中国矿产资源绿色效率及影响因素分析

王 红

(中国社会科学院 数量经济与技术经济研究所， 北京 100732)

自然资源是用于人类生产或消费等经济活动、产生经济价值的自然资产，也是生态系统的重要组成部分，支撑着生态系统功能的正常运行。随着社会经济的快速发展，不可再生资源不断减少，人类可持续发展受到自然资源供给和环境容纳能力的双重挑战。在这一背景下，转变资源利用方式、提高资源利用效率已成为中国建设生态文明、实现绿色发展的必要路径。2020年9月，习近平主席在第七十五届联合国大会上宣布中国将采取更加有力的政策和措施，二氧化碳排放力争于2030年前达到峰值，努力争取于2060年前实现碳中和，对资源高效利用和环境压力减小提出了更大的要求。2020年底，党的十九届五中全会通过的《中共中央关于制定国民经济和社会发展第十四个五年规划和二〇三五年远景目标的建议》，特别提出要贯彻“节约、集约、减约”的理念，推进资源总量管理、科学配置、全面节约、循环利用，提高矿产资源开发保护水平，全面提高资源利用效率。在这一背景下，有必要从资源消耗和环境压力的双重角度深入了解中国矿产资源利用效率的现状、变化趋势和主要影响因素，从而为中国开展资源高效管理提供有用的信息。

本文利用物质流核算方法(Material Flow Accounting，即MFA)计算2000—2017年中国30个省市自治区主要矿产资源投入面板数据，结合考虑资源综合利用的工业固体废弃物排放数据，建立含非期望产出的超效率SBM 模型，计算中国矿产资源利用的Malmquist指数和技术效率，分析样本期中国矿产资源绿色效率的总体特征、变化趋势、区域差异和主要影响因素。出于省域数据可得性和分析聚焦性的考虑，本文分析的矿产资源包括能源矿产(煤、石油和天然气)、金属矿产(主要为铁矿)和非金属矿产资源(主要为石灰石)。

本文的创新点在于：第一，将物质流核算(MFA)方法和数据包络分析(DEA)方法相结合，能够更深入、更专注地了解中国各地区矿产资源利用效率的动态变化；第二，利用考虑废弃物排放非期望产出的超效率SBM方法，使本文对矿产资源利用效率的评价增加了生态和绿色的内涵，更加符合资源利用的资源和环境双重属性；第三，文献中有很多利用DEA方法评价资源效率或生态效率的研究，但是缺乏对矿产资源效率的评价，本文弥补了相关研究的不足。第四，本文的研究内容较为全面，对国家和地区矿产资源高效利用和可持续管理具有一定的指导意义。

一、文献综述

资源效率通常指单位数量的资源经利用后产生的经济、生态和环境等有益效益的相对数量，是资源配置效率与资源利用技术效率的总和。另一个涵义相近的概念是国内外文献中常用的“生态效率”，其内涵是以较小的资源或生态投入得到较大的经济产出，且使得经济活动中产生的废水、废气、固体废弃物等环境污染物的产出尽可能小[1]。

资源效率或生态效率的评价有多种方法和指标。一些经济生态学家从经济效益的角度用简单的数学公式计算得到资源产出率指标(Resource Productivity)。资源产出率是经济系统内地区生产总值与资源利用量的比值，即主要物质资源实物量的单位投入所产出的经济量。国内外学者常以物质流核算方法为基础评价资源产出率。该方法是基于资源利用全周期理念和物质平衡原理，使用统一的重量单位，对特定经济系统计算物质投入(包括开采、收获和进口的物质资源)和物质产出(包括废弃物、污染物)；在此基础上评估物质资源的利用及其环境影响[2]。该方法通常将单位GDP的物质投入或消耗作为评价资源产出率的一个重要指标。

更多学者使用更加复杂的测度方法和指标，如以数据包络分析(DEA)方法为主的评价方法和相应的效率指标。近20年来资源和生态效率的DEA评价研究有了很大的进展。测算方法从传统的DEA方法逐渐向超效率DEA方法、Malmquist指数、非期望产出SBM模型等不断拓展，在省际[3-4]、城际[1]、产业[5]和企业[6]等不同层次得到了广泛运用。

