安徽省生态效率测算及影响因素分析

孙 伟,李烜耀

（安徽建筑大学 经济与管理学院 城市经济与区域发展研究所,安徽 合肥230601）

0 引言

改革开放40年以来,我国经济持续快速的增长.2017 年的十九大报告中指出目前我国经济依然保持中高速增长,国内生产总值稳居世界第二,对世界经济增长贡献率超过百分之三十.世界银行2018年最新发布的《中国系统性国别诊断报告》中指出中国在快速经济增长取得了“史无前例的成就”.但是,在我国如此惊人的经济增长的背后却是以资源消耗损失、生态退化损失和环境污染损失为代价的.［1］随着生态环境问题的日益突出,我国政府在1990年确立了环境保护为基本国策并加以执行.2007 年十七大报告提出了建设资源节约型和环境友好型社会的目标.十九大更是将建设生态文明提升为了中华民族永续发展的“千年大计”.但遗憾的是,至今为止我国的生态环境保护工作收效甚微,想要彻底解决生态环境问题还有很长的路要走.我国国土幅员辽阔,自然条件与经济发展地域差异明显,解决生态环境问题需要分区域进行.本文以安徽省地级市作为研究对象,探讨安徽省各地级市的生态效率及影响效率的因素.

生态效率的概念是在1990 年被德国两位学者Schaltegger 和Sturm 首次提出的.随着学界对生态效率定义和内涵的深入研究,一系列的定义被提出.1992 年,世界可持续发展工商理事会将生态效率作为商业概念加以阐述并被广泛认可:“生态效率是通过提供能满足人类需要和提高生活质量的具有竞争性价格的商品与服务,同时使整个寿命周期的生态影响与资源强度逐渐降低到一个至少与地球的估计承载能力一致的水平来实现的”.［2］1996 年BASE 集团从产品生产的角度定义了生态效率的概念.随后,生态效率被世界经济合作与发展组织赋予了更宽泛的概念,生态效率意味着利用更少的生态资源来获得更多的价值.

区域生态效率的评价方法很多,根据对象、评价的层面、评价的视角等不同,已有的研究中采用的方法也不相同.目前使用较多的评价方法为比值评价法和指标评价法.指标评价法中又包括因子分析法、数据包络分析法等.因子分析法可以简化数据结构,通过变换或者降维,使问题得到简化,而且能最大限度地保留原有信息量.［3］陈傲以2000-2006 年中国29 个省际截面数据,采用因子赋权分析法评价了中国区域生态效率的差异性.［4］陈武新运用因子分析与聚类分析结合的研究方法,对中国区域生态效率的差异性进行评价.［5］但因子分析法适用的范围较窄,数据须通过KMO 检验,否则评价就不能继续进行.数据包络分析法则可弥补以上的不足,因此,国内外众多学者多利用DEA 模型对效率进行研究.曾贤刚、吴鸣然利用DEA模型测算我国省市的环境效率,然后利用Tobit 分析了该环境效率的影响因素.［6］［7］王宝义等基于1996-2015 年31 个省份面板数据,利用了DEA-Tobit 等多种模型方法,实证研究了中国农业生态效率省际差异和影响因素.［8］彭研基于超效率DEA-Tobit 分析框架,利用超效率DEA 评价了江苏13 个地级市及苏南、苏中、苏北3 个区域2009-2013 年的工业生态效率,并利用Tobit 测算了影响因素对效率值的影响.［9］付丽娜等运用超效率DEA 方法测算了长株潭城市群各城市的效率,再通过利用Malmquist-DEA 模型将各城市生态效率进行动态对比,最后建立了基于面板的Tobit 模型用以考察不同因素对效率的影响.［10］

通过对现有文献的梳理可以发现,生态效率的研究存在以下问题有待完善:（1）大多数的国内学者将生态效率的研究范围集中在省域及经济发展水平较高的地区,而对中部地区尤其是安徽省关注不够.（2）国内学者测算生态效率时多采用非参数SBM 模型,这样造成的结果就是无法对有效单元决策进行进一步区分.（3）在生态效率测算时,已有文献对于非期望产出与期望产出的处理方式有待完善,采用取倒数的方式并不能真实反映非期望产出对生态环境造成的负面效应.

