中国工业环境生产效率及环境保护税开征的研究

吴茵茵 李力 李可

摘要 实证估计环境生产效率是近年来有关中国经济与环境协调发展的重要研究分支之一。本文基于面板数据固定效应随机前沿模型实证检验了2005—2015年中国大陆除西藏以外的30个省市或自治区的工业环境生产效率，并在此基础上进一步分析了有关环境保护税开征的若干问题。不同于已有文献，本文的实证研究充分利用了面板数据的特征，将不随时间变化的地区异质性与随时间变化的地区生产效率相分离，进而得到理論上更为合理的各地区工业环境生产效率的估计值。另外，本文还从理论征收额与实际征收额的角度构建了排污费征收强度指标，以替代已有相关文献常用的排污收费金额作为排污收费制度的代理变量，进一步实证检验了该制度的有效性。相关实证结果表明：①虽然同样是基于参数化的面板数据随机前沿模型，但是否将不随时间变化的地区异质性与随时间变化的地区环境生产效率相分离，所得到的效率估计值存在着显著差异，由此也进一步表明了在面板数据中考虑地区异质性的必要性；②基于面板数据固定效应随机前沿模型的效率估计可知，整体工业经济的平均环境生产效率已由2005年的0.488 8上升至2015年的0.780 9，且东部及个别中西部地区的工业发展具有较高的环境生产效率；③模型及代理变量选取的差异都会影响对中国排污收费制度有效性的实证评估结论，排污收费制度能否有效地改进工业环境生产效率的实证结果并不稳健；④若考虑地区异质性且以排污费征收强度作为排污收费制度的代理变量，则实证结果显示排污收费制度并不能有效地改善工业环境生产效率；⑤综合各地区的生态承载压力及工业环境生产效率，中国东、中、西部地区可被重新划分为高排放高效率、高排放低效率、低排放低效率以及低排放高效率四大区域。

关键词 工业；环境生产效率；随机前沿模型；环境保护税

中图分类号 F424.6

文献标识码 A

文章编号 1002-2104（2018）09-0063-10

[WTHZ]DOI：10.12062/cpre.20180420

改革开放以来，中国经济实现了持续快速的增长，但由此产生的污染排放也日益超过了生态环境的可承载范围。据世界银行2007年的一份研究报告[1]显示，中国是目前世界上最大的二氧化硫和二氧化碳排放国；美国耶鲁大学发布的《2016年环境绩效指数报告》[2]也显示，中国已成为世界上PM2.5的超标重灾区。面对当前不容忽视的环境污染问题，中国政府已采取一系列相关措施以推动生态环境保护事业的发展，且十八大以来中国忽视生态环境保护的状况已明显改变，生态文明建设取得了显著成效。十九大报告更加明确地指出“建设生态文明是中华民族永续发展的千年大计”，并将“坚持人与自然和谐共生”写进新时代坚持和发展中国特色社会主义的基本方略。

1 文献分析

近年来不少文献研究了中国经济与环境协调发展的相关问题，而其中的重要分支之一是实证检验包含环境要素在内的中国各地区的生产效率[3-5]。这些研究背后的经济逻辑是，如果存在改善生产效率的空间，那么通过提高生产效率就能够使得中国经济在不增加任何投入成本的同时实现经济发展与环境改善的“双赢”。基于此考虑，本文在已有相关文献的基础上进一步探讨中国环境生产效率的相关问题。另外，考虑到工业经济生产活动是当前中国污染排放的重要来源，如据《中国环境统计年鉴（2016）》显示，2015年中国工业排放的二氧化硫、氮氧化物、烟粉尘约占全国排放总量的84%、64%、80%，因此本文将研究聚焦于工业部门的环境生产效率。与此同时，中国第一部专门体现“绿色税制”、推进生态文明建设的单行税法即《中国人民共和国环境保护税法》已于2018年1月1日起施行，截至此，在中国施行了近40年的排污收费制度也已退出了历史舞台。本文也将在近年来中国工业环境生产效率的基础上分析环境保护税开征的相关问题。

