中国区域生态效率的时空演变和提升机制，本文主要内容关键词为：中国论文,效率论文,机制论文,生态论文,区域论文，此文献不代表本站观点，内容供学术参考，文章仅供参考阅读下载。
[中图分类号]X32，F22，F20 [文献标识码]A [文章编号]1008—1763(2016)01—0060—11 一 引言 近年来雾霾在中国许多城市持续出现，表面上是严重的环境问题，实则根源于落后的发展模式和长期偏低的区域发展质量。雾霾的出现敲响了区域发展转型的警钟，凸显了走绿色发展道路、建设生态文明的高度重要性。在此背景下相关研究备受学界关注，生态效率就是其中一个热点问题。自从德国学者Schaltegger和Sturm[1]提出生态效率(Eco-efficiency，GE)这一概念后，世界可持续发展工商业联合会、经济合作组织等予以高度关注和积极推广，学术界则围绕生态效率展开了大量研究。已有文献分别从微观的企业层面[2][3]、中观的行业层面[4][5]和宏观的区域层面[6]开展了大量研究。从宏观层面看，人们关注的重点是以更少的资源实现经济繁荣并更少地排放污染物[7]。因此在区域层面，生态效率是全面考虑劳动力、资本、能源和土地等各种投入和各种产出尤其是环境污染产出时的投入产出效率[8]。生态效率不仅反映了区域绿色发展水平，还从“环境友好”和“资源节约”等角度综合反映了区域发展质量，从效率层面反映了资源、环境和经济复杂系统的协调程度以及生态文明水平。因此很有必要深入研究区域生态效率的影响因素及其提升问题。 在环境和经济协调发展问题日益突出的背景下，近年来研究中国区域生态效率的文献呈快速增长态势[9-14]。已有文献从不同角度提出了生态效率的测度方法，研究了中国各区域生态效率的典型特征和影响因素，获得了丰富结论，但也有待深入和完善。有两个方面值得予以重视。一方面，现有文献大多使用标准的数据包络分析模型(DEA)和面板数据测度效率，有效率决策单元的效率得分均为1，相互之间无法加以区分，而且据此计算得到的效率跨期增长可能为零，这不一定符合实际情况①。而不准确的评价结果可能导致偏差乃至误导政策措施。另一方面，实践中区域生态效率存在着空间关联关系，研究时必须考虑这一特征。许多区域变量存在空间相关性时采用空间计量模型来分析可能更为合适[15]。然而现有研究很少利用地理信息系统和探索性空间分析等工具系统分析区域生态效率的空间集聚和时空演变特征，也很少利用空间计量方法并分析空间溢出效应等机理，因而难以为有关制度调整和政策创新提供全面可靠的依据。有鉴于此，本文从两个方面拓展现有文献。其一，利用全面识别且跨期可比的方法测度区域生态效率，在此基础上观察其空间集聚和时空演变特征以及影响因素。其二，从城镇化、价格机制、技术创新及其结构等方面选取代理变量，利用空间杜宾模型分析各因素影响区域生态效率的直接效应和空间溢出效应，以探索利用哪些因素和机制及其协同创新提升生态效率。 二 效率测度方法、空间计量模型和变量设定 (一)区域生态效率的测度 在测度投入产出效率时，前沿面分析方法是常用的分析工具，包括数据包络分析(Data Envelopment Analysis，DEA[16][17]和随机前沿分析[18]。其中DEA方法是一种非参数方法，通过规划求解测算决策单元(Decision making unit，DMU)的投入产出效率。该方法具有同时处理多投入多产出、客观赋权、可以进行效率分解、不需假设生产函数形式等诸多优点，故应用十分广泛。为根据观测对象特征全面而准确地测度投入产出效率，人们不断对DEA模型进行改进，形成了众多模型，研究中需结合实际情况来选取。实践中经常采用面板数据来测算效率，为使评价结果具备跨期可比性，必须选取相同的参考技术。