大數據在環境技術進步中的應用

王舒鴻*，崔欣，宋馬林

（1. 中國海洋大學經濟學院，青島 266100；2. 安徽財經大學統計與應用數學學院，蚌埠 233030）

大數據在環境技術進步中的應用

王舒鴻1*，崔欣1，宋馬林2

（1. 中國海洋大學經濟學院，青島 266100；2. 安徽財經大學統計與應用數學學院，蚌埠 233030）

【編者按】2016年11月，由《中國環境管理》主辦的2016全國環境信息技術與應用交流大會暨中國環境科學學會環境信息化分會年會在京召開。大會組織了論文征集和評選活動，現刊登部分優秀論文以饗讀者。

我國環境污染日益嚴重，政府加大環境保護力度勢在必行，科學、有效的環境管理對保護環境、提高環境質量起著重要的作用。環境技術進步是環境管理有效且持久的驅動力，但是，環境技術進步的測度方法一直未能實現普適性。本文首先綜述了技術進步對改善環境質量的重要性，在此基礎上，闡述了各學者對技術進步和偏向型技術進步測量方法的探究。然后介紹了大數據在環境管理中的應用，在其應用經驗的基礎上，將其引入環境技術測度領域。大數據在該領域的應用為環境偏向型技術進步的測度提供了新的契機，同時，大數據的應用也增加了研究的困難性。最后，基于偏向型技術進步之間的矛盾，提出最優環境技術的理念。通過利用大數據，可以合理測度偏向型技術進步，實現生產偏向型技術進步和環境偏向型技術進步的合理配比，找出可以兼顧高產出和低污染物排放量的最優偏向型技術進步模式。并進一步結合各區域的差異性和關聯性，能夠測算出區域最優偏向型技術進步模式，找到有效的環境管理方式，為環境管理者與政策制定者提供合理參考。

大數據；環境管理；技術進步

1 環境技術是改善環境的重要手段

改革開放以來，我國經濟迅速發展，工業化和城鎮化進程快速推進，而粗放型經濟發展方式則是以犧牲環境、耗費資源、破壞生態為代價的[1]。隨著經濟的持續增長，現代化步伐的逐步加快，廢水、廢氣等有害污染物的排放量逐漸增多，環境污染日益嚴重。近年來，我國政府已經充分意識到環境管理的重要性。在黨的十六屆五中全會上，我國提出建設資源節約型和環境友好型社會的戰略目標，并于2015年1月1日開始實施新的《中華人民共和國環境保護法》，而十八屆五中全會則更進一步加大了環境治理力度。進行科學的環境管理可以有效地改善環境質量，有利于環保工作的順利進行。

“十三五”開始，我國環境管理的戰略導向由降低污染物排放量轉變為改善環境質量。黨的十八屆五中全會提出了五大發展理念，而推動創新與技術進步則被排在這五大發展理念的首位。這意味著我國要大力發展綠色經濟，就必須推動綠色創新、實現綠色技術的進步，這是我國發展綠色經濟的根本途徑。對于此，很多學者早已達成共識。Weitman[2]提出技術進步可以有效地推動經濟長期、可持續發展。宋馬林和王舒鴻[3]創新地將數據包絡分析（data envelopment analysis，DEA）方法分解，將影響環境效率的因素分為技術因素和環境規制因素并對其進行實證分析，把兩種因素對環境效率的影響程度量化。得出結論：技術進步能夠促進環境保護、帶動產業升級，適合各地經濟環境的技術進步可以促使各地經濟綠色、快速的增長。王兵和劉天光[4]首次采用兩期權重修正羅素模型研究通過推動技術進步而實現的節能減排，能否促使中國經濟綠色發展，實現環境與經濟的雙贏。結果表明：強化節能減排技術有利于促進綠色全要素生產率的增長，最終推動綠色經濟的發展。