从已有文献的梳理来看，考虑环境因素的相关文献从研究视角上可以划分为两类：一类是研究环境效率，即度量实际污染排放和潜在污染排放之间的比值[6-7]，另一类是考虑环境约束下的生产效率或全要素生产率[4-5]，即度量考虑环境约束时的实际产出和潜在产出之间的比值。与此同时，对于这两类相关问题的研究，这些文献从研究方法上也可以划分为两类：一类是基于数据包络分析（DEA）的非参数研究方法[8-9]，另一类是基于随机前沿分析（SFA）的参数研究方法[7，10]。总体而言，在研究环境效率问题时，非参数与参数方法大都将污染排放视作非期望产出[7，9]。但在研究环境因素对生产效率的影响时，非参数与参数方法对环境因素的处理有所区别，非参数方法大都将污染排放视作非期望产出[11]，而由于存在难以处理非期望产出的技术问题，参数方法通常将污染排放与资本、劳动等因素一同视作投入要素进行处理[12]。将污染排放看作投入要素的处理方法是基于这样的思路，即“自然环境吸纳和沉积废弃物的功能可以为经济提供某种形式的社会资本服务，经济活动单位通过这种社会资本服务或者说对自然环境的消耗可以在给定其他投入要素的前提下增加其产出水平”[13]。相对于非参数分析方法，随机前沿参数分析方法的优势在于可以区分技术无效率与统计噪声[14]，从而避免基于非参数分析方法测量的效率值对于测量误差和极端值特别敏感的缺陷[10]。

值得一提的是，当前研究中国环境效率或环境生产效率的文献大都未考虑个体异质性的影响[15-16]。汪克亮等[9]在研究中国大气污染排放效率的区域差异时强调由于中国区域经济发展不平衡，因此不考虑个体异质性将可能导致相关决策失误。目前采用随机前沿参数方法分析生产效率及全要素生产率的文献大多选用Battese和Coelli[17]提出的模型[18-19]。Battese和Coelli[17]提出的模型不但可以测算出决策单元的技术效率，还可以对影响决策单元生产效率的相关因素进行分析。不过，由于该模型并没有考虑难以观测的个体效应，因此应用该模型可能得不到一致的参数估计[20，21]。Wang和Ho[22]指出，Battese和Coelli[17]所提出的传统面板随机前沿模型将不随时间变化的个体异质性并入了个体生产效率值的估计，而真实的个体生产效率值应当剔除不随时间变化的个体异质性。但Green[23]指出如果在面板数据随机前沿模型中区分个体异质性与个体生产效率，则会出现伴生参数等难题。不过Wang和Ho[22]提出通过模型设定与转换（一阶差分或组间转换）以消除面板数据固定效应随机前沿模型中伴生参数的新方法。林伯强、杜克锐[20]在分析要素市场扭曲对能源效率的影响时正是采用了Wang和Ho[22]提出的面板数据固定效应随机前沿模型。

总体而言，为了能够有效地控制个体不可观察的特征，使模型对随时间可变的无效率值的估计更加可靠，本文的研究也将采用Wang和Ho[22]提出的面板数据固定效应随机前沿模型。而在生产函数的处理方面，本文将借鉴匡远凤和彭代彦[10]以及陈诗一[13]等的处理方法，即将污染排放视同投入要素，与资本、劳动、能源投入要素一同参与工业增加值的创造。相比已有研究，本文的边际贡献可归纳为：①采用面板数据固定效应随机前沿模型将地区个体异质性与生产无效率相分离，这不仅使模型对工业环境生产效率值的估计更加可靠，而且也是对现有相关研究的有益补充；②构建排污费征收强度指标作为排污收费制度的代理变量，并检验该制度能否有效地改进中国工业环境生产效率；③结合地区环境承载压力提出应对环境保护税开征及其征收标准提高的区域差异化策略。

2.2 变量与数据处理

由于西藏地区的相关数据缺失较多，因此本文只选取除西藏以外的中国30个省市或自治区的相关面板数据来实证检验近年来（2005—2015）年中国工业环境生产效率。相关投入、产出变量的选择及数据处理如下。

（1）产出变量：工业增加值。

有关研究中国经济环境生产效率的文献[24-25]大都采用GDP作为经济产出的代理变量，而与GDP对应的是经济产出增加值的概念，相对应，本文对中国工业环境生产效率的实证检验则选定工业增加值作为工业经济产出的代理变量。

