用水总量控制下江苏省工业废水排放绩效及减排潜力研究
吴凤平 梁蔓琪
摘要工业生产总值增长对国民经济发展起主导性作用。伴随着经济发展，工业化和城镇化水平的不断提高，工业用水总量多、用水效率低下、废水排放带来的环境污染严重等问题已成为制约工业发展的瓶颈。江苏省工业生产总值位居全国各省份前列，为了保障江苏省工业可持续发展，本文在全要素和环境生产技术框架下，利用规模方向距离函数建立工业废水排放绩效测度模型与工业废水减排潜力测度模型，对江苏省13个地级市2006—2015年工业废水排放绩效进行测算，将工业灰水足迹作为非期望产出，分别得出用水总量控制下期望产出和非期望产出的改进方向、改进目标值及其变化率，从而测度江苏省工业废水排放绩效及其减排潜力，并从苏南、苏北和苏中三大区域差异化视角进行综合分析。然后借助Kernel密度估计方法，分析江苏省各地级市全要素框架下工业废水排放绩效的空间分布规律和动态演变趋势。结果表明：江苏省年均工业废水排放绩效为0.772，工业废水减排值为263.5亿m3，占年均工业灰水排放量的24%。就三大区域而言，年均工业废水排放绩效从高到低依次是苏南、苏中和苏北，其值分别为0.911、0.789和0.624。其中，苏北地区工业废水排放绩效增长速度最快，在2006—2015年期间由0.529增长至0.79，增长率为49.5%。在工业灰水减排潜力方面，苏北减排潜力最大，其次是苏中，苏南最小。从空间分布和动态演变上看，江苏省各地区的工业废水排放绩效存在空间分布上的差异，但差异正在逐步减小，并且绩效值向高水平聚拢。
关键词工业废水排放绩效；规模方向距离函数；减排潜力；时空变化
中图分类号X22文献标识码A文章编号1002-2104（2018）08-0079-08DOI：10.12062/cpre.20171207
近年来，水资源问题已成为制约世界经济发展的主要问题之一。我国人均水资源占有量少，水资源时空分布差异显著。伴随着经济的发展，工业化和城镇化水平的不断提高，工业用水总量多、用水效率低下、废水排放带来的环境污染严重已成为制约工业发展的瓶颈。2012年，国务院三号文件《关于实行最严格水资源管理制度的意见》，指出当前我国水资源面临的严峻形势，明确了“用水总量控制、用水效率控制、水功能区限制纳污控制”三条红线的主要目标。本文在用水总量约束下，测算出工业废水的排放绩效与减排潜力，为我国工业的可持续发展提供参考。作为我国的经济发展大省，江苏省2015年的地区生产总值突破70 000亿元，在全国排名第二，其人均生产总值也位居全国第四。因此，本文选取江苏省作为实证研究对象具有重要的现实意义。
1文献综述
近年来，国内外许多学者围绕经济发展的资源消耗和环境影响开展研究。Chung等人[1]在Shepherd距离函数的基础上提出方向距离函数（DDF），相较于传统的DEA法，该方法在考虑期望和非期望产出时引入方向矢量，在非期望弱处置原则的基础上，衡量决策单元在该方向上的效率。
国内外一些学者在二氧化碳排放绩效、生态效率等问题上开展了大量的研究。Ramli N A 等[2]在Fre， Grosskorf[3]提出松弛测度（SBM）的基础上，改进DDF中方向矢量的随意性问题，考虑期望产出松弛与非期望产出松弛，建立规模方向距离函数（SDDF），以此研究马来西亚制造业的生态效率。Zaim等[4]和Zofio等[5]采用不同的DEA模型，对经济合作与发展组织的国家和地区进行二氧化碳排放效率上的分析。Zhou Peng等[6]用非径向DDF模型来评价生产行业的能源与二氧化碳排放效率。Wang Q W 等[7]基于DDF模型的分析方法，对我国28个省份的工业二氧化碳排放效率进行测度。付丽娜等利用MalmquistDEA模型，对生态效率进行动态对比研究[8]。孙作人等[9]利用非参数距离函数和环境生产技术，对我国工业二氧化碳排放强度进行测算。李健等[10]运用改进后的SDDF模型，对中国省区二氧化碳排放效率及减排潜力进行研究。
综合来看，现有文献较少关注废水排放绩效改进对国家经济建设和生态保护的积极影响，并且其研究对象大多选用省区直辖市或是个别城市，较少涉及到全省范围内地级市的对比研究。本文基于江苏省13个地级市2006—2015年的面板数据，在全要素和环境生产技术框架下，利用规模方向距离函数对江苏省各地级市工业废水排放绩效进行测算，这对提升江苏省工业废水排放绩效和降低工业废水排放总量具有一定理论和现实意义，对全国也有借鉴意义。
吴凤平等：用水总量控制下江苏省工业废水排放绩效及减排潜力研究中国人口·资源与环境2018年第8期2研究方法
2.1构建生产可能性集
1957年，Farrell[11]提出用生产前沿概念来估计技术效率。1997年，Battese[12]提出随机前沿生产函数。本文根据Fre等[13]关于环境生产技术的研究，关注工业生产中废水排放和减排问题，在全要素生产框架下构造生产可能性集如下：设生产系统中有J个决策单元（DMU），第i个x=（x1，x2，…，xk）∈RK+后，产出一种期望产出工业生产总值（y∈RI+）和一种非期望产出工业废水（b∈RM+）。其生产系统生产可能性集可表示为：
P（x）={（x，y，b）}
∑Jj=1ωjxjk≤xik；k=1，2，…，K；
∑Jj=1ωjyj≥yi；
∑Jj=1ωjbj=bi；
ωj≥0；j=1，2，…，J（1）
其中，下标i表示第i个DMU的投入产出数據，ωj表示相对被评价DMU而重新构造的一个有效DMU组合中第j个DMU的组合比例。生产可能性集P（x）是具有凸性特征的有界闭集，且满足：①有限的投入只能得到有限的产出，投入要素具有自由可处置性，即当x′≥x时，存在P（x）P（x′）；②在不等式的约束下，投入要素和期望产出具有强可处置性，即若其他条件不变情况，期望产出可多可少；③在等式约束下，非期望产出具有弱可处置性与零结合性特征，即非期望产出总是伴随着期望产出一起出现。
2.2工业废水排放绩效测度模型
本文采用规模方向距离函数（Scale directional distance functions）来对工业废水排放绩效进行测度，基本思路是考虑在现有水资源投入、劳动力投入和既定经济产出条件下，假设规模报酬可变，用理论上可达到的最小工业废水排放量与实际排放量进行比较，进而测度排放绩效的高低。通过环境生产技术构建出生产可能性集后，引入方向向量g=（gy，-gb）来构建规模方向距离函数如下：
D0（x，y，b；g）=max{λTβ：（（y，b）+
g·diag（β））∈P（x）}（2）
其中，λ=（λy，λb）T，是期望产出与非期望产出的归一化权向量，本文设定期望产出与非期望产出同等重要，即λy=λb=0.5。β=（βy，βb）T。其中βy值为扩张因子，其值表征期望产出向生产前沿面扩张的规模。βb值为收缩因子，其值表征非期望产出向生产前沿面收缩的规模，βy，βb∈[0，1]。λTβ值表征了被评价DMU既减少工业废水排放、又增加经济产出的能力，值越大表明被评价DMU的工业废水排放绩效越低，也就是说其产生的工业废水越多，其减排潜力也就越大。本文将1-λTβ值定义为全要素工业废水排放绩效指标，值越大工业废水排放绩效越好。本文参考Fre等[13]的研究，建立线性规划模型来求解D0（x，y，b；g）。
D0（x，y，b；g）=maxλTβ
s.t.
