基于环境压力视角的东北老工业基地生态效率研究*

尹妮妮 汪克亮

(安徽理工大学经济与管理学院，安徽 淮南 232001)

东北老工业基地作为新中国最早与最大的重工业基地，为新中国经济的飞速发展做出了巨大贡献，然而随着改革开放和我国经济体制改革与结构转型，东北老工业基地经济的发展却呈现出步履维艰、位次逐渐下滑的态势。虽然我国于2003年提出的振兴战略带动了东北老工业基地经济的短暂回温，但2012年起，东北老工业基地经济增速急剧下滑，与全国平均增速水平难以达到同步。东北老工业基地长期依赖于高投入、高消耗和高污染的粗放型经济发展模式，给当地生态环境带来了巨大压力。东北老工业基地的大气、水和土壤污染较严重[1]，不仅制约了东北老工业基地的高质量发展，也影响了自然资源的可持续利用。为此，在“十三五”规划伊始，我国开启了新一轮“全面振兴东北老工业基地”的战略计划，其中针对生态环境问题提到，应牢固树立绿色发展理念，坚决摒弃损害甚至破坏生态环境的发展模式和做法，将老工业基地打造成北方生态屏障和山青水绿的宜居家园。在此基础上，2018年习近平总书记在深入推进东北振兴座谈会上强调“要更好支持生态建设和粮食生产，巩固提升绿色发展优势”。在此背景下，为了缓解东北老工业基地严峻的生态环境压力，促进区域经济的绿色可持续发展，本研究将基于能源消耗和工业污染的环境压力视角，评估23个东北老工业基地的生态效率，研究结果对于更好地实现振兴东北老工业基地战略目标具有重要的现实意义。

生态效率的概念首先由SCHALTEGGER等[2]提出。随后，生态效率的概念在世界可持续工商理事会(WBCSD)的定义和推广下，被世界相关研究机构和学者广泛认识和接受[3-4]。此后，生态效率成为了国内外学者研究的热点[5]。根据研究对象和目的的差异性，生态效率的测度方法也有所不同，一般可概括为3种。一是单一比值法[6-7]，二是指标体系法[8-9]，虽然以上两种测算方法较为直观，可以分析独立或复杂的对象，但是却有局限性，特别是指标体系构建中多使用德尔菲、层次分析、目标距离等含有较强主观因素的赋权方法，难以剔除人为因素影响。三是数据包络分析(DEA)模型法，针对以上两种方法的不足，有学者引入DEA来测度生态效率，该方法是由CHARNES等[10]首创的一种非参数前沿方法，优点是不需要提前预设要素投入和产出的函数关系，也不需要统一指标单位及对权重进行主观判断，客观性更强。DEA方法已得到广泛应用。KUOSMANEN等[11]基于DEA方法评估了芬兰东部城镇公路运输生态效率；LORENZO TOJA等[12]采用生命周期评价(LCA)与DEA结合的方法测算了西班牙113个污水处理厂的生态效率；WANG等[13]构造一种混合超效率DEA模型和Malmquist指数方法测算了我国22个工业部门的生态效率。

自生态效率概念引入我国[14]后，目前国内相关领域的学者已广泛开展对生态效率的研究，在行业[15-17]、城市群[18-20]、区域[21-24]等层面的研究成果相对丰硕。然而，东北老工业基地作为我国区域经济研究的重点，有关生态效率的研究较少。目前已有研究多结合DEA和Malmquist指数方法测算东北老工业基地的生态效率[25-27]，检验了DEA方法在生态效率测度上的可行性，然而也有不足之处：一是建立生态效率DEA模型时将资本、人力作为投入变量，并不能客观反映生态效率的提高是基于能源消耗的节约和污染物减排还是资本和人力的增加；二是Malmquist指数虽然可以从动态角度分析生态效率的变化趋势，但是由于该指数是基于径向距离函数，在投入、产出变量存在非零松弛时会导致效率测度结果出现偏误[28]。对此，本研究以2012—2017年23个东北老工业基地城市为研究对象，将城市经济产出过程中消耗的能源和排放的环境污染物视为环境压力，作为建立生态效率DEA模型的投入变量，且投入变量中不包括资本与人力；分别从整体与区域能源消耗和不同污染物层面依次考察东北老工业基地的生态效率，结合DEA窗口分析法综合分析与挖掘生态效率的变化趋势与制约因素，采用面板Tobit回归模型检验东北老工业基地生态效率的影响因素，以期为东北老工业基地生态效率的研究和相关部门制定决策提供参考与借鉴。

