基于三階段DEA模型的長三角城市霧霾治理效率研究

0 引言

“十四五”規劃明確提出“生態文明建設要實現新進步”．在經濟建設邁上高質量發展新征程、綠色可持續發展理念發生新變化和環境治理面臨新挑戰等一系列新境遇中,霧霾污染治理問題成為實現環境治理現代化中的關鍵一環．現階段霧霾治理效率與不斷提升治理水平和資源綜合訴求之間的矛盾日益尖銳．長三角作為霧霾治理的重點區域,也是我國最具活力的經濟區域之一,更是我國生態文明建設的關鍵區域．《長江三角洲區域一體化發展規劃綱要》(2019)把上海市、江蘇省、浙江省和安徽省的27個地市劃入長三角地區．2021年長三角GDP達27.6萬億元,占全國國民生產總值的 24.14%．而根據2022 年6 月的《全國城市空氣質量報告》,長三角地區6月平均優良天數(70.6%)占比低于全國其他城市平均水平(82.3%)．在建設長三角生態一體化發展的新階段,探討霧霾治理效率意義尤為重要[1]．當前,關于效率評價的研究層出不窮．梳理現有文獻發現,在效率評價的模型選擇上,研究者們大多采用的是由美國學者 Charnes等[2]提出的非參數型的數據包絡分析(Data Envelopment Analysis,DEA)．DEA模型在評估涉及多投入多產出的環境治理問題以及避免主觀因素影響方面具有明顯優勢,所以在評估大氣污染物排放效率領域得到廣泛運用．例如:Yang等[3]基于DEA模型評估了中國工業廢氣控制效率,發現工業廢氣排放量最大的主要部門的廢氣控制均較差;鄭石明等[4]通過超效率DEA模型對我國29個省市的大氣污染治理效率水平進行測算并評估自愿性、強制性和環境政策對大氣治理效率的影響;Lu等[5]采用 DEA-Malmquist模型從靜態和動態兩個角度測算了浙江省大氣污染排效率;葉菲菲等[6]基于關鍵產出、關鍵投入和關鍵投入產出3種不同角度,分別建立改進的交叉效率模型并對我國30個省份的大氣治理效率測算,驗證了大氣污染治理模型中考慮關鍵投入產出的必要性;郭際等[7]通過構建霧霾生產階段和控制階段的兩階段DEA模型測算了中國31個省份的霧霾生產和治理階段的效率,結果表明東部地區和西部地區分別在霧霾生產階段和治理階段的總體效率最高．

總體來看,傳統DEA模型或者改進的DEA未考慮環境和隨機誤差對效率值的影響,真實的治理水平可能無法體現．為此,Fried等[8]提出三階段DEA模型．郭四代等[9]采用三階段DEA模型測算中國各省市的環境效率水平,發現我國東部、中部和西部地區的實際生態效率水平在地理狀況上明顯不平衡;景曉棟等[10]基于2008—2017年的省級面板數據利用三階段DEA模型,計算出我國30個省份的環境效率均值在 0.756～0.775之間,并呈現出輕微的下降趨勢;Zhou等[11]基于三階段DEA模型對中國30個省份生態環境效率進行測算,結果顯示中國的生態效率呈現明顯的地理階梯分布．

綜上所述,三階段DEA模型在評估環境治理效率方面有其明顯優勢,但目前鮮有運用三階段DEA模型評估霧霾治理效率的研究．有鑒于此,本文利用DEA三階段模型對長三角城市2014—2019年27個城市霧霾治理效率進行測度,旨在有效地消除環境變量和隨機誤差的影響,以準確衡量長三角霧霾治理效率水平,為制定霧霾治理效率改善政策提供科學依據．

1 研究方法

本文采用Fried等[8]提出的一種基于傳統DEA和隨機前言模型的三階段DEA,以消除環境因素和隨機誤差對效率的影響,可得出更接近真實的霧霾治理效率值．

1.1 第一階段:傳統的 DEA 模型

該階段采用規模報酬可變假設的BCC模型對決策變量的初始投入產出數據進行傳統的DEA分析．BCC模型以計算規模報酬不變的CCR模型為基礎構建,可用于計算規模報酬可變的效率值．BCC 模型可表示為

