中国环境效率及污染物减排潜力研究

王瑞 诸大建

摘要 在中国提出主要污染物排放总量约束目标的当前，测算与日益趋紧的“总量控制”政策目标相契合的环境绩效和减排潜力，具有重要的应用与学术价值。基于此，本文充分考虑不同地区发展的不平衡状况和技术差异性特点，应用与数据生成过程（DGP）相一致的SFA共同前沿两步回归方法，科学估计2004—2014年间中国省际环境成本模型，有效克服传统估计方法存在的偏误，进而根据实际污染（SO2）排放与最小排放量的距离计算环境效率与减排潜力。结果显示：①经济发展水平、产业结构、能源消费结构、能源价格、家庭数量以及交通出行对中国SO2排放量增加均有一定的促进作用，而技术水平提高与家庭规模扩大显著抑制了污染排放。②在大多数情况下，经济开放的三个维度与研发投入对环境效率具有积极影响，环境治理投資与国有资产占比对环境效率具有负向效应；各种外部环境变量对技术差距比的影响不同，东中部地区环境技术显著高于西部地区。③当前中国总体环境效率不高，共同前沿下的环境效率年均只有0.537，尚具有很大的提升空间。中国各省份、三大地区的环境效率和排放技术差异显著，不管是总体环境效率还是减排技术，东部地区都比中西部地区高得多。④中国的总量减排任务可以通过改善环境效率来完成。如果环境效率提高到100%，污染物排放总量将会降低大约1 192万t，相当于中国在2014年污染物排放总量的60.36%。短期内可根据各区域现有技术水准设定有区别的减排目标，长期而言，应将参照基准扩大到全国，释放最大的潜在减排空间。

关键词 中国环境效率；共同前沿；随机前沿成本函数；减排潜力

中图分类号 F205

文献标识码 A文章编号 1002-2104（2018）06-0149-11DOI：10.12062/cpre.20180113

作为全球最大的发展中国家，中国自改革开放以来经历了30多年粗放式突飞猛进的发展，其创造大量物质财富的同时付出了环境质量日益恶化的沉重代价。1978—2015年中国GDP年均增长率高达9.70%，但同时主要污染物排放量极大超出生态环境承载能力。中国SO2与CO2排放总量已连续多年高居世界首位[1]。2015年首批开展大气坏境质量监测考核的中国74个城市平均超标天数比例高达28.8%，大约6亿的中国人口生活在细颗粒物污染地区[2]。一份最新的环境绩效指数报告显示，中国的空气质量在178个国家中只排在109位[3]。在诸多具体的污染物中，作为全球变暖的罪魁祸首，CO2排放是长期以来的研究热点。但值得说明的是，CO2排放引致的温室效应在短期内不会对居民生存构成威胁。相比较而言，大气中的SO2不仅直接造成呼吸道疾病、肺癌甚至死亡等严重的公共健康问题[4-5]，而且引致酸雨、雾霾和细颗粒物PM2.5等二次污染[6-8]，SO2污染给中国899个县的农业增加值造成了0.66%的经济损失[9]，所以治理SO2污染是中国目前更急迫的任务。为了减少SO2排放进而降低污染损害，中国政府早在“十一五”减排目标中就将其作为两项主要的污染物指标之一。尽管SO2排放量近年来逐年降低，但2015年排放量仍达1 859万t。为此，2016年“十三五”规划纲要对SO2污染提出了更严格的控制标准，即到2020年SO2排放总量5年累计减少15%的约束性减排目标。在SO2减排约束日益趋紧背景下，科学测算与“总量减排目标”相契合的环境效率和减排潜力，深入探讨影响污染排放的因素，是保持经济稳步增长的同时达成减排目标的重要基础。

1 文献综述

作为主流的计算相对环境效率的有效工具，参数的随机前沿分析（SFA）与非参数的数据包络分析（DEA）是国际公认的方法。已有的基于DEA方法的环境效率评估大多将环境要素作为投入变量或者非期望产出，并结合不同形式的方向性距离函数估算环境效率。如王兵等[10]基于SBMDDF与Luenberger生产率指数评估中国各地区环境效率，林伯强等基于能源—环境非径向方向距离函数（ENDDF）估算2003—2012年间中国工业两位数行业的能源环境效率[11]，汪克亮等结合非径向距离函数与具有差分结构的Luenberger生产率指标估算2006—2013年间中国大气环境效率[12]。而采用SFA方法的研究多是将污染排放作为一种负投入项，和劳动、资本等传统生产要素一同纳入生产函数中，根据生产函数构建有效前沿面，并结合方向性距离函数[13-14]、双曲距离函数[15-16]或谢泼德距离函数[17]估算环境效率。然而上述文献在构造环境技术集合时通常将经济活动视作与环境政策相独立的过程，没有从系统论的角度研究问题，所估计出来的环境效率有着向上的偏误[18]。采用不同设定形式的模型估计出来的环境效率是与不同的减排政策相对应的。根据不同设定形式的模型估计出效率的不同反映了效率估计值对环境政策的敏感程度。因此，从严格意义上讲，如果我们不能解决当前中国基于“总量约束指标”的环境政策目标与环境效率之间的不匹配问题，便无法了解现实经济中污染物排放可降低的空间。针对这一问题，Herrala等基于随机前沿成本函数，在污染物排放量最小化的政策目标与随机前沿设定之间建立了一种新的联系[18]。相对于前述文献，这是一种更加宽泛的环境效率测度方式。但其缺陷在于，因数据可得性其选取的影响因素过少，无法提供更丰富的信息。

