長江經濟帶省市生態效率測算及影響因素研究

摘"要： 長江經濟帶作為中國最重要的流域經濟帶之一，肩負著引領我國經濟高質量發展的重任，實現在保護中發展長江經濟帶事關國家發展全局與中華民族的長遠利益。綜合運用DEA模型和Malmquist指數法測算2011至2018年長江經濟帶各省市的生態效率及其動態變化指數，并運用Tobit回歸模型分析上述效率指數的影響因素，研究結果顯示：長江經濟帶的平均生態效率水平在樣本期內經歷了微弱的上升，年度平均增幅為0.2%;各省經濟結構改進、發展高新技術產業、擴大對外開放以及增加財政資金對環保事業的投入等積極因素，均能對效率提升產生顯著影響。

關鍵詞： 數據包絡分析;Malmquist指數;長江經濟帶;生態效率

中圖分類號： F127; X22"文獻標識碼： A"DOI： 10.3963/j.issn.1671|6477.2020.02.016

長江作為我國的第一大河流，由西向東綿延6300公里，橫跨我國東中西三大區域。長江經濟帶覆蓋11個省市，包含長三角城市群、長江中游城市群及成渝城市群三大城市群，總面積占我國國土面積的21%，人口占我國的40%以上。在經濟上，長江經濟帶11省市的地區生產總值占全國40%以上，進出口總額約占全國40%①。在生態環境上，長江擁有獨特的生態系統，是我國重要的生態寶庫，同時更是沿江4億居民的飲用水水源，因此長江流域生態環境好壞所帶來的影響“牽一發而動全身”，在我國生態安全系統中起著重要作用。

改革開放40余年來，經過快速的工業化、城市化、市場化發展，長江經濟帶為國家的經濟發展作出了重大貢獻。但與此同時，由于長江沿線的一些地區走上了追求高投入、高產出的粗放、不可持續的發展道路，長江流域生態功能退化、污染物排放量過大、流域環境風險隱患突出等生態環境問題也逐步凸顯，已經開始制約著地區發展與民生福祉的提升。

為應對這一嚴峻挑戰，國家陸續出臺多項舉措全面推進長江經濟帶的生態保護與綠色發展。2014年國務院頒布的《關于依托黃金水道推動長江經濟帶發展的指導意見》②中就將“江湖和諧、生態文明”納入發展長江經濟帶的基本原則。在2016年召開的推動長江經濟帶發展座談會上，習近平總書記更是明確指出長江經濟帶的發展要“把修復長江生態環境擺在壓倒性位置”，以“共抓大保護、不搞大開發”為基本原則，走“生態優先、綠色發展”之路③。

在國家的科學布局與大力推動下，長江沿線各省市和有關部門積極行動、通力合作，長江經濟帶的生態修復與綠色發展已經取得初步成效，一些環境指標開始逐漸好轉，長江生態功能正逐步恢復。但與此同時我們還要看到，長江經濟帶面臨的生態問題依然嚴峻，區域綠色發展不平衡現象依然明顯，同時長江經濟帶內產業轉型升級的任務依然艱巨，區域合作機制依然有待進一步明確。因此，如何把握好保護和發展的辯證關系，在保護好生態環境的前提下推動長江經濟帶綠色、科學、高質量發展，依然是一個我們將長期面對并需要著力解決的重要問題。

為此，本文運用DEA|Malmquist方法計算了2011至2018年間長江經濟帶11省市的生態效率，并使用Tobit回歸模型分析其影響因素，以期為制定相關對策提供參考依據。

