我国区域生态环境效率时空特征及影响因素——基于三阶段DEA模型分析

景晓栋，田 泽，丁绪辉，闵义岚

（1.河海大学商学院，江苏南京 211100；2.河海大学低碳经济研究所，江苏常州 213022；3.江苏大学经济管理学院，江苏镇江 212013；4.西北农林科技大学经济管理学院，陕西杨凌 712100）

改革开放以来，我国经济取得了举世瞩目的成绩，并在2010年一跃成为世界第二大经济体，但与此同时，我国碳排放的压力也在逐渐增大，2011年我国一次能源消费总量超过美国，成为全球能源消费与碳排放第一大国［1］。近年来，随着我国能源消费持续稳定增长，以及粗放式经济的长期积累，我国经济结构转型、生态污染与环境治理正面临着一系列严峻的问题。2017年，党的十九大报告明确提出要始终坚持人与自然和谐共生的基本方略。2019年，李克强总理在政府工作报告中也指出要充分重视生态文明建设问题，大力推动全面绿色发展，使生态环境质量持续改善。在我国政府高度重视环境污染的治理的同时，国内各省份也相继出台了相关的政策条令，但生态环境在不断恶化的本质目前还没有发生根本性的改变。因此，在面对环境污染严重、资源约束趋紧的严峻形势下，建立科学的评价指标体系，进行合理有效的生态环境效率测度，定量化评估我国各省份投入产出效率，准确找出各区域资源浪费与产出不足的原因，不仅有利于各省份能在低碳发展的前提下更好地进行环境治理，同时也能为推动我国人与自然和谐相处提供一定的理论参考价值。

1 文献综述

对于效率测算，Farrell［2］、Charnes等［3］最早在规模报酬不变（CCR模型）的基础上提出数据包络分析（DEA）方法；Banker等［4］在CCR模型的基础上给出了基于规模报酬可变的BCC模型。目前对于效率值的测算大多数基于企业、行业或产业层面，如Rahman等［5］分别运用DEA模型对和孟加拉的水产养殖业进行了效率研究；Chang等［6］通过DEA-SBM模型分析了我国交通运输行业的环境效率。Kloos［7］、Han等［8］运用DEA模型对亚洲国家的工业生产效率进行了测算。在产出方面，Hailu等［9］2001年提出可将非期望产出作为投入变量进行研究，从形式上减少非期望产出；Färe等［10］学者在此基础上提出可以利用非线性模型且将非期望产出（如环境污染）考虑在内的模型来解决环境绩效问题，国内学者早期开展研究时未将非期望产出考虑在内［11-13］，近年来将非期望产出纳入效率测算范围之内逐渐受到了国内学者的广泛认可［14-16］。

生态环境效率代表了社会利用生态资源的能力。目前国内外学者从不同角度对生态环境效率进行了研究，早期学者大多采用传统的DEA模型进行测算［17-18］，但由于受到各种环境、政策等随机因素的影响，生态环境效率值的测算并不准确；王兵等［19］运用SBM方向性距离函数测算了1998—2007年我国30个省份的环境效率，得出能源的过度使用及SO2和CO2的过度排放是造成环境无效率的主要原因；曾贤刚［20］基于DEA方法，运用2000—2008年省级面板数据计算了我国30个省份的环境效率，得出各省份环境效率基本保持在0.7～1.0之间；白永平等［21］从非期望产出角度运用SBM模型测算了2001—2010年我国沿黄9省份的环境效率静态水平，得出考虑环境变量之后会降低区域的平均环境效率水平。

综上所述，一方面，现有研究大多采用传统的DEA模型或SBM模型等来进行生态环境效率测算，部分学者在研究过程中未考虑非期望产出对效率值的影响；另一方面，现有相关研究大多集中于企业、产业或部分省域之间，针对全国范围的研究较少，且大多数学者未剔除环境变量、随机因素等对实证结果的干扰作用，由此可能导致测算结果与实际出现较大误差，从而导致资源配置扭曲。采用三阶段DEA模型可以将管理无效率及随机误差等因素剥离出来，同时将非期望产出考虑在内，能更加客观准确地反映实际情况。借鉴上述研究，本文选取2008—2017年我国30个省份的相关数据，利用三阶段DEA模型，对各省份及区域之间的生态环境效率进行实证研究，通过省份、区域间的时空对比，探究各地生态环境效率差异化的原因及特征，并针对各地目前存在的问题提出相应的对策建议，为提高生态环境效率提供一定的理论参考。