2 大數據與環境技術測度

對技術進步進行合理測度，為環境管理制度的制定和實施提供切實、可靠的依據，是使環境治理得到改善、環境管理更加有效的關鍵因素之一。然而，現在并沒有一個普適性的測度方法。Kennedy 等[5]利用“增長核算法”測度技術進步的大小，通過設定生產函數來衡量技術進步，但是如果生產函數設定錯誤或者其他生產條件改變，就會使計算得到的技術進步率與實際的技術進步率之間產生偏差。Bentolina 等[6]采用全要素生產率衡量技術進步；Welsch 等[7]用貿易占GDP的比重對技術進步進行衡量；Arnberg 等[8]和Ma 等[9,10]用時間趨勢項表示技術進步。也有學者嘗試用數據包絡分析等非參數的方法來測度技術進步。Caves 等[12]把數據包絡分析與全要素生產率相結合，構建出DEA-Malmquist的評價方法，計算得到各決策單元的技術進步效率，Fukuyama等[12]對DEA-Malmquist指數進行了進一步的探究；宋馬林等[13]將數據包絡分析與固定效應模型相結合，分析各省份的技術進步，并取得了較好的效果。但這些方法往往隨著指標選取的不同而導致不同的結果，所得到的結論也并不穩定。

通過對技術進步研究的深入，學者逐漸將技術進步內生化，形成偏向型技術進步理論。當勞動與資本的相對價格發生變化時，企業生產過程中就會更多地使用價格較低的生產要素，放棄使用價格較高的生產要素，從而對資本和勞動的技術提升作用產生差異，出現資本偏向型技術進步和勞動偏向型技術進步。Acemoglu[14,15]提出，技術進步的偏向性可以拓展到任意投入要素之間，從而擴寬了偏向型技術進步的應用范圍。隨著環境問題逐漸得到人們的關注，各學者也將環境因素考慮到生產函數中。不同于生產要素的偏向型技術進步注重產出隨技術進步而增加，環境要素的偏向型技術進步注重的是隨著技術進步，能源消耗和污染物等非期望產出減少，既包括 “節能”型技術進步和“減排”型技術進步[16]。

環境偏向型技術進步是進行環境管理，改善環境質量持久、有效、穩定的驅動力[17]。但是自Acemoglu[18,19]首先提出“環境”偏向型技術進步以來，學者們同樣面臨無法測度以及測度不準的問題。很多學者進行了積極有效的嘗試。Harrison[20]、Welsch等[7]、Arnberg等[8]、Ma 等[9,10]采用指標替代的方法衡量偏向型技術進步。Klump等[21]采用標準化供給面系統估計技術進步的方向指數。Leon-Ledesma等[22]用廣義非線性最小二乘法對技術進步方向進行估計。但這些方法的擬合精度差，不能對環境偏向型技術進步進行很好的測度。有學者基于DEA方法，對其進行改進和創新，用以測度環境偏向型技術進步。Chambers等基于DEA模型，提出了具有相加結構的Luenberger生產率指標度量環境因素的技術進步。Chung 等[24]構建了同時考慮期望產出增加與非期望產出減少的方向性距離函數（Directional Distance Function，DDF），并在Chambers等的研究基礎上，構建了比值Malmquist-Luenberger （ML）生產率指數。Oh等[25]提出了Sequential Malmquist-Luenberger（SML）指數的概念，并對26個OECD成員進行環境績效的測算，等等。

如何進行有效的環境技術測度，這是環境管理領域困擾學者多年的難題。近年來大數據的興起給學者們的研究帶來了新的思路。因為在環境管理領域，已經出現了具有較高價值的巨量信息，這些信息也已實現在全球范圍內的共享，這就給大數據下的環境技術測度提供了便利。依據HACE定理，大數據始于分布式和非集中控制的巨容（large-volume）、異構（heterogeneous）、自治源（autonomous），它尋求數據間復雜（complex）與不斷變化（evolving）的關系[26]。據估計，目前從地下物理實驗到零售交易、安全攝像頭和全球定位系統等方面，每年產生大約4澤字節（Zettabytes）數字資料[27]。大數據業已席卷所有行業和業務功能領域，正在成為與勞動力和資本并駕齊驅的一個新的生產要素，將有力推進生產率增長和消費者盈余的新浪潮[28]。美國環境保護署（Environmental Protection Agency, EPA）和能源信息署（Energy Information Administration, EIA）將收集的大數據用以建立排放和發電資源綜合數據庫（Emissions and Generation Resource Integrated Database, eGRID），提供幾乎全部美國發電的碳排放等數字資料。

