度上看，存在着一定的不足。DEA效率估计结果从大样本角度并不具有一致性。所以应该在DEA效率估计结果基础上进行Bootstrap纠偏处理，以获得可信的估计结果。本文后续的实证分析中也将利用Bootstrap方法对由(11)式和(12)式获得的群组内部和共同前沿下的生态效率进行纠偏处理，降低DEA效率估计结果的偏误，获得更加可信、准确的估计结果。

三、 中国地区生态效率测算及空间相关性特征分析

(一) 样本及变量

由于统计数据的缺失，本文剔除西藏选择了中国内地的30个省级行政辖区(包含直辖市、自治区)2006-2016年的面板数据作为测算地区生态效率的样本。按照前述测算生态效率的思路，本文将环境污染排放和自然资源消耗均视为“环境压力”，环境压力是投入变量，而选择将经济增加值作为产出变量。为了保证计算的可比性和客观性，对投入变量和产出变量进行了相关处理。借鉴现有研究结果，本文以各省级行政辖区的GDP作为地区经济增加值的反映。为了剔除价格因素对于计算结果的影响，本文将名义GDP利用定基比价格指数调整为实际GDP。本文具体选择了能源消费总量、用水总量、化学需氧量(COD)排放量及SO2排放量，反映在经济发展过程中，资源的消耗及环境的影响。数据来源于相关年份的《中国统计年鉴》《中国环境统计年鉴》《中国能源统计年鉴》。

(二) 测算结果

利用共同前沿方向距离函数和Bootstrap-DEA纠偏方法，本文计算了中国2004-2016年30个省级地区的生态效率，结算结果列于表1中。

表1 地区生态效率测算结果*利用R软件包-FEAR计算得到(美国Clemson大学Wilson教授于2013年开发)。

表1的计算结果表明：近年来中国生态效率水平依然较低，许多省份的生态效率低至0.50以下，还有一些省份的生态效率甚至低至0.20以下。具体而言，北京、上海、浙江、广东、天津和江苏6个省份的生态效率大多在0.60以上，福建和山东两省也几乎一直在0.50以上，而其他22个省份的总体生态效率均在0.50以下，其中海南、河南、安徽、陕西的总体生态效率水平位于0.40～0.50之间，河北、黑龙江、内蒙古、吉林、辽宁、湖北、湖南、江西、内蒙古、四川、重庆、云南的总体生态效率水平位于0.30～0.40之间，而余下7个省份的总体生态效率水平则位于0.30以下，且青海和宁夏两地区的整体生态效率水平还不到0.20。由此可见，中国各省份的整体生态效率水平不仅较低而且还存在着严重的地区差异性，且通过比较来看，经济发达省份的生态效率水平较高，而经济欠发达地区的生态效率水平则较低。应该说，这样的结果也说明了生态效率与经济发展之间的关系：经济发达省份的相对资源利用效率更高，环境保护政策实施也更为有效；而对于经济欠发达的省份来说，由于受到管理和技术等多方面因素的限制，实现经济增长的同时，也伴随着资源消耗过大、环境污染严重的问题。

为了进一步分析生态效率的区域差异性，本文将中国30个省级地区按照传统标准划分为东部、中部和西部三大区域。从三大区域生态效率均值来看，东部地区的整体生态效率均值(0.58)要远高于中部地区(0.37)和西部地区(0.35)，也高于全国平均水平(0.44)，而中部地区和西部地区的整体生态效率均值水平相差不大，但都低于全国平均水平。这一结果进一步验证了前文关于生态效率与经济增长之间关系的论证，因为生态效率水平排名较高的省份大多属于东部地区，而东部地区也大多属于经济发达省份。对于中部和西部地区来讲，受地理位置、经济基础、交通、开放水平以及历史等多方面的影响，在经济增长进程中过多地体现了粗放型的增长方式，加之资源节约和环境保护的技术和管理水平低下，使得其生态效率水平显著低于东部地区。但从这一结果中也不难看到，尽管东部地区生态效率水平相对于中部地区和西部地区而言较高，但从绝对水平上看依然较低。从测算结果看，对于东部地区生态效率来说存在着42%的改进潜力和空间。也就是说，在保持目前经济发展水平不变的情况下，东部地区能源消耗、用水总量及SO2和COD排放可以减少42%。而中部地区和西部地区来讲这个潜力和空间则更大。这反映了中国经济增长转型中，不断提高地区生态效率，对于中国减少能源消耗和减低对环境影响是具有重大意义的。