2 研究方法与评价模型

三阶段DEA模型最早由Fried等［22］学者提出，运用三阶段模型能够更好地评估决策单元（DMU）的效率。相较于传统的DEA模型，三阶段模型最大的优势在于能够提出非经营因素（外部环境与随机因素）对效率的影响，从而使结果能够更加符合实际。其构建和运用主要包括3个阶段：

（1）第一阶段，构建传统的DEA模型。该模型在运用时分为BCC和CCR两种，其中CCR模型要求以规模报酬不变为前提假设，与实际情况相差较大，因此，Banke等［4］于1984年提出了规模报酬可变的DEA-BCC模型。由BCC模型计算出的效率值为技术效率（TE），可分解为规模效率（PTE）与纯技术效率（SE）的乘积，即TE=PTE×SE。投入导向下的BCC模型的具体形式如下：

（2）第二阶段。由于第一阶段计算出的环境效率值受到外部环境因素、随机因素及管理效率三部分的影响，难以判断是什么因素影响了最终的效率值，因此第二阶段通过构建SFA模型，从而剔除外部环境因素和随机因素干扰，从而得出DMU投入冗余仅由管理无效率造成。假定DMU有n个，每个DMU共有m种投入变量，可观测的外部环境变量为p，则可构建方程如下：

将代入得到调整后的投入量公式如下：

（3）第三阶段，进行调整后的DEA模型及数据分析。用第二阶段计算出的调整后的数据代替原始投入数据，产出值仍采用真实产出值，再次利用BCC模型进行计算。这样得出来的计算值为剔除了环境因素和随机因素干扰，能够真实客观地反映区域环境效率。

3 指标选取与数据来源

3.1 指标选取

（1）投入变量。综合考虑指标选取应满足综合性、可比性、重要性及可行性原则，本文将投入指标分为3项：自然资源投入、人力资本投入、资本投入。其中：自然资源投入用能源消费总量来表示，包括石油、煤炭、天然气等，采用2006年政府间气候变化专门委员会（IPCC）公布的能源折算系数折算为标准煤；人力资本投入采用历年的就业人口数量来代替；资本投入采用各省份固定资产投资总额表示。

（2）产出变量。产出变量分为期望产出和非期望产出，本文将我国地区生产总值（GDP）作为期望产出，工业废水排放量、工业废气（SO2）排放量作为非期望产出。

（3）环境变量。生态环境效率值会受到一系列环境因素的影响，借鉴已有的研究，本文采用人口密度、实际人均GDP、城市化水平、外贸依存度及第二产业增加值占比等指标作为环境变量［23-24］。其中：人口密度为人口总数与行政区域面积之比；人均GDP为当年总产值除以当年总人口；城市化水平为地方城镇人口占常住人口之比；外贸依存度为各省份进出口总额占GDP的比重；第二产业增加值用第二产业增加值除以各省份当年总GDP来表示。

具体统计指标如表1所示。

表1 我国各地区生态环境效率水平评价指标体系

表1（续）

3.2 数据来源

本文中投入变量、产出变量及环境变量的相关数据来自2008—2017年《中国环境统计年鉴》《中国能源统计年鉴》等，西藏和港澳台地区因数据缺失未纳入研究，因此本文主要分析了我国30个省、自治区、直辖市10年的统计数据。为排除因价格因素对实证结果所带来的影响，本文所有数据均以2000年不变价格为基准进行标准化处理。按照我国地理位置和行政区域划分，本文将研究对象分为东北、华北、华中、华东、华南、西北、西南共七大区域（见表2）。

