基于Super-SBM 模型的江苏省生态效率评价

曾庆顺，李永正，周子扬

（河海大学商学院，江苏 常州 213022）

江苏省地处长江经济带，与上海市、浙江省、安徽省共同构成长江三角洲城市群。江苏省是中国综合发展水平最高的省份之一，也是惟一一个所有地级市都跻身全国百强市的省份。然而，受效率至上的旧发展观局限，江苏省在经济发展取得很大成就的同时，也面临着严重的环境污染问题。据2019 年《江苏统计年鉴》数据与《江苏省生态环境公报》显示，2018 年江苏省工业废水排放14.36 亿t，二氧化硫排放30.66 万t，13 个市环境空气质量均未达到二级标准，环境问题突出。

2019 年习近平总书记在中国北京世界园艺博览会开幕式上发出号召，呼吁“像保护自己的眼睛一样保护生态环境，像对待生命一样对待生态环境”。生态效率研究对分析环保问题意义重大，而对中国综合发展水平最高的省份江苏省进行生态效率研究有更大的经济意义与生态意义。目前学者们对于江苏省生态效率的研究较少，且已有研究大多采用传统的DEA 模型。本研究在已有研究成果的基础上，选择江苏省13 个城市的面板统计数据，采用Super-SBM 模型综合评价江苏省13 市2009—2018 年的生态效率，为江苏省的经济发展以及生态效率提高提供具有参考价值的理论依据。

1 研究背景与研究方法

1.1 研究背景

Schaltegger 等［1］在1989 年提出“生态效率”的概念，并将其定义为价值的增加量与环境影响的增加量的比值。随后相关领域的学者对生态效率进行深入研究并丰富了生态效率的概念。

现有研究对生态效率的计算方法概括起来主要有单一比值法、指标体系法和模型法［2，3］。其中，单一比值法最终所有环境影响以一个特定的环境影响值体现，但却不能区分不同环境的影响；指标体系法在一些情况下需要通过人为赋权来表达投入指标与产出指标之间的关系，该方法一定程度上可以反映不同投入指标的重要性，但赋权时的人为主观因素会影响到最终结果的准确性；模型法在进行生态效率的研究时能够弥补以上2 种方法的缺点。在模型法中，数据包络分析方法（Data envelopment analysis，DEA）使用较广。Moutinho 等［4］使用三阶段DEA 模型预测了德国24 个城市的生态效率得分，并应用分数回归推断了城市层面生态效率得分的影响因素；王恩旭等［5］运用超效率DEA 模型对中国30 个地区的生态效率进行了测度；任胜钢等［6］将工业生态系统分解为工业经济、环境、能源3 个子系统，采用网络DEA 模型对长江经济带9 省2 市的工业生态效率及3 个子系统效率进行了评价。

在实际研究中，DEA 可以省略对函数关系的事先确定以及对所选指标进行主观赋权，然而传统的DEA 模型产出指标一般为经济社会类期望产出指标，不适用于非期望产出类指标［7］。针对此问题，相关学者提出了包括产出转置法、正向属性转换法和方向性距离函数法在内的非期望产出情况下的效率评价方法，这些方法虽然可以有效解决非期望产出问题，却不能测算投入和产出松弛变量对效率的影响程度［8］。为把松弛变量引入目标函数，Tone［9］构造了基于松弛变量测度的非径向和非角度的SBM（Slacks-based measure）模型，该模型下测算的效率值的变化取决于投入和产出松弛程度的变化。但是，类似于传统的DEA 模型，该模型同样会出现多个决策单元同为完全有效的情况，于是Tone［10］进一步构造了基于修正松弛变量的Super-SBM 模型，该模型能够对多个有效决策单元进行比较与排序。近年来，许多学者运用Super-SBM 模型对生态效率进行了研究，王迪等［11］运用包含非期望产出的Super-SBM 模型对中国2011—2014 年各省份和四大区域农业生态文明建设效率进行了测度；朱香好等［12］以30 个省市为研究对象，运用Super-SBM 模型测算了其2005—2015 年的效率值，并对其生态效率情况进行了静态分析；马晓君等［13］运用优化的引入非期望产出的超效率SBM 模型测算了中国30 个省份、直辖市、自治区的生态效率，发现全国生态效率呈现由东到西、由沿海到内陆逐渐收敛的格局。

1.2 研究方法

1.2.1 Super-SBM 模型 考虑松弛变量的Super-SBM 模型具体形式如下：

式中，ρ为目标生态效率值；x、yg和yb分别为投入、期望产出和非期望产出；m、S1和S2分别为投入、期望产出指标和非期望产出指标个数；向量S-、Sg和Sb分别为投入松弛量、期望产出的松弛量和非期望产出的松弛量；λ为权重向量。