然而，由于大數據規模巨大且生成迅速，大數據的研究一度陷入極大的困難[29]。但是對大數據的深入挖掘能夠得到更加精確與穩定的結論，又促使學者對其進行深入探索。Russom[30]認為，通過綜合運用數據采集、統計推斷以及人工智能等多種技術，可以有效解決由大數據本身特性所帶來的分析上的困難。Pijanowski 等[31]提出，對大數據進行分析時，將地理信息系統與神經網絡相結合，以便解決分析上的困難。還有很多學者也提出了不同的解決方法[32,33]。我國印發的《生態環境監測網絡建設方案》（2015）提出，要構建生態環境監測監管的大數據平臺，開發、整合、應用生態環境監測監管的數據資源，將大數據應用到環境管理領域中。

3 基于大數據的最優環境技術測算

3.1 偏向型技術進步之間的矛盾

環境偏向型技術進步受到越來越多的重視，大數據為其測度方法的探究提供了新的契機。隨著新常態的提出，我國經濟增速由高速增長變為中高速增長，政府為加強環境管理、提高環境績效、改善環境質量而出臺的各項政策制度，使環境偏向型技術進步能在更有利的環境中得到全面發展。但是我國以環境和經濟的協調發展為戰略目標，環境偏向型技術進步的快速發展，必然會擠占生產偏向型技術進步的發展空間，使經濟增長速度減緩[34]。

生產偏向型技術進步注重的是隨著技術進步，產出增加，有利于促進經濟增長，但是生產過程中廢水、廢氣等污染物的排放不利于環境保護，且產出與生產過程中污染物的排放一般呈現出高度正相關。環境偏向型技術進步注重的是隨著技術進步，能源消耗減少，非期望產出減少。有利于節約能源，減少污染物的排放從而提高環境質量，但是未必能使產出增加，而且，有些情況下，環境偏向型技術進步可能會減少企業的正常產出。企業在決策技術進步的偏向性時需要在產出和污染物排放成本之間做出權衡，產出越多，利潤越大；而污染物排放成本與國家環境保護的政策制度有關，受國家環保政策的限制[35]。調整產出與污染物排放之間的結構，確定技術進步的偏向性，從而使企業總效益達到最大成為國內外學者研究的重點。

3.2 大數據下的最優環境技術進步

在大數據的背景下，環境偏向型技術進步的測度有了更廣闊的探索空間，同時也為最優偏向型技術進步模式的探索提供了機遇和挑戰。由于大數據種類繁多、結構復雜，在研究過程中，會出現大量半結構化數據和非結構化數據[36]，尋找科學、合適的方法將半結構化和非結構化的數據結構化是深入測度偏向型技術進步和最優技術進步的重要前提。在新常態下，我國經濟增長速度放緩，并加大了對環境偏向型技術的研發投資，環境偏向型技術進步率是否已經達到最優，是否要繼續加大對環境偏向型技術的投資力度，目前仍未有統一的定論。

由于各區域經濟、政治和文化等存在差異，技術進步的模式必然也不相同[37]。經濟發達的地區，會加大對環境偏向型技術的研發投資，而欠發達地區可能會更加注重對生產偏向型技術的投資。各地區環境規制的強度不同，強度大的地區，企業由于較高的排污成本，不得不加大環境偏向型技術的研發力度。因此，即使對各區域投入相同的生產要素，所產生的偏向型技術進步速度也必然不會相同[13]。邵帥等[38]將各個區域作為獨立的個體，采用動態面板數據模型分析區域間的差異性對技術進步的影響。由于各區域之間的關聯性[39]，使一個地區的技術進步可能會擴散到其他地區[40]，對其他地區的影響隨著地理距離的增加而逐漸減弱。Song 等[39,41]和李健等[42]對區域間的關聯屬性進行了深入探究，仍未能揭示區域關聯的長期動態特征。考慮到區域之間的差異性和關聯性，DEA測度技術進步時所依據的假設條件將不再滿足，同時增加了探究難度。但不考慮區域之間的差異性和關聯性，偏向型技術進步的測度結果很可能會存在偏差。