∑Jj=1ωjxjk≤xik；k=1，2，…，K；
∑Jj=1ωjyj≥yi（1+βy）；
∑Jj=1ωjbj=bi（1-βb）；
λy+λb=1；λy，λb>0；ωj≥0； j=1，2，…，J（3）
2.3工业废水减排潜力测度模型
根据Ramli等[2]的研究，给出被评价DMU到达生产前沿面的方向向量的计算公式。当λTβ=0，DMU处于生产前沿面上，gy和gb能够取任意值；当λTβ>0，DMU的期望产出和非期望产出的改进方向向量按公式4计算：
gy=β*yβ*y+β*b；gb=β*bβ*y+β*b（4）
其中，gy和gb满足0≤gy，gb≤1且gy+gb=1。同时，根据计算结果，可以得到非有效DMU欲达到效率最优时其期望产出与非期望产出的改进目标值分别为：
yt=∑Jj=1ωjyj；bt=∑Jj=1ωjbj（5）
本文通过计算在用水总量控制下，各DMU趋近生产前沿面时期望产出和非期望产出的改进方向、改进目标值与其变化率，来测算工业废水的减排潜力。
2.4Kernel密度估计
核密度估计（Kernel density estimation）作为一种估计概率密度函数的非参数方法，在地区分布规律研究中广泛运用。对于一组随机变量x1，x2，…，xn，其核密度估计的形式为：
fh（x）=1nh∑ni=1K（xi-xh）（6）
其中，n表示随机变量的个数，h表示带宽。本文选用Sliverman[14]证明在高斯核函数的最优带宽h*，h*=1.364 3δn-0.2s，其中δ=0.776 4，核函数K（x）是一个加权函数，分为高斯核、三角核、四次核等不同类型，根据分组数据的密集程度来选择运用哪一类型核函数。本文选取高斯核函数来研究江苏省工业废水排放绩效的分布动态演化趋势，其函数表达式为：
Gaussian：K（x）=12πe-12x2（7）
因为核密度估计属于非参数估计，没有确定的函数表达式，所以可以通过观察分析核密度估计结果得到的图形，来了解变量分布的位置、形态等，分析其分布演化。
3实证研究
3.1投入产出变量选取
考虑到用水总量控制下工业废水排放绩效需要反映出环境保护和工业经济增长两方面指标，本文选取资本投入（K）、劳动力（L）和工业用水总量（W）为投入变量，以地区工业总产值（G）为期望产出变量，以工业灰水足迹（D）为非期望产出变量。具体投入产出变量选取见表1。
3.2数据来源与处理
由于相关变量统计资料有限，本文将区间定为2005—2015年，以江苏省13个地级市为研究对象。根据地理位置分布，划为苏北、苏中和苏南三大地区。苏北地区5个城市包括徐州、连云港、宿迁、淮安和盐城；苏中地区3个城市包括揚州、泰州和南通；苏南地区5个城市包括南京、常州、苏州、无锡和镇江。本文数据来自《中国城市统计年鉴》《江苏省统计年鉴》《江苏省水资源公报》及各地市的统计年鉴、环境公报、水资源公报等，根据研究对象的特点对相关变量数据进行相应的选择和处理。投入产出变量的统计性描述见表2。
（2）劳动力。劳动力投入理论上应包含劳动力的投入数量、素质和劳动时间，但由于江苏省各地市劳动人员人均受教育水平和劳动时间数据不可得，因此本文选取统计年鉴中各地市各年规模以上工业企业从业人员数作为劳动力投入。
（3）工业用水总量。本文选用各地市水资源公报中历年工业用水总量数据。
（4）工业总产值。工业总产值作为期望产出，选择《江苏省统计年鉴》中公布的各地市工业总产值数据，并按照对应年份的工业品出厂价格指数，折算成以2005年为基期的不变价格。
（5）工业灰水足迹（工业废水排放总量）。工业生产过程中产生的污染是点源污染，工业废水中通常包含多种形式的污染物，而化学需氧量（chemical oxygen demand，COD）是工业废水中含量最大的污染物。工业灰水足迹是指为了稀释工业生产排放的污染物以达到相关水质标准的水资源需求量，本文选用工业灰水足迹作为工业生产中的非期望产出。
本文参考国际水足迹网络出版的《水足迹评估手册》[17]和曾昭等[18]关于灰水足迹的计算方法，给出工业灰水足迹计算方法如下：
WFgrey=LCmax-Cnat（8）
其中，WFgrey为工业灰水足迹（m3/a），L为COD排放负荷（kg/a），Cmax为达到环境水质标准情况下污染物的最高浓度（kg/m3）。本文选择Ⅲ类水COD标准浓度为计算工业灰水足迹的依据，取Cmax=0.002 kg/m3，Cnat为COD在水体中的原始浓度，常假设为0。为方便进行绩效水平的测算，本文将灰水足迹的计量单位更改为亿m3/年。
3.3实证结果与分析
3.3.1工业废水排放绩效评估
在由规模方向距离函数构建的工业废水排放绩效模型的基础上，本文变量值代入，得到江苏省13个地级市2006—2015年工业废水排放绩效表，如表3所示。就各地年平均值来看，无锡和镇江的绩效值都在0.9以上，为最佳绩效。然而，宿迁的年均绩效值最低，仅为0.393，且与江苏省其它地市的绩效存在较大的差距。就苏南、苏中和苏北三个地区而言，苏南绩效最高，为0.911；其次为苏中地区，绩效为0.789；苏北最差，绩效值仅有0.624，且低于江苏省平均绩效水平0.772。导致江苏各地区工业废水排放绩效差异的主要原因是各地区间的发展差异，影响因素大致分为：经济发展水平、工业技术水平、工业产业结构以及江苏各地市地方环保政策的差异。
为了能够更加直观地观察江苏省三个地区工业废水排放绩效的变化，本文将苏南、苏中、苏北2006—2015年的年均绩效值做成趋势走向图，并且加入整个江苏省的年度平均值作为参考（见图1）。就江苏省的趋势曲线来看，全省工业废水绩效呈上升趋势，且在2014年后加速上升，这与2014年江苏省响应国家号召发布的节能减排战略目标，以及最严格水资源管理制度实施过程中“三条红线”控制体系的全面建立有关。由图1可知，苏南、苏中和苏北地区的工业废水排放绩效时间趋势走向存在差异。苏南地区工业废水排放绩效与其他地区相比而言，一直处于0.9左右，具有较少的提升空间。在经济发展速度上，苏中和苏北地区的经济发展潜力更大，增长速度也比苏南地区更快。因此，苏南地区在工业化规模较大、高用水产业集聚的背景下，工业废水减排潜力在相对平稳中略有降低。
