多维视角下山东省城市工业生态效率的时空分异与驱动机制

来源:用户上传      作者:汪克亮 章杰 朱正艳

　　摘 要：分别基于静态与动态维度，采用SBM-Undesirable模型和Malmquist-Luenberger指数对2012-2017年山东省17个城市的工业生态效率进行测算与分析，实证结果表明：研究期间，山东省各城市生态效率值较低且存在较大差距，四大地区生态效率呈“U”字型分布，且效率值鲁东>鲁西北>鲁西南>鲁中。山东省工业生态效率的ML指数呈“N”型变动，且数值均小于1，各城市工业生态动态效率整体处于下降态势，工业生态效率的提升主要来自于技术效率提升，技术进步是制约山东省工业生态效率提升的关键因素。研究结果可为山东省工业经济发展决策提供参考。
　　关鍵词：工业生态效率;时空分异;驱动机制;SBM-Undesirable模型;Malmquist-Luenberger指数
　　中图分类号：X322  文献标识码：A  文章编号：16721101（2020）03003208
　　收稿日期：2019-08-01
　　基金项目：国家自然科学基金资助项目（71403003）;安徽省哲学社科规划一般项目（AHSK2018D92）
　　作者简介：汪克亮（1980-），男，安徽枞阳人，教授，博士，博士生导师，研究方向：资源经济与环境管理。
　　Abstract： On the basis of SBM-Undesirable model and Malmquist-Luenberger index， the industrial ecological efficiency of 17 cities in Shandong Province from 2012 to 2017 was calculated and analyzed from static and dynamic dimension respectively. The empirical results show that the ecological efficiency of each city in Shandong Province is low and there is a big gap during the study period. The ecological efficiency of the four regions is U-shaped with the distribution of East Shandong > Northwest Shandong > Southwest Shandong > Central Shandong. The ML index of industrial ecological efficiency in shandong province changes in the “N” type， and the value is all less than 1. The dynamic efficiency of industrial ecology in all cities is in a declining trend. The improvement of industrial ecological efficiency mainly comes from the improvement of technological efficiency， and technological progress is the key factor restricting the improvement of industrial ecological efficiency in Shandong province. The research results can provide reference for the decision-making of industrial economic development in Shandong Province.