不过，由于中国相关统计年鉴不再公布2007年以后规模以上工业增加值的统计数据，且于2011年以后也不再公布规模以上工业总产值的统计数据，因此本文中有关2005—2007年各地区工业增加值数据直接来源于《中国工业统计年鉴（2006—2008）》，而2008—2015年各地区工业增加值数据参照2005—2007年的平均增值率（工业增加值/工业总产值）进行折算，且简单地将2012—2015年各地区工业销售产值等同于工业总产值进行处理。2006—2015年的增加值数据均按照“各地区工业生产者出厂价格指数”平整至2005年不变价格。

（2）投入变量：工业资本、劳动力、能源及环境。

相关投入变量包括资本、劳动、能源及环境。工业资本投入以固定资产净值代替，且按照“各地区固定资产投资价格总指数”平整至2005年不变价格。依据可获取的数据，2005—2008年为规模以上工业企业固定资产净值年平均余额，2009—2010年为规模以上工业企业固定资产净值，2011—2015年为规模以上工业企业固定资产原价减去累计折旧后的余额。劳动力投入为规模以上工业企业平均用工人数。能源消费为以发电煤耗计算的各地区工业终端能源消费标准量。环境要素投入的代理变量为工业废气排放量②。

式（3）中投入、产出变量的描述性统计见表1。

（3）无效率项的影响因素：排污费征收强度。已有研究大都认为由于中国的排污收费标准偏低且存在应缴未缴等问题，因此已有的排污收费制度并未起到起到治污减排的应有功能[26-27]。不过Xie等[28]的实证结果显示中国的排污收费制度能够有效地提高以SBM模型测量的环境全要素生产率。

由于随机前沿模型能够同时测量生产效率以及检验影响无效率值的相关因素，因此本文在式（3）中同时考虑了无效率值的时间趋势以及相应年份的排污收费制度对中国工业环境生产效率的影响。不同于已有文献直接将排污收费额作为排污费收费制度的代理变量[28-29]，本文结合收费标准、排污量以及实际排污费收缴额构建了排污费征收强度指标作为该制度的代理变量，具体如式（5）所示：

排污收费强度=排污费实际征收额排污费理论征收额（5）

由于相关统计年鉴并未提供2005—2015年各个地区的废气排污收费额，因此式（5）以整体的排污费征收强度替代工业废气的排污费征收强度。式（5）中排污费实际征收额数据直接来源于历年的统计年鉴，而理论征收额的构建公式如式（6）所示：

排污费理论征收额=（工业二氧化硫排放量÷0.95）×1.2+（工业化学需氧量排放量÷1+工业氨氮排放量÷0.8）×1.4+工业固体排放量×5（6）①

总的来说，虽然式（6）所计算的排污费征收理论值并非完全等于各地区应缴的排污费总额，但基于式（6）与式（5）所计算的排污费征收强度能够较好地剔除排污量变化对排污收费金额的影响，从而更好地反映各地区执行排污收费制度的严格性。基于此，本文认为，相比排污收费总额，式（5）所构建的排污费征收强度是排污收费制度更好的代理变量。

由图1可知，中国东、中、西部三大区域的排污费征收强度整体上都呈递增趋势，且呈现征收强度东部最大、中部次之、西部最低的整体区域格局。

3 实证分析与讨论

3.1 模型估计结果

基于一阶差分法可对式（3）进行实证估计，具体估计结果见表2中模型1的参数估计值。作为对照，表2同时提供了基于式（1）对应模型的估计结果，即模型2的参数估计值。

由表2可知，从对数似然值来看，模型1的拟合程度远高于模型2，因此模型1更优于模型2；从平均效率值来看，模型1所估计的平均值为0.653 5，低于模型2所估计的平均值0.810 5。

在表2的基础上，表3进一步详细比较了模型1与模型2所估计的2005—2015年中国工业环境生产效率存在的差异。

由表3可知，不論是从积距相关系数还是从序数相关系数来看，基于模型1与模型2所估计的效率值的相关系数均非常低，这意味着该两个模型所提供的效率估计值存在较大的差异性，而由于模型1较好地利用了面板数据的特征且拟合程度较高，因此模型1的估计结果是更为可取的。