从研究内容来看，关注点主要是资源或生态效率的变化趋势和变化动力。对资源或生态效率变化趋势的研究提出了增长[7]、稳定[8]、下降[9]和U型变化趋势[10]等多种结论。关于资源或生态效率变化的动力来源，一些学者指出技术进步提供了全要素生产率的增长动力[7]或引起了生态效率的波动下降[11]。这说明在不同的测算方法和样本选取下资源效率或生态效率变化趋势和变化动力的结论也有差异。因此，在进行效率评价时，一定要考虑效率评价的具体内涵和投入产出指标的类型特点，从而得出切合实际并具有现实指导意义的结论。

近年来，相关研究更加深入。在国际上，Hermoso-Orzáez等于2020年运用DEA方法计算了28个欧盟国家的环境效率并按国家进行分组分析[12]；Barduchi等比较分析了发达国家与发展中国家的生态效率及经济、政治、技术因素对其的影响[13]。2021年，Zhou等全面回顾了1996—2019年运用DEA方法评价可持续性的研究，发现研究领域主要为企业和地区可持续性评价、指标构建和绩效分析等[14]；Shah比较分析了亚洲九大经济体的资源利用和二氧化碳排放效率[15]。中国的研究则覆盖了省级、城市、产业和企业层面，涉及了自然资源、生态福利、再生资源利用等多种领域。比如，2020年韩洁平等测度了2008—2016年浙江省和江苏省工业综合生态效率及生态承载力[16]。2021年，余奕杉等测算了2004—2016年中国283个城市的绿色全要素生产率[7]；刘娜等测算了中国生态福利绩效的时空演变特征[10]；唐燕和孟繁玥测算了2004—2017年中国26个省市区资源再生利用产业生态效率水平[17]；林志炳和陈志注提出新的工业绿色行业划分方法，并以此为依据计算各地区工业结构绿色化指标[18]；郭炳南等测度了2005—2019年长江经济带的绿色经济效率并分析其区域差异[19]。

总体而言，目前学术界对资源或生态效率的研究日益深入。研究涉及多种投入项和产出项，其中投入项包括资本、劳动力、原材料、土地、能源、水、再生资源等，期望产出项主要是GDP，非期望产出则主要为各种类型的污染物(如废水、废气、固废)排放以及碳排放量。在矿产资源利用方面，从资源投入及废弃物排放双视角评价资源效率的研究很少。另外，很多研究利用了DEA分析方法的优势，投入项包括了很多资源类别，比如同时包含了原材料、土地、能源和水资源投入等，非期望产出也同时包含了不同类型污染物，虽然效率评价比较全面，但是由于投入产出指标过于宽泛，影响了效率评价在现实中的指导意义。

本文对矿产资源效率的评价有机结合了物质流核算(MFA)方法和超效率数据包络分析SBM方法，将多种矿产资源消耗总量作为一个投入指标，将工业固体废弃物排放量作为非期望产出，使本效率评价更专注于矿产资源利用的资源与环境属性，在本质上更接近矿产资源利用的绿色效率评价，对矿产资源可持续利用和绿色发展具有更强的指导意义。

二、研究方法及数据来源

(一)研究方法

传统的DEA法由Charnes、Cooper和Rhodes于1978年提出[20]，用于评价多投入和多产出模式下决策单元(Decision Making Units，即DMU)间的相对有效性。该方法主要是通过保持决策单元的投入或产出不变，借助数学规划和统计数据确定相对有效的生产前沿面，将各个决策单元投影到DEA的生产前沿面上，并通过比较决策单元偏离DEA前沿面的程度来评价它们的相对有效性[21]。DEA模型按计算方向分为投入主导型和产出主导型。

使用传统DEA方法评价决策单元的效率时，经常出现多个决策单元同时处于生产前沿面的情况，导致在多个决策单元都相对有效时不能进行进一步比较。为了弥补这一缺陷，1995年，Andersen建立了基于投入导向的超效率DEA模型，使相对有效决策单元之间也能进行效率高低的比较[22]。

