中国区域全要素生态效率及其影响因素研究

邢贞成　王济干　张婕

摘要

全要素生态效率的测度评价对于推进生态文明建设和促进区域协调发展具有重要意义。将生态足迹指标纳入全要素分析框架之中，提出Shephard生态距离函数，并由此构建全要素生态效率指标。同时运用基于Shephard生态距离函数的随机前沿分析模型，对2000—2014年中国区域的全要素生态效率及其影响因素进行了实证研究。结果显示：①中国生态足迹总量在2000—2014年呈现出递增趋势，增长速度在2006年之后有所放缓；中国各省市在生态足迹平均值和年均增长率方面均存在显著差异。②中国及其中部的全要素生态效率呈现出“先下降，后波动”的变化趋势，东部的生态效率呈现出“先下降，后上升”的“U”型变化趋势，西部的生态效率在整个研究期内基本上都呈现出下降趋势。中国全要素生态效率的地区分布大体上呈现出由西北向东南逐步提升的态势，河北、河南、山东等省份由于区域间的污染排放转移而出现生态效率塌陷现象。③全要素生态效率与环境规制呈“U”型关系，加强环境规制在长远上有利于生态效率提升；经济发展水平、产业机构和外资规模均对全要素生态效率具有显著的正向作用。根据实证分析结果，提出政策建议：大力扶持发展第三产业，引导产业有序转移，实现产业结构科学升级，同时立足当地的资源环境承载能力，因地制宜承接相关产业，并加强对转移企业的环境监管，禁止污染排放的跨区域转移；出台积极的招商引资政策，提升外资在本地企业中的优势，同时制定相关政策法规，加强对外资企业的甄别和监管，避免污染排放的跨国转移；各级政府必须将生态文明建设放在压倒性位置，出台更加严格有效的资源管理政策，并进一步细化各类环境保护规章制度，加强对环境污染排放的约束和监管。

关键词全要素生态效率；生态足迹；Shephard生态距离函数；随机前沿分析

中图分类号F124.5

文献标识码A文章编号1002-2104（2018）07-0119-08DOI：10.12062/cpre.20180114

中国作为一个发展中大国，面临着经济发展和生态保护的双重压力。生态文明建设是我国的基本战略，也是中国经济进入“新常态”的必然要求。生态文明建设的目标是减少资源的消耗量，提高资源的使用效率，降低环境污染，改善生态环境，促进经济高质量发展。为此，在发展经济的过程中，要尽量用最少的资源消耗和最小程度的环境不良影响来维持经济的持续增长，从而实现最高的生态效率。从这方面来看，生态效率既是经济-生态协调可持续发展的内在要求，也是衡量生态文明程度和建设成效的重要参考依据。因此，客观有效地评价我国区域的生态效率，揭示我国生态效率的时空分异特征，明确生态效率的影响因素，寻求生态效率提升的有效途径，对于我国更好地推进生态文明建设，转变经济发展方式，促进经济高质量发展具有重要的指导意义。

1文献综述

Schaltegger和Stum[1]首先提出生态效率，并将其作为一种衡量经济与生态协调发展程度的工具。生态效率通常被定义为生产活动的经济价值与环境影响的比值，其中地区生产总值（GDP）往往作为分子，而分母通常是各类生态压力指标。Zhang等[2]选取3种资源投入和6种环境压力作为生态压力指标构建了生态效率指标，并利用DEA模型实证分析了中国省际工业的生态效率。类似的研究还有成金华等[3]、王宝义和张卫国[4]。在上述文献中，生态效率的测度一般只考虑了几种特定的资源投入或环境压力，而没有全面考虑人类生产活动带来的生态影响，这会使得生态效率的评价不够准确。在这方面，Wackernagel和Rees[5]提出的生态足迹能全面评价人类活动的生态影响的方法，并得到了广泛的应用。于是，季丹[6]将生态足迹引入生态效率评价模型，并对我国30个省份的生态效率进行了分析。类似的研究还有史丹和王俊杰[7]、Fu等[8]。但是，生态本身不能带来任何产出，生态投入必须与其他要素投入（如劳动力、资本）共同作用才能产生经济价值。而且不同生产要素之间还存在替代效应，用单要素指标来测度生态效率不够全面，还有可能得出错误的结论。鉴于此，Yue等将生态足迹纳入全要素分析框架，运用SBM模型定义了全要素生态效率指标，并分别对G20国家和中國省域进行了实证研究[9-10]。

