我国主要工业省区大气污染排放效率的地区差异、变化趋势与成因分解

汪克亮,孟祥瑞,杨 力,杨宝臣,王建民,程云鹤(.安徽理工大学经济与管理学院,安徽 淮南300；.天津大学管理与经济学部,天津 30007)

我国主要工业省区大气污染排放效率的地区差异、变化趋势与成因分解

汪克亮1*,孟祥瑞1,杨 力1,杨宝臣2,王建民1,程云鹤1(1.安徽理工大学经济与管理学院,安徽 淮南232001；2.天津大学管理与经济学部,天津 300072)

运用非径向方向性距离函数(NRDDF)与具有差分结构的改进型Luenberger生产率指标,分别基于静态与动态维度对2003～2012年间我国13个主要工业省区大气污染排放效率的地区差异、变化趋势及其成因进行了深入研究.结果表明:我国主要工业省区大气污染排放效率偏低,地区差异特征明显,大气污染减排潜力巨大,纯技术效率是大气污染排放效率较低的主要制约因素;无论是从整体还是单一污染物来看,我国主要工业省区的大气污染排放效率增长呈现完全依赖环境技术进步的单轮驱动模式,而纯技术效率与规模效率的变化则起到了阻碍作用;通过分析大气污染减排的优势与不足,发现我国主要工业省区大气污染排放效率呈现两极分化趋势显著的马太效应特征,各工业省区之间的效率差距有可能会继续扩大.

大气污染排放效率；工业省区；地区差异；变化趋势；成因分解

近年来,为了有效遏制大气污染和雾霾天气,国内外学者从技术、经济等层面开展了广泛深入研究,提出了一系列针对性的对策与措施.然而,专注于大气污染排放效率的文献仍然鲜见,相关研究主要是面向能源环境效率这一主题展开.其中,基于数据包络分析(DEA)的能源环境效率指标得到广泛应用,是当前这一领域的主流方法,研究成果非常丰富,Hu等[1]首次基于DEA提出了全要素能源效率(TFEE)指标并以中国省份为对象进行了实证分析;有学者运用 TFEE指标分析了中国能源效率的地区差异、动态演变与影响机制[2-4];也有学者将能源利用的环境效应纳入DEA分析框架,科学评价了环境约束下的中国省际能源利用效率[5-7];Zhou等[8]采用基于环境DEA技术的Malmquist生产率指数测度了1997～2004年世界上前18位排放大国的二氧化碳排放绩效;王奇等[9]运用超效率DEA模型对我国各省份的大气污染治理效率进行了分析,是隶属于本文研究主题的少数文献之一.上述研究以传统Shephard距离函数为基础,只能基于投入或产出某一导向,无法同时考虑投入与产出两个方面,在理论上有一定的局限性.Chung等[10]提出方向性距离函数(DDF)较好地解决了这一问题,该函数可以同时兼顾经济增长与节能减排,能够体现又好又快的绿色发展思想[10];随后,有学者将 DDF引入到能源环境效率研究之中,获得更加科学的效率测度结果[11-13].但这些研究均是在传统径向框架下进行,要求投入产出必须同比例扩张或收缩,没有考虑松弛变量的影响而导致效率测度的扭曲.为此,国内外学者采用非径向(non-radial) DEA模型来改进这一缺陷.Zhou等[14]基于环境生产技术提出了几类非径向环境效率评价模型,对于后续研究具有较强的导向作用;王兵等[15]率先使用SBM-DDF与Luenberger生产率对中国省域环境效率与生产率进行了分析;Choi等[16]运用SBM模型针对中国省域能源效率、碳减排潜力以及边际减排成本开展了研究.类似的采用非径向 DEA模型研究还包括 Wang等[17]、宋马林等

[18]、王兵等[19].

大量研究表明,非径向 DEA方法研究环境效率具有突出优势,本文将沿用该方法进行分析,并在具体方法选择上,采用更加先进的非径向DDF(NRDDF)与基于差分结构的Luenberger生产率指标这两种工具,从静态与动态两个层面测算大气污染排放效率,从单一污染物视角分解大气污染排放效率的静态与动态指数,不仅能考察每种污染物在大气污染减排中的贡献,而且还可获得驱动区域大气污染排放效率提升的深层次因素,并由此判断区域大气污染减排的优势与不足,为减排路径选择与策略优化提供借鉴与参考.

