基于Super-SBM 模型的江蘇省生態效率評價

曾慶順，李永正，周子揚

（河海大學商學院，江蘇 常州 213022）

江蘇省地處長江經濟帶，與上海市、浙江省、安徽省共同構成長江三角洲城市群。江蘇省是中國綜合發展水平最高的省份之一，也是惟一一個所有地級市都躋身全國百強市的省份。然而，受效率至上的舊發展觀局限，江蘇省在經濟發展取得很大成就的同時，也面臨著嚴重的環境污染問題。據2019 年《江蘇統計年鑒》數據與《江蘇省生態環境公報》顯示，2018 年江蘇省工業廢水排放14.36 億t，二氧化硫排放30.66 萬t，13 個市環境空氣質量均未達到二級標準，環境問題突出。

2019 年習近平總書記在中國北京世界園藝博覽會開幕式上發出號召，呼吁“像保護自己的眼睛一樣保護生態環境，像對待生命一樣對待生態環境”。生態效率研究對分析環保問題意義重大，而對中國綜合發展水平最高的省份江蘇省進行生態效率研究有更大的經濟意義與生態意義。目前學者們對于江蘇省生態效率的研究較少，且已有研究大多采用傳統的DEA 模型。本研究在已有研究成果的基礎上，選擇江蘇省13 個城市的面板統計數據，采用Super-SBM 模型綜合評價江蘇省13 市2009—2018 年的生態效率，為江蘇省的經濟發展以及生態效率提高提供具有參考價值的理論依據。

1 研究背景與研究方法

1.1 研究背景

Schaltegger 等［1］在1989 年提出“生態效率”的概念，并將其定義為價值的增加量與環境影響的增加量的比值。隨后相關領域的學者對生態效率進行深入研究并豐富了生態效率的概念。

現有研究對生態效率的計算方法概括起來主要有單一比值法、指標體系法和模型法［2，3］。其中，單一比值法最終所有環境影響以一個特定的環境影響值體現，但卻不能區分不同環境的影響；指標體系法在一些情況下需要通過人為賦權來表達投入指標與產出指標之間的關系，該方法一定程度上可以反映不同投入指標的重要性，但賦權時的人為主觀因素會影響到最終結果的準確性；模型法在進行生態效率的研究時能夠彌補以上2 種方法的缺點。在模型法中，數據包絡分析方法（Data envelopment analysis，DEA）使用較廣。Moutinho 等［4］使用三階段DEA 模型預測了德國24 個城市的生態效率得分，并應用分數回歸推斷了城市層面生態效率得分的影響因素；王恩旭等［5］運用超效率DEA 模型對中國30 個地區的生態效率進行了測度；任勝鋼等［6］將工業生態系統分解為工業經濟、環境、能源3 個子系統，采用網絡DEA 模型對長江經濟帶9 省2 市的工業生態效率及3 個子系統效率進行了評價。

在實際研究中，DEA 可以省略對函數關系的事先確定以及對所選指標進行主觀賦權，然而傳統的DEA 模型產出指標一般為經濟社會類期望產出指標，不適用于非期望產出類指標［7］。針對此問題，相關學者提出了包括產出轉置法、正向屬性轉換法和方向性距離函數法在內的非期望產出情況下的效率評價方法，這些方法雖然可以有效解決非期望產出問題，卻不能測算投入和產出松弛變量對效率的影響程度［8］。為把松弛變量引入目標函數，Tone［9］構造了基于松弛變量測度的非徑向和非角度的SBM（Slacks-based measure）模型，該模型下測算的效率值的變化取決于投入和產出松弛程度的變化。但是，類似于傳統的DEA 模型，該模型同樣會出現多個決策單元同為完全有效的情況，于是Tone［10］進一步構造了基于修正松弛變量的Super-SBM 模型，該模型能夠對多個有效決策單元進行比較與排序。近年來，許多學者運用Super-SBM 模型對生態效率進行了研究，王迪等［11］運用包含非期望產出的Super-SBM 模型對中國2011—2014 年各省份和四大區域農業生態文明建設效率進行了測度；朱香好等［12］以30 個省市為研究對象，運用Super-SBM 模型測算了其2005—2015 年的效率值，并對其生態效率情況進行了靜態分析；馬曉君等［13］運用優化的引入非期望產出的超效率SBM 模型測算了中國30 個省份、直轄市、自治區的生態效率，發現全國生態效率呈現由東到西、由沿海到內陸逐漸收斂的格局。

1.2 研究方法

1.2.1 Super-SBM 模型 考慮松弛變量的Super-SBM 模型具體形式如下：

式中，ρ為目標生態效率值；x、yg和yb分別為投入、期望產出和非期望產出；m、S1和S2分別為投入、期望產出指標和非期望產出指標個數；向量S-、Sg和Sb分別為投入松弛量、期望產出的松弛量和非期望產出的松弛量；λ為權重向量。