许多文献采用当期DEA分别测算每期的效率[19]，进而直接或者取其几何均值后进行统计观察和回归分析，然而，基于不同参考技术的评价结果之间不具备跨期可比性，这可能导致严重误判。一些文献采用序贯参比法来测度生产率增长指数，如Malmquist-Luenberger指数[19]，但仍存在一些不足。例如，可能出现无可行解现象[17]；所测度的指数反映的是生产率的增长而非生产率本身②。Huang et al.[20]在测算生态效率时给出了一个综合性DEA模型解决了前述问题。该模型具有两个特点：第一，结合全局参比法解决了跨期可比性和无可行解等重要问题。第二，既考虑了环境污染物这种坏产出，还考虑了超效率模型以区分前沿面上有效率的决策单元。因其模型可以提供跨期可比并且识别所有DMU效率的评价结果，故本文采用其模型测度生态效率并简述如下。
根据数据可得性，本文以中国30个省份(含自治区和直辖市)为样本，样本中暂不包括香港、澳门、台湾和西藏。数据来源于历年《中国统计年鉴》、《中国环境年鉴》、《中国能源年鉴》、《中国区域经济统计年鉴》、《中国城市统计年鉴》和《新中国六十年统计资料汇编》以及各省历年的统计年鉴等。为尽可能全面地反映绿色发展，测度生态效率时应尽可能考虑各种投入变量和产出变量。参考现有文献[10][20]的做法，有关投入产出变量如下。1)好产出。选用实际地区生产总值(GDP)，换算为2000年不变价。2)坏产出。主要考虑环境污染物。环境污染物种类颇多，根据数据可得性，选用7个工业污染物排放指标：废水中化学需氧量排放量、废水排放总量、废气排放总量、二氧化硫排放量、工业粉尘排放量、工业固体废物排放量和工业烟尘排放量。为减少异常值的影响，利用熵权法[10]构建环境污染指数(EI)，作为投入变量测算效率。EI取值在[0，1]之间，越大表明污染物排放越严重，反之则反。3)资本投入。参考已有文献[17，20]，基于“永续盘存法”测算每年的固定资本存量并换算为2000年价格，以之作为资本投入变量。4)劳动投入。根据数据可得性，采用历年从业人员数作为劳动投入变量。5)能源投入。采用所有能源的消费量(换算为标准煤)指标。6)土地投入。根据数据可得性，用建成区面积来反映。 (二)考察生态效率受影响机制的空间计量模型 区域之间存在着各种经济或社会联系，区域之间的经济社会环境指标不一定相互独立，而是在空间上存在着相互影响。因此实证研究中需进行相关的统计检验以确定最终的模型设定形式。参考已有文献[15][21，27]，本文采用如下检验过程。 1.利用出现最早且应用广泛的Moran's I指数考察各变量的空间自相关性。 2.估计如下不含空间变量的面板数据模型：
利用拉格朗日乘数检验(LM)或稳健的LM检验[23]判断模型(2)是否存在空间误差效应或空间滞后效应，若拒绝没有空间效应的零假设，进入检验3，否则进入检验4。 3.估计如下面板形式的空间杜宾模型(Spatial Durbin model，SDM)：
4.将自变量的空间滞后项
加入回归模型，检验
：θ=0。如果原假设被接受，则意味着最小二乘法(OLS)模型是合适的模型，此时不存在任何形式的空间交互效应。反之，则还需进一步运行空间杜宾模型并检验
：ρ=0，若该假设被拒绝，表明应采用空间杜宾模型，否则，在模型中应包括自变量的空间滞后项