　　Key words：Industrial ecological efficiency; Spatiotemporal differentiation; Driving mechanism; SBM-Undesirable model; Malmquist-Luenberger index  随着我国经济持续快速发展，环境问题也日渐凸显而出，包括大气污染问题、水污染问题、垃圾处理问题、土地荒漠化和沙灾等一系列问题。在这样的形势下，如何在保证经济平稳发展的同时加大生态环境的建设，已经引起了人们的高度关注，成为了当代社会的热点问题。2016年12月，十二届全国人大常委会第二十五次会议通过了《中华人民共和国环境保护税法》，通过发挥税收作用控制和减少污染物排放，保护和改善生态环境。2017年4月，国家环保部门印发《国家环境保护标准“十三五”发展规划》，旨在通过“气十条”“水十条”和“土十条”的发布，深入推进各领域的环保工作，实现污染物减排、改善环境质量、防范环境危险。长期以来，我国工业“高投入、高能耗、高污染”的粗放型经济增长方式，是导致严峻环境问题的元凶之一，因此深入推进工业生态效率研究对促进我国经济转型和改善生态环境有着重要的指导意义。
　　生态效率的概念最先由美国学者Schaltegger等1990年提出[1]，即增加的价值与增加的环境影响的比值。1992年联合国里约环境与发展大会第一次把可持续发展和环境友好的概念提到全人类发展的议程，与此同时世界可持续发展工商委员会（WBCSD）从企业的角度对生态效率作了界定[2-3]。至此，生态效率的概念被广泛认识和接受。生态效率是投入与产出的比值。同时在生物学中它指生态系统中各营养级生物在能量流动过程中的能量摄入或利用的比率。生态效率是一种新型的反映经济发展与生态环境协调发展的指标，旨在环境保护和经济发展之间寻找一个平衡点，力求在经济发展的同时最大程度的减少环境污染，充分地体现了科学发展、和谐发展的内涵。近年来，生态效率逐渐成为国内外研究的热点问题。现阶段，国内外工业生态效率的研究主要集中在对其测算方面，即以数据包络分析（DEA）及其扩展方法为主，在测算各省域、城市工业生态效率的同时对其影响因素进行分析。例如Taehwee等人[4]利用非期望产出的SBM模型对各港口城市的生态效率进行了测度，结果表明，新加坡、釜山、鹿特丹等7个城市是最环保的港口城市。Reza等[5]通过对经济增长和环境影响的综合调查，利用两阶段网络DEA模型对经合组织成员国生态效率和生态创新效应进行分析，结果表明瑞士的生态效率最高，爱沙尼亚的生态创新效率最高。Yong等人[6]利用自组织图和RDEA模型对美国20个集装箱港口的环境效率进行评估，结果表明40%的集装箱港口效率低下，有很大潜力成为环保型港口。Seda等人[7]通过构建1980—2009年111个国家的环境效率指数，对其中一个环节进行了实证检验。结果表明在二氧化碳排放方面，环境效率指数的改善反而降低了相关的环境成本。对于生态效率的分析，国内学者也做了较丰富的研究。汪克亮等[8]（2014）结合DEA理论与视窗分析法对长江经济带11个省市进行了测度与分析，研究证明长江经济带内部省市生态效率之间的差距有进一步扩大的趋势。刘晓萌等[2]30（2015）利用DEA和Tobit回归分析对安徽省的工业生态效率进行了评价，结果表明安徽各城市的生态效率稳中有升，且仍有很大的提升空间。李成宇等人（2017）利用DEA-BCC模型对中国30个省市的时间，空间两个维度上的工业生态效率进行了研究，认为中国工业生态效率虽呈现小幅度下降趋势，但整体效率水平较高;30省市之间存在明显差异性，呈现出东部>中部>西部的分布格局。张敏等人[9]利用SBM模型对2008—2016年皖江城市带9个城市的生态效率进行测算，并通过改进的灰色关联度对其影响因素进行分析，得出皖江城市带生态效率总体呈上升趋势，地区差异比较大的结论。类似的研究还有很多[10-18]。 　　