一、文獻綜述

綠色經濟的發展不僅要考慮經濟和社會效益的產出，還要兼顧城市發展過程中的環境污染因素。為了更好地衡量各地在兼顧環境保護與經濟發展時的表現，Schmidheiny提出了生態效率（eco|efficiency）的概念，即一定時期內增加的經濟價值與增加的生態環境負荷的比值[1]，其核心是少投入、少排放、多產出，在不對生態環境構成威脅的前提下努力發展區域經濟。由于生態效率符合可持續發展有關經濟、資源和環境協調發展的核心理念，以此逐漸成為測度可持續發展的重要概念和工具。近年來，一些學者依照這一概念將環境因素納入到經濟效率和生產率的分析框架中，使用數據包絡分析（DEA）方法及其衍生方法對中國的綠色經濟發展進行實證研究。例如胡鞍鋼等以1999至2005年間中國的30個省市自治區為樣本，使用DEA模型計算這些地區納入環境因素后的技術效率情況，并發現東部地區考慮了環境因素的技術效率最高，中部地區次之，西部地區最低[2];程丹潤和李靜則使用DEA|SBM模型研究了1990至2006年間28個省市的環境效率，他們發現環境變量的引入明顯降低了中國區域平均效率水平，中西部地區對環境變量的引入較東部地區更為敏感，西部地區處于經濟發展和環境保護的雙重困境[3];汪曉文和慕一君則運用DEA模型研究了1991至2015年間中國30個省份環境技術效率的收斂趨勢，他們發現全國總體及東、中、西部均存在條件收斂，但由于各區域的經濟條件與特征不同，收斂速度存在差異[4]。

此外，還有一些學者將研究重點放在生態效率的影響因素及其對地方政府行為的影響上。例如李勝蘭等以1997至2010年間中國30個省市為樣本，研究地方生態效率對當地政府環境規制的影響，他們發現生態效率對環境規制的制定和實施呈現制約作用，即生態效率較低的地區，地方政府傾向于更嚴格的環境規制，以遏制資源消耗和環境污染的惡化，改善當地生態環境[5];施本植等則以2003至2015年間中國249個地級市為樣本，研究金融聚集對當地綠色經濟效率的影響，他們發現金融集聚能夠提升城市綠色經濟效率，該影響存在門檻效應并且影響效果在不同的地區存在一定的差異[6]。方杏村等則同時研究了財政分權和產業聚集對綠色經濟效率的影響，他們通過研究2005—2016年間270個地級以上城市的數據發現：財政分權、專業化產業集聚對綠色經濟效率的影響均是顯著為負，多樣化產業集聚對綠色經濟效率的影響則顯著為正[7]。

不過，現有文獻中有關生態效率的研究還是以全國范圍內不同省市或地區間的比較為主，尚無專門針對長江經濟帶地區的研究。長江流域是我國重要的生態寶庫，擁有獨特的生態系統，而長江在生態環境上的獨特性可能會對地區的生態效率產生較大影響。現有的全國性研究難以有效包含這些區域性的重要因素，導致相關結論難以精確描述長江經濟帶地區生態效率水平和內部差異，進而影響相關結論及建議在長江經濟帶地區的適用性。同時，長江經濟帶作為現階段中央重點實施的三大戰略之一，也肩負著引領我國經濟高質量發展的重要任務，在新時期社會主義經濟建設過程中具有重要戰略作用。因此，鑒于長江經濟帶在生態和經濟上的重要性，十分有必要對該地區的生態效率展開專門研究，測算其效率水平并詳細分析相關影響因素，以便為推動長江經濟在保護好生態環境的前提下實現綠色、均衡、高質量發展提供政策參考。

二、研究方法及變量選取

（一）研究方法

本文首先使用數據包絡方法（DEA）對長江經濟帶各省市近年來的生態效率進行測算。為了能分析規模因素對效率的影響，本文將使用由Banker et. al.提出的可變規模報酬（VRS）模型[8]進行計算。這一模型可以把技術效率（CRSTE）分解為純技術效率（VRSTE）和規模效率（SCALE）。其中，技術效率就是各省的生態效率。在投入型DEA模型中，技術效率的基本含義是決策單元（即各樣本省市）的實際產出與在既定投入規模下最優理論產出之比。技術效率的取值范圍在0到1之間，數值越大意味著決策單元的投入產出效率越高，當取值為1時，則表明該決策單元在既定投入量下已達到了最優產出規模。規模效率是指決策單元在既定生產規模下的理論最優產出與最優規模下的產出之比，純技術效率則是技術效率中剔除規模因素后的部分。

