区域水-能源-粮食绿色效率、地区差异及影响因素

张静静,汪文生*,李 杨

区域水-能源-粮食绿色效率、地区差异及影响因素

张静静1,2,汪文生1,2*,李 杨3

(1.中国矿业大学(北京)管理学院,北京 100083；2.中国矿业大学(北京)决策科学与大数据研究院,北京 100083；3.国家能源集团技术经济研究院,北京 102211)

基于绿色发展理念建立多维角度投入-产出指标体系,构建Meta-SSBM和Meta-Malmquist-Luenberger模型,测度2004～2018年中国30个省(区)水-能源-粮食绿色静态和动态效率,并运用泰尔指数分解东部、中部和西部绿色发展水平的时空分异特征.结果表明:(1)由于技术差距无效率而导致的在共同前沿和群组前沿面下的效率表现出较大差异性,其中东部地区代表潜在的最优技术水平,中部和西部存在被高估的风险.(2)东部地区管理无效率、中部地区技术无效率、西部地区管理和技术无效率并存分别是其无效率的主要原因.(3)东部地区水-能源-粮食绿色全要素生产率(TFP)增长最高,其提升的主要原因是技术进步和技术差距比率的缩小;中部和西部地区绿色TFP的降低主要源于技术进步的放缓和技术差距比率的扩大.(4)西部地区绿色TFP增长率的泰尔指数最大,群组内差异远大于群组间差异,尤以西部地区内部差异最明显.(5)教育支出、科技支出占财政支出比重、人均肉类产量和人均蔬菜产量与水-能源-粮食绿色TFP同向变化;城市化率、人口密度、人均GDP则与之反向变化.

水-能源-粮食；绿色效率；Meta-SSBM-ML模型；共同前沿模型；区域差异

中国的水-能源-粮食占据重要国际地位,对世界水-能源-粮食发展有举足轻重的影响.国际能源署(IEA)在《世界能源展望2015》中强调,即使采取新的政策,全球对于能源的需求量在2013～2040年也将增加32%[1];联合国发布的《世界水发展报告2016》指出,到2030年全球缺水比例将达到40%[2];据联合国粮食与农业组织(FAO)预测,从2012年至21世纪中期,全人类对于粮食和其他农作物的需求仍将保持50%左右的增长[3].

能源为人类生存和社会发展提供重要的动力基础,也是社会经济发展的决定性物质因素.水资源是宝贵的自然资源与环境要素;粮食从古至今都是全人类最重要的基础食物,世界范围内绝大部分可耕作土地用于粮食生产,保障粮食安全将持续影响全世界未来走向.由此可见,从整体认识水-能源-粮食资源消耗对区域社会、经济及生态环境的贡献及其投入产出效率,是政策制定、确保区域水-能源-粮食安全和促进区域可持续绿色发展和高质量发展的应有之义.

中国幅员辽阔,东部、中部和西部地区的水资源、能源资源和农业粮食等资源禀赋存在明显差异,资源要素配置、区域发展不平衡不充分等问题如果解决不好,水资源利用、能源产业和农业发展就很难达到绿色可持续,因此,考虑地区异质性对于研究水 -能源-粮食复合系统全要素生产率(TFP)增长非常重要.基于碳排放约束以及区域异质性考虑,本文将共同前沿模型和考虑非期望产出的超效率SBM- ML模型相结合,从静态和动态视角分别测算2004～ 2018年中国30个省(区)的水-能源-粮食绿色效率及其绿色TFP增长,对比东部、中部、西部差异性,为不同区域内部及区域间平衡和充分发展探索有效路径.

1 文献综述

国内外研究机构及学者对水-能源-粮食系统研究呈现出明显多学科交叉特点,不仅探究系统内部三者关联关系和互动机制[4],同时囊括了与生态环境和经济社会大系统的共生适配[5].“水-能源-粮食”复合系统的安全纽带关系已成为推动资源整合治理的典范[6].

目前针对水资源[7]、能源资源[8-9]和农业粮食资源[10-11]的单一系统投入产出效率及影响因素研究十分丰富,但围绕水-能源-粮食复合系统(WEF)进行效率研究的文献尚不多见.一部分文献立足于系统“黑箱”探讨WEF系统整体效率,如沿用传统的DEA模型,将WEF看作“黑箱”,测度得到了WEF整体的效率值[12-13].陈哲轩等[14]构建SBM模型测算中国水-能源-粮食综合利用效率. Liu等[15]将水、能源、土地和粮食投入纳入考核指标,研究了厦门市物质能源代谢的生态效率.Ibrahim等[16]建立了跨国层面投入产出指标体系,以DEA得出的非参数基准α阶模型来估算每个国家的水-能源-土地-粮食效率.Han等[17]综合考虑了经济效益、社会效益和负面环境影响等维度,评价了中国31个省(区)的水-能源-粮食整体效率.

另一部分文献针对WEF系统中的某一环节进行效率测度,如周露明等[18]、陈军飞等[19]探究了基于WEF关联关系的农业系统的投入产出效率,构建的投入产出指标体系可看作是研究WEF系统中的农业(F)系统投入产出效率,体现出了WEF内部关系中的一环. Zhang等[20]运用两阶段DEA分析法,构建了W-F和W/F-E耦合效率评价指标体系. Zheng等[21]采用三阶段DEA建模评价方法评价了长江中下游7省的农业生产效率.

还有一部分文献将“黑箱”变为“灰箱”,纳入了WEF系统的关联关系,如孙才志等[22-23]率先考虑和分析了水-能源-粮食内部关联和外部关联,进而构建网络DEA模型,研究了中国30个省(区)的WEF投入产出经济效率及空间格局演变,但其设定中未体现非期望产出,测度的仅是静态效率,未体现效率动态变化,可改进的地方在于在其分析中未考虑每个节点的非期望产出,因此未有效挖掘效率变动的内在原因.