国内外对于工业生态效率的研究总体较少，近年来有增多趋势，说明工业生态效率问题得到了进一步关注。已有研究主要采用DEA模型进行工业生效率测度，而采用考虑非期望产出的SBM模型及ML指数模型的文献较为少见。此外，学术界普遍认为工业生态效率存在空间差异，因此对某个特定区域的深入研究显得尤为关键。目前关于工业生态效率的测度文献中，大多以国家、区域、省份作为评价单元进行研究，而专注研究某一省份各地级市生态效率的研究并不多见，在同一省域内，相同政策和体制下，仍存在区域环境和经济差异，环境影响的空间效应更加明显，因此，专注研究某一省份各地级市的生态效率显得十分必要。而山东省作为经济发展的强省之一，近年来工业经济发展突飞猛进，随之而来的环境问题也引起颇多关注，基于此，论文以山东省17个城市作为工业生态效率测算对象，利用DEA（数据包络分析）中的非期望产出SBM模型和Malmquist-Luenberger生产率指数模型对2012—2017年山东省各城市工业生态效率进行测算与分析，以期为山东省各城市的决策部门制定相关政策提供理论支持。
　　一、研究方法及数据说明
　　（一）SBM-Undesirable模型
　　DEA即数据包络分析，由1978年Charnes等人提出，用来处理具有多个输入和多个输出的多目标决策问题的方法。本文选择DEA方法来进行静态测算，以期科学准确的体现山东省各市工业生态效率的真实水平。由于传统DEA模型不考虑产出变量的松弛问题，使得所测效率值有所偏差，对此，Tone K[17] 提出了非径向、非角度的SBM模型，这种模型可以避免因径向和角度选择差异造成的误差，可以更好的评估生态效率。本文采用SBM-Undesirable模型，测算山东省各城市的生态效率，将工业SO2排放和工业废水排放作为“坏产出”纳入分析框架。令X=（x1，x2…，xm）∈Rm+为投入变量，Yg=（yg1，yg2，…，ygn）∈Rs1-为期望产出向量，Yb=（yb1，yb2…，ybn）∈Rs21为非期望产出向量。其中s1、s2分别为期望和非期望产出的种类，m为投入种类，λ为权重向量。山东省工业生态效率的SBM-Undesirable模型为：
　　
　　式中：ρ为所求目标函数，s表示松弛变量，且s-、sg、sb是严格递减的。对于给定的决策单元当且仅当ρ为1时，即s-=sg=sb=0时，决策单元有效;当0≤ρ<1时，决策单元无效，可以通过消除松弛改进投入产出。
　　（二）Malmquist-Luenberger模型
　　Malmquist指数最先由Malmquist于1953年提出，Caves等人于1982年开始将其应用于生产效率变化的测算，这在当时引起了极大的反响。1994年Fare等人将这一理论首次与数据包络法（DEA）相结合，使得Malmquist指数被广泛应用。另外，Malmquist指数的一大优势就是可以将全要素生产率分解为技术效率变化与技术变化，据此推断生产率变化的根源，但由于Malmquist指数并未考虑负产出，因此Chung等人在Malmquist指数模型的基础上提出了Malmquist-Luenberger指数，考虑了环境因素，也同样可以分解为技术效率变化指数EFFML和技术进步指数TECHML。本文中的ML指数模型定义为：
　　 本文中的ML指数大小表示样本城市的工业生态效率变动情况，MLt+1t>0表示该城市t+1期的工业生态效率相比于t期是提升的，MLt+1t=0表示该城市效率不变，MLt+1t<0则表示该城市t+1期的工业生态效率相比于t期是下降的。同理，EFFML指数和TECHML指数大于（小于）1分别代表技术效率改善（恶化）和技术进步（退步）。
　　（三）样本选择与数据处理