传统DEA模型大都属于径向的度量；径向是指将投入等比例缩小或将产出等比例扩大来达到有效状态。这种方法无法充分考虑投入与产出的松弛性问题，度量的效率值是不准确或者有偏的。2001年，Tone提出了非径向、基于松弛变量的模型(Slacks-Based Measure，简称 SBM)[23]，避免了以往难以解决的径向选择问题带来的测量误差。

针对资源效率测算时涉及的非期望产出，Tone于2003年把非期望产出纳入模型中，构建了非径向、包含非期望产出的SBM 模型[24]。

在动态评价方面，Malmquist于1953年最早提出Malmquist生产率指数[25]，但直到1994年Fare将该理论与DEA分析相结合[26]，才使得Malmquist指数得到广泛运用。Malmquist指数测算前后两个时期的生产率变化，测算结果用全要素生产率(Total Factor Productivity，简称TFP)表示，该值显示了生产系统中各个要素的综合生产率。TFP>1表示全要素生产率呈上升趋势，反之亦然。Fare在可变规模报酬(VRS)的假设下，将Malmquist生产率指数分解为技术效率变化(effch)和技术变化(techch)两部分，其中技术效率变化又可进一步分解为纯技术效率变化(pech)和规模效率(sech)变化，即TFP=pech×sech×techch。其中，技术进步(techch)表示从t期到t+1期的生产前沿面移动程度，是保持投入组合不变下产出的额外增长率，不仅包括技术、工艺的创新和引进，也包括制度改革带来的红利[27]，techch>1表示技术进步；技术效率变化(effch)表示从t期到t+1期的技术效率变化程度，effch>1表示相对技术效率提高；纯技术效率变化(pech)>1意味着管理的改善使效率发生了改进；sech>1表示DMU从长期来看向最优规模靠近。

借鉴上述DEA分析方法，本文选择非径向、含非期望产出的超效率SBM模型测算中国分地区矿产资源绿色效率。由于本文旨在通过研究资源利用效率达到合理利用资源、减少环境压力的目的，即在保证产出不变的情况下，减少矿产资源和其他要素的投入，因此选择投入主导型DEA方法。

(二)研究指标及数据来源

本文将GDP作为期望产出指标，选取固定资本存量、劳动力投入、矿产资源投入作为投入指标；将工业固定废弃物排放作为非期望产出指标。数据范围为2000—2017年中国30个省市区的面板数据(考虑数据可获得性，不包括西藏和港澳台地区)。其中，劳动力投入指标为各地区城镇和乡村年末就业人数之和，数据来源为各年度《中国人口和就业统计年鉴》。资本投入指标选取固定资本存量，使用永续盘存法估算。本文采用单豪杰的算法[28]，折旧率设定为10.96%，投资指标选择各省全社会固定资产投资总额，并用所在省份历年固定资产投资价格指数进行平减处理。原始数据来源于《新中国六十年统计资料汇编》和《中国统计年鉴(2004—2018)》。不变价数据为2000年价格。

矿产资源投入为一个汇总指标，其理念来自基于“吨理论”的物质流核算理论。其中，煤炭、原油和天然气投入量为各年度消费总量，数据来源于各年度《中国能源统计年鉴》；各省铁矿石投入量为各年度消费量，根据中国统计年鉴中各年各地区生铁产量，按照当年全国生铁总产量与铁矿石生产量和进口量之比计算，铁矿石与生铁比为2.0～3.4。各省石灰石投入量根据国家统计年鉴中各省水泥产量，按1吨水泥需要1.33吨石灰石的基本比例计算。

产出指标中，各省实际GDP以2019年国家统计年鉴中2017年实际GDP为基础，按各省各年GDP增速推算。固体废弃物排放指标不考虑生活垃圾，仅考虑工业固体废弃物，以各年《中国环境年鉴》中各省工业固废产生量减去工业固废综合利用量而得，相当于工业固废排放、贮存及处置量之和。

三、矿产资源利用效率分析

(一)矿产资源全要素生产率指数分析

利用MAXDEA 6.0软件，选择投入导向、非径向、含非期望产出、规模报酬可变(VRS)超效率SBM模型，计算2000—2017年中国30个省市区的Malmquist生产率指数(TFP)，结果见表1。该指数既考虑了劳动力、资本和矿产资源投入，也考虑了固废排放的非期望产出；既考虑了经济活动投入的资源属性，又考虑了经济活动产出的环境属性，因此本文将其称为全要素矿产资源绿色效率指数(GRTFP)。