另外，从变化趋势上看，尽管在2006-2010年间，全国及三大区域的整体生态效率均值在总体上看呈上升的趋势，并在2010年达到最高点，但自2010年以来，三大区域的整体生态效率不但没有进一步的改善，反而逐年下降，东部地区整体生态效率均值由0.63下降至0.56、中部地区整体生态效率均值由0.42下降至0.37、西部地区整体生态效率均值由0.38下降至0.34。造成这一结果的原因或许与后经济危机时期经济发展的应对措施有关。

为了进一步探究生态效率低下的根源，本文将整体生态效率分解为群组生态效率和技术差异率(见表2-表4)，以此来考察生态效率的缺失是缘于管理方面的因素还是技术方面的因素。

表2 东部地区生态效率分解结果

首先来分析东部地区各省份生态效率的分解结果。从表2的计算结果可以看到对于东部各省份而言，从总体上看，技术差异率呈下降趋势、群组生态效率呈上升趋势，且近年来群组生态效率高于技术差异率。群组生态效率反映的是管理方面的因素，即制度安排、环境管理、资源配置等除纯技术以外的因素对生态效率的影响。技术差异率则反映了降低能耗、减少污染排放的新技术和新工艺(环境创新技术)等方面的因素对生态效率的影响。从东部地区的分解结果可以看到东部各省份生态效率低下的原因不是由纯技术方面的因素所造成的，而是管理方面的因素。

表3 中部地区生态效率分解结果

从表3可清晰看到，对于中部地区的各省份而言，群组生态效率非常高，接近于1，但技术差异率却十分低。这样的结果表明，中部地区各省份在管理方面日趋成熟，但相对于成熟的管理水平，其技术水平却相距甚远，且通过比较技术差异率的变化趋势可知，各省份还有略微下降的趋势。因此，由这一结果可知，中部地区各省份生态效率的低下主要是由纯技术方面的因素所造成的。

再来看西部地区各省份生态效率的分解结果。由表4可知，对于西部地区的各省份而言，大多数省份无论是群组生态效率还是技术差异率水平均比较低，尽管从总体上看近年来群组生态效率高于技术差异率，但大多数距离资源环境技术前沿的差距都很大，因此本文认为西部地区各个省份生态效率的低下是由技术和管理两方面的因素共同造成的。

从群组生态效率上看，中部地区一直远高于西部地区和东部地区，而自2010年以来，西部地区也高于东部地区；从技术差异率上看，东部地区高于中部、西部地区，而西部地区高于中部地区。这样的结果表明，对于东部地区来讲，相对于其较高的技术水平，管理方面的因素严重制约了其生态效率的提升，且这种影响有不断加大的趋势。因此，为节能减排创造良好的外部环境、加大环保力度、进一步改善相关的制度设计、提高环保意识等应该成为东部地区各省份工作的重心；对于中部地区来讲，相对于其较高的管理水平，技术方面的因素严重阻碍了生态效率的提升(技术差异率甚至低于西部地区)，因此，提升节能环保技术、更新改造设备、推进产业结构调整和升级等应该成为中部地区各省份工作的重心；而对于西部地区来讲，由于经济发展相对落后，相较于东部成熟的技术水平和中部完善的管理水平，西部地区在这两方面都很欠缺，因此对于西部地区各省份而言要双管齐下，同时做好技术和管理两方面的因素，以缩小与东部和中部地区的差距。