　　本文以山东省17个城市作为决策单元，时间跨度定为2012—2017年。借鉴众多文獻的做法[19-21]，本文投入产出变量数据来源如下：（1）工业固定资产投资额。本文选取规模以上工业企业固定资产投资额作为资产投入指标来评价各单元的工业资本投入。（2）劳动投入。由于衡量劳动投入没有具体的指标，且劳动的强度、时长等难以估计，并且某些年份工业就业人数暂时无法查询，因此本文通过计算，将采矿业、制造业及电力、燃气及水的生产和供应业就业人数之和作为劳动力投入指标。（3）能源投入。部分环境效率的研究直接采用工业用电量作为能源投入指标，本文沿袭众多文献做法，采用工业用电量来作为能源投入指标。（4）期望产出。本文以各地级市规模以上工业总产值来衡量期望产出。（5）非期望产出。工业生产带来的一系列问题中，环境问题尤为重要，也引起了人们的普遍关注。由于工业污染物排放种类较多，本文选取工业废水排放量和工业二氧化硫排放量作为代表，以此作为非期望产出指标。本文中所有变量数据均来自于相关年份的《山东统计年鉴》以及各市统计年鉴并经过整理得到，具体投入产出数据统计特征见表1。
　　二、实证测算与分析
　　（一）工业生态效率静态分析
　　本文使用DEA Solver Pro5.0软件中的OUTPUTS模块对整理的数据进行了处理， 测算出2012—2017年山东省17个城市的工业生态效率。 具体结果见表2。 经过测算，发现2012—2017年间，山东省17个城市的工业生态效率平均值仅为0.576，距离全国生态技术前沿还有42.4%的上升空间。表明近几年山东省为促进工业经济发展付出了较大的环境代价，有较大的效率提升空间。
　　 由表2 可知，2012—2017年间，东营、威海、菏泽三市工业生态效率稳定为1，证明三市处于生态技术前沿面上，生态经济发展是完全有效的。效率均值在0.6以上的有青岛、烟台、德州和聊城，其中青岛市效率均值最高，接近1，证明青岛市在工业经济发展的同时注重资本、劳动与能源的合理配置。同时作为我国北方重要的沿海城市，青岛市引进外资较为便捷，外资所带来的技术与管理溢出效应明显，显著提高了工业技术与企业管理水平，工业资源消耗与污染排放相对较少，从而带来较高的工业生态效率。其次较高的是德州，可以看到，从2013年起，德州市工业生态效率一直处于上升状态，到2015年就处于生产前沿面，主要原因在于德州市在2013年颁布了《德州市蓝天计划（2013—2015）》，这为改善德州市生态环境，提高工业生态效率做出了巨大贡献。效率值在0.4～0.6之间的城市最多，有济南、淄博、潍坊、泰安、临沂五市，虽然五个城市中效率均值最低的是济南市，但从各年的数据来看，济南在2014年以后的三年里效率值有明显的上升，这是因为济南市在2014年为建立全市环境保护工作激励和约束机制，印发《济南市污染减排和环境改善考核奖励暂行办法》，通过实施环境保护“以奖代补”考核排名和通报制度，使得环境管理成效显著。而其他四市各年效率值均围绕0.5上下波动，说明该四市经济增长与环境关系较不协调，经济发展给环境带来了巨大压力，工业生态效率较低，存在50%以上的上升空间。效率值处于0.4以下的城市有枣庄、济宁、日照、莱芜和滨州，这五个城市的经济发展过程中的资本、劳动和能源的配置极度不合理，导致效率值偏低，其中莱芜市效率值最低，仅为0.232，有70%以上的提升空间，表明其工业经济发展与生态环境的关系趋于恶化，当地政府应通过加快调整产业结构，推动工业企业绿色发展来改善当前严峻的环境形势。 　　为了更好的分析山东省城市工业生态效率的地区差异，本文对山东省17个城市进行地区划分。根据地理位置，我们将山东省划分为四个地区：鲁东、鲁中、鲁西南、鲁西北。其中鲁东包括青岛、烟台、潍坊、日照、威海;鲁中包括济南、淄博、泰安、莱芜;鲁西南包括临沂、枣庄、济宁、菏泽;鲁西北包括聊城、德州、滨州、东营。