表2 研究对象的七大区域划分

4 实证结果分析

4.1 第一阶段分析

运用MaxDEA软件对我国30省份生态环境效率实证分析，结果如表3所示。由于篇幅限制，本文选取2008及2017年数据进行展示，对2010、2012、2015、2017年 4个时间进行详细分析。总体来看，各省份生态环境效率值在0.45～1.00之间。从平均水平来看，各省份生态环境效率均值4年来稳定在0.84～0.87之间。从截面数据上来看，2008年生态环境效率处于效率前沿面的有北京、天津、黑龙江、上海、福建、江西、广东、海南共8个省市，效率值大于0.80的共有21个省份，处于纯技术效率前沿面和规模效率前沿面的省份分别为13个和8个；2010、2012、2015、2017年生态环境效率等于1的省份个数分别为7、8、6、9个，其中4年生态环境效率均达到最优的有北京、天津、黑龙江、广东。从省份内部具体对比来看，部分省份如青海、宁夏等生态环境效率值长期处于0.40～0.50之间，与北京、上海等省市差距较大，同时各省份之间规模效率值与纯技术效率值差异较小，表明各省份生态环境效率值受到两者的共同影响。

表3 第一阶段DEA模型的我国30省份生态环境绩效水平

七大区域的生态环境绩效水平如图1所示，可知我国区域间生态环境效率值差异较大：东北、华东、华北及华南地区的生态环境效率值始终保持在较高水平；华中地区的生态环境效率值在2008—2014年基本保持不变，2014—2017年间呈现出明显上涨趋势；西南地区10年间的生态环境效率值长期保持在0.75左右；西北地区的效率值在2008—2009年间有较大幅度的下降，2009—2011年有明显上升，但在2011—2015年间呈明显下降趋势，2015—2017年则呈水平状态。但由于此阶段的环境效率评价值无法排除由于环境因素、随机因素的影响，因此，此实证结果只能部分反映各省份的环境效率水平，需要进一步对投入变量调整和分析，从而排除外界因素对真实结果的干扰。

图1 第一阶段DEA模型的我国区域生态环境效率测度值

4.2 第二阶段分析

松弛变量的存在表示投入变量存在效率提升的空间，即通过提高管理水平或者减少投入就可以达到目前的产出水平。如果环境变量与松弛变量存在正相关关系，则意味着随着环境变量的增加将导致投入值松弛变量的增多，从而会降低各省份的环境效率；反之，若两者之间存在负相关关系，则有利于提升环境效率。在DEA第二阶段的分析过程中，本文借助Frontier4.1软件，运用SFA方法调整各省份的原始投入值，可以排除掉环境因素、管理因素和随机因素对于真实效率值的影响，从而得到各地在相同管理环境下的环境绩效水平。为了合理地进行变量调整，在第二阶段本文采用第一阶段中投入变量的松弛变量作为被解释变量，人口密度、实际人均GDP、城市化水平、外贸依存度及第二产业增加值占比作为解释变量。具体回归结果如表4所示。

（1）人口密度和城市化水平与投入变量的松弛变量呈负相关关系，即人口密度越大、城市化水平越高越有利于环境效率水平的提升。人口密度和城市化水平的提升有利于进一步形成城市群，而城市群的空间集聚效应及群体性生活又会反过来促进人民对于环境意识的提高，从而发挥出对于环境效率的正向促进作用。

（2）实际人均GDP除2012年与能源消费及2015年与就业人口呈负相关关系外，其整体上与投入变量的松弛变量呈正相关关系，即人均GDP越高越不利于环境效率水平的提升。这表明实际人均GDP的增加将增加固定资产、能源消费及资本投入松弛变量，降低环境效率的水平。2012年我国出台了《中国的能源政策白皮书》，提出了坚持“节约优先”等八项能源发展方针，因此在2012年我国实际人均GDP提高能促进能源消费减少从而提高生态环境效率值。