通过文献梳理,现有对水-能源-粮食复合系统全要素绿色效率的测度仍有改进余地.首先,在指标体系选择上依然存在一定缺漏,产出方面一部分文献仅考虑经济产出,鲜有将碳排放和工业三废的非期望产出同时纳入的文献讨论.其次,忽略了水-能源-粮食复合系统效率对推动社会进步的贡献,几乎没有文献将社会产出纳入产出范畴,但在实际中,水-能源-粮食复合系统对增进人民生活福祉提供了基础资源,对改善人民生活、提高获得感的意义重大.第三,在研究方法上以单一使用基于松弛投入测度的SBM 模型(Slack-Based Measure,简称SBM模型)、方向性距离函数、马尔默奎斯特-伦伯格指数(Malmquist-Luenberger,简称ML指数)为主,当存在投入、产出的松弛变量时,生产效率存在被高估的风险,不能实现存在地区异质性的不同群组对比,而与共同前沿模型的结合使用则可以实现不同群组的异质性对比研究.

基于此,本文从以下3个方面进一步完善:第一,本文将建立多投入-多产出的全要素绿色评价体系,一方面投入指标中将资本和劳动等非自然投入和水资源、能源和粮食资源等自然投入同时纳入考虑范围,另一方面在产出指标中,合意产出同时考虑经济产出和社会产出,并且非合意环境产出同时考虑了二氧化碳排放和工业三废排放量.第二,结合SBM模型和共同前沿模型,从静态角度分析区域水-能源-粮食绿色效率,实现对静态效率群组差异和技术差距分析.第三,构建ML指数模型和泰尔指数模型,从动态角度分析区域水-能源-粮食全要素绿色效率增长率,对比分析我国东、中、西部动态效率变化差异性,实现对全要素生产率增长的分解分析以及群组差异分解分析.

2 研究方法与指标选取

2.1 研究方法与模型构建

2.1.1 Meta-SSBM模型构建 基于“CCR和BCC”两类模型存在不能处理非期望产出和松弛变量的缺陷,Tone[24]提出了能够将投入和产出两种导向纳入到同一模型中的非角度、非径向的超效率SBM模型(SSBM模型),该模型充分考虑了投入和产出角度的径向改进和松弛改进,同时还考虑了非期望产出,并将其体现在目标函数中,不仅能够从所有评价单元中区分有效单元和无效单元,而且该模型允许有效决策单元的超效率值大于1,解决了对多个有效决策单进一步区分其有效程度的问题,直观地对有效决策单元排序和比较,扩大了应用范围.

由于地理位置、资源禀赋、自然气候、政策因素等原因,导致中国不同省市区之间的生产技术存在相当的异质性差距.若不加区分地将所有省市区放在同一前沿下衡量资源利用效率,则难以准确测度各区域真实的效率水平.本文考虑将共同前沿与超效率SBM模型结合起来(Meta-SSBM模型)研究各省区市的水-能源-粮食绿色静态效率.其基本思想是通过构建共同前沿和群组前沿两个不同的参考技术集,测算技术差距对不同地区效率的影响[25].假设全部决策单元可分为个具有某些技术异质性的群组,每个群组形成一个组前沿(group-frontier),包络所有不同技术水平的前沿形成共同前沿(meta-frontier),每个决策单元有种投入,表示为=(1,2,…x),且=1,2,…,;种期望产出(好产出),表示为=(1,2,…,y),且=1,2,…,;种非期望产出(坏产出),表示为=(1,2,…,b),且=1,2,…,.则个(=1,2,…,)群组的群组技术集表示为h={(,,)},共同前沿的技术集表示为T={1∪2∪…∪T},则通过求解线性规划方程组(1～2),可分别得到共同前沿效率值E和各群组前沿效率值E:

通过共同前沿下得出的WEF无效率(EI)可进一步分解为技术无效率(TI)与管理无效率(MI)两部分[26-27],分别表示为:

TI=E×(1-TGR)=E×(1-E/E)=E-E(3)

MI=1-TGR=1-E(4)

EI=TI+MI =1-E(5)

式中:TI衡量的是不同地区的实际生产技术与共同前沿生产技术的差异所导致的技术无效率;MI衡量的是在一定的技术水平下,群组中某地区由于内部管理水平有限导致的管理无效率,通过对技术差距的分解可以进一步分析不同省区WEF效率提升的具体制约因素.

2.1.2 Meta-ML指数模型构建 超效率SBM模型的分析是针对某一时间的生产技术而言的,其测度的效率值是静态效率,但是生产过程一般是一个长期变化的连续过程,技术在一定时期内是不断进步的,因此,当评价单元的数据为包含多个连续时间点的面板数据时,就需要对技术效率的变动进行分析,由此产生了能够测度技术效率变动趋势的Malmquist生产率指数.Chung等[28]在Malmquist指数基础上对其进行了改进,提出了能对非期望产出进行分析的Malmquist-Luenberger指数(ML指数),该模型不仅能够将非期望产出考虑在内,而且可以同时考虑期望产出的增加和非期望产出的减少,克服了原有Malmquist指数的缺陷,因此可利用该模型对含有非期望产出的技术效率变化进行动态考察.

ML指数对动态效率的分析是假定全部被评价单元处于相同的技术水平,而当被评价单元分属于不同的具有技术异质性的技术集合时,面对不同的生产边界,继续运用前面介绍的ML指数表示的动态效率就将因衡量基准不同,而无法进行被评价单元的比较.因此,在实际中,采用基于共同边界思想的共同前沿(Meta-frontier)模型,评价和比较具有不同技术异质性的被评价单元.

本文将共同前沿与ML指数模型结合 (Meta- ML模型)研究各省区市的水-能源-粮食绿色动态效率.根据Oh[29]的观点,时期到+1时期不分组整体的共同前沿ML指数(MML)和群组的全局ML指数(MML)分别有如下表示:

式中:、、b分别表示投入向量,期望产出向量和非期望产出向量;EC表示群组前沿下被评价单元在到+1时期的技术效率变化,称为效率改善指数; BPG表示各群组内当期前沿与全局前沿之间的差距,BPC表示到+1时期BPG发生的变化,称为技术进步指数;TGR表示技术缺口比率,代表各群组前沿与共同前沿之间的差距,TGC表示到+1时期TGR发生的变化,称为技术差距比率变化指数.