此外，為了對樣本各省市生態效率進行動態比較分析，本文還使用DEA|Malmquist指數進行分析。DEA|Malmquist生產率指數描述了t到t+1期間決策單元整體生產率的幾何平均變情況，即計算全要素生產率變化指數（FTPCH），并且還可以將其進一步分解為技術效率變化指數（EFFCH）和技術進步變化指數（TECH）的乘積。其中前者表示決策單元對生產可能性邊界的追趕速度，可以反映由于制度變遷引起的資源要素配置效率變化的綜合技術效率;后者是生產前沿面的移動，用來反應由于技術創新或者新技術引入從而引起生產可能前沿面外移的技術進步。而技術效率變化指數又可繼續分解為純技術效率變化指數（PECH）和規模效率變化指數（SECH）的乘積，分別反映由于管理、制度及分工引起的技術效率變化和由于生產規模變化引起的變化。上述所有指標的結果均為在1附近的正數，數值大于1，表示在這方面取得改進，反之則表示惡化。本文使用DEAP2.1軟件完成上述DEA相關模型的計算。

在得到綜合效率水平及相關分解指標后，本文還將進一步探究影響這些效率指標的區域性因素。為此本文參考有關文獻[9|11]的作法，將DEA|Malmquist模型計算出的各項效率指標作為被解釋變量，將樣本省市的相關特征作為解釋變量進行回歸分析。由于作為被解釋變量的效率指標是有界的截取變量，本文使用面板數據Tobit方法進行回歸分析。上述回歸分析部分本文使用stata12.0軟件進行計算。

（二）樣本及變量選取

本文使用的樣本為位于長江經濟帶的11個省市，樣本年度為2011至2018年，數據來源于2011|2019年統計年鑒。在數據包絡分析階段，我們把2011年作為基準年，將每個省市都視為一個決策單元（DMU），并選取相關省級層面的數據作為投入和產出指標。應用DEA模型測算生態效率相較于測算其他效率的特殊之處在于需要考慮環境污染這種非合意產出的情況。由于環境污染被視作經濟活動的代價，部分學者[5，12|13]直接將非合意產出作為模型中的投入項來計算環境效率。根據生態效率的基本概念，我們也借鑒該方法，將環境污染這種非合意產出作為模型的投入項處理。

在投入指標方面，本文參考現有文獻[6，7，14|15]，選取資本、人力以及技術三項普通投入指標，以及污染物排放這一非合意產出作為投入指標。其中資本投入本文參考施本植等[6]的作法，采用永續盤存法核算股東資產存量，計算公式為Kit=（1-δ）Kit-1+Eit。其中Kit和Kit-1分別表示i省市當期和上一期的資本存量;δ為折舊率，本文將其定為9.6%;Eit=Ki0/（δ+g），其中Ki0為2011年該省的固定資產投資額，g為2012至2018年長江經濟帶地區固定資產投資的幾何平均增長率。本文選取該省當年城鎮單位就業人員數量作為人力投入指標，選取該省當年規模以上工業企業Ramp;D經費作為技術投入指標。在污染物指標投入方面，本文參考孫金嶺和朱沛宇的做法[15]，選取該省當年廢水排放總量、二氧化硫排放量以及煙（粉）塵排放量，并采用熵權法對數據進行加權處理得到一個綜合指標。同時本文選取該省當年的地區生產總值作為衡量其生態效率的產出指標。