表4 西部地区生态效率分解结果

(三) 空间相关性检验

全域空间相关性又称全域空间自相关(Global Spatial Autocorrelation)，是指从区域空间的整体上刻画地区生态效率空间分布的集群情况。Moran’s I 定义如下：

(13)

注:*、**、***表示在10%、5%、1%显著性水平下显著。

由表5可以看出，2006-2016年各个年份中的Moran’s I指数均显著，且Moran’s I指数均为正值，表明我国地区生态效率在考察年份在空间分布上具有显著的相关性特征。

四、 中国省际生态效率收敛性的动态空间计量分析

(一) 检验模型的设定

本研究将利用动态空间计量模型考察中国省级生态效率的β条件收敛特征，考虑到前述中国地区生态效率具有明显的空间相关性，借鉴收敛性检验的Barro方程(Sala-i-Martin，1996)[30]，本文设定如下的检验模型：

EEit=αi+ρW×EEit+βEEit-1+γTXit+εit

(14)

其中，EEit表示第i个地区时间t的生态效率，Xit表示第i个地区时间t的控制变量，W是空间加权矩阵(本文以规范化的4阶最近点空间权重矩阵方法构建空间权重矩阵)，αi为地区的个体效应项，εit是模型的误差项。系数ρ表示空间滞后回归系数，系数β刻画了模型中生态效率的收敛性特征。根据现有相关研究(于伟和张鹏，2016；李小胜等，2014)[31-32]，区域城市化水平(URB)、产业结构(IND)、地区开放度(OPE)和市场化程度(MAR)均能够影响生态效率。本文选取上述因素作为分析β条件收敛的条件变量。具体来说，本文选择各个地区的城镇就业人口与总人口的比重来衡量地区的城市化水平；第三产业总产值与地区GDP的比重衡量地区的产业结构水平；商品进出口总额占地区GDP的比重衡量地区的开放程度；利用王小鲁等(2017)[33]和樊纲等(2010)[34]给出的省级行政辖区(包含直辖市、自治区)的市场化指数衡量地区的市场化程度，其中缺少2015、2016年的市场化指数，考虑到这两年中中国市场发展状况没有大的变动，所以本文运用趋势外推法获得。数据样本跨度为2006-2016年，数据来源为相关年份的《中国统计年鉴》《中国分省份市场化指数报告(2016)》《中国市场化指数——各地区市场化相对进程(2009)》。

(二) 检验模型的估计

本文对检验模型(14)的估计采用了Lee和Yu(2014)[35]提出的固定效应的动态空间面板的GMM估计。为了模型可以被识别，对模型施加规范化条件。否则模型的参数不具有统计推断的唯一性，无法进行识别。为了避免在估计过程中出现“偶发参数问题(The Incidental Parameter Problem)”，通过所谓的Helmert变换，去除模型中的个体效应。在现有的一些应用研究中，将Helmert变换后的模型直接进行最大似然估计。但最大似然估计存在两方面的缺陷。第一就是变换后的被解释变量不具有一个定义完备的空间自回归结构，使得在具体估计中难以获得正确的似然函数形式。第二就是Helmert变换后的模型由于解释变量和扰动项存在着相关性，即内生性问题。内生性将导致无法获得参数的一致估计，极大地降低了参数统计推断的有效性。所以本文在对模型进行Helmert变换后，采用GMM方法进行估计。GMM方法仅仅需要模型的一些矩条件，并不需要变换后的被解释变量具有一个定义完备的空间自回归结构，估计结果具有较大的稳健性和渐近性质。

