基于超效率SBM的中国省级煤炭产业生态效率评价研究

张丹丹， 杨 力

(安徽理工大学经济与管理学院， 安徽 淮南 232001)

引 言

1990年Schaltegger和Sturm[1]首次提出了生态效率的概念，即增加的价值与增加的环境影响的比值。1992年，可持续发展工商业联合会(WBCSD)[2]在《改变航向：一个关于发展与环境的全球商业观点》解释了生态效率的含义：“通过提供具有价格优势的服务和商品，在满足人类高质量生活需求的同时，将整个生命周期中对环境的影响降到至少与地球的估计承载力一致的水平上，简单说来就是影响最小化，价值最大化。”使得生态效率得到了国际学术界的认同，世界各国学者对其开展研究。2018年3月11日，第十三届全国人民代表大会第一次会议通过的宪法修正案，将宪法第八十九条“国务院行使下列职权”中第六项“(六)领导和管理经济工作和城乡建设”修改为“(六)领导和管理经济工作和城乡建设、生态文明建设”，实现矿产资源开发与环境保护的协调发展是实现生态文明建设的重要任务。

国外主要在微观企业及产业层面对生态效率进行研究，例如对发电厂、家具产品、钢铁行业或某个地区整个产业系统生态效率的分析[3-7]；使用最为广泛的研究方法为数据包络分析(DEA模型)。近年来，外国学者将生态效率的概念开始引入经济效益领域，旨在为改善生态环境提供可行性建议。

国内对生态效率的研究集中在省市级层面，应用了DEA法[8-9]、SBM模型[10]、因子分析法[11]、能值生态足迹法[12]、超效率DEA法[13]等。近年来，一些学者开始对煤炭资源型城市的生态效率进行研究。牛苗苗基于DEA模型将中国煤炭产业的生态效率做了测算并提出相关对策[14]；卞丽丽等对徐州矿区复合生态系统通过能值分析进行了能值评估和生态效率的计算[15]；徐杰芳等用超效率DEA对27个煤炭资源型城市2004-2013年的生态效率进行了评价[16]；薛静静等构建了煤炭利用生态效率评价指标并基于DEA-BCC模型进行优化设计[17]；刘渝等运用超效率SBM模型对中国农业水资源环境效率进行了测算[18]。

大多数学者倾向于使用数据包络分析(DEA)法研究区域或省级之间生态效率的差异以及发展趋势，鲜有文献运用考虑非期望产出超效率SBM模型计算生态效率值。因此本研究将非期望产出引入超效率SBM模型，以此测算我国2013—2017年间的各省区煤炭产业静态环境生态效率值，并用ML指数模型对其进行动态环境分析，最后有针对性地提出对策建议，以期有效弥补传统DEA在处理非期望产出和存在多个有效决策单元时的不足。

1 研究方法及数据说明

1.1 非期望产出超效率SBM模型

运筹学家A. Charnes与E. Rhodes等人创建了数据包络分析(data envelopment analysis，简称DEA)，是评价相对效率的一个方法，主要用于非参数决策单元的效率评价。它明确地考虑多种投入(即资源)的运用和多种产出(即服务)的产生，能够用来比较提供相似服务的多个服务单位之间的效率，在对决策单元的相对效率进行评价时效率值在(0, 1)区间分布，有效的决策单元其效率值为 1。

Tone在2002年提出了一种非径向的DEA模型——基于松弛变量的SBM模型，该模型在目标函数中加入松弛变量，其结果由仅仅是效益比例的最大化变为实际利润的最大化。与传统的DEA方法相比，当存在多个有效的决策单元时，可以做出进一步比较，后来Tone与Sahoo将非期望产出纳入该模型提出非期望产出的SBM模型。

在CCR模型的基础上Banker，Gifford与Bankeret等人首次提出超效率 DEA模型，原理是在评价第i个决策单元的效率时，用剩余其他决策单元输入和输出的线性组合来代替它的输入输出。当一个有效的决策单元将其投入按比例增加时，实现其效率值保持不变的投入增加比例就是其超效率评价值。