由上可知，现有文献中关于生态效率的测度，不管是单要素的还是全要素的，所用的方法基本都是非参数的DEA方法，该方法虽然具有无需设定具体函数形式的优点，但是由于其未考虑随机因素和统计噪音，因而容易受到数据质量误差的影响。而且，DEA方法不能直接对技术效率的影响因素进行分析，因而只能采用“两步法”来研究生态效率及其影响因素。傅京燕等[11]运用超效率 DEA模型测度中国2002—2012年区域生态效率，并使用Tobit模型对其影响因素进行了实证分析。

胡姚雨[12]运用SBM模型测算了2000—2010年中国省际全要素生态效率，并利用Tobit模型对其影响因素进行了研究。鉴于DEA方法在此方面的不足，已有学者选用基于距离函数的随机前沿分析方法研究效率及其影响因素，该方法为“一步法”，即测度效率和分析效率的影响因素同步进行。续竞秦和杨永恒[13]基于Shephard能源距离函数的随机前沿分析模型，实证分析了2001—2010年我国省际全要素能源效率及其影响因素。罗登跃和徐宁[14]采用基于产出导向距离函数的随机前沿分析方法，对2007—2015年95家中国证券公司的技术效率及其影响因素进行了研究。

文献检索结果表明，迄今为止，尚无利用上述的“一步法”分析我国全要素生态效率及其影响因素的成果文献[15-16]。因此，本文将生态足迹指标纳入全要素分析框架之中，提出Shephard生态距离函数，并由此构建了全要素生态效率指标。同时，运用基于Shephard生态距离函数的随机前沿分析模型，对2000—2014年中国区域的全要素生态效率及其影响因素进行了实证研究。最后，为中国生态效率提升及区域经济协调发展提供政策建议。

2 研究方法

2.1生态足迹模型

生态足迹模型由Wackernagel和Rees[5]于1996年提出并建立的，该模型能计算一定区域内的人口所消耗的资源及吸纳这些人口所产生的废弃物所需的生态生产性土地面积。生态足迹的计算包括耕地、林地、草地、水域、化石燃料用地和建筑用地六种土地类型。计算公式如下：

EF=∑i（∑jPi，jYPij×YFi，j）×EQFi（1）

式中，EF是总的生态足迹；i和j分别表示土地类型和生物类型；Pi，j表示第i种土地上第j种生物的产量；YPi，j表示第i种土地上第j种生物的全球平均单位面积产量；YFi，j表示第i种土地上第j种生物产量因子；EQFi表示第i种土地类型的当量因子。

2.2Shephard生态距离函数

距离函数定义在生产技术集之上，因此，构造距离函数之前首先要定义生产技术集。假设第k=1，2，…，K个决策单元（DMU）使用n=1，2，…，N种要素投入xkn∈RM+来生产m=1，2，…，M种产出ykm∈RM+，生产技术集可以定义为：

P（x）={y：x能生产y}（2）

式中，x=（x1，…，xN）表示投入向量，y=（y1，…，yM）表示产出向量，P（x）表示一定生产技术条件下，一定数量的投入所能生产的所有产出的可能集合。

然后，参考Zhou等[17]构建Shephard能源距离函数的思路，本文定义Shephard生态距离函数为：

De（K，L，EF，Y）=sup{β：（K，L，EF/β，Y）∈P（K，L，EF）}（3）

式中，K表示资本投入，L表示劳动投入，EF表示生态投入，Y表示经济产出；距离函数De（K，L，EF，Y）表示在产出不变的前提下生态投入的最大收缩比例β；P（K，L，EF）={Y：K，L，EF能生产Y}为按照上述定义构建的生产技术集。

根据Shephard生态距离函数的定义，EF/De（K，L，EF，Y）表示最优的生态投入，而全要素生态效率被定义为最优的生态投入与实际的生态投入的比值，因此，全要素生态效率可由Shephard生态距离函数表示为：

