绿色发展背景下中国林业生态效率评价及影响因素实证分析——基于DEA分析视角

张 译，熊 曦

（1.北京林业大学 经济管理学院，北京 100083；2.中南林业科技大学 商学院，湖南 长沙 410004）

党的十九大以来，党中央、国务院持续聚焦林业发展问题，生态文明建设和林业改革发展是事关经济社会可持续发展的根本性问题。传统林业发展模式受资源承载量和环境容量的约束，正面临可持续发展瓶颈，绿色发展赋予了林业发展新使命，新时期林业发展应在绿色发展框架下，将资源环境要素融入林业生产发展的内在机理，发展以“和谐、效率、可持续”为目标的生态林业，实现我国林业“生态化、绿色化”生产，扭转生态环境恶化趋势，保障国家生态安全，增强减缓和适应气候变化能力，这也是我国构建生态安全屏障、创造人与自然和谐共生的具体体现，实现我国林业生产在绿色、生态、可持续发展的轨道上完成经济效益、生态效益、社会效益的共赢。党和国家高度重视生态林业绿色发展问题，在此基础上，学术界关于生态林业绿色发展问题的研究不断向深度和广度渗透。

我国生态林业生产的良性发展对我国甚至是世界绿色循环低碳经济发展都具有重要意义。然而目前我国生态林业发展仍然面临着几大矛盾：林业生产与林业人力资源利用率不高之间的矛盾；林业生产与巨大的林业资产资源消耗量之间的矛盾；林业生产与日益严重的环境污染之间的矛盾，三大矛盾长期制约了我国生态林业的绿色可持续发展。本研究聚焦研究我国生态林业绿色发展问题，通过收集我国生态林业生产与发展的绿色指标，评价生态林业生产效率，找出关键性的影响因素，为我国乃至世界生态林业绿色发展提供经验和借鉴。

1 林业生态效率研究进展

20世纪70年代，传统林业生产在为人类提供丰富物质资源的同时，因能源消耗过大、土壤肥力退化、滥用化肥及农药、环境污染等外部性问题逐步引起学者们的关注，生态林业作为新型林业生产模式，为各国林业生产发展指明了新的方向，从此，生态林业开始成为国内外专家学者研究的热点问题。到20世纪90年代，生态林业已成为林业绿色可持续发展的重要模式，全面适用于林业生态系统，对协调林业良性发展与资源利用、环境保护之间的矛盾起到了重要作用，有利于实现林业生产经济效益和环境效益的共赢[1]。进入21世纪后，国内学者结合中国林业发展的具体情况，提出中国特色的生态林业概念，从反思和完善生态林业发展政策、推动林业科技进步、林业土地规模化生产、规范林业产品市场化引导等方面研究并发展中国式生态林业。面对新时期我国林业生产与资源环境制约的新矛盾，对生态林业的研究主要聚焦于突破资源环境束缚的瓶颈，实现我国林业发展从“环保化”“共生化”向“生态化”“绿色化”的飞跃，走出一条有中国特色的林业绿色可持续发展道路[2]。