　　图1显示了研究期间山东省及四大地区的工业生态效率值，由上图可见，鲁东地区的效率值最高，其次是鲁西北、鲁西南、鲁中。这是因为鲁东地区五市均为沿海城市，经济基础雄厚，以新兴产业为主，大力发展旅游业的同时较其他地区更为注重生态环境，因此效率值较高。而鲁西北地处华北腹地，地理交通位置优越，以农耕为主，2009年国家发布《黄河三角洲高效生态经济区发展规划》，强调注重经济与生态协调发展，这为提高鲁西北工业生态效率做出了主要贡献。在研究期间内鲁东、鲁中和鲁西北地区均呈“U”字型波动，鲁东和鲁西北地区效率值高于山东省城市整体效率平均值，而鲁中的效率值却低于山东省城市整体效率均值。鲁西南的效率值波动不明显，同时效率值也低于山东省城市整体效率均值。这是因为鲁西南地区以开采业为主，虽近年来经济发展迅速，但也導致了较大的环境污染，因此效率值较低。从空间分布来看，各地区的工业生态效率值大致呈现出鲁东>鲁西北>鲁西南>鲁中的格局，这与山东省的整体经济发展状况是相符合的。
　　 为了进一步识别山东省城市工业生态效率较低的原因，将工业生态效率分解为纯技术效率与规模效率，纯技术效率指的是整体工业生态效率中由管理、技术和污染防治等因素影响的部分，而规模效率指的是整体工业生态效率中由生产规模、资源配置等影响的部分。具体山东省各市以及四大区域的纯技术效率与规模效率均值见表3。
　　由表3可知，2012—2017年间，山东省城市工业纯技术效率和规模效率均值分别为0.748和0.788，说明山东省城市工业生态效率值提升的主要来自于规模效率的提升，山东省城市工业企业规模较合理，效率均值相对较高，而工业企业管理模式和技术因素是阻碍工业生态效率进一步提升的主要原因。从各市来看，本文借鉴众多文献的做法，将处于全省平均值0.90以上的纯技术效率和规模效率视为有效，反之则为无效，纯技术效率有效的有青岛、烟台、日照、莱芜4市，说明这4个城市在工业资源利用较充分，工业企业管理模式较完善，技术水平相对较高。规模效率有效的城市有淄博、潍坊、济宁、临沂、德州、聊城、滨州7市，说明这7个城市工业资源消费规模配置不合理，若想进一步提高规模效率，必须对工业资源消费规模进行合理配置，减少资源浪费。纯技术效率和规模效率都有效的城市有枣庄、东营、威海、德州、菏泽，这些城市无论在工业企业管理模式，技术水平和污染防治还是在工业资源配置方面都较为可观，应该继续保持。两者都无效的仅有泰安市，说明泰安市工业生态效率受多方因素影响，泰安市不仅要提高工业技术和管理水平，同时也要提高资源配置水平。从四大区域来看，鲁东的纯技术效率最高，为0.880，其次为鲁西北、鲁中、鲁西南。鲁西北的规模效率最高，为0.925。其次为鲁西南、鲁东、鲁中。由此看来山东省四大区域间差异显著，鲁西南等地区需要提高工业资源利用水平和管理水平，同时也要做好污染防治工作。而鲁中等地区需要优化资源配置模式，以此来提高规模效率。
　　（二）工业生态效率动态分析
　　上文使用了非期望产出模型从静态方面对山东省17个城市的工业生态效率进行了评价，为进一步探讨工业生态效率随时间发生的动态变化以及对造成效率值变动的结构性原因进行分析，使用Maxdea6.3软件测算山东省各市的ML生产率指数，并考察其动态变化趋势以及变动根源。具体测算结果见图2及表4。
　　图2为山东省2012至2017年间的城市工业生态效率ML指数及分解指数的演化趋势，由图可知，在研究期间内山东省城市工业生态效率的ML指数呈“N”型变动，且数值均小于1，说明效率整体呈现下降态势，将ML指数分解后结果显示，研究期间内，EFF指数及TECH指数均呈“N”型变动，技术效率变化指数EFF围绕1上下波动，均值为1.003大于1，技术进步指数TECH均值为0.933小于1，说明山东省城市工业生态效率的提高主要来自于技术效率的提升，技术退步起到了阻碍作用。