在回歸分析階段，本文將使用此前數據包絡分析得到的一系列結果分別作為被解釋變量。而在解釋變量方面，本文參考現有文獻[6，14|15]，將著重考察各省市產業結構、高新技術產業發展水平、金融聚集程度、對外開放水平、城市化進程、政府環保投入等6個方面的因素對當地生態效率的影響。具體而言，本文將選取第三產業產值占GDP比重（TrdIndsit）作為衡量該省產業結構的代理變量;選取本省規模以上工業企業專利申請數（Patentit）以及新產品銷售收入（NewPrdSalseit）作為該省高新技術產業發展水平的代理變量;在金融聚集度方面，本文借鑒施本植等[6]的計算方法，具體計算公式為FinAggit=YitPit/YtPt，其中FinAggit為省市當期的金融業區域熵;Pit為該省市在當期的全部城鎮單位就業人數，Pt為全國當期全部城鎮單位就業人數，Yt為全國當期金融業城鎮單位就業人數，Yit為該省市當期的金融業城鎮單位就業人數;選取省內外商投資企業投資總額（FDIit）和省內單位進出口總額（TEIVit）作為衡量該省對外開放水平的代理變量;選取城鎮化率（UrbanRateit）作為衡量該省城市化進程的代理變量，其計算公式為該省城市人口占總人口的比重;選取省財政環境保護支出占財政一般預算支出的比重作（FiscalExhdit）為衡量該省在環保領域投入的代理變量。此外，為了更好地控制各省市經濟發展水平對解釋變量的影響，本文還加入國內生產總值（GDP）、人均GDP和GDP增長率作為控制變量。回歸方程如方程（1）所示：

EffIndit=β0+βiTrdIndsit+β2Patentit+β3NewPrdSalseit+β4FinAggit+β5FDIit+β6TEIVit+β7UrbanRateit+β8FiscalExhdit+β9controlsit+εit（1）

其中EffIndit代表各省市的年度生態效率指標，包括全要素生產率變動指數及其4個分解指數，腳標i和t分別代表不同的省市和年份（下同）;controlsit是控制變量，包括各省市GDP總額、人均GDP以及GDP增長率。

三、實證結果與分析

（一）DEA模型計算結果分析

通過DEA模型計算所得的各省市各年度生態效率及其分解指標列示見表1。

接下來我們將分析長江經濟帶地區內各省市在整個樣本期內的生態效率全要素生產率的變化情況。從表3的第1列中可以看出，在全部11個樣本省市中，安徽省、湖北省、江蘇省、江西省、上海市、四川省等6省市在樣本內全要素生產率變動指數均值大于1，其余5省市的均值小于1。這說明在長江經濟帶內的大部分省市的生態效率達到生產前沿面，實現了DEA有效。同時我們還可以看到，11省市全要素生產率變動指數的整體年度均值依然為1.002，與表2中的均值保持一致。在這11省市中，全要素生產率變動指數年度均值最大的是四川省，為1.045，此外，江蘇省和江西省的全要素生產率變動指數年度均值也都較高，均在1.03以上。這說明在整個樣本期間內，四川省的生態效率增長幅度最大，年均增長4.5%，同時江蘇省和江西省在樣本期內也實現了生態效率的大幅提升。此外，在全部樣本省份中，全要素生產率變動指數年度均值最小的是貴州省，為0.963，湖南省的年度均值也較小，為0.967。這說明在樣本期內貴州和湖南兩省生態效率降幅較大，年均降幅分別為3.7%和3.3%。

在此基礎上，我們還是對各省市的全要素生產率變動指數年度均值進行分解分析。我們依然先將其分解為技術效率變化指數乘以技術進步變化指數，即表3的第2列和第3列。兩個指數的總體平均值與表2中的保持一致，這里便不再贅述。就技術效率變化指數而言，安徽省、湖北省、江蘇省和江西省的年度均值大于1，即實現了技術效率的提升，且其中江蘇省的提升幅度最大，年均增幅達到6%;貴州省、湖南省、浙江省和重慶市的年度均值小于1，即出現了技術效率的下降，且其中湖南省的降幅最大，年均降幅為3.5%;其余三個省市的年度均值剛好等于1，即技術效率水平保持不變。就技術進步變化指數而言，湖南省、江西省、上海市、四川省以及重慶市等6省市的年度均值大于1，即實現了技術水平的提升，且其中四川省的提升幅度最大，年均增幅達到4.5%;其余6省的年度均值小于1，即出現了技術水平的下降，且其中貴州省的降幅最大，年均降幅為3.4%。