3.2 中国工业环境生产效率

由于基于Wang和Ho[22]模型的估计结果是更为可取的，因此表4仅提供基于该模型所估计的2005—2015年中国大陆除西藏外的30个省市或自治区的工业环境生产效率。

由表4可知，2005—2015年中国各地区的工业环境生产效率均呈现逐年递增的趋势，这也与表2所列示的“无效率函数”中的时间变量的估计系数显著负相关（效率值随时间递增，则无效率值随时间递减）相对应。由表4还可知，2005—2015年中国工业环境生产效率呈现东部最高、中西部次之的整体区域特征。

分别从30个省市或自治区来看，以最近年份2015年为例，首先，东部地区的上海、浙江、广东以及西部地区的新疆的工业环境生产效率均超过0.9，属于2015年中国工业环境生产效率的第一阶梯；其次，东部地区的北京、天津、江苏、福建、海南以及中西部地区的黑龙江、云南的工业环境生产效率位于0.8～0.9之间，属于2015年中国工业环境生产效率的第二阶梯；最后，西部地区的甘肃、内蒙古以及中部地区的吉林、湖北的工业环境生产效率位于0.3～0.6之间，属于2015年中国工业环境生产效率的最低阶梯。

表5比较了已有相关研究及相应结论与本文研究及对应结论的区别。由表5可知，无论是基于数据包络分析的非参数方法还是基于随机前沿的参数方法，无论是研究整体经济还是仅研究工业部门的环境生产效率，相关实证研究结论均表明中国东部地区属于高效率区域，而位于中西部地区的大部分省市属于低效率区域；有所区别的是，如果研究对象仅限于中国工业部门，则个别位于西部地区的省市或自治区与东部地区的高环境生产效率不相上下。如宋马林和王舒鸿[30]基于SBM模型的非参数估计结果显示，中国高环境生产效率的省市主要集中在东部沿海地区，但也有个别西部省市的环境生产效率值较高。该结论也与本文的实证结论相仿。

總体而言，上文以中国工业部门为例，并基于面板数据固定效应随机前沿模型再次实证检验了中国的环境生产效率，相关实证结果进一步丰富了该领域的研究，也为已有部分研究结论提供了更为充分的实证证据。以下将在中国工业环境生产效率估计值的基础上讨论中国环境保护税的开征。

3.3 中国环境保护税的开征

（1）排污收费制度的有效性。目前中国废气环境保护税的征收标准是由各地区依据自身的经济发展水平与环境承载能力在国家规定的10倍幅度内自行确定的。从各地已颁布执行的征收标准来看，新疆、宁夏、青海、甘肃、 陕西、江西、安徽、辽宁、吉林、黑龙江、西藏共11个省或自治区执行国家最低标准即以往的排污收费标准，北京执行国家最高标准即为最低标准的10倍，其余19个省市的征收标准介于最低标准与最高标准之间。由于目前的环境保护税对以往的排污收费制度具有较强的继承性，而且部分地区仍按照排污收费标准征收环境保护税，因此实证检

验以往的排污收费制度能否改善工业环境生产效率仍具有实际意义。

由上文的表2可知，从Wang和Ho[22]的面板数据固定效应随机前沿模型来看，2005—2015年各地区排污费征收强度对工业环境生产无效率的影响符号为负，但影响程度并不显著；从Battese和Coelli[17]模型来看，该变量的影响符号为正，影响程度同样不显著。模型选取的差异导致了对中国排污收费制度有效性实证结论的差异。虽然两个模型的实证结论均表明中国以往的排污收费制度不能很好地解释工业环境生产效率的变化，但模型1表明排污收费制度是存在改善工业环境生产效率的力量的，而模型2表明排污收费制度反而不利于工业环境生产效率的改善。