　　表4为山东省17个城市的平均ML指数及其分解，由表可见，17个城市中，东营市ML指数最高为1.015，主要受技术进步指数TECH的影响。究其原因发现，东营市市政府2010年11月份根据《山东省技术市场条例》颁布东营市《关于加强发展技术市场的意见》，鼓励技术交易、支持技术开发、加强技术市场建设，从而有效地促进了东营市工业技术的进步，为东营市工业生态效率的提升做出了贡献。而德州与东营刚好相反，德州市其他指标中ML 指数贡献最低的是技术进步指数TECH，证明虽然近几年德州发展态势良好，但其技术进步效率一直在下降，工业企业技术较落后，一定程度上不利于德州工业生态效率的提高，这就需要德州政府加大技术创新投入力度，进一步发挥技术因素对工业生态效率的促进作用。所有城市中仅有烟台市ML值、EFF值和TECH值均大于1，这与该市出台的相关政策有关。烟台市政府于2011年出台《烟台市工业与信息化工作意见》，旨在突出产业升级，提升企业规模实力，提升企业自主创新能力，加强企业自主创新体系建设。2015年出台《烟台市工业转型升级专项资金管理办法》，支持引进战略性新兴产业，鼓励企业实施与战略性新兴产业发展有关的技术改造，同时鼓励工业企业的技术创新。正是由于相关政策的配套实施，使得烟台市工业发展水平不断提升，工业生态效率值始终处于全省较高水平。
　　从山东省四大区域层面来看，鲁东、鲁中、鲁西南和鲁西北的ML指数分别为0.951、0.895、0.912和0.977，均小于1，呈现出鲁西北>鲁东>鲁西南>鲁中的格局，除了鲁西北动态效率超过了鲁东外，与前文静态分析的结论大致相同。鲁西北地区近几年来不仅工业生态效率处于领先水平，工业生态动态效率增速也明显领先于其他三个地区，由表可知，鲁西北地区的技术进步指数TECH在四大区域中最高，表明鲁西北地区在工业经济发展的过程中较注重环境因素，利用提高工业技术水平来改善环境状况，为促进工业经济与环境协调发展做出了巨大贡献。与鲁西北地区相反，鲁中地区和鲁西南地区的技术进步指数TECH处于较低水平，而技术效率指数EFF却是四大区域中较高的，说明鲁中和鲁西南地区近几年工业发展过程中较注重技术效率，忽视了改进设备与管理，提高技术水平，从而抑制了工业生态效率的进一步提升。鲁东地区作为山东省经济发展的核心地区，其工业生态效率虽处于全省领先水平，但其动态效率却存在下降趋势，说明鲁东地区在设备改进、技术创新、资源节约等方面还有很长的路要走。 　　三、结论与建议
　　本文通过收集山东省17个城市的样本数据，利用SBM-Undesirable模型和ML生产率指数模型，采用动静结合的方法对2012—2017年山东省工业生态效率进行了测算与分析，得出的结论为：（1）2012至2017年间，各城市的工业生态效率值最大为1，最小仅为0.168，存在明显差距，研究期间，鲁东、鲁中、鲁西南和鲁西北四大地区工业生态效率值均呈“U”字型分布，且出现拐点时间均为2014年，这与山东省工信部颁布的《关于下达2014年工業行业淘汰落后和过剩产能目标任务的通知》有密不可分的关系，各工业企业为加速经济发展，忽视了经济过快发展对环境造成的影响，导致工业生态效率值低下。（2）研究期间内山东省工业生态效率的ML指数呈“N”型变动，且数值均小于1，说明效率整体呈现下降态势，工业生态效率的提升主要来自于技术效率的提升，说明山东省在提升管理水平的同时未做到推进科技创新。17个城市中，东营、德州、烟台三个城市指标值相对较高，其他城市均受到技术进步指数的影响，说明山东省的工业技术水平严重制约了工业生态效率的提升，提高技术水平将是未来提升工业生态效率的关键因素。
　　本文结论蕴含以下几点政策启示：（1）由于山东省各城市工业生态效率值差异明显，因此首先应加强各城市的合作与交流，使先进的技术和管理扩散到效率值低下的城市，同时要对效率值较低的城市“三废”及能源消耗情况进行深入考察，因地制宜的制定相关政策。根据地区的核心功能，推进主体功能区建设，发挥鲁东地区优势，制定合理政策，带动其他地区经济协调发展。（2）工业技术进步是制约山东省工业生态效率的关键因素，提高科技创新水平是提升效率值的关键一步。通过深化科技管理体制改革，推进关键核心技术攻关，淘汰低产能的旧设备，引进新技术来提升工业企业技术水平和技术效率。在健全工业企业技术创新机制的同时，也要提高企业管理水平，合理配置资源，从而消除现阶段技术进步对生态效率的抑制作用。
　　参考文献：
　　[1] 李成宇，张士强，张伟.中国省际工业生态效率空间分布及影响因素研究[J].地理科学， 2018， 38（12）：1 970-1 978.