2.1.3 泰尔指数模型 参考王兵等[30]的研究,假设T、T、T分别表示群组、和的泰尔指数值,根据泰尔指数的定义,3群组的内部差异计算公式表示为:

式中:D、Z、x分别代表东部、中部和西部的全要素绿色增长占全国全要素绿色增长的比例;表示第地区的全要素绿色增长占全国全要素绿色增长的比例;DZX分别代表东部、中部和西部的GDP占全国GDP的比例,Y表示第地区的GDP占全国GDP的比例.

以各地区GDP为权数,得到绿色效率增长的组内差异:

3群组之间的差异计算公式可表示为:

则基于泰尔指数的总差异:

2.2 指标选取与数据来源

鉴于数据的可获得性与完整性,本文研究的样本数据为2004～2018年期间中国30个省区市(除港、澳、台、西藏外)的面板数据.另外基于前文模型构建,需考虑各地区之间的技术异质性,因此依据各地区经济发展特征、地理分布、资源禀赋等国家统计局的划分标准,将研究对象划分为东部地带、中部地带和西部地带3组,如表1所示.

表1 被评价省份的群组划分

注:分组依据源:国家统计局网站.

参考既有的测度水-能源-粮食复合系统效率的相关文献[11-16,18-20],同时根据文献评述进行指标完善及确定.投入指标以资本存量、劳动力作为主要的非自然投入,以水资源、能源和粮食资源投入作为自然资源投入.产出指标包括期望产出和非期望产出,其中期望产出既考虑经济产出也考虑社会产出;非期望产出既考虑碳排放量也考虑工业三废排放.

(1)资本存量.我国官方没有给出各种层面上资本存量的统计数据,学术界通常借鉴文献[31]的计算方式,对中国省级资本采用永续盘存法(按照一定的效率模式把不同时期的投资流量加总成具有同质性的资本存量),并以基年进行平减折算.由此,参考既有文献的普遍处理,本文对资本存量的计算也采用同样方法.

(2)劳动力投入.劳动力变量是推动区域可持续发展的主体与核心要素,与各省资源消耗与经济发展相辅相成,不仅是水资源、能源资源和粮食资源的主要生产和消费统一体,也是经济产出的核心投入变量之一.本文采用通常做法,以各省(区)第一二三产业加总的全部从业人口表示.

(3)水资源投入.以各省(区)用水总量表示.

(4)能源投入.采用经折标煤统一换算后的各省(区)能源消费总量来表示,涉及的能源资源包括煤炭、石油、天然气等.各能源折标煤系数等参数参考《中国能源统计年鉴》进行计算.

(5)粮食播种面积投入.以各省(区)的粮食播种面积表示.

(6)非期望产出.本文既考虑温室气体排放也考虑工业三废(包括工业废水、工业废气、工业固体废弃物)排放.其中CO2排放量以CEADs表观排放量核算法测度的CO2排放总量表示[32].

(7)期望产出.区别于既有研究,本文将经济产出和社会产出同时纳入期望产出考虑范围,以突出水-能源-粮食复合系统对推动经发展和社会进步的贡献.其中,经济维度的期望产出选取以2004年为基期的各省(区)GDP来衡量,代表在水、能源和粮食资源在利用的过程中为经济发展所创造的经济价值.社会维度期望产出用最终消费支出表征社会进步发展,代表水-能源-粮食资源综合利用在满足人民物质、文化和精神生活的需要和生活质量的改善与提升方面发挥的积极作用.

影响因素变量选取.由于水-能源-粮食资源禀赋以及人口空间分布与自然地理条件的密切关系,水-能源-粮食绿色效率空间分布特征和匹配格局会受到社会发展因素、经济发展水平、技术进步、教育水平以及饮食结构因素的影响,因此以2004～ 2018年水-能源-粮食绿色效率为因变量,选取社会因素(以城镇化率和人口密度表征)、经济因素(以人均GDP表征)、技术进步(以科技支出占财政支出比重表征)、教育因素(以教育支出占财政支出比重表征)、饮食结构因素(以人均肉类产量和人均蔬菜产量表征)5方面7个指标为自变量.

各指标数据主要来源于中国经济社会大数据平台、EPS数据平台以及历年《中国统计年鉴》、《中国农业统计资料》、《中国能源统计年鉴》、《中国环境统计年鉴》以及各省历年统计年鉴、国民经济和社会发展统计公报[33-36].部分数据依据直接获取的原始数据基础上计算得到,例如城镇化率、人口密度、技术进步、教育因素等比例数据在人口总量、土地面积、财政支出、科技支出、教育支出的原始数据基础上计算.

3 水-能源-粮食绿色效率测度与区域差异

3.1 静态效率测度及群组差异

将所有投入产出单元,分3组构造群组技术集,测度中国30个省市区2004～2018年的共同前沿(表2)和群组前沿(表3～5)WEF全要素绿色效率.

通过对表2的结果展示和分析可知:

共同前沿下中国各省市区的WEF全要素绿色效率普遍偏低,2004～2018年期间,只有北京、天津、上海、江苏、浙江、山东、广东、安徽8省在各年份均位于共同前沿上(即效率值为大于1的水平,达到共同技术水平下的有效标准),代表了WEF全要素绿色利用效率的最高水平.其他22个省份相对于共同前沿面的差距明显较大(即距离达到共同技术水平下效率值1的距离仍然较远),其中宁夏、青海、新疆、山西的结果与陈哲轩等[14]的研究保持一致,四地区距离前沿面的位置最远,距离达到最优水平任重道远.而在文献[11-12]的研究中,宁夏、青海的相对效率属高值区,新疆属低值区,主要原因在于其考察指标中未纳入碳排放及社会产出,故其结论存在高估的可能.

表2 共同前沿下的WEF全要素绿色效率

随着时间推移,一些省份在部分年份达到了前沿面,但效率波动现象明显.例如内蒙古、甘肃、河南等地,说明这些省份在提高水-能源-粮食效率方面做出的努力虽收到了一定成效,但效果不具备持续性,对该省份的现实政策有一定警示作用.

有14个省份在研究期间从未达到共同前沿,即WEF全要素绿色利用效率从未达到过最优情况,占比高达46.7%,并且这一现象在黄河流域9省份表现最为突出,除山东省外,黄河流域其他8省份在全时段内均为达到最优水平.

总体而言,本文的结论与陈哲轩等[14]的研究保持一致,在共同技术前沿下,中部和西部地带的WEF全要素绿色利用效率远远落后于东部地带,存在着极大的效率提升空间.