1.2.2 Malmquist 指数 Malmquist 指数认为，技术变化与技术效率变化是生产率发生变化的原因［14］。该指数可转换为较简洁的参数和非参数模型，因此被广泛应用于动态效率变化趋势的研究。Malmquist指数的具体形式如下：

上式还可以分解为三部分的乘积：

式中，TFP表示生态效率，EC表示技术效率变化；TC表示技术进步变化；PE表示纯技术效率变化；SE表示规模效率变化。

1.2.3 Tobit 模型 综合考虑江苏省生态效率的独特性，选取经济发展水平、工业结构、利用外资、人口密度、政府对科学技术的支持、政府对教育的支持作为影响因素，如表1 所示，并使用Tobit 模型进行生态效率影响因素分析。

表1 生态效率影响因素

由于效率评价值通过最低界限值0 将数据进行了截断，使用普通的最小二乘法直接对模型进行回归会导致最终的参数估计结果出现偏差。为使估计结果更准确，采用截断回归方法进行分析，建立如下的Tobit回归模型。

式中，yit作为被解释变量表示第i座城市第t年的生态效率值。αit是未知常数值，xit是解释变量，βT是未知参数向量，εit～N（0，σ2）。Tobit 模型的特点是解释变量xit不受限制，取其实际观测值，而被解释变量yit取值受限：当yit≥0 时取实际观测值，反之观测值截取为0。

2 研究对象与指标体系

2.1 样本数据

本研究选取江苏省13 个城市作为实证研究对象，对江苏省2009—2018 年的面板数据进行研究。为保证样本数据准确性，所有投入产出数据均选自《中国城市统计年鉴》《江苏统计年鉴》以及各地级市统计年鉴。此外，为消除价格变动的影响，真实反映经济发展状态，本研究根据相应的价格指数将市GDP、政府对教育和科技的支出等指标换算成基期不变价格。

2.2 指标选取

生态效率的基本思想是在最大化价值的同时最小化资源消耗与环境污染，即以最少的资源投入和最小的环境代价获得最大的经济价值，这与SBM 方法对投入与产出指标的要求一致。在具体的SBM运用中，通常将收益型的指标视为产出指标，将成本型指标作为投入指标来处理。借鉴已有研究成果［7］，同时兼顾数据的可得性与科学性构建江苏省生态效率评价指标体系（表2）。

表2 江苏省生态效率评价指标体系

3 实证分析

3.1 生态效率静态分析

根据以上原理，运用DEA-Solver Pro 13.1 软件将13 个城市2009—2018 年的数据进行逐年计算，得到2009—2018 年江苏省13 市生态效率（表3）。

由表3 可知，2009—2018 年江苏省13 市生态效率总体水平呈下降趋势，均值从1.095 下降到1.018，总体下降7.03%；除2014 年以外，其余年份生态效率平均值均大于1.000。

依据Super-SBM 模型原理，被评价决策单元在生态效率值≥1的条件下相对有效。由表3 可知，2009—2018 江苏省13 市生态效率平均值≥1的城市共8 个；其中苏北地区生态效率相对有效的城市有3个，占总有效城市的37.5%，苏中地区没有生态效率相对有效的城市，苏南地区所有城市生态效率均相对有效。从空间分布来看，江苏省生态效率相对有效城市分布不均衡，区域差异较大。

表3 2009—2018 年江苏省13 市生态效率

生态效率平均值排序方面，宿迁＞盐城＞苏州＞南京＞无锡＞常州＞镇江＞连云港＞徐州＞泰州＞南通＞扬州＞淮安。生态效率平均值位于第一、二名的宿迁市和盐城市属于苏北地区，但苏北地区整体生态效率不及苏南地区。苏南地区具有优越的自然条件，并受上海市辐射作用影响，形成了以乡镇企业发展推动非农化发展的苏南模式。这一模式下的苏南地区较早地引入外资，积累了较多的资本与先进的生产管理经验，工业生产总值高，居民收入水平高于全省平均水平。地区领导人在谋求经济发展的同时兼顾区域环境保护，对工业企业的污染物排放予以严格管制，因此苏南地区整体生态效率水平较高。

由表3 可知，2009—2018 年宿迁市所有年份生态效率值都位居全省第1，投入产出水平较高；通过对原始数据的分析发现，宿迁市各年份单位建设用地面积生产总值都处于较高水平，相同产出下能源消耗水平较低。而淮安市各年份生态效率处于较低水平，投入冗余和产出不足的问题比较严重；存在单位建设用地面积生产总值较低，工人工资偏低，工业固体废物利用率偏低，城市绿地面积偏小等问题。这与淮安市能源自给率低，低碳新能源的开发利用量占能源消耗总量比重较低，能源结构单一，全社会能源消耗和规模以上工业企业能源消耗以煤为主，环保基础设施建设落后等现实情况相符合。综合以上分析发现，不同城市生态建设应结合城市的具体情况，对生态建设过程中出现的短板采取差异化措施。