目前众多学者关注生态效率方面的研究，针对林业生态效率的研究主要集中于不同区域内林业土地的产出价值方面研究，通过测算不同区域内林业用地资源性指标的相对价值效率，来研究适应于该区域的林业发展模式及内在运行机理。有学者通过搜寻区域内农林机械投入、劳动力投入强度、农林用地面积、农林金融性资产价值等指标，测算区域内农林生态效率变化情况，提出了加强农林土地流转效率、适度增加非农林就业人口来提升区域内农林生态效率[3]。国内学者通过测算15个省域林业产业集聚水平，检验其外部性对区域林业生态效率的影响，提出通过优化林业产业结构、环保技术革新等提升林业生态效率[4]。当前关于林业生产效率的研究，在指标体系建立方面缺少绿色生态类林业指标支撑，无法有效估计出林业发展对生态环境的具体影响。目前在林业生态效率评价方法研究方面，主要有经济环境比值评价法、层次分析法、因子分析法、物质流分析法（MFA）、生态足迹法、参数分析法、非参数分析法。经济环境比值评价法对于指标选取具有较大的主观性，当面临多投入、多产出效率测算问题时，无法准确表达投入与产出各变量内在联系机理。层次分析法对指标赋权依然无法摆脱人为主观因素的干扰，导致测算结果的不客观性。因子分析法则无法真实反映出各变量因子对生产效率评价值影响的重要程度。物质流分析法（MFA）是对某个区域的经济活动中物质流入与流出量之间进行分析测算该区域生产有效性的方法，生态足迹法是通过估算特定区域内或特定人群的消费及吸收废弃物排放所需要的生态生产面积（包括陆域和水域），并与该区域能提供的生态生产性面积进行比较，从而来衡量区域经济发展的可持续性，但物质流分析法（MFA）与生态足迹法有自身缺陷，无法有效估计动态资源流动情况下区域内生态状况，容易受其他环境因素干扰。现在主流的参数分析法为随机前沿分析法（SFA），用以评价全要素生产率问题，但SFA 也具有其局限性，在面临多产出效率测算问题，无法准确有效估计。目前的非参数分析法主要是数据包络分析法（DEA），DEA测算基于统计学原理对各指标进行自动赋权，有效避免了主观赋权带来的不良影响，擅长处理多投入、多产出效率测算问题，对环境影响因素等非期望产出的处理变得客观有效，测算结果形成投影值，以改良投入冗余、产出不足问题。近年来许多学者运用DEA测算评价区域林业生态效率，并构建指标体系研究影响区域内林业生产发展与效率的关键因素。有学者运用DEA模型对我国西部欠发达地区农林生态效率进行评价，在规模收益可变的前提下，根据农林生产效率DEA评价值，对如何优化农林生产资源配置进行系统分析[5]。还有学者贾卫平运用DEA模型测算新疆兵团农林生态效率值，分析了在不同环境压力下各区域农林生态效率的差异，并运用Tobit 回归模型分析区域内农林生态效率的关键影响因素[6]。有学者运用超DEA模型测算我国绿色经济效率值，结合GMM模型验证了环境规制因素对绿色经济效率的影响，通过超DEA模型评价各指标区间达到效率有效值以上的影响，是运用DEA模型测算生态效率前沿性的研究[7]。

由于DEA模型擅长处理多投入、多产出效率测算问题，有效避免主观赋权带来的不良影响，对非期望产出的处理客观有效，投影值便于改善投入冗余和产出不足，有助于能正确计算出决策系统的生态经济效率，其模型测算与计量经济学相关要求基本一致，可对指标数据以及研究对象多重共线性、序列相关性等问题进行有效分析。鉴于此，本研究基于绿色发展视角，研究我国生态林业发展问题，基于林业发展资源指标、能源指标、生产指标、环境指标构建评价指标体系，由于效率测算结果均值在0.3～0.8，有效解不多，不建议采用超DEA模型，为了避免与回归估计重复计算问题，没有采用Malmquist-DEA模型，因此运用DEA-BCC模型确定可变规模报酬（VRS）综合评价我国2013—2017年生态林业生态效率，为找出影响我国生态林业发展的关键因素，构建回归模型，以DEA评价值和林业生产总值等数据为应变量，生态建设与保护、林业第三产业发展、基础设施完善程度、国家森林生态补偿投入、林业科技投入、林业防治状况的量化值为自变量，进行线性回归，分析影响生态林业绿色发展的关键因素，为丰富和发展我国生态林业理论以及推动区域林业绿色可持续发展提供参考借鉴。

2 林业生态效率评价

2.1 DEA模型构建

数据包络分析法是一类典型的非参数分析法，简称DEA分析法，由美国著名运筹学家Charnes等提出，通过评价各决策单元内投入产出相对效率比值，来研究生产过程中资源配置优化问题。在生产过程中，资源消耗的投入量与产品的产出量之间的比值决定决策单元内的生产效率值，将投入值与产出值进行加权处理可用于分析多投入、多产出问题[8]。为适用于研究绿色环保类问题，在构建DEA模型过程中，可将污染因素指标、生态环境负指标等归于非期望产出，DEA模型将基于各类型产出“非对称”式曲线测度，准确估计出生态经济效率值，通过投影分析，在确保足量产出和适当投入的同时，也将严格控制非期望产出量。对生产过程中期望产出与非期望产出的估计方式分别通过曲线径向测度值与曲线测度的倒数来实现。因DEA分析法采取客观自动赋权，排除主观因素干扰，其测算方法为曲线径向测度，无函数表达式，无需进行假设检验，因此广泛应用于各领域生产效率研究[9]。