（3）第二产业占比的增加与能源消费呈负相关关系，与就业人口呈正相关关系，与固定资产投资呈不确定性关系，即随着第二产业占比的增加，能够降低能源消费投入变量的松弛值，从而提高生态环境效率，同时又会提高就业人口的松弛变量，造成人力资本的浪费。第二产业增加值占比在2010—2012年与固定资产投入松弛变量呈负相关关系是，因为我国为应对2008年的国际金融危机采取了4万亿元的刺激政策，大量的货币涌向工业企业，由于投入与产出有一定的滞后性，所以其负面影响在2008年并未表现出来，但2010—2012年的数据显示，过热的经济刺激会造成固定资产投资的浪费现象，这表明当时我国为缓解就业压力所采取的经济发展模式是以环境损耗和资源开发为代价的，资源过度开采，虽然在一定程度上能够促进经济的发展，但固体废弃物等的排放也势必会给环境带来较大的负面效果，极大地限制了环境效率的提升；2015—2017年间第二产业增加值占比与固定资产松弛变量呈负相关的原因是，因为我国在2015年提出了供给侧改革，要求改变要素配置扭曲状况，扩大有效供给，从而提高社会资源的全要素生产率，因此第二产业的增加值占比提高能够提高各省份的生态环境水平，同时，第二产业是能源消耗较高的行业，继续推动产业升级和优化有利于生态环境水平的持续改善［25］。

（3）外贸依存度除2012年与能源消费及2017年与就业人口呈负相关关系外，与固定资产投资、能源消费、人力资本投资的松弛变量均呈正相关关系，这表明随着外贸依存度的提高会带来环境的恶化问题，这是因为我国自从2008年国际金融危机爆发以来开始大规模地引进外资企业，在推行贸易自由化及招商引资的同时也引进了国外很多高污染的企业，由于环境规制和相关政策的不完善，虽然在一定程度上促进了经济的增长，但也对环境造成了很大程度的破坏；另一方面，由于我国进出口贸易企业受到研发水平的限制，导致进出口产品附加值较低，没有使资本、能源和人力资本充分利用起来，因此也会对环境效率造成负面影响。2012年外贸依存度与能源消费的松弛变量呈负相关关系，是因为当年受到《中国的能源政策白皮书》的约束条件影响；2017年与就业人口呈负相关关系，在一定程度上表明我国进出口贸易水平的提高，即进出口贸易的产品由劳动力密集型向资本密集型转变，通过外贸依存度水平的增加可以向社会释放一定的就业人口，从而优化人力资源配置、提高生态环境效率水平。

总之，不同环境变量对于环境效率有着不同的影响，且相同环境变量对于环境效率的影响也会随着时间的变化而变化。因此，为了测度我国各省份真实的环境效率水平，有必要剔除环境因素、管理效率及随机因素的影响，使得各决策单元都处在相同的外部环境之下。

表4 第二阶段DEA模型的我国30省份生态环境绩效水平回归结果

4.3 第三阶段分析

本文将第二阶段调整后的投入变量与原始产出值代入DEA-BCC模型中，选取排放量、废水排放量作为非期望产出，所测得结果即为剔除外部环境因素与随机干扰项且考虑非期望产出的各省份真实的环境效率值（见表5）。通过计算表2与表5均值可知，30省份第一阶段DEA生态环境效率均值要高于第三阶段测得的真实的生态环境效率均值，表明不剔除环境变量及随机因素的影响会高估各省份的生态环境效率值。具体分析表5：

（1）在剔除环境变量与随机因素的影响后，2008年处于生态环境效率前沿面的有北京、辽宁、黑龙江、山东、河南、广东共6个省市，2010、2012、2015、2017年生态环境效率达到最优化的省份数量分别为7、7、7、8个，其中4年的生态环境水平均达到最优效率的省市共6个，分别为北京、辽宁、黑龙江、山东、河南、广东。按照均值来看，30省份间的效率均值在0.756～0.775之间，并呈现出轻微的下降趋势；从方差来看，各地内部间的差异性也有扩大的趋势。针对各省份的具体分析来看，各地生态环境效率存在较大的极差，如2008年青海的环境效率值仅为0.271、宁夏为0.295，而北京、山东均为1；2017年青海的生态环境效率值为0.260、宁夏为0.284，均低于0.3的水平。

