| 标题 | 中国区域生态经济投入效益测度及其时空演化分析 |
| 范文 | 马歆 MUHAMMAD+Raheel 薛天天 王继东 摘要 在政府强化环境绩效考核的当下，科学考察中国区域生态经济投入效益时空演化规律，对于中国实现经济发展与环境保护双赢具有重要的现实意义。基于此，本文采用2003—2014年中国大陆30个省、市和自治区数据，考虑废水、化学需氧量、工业废气和工业烟（粉）尘等非期望产出，构建SBMDEA超效率模型测算中国区域生态经济投入效益水平。并基于空间经济学的视角，对区域生态经济投入效益时空演化格局进行分析。结果显示：①区域生态经济投入效益呈现从东部沿海向西部内陆地区逐渐递减的地带性差异；②要素配置失衡导致资源投入效率存在“短板效应”，各区域表现出不同的资源投入松弛量空间分布状态、生态经济投入效益无法达到最优状态；③空间全局Morans I 指数证实区域生态经济投入效益逐步由较强的空间集聚状态向较弱集聚状态转变；④GetisOrd Gi*指数结果表明，热点和次热点区域呈现出与生态经济投入效益较为一致的地带性分布；⑤重心移动轨迹曲折，东西往复摆动，表明中国区域生态经济投入效益分布存在振荡演化趋势。这意味着：要重视省际间的经济联系，强化区域联动和产业分工，在结构转换的带动下提升资源的配置效率；逐步引导企业成为科技研发投入的主体，使研发投入与产品和市场紧密结合，高层次人力资源，培养与企业需求相结合。延长热点区域技术、人力资源等生产要素的空间溢出半径，缩小生态经济投入效益冷热点区域之间的失衡；政府要建立规范化的治污投资效益评价体系加强治污投资资金的管理和监督，注重依靠市场化的手段将区域经济发展过程中的外部性内部化，从而推动区域生态经济投入效益水平的不断提升。 关键词 区域生态经济投入效益；非期望产出；SBMDEA超效率模型；时空演化 中图分类号 F124.5 文献标识码 A 文章编号 1002-2104（2017）11-0010-11 DOI：10.12062/cpre.20170456 近年来，中国不少地区雾霾天气频发，持续时间长，影响范围大，给经济社会发展带来了不利影响，引起全社会的关注。同期由亚洲开发银行和清华大学联合发布的环境报告中指出，中国最大的500个城市只有不到1%达到世界卫生组织推荐的空气质量，在全球污染最严重的10个城市中，中国占到了7个[1]。中国作为经济增长最快的国家，资源粗放式利用、污染物肆意排放与生态环境问题日益突出，并在不同地区间呈现出不同的表现形式[2]。传统的资源环境经济学更多的是从资源稀缺配置的视角研究如何减少经济发展过程中外部性的影响，不少学者对污染物排放和资源投入之间的关系进行了探索，并得出许多有意义的结论[3-5]。但是这些文献大都假定本地的资源投入和污染排放与邻近地区没有关系，即没有考虑到空间的因素。根据美国地理学家Tobler在1970年提出的“地理学第一定律”中所指出的：Everything is related to everything else， but near things are more related than distant things[6]，各地区之间的经济发展、资源投入和生态环境所存在的差异性必定与它们的地理位置和空间关系相关，临近地区间有较强的相互影响并不断地演化，既存在空间异质性（spatial heterogeneity），也存在空间相关性（spatial correlation）和集聚（clustering）分布。 党的十八大首提“美丽中国”、将生态文明纳入到“五位一体”总体布局。2016年12月12日，在国家发展改革委、国家统计局、环境保护部、中央组织部制定的《绿色发展指标体系》和《生态文明建设考核目标体系》中，资源利用权重占29.3%，环境治理权重占16.5%，环境质量权重占19.3%，生态保护指标权重占16.5%，增长质量权重占9.2%，绿色生活权重占9.2%。其中GDP增长质量权重不到资源利用、环境质量权重的一半，占全部考核权重不到10%。中国未来发展政策的制定既要“金山银山”，也要“绿水青山”，不仅要为经济发展留有适当空间，更要以资源节约和生态环境的持续改善为终极目标。基于此，本文选择能够同时反映经济发展和生态环境状况的“生态经济投入效益”作为研究对象，分析其时空演化格局，并在此基础上揭示相应的政策含义，具有必要性和现实的指导意义。本文结构安排如下：第一部分为相关研究述评；第二部分为研究方法与数据来源；第三部分运用考虑非期望产出的SBMDEA超效率模型对中国区域生态经济投入效益进行测算，并从空间经济学视角进行了分析；第四部分给出结论以及相应的政策建议。 1 相关研究述评 “经济和生态是一个不可分割的整体，在生态遭到破坏的世界里不可能有福利和财富”[7]。如果忽视经济活动对生态环境的影响，当两者不能够相互平衡时，就不可能实现社会再生产的良性发展。生态经济投入效益是投入生态资源要素的成本与获得的经济收入的比值。在某区域范围内，可使用地区生产总值或地区总产出等指标衡量经济收入；“生态资源要素”包含资源消耗与污染排放两个部分[8]。其中，资源消耗可以用各种直接原料投入来衡量，主要包括能源消耗量、水消耗量、土地等资源消耗量[9]；污染排放则以排放量进行衡量，主要包括废水、废气、烟（粉）尘的排放量等[10]。 现有文献中关于区域生态经济投入效益的评价方法主要包括：模糊综合评价法[11]、层次分析法（analytic hierarchy process，AHP）[12]、随机前沿分析（Stochastic Frontier Approach，SFA）[13]和数据包络分析法（data envelope analyse，DEA）[14]。模糊综合评价法的优点在于能够通过隶属度函数和模糊统计，实现被评价对象的定性指标定量化，且评价结论是评价集在其论域上的子集，涵盖了非常丰富的潜在信息量。其不足之处是：权重指标的确定带有较强的主观性，如果是多目标决策问题，隶属度函数的确定也存在较多困难[15]。AHP的优势在于原理的简单性与计算的便利性。但是在构建层次结构模型， 并运用成对比较矩阵进行判断的过程，存在着较强的主观性，有可能产生某些片面性判断，结果较为粗糙[16]。SFA始于对生产最优化的研究，是一种典型的参数方法。其特点在于：当分析生产参与者决策行为的时候，误差项不再是均值为0的对称分布，而是与边界线相联系的误差项，通常称为“复合误差项”，由对称分布误差项与单边误差项组成。