TFEE=EF/De（K，L，EF，Y）EF=1De（K，L，EF，Y）（4）

可以看出，全要素生态效率与Shephard生态距离函数值成倒数关系，全要素生态效率的取值范围是（0，1]，当且仅当De（K，L，EF，Y）=1，即被观测点位于生产前沿上时，生态效率取值为1。

2.3Shephard生态距离函数的随机前沿分析模型

生产函数常选用柯布-道格拉斯函数和超越对数函数两种形式，考虑到超越对数函数具有形式较为灵活，受到的限制少，并能有效减小函数形式假设带来的估计偏差。因此，这里参考Du和Lin[18]的做法，采用超越对数函数形式来估计Shephard生态距离函数。通过适当的数学变形和推导，可以得到具有标准形式的随机前沿分析模型，如式（5）所示。

ln（1/EFti）=β0+βklnKti+βllnLti+βylnYti+βkk×

（lnKti）2+βll（lnLti）2+βyy（lnYti）2+βkllnKtilnLti+βkylnKtilnYti+βly×

lnLtilnYti+βtt+βttt2+βkttlnKti+

βlttlnLti+βyttlnYti+vti-uti（5）

式中，t为时间，i为省市，Kti、Lti、EFti、Yti分别表示i省份在t年的资本投入、劳动力投入、生态投入和GDP产出。Dte（Kti，Lti，EFti，Yti）表示为基于t时期技术的Shephard生态距离函数。各个β是需要估计的参数，vti式随机误差项，表示测量误差以及其他各种不可控因素的影响，其服从相互独立的正态分布N（0，σ2v）。uti≡lnDte（Kti，Lti，EFti，Yti），是非负的技术无效率项，结合式（4）可得全要素生态效率计算公式为TFEEti=exp（-uti）。uti服從相互独立的截断正态分布N（μti，σ2u），其中，μti=δ0+∑pztipδp为无效率方程，ztip表示影响技术效率的因素，各个δ是需要估计的未知参数。值得一提的是，式（5）中所包含的所有未知参数可以通过极大似然估计一个阶段求出，即估算技术效率值的同时，还能对效率的影响因素进行分析。

3 变量设定与数据说明

3.1投入产出指标及其数据说明

考虑数据可得性，本文以中国大陆30个省份（不包括港、澳、台、西藏）为决策单元，采用这30个省份的面板数据，研究2000—2014年中国大陆区域的全要素生态效率及其影响因素。在Shephard生态距离函数中，投入指标包括生态投入、劳动力投入和资本投入，产出指标为地区生产总值，投入产出数据具体说明如下：

（1）生态投入指标。生态足迹通过耕地、林地、草地、水域、化石燃料用地和建筑用地的生物产出折算获得。各类土地生物产出数据来源于历年《中国统计年鉴》《中国能源统计年鉴》和各省市的统计年鉴，而YPi，j、YFi，j和EQFi的数据来源于世界粮农组织、《国家生态足迹账户》以及相关文献。

（2）劳动力投入指标。本文选取从业人数作为劳动力投入指标，相关数据来源于《中国统计年鉴》和各省市的统计年鉴。

（3）资本投入指标。资本存量采用“永续盘存法”进行估算：Kit=Kit-1（1-δ）+Iit，式中Kit表示地区i第t年的资本存量，Kit-1表示地区i第t-1年的资本存量，Iit表示地区i第t年的投资，δ是折旧率。在此基础上测算了各省市历年的资本存量，并转化为2000年不变价，相关数据来自《中国统计年鉴》和各省市的统计年鉴。

（4）地区产出指标。本文选取GDP作为产出指标，为了消除价格变动的影响，我们使用GDP平减指数将历年现价GDP转化为2000年不变价格，相关数据来源于《中国统计年鉴》和各省市的统计年鉴。

3.2影响因素变量及其数据说明

参考相关文献，本文选取设定4项全要素生态效率的影响因素：经济发展水平、环境规制、产业结构、外资规模，各项影响因素的具体描述如下：

（1）经济发展水平（EL）：用人均 GDP表示，同样为了保持数据的可比，利用GDP平减指数将历年人均GDP转换为2000年不变价格。

（2）环境规制（ER）：采用沈能和刘凤朝[19]的方法设计环境规制指标来反映环境规制强度，具体如下：

ER=IPCIGIP/GIPGDP（6）

式中，IPCI表示工业污染治理投资额，GIP表示工业生产总值，该指标的优点在于利用工业生产总值与GDP的比值对传统的环境规制指标（环境污染治理投资强度）进行了修正，避免了因为地区产业结构的差异对环境规制强度评价造成的误差。