目前主流的DEA评价模型主要有BCC模型及CCR模型两类，BCC模型以其分段式曲线测度形式存在于现阶段DEA评价研究中，以凸多面体形态替代了早期的CCR模型凸锥形可能集形式，使多阶段测度效率成为可能，摆脱CCR模型单集单点测算的约束，在双阶段、甚至三阶段曲线斜率对比确定生产规模收益的增减，更加准确的判定出投入、产出的改进方向，因此本研究选择运用DEA-BCC模型确定可变规模报酬（VRS）的形式测算湖南省生态农业生产效率[10]。

构建DEA-BCC模型，假设此模型共有U个决策单元，在每个决策单元中存在N种投入X、M种期望产出Y以及L种非期望产出Z，据此建立投入视角DEA评价模型：

该模型中θ表示我国生态林业效率值，且0 ≤θ≤1，当θ=1时，表示我国生态林业生产效率有效，当θ＜1时，则表示我国生态林业生产效率无效。模型中x、y、z在各决策单元中分别代表了生态林业生产投入值、期望产出值及非期望产出值，w表示u=1、2、3…，u的权重，当w 等于1 或者为非负时，该模型即为可变规模报酬（VRS）的DEA模型。

2.2 建立生态林业投入与产出指标体系

本研究基于绿色背景下研究林业生态效率问题，因此，生态林业投入、产出指标体系不仅包含了资源消耗因素部分，还应包含环境污染因素。其中，投入指标包括资源消耗和环境污染两大类，资源消耗类指标包括林业人力消耗以林业从业人员人数来表示，林业资本资源消耗用林业固定资产投入来表示，林业生态投入以林业生态建设投入来表示，林业民生投入以林业基础设施投入来表示。环境污染类指标林业环境污染用有害生物发生面积来表示，产出指标包括林业总产出以林业产业生产总值来表示（表1）。

表1 生态林业生产效率投入产出指标体系Table1 Ecological forestry production efficiency inputoutput index system

2.3 DEA运算结果分析

通过对《中国统计年鉴》《中国环境统计年鉴》《中国林业统计年鉴》中林业生产相关数据进行挖掘，并整理出2013—2017年我国31个省份（或直辖市）林业生产相关数据，选取林业生产总值为产出指标，并以2013年林业生产总值为基期数据作不变价处理，选取林业人力消耗、林业资本资源消耗、林业生态投入、林业民生投入为正向投入指标，因区域内有害生物发生面积与环境污染度存在一定趋势上的一致，选取有害生物发生面积为负向投入指标[11]。在此基础上采用可变规模报酬（VRS）下的DEA模型进行测算分析，DEAP 软件测算结果如下。

基于DEA模型采用可变规模报酬（VRS）测算出2013—2017年我国31省份林业生态效率，综合效率值为规模效率值与纯技术效率值的乘积，效率值达到1，代表效率有效，小于1 则代表效率无效，说明投入冗余、产出不足，需要调整投入产出。根据运算结果可以发现，综合效率平均值随时间推移逐步降低，说明近年来我国在节约资源投入、提升期望产出、限制非期望产出方面重视程度不够，林业资源出现不同程度的浪费，林业生产污染物排放增多，林业产出相对不足。其中，2013—2017年浙江、广东综合效率为1，福建2017年综合效率为1，综合效率有效，说明上述地区，在调整前期林业生产投入冗余与产出不足问题获得的成效显著，在近几年使生态林业生产达到高效率，说明上述地区生态林业生产的规模效率及纯技术效率也达到了高水平。2013—2017年山东综合效率超过或接近0.8，2014—2016年上海综合效率也超过或接近0.8，江苏、江西、福建综合效率接近0.7，山东、上海、江苏呈现出上升的趋势，江西却逐步下降，说明上述地区在调整林业生产产量与资源消耗、环境污染的平衡问题上成效明显，江西近年来尽管效率波动较大，但也处于较高水平。内蒙古、黑龙江、吉林、辽宁等北方省份综合效率均处于0.3 以下的较低水平，尽管这些省份林业资源存量和林业产值较高，但在林业生产中投入消耗过大，使其综合效率徘徊在较低水平。北京、天津林业生态综合效率不高，是由于其林业资源存量有限的先天条件决定。新疆、甘肃、青海等西部省份林业生态综合效率低于0.2，这些区域受制于地形、资源等因素规模效益得不到释放，土地荒漠化情况严重，林业产量受影响导致综合效率不高（表2）。