其中，对称分布误差项用于考虑环境因素的影响，而单边误差项则用于测度生产参与者的技术有效性[17]。但是，当单边误差项存在异方差时，得到的生产边界结构参数的估计值以及技术效率的估计值都是有偏的，无论是固定效应还是随机效应模型都不适合，极大似然法虽然可用，但由于估计参数过多，实践上并不可行[18]。DEA是一种基于被评价对象间相对比较的非参数方法，基本原理相对简单，尤其是适用于多投入、多产出的决策单元（decision making unit， DMU）效率评价问题，而且不需要对评价系统输入和输出的函数形式进行假定，排除了主观因素。在测算生态经济投入效益时，涉及的资源投入和污染排放指標较多，衡量单位存在着较大差异，而DEA能够有效地解决此问题，因此，得到了较为广泛的应用。Sueyoshi和Goto[19] 应用径向DEA方法进行了相关研究，但是径向距离函数采用的是传统的谢泼德距离函数（shephard distance function），这种函数对于所有的期望产出和非期望产出的增加和减少是等比例的，而实际的情况是希望减少非期望产出，增加期望产出的数量。Rosanopean et al[20] 应用方向距离函数（directional distance function）弥补了谢泼德距离函数的不足，在设定期望产出增加的同时，非期望产出将严格等比例减少。但是在既定投入的情况下，如果对非期望产出采用强可处置性，则非期望产出减少的数量可能超越生产前沿，这显然是不合逻辑的。如果对非期望产出采用弱可处置性，即对非期望产出的减少设定下限，则可能丢失一部分生产可能集。另外，在径向DEA模型中，对于无效率程度的测量只包含了所有投入或（产出）等比例缩减（增加）的比例。对于无效DMU而言，其当前状态与强有效目标值之间的差距，除了等比例改进的部分之外，还包括松弛改进的部分，而松弛改进的部分在效率值的测量中并未得到体现。Chang et al[21]采用SBMDEA（slack based measure，SBM）模型来解决这个问题，并应用于环境效率的测算，在SBMDEA模型中，可以用各项投入（产出）可以缩减（增加）的平均比例来衡量DMU的无效率。需要注意的是：无论是径向距离函数DEA、方向距离函数DEA，或者是SBMDEA方法，在面对多投入和多产出指标时，由于有效DMU都为“1”，给进一步细化判断带来了困难。为此，Anderson和Petersen[22]提出了超效率（super efficiency model），其基本思想是用有效DMU的投影点（投入增加和/或产出减少）替换该DMU后，投影点在标准效率模型中是有效的，允许效率值大于1，这样就可以对有效DMU的效率高低做进一步区分。成金华等人[23] 构建了径向超效率DEA评价模型，在模型中将污染物等非期望产出设定为“投入”指标。一方面不符合生产实际情况，另一方面可能存在得到的效率值不满足单调性，即可能出现被评价DMU减少投入或者增加产出后，得到的效率值反而会下降的情况，无法保证DMU无效率正确的改进方向。 分析以上文献可知：第一，传统的径向DEA方法无法解决松弛调整部分缺失问题，难以实现当前状态与强有效目标值之间差距的有效缩小；第二，方向距离函数存在强处置性处理非期望产出超越生产前沿，采用弱处置性处理非期望产出丢失一部分生产可能集，导致最终有效DMU不合理或者缺失；第三，当投入和产出指标较多时，由于最大有效DMU的效率值均为“1”，大多数DEA模型都无法做进一步的区分；第四，环境污染是非期望产出，如果被直接作为DEA模型的“投入”来测算生态经济投入效益，DMU相对效率的前沿面将发生本质改变，虽然能够尽可能地缩减非期望产出，但不符合实际的生产过程；第五，当前采用DEA模型对于生态经济投入效益的分析大多是靜态分析，没有考虑到空间因素和地理关联属性，研究动态演化的文献很少。 本文的主要贡献在于：首先，本研究采用Tone[24]提出的SBMDEA超效率模型作为基础。与传统的径向DEA超效率模型相比，SBMDEA超效率模型将松弛变量直接加入到目标函数中，能够较好地解决松弛调整部分缺失的问题；其次，将被评价DMU从参照的生产可能性集中去除，即被评价DMU的效率是通过参照其他DMU所构成的有效前沿得到，有效DMU的超效率值一般大于1，从而可以对有效DMU进行区分，保证研究结果的稳健性；再次，为了与实际生产情况相一致，将污染物等作为非期望产出引入到SBMDEA超效率模型，构造了一个考虑非期望产出的改进SBMDEA超效率模型，用于中国区域生态经济投入效益的测算；最后，运用地理空间统计分析手段，考虑生态经济投入效益在区域之间的扩散和极化效应，研究了其空间差异和动态演化特征。 2 研究方法与数据来源 2.1 方法与模型 2.1.1 生态经济投入效益测度 本文构建了考虑非期望产出的SBMDEA超效率模型，实证测算中国区域生态经济投入效益水平。模型设定如下： 假设存在n个同质的DMU，每个DMU包括三种要素：m种资源消耗作为投入指标，q1种产品作为期望产出指标（例如GDP），q2种产品作为非期望产出指标（环境污染），向量形式分别表示：x∈Rm，y∈Rq1，b∈Rq2；X、Y和B是要素矩阵： X=[x1，…，xn]∈Rm×n， Y=[y1，…，yn]∈Rq1×n， B=[b1，…，bn]∈Rq2×n。针对于每一个DMU，所有可行的投入和产出要素构成非负的生产可能性集，在给定技术条件下，通过调整投入和产出的松弛变量，所有的DMU实现自身效率的最大化。 minθ=[SX（]1+1m×∑m[]i=1s-ixi，k 1-1（q1+q2）×（∑q1r=1s+ryr，k+ ∑q2f=1sb-fbf，k）（1） s.t.∑nj=1，j≠kxi，jλj-s-i≤xi，k，s-i≥0 i=1，2，…，m ∑nj=1，j≠kyr，jλj+s+i≥yr，k，s+r≥0 r=1，2，…，q1 ∑nj=1，j≠kbf，jλj-sb-f≥bf，k，sb-f≥0 f=1，2，…，q2 1-1（q1+q2）×（∑q1r=1s+ryr，k+ ∑q2f=1sb-fbf，k）>0 λj>0 j=1，2，…，n 其中，θ为超效率值；s-i表示第i种资源消耗的松弛变量，s+r表示第r种期望产出的松弛变量，sb-f表示第f种非期望产出松弛变量；s-，s+，sb-为松弛变量向量；λ为参考DMU的权重系数，待估计。 