区域生态效率评价及影响因素研究——基于三阶段DEA模型

牛建广，高春艳，张永礼

(河北地质大学 管理科学与工程学院， 石家庄 050031)

改革开放以来，我国的经济以年均10%的发展速度保持高速增长，但在经济快速发展的同时，资源大量消耗和环境问题也日益突出。资源耗竭、环境恶化已严重制约着我国经济的快速发展。怎样实现资源-经济-环境系统的可持续发展，成为中国政府当前面临的难题。而生态效率作为资源-经济-环境系统的可持续发展的有效测度指标，能够综合反映资源-经济-环境系统的协调发展程度。

Schaltegger[1]在生态理念一文中首次提出生态效率的概念,把生态效率定义为经济的增加值与发展经济同时带来的环境影响的比值。世界可持续发展工商业联合会(WBCSD)[2]定义生态效率为 “生态效率是提供人类生产、生活需要的产品和服务的同时，使整个生命周期中环境影响降到至少与地球的估计承载力一致的水平上”。从此，生态效率的概念被广大学者认识和接受，生态效率的研究也随之广泛开展。

近年来，关于中国生态效率的研究取得了积极的进展。李丽平等[3]介绍了生态效率的概念及其发展，并以加拿大的生态效率指标体系为例介绍了生态效率指标的确定原则和方法。诸大建等[4]首次构建了生态效率评价指标体系，用来分析我国的可持续发展程度，分析了我国1990—2005年生态效率的发展趋势。

在对生态效率进行研究的文献中，DEA(数据包络分析)方法应用最为广泛。杨斌[5]运用DEA方法从宏观角度对中国2002—2006年区域生态效率进行测度和评价。周洋等[6]采用超效率DEA模型方法测度了山东省2010—2014年17个地市的生态效率。因为单纯运用DEA模型评价时没有考虑外部环境变量对生态效率的影响，所以有的学者在运用DEA模型评价效率后，运用Tobit回归模型分析影响效率值的因素，称之为二阶段DEA模型。 汪东等[7]用DEA-Tobit二阶段DEA方法测定了2003—2008中国31个省市区的工业生态效率,并分析了工业生态效率的影响因素。然而，二阶段DEA模型计算结果未考虑随机误差对生态效率的影响，不能体现决策单元实际效率水平。Fried[8]指出DEA模型的计算结果包含了外部环境变量和随机误差的影响，提出了三阶段DEA模型计算决策单元效率的评价方法。三阶段DEA模型通过调整外部环境变量和随机误差的影响，使得各决策单元处在同一外部环境和运气水平上，从而能准确地反映决策单元的内部管理水平。邓波等[9]运用三阶段DEA模型分析了我国31个省市2008年区域生态效率，结果表明：通过调整各区域的外部环境变量和随机误差水平，区域生态效率发生了较大的变化[9]，但是作者在效率评价指标中没有考虑水资源消耗和土地资源投入等因素。

本文运用三阶段DEA评价2014年中国31个行政区(因数据统计口径不统一，未包括香港、澳门和台湾)的生态效率水平，分析其区域差异。从生态效率的角度评价各省、自治区的经济和资源环境状况，分析生态效率的影响因素，寻求区域生态效率提升的途径，可为各区域积极改变经济发展方式，实现经济和资源环境协调发展提供一些政策参考。

1 研究模型

三阶段DEA模型包括以下3个阶段。

1.1 第1阶段：传统DEA(CCR、BCC)模型

数据包络分析(DEA)是由美国运筹学家 Charnes和 Cooper等[10]于1978年提出的一种评价相对效率的非参数统计方法，主要是针对相同类型的多投入和多产出的决策单元(DMU)的相对效率。DEA的基本模型为CCR和BCC模型，本文首先应用CCR模型计算生态技术效率，然后用BCC模型计算生态纯技术效率，生态技术效率与生态纯技术效率的比值为生态规模效率。本文选择的DEA模型都为投入导向的模型，由于CCR和BCC模型已较为成熟，此处不再赘述。

1.2 第2阶段：建立相似SFA回归模型

Fried[8]认为：决策单元的投入松弛变量受到管理无效率、外部环境变量和随机误差的影响，因此需要分离这3种影响。在第1阶段可以得到无效决策单元的投入松弛变量。第2阶段建立相似SFA回归方程：

Sni=f(Zk;βk)+νni+μni

n=1,2,…,N;i=1,2,…,I

(1)

根据陈巍巍等[11]的思路，推导出管理无效率分离公式为：

(2)

随机误差计算公式为：

E(νni|μni+νni)=Sni-β0-

(3)

通过调整式(4)剔除外部环境变量和随机误差对效率值的影响，使得各决策单元的外部环境和随机误差处于同一水平。

[max(νni)-νni]

i=1,2,…,I;n=1,2,…,N

(4)