3.2 生态效率动态分析

为更好地分析江苏省13 个城市的生态效率变化趋势，本研究采用江苏省13 个城市2009—2018 年的面板数据，运用Malmquist 指数模型计算其效率变动值。

由表4 可知，2009—2018 年生态效率（TFP）年均增长-1.2%，13 个市中有7 个市增长率小于0，6 个市的增长率大于0；从年均增长率的分解来看，规模效率的增长率大于0，年均增长率为0.2%，综合技术效率与纯技术效率年均增长率为0，技术进步年均下降1.4%。从各城市来看，连云港市、南京市增长较快，TFP增长率超过3%，显著高于平均水平；静态分析下宿迁市生态效率很高，但是TFP呈负增长，技术进步缺乏动力；淮安市TFP增长率为负，同时静态分析下淮安市生态效率排名居全省末位，其生态效率建设方面存在一定问题，需要进一步加强城市生态文明建设，提升投入产出水平。

表4 江苏省13 市年均Malmquist指数及其分解

由表5 可知，江苏省13 市各年份平均生态效率增长不稳定，2009—2011 年呈明显上升趋势，随后2011—2012 年呈明显下降趋势，2013—2018 年的变化相对稳定。从生态效率变化情况的影响因素来看，规模效率与综合技术效率是推动生态效率增长的动力，但其贡献率仅为0.2%；纯技术效率对生态效率增长的贡献率为0，技术进步的增长率均值小于0，制约了生态效率的增长。

表5 江苏省13 市各年份平均Malmquist指数及其分解

3.3 区域生态效率影响因素分析

由于作为解释变量而选取的6 个影响因素之间可能存在多重共线性，于是通过STATA 软件对这6个变量进行相关性检验，结果如表6 所示。结果显示变量之间的相关系数均小于0.800，在可接受范围之内，共线性程度不高。

表6 变量多重共线性检验

利用STATA 软件对变量进行回归分析，结果见表7。经济发展水平、人口密度、政府对科学技术的支持会对各城市生态效率产生正向影响，工业结构、利用外资、政府对教育的支持会对各城市生态效率产生负向影响。人口密度与政府对科学技术的支持对城市生态效率的影响在1%的水平下显著，工业结构对城市生态效率的影响在5%的水平下显著，其余变量未通过显著性检验。

表7 Tobit回归结果

1）人均GDP 每增加1 万元，城市生态效率将会上升5.9 个百分点。经济发展水平的提高伴随着资本投入量的增加，尖端技术的引进会对生态效率产生正向的影响，因此各市需要在发展经济的同时兼顾对环境的保护，走可持续发展道路。

2）第三产业产值占地区生产总值比重的上升会带来生态效率的下降。这是因为江苏省第三产业的发展仍处于较低级阶段，批发零售餐饮业及交通运输业等污染较重的产业占比较大。

3）利用外资对生态效率的影响未通过显著性检验。江苏省地处东部沿海地区，外资利用水平较高。研究结果表明，继续提高外资利用水平无法给生态效率带来正向影响，因此需要转变经济发展方式，合理减少外资使用，使经济发展更多依靠内需接动。

4）人口密度对生态效率产生正向影响，并且在1%的水平下显著，但是人口密度对生态效率影响较小，影响系数仅为0.001，说明目前江苏省人口密度较优，对环境造成压力较小。

5）政府对科学技术的支持与政府对教育的支持分别会给生态效率带来正向与负向的影响，政府对科学技术的支持对生态效率的影响显著，政府对教育的支持对生态效率的影响并不显著。

4 结论与建议

1）整体来看，统计期间内江苏省13 市生态效率平均值为1.033，处于较高发展水平。空间上差异较大，苏南＞苏北＞苏中。苏北与苏中地区需要在科技研发上投入更多资金，大力推进科技成果向生产力转化，同时完善城市环保基础设施建设，提高城市公共服务能力。

2）从对江苏省13 市生态效率的动态分析中发现，江苏省生态效率的进步来自规模效率的提升，其贡献率为0.2%。技术进步变化制约了生态效率的增长，因此需要进一步加大对科研活动的投入，拓宽科研经费的来源渠道，激发高校的科技创新活力。同时鼓励企业以另一主体的身份参与新技术的研发过程，激发大中型企业的创新热情，促进科研成果向实际生产力的高效转化。

3）从影响因素的回归分析来看，经济发展水平、人口密度、政府对科学技术的支持会对各城市生态效率产生正向影响。其中政府对科学技术的支持影响最为显著；工业结构、政府对教育的支持会对各城市生态效率产生负向影响。为了提高江苏省整体生态效率，缩小区域差异，需要进一步优化第三产业内部结构，尽快实现从以批发零售餐饮业及交通运输业为主的初级阶段向以信息、科技、金融等为主的高级阶段过渡。