。 (三)生态效率的影响因素分析与代理变量选取 (1)城镇化。城镇化是农村人口转化为城镇人口的过程，也是人口、工业和服务业向城镇集聚的过程。统计显示，2000年至2012年中国人口城镇化率从36.22%快速增加到52.57%，但与发达国家(85%以上)相比还有很大提升空间。快速城镇化创造了大规模的基础设施、城镇住宅的投资需求和消费需求，推动了中国经济持续快速增长，提升了土地等资源的集约化利用水平。但另一方面也带来了系列问题，例如，能源等资源消耗量快速增加、城市交通拥挤、污染物排放量巨大、生态环境恶化和产业结构失衡等。前者对生态效率具有积极作用，而后者则相反。实践中城镇化对生态效率的影响是两者的混合，本文预期前者的积极作用更为显著，即城镇化对生态效率具有正向影响。借鉴曹裕等[24]，用人口城镇化率(城镇人口占该地区总人口的比例)作为代理变量。 (2)价格机制。根据市场经济理论，价格机制在资源配置中发挥着重要作用，能源等资源价格的上涨将增加资源使用成本，将使得人们充分利用资源，竭力提高资源利用效率，因此可以预期资源的市场价格与生态效率之间具有正向关系。然而相关实证文献对此关注不多。考虑到企业是区域内生产活动、节能减排的最大主体，本文采用原材料、燃料动力购进价格指数作为代理变量，该指标反映了工业企业作为生产投入，而从物资交易市场和能源、原材料生产企业购买原材料、燃料和动力产品时，所支付的价格水平变动趋势和程度。③ (3)外资利用。以外商直接投资(FDI)为代表的境外资本从外部给区域发展提供动力和支持，不仅提供了经济生产建设所需资本和技术，还提供了就业和GDP。然而FDI也可能带来环境污染。一些学者认为FDI恶化了区域环境质量[25][26]，但也存在相反观点[27][28]。已有文献大多以环境污染或GDP而非以生态效率为因变量，仅反映了某个产出变量的影响。为全面观察FDI对区域发展的影响，参考王兵等[17]，本文用FDI相对规模(外商直接投资占GDP比重)作为代理变量进行实证考察，并预期该因素对生态效率具有积极影响。 (4)技术创新及其结构。区域技术水平和创新能力的提升不仅有助于提升生产效率和资源利用率，还可能有助于降低环境污染，进而提升生态效率。一些文献用研究与发展(R&D)经费投入来反映技术创新或技术进步。然而从经费投入到技术创新完成并应用于实践之间有较长时滞，当期R&D经费投入对当期的生产率贡献可能甚微。而专利作为技术开发的高端成果，获得授权时一般已投入实践应用，可以直接促进经济增长和效率提升。专利授权数量更能直接反映一个区域当期的技术水平和创新能力，故本文用发明、实用新型和外观设计三类专利的授权总数作为区域技术创新的代理变量。并且，考虑到发明专利是最具创新价值和技术含量的专利类型，其比重越高意味着区域创新质量越高，故引入发明专利占当年专利数量比重以反映创新结构。另外，作为追求效益最大化的经济体，企业会高度重视R&D投入的经济效益，以取得比其他科研机构更好的产出效率。当区域内工业企业R&D投入占比较高时，其科研活动及其成果对本地企业的产出应该有更直接和有效的贡献，进而有利于生态效率的提升。因此引入大中型工业企业R&D人员投入占比这个指标，反映企业在R&D方面的人力投入占本地R&D人力投入的比重，以反映区域技术研发投入结构对生态效率的影响。本文预期这三个变量均与生态效率具有正向关系。 (5)禀赋结构。资本和劳动力是重要的禀赋资源。有研究表明，资本密集型企业的技术进步可能抵消其对环境效率的负面影响[17]。较高的资本劳动比意味着资本对劳动的高水平替代，暗示着更高水平的自动化和工业化生产，因此有助于提高经济产出进而提升生态效率。本文用资本劳动比作为禀赋结构的代理变量，并预期影响方向为正。 (6)能源结构。不同能源产生的环境污染具有显著差异。中国的能源消费以煤炭为主，其他能源占比不高，这种能源结构可能会影响污染物的排放进而影响生态效率。鉴于省级清洁能源的统计数据尚不可得，而电力消费占能源消费总量的比重在一定程度上反映了清洁能源占能源消费的比重，故引入该变量作为代理变量。预期该变量具有正向影响。 (7)产权结构。私人企业家往往会重视经济效益而忽视环境保护。