2.1.2 全局空间自相关 全局Morans I指数同时根据要素位置和要素值来度量全局空间自相关，用于检验邻近区域之间相似或者独立的关系。如果全局 Morans I 指数为正，其值越接近于1，表明具有相似属性区域集聚程度越显著；如果该指数为负，其值越接近-1，表明具有相异属性的区域集聚程度越显著；当指数趋近于0，表明邻近区域之间不存在空间相关性或者属性是随机分布。Morans I 指数计算公式如下： Morans I=n∑ni=1∑nj=1vi，j× ∑ni=1∑nj=1vi，j×|xi-x|×|xj-x|∑ni=1|xj-x|2（2） 其中，vi，j是要素i和j之间的空间权重，xi和xi是要素i和j的属性值，x是平均值，n等于要素总数。 2.1.3 GetisOrd Gi*指数 为识别空间数据的局部特性，Getis和Ord提出可以对数据集中的每一个要素计算Getis-Ord Gi*指数，表示为： G*i= ∑nj=1φi，jxj-（1[]n∑nj=1xj）×∑nj=1φi，j ∑nj=1xjn- （1[]n∑nj=1xj）2× n∑nj=1φ2i，j- （∑nj=1φi，j）2n-1 （3） 其中，xj是要素j的属性值，φi，j是要素i和j之间的空间权重，n为要素总数。依据GetisOrd Gi*指数得到的z值和p值，可以显示高值（热点）或低值（冷点）要素在空间上发生聚类的位置。对于具有显著统计学意义的正的z值，z值越高，高值（热点）的聚类就越紧密；对于统计学上的显著性为负的z值，z值越低，低值（冷点）的聚类就越紧密。各区域生态经济投入效益的热点和冷点分别代表生态经济投入效益高水平地区和落后地带。 2.1.4 重心 如何能够精确显示出中国区域生态经济投入效益的分布状况和变化情况呢？本研究采用重心指标来测定和描绘中国2003—2014年区域生态经济投入效益的分布及演化轨迹。重心概念来源于力学，表示物体内各个点所受重力产生合力的作用点。1874年美国耶鲁大学教授Walker首先将此概念应用于研究人口分布，随后在经济、社会等多学科中得到了应用。本文设定某区域为质地均匀的平面，生态经济投入效益在此平面上分布，如果平面上存在着一个支点，使平面保持水平稳定，则该支点被称作区域生态经济投入效益的重心。采用经纬度表示重心的位置，区域生态经济投入效益大小随着时间持续变化，重心的位置也在不断的改变，形成区域生态经济投入效益重心的移动轨迹。该轨迹移动方向表示区域生态经济投入效益的移动趋势，而连续的移动轨迹表示在一个时间段内区域生态经济投入效益的历史演化过程。假设n个小区域组成一个大区域，每个小区域均有各自的生态经济投入效益值，对于该大区域而言，区域生态经济投入效益重心的计算公式如下： ψ（Lngg，Latg）=[∑n[]a=1μaLnga∑n[]a=1μa， ∑n[]a=1μaLata∑n[]a=1μa]（4） 其中，ψ（Lngg，Latg）表示某个小区域第g年重心的经纬度坐标，μa为小区域的特定属性值。 2.2 样本与数据 考虑到数据的一致性和可得性，本研究样本不含西藏、台湾、香港以及澳门。采集了 2003—2014 年间中国大陆30个省、直辖市和自治区的样本数据。以各省区建设用地、用水总量和能源消费总量为投入要素，以各省区GDP作为期望产出要素，以废水排放总量、化学需氧量排放总量、工业废气排放总量、工业二氧化硫排放量、工业烟（粉）尘排放量和一般工业固体废物产生量作为非期望产出要素来进行区域生态经济投入效益分析。①各省、区和直辖市年度GDP和GDP平减指数来自于各年度的《中国统计年鉴》，以2003年为基年，经过平减整理得到研究期内各省、区和直辖市不变价格的GDP，单位为亿元。②建设用地数据来源于Wind数据库和《中国城市统计年鉴》，单位为hm2。③用水总量数据来源于Wind数据库和《中国水利统计年鉴》，单位为万m3。④各省、区和直辖市每年消耗的各种能源量，折算成标准煤后进行加总得到能源消耗总量，主要数据来自于相应各年份的《中国能源统计年鉴》。⑤ 非期望产出数据来自于各年度的《中国环境统计年鉴》。其中，废水排放总量的单位为万 t，化学需氧量排放总量的单位为万 t，工业废气排放总量的单位为亿 m3，工业二氧化硫排放量的单位为 t，工业烟（粉）尘排放量的单位为 t，一般工业固体废物产生量的单位为万 t。⑥按照国家统计局的划分标准，将中国划分为东部地区、中部地区和西部地区三个区域。其中，东部地区包括北京、上海和海南等 11 个省和直辖市。中部地区包括江西、河南和吉林等 8 個省份。西部地区包括四川、广西和重庆等11 个省、市和自治区。 3 计算结果与相关分析 3.1 区域生态经济投入效益测度及总体特征 建立考虑非期望产出的SBMDEA超效率模型，对2003—2014年中国区域生态经济投入效益进行估计。从省级尺度上分析，中国各省区生态经济投入效益存在明显的波动性（见表1）。大体分为五种类型：① 上升型，包括天津、辽宁、上海、北京、广东等5个东部省市，以及中部地区的吉林；② 下降型，包括浙江、福建、山东等3个东部省份，山西、黑龙江、安徽、河南等4个中部省份，以及西部地区的云南；③ 平稳型，包括东部地区的江苏，中部地区的江西、湖北，以及西部地区的青海；④ 下降-上升型，东部地区的海南，中部地区的湖南，以及西部地区的重庆；⑤ 上升-下降型，包括宁夏、新疆、内蒙古、陕西、甘肃、四川、贵州和广西等8个西部地区，以及东部地区的河北。总体而言，经济发展水平较高的地区如北京、天津和上海等，以及经济发展水平虽然不高，但是旅游资源较为丰富的海南等省市，生态经济投入效益始终保持向好的态势，生态资源投入和经济发展之间的平衡性较好。而甘肃、青海等经济欠发达地区，以及河南、山西等以资源型、重工业型为经济主导的省份，生态经济投入效益发展趋势不佳。 从平均值来看（见表2），中国各省、市和自治区生态经济投入效益差异显著。北京（1.893）的生态经济投入效益最高，位于生态经济投入效益最优前沿曲线上。广东（1408）、天津（1319）、 上海（1.231）、福建（1.151）、浙江（1057）和海南（1019）等省市生态经济投入效益相对较高，而安徽（0.590）、广西（0.582）、山西（0.572）、青海（0520）、甘肃（0465）、新疆（0.378）和宁夏（0.271）是生态经济投入效益最低的省区。