中国不同地区在发展水平、制度环境和自然资源等方面差异甚大，各省份面临的减排技术基准可能不同，假如忽略技术异质性使用混合数据评估环境效率，将为真实绩效的刻画带来偏差。因此，一些学者聚焦于共同前沿理论框架研究中国各地区环境效率：王兵等运用Metafrontier-Malmquist-Luenberger生产率指数测度环境约束下1998—2008年长三角和珠三角城市群的全要素生产率及其成分[19]；朱德进基于环境DEA技术与共同边界分析方法研究中国地区CO2排放绩效[20]；汪克亮等从生态效率视角求解两个线性规划来测算中国各省大气污染排放效率[21]。上述研究都发现中国环境效率与减排技术存在显著的区域差异性，并表明由Hayami等[22]开创的，后来经过Battese等[23]、Battese等[24]以及ODonnell等[25]等发展的Metafrontier框架较好地考虑了技术异质性。然而，这些研究所采用的DEA方法对技术无效率项和随机扰动项不进行任何区分，且不能对估算结果进行假设检验与置信区间的构建。而传统SFA方法大多是直接估计一个包括所有样本的随机合并前沿模型，虽然可以克服线性规划方法的诸多缺陷，但基于此估计的前沿面并不能包络组别前沿而存在偏误。为了修正上述不足，Huang等[26]提出一种新的两步估计法，基于第一步估计出的组群随机前沿构建共同前沿方程，并将衍生的准最大似然估计方法应用于第二步标准误的估计。与Battese等[24]的传统模型相比，该方法能够有效克服与数据生成过程（DGP）不一致的问题，并且有效地包络了前沿技术，同时具有很好的统计推断性质。上述研究成果为本文环境效率的科学测算指明了方法导向。

为弥补现有文献的不足，本文对Herrala等[18]的环境成本前沿模型进行扩展，从经济、人口与交通等维度全面考虑对污染物排放量产生影响的因素，采用与数据生成过程（DGP）相一致的新型Metafrontier模型，科学估计2004—2014年间中国省际环境污染的随机前沿成本函数，阐述各因素对SO2排放、环境效率与技术差距的作用效果，根据实际排放与最小排放量的距离计算具有可比性的环境效率，最后估算不同参照技术下的减排潜力，为中国各省份减排政策的制定和施行提供科学的决策依据。

2 环境效率的测度方法

2.1 环境成本随机前沿函数的构建

为使得污染物排放量E这種非合意产出可缩减比例最小化，Herrala等[18]定义了污染/生产可能性集合P（X），其中X是由对技术集合产生影响的因素构成的向量，包括期望产出以及其他相关的重要影响因素，P（X）包络了不同水平X下所有可能的污染物排放量E，这样就将环境效率EF定义为：EF≡max{θ：EθP[X]}，污染物排放量E满足的可能性集合为E≥F（X）·exp（V），其中V为随机扰动项。环境效率用环境前沿面上的最小SO2排放量与实际排放量之间的比值来度量，表达式为：

采用双对数方程形式将污染排放的可能性集合转化为随机前沿成本函数，公式如下：

其中i表征评价单元，t为时间，环境前沿的表达式为lnF（Xit）。与传统的随机前沿模型设定一致，Vit代表随机扰动项，包括测量误差以及各种不可控的随机因素，如天气、运气等等，Vit～i.i.dN（0，σ2V），Uit是非负的环境无效率项，假设Uit服从截断正态分布。我们假定Vit与Uit独立不相关。

环境污染（Eit）用SO2这一典型污染物的排放量来反映。Xit是除了随机扰动项与效率损失之外对污染物排放产生直接影响的因素向量，Herrala等[18]鉴于数据的可得性只加入了GDP、人口和区域面积这三个变量，但是他们指出，如果能获得更详细的数据，可以增加其他的控制变量来获得更加丰富的研究结论。Filippini等[27]、Filippini等[28]以及Zhang[29]在研究能源需求效率这种同一的指标时加入的影响因素也并非一致，因此在估算环境效率时加入模型中的变量没有统一的标准。本文结合采用随机前沿成本函数估算能源环境效率的文献[18，27-29]和经济理论将如下变量加入前沿方程中。①共同的前沿技术进步，用时间趋势t及其平方项表征，前沿技术水平的提高有利于降低污染物排放量。②经济产出（Yit）：用各个省份以2010年为基期的可比价实际GDP及其平方项衡量，体现了粗放型的经济增长需要付出一定的环境成本。③产业结构（INDit）：用第二产业产值与GDP之比量度。工业在生产过程中消耗了大量能源，进而排放出很多废气。④能源消费结构（ENSit）：用煤炭消费量与能源消费总量之比测度。SO2排放量的85%以上来自于含有硫化物的煤炭的燃烧。⑤能源价格（EPit）：用以2010年为基期的地区商品零售价格分类指数中的燃料价格衡量，预期能源价格上涨时企业与居民会节约能源消耗，进而减少SO2排放。⑥人口因素是影响污染物排放的重要变量之一。相较于采用人口数量与增速等宏观总量指标，家庭消费能真正体现消费行为的社会属性，更客观地反映人口因素通过消费环节进而影响资源环境系统。因此，应将家庭而非个人作为影响SO2排放量的人口分析单位。借鉴Zhang[29]在研究能源需求时的做法将人口因素分解为家庭数量（HQit）与平均家庭规模（HSit）两个指标：用各地区户数表示HQit，预期HQit越多，大气污染物排放量越多；用各地区人口数量与家庭单位数之比表征HSit，预期HSit越大，就越便于通过消费品的共享与集约使用来减少污染物排放。⑦Herrala等[18]运用区域面积表征交通出行引致的污染物排放，然而各地区固定不变的区域面积无法反映交通运输随时间变动的特征。最近十多年来机动车保有量快速增多，车用燃料标准与尾气排放标准过低等使得车辆在行驶过程中消耗了大量的燃油，造成了过多的废气排放。参考Filippini等[28]对能源需求的研究，选取私人汽车数量（PRCit）与公共汽车数量（PUBit）两个指标来反映交通部门在消费化石燃料的过程中排放的废气。

