基于Super-SBM模型的大气环境效率评价及其影响因素研究

论文总字数：19628字

目 录

1 引言……………………………………………………………………1

2 文献综述………………………………………………………………1

3 模型介绍………………………………………………………………2

4大气环境效率评估……………………………………………………3

4.1数据来源与处理…………………………………………………………………………3

4.2大气环境效率的前沿面分析……………………………………………………………4

4.3大气环境效率的区域差异分析…………………………………………………………4

4.4大气环境效率的收敛性分析……………………………………………………………5

5大气环境效率影响因素………………………………………………6

5.1变量选择…………………………………………………………………………………6

5.2估计结果和分析…………………………………………………………………………7

6结论与政策建议………………………………………………………8

参考文献………………………………………………………………10

致谢……………………………………………………………………12

基于Super-SBM模型的大气环境效率评价及其影响因素研究

程晗

Abstract: This paper estimates the efficiency of the atmospheric environment of China’s 30 provinces in 2002-2010, considering weighted PM2.5 concentrations of population as atmospheric environmental pollution indicators, based on the Super-SBM model on the size of the variable remuneration, and analyzes its regional distribution and convergence of china and eight regions. Tobit model is then adopted to examine the factors influencing the atmospheric environmental efficiency in China. Results show that: (1) In 2002-2010, Hainan ,Qinghai, Guangdong, Shanghai and Tianjin have the highest atmospheric environmental efficiency, while the efficiency of the central and western regions such as Sichuan, Chongqing, Yunnan, Shaanxi and Hebei is low. (2) The atmospheric environmental efficiency in China presents regional differentiation. The atmospheric environmental efficiency of the southern coastal provinces and eastern coastal provinces is higher, and the provinces in the middle reach of Yangtze River and the middle reach of Yellow River are relatively low. In addition, across the country, the σ value of efficiency of atmospheric environment fluctuating rise. In terms of internal gap by region, Sigma value fluctuation of the northern coast was basically consistent with the changes and Sigma value along the eastern coast showed a slow rise trend. In the region of the middle reaches of the Yellow River, Sigma value shows first divergent then convergent tendency in 2005 as a dividing line. Southwest internal gap showed a gradual convergence trend. Keep steady state rest. (3)The atmospheric environmental efficiency has negative correlation with the proportion of coal consumption, secondary industry proportion and car ownership, while GDP per capita was significantly positively related to atmospheric environmental efficiency .At last, this paper puts forward the corresponding counter measures. This research is the beneficial supplement of atmospheric environmental efficiency evaluation, and providing empirical support for regional governance of atmospheric environment.

Key words: Atmospheric environmental efficiency; Super-SBM model; PM2.5 concentrations; Tobit regression analysis

1引言

近年来，随着我国工业化发展与城市化进程的不断加速，环境污染问题日益严重，尤其是雾霾现象频繁发生，引发社会各界的广泛关注。中国社科院和中国气象局发布的《气候变化绿皮书：应对气候变化报告（2013）》中提到，我国平均雾霾天数为29.9天，长江、珠江三角区以及京津冀三大城市群出现雾霾天数超过100天。此外，根据Crooks:R.的《迈向环境可持续的未来——中华人民共和国国家环境分析》，我国500个大型城市中，达到世界卫生组织的空气质量标准的不到百分之一。

针对目前环境污染现状，我国政府前后出台了一系列政策文件，旨在通过行政力量推动污染排放。2012年公布的《重点区域大气污染防治“十二五规划”》和《“十二五”节能减排综合性工作方案》，要求单位生产总值的二氧化碳排放量降低17%，二氧化硫排放量减少8%。2013年国务院审议通过的《大气污染防治行动计划》要求，在5年或者更长时间内，逐渐消除重污染天气。在“新常态”背景下，尽管经济处于中低速的增长区间，但能耗需求仍然居高不下。要实现以上指标要求，关键在于如何提高产出的环境效率，即在获得经济产出的同时降低单位环境污染物排放量的投入。因此，客观评价各地区的环境效率，找出影响效率的因素，对于政府有针对性的制定环保政策具有重要的指导意义。本文利用数据包络分析方法（DEA模型），将人口加权PM2.5浓度作为污染性投入指标，测算我国各省份的大气环境效率，并运用Tobit模型分析大气环境效率的主要影响因素，最后提出相应的对策建议。

2文献综述

环境效率是经济发展需要付出的环境代价（污染物排放量）大小的度量，其经济意义是将环境作为一种资源的投入，以环境生产前沿面的决策单元为参照面，在保持投入产出不变时，环境负荷在现有基础上降低的潜力。采用DEA模型度量环境效率是现阶段的主流做法。运用DEA模型对环境效率进行评价，重点在于如何选取合适的DEA模型，以及如何界定投入和产出指标。

有关评价环境效率的文献大致可以分为两类。第一类，将污染排放物作为非期望产出指标（非期望产出法）。Zaim和Taskin（2001）^[1]将CO₂排放量视为非期望产出，研究了OECD国家的环境效率和监管标准；Zhou et al.（2010）^[2]将污染物CO₂作为非期望产出处理，采用SBM模型分析了30个OECD国家的相对环境效率。Lee et al.（2014）^[3]选取NO_X、SO₂以及CO₂排放作为非期望产出指标，评价了OECD国家港口城市的环境效率；杨青山（2012）^[4]将污染物排放量作为非期望产出指标,使用DEA-SBM模型评价了东北地区城市群的环境效率；李静（2008）^[5]、胡达沙、李杨（2012）^[6]在采用SBM模型评价各省区的环境效率时，都将污染排放作为非期望产出。第二类，污染排放量作为投入指标（投入法）。如Reinhard（2000）^[7]将对环境的负效应变量作为投入指标分析了荷兰牛奶场的环境效率；Hailua和Veeman（2001）^[8]将污染物输出作为投入指标，分析了加拿大造纸工业的环境效率，并根据分析结果提供了更完善的生产技术；Ramanathan（2005）^[9]采用DEA模型研究能源消耗以及CO₂排放效率时，将污染变量（CO₂排放量）作为投入指标；王俊能（2010）^[10]在利用DEA模型度量中国区域环境效率时，将污染物COD排放量和SO₂排放量作为投入指标；金玲（2014）^[11]在评价大气环境效率时，选取大气污染物（SO₂排放量、NO_X排放量以及烟粉尘量）作为投入指标等等。

第一类方法的经济意义在于增加期望产出的同时，减少非期望产出以及资源的投入，希望实现“双赢”的局面；第二类方法认为在现实的生产活动中，污染物的排放是无法完全避免的，也就是说污染物本身也是一种投入，所以将其作为投入变量也是合理的。因此，两种方法都有其合理性。但王波（2002）^[12]对比两类模型发现，将污染物作为投入变量时，约束条件更加严格并且决策单位可获得更大可能性的改进。因此采用第二类方式研究，并从以下几个方面进行拓展：首先，目前相关文献主要研究的是环境效率，但很少研究大气环境效率。以大气污染作为研究对象，使用各省的人口加权PM2.5浓度作为大气污染排放指标，分析大气环境效率，这类研究较为少见。其次，采用Super-SBM模型，一方面可以直接解决投入过剩和产出短缺的问题，另一方面也解决了多个高效率省份之间无法比较相对效率的问题。第三，由于DEA模型效率值存在着固有的数值限制，即效率值基本处于0-1之间，因此进一步选用Tobit模型对人均GDP、产业结构等大气环境的影响因素进行实证分析。

剩余内容已隐藏，请支付后下载全文，论文总字数：19628字