基于问卷调查的煤矿绿色矿山评价

李奇明，杨树旺

(中国地质大学(武汉)经济管理学院，湖北 武汉 430074)

绿色矿山建设是矿业绿色发展的必然选择。在生态文明建设体制机制不断完善背景下，绿色矿山建设成为矿山生存发展的前提。在《全国矿产资源规划(2016—2020年)》推进实施的关键时期，绿色矿山建设的成效关系到规划目标的顺利实现，加快绿色矿山建设步伐刻不容缓。平顶山矿区(煤炭)是我国大型煤炭基地河南基地的六大矿区之一，平顶山市(煤炭)绿色矿业发展示范区成为河南省规划建设的七个示范区之一。《平顶山市(煤炭)绿色矿业发展示范区建设方案》明确要求，到2020年所有大中型煤矿全部达到绿色矿山标准，对平煤股份公司绿色矿山建设吹响了冲锋号。

绿色矿山评价旨在衡量是否达到绿色矿山标准，是绿色矿山建设不可或缺的重要环节，对绿色矿山建设发挥着重要的把关作用。根据当前我国绿色矿山建设管理办法，绿色矿山评价有外部评价和内部评价之分。其中，外部评价是指由第三方机构实施的评估，其评价流程和方法由相关管理办法所规定。与外部评价不同，内部评价是指矿山在提请第三方评估之前，需要开展自评并编写自评报告。为顺利实现建设目标，矿山必须制定绿色矿山建设规划，并分阶段开展内部评价。诚然，矿山可以参照外部评价的做法来进行内部评价，但无疑费时费力，且受到诸多限制。为此，本文提出了通过问卷调查开展绿色矿山评价的思路。

绿色矿山评价属于多指标综合评价问题。多指标评价问题的核心在于评价体系的构建和评价方法的选择。从文献来看，绿色矿山评价体系大致可以分为两类：一类是基于绿色矿山内涵构建的评价体系，一类是依据绿色矿山标准构建的评价体系。在2010年以前，人们主要是根据对绿色矿山内涵的理解来设计评价体系[1]。随着国家级绿色矿山基本条件的明确提出，为绿色矿山评价体系构建提供了重要依据[2]。2018年非金属矿等9大行业的绿色矿山建设规范颁布，为不同行业的绿色矿山评价体系构建提供了基本遵循[3]。在评价体系确定的前提下，绿色矿山评价的关键在于评价方法的选择。运用主观评价法的有：闫志刚等[4]、刘金平等[5]采用层次分析法，宋学峰等[6]则通过专家调查法来确定指标权重；运用客观评价法的有：汪文生等[7]采用DEA模型，宁芳等[8]则采用田口评价法开展绿色矿山评价；组合赋权法常被认为更合理，如乌力雅苏等[9]采用层次分析法与熵值法相结合；许加强等[10]则用专家打分法与熵值法相结合。作为一种多元分析方法，因子分析法被广泛用于综合评价，有的用于截面数据[11]，有的用于时序数据[12]，但很少用于绿色矿山评价，采用问卷数据的更为少见。为提高绿色矿山评价效率，本文拟运用基于问卷数据的因子分析法进行绿色矿山评价。

1 绿色矿山评价体系构建

对平煤股份公司的绿色矿山评价，严格按照河南省《煤矿绿色矿山建设规范》(DB 41/T1664—2018)(以下简称“《规范》”)设计评价体系。《规范》在总则中指出，生产矿山应遵循法律法规和相关产业政策，做到依法办矿，这是绿色矿山评价的前置条件。《规范》的第5～10部分分别从矿区环境、资源开发利用、资源综合利用、节能减排、科技创新与数字化矿山以及企业管理与企业形象六个维度提出了绿色矿山建设要求，并在每个维度下分别从2～4个方面做出了具体规定。按照以上六个维度构建的评价体系见表1，共包括18个指标。需要说明的是，平煤股份公司是上市公司，企业管理符合《公司法》，且近年来每年科技投入均达到上年营业收入的1.5%，故对下属各煤矿的评价不再考虑这些指标。

表1 煤矿绿色矿山评价体系Table 1 Evaluation system of coal mine green mine

2 问卷调查与数据分析

2.1 问卷调查情况

为获取数据，将以上每个指标作为一个调查题项，每题设计五个选项，分别为完全不同意、不同意、一般、同意和完全同意。将设计的调查问卷在平煤股份公司五矿和六矿进行了试调查，共发放问卷65份，剔除填写不完整和每题选项完全相同的问卷11份，回收有效问卷54份。运用SPSS软件对数据进行信度分析，信度系数Cronbach’s Alpha值为0.954，说明问卷各题项之间的内部一致性较高。在试调查基础上，重新对14个煤矿分别发放问卷，重点对班组长、科室人员展开调查，他们对煤矿绿色矿山建设具有深切感受，能准确地理解绿色矿山评价指标内涵，共发放问卷748份，共回收有效问卷566份。各煤矿问卷回收情况见表2。

表2 平煤股份公司14个煤矿问卷回收情况Table 2 Questionnaire recovery of 14 coal mines ofPingmei Co., Ltd.