2.2 基于Metafrontier-SFA模型的环境成本函数的估计

如何在考虑统计噪音和技术差别的基础上测算具有可比性的环境效率具有重要的现实意义。本文参照大多数文献[20-21]做法基于地理位置的不同把中国划分为东、中、西部三大组群，把各个群组所包含省份的污染物排放量及其影响因素纳入各个子技术集合中，构建组群边界。j组别的环境随机前沿成本函数为：

其中，lnFjt（Xjit）为组别环境前沿，上标j和下标t表征每个群组的环境技术可能随着组别和时间而变动。当决策单元难以超越区域间的技术落差时，只能在组别技术边界下极小化污染物排放。将第j组环境前沿作为参照基准，各省份的组群环境效率（TEjit）即为：

但是，参照组别技术估计得到的环境效率，将因各个群组边界衡量基准的不一致而导致组群之间评价结果不具有可比性。在比较决策单位相互间环境效率时，必须参照共同技术边界，而非组别前沿，所以应当在各个群组边界的基础上进一步构建所有决策单元共同面临的生产边界（Metafrontier）。共同边界下的环境技术集合包含各个子技术集合，即共同前沿是包络了全部组别前沿的曲线。不同组别前沿之间的技术差距在共同前沿下能够被超越，即所有省份的技术潜力相同，在理想状态下都能够移动到共同前沿面上。将第t期共同环境前沿表示成lnFMt（Xjit），基于Huang等[26]构建共同前沿模型：

其中，lnFjt（Xjit）是基于（3）式获得的组别前沿估计值，本文将各个组群的环境效率估计值合并在一起估计（5）式。由于采用随机前沿估计法得出的准最大似然（QML）估计量是一致和渐进正态的，但其标准误是无效的，因此需要采用考虑异方差的方法获得修正的标准误[30]。组群边界相对于共同边界的距离即为技术落差比例（Technology Gap Ratio，TGR），反映了不同省份污染物排放技术水平的异质性，这种特殊的技术选择取决于经济和非经济领域的外部环境。第j组SO2排放的技术差距比TGRjit为：

TGRjit 值愈近似等于1，意味着污染排放的组群技术愈靠近共同前沿排放技术（全国潜在最领先排放技术），减排技术愈先进；反之，组别前沿愈远离共同前沿，该组的前沿技术愈落后。

为了研究外部环境因素对环境效率及减排技术差距比的影响，借鉴并归纳已有相关研究，将下面几类重要的变量加入无效率方程中。①环境规制（ENR）[11]，用各省份治理环境所投入的资金占GDP的比重衡量。②所有制结构（SOE）[10]，用国有企业固定资产投资与全社会固定资产投资之比衡量。③研发投入（RD）[21]，用研发经费支出和GDP之比表示。尽管有专家指出增加研发投入是实现技术进步的手段之一，但值得说明的是，前沿方程中的时间趋势及其平方项考察的是純粹的技术变化，即各个省份在技术外溢效应下面临的相似的技术进步率[31]，这区别于各地区由于研发投入的不同而引致的技术变化的不同。④贸易开放度（TRA）[11]，用进出口总额与GDP之比表示。⑤外国直接投资（FDI）[10]，用外商直接投资与GDP之比表示。⑥对外直接投资（OFDI），Yang等[32]发现日本OFDI是其母国CO2排放量减少的格兰杰原因，因此将各省对外直接投资存量与GDP之比引入模型中。因为地区间环境技术具有异质性，所以结合王志刚等[31]以及Huang等[26]，进一步在共同前沿模型中增加影响技术差距比的地区虚拟变量。⑦东部地区哑变量（EAST），倘若某省份位于东部地区，则该变量值取1，否则取0。⑧中部地区哑变量（MID），倘若某省份位于中部地区，则该变量取1，否则取0。尽管在环境无效率方程中加入影响因素会使得效率评价结果发生一定的改变，但王志刚等[31]以及匡远凤等[33]在估算效率值时均加入了各种不同的影响因素，并指出一步估计法优于两步估计法。

本文数据来源为历年《中国环境统计年鉴》《中国统计年鉴》《中国能源统计年鉴》《中国对外直接投资统计公报》和中国国家统计局的科技统计年度数据。

3 实证结果分析

采用极大似然法对随机前沿成本函数进行参数估计。表1中第2列是假定区域之间不存在技术差异，把30个样本省份作为整体，合并数据的估计结果；第3、4、5列是假定三大区域面临不同的环境前沿，对各组数据进行回归的结果。假定4个模型中无效率项u都服从截断正态分布。可以看出，所有模型中对数似然函数值都支持拟合结果，大多数参数估计值的符号都与理论预期一致且具有比较好的统计性能，很多都在1%的水平上显著。模型1、2、3、4中的gamma值分别高达0.972、0.417、1.000和0.995，且非常显著，表明中国各地区普遍存在的环境无效率现象是实际污染排放偏离最佳排放量的最主要原因。