1 研究方法

1.1 DEA测算框架

借鉴PICAZO TADEO等[29]的方法，将东北老工业基地生态效率定义为经济增加值与环境压力的比值。假设共有I个决策单元(文中即为东北老工业基地的23个地级市)，第i个决策单元的经济增加值为ei，经济产出过程中产生N种环境压力，第n种环境压力为pni，则决策单元i的整体生态效率(AEE)可以定义为AEEi，见式(1)：

(1)

在规模报酬不变的假设下，建立DEA测算框架，为了计算的便利性，将原始非线性规划模型转变为线性规划模型，见式(2)，其约束条件见式(3)：

θi=minAEEi

(2)

(3)

式中：在维持ei不变的前提下，取pni等比例减小后的生态效率最小值，即为θi；zi为第i个决策单元的权重。

(4)

1.2 DEA窗口分析法

由于运用传统DEA方法所构造的决策单元在不同时期的前沿面并不相同，反映的只是决策单元在某一时期的横向静态效率，在跨期纵向分析中并不具有可比性。对此，CHARNES等[30]引入DEA窗口分析法，该方法基于移动平均法原理，将处于不同时期的同一决策单元作为不同的决策单元进行考察，达到扩充小样本数据数量、提高评价相对效率的辨识度与可靠性的目的；同时还能从时间序列的动态角度考察决策单元效率值的变化趋势。DEA窗口分析法在运用过程中，首先要根据研究对象和样本考察年限决定窗口宽度(d)的取值，在已有研究中，大部分学者将d设为3[31-33]。本研究根据需要，设定d=2。假设样本考察总年限为T，则一共生成T-d+1个窗口，针对I个决策单元在每个窗口内共测算d×I个效率值；依据移动平均法原理，顺着考察年限，分别测算第i个决策单元在第q(q=1，2，…，T-d+1)个窗口上的d个效率值，并依次类推到最后一个时间点，最后取各时间点上每个决策单元的d个效率值的平均值，即为最终横纵向可比的决策单元的效率值。

2 样本变量与数据

考虑投入/产出变量数据的可得性，选择样本考察期为2012—2017年，研究对象为东北老工业基地23个地级市，分属辽宁、吉林、黑龙江3省，数据来源于各年份中国城市统计年鉴以及各省份统计年鉴。参考已有研究，将城市经济产出过程中消耗的能源和排放的环境污染物视为环境压力，作为考察生态效率的投入变量，包括各城市综合能源消费量(记为E，以标准煤计)、工业废水排放量(记为W)、工业SO2排放量(记为S)、工业烟粉尘排放量(记为D)。产出变量为东北老工业基地各城市地区生产总值，为保持数据口径一致，各城市2012—2017年地区生产总值数据也以2012年不变价格表示。投入/产出变量数据的统计特征见表1。

表1 2012—2017年样本投入/产出变量数据的统计特征

3 实证测算与结果分析

3.1 东北老工业基地生态效率

测算2012—2017年东北老工业基地23个地级市的AEE和4类基于环境压力视角的生态效率指标，这4类环境压力生态效率分别为综合能源消耗压力生态效率(EPEE)、工业废水排放压力生态效率(WPEE)、工业SO2排放压力生态效率(SPEE)、工业烟粉尘排放压力生态效率(DPEE)，且AEE和4类环境压力生态效率指标等于(小于)1表示东北老工业基地生态效率有效(无效)。东北老工业基地生态效率测算结果见图1和表2。

图1 东北老工业基地3省AEE与4类环境压力生态效率雷达图Fig.1 Radar map of AEE and 4 kinds of environmental pressure eco-efficiency of 3 provinces in old northeastern industrial base