基于共同前沿的考虑,忽略地区间的技术异质性,导致整体效率水平被低估.将区域分为3个群组,纳入群组异质性考量,重新测度群组前沿下各组效率,通过对比可以明确各省份效率提高的潜力,对各省份做出下一步规划和努力提供方向.

根据群组前沿(表3～5)的结果和分析可知:

东部地带的北京、天津、上海、江苏、浙江、山东、广东一直位于群组前沿上,这与这些省份相对发达的经济、合理的产业工业结构以及领先的经营管理水平密不可分;而河北、辽宁由于重工业比重较大,福建民族聚居等因素导致其距离最佳前沿仍有相当的距离.

表3 群组前沿下东部地带WEF全要素绿色效率

表4 群组前沿下中部地带WEF全要素绿色效率

表5 群组前沿下西部地带WEF全要素绿色效率

中部地带除江西省外,其他7省在各个年份均始终位于群组前沿,代表了该群组的最佳实践.表明近年来中部地区在加大对水资源、能源和粮食利用效率方面所做的努力成效显著.

西部地带内蒙古、广西、重庆、四川、贵州、陕西、青海、新疆始终位于群组前沿,代表了该组的最佳实践.而云南省在2011, 2012, 2018年,甘肃省在2004和2005年、宁夏地区在2006, 2007和2009年群组前沿下的绿色全要素效率较低.

为了更加直观地观测东部地带、中部地带和西部地带3群组之间的效率差别和原因挖掘,进行描述性统计(表6).

表6 共同前沿和组前沿下WEF全要素绿色效率对比

从纵向比较看,WEF全要素绿色效率整体水平较低且区域间差异明显,共同前沿下的三大地带排序表现为:东部>中部>西部,群组前沿下排序表现为:中部>西部>东部,存在较大的提升空间.此外,共同前沿下,只有东部地区的WEF全要素绿色效率在全国平均水平之上;而在组前沿下,只有中部地区的WEF全要素绿色效率高于全国平均水平.

从横向比较看,3群组前沿下的WEF全要素绿色效率要高于共同前沿下的WEF全要素绿色效率.原因在于,在群组前沿下,各组参照的基准是组内的技术前沿,WEF全要素绿色效率值体现的只是在自身技术条件下的效率水平;而在共同前沿下,参照基准是全国层面的最佳技术前沿水平.

从分组角度看,指标标准差呈现东部>中部>西部的分布特点,这意味着在区域内现有的绿色生产技术水平下,东部地带的WEF全要素绿色效率具有最大的组内差异性,而西部地带则具有最小的组内方差,这说明在不考虑技术进步的前提下,西部地带的省份大多经济不发达,经营管理水平相对差异性较小,在管理经验、硬件设施、人才储备和技术利用等方面与东部地带和中部地带均有较大差距,从而使其在组前沿下效率的离散程度最小.

3.2 绿色效率的技术差距分析

在测算了共同前沿和群组前沿下中国各省区市的静态效率后,进一步利用技术差距比率(TGR)的分解来判断东部、中部和西部地带3大群组的WEF全要素绿色效率差距的真正原因.

由图1可以看出,3大地带之间的效率总损失、管理无效率和技术无效率随时间的变化趋势均表现出明显的差异性,就效率总损失而言,西部>中部>东部;就管理无效率而言,西部>东部>中部;就技术无效率而言,西部>中部>东部.

东部地带效率总损失在0.087上下呈现波动式上升态势,技术无效率平均值为0.017且波动不明显,而其管理无效率平均值为0.071且整体表现出上升态势.由于该区域大部分省区达到了最优生产前沿面,因此其无效率的来源主要是由管理无效决定的,并且管理无效逐渐赶超西部和中部地区,因此对于东部地区而言,需要努力改进管理水平,同时发挥其技术优势,帮扶中部和西部地区.

中部地带呈现上升-下降-上升的反复趋势,且整体在0.498附近波动,管理无效率平均值为0.015,技术无效率平均值为0.483,说明其总体效率得到一定改善和提高,但效果存在一定反复,需注意政策的持续性和稳定性;同时,该区域的无效率主要由技术无效决定,历年的技术无效远高于管理无效,因此要改善中部地区的无效状态,需要在保障和稳定管理水平的基础上,加大技术投入力度,重点提高技术水平.

西部地带总效率损失、技术无效率和管理无效率平均值分别为0.799, 0.727和0.072,不仅总效率损失历年均为最大值,远超其他2个区域且上升速度最快,而且其历年的技术无效率也均大于东部和中部地区,同时,管理无效率上升趋势也较为明显.由此可见,该地区无效率是由技术无效和管理无效共同决定的,且历年技术无效率占比要高于管理无效率占比,这主要是由于西部经济不发达导致资源利用技术应用受阻,另外生态环境与气候条件相对恶劣也一定程度上降低了西部地区的资源利用效率.

4 水-能源-粮食动态绿色效率与区域差异

以上计算的WEF全要素绿色效率是不包含时间趋势的静态效率,只从静态角度来研究WEF全要素绿色效率,并不能很好地揭示其在一段时期内动态变化的情况,通常需要结合ML效率指数来研究效率的动态变化.

4.1 动态效率指数分解与比较

利用Meta-ML指数模型测算中国30个省市区2004～2018年共同前沿下的WEF全要素绿色效率增长率,并依次将其分解为效率改善指数(EC)、技术进步指数(BPC)及技术差距比率变化指数(TGC),以所有年度几何平均值列出(表7).

表7 2004～2018年MML指数及其分解

从横向比较来看:

技术效率方面,山西、内蒙、辽宁、吉林、黑龙江、上海、福建、广东、广西、重庆、云南、陕西、青海、新疆14个省份出现了技术效率下降,需要加强资源节约和污染减排等方面的制度与管理创新以促进技术效率提升.

技术进步方面,各省份均未出现技术退步,体现了各省对科技创新、资源节约与污染减排方面技术水平提升足够的重视并取得了一定效果.