而国有企业与产权虚化的国有产权相联系，经营效率相对较低，区域内国有企业比重过大甚至会扭曲资源配置[19]，不利于提升经济产出；但另一方面，与之相比，国有企业可能更注重环境保护，因为环境保护程度的提升会体现为管理者的成果，但环境保护成本实际上由国家承担。故难以判断产权因素对生态效率的影响方向。本文用国有企业工业总产值占工业总产值比重作为代理变量。 (8)产业结构。化工、能源和钢铁等重工业经常被认为是重要的污染源，然而正是这些行业贡献了大部分经济产出。因此难以简单从逻辑上论证区域产业结构中重工业占比是否有利于生态效率提升。以往文献大多利用经济结构中工业增加值占比来考察产业结构对环境效率的影响，得出具有负向影响的结论和加速发展服务业的建议[17]。本文利用重工业总产值占区域工业总产值比重为代理变量，从另一个角度来考察产业结构。 本文共考虑了10个自变量，除专利授权总数外，其他指标均为比率指标。数据来源同前。有关变量简称和描述性统计请看表1。
三 区域生态效率的时空演变与空间集聚 表2同时给出了全部样本、2000年和2010年两个年份的生态效率描述性统计结果。图1给出了各个年度截面的生态效率均值变化情况。 综合表2和图1可知：11年间全国的生态效率先下降后上升，2010年效率水平高于观察期初(2000年)，2005年为相对低位。受2008年美国金融危机影响，中国经济增长放缓，但生态效率总体上仍保持上升态势，说明中国正向绿色发展转变。
测算表明，各个年度截面区域生态效率的Moran's I指数均大于0.2(其中2010年截面的Moran's I指数达0.3799)，且在5%水平下显著，说明区域生态效率具有显著的空间自相关性，研究中不可忽视其空间关联。Moran's I散点图(图2)反映了一个省(市)的生态效率与周边区域生态效率的空间加权值之间的关系。本文中空间权重矩阵采用邻接矩阵，即若两个省市i和j相邻则权重
=1，反之则为0。时期t某省生态效率的状态可以分为集聚和非集聚两大类。前者可分为高值集聚(HH)和低值集聚(LL)。HH(LL)表示该区域GE相对较高(低)且其周边区域GE加权值也较高(低)，与图1第Ⅰ(Ⅲ)象限对应。非集聚亦可细分为两种状态，分别与第Ⅱ和Ⅳ象限对应，记为LH和HL。
图1 各区域生态效率变化(2000-2010年)
图2 Moran's I散点图(2010年)
图3 生态效率集聚图(2000年)
图4 生态效率集聚图(2010年) 注：利用ARCGIS软件绘制。西藏和台湾等地缺乏数据，在图中显示为空白区域(NA)。 Moran's I散点图无法反映样本的空间位置。为观察空间集聚情况，用地图(图3、4)代替散点图来直观地观察生态效率的集聚效应及其跨期变化。由图3可知：2000年生态效率高值集聚的省份位于东南部，仅有福建、广东和海南3个省；大部分省份处于低值集聚状态，共有18个，占全部样本的60%。而图4显示2010年生态效率的高值集聚区域仍在东部沿海地区，与2000年相比新增了6个(新增北京、天津、上海、江苏、浙江以及山东)，低值集聚的省份降低到15个，但仍占样本的50%；在第Ⅱ和第Ⅳ象限的非集聚区域仅6个，而在第Ⅰ和第Ⅲ象限的集聚区域占样本的80%。由此得出两个结论。一是区域生态效率呈空间集聚态势。大部分东部沿海省市处于高值集聚状态，而大多数中西部地区则处于低值集聚状态，东部和中西部区域出现明显分化。二是集聚状态具有较强的路径依赖性。2000年至2010年期间生态效率高值集聚的变化方向是从广东为代表的东南部地区沿着海岸线由南向北拓展，且高值集聚的省份均能保持该状态，而低值集聚的省份始终在中西部区域，这说明各省生态效率状态具有高度稳定性，即具有路径依赖特征。 