1.3 第3阶段：调整后DEA模型

2 指标选择和数据来源

本文研究的对象为区域生态效率。影响区域生态效率的因素很多，从生态效率的核心思想入手，在邓波等[9]构建的生态效率指标体系的基础上，增加水资源消耗和土地消耗指标，构建生态效率评价指标标和外部环境变量指标体系，见表1。

表1 生态效率评价指标体系

本文所用数据来源于《中国能源统计年鉴2015》《中国统计年鉴2015》和2015年各省市统计年鉴。

2.1 投入和产出指标的选择

根据生态效率的概念选取反映投入和产出共7项指标。投入指标包括资源投入和环境投入，选取水资源消耗X1(亿m3)、能源消耗总量X2(百万t标准煤)和建设用地X3(万hm)作为资源投入指标；选取化学需氧量X4(万t)、二氧化硫排放量X5(万t)和一般工业固体废物产生量X6(万t)作为环境投入指标；选取各行政区的国内生产总值Y(亿元)为产出指标。

DEA模型要求投入和产出指标应该具有同向性。对投入和产出指标进行pearson相关性检验，检验结果见表2。从表2可以看出：除一般工业固体废物产生量外，其他投入指标与产出指标相关系数为正，并能在0.01或0.05的显著水平下通过双侧检验。因投入变量X6没有通过pearson相关性检验，所以把X6一般工业固体废物产生量从指标体系中排除。

表2 2014年中国31个省市生态效率投入和产出变量相关性

**、***表示分别通过显著性水平为的5%、1% 的检验；括号中数值为检验的p值

2.2 外部环境变量的选取

本文选择环境治理投资总额Z1(亿元)、第二产业所占比例Z2(%)和人均汽车拥有量Z3(辆/万人)三项指标作为外部环境变量，指标解释如下：

1) 环境治理投资总额(亿元)。环境治理投资会有效地控制污染的排放，保护生态环境，提高生态效率。所以，选择环境治理投资总额作为生态效率的环境变量。

2) 第二产业所占比例(%)。许正松等[12]分析产业结构和环境污染的关系，得到第二产业的比重对环境污染有着显著的正向影响[12]。本文用第二产业所占比例代表产业结构组成，分析第二产业所占比例对生态效率松弛变量的影响。产业结构是人类作用于生态环境系统的主要环节，产业结构的合理性决定了经济效益、资源利用效率和生态环境。

3) 人均民用汽车拥有量(辆/万人)。到2014年中国人均民用汽车拥有量达1 067辆/万人。曲凌夫通过分析城市污染产生的原因，得到汽车造成的污染已成为城市环境及大气环境的主要污染源之一。研究表明：汽车环境污染已经成为全世界面临的重要难题，汽车对生态环境造成的影响是巨大的[13]。所以，选取人均民用汽车拥有量作为生态效率的外部环境变量。

3 实证分析

3.1 第1阶段：传统DEA计算分析

利用MaxDEA软件对中国31个省市的生态效率进行分析，结果如表3所示。2014年中国31个省市生态技术效率平均值为0.526，有3个省市的生态技术效率值为1，西部地区的生态技术效率普遍较低；生态纯技术效率均值为0.65，北京等9个省市的生态纯技术效率达到有效前沿，规模效率均值为0.833。由此可以得出：生态技术效率低下主要是由生态纯技术效率低下造成的。根据3个效率值把31个省市分为3个类别：第1类，技术效率、纯技术效率和规模效率都为1，北京、天津和上海的3个效率值均为1，表明北京、天津和上海生态效率相对有效且规模报酬不变，说明这3个省市可持续发展程度较高，投入和产出较合理； 第2类，纯技术效率值为1，技术效率和规模效率值小于1，共有江苏等6个省市，说明技术效率的低下是有规模效率造成的；第3类，3项效率值均小于1，共有河北等23个省市，说明这23个省市资源配置能力、资源使用效率低下，环境投入量存在冗余。在纯技术效率和规模效率方面存在不同程度的改进空间。总体来看，中国的生态效率值偏低。但是第1阶段是在假设31个省市处于相同外部环境和随机误差的假设条件下，测算的效率值不能准确反映各省市的实际生态效率水平，所以需要在第2阶段调整各省市的外部环境变量，使其和随机误差处于同一水平。