不过，如果以排污收费金额替代排污费征收强度作为排污收费制度的代理变量，在模型1中，排污收费制度能够显著地改善各地区工业环境生产效率（显著性水平为8.1%）；而在模型2中，排污收费制度能够显著地降低各地区工业环境生产效率。两类模型及两类代理变量可以得到四类差异化的实证结论，这也与目前相关文献对排污收费制度有效性评估存在的实证分歧相一致，由此也进一步表明了模型与代理变量合理选取的重要性。虽然排污收费金额能够通过显著性检验，但由于排污收费金额同时还受地区污染排放量的影响，即其他条件不变时，排污量的增加也会自动地增加排污收费金额。因此，排污收费金额能够有效地解释环境生产效率并不意味着排污收费制度的征收标准以及征管力度是合适的，相反，可能是一定的污染排放规模对环境生产效率的影响所导致。

在本文中，由于模型1优于模型2，因此本文只参照模型1的实证估计结果。在模型1中，虽然排污费征收强度或排污收费金额的对无效率值的影响符号同为负，但二者的显著性水平存在差异，因此本文认为已有的排污收费制度能否有效地改进工业环境生产效率的实证结果并不稳健，我们尚不能乐观地认为延续已有的收费标准来征收环境保护税是合理的。事实上，近年来部分理论研究指出市场激励型的环境规制对环境生产效率的影响是非线性的，如童健等[31]指出环境规制对工业行业转型升级的影响呈现J型特征，徐保昌和谢建国[32]指出排污收费制度对企业环境生产效率的影响呈U型关系即排污费征收强度存在一个适宜的强度。

（2）应对环境保护税开征的区域策略。环境保护税的开征及其征收标准的提高使得高污染高排放的工业企业面临较强的环境污染成本约束，而相比工业环境生产高效率地区，低效率地区面临环境污染成本的压力更大。另外，从缓解各地区环境承载压力来看，不论是高效率还是低效率地区，一个地区内的工业污染排放量过高都使得该地区面临较大的环境污染压力，未来公共部门也将倾向于执行更为严格的环境规制政策来控制污染排放，因此同等条件下这些地区也很有可能比其他地区承担更高的环境污染成本。

图2以人均工业废气排放量衡量地区的环境承载压力，同时以工业环境生产效率与人均工业废气排放量作为横纵坐标并按照中位数（高于中位数则为高排放或高效率，低于中位数则为低排放或低效率）将中国大陆除西藏外的30个省市或自治区划分为高排放高效率、高排放低效率、低排放低效率、低排放高效率四大区域。

由图2可知，东部地区有5/11的省市属于区域1，4/11的省市属于区域4，余下2/11的省市（河北、山东）属于区域2；中部地区有1/2的省市属于区域3，1/4的省市属于区域4，各有1/8的省市属于区域1与区域2；西部地区有5/11的省或自治区属于区域2，3/11的省市或自治区属于区域3，2/11的省市或自治区属于区域4（云南、陕西），仅有新疆属于区域1。

总体而言，东部地区具有较高的工业环境生产效率，且近一半的省市可归属于低排放区域；西部地区具有较低的工业环境生产效率，且近一半的省市还属于高排放区域，这些地区未来的生态环境压力不容小觑；中部地区具有较明显的夹心层的特征，一半的省市属于低排放低效率区域，但部分省份（黑龙江、河南）可归属于低排放高效率区域。另外，从目前的环境保护税征收标准来看，宁夏、青海、甘肃、安徽的征收标准非常低，但这些地区目前不仅生态承载压力大且工业环境生产效率低，未来还应当尽快地提高这些地区的环境保护税征收标准。

在图2的基础上，表6归类了针对环境保护税开征以及其征收标准提高的区域差异化策略。

总体而言，①低排放高效率区域属于经济发展与环境质量可协调发展的理想区域，环境保护税的开征及其征收标准的提高对这些地区整体工业经济发展造成的影响较小，未来这些地区应当继续强化已有的绿色经济发展模式；②由于高排放高效率区域更多的是集中一些东部沿海发达地区，且这些地区已面临较为严格的环境规制环境，其应对环境保护税的策略应当是加快产业转型升级以及加强节能减排技术的创新研发，进而能够处于中国节能工业经济改革发展的“领头羊”地位；③高排放低效率区域大都集中了西部欠发达地区，这些地区虽然工业污染总量并不算高，但从人均强度指标来看，这些地区已经属于高污染地区，因此这些地区应当提前警惕潜在生态环境压力，淘汰落后产能，在承接东部沿海地区产业转移的过程中还应当注重吸收先进技术；④低排放低效率地区主要集中了中部地区以及较为发达的西部省市（四川、重庆），这些地区虽然工业环境生产效率不如东部发达地区，但又优于西部欠发达地区，未来这些地区的工业经济发展应当继续强化产业转型以及节能技术的引进与应用。