1.2.2 Malmquist 指數 Malmquist 指數認為，技術變化與技術效率變化是生產率發生變化的原因［14］。該指數可轉換為較簡潔的參數和非參數模型，因此被廣泛應用于動態效率變化趨勢的研究。Malmquist指數的具體形式如下：

上式還可以分解為三部分的乘積：

式中，TFP表示生態效率，EC表示技術效率變化；TC表示技術進步變化；PE表示純技術效率變化；SE表示規模效率變化。

1.2.3 Tobit 模型 綜合考慮江蘇省生態效率的獨特性，選取經濟發展水平、工業結構、利用外資、人口密度、政府對科學技術的支持、政府對教育的支持作為影響因素，如表1 所示，并使用Tobit 模型進行生態效率影響因素分析。

表1 生態效率影響因素

由于效率評價值通過最低界限值0 將數據進行了截斷，使用普通的最小二乘法直接對模型進行回歸會導致最終的參數估計結果出現偏差。為使估計結果更準確，采用截斷回歸方法進行分析，建立如下的Tobit回歸模型。

式中，yit作為被解釋變量表示第i座城市第t年的生態效率值。αit是未知常數值，xit是解釋變量，βT是未知參數向量，εit～N（0，σ2）。Tobit 模型的特點是解釋變量xit不受限制，取其實際觀測值，而被解釋變量yit取值受限：當yit≥0 時取實際觀測值，反之觀測值截取為0。

2 研究對象與指標體系

2.1 樣本數據

本研究選取江蘇省13 個城市作為實證研究對象，對江蘇省2009—2018 年的面板數據進行研究。為保證樣本數據準確性，所有投入產出數據均選自《中國城市統計年鑒》《江蘇統計年鑒》以及各地級市統計年鑒。此外，為消除價格變動的影響，真實反映經濟發展狀態，本研究根據相應的價格指數將市GDP、政府對教育和科技的支出等指標換算成基期不變價格。

2.2 指標選取

生態效率的基本思想是在最大化價值的同時最小化資源消耗與環境污染，即以最少的資源投入和最小的環境代價獲得最大的經濟價值，這與SBM 方法對投入與產出指標的要求一致。在具體的SBM運用中，通常將收益型的指標視為產出指標，將成本型指標作為投入指標來處理。借鑒已有研究成果［7］，同時兼顧數據的可得性與科學性構建江蘇省生態效率評價指標體系（表2）。

表2 江蘇省生態效率評價指標體系

3 實證分析

3.1 生態效率靜態分析

根據以上原理，運用DEA-Solver Pro 13.1 軟件將13 個城市2009—2018 年的數據進行逐年計算，得到2009—2018 年江蘇省13 市生態效率（表3）。

由表3 可知，2009—2018 年江蘇省13 市生態效率總體水平呈下降趨勢，均值從1.095 下降到1.018，總體下降7.03%；除2014 年以外，其余年份生態效率平均值均大于1.000。

依據Super-SBM 模型原理，被評價決策單元在生態效率值≥1的條件下相對有效。由表3 可知，2009—2018 江蘇省13 市生態效率平均值≥1的城市共8 個；其中蘇北地區生態效率相對有效的城市有3個，占總有效城市的37.5%，蘇中地區沒有生態效率相對有效的城市，蘇南地區所有城市生態效率均相對有效。從空間分布來看，江蘇省生態效率相對有效城市分布不均衡，區域差異較大。

表3 2009—2018 年江蘇省13 市生態效率

生態效率平均值排序方面，宿遷＞鹽城＞蘇州＞南京＞無錫＞常州＞鎮江＞連云港＞徐州＞泰州＞南通＞揚州＞淮安。生態效率平均值位于第一、二名的宿遷市和鹽城市屬于蘇北地區，但蘇北地區整體生態效率不及蘇南地區。蘇南地區具有優越的自然條件，并受上海市輻射作用影響，形成了以鄉鎮企業發展推動非農化發展的蘇南模式。這一模式下的蘇南地區較早地引入外資，積累了較多的資本與先進的生產管理經驗，工業生產總值高，居民收入水平高于全省平均水平。地區領導人在謀求經濟發展的同時兼顧區域環境保護，對工業企業的污染物排放予以嚴格管制，因此蘇南地區整體生態效率水平較高。

由表3 可知，2009—2018 年宿遷市所有年份生態效率值都位居全省第1，投入產出水平較高；通過對原始數據的分析發現，宿遷市各年份單位建設用地面積生產總值都處于較高水平，相同產出下能源消耗水平較低。而淮安市各年份生態效率處于較低水平，投入冗余和產出不足的問題比較嚴重；存在單位建設用地面積生產總值較低，工人工資偏低，工業固體廢物利用率偏低，城市綠地面積偏小等問題。這與淮安市能源自給率低，低碳新能源的開發利用量占能源消耗總量比重較低，能源結構單一，全社會能源消耗和規模以上工業企業能源消耗以煤為主，環保基礎設施建設落后等現實情況相符合。綜合以上分析發現，不同城市生態建設應結合城市的具體情況，對生態建設過程中出現的短板采取差異化措施。