非期望产出超效率SBM模型就是将含非期望产出的SBM模型和超效率DEA模型结合起来的一种模型。与传统的DEA模型相比它需要首先使用SBM模型评价出有效的DMUs，恰当地处理非期望产出；然后再运用超效率SBM对有效的DMUs做进一步评价。

服从于

(1)

λj>0,j=1，…，n

当且仅当ρ=1，即w-=0，wd=0，wu=0时，DMUk为SBM有效。本文在讨论超效率SBM时定义DMUk是SBM有效的。含有非期望产出的超效率SBM模型表示为：

服从于

(2)

λj>0,j=1，…，n(j≠k)

1.2 指标选取及构建

通过经济学关于经济增长分析的投入产出分析理论以及生产函数模型，构建能够衡量煤炭产业生态效率的投入产出指标。本研究在投入指标设计中选取固定资产净值和工业用水量以及电力消费量3项基础指标分别代表生产投入的资本消耗和能源消耗要素；在产出指标中由于传统经济增长理论模型只注重期望产出即地区生产总值，往往会忽略非期望产出对经济增长的影响。因此，本文除了选取地区GDP基础指标作为经济增长的期望产出指标，还选取矿业开采累计占用损坏土地和工业固体排放量作为非期望产出指标，从而能够较好地衡量我国各省区煤炭产业生态效率水平。具体的指标体系见表1。

表1 我国中部地区煤炭产业生态效率指标体系

1.3 数据来源与处理

由于如果投入产出指标的数量相对于决策单元的数量过多时，会因投入指标和产出指标之间的关联使得所有决策单元的效率值普遍接近1。因此在运用DEA模型对决策单元的效率进行评价时，要求决策单元的数量至少是投入产出指标数量总和的两倍，以中国31个省区作为DMU,样本数据符合模型的数理特性。考虑到相关数据的可得性，本研究选取2013—2017年数据。固定资产净值、工业用水量、电力消费量和地区生产总值基础指标数据来源于各年份《中国统计年鉴(2014-2018)》，矿业开采累计占用损坏土地基础指标数据来源于各年份《中国能源统计年鉴(2014-2018)》，工业固体排放量基础指标数据来源于各年份《中国环境统计年鉴(2014-2018)》。在数据处理方面，各地区固定资产投资总额、地区生产总值均以2010年为基期，折算成不变价。针对部分地区的部分指标数据缺失的现象，采用内插法利用相邻省区或相邻年份已知数据求得近似值。

2 煤炭产业生态效率测算结果及分析

2.1 煤炭产业生态效率静态测算结果及分析

应用DEAP2.1以及根据公式(1)和公式(2)运用 DEA-SOLVER+Pro5.0软件，分别通过传统DEA模型、考虑非期望产出的超效率SBM模型，测算得到 2013-2017 年中国31个省区的煤炭产业生态效率值，评价结果见表2所示。

2.1.1 分省测算结果

由表2可得和传统DEA模型相比超效率SBM模型能更好地处理非期望产出以及存在众多有效决策单元的问题；考虑非期望产出的超效率SBM 模型测得的煤炭产业生态效率高于DEA模型计算的效率值说明在全国均值层面中国煤炭产业2013—2017年间生态效率所造成的环境污染问题有所改善，但2013—2017年中国煤炭产业生态效率都表现为非DEA有效，仍需改进。