首先，阐述各因素对SO2排放量的影响效应。在合并前沿、东部前沿与中部前沿模型中时间T的一次项系数在1%的水平上显著为负，且远远高于其二次项系数，表明环境技术水平的持续提高使得污染物排放量呈现降低趋势，是全国层面、东部以及中部地区污染物排放量降低的重要源泉。地区生产总值前的系数在3个组别随机前沿模型中全都显著，表明中国作为新兴经济体通过粗放式增长方式获得经济的高速发展，导致了环境污染。产业结构的系数在大多数模型中都为正，表明第二产业比重越高，全国以及大多数区域排放的SO2越多。能源结构在4个模型中全都在1%水平上显著促进了污染物排放，煤炭消费比重与SO2污染高度正向“稳健性”关系表明煤炭的使用不利于环境保护。在所有4个模型中，能源价格都在1%的水平上显著促进了中国各省的污染物排放，这不符合经济常识，其原因可能在于：中国的能源价格市场定价机制缺失，导致能源价格总体相对过低，这会向市场传递错误信号，造成能源过度消费，引致SO2排放过量。人口变量中，家庭数量在混合前沿、东部前沿与西部前沿这3个模型中都在1%水平上显著促进了污染物排放，家庭数量的增多通过“规模效应”增加对物质资源的消耗，进而加重环境污染程度。家庭规模在混合、中部与西部前沿模型中都减少了污染物排放，表明家庭规模的增大在一定程度上通过“规模效应”减少了SO2排放量，这与马晓钰等[34]得出的碳排放和家庭规模呈负相关的结论一致。在交通出行方面，私人汽车与公共汽车数量在合并前沿模型中都促进了污染物排放，表明交通运输引致了全国层面上废气排放的增长。

其次，分析外部环境变量对全国总体环境效率的作用效果。环境规制的回归系数显著为正，说明政府为提升环境质量而进行的投资不能改善效率。环境治理投资未取得理想成效的原因可能在于：环境污染治理投资在GDP中占比太低，环保投资严重不足难以有效抑制污染排放；环境治理投资占用了本可以用来增加经济产出的资源，使其对环境效率的综合效应为负。所有制结构的系数显著为正，表明可以通过降低国有固定资产投资占比推动市场化进程的深化，提高环境效率。研发投入的系数显著为负，投入越多的研发经费，则各省学习吸收前沿技术的能力越强，越能提高对环境资源的利用效率。贸易开放度的提高显著改善了环境效率，这与多数研究[35-38]证实对外贸易可以促进生产效率提高的结论相符。朱德进等[39]认为对外贸易改善了中国大多数省份碳排放效率，而少数处于技术前沿的地区由于产能过剩等原因，其贸易量对环境效率的影响为负，本文东部组群的实证结果与这种观点一致。FDI的系数为负且显著，表明中国引进的外资对总体环境效率有着正面效应，这证实了“污染光环假说”。对外直接投资改善了中国总体环境效率，但不显著。组别前沿模型估计结果显示：大部分系数符号都与合并前沿模型中的一致，这在一定程度上体现了模型结果的稳健性。

合并前沿与组群前沿模型的系数估计值存在一定差别，表明各个组群之间环境技术水平可能不一致。共同边界研究框架正是为了解决多组群面临不同技术边界的问题而提出的，然而共同边界方法能否适合本文样本？关键是要去验证中国东、中、西部地区是否共享相同的技术，如果中国各个省份的环境成本可以由一个单一的环境前沿模型生成，则没有必要采用共同前沿方法。因为我们的研究采用参数方法估计前沿面，所以可以用统计检验来验证Metafrontier方法的适用性。对3组环境前沿进行差异性似然比检验（Likelihood Ratio Test），原假设是三大区域有着相同的环境前沿，原假设下受限的似然函数值是30.463，而不受限的似然函数值等于三个组别前沿模型的似然函数值之和185.245。似然比统计量等于不受限和受限的似然函数值之差的2倍，即309.564，用于进行假设检验的p值是零，原假设在1%显著性水平上被拒绝，表明三大组别的环境前沿的确具有显著异质性，需要采用共同前沿模型。

参考Huang等[26]的研究，基于第一步估计出的组群前沿构建并估计第二步的共同前沿函数5和6，其中模型5包含无效率方程，模型6不包含无效率方程。在两个模型中，大部分因素对共同前沿的影响方向与合并数据估计结果一致。环境规制提高了各地区技术差距比例且显著，表明环境管制促进技术进步的“波特假说”在中国的成立。国有工业固定资产占比对技术差距比例的影响作用不显著。研发投入提高了各地区环境技术且效果显著。外国直接投资显著提高了各地区环境技术差距比，这与前文一致，都支持“污染光环假说”在中国的存在。贸易开放与对外直接投资在5%的水平上抑制了技术差距比的提升，虽然贸易开放与“走出去”战略的实施有助于提高总体环境效率，但是其带来的竞争与挤出效应不利于中国各省份技术差距比的提高。东部与中部地区哑变量的系数显著为负，表明地理位置对各个省份的环境技术确实存在显著的影响作用，西部地区的技术差距比显著低于东中部地区。在经典随机前沿方法中，定义方差比r=σ2u/（σ2v+σ2u）∈[0，1]，假如r=1，就意味着样本点偏离前沿面都来源于无效率项，与随机误差无关。模型5、6的方差比例r值分别是0.925与0.884，r值显著不为1的结果表明在估计共同边界时必须考虑随机误差项，即应该采用随机前沿模型而非确定性前沿模型，这就验证了本文估计共同前沿时不能采用非参数线性规划方法而应采用参数的随机前沿估计法。