(1)

1.2 第二階段:隨機前言分析(SFA模型)

第一階段得出的效率值包含環境、隨機誤差和管理水平等因素綜合作用結果．為得到僅受管理水平影響下的效率值,最關鍵的是建立以外部環境變量為解釋變量、投入松弛變量為被解釋變量的SFA(Stochastic Frontier Analysis)模型來去除環境和隨機誤差的影響．SFA模型表示如下:

Sni=f(Zi;λn)+Vni+μni,

i=1,2,…,I;n=1,2,…,N,

(2)

利用上述估計結果,對各決策單元的投入變量調整公式可表示為

(3)

1.3 第三階段:調整后DEA模型

將經過SFA模型調整后的初始投入變量值與原始產出值再次代入BCC模型進行測算,得到消除環境和隨機誤差影響的效率值．

2 變量選擇和數據來源

2.1 變量選擇

霧霾治理旨在減少霧霾污染、提高空氣質量．現有研究尚未建立成熟的霧霾治理效率指標體系．在綜合考慮指標選取的科學系統性、可比性、可獲得性的基礎上,參考文獻[14]的環境治理效率評價指標,形成本文的霧霾治理效率評價體系(表1),由投入指標、產出指標和環境變量三方面構成．

表1 長三角城市霧霾治理效率評價體系

1)投入指標．主要以實際投入的勞動力、資金和綠色技術創新為主．在勞動力投入方面,鑒于部分城市環保專職人員人數獲取較為困難,本文借鑒呂雪梅等[15]選取水利、環境和公共設施管理從業人數來代表勞動力投入．該指標在很大程度上可反映霧霾治理的勞動投入力度．研究發現環保支出不僅能改善空氣質量,而且有明顯的減污效應[16-18],因此資金投入以地方政府節能環保支出占一般公共預算支出的比重表示．文獻[19-20]指出綠色技術創新是霧霾治理的有效手段,本文具體參考文獻[21]的做法,以綠色專利申請量作為綠色技術創新投入指標．

2)產出指標．為了客觀反映治理后空氣狀況且鑒于指標數目的限制和數據收集的可獲得性,本文主要從3個維度[7,22]考量產出指標的選取．第一,選取PM2.5質量濃度表征霧霾主要污染物;第二,選取空氣質量指數AQI綜合衡量空氣質量;第三,選取空氣質量達到及好于二級的天數表征長期空氣質量．PM2.5質量濃度與AQI兩個指標為非期望產出,需要對其進行數據處理,以達到DEA模型運行要求．具體方法[23]如下:采用線性轉換函數b′=-b+v對污染物數據進行轉換,v=max(b)+c,c為任一大于零的常數(本文取0.1),這樣可以保證所有產出數據均為正值．然后,將b′作為期望產出代入傳統的DEA 模型．

3)環境變量．考慮到治理效率會受到其他相關因素影響,本文選擇以下4個方面作為環境變量．① 人均實際GDP采用各市實際GDP與常住人口之比衡量(折算為2014年不變價GDP);② 產業結構以第二產業的產值占地區生產總值的比重表示;③ 人口規模以各市常住人口表示;④ 城鎮化率用各市城鎮人口占常住總人口之比來測度．

2.2 數據來源

本文使用的環境變量,以及投入數據中的水利、環境和公共設施管理中的城市人員及節能環保投資均來源于2013—2020年的《中國城市統計年鑒》和長三角各城市的統計年鑒．綠色專利申請量數據主要來自于中國研究數據服務平臺(CNRDS)．產出數據來自真氣網(https://www.zq12369.com/index.php)和天氣后報網(http://www.tianqihoubao.com/)．另外,采用線性插值的方法來彌補某些缺失值,同時對人均實際GDP和人口規模數據取對數,以使數據序列更加平穩,并易于消除異方差性．