从各年份来看，北京、天津、广东和上海位于生态经济投入效益最优前沿曲线上的次数较多，始终是生态经济投入效益最高的省市。甘肃、新疆、宁夏和青海等西部省区一直是生态经济投入效益较低的省区。 从区域尺度分析，生态经济投入效益存在着明显的地带性差异，呈现出从东部地区向西部地区逐步递减的趋势。同时，总体的生态经济投入效益也处于明显下降的态势，从2003—2014年，位于生态经济投入效益高水平的省区数量在明显减少，说明中国的生态环境状况在持续恶化。全国生态经济投入效益的平均值为0.822，东部地区平均值最高（1.118），中部地区次之（0.711），西部地区最低（0.605）。但从各年份来看，三大区域生态经济投入效益的差异相对较为稳定。不同区域生态经济投入效益的空间分布格局反映出区域资源投入产出效率，对污染物等非期望产出的控制能力，以及经济发展水平的差异性。总体而言，良好的地理位置和较高的生产技术水平为东部地区资源投入产出的清洁与高效率提供了有利保障。而西部地区由于受生产技术水平约束、资源要素配置结构合理性、交通基础设施完备性等多种因素的影响，生态经济投入效益一直处于较低水平。 中国的区域生态经济投入效益与自然资源禀赋之间总体存在明显的负相关性。自然资源相对匮乏的地区或者自然资源调入的地区，生态经济投入效益相对较高，如北京、上海、广东、天津等省市。而自然资源丰富的地区，如煤炭资源较为丰富的贵州、山西、内蒙古、河南等省区，水资源较为丰富的四川、云南、广西、湖南等省区，油气资源较为丰富的新疆、黑龙江等省区，生态经济投入效益反而相对较低（见表2），这种现象在某种程度上反映出中西部地区的生态经济投入效益存在着巨大的提升空间，可以通过改进生产技术水平、优化资源投入比例等措施来提升自然资源投入产出的效率，降低废水、化学需氧量、工业废气等非期望产出的水平。 从自然资源投入比例分析，由于中国经济、资源、技术水平等空间分布的不平衡，导致影响各省、市、区生态经济投入效益变化的因素存在差异性。在当前的技术水平约束下，要素配置失衡是生态经济投入效益无法达最优状态的主要诱导因素，呈现资源投入效率的“短板效应”，造成自然资源的浪费和无效率。可以将资源要素投入松弛分为三种类型：即建设用地投入松弛、能源消耗总量投入松弛、用水总量投入松弛，不同类别的省、市、自治区表现出不同的空间分布状态。 （1）建设用地投入松弛。随着各省、市和自治区城市化和工业化进程的加快，建设用地利用效率较低，使有限的土地资源空间受到了严重的挤压。2003年18个省、市和自治区的建设用地投入松弛，居于前五位的省为辽宁（83 736.9，单位：hm2，下同）、湖北（83 442.1）、四川（62 407.2）、安徽（57 801.0）和黑龙江（52 431.8）。2008年18个省、市、自治区的建设用地投入松弛，居于前五位的省为黑龙江（75 277.4）、辽宁（68 306.1）、安徽（39 5764）、吉林（36 955.8）和湖北（36 645.5）。2014年20个省、市和自治区的建设用地投入松弛，居于前五位的省区为山东（104 231.4）、黑龙江（89 507.6）、湖北（76 562.7）、新疆（63 091.5）和安徽（48 381.8）。这些省区以中部地区为主，东部和西部地区较少。从2006年中国政府提出“中部崛起”战略以来，借助于优质的资源禀赋和独特的地理区位，中部地区的经济发展速度得到了极大地提升，但是中部地区是中国农业发展条件最为优良的区域，是中国粮食主产区，如何提升中部地区建设用地利用效率，对于化解建设用地扩张与保障中国粮食安全之间的矛盾具有重要意义。 （2）能源消耗总量投入松弛。2003年18个省、市和自治区的能源消耗总量投入松弛，居于前五位的省为安徽（2 328.245，单位：万tce，下同）、山西（7 297.017）、河北（5 827.267）、四川（4 906.453）和贵州（4 465.890）。2008年19个省、市、自治区的能源消耗总量投入松弛，居于前五位的省为山西（9 817.769）、四川（6 920.162）、辽宁（6 437.531）、湖北（5 393.499）和湖南（4 995.452）。2014年19个省、市和自治区的能源消耗总量投入松弛，居于前五位的省区为河北（14 486.452）、山西（13 253.026）、新疆（10 324.510）、内蒙古（9 103.557）和河南（7 173.515）。能源消耗总量投入松弛的省区以中西部地区为主，这些省区不仅能源资源丰富，而且近年来经济发展水平增速较快。但是，这些省区的工业结构以矿产、冶炼、电力、煤化工、重型装备制造业为主，高新技术产业占比较低，能源利用无效率现象较为突出，且呈现出急剧增长的态势。 （3）用水总量投入松弛。2003年14个省、市、自治区的用水总量投入松弛，居于前五位的省区为新疆（4 412 977.160，单位：万m3）、广西（1 828 408.412）、黑龙江（1 449 235.465）、内蒙古（1 165 106.914）和甘肃（760 202.730）。2008年20个省、市、自治区的用水总量投入松弛，居于前五位的省为新疆（4 786 027.910）、黑龙江（2 364 325.461）、广西（2 173 824.114）、江苏（2 138 527.379）和湖南（1 782 202.561）。2014年19个省、市、自治区的用水总量投入松弛，居于前五位的省区为新疆（5 044 989.290）、黑龙江（2 992 901.023）、广西（2 052 976.334）、江西（1 576 950.802）和内蒙古（1 547 622.865）。用水总量投入松弛的省区以西部地区为主，西部是中国主要江河的源头和上游地区，也是重要的生态安全屏障。由于自然条件恶劣，经济社会发展底子薄，历史欠账多，投入规模不足等原因，西部地区在水资源、水环境、水生态、水灾害等方面存在较多的问题，水供需矛盾的老问题逐渐演变成制约西部发展的大瓶颈。在新疆、甘肃、内蒙古等西部省区，多数地区已逼近用水总量“红线”，经济社会持续发展面临“无水可用”的境地，一些谋划多年的大项目因没有用水资源指标的支撑而停摆。必须通过落实最严格水资源管理制度，严格水资源开发利用控制、用水效率控制和水功能区限制纳污控制 “三条红线”管控，才能实现水资源消耗总量和强度的双控，最终达到经济社会发展与水资源条件相适应。 