4 不同前沿下环境效率及减排潜力的比较分析

4.1 环境效率分析

环境效率值可以在估算出随机前沿成本函数后计算得到，它测度的是各省实际污染物排放量与前沿面的相对距离，表示各省对于最优环境技术的发挥程度。为了更清晰地了解考虑技术异质性的中国环境绩效，我们在表2中汇报了2004—2014年间基于合并前沿、组群前沿以及全国共同技术前沿的中国各省环境效率和技术落差比例平均值，分别记为AEE、GEE、MEE与TGR。

从全国的角度来看，如果将合并前沿作为参照基准，2004—2014年间中国30个省份平均环境效率并不是很高，只有0.619，意味着平均水平上中国应该减少SO2排放的38.1%，才能消除所有的环境无效率；如果将组群前沿作为参照基准，在整个考察期，中国环境污染排放效率可以达到0.699，中国可以通过降低30.1%的污染物排放实现环境完全有效率；倘若将全国共同前沿当作参照基准，考察期内中国总体环境效率平均值只有0.537，距离环境前沿面还存在46.3%的改善空间，意味着在维持当前经济产出与生活需求不变的同时，环境污染物还可以在现有排放水平基础上再减少46.3%，环境效率水平偏低。相比之下，全国共同前沿下的平均环境效率显著低于合并前沿与组别前沿下的平均环境效率，其原因主要在于比较标准不一致，前者是将中国大陆所有省份作为参照点，而后两者分别是以有偏的全国潜在最优和组群内部省份潜在最优技术为参考，如果各个群组的环境技术与共同前沿相差甚远，参考不同技术集进行测度得出的结果必然存在较大差距。

就区域对比而言，在全部考察期内，东部的各种环境效率都比中西部相应值高，而中部又比西部相应值高。这种“东高西低”梯度严格递减的分布特征与中国区域经济发展水平一致。虽然中西部地区SO2排放量非常接近，然而中部地区的地区生产总值远高于西部地区。假如西部地区想获得中部地区的经济产出和生活消费，其排放的污染物必然高于中部地区，因此采用本文模型估计出的“东高西低”的环境效率值是合理的。尽管东部地区TGR和GEE的估计值均超过中西部地区，但是TGR得分在MEE排名的决定上扮演了更重要的角色。根据表2能看出，大部分中西部地区MEE与GEE值相差较大。以西部组群的云南省为例，样本期内其共同前沿环境效率只有0.446，而组群前沿环境效率高达0.820，两者之间差异巨大。倘若将全国潜在最佳环境技术作为参照标准，则云南省的环境效率有着55.4%的改进空间。倘若将西部组群的潜在最佳技术作为参照基准，则云南省的环境效率仅存在18.0%的提高空间，两种前沿下环境效率提升潜力的差异就体现了组群前沿与共同前沿之间的技术缺口。同时还可以看出，东部地区大多数省份组群前沿与共同前沿2种技术条件下的环境效率值非常接近，其原因是共同前沿面与东部组群前沿有着很高的重合程度，东部地区省份是共同前沿面的主要构造者，代表了全国最优环境技术水平。

在省份层面，所有省份实际污染排放与共同前沿面之间的距离都不会小于其与组群前沿面之间的距离，其原因主要在于共同前沿不会高于组群前沿。中国不同省份环境保护能力与效率水平差别很大，为了提高政策制定的针对性与有效性，根据2004—2014年间各种环境效率平均水平将所有省份划分为四组：高度有效率省份（平均环境效率值高于效率分布的第三四分位数）、比较有效率省份（平均环境效率值介于第三四与第二四分位数之间）、比较无效率省份（平均效率值介于第二四与第一四分位数之间）和高度无效率省份（平均效率值低于效率分布的第一四分位数），如表3所示。仔细查看，可以发现环境效率水平并非完全依赖于经济发展水平，并非属于发达地区的所有省份都呈现出高水平的环境效率。例如，相对发达的省份山东在共同前沿下属于轻度有效率组别。发达省份环境效率水平的异质性特征可能是由于：首先，各省份根据本地环境状况、经济发展状况、企业排污行为等因地制宜地制定不同的環境政策工具；其次，即使各地政策的内容设计相同，这些省份独立自主地执行政策的力度与匹配率可能由于行政部门与执法机构监管方式的不同而存在差异[29]；最后，污染密集型产业在区域内部省份之间转移[40]，致使发达省份环境效率分组出现差别。