1 研究方法

1.1 非径向DDF与大气污染排放效率测算

假设有 k( k = 1,2,...,K)个决策单元的经济增加值为v,同时排放出 n( n = 1,2,...,N)种大气污染物,即 p=(p1, p2,...,pN).本文定义决策单元的经济增加值与排放的大气污染物的所有可能组合为“污染产生技术集(PGTS)”:

式中:RN+1N×1阶实矩阵,为借鉴文献[20-21]关于环境效率的定义,本文将以决策单元经济增加值与大气污染排放量之比来度量大气污染排放效率(APEE),即:

式中:函数 f (.)可以将不同的污染物综合为一个一体化的大气污染排放整体指标.本文将采用线性加权函数的方式,得到决策单元 k′大气污染排放效率的计算公式为:

本文利用DEA方法测算大气污染排放效率,在规模报酬不变(CRS)假定下,第 ′k个决策单元的大气污染排放效率可以由以下的数学规划计算得到:

通过计算(4)式即可获得决策单元 k′的大气污染排放效率值.这是一种径向测度方法,要求投入或产出同比例扩张或收缩.当存在投入产出松弛时,径向测度方法会导致测度结果出现偏差.为此,本文引入更一般的非径向方向性距离函数(NRDDF)来测度区域大气污染排放效率[22-23],方向向量设为( gp,gv)=(p ,0),计算公式如下:

基于式(5)中NRDDF的测算结果,即可得到决策单元 k′的静态大气污染排放效率(A-APEEk′)及其每一种大气污染物的排放效率(S-APEEnk'),计算公式分别如(6)、(7)所示.

NRDDF改进了传统径向Debreu-Farrell效率测度结果的不足,考虑了包括松弛在内所有无效率因素,因而测度结果更为准确,是一种Pareto-Koopmans效率.

值得注意的是,式(5)的计算是在规模报酬不变假设(CRS)条件下进行的.如果加入约束条件则可将大气污染排放效率分解为纯技术效率(PTE)与规模效率(SE),并由此来判断决策单元的技术有效性与规模有效性.

1.2 改进型Luenberger生产率指标与大气污染排放动态效率的分解

1.1 节是基于静态维度,测算的效率指数只能反映同一时期内不同决策单元的相对有效性.然而,不同时期之间决策单元效率变化趋势的测算需要依靠动态分析才能实现.对于动态效率测度方法的选择,本文将引入具有差分结构的非径向Luenberger生产率指标[24-25]这一新型方法,这需要求解4个非径向方向距离函数,包括2个当期NRDDF与2个混合期DRDDF,分别如(8)～(12)式所示.

βn为在既定的方向向量之下决策单元每一种污染物能够缩减的最大比例.则基于每一种大气污染物 n( n = 1,...,N)动态排放效率的非径向的Luenberger生产率指标(Ln)可以由(12)式计算得到.

为了探讨动态效率的驱动机制,类似于 Fare等[26]提出的基于 Malmquist生产率指数的分解模式,我们也可以将Luenberger生产率指标Ln分解为技术效率变化(LTECn)与环境技术进步(LTCn)指数两个部分,如(13)、(14)式所示:

根据Fare等[27]还可以进一步将技术效率变化指数(LTECn)分解为纯技术效率变化指数与规模效率变化指数,这还需要计算另外两个非径向方向性距离函数,只需在式(8)与(11)中加入这一约束条件,即规模报酬可变(VRS)假设下的 2个非径向方向距离函数,值分别为.于是,得到纯技术效率变化(LPTECn)与规模效率变化指数(LSECn),分别为:

由于具有差分结构的非径向 Luenberger生产率指标具有可加特性,因此将每一种大气污染物排放的动态效率指数及其分解指数(Ln、LTCn、LPTECn与 LSECn)相加取平均就可以得到整体大气污染排放动态效率指数及其分解指数(AL、ALTC、APTEC与ALSEC),即:

通过上述分解模式可以得到每一种大气污染物减排在整体大气污染排放效率提升中所做的贡献,同时也可以得到每个省区在大气污染治理方面的优势与薄弱环节,从而为我国大气污染排放效率的研究提供一个更为深入的维度.

2 结果与讨论

2.1 样本与数据

本文将大气污染排放效率定义为经济增加值与大气污染排放总量的比值,运用DEA方法求解大气污染排放效率,以各省区为决策单元.大气污染物种类较多,如SO2、CO、氮氧化物、烟粉尘以及碳氢化合物等.其中只有 SO2、烟粉尘的历年省际排放数据可以获得,省际氮氧化物排放量只有2006年以后的数据,而其它各类大气污染排放的省际数据无法获取.因此本文只能选择SO2与烟粉尘这两类大气污染物.除此之外,本文也将CO2看作是一种大气污染物因CO2过度排放形成的温室效应引起全球气候变暖,冷空气活动减弱,导致不利于污染物扩散的静稳天气增加,使得空气质量下降并提升了雾霾天气发生的频率.同时考虑到我国已成为世界上CO2排放量最大的国家,在国际上将面临越来越大的碳减排压力.综上,本文最终选择 CO2、SO2与烟粉尘(SD)作为大气污染物的代表建立评价模型,采用省区GDP作为经济增加值指标.基于数据可得性,本文研究区间定为 2003～2012年,各省区 GDP以2003年不变价格进行换算.