3.2 全局空间演化特征 前文对中国区域生态经济投入效益时间演变特征及区域差异特征进行了分析，然而中国区域生态经济投入效益在空间上及演化过程表现出何种规律？换言之，某一区域的生态经济投入效益的高低变化与相邻区域生态经济投入效益变化是否存在關联关系？则需要通过地理空间统计方法研究。 通过全局Morans I指数来分析2003—2014年中国区域生态经济投入效益总体格局演化特征，运用ArcGIS10.2分析软件，测算出2003—2014年中国区域生态经济投入效益的全局Morans I估计值（见表3）。全局Morans I分析发现：① 2004—2008，2010年能够通过1 %显著性水平检验，2003，2009和2011年能够通过5 %显著性水平检验，其他年份可以在10 %的显著性水平通过检验；② 在所有的显著性检验水平上，全局Morans I估计值均表现出正的空间相关性，说明生态经济投入效益高（或低）的省区总体呈现集聚分布空间格局；③ 2003—2008年，全局Morans I估计值有不断上升的态势，从0.516 8提高到0.887 5，说明这6年以来中国区域生态经济投入效益的空间相关性愈加明显，呈现较强的空间集聚态势。2008年之后，全局Morans I估计值呈现出不断下降的态势，2014年降低到0.401 6，有向0值靠拢的趋势，表明空间格局上逐渐呈现显著的弱集聚分布态势。 3.3 冷热点格局演化特征 通过GetisOrd Gi*指数的计算对中国区域生态经济投入效益局部聚集特征进行分析，采用自然断裂点法（Jenks）将数值由低到高划分为5类，分别为：热点区域、次热点区域、过渡区域、冷点区域和次冷点区域（见表4）。2003年，2008年和2014年3个年份的冷点和热点数量、结构的分布不均匀，呈现出显著的空间异质性。① 2003、2008和2014年热点区域的比重始终相对稳定，保持在6.67%。热点区域和冷点区域之和的比重分别占总数的30%、33.34%和16.67%，次热点区域、过渡区域和冷点区域之和的比重分别占总数的70%、66.66%和8333%，表现出较为显著的纺锤体结构，各类型区域不平衡的状态明显。这种不平衡的状态在2008年虽然有所缓解，但随即有进一步加剧的趋势。② 中国区域生态经济投入效益的冷热点格局表现为与经济增长水平较为一致的地带性分布，从东部沿海地区到中西部内陆地区的格局差异明显。2003年热点区域为东部地区的北京和福建，次热点区域 围绕热点区域分布，主要集中在环渤海区域的天津和山东，长江三角洲区域的江苏、上海和浙江，珠江三角洲区域的广东、海南，中部地区的河南、湖南，西部地区的云南。冷点区域为宁夏、新疆、甘肃、贵州、内蒙古、广西和青海，全部为西部省区。除了四川和陕西之外，次冷点区域则主要集中在中部地区的吉林、江西、安徽、黑龙江和湖北等省份；2008年广东代替福建进入热点区域，北京保持不变。次热点区域有所收敛并呈现出向北偏移的趋势，内蒙古和河北分别从冷点区域和过渡区域变为次热点区域，而江苏和山东则由次热点区域转变为过渡区域。冷点区域和次冷点区域的数量有所增加，但是主要集中在中西部地区的格局没有改变。2014年热点区域仍然为北京和广东，次热点区域的分布，主要集中在东部区域的江苏、海南、上海、天津、福建和辽宁，以及中部地区的湖南和吉林。冷点区域和次冷点区域集中在新疆、宁夏、甘肃、内蒙古、山西、黑龙江、安徽、贵州、广西、青海、云南、江西和湖北。 （1）从循环累积因果效应和核心—边缘结构理论解释，区域生态经济投入效益冷热点失衡的原因在于：①热点和次热点区域不断累积有利因素增加而冷点区域却持续积累不利因素，冷点和次冷点区域往往是中西部经济欠发达地区，这些区域存在的地理二元经济格局又进一步放大了这种累积效应；② 先天禀赋较好的热点和次热点区域一方面通过“涓滴效应”带动了边缘区域的发展，另一方面边缘区域的自然资源、资本和劳动力等生产要素又由 于“虹吸效应”逐渐流入热点区域，加剧了区域生态经济投入效益失衡，而逐渐显化的极化效应又进一步抑制邻近区域的发展。 （2）从传统的经济地理学的角度分析，区位优势显著、先天要素丰裕的区域往往成为生态经济投入效益的热点和次热点区域。而大部分冷点和次冷点区域则位于经济发展速度较为缓慢的地区，这些区域有限的生态环境承载能力和严重滞后的生态管理体系是导致冷热点空间不平衡的初始性前置制约因素。即使受到国家西部大开发等政策的有力支持，但是长期以来所形成的粗放式发展方式和不合理的产业结构难以在短期内予以调整，这在一定程度上又抑制了发展模式的转型升级，甚至形成恶性循环。因此，冷点和次冷点区域的生态经济投入效益无法得到有效改善。 （3）从新经济地理学的视角出发，人力资本和技术要素的知识溢出、市场需求能力和完善的交通体系是促进生态经济投入效益提升的重要驱动因素。中国区域生态经济投入效益的冷热点分布也证实了这一点。热点和次热点主要集中在长江三角洲、环渤海、珠江三角洲、海西经济区等经济发达的东部沿海地区，尤其是上海、北京、天津和广州作为长三角、环渤海和珠三角的核心区域，高校和科研院所集聚、基础设施良好、金融市场发达，区域带动效应显著。而主要位于中西部地区的冷点和次冷点区域，高层次人才严重匮乏，科技基础薄弱，交通和通信等基础设施较为欠缺，严重制约了人流、物流和信息流在各区域之间联系，经济联动发展较弱，互补程度低，阻碍了这些区域承接热點和次热点区域的知识溢出与产业转移，延迟了通过经济发展模式转变提升生态经济投入效益的时间。 3.4 重心分析 中国生态经济投入效益重心反映了资源要素投入产出合理化程度在空间格局上的分布中心，如果向某个方向上移动，表明此方向上的区域生态经济投入效益增长速度要快于其他区域，资源要素投入产出合理化程度更高，重心分析对于研究中国生态经济投入效益的空间演化过程，实现资源要素投入的地理空间引导具有重要的意义。依据公式（4），计算出中国生态经济投入效益重心演化轨迹如图1所示。 （1）从整体上看，每年中国生态经济投入效益重心的变化范围在111.806°E—113.947°E，32.587°N—33.797°N之间，大致位于河南南部与西南部，总体移动范围大约240 km，说明从2003—2014年以来，中国区域生态经济投入效益分布一直在振荡演变。 （2）从经度来看，中国生态经济投入效益重心的移动轨迹曲折，东西往复摆动。但是向西部摆动的幅度逐渐减小，向东部摆动的幅度则逐渐加大。