（3）产业结构（IS）：用第三产业产值占GDP的比重表示。

（4）外资规模（FIS）：用外商投资额占全社会固定资产总投资的比重表示。

上述影响因素变量的相关数据来源于《中国统计年鉴》和各省市的统计年鉴。

4实证结果分析与讨论

4.1中国省域生态足迹测度结果

根据式（1）计算2000—2014 年中国30个省份的生态足迹，图1清晰地展示出中国生态足迹总量及其年增长率的变化情况，图2显示了各省市15年间生态足迹的平均值和年均增长率。从国家层面来看（图1），中国生态足迹总量在2000—2014 年呈现出递增趋势，由2000年的1 795.30×106gha增长至2014年的4 567.61×106gha，期间增长了154.42%；在年增长率方面，2006年及之前生态足迹的增长速度较快，而2007年及之后的增长速度放缓，其可能是因为，2007年之后生态文明建设的提出和逐步推进减小了经济活動对生态环境的影响。从省市层面来看（图2），2000—2014年平均生态足迹值最大的是山东省，达296.26百万全球hm2，海南省的平均生态足迹最小为8.80百万全球hm2；2000—2014年间的生态足迹增长速度最快的是宁夏自治区，其年均增长率达2169%，北京市的生态足迹年均增长率最低为1.40%。

4.2中国区域全要素生态效率测度结果

运用Frontier 4.1软件求解式（5），估测2000—2014年中国各地区的全要素生态效率，结果如表1所示。在研究期内，全要素生态效率最高的省份是北京（0.913），生态效率大于0.8的省份依次为广东（0.892）、上海（0.877）、浙江（0.848）、重庆（0.841）、海南（0.841）、福建（0.832），这些省份多属于东部发达地区（重庆是西部的直辖市），拥有较高的经济发展水平、先进的技术创新能力以及较为合理的产业结构，这是实现经济与生态协调发展的重要保证。其中，北京已基本形成以现代服务业为主体、以战略性新兴产业为引领、以先进制造业为支撑的现代产业体系，资源消耗和环境污染大幅下降，生态效率绝对领先。特别地，海南以旅游业为支柱产业，与以工业为主的省份相比，其对生态环境造成的影响较小，同时海南坚持实施“绿化宝岛大行动”，其森林覆盖率常年保持全国领先水平，因而也具有较高的生态效率。

全要素生态效率低于0.3的两个省份为内蒙古（0.227）和山西（0.239），生态效率低于0.4的省份依次为新疆（0.302）、河北（0.345）、黑龙江（0.353）、宁夏（0.364）、河南（0.373）、辽宁（0.380）、山东（0.380），这些省份多属于中、西部的内陆地区，资源环境的过度开发、粗放的经济增长方式以及落后的生产技术是这些地区生态效率低下的主要原因。具体来说，内蒙古和新疆由于人口的激增和不合理的开发活动，其生态功能退化严重（如草原退化、土地荒漠化等）；山西是我国煤炭能源生产大省，长期的开采导致生态环境破坏严重；辽宁和黑龙江是我国传统的重工业基地，产业结构以高能耗、重污染的第二产业为主，对资源环境的影响程度较大。

4.3中国全要素生态效率的时空分异特征

图3显示了2000—2014年中国及其东、中、西部的全要素生态效率的变化趋势。可以看出，中国及其中部的生态效率呈现出“先下降，后波动”的变化趋势，即在2000—2006年间呈现出下降趋势，而在2007—2014年间保持区间波动状态；东部的生态效率呈现出“先下降，后上升”的“U”型变化趋势，即在2000—2006年间呈下降趋势，而在2007—2014年间呈上升趋势；