表1 投入产出变量数据的描述性统计(2003～2012年)Table 1 Descriptive statistics of sample’s input and output variables (2003～2012)

由于我国不同区域工业化水平存在很大差异,不同省区大气污染减排潜力是不同的.为此,本文根据近20年的数据,按照工业总产值占当地GDP的比重在40%及以上的标准,挑选了13个主要工业省区作为研究对象.经统计得出,这 13个主要工业省区的 GDP总和约占全国总量的70%,工业总产值约占全国总量的75%.这些省区为天津、河北、山西、辽宁、黑龙江、上海、江苏、浙江、福建、山东、河南、湖北与广东.从大气污染排放总量来看,2003～2012年间这13个省区的CO2、SO2与烟粉尘排放量分别占到全国排放总量的62.7%、53.0%与52.7%,是我国大气污染排放的主要来源.可以说改善这13个主要工业省区的大气污染排放效率对缓解我国大气污染危机至关重要.由于无法直接获得各省区 CO2排放数据,本文利用煤炭、石油与天然气3类含碳能源消费量来估算13个主要工业省区的CO2排放量,估算公式为:CO2排放量=含碳能源消费量×0.67×3.67,其中 0.67为 CO2气化系数,3.67为碳折算系数[31].本文各变量描述性统计如表 1所示.

2.2 实证测算与结果分析

2.2.1 我国主要工业省区大气污染排放效率测算、分解与地区差异 通过非径向方向性距离函数与 DEA方法,本文首先基于静态维度测算了2003～2012年我国13个主要工业省区的大气污染排放整体效率(A-APEE)以及每一种污染物的排放效率(S-APEE),结果如表2所示.

表2 我国主要工业省区大气污染排放静态效率测算结果(2003～2012年)(CRS)Table 2 Measurement results of atmospheric pollution emissions efficiencies of China’s major industrial provinces (2003～2012)(CRS)

由表2可知,2003～2012年间,我国13个主要工业省区的大气污染排放效率平均值为 0.6098,整体水平不高,距离生产前沿还存在 40%左右的改进空间,大气污染减排潜力巨大.在 13个工业省区中,上海的表现最为突出,样本期内一直位于生产前沿之上,大气排放效率水平最高,是其他省区“追赶”的对象.效率值相对较高的省区还包括浙江(0.9630)、福建(0.9310)与广东(0.9229),均在0.90以上.效率值最低的 3个省份依次是山西(0.1317)、河北(0.3012)与辽宁(0.3530),效率值都在0.40以下.从单一污染物视角来看,CO2排放效率最高,为0.7448,其次为SO2排放效率,为0.6272,最低的SD排放效率为0.4575.3大污染物中,只有SD排放效率低于全国平均水平.与整体效率一样,3大污染物排放效率同样也显示出显著的地区异质性,其中上海、浙江、福建与广东的表现明显优于其它省区,稳居3大效率指数的前4位,且上海在样本期内的 3大效率指数都为 1,山西表现最差,三大效率指数分别只有0.2400、0.1121与0.0430,均处于最后位次.通过测算样本期内各年度大气污染排放效率的标准差,发现 SD排放效率之间的差距最大,标准差平均达到了0.3700, CO2排放效率之间的差距最小,标准差为0.2493.根据标准差的演变,我们发现4大效率指数均不存在收敛态势,各省区间的效率差距有扩大趋向.同时,从表2还可以看出,来自东部沿海的上海、浙江等经济发达省区的大气污染排放效率要明显高于东北与中部省区,表明大气污染排放效率与区域发展水平之间呈很强的正相关关系.东部沿海省区地理位置优越、经济开放度高、外资引进便捷、污染防控技术发达、企业管理模式先进,为大气污染排放效率提升创造了良好条件,而东北与中部地区的产能落后、技术水平低下、外资利用不足、交通不便、管理模式落后等都是其大气污染排放效率进一步提升的桎梏.另外,我们还发现“三高”行业比例过大,产业结构粗放是大气污染排放效率较低省区的共同特点.