整体来看，2012—2017年东北老工业基地23个地级市AEE为0.593，距离效率前沿存在41.7%的提升空间，EPEE、WPEE、SPEE、DPEE分别为0.390、0.309、0.211和0.176，从投入的角度来看节能减排的潜力巨大。分省市来看，辽宁省、吉林省和黑龙江省的AEE分别为0.493、0.638、0.733，其他4类环境压力生态效率与AEE一致，皆呈现辽宁省<吉林省<黑龙江省的梯度变化特征，其中SPEE、DPEE比之其他两类环境压力生态效率更低，表明在考察期内工业烟粉尘和SO2为环境污染压力的主要来源。东北老工业基地多为资源型城市，在以往年份的重化工业经济发展中，对于自然资源的开发和化石能源的消耗较为粗放，且东北地区冬季采暖又以煤为主，SO2及烟粉尘大量排放，表现为煤烟型大气污染严重。分城市来看，在3省中AEE分别排名第1的为朝阳市、白城市、大庆市，且3市的AEE均都在0.8以上。近年来，朝阳市环境空气质量排名连续位居全省前列，全面整治了劣Ⅴ类(参考《地表水环境质量标准》(GB 3838—2002))水体且主要河流水质达标率为100%；白城市自2013年起环境空气质量达《环境空气质量标准》(GB 3095—2012)二级标准，辖区内水质均达到GB 3838—2002 Ⅲ类标准；大庆市近年来空气质量优良率保持在87%以上，尤其2017年SO2和PM2.5分别达到GB 3095—2012一级和二级标准，处于北方城市领先水平。总的来说，以上3市抓住了全国范围内产业梯度转移时期，同时依托绿色高新技术产业推动产业结构升级，以高标准推进城市生态文明建设，这一套改革“组合拳”促使落后的老工业基地成为振兴前线与生态文明建设的范本，是其他老工业基地城市学习的对象。

表2 东北老工业基地23个地级市AEE与4类环境压力生态效率窗口分析结果

3.2 东北老工业基地生态效率的动态演变趋势及指标分解

采用DEA窗口分析法从动态变化趋势视角来分析东北老工业基地的生态效率指标；此外，为更好挖掘东北老工业基地生态环境效率变化的关键性因素，将AEE进一步分解为生态环境纯技术效率(AEPTE)和生态环境规模效率(AESE)，3者关系表示为AEE=AEPTE×AESE。

由图2可知，2012—2017年东北老工业基地的AEE呈现温和波动下降的特征，由2012年的0.601下降到2017年的0.570。其他4类环境压力生态效率，除EPEE呈现与AEE一致的下滑态势外，其他3类环境压力生态效率均呈现整体上升的趋势，尤其是SPEE和DPEE，其在2015—2017年期间上升幅度较大，说明我国在“十三五”规划中提出的新一轮“全面振兴东北老工业基地”的战略计划对老工业基地的生态环境改善有一定的成效，但是AEE的下降，又为老工业基地的生态环境保护工作敲响了警钟，所以必须要坚持转变老工业基地为新兴的绿色工业基地，才能更好发展绿色生态经济。由表3可见，除吉林省AEE从2012年的0.627到2017年的0.669有所上升外，辽宁省和黑龙江省的AEE都呈波动下降的态势。从4类环境压力生态效率来看，虽然SPEE和DPEE数值相对较低，但在考察期间3省基本呈现上升态势。

图2 2012—2017年东北老工业基地AEE及4类环境压力生态效率动态变化趋势Fig.2 The dynamic trend of AEE and 4 kinds of environmental pressure eco-efficiency of old northeastern industrial base during 2012-2017

表3 2012—2017年东北老工业基地3省AEE与4类环境压力生态效率动态变化趋势

构建23个老工业基地城市的AEPTE和AESE分布图，将23个地级市为4类，分别为高AEPTE-高AESE、高AEPTE-低AESE、低AEPTE-高AESE、低AEPTE-低AESE，结果见图3。有15个城市在高AESE处聚集，而其中一半以上城市处于低AEPTE状态。因此，东北老工业基地想要更好地贯彻“振兴老工业基地”的倡议，走绿色生态转型的道路，就应该重点从提高AEPTE出发，通过引入前沿绿色工业技术，改进现有的节能减排管理措施和工业设备来实现。此外，AESE相较AEPTE而言给AEE带来的提升空间有限，如果生产投入规模过大，尤其是以环境为代价的生产规模过大，会导致资源调配的失调。

图3 东北老工业基地23个地级市AEPTE和AESE散点图Fig.3 Scatter diagram of AEPTE and AESE of 23 cities in old northeastern industrial base