4 结论与政策建议

本文选取的面板数据固定效应随机前沿模型能够充分利用面板数据的特征，将不随时间变化的地区异质性与随时间变化的地区无效率值相分离，从而在理论上得到更为合理的工业环境生产效率的估计值。本文的实证研究结果表明：①基于面板数据固定效应随机前沿模型以及基于Battese和Coelli[17]混合估计的随机前沿模型所得到的环境生产效率值的相关性非常低，二者存在较大的差异性，由此也进一步表明了在随机前沿模型中考虑面板数据的固定效应的必要性；②基于面板数据固定效应随机前沿模型的实证估计结果可知，近年来中国工业经济整体平均环境生产效率水平伴随着时间推移而显著递增，截止2015年该效率值已达到0.780 9；③在面板数据固定效应随机前沿模型中，排污费征收强度的提高可以改善工业环境生产效率，但改善效果并不显著；④将人均工业废气排放量与工业环境生产效率相结合来看，中国东部大部分省市可归为高排放高效率或低排放高效率区域，西部欠发达地区中有5个省份或自治区可归为高排放低效率区域，而中部地区具有较强的“夹心层”特征，其1/2的省份位于低排放低效率区域。

总体而言，持续提高工业环境生产效率是实现中国经济与环境协调发展的重要途径之一，也是各地区应对环境保护税开征及其征收标准提高的重要策略，中国政府应当继续强化东部沿海发达地区在节能减排工业经济发展模式与技术创新方面的“领头羊”地位，同时还应当持续改善中西部欠发达地区的工业环境生产效率。具体措施如下：①持续淘汰落后产能，并加强对节能减排技术的引进、研发及应用环节的税收优惠或财政补贴力度；②在产业自沿海向内地转移的过程中，中西部地区应当做好环境评估，注重对已有先进节能技术的引进吸收，拒绝成为中国内地的“污染天堂”；③部分西部欠发达地区如贵州、甘肃、宁夏、青海等地虽然工业污染排放总量不高，但这些地区不仅生产效率偏低且人均生态承载压力较大，因此应当提前警惕这些地区可能存在的潜在生态危机；④目前依然按照排污收费标准征收环境保护税的11個中西部省份或自治区应当配合多种措施以尽快提高环境保护税的征收标准；⑤可考虑将环境保护税收入用于提高地方公共环境监督、治理及防控能力。

（编辑：于 杰）

参考文献（References）

[1]世界银行和中国国家环境保护总局.中国的污染成本：经济损失的估计[R]. 2007. [World Bank， State Environmental Protection Administration of P.R. China. Cost of pollution in China： economic estimates of physical damages [R]. 2007.]

[2]美国耶鲁大学. 2016年环境绩效指数报告[R]. 2016. [Yale Center for Environmental Law and Policy. Environmental performance index [R].2016.]

[3]王连芬， 戴裕杰. 中国各省环境效率及环境效率幻觉分析[J].中国人口·资源与环境， 2017， 27 （2）： 69-74. [WANG Lianfen， DAI Yujie. Analysis of provincial ecoefficiency and ecoefficiency illusion in China [J]. China population， resources and environment， 2017， 27 （2）： 69-74.]

[4]田银华， 贺胜兵， 胡石其. 环境约束下地区全要素生产率增长的再估算： 1998—2008[J].中国工业经济， 2011 （1）： 47-57. [TIAN Yinhua， HE Shengbing， HU Shiqi. Reestimation of Chinas region total factor productivity growth under environment regulation： 1998—2008[J]. China industrial economics， 2011 （1）： 47-57.]

[5]陈诗一. 中国的绿色工业革命：基于环境全要素生产率视角的解释（1989—2008）[J]. 经济研究， 2010 （11）： 21-34. [CHEN Shiyi. Green industrial revolution in China： a perspective from the change of environmental total factor productivity [J]. Economic research journal， 2010 （11）： 21-34.]