为了进一步考察区域大气污染排放效率的技术与规模有效性,本文在规模报酬可变假设(VRS)条件下测算了 13个主要工业省区的大气污染排放效率,由此将大气污染排放效率分解为纯技术效率(PTE)与规模效率(SE),如表 3所示.通过测算发现,2003～2012年13个省区整体大气污染排放的纯技术效率与规模效率均值分别为0.6729与0.9057.其中,CO2排放的纯技术效率最高,为 0.7454,其次为 SO2,为 0.6909,SD最低为0.5612.3大污染物排放的规模效率值都在 0.80以上,分别为0.9590、0.8960与0.8160,依然是CO2最高,SO2次之,SD最低.由此可知,无论是基于整体还是单一排放物的视角,大气污染排放的纯技术效率都是显著低于规模效率,这表明我国主要工业省区大气污染排放效率较低的制约因素主要来自纯技术效率方面.根据测算结果我们发现各省区大气污染排放的规模效率已经接近生产前沿,且多数省区已处于规模报酬递减(drs)状态,如果继续扩大生产投入规模,效率改善有限甚至适得其反.相比之下,纯技术效率还存在很大改进空间,这为今后大气污染治理提供了导向.淘汰落后产能、革新生产与治污技术、合理安排制度、优化产业结构、创新管理模式等应作为重点手段予以实施.从地区异质性来看,不同省区之间整体大气污染排放的纯技术效率差异相对较大,标准差达到 0.3171,而规模效率之间的差距则要小很多,标准差仅为 0.0999,3大污染物的比较也可以得到类似结论.从差距演变来看,2003～2012年,无论是整体还是 3大污染物排放的纯技术效率都不存在收敛趋势,差距在逐渐扩大,而规模效率则较为稳定,各省区之间差距较小且变化不明显.

表3 我国主要工业省区大气污染排放效率的分解结果(2003～2012年)Table 3 Decomposition result of atmospheric pollution emissions efficiencies of China’s major industrial provinces (2003～2012)

2.2.2 我国主要工业省区大气污染排放动态效率测算、变化趋势与成因分解 本文引入了具有差分结构的非径向Luenberger生产率指标,来测算2003～2012年间我国13个主要工业省区大气污染排放的动态效率并将其分解为纯技术效率变化、规模效率变化与环境技术进步 3个部分,进而揭示驱动效率提升的主导因素,具体测算结果如图1、图2与表4所示.

根据图1,样本期内除了在2004/2005年度略有下降外,其它年度13个主要工业省区的整体大气污染排放效率(AL)都呈上升趋势,年均增长率达到 5.88%,累计增幅为 62.89%.其中,纯技术效率变化指数(ALPTEC)波动较为剧烈,随着时间的推移大致呈“上升-下降”的交替变化状态,年均下降 0.25%,累计下降 0.94%;规模效率变化指数(ALSEC)在 2003～2007年间呈锯齿型波动态势,2007年后一直处于下降通道,年均下降0.71%,累计下降幅度为6.59%;与ALPTEC、ALSEC形成鲜明对比的是,环境技术进步指数(ALTC)年均增长率达到 6.84%,累计增长 76.46%.由此可见,我国13个工业省区的大气污染排放效率的提升主要是依靠环境技术进步来推动,而纯技术效率与规模效率的变化则起到阻碍作用,是一种典型的单轮驱动模式,这意味着生产技术变革与先进大气污染治理技术的运用在减排中发挥了关键作用.相比之下,增长乏力的纯技术效率与规模效率成为制约这些省区大气污染排放效率提升的“瓶颈”.追根溯源,这表明我国主要工业省区的众多企业并不在最优生产规模下进行生产,存在严重资源浪费与排污过多现象,通过牺牲资源环境来驱动经济增长,是一种不可持续的发展方式.另外,环境技术进步的“单轮驱动”模式也表明这些省区在大气污染治理方面过度依赖先进的技术与设备,而忽视了与之相匹配的员工素质培养以及管理模式变革,同时也提示这些省区在产业结构、市场条件与制度环境等“软”技术条件方面还存在很多薄弱环节.