3 實證結果分析

3.1 第一階段傳統DEA實證結果分析

借助軟件 DEAP 2.1,選取BCC模型對長三角27個城市在2014—2019年間的霧霾治理效率進行分析,其結果如表 2 所示．

由表2可看出:在未考慮外部環境因素和隨機誤差影響的情況下,2014—2019年長三角城市整體的綜合技術效率水平不高且波動變化不大,基本維持在0.5～0.6左右;2014—2019年長三角城市治理效率差異顯著,銅陵平均效率達到1,而無錫平均效率僅為0.333．

表2 2014—2019年第一階段長三角城市霧霾治理效率

3.2 第二階段SFA回歸結果及分析

通過調整各城市的初始值,得到相同管理環境下的霧霾治理效率．首先,將第一階段得到的節能環保投資、環保人數和綠色專利申請量作為被解釋變量,解釋變量包括人口規模、人均實際GDP、產業結構和城鎮化率．表3是環境變量與投入松弛變量的測算結果,分析軟件為Frontier4.1．

表3 第二階段SFA回歸結果

由表3可知:每個LR 均通過10%顯著性檢驗,表明SFA模型得到的數據結果是可靠的;三個投入松弛變量的gamma值分別為0.989、0.757和0.369,且均通過1%的顯著性檢驗,表明霧霾治理效率主要受管理因素影響,也受到人均實際GDP等外部環境的影響．如果環境變量對松弛變量回歸為正,則兩者成正向關系,環境變量的增加使得投入冗余上升,導致成本投入浪費增加;反之,節約投入成本對治理效率產生積極影響．對環境變量具體分析如下:

1)人均實際GDP．該指標對勞動力和技術創新投入的松弛變量的回歸系數均為負值,分別在1%、10%水平下顯著,表明人均實際GDP與勞動力和技術創新松弛變量呈負相關關系,對治理效率帶來正面影響[24]．隨著人均GDP的增加,人們追求更好的生活品質,更加注重環境保護,使得勞動力和技術創新投入利用效率明顯提高,節約了投入成本,對霧霾治理帶來積極影響．

2)產業結構．該指標對勞動力松弛變量的回歸系數為負值,且10%水平下顯著,表明第二產業比重的增加會減少霧霾治理中勞動力投入的冗余．第二產業的占比與霧霾治理效率呈顯著正相關,這與預期相反．根據Xiao等[25]的研究,造成這一結果的原因可能是從高能耗、高污染和高排放的第二產業轉變成清潔、低能耗的第二產業,從源頭上降低了霧霾治理體系中的污染物產出,霧霾治理效率得以提升．

3)人口規模．該指標對勞動力和技術創新的松弛變量的回歸系數為正值,通過了1%的顯著性檢驗,表明人口規模的擴大將引起勞動力和技術創新投入松弛變量的增加,意味著勞動力和技術資源未得到充分利用,從而對治理效率產生不利的影響．人口規模與治理效率呈負相關[26-27]．

4)城鎮化率．該指標對勞動力和技術創新的松弛變量回歸系數均為正值,并通過了1%的顯著性檢驗,表明勞動力和技術創新的松弛變量與城鎮化率呈正相關,即城鎮化率的上升將致使勞動力和技術創新投入冗余增加．城鎮化水平與霧霾污染呈“倒 U型”曲線關系[28],城鎮化的快速推進加劇了霧霾污染,對霧霾治理產生負面影響．

根據上述分析,可以看出投入松弛變量受不同環境變量的影響不同,而外部環境因素的影響會導致不同環境下霧霾治理效率產生較大偏差．因此,需對初始投入變量進行調整,以確保所有城市處于相同的外部環境條件下,并探索其治理效果的真實水平．

3.3 第三階段結果

按照式(3)調整投入變量,通過軟件DEAP2.1把已調整的投入數據與原產出數據放入 BCC模型進行測算,結果如表4所示.