　　[2] 刘晓萌，孟祥瑞，汪克亮.城市工业生态效率测度与评价：安徽的实证[J].华东经济管理， 2016， 30（8）：29-34.
　　[3] 汪克亮，黄晴晴，孟祥瑞.基于环境压力的矿业城市工业生态效率[J].系统工程， 2017， 35（2）： 36-44.
　　[4] Lee T，Yeo G T， Thai V V. Environmental efficiency analysis of port cities： Slacks-based measure data envelopment analysis approach[J]. Transport Policy， 2014， 33：82-88
　　[5] Mavi R K，Saen R F，Goh M. Joint analysis of eco-efficiency and eco-innovation with common weights in two-stage network DEA： A big data approach[J]. Technological Forecasting & Social Change，2019，144：553-562.
　　[6] Park Y S， Muhammad Aslaam Mohamed Abdul Ghani N， Gebremikael F，Egilmez G. Benchmarking environmental efficiency of ports using data mining and RDEA： the case of a U.S. container ports[J]. International Journal of Logistics Research and Applications， 2019， 22（2）：172-187.
　　[7] Doganay S M，Sayek S，Taskin F. Is environmental efficiency trade inducing or trade hindering？[J]. Energy Economics，2014（44）：340-349.
　　[8] 汪克亮，孟祥瑞，杨宝臣.环境压力视角下中国省际生态效率的分解及收敛性[J].北京理工大学学报（社会科学版），2015，17（6）：1-11.
　　[9] 张敏，蒋倩颖，仇定三.皖江城市带生态效率测度及影响因素分析[J].黑龙江工业学院学报（综合版），2018，18（11）：54-60.
　　[10] 吕明元，安媛媛.基于环境约束的工业生态效率实证分析——以山东省为例[J].山东财经大学学报，2014（4）：43-49.
　　[11] 李红星，孙婷，苏荷.基于数据包络分析法的区域工业生态效率评价[J].牡丹江师范学院学报（哲学社会科学版），2017（4）：53-56.
　　[12] 姚成.基于灰色关联约束的加权非期望SBM模型的区域环境效率测算[J].佳木斯大学学报（自然科学版），2016，34（4）：671-673.
　　[13] 孙秀梅，张慧，王格.基于超效率SBM模型的区域碳排放效率研究——以山东省17个地级市为例[J].生态经济，2016，32（5）：68-73.
　　[14] 李成宇，张士强.基于DEA-Malmquist指数和Tobit模型的区域生态效率评价及影响因素研究——以山东省为例[J].山东科技大学学报（社会科学版），2019，21（3）：78-86.
　　[15] Wang X M， Ding H， Liu L. Eco-efficiency measurement of industrial sectors in China： A hybrid super-efficiency DEA analysis[J]. Journal of Cleaner Production，2019，229：53-64.
　　[16] Tone K. A slacks-based measure of efficiency in data envelopment analysis[J]. European Journal of Operational Research， 2001，130（3）：498-509.
　　[17] Cole M A，Elliott R J R，Shimamoto K. Why the grass is not always greener： the competing effects of environmental regulations and factor intensities on US specialization[J]. Ecological Economics，2004，54（1）：95-109.
　　[18] Fang C Y，Hu J L， Lou T K. Environment-adjusted total-factor energy efficiency of Taiwan's service sectors[J]. Energy Policy，2013，63：1 160-1 168.
　　[19] 宋刘洁，汪克亮，王杰.江苏省工业环境效率的地区差异与动态演进——基于县域层面的研究[J].安徽理工大学学报（社会科学版），2018，20（6）：28-35.
　　[20] 王楠，盖美.基于非期望产出SBM模型的环渤海地区生态效率与影响因素研究[J].资源开发与市场，2018，34（6）：741-746.
　　[21] 周利梅，李军军.基于SBM-Tobit模型的区域环境效率及影响因素研究——以福建省为例[J].福建师范大学学报（哲学社会科学版），2018（1）：57-64.
转载注明来源:https://www.xzbu.com/4/view-15274676.htm