2003—2005年，中国生态经济投入效益重心总体上向西北发生偏移，移动距离约91.052 km；2006—2007年，中国生态经济投入效益重心总体上又向东部发生偏移，移动距离约30.027 km；2008—2010年，中国生态经济投入效益重心折向西南方向，偏移距离大约46.834 km；2010年之后，中国生态经济投入效益重心持续向东部移动，移动距离约136.578 km。如果取东经113.458°E为摆动的中心线，则在2003—2014年间，在此中心线西部有5个年份，而有7个年份在此中心线东部。这一个特点说明中国生态经济投入效益重心从2003年之后呈现出向东部偏移，尤其是在2010年之后，整体移动速度有所加快，表明东西部之间的生态经济投入效益差距有进一步扩大的趋势。 （3）在纬度变化方面，2003—2005年间中国生态经济投入效益重心的纬度持续提高，从2003年的32.587°N上升到2005年的33.797°N，但是从2006年开始，重心纬度始终以33.358°N为中心线进行摆动。这一特点表明中国南北方之间的生态经济投入效益格局在2006年之后基本上保持稳定。 （4）可能的原因在于：东部地区的生产技术水平较高，高层次人力资本存量大，新技术扩散 速度快，技术溢出效应明显，近年来一些传统的高耗能、高污染行业逐步压缩产能或者转移 到中西部地区。此外，东部地区各省（市、区）不断强化相互之间的经济合作与分工，发挥 自身的经济比较优势，在研发和生产加工方面形成有效互动，彼此协调趋向合理，已经成为 中国先进产业的主要集聚区域。同时，出口的政策支持、产业集聚效应、对外资的吸收优势 等因素又进一步提升了东部地区的产业层次，有效地促进区域生态效率的提升。而中西部地 区，尽管受到国家西部大开发战略和中部崛起战略等政策的大力支持，但是低碳高端产业的 发展状况仍不容乐观，比重较大的是一些资源加工型产业，如烟草加工、金属冶炼、建材、 煤化工、电力、盐加工业等。中部地区仅仅在运输设备制造业，西部地区在航空航天设备制 造业等方面在国内行业中占有较大份额，虽然达到了一定的技术水平，但是与国外先进水平 相比仍有较大差距，当前产品以满足内需为主，出口则面临着较高的“门槛效应”，对外依存 度低，对外贸易难以促进区域生态效率水平的大幅提升。此外，西部地区国有经济的比例一 直居全国最高，国有经济投资一直占主导地位，对于西部各省份而言，个体上仍然是一个相 对封闭的自我循环经济体，发展不均衡，经济联系与协作程度低，分工合作体制障碍严重。 投资主体多元化，各种经济成分共同发展的区域经济一体化格局远未形成，难以有效地通过 市场化的手段引导投资方向，提升资源配置效率，降低污染物的排放，促进区域生态效率的 改善。 4 结论与政策建议 实现经济发展和环境质量的有效平衡，是保持中国可持续发展的主要目标。本文采用中国30个省、市和自治区2003—2014年的数据，构建了考虑非期望产出的SBM—DEA超效率模型，对中国各地区的生态经济投入效益进行测算。在此基础上，从空间经济学的视角出发，对其时空演化过程进行了分析。主要结论如下： （1）整体上，中国各个地区的生态经济投入效益呈现出明显的地带性差异，表现为从东部沿海向西部内陆地区逐渐递减的趋势。但是生态经济投入效益的地带性差异水平相对保持稳定，反映了经济发展水平与资源利用能力的差异。从省际尺度来看，北京的平均生态经济投入效益最高，宁夏最低。从区域尺度来看，东部地区的平均生态经济投入效益最高，中部次之，西部最低。 （2）由于中国经济、自然资源、技术水平、人力资本等空间分布的不平衡，导致影响各省、市和自治区生态经济投入效益变化的因素存在差异性。在当前的技术水平约束下，要素配置失衡导致资源投入效率的“短板效应”，使生态经济投入效益无法达到最优状态，主要表现为建设用地投入松弛、能源消耗总量投入松弛、用水总量投入松弛，各省、市和自治区表现出不同的资源投入松弛空间分布状态。 （3）空间计量的全局Morans I 指数检验发现，中国的区域生态经济投入效益在空间上存在显著的正的空间相关性，这表明空间相邻区域生态经济投入效益高（或低）的省区呈现集聚分布空间格局。从时间尺度分析，全局Morans I估计值先上升后下降，说明中国区域生态经济投入效益从较强的空间集聚态势逐渐向较弱集聚分布态势转变。 （4）中国区域生态经济投入效益存在明显的失衡，这是现实的困境。热点和次热点区域集中在东部沿海地区，冷点和次冷点区域主要位于中西部地区；不同年份的冷热点分布虽然呈现出一定的波动性，但是总体上表现为与经济发展水平较一致的地带性分布，并且显示从沿海到内陆、东中西部逐步递减的状态；各区域的累积效应、生态承载力等初始性制约因素、基础设施和资金等弹性约束都是区域生态经济投入效益冷热点失衡的诱因。 （5）2003—2014年以来，中国生态经济投入效率重心的变化范围在111.806°E—113.947°E，32.587°N—33797°N之间，其分布存在振荡，重心的移动轨迹曲折，东西往复摆动，说明东西部之间的生态效率差距有进一步扩大的趋势。 上述结论蕴含的政策含义包括：①充分认识长期以来由于“梯度发展”模式所造成的东、中、西部不平衡的经济发展格局，打破地方保护主义壁垒，重视省际间的经济联系，强化区域联动和产业分工，结合各地区的资源禀赋、生产技术水平等外部因素，因地制宜统筹考虑产业结构的中长期优化布局，避免为了追求短期绩效而造成资源利用的无效率，有效降低污染物等非期望产出数量；②充分发挥市场资源配置的基础性作用，重视区域技术创新的空间溢出效应，强化东部地区与中西部地区之间研发合作，从而推动区域生态经济投入效益水平的不断提升；③完善资源市场的价格形成机制，注重对生态环境的补偿价值，缓解由于生态资源禀赋、环境承载力等先天制约因素所造成的负向效应。④加快推动基础设施均衡化发展，延长热点区域技术、人力资源等生产要素的空间溢出半径，助力邻近区域的产业结构转型升级，缩小生态经济投入效益冷热点区域之间的失衡；⑤政府要建立规范化的治污投资效益评价体系，加强治污投资资金的管理和监督。在考虑经济发展、生产技术水平、资源禀赋和空间关联所形成的“内涵排放”基础上，大力发展排污权交易、碳排放交易和资源税等环境管制措施，注重依靠市场化的手段将区域经济发展过程中的外部性内部化。 （编辑：于 杰） 参考文献（References） [1]景维民， 张璐. 环境管制、对外开放与中国工业的绿色技术进步[J]. 