四 各因素影响生态效率的空间计量分析 本文检验发现，各年度GDP、FDI和环境污染指数等变量的Moran's I指数值均大于0.1，均在10%水平下显著，说明各省市的主要经济和环境变量均存在空间正相关性，有必要考虑空间计量模型。为选择合适的计量模型，先以当期生态效率为因变量进行最小二乘法(OLS)回归，结果见表3第(1)列。LM统计量显示，空间自变量影响和空间误差项的影响在1%水平下均显著存在，故需进一步估计SDM模型并利用Wald统计量检验假设H[10]：θ=0和H[20]：θ=-ρβ，以判断SDM是否可以弱化为空间滞后模型或空间误差模型。表3第(3)列显示，两个检验的Wald统计量均在1%水平下显著，表明空间面板模型的最终形式应采用更广义的SDM。Hausman检验显示应采用随机效应模型(因P值大于临界值)。表3第(3)列报告了SDM模型的回归结果④。其中空间滞后系数ρ在10%水平下显著为正(0.21)，说明一个区域的生态效率与周边区域生态效率的空间加权值正相关，即区域生态效率存在正向的空间溢出效应，这印证了前文生态效率呈空间集聚态势的发现，也说明必须考虑空间关联才能准确估计各影响因素与生态效率之间的关系。 许多实证研究采用一个或多个空间模型的点估计方法来考察空间溢出效应。LeSage and Pace[22](2009)指出点估计容易产生错误，建议从求解偏微分的角度得到自变量发生变化时对相邻区域产生的平均溢出效应，然后进行统计检验。这为度量和检验空间溢出效应提供了更有效的思路和更坚实基础[23]。考虑到某个区域的自变量发生变化，既影响该区域的因变量，还可能影响相邻区域的因变量，LeSage and Pace[22]将前者定义为直接效应(Direct effect)，后者定义为间接效应(Indirect effect)，反映了空间溢出效应，两者加总得到总效应。参考已有文献[14，15]，本文通过考察这三类效应来分析各因素影响生态效率的方向、程度和机制。 表4第(1)至(3)列报告了以当期生态效率为因变量时基于SDM测度的直接效应和间接效应以及总效应。观察可知： 第一，城镇化对生态效率的影响不显著。在10%的显著性水平下，变量Urban的直接效应和间接效应为负但均不显著，表明观测期间城镇化的速度虽快，但发展质量并不高，并未有效提升生态效率、促进区域绿色发展。 第二，价格机制未发挥积极有效的作用。变量Price的直接效应显著为负，间接效应和总效应为负但不显著，这说明价格机制并未有效发挥资源配置功能，甚至具有负向影响。这与前文基于经典市场理论得出的预期相反。其原因可能在于，在中国重要的原料、燃料和动力价格并非由市场内生形成，而主要由政府部门决定，如石油和电力的价格。在此背景下原料、燃料和动力价格指数具有更强的外生性，往往被扭曲而无法反映真实的市场供求关系，也就难以发挥价格杠杆作用。尽管近年来中国已实施一系列能源价格体制改革，但仍未从根本上解决问题。 第三，FDI具有显著而积极影响。变量FDI_GDP的直接效应和总效应显著为正，暗示着一个区域内FDI占比提升有利于本地生态效率增长。本文发现印证了王兵等[17]的结果，还进一步指出了空间溢出效应的存在性和显著性及其影响方向。这一发现说明，从区域发展质量层面看，“污染天堂”假说在中国并不成立，应肯定FDI对区域生态效率的积极作用。 第四，技术创新是区域生态效率的重要影响因素。变量Patent的直接效应和间接效应以及总效应显著为正，这说明一个区域的技术水平和创新能力不但对本地产生积极而显著的影响，同时也通过空间溢出效应对邻近区域产生积极影响，即存在扩散效应。发明专利占全部专利比重的直接效应为正但不显著，间接效应和总效应均显著为正，这暗示发明专利有助于提升本地和周边区域的生态效率。