总体来看，样本期GRTFP指数总体均值为0.987，说明全要素矿产资源绿色效率总体上是下降的，阶段变化则呈现2012年前持续下降、2012年后有所回升的“U型趋势”。具体来看，2000—2017年间仅有6年的TFP大于1，2007年及2012年以后(含2012年)的TFP都大于1。

表1 2000—2017年中国分年份GRTFP指数

从指数分解来看，技术变化的总体均值为1.021，说明矿产资源利用的生产前沿面有较大幅度的前移。技术效率变化的总体均值为0.966，呈现持续下降趋势。在技术效率下降的情况下，技术进步对全要素生产率产生了一定的提升作用，缓和了全要素矿产资源绿色效率的总体下降趋势,在后期促进了全要素矿产资源绿色效率的改善。

从指数分解的时间趋势来看，技术变化幅度从2000年起持续增加，在2007年和2008年达到了最高的1.05，之后增速略有下降但依然保持在1以上。这说明技术进步对全要素矿产资源绿色效率产生了很大的提升作用，但是该影响在2007年和2008年达到最高后有一定的减弱。技术效率变化的趋势则有所不同，2003年降到18年间最低(为0.936)，之后变化幅度波动上升，在2017年增加至1.01，说明技术效率下降的情况逐渐改善，在2017年出现了回升趋势。

(二)技术效率分析

利用上述超效率SBM模型计算2000—2017年中国30个省市区的矿产资源利用技术效率。由于该效率测算既考虑了投入的资源属性，也考虑了产出的环境属性，因此称之为矿产资源绿色效率(GRTE)。2000—2017年中国矿产资源利用技术效率的几何均值为0.532，绿色效率总体偏低。中国技术效率分解的时间变化趋势和省域差异见表2和表3。

表2 2000—2017年中国技术效率分解的时间变化趋势

表3 2000—2017年中国技术效率分解的省域差异

从总体时间趋势来看，2000—2017年技术效率年几何均值呈现持续下降的趋势，技术效率从2000年的0.746持续下降到了2016年的0.415，仅在2017年有所增加(见表2)。这可能与矿产资源利用的物理局限性和中国经济社会发展的阶段特点有关。矿产资源利用存在特定的物理局限性，即使一些矿产资源的集约节约利用技术取得了很大进步，但其物理局限性制约了矿产资源消费的大幅度减少。比如生产水泥所需要的石灰石比例和生产钢铁所需的铁矿石比例是基本稳定的，在经济社会活动对水泥和钢铁的需求大幅度增加的情况下，矿产资源消费也大幅度增加。另外，随着中国经济社会发展水平的不断提高，基础设施建设和居民衣食住行需求增加导致了对矿产资源消费的需求大幅度增加，在一定程度上抑制了矿产资源利用效率的提高。

从省域差异来看，中国各省区市矿产资源利用的技术效率差异大。北京、天津和上海三大直辖市处于效率有效的状态，其2000—2017年技术效率几何均值分别为1.459、1.137和1.110。东南沿海地区如广东、江苏和浙江处于效率次佳的状态，三省多年效率几何均值为0.7～0.9。技术效率最低的是贵州、云南、宁夏、甘肃和青海，主要位于西南和西北地区。其他省份的技术效率处于中等水平，多年效率几何均值在0.4～0.7，覆盖了各个区域(见表3)。技术效率的省域差异随时间呈现逐渐加大的趋势，30个省区市技术效率的方差值从2000年的0.053 2增加到了2017年的0.119。

区域差异小于省域差异，但也呈现出较为明显的区域特点。根据2000—2017年各区域技术效率多年几何均值，华北、华东和华南地区效率最高且区域间差异很小，技术效率均值在0.62～0.63；东北、华中和西南地区的效率为中间水平，在0.4左右；西北地区的效率最低，低于0.4(见图1)。技术效率的区域差异随时间呈现逐渐减小的趋势，7个区域技术效率的方差值从2000年的0.022 7减少到了2017年的0.006 8。