我們同樣還可以將技術效率變化指數繼續分解為純技術效率變化指數乘以規模效率變化指數，即表2的第4列和第5列。從中可以看到，就純技術效率變化指數而言，安徽省、湖北省、江蘇省以及江西省的年度均值大于1，即實現了純技術效率的提升，且其中江蘇省的提升幅度最大，年均增幅達到9.1%;湖南省的年度均值小于1，即出現了純技術效率的下降，年均降幅為3%;其余6個省市的年度均值剛好等于1，即純技術效率水平保持不變。就規模效率變化指數而言，江西省的年度均值大于1，即實現了規模效率的提升，年均增幅為5%;貴州省、湖南省、江蘇省、浙江省以及重慶市的年度均值小于1，即出現了規模效率的下降，且其中江蘇省的降幅最大，年均降幅為2.8%;其余5個省市的年度均值剛好等于1，即規模效率水平保持不變。

3.各省市各年度生態效率水平分析。

從長江經濟帶地區全要素生產率變動指數的面板數據看，不同省市不同年度的生態效率存在較大差異。其中全要素生產率增長幅度最大的是2013年的江蘇省（TFPCH=1.578），增幅高達57.8%;下降幅度最大的是2016年貴州省（TFPCH=0.86），降幅達到14%。2012至2018年，上海市和四川省在5個年度都實現了整體效率上升，是效率上升年份最多的省市;而貴州省、湖南省、云南省、浙江省以及重慶市則在5個年度中都出現了效率下降，是效率下降年份并列最多的省份。在2017年，全部11個樣本省市中有10個省市的效率水平實現了上升，是效率增長省市出現最多的年份;而在2015年，有9個省市的效率水平出現了下降，是效率下降省市出現最多的年份。由于篇幅所限，這里不再對全要素生產率變動指數的分解指數進行進一步的闡述。

4.長江經濟帶11省市生態效率的分析結論。

通過對長江經濟帶11省市生態效率全要素生產率變動指數及其分解指數的分析，我們可以得出如下結論：首先，從整體上看，長江經濟帶的平均生態效率水平在樣本期經歷了一個先下降后上升的變化趨勢，最終在期末相對于期初有微弱的上升，年度平均增幅為0.2%。其中2015年是整體效率水平下降最多的年份，而2018年是效率水平上升最多的年份。說明中央一系列的環保政策，特別是針對長江地區的治理舉措逐漸顯現出了效果，近兩年來長江經濟帶地區的環境得到了明顯改善，生態效率因此也出現上升。其次，長江經濟帶11省市中，四川省、江蘇省以及江西省在樣本期內效率增長較快，而貴州省和湖南省的生態效率下降幅度較大。在全要素生產率變動指數的全部分解指數中，技術效率變動指數的影響力最大，這說明近年來長江經濟帶地區生態效率的提升主要得益于由制度變遷引起的資源要素配置效率的改善。

（三）Tobit回歸結果分析

從表5的第1列中我們可以看出，各省市第三產業占GDP的比重、規模以上工業企業專利申請數、新產品銷售收入、外商投資企業投資總額、省內單位進出口總額、城鎮化率以及地省財政環境保護支出占財政一般預算支出的比重都能對其生態效率的全要素生產率變動指數產生顯著正向影響，這些結果說明，各省經濟結構改進、高新技術產業發展水平的提升、擴大對外開放程度、推進城鎮化以及增加政府對環保事業的投入，均能改進其生態整體效率。

而表5中第2到第5列的結果則展示了上述這些因素是如何對全要素生產率變動指數的細分指數產生影響的。從中我們可以看到：各省高新技術產業發展水平的提升能增加其生態效率的技術效率和純技術效率;擴大對外開放則可以同時提升其技術效率、技術進步效率以及純技術效率;推進城鎮化和增加財政資金對環保事業的投入則可以提升技術進步效率。