2.2 数据描述分析

根据每题的选项，对调查结果按照1～5分进行打分。通过计算每一题的平均得分，可以看出该指标建设的平均水平。数据显示，平煤股份公司18个指标的平均得分在4.24～4.53之间，说明绿色矿山建设的平均水平较高。其中，矿区环境、企业管理与企业形象维度指标平均得分较高，说明平煤股份在这两个维度上具有相对优势，而节能减排、科技创新与数字化矿山维度的指标平均得分较低，说明应在这两个维度上进一步加强建设。

对各煤矿指标得分的分析发现，各矿指标得分近似对称分布，大部分指标平均得分在4分以上，标准差基本上小于1分。表3列出了各煤矿变异最大的指标及其标准差，其中变异最大的是平煤四矿的企地共建利益共享指标(Q63)，标准差略大于1，说明职工对该问题的看法存在一定分歧；其余各矿的最大变异指标的标准差均小于1，说明指标平均得分的代表性较高，可以用指标的平均得分来说明各矿绿色矿山建设水平。

表3 各煤矿变异最大指标及其标准差Table 3 The maximum variation index and standarddeviation of each coal mine

将每个煤矿的18个指标平均得分加总，可以得到每个煤矿的总得分，集中反映了该矿绿色矿山建设水平的高低。每个指标的最高分为5分，18个指标满分为90分。 为方便用得分大小来衡量达到绿色矿山的程度，可将总得分按百分制进行换算(表4)。 假如评分标准为85分(百分制)即达到绿色矿山要求，除平煤五矿、平煤四矿、平煤十三矿、平煤九矿外，其他煤矿均达到了绿色矿山标准。其中，国家级绿色矿山平煤一矿排名第二位，国家级绿色矿山试点单位平煤十一矿排名第七位，省级绿色矿山香山矿排名第四位。这一结果与平煤股份公司绿色矿山建设的实际情况基本吻合。

表4 不考虑权重时各煤矿的总得分与排序Table 4 Total score and ranking of coal mine withoutconsidering the weight

需要指出的是，将指标平均得分进行加总时，并没有考虑各指标的相对重要性即权重，这可能会影响评价结果的准确性。为此，下面用因子分析法进行综合评价以进行对比。

3 基于因子分析的绿色矿山综合评价

作为一种多变量分析方法，因子分析被视为主成分分析的拓展,其基本思想是根据变量之间的相关性将原变量分组，使同组内的变量相关性高，而不同组间的相关性低，并将一组变量用一个公因子来表示[13]。运用因子分析进行综合评价的步骤一般包括变量标准化、相关性测度、估计因子载荷矩阵、确定因子个数、计算因子得分和综合评价。

运用因子分析进行综合评价尚存在一些争议。比如，因子个数的确定、是否需要因子旋转等[12]。考虑到本文的目的仅仅是评价，不需要进行因子旋转，只需要利用初始因子载荷矩阵进行综合评价。显然，这里的因子分析是与主成分分析相等价的。对于因子个数的确定，这里吸收了大部分文献的观点，即第一主成分(即第一公因子)在很大程度上综合反映了各指标的大小，其他主成分只是反映了研究对象某一方面的特征，用多个主成分进行综合评价欠合理[14]。只用第一公因子进行综合评价会损失部分信息，可能达不到传统的累积方差贡献率要求，但绿色矿山评价的目的在于反映矿山的总体建设水平，而不是为了发现矿山在哪些方面具有特色，按照第一公因子开展评价正契合了这一评价思想。

3.1 传统的因子分析综合评价

对问卷数据不能直接用传统因子分析法进行综合评价。这是因为问卷数据的每一个观测对应的是一个被调查职工，综合评价结果并不能说明该矿绿色矿山建设水平的高低。为此，需要先将问卷数据进行转换，将每个矿的所有观测数据转化为一个观测，得到一个矿山一个观测的数据结构。为实现这一点，可以将每个煤矿18个指标的得分按观测加总，并计算出各自的平均得分，这样14个煤矿就得到14个观测。

对14个煤矿的18个指标进行因子分析，并提取第一公因子进行综合评价。 分析结果表明，第一公因子的特征值为15.757，方差贡献率达87.541%，说明第一公因子包含了原始数据的大部分信息；从初始因子载荷矩阵可知，所有载荷值均大于0，不存在负权，说明第一公因子表征了所有指标的信息。根据第一公因子的得分大小进行排序，即可得到14个煤矿绿色矿山建设水平的综合评价结果。

