城市工业大气污染治理效率及动态分析——基于三阶段超效率SBM-DEA模型

0 引言

近年来,中国一直倡导振兴实体经济,创新驱动发展,发展模式越来越体现为高质量大规模发展,国内各个地区的工业化程度也越来越高。工业生产过程中各种废气的排放使得环境污染状况日渐加重,空气质量状况不佳,给人们的健康,日常生活,出行,作业带来了不小的麻烦,解决大气污染的问题迫在眉睫。2020年中华人民共和国生态环境部公布的数据,我国城市平均超标天数的比例为13%,以PM2.5、O3、PM10、NO2和SO2为首要污染物的超标天数分别占总超标天数的51%、37.1%、11.7%、0.5%和不足0.1%。PM2.5在国内污染物中占首要地位。由生态环境部发布的信息,全国大气污染最为严重的区域集中于中原地区和京津冀地区。2017年,国家提出了京津冀污染传输通道“2+26”城市大气污染联合治理的方案,方案实施后,2020年秋冬季,京津冀及周边地区细颗粒物(PM2.5)的浓度比2016年同期下降了37.5%。但对秋冬季节大气污染问题的改善还不够稳固,秋冬季节仍有重污染天气高发。《中华人民共和国国民经济和社会发展第十四个五年规划和2035年远景目标纲要》提出,区域协同治理要实现多污染物协同控制,基本消除重污染天气。目前情况来看,重要的目标是降低PM2.5浓度,然而中国的地域太过辽阔,区域中城市的自然环境、经济、科技水平以及人口规模较为不同,针对大气污染物浓度的减排治理也有不同的差异。考察区域城市的大气污染物减排效率现状,以及如何保持经济的发展也要提升减排效率,对社会经济发展的提升至关重要。

1 文献综述

大气污染是指由于人类活动或者自然现象产生的某些物质排放到大气中,积累到一定浓度,达到一定的时间之后,人们会感到不适,或者会对人体健康产生危害的环境现象[1]。国内外学者针对大气污染的研究主要集中于大气污染对人体健康的影响,污染物的来源、成因,污染物的防治,大气污染的区域治理以及大气污染的治理技术和治理效率等方面。Pope和Ezzati学者对美国空气状况,居民的收入和预期居民寿命的关系进行研究[2];Pope, Renlund, Kohli Shery[3]和Ahuja Suchit[4]等学者探究大气污染和空气中的细颗粒物对病患心力衰竭,心血管疾病的作用关系。由此可见,大气污染与人体健康密切相关,探究大气污染对人体的健康影响至关重要。为了治理大气污染这一现象,研究者们试图找出大气污染物的来源,以便对其进行防治。Lundtorp[5]对城市生活垃圾和大气污染控制残留物的现场处理进行研究; Hjelmar[6]研究了丹麦的针对污染废弃物的管理模式; Astrup[7]则针对垃圾焚烧产生的大气污染残留物所选择的管理方案的生命周期进行评价。Savitch和Vogel[8]提出区域协同治理的制度安排与实践途径; Geoffrey J.D.Hewings[9]与中国学者合作,以京津冀地区为例,基于多区域CGE模型对中国的大气污染减排政策进行研究,针对大气污染的措施区域协同治理逐渐兴起。

我国的大气污染防治工作主要开始于20世纪70年代[10]。2013年以前,我国有关大气污染的主要治理对象是烟尘、悬浮颗粒物、SO2、NOx以及PM10。2013年,我国出现了大范围多天数的雾霾天气,形成原因复杂的新型污染物PM2.5被大众熟知[11]。大气污染物具有跨区域传播的特征[12],学者们针对此聚焦于区域的空气质量研究。区域内城市发展水平不一样,不同的城市的经济条件,产业发展,技术水平等具有异质性,大气污染的治理能力也会有差异性。研究区域城市间的空气治理效率,找出城市大气治理存在的某些问题,由此提出有效且具有针对性的建议和对策,才能更好地实现环境和经济共同发展的可持续性,更好地促进大气污染的治理。