3.2 生態效率動態分析

為更好地分析江蘇省13 個城市的生態效率變化趨勢，本研究采用江蘇省13 個城市2009—2018 年的面板數據，運用Malmquist 指數模型計算其效率變動值。

由表4 可知，2009—2018 年生態效率（TFP）年均增長-1.2%，13 個市中有7 個市增長率小于0，6 個市的增長率大于0；從年均增長率的分解來看，規模效率的增長率大于0，年均增長率為0.2%，綜合技術效率與純技術效率年均增長率為0，技術進步年均下降1.4%。從各城市來看，連云港市、南京市增長較快，TFP增長率超過3%，顯著高于平均水平；靜態分析下宿遷市生態效率很高，但是TFP呈負增長，技術進步缺乏動力；淮安市TFP增長率為負，同時靜態分析下淮安市生態效率排名居全省末位，其生態效率建設方面存在一定問題，需要進一步加強城市生態文明建設，提升投入產出水平。

表4 江蘇省13 市年均Malmquist指數及其分解

由表5 可知，江蘇省13 市各年份平均生態效率增長不穩定，2009—2011 年呈明顯上升趨勢，隨后2011—2012 年呈明顯下降趨勢，2013—2018 年的變化相對穩定。從生態效率變化情況的影響因素來看，規模效率與綜合技術效率是推動生態效率增長的動力，但其貢獻率僅為0.2%；純技術效率對生態效率增長的貢獻率為0，技術進步的增長率均值小于0，制約了生態效率的增長。

表5 江蘇省13 市各年份平均Malmquist指數及其分解

3.3 區域生態效率影響因素分析

由于作為解釋變量而選取的6 個影響因素之間可能存在多重共線性，于是通過STATA 軟件對這6個變量進行相關性檢驗，結果如表6 所示。結果顯示變量之間的相關系數均小于0.800，在可接受范圍之內，共線性程度不高。

表6 變量多重共線性檢驗

利用STATA 軟件對變量進行回歸分析，結果見表7。經濟發展水平、人口密度、政府對科學技術的支持會對各城市生態效率產生正向影響，工業結構、利用外資、政府對教育的支持會對各城市生態效率產生負向影響。人口密度與政府對科學技術的支持對城市生態效率的影響在1%的水平下顯著，工業結構對城市生態效率的影響在5%的水平下顯著，其余變量未通過顯著性檢驗。

表7 Tobit回歸結果

1）人均GDP 每增加1 萬元，城市生態效率將會上升5.9 個百分點。經濟發展水平的提高伴隨著資本投入量的增加，尖端技術的引進會對生態效率產生正向的影響，因此各市需要在發展經濟的同時兼顧對環境的保護，走可持續發展道路。

2）第三產業產值占地區生產總值比重的上升會帶來生態效率的下降。這是因為江蘇省第三產業的發展仍處于較低級階段，批發零售餐飲業及交通運輸業等污染較重的產業占比較大。

3）利用外資對生態效率的影響未通過顯著性檢驗。江蘇省地處東部沿海地區，外資利用水平較高。研究結果表明，繼續提高外資利用水平無法給生態效率帶來正向影響，因此需要轉變經濟發展方式，合理減少外資使用，使經濟發展更多依靠內需接動。

4）人口密度對生態效率產生正向影響，并且在1%的水平下顯著，但是人口密度對生態效率影響較小，影響系數僅為0.001，說明目前江蘇省人口密度較優，對環境造成壓力較小。

5）政府對科學技術的支持與政府對教育的支持分別會給生態效率帶來正向與負向的影響，政府對科學技術的支持對生態效率的影響顯著，政府對教育的支持對生態效率的影響并不顯著。

4 結論與建議

1）整體來看，統計期間內江蘇省13 市生態效率平均值為1.033，處于較高發展水平。空間上差異較大，蘇南＞蘇北＞蘇中。蘇北與蘇中地區需要在科技研發上投入更多資金，大力推進科技成果向生產力轉化，同時完善城市環保基礎設施建設，提高城市公共服務能力。

2）從對江蘇省13 市生態效率的動態分析中發現，江蘇省生態效率的進步來自規模效率的提升，其貢獻率為0.2%。技術進步變化制約了生態效率的增長，因此需要進一步加大對科研活動的投入，拓寬科研經費的來源渠道，激發高校的科技創新活力。同時鼓勵企業以另一主體的身份參與新技術的研發過程，激發大中型企業的創新熱情，促進科研成果向實際生產力的高效轉化。

3）從影響因素的回歸分析來看，經濟發展水平、人口密度、政府對科學技術的支持會對各城市生態效率產生正向影響。其中政府對科學技術的支持影響最為顯著；工業結構、政府對教育的支持會對各城市生態效率產生負向影響。為了提高江蘇省整體生態效率，縮小區域差異，需要進一步優化第三產業內部結構，盡快實現從以批發零售餐飲業及交通運輸業為主的初級階段向以信息、科技、金融等為主的高級階段過渡。