经济研究， 2014（9）： 34-47. [JING Weimin， ZHANG Lu. Environmental regulation， economic opening and Chinese industrial green technology progress[J]. Economic research journal， 2014 （9）： 34-47.] [2]成金華， 李悦，陈军. 中国生态文明发展水平的空间差异与趋同性[J]. 中国人口·资源与环境， 2015， 25（5）： 1-9. [CHENG Jinhua， LI Yue， CHEN Jun. Regional difference and convergence of ecological civilization level in China [J]. China population， resources and environment， 2015， 25（5）： 1-9.] [3]SANTOS S P， AMADO C， ROSADO J R. Formative evaluation of electricity distribution utilities using data envelopment analysis[J]. Journal of the operational research society， 2011， 62 （7）： 1298-1319. [4]涂正革， 谌仁俊. 排污权交易机制在中国能否实现波特效应？[J]. 经济研究， 2015（7）： 160-173. [TU Zhengge， CHEN Renjun. Can emissions trading scheme achieve the Porter effect in China？[J]. Economic research journal， 2015（7）： 160-173.] [5]KIELENNIVA N， ANTIKAINEN R， SORVARI J. Measuring ecoefficiency of contaminated soil management at the regional level[J]. Journal of environmental management， 2012， 109（30）： 179-188. [6]TOBLER W R. A computer movie simulating urban growth in the detroit region[J]. Economic geography， 1970， 46（2）：234-240. [7]GIARINI O . Dialogue on wealth and welfare， an alternative view of world capital formation： a report to the club of Rome [J]. Pergamon international library of science technology engineering and social studies， 1980， 48 （10）：1814-1817. [8]李勝兰， 初善冰，申晨. 地方政府竞争、环境规制与区域生态效率[J]. 世界经济， 2014（4）： 88-110. [LI Shenglan， CHU Shanbing， SHEN Chen. Interprovince regulatory competition， environmental regulation and ecoefficiency of regions[J]. The journal of world economy， 2014（4）： 88-110.] [9]SEPPALAA J， MELANEN M， MAENPAA I， et al. How can the ecoefficiency of a region be measured and monitored？[J]. Journal of industrial ecology， 2005， 9（4）：117-130. [10]PICAZOTADEO A J， REIGMARTINEZ E， HERNANDEZSANCHO F. Directional distance functions and environmental regulation[J]. Resource and energy economics， 2005，27（2）： 131-142. [11]HAN Y， GENG Z， ZHU Q， et al. Energy efficiency analysis method based on fuzzy DEA crossmodel for ethylene production systems in chemical industry[J]. Energy， 2015，83：685-695. [12]CHEN R Y. RFMbased ecoefficiency analysis using takagisugeno fuzzy and AHP approach[J]. Environmental impact assessment review， 2009， 29（3）： 157-164. [13]李燕， 李应博. 我国生态效率演化及影响因素的实证分析[J]. 统计与决策， 2015（15）：120-122.