表4 2014—2019年第三階段長三角城市霧霾治理效率分析結果

第一和第三階段的結果對比表明,在消除環境因素和隨機因素的影響后,不同城市的霧霾治理情況發生了明顯變化,調整后的霧霾治理水平高于調整前的數值且有上升趨勢．其中,長三角城市總體平均規模效率的調整值明顯低于其平均純技術效率．平均純技術效率與調整前水平相比總體上有了明顯提高,由原來的0.676上升至0.971,調整后的規模效率趨于平穩．可以看出在排除環境和隨機誤差因素的影響后,純效率的大幅提高是引起綜合技術效率水平提高的關鍵因素．這與郭四代等[9]的研究結論相一致．

從技術效率前沿面角度來看,2018年綜合技術效率達到有效的城市總數在調整前后均為2個,其余年份綜合技術有效的城市數量在調整前后均有變化．其中2014、2015和2017年調整后技術效率有效的城市數量減少．由此可知,部分城市的技術效率受環境和隨機誤差影響而虛大了效率值,如銅陵由原來的技術有效變為技術無效．

從霧霾治理效率水平調整來看,絕大多數城市屬于規模收益遞增型,這類城市除了2018年和2016年外,其余年份調整后均高于調整前的數量;少數規模收益不變的城市調整后2016年的數量有所增加,其余年份變化不大;規模收益遞減的城市僅2017年和2019年在調整后低于調整前的數量．因此,大多數城市仍然可以采取擴大投入要素規模的路徑來實現霧霾治理效率的提升．此外,從表5可知,綜合技術效率達到規模有效的數量(vrs 有效數)經調整后,綜合技術效率達到規模有效城市數量整體變化不大且數據變化趨勢較為平穩,但各年的綜合技術效率都有明顯提高,表明環境和隨機誤差因素對霧霾治理效率水平有較大影響．

表5 調整前后霧霾治理效率水平對比

3.4 不同時空下對長三角城市霧霾治理效率分析

在去除環境變量和隨機誤差的影響后,霧霾治理效率值能夠更準確地反映出實際的治理效率水平．下面基于第三階段的分析結果,從城市規模、省(市)域和時間三個維度分析長三角城市霧霾治理的效率值．

3.4.1 城市規模維度

第三階段的分析結果表明,長三角城市整體霧霾治理效率偏高,治理成效顯著．但城市治理效率存在差異,2018年溫州和舟山效率值達到了1,而鎮江效率值為0.744．霧霾治理效率的空間異質性可能源于城市之間經濟發展水平和城市規模的差異．根據2014年出臺的《關于調整城市規模劃分標準》以2019年城市市轄區人口規模將長三角劃分為Ⅰ型及以上大城市(因超大城市、特大城市和Ⅰ型大城市數量較少將三者合并)、Ⅱ型大城市、中等城市和Ⅰ型小城市,對比結果如表6所示．

從表6中可看出:不同規模的城市霧霾治理的第三階段效率值比第一階段有了顯著提升;Ⅰ型小城市效率值最大,Ⅰ型及以上大城市效率值最低,治理效率與城市規模等級呈負向關系．一般而言,規模越大的城市在經濟和基礎設施方面更有優勢,其在吸引更多的人口和產業集聚的同時,會導致其由于過度集中產生的擁堵效應,使得污染排放總量增加和污染范圍擴大;另外,相較于大城市來說,小城市人口規模較小,產業結構相對集中易于管控,在環境治理或政策落實方面效率更高見效更快．因此,小型城市的霧霾治理效率更高．

3.4.2 省(市)域維度

由表4可知霧霾治理平均效率由高到低依次是浙江(0.926)、上海、安徽、江蘇(0.811),這與田時中等[29]的研究結論基本一致,但排名略有差異．田時中等[29]選取的是長三角區域共41個城市,包括江蘇省內連云港、宿遷等治理效率高的城市,致使江蘇平均治理效率高于安徽．有5個城市霧霾治理效率低于0.8,而江蘇占據4個,可能原因為江蘇省是全國第二產鋼大省,而鋼鐵行業具有明顯的低效排放和技術更新緩慢等特征,再加上以煤炭為主的能源方式,使得江蘇省部分依賴于鋼鐵行業的城市大氣污染物排放居高不下,造成治理效率偏低．