表2 2013—2017年中国31省份林业生态综合效率（crste）运算结果†Table2 Calculation results of integrated forestry ecological efficiency (crste) in 31 provinces of China from 2013 to 2017

纯技术效率值为综合效率与规模效率的比值，与综合效率正比性反映二者在变化趋势上具有一致性规律，是系统反映并深入分析综合效率的重要因素。根据运算结果可以发现，纯技术效率平均值随时间发展变化不是很大，处于较为稳定的状态。其中，2013—2017年天津、上海、浙江、山东、广东的林业生产纯技术效率为1，2013—2016年海南的纯技术效率为1，2017年福建的纯技术效率为1，上述地区中浙江、广东综合效率值也为1，由此可推断出该区域林业生产规模效率递增，可在此基础上进行超效率计算，进一步确定投入、产出合理性值域。2013—2016年海南的纯技术效率值为1，2017年出现下滑，导致综合效率无法达到有效。江苏、江西纯技术效率达到或接近0.8，处于较高水平，对基于林业资源、环境、产出指标的投入、产出平衡起到了比较好的作用。吉林地区纯技术效率波动较大，2014—2017年多年处于0.3 或0.3 以下较低水平，抑制阻碍了当地农业生产综合效率的提升。新疆、青海、甘肃等西部地区纯技术效率均低于0.2，尽管西部地区林业规模效率整体较高，并处于规模效益递增状态，但由于其较低的技术效率，制约了西部地区林业生态综合效率的增长（表3）。

规模效率值为各区域内（模型内各决策单位）综合效率与纯技术效率比值，反映出各区域内林业生产规模大小对投入、产出平衡影响的有效性，在未达到有效值1的情形下，可具体估计出规模效率增减趋势，以控制区域内林业生产规模程度。测算结果显示，2013—2017年，我国31省市自治区规模效率平均值呈递减趋势（表4）。其中，2013—2017年北京、浙江、广东的规模效率值为1，2013年黑龙江的规模效率为1，2015年陕西的规模效率为1，2017年青海的规模效率为1，2014年新疆的规模效率为1，上述区域在确定的时间范围内处于固定规模报酬阶段，规模效率有效。2013—2017年山西、内蒙古、辽宁、安徽、山东、广西、四川的连续处于规模报酬递减阶段，说明在这5 a的林业生产过程中产出的增加幅度小于投入的增加幅度，林业生产资源投入出现冗余现象，应减少资源消耗以及减少污染物排放。新疆、青海、甘肃等大部分西部省份在近几年林业生产过程中规模效率值达到或者接近0.8，并且处于规模报酬递增阶段，说明在近年来林业生产过程中产出的增加幅度大于投入的增加幅度，因此，在未来的林业发展过程中，可在适度控制资源消耗、环境污染的基础上，扩大林业生产规模，以实现林业发展的规模效益。

表4 2013—2017年中国31省份林业生态规模效率（scale）运算结果†Table4 Scale efficiency calculation results of forestry ecology in 31 provinces of China from 2013 to 2017