在三个趋势曲线中，苏中地区的变化频率和幅度最大。在2012年之前，苏中地区的工业废水排放绩效值均高于全省平均水平，尤其在2007—2010年期间稳步提升。而在2012年后，苏中地区的绩效值跌落在全省平均水平之下，且成为三大地区中绩效最低的地区。这一变化的原因在于苏中地区的工业生产结构单一，高新技术产业占比较小。以扬州市为例，扬州市的主要工业产业为制造业，并且传统制造业如纺织业、普通机械制造业、塑料制品业等占比较大。泰州市的工业生产结构中，高污染、高耗水的工业占比较大，并且随着电力行业和钢铁行业的发展，阻碍了当地工业废水减排的进程。
以苏北地区为例，该地区在研究初期的工业废水排放绩效处于较低的水平，且具有很大的提升空间。因为在2006—2015年期间，整个江苏省处于工业化、城镇化加速发展的阶段，尤其是苏北地区吸纳了来自苏南地区和其他发达地区的先进生产技术、资金和人才。在这样的社会大环境下，苏北地区的经济发展水平迅猛增长，尤其在2011年后，伴随着江苏省“十二五”规划的推进，工业废水排放绩效的增长速度大幅提升。在2006—2015年期间，工业废水排放绩效由0.529增长至0.79，增长率为49.5%。高新技术产业和第三产业的引入改变了原先的生产结构，并且重污染、高能耗的工业企业在技术调整后减少了工业废水的排放。
3.3.2工业废水排放绩效时空分布分析
为了更直观地展现江苏省工业废水排放绩效的空间分布，方便在研究过程中对绩效的动态演变进行分析，本文将2006年、2009年、2012年和2015年江苏省工业废水排放绩效地区分布进行对比，详情见图2。从图中可知，江苏省各地区的工业废水排放绩效分布是不均衡的，总体而言，绩效水平大体在逐步提升。2006年，江苏省各地市的工业废水排放绩效呈现出地区分布不均衡的特点，且由南至北绩效值不断下降，绩效水平高的地区主要集中在苏南和部分苏中地区。而在此之后，伴随着苏北地区和部分苏中地区绩效水平的提升，江苏省内南北差距在不断的缩小。2006年，绩效值在0.65以下的地级市数量为5个，2009年、2012年都减少为3个。而2015年该类别地级市数量减少为2个，并且该年不存在绩效值为0.5以下的地级市。在变化幅度上看，宿迁和连云港三个地市拥有最明显的变化，年均績效从2006年至2015年提升0.4以上。相反，南京、苏州和南通三个地市的年均绩效值却在十年内有着较为明显的降低。其中南通市变化幅度最大，2015年较2006年绩效值降低0.315。
3.3.3工业废水排放绩效分布演变趋势
图3是描述2006—2015年江苏省工业废水排放绩效的核密度曲线，采用2006、2009、2012和2015四个年度数据。分布图中的横轴表示工业废水排放的绩效水平，纵轴表示核密度[19]。总体而言，2006—2015年间，绩效呈单峰分布的总体态势保持不变。就密度的曲线位置和平移来看，2015年相对于2006年，峰值大幅上升，变化范围大幅缩小，这说明十年间绩效的地区差异大大缩小。在2006—2012年间，分布曲线总体呈现右移的趋势，说明在这段时间内，江苏省工业废水排放绩效总体提升。但是，在2015年分布曲线较2012年相比左移，但峰值急剧增加，变化范围小幅缩小，这说明2015年江苏省各地市的工业废水排放绩效向着高水平聚拢。
3.3.4工业废水减排潜力测度
改进方向的基础上，得到投入产出模型中非期望产出改进的目标值。在表4显示的是江苏各地市和三个地区的年均工业灰水足迹、年均工业灰水减排值、减排潜力和减排贡献率，以及各地市在减排潜力和贡献率上的排名。就城市而言，苏州工业生产所产生的年均工业灰水足迹最多，为256.75亿m3，并且同时占据最高的减排贡献率
整个江苏省工业废水中污染物排放所需的年均灰水足迹为1 191.58亿m3，其中苏南的年均灰水足迹最多，为623.4亿m3。这与苏南地区经济发展水平高，工业生产规模大，工业用水量和排污量大等因素有关。其次是苏北地区，平均工业灰水足迹为308.13亿m3，这与苏北地区重工业和化工工业等高污染工业为主的产业发展结构有关，也与苏北地区2006年以来经济的迅猛发展速度息息相关。苏中地区的年均灰水足迹最少，为260.05亿m3。就减排潜力而言，苏北地区0.32的减排潜力大于苏中地区的0.27和苏南地区的0.13。并且在减排贡献率上，苏北地区贡献最大，为38.7%；苏南地区贡献35.44%，位列其次；苏中地区贡献最少，为25.8%。
4结论
在生产前沿函数和规模方向距离函数的基础上，本文对江苏省13个地级市的2006—2015年期间年度工业废水排放绩效进行研究，对研究期间绩效的时空分布和分布的动态演变趋势进行分析，得到各地市的工业废水减排潜力和减排值，并进行排序。结论如下：
（1）研究期间，江苏省各地市的工业废水排放绩效水平都有所提升。就苏南、苏北和苏中三个地区而言，绩效水平与经济发展水平呈正相关，苏南地区绩效值0.911，为最高；苏中地区和苏北地区分居二三位，分别为0.789和0.624；苏北地区提升速度最快，由0.529增长至0.79，增长率为49.5%。苏中地区2010—2014年期间绩效下降最明显。
（2）从空间分布和动态演变上看，江苏省各地区的工业废水排放绩效存在空间分布上的差异，但2006—2015年其趋势显示绩效差异正在逐步减小，并且绩效值向高水平聚拢。
（3）在减排潜力方面，苏北地区拥有最大的减排潜力0.32，并且提供了整个江苏省38.77%的减排贡献值。整个江苏省的年均减排潜力值为263.5亿m3，占年均工业灰水实际排放值的24%。说明江苏省的工业废水减排仍存在较大的提升空间。
（编辑：刘照胜）
参考文献（References）
[1]CHUNG Y H， FRE R， GROSSKOPF S. Productivity and undesirable outputs： a directional distance function approach[J]. Microeconomics， 1995， 51（3）：229-240.