2.1.2 八大区域测算结果

综合煤炭资源的分布属性，采用国务院发展研究中心的八大区域划分法(八大区域包括北部沿海地区(北京、天津、河北、山东)、东部沿海地区 (上海、江苏、浙江)、南部沿海地区( 福建、广东、海南) 、东北地区(辽宁、吉林、黑龙江) 、长江中游地区(湖北、湖南、 江西、安徽)、黄河中游地区(陕西、山西、河南、内蒙古)、西南地区(云南、贵州、四川、重庆、广西)、西北地区(甘肃、青海、宁夏、西藏、新疆)。)，比较八大区域考虑非期望产出的煤炭产业生态效率的地区差异( 表3) 。2013—2017年间北部沿海(1.157)和东北地区(1.085)非期望产出下的效率均值最高，其次是东部沿海(1.079)、长江中游地区(0.900)、南部沿海(0.888)、黄河中游地区(0.836)、西北地区(0.832)，西南地区(0.553)非期望产出下的煤炭产业生态效率值最低。北部沿海地区以高新技术研发为主因此煤炭产业生态效率水平高于其他地区，而黄河中游地区和西北地区以及西南地区是重工业煤炭开采和煤炭深加工基地，煤炭产业生态效率长期低于全国平均水平。总体上八大区域地区间有明显差异，考虑非期望产出的煤炭产业生态效率值随着时序变化大体呈增长态势。

表2 2013—2017年各省区煤炭产业生态效率的评价结果

表3 八大区域考虑非期望产出的煤炭产业生态效率值

2.2 煤炭产业生态效率动态测算结果及分析

应用MAXDEA8.1软件，利用ML指数模型对中国各省区的煤炭产业生态效率进行动态分析，结果见表4。

从表4可以看出，2013—2017年间中国各省区的煤炭产业生态效率ML指数大多数都大于1，只有少数省区在某些年份小于1，这表明中国各省区煤炭产业生态效率整体提高了，并且黄河中游地区动态环境效率较低，这与静态环境效率所得结果一致。

取将历年ML指数分解为环境技术效率EC和环境技术进步TC后的平均值，ML，EC和TC分别为1.051,1.034,1.017，由此可见中国煤炭产业生态效率的提高主要归功于环境技术效率。近年来中国在煤炭精准开采方面投入很多，使中国煤炭产业环境技术效率大大提升，对环境破坏的程度得到有效控制，煤炭资源得到充分合理利用。中国各省区的煤炭产业生态效率问题依靠环境技术效率得到较好地解决验证了环境技术进步可以通过环境技术效率来弥补，促使煤炭产业生态效率ML指数上升。

3 结 论

针对DEA在处理非期望产出和存在多个有效决策单元方面的不足，选取超效率SBM模型以矿业开采累计占用损坏土地这一创新指标和工业固体排放量作为非期望产出，对中国31个省区和八大地区在2013—2017年的煤炭产业生态效率进行静态计算评价，并采用面板ML模型动态进行更全面地测度分析，得到以下结论：

(1)研究期间内，环境污染对煤炭产业生态效率的影响有所缓解但仍表现为非DEA有效，需要进一步改善。

(2)中国煤炭产业生态效率地区差异明显，其提升的重点应放在煤炭产业基地的黄河中游地区、西北地区以及西南地区，对我国生态环境问题的治理具有重要意义。

(3)31个省区的动态煤炭产业生态效率的研究结果显示，环境技术效率是煤炭产业生态效率变化的主要原因。大多数省区在2013-2017年煤炭产业动态生态效率ML指数大于1，表明中国煤炭产业生态效率整体有所提高。

基于以上结论提出三点建议：(1)积极引导工业企业节能减排，提高能源利用率，将“资源—产品—废物”的资源利用模式转变为“资源—产品—废物-再生资源”，发展生态绿色产业。(2)应加大对面临矿产严重衰竭问题的传统煤炭资源型省区的产业结构调整投入力度，大力推广和普及合理利用能源资源理念。(3)积极引进先进的科学技术，建立发展绿色经济的技术支撑体系，推进精准开采、清洁生产、废弃物处理、洁净煤等先进智能技术，走高效利用生产要素、改革重组经营要素，依靠科技创新来推动长远发展的集约化道路，实现煤炭资源开采与生态环境协调发展，促进煤炭行业生态效率稳步提升。