西部的生态效率在整个研究期内基本都呈现出下降的趋势。除此以外，由上述分析可知，生态足迹在2000—2006年间增长速度较快，而在2007—2014年间增长速度放缓。全要素生态效率定义为最优的生态足迹与实际的生态足迹的比值，因而生态足迹与生态效率的变化趋势在本质上具有一致性，同时前者的变化趋势还能在一定程度上为后者的变化特征提供解释。

实际上，经济发展初期各地区只注重经济的发展，过度索取自然资源以保持经济的高速增长，同时缺乏生态保护意识和相应措施，从而对生态环境造成了极大的影响，导致生态足迹持续快速增长。而且，该阶段各地区经济发展水平较低，技术水平较为落后，导致生态资源浪费严重，环境污染累积效应日益增强，从而导致生态足迹冗余严重，致使全要素生态效率逐渐下降。自2007年以来，随着生态文明建设的提出与逐步推进，各地的生态环境质量得以改善，同时各地也积极引进先进的生产技术和管理模式，提高了资源利用效率和污染物处理能力，减轻了经济发展对生态环境的压力。其中，东部地区经济发达，市场机制较为完善，生产技术、产业结构和环境保护都处于较高的发展水平，率先实现经济增长方式由粗放型向集约型的转变，因而全要素生态效率呈现出上升趋势；中部地区接受东部经济辐射，通过引进东部的先进技术，并承接相应的产业转移，经济结构实现优化升级，但是由于经济发展还未完全摆脱传统发展模式，对生态的影响仍然不小，从而生态效率呈现出波动变化；西部深处内陆地区，经济

发展较为落后，生产技术和管理水平也较低，同时交通不便、市场封锁等因素阻碍了其与发达地区的交流合作，资源导向型为主的产业结构也没有改变，生态环境负荷严重超载，从而导致生态效率持续走低。

通过观察对比表1中各省的效率评价结果，全要素生态效率的省际分布差异特征能够被揭示出来。总的来看，中国的全要素生态效率大体上呈现出由西北向东南逐步提升的态势，当然北京、天津、重庆三个直辖市虽然不处于

东南沿海地区，但是由于特殊的区位优势和政治地位以及较发达的经济水平，其具有较高的生态效率也与已有认知吻合。因此，中国区域的生态效率分布与各省份经济实力的分布基本趋同。不过，河北、山西、河南、山东这四个省份表现出生态效率过低的反常情况，与上述的分布规律有所不符。通过与周边省份对比可以看出，这四个省是全要素生态效率的塌陷地带。如上所述，山西是我国煤炭能源生产大省，长期的开采使得资源负荷严重超载，生态环境破坏严重，从而导致生态效率偏低；而河北、河南、山东这三个省份生态效率异常情况的成因类似，可能都是受区域间产业转移的影响。实际上，由于地理位置的原因，河北是京津地区高耗能、高污染产业转移的首选之地，而河南、

山东则是长三角地区的产业转移承接地，因此产业转移带来的污染排放跨区域转移，是导致这三个省份全要素生态生产率低下的重要原因，另外，京津和长三角地区生态效率的逐步提升在一定程度上也证实污染跨区域转移的存在。

4.4中国全要素生态效率影响因素

使用随机前沿分析方法估计Shephard生态距离函数的优势在于，求解式（5）测算效率的同时，也能给出无效率方程的估计结果，具体见表2。

如表2所示，在无效率模型的回归中，除环境规制的对数（ln（ER））外，大部分影响因素变量的系数通过了显著性检验。具体而言：

（1）经济发展水平对数（ln（EL））的系数在1%水平上显著为负，表明全要素生态效率与经济发展水平成正相关，即生态效率随着經济发达程度的提高而上升，这与上文的分析一致。

（2）环境规制的对数（ln（ER））的系数未通过显著性检验，但是环境规制的对数的平方（（ln（ER））2）在10%水平上显著为负，说明全要素生态效率与环境规制呈“U”型关系，这在一定程度上验证了“波特假说”的存在。值得一提的是，ln（ER）的系数不显著可能是因为，目前的环境规制强度正处于生态效率与环境规制曲线的极点附近，因此加强环境规制强度在长远上有利于提高生态效率。