[6]BIAN Y W， YANG F. Resource and environment efficiency analysis of provinces in China： a DEA approach based on Shannons entropy [J]. Energy policy， 2010， 38 （4）： 1909-1917.

[7]YANG M， YANG F X， CHENG X P. Effects of substituting energy with capital on Chinas aggregated energy and environmental efficiency [J]. Energy policy， 2011， 39 （10）： 6065-6072.

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

[9]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.]

[10]匡远凤， 彭代彦. 中国环境生产效率与环境全要素生產率分析[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.]

[11]涂正革， 肖耿. 环境约束下的中国工业增长模式研究[J]. 世界经济， 2009（1）： 41-54. [TU Zhengge， XIAO Geng. Analysis on Chinas industrial growth model under environmental constraints [J]. The journal of world economy， 2009（1）： 41-54.]

[12]张成， 史丹， 李鹏飞. 中国实施省际碳排放权交易的潜在成效[J]. 财贸经济， 2017， 38 （2）： 93-108. [ZHANG Cheng， SHI Dan， LI Pengfei. Potential effect simulation of carbon trading in China [J]. Finance & trade economics， 2017， 38 （2）： 93-108.]

[13]陈诗一. 能源消耗、二氧化碳排放与中国工业的可持续发展[J]. 经济研究， 2009（4）： 41-55. [CHEN Shiyi. Energy consumption， CO2 emission and sustainable development in Chinese industry [J]. Economic research journal， 2009（4）： 41-55.]

[14]MURILLOZAMORANO L R， VEGACERVERA J A. The use of parametric and nonparametric frontier methods to measure the productive efficiency in the industrial sector： a comparative study [J]. International journal of production economics， 2001， 69 （3）， 265-275.

[15]周五七， 聂鸣. 基于节能减排的中国省级工业技术效率研究[J]. 中国人口·资源与环境， 2013， 23 （1）： 25-32. [ZHOU Wuqi， NIE Ming. Chinas provincial industrial technology efficiency based on energy conservation and emission reduction [J]. China population， resources and environment， 2013， 23 （1）： 25-32.]

[16]苗成林， 孙丽艳， 杨力. 能源消耗与碳排量约束下区域技术效率研究[J]. 科研管理， 2016， 37 （2）： 1-8. [MIAO Chenglin， SUN Liyan， YANG Li. A study of regional technical efficiency in China under the constraint of energy consumption and carbon emissions [J]. Science research management， 2016， 37 （2）： 1-8.]

[17]BATTESE G E， COELLI T J. A model for technical inefficiency effects in a stochastic frontier production function for panel data [J]. Empirical Economics， 1995， 20 （2）： 325-332.

[18]孙传旺， 林伯强. 中国工业能源要素配置效率与节能潜力研究[J]. 数量经济技术经济研究， 2014（5）： 86-99. [SUN Chuanwang， LIN Boqiang. Energy resource allocation efficiency and energy conservation potential of Chinas industrial sectors [J]. Journal of quantitative & technical economics， 2014（5）： 86-99.]

[19]孙早， 刘李华. 中国工业全要素生产率与结构演变：1990—2013 [J]. 数量经济技术经济研究， 2016（10）： 57-75 [SUN Zao， LIU Lihua. Chinas industrial total factor productivity and structure reform： 1990-2013 [J]. Journal of quantitative & technical economics， 2016（10）： 57-75.]

[20]林伯强， 杜克锐. 要素市场扭曲对能源效率的影响[J]. 经济研究， 2013（9）： 125-136. [LIN Boqiang， DU Kerui. The energy effect of factor market distortion in China [J]. Economic research journal， 2013（9）： 125-136.]

[21]KUMBHAKA S C. Production frontier， panel data， and timevarying technical inefficiency [J]. Journal of econometrics， 1990， 46 （1）： 201-211.

[22]WANG H J， HO C W. Estimating fixedeffect panel stochastic frontier models by model transformation[J]. Journal of econometrics， 2010， 157 （2）： 286-296.

[23]GREENE W. Reconsidering heterogeneity in panel data estimators of the stochastic frontier model [J]. Journal of econometrics， 2005， 126 （2）： 269-303.