（2）从规模报酬上来看，第一阶段2008年实证结果中，处于规模报酬递减的DMU共有8个、规模报酬不变的共有8个、规模报酬递增的为12个，2017年分别为5、9、16个；第三阶段2008年实证结果中，处于规模报酬递减的DMU共计2个、规模报酬不变的共有6个，规模报酬递增的则增加到22个，2017年分别为2、8、20个。这表明在剔除环境变量和随机因素的干扰后，各省份环境效率的规模状态主要由规模报酬递增为主，即增加适当的投入变量可得到更大规模的产出。从纯技术效率上来看，在处于相同的外部环境下，新疆、云南、甘肃等地的效率值相较第一阶段有了明显下降，这表明限制其效率值的主要因素是规模效率值不高；四川、湖北、河北等地的纯技术效率值相较第一阶段则有了较大的降低，表明技术效率阻碍了其效率值的提高。

表5 第三阶段DEA模型的我国30省份生态环境绩效水平

第三阶段七大区域的生态环境绩效水平如图2所示，可知东北、华东、华北、华中地区的生态环境效率值较高，西南地区的生态环境效率值保持在0.6～0.7之间，西北地区的效率值最低，这一方面这与我国实际发展情况相符，另一方面也与第一阶段所测得结果匹配。在2008—2015年间，我国各区域间生态环境效率值均保持相对稳定，在2015—2016年间整体有一个大幅的攀升，这是因为2015年10月党的十八届五中全会明确提出要坚持节约资源和保护环境的基本国策，坚持可持续发展道路；同时，随着“创新、协调、绿色、开放、共享”的发展理念提出，各地纷纷相应出台了的结构转型及节能减排政策，因此2016年我国生态环境效率值大幅提高；2016—2017年我国生态环境效率整体有下降趋势，从各省份的具体分析来看，主要是吉林、浙江、内蒙古、湖北、海南、云南及贵州等地的生态环境效率值下降导致区域生态环境效率值下降。需注意的是，2017年各区域生态环境效率值与2008—2015年相比其实变化不大，但由于2016年受到较大政策性因素的干扰，所以2017年与之相比产生了较大差异。

图2 第三阶段DEA模型的我国区域生态环境效率测度值

4.4 影响因素对比分析

根据第一阶段DEA与第三阶段DEA实证结果，本文对各区域生态环境效率值进行对比分析，将第一阶段效率值减去第三阶段效率值定义为ΔTE。从图3可以得知，除2016年外，第一阶段测度的结果要比第三阶段测度结果高估，其中西北地区生态环境效率值被高估程度最大，西南、华南地区被高估程度处于0.10～0.15之间，华东、华中、华北地区被高估程度不明显。2016年各区域生态环境效率值第一阶段与第三阶段基本相同是因为，2016年我国开始积极贯彻保护环境的基本国策并修订了《中华人民共和国节约能源法》，在这样的背景下，各地政府都订立了较为严格的政策方针，因此在剔除环境变量和随机因素的干扰下，各地区的生态环境效率值没有明显变化。

图3 第一三阶段DEA模型的我国区域生态环境效率变化差异

将ΔTE的变化量进一步区分可得ΔPTE和ΔSE，分别为第一阶段与第三阶段纯技术效率的差值和规模效率的差值。从图4可知：华南、华中、华北地区纯技术效率值的第一阶段被高估；华东、东北地区一三阶段前后变化值不大；西南地区纯技术效率值在2008—2012年间被低估，在2012—2015年及2017年期间被高估；西北地区在2008—2016年间长期被低估，2017年被高估。

图4 第一三阶段DEA模型的我国区域生态环境纯技术效率变化差异

从图5可知：西北、西南地区第一阶段测得的规模效率值明显高于第三阶段，表明该区域的规模效率值长期被高估；华南地区一三前后两期的规模效率差值保持在0.10～0.15之间；华北、华中、华东及东北区域的规模效率变化值较小。