技术差距比率方面,在考察期内,东部>中部>西部,东部包含的11省中有10个省份的全要素绿色技术差距比率全部为1,这说明在整个考察期东部代表了全国潜在最优技术水平,是中部和西部“赶超”参考的技术标杆.中部和西部所含省份的技术差距比率曲线波动明显,说明中部和西部正在努力追赶,但中部和西部各省份赶超的能力存在明显差异.

从纵向比较来看:

东部地带(除了河北、辽宁、福建之外)的MML指数高于全国平均水平,而技术效率改善与技术进步两项指数均高于全国平均水平,说明东部地区WEF绿色全要素生产率提升的主要原因是技术进步和技术差距比率的缩小.

中部地带除了安徽和河南之外,WEF全要素绿色效率增长均低于全国平均水平,且技术改善和技术进步两方面的指数也低于全国平均水平.由此可见,中部地区绿色生产率的降低主要源于技术进步的放缓和技术差距比率的扩大,同时也意味着中部地区需要加强制度及管理创新,关注科技创新着力改善效率,提升技术进步.

西部地带除了四川外,WEF全要素绿色效率增长均低于全国平均水平,技术改善指数只有四川、宁夏、甘肃,技术进步指数只有内蒙古、宁夏和新疆高于全国平均水平,其余省份均低于全国平均水平,可见该组WEF全要素绿色生产率出现的退步主要是由技术效率退步和技术差距比率扩大引致的.

4.2 动态效率的群组差异分解

为了分析动态效率的群组差异程度,采用泰尔指数模型将总差异分解为群组间差异和群组内差异,并测算群组内差异和群组间差异对总差异的贡献程度.泰尔指数取值范围为[0,1],越接近1则表明差异程度越大,反之,越小.

表8显示,西部地带绿色效率增长率的泰尔指数最大,2012年之前中部地带次之,东部地带最小; 2012年之后东部地带的泰尔指数逐渐超过中部地带.西部地带2005年的泰尔指数为0.305,2018年下降到0.264,内部差异呈缩小趋势,主要由于其水资源、能源和粮食资源基本可以实现自给自足,且人口规模较小、政策倾斜等扶持优惠,其内部差异基本稳定在0.287左右.中部地带能源和粮食资源可以实现供需平衡,但水资源缺乏、人口规模庞大等因素制约了效率的提升,但随着涉及中部六省的中部崛起计划的推进实施效果逐步显现,部分抵消了资源制约导致的差异.

中国水-能源-粮食复合系统的全要素绿色效率群组总差异维持在0.299左右,该差异由群组内差异和群组间差异加总得到,其中群组内差异是主要来源.如表8所示,随着政府对“水资源安全”、“能源供给侧”、“三农”问题重视程度的加深,用水结构、用能结构和农业生产结构不断得以改善,从而有效缩小了群组间的差距,群组间的泰尔指数从2005年0.130降低至2018年的0.064,体现了国家政策在东部、中部和西部地带之间的平衡做得相对到位.群组内的泰尔指数值也在缩小,但整体波动明显且减少幅度较小,从2005年0.207减少到2017年的0.190,仅下降了0.017,因此,要更加注重东部、中部和西部地带内部的平衡协调增长,发挥地区内部的比较优势,因地制宜推广资源节约技术,激发不同的增长动能,逐步缩小地区内部差异,实现地区内部和地区之间的协调同步发展.

表8 MML指数群组差异分解

5 水-能源-粮食全要素绿色效率影响因素研究

5.1 空间自相关检验

由测算出的各年份水-能源-粮食全要素绿色效率,运用GeoDa软件计算Moran’s指数(表9).

由表9可以看出,在研究期间内Moran’s指数均为正值,其中2018年的Moran’s指数为0.0209,未通过显著性检验,其他年份均通过检验,表明MML指数存在显著的正向空间相关关系,呈现出较强的空间集聚态势.Moran’s指数由2005年的0.0639上升为2013年的0.1447,呈弱上升态势,表明在此期间MML的空间相关显著性有所增强,集聚的态势有所凸显.但同时,这一研究期间的Moran’s指数波动趋势也十分明显,在2011年达到最高点,2014年之后整体呈现下降趋势,这表明MML指数的空间聚集程度在下降.综观整个研究区间,空间分布格局不够稳定,容易发生波动.

表9 MML指数的Moran’s I检验

5.2 空间计量模型选择

由上述分析可知,MML指数存在较为明显的空间相关性和依赖性,使用普通回归模型会因为地理空间因素的影响而高估或低估某些因素的作用,而空间计量模型能够将空间效应囊括进来,故选择空间计量模型来检验MML指数的影响因素.

选择空间计量模型之前,需先进行LM检验确定模型类别,本文基于MATLAB对2004～2018年面板数据进行LM检验,结果显示,LM-lag和LM-error均通过显著性检验,但相比而言LM-error显著性检验结果更优,由此根据Anselin判别准则,确定本文使用空间误差模型,分别对无空间效应(NSE)、时间固定效应(TFE)、空间固定效应(SFE)及时空双固定效应(STFE)的空间误差模型检验,以比较和选取最合理的模型(表10).与其他3种效应相比,时空双固定效应的空间误差模型的判定系数为0.938,而Log- likelihood值为-415.72,结果最佳.据此选择时空双固定效应空间误差模型进行影响因素分析.

表10 空间误差模型估计及检验结果

注:***、**、*分别表示在1%、5%、10%的水平上显著.NSE为无空间效应,TFE为时间固定效应,SFE为空间固定效应,STFE为时空双固定效应.

5.3 空间计量结果分析

城镇化率(UR).城镇化率提升是引起MML指数降低的第一因素.城镇化率系数为-0.254,通过1%的显著性水平检验,表明城镇化率每升高1%,水-能源-粮食绿色效率降低25.4%.与已有文献[14,37]结论一致.通常城市人口更追求生活品质,每增加一个城市人口要消耗更多的水资源、能源和粮食资源,因此单位城市化率引起的水-能源-粮食绿色效率指数变化更高.

人口密度(PD).人口密度增大是引起MML指数降低的第二因素.人口密度系数为-0.194,表明人口密度每增加1%,水-能源-粮食绿色效率降低19.4%.人口密度越大,对水资源、能源和粮食的需求量就越大,加之我国人口密集分布,资源供应紧张,对水-能源-粮食绿色效率有明显负面影响.