我們考慮，如果能夠將區域的差異性、關聯性與偏向型技術進步的測度相結合，可以找出各區域的最優技術進步模式，對最優偏向型技術進步模式進行模擬、仿真、預測，據此調整我國的環境管理方式，可以為出臺的環境管理的政策制度提供有利的支持，使之更加精確、可靠。在這個分析框架中，我們將重點考察節能型技術、減排型技術、生產型技術和開采型技術這四種技術的產出分配。科技子系統按照利潤最大化原則對四種技術進行研發投資，通過測度節能型技術進步和減排性技術進步，得到區域環境偏向型技術進步的最優進步率。但是只能得到一個區域的最優技術進步率，要想得到整個區域最優偏向型技術進步模式，還需要結合區域的關聯性，建立多區域的經濟、科技、能源、環境的綜合系統進行探究。而大數據在整個探究過程中起著舉足輕重的作用，為每一步的探究分析提供數據支持，從而使每一步探究得以實現。

4 結論與展望

科學、有效的環境管理對環境保護有著重要的影響。技術進步和環境偏向型技術進步及其有效測量對環境管理同樣有著重要意義。近年來，偏向型技術進步理論基礎得到了飛速的發展，但已有的測度方法考慮到的問題并不全面，不能準確測度環境偏向型技術進步。在大數據的條件下，對數據的分析將更加復雜但是對方法的探索空間也將更加廣闊，且從海量數據中提取出隱含著的有效信息，建立起的環境偏向型技術進步模型更加精確性和穩定性，為環境管理工作的進行提供更可靠的依據。在大數據背景下，尋找能有效測度環境偏向型技術進步的方法勢在必行。環境偏向型技術進步和生產偏向型技術進步之間的矛盾，引發了國內外學者對最優偏向型技術進步的探索。大數據、區域間的差異性和關聯性，為最優技術進步模式的探索增加了困難，同時也提供了新契機，擴大了其探索空間。隨著經濟的發展，可以嘗試通過建立經濟、科技、能源和環境的綜合系統，測算區域最優偏向型技術進步模式，找到合理的環境管理方式，給決策者以參考。

[1] WANG S H, SONG M L. Review of hidden carbon emissions, trade, and labor income share in China, 2001-2011[J]. Energy policy, 2014, 74: 395-405.

[2] WEITZMAN M L. Sustainability and technical progress[J]. The Scandinavian journal of economics, 1997, 99(1): 1-13.

[3] 宋馬林, 王舒鴻. 環境規制、技術進步與經濟增長[J]. 經濟研究, 2013(3): 122-134.

[4] 王兵, 劉光天. 節能減排與中國綠色經濟增長——基于全要素生產率的視角[J]. 中國工業經濟, 2015(5): 57-69.

[5] KENNEDY C, THIRLWALL A P. Surveys in applied economics: technical progress[J]. The economic journal, 1972, 82(325): 11-72.

[6] BENTOLILA S, SAINT-PAUL G. Explaining movements in the labor share[J]. Contributions in Macroeconomics, 2003, 3(1), doi: https://doi.org/10.2202/1534-6005.1103.

[7] WELSCH H, OCHSEN C. The determinants of aggregate energy use in west Germany: factor substitution, technological change, and trade[J]. Energy economics, 2005, 27(1): 93-111.

[8] ARNBERG S, BJ?RNER T B. Substitution between energy, capital and labour within industrial companies: a micro panel data analysis[J]. Resource and energy economics, 2007, 29(2): 122-136.