基于不同边界环境效率的省份分类结果存在一定区别。由于合并前沿与组群前沿下的环境效率不具有可比性，因此基于共同前沿这一统一的参考标准分析分组情况。考察期内北京始终位于领先的位置，其环境效率最高，代表中国最先进的环境污染防治水平。环境效率高度有效的省份除北京之外还包括广东（0.910）、天津（0.893）、上海（0.870）、安徽（0.848）、浙江（0.844）与江苏（0.828），上述环境效率较高省份实际排放的污染量最接近环境前沿面，环境投入只需要进行少量的调整，除安徽之外它们基本属于东部沿海发达地区，环境保护与经济增长之间的平衡性较好，经济发展水平较高，环境绩效也处于较优水平。吉林、福建、海南、湖北等 8 个省份构成了环境轻度有效率地区，这些省份离环境前沿面较近，有着较高的环境治理水平，但还需要进行一定程度的改进。如果今后注重引进加大研发投入、吸收先进的减排技术、优化资源配置，这些省份能够非常容易地转型为高度有效率地区。轻度无效率地区包括湖南、云南、重庆、青海等7个省份，这些省份平均环境效率普遍低于全国平均水平，在追赶环境前沿上存在相当大的难度。比较而言，内蒙古、宁夏、贵州、新疆等8省份属于高度无效率地区，这些省份除了河北之外普遍来源于经济发展水平落后的中西部地区，它们距离环境前沿面相当远，环境效率提升空间十分大，在未来相关环境政策的制定与实施中应给予特别关注。

4.2 中国各省SO2减排潜力比较

尽管近年来中国实际排放的SO2在持续下降，但是远远没有达到最优水平。研究发现考察期内共同前沿下中国环境效率均值仅为0.537，环境效率显著低于1的事实意味着可以通过提高效率水平获得相当可观的改进空间。借鉴Zhang[29]运用能源效率估计节能潜力的方法，在估算出各地区的环境效率后，假设该地区可以制定并实施适宜的环保政策将环境效率水平提高到100%，那么由于效率提升而减少的SO2排放量可以根据各省每年的SO2排放量与环境效率值计算得出，即ΔEit=Eit·（1-EFit）。基于不同前沿环境效率的各省年均减排潜力列在图1中。

如果不考虑区域之间环境技术的异质性特征，2004—2014年中国年均SO2减排潜力在合并前沿下高达939.64万t，这相当于2014年中国SO2排放总量的47.60%。其中中部和西部地区分别占23.44%和57.35%，而东部地区占到19.21%。分省份来看，各省年平均潜在SO2减排量为31.32万t，位居全国前五位的省份依次为内蒙古（104.84）、贵州（97.81）、山西（84.41）、广西（48.43）和四川（48.17），位于全国后五位的省份依次为海南（0.67）、北京（0.73）、天津（2.26）、福建（4.03）和上海（5.84）。中国各区域之间环境技术存在显著的异质性，如果根据环境技术相当的样本来确定组别前沿，基于此估算出的减排潜力即为各地区在现有技术水准上的环境改善潜力。如果政策制定者决定改革组群内的一个省份，可参考组群边界下的减排潜力。2004—2014年中国年均SO2减排潜力在组别前沿下高达878.99万t，这相当于2014年中国SO2排放总量的44.55%。其中，中部和西部地区各占28.07%和42.13 %，而东部地区占到29.79%。组别前沿下各省年平均SO2减排潜力为29.30万t，位居全国前五位的省份依次为内蒙古（106.21）、山西（89.93）、河北（86.40）、河南（81.25）和山东（75.78），位于全国后五位的省份依次为北京（0.71）、海南（0.74）、天津（1.35）、青海（1.49） 和安徽（1.61）。共同前沿是根据所有样本的环境技术确定的，基于此估算出的减排潜力即为各地区潜在最大的环境改善空间。如果政策制定者要将环境政策的适用范围扩大全局，共同边界下的减排潜力可以作为参考基准。2004—2014年中国年均SO2减排潜力在共同前沿下高达1 192.17万t，这相当于2014年中国SO2排放总量的60.36%。其中中部和西部地区各占27.12%和46.96%，而东部地区占到25.91%。共同前沿下各省年平均潜在SO2减排量为39.74万t，位居全国前五位的省份依次为内蒙古（113.19）、山西（109.91）、河北（97.07）、贵州（90.85）与河南（89.65），位于全国后五位的省份依次为海南（0.95）、北京（0.99）、天津（2.49）、上海（4.52）和广东（5.18）。

上述数据表明中国在SO2排放量上存在相当可观的降低空间，但是各个省区SO2减排潜力差异明显。西部地区环境效率十分低下且属于高污染地区，其减排潜力最大。假如西部省份在减排能力上有所突破，必定有助于促进国家层面上减排任务的完成，然而我们无法在短期内挖掘出所有的减排潜力。决策层需要因地制宜地运用“分而治之、各个击破”的梯次推进策略，分阶段地逐步制定与实施减排政策，实现效率与公平的统一。

5 结论与政策启示

近年来诸多文献对环境效率测算问题进行了广泛研究与深入探讨。不过学者们在评价环境效率时大多将污染物作为非期望产出或投入要素纳入生产函数中，这与当前中央政府提出的污染物排放总量控制政策并不契合，因而估算出的环境效率不具有针对性。在总量控制的减排政策环境下，本文借鉴Herrala等[18]的随机前沿成本函数科学测算2004—2014年间中国各省份的环境效率与减排潜力，将环境政策目标纳入环境效率评价的分析框架。在估计方法上采用一种新的两步随机前沿分析法克服传统Metafrontier方法的诸多缺陷。研究发现：