人均GDP(PGDP).系数为-0.21,表明人均GDP每升高1%,水-能源-粮食绿色效率降低21%.与文献[14,37]研究结论一致.居民物质生活水平的提升与资源的大量消耗需求是成正比的,当前大众消费观念、消费方式等存在的非“绿色”消费观念、模式,均不利于水-能源-粮食绿色效率的提升.

科技支出占财政支出比重(TP).系数为0.118,表明科技支出占比每升高1%,水-能源-粮食绿色效率将提高11.8%.与已有文献[14,37]结论一致.科技投入的增加可以有效促进水资源、能源和粮食生产端的技术工艺改善,提高在消费端的高效利用和降低不必要的损耗及浪费,从而提升了水-能源-粮食绿色效率.

教育支出占财政支出比重(ED).系数为0.215,表明教育支出占比每升高1%,水-能源-粮食绿色效率将提高21.5%.与已有文献[14,37]结论一致.教育投入的增加有利于完善地区教育体系,提高教学质量,促进国民素质提升,对于培养绿色消费、减少资源浪费、有效节约资源有积极作用.

人均肉类产量(PGMP)和人均蔬菜产量(PGVP).二者的系数分别为0.036和0.195,表明二者每升高1%,水-能源-粮食绿色效率将分别升高3.6%和19.5%.我国饮食结构以肉类居多,生产技术成熟,生产肉类产品消耗水、土地和能源相对量较低,而生产蔬菜耗费水、土地及能源资源相对量较高,故人均蔬菜产量对水-能源-粮食绿色效率的影响更大.

6 建议

为有效推动绿色效率的提升,需从群组实际出发,制定短期、中期和长期政策规划,实现东部、中部和西部地带的绿色效率均衡性,推动共同前沿向群组前沿技术靠近.

从短期看,以达到群组前沿技术为参照,逐步消除组内差异.东部地带作为最佳前沿技术参照,一方面要通过管理改革提高投入与产出要素配置的管理效率,另一方面应定向支持技术落后的西部和中部地带,输出水-能源-粮食先进技术和专业人才,共享先进管理经验,针对性地降低中部地带技术无效率、西部地区管理-技术双无效,在改善自身效率前提下,帮助西部和中部地带提升在现有技术条件下的效率表现,促进各区域达到群组技术前沿.

从中期看,以达到共同前沿技术为参照,逐步缩小组间差异.克服劳动力、资本、资源等在东部、中部和西部地带区域间自由流动的障碍,支持东部先进技术转移支持和中西部推广学习,扩大区域之间技术交流与人才流动,逐步缩小中、西部地带与东部地带之间在水资源高效利用、能源智能开采、农业规模化集约化经营等方面的技术差距,逐步消除导致管理与技术方面的无效率因素,提升技术落后的中、西部地区在共同前沿下的效率表现,促进各区域达到共同技术前沿.

从长期看,以推动共同前沿技术实现跃迁性前移为目标,带动全国所有省份的效率表现实现共同提升.通过地区内部技术和管理提升,地区间的技术转移支持和推广学习,逐步缩小区域内部和区域间管理经验、硬件设施、人才储备和技术利用差距,促进实现全国所有省份效率共同进步.

从影响因素看,首先,要提高城镇化质量和效益,避免人口空间分布极化,合理划分城市人口功能分区,进而针对各功能区实施差异化引导,均衡布局人口,促进地区人口均衡发展.其次,促进饮食结构多样化,保护和高效利用耕地资源,提高单位面积产量.第三,增加教育和科技投入,着力提高国民素质,提高公民节约环保意识,通过技术和知识溢出推进科技进步.第四,促进经济转型发展也是提升水-能源-粮食效率的有效途径,要大力发展绿色环保产业和高技术产业,推动经济高质量发展.

7 结论

7.1 从静态效率测度及群组差异看,共同前沿和群组前沿基准会导致效率评价存在差异.东部地带在两类前沿下的WEF全要素绿色利用效率基本无差异,而中部和西部地带在两种前沿下的效率差异性较大,说明东部地带基本达到了其组内潜在的最优技术水平,而在组前沿下效率表现良好的中部和西部地带均存在被高估的风险,距离全国范围内最优绿色生产技术仍有较大差距.

7.2 从绿色效率的技术差距分析看,3大群组无效率的主要原因存在差异性,西部地带的效率总损失、管理无效率、技术无效率平均值均明显大于东部和中部地带.东部地区、中部地区和西部地区低效率的主要原因分别是管理低效率、技术低效率以及管理低效率和技术低效率并存.

7.3 从动态效率指数分解和比较看,考察期内14个省份出现技术效率下降,各省份均未出现技术退步,东部技术差距比率最大,其次是中部和西部.分地区看,东部地带WEF绿色全要素生产率最高,其提升的主要原因是技术进步和技术差距比率的缩小;中部和西部地带绿色生产率的降低主要源于技术进步的放缓和技术差距比率的扩大.

7.4 从动态效率群组差异分解看,绿色效率增长率的泰尔指数在2012年之前表现为西部>中部>东部,2012年之后,西部>东部>中部;群组内差异远大于群组间差异,内部差异是造成总差异的主要原因,且西部地区群组内差异最明显,但得益于资源禀赋和政策优惠的优势支持,其内部差异呈缩小趋势.

7.5 社会因素>经济因素>饮食结构因素>教育因素>技术因素.其中,教育支出占财政支出比重、科技支出占财政支出比重、人均肉类产量和人均蔬菜产量与水-能源-粮食绿色效率同向变化;城镇化率、人口密度、人均GDP则与之反向变化.

[1] International Energy Agency. World energy outlook 2015 [R]. Paris: International Energy Agency, 2015.

[2] United Nations World Water Assessment Programmer. The United Nations world water development report 2016: Water and jobs [R]. Paris: UNESCO, 2016.

[3] Food and Agriculture Organization of the United Nations. Leveraging food systems for inclusive rural transformation: The state of food and agriculture 2017 [R]. Rome: Food and Agriculture Organization of the United Nations, 2017.

[4] Ringler C, Bhaduri A, Lawford R. The nexus across water, energy, land and food (WELF): potential for improved resource use efficiency? [J]. Current Opinion in Environmental Sustainability, 2013,5(6):617- 624.