图1 2000—2017年中国各区域技术效率变化趋势

(三)分解分析

根据技术效率分解结果，矿产资源利用的纯技术效率(PTE)与规模效率(SE)总体均值分别为0.674和0.789，两者均存在很大的改进空间，且规模效率略高于纯技术效率。

从各年效率分解结果来看，纯技术效率从2000年的0.842下降至2017年的0.674，而规模效率从2000年的0.886下降至2017年的0.697，表明18年间中国矿产资源利用技术效率的下降来源于规模效率和纯技术效率的双重下降(见表2)。

从各省效率分解结果来看，北京、天津、上海、广东、江苏、海南和青海的资源利用纯技术效率值大于1，其中北京、天津、上海、广东和江苏属于发达地区，在资源集约利用和废弃物综合利用方面具有很大的优势；而海南和青海的经济规模小，发展较为落后，但是各自具有建设国家生态文明试验区和实施生态立省战略的特殊发展定位，在一定程度上促进了两个地区的资源利用纯技术效率水平的提高。辽宁、黑龙江、河北、内蒙古、河南、安徽、云南、贵州和甘肃均低于0.5，其资源利用和废弃物管理效率处于较低的水平(见表3)。

各省规模效率存在较大的差异。海南、青海和宁夏的规模效率多年均值都低于0.4，虽然这3个地区的纯技术效率较高，但是低规模效率明显拉低了3个地区的技术效率。其余地区的规模效率均在0.7以上、1以下的有效水平。

(四)考虑与不考虑非期望产出的技术效率比较

用同样的超效率SBM模型，在不考虑工业固废排放非期望产出的情况下，计算中国矿产资源利用的技术效率，对考虑与不考虑两种情景下的效率差距进行比较分析。表4中，TEw-TEnw、PEw-PEnw和SEw-SEnw分别表示考虑与不考虑非期望产出的技术效率、纯技术效率和规模效率的差值。

表4 2000—2017年中国各地区考虑与不考虑非期望产出的矿产资源利用效率差距

表4表明，与不考虑工业固废排放非期望产出相比，考虑非期望产出时，中国矿产资源利用技术效率的总体均值增加了0.021，纯技术效率的总体均值增加了0.039，规模效率则有所下降，总体均值下降了0.016。由此可见，中国在工业固废综合利用方面取得了显著的成绩，明显提升了中国矿产资源利用的技术效率，尤其是纯技术效率，但在一定程度上制约了资源利用规模效率的优化。

与不考虑工业固废排放非期望产出相比，考虑非期望产出时，中国各省技术效率的变化是不同的，大部分省份差距为零或不明显，但是天津、上海、江苏、浙江、山东、广东和海南有明显的效率提高，提升值在0.014～0.394，天津、上海和江苏的效率提升最大。由此可见，自2000年以来，这些省份在工业废弃物资源回收综合利用方面做出了显著的成绩，带动了各自省市和全国总体矿产资源效率的提升。

四、矿产资源绿色效率影响因素分析

本文将矿产资源利用的技术效率即矿产资源绿色效率(GRTE)作为因变量，分析若干解释变量对矿产资源绿色效率的影响。

(一)指标选择

学者对资源效率影响因素的研究较多，本文参考已有研究，根据资源效率的一般特点，选择以下影响因素。第一个影响因素是人均GDP(Pergdp)，该指标体现经济发展水平和居民收入水平。第二个影响因素是城市化率(Urban)，为各地区城市人口占总人口比重，体现一个地区城市化发展程度和城乡差距。第三个影响因素是产业结构高级化程度(Sector)，为各地区第三产业比重除以第二产业比重。该指标的动态变化能够体现产业结构从第二产业占优势比重向第三产业占优势比重演进的过程，反映经济发展水平的高低和发展阶段。3个指标数据均来源于各年度《中国统计年鉴》。第四个影响因素是环境污染治理投资(Epinvest)，既代表各地区对环境污染治理和生态环境保护的重视程度和执政强度，也代表各省为减轻资源消耗的环境压力而做出的努力和付出的成本。该数据来源于各年度《中国环境年鉴》并对照了CEIC数据库，2000—2002年数据不全，用2003年各省比重与全国总量计算而得。第五个影响因素是绿色技术创新指标(Greenpat)。专利申请量较授权数更具有时效性[29]，即使与真实的创新水平存在一定偏差，仍能动态反映创新的活跃程度[30]。本文采用的绿色技术专利申请数据含发明专利、实用新型以及外观设计申请量，是在中国国家知识产权局(WIPO)专利数据库(http://pss-system.cnipa.gov.cn/)中，基于世界知识产权组织(WIPO)的七大绿色专利分类，利用数据爬虫技术分年度分类检索而得，并经中国历年科技统计年鉴、中国历年火炬年鉴、中国研究数据服务平台(CNRDS)等创新数据进行匹配验证。