（3）产业结构的对数（ln（IS））的系数在1%水平上显著为负，说明全要素生态效率与第三产业的占比成正相关。

（4）外资规模的对数（ln（FIS））的系数在1%水平上显著为负，即外商投资有利于全要素生态效率的提高。这一结论没有支持“污染天堂”假说，表明我国在对外资企业的甄别和监管方面表现较好，能够在引进外资吸收先进生产技术的同时，避免了污染排放的跨国转移。

5结论与政策启示

本文基于生态足迹理论与模型，对2000—2014年中国大陆30个省市（西藏除外）的生态足迹进行了测算，并将得到的生态足迹作为生态投入指标纳入全要素分析框架中，提出针对生态投入要素的Shephard生态距离函数，并由此构建了全要素生态效率指标。同时，采用基于Shephard生态距离函数的随机前沿分析模型，对2000—2014年中国区域的全要素生态效率及其影响因素进行了实证研究。研究结论如下：

（1）中国生态足迹总量在2000—2014年呈现出递增趋势，在研究期内增长了154.42%；生态足迹的增长速度在2006年及之前较快，而在2007年及之后有所放缓。中国各省市在生态足迹平均值和年均增长率方面均存在显著差异，平均生态足迹值最大的是山东省，最小的是海南省；生态足迹增长速度最快的是宁夏自治区，最慢的是北京市。

（2）中国及其中部的生态效率呈现出“先下降，后波动”的变化趋势，东部的生态效率呈现出“先下降，后上升”的“U”型变化趋势，西部的生态效率在整个研究期内基本都呈现出下降的趋势；中国的全要素生态效率大体上呈现出由西北向东南逐步提升的态势，与各省份经济实力的分布基本趋同。

（3）全要素生态效率与环境规制呈“U”型关系，而且目前的环境规制可能正处于生态效率与环境规制曲线的极点附近；经济发展水平、产业机构和外资规模均对全要素生态效率具有显著的正向作用。

本文结论蕴含了丰富的政策启示：

（1）优化升级产业结构，因地制宜促进发展。政府应大力扶持发展第三产业，引导产业有序转移，实现产业结构科学升级，同时立足当地的资源环境承载能力，因地制宜承接相关产业。由上文分析可知，河北、河南、山东是全要素生态效率的塌陷地带，而产业转移过程中的污染转移问题是其主要原因，因此政府部门在承接相关产业的过程中，还要加强对转移企业的环境监管，坚决禁止污染的跨区域转移。

（2）打破行政区域局限，推进区域协同合作。中国全要素生态效率存在显著的地区差异，有必要打破地区封锁与利益藩篱，破除阻碍地区间合作的制度障碍，加强地区间的经济融合与协同合作，促进资本、人才等要素资源自由流动，实现生产技术与管理模式的梯度转移，进而不断缩小全要素生态效率的地区差异。同时积极推进“自上而下”式的整体经济发展规划，避免各省市之间同质竞争，加快形成生态环境联防联治的协调发展新机制。

（3）提升外资引入力度，强化外资准入标准。外商投资对全要素生态效率的影响较为复杂，不过就现阶段而言，外商规模的扩大有利于全要素生态效率的提高。因此各地区要出台积极的招商引资政策，提升外资在本地企业中的优势方面，并加强与发达国家的合作交流，引进吸收国外的先进生产技术和管理模式。不过，各地政府在外资引入的过程中，要注意对外资企业的甄别和监管，避免污染排放的跨国转移，提高引进外资的绿色质量。

（4）加强环境规制力度，推进生态文明建设。各地区必须将生态文明建设放在压倒性位置，出台更加严格有效的资源环境管理政策，调控能源、土地和水资源利用的结构和规模；同时，进一步细化各类环境保护规章制度，设定具体可操作、可量化的环保减排指标，对违规企业、超额排放等行为严厉惩处，从源头上减少环境污染。

（编辑：刘照胜）

参考文献（References）

[1]SCHALTEGGER S， STURM A. kologische rationalitt： ansatzpunkte zur ausgestaltung von kologieorientierten management instrumenten[J]. Die unternehmung， 1990， 44（4）：273-290.

[2]ZHANG B， BI J， FAN Z， et al. Ecoefficiency analysis of industrial system in China： a data envelopment analysis approach[J]. Ecological economics， 2008， 68（1）：306-316.