与表4中的结果相比，因子分析得到的综合评分是经过标准化的相对得分，只能用来排序。从排序来看，除排在第9位与第10位的煤矿互换了位置外，其他矿山的排序完全相同。这在一定程度上说明用因子分析进行绿色矿山综合评价的可行性和合理性。但要指出的是，由于每个煤矿的问卷数据进行了合并，导致用来做因子分析的只有14个观测数据，小于指标的数量，不符合因子分析条件，可能对评价结果产生影响。同时，因子分析得到的结果是相对得分，而不是绝对分数，尽管可以采用一些方法将得分转换到某个区间上[15]。以上这些问题不解决，无疑会阻碍因子分析在绿色矿山评价中的推广应用。

3.2 改进的因子分析综合评价

按照因子分析原理，第一公因子的得分系数相当于用来计算因子得分的权重向量，每个观测的标准化向量与因子得分系数向量相乘，就得到每个观测对应的因子得分。可见，第一公因子的得分系数是综合评价的关键所在，该系数向量包含了因子与变量之间的权重关系，决定了因子得分的大小。在因子得分系数确定的条件下，因子得分之所以是相对得分的原因是使用了标准化向量。为解决这一问题，可以用具有实际意义的指标得分向量代替原来的标准化向量。这样做的理由是，因子分析进行无量纲化处理的目的是避免数据量纲不同对结果产生影响，而无量纲处理可以采用多种方法，不一定是标准化，其关键是保证每个变量的值域相一致[14-15]。而根据问卷得到的每个指标得分均在1～5分之间，满足量纲一致的要求，同时每个煤矿的指标平均得分与问卷数据相当，因此用每个煤矿的指标平均得分向量代替标准化向量，不会对评价结果造成影响，后文的实证分析也印证了这一点。这样就不需要像传统因子分析那样对问卷数据进行转换，可以直接使用全部问卷数据来进行不旋转的因子分析，进而得到第一公因子的得分系数向量来计算每个煤矿的因子得分，从而避免由于观测数量偏少可能带来偏差的问题。以上思路较好地解决了传统因子分析方法的问题，故将运用第一公因子得分系数进行综合评价的方法，称为改进的因子分析综合评价。

按照以上思路对566份问卷数据进行因子分析，输出结果表明：取样足够度KMO统计量值为0.959，说明非常适合因子分析；第一公因子的特征值为10.279，方差贡献率为57.104%，尽管没有达到一个相对较高的水平(如60%或80%以上)，但已反映了数据大部分信息，不会因信息损失而对评价结果造成影响[14-15]；第一公因子上的载荷值均为正，说明该公因子可以作为综合指标进行评价。将得到的第一公因子得分系数向量与每个煤矿的指标平均得分向量相乘，就可以得到各个煤矿的综合评分。由于我们设定每个指标的满分是5分，前面得到的因子得分系数和为1.322，因此综合评分满分为6.61。用每个煤矿的综合评分与满分进行比较，即可得到每个煤矿的百分制得分。

表6 改进的因子分析综合评分与排序Table 6 Improved factor analysis comprehensivescore and ranking

与传统因子分析评价结果(表5)相比，排序结果完全相同，说明了基于因子得分系数进行综合评价的可行性与合理性。与此同时，二者的综合评分却并不相同，这里的综合评分有了实际意义，经过换算得到的百分制分数更清晰地反映了该得分的具体位置。如果按85分即达到绿色矿山标准，除平煤九矿、平煤十三矿、平煤四矿和平煤五矿外，其他煤矿都已达到绿色矿山要求，这与不考虑权重时的评价结果几乎完全一致。

表5 传统因子分析综合评分与排序Table 5 Traditional factor analysis comprehensivescore and ranking

可见，运用因子得分系数进行综合评价，评价结果不仅能排序，而且可以得到实际的综合得分。特别是对单个矿山评价时，同样可以通过问卷调查和数据处理得到所需的因子得分系数向量及其综合评分，具有一定的推广价值。

4 结 语

基于问卷调查的绿色矿山内部评价，以问卷方式收集数据，可以大大提高工作效率，节省运作成本；同时以因子分析作为评价方法，可以发挥统计软件优势，使评价工作简单高效。运用传统的因子分析方法开展绿色矿山综合评价，可以对多个矿山的绿色矿山建设水平进行排序，但综合评分只有相对意义。为此，本文提出了运用第一因子得分系数向量进行综合评价的思路，不仅适用于多个矿山的综合评价，而且适用于单个矿山的评价。

需要注意的是，运用因子分析进行综合评价时，每个指标权重会因样本的不同发生变化，因此每次评价时要保证样本相对稳定。同时，由于该方法并不能消除重叠信息，反而会增大重复信息的权重，为保证评价结果的有效性，必须保证数据质量，保证问卷填写的客观真实性。