(二)模型分析

首先分析上述5个解释变量是否存在多重共线性。用Eviews检验2000—2017年全国30个省区市5个解释变量的面板数据的相关关系，发现变量Pergdp与变量Urban之间的相关系数达0.86，可以认为二者之间存在共线性，因此将变量Urban剔除。剩余4个解释变量之间的相关系数最高为0.69，共线性在可以接受的范围。

将各省各年矿产资源绿色效率(GRTEit)作为因变量，建立如下面板数据模型：

GRTEit=β1Greenpatit+β2Sectorit+β3Pergdpit+β4Epinvestit+μi+eit

其中，GRTEit为i省t年矿产资源绿色效率，Greenpatit为i省t年绿色技术专利申请量，Sectorit为i省t年第三产业比重与第二产业比重的比值，Pergdpit为i省t年人均GDP，Epinvestit为i省t年环境污染治理投资，μi为代表个体异质性的截距项即“个体效应”,eit为随个体与时间而改变的扰动项。

利用Stata软件进行混合效应模型、固定效应模型与随机效应模型分析。BP检验结果表明回归分析不适合运用混合效应模型；Hausman检验结果表明，随机效应模型优于固定效应模型(Prob>chi2 = 0.177 0)。结果见表5。

表5 矿产资源绿色效率(GRTE)影响因素的参数估计结果

从表5参数估计结果可以看出，无论采用固定效应模型还是随机效应模型，4个解释变量对因变量的影响是一致的。绿色技术创新对矿产资源绿色效率(GRTE)产生了显著的正向影响力，即绿色技术创新的力度越大，矿产资源绿色效率的水平越高。产业结构高级化程度亦对矿产资源绿色效率产生了显著的正向影响力，即资源消耗强度大的第二产业比重越低、资源消耗强度小的第三产业比重越高，矿产资源绿色效率就越高。

人均GDP水平对矿产资源绿色效率产生了显著的负面影响。这是因为随着人均GDP的增加，社会富裕程度和居民生活水平相应提高，人们对矿产资源消费的需求随之增加。根据统计年鉴，2000—2017年，中国人均能源消费量从1.2吨标准煤增加到了3.2吨标准煤，人均水泥和粗钢产量从0.5吨和0.1吨分别增加到了1.7吨和0.6吨，矿产资源的人均需求量和消费量显著增加，产生了很大的资源和环境压力。

环境污染投资对矿产资源绿色效率产生了负面的影响，这虽然有点出乎意料但也可合理解释。环境污染治理投资代表了各地政府在提高生态环境质量方面的力度，在一定程度上也代表了政府在资源管理方面的力度，但是越大的环境污染治理投入也意味着更大的资金投入、更多的劳动力投入以及更多的原材料投入。比如，污水处理厂的建设运营需要增加大量的能源、钢铁和水泥等资源的投入，火力发电厂开展二氧化硫和二氧化氮减排也需要投入大量的脱硫脱硝原料、排放大量的副产石膏等，增加资源和环境压力。

五、结论和建议

本文结合物质流核算(MFA)方法和超效率SBM方法，将多种矿产资源消耗总量作为一个投入指标，将工业固体废弃物排放量作为非期望产出，对中国2000—2017年各省区市矿产资源绿色效率进行评价，得出如下结论：