[2]RAMLI N A， MUNISAMY S， ARABI B. Scale directional distance function and its application to the measurement of ecoefficiency in the manufacturing sector[J]. Annals of operations research， 2013， 211（1）：381-398.
[3]FRE R， GROSSKOPF S. Directional distance functions and slacksbased measures of efficiency[J]. European journal of operational research， 2010， 206（1）：320-322.
[4]ZAIM O， FATMA T. Environmental efficiency in carbon dioxide emission in the OECD a nonparametric approach[J]. Journal of environmental management， 2000， 58（2）： 95-143.
[5]ZOFIO J L， PRIETO A M. Environmental efficiency and regulatory standards： the case of CO2 emission from OECD industries[J]. Resource and energy economics， 2001， 23（1）： 63-83.
[6]ZHOU P， WANG H. Energy and CO2 emission performance in electricity generation： a nonradial directional distance function approach[J]. European journal of operational research， 2012，221（3）： 625-635.
[7]WANG Q W， ZHOU P， SHEN N， et al. Measuring carbon dioxide emission performance in Chinese provinces： a parametric approach[J]. Renewable and sustainable energy review， 2013， 21：324-330.
[8]付麗娜，陈晓红，冷智花.基于超效率DEA模型的城市群生态效率研究——以长株潭“3+5”城市群为例[J].中国人口·资源与环境，2013， 23（4）： 169-175. [FU Lina， CHEN Xiaohong， LENG Zhihua. Urban agglomerations ecoefficiency analysis based on superefficiency DEA Model： case study of ChangZhuTan ‘3+5 urban agglomeration[J]. China population， resources and environment， 2013， 23（4）： 169-175.]
[9]孙作人，周德群，周鹏.工业碳排放驱动因素研究：一种生产分解分析新方法[J].数量经济技术经济研究，2012（5） ： 63-74. [SUN Zuoren， ZHOU Dequn， ZHOU Peng. Driving forces of industrial CO2 emissions： a new productionbased decomposition analysis method[J]. The journal of quantitative & technical economics， 2012（5）： 63-74.]
[10]李健，鄧传霞.基于SDDF的中国省区二氧化碳排放效率及减排潜力测度[J].软科学，2015， 29（3）：70-73. [LI Jian， DENG Chuanxia. Study on carbon dioxide emission performance and reduction potential of China provinces based on SDDF [J]. Soft science， 2015， 29（3）： 70-73.]
[11]FARRELL M J. The measurement of productive efficiency[J]. Journal of the royal statistical society， 1957： 253-290.
[12]BATTESE G E， CORRA G S. Estimation of production frontier model： with application to the pastoral zone of Eastern Australia[J]. Australian journal of agricultural and economics， 2012， 21（3）： 169-179.
[13]FRE R， GROSSKOPF S， LOVELL C A K， et al. Multilateral productivity comparison when some outputs are undesirable： a nonparametric approach[J]. The review of economics and statistics， 1989， 71（1）：90-98.
[14]王惠，王树乔.中国工业CO2排放绩效的动态演化与空间外溢效应[J].中国人口·资源与环境， 2015， 25（9）：29-36. [WANG Hui， WANG Shuqiao. A study on dynamic evolution of industrial carbon emissions performance and its factors in China [J]. China population， resources and environment，2015， 25（9）： 29-36.]
[15]张军，章元.对中国资本存量K的再估计[J].经济研究， 2013（7）： 35-43. [ZHANG Jun， ZHANG Yuan. Reestimation of Chinas stocks of capital[J]. Economic research journal， 2013（7）： 35-43.]
[16]周五七，聂鸣.中国碳排放效率的区域差异研究[J].数量经济技术经济研究， 2012（9）： 58-70. [ZHOU Wuqi， NIE Ming. Regional differences in the efficiency of industrial carbon emission in China[J]. The journal of quantitative & technical economics， 2012 （9）： 58-70.]
[17]HOEKSTRA A Y， CHAPAGAIN A K， ALDAYA M M， et al. The water footprint assessment manual： setting the global standard [M]. London， UK： Earthscan， 2011： 27-35.
[18]曾昭，刘俊国.北京市灰水足迹评价[J].自然资源学报， 2013， 28（7）： 1169-1178. [ZENG Zhao， LIU Junguo. Historical trend of grey water footprint of Beijing， China.[J]. Journal of natural resources， 2013， 28（7）： 1169-1178.]
[19]施祖麟，黄治华.基于核密度估计法的中国省区经济增长动态分析[J].经济经纬， 2009（4）：60-63. [SHI Zulin， HUANG Zhihua. A dynamic analysis of the economic growth on the provincial level in China based on kernel density estimation method.[J]. Economy survey， 2009 （4）： 60-63.]