对经济发展带来的环境问题的重视体现在对环境治理效率的研究,这一研究逐渐成为经济环境研究的重点。史丹[13]根据单位消耗GDP产出测度能源的利用效率,使用单位人均GDP与人均生态足迹的比值来测度生态效率。叶菲菲[14]等学者对传统的交叉效率模型进行改进,对我国30个省份的大气污染治理效率进行测度。罗能生[15]学者使用IPAT模型对我国区域城镇化水平和生态效率之间的关系进行测度。还有一种有关效率的研究方法是DEA技术,它是数据包络分析技术的简称,美国运筹学家Charnes和Cooper在1978年提出来的第一个最基本的DEA模型之后,发展起来的。到目前为止,有关DEA技术的研究论文已有上万篇。在中国有关DEA的研究始于20世纪末期,DEA方式使用非常广泛,数据包络分析(DEA方法)一经提出在社会经济学中得到广泛应用,作为一种非参数分析方法,在肖志杰[16]与Charnes学者合作研究下对DEA方法进行改进,有效地应用在微观经济的一些领域中。

DEA方法在研究环境效率领域应用较为广泛,学者们多数从国家和省际之间[17-19]研究环境的治理效率的问题,有关环境效率研究主要涉及水污染[20]、碳排放[21,22]、能源效率[23,24],大气污染治理效率[25-27]等方面。于鹏飞[17]、王奇、李明全[18]学者使用基础DEA技术,将国内各个地区和省份作为评价基本单位,研究这些地区的污染治理绩效和大气污染治理效率。徐维祥[28]学者基于随机前沿(SFA)分析全国和三大范围地区的环境规制效率的差异性。为了改进传统DEA技术存在的不完善之处,学者引用SBM(Slack Based Model)模型来改变传统DEA的径向性即投入产出项能否按同比例缩放的问题,学者张英奎[29]基于DEA和SBM模型,对污水处理效率的结果偏差做出纠正。在使用传统DEA技术的过程中,并未考虑外界因素对研究指标的影响,以及随机产生的误差同样对研究结果有影响,为此Fried[30]等提出了三阶段DEA方法,加入了随机前沿分析这一阶段,改进传统DEA的缺点。刘钊[31]学者使用三阶段DEA模型调节环境因素和随机误差对绿色投资生态效率的影响,测算出的绿色投资生态效率更科学合理。

从上述学者研究结果可以看出,依据于传统DEA和SFA方法改进的三阶段超效率SBM-DEA,可以改进前二者存在的不足。而且传统DEA模型得出的有效决策单元无数值上区别,效率结果统一体现为“1”,超效率模型可以解决有效决策单元不能按效率排序的问题,超效率模型得出的有效结果表现为大于等于“1”。基于前人研究成果,将此方法应用于测算“2+26”城市的工业大气污染治理效率,以28个城市为决策单元,剔除环境因素和随机误差的影响,对区域内各个城市的污染治理效率进行评估。

2 模型研究

数据包络分析(DEA)是以线性规划分析决策单位的多项投入和多项产出,进而得出各个决策单位的相对效率,是运筹学的一个新的研究领域,计算结果不受投入产出项指标量纲的影响。分析过程中是通过计算各个单位的投入和产出来确定是否是DEA有效的,对整个经济范围的最优生产模式进行描述。

三阶段SBM-DEA模型是基于数据包络分析进一步研究改进的方法模型,传统的数据包络分析的一些计算缺点,未能考虑环境变量、随机误差和松弛变量的影响,计算出的效率结果并不科学有效。为改进这些问题,基于学者Fried[30]和Farell[32]提出的三阶段DEA与SBM结合的研究模型,将环境污染物作为非期望产出,基于投入角度假设前提是规模报酬可变的,来测算效率值。三阶段SBM-DEA模型如下。