第一，2000—2017年中国全要素矿产资源绿色效率总体上是下降的，具体呈现2012年前持续下降、2012年后有所回升的“U型趋势”；中国矿产资源利用的技术效率亦总体偏低且呈现持续下降的趋势。一方面这可能是由于矿产资源利用存在特定的物理局限性；另一方面是因为随着经济社会发展水平的不断提高，基础设施建设和居民衣食住行需求增加导致了矿产资源消费需求的大幅度增加，在一定程度上抑制了矿产资源利用效率的提高。在矿产资源利用的物理局限性难以克服的情况下，未来要提高中国矿产资源绿色效率仍面临巨大的压力。

第二，技术变化有明显进步，在纯技术效率和规模效率双下降的情况下，技术变化缓和了全要素矿产资源绿色效率的总体下降趋势，在后期促进了全要素矿产资源绿色效率的改善；但是技术变化幅度在2007年和2008年达到最高后增幅略有下降，对全要素矿产资源绿色效率产生的推动作用有一定减弱。这充分说明，技术工艺创新和制度改革所带来的技术进步，对全要素矿产资源绿色效率产生起到了显著的提升作用，但该作用后期有所减弱。对此，国家需要给予充分的重视，进一步加强资源利用的技术创新和管理创新。

第三，中国矿产资源利用的技术效率存在较大的省域差异且省域差异随时间变化而逐渐加大，区域差异小于省域差异且随时间变化而逐渐减小。北京、天津、上海、广东和江苏等发达地区的纯技术效率和规模效率均较高；而海南、青海和宁夏的低规模效率明显拉低了3个地区的技术效率。

第四，中国在工业固废综合利用方面取得了显著的成绩，明显提升了中国矿产资源利用的技术效率，尤其是纯技术效率，其中天津、上海和江苏等省市在工业废弃物资源回收综合利用方面做出了显著的成绩，带动了全国总体矿产资源效率的提升。

第五，绿色技术创新和产业高级化程度对矿产资源绿色效率产生了显著的正向影响，人均GDP水平和环境污染治理投资则产生了显著的负向影响。

针对未来提高矿产资源绿色效率的巨大压力，需要在生产领域和消费领域同时采取有力措施。在生产领域，要进一步加强矿产资源利用的技术工艺创新和管理创新，增强技术进步对矿产资源绿色效率的提升力度；加强生态设计、全生命周期资源节约和循环产业链构建，从源头推动资源减量；推动矿产资源尤其是可再生能源资源的替代使用，提高废弃物资尤其是废旧金属、废旧塑料、废旧建材的综合利用，推动资源再生循环，增加二次矿产资源供给，从而减少矿产资源利用的物理局限性，降低矿产资源供给压力。在消费领域，要进一步推动全民绿色消费行动，培育绿色消费理念，倡导绿色生活方式，鼓励绿色产品消费，在满足居民提升生活水平要求的同时，降低矿产资源需求压力。针对资源利用技术和制度创新的效率提升作用有所减弱的趋势，要进一步提升重点资源利用领域的技术创新能力，突破资源高效和资源替代的关键技术瓶颈，加强企业的核心创新能力，为中国矿产资源绿色效率提供更大的驱动力。针对中国矿产资源利用效率的区域差异特点，要开展精细化地区资源管理，针对各省区市自身特点制定实施相应的资源管理措施；加强资源利用高效省份的实践引领作用，推广资源利用高效省份的工业固废综合利用技术和经验。

最后，要充分考虑中国矿产资源绿色效率的重要影响因素，完善矿产资源高效利用政策。推动产业结构升级，在做好传统产业转型升级的同时，培育新能源、新材料等战略新兴产业，推动制造业加速向数字化、网络化、智能化发展，促进新一代互联网技术与传统产业的深度融合。大力发展节能环保产业，促进绿色技术研发和运用。促进传统生产性服务业升级，推动生活性服务业绿色低碳发展。随着中国生态文明建设的进一步推进，在实现双碳目标的巨大压力下，中国正大幅度提高污染治理和碳减排力度，在此过程中一定要遵循资源集约利用的原则，提高环境污染治理和碳减排行动中矿产资源投入的效率水平，并在资源效率和治理效果间取得科学合理的平衡。