摘要工业生产总值增长对国民经济发展起主导性作用。伴随着经济发展，工业化和城镇化水平的不断提高，工业用水总量多、用水效率低下、废水排放带来的环境污染严重等问题已成为制约工业发展的瓶颈。江苏省工业生产总值位居全国各省份前列，为了保障江苏省工业可持续发展，本文在全要素和环境生产技术框架下，利用规模方向距离函数建立工业废水排放绩效测度模型与工业废水减排潜力测度模型，对江苏省13个地级市2006—2015年工业废水排放绩效进行测算，将工业灰水足迹作为非期望产出，分别得出用水总量控制下期望产出和非期望产出的改进方向、改进目标值及其变化率，从而测度江苏省工业废水排放绩效及其减排潜力，并从苏南、苏北和苏中三大区域差异化视角进行综合分析。然后借助Kernel密度估计方法，分析江苏省各地级市全要素框架下工业废水排放绩效的空间分布规律和动态演变趋势。结果表明：江苏省年均工业废水排放绩效为0.772，工业废水减排值为263.5亿m3，占年均工业灰水排放量的24%。就三大区域而言，年均工业废水排放绩效从高到低依次是苏南、苏中和苏北，其值分别为0.911、0.789和0.624。其中，苏北地区工业废水排放绩效增长速度最快，在2006—2015年期间由0.529增长至0.79，增长率为49.5%。在工业灰水减排潜力方面，苏北减排潜力最大，其次是苏中，苏南最小。从空间分布和动态演变上看，江苏省各地区的工业废水排放绩效存在空间分布上的差异，但差异正在逐步减小，并且绩效值向高水平聚拢。
关键词工业废水排放绩效；规模方向距离函数；减排潜力；时空变化
中图分类号X22文献标识码A文章编号1002-2104（2018）08-0079-08DOI：10.12062/cpre.20171207
近年来，水资源问题已成为制约世界经济发展的主要问题之一。我国人均水资源占有量少，水资源时空分布差异显著。伴随着经济的发展，工业化和城镇化水平的不断提高，工业用水总量多、用水效率低下、废水排放带来的环境污染严重已成为制约工业发展的瓶颈。2012年，国务院三号文件《关于实行最严格水资源管理制度的意见》，指出当前我国水资源面临的严峻形势，明确了“用水总量控制、用水效率控制、水功能区限制纳污控制”三条红线的主要目标。本文在用水总量约束下，测算出工业废水的排放绩效与减排潜力，为我国工业的可持续发展提供参考。作为我国的经济发展大省，江苏省2015年的地区生产总值突破70 000亿元，在全国排名第二，其人均生产总值也位居全国第四。因此，本文选取江苏省作为实证研究对象具有重要的现实意义。
1文献综述
近年来，国内外许多学者围绕经济发展的资源消耗和环境影响开展研究。Chung等人[1]在Shepherd距离函数的基础上提出方向距离函数（DDF），相较于传统的DEA法，该方法在考虑期望和非期望产出时引入方向矢量，在非期望弱处置原则的基础上，衡量决策单元在该方向上的效率。
国内外一些学者在二氧化碳排放绩效、生态效率等问题上开展了大量的研究。Ramli N A 等[2]在Fre， Grosskorf[3]提出松弛测度（SBM）的基础上，改进DDF中方向矢量的随意性问题，考虑期望产出松弛与非期望产出松弛，建立规模方向距离函数（SDDF），以此研究马来西亚制造业的生态效率。Zaim等[4]和Zofio等[5]采用不同的DEA模型，对经济合作与发展组织的国家和地区进行二氧化碳排放效率上的分析。Zhou Peng等[6]用非径向DDF模型来评价生产行业的能源与二氧化碳排放效率。Wang Q W 等[7]基于DDF模型的分析方法，对我国28个省份的工业二氧化碳排放效率进行测度。付丽娜等利用MalmquistDEA模型，对生态效率进行动态对比研究[8]。孙作人等[9]利用非参数距离函数和环境生产技术，对我国工业二氧化碳排放强度进行测算。李健等[10]运用改进后的SDDF模型，对中国省区二氧化碳排放效率及减排潜力进行研究。
综合来看，现有文献较少关注废水排放绩效改进对国家经济建设和生态保护的积极影响，并且其研究对象大多选用省区直辖市或是个别城市，较少涉及到全省范围内地级市的对比研究。本文基于江苏省13个地级市2006—2015年的面板数据，在全要素和环境生产技术框架下，利用规模方向距离函数对江苏省各地级市工业废水排放绩效进行测算，这对提升江苏省工业废水排放绩效和降低工业废水排放总量具有一定理论和现实意义，对全国也有借鉴意义。
吴凤平等：用水总量控制下江苏省工业废水排放绩效及减排潜力研究中国人口·资源与环境2018年第8期2研究方法
2.1构建生产可能性集
1957年，Farrell[11]提出用生产前沿概念来估计技术效率。1997年，Battese[12]提出随机前沿生产函数。本文根据Fre等[13]关于环境生产技术的研究，关注工业生产中废水排放和减排问题，在全要素生产框架下构造生产可能性集如下：设生产系统中有J个决策单元（DMU），第i个x=（x1，x2，…，xk）∈RK+后，产出一种期望产出工业生产总值（y∈RI+）和一种非期望产出工业废水（b∈RM+）。其生产系统生产可能性集可表示为：
P（x）={（x，y，b）}
∑Jj=1ωjxjk≤xik；k=1，2，…，K；
∑Jj=1ωjyj≥yi；
∑Jj=1ωjbj=bi；
ωj≥0；j=1，2，…，J（1）
其中，下标i表示第i个DMU的投入产出数據，ωj表示相对被评价DMU而重新构造的一个有效DMU组合中第j个DMU的组合比例。生产可能性集P（x）是具有凸性特征的有界闭集，且满足：①有限的投入只能得到有限的产出，投入要素具有自由可处置性，即当x′≥x时，存在P（x）P（x′）；②在不等式的约束下，投入要素和期望产出具有强可处置性，即若其他条件不变情况，期望产出可多可少；③在等式约束下，非期望产出具有弱可处置性与零结合性特征，即非期望产出总是伴随着期望产出一起出现。
2.2工业废水排放绩效测度模型
本文采用规模方向距离函数（Scale directional distance functions）来对工业废水排放绩效进行测度，基本思路是考虑在现有水资源投入、劳动力投入和既定经济产出条件下，假设规模报酬可变，用理论上可达到的最小工业废水排放量与实际排放量进行比较，进而测度排放绩效的高低。通过环境生产技术构建出生产可能性集后，引入方向向量g=（gy，-gb）来构建规模方向距离函数如下：
D0（x，y，b；g）=max{λTβ：（（y，b）+
g·diag（β））∈P（x）}（2）
其中，λ=（λy，λb）T，是期望产出与非期望产出的归一化权向量，本文设定期望产出与非期望产出同等重要，即λy=λb=0.5。β=（βy，βb）T。其中βy值为扩张因子，其值表征期望产出向生产前沿面扩张的规模。βb值为收缩因子，其值表征非期望产出向生产前沿面收缩的规模，βy，βb∈[0，1]。λTβ值表征了被评价DMU既减少工业废水排放、又增加经济产出的能力，值越大表明被评价DMU的工业废水排放绩效越低，也就是说其产生的工业废水越多，其减排潜力也就越大。本文将1-λTβ值定义为全要素工业废水排放绩效指标，值越大工业废水排放绩效越好。本文参考Fre等[13]的研究，建立线性规划模型来求解D0（x，y，b；g）。
D0（x，y，b；g）=maxλTβ
s.t.