表3 2014年中国31个省市第一阶段生态效率值

注：TE1、PTE1、SE1为第1阶段生态技术效率、纯技术效率、规模效率；irs、drs和-代表规模报酬递增、递减和不变

3.2 第2阶段：相似SFA回归分析

第1阶段计算的效率值包含外部环境变量和随机误差的影响，在第2阶段有必要剔除外环境因素和随机误差对效率值的影响。将第1阶段中5个投入变量的松弛量分别作为因变量，将外部环境变量作为自变量，进行相似SFA回归分析，结果见表4。由表4可知：3个外部环境因素对5个投入松弛变量的回归系数均能在10%显著性水平上通过检验，说明外部环境变量对投入松弛存在显著影响。外部环境素对投入松弛变量的γ均为0.999，并通过了1%的显著性水平检验。说明在投入变量的松弛变量的影响中，管理无效率占主导地位，并对生态效率有显著影响。5个SFA模型的LR统计值(LR test of the one-sided error) 通过5%显著水平的检验((2分布5%显著水平检验值为7.045)，所以拒绝“不存在无效率项的零假设”，说明采用SFA模型是合理的。

下面具体分析各环境变量对投入松弛变量的影响。由式(1)可知：因变量为投入松弛变量，自变量是外部环境变量，所以当回归系数为负时，表示外部环境变量值增加时，投入松弛变量会降低，相应地会提高生态效率；反之，当回归系数为正时，生态效率会降低。具体分析如下：

1) 环境治理投资总额Z1(亿元)

环境治理投资总额对5个投入变量的松弛变量的系数均为正，说明增加环境治理投资总额，投入变量反而会增加，生态效率降低。环境变量Z1对能源消耗总量X2的系数为2.4，对其他投入变量的系数都比较小，均在0.07以下，说明环境变量Z1对其他4个投入变量的影响较小，增加环境治理并没有减少化学需氧量和二氧化碳排放量。这一结论与理论预期刚好相反，这也恰好反映了中国的环境治理投资并没有对生态效率的提高起到应有的作用，故应该加强环境治理投资的有效利用和配置，有效发挥环境投资的作用。

表4 SFA回归结果

注：*、**、***分别表示在10%、5%、1% 的水平上显著；括号中数值为检验的t值。

2) 第二产业所占比例Z2(%)

第二产业占经济总量比例对5个投入变量松弛变量的回归系数均为正，说明当第二产业比例提高时，水资源消耗X1、能源消耗总量X2、建设用地X3、化学需氧量X4和二氧化硫排放量X5五个投入变量的投入会增加，从而会降低生态效率。这与理论预期是吻合的。当第二产业比例提高时，势必消耗大量的资源和能源，并对环境产生巨大的影响。所以，当前任务是进行产业结构优化，加快产业结构调整，大力发展第三产业，使产业结构向高度化和合理化方向发展。

3) 人均民用汽车拥有量Z3(辆/万人)

人均民用汽车拥有量对5个投入松弛变量的回归系数均为负，并通过显著性水平检验。说明当人均民用汽车拥有量增加时，5个投入指标的投入变量反而会减小，与理论预期不符。人均民用汽车拥有量对建设用地、化学需氧量和二氧化硫排放量的回归系数值0.07以下，说明人均民用汽车拥有量的对这3个投入指标的影响较小，对能源消耗投入松弛量的回归系数为-3.09，影响较大。究其原因，人均汽车拥有量反映了一个地区的经济发展水平，经济发展水平越高，能源的利用效率也会相应地提高，与薛静静等[14]的研究结果一致。

由以上可知：外部环境变量影响区域生态效率水平，通过式(2)和(3)计算随机误差项。由于外部环境和随机误差的原因，第1阶段计算的各省市的生态效率不能反映真实的生态效率水平。利用式(4)将各省市的外部环境和随机误差调整到同一水平，进而考察各地区生态效率的真实水平。

3.3 第3阶段DEA模型结果分析

在第2阶段对投入变量进行调整后，再次运用DEA模型分析各省市的生态效率。计算结果如表5所示。对比表3和表5可知：第3阶段与第1阶段的生态效率值有较为明显的变化。经过第2阶段对外部环境变量和随机误差的调整，第3阶段中国31个省市的区域生态技术效率由0.526上升到0.639，生态纯技术效率由0.65上升为0.858，规模效率从0.833下降为0.74。说明由于外部环境因素和随机误差的影响，第1阶段的生态纯技术效率被低估，而规模效率被高估。