图5 第一三阶段DEA模型的我国区域生态环境规模效率变化差异

结合图4、图5可知：西南、西北地区的规模效率值被高估、纯技术效率值被低估；华中地区的纯技术效率值被高估，规模效率基本不变；华南地区的纯技术效率值和规模报酬值均被高估；华北、华东、东北地区的纯技术效率与规模效率值受到环境因素和随机因素的干扰较小。从图4、图5数值上看可知，规模效率的变化范围更大：西南、西北地区规模效率变化值大约是纯技术效率变化值的两倍，表明其效率值受到规模效率约束的作用更强；华南地区的规模效率差值和纯技术效率差值基本相等，表明其受到两者之间的共同约束作用。

5 结论与启示

本文主要运用三阶段DEA模型对2008—2017年我国30个省份的生态环境效率值进行测度，并按照其地理位置分类进行了详细分析，主要剔除了如人均GDP、城市化水平等环境因素与随机因素的影响。主要结论与启示有以下3点：

（1）环境变量和随机因素对各省份真实的生态环境效率值有显著影响，在不考虑外部变量的情况下会导致生态环境效率值被高估。人口密度和城市化水平的提高能够减少固定资产投资、能源消费及就业人口的松弛变量，从而促进生态环境效率的提升，因此各省份应继续推动城市化建设，逐步完善城镇空间布局，积极吸引外来人口，从而推动当地生态文明建设。实际人均GDP的提高整体上会对投入松弛变量产生正向影响，即人均GDP提升会对生态环境效率值带来负面影响，因此各省份应走出传统意义上“唯GDP”的误区，着重加强“绿色GDP”的建设；另一方面当地政府也应加强公民环保意识教育，引导居民转变消费理念和完善消费结构，从而提升环境效率。第二产业占比的增加与能源消费松弛变量呈负相关关系、与就业人口松弛变量呈正相关关系，表明我国现阶段第二产业开始逐渐摆脱能源消费依赖；同时近年来我国第二产业智能化水平不断提升，对于人力资本的需求呈变弱趋势。外贸依存度与固定资产投资、能源消费、人力资本投资的松弛变量大体上均呈正相关关系，这表明我国进出口贸易水平及外资利用水平仍然较低，虽然通过进出口贸易会给当地带来一定的经济增长，但现阶段其带来的环境负效应明显大于经济增长的正效应，各省份应当注重外贸水平的提升，提高产品的科技附加值，同时也应对外资投资建立严格的审核机制，严格限制国外高污染企业进入本地市场。

（2）在剔除环境变量和随机因素对各省份生态环境效率的影响后，各地的生态环境效率值较第一阶段实证结果有了明显降低，表明若不考虑外部差异会高估当地的生态环境效率值；同时在第三阶段中规模报酬递增的决策单元数量明显增加，表明各省份的规模报酬效率在第一阶段被低估，纯技术效率在不同的省域间则表现出不同的结果。第三阶段的实证结果表明西南、西北地区的规模效率值被明显高估，而纯技术效率值被低估，即限制西南、西北地区生态环境效率的真实影响因素并不是纯技术效率，而是规模效率；同时华中地区受到纯技术效率的约束作用较规模效率的作用更强，华南地区则受到两者之间的共同约束。因此，如果不剥离外部环境因素和随机因素影响的情况下，很容易会得到错误的研究结果，从而在某种程度上形成错误决策手段，导致资源进一步浪费。

（3）我国目前各区域的生态环境效率值差距较大：西北、西南部地区的生态环境效率值较华东、东北地区相比较低，且每个地区在不同年份所表现出来的纯技术效率和规模效率也有所不同，即使相同地理区域内的不同省份之间在内部也存在较大的差异性。由于环境变量和随机因素对于生态环境效率的影响较大，且随机因素具有不可控的特征，因此各省份应当充分考虑外部环境因素，合理调整经济、产业结构，做好产业规划，及时淘汰过剩产能，做到经济发展与环境保护同步发展；同时应根据自身实际情况对症下药，有针对性地提高纯技术效率或规模效率，建立健全低碳绿色循环发展的经济体系，从而更好实现经济的绿色化发展。