∑Jj=1ωjxjk≤xik；k=1，2，…，K；
∑Jj=1ωjyj≥yi（1+βy）；
∑Jj=1ωjbj=bi（1-βb）；
λy+λb=1；λy，λb>0；ωj≥0； j=1，2，…，J（3）
2.3工业废水减排潜力测度模型
根据Ramli等[2]的研究，给出被评价DMU到达生产前沿面的方向向量的计算公式。当λTβ=0，DMU处于生产前沿面上，gy和gb能够取任意值；当λTβ>0，DMU的期望产出和非期望产出的改进方向向量按公式4计算：
gy=β*yβ*y+β*b；gb=β*bβ*y+β*b（4）
其中，gy和gb满足0≤gy，gb≤1且gy+gb=1。同时，根据计算结果，可以得到非有效DMU欲达到效率最优时其期望产出与非期望产出的改进目标值分别为：
yt=∑Jj=1ωjyj；bt=∑Jj=1ωjbj（5）
本文通过计算在用水总量控制下，各DMU趋近生产前沿面时期望产出和非期望产出的改进方向、改进目标值与其变化率，来测算工业废水的减排潜力。
2.4Kernel密度估计
核密度估计（Kernel density estimation）作为一种估计概率密度函数的非参数方法，在地区分布规律研究中广泛运用。对于一组随机变量x1，x2，…，xn，其核密度估计的形式为：
fh（x）=1nh∑ni=1K（xi-xh）（6）
其中，n表示随机变量的个数，h表示带宽。本文选用Sliverman[14]证明在高斯核函数的最优带宽h*，h*=1.364 3δn-0.2s，其中δ=0.776 4，核函数K（x）是一个加权函数，分为高斯核、三角核、四次核等不同类型，根据分组数据的密集程度来选择运用哪一类型核函数。本文选取高斯核函数来研究江苏省工业废水排放绩效的分布动态演化趋势，其函数表达式为：
Gaussian：K（x）=12πe-12x2（7）
因为核密度估计属于非参数估计，没有确定的函数表达式，所以可以通过观察分析核密度估计结果得到的图形，来了解变量分布的位置、形态等，分析其分布演化。
3实证研究
3.1投入产出变量选取
考虑到用水总量控制下工业废水排放绩效需要反映出环境保护和工业经济增长两方面指标，本文选取资本投入（K）、劳动力（L）和工业用水总量（W）为投入变量，以地区工业总产值（G）为期望产出变量，以工业灰水足迹（D）为非期望产出变量。具体投入产出变量选取见表1。
3.2数据来源与处理
由于相关变量统计资料有限，本文将区间定为2005—2015年，以江苏省13个地级市为研究对象。根据地理位置分布，划为苏北、苏中和苏南三大地区。苏北地区5个城市包括徐州、连云港、宿迁、淮安和盐城；苏中地区3个城市包括揚州、泰州和南通；苏南地区5个城市包括南京、常州、苏州、无锡和镇江。本文数据来自《中国城市统计年鉴》《江苏省统计年鉴》《江苏省水资源公报》及各地市的统计年鉴、环境公报、水资源公报等，根据研究对象的特点对相关变量数据进行相应的选择和处理。投入产出变量的统计性描述见表2。
（2）劳动力。劳动力投入理论上应包含劳动力的投入数量、素质和劳动时间，但由于江苏省各地市劳动人员人均受教育水平和劳动时间数据不可得，因此本文选取统计年鉴中各地市各年规模以上工业企业从业人员数作为劳动力投入。
（3）工业用水总量。本文选用各地市水资源公报中历年工业用水总量数据。
（4）工业总产值。工业总产值作为期望产出，选择《江苏省统计年鉴》中公布的各地市工业总产值数据，并按照对应年份的工业品出厂价格指数，折算成以2005年为基期的不变价格。
（5）工业灰水足迹（工业废水排放总量）。工业生产过程中产生的污染是点源污染，工业废水中通常包含多种形式的污染物，而化学需氧量（chemical oxygen demand，COD）是工业废水中含量最大的污染物。工业灰水足迹是指为了稀释工业生产排放的污染物以达到相关水质标准的水资源需求量，本文选用工业灰水足迹作为工业生产中的非期望产出。
本文参考国际水足迹网络出版的《水足迹评估手册》[17]和曾昭等[18]关于灰水足迹的计算方法，给出工业灰水足迹计算方法如下：
WFgrey=LCmax-Cnat（8）
其中，WFgrey为工业灰水足迹（m3/a），L为COD排放负荷（kg/a），Cmax为达到环境水质标准情况下污染物的最高浓度（kg/m3）。本文选择Ⅲ类水COD标准浓度为计算工业灰水足迹的依据，取Cmax=0.002 kg/m3，Cnat为COD在水体中的原始浓度，常假设为0。为方便进行绩效水平的测算，本文将灰水足迹的计量单位更改为亿m3/年。
3.3实证结果与分析
3.3.1工业废水排放绩效评估
在由规模方向距离函数构建的工业废水排放绩效模型的基础上，本文变量值代入，得到江苏省13个地级市2006—2015年工业废水排放绩效表，如表3所示。就各地年平均值来看，无锡和镇江的绩效值都在0.9以上，为最佳绩效。然而，宿迁的年均绩效值最低，仅为0.393，且与江苏省其它地市的绩效存在较大的差距。就苏南、苏中和苏北三个地区而言，苏南绩效最高，为0.911；其次为苏中地区，绩效为0.789；苏北最差，绩效值仅有0.624，且低于江苏省平均绩效水平0.772。导致江苏各地区工业废水排放绩效差异的主要原因是各地区间的发展差异，影响因素大致分为：经济发展水平、工业技术水平、工业产业结构以及江苏各地市地方环保政策的差异。
为了能够更加直观地观察江苏省三个地区工业废水排放绩效的变化，本文将苏南、苏中、苏北2006—2015年的年均绩效值做成趋势走向图，并且加入整个江苏省的年度平均值作为参考（见图1）。就江苏省的趋势曲线来看，全省工业废水绩效呈上升趋势，且在2014年后加速上升，这与2014年江苏省响应国家号召发布的节能减排战略目标，以及最严格水资源管理制度实施过程中“三条红线”控制体系的全面建立有关。由图1可知，苏南、苏中和苏北地区的工业废水排放绩效时间趋势走向存在差异。苏南地区工业废水排放绩效与其他地区相比而言，一直处于0.9左右，具有较少的提升空间。在经济发展速度上，苏中和苏北地区的经济发展潜力更大，增长速度也比苏南地区更快。因此，苏南地区在工业化规模较大、高用水产业集聚的背景下，工业废水减排潜力在相对平稳中略有降低。