3.4.3 時間維度

由圖1可知,2014—2019年長三角城市整體霧霾治理效率呈現出W型的變化趨勢,綜合技術效率波動不大,由0.907降至0.838后升至0.852,再降至0.827,最后升至0.916,提升緩慢,且有時呈現負增長,這與田時中等[29]基于DPSIR模型得出的大氣污染治理效果趨勢一致．2015、2017年效率下降可能是這兩年長三角區域強霾污染事件頻發[30],霧霾污染治理效率水平有所下降造成的．而之后治理效率回升,則與區域協同治理實施息息相關．上海市、浙江省和江蘇省綜合技術效率變化與整體效率變化趨勢一致,而安徽省呈現出V型變化趨勢．2014—2017年安徽霧霾治理效率持續走低,可能是安徽省重化工業比重過高、大氣污染環保投資力度不夠、區域間協同治理體系不完備等造成的,2017年后安徽省政府監管力度加強,產業結構調整效果開始顯現,致使安徽霧霾治理效率逐步提升．從三省一市的綜合技術效率比較可以看出,2014—2019 年江蘇和安徽的治理效率值略有上升,分別從2014年的0.856、0.909上升至2019年的0.857、0.947,增長緩慢且有時呈負增長,而上海和浙江地區的效率值略有下降,分別由 0.940和0.952下降到 0.912和0.949．

圖1 長三角城市霧霾治理綜合技術效率走勢Fig.1 Trends in integrated technical efficiency of haze control in Yangtze River Delta cities

4 結論和建議

4.1 研究結論

本文運用三階段 DEA 模型對長三角27個城市2014—2019年的霧霾治理效率水平進行測算,研究結果表明:

1)剔除外部環境因素和隨機誤差因素的影響后,長三角城市的霧霾治理效率水平均有不同程度的提升．其中,各城市純技術效率水平顯著提高,而規模效率值在調整前后的差異卻并不大,表明環境和隨機因素對純技術效率產生影響引起霧霾治理效率變化．

2)規模收益的變動受環境和隨機因素的影響顯著,絕大部分城市處于規模收益遞增行列,僅少數城市為規模收益不變或遞減．

3)2014—2019年長三角城市霧霾治理效率整體偏高,平均效率值達到0.869．城市規模維度上,規模小的城市霧霾治理效率較高;省(市)域維度上,浙江霧霾治理平均效率最高、江蘇最低,上海和安徽居中;時間維度上,整體霧霾治理效率的變化趨勢呈現W型且綜合技術效率波動不大,除安徽霧霾治理效率變化趨勢呈V型,其他省市與整體治理效率變化趨勢一致．

4)長三角城市群霧霾治理效率受環境變量的影響具有差異．人均實際GDP的增加將減少對勞動力和技術創新的松弛變量投入,提升霧霾治理效率．第二產業比重的增加會減少霧霾治理中勞動力投入的冗余,對霧霾治理產生積極影響．人口規模和城鎮化率的上升會導致勞動力和技術創新投入松弛變量的增加,意味著勞動力、技術創新資源未得到充分利用,從而對治理效率產生不利的影響．

4.2 政策建議

1)針對規模收益變化情況,不同城市應選擇不同的促進方式．對于規模收益處于遞增的城市,建議通過加大技術創新力度,積極引進環境治理人才,加強霧霾治理資金投入力度等方式擴大投入要素以提升霧霾治理效率;對處于規模收益遞減的城市,應優化投入資源的配置,提高資源利用率,從而改善治理效率．

2)強化長三角城市間協同治理,消除治理差異．基于霧霾污染的溢出效應,霧霾治理應加強區域協同治理,利用互聯網、大數據等技術,建立共享性長三角霧霾治理數據庫,及時反饋治理狀況,共享行之有效的治理措施．在此基礎上,制定協同治理措施,共同督促治理措施的實施,切實貫徹地區霧霾聯防聯控政策．

本文考察了長三角城市霧霾治理效率水平,但由于部分口徑數據獲取困難,所選取的霧霾治理投產出指標代表性有進一步提升的空間．另外,還可將其他對霧霾治理效率造成影響的外部環境因素納入模型進行分析．