(三) 检验结果

表6 检验方程估计结果

注:*、**、***分别表示在显著性水平10%、5%、1%下显著。

本文除了使用全国样本进行分析之外，还分别对东部地区、中部地区和西部地区进行空间GMM估计，表6是模型系数的全国样本和分地区样本的GMM估计的结果。

从全国样本的估计结果可以看到：β值为-0.221且通过5%显著水平检验，说明我国地区生态效率存在β条件收敛。空间自回归系数的估计值为0.173，并且显著，说明我国的生态效率存在空间负相关，本文认为这是由于相邻地区中较发达省市较好的发展基础会吸走相对落后地区的某些创新资源，能够拥有更多的机会，从而发展速度更快，而发展过程中也带动了一些污染严重、资源耗费较多的产业发展，对于生态效率的提高又有一定的负效应，这种负效应要小于经济发展的正效应，使得空间自回归系数为负。控制变量中，城市化水平和产业结构升级对生态效率提高影响方向为正，且通过至少5%显著水平检验，这说明城市化与产业结构升级能够促进中国生态效率的提高，生态效率相对较低的地区可以通过加快城市化进程，积极制定相关政策，鼓励扶持产业结构的调整与升级，从而达到提高生态效率的效果。开放度的系数估计较小，而且区域开放程度对于生态效率没有显著性影响。市场化程度对地区生态效率的提升具有显著的正向影响。

从分地区样本的估计结果可以看到：东、中、西部三个地区2006-2014年的生态效率均呈现β条件收敛，其中东、中、西部地区的β值分别为-0.324、-0.171、-0.281。东部和西部地区的收敛β系数值相近，且明显快于中部地区。三个地区的空间自回归系数估计值均为负且显著，表明东、中、西部地区相邻省市的生态效率均呈现空间差异性，其中东部地区相邻区域中较发达省市所争夺的资源更多，经济发展差距更大，从而差异更大。从其他变量上看，东部地区的城市化水平与市场化程度的系数均为负且显著，这说明东南沿海地区城镇化模式不利于提高生态效率，因此东部地区作为全国城镇化的核心区域，转变其城镇化模式已经迫在眉睫。同时，东部地区的市场化进程发展了较多污染严重的产业，从而造成其对生态效率的影响显著为负。开放程度对东部地区生态效率没有显著影响，但产业结构升级具有显著的正向影响。这说明，对于东部地区而言，现阶段推动产业结构调整和升级，注重能源与环境利用效率，是提高生态效率最为有效的方法。中部地区的城市化水平对于生态效率没有显著影响，而开放度与市场化程度对生态效率呈现负向影响，可能的原因是中部地区较东部地区的地理位置不算优越，吸引外商投资服务业等第三产业较少，更多的是一些耗费能源、污染较大的其他产业。由此可见，中部地区最优效率的提升生态效率的方法仍为产业结构升级，大力发展第三产业。西部地区的经济水平在现实中较为落后，除了开放程度对该地区的生态效率影响不显著以外，其余三个变量均对西部地区的生态效率具有正向影响。从而对于西部地区而言，推动城市化进程有利于城市劳动力的增加，发展生产力，促进经济发展。西部地区的产业结构调整可以推动服务业与农业、制造业深度融合，补齐二、三产业短板，在考虑环境因素的基础上加速经济增长。鼓励市场化进程，实现资源和要素优化配置，从而提高绿色经济发展效率。

五、 结论及启示

本文利用共同前沿方向距离函数和Bootstrap-DEA纠偏方法对中国30个省级行政辖区(包含直辖市、自治区)2006-2016年的生态效率进行了测算，对中国地区生态效率的地区差异、动态演变及空间相关性特征进行了分析和判断。并运用动态空间计量方法对中国地区生态效率的β条件收敛特征进行检验。实证分析表明：近年来中国生态效率水平依然较低，许多省份的生态效率低至0.50以下，还有一些省份的生态效率甚至低至0.20以下。中国各省份的整体生态效率水平不仅较低而且还存在着严重的地区差异性，且通过比较来看，经济发达省份的生态效率水平较高，而经济欠发达地区的生态效率水平则较低。2006-2016年各个年份中地区生态效率的Moran’s I指数均为正值，表明我国地区生态效率在考察年份在空间分布上具有显著的自相关关系。从全国数据的估计结果看，中国地区生态效率呈β条件收敛特征。城市化水平与产业结构升级对于生态效率具有正向影响，而市场化程度有负向影响，开放程度的影响并不显著。从东、中、西部的分地区估计结果表明生态效率也存在β条件收敛。城市化进程抑制了东部地区生态效率的提高，开放程度对中部地区的生态效率具有消极影响，对西部地区生态效率的影响并不显著。本文对于中国地区生态效率的变化及收敛性的分析，对我国推动经济发展、走可持续道路以及协调区域平衡方面有借鉴意义。综合本文实证分析的结果，我国未来发展应注意以下几个方面：