3 林业生态效率影响因素分析

3.1 提出假设

传统林业生产更加注重林业生产产量，忽略了资源、能源、环境等因素的影响，研究生态林业绿色发展问题，应全面考虑资源利用、能源消耗、环境污染、产品产量，在此基础上测算生态林业生产效率，为了能更加深入的研究生态林业生产改良问题，有必要结合林业生产发展的内禀指标，结合外部环境变量因素，分析外部因素对生态林业生产的影响程度[12]。结合国内外研究前沿，普遍认为生态建设与保护、林业第三产业发展、基础设施完善程度、国家森林生态补偿投入、林业科技投入、林业防治状况对区域内林业生产发展具有差异性影响，因此，选取生态建设保护、林业旅游休闲、基础设施建设、森林生态补偿、林业科技投入、林业防治投入为影响因素变量，结合我国生态林业生产现状，研究生态林业生产效率影响因素问题，并提出以下假设。

H1：林业生态建设与保护水平越高，生态林业生产效率越高；

H2：林业旅游与休闲越发达，生态林业生产效率越高；

H3：林业基础设施建设越完善，生态林业生产效率越高；

H4：森林生态补偿越多，生态林业生产效率越高；

H5：林业科技投入越多，生态林业生产效率越高；

H6：林业防治投入越多，生态林业生产效率越高。

3.2 模型设定与变量定义

基于选取的林业生态建设保护、林业旅游休闲、基础设施建设、森林生态补偿、林业科技投入、林业防治投入六类指标，构建如下回归模型：

上式中，E为应变量，β1、β2、β3、β4、β5、β6为待估参数自变量系数，β0为截距项，ε是随机干扰项。E是应变量，分为两类进行分析，一类是林业生产类变量，包括林业总产值、人力资源投入、固定资产投入，分别用林业生产产品量、林业从业人员人数、林业固定资产投资衡量，另一类是林业生态效率类变量，包括综合效率、纯技术效率、规模效率，分别用DEA模型测算的综合效率值、纯技术效率值、规模效率值衡量；生态建设保护用林业生态建设与保护投入衡量；林业旅游休闲用林业旅游与休闲投入衡量；基础设施建设用林业民生工程建设投入衡量；森林生态补偿用区域内林业生态补偿投入衡量；林业科技投入用地区林业科技投入衡量；林业防治投入用区域内林业防治面积衡量。各变量解释及描述性统计见表5。

表5 林业生产及生态效率的变量定义与描述性指标值†Table5 Variable definition and descriptive index value of forestry production and ecological efficiency

为分析我国林业生态效率影响因素，通过对《中国统计年鉴》《中国环境统计年鉴》《中国林业统计年鉴》中林业生产相关数据进行挖掘，选取2013—2017年我国31个省份（或直辖市）林业生产数据，并结合上文DEA测算林业生态效率值，观察样本总量为155个，自变量为林业生态建设保护、林业旅游休闲、基础设施建设、森林生态补偿、林业科技投入、林业防治投入六类，应变量为林业总产值、人力资源投入、固定资产投入、综合效率、纯技术效率、规模效率六类，在进行线性回归前对各组指标进行了标准化处理，进行六次线性回归。

3.3 基于DEA测算结果的林业生态效率回归分析

通过建立线性回归模型，将2013—2017年我国31个省份（或直辖市）林业生产的6组变量因子分别导入SPSS 计量软件，通过数据整理，得出回归结果（表6）。

表6 我国林业生产及生态效率影响因素回归结果†Table6 Regression results of factors affecting forestry production and ecological efficiency in China