图1 主要工业省区大气污染排放动态效率及其分解指数变化趋势(2003～2012年)Fig.1 Trends of atmospheric pollution emissions dynamic efficiencies and theirs decompositions of China’s major industrial provinces (2003～2012)

图2 主要工业省区整体与单一大气污染排放的动态效率指数的变化趋势(2003～2012年)Fig.2 Trends of aggregate- and specific- atmospheric pollution emission dynamic efficiencies of China’s major industrial provinces (2003～2012)

利用非径向 Luenberger生产率指标的可加特性,本文将动态效率指数按照每一种大气污染物进行分解,进而衡量各种污染物减排在大气污染治理中的贡献度.如表4所示,2003～2012年,13个主要工业省区三大大气污染排放的动态效率(Li,i=1,2,3)均为正,年均分别增长 2.23%、6.87%与8.53%,其中SD(L3)提升最快,其次为SO2(L2), CO2(L1)提升最慢.从累计角度来看,SD(L3)增幅达到 89.77%,CO2与 SO2(L1,L2)的增幅分别为21.36%和77.82%.三大污染物减排对大气污染排放整体动态效率(AL)提升的贡献率由高至低依次为SD(48.34%)、SO2(38.96%)、CO2(12.64%),SD减排的贡献度最高.从时间变化趋势来看,如图 2所示,除了2004/2005年度L2指数有所下降外,三大污染物排放效率都处于上升状态,均在2008年左右达到峰值.根据指数分解结果,SO2与 SD的纯技术效率(LPTEC2,LPTEC3)年均分别下降0.97%与0.03%,累计降幅分别为7.71%与1.32%; CO2(LPTEC1)则年均上升0.24%,累计上升1.94%;样本期三大污染物的规模效率(LSEC1,LSEC2, LSEC3)都是下降的,年均下降率分别为 0.29%、0.85%与 1.01%,分别累计下降 2.26%、8.97%与6.34%,其中 SD规模效率下降速度最快,累计降幅最大的是 SO2.三大污染物排放的环境技术进步指数(LTCi,i=1,2,3)均为正值,年均分别增长2.26%、8.69%与 9.56%,累计增长幅度分别为25.46%、106.38%与104.00%,增长速度与提升幅度都明显大于纯技术效率与规模效率.由此可知,我国13个主要工业省区三种大气污染物排放的动态效率也主要是由各自领域的环境技术进步来驱动,纯技术效率与规模效率变化所做的贡献甚少,主要起到抑制作用,因而在我国主要工业省区的大气污染防控中应注重环境技术进步与纯技术效率、规模效率之间的相互协同,逐渐改变当前过分依赖环境技术进步的“单轮驱动”模式,实现“多轮驱动”,这就要求各省区在淘汰落后产能、改造生产治污技术的同时,在微观方面要提升员工素质、优化生产网络、实行集约化生产、提升资源配置效率、创新企业管理模式、加大公众环保意识教育等,在宏观方面要促进产业结构转型升级,大力发展高新技术产业与服务业,提升市场化水平,完善相关政策法规,加大软环境建设 力度等.

表4 13个主要工业省区各类大气污染排放动态效率及其分解指数的增长率(2003～2012年)Table 4 Growth rate of atmospheric pollution emissions dynamic efficiencies and their decompositions of 13China’s major industrial provinces (2003～2012)

2.2.3 我国主要工业省区大气污染排放动态效率的地区异质性 由于各省区的工业化程度有一定差异,因而其大气污染排放效率的动态演进特征也可能会呈现出很强的异质性.通过计算得到我国13个主要工业省区的4类大气污染排放动态效率指数及其分解结果分别如表 5与表 6所示.

根据表5,2003～2012年间,我国13个主要工业省区的 4类大气污染排放动态效率都实现了不同程度的提升,表明近年来在政府、企业与公众的共同努力下,这些省区大气污染防控取得了较好的成效.然而,不同省区的表现有明显差异.AL增长速度最快的是浙江、福建与江苏,年均分别增长 11.78%、10.38%与 10.23%,发挥了“火车头”的带动作用;增长速度最慢的是山西、黑龙江与河北,年均增长率分别为0.96%、2.25%与 2.29%,追赶乏力,制约了大气污染排放效率整体水平的提升.CO2、SO2与SD动态效率指数比较结果与 AL基本一致,江苏、浙江与福建均位于前列,增长速度最慢都是山西,分别只有0.0059、0.0155与0.0036,凸显了该省份大气污染治理停滞不前的被动局面.

从表5还可以看出,多数省区三类污染物排放效率呈现出“一快俱快,一慢俱慢”的动态演化过程.从地域分布来看,依然是东部沿海地区省区大气污染排放效率提升速度显著快于东北与中部省区,进一步表明大气污染防治能力与地区经济、技术发展水平联系密切.另外,本文还发现CO2排放效率的提升速度明显低于 SO2与烟粉尘,这主要是因为CO2排放静态效率水平较高,减排潜力已经得到充分释放,因而其动态效率的提升难度相对要更大一些.