一是有选择性地采取措施，主动推进我国的城市化进程。目前东南沿海地区城镇化模式并没有充分发挥出城市化进程所应该具有的要素集约性和生态环境导向的特点，应该尽快转变其城镇化模式。在东部地区城市化进程中应该逐步发挥出城市化进程对乡村地区生态效率的拉动作用，建立完善城市化进程各生产要素的协调机制，避免因生产要素的拥挤问题所产生的一系列生态环境污染、资源无效消耗等问题。对于西部地区，应在科学规划的基础上，有步骤地推进中心城区建设，并以产业发展带动就业，带动人口集聚，推进城市化进程。

二是推动产业转型升级，提高知识和技术资本对经济发展的贡献率。产业结构的调整升级是显著提高地区生态效率的重要途径，在中国经济转型升级过程中，应该始终严格控制一些高耗能、高排放行业的盲目扩张，尤其是避免无效的重复建设。构建适宜的行业政策，使这些行业不断增强自主创新能力，利用高级生产要素，提高生产率水平，降低对资源环境的压力。同时在区域经济发展中，应不断降低对高耗能、高排放行业的依赖程度，通过经济的转型增长，逐步发展为低消耗、低排放的生态友好型经济。对于中、西部地区应该提高对新技术的吸收能力，在产业转移过程中，通过技术扩散，逐步缩小本地区与发达地区在产业基础和技术上的不足。

三是在市场化程度不断提高的过程中，完善市场软环境建设，提高市场对生态要素和创新资源的优化配置功能。在市场环境建设时，注重进入门槛的设置，对于能耗和环境指标予以限定，严格控制高污染产业的进入，并完善投资环境，为低能耗、低污染的产业发展提供有利条件。同时应关注区域间的市场均衡发展，在对于要素和创新资源的吸收上，避免区域市场化进程中较发达地区对较落后地区绿色生产率增长的抑制作用。

[1]SCHMIDHEINY S,ZORRAQUIN J L.Financing change,the financial community,eco-efficiency and sustainable development[M].Cambridge:MIT Press,1996:24-27.

[2]PICAZO-TADEO A J,BELTRAN-ESTEVE M,GOMEZ-LIMON J A.Assessing eco-efficiency with directional distance functions[J].European Journal of Operational Research,2012,220(3):798-809.

[3]DYCKHOFF H,ALLEN K.Measuring ecological efficiency with data envelopment analysis[J].European Journal of Operational Research,2001,132(2):312-325.

[4]SEIFORD L M,ZHU J.Modeling undersirable factors in efficiency evaluation[J].European Journal of Operational Research,2002,142(1):16-20.

[5]KORHONEN P J,LUPTACIK M.Eco-efficiency analysis of power plants:an extension of data envelopment analysis[J].European Journal of Operational Research,2004,154(3):437-446.

[6]KUOSMANEN T,KORTELAINEN M.Measuring eco-efficiency of production with data envelopment analysis[J].Journal of Industrial Ecology,2005,9(4):59-72.

[7]ZHANG B,BI J,FAN Z. Eco-efficiency analysis of industrial system in China:a data envelopment analysis approach[J].Ecological Economics,2008,68(3):306-316.

[8]PICAZO-TADEO A J,REIG-MARTINEZ E,GOMEZ-LIMON J A.Assessing farming eco-efficiency:a data envelopment analysis approach[J].Journal of Environmental Management,2011,92(4):1154-1164.

[9]张炳,毕军,黄和平.基于DEA的企业生态效率评价：以杭州湾精细化工园区企业为例[J].系统工程理论与实践,2008(4):159-166.