3.3 东北老工业基地生态效率的影响因素分析

分别以东北老工业基地及辽宁省、吉林省和黑龙江省的AEE为被解释变量，选取时间趋势、经济发展水平、产业结构、科技水平、环境规制为解释变量，采用Tobit回归模型考察东北老工业基地及3省的生态效率的影响机制。5项解释变量的具体界定如下：以考察期的时间范围作为时间趋势衡量；以东北老工业基地23个地级市的人均地区生产总值表征经济发展水平，人均地区生产总值数据以2012年不变价格表示；以第二产业占地区生产总值的比重表征产业结构；以城市地方财政支出中的科学技术支出占地区生产总值的比重表征科技水平；以一般工业固体废弃物综合利用率表征环境规制。回归结果见表4。

由回归结果可知：(1)东北老工业基地和3省的时间趋势系数为负，其中东北老工业基地和吉林省的回归系数分别通过0.01和0.05的显著性检验，说明在考察期内随着时间的推移，东北老工业基地AEE呈现下降态势，辽宁省下降最快，但是影响力较低。(2)经济发展水平均对东北老工业基地、吉林省和黑龙江省AEE的影响显著为正，说明经济发展水平的提高对居民的环保意识有着积极作用，而辽宁省地区生产总值在过去几年出现负增长，也是全国唯一负增长的省份，经济的下滑严重制约了绿色生态经济的发展。(3)产业结构系数均为负数，除辽宁省、黑龙江省不显著外，其他均通过显著性检验，说明东北老工业基地AEE的下降与单一的产业结构有关，轻重工业比例失调，应从调整产业结构出发，扭转不合理的现状，走绿色技术转型振兴之路。(4)除辽宁省外，科技水平与AEE呈显著负相关，这与预期有出入。主要原因是东北老工业基地本身科技水平较低，工业设备落后，技术管理水平低下，而东北老工业基地的振兴主要依托于以高科技产业为主导的工业发展模式，然而这种模式带来经济增长的同时，由于对高科技产业认识的不足，加之其生产技术流程在法规与标准化管理层面上缺乏有效支撑，使得环境污染问题仍然严峻。此外，科技投入的多少并不代表科技水平的高低，只有合理配置科技资源并向绿色产业转移，不断提升绿色高新技术的开发与使用率，才能有效促进生态环境实质性改善。(5)环境规制对于东北老工业基地的生态效率有着显著的积极影响，除黑龙江省不显著外，其余均通过显著性检验，其中辽宁省影响最大，回归结果进一步验证了东北老工业基地生态效率的提高与政府的严格环境规制手段有着密切关系。

表4 东北老工业基地Tobit回归结果1)

4 结论与建议

4.1 结 论

(1) 2012—2017年东北老工业基地AEE均值为0.593，整体偏低且呈现小幅度波动下降趋势，表现出辽宁省<吉林省<黑龙江的地域变化特征。4类环境压力生态效率中，DPEE、SPEE较低，表明在考察期内工业烟粉尘和SO2为老工业基地环境污染压力的主要来源。

(2) 东北老工业基地AEE不高主要是AEPTE过低造成的。

(3) 经济发展水平、环境规制对东北老工业基地AEE有显著的正效应，而产业结构和过低的科技水平则严重抑制了AEE的提升。

4.2 建 议

(1) 2012—2017年，AEE无明显起色，3省差距仍旧明显，在保证地区经济增长的同时，应严格做好环境规制管理。此外，结合老工业基地不同城区的工业特色，因地制宜制定有效的生态污染防治措施，同时加大科技资金投入与扶持力度。

(2) 为从源头上管控东北老工业基地SO2和工业烟粉尘的排放量，进一步提高能源利用率，各老工业基地城市需要引进和推广以节能减排、低碳为主的绿色生态技术。对于重化工企业着重进行脱硫、除尘改造，如淘汰落后设备，限制排放甚至关停重污染企业；提高以天然气、洁净煤等为主的清洁能源的使用比例。

(3) 东北老工业基地亟需调整过去大力发展重工化企业遗留下来的单一的产业结构模式，提高以绿色生态技术为主力的高新技术产业的比重，绿色生态技术提高与创新是东北老工业基地生态环境效率提升的根本动力。其次，引进新型科技人才，整合优势技术资源，加强与周边发达地区的科学技术交流，真正实现先进科技资源共享，从而打破东北老工业基地从工业资源型向绿色生态循环经济转型的瓶颈。