2.1 第一阶段:初始效率值计算

第一阶段主要是使用SBM-DEA模型,原始DEA方法中的两个基础模型BCC模型和CCR模型,都不能对非期望产出的指标进行处理,实际上大气污染的治理产出包括好的方面的和差的方面的产出,使用传统DEA方法进行计算时,很对学者是将非期望产出的结果取倒数来进行运算,而SBM-DEA的设定是使得期望产出越高,非期望产出越低越好,兼顾二者产出算出的效率水平处于较优水平。基于初始选定的投入数据和产出数据,进行测算决策单元的初始效率值,选择以投入为导向的非径向SBM-DEA模型,测算第一阶段的效率值,模型如下:

n:投入指标数量;m:部门/决策单元个数;t1:期望产出数量;t2:非期望产出数量;x:部门投入集合;yq:部门期望产出集合;yu:部门非期望产出合集;x¯:投入的松弛变量;:期望产出的松弛变量;:非期望产出的松弛变量;λ:横截面数据的权重向量;ρ*:效率值。

2.2 第二阶段:随机前沿(SFA)分析

第一阶段设定是投入导向,则仅对投入松弛变量进行SFA回归分解,并调整投入变量,根据Fried等学者的研究,构造了以投入为导向的回归方程:

Xnm:第m个决策单元的第n项投入的松弛变量;Zm:环境变量;βn:环境变量的系数;vnm:随机干扰项;μnm:管理无效率;vnm+μnm:混合误差项。

随机前沿的功能主要是剔除环境和随机因素的影响,从而将每个决策单元处于相同条件下来计算效率值。计算公式如下:

:调整后投入;Snm:调整前投入;[max(f(Zm;对外部环境进行调整部分;max(vnm)-vnm:将每个决策单元置于相同条件下。

2.3 第三阶段:调整后数据效率再计算

使用调整后的投入数据再次使用模型SBM-DEA进行效率计算,此时已经剔除了外部环境和随机误差对计算结果的影响,所取得的的效率数据更为科学有效,为分析大气污染治理成效提供有效数据支撑。

3 指标选取

3.1 指标选择

生态环境部印发的有关秋冬季大气污染综合治理攻坚方案,明确表示要落实减污降碳总要求,以减少重污染天气和降低PM2.5浓度为主要目标。文章侧重于有关PM2.5的减排效应,在构建污染治理效率的评价体系中,投入和产出指标的设定需符合生产逻辑和模型要求,投入的生产要素主要是人力、物力和财力,选取的投入指标分别是第二产业投入人员、能源消耗量和R&D研究经费内部支出;产出分为期望产出和非期望产出,期望产出指标为GDP,非期望产出为污染物PM2.5的浓度。环境因素的选取是为了剔除这些客观因素的存在,而不是选择人为主观可以改变的因素,环境指标的选取准则是对决策单位的效率测算有比较大的影响,但又不是决策单位可以控制的因素。选取的环境因素有外商直接投资、第二产业占总产值比重、污染项目投资资金。指标选取如下表1所示。

3.2 数据来源

选取2016—2019年京津冀及周边“2+26”个城市为决策单元,数据来源于《中国环境年鉴》《河北省经济年鉴》以及各个地级城市的统计年鉴。使用数据包络进行数据分析决策单位的选取需要两个条件:决策单元的生产结构相同和决策单位的样本数量够多,普遍数据选取量是投入和产出指标之和的5倍以上。决策单元112个,投入指标3个,产出指标2个。

4 实证分析

4.1 第一阶段:实证结果

第一阶段以表1中第二产业从业人员、能源消耗量、R&D研究经费内部支出作为投入变量,生产总值GDP、PM2.5年浓度作为期望产出和非期望产出变量,利用MATLAB软件,经使用三阶段超效率SBMDEA方法对2016—2019年“2+26”城市的初始工业大气污染治理效率进行测算,得到初始治理效率,结果如表2所示:

表1 指标说明表Table 1 Indicator description table

由表2数值,所得出的结果是这些城市的相对治理效率,而不是绝对的,效率值较高只是相较于其他城市相比的结果,并不是效率显著的表现,结果还需调整优化。从横向来看将近百分之九十的城市的工业大气污染治理效率都达到了DEA有效,排名前五的城市有阳泉、太原、郑州、北京和保定,DEA效果不显著的城市有鹤壁、晋城、长治、邢台和滨州等城市。京津冀及周边城市的大气污染治理成效仍需有待提高,城市间的治理差距较为明显,区域城市仍要注意统筹协调发展,地区资源整合协调,劣势城市进行调整,优势进行互补,共同为城市空气质量提升做出努力。从纵向来看2016—2019年4年间污染效率治理的成效是有进步的,从年均效率值小于1到年均效率值大于1,且后两年均处于有效状态。

表2 第一阶段初始效率测算结果Table 2 The first stage initial efficiency measurement results

4.2 第二阶段:随机前沿分析

第二阶段进行的是随机前沿分析,是一种回归分析模型,第一阶段超效率SBM模型得出来的投入指标的所有冗余和不足统一为松弛变量,将此松弛变量作为因变量,前文选取的环境变量外商直接投资、第二产业占总产值比重、项目投资资金作为自变量,进行SFA回归分析。结果如表3所示:

表3 随机前沿回归(SFA)结果Table 3 Stochastic frontier analysis results

在随机前沿分析中,γ值代表着环境因素、随机误差因素二者与管理无效率的影响大小,当γ值趋近于1时,表示这环境因素和随机误差因素对结果的影响起着主要作用,此时应该剔除二者对效率结果的影响,可进一步使用随机前沿分析进行剔除外部条件的影响。表3中各环境变量的系数γ值均趋近于1,说明使用随机前沿分析是适合的。外商直接投资对应的能源消耗量、第二产业从业人员、研究与试验发展内部经费支出松弛量系数都小于0,说明随着外商直接投资的增加,这三者的松弛量会减少,即对外开放水平对三者有正向作用。第二产值占总产值的比重对应的3个投入指标的松弛量的系数为正值,说明随着第二产值所占比重的增加,在一定程度上对能源消耗量、第二产业从业人员、研究与试验发展内部经费支出有负面影响,系数绝对值较大,说明影响比较显著。污染项目投资资金同样对3个投入指标的松弛系数显示为正,系数绝对值较小,表明政府的资金支持对全部投入指标有负面作用,但影响较小,反映出政府对环境的重视程度对大气污染的治理效率变化不大。

4.3 第三阶段:调整数据再次计算效率

经过初始效率值计算以及随机前沿回归分析,将剔除外部因素的影响经调整之后的投入数据再次使用SBM-DEA计算效率值,结果如表4所示,并将结果做成折线图,如图1所示。很明显由数值可以看出第三阶段的效率值和第一阶段的结果差距很大,第一阶段4年的年平均效率值最小的是鹤壁市,为0.626 7;最大的是阳泉市,效率值为2.051 8。第三阶段的效率值最小的是晋城市,2016—2019年的效率平均值仅为0.070 7,效率值最大的是北京市,4年平均效率值为0.879 4,效率接近1。第三阶段平均效率值排名前五的城市分别是:北京、天津、石家庄、唐山和淄博,除了北京市还在前五名之内以外,其他城市的排名发生了很大的变化。将近百分之九十城市的工业大气污染治理效率小于0.3,效率值普遍较低并不意味着城市的大气污染严重的程度,而是代表着一种投入指标和产出指标的比率。经过第二阶段的随机前沿分析剔除了外部因素影响之后,效率值变化如此之大,说明环境因素和随机误差因素对效率的计算影响过大,这二者因素的存在,明显使得工业大气污染治理的初始效率值变大。