通过回归得到6组结果，其中A、B、C组是反映影响因素对我国林业生态效率的影响的分别代表自变量因素对DEA测算综合效率、纯技术效率、规模效率的影响结果；D、E、F组是反映影响因素对我国生态林业生产现状的影响，分别代表自变量因素对林业总产值、人力资源投入、固定资产投入的影响结果。R²代表模型估计的拟合优度，各组模型R²分别为0.376、0.319、0.068、0.623、0.289、0.589，由于数据是宏观小样本时序性面板数据，因此拟合优度在微观计量层面上是合理的。在模型A中，林业生态建设保护、森林生态补偿、林业防治投入对我国林业生态综合效率具有负向显著性影响，说明了目前我国在林业生态建设保护、森林生态补偿、林业防治方面的投入，并没有达到提升林业生态综合效率的目的，反而是造成了投入的浪费；林业旅游休闲投入对我国林业生态综合效率具有正向显著性影响，说明我国发展林业第三产业、加快林业一二三产业融合发展对提升我国林业生态综合效率具有促进作用。在模型B 中，林业生态建设保护、林业防治投入对我国林业生态纯技术效率具有负向显著性影响，说明林业生态建设保护、林业防治投入的扩大增加了林业资源的消耗量，过度的扩大生产规模、增加投资将会加大林业资源消耗的压力，阻碍我国林业技术效率的提升；林业旅游休闲投入对我国林业生态纯技术效率具有正向显著性影响，与模型A一致。在模型C 中，林业生态建设保护、基础设施建设、森林生态补偿、林业科技投入、林业防治投入对我国林业规模效率均无显著性影响，仅林业旅游休闲一个因子对我国林业规模效率具有正向显著性影响，说明发展林业旅游休闲将有助于实现林业生产投入与产出规模的平衡，助力林业生产综合效率的提升。为了平衡林业投入与产出的关系，有必要进一步分析林业生产影响问题，在分析林业生态效率的基础上，对林业生产影响模型D、E、F 进行研究。在模型D 中，林业生态建设保护、林业旅游休闲投入、林业科技投入对我国林业生产具有正向显著性影响，说明林业生态建设保护、林业旅游休闲投入、林业科技投入对我国林业生产的提升具有积极作用，在保障投入没有过度浪费的前提下，因注重这三类因素对林业发展的影响。在模型E 中，基础设施建设、林业防治投入对我国林业人力资源消耗具有正向显著性影响，说明我国建设林业基础设施工程、开展林业防治工作需要消耗大量的劳动力，而林业科技投入对我国林业人力资源消耗具有负向显著性影响，说明林业科技进步将会极大地节省我国林业劳动力成本。在模型F 中，林业生态建设保护、基础设施建设、林业科技投入对我国林业固定投资消耗具有正向显著性影响，说明我国开展林业生态建设保护、基础设施建设、林业科技投入工作过程中消耗了大量的金钱，林业防治对我国林业固定投资消耗具有负向显著性影响，说明随着我国林业防治的不断进行，将会节约一部分林业生产的资金消耗。

4 结论及政策建议

我国生态林业绿色发展问题不仅取决于林业生产产量的高低，更加关系到林业资源利用、能源消耗、环境污染的状况，运用基于非期望产出和绿色指标投入的DEA-BCC（VRS）模型，测算近年来我国生态林业发展的综合效率、纯技术效率、规模效率，选取关键影响因素，分析其对林业生产及生态效率的影响显著性程度，结合DEA效率测算值及影响因素回归结果，提供以下政策建议：

1）控制资源消耗、环境污染与旅游规模化生产协同发展。DEA模型测算投入与产出效率关系，在尽可能减少投入的基础上，增加期望产出量，以提升林业生产效率值，因此，在发展林业生产过程中，需要找到减少林业生产资源消耗、环境污染与增加林业产生产量的平衡点。DEA模型规模效率对综合效率具有较强的贡献性，近年来，我国大部分地区呈现规模效率递增状态，反映出区域内林业产出的增长速度略快于资源、能源的消耗速度，因此，在控制资源消耗、环境污染并保证林业产量的前提下，可适当扩大林业生产规模，以规模效益带动林业经济效益发展。

2）加快推动林业一二三产业联动发展。发展林业旅游与休闲对提升我国林业生态效率、促进林业生产发展具有显著作用，推进我国林业一二三产业融合发展，发展林业旅游、林业休闲、林业观光，构建我国“林旅一体化”模式，联动区域经济发展，带动林业旅游休闲市场需求，正确引导涉“旅、休、观”林业产业投资，对促进我国林业绿色可持续发展具有重要作用。

3）严格控制监测林业生态建设保护、森林生态补偿、林业防治方面的投入。减小人力资源、资金的消耗和浪费，利用林业科技进步减低生产成本，减少资源消耗，降低污染排放，促进林业实现规模化发展，保障林产品产量质量，提升我国林业生态效率，实现我国林业产业经济效益、生态效益、社会效益的共赢，成就我国林业生产“绿色化”“生态化”“高产化”发展。