[3]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， 24（1）：47-54. [CHENG Jinhua， SUN Qiong， GUO Mingjing， et al. Research on regional disparity and dynamic evolution of ecoefficiency in China[J]. China population， resources and environment， 2014， 24（1）：47-54.]

[4]王宝义， 张卫国. 中国农业生态效率测度及时空差异研究[J]. 中国人口·资源与环境， 2016， 26（6）：11-19. [WANG Baoyi， ZHANG Weiguo. A research of agricultural ecoefficiency measure in China and spacetime differences[J]. China population， resources and environment， 2016， 26（6）：11-19.]

[5]WACHERNAGEL M， REES W E. Our ecological footprint： reducing human impact on the earth[M]. Gabriola Island： New Society Publishers， 1996.

[6]季丹. 中國区域生态效率评价——基于生态足迹方法[J]. 当代经济管理， 2013， 35（2）：57-62. [JI Dan. Evaluation on Chinas regional ecoefficiency：based on ecological footprint methodology[J]. Contemporary economy & management， 2013， 35（2）：57-62.]

[7]史丹， 王俊杰. 基于生态足迹的中国生态压力与生态效率测度与评价[J]. 中国工业经济， 2016（5）：5-21. [SHI Dan， WANG Junjie. Measurement and evaluation of Chinas ecological pressure and ecological efficiency based on ecological footprint[J]. China industrial economics， 2016（5）：5-21.]

[8]FU W， TURNER J C， ZHAO J. Ecological footprint （EF）： an expanded role in calculating resource productivity （RP） using China and the G20 member countries as examples[J]. Ecological indicators， 2015， 48：464-471.

[9]YUE S J， YANG Y， SHAO J， et al. International comparison of total factor ecology efficiency： focused on G20 from 1999-2013[J]. Sustainability， 2016， 8（11）：1129.

[10]YUE S J， YANG Y， PU Z. Totalfactor ecology efficiency of regions in China[J]. Ecological indicators， 2017， 73：284-292.

[11]傅京燕， 原宗琳， 曾翩. 中国区域生态效率的测度及其影响因素分析[J]. 产经评论， 2016， 7（6）：85-97. [FU Jingyan， YUAN Zonglin， ZENG Pian. Research on regional ecological efficiency in China： measurement and determinants[J]. Industrial economic review， 2016， 7（6）：85-97.]

[12]胡姚雨. 基于生态足迹视角的中国全要素生态效率研究[D]. 南京：东南大学， 2016. [HU Yaoyu. The study of Chinas total factor ecological productivity based on the prospective of ecological footprint[D]. Nanjing： Southeast University， 2016.]

[13]续竞秦， 杨永恒. 我国省际能源效率及其影响因素分析——基于2001—2010年面板数据的SFA方法[J]. 山西财经大学学报， 2012（8）：76-83. [XU Jingqin， YANG Yongheng. Research on interprovincial energy efficiencies in China and the determinants：SFA Method based on 2001-2010 panel data[J]. Journal of Shanxi Finance and Economics University， 2012（8）：76-83.]

[14]罗登跃， 徐宁. 中国证券业效率及其影响因素研究——基于产出导向距离函数的随机前沿分析[J]. 南方经济， 2017（1）：13-29. [LUO Dengyue， XU Ning. Technical efficiency of Chinese securities companies and its determinants： stochastic frontier analysis based on outputoriented distance function[J]. South China journal of economics， 2017（1）：13-29.]

[15]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.

[16]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.

[17]ZHOU P， ANG B W， ZHOU D Q. Measuring economywide energy efficiency performance： a parametric frontier approach[J]. Applied energy， 2012， 90（1）：196-200.

[18]DU K R， LIN B Q. International comparison of totalfactor energy productivity growth： a parametric Malmquist index approach[J]. Energy， 2017， 118：481-488.

[19]沈能， 劉凤朝. 高强度的环境规制真能促进技术创新吗？——基于“波特假说”的再检验[J]. 中国软科学， 2012（4）：49-59. [SHEN Neng， LIU Fengchao. Can intensive environmental regulation promote technological innovation？：Porter hypothesis reexamined[J]. China soft science， 2012（4）：49-59.]