在三个趋势曲线中，苏中地区的变化频率和幅度最大。在2012年之前，苏中地区的工业废水排放绩效值均高于全省平均水平，尤其在2007—2010年期间稳步提升。而在2012年后，苏中地区的绩效值跌落在全省平均水平之下，且成为三大地区中绩效最低的地区。这一变化的原因在于苏中地区的工业生产结构单一，高新技术产业占比较小。以扬州市为例，扬州市的主要工业产业为制造业，并且传统制造业如纺织业、普通机械制造业、塑料制品业等占比较大。泰州市的工业生产结构中，高污染、高耗水的工业占比较大，并且随着电力行业和钢铁行业的发展，阻碍了当地工业废水减排的进程。
以苏北地区为例，该地区在研究初期的工业废水排放绩效处于较低的水平，且具有很大的提升空间。因为在2006—2015年期间，整个江苏省处于工业化、城镇化加速发展的阶段，尤其是苏北地区吸纳了来自苏南地区和其他发达地区的先进生产技术、资金和人才。在这样的社会大环境下，苏北地区的经济发展水平迅猛增长，尤其在2011年后，伴随着江苏省“十二五”规划的推进，工业废水排放绩效的增长速度大幅提升。在2006—2015年期间，工业废水排放绩效由0.529增长至0.79，增长率为49.5%。高新技术产业和第三产业的引入改变了原先的生产结构，并且重污染、高能耗的工业企业在技术调整后减少了工业废水的排放。
3.3.2工业废水排放绩效时空分布分析
为了更直观地展现江苏省工业废水排放绩效的空间分布，方便在研究过程中对绩效的动态演变进行分析，本文将2006年、2009年、2012年和2015年江苏省工业废水排放绩效地区分布进行对比，详情见图2。从图中可知，江苏省各地区的工业废水排放绩效分布是不均衡的，总体而言，绩效水平大体在逐步提升。2006年，江苏省各地市的工业废水排放绩效呈现出地区分布不均衡的特点，且由南至北绩效值不断下降，绩效水平高的地区主要集中在苏南和部分苏中地区。而在此之后，伴随着苏北地区和部分苏中地区绩效水平的提升，江苏省内南北差距在不断的缩小。2006年，绩效值在0.65以下的地级市数量为5个，2009年、2012年都减少为3个。而2015年该类别地级市数量减少为2个，并且该年不存在绩效值为0.5以下的地级市。在变化幅度上看，宿迁和连云港三个地市拥有最明显的变化，年均績效从2006年至2015年提升0.4以上。相反，南京、苏州和南通三个地市的年均绩效值却在十年内有着较为明显的降低。其中南通市变化幅度最大，2015年较2006年绩效值降低0.315。
3.3.3工业废水排放绩效分布演变趋势
图3是描述2006—2015年江苏省工业废水排放绩效的核密度曲线，采用2006、2009、2012和2015四个年度数据。分布图中的横轴表示工业废水排放的绩效水平，纵轴表示核密度[19]。总体而言，2006—2015年间，绩效呈单峰分布的总体态势保持不变。就密度的曲线位置和平移来看，2015年相对于2006年，峰值大幅上升，变化范围大幅缩小，这说明十年间绩效的地区差异大大缩小。在2006—2012年间，分布曲线总体呈现右移的趋势，说明在这段时间内，江苏省工业废水排放绩效总体提升。但是，在2015年分布曲线较2012年相比左移，但峰值急剧增加，变化范围小幅缩小，这说明2015年江苏省各地市的工业废水排放绩效向着高水平聚拢。
3.3.4工业废水减排潜力测度
改进方向的基础上，得到投入产出模型中非期望产出改进的目标值。在表4显示的是江苏各地市和三个地区的年均工业灰水足迹、年均工业灰水减排值、减排潜力和减排贡献率，以及各地市在减排潜力和贡献率上的排名。就城市而言，苏州工业生产所产生的年均工业灰水足迹最多，为256.75亿m3，并且同时占据最高的减排贡献率
整个江苏省工业废水中污染物排放所需的年均灰水足迹为1 191.58亿m3，其中苏南的年均灰水足迹最多，为623.4亿m3。这与苏南地区经济发展水平高，工业生产规模大，工业用水量和排污量大等因素有关。其次是苏北地区，平均工业灰水足迹为308.13亿m3，这与苏北地区重工业和化工工业等高污染工业为主的产业发展结构有关，也与苏北地区2006年以来经济的迅猛发展速度息息相关。苏中地区的年均灰水足迹最少，为260.05亿m3。就减排潜力而言，苏北地区0.32的减排潜力大于苏中地区的0.27和苏南地区的0.13。并且在减排贡献率上，苏北地区贡献最大，为38.7%；苏南地区贡献35.44%，位列其次；苏中地区贡献最少，为25.8%。
4结论
在生产前沿函数和规模方向距离函数的基础上，本文对江苏省13个地级市的2006—2015年期间年度工业废水排放绩效进行研究，对研究期间绩效的时空分布和分布的动态演变趋势进行分析，得到各地市的工业废水减排潜力和减排值，并进行排序。结论如下：
（1）研究期间，江苏省各地市的工业废水排放绩效水平都有所提升。就苏南、苏北和苏中三个地区而言，绩效水平与经济发展水平呈正相关，苏南地区绩效值0.911，为最高；苏中地区和苏北地区分居二三位，分别为0.789和0.624；苏北地区提升速度最快，由0.529增长至0.79，增长率为49.5%。苏中地区2010—2014年期间绩效下降最明显。
（2）从空间分布和动态演变上看，江苏省各地区的工业废水排放绩效存在空间分布上的差异，但2006—2015年其趋势显示绩效差异正在逐步减小，并且绩效值向高水平聚拢。
（3）在减排潜力方面，苏北地区拥有最大的减排潜力0.32，并且提供了整个江苏省38.77%的减排贡献值。整个江苏省的年均减排潜力值为263.5亿m3，占年均工业灰水实际排放值的24%。说明江苏省的工业废水减排仍存在较大的提升空间。
（编辑：刘照胜）
参考文献（References）
[1]CHUNG Y H， FRE R， GROSSKOPF S. Productivity and undesirable outputs： a directional distance function approach[J]. Microeconomics， 1995， 51（3）：229-240.