表4 第三阶段2016—2019年工业大气污染治理效率Table 4 Phase III industrial air pollution control efficiency from 2016 to 2019

图1更能清晰地看出这几年城市的治理效率变化情况,北京处于较高的效率水平,却未达到有效水平;其次就是天津处于相对较高的效率值,但是其效率值也不到0.5。其他城市的效率值偏低,出现这种情况的可能性是北京和天津的发展水平相对较高,其他城市相较之下社会经济发展水平很低,有关管理和技术发展水平方面相对较低。河北的城市以及郑州、太原等城市大力发展实体经济,很大一部分企业是重工业企业,这些城市经济水平发展依靠的是高投入和高能耗,对效率的影响并不小。但是从图1可以看出,除保定、滨州、菏泽和濮阳之外的城市的效率发展趋势是逐年上升的,说明这些城市的经济和管理水平还是有进步,在上升期,只不过上升的速度较慢。

为进一步探究城市的规模效率处于很低水平的现象,将第三阶段的各个城市的年综合技术效率,纯技术效率和规模效率取平均值,如表5所示。城市的年综合技术效率值为年技术效率和年规模效率的乘积,表中为年均效率值,故年均技术效率与年均规模效率的乘积不等于年综合技术效率。从表5中看出,技术效率较高,技术效率均值在0.8以上,而规模效率很低,表明在目前的技术水平下,其投入资源的使用是有效率的,未能达到综合技术有效的根源是规模效率很低,规模效率很低表明城市没有在最优的投入规模下进行生产,基于此各个城市应该重点调整规模效率。第二阶段的结果也表现出第二产值占总产值的比重与工业大气污染治理效率存在负向关系,现阶段的产业结构布局对污染治理效率的提高有着较大的阻碍,在优化产业结构的基础上提高规模效益应当作为当前的改革重点。

表5 “2+26”城市工业大气污染治理效率Table 5 Efficiency of "2+26" cities industrial air pollution control

5 总结

基于传统DEA模型,使用改进的三阶段超效率SBM-DEA模型,引进非期望产出这一指标,对影响效率结果的环境因素和随机误差进行剔除,使每个城市处于同一水准之下,由此对京津冀及周边“2+26”城市2016—2019年的工业大气污染治理效率进行测算,得出以下结论:(1)在实证期间内,环境因素外商直接投资对工业大气污染治理效率有正向的驱动作用,第二产业占总产值比重和污染项目投资资金抑制了污染治理效率的提高,其中污染项目投资资金对投入指标冗余量的影响较小。(2)剔除了外部环境的影响之后,整体规模效率结果下降幅度较大,说明环境因素和随机误差因素对污染治理效率的影响很大,二者因素的存在高估了“2+26”城市的污染治理效率,各个城市的投入指标还需进一步进行调整。(3)总体上看,大部分城市的污染治理效率发展趋势是波动上升的,说明城市污染效率的技术水平和城市管理水平不断提高,提升的潜力很大。

针对京津冀各个城市在工业大气污染治理效率较低水平的表现,在国家提倡节能减排,地方城市制定空气污染治理政策,提高社会经济发展水平的过程中,一方面要注重外部环境对污染治理效率的影响,考虑到京津冀及周边城市在经济发展、产业结构以及科技发展水平的异质性,要做到与自身发展水平相当的空气污染治理要求。从外部环境对投入冗余量的影响来看,第二产业占总产值得比重值得加大注意,第二产业的占比越高,治理效率越差,因此要注重对产业结构的改革,引导产业结构升级,提高经济发展质量,探索污染治理技术创新,改变过去粗放的经济发展方式。另一方面是各个城市还要考虑到内部管理效率的差距,城市自身需注意提高自身治理效率,特别是加强与治理效率较高的城市进行人才合计数交流,推动城市之间联动治理,利用北京市发达的技术和优秀的科技人才带来更好的投入指标利用率,构建大气污染区域协同治理,进一步提高区域整体大气污染治理效率和经济水平。