四、結語

（一）研究結論

本文首先運用DEA模型計算了2011至2018年間長江經濟帶各省市每年的生態效率水平。結果顯示，貴州省、四川省、云南省以及上海市的生態效率始終處在DEA前沿，并且進一步的分析表明，各省市的生態綜合技術效率差異主要是由純技術效率差異造成的。緊接著本文運用DEA|Malmquist指數法測算了各省市生態效率的全要素生產率變動指數及其分解指數。結果顯示，長江經濟帶的平均生態效率水平在樣本期內經歷了微弱的上升，年度平均增幅為0.2%，而年度平均效率水平則經歷了前期平穩—中期下降—后期上升的波動過程，其中2015年是整體效率水平下降幅度最大的年份，而2018年則是整體效率水平上升最多的年份;生態效率水平的空間分布表現為四川省、江蘇省和江西省的增長幅度較大。

隨后本文又運用面板數據Tobit回歸模型分析了各省市生態效率全要素生產率變動指數及其分解指數的影響因素。本文發現各省市經濟結構改進、發展高新技術產業、擴大對外開放以及增加財政資金對環保事業的投入均能改進其生態效率的全要素生產率，同時上述這些因素也會分別影響技術效率、技術進步幅度以及規模效率等分解效率指標。

（二）政策啟示

從本文上述分析與結論中可以看出，雖然近年來長江經濟帶生態效率出現一定的上升，但不同省市間依然存在較大的效率差異，確保長江經濟帶走生態優先、綠色發展之路，實現在綠色發展中兼顧經濟效益、社會效益和生態效益，依然任務艱巨。結合本文主要結論以及長江經濟帶地區環境資源與經濟發展狀況特征事實，本文得出的政策啟示如下：

第一，加大長江流域環境保護投入力度，竭力保護自然資源，持續增強環境承載力。要繼續推進生態修復治理工程，逐步解決長江生態環境透支問題。統籌好山水林田湖草等生態要素，加強水土流失治理、沙漠化治理、濕地修復、退耕還林、退耕還濕、退漁還水、退房還岸等工作。實施好重大生態修復工程，因地制宜地建設人工濕地，加大自然保護的生態補償力度。制定合理的土地使用規劃，在保護好耕地的同時，注重對土地生態環境的保護。

第二，加大對科技創新的扶持力度。長江經濟帶的保護與高質量發展都離不開科學技術的支持，因此要著力實施創新驅動發展戰略，把長江經濟帶得天獨厚的科研優勢、人才優勢轉化為發展優勢。要統籌協調國家、地區層面的各種類型的科研機構，以問題和需求為導向，集中科技力量協同攻關，著力解決長江經濟帶生態保護與修復等共性關鍵技術，集成一批實用的技術與模式，構建生態保護與生態產業技術體系。持續推進相關科技成果應用和轉化，充分發揮科技成果的社會價值，將先進技術在長江經濟帶生態大保護工作中推廣使用。充分認識綠色技術的正外部性，通過技術標準、排污稅費、補貼等政策工具，激發企業對綠色技術的應用需求，改變綠色技術產品需求不旺的現狀;通過征收資源環境稅等措施，促進資源環境外部性內部化，提振企業對綠色產品的需求。各省市要加強科研人才隊伍體系建設，促進長江經濟帶高等教育協同發展，實現讓人才引領創新，創新驅動發展。

第三，大力推進供給側結構性改革，在去除舊動能的同時培育新動能，推動長江經濟帶建設現代化經濟體系。加快長江沿線石油、化工、醫藥、有色金屬采選冶等經濟支柱型企業優化升級，發展新型生態產業，淘汰落后產能、實行環保技術改造、優化行業企業結構，實現長江經濟帶清潔生產、綠色發展和循環發展。加快建設實體經濟、科技創新、現代金融、人力資源協同發展的產業體系。下大氣力抓好落后產能淘汰關停，采取提高環保標準、加大執法力度等多種手段倒逼產業轉型升級和高質量發展。加快在長江沿線發展循環經濟、綠色產業，以“綠色引擎”助推長江經濟帶高質量發展。

注釋：

①"數據來源：國家統計局網站。

②"全文可見于中國政府網，網頁鏈接：http：//www.gov.cn/zhengce/content/2014|09/25/content_9092.htm。

③"參見新華網的新聞報道《習近平：走生態優先綠色發展之路"讓中華民族母親河永葆生機活力》，網頁鏈接：http：//www.xinhuanet.com/politics/2016|01/07/c_1117704361.htm。

[參考文獻]

[1]Schmidheiny S， Timberlake L. Changing course： A global business perspective on development and the environment[M]. Cambridge ： MIT press， 1992.