[10]KORTELAINEN M.Dynamic environmental performance analysis:a malmquist index approach[J].Ecological Economics,2008,64(4):701-715.

[11]杨文举.中国地区工业的动态环境绩效：基于DEA的经验分析[J].数量经济技术经济研究,2009(6):87-99.

[12]张炳,黄和平,毕军,等.基于物质流分析和数据包络分析的区域生态效率评价——以江苏省为例[J].生态学报,2009,29(5):2473-2480.

[13]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):443-450.

[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(4):169-175.

[15]成金华,孙琼,郭明晶,等.中国生态效率的区域差异及动态演化研究[J].中国人口·资源与环境,2014(1):47-54.

[16]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.

[17]孙欣,赵鑫,宋马林.长江经济带生态效率评价及收敛性分析[J].华南农业大学学报(社会科学版),2016(5):1-10.

[18]邓波,张学军,郭军华.基于三阶段DEA模型的区域生态效率研究[J].中国软科学,2011(1):92-99.

[19]张煊,王国顺,王一苇.生态经济效率评价及时空差异研究[J].经济地理,2014(12):153-160.

[20]查建平,王挺之.环境约束条件下景区旅游效率与旅游生产率评估[J].中国人口·资源与环境,2015(5):92-99.

[21]程晓娟,韩庆兰,全春光.基于PCA-DEA组合模型的中国煤炭产业生态效率研究[J].资源科学,2013(6):1292-1299.

[22]王敏,张晓平.基于PCA-DEA模型的中国省际生态效率研究[J].中国科学院大学学报,2015(4):520-527.

[23]汪克亮,孟祥瑞,程云鹤.环境压力视角下区域生态效率测度及收敛性——以长江经济带为例[J].系统工程,2016(4):109-116.

[24]DE KOEIJER T J,WOSSINK G,STRUIK P C,et al.Measuring agricultural sustainability in terms of efficiency:the case of Dutch sugar beet growers[J].Environ Manage,2002,66(1):9-17.

[25]PICAZO-TADEO A J,CASTILLO-GIMENEZ J,BELTRAN-ESTEVE M.An intertemporal approach to measuring environmental performance with directional distance functions:greenhouse gas emissions in the European Union[J].Ecoloigcal Economics,2014,100(3):173-182.

[26]SIMAR L,WILSON P W.Estimating and bootstrapping malmquist indices[J].European Journal of Operational Research,1999,115(3):459-471.

[27]KNEIP A,SIMAR L, WILSON P W.Computational efficient,consistent bootstrap for inference with non-parametric DEA estimators[J].Computational Economics,2011,38(4):483-515.

[28]SAEZ-FERNANDEZ F,PICAZO-TADEO A J,LLORCA-RODRIGUEZ C. Do labour societies perform differently to cooperatives?Evidence from the Spanish building industry[J].Annals Public & Cooperative Economics,2012,83(1):61-81.

[29]ANSELIN L.Spatial externalities,spatial multipliers,and spatial econometrics[J].International Regional Science Review,2003,26(2):153-166.

[30]SALA-I-MARTIN X.The classical approach to convergence analysis[J].The Economic Journal,1996,106(437):1019-1036.

[31]于伟,张鹏.城市化进程、空间溢出与绿色经济效率增长——基于2002-2012年省域单元的空间计量研究[J].经济问题探索,2016(1):77-82.

[32]李小胜,余芝雅,安庆贤.中国省际环境全要素生产率及其影响因素分析[J].中国人口·资源与环境,2014(10):17-23.

[33]王小鲁,樊纲,余静文.中国分省份市场化指数报告(2016)[M].北京：社会科学文献出版社,2017：52-76.

[34]樊纲,王小鲁,朱恒鹏.中国市场化指数——各地区市场化相对进程(2009)[M].北京：经济科学出版社,2010:33-47.

[35]LEE LUNG-FEI,YU JIHAI.Efficienct GMM estimation of spatial dynamic panel data models with fixed effects[J].Journal of Econometrics,2014,180(3):174-197.