鉴于此,本文可能的研究贡献在于:第一,将基于非期望产出的超效率SBM 模型用于安徽省的生态效率评价的研究中,一定程度上充实了中部地区城市生态效率的研究.第二,以流经安徽省境内的长江与淮河为界,将安徽省划分为皖南、皖北和江淮地区,期望为分区域治理做出微薄贡献.第三,运用了Tobit 回归对影响安徽省生态效率的关键因素进行分析,评价和分析结果有助于改进安徽省生态效率,以期促进安徽省经济的高质量发展,实现区域经济的可持续发展.

1 研究模型、指标体系及数据来源

1.1 超效率DEA 模型

数据包络分析法（DEA）是由美国著名的运筹学大师Charnes 和Cooper 等创立.DEA 基本模型为CCR 模型和BBC 模型,其区别在于是否假设规模报酬可变.在规模报酬不变的情况下,DEA 模型又分为投入角度导向型和产出角度导向型.传统模型仅考虑期望产出,对投入变量的松弛性和非期望产出并未考虑,会导致结果不准确.针对以上缺陷,Tone 提出将松弛变量加入传统DEA 模型的SBM 模型,改良后的模型可以从投入角度和产出角度对无效状态进行测量,使计算结果更为准确.基础的SBM 模型的产出被设置为期望产出,忽视了非期望产出带来的影响,因此,在基础的SBM 模型上Tone 又提出了考虑非期望产出的SBM模型:［11］

式中:ρ 表示效率值;j 表示决策单元;n 表示决策单元个数;λj表示强度变量; xj, yj,bj分别代表第j 个决策单元的m 维投入变量;q1 代表期望产出变量;q2 代表非期望产出变量;m,q1,q2 分别表示投入、期望产出和非期望产出的指标的个数;x0,y0,b0分别表示被评论决策单元DMU0 的投入变量、产出变量和非期望产出变量;分别代表投入、期望产出和非期望产出的松弛变量.

通过模型（1）对数据进行测算的时,经常会出现多个决策单元具有效果,其结果均为1的情况,这样造成的结果就是无法对效率值为1的有效单元决策进行进一步区分.针对以上问题,Andersen等提出了超效率DEA 模型解决了有效决策单元的评价问题,这一理论是在评价某一特定决策单元时,以排除被评价单元被以外的其他决策单元构成对照集,显然这样解决了多个决策单元效率值为1的问题,从而进一步对效率值为1的有效单元的进一步排序,所以把超效率DEA思想加入到模型（1）中,得到了有别于原始SBM模型的,考虑非期望产出的超效率SBM模型,［12］为:

式中各字母代表的意义与模型（1）中的相同,其ρ 与模型（1）不同,含义为被评价决策单元与由其他决策单元构成的前沿二者之间最小的距离,还需要将模型（1）中等于号替换为不等号,以使防止模型（2）中必然有解,模型（2）的有效性的判定原则如下:

1）若ρ＞1,则DMU0为有效,且ρ 值越大代表效率越高.

2）若ρ＝1,则DMU0有效

3）若ρ＜1,则DMU0无效

基于上述模型的生态效率评价模型,不仅考虑了投入产出的松弛性问题,而且考虑了因资源投入而导致的生态负效应,同时还解决了效率值均为1的高低排序问题.

1.2 Tobit 模型

当因变量满足某种特定的约束时,可以使用Tobit模型,Tobit模型又被称为截取回归模型.该模型于1958 年由美国经济学家Tobin 提出.［13］Tobit 模型有离散因变量模型和受限因变量模型两种表达形式.由于超效率测算出的结果均大于0,因此选取后者.Tobit面板回归模型为:

1.3 指标体系的构建

为全面准确的测算安徽省的区域生态效率,本文的投入产出指标是在借鉴已有的文献并充分了考虑指标的可得性来选取的.其中,投入指标除了选取传统的劳动和资本投入之外,还加入了土地、能源以及水资源投入纳入分析体系;产出指标包括期望产出和非期望产出.构建的指标体系如表1所示:

表1 生态效率指标体系

1.4 决策单元及数据获取

本文以2003-2016 年安徽省16 个地级市为决策单元,在此期间巢湖市出现了行政区划调整的问题,因此予以剔除.研究期内的数据缺失采用了移动平均法进行补齐,相关数据按照2002年的不变价格进行了折算,所有数据源自《中国城市统计年鉴》和《安徽统计年鉴》（2004-2017年）.