[LI Yan， LI Yingbo. An empirical analysis on the evolution of ecological efficiency and its influencing factors in China[J]. Statistics and decision， 2015（15）：120-122.] [14]GERDESSEN J C， PASCUCCI S. Data envelopment analysis of sustainability indicators of European agricultural systems at regional level[J]. Agricultural systems， 2013（118）： 78-90. [15]SUEYOSHI T， YUAN Y. Returns to damage under undesirable congestion and damages to return under desirable congestion measured by DEA environmental assessment with multiplier restriction： economic and energy planning for social sustainability in China[J]. Energy economics， 2016，56： 288-309. [16]EGILMEZ G， KUCUKVAR M， TATARI O. Sustainability assessment of U.S. manufacturing sectors： an economic input outputbased frontier approach[J]. Journal of cleaner production， 2013，53 （16）：91-102. [17]陶長琪， 王志平. 随机前沿方法的研究进展与展望[J]. 数量经济技术经济研究， 2011（11）：148-160.[TAO Changqi， WANG Zhiping. Stochastic frontier approach progress and prospects[J]. The journal of quantitative and technical economics， 2011（11）：148-160.] [18]KUOSMANEN T， SAASTAMOINEN A， SIPILAINEN T. What is the best practice for benchmark regulation of electricity distribution？ Comparison of DEA， SFA and StoNED methods[J]. Energy policy， 2013，61 （10）：740-750. [19]SUEYOSHI T， GOTO M. Returns to scale and damages to scale with strong complementary slackness conditions in DEA assessment： Japanese corporate effort on environment protection[J]. Energy economics， 2012，34 （5）： 1422-1434. [20]ROSANOPENA C， GUARNIERI P， SOBREIRO V A， et al. A measure of sustainability of Brazilian agribusiness using directional distance functions and data envelopment analysis[J]. International journal of sustainable development and world ecology， 2014，21 （3）：210-222. [21]CHANG Y T， PARK H S， JEONG J B， et al. Evaluating economic and environmental efficiency of global airlines： a SBMDEA approach[J]. Transportation research part D： transport and environment， 2014，27 （1）：46-50. [22]ANDERSON P， PETERSEN N C. A procedure for ranking efficient units in data envelopment analysis[J]. Management science， 1993，39 （10）：1261-1264. [23]成金华， 孙琼， 郭明晶，等. 中国生态效率的区域差异及动态演化研究[J]. 中国人口·资源与环境， 2014， 24（1）： 47-54. [CHENG Jinhua， SUN Qiong， GUO Mingjing， et al. Research on regional disparity and dynamic evolution of ecological in China[J]. China population， resources and environment， 2014， 24（1）： 47-54.] [24]TONE K. A slacksbased measure of superefficiency in data envelopment analysis[J]. European journal of operational research， 2002，143（1）：32-41. [25]PENG S Z， SUN X Z. Research on challenges and strategies for Chinas green economy development [J]. Chinese journal of population， resources and environment， 2015， 13（2）：127-131. [26]LUO L W， LIANG S R. Stndy on the efficiency and regional disparity of green technology innovation in Chinas industrial companies[J]. Chinese journal of population， resources and environment， 2016， 14（4）：262-270. |
| 随便看 |
|
科学优质学术资源、百科知识分享平台，免费提供知识科普、生活经验分享、中外学术论文、各类范文、学术文献、教学资料、学术期刊、会议、报纸、杂志、工具书等各类资源检索、在线阅读和软件app下载服务。