表5 13个主要工业省区大气污染排放动态效率测算结果(2003～2012年)Table 5 Measurement results of atmospheric pollution emissions dynamic efficiencies of 13 China’s major industrial provinces (2003～2012)

通过AL指数的分解,可以进一步判断13个主要工业省区大气污染排放效率的主要驱动因素.如表6所示,2003～2012年间,河北、辽宁、黑龙江等6个省区的ALPTEC出现了下降,ALSEC出现下降的省区有 10个,占省区总数的 3/4. ALPTEC年均增长最快是浙江(1.51%),下降较快的有黑龙江与湖北,年均分别下降 0.99%与0.94%;ALSEC增长最快是天津(0.21%),下降最快是江苏(-3.45%)与福建(-2.52%).相比之下,样本期内13个主要工业省区的ALTC指数全部为正数,其中江苏年均增长最快,达到 13.68%,最慢的是山西,为 0.92%.省区层次的分解结果也进一步表明,我国主要工业省区大气污染排放效率提升完全是依靠环境技术进步这一单方力量来驱动,纯技术效率与规模效率的推动力极其微弱,甚至与技术进步“背道而驰”.根据生产率理论,这一结论在很大上表明我国主要工业省区还没有充分发挥出自己的资源与技术潜力,资源投入与污染排放过多,增长方式粗放,追赶前沿面能力较弱,同时也暴露出这些省区管理体制、政策环境以及制度设计等方面的诸多弊端.

表6 13个主要工业省区整体大气污染排放动态效率(AL)的分解结果(2003～2012年)Table 6 Decomposition results of aggregate atmospheric pollution emissions dynamic efficiencies of 13 China’s major industrial provinces (2003～2012)

2.2.4 我国主要工业省区大气污染减排的优势与不足 借鉴文献[25]的做法,以 2003～2012年间 13个工业省区大气污染排放静态效率(CRS)与动态效率的平均值为界,高于平均值的记为“H”低于平均值的记为“L”,构建大气污染减排优劣势分析矩阵.这样,13个主要工业省区将被归入下述4个方阵:处于第一方阵(H/H)的省区其静态效率与动态效率均高于平均值,表明这些省区不仅效率水平高而且提升速度也快;处于第二方阵(H/L)的是静态效率高于平均值而动态效率低于平均值的省区,这些省区虽然静态效率水平高,但是由于提升速度较慢,将面临被其他省份赶超的风险;处于第三方阵(L/L)是静态效率与动态效率均低于平均值的省区,这些省区不仅排放效率低,而且提升速度慢,缺乏追赶潜力;最后,处于第四方阵(L/H)是静态效率低于平均值而动态效率高于平均值的省区,这些省区虽然静态效率水平较低,但是增长速度较快,在未来有很大提升潜力.经过比较,表7给出了我国13个主要工业省区大气污染减排优势与不足的归类结果.

表7 13个主要工业省区大气污染减排优劣势归类(2003～2012年)Table 7 Classification of advantage and disadvantage of 13 China’s major industrial provinces for atmospheric pollution emissions reduction (2003～2012)

根据表 7,就整体排放效率而言,13个省区中,天津、上海、江苏、浙江、福建与广东6个省区位于“H/H”方阵,这些省区的优势不仅体现在静态效率方面,而且效率提升速度也很快,两者都位于均值水平之上,发挥了领先示范作用;余下 7个省区均位于L/L方阵,这些省区则处于静态效率与动态效率双重不利的局面,两大指数均是低于平均水平,在追赶先进省区的征程上渐行渐远.从单一污染排放物来看,CO2减排中,有天津、上海等5个省区位于H/H方阵,辽宁位于L/H方阵,表明尽管其静态效率水平较低,但是增长速度快,未来提升潜力很大,广东位于 H/L方阵,由于其效率提升速度较慢,未来有可能会被其他省区赶超,余下 6个省区位于L/L方阵;SO2减排中,有天津、上海等6省区位于H/H方阵,其余省区均处于L/L方阵;SD减排中,天津、江苏等5个省区处于H/H方阵,上海处于H/L方阵,余下7个省区处于L/L方阵.从归类结果来看,如表7中2～5列所示,13个省区中,处于H/H与L/L两大方阵的省区数目分别为(5,6)、(6,7)、(5,7)与(6,7),两极分化趋势非常明显,呈现鲜明的“强者愈强、弱者愈弱”的“马太效应”特征,先进省区与落后省区的差距还可能会进一步拉大,这一结论从采用变异系数表征的σ收敛检验也可以证实(如表8所示),检验结果表明研究期内各类大气污染排放效率指数并未呈现收敛趋势,发散特征较明显.因而,为了缩小效率差距,各工业省区之间应加强合作交流,共同分享先进的治污技术与管理经验,打破地理界限,消除市场分割,加快资源整合,可以通过实行先进省区与落后省区一对一的精准帮扶与对口支援,促进落后省区大气污染防治水平实现跨越式提升.