[5] 支彦玲,陈军飞,王慧敏,等.共生视角下中国区域“水-能源-粮食”复合系统适配性评估[J]. 中国人口·资源与环境, 2020,30(1):129-139.

Zhi Y L, Chen J F, Wang H M, et al. Assessment of water-energy-food nexus fitness in China from the perspective of symbiosis [J]. China Population, Resources and Environment, 2020,30(1):129-139.

[6] 于宏源,李坤海.中亚“水-能源-粮食”安全纽带:困境、治理及中国参与[J]. 俄罗斯东欧中亚研究, 2021,238(1):84-105,157.

Yu H Y, Li K H. “Water-Energy-Food” security ties in central Asia: dilemma, governance and China’s participation [J]. Russian, East European & Central Asian Studies, 2021,238(1):84-105,157.

[7] 张 峰,王 晗,薛惠锋.环境资源约束下中国工业绿色全要素水资源效率研究 [J]. 中国环境科学, 2020,40(11):5079-5091.

Zhang F, Wang H, Xue H F. China's industrial green total factor water efficiency under the constraints of environment and resource [J]. China Environmental Science, 2020,40(11):5079-5091.

[8] 陈菁泉,刘 娜,马晓君.中国八大综合经济区能源生态效率测度及其驱动因素[J]. 中国环境科学, 2021,41(5):2471-2480.

Chen J Q, Liu N, Ma X J. Energy eco-efficiency measurement and driving factors of China's eight comprehensive economic zones [J]. China Environmental Science, 2021,41(5):2471-2480.

[9] 马晓君,魏晓雪,刘 超,等.东北三省全要素能源效率测算及影响因素分析 [J]. 中国环境科学, 2017,37(2):777-785.

Ma X J, Wei X X, Liu C, et al. The analysis of total factor energy efficiency calculation and influence factors of the three northeast provinces [J]. China Environmental Science, 2017,37(2):777-785.

[10] 陈菁泉,信 猛,马晓君,等.中国农业生态效率测度与驱动因素 [J]. 中国环境科学, 2020,40(7):3216-3227.

Chen J Q, Xin M, Ma X J, et al. Chinese agricultural eco-efficiency measurement and driving factors [J]. China Environmental Science, 2020,40(7):3216-3227.

[11] 陆文聪,刘 聪.化肥污染对粮食作物生产的环境惩罚效应 [J]. 中国环境科学, 2017,37(5):1988-1994.

Lu W C, Liu C. The “environmental punishment” effect of fertilizer pollution in grain crop production [J]. China Environmental Science, 2017,37(5):1988-1994.

[12] Li G J, Huang D H, Li Y L. China's input-output efficiency of water-energy-food nexus based on the data envelopment analysis (DEA) model [J]. Sustainability, 2016,8(9):1-16.

[13] 李桂君,黄道涵,李玉龙.中国不同地区水-能源-粮食投入产出效率评价研究 [J]. 经济社会体制比较, 2017,191(3):138-148.

Li G J, Huang D H, Li Y L. Evaluation on the efficiency of the input and output of water-energy-food in different regions of China [J]. Comparative Economic & Social Systems, 2017,191(3):138-148.

[14] 陈哲轩,张士强,李成宇.中国省际水-能源-粮食综合利用效率研究 [J]. 山东科技大学学报(社会科学版), 2021,23(2):84-93.

Chen Z X, Zhang S Q, Li C Y. Research on inter-provincial water-energy-food comprehensive utilization efficiency in China [J]. Journal of Shandong University of Science and Technology (Social Sciences), 2021,23(2):84-93.

[15] Liu Y, Wang W, Li X, et al. Eco-efficiency of urban material metabolism: A case study in Xiamen, China [J]. International Journal of Sustainable Development & World Ecology, 2010,17(2):142-148.

[16] Ibrahim M D, Ferreira D C, Danes H S, et al. Transnational resource generativity: Efficiency analysis and target setting of water, energy, land, and food nexus for OECD countries [J]. Science of the Total Environment, 2019,697(11):1-13.

[17] Han D N, Yu D Y, Cao Q. Assessment on the features of coupling interaction of the food-energy-water nexus in China [J]. Journal of Cleaner Production, 2019,249(12):1-15.

[18] 周露明,谢兴华,朱珍德,等.基于水-能源-粮食纽带关系的农业资源投入产出效率研究[J]. 农业资源与环境学报, 2020,37(6):875-881.

Zhou L M, Xie X H, Zhu Z D. Input-output efficiency of agricultural resources based on the water-energy-food nexus [J]. Journal of Agricultural Resources and Environment, 2020,37(6):875-881.

[19] 陈军飞,晏霄云.我国农业区水资源-能源-粮食系统协调适配与农业产出——基于人力资本门槛效应的实证 [J]. 科技管理研究, 2020,40(5):215-223.

Chen J F, Yan X Y. Coordinated suitability of water-energy-food system and agricultural output on agricultural areas in China: an empirical research based on the threshold effect of human capital [J]. Science and Technology Management Research, 2020,40(5):215-223.

[20] Zhang T M, Xu Y J. Evaluation on the efficiency of water-energy- food nexus based on date envelopment analysis (DEA) and malmquist in different regions of China [J]. International Journal of Computational Intelligence Systems, 2019,12(2):1649-1659.

[21] Zheng J Z, Wang W G, Chen D, et al. Exploring the water–energy– food nexus from a perspective of agricultural production efficiency using a three-stage data envelopment analysis modelling evaluation method: a case study of the middle and lower reaches of the Yangtze River, China [J]. Water Policy, 2019,21(1):49-72.

[22] 孙才志,郝 帅,赵良仕.中国水资源-能源-粮食纽带系统效率时空分异特征 [J]. 水资源保护, 2021,37(1):61-68,78.

Sun C Z, Hao S, Zhao L S. Spatial-temporal differentiation characteristics of water resources-energy-food nexus system efficiency in China [J]. Water Resources Protection, 2021,37(1):61-68, 78.

[23] Sun C Z, Yan X D, Zhao L S. Coupling efficiency measurement and spatial correlation characteristic of water–energy–food nexus in China [J]. Resources, Conservation and Recycling, 2021,164(1):1-11.