表5 2014年中国31个省市第3阶段生态效率值

注：TE3、PTE3、SE3为第3阶段生态技术效率、纯技术效率、规模效率；irs、drs、-含义同表3

对比分析第1阶段和第3阶段各省市生态效率的变化，调整各省市外部环境变量和随机误差处于同一水平后，有4个省市的生态技术效率值为1，相比第1阶段，增加了一个生态效率有效区域。通过对比发现：上海市在调整外部环境变量和随机误差前后都处于技术效率前沿面，说明上海市的可持续发展水平较高，投入和产出较合理，受外部环境的影响较小。在第3阶段，江苏、山东和广东升至效率前沿，说明在第1阶段，江苏、山东和广东3个省份的生态效率无效是由于外部环境变量和随机误差的影响。而北京和天津在剔除环境因素和随机误差后从技术效率前沿面退出，其之前的高效率是由外部环境和运气引起的，并没有真实地反映其技术管理水平。生态技术效率下降的省市包括北京、天津、海南、西藏、青海及宁夏等6个省区市，尤其是西藏。第3阶段的生态效率值不足0.1，表明它们之前的高效率与它们的外部环境和随机误差有关。生态技术效率上升的省市共24个，说明这24个省市的第1阶段生态效率受外部环境变量和随机误差的影响，而非它们的技术管理水平低。从生态效率的规模收益变化来看，第1阶段生态效率规模收益递增的有17个，规模收益递减的有11个，规模收益不变的有3个，说明只有3个省市的生态效率的规模处于最佳状态。而在剔除外部环境变量和随机误差的影响后，第3阶段生态效率的规模收益递增的有27个，规模收益不变的有4个，说明各地经济发展不合理，需要增加投入来提高生态效率，但是从DEA模型的基本原理来看，当选取的投入量是资源消耗量和污染物排放量时，显然不能通过增加投入量使模型达到规模有效[15]，所以应该从资源的有效利用和降低对环境的不利影响方面提高生态效率。

为深入分析，以0.9的效率值为临界点，以生态纯技术效率和生态规模效率将我国31个省市划分为4个梯队，具体分类见表6。第1梯队，生态纯技术效率和规模效率值都在0.9以上，包括上海、江苏、浙江、山东和广东5个省市，这5个省市的生态技术效率相对较高，相对其他省市生态效率的提升空间有限，但是DEA模型评价的是相对效率，所以并不代表这些省市的生态效率绝对高效，也需要从各省市实际出发，提高资源利用率、引进先进技术、降低污染排放、提高管理水平，生态效率所需改进较少。第2梯队，生态纯技术效率大于0.9，生态规模效率小于0.9，包括吉林、安徽、福建、江西、海南、重庆、贵州、西藏、陕西和青海10个省市，特别是西藏，其规模效率都在0.1以下，说明造成这些地区生态技术效率低下的原因是生态规模效率较低，在以后的发展过程中，应提高资源和能源的利用率，适当的增大生产规模。第3梯队，纯技术效率在小于0.9，规模效率在0.9 以上，包括河北、辽宁、河南、湖南和四川 5个省市，这些省份在后续发展中要侧重进行纯技术效率的改进，即在生产经营活动中应该提高技术管理水平。第4梯队，生态纯技术效率和规模效率都在0.9以下，包括北京、天津、山西、内蒙古、黑龙江、湖北、广西、云南、甘肃、宁夏和新疆10个省市。北京和天津作为经济大市，生态技术效率偏低，说明北京和天津的经济产出和资源、能源、环境的投入不匹配，这些省市在今后的发展中既要提高纯技术效率又要提高规模效率。

表6 区域梯队划分

4 结束语

本文运用三阶段DEA模型对中国31个省市2014年区域生态效率进行了评价，并分析了影响生态效率值的外部环境因素。主要结论如下:

1) 对比第1阶段和第3阶段的生态效率，通过调整31个省市的外部环境变量和随机误差使其处于同一水平，全国的平均生态技术效率、纯技术效率和规模效率都发生了变化，其中生态技术效率和纯技术效率明显提高，而规模效率显著降低，说明外部环境因素和随机误差对生态效率有着显著的影响。结果显示：利用三阶段 DEA模型，剔除外部环境和随机误差对各省市生态效率的影响后，得到的效率值更能反映各省市实际的生态效率水平。

2) 外部环境和随机误差对生态效率存在显著影响。在外部环境因素中，第二产业的比例是生态效率的不利因素，所以应该减少第二产业的比例，提高第二产业的资源环境利用率，大力发展第三产业。环境治理投资总额与各投入变量的回归系数为正值，说明当环境治理投资总额增加时，投入变量反而会增加，生态效率值会降低，与理论预期不符。说明我国的环境治理投资没有充分发挥作用，增加环境治理投资额并没有有效地减少资源、能源的消耗量和污染物排放，因此必须加强环保，进行合理、有效的配置。人均民用汽车拥有量和各投入变量的回归系数为负值，说明当人均民用汽车拥有量增加时，生态效率反而会提高。

3) 以0.9的效率值为临界点，以生态纯技术效率和生态规模效率将我国31个省市划分成4个梯队。对于第1梯队省份，纯技术效率和规模效率都比较高，也需要从各省市实际出发，提高资源利用率，引进先进技术，降低污染排放，提高管理水平；对于第2梯队省份，重点应提高其规模效率，使其生产规模达到最优规模；对于第3梯队省份，应侧重进行纯技术效率的改进，即在生产经营活动中应该提高技术管理水平；对于第4梯队省份，纯技术效率和规模效率都较低，在今后的发展中既要提高纯技术效率又要提高规模效率，从而改善生态效率。