表8 我国主要工业省区整体与单一大气污染排放效率的σ收敛检验结果(2003～2012年)Table 8 σ convergence results of aggregate- and specific- atmospheric pollution emissions efficiencies of China′s major industrial provinces (2003～2012)

3 结论

3.1 2003～2012年我国13个主要工业省区的大气污染排放静态效率均值为 0.6098,地域分布也呈现出典型的非均衡分布特征,大气污染减排潜力巨大,纯技术效率是大气污染排放静态效率较低的主要制约方面,规模效率更接近生产前沿面且多数工业省区已处于规模报酬递减状态.

3.2 2003～2012年我国13个主要工业省区的大气污染排放效率实现了年均5.88%,累计62.89%的增长,省区异质性明显,三大污染物减排在整体效率提升中的贡献度有所差别,其中烟粉尘减排的贡献率最高.无论是基于整体还是单一污染物角度,我国13个主要工业省区的大气污染排放效率都是属于典型的完全依靠环境技术进步的“单轮驱动”模式,纯技术效率与规模效率变化起到的是阻碍作用.

3.3 通过构建“静态效率-动态效率”的大气污染减排优劣势分析矩阵,发现13个主要工业省区中绝大多数都处于“H/H”与“L/L”两大方阵,两极分化趋势异常显著,“马太效应”尽显,预示着我国主要工业省区大气污染排放效率之间的差距将会继续扩大,样本期内大气污染排放效率的σ检验结果也从侧面支持了这一结论.

[1] Hu J L, Wang S C. Total-factor energy efficiency of regions in China [J]. Energy Policy, 2006,34(17):3206-3217.

[2] 魏 楚,沈满洪.能源效率与能源生产率:基于DEA方法的省际数据比较 [J]. 数量经济技术经济研究, 2007,(9):110-121.

[3] 师 博,沈坤荣.市场分割下的中国全要素能源效率:基于超效率DEA方法的经验分析 [J]. 世界经济, 2008,(9):49-59.

[4] 李世祥,成金华.中国主要工业省区能源效率分析:1990～2006年[J]. 数量经济技术经济研究, 2008,(10):32-43.

[5] 吴 琦,武春友.基于DEA的能源效率评价模型研究 [J]. 管理科学, 2009,22(1):103-112.

[6] 袁晓玲,张宝山,杨万平.基于环境污染的中国全要素能源效率研究 [J]. 中国工业经济, 2009,(2):76-86.

[7] 汪克亮,杨宝臣,杨 力.考虑环境效应的中国省际全要素能源效率研究 [J]. 管理科学, 2010,23(6):100-111.

[8] Zhou P, Ang B W, Han J Y. Total-factor carbon emission performance: a Malmquist index analysis [J]. Energy Economics, 2010,32(1):194-201.

[9] 王 奇,李明全.基于 DEA方法的我国大气污染治理效率评价[J]. 中国环境科学, 2012,32(5):942-946.

[10] Chung Y, Fare R, Grosskopf S. Productivity and undesirable output: a directional distance function approach [J]. Journal of Environmental Management, 1997,51(3):229-240.

[11] Macpherson A J, Principe P P, Smith E R A. DDF approach to regional environmental-economic assessments [J]. Ecological Economics, 2010,69:1918-1925.

[12] Riccardi R, Oggioni G., Toninelli R.Efficiency analysis of world cement industry in presence of undesirable output: application of DEA and directional distance function [J]. Energy Policy, 2012, 44:140-152.

[13] 涂正革.环境、资源与工业增长的协调性 [J]. 经济研究, 2008,(2):93-105.

[14] Zhou P, Ang B W, Poh K L. Slacks-based efficiency measures for modeling environmental performance [J]. Ecological Economics, 2006,(6):111-118.

[15] 王 兵,吴延瑞,颜鹏飞.中国区域环境效率与环境全要素生产率增长 [J]. 经济研究, 2010,(5):95-109.

[16] Choi Y, Zhang N, Zhou P. Efficiency and abatement costs of energy-related CO2emissions in China: A slacks-based efficiency measure [J]. Applied Energy, 2012,(98):198-208.

[17] Wang K, Wei Y M, Zhang X. A comparative analysis of China’s regional energy and emission performance: which is the better way to deal with undesirable outputs? [J]. Energy Policy, 2012, 46:574-584.