（1）合并前沿模型回归结果表明：经济发展水平、产业结构、能源消费结构中煤炭比重、能源价格、家庭数量以及交通出行均促进了中国SO2排放量增加；技术水平提高与家庭规模的扩大对中国SO2排放量均有显著的负作用；经济开放的三个维度对环境效率都具有积极影响，研发投入显著改善了环境效率，环境治理投资与国有资产占比对环境效率具有显著的负影响。组别前沿与共同前沿模型估计结果大多支持上述结论。共同前沿模型中地区哑变量的回歸系数表明东中部地区技术差距比显著高于西部地区。

（2）总体而言，样本期内中国环境绩效普遍偏低，合并前沿、组别前沿与共同边界环境效率平均值分别仅为0.619、0.699与0.537，距离前沿面分别存在38.1%、30.1%、46.3%的改进空间。省区层面，各个省份在三种环境效率下的排序存在一定的差异，体现了不同组别在环境前沿上的异质性特征。东部沿海地区的环境技术较高，省份效率与污染排放大多处于相对较优水平。中西部地区大部分省份现有的环境效率与技术差距比指标与东部地区之间的差别依然较大。环境前沿面是由北京、天津、江苏等少数几个东部省市来确定的，代表了中国最先进的污染减排技术。要推动东部先进的减排知识、环保技术与管理经验等及时地传播与扩散到中西部省份，为减排目标的实现奠定坚实的技术基础。

（3）中国总体环境效率偏低的现状表明，有待挖掘与释放的减排潜力相当可观。基于共同前沿环境效率的计算表明，2004—2014年整个中国年均SO2减排潜力高达1 192.17万t，这相当于2014年中国消耗的环境资源总量的60.36%。内蒙古、山西、河北、贵州与河南等省份的SO2减排潜力最大，应该是今后SO2减排重点实施的区域，可以根据本文估算出的减排潜力合理设定区域污染物减排目标。减排潜力的挖掘需要有计划分阶段地逐步实施，在短期内可以根据各地区现有技术水准设定减排目标，长期而言，应当将参照基准扩大到全国，促进各地区潜在最大减排空间的释放。

参考文献（References）

[1]王敏，黄滢. 中国的环境污染与经济增长[J]. 经济学（季刊）， 2015（2）：557-578. [WANG Min， HUANG Ying. Chinas environmental pollution and economic growth[J]. China economic quarterly， 2015（2）：557-578.]

[2]MIITC （Ministry of Industry and Information Technology of China）. Made in China 2025 interpretation[M]. Beijing： Publishing House of Electronics Industry， 2016.

[3]HSU A. Environmental performance index[R]. New Haven： Yale University， 2016.

[4]CHEN X， SHAO S， TIAN Z， et al. Impacts of air pollution and its spatial spillover effect on public health based on Chinas big data sample[J]. Journal of cleaner production， 2017， 142：915-925.

[5]BAGAYEV I， LOCHARD J. EU air pollution regulation： a breath of fresh air for eastern european polluting industries？[J]. Journal of environmental economics and management， 2017， 83：145-163.

[6]JIAO J， HAN X， LI F， et al. Contribution of demand shifts to industrial SO2 emissions in a transition economy： evidence from China[J]. Journal of cleaner production， 2017， 164：1455-1466.

[7]LI X， WU X， ZHANG F. A method for analyzing pollution control policies： application to SO2 emissions in China[J]. Energy economics， 2015， 49：451-459.

[8]LIU Q， WANG Q. Sources and flows of Chinas virtual SO2 emission transfers embodied in interprovincial trade： a multiregional inputoutput analysis[J]. Journal of cleaner production， 2017， 161：735-747.

[9]WEI J， GUO X， MARINOVA D， et al. Industrial SO2 pollution and agricultural losses in China： evidence from heavy air polluters[J]. Journal of cleaner production， 2014， 64（2）：404-413.

[10]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.]

[11]林伯强，刘泓汛. 对外贸易是否有利亏提高能源环境效率——以中国工业行业为例[J]. 经济研究， 2015（9）：127-141. [LIN Boqiang， LIU Hongxun. Do energy and environment efficiency benefit from foreign trade？ The case of Chinas industrial sectors[J]. Economic research journal， 2015（9）：127-141.]

[12]汪克亮，孟祥瑞，楊宝臣，等. 中国区域经济增长的大气环境绩效研究[J]. 数量经济技术经济研究， 2016（11）：59-76. [WANG Keliang， MENG Xiangrui， YANG Baochen， et al. Study on the atmospheric environmental performance of Chinas regional economic development[J]. The journal of quantitative & technical economics， 2016（11）：59-76.]

[13]WANG Q W， ZHOU P， SHEN N， et al. Measuring carbon dioxide emission performance in Chinese provinces： a parametric approach[J]. Renewable & sustainable energy reviews， 2013， 21（5）：324-330.

[14]DU L， HANLEY A， ZHANG N. Environmental technical efficiency， technology gap and shadow price of coalfuelled power plants in China： a parametric metafrontier analysis[J]. Resource & energy economics， 2016， 43：14-32.

[15]CUESTA R A， LOVELL C A， ZOFIO J L. Environmental efficiency measurement with translog distance functions： a parametric approach[J]. Ecological economics， 2009， 68（8）：2232-2242.

[16]ZHANG Z， YE J. Decomposition of environmental total factor productivity growth using hyperbolic distance functions： a panel data analysis for China[J]. Energy economics， 2015， 47：87-97.

[17]LIN B， DU K. Modeling the dynamics of carbon emission performance in China： a parametric Malmquist index approach[J]. Energy economics， 2015， 49：550-557.