[24] Tone K. A Slacks-based measure of super-efficiency in data envelopment analysis [J]. European Journal of Operational Research, 2002,143(1):32-41.

[25] Zhang N, Kim J D. Measuring sustainability by energy efficiency analysis for Korean power companies: A sequential slacks-based efficiency measure [J]. Sustainability, 2014,6(3):1414-1426.

[26] 方 琳,吴凤平,王新华,等.基于共同前沿SBM模型的农业用水效率测度及改善潜力[J]. 长江流域资源与环境, 2018,27(10):2293- 2304.

Fang L, Wu F P, Wang X H, et al. Analysis of agricultural water efficiency measurement and improvement potential based on meta frontier SBM model [J]. Resources and Environment in the Yangtze Basin, 2018,27(10):2293-2304.

[27] 王 旭,王应明,温槟檐.技术异质性视角下中国工业能源环境效率时空演化及其驱动机制研究[J]. 系统科学与数学, 2020,40(12): 2297-2319.

Wang X, Wang Y M, Wen B Y. Spatial-temporal evolution and driving mechanism of China's industrial energy and environmental efficiency from the perspective of technological heterogeneity [J]. Journal of Systems Science and Mathematical Sciences, 2020,40(12):2297-2319.

[28] Chung Y, Färe R. Productivity and undesirable outputs: A directional distance function approach [J]. Microeconomics, 1997,51(3):229-240.

[29] Oh D H. A meta-frontier approach for measuring an environmentally sensitive productivity growth index [J]. Energy Economics, 2010,32(1): 146-157.

[30] 王 兵,曾志奇,杜敏哲.中国农业绿色全要素生产率的要素贡献及产区差异——基于Meta-SBM-Luenberger生产率指数分析 [J]. 产经评论, 2020,11(6):69-87.

Wang B, Zeng Z Q, Du M Z. The factor contribution and difference of producing areas of China’s agricultural green total factor productivity growth: Based on Meta-SBM-Luenberger productivity index [J]. Industrial Economic Review, 2020,11(6):69-87.

[31] 单豪杰.中国资本存量K的再估算:1952～2006年 [J]. 数量经济技术经济研究, 2008,25(10):17-31.

Shan H J. Re-estimation of China's capital stock K: 1952～2006 [J]. The Journal of Quantitative & Technical Economics, 2008,25(10): 17-31.

[32] Shan Y L, Liu J H, Liu Z, et al. New provincial CO2emission inventories in China based on apparent energy consumption data and updated emission factors [J]. Applied Energy, 2016,184:742-750.

[33] 国家统计局.中国统计年鉴 [M]. 北京:中国统计出版社, 2005-2019.

The National Bureau of Statistics of China. China statistical yearbook [M]. Beijing: China Statistics Press, 2005-2019.

[34] 国家统计局农村社会经济调查司.中国农业统计资料(1949～2019) [M]. 北京:中国统计出版社, 2020.

Department of Rural Society and Economy of the National Bureau of Statistics of China. China agricultural statistics (1949～2019) [M]. Beijing: China Statistics Press, 2020.

[35] 国家统计局能源司.中国能源统计年鉴 [M]. 北京:中国统计出版社, 2005-2019.

Energy Department of National Bureau of Statistics. China energy statistics yearbook [M]. Beijing: China Statistics Press, 2005-2019.

[36] 国家统计局能源司.中国环境统计年鉴 [M]. 北京:中国统计出版社, 2005-2019.

Energy Department of National Bureau of Statistics. China environmental statistics yearbook [M]. Beijing: China Statistics Press, 2005-2019.

[37] Chen J F, Ding T H, Wang H M, et al. Research on total factor productivity and influential factors of the regional water–energy–food nexus: A case study on Inner Mongolia, China [J]. International Journal of Environmental Research and Public Health, 2019,16(17): 1-21.

致谢：摘要等英文部分在张博教授的协助下完成,在此致以诚挚的感谢.

Regional water-energy-food green efficiency and heterogeneity and their influencing factors.

ZHANG Jing-jing1,2, WANG Wen-sheng1,2*, LI Yang3

(1.School of Management, China University of Mining and Technology-Beijing, Beijing 100083, China；2.Institute of Decision Science and Big Data, China University of Mining and Technology (Beijing), Beijing 100083, China；3.Technology and Economics Research Institute, China Energy Investment Group Co, Ltd, Beijing 102211, China)., 2022,42(1)：483～496

In view of the green development concept, a multi-dimensional input-output index system was established by constructing Meta-SSBM and Meta-Malmquist-Luenberger models. The static and dynamic green efficiencies of water-energy-food across the mainland of China during 2004～2018 were evaluated. The characteristics of temporal and spatial differences at the green development level in terms of the east, central and western areas were correspondingly decomposed by the Theil index. The results show that: (1) there was a great difference in the efficiency under the meta- and group-frontier caused by the inefficiency of the technology gap, being the potential optimized technical level in the eastern area and being a risk of overestimation in both the central and western areas; (2) the inefficient implementation of both management and technology was responsible for the inefficiency in the eastern area, the central area and the western area ; (3) the highest growth rate of water-energy-food green TFP in eastern area was due mainly to technological progress, and the decline in green TFP in the central and western areas due to the slow down in technological progress; (4) the Theil index of green TFP growth rate in the western area was the highest and the difference within the group was much greater than that among the groups, especially for the western area; (5) the proportion of the education and the science and technology expenditure in the fiscal expenditure, per capita meat production, and per capita vegetable production, along with the water-energy-grain green TFP, changed in the same direction, but in the opposite direction for urbanization rate, population density, and per capita GDP.

water-energy-food；green efficiency；Meta-SSBM-ML model；meta-frontier model；regional heterogeneity

X32,F205

A

1000-6923(2022)01-0483-14

张静静(1988-),女,河南焦作人,中国矿业大学(北京)博士研究生,主要从事资源与环境经济研究.发表论文6篇.

2021-06-09

国家重点研发计划(2017YFC0404604);中国工程科技发展战略宁夏研究院(2018ZLZX0007);国家社科基金项目(16BJY054)

* 责任作者, 教授, wws@cumtb.edu.cn