[18] 宋马林,王舒鸿.环境规制、技术进步与经济增长 [J]. 经济研究, 2013,(3):122-134.

[19] 王 兵,罗佑军.中国区域工业生产效率、环境治理效率与综合效率实证研究 [J]. 世界经济文汇, 2015,(1):99-119.

[20] Kuosmanen T, Kortelainen M. Measuring eco-efficiency of production with DEA [J]. Journal of Industrial Ecology, 2005, 9(4):59-72.

[21] Picazo-Tadeo A J, Gomez-Limon J A, Reig-Martinez E. Assessing farming eco-efficiency: a DEA approach [J]. Journal of Environmental Management, 2011,92:1154-1164.

[22] Fare R, Grosskopf S. Directional distance function and slacksbased measure of efficiency [J]. European Journal of Operational Research, 2010,200(1):320-322.

[23] Fukuyama H, Yoshida Y, Managi S. Modal choice between air and rail: a social efficiency benchmarking analysis that considers CO2emissions [J]. Environmental Economics and Policy Studies, 2011,13(2):89-102.

[24] Chang T P, Hu J L, Chou R Y, et al. The sources of bank productivity growth in China during 2002～2009: A disaggregation view [J]. Journal of Banking and Finance, 2012,36:1997-2006.

[25] Kapelko M, Horta I M, Camanho A S, et al. Measurement of input-specific productivity growth with an application to the construction industry in Spain and Portugal [J]. International Journal of Production Economics, 2015,166(8):64-71.

[26] Fare R, Grosskopf S, Lindgren B, et al. Productivity change in Swedish pharmacies 1980～1989: A non-parametric Malmquist approach [J]. Journal of Productivity Analysis, 1992,3(1/2):85-101.

[27] Fare R, Grosskopf S, Norris M, et al. Productivity growth, technical progress and efficiency change in industrialized countries [J]. The American Economic Review, 1994,84(1):66-83.

[28] 国家统计局.中国统计年鉴 [J]. 北京:中国统计出版社, 2004-2013.

[29] 国家统计局.中国能源统计年鉴 [J]. 北京:中国统计出版社, 2004-2013.

[30] 国家统计局.中国环境统计年鉴 [J]. 北京:中国统计出版社, 2004-2013.

[31] 胡鞍钢,郑京海,高宇宁,等.考虑环境因素的省级技术效率排名:1999～2005 [J]. 经济学季刊, 2008,4(3):933-960.

The regional differences, changing trends and causes decomposition of atmospheric pollution emissions efficiency of China’s major industrial provinces.

WANG Ke-liang1*, MENG Xiang-rui1, YANG Li1, YANG Bao-chen2, WANG Jian-min1, CHENG Yun-he1(1.School of Economics and Management, Anhui University of Science and Technology, Huainan 232001, China；2.College of Management and Economics, Tianjin University, Tianjin 300072, China). China Environmental Science, 2017,37(3)：888～898

Using the methods of the non-radial directional distance function (NRDDF) and the improved Luenberger productivity indicator with difference-based structure, this paper studied the regional differences, changing trends and causes decompositions of the atmospheric pollution emissions efficiency (APEE) of China’s 13major industrial provinces from 2003 to 2012. The empirical results showed that: (1) the APEE of China’s major industrial provinces was generally lower, and regional difference was obvious, at the same time the atmospheric pollution has the great potential for emissions reduction; (2) a key constraint on the APEE of China’s major industrial provinces was the pure technical efficiency; (3) taken the whole or a certain pollutant, the increase of APEE presented the mode of the single wheel drived by the environmental technical progress completely, while the change of pure technical efficiency (PTE) and scale efficiency (SE) played the negative effects on that; (4) the APEE of China’s major industrial provinces appeared Matthew effect, and the efficiency differences of the APEE among these provinces would probably continue to expand through the analysis of the advantages and disadvantages of provincial atmospheric pollution reduction.

atmospheric pollution emissions efficiency (APEE)；industrial province；regional differences；changing trends；causes decomposition

X51,F061.5

A

1000-6923(2017)03-0888-11

汪克亮(1980-),男,安徽枞阳人,副教授,博士,主要从事资源与环境管理、效率与生产率研究.发表论文60余篇.

2016-07-25

国家自然科学基金项目(71403003);教育部人文社科研究青年基金项目(13YJC790136);中国博士后科学基金资助项目(2014M551787,2015T80643);安徽省高校优秀青年人才支持计划重点项目(gxyqZD2016075);安徽省哲学社会科学规划项目(AHSK11-12D107)

* 责任作者, 副教授, klwang@163.com