[9] MA H Y, OXLEY L, GIBSON J, et al. China’s energy economy: technical change, factor demand and interfactor/ interfuel substitution[J]. Energy economics, 2008, 30(5): 2167-2183.

[10] MA H Y, OXLEY L, GIBSON J. Substitution possibilities and determinants of energy intensity for China[J]. Energy policy, 2009, 37(5): 1793-1804.

[11] CAVES D W, CHRISTENSEN L R, DIEWERT W E. Multilateral comparisons of output, input, and productivity using superlative index numbers[J]. The Economic journal, 1982, 92(365): 73-86.

[12] FUKUYAMA H, WEBER W L. A directional slacksbased measure of technical inefficiency[J]. Socio-economic planning sciences, 2009, 43(4): 274-287.

[13] 宋馬林, 王舒鴻, 汝慧萍, 等. 基于省際面板數據的FDI綠色創新能力統計分析[J]. 中國軟科學, 2010(5): 143-151.

[14] ACEMOGLU D. Labor- and capital-augmenting technical change[J]. Journal of the European economic association, 2003, 1(1): 1-37.

[15] ACEMOGLU D. Equilibrium bias of technology[J]. Econometrica, 2007, 75(5): 1371-1409.

[16] SONG M L, WANG S H, LIU W. A two-stage DEA approach for environmental efficiency measurement[J]. Environmental monitoring and assessment, 2014, 186(5): 3041-3051.

[17] 景維民, 張璐. 環境管制、對外開放與中國工業的綠色技術進步[J]. 經濟研究, 2014(9): 34-47.

[18] ACEMOGLU D, AGHION P, BURSZTYN L, et al. The environment and directed technical change[J]. American economic review, 2012, 102(1): 131-166.

[19] ACEMOGLU D, AKCIGIT U, HANLEY D, et al. Transition to Clean Technology[R]. MIT Working Paper, 2012.

[20] HARRISON A E. Has Globalization Eroded Labor’s Share? Some Cross-Country Evidence[R]. UC Berkeley and NBER Working Paper, 2002.

[21] KLUMP R, MCADAM P, WILLMAN A. Factor substitution and factor-augmenting technical progress in the United States: a normalized supply-side system approach[J]. Review of economics and statistics, 2007, 89(1): 183-192.

[22] LEON-LEDESMA M, MCADAM P, WILLMAN A. In dubio Pro CES: Supply Estimation with Mis-Specified Technical Change[R]. ECB Working Paper No.1175, 2010.

[23] CHAMBERS R G, FāURE R, GROSSKOPF S. Productivity growth in APEC countries[J]. Pacific economic review, 1996, 1(3): 181-190.

[24] CHUNG Y H, F?RE R, GROSSKOPF S. Productivity and undesirable outputs: a directional distance function approach[J]. Journal of environmental management, 1997, 51(3): 229-240.

[25] DONG-HYVNO. A global malmquist of efficiency in data envelopment analysis[J]. European | Journal | of Operation Research, 2010, 130(3): 498-509.

[26] WU X D, ZHU X Q, Wu G Q, et al. Data mining with big data[J]. IEEE transactions on knowledge and data engineering, 2014, 26(1): 97-107.

[27] TIEN J M. Big data: unleashing information[J]. Journal of systems science and systems engineering, 2013, 22(2): 127-151.

[28] MANYIKA J, CHUI M, BROWN B, et al. Big Data: The Next Frontier for Innovation, Competition, and Productivity[M]. New York: McKinsey & Company, 2011.

[29] ?ZDEMIR V, BADR K F, DOVE E S, et al. Crowd-funded micro-grants for genomics and “big data”: an actionable idea connecting small (Artisan) science, infrastructure science, and citizen philanthropy[J]. OMICS: a journal of integrative biology, 2013, 17(4): 161-172.

[30] RUSSOM P. Big data analytics[R]. TDWI Best Practices Report, 2011.

[31] PIJANOWSKI B C, TAYYEBI A, DOUCETTE J, et al. A big data urban growth simulation at a national scale: configuring the GIS and neural network based land transformation model to run in a High Performance Computing (HPC) environment[J]. Environmental modelling & software, 2014, 51: 250-268.