[2]RAMLI N A， MUNISAMY S， ARABI B. Scale directional distance function and its application to the measurement of ecoefficiency in the manufacturing sector[J]. Annals of operations research， 2013， 211（1）：381-398.
[3]FRE R， GROSSKOPF S. Directional distance functions and slacksbased measures of efficiency[J]. European journal of operational research， 2010， 206（1）：320-322.
[4]ZAIM O， FATMA T. Environmental efficiency in carbon dioxide emission in the OECD a nonparametric approach[J]. Journal of environmental management， 2000， 58（2）： 95-143.
[5]ZOFIO J L， PRIETO A M. Environmental efficiency and regulatory standards： the case of CO2 emission from OECD industries[J]. Resource and energy economics， 2001， 23（1）： 63-83.
[6]ZHOU P， WANG H. Energy and CO2 emission performance in electricity generation： a nonradial directional distance function approach[J]. European journal of operational research， 2012，221（3）： 625-635.
[7]WANG Q W， ZHOU P， SHEN N， et al. Measuring carbon dioxide emission performance in Chinese provinces： a parametric approach[J]. Renewable and sustainable energy review， 2013， 21：324-330.
[8]付麗娜，陈晓红，冷智花.基于超效率DEA模型的城市群生态效率研究——以长株潭“3+5”城市群为例[J].中国人口·资源与环境，2013， 23（4）： 169-175. [FU Lina， CHEN Xiaohong， LENG Zhihua. Urban agglomerations ecoefficiency analysis based on superefficiency DEA Model： case study of ChangZhuTan ‘3+5 urban agglomeration[J]. China population， resources and environment， 2013， 23（4）： 169-175.]
[9]孙作人，周德群，周鹏.工业碳排放驱动因素研究：一种生产分解分析新方法[J].数量经济技术经济研究，2012（5） ： 63-74. [SUN Zuoren， ZHOU Dequn， ZHOU Peng. Driving forces of industrial CO2 emissions： a new productionbased decomposition analysis method[J]. The journal of quantitative & technical economics， 2012（5）： 63-74.]
[10]李健，鄧传霞.基于SDDF的中国省区二氧化碳排放效率及减排潜力测度[J].软科学，2015， 29（3）：70-73. [LI Jian， DENG Chuanxia. Study on carbon dioxide emission performance and reduction potential of China provinces based on SDDF [J]. Soft science， 2015， 29（3）： 70-73.]
[11]FARRELL M J. The measurement of productive efficiency[J]. Journal of the royal statistical society， 1957： 253-290.
[12]BATTESE G E， CORRA G S. Estimation of production frontier model： with application to the pastoral zone of Eastern Australia[J]. Australian journal of agricultural and economics， 2012， 21（3）： 169-179.
[13]FRE R， GROSSKOPF S， LOVELL C A K， et al. Multilateral productivity comparison when some outputs are undesirable： a nonparametric approach[J]. The review of economics and statistics， 1989， 71（1）：90-98.
[14]王惠，王树乔.中国工业CO2排放绩效的动态演化与空间外溢效应[J].中国人口·资源与环境， 2015， 25（9）：29-36. [WANG Hui， WANG Shuqiao. A study on dynamic evolution of industrial carbon emissions performance and its factors in China [J]. China population， resources and environment，2015， 25（9）： 29-36.]
[15]张军，章元.对中国资本存量K的再估计[J].经济研究， 2013（7）： 35-43. [ZHANG Jun， ZHANG Yuan. Reestimation of Chinas stocks of capital[J]. Economic research journal， 2013（7）： 35-43.]
[16]周五七，聂鸣.中国碳排放效率的区域差异研究[J].数量经济技术经济研究， 2012（9）： 58-70. [ZHOU Wuqi， NIE Ming. Regional differences in the efficiency of industrial carbon emission in China[J]. The journal of quantitative & technical economics， 2012 （9）： 58-70.]
[17]HOEKSTRA A Y， CHAPAGAIN A K， ALDAYA M M， et al. The water footprint assessment manual： setting the global standard [M]. London， UK： Earthscan， 2011： 27-35.
[18]曾昭，刘俊国.北京市灰水足迹评价[J].自然资源学报， 2013， 28（7）： 1169-1178. [ZENG Zhao， LIU Junguo. Historical trend of grey water footprint of Beijing， China.[J]. Journal of natural resources， 2013， 28（7）： 1169-1178.]
[19]施祖麟，黄治华.基于核密度估计法的中国省区经济增长动态分析[J].经济经纬， 2009（4）：60-63. [SHI Zulin， HUANG Zhihua. A dynamic analysis of the economic growth on the provincial level in China based on kernel density estimation method.[J]. Economy survey， 2009 （4）： 60-63.]