[24]CHOI Y， ZHANG N， ZHOU P. Efficiency and abatement costs of energyrelated CO2 emissions in China： a slacksbased efficiency measure [J]. Applied energy， 2012， 98 （5）： 198-208.

[25]WEI C， NI J， DU L. Regional allocation of carbon dioxide abatement in China [J]. China economic review， 2012， 23 （3）： 552-565.

[26]李建军， 刘元生. 中国有关环境税费的污染减排效应实证研究[J]. 中国人口·资源与环境， 2015， 25 （8）： 84-91. [LI Jianjun， LIU Yuansheng. An empirical analysis on pollutionreducing effects of Chinas tax and fees [J]. China population， resources and environment， 2015， 25 （8）： 84-91.]

[27]熊波， 陳文静， 刘潘， 等. 财税政策、地方政府竞争与空气污染治理质量[J]. 中国地质大学学报（社会科学版）， 2016， 16 （1）： 20-33. [XIONG Bo， CHEN Wenjing， LIU Pan， et al. Fiscal policy， local governments competition and air pollution control quality [J]. Journal of China University of Geosciences （social sciences edition）， 2016， 16 （1）： 20-33.]

[28]XIE R， YUAN Y， HUANG J. Different types of environmental regulations and heterogeneous influence on ‘Green productivity： Evidence from China [J]. Ecological economics， 2017， 132： 104-112.

[29]彭昱. 經济增长背景下的环境公共政策有效性研究——基于省际面板数据的实证研究[J]. 财贸经济， 2013， 34 （4）： 16-23. [PENG Yu. Research on efficiency of environment policy in the context of economic growth：based on empirical analysis of province panel data [J]. Finance & trade economics， 2013， 34 （4）： 16-23.]

[30]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. [SONG Malin， WANG Shuhong. Analysis of environmental regulation， technological progression and economic growth from the perspective of statistical tests [J]. Economic research journal， 2013（3）： 122-134.]

[31]童健， 刘伟， 薛景. 环境规制、要素投入结构与工业行业转型升级[J]. 经济研究， 2016（7）： 43-57. [TONG Jian， LIU Wei， XUE Jing. Environmental regulation， factor input structure and industrial transformation [J]. Economic research journal， 2016（7）： 43-57.]

[32]徐保昌， 谢建国. 排污征费如何影响企业生产率： 来自中国制造业企业的证据[J]. 世界经济， 2016（8）： 143-168. [XU Baochang， XIE Jianguo. How pollution charges affect the enterprise productivity？ evidence from the Chinese manufacturing industry [J]. The journal of world economy， 2016（8）： 143-168.]

Abstract The estimation of environmental production efficiency is one of the important researching branches about the coordinated development of Chinas economy and environment in recent years. This paper applied the fixedeffect panel SFA model， which made a distinction between the individual heterogeneity and timevarying inefficiency， to measure the environmental production efficiency of Chinas industrial sector during 2005 to 2015. It further evaluated the effectiveness of Chinas Pollution Discharge Fee System by constructing an intensity variable， and discussed more about the imposing of environmental tax based on the estimated efficiency. The empirical results about Chinas industry sectors were as follows：①as whether making a distinction between the individual heterogeneity and timevarying inefficiency lead to significant differences in the estimation of environmental production efficiency， it was necessary to consider the individual heterogeneity when using panel SFA model. ②According to the fixedeffect panel SFA model， the average efficiency increased from 0.488 8 in 2005 to 0.780 9 in 2015， and the eastern China as well as individual regions in central and western China reported higher efficiency scores. ③Different empirical models or proxy variables provided diverse empirical results when evaluating the effectiveness of Chinas Pollution Discharge Fee System. ④It showed that Chinas Pollution Discharge Fee System had not effectively improved environmental production efficiency， when considering the individual heterogeneity and using the intensity variable. ⑤By combining the ecological bearing pressure with the environmental production efficiency， the eastern， central and western regions in China could be reclassified into four regions， which had characteristics of high emission and high efficiency， high emission and low efficiency， low emission and low efficiency， and low emission and low efficiency， respectively.

Key words industry sector； environmental production efficiency； stochastic frontier analysis （SFA）； environmental tax