[2]胡鞍鋼，鄭京海，高宇寧，等.考慮環境因素的省級技術效率排名（1999—2005）[J].經濟學（季刊），2008（3）：933|960.

[3]程丹潤，李靜.環境約束下的中國省區效率差異研究：1990—2006[J].財貿研究，2009，20（1）：13|17.

[4]汪曉文，慕一君.中國省際環境技術效率及收斂性分析[J].統計與決策，2019（8）：88|92.

[5]李勝蘭，初善冰，申晨.地方政府競爭、環境規制與區域生態效率[J].世界經濟，2014（04）：90|112.

[6]施本植，許寧，劉明，等.金融集聚對城市綠色經濟效率的影響及作用渠道：基于中國249個地級以上城市的實證分析[J].技術經濟，2018，37（08）：87|95.

[7]方杏村，田淑英，王曉玲.財政分權、產業集聚與綠色經濟效率：基于270個地級及以上城市面板數據的實證分析[J].經濟問題探索，2019（11）：164|172.

[8]Banker R D， Charnes A， Cooper W W. Some models for estimating technical and scale inefficiencies in data envelopment analysis[J]. Management science， 1984， 30（9）： 1078|1092.

[9]關愛萍，師軍，張強.中國西部地區省際全要素能源效率研究：基于超效率DEA模型和Malmquist指數[J].工業技術經濟，2014（2）：32|40.

[10]岳立，楊帆.“絲綢之路經濟帶”框架下中國與中亞五國能源效率評價：基于CCR|BCC和Malmquist指數分析方法的DEA|Tobit模型[J].統計與信息論壇，2016，31（6）：37|43.

[11]崔學海，王崇舉，曾波.基于DEA|Tobit的長江經濟帶技術轉移金融支持效率研究[J].統計與信息論壇，2019（9）：77|84.

[12]Dyckhoff H， Allen K. Measuring ecological efficiency with data envelopment analysis （DEA）[J]. European Journal of Operational Research， 2001， 132（2）： 312|325.

[13]Korhonen P J， Luptacik M. Eco|efficiency analysis of power plants： An extension of data envelopment analysis[J]. European journal of operational research， 2004， 154（2）： 437|446.

[14]聶玉立， 溫湖煒.中國地級以上城市綠色經濟效率實證研究[J].中國人口·資源與環境，2015，25（S1）：409|413.

[15]孫金嶺，朱沛宇.基于SBM|Malmquist|Tobit的“一帶一路”重點省份綠色經濟效率評價及影響因素分析[J].科技管理研究，2019（12）：230|237.

（責任編輯"王婷婷）

Eco|Efficiency Calculation of Provinces in the Yangtze RiverEconomic Belt and its Influencing Factors

DONG Bo

（School of Economics， Renmin University of China， Beijing 100872，China）

Abstract：DEA model and Malmquist index method are used to calculate the ecological efficiency and its dynamic change index of provinces and cities in the Yangtze River economic belt from 2011 to 2018， and Tobit regression model is used to analyze the influencing factors of the above efficiency index. The results show that the average ecological efficiency level of the Yangtze River economic belt has experienced a slight rise in the sample period， with an annual average growth rate of 0.2%， while the annual average efficiency level has experienced a fluctuation process from being stable in the early stage to declining in the middle stage to minute rising in the later stage; the accumulation of economic structure improvement， the development of high|tech industries， the expansion of opening up， and the increase of financial investment in environmental protection in various provinces have significant impacts on efficiency.

Key words：DEA; malmquist index; Yangtze River economic belt; eco|efficiency