[32] STEED C A, RICCIUTO D M, SHIPMAN G, et al. Big data visual analytics for exploratory earth system simulation analysis[J]. Computers & geosciences, 2013, 61: 71-82.

[33] SCHNASE J L, DUFFY D Q, TAMKIN G S, et al. MERRA analytic services: meeting the big data challenges of climate science through cloud-enabled climate analytics-as-aservice[J]. Computers, environment and urban systems, 2014, 61: 198-211.

[34] SONG M L, WANG S L. Environmental efficiency evaluation of china based on a kind of congestion and undesirable output coefficient[J]. Panoeconomicus, 2015, 62(4): 453-468.

[35] 董敏杰, 梁泳梅, 李鋼. 環境規制對中國出口競爭力的影響——基于投入產出表的分析[J]. 中國工業經濟, 2011(3): 57-67.

[36] 周曉方, 陸嘉恒, 李翠平, 等. 從數據管理視角看大數據挑戰[J]. 中國計算機學會通訊, 2012, 8(9): 16-20.

[37] BENTO N, FONTES M. Spatial diffusion and the formation of a technological innovation system in the receiving country: the case of wind energy in Portugal[J]. Environmental innovation and societal transitions, 2015, 15: 158-179.

[38] 邵帥, 楊莉莉. 自然資源開發、內生技術進步與區域經濟增長[J]. 經濟研究, 2011(S2): 112-123.

[39] SONG M L, WANG S L, WU J, et al. A new space-time correlation coefficient and its comparison with Moran’s Index on evaluation[J]. Management decision, 2011, 49(9): 1426-1443.

[40] 王恕立, 滕澤偉, 劉軍. 中國服務業生產率變動的差異分析——基于區域及行業視角[J]. 經濟研究, 2015(8): 73-84.

[41] SONG M L, WANG S L, LIU W. A new method for measuring the economic convergence and its application on central china provinces[J]. Economic research, 2012, 25(4): 925-936.

[42] 李健, 衛平, 付軍明. 中國地區工業生產率增長差異及收斂性研究——基于三投入DEA實證分析[J]. 產業經濟研究, 2015(5): 21-30.

The Application of Big Data in Environmental Technology Progress

WANG Shuhong1*，CUI Xin1，SONG Malin2
(1. School of Economics, Ocean University of China, Qingdao 266100; 2. School of Statistics and Applied Mathematics, Anhui University of Finance and Economics, Bengbu 233030)

With the increasingly serious environmental pollution in China, the government is imperative to intensify environmental protection efforts. Besides, scientific and effective environmental management plays an important role in protecting environment and improving environmental quality. Environmental technology progress is an effective and lasting driving force for environmental management, but its measurement method has not been able to achieve universal. The importance of technological progress in improving environmental quality was summarized in this paper, on the basis of that, the researches of many scholars on measurement methods of the technical progress and biased technical progress were expounded. Then, the paper introduced the application of big data in environmental management, on the basis of its application experience, big data was introduced to the field of environmental technology measurement, which provides a new opportunity for the measurement of environmental biased technology progress. Meanwhile, the application of big data also increases the diffculty of research. Finally, based on the contradiction between the biased technological progresses, the concept of optimal environmental technology was put forward. By making use of big data, biased technical progress can be reasonable measured and then reasonable ratio of production biased technology progress and environmental bias technology progress could be realized. In addition, optimal biased technical progress pattern, which can take into account the high output and low pollutant emissions could be obtained. Combined with the regional differences and association, regional optimal biased technical progress pattern could be calculated. Thereby, an effective way of environmental management was found, which provides a reasonable reference for the environmental managers and policy makers.

big data; environmental management; technical progress

X321；TP311

1674-6252（2017）02-0021-05

A

10.16868/j.cnki.1674-6252.2017.02.021

*責任作者： 王舒鴻（1986—），男，講師，博士，主要從事環境管理研究領域，E-mail:wangshunnar@163.com。