但意外地，变量S_indus_R&D的直接效应显著为负，总效应也为负，说明区域内企业R&D人员投入占比越高，其生态效率反而越低。这一实证发现与预期相反，暗示着企业R&D活动的效率并不比其他主体如高校和科研单位的效率高。进一步分别以GDP和EI为因变量回归分析发现，变量S_indus_R&D与GDP和EI均显著正相关(限于篇幅未披露有关结果)。因EI越高表示污染物排放越多，这暗示着企业在开展R&D工作时，更倾向于增加经济产出而较少考虑降低环境污染，综合起来反而不利于生态效率提升。
第五，禀赋结构与生态效率具有显著正向联系。变量K/L的直接效应和间接效应以及总效应显著为正，说明资本劳动比不但对本地产生积极而显著的影响，还通过空间溢出效应对邻近区域产生积极影响。这一结果符合预期，但与已有文献[17]的结论不一致，差异可能源于效率测算和回归模型设定，他们均未利用超效率模型区分前沿面DMU，未考虑空间关联。 第六，电力消费比重的提升有助于提升生态效率。变量S_eli的直接效应和总效应显著为正，间接效应为正但不显著，暗示着提升电力消费占比、优化能源消费结构可发挥积极而显著的作用。 最后，产权结构和产业结构的影响均不明显。变量S_soe和S_hi的直接效应和间接效应以及总效应为正但均不显著，说明产权结构和重工业结构调整对生态效率提升的积极影响不明显，但也未发现两类结构具有负面影响的证据。因此，通过“国退民进”调整产权结构未必能够提升发展质量，简单地降低重工业比重也未必能优化经济结构、提升生态效率。
为了检验前述结论的稳健性，本文还做了以下考察。首先，与点估计的情况进行比较(见表3)。其次，利用滞后一期自变量以避免内生性问题[见表3中(2)(4)列和表4中(7)-(9)列]。再次，城镇化是一个综合性变量，可能对其他变量产生影响，因此去掉变量Urban重新进行回归分析[见表4中(4)-(6)列]。再其次，改用其他的空间权重矩阵，如区域间距离的倒数。最后，考虑到变量S_indus_R&D的符号与预期差异较大，该数据可能存在异常，去掉该变量后重新进行回归。结果发现，这些因素改变并未导致前述研究结论发生显著的方向性变化，说明前述回归分析结论是稳健的。限于篇幅未披露后两个稳健性检验的结果。 五 研究启示和建议 本文基于生态效率考察了中国省级行政区域的绿色发展水平和生态文明程度，利用探索性空间分析方法和地理信息系统等工具研究发现：大多数省份处于生态效率低值集聚状态，区域生态效率呈现出路径依赖特征，仍未走出“黑色发展”的旧模式。考虑到生态效率具有明显的空间关联特征，本文进一步利用空间计量模型从机制、结构等方面进一步考察了各类因素对生态效率的影响。根据研究发现提出如下启示和建议。 第一，将生态效率作为区域发展的考核指标，形成促进区域绿色发展的外在压力。一些中西部省份长期未突破旧发展模式的路径制约，关键可能在于官员们将重点放在GDP增长方面，而缺乏足够压力和动力去提升和改善现有路径，而不在于模式很难转变。因此区域生态效率的“路径依赖”只是一种表象。借鉴晋升锦标赛理论[29]的思想，建议以生态效率为核心构建新的考核体系和约束机制，利用“效率锦标赛”形成竞争压力，加速实现绿色发展。 第二，加大力度调整机制和结构，探寻提升生态效率的内生动力来源。首先，本文发现城镇化的积极影响并不显著，暗示着过去的快速城镇化质量和效率偏低。因此建议在城镇化中强调效率激励和约束，以解决城镇化创新动力不足等问题。其次，价格机制对生态效率具有显著的负向影响，说明相关价格机制仍被扭曲，故有必要尽快进一步深化能源等资源价格形成机制改革，下决心大力推动石油和电力等价格的市场化，使得原料、燃料和动力价格反映真实的市场供求关系。