2 安徽生态效率评价结果及分析

根据模型（2）,运用MaxDEA 7 Ultra 软件对2003-2016 年安徽省各地级市的生态效率进行测算,并利用加权平均的方式得出皖南、江淮、皖北地区三大区域的生态效率,具体结果如表2所示.

表2 安徽省各地级市及三大区域生态效率

研究期内安徽省各地级市生态效率整体均值为0.564,总体水平不高,低于效率均值的地级市有8 个,占样本的50%,说明有一半的地级市生态效率达不到安徽平均水平;均值高于平均水平的地级市有8 个,分别是合肥、安庆、滁州、阜阳、宿州、六安、亳州、宣城,其中江淮地区、皖北地区、皖南地区分别占4 个、3 个、1 个.效率最高的是亳州,为0.947.最低的是淮南,仅为0.263.可见,安徽省的生态效率仍具有较大的提升空间.

为了分析安徽省历年生态效率的演变,将研究期内所有城市生态效率的均值作于图1.如图所示,安徽省的生态效率呈现波动上升趋势,其中生态效率值最低的年费是2003年,2016年生态效率值最高,仅在2011 年增长较快又快速回落.为了缓解环境压力,2012 年十八大报告明确了大力推进生态文明建设的总体要求,2013 年又陆续出台了大气污染、水污染、土壤污染防治行动计划.由图形趋势可见,2012 年之后安徽省生态效率呈现快速上升态势,说明我国出台的一系列污染防治措施对生态效率具有正向的促进作用.

图1 安徽省生态效率历年均值

为比较皖南、江淮、皖北地区三大区域生态效率的差异,将其生态效率的历年均值作于图2.可见,安徽省三大区域的生态效率呈现递增趋势,但是波动较大.江淮地区的生态效率在2003与2004 年位居首位,但是在2005-2007 的生态效率却为地区最低值,随着时间的推移,安徽省大力发展江淮地区,人民生活水平提高,对环境质量的要求也不断提升,使得其生态效率不断向好,到2016 年已为地区生态效率最高值.皖北地区生态效率增长较为平稳,在2005 至2010 年期间位居为地区生态效率首位,但是在近几年发展中江淮地区的生态效率增长较快,皖北地区反而发展缓慢.皖南地区的生态效率发展不够稳定,波动较大,但总体仍呈现增长的趋势.

图2 安徽省三大区域生态效率历年均值

3 安徽省生态效率影响因素分析

3.1 变量的选取

考虑到数据的可得性及生态效率的特点,结合已有文献,选取了经济发展水平、外资利用、人口密度、城市化率、政府财政教育支出及科技支出等作为生态效率的影响因素（见表3）.

表3 生态效率影响因素

3.2 模型建立

基于Tobit模型,本文构造式（4）模型:

其中,itEE 代表i地区t年的生态效率值,itα代表常数项,1β～6β 代表五个影响因素对生态效率的影响大小,itE 代表模型的截取回归模型.回归结果见表4:

表4 安徽省各地级市及三大区域生态效率影响因素测算结果

通过表4可以看出,从安徽省生态效率的影响因素中,经济发展水平（Eco）、外资利用（Open）、城市化率（UL）、政府对教育的支持（Gov1）、政府对科技的支持（Gov2）均通过检验,并且拟合效果良好.人口密度（PD）指标未通过检验.

在百分之十的显著水平下经济发展水平（Eco）与安徽省生态效率（EE）呈正相关,人均GDP 每提高1 亿元,安徽省城市生态效率就会提高0.047%,但对江淮、皖南地区来说却影响不大.这说明随着安徽省经济发展水平的提高,地方政府更加有能力建设生态文明与环境保护,在一定程度上实现了经济发展“反哺”生态环境,但是对于江淮地区和皖南地区,经济发展反哺生态环境的作用仍需加强.

在百分之一的显著水平下外资利用（Open）和安徽省的生态效率（EE）呈负相关,外资利用（Open）每提高1%,安徽省的生态效率（EE）就会降低10.28%,这说明外资的投入会影响安徽省生态效率,这与安徽省承接的污染密集型产业有着紧密的联系,污染密集型的产业虽然带动了地方经济的发展,但也导致加重了环境污染.而分区域中的外资利用（Open）对皖北、江淮、皖南地区影响不大,说明对三个地区而言外资的投入并没有对其生态效率的提升造成阻碍,可能和各地区核心城市改变招商思路,提高外企进入的环境门槛有一定关系.