[18]HERRALA R， GOEL R K. Global CO2 efficiency： countrywise estimates using a stochastic cost frontier[J]. Energy policy， 2012， 45（6）：762-770.

[19]王兵，肖海林. 環境约束下长三角与珠三角城市群生产率研究——基于MML生产率指数的实证分析[J]. 产经评论， 2011（5）：100-114. [WANG Bing， XIAO Hailin. A study on city group productivity of the Yangtze River Delta and the Pearl River Delta under environmental constraint： an empirical analysis based on metafrontiermalmquistluenberger productivity index[J]. Industrial economic review， 2011（5）：100-114.]

[20]朱德进. 基于技术差距的中国地区二氧化碳排放绩效研究[D]. 济南：山东大学， 2013. [ZHU Dejin. The performance of regional carbon emissions in China： an analysis based on the perspective of the technology gap[D]. Jinan：Shandong University， 2013.]

[21]汪克亮，孟祥瑞，杨宝臣，等. 技术异质下中国大气污染排放效率的区域差异与影响因素[J]. 中国人口·资源与环境， 2017， 27（1）：101-110. [WANG Keliang， MENG Xiangrui， YANG Baochen， et al. Regional differences and influencing factors of Chinas air pollution emission efficiency considering technological heterogeneity[J]. China population，resources and environment， 2017， 27（1）：101-110.]

[22]HAYAMI Y， RUTTAN V W. Agricultural productivity differences among countries[J]. American economic review， 1970， 60（5）：895-911.

[23]BATTESE G E， RAO D S P. Technology gap， efficiency， and a stochastic metafrontier function[J]. International journal of business & economics， 2002， 1（2）：87-93.

[24]BATTESE G E， RAO D S P， ODONNELL C J. A metafrontier production function for estimation of technical efficiencies and technology gaps for firms operating under different technologies[J]. Journal of productivity analysis， 2004， 21（1）：91-103.

[25]ODONNELL C J， RAO D S P， BATTESE G E. Metafrontier frameworks for the study of firmlevel efficiencies and technology ratios[J]. Empirical economics， 2008， 34（2）：231-255.

[26]HUANG C J， HUANG T H， LIU N H. A new approach to estimating the metafrontier production function based on a stochastic frontier framework[J]. Journal of productivity analysis， 2014， 42（3）：241-254.

[27]FILIPPINI M， HUNT L. Energy cost and energy efficiency in the OECD countries： a stochastic cost frontier approach[J]. Energy journal， 2011， 32（2） ：59-80.

[28]FILIPPINI M， ZHANG L. Estimation of the energy efficiency in Chinese provinces[J]. Energy efficiency， 2016， 48（9）：1-14.

[29]ZHANG L. Correcting the uneven burden sharing of emission reduction across provinces in China[J]. Energy economics， 2017， 64：335-345.

[30]WHITE H. Maximum likelihood estimation of misspecified models[J]. Econometrica， 1982， 50（1）：1-25.

[31]王志刚，龚六堂，陈玉宇. 地区间生产效率与全要素生产率增长率分解（1978—2003）[J]. 中国社会科学， 2006（2）：55-66. [WANG Zhigang， GONG Liutang， CHEN Yuyu. Chinas regional differences in technical efficiency and the decomposition of total factor productivity growth （1978-2003）[J]. Social sciences in China， 2006（2）：55-66.]

[32]YANG L G， LIU Y N. Can Japans outwards FDI reduce its CO2 emissions？： a new thought on polluter haven hypothesis[J]. Advanced materials research， 2013：807-809，830-834.

[33]匡远凤，彭代彦. 中国环境生产效率与环境全要素生产率分析[J]. 经济研究， 2012（7）：62-74. [KUANG Yuanfeng， PENG Daiyan. Analysis of environmental production efficiency and environmental total factor productivity in China[J]. Economic research journal， 2012（7）：62-74.]

[34]马晓钰，李强谊，郭莹莹. 我国人口因素对二氧化碳排放的影响——基于STIRPAT模型的分析[J]. 人口与经济， 2013（1）：44-51. [MA Xiaoyu， LI Qiangyi， GUO Yingying. The impact of population on carbon dioxide emissions in China： an analysis based on STIRPAT model[J]. Population & economics， 2013（1）：44-51.]

[35]CHRISTOPOULOS D， MCADAM P. Openness， efficiency and technology： an industry assessment[J]. Scottish journal of political economy， 2013， 60（1）：56-70.

[36]LI L B， LIU B L， LIU W L， et al. Efficiency evaluation of the regional hightech industry in China： a new framework based on metafrontier dynamic DEA analysis[J]. Socioeconomic planning sciences， 2017， 60：24-33.

[37]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.

[38]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.

[39]朱德进，杜克锐. 对外贸易、经济增长与中国二氧化碳排放效率[J]. 山西财经大学学报， 2013， 35（5）：1-11. [ZHU Dejin， DU Kerui. Foreign trade， economic growth and the efficiency of carbon emission in China[J]. Joumal of Shanxi Finance and Economics University， 2013， 35（5）：1-11.]

[40]沈坤榮，金刚，方娴. 环境规制引起了污染就近转移吗？[J]. 经济研究， 2017（5）：44-59. [SHEN Kunrong， JIN Gang， FANG Xian. Does environmental regulation cause pollution to transfer nearby？[J]. Economic research journal， 2017（5）：44-59.]