再次，区域中企业研发人力投入占比的提升反而具有显著的负向影响，暗示着企业在研发投入方面的低效率和实际投入不足，可能侧重于经济效益而忽视了环境保护。因此必须深化改革，建立和完善排污权等制度，使企业真正承担环境污染的成本，使之在技术研发中充分考虑环境保护因素。再其次，技术创新和FDI以及资本劳动比不仅对本地发展具有积极促进作用，而且对周边区域具有积极的空间溢出作用，是区域发展的重要动力。因此在转变发展方式时，仍需进一步扩大开放，发挥FDI的积极作用。并且，加大技术进步和自主创新的投入，积极提升发明专利比重以优化专利结构，在技术创新政策方面对发明创造类的专利尤其是低环境污染的技术创新予以倾斜，将与新能源、资源高效利用、清洁生产、环境监测和污染综合治理等有关的技术优先列入技术研发和产业化计划。最后，不必过于强调国有企业和重工业的不足，而应综合权衡，重在提供公平竞争的市场环境和产业结构的协调发展。总之，只有综合利用外部压力的推动和内生动力的拉动，才能突破旧发展模式的制约，加速推进绿色发展。 第三，基于协同创新思想进行系统化设计，鼓励各区域走差异化的绿色发展道路。一方面，一个省(市)是一个复杂巨系统，区域生态效率是一个涉及资源、环境和经济三大子系统的综合性概念，单一的机制优化或结构调整未必能够发挥出最佳效果，还需基于协同创新的思想进行系统化设计。例如，围绕产业链上下游，充分发动政府、企业、科研机构和金融等各类主体共同推进技术创新；鼓励建设各类创新平台和联盟，打破区域、行业和产权的界限建设创新网络平台；通过企业互助机制的建设、环境保护标准的规范、产业发展路线图的绘制和产业发展规划的编制以及产业政策体系的完善，多管齐下治理重污染和低效率产业的转型升级等问题；在能源价格逐步市场化的同时，利用财政税收等杠杆改善能源产品之间比价，利用价格杠杆加大力度鼓励开发和使用绿色清洁能源。另一方面，中国地区差异巨大，应充分考虑区域的差异性和自主性，给予地方政府更多探索空间，以市场化、规范化和可持续化为原则，鼓励各区域根据资源禀赋和经济社会特征进行机制优化和结构调整，探索各自特色的生态效率提升途径和绿色发展模式。 ①在标准的DEA模型中，有效的决策单元(DMU)均在前沿面上，其效率得分均为1。这将导致两个方面的问题：一是无法区分这些有效率的DMU，在此基础上的分析尤其是回归分析不一定准确。二是无法准确计算有效率DMU的跨期增长，例如，一个DMU在上期和本期的效率值均为1，据此计算效率增长为0，但实际上其效率可能是有变化的。为解决该问题，Andersen & Petersen(1993)提出了超效率模型。在超效率模型中，无效率决策单元的效率值与标准效率模型一致；而对于有效率的决策单元，其超效率值可以大于1，相互之间可以比较。然而现有实证文献大多数未采用超效率模型，无法区分前沿面上的DMU。 ②利用面板数据模型观察经济增长的影响因素时，以GDP为因变量可能更合适(如，丁志国等，2011)。若基于面板数据观察生产率增长的影响因素，以生产率为因变量可能更合适(如，王兵等，2010)。 ③2011年1月开始国家统计局实施新的工业生产者价格统计调查制度方法，并将“原材料、燃料、动力购进价格指数”改称为“工业生产者购进价格指数”。为避免数据前后口径不一致而导致偏差，本文数据只更新到2010年。 ④限于篇幅，本文未披露固定效应模型的估计结果，其结果与随机效应模型的结果高度相似。
标签：经济研究论文; 企业经济论文; 经济模型论文; 集聚效应论文; 能源结构论文; 中国资源论文; 能源效率论文; 环境保护论文; 企业空间论文; 投入资本论文; 环境污染论文; 溢出效应论文; 经济学论文;
中国区域生态效率的时空演化与促进机制_经济研究论文
下载Doc文档