人口密度（PD）对安徽生态效率（EE）的影响并不显著,但对江淮地区的生态效率在1%的水平下呈负相关,说明对江淮地区而言,人口密度过大,会增加环境压力,加剧生态破坏,不利于生态效率的提升.

在百分之十的显著水平下城市化率（UL）与安徽省生态效率（EE）呈负相关,城市化率（UL）每提高1%,安徽省的生态效率就会下降0.067%;在分地区分析中,皖北与皖南地区的回归结果显著为负值,江淮地区的回归结果不显著,但回归系数依然为负值.可解释为大量农业人口转移进入城市带动了城市基础建设、住宅的需求.在拉动经济快速增长的同时,同时带来了城市交通拥挤、垃圾增多,水污染、大气污染等一系列与生态环境相关的问题,从而对生态效率产生负面影响.

在百分之一的显著水平下政府对教育的支持（Gov1）与安徽省生态效率（EE）呈正相关,政府对教育的支持每提高1%,安徽省生态效率就上升2.54%.教育的支持,有助于提高人们的综合素质,并提高人们对绿色生活的渴望,从而减少资源的浪费,进而提高生态效率.政府对教育的支出对皖北、江淮、皖南地区的生态效率影响并不显著.

在百分之十的显著水平下政府对科技的支持（Gov2）与安徽省生态效率（EE）呈正相关,政府对科技的支持水平每提高1%,安徽省的生态效率提高31.26%;在分地区分析中,江淮与皖南地区的回归结果显著为正值,对皖北地区的影响不显著.政府科技支出水平是影响生态效率提升的重要因素.科技进步有助于创新和推广节能减排技术,将大量的科研成果转化为生产力,在推动城市工业化与城市化的进程中提高生态效率.但是在皖北地区,仍需充分发挥科技对生态效率的带动作用.

结 论

本文基于2003-2016 年安徽省16 个地级市的面板数据,运用了非期望产出的超效率SBM模型测算出了安徽省各地级市的生态效率,对皖南、江淮、皖北地区三大区域的生态效率进行比较分析,并利用Tobit 模型对生态效率影响因素进行研究.结论如下:

（1）安徽省各地级市生态效率整体均值总体水平不高,有一半的地级市生态效率达不到安徽平均.各地级市生态效率均值从高到低排名:为亳州（0.947）、滁州市（0.765）、宿州市（0.751）、宣城市（0.685）、阜阳市（0.666）、安庆市（0.647）、六安市（0.583）、合肥市（0.571）、黄山市（0.559）、芜湖市（0.549）、蚌埠市（0.465）、池州市（0.447）、马鞍山市（0.415）、铜陵市（0.398）、淮北市（0.308）、淮南市（0.263）.从时间序列来看,安徽省的生态效率出现先增长后下降再增长,总体趋势向上的发展态势.

（2）影响因素分析结果显示,经济发展水平、政府对教育的支持、政府对科技的支持对安徽省生态效率呈正向影响,外资利用、城市化率对安徽省生态效率呈负向影响.经济发展水平、外资利用、人口密度、城市化率、政府对教育的支持、政府对科技的支持对安徽省生态效率的影响根据区域的不同影响也有差异.对皖北地区而言,生态效率的两个指标是经济发展水平、城市化率;影响江淮地区生态效率提升的主要因素是人口密度、政府对科技的支出;影响皖南生态效率的两个指标是政府对科技的支持、人口密度.

（3）从经济发展水平对安徽省生态效率的影响来看,安徽省需要发展成低消耗、低排放的环境友好型经济.对外资利用的结果来看,外资在推动经济增长的同时也对环境造成了负面的影响,安徽各地级市应在积极引进外资的前提下,提高外资企业进驻的门槛.随着城市化的进程,大量的问题也涌入了城市,需要在开发的同时注意环境保护,不能走先污染后治理的老路.政府对教育的投入可以提高安徽省的生态效率,但对于皖北、江淮、皖南地区却不显著,说明政府的教育投入并没有最终传导到各区域,政府应加强环境保护意识的教育力度,以提高人们的生态保护意识.科技是第一生产力,科技的进步有助于创新和推广节能减排技术,在推动城市工业化与城市化的进程中提高生态效率.政府对科技的投入对皖北的生态效率影响并不明显,说明皖北的科技投入未得充分的利用,因此政府需要积极调动资源合理利用科技投入,将科技投入转化为节能减排成果.