基于超效率DEA的中国区域生态效率评价

第23卷第2期2021年1月猱艺科枚Journal of Green Science and Technology基于超效率DEA 模型的地区农业循环经济效率评价研究蒋硕凡1,李晶洁1,杨富贵彳（1.天津商业大学 理学院，天津300134；2.广州工商学院 基础教学部，广东 佛山528138）摘要：指出了农业循环经济是我国经济绿色发展的重要一环，对我国地区农业循环经济效率进行准确有效评价有助于促进该领域的健康可持续发展。

根据我国各个地区农业经济的特点，构建了地区农业循环经 济评价指标体系，创新■地将超效率数据包络分析方法（DEA ）运用到农业循环经济效率评价领域，解决了现 有传统DEA 方法难以区分有数效率值的问题。

在$匕基础上选取2016〜2018年中国31个省市农业数据，对我国地区农业循环经济进行了实证分析，结果表明：大部分省市三年农业效率稳步提高，同时浙江、黑龙 江、山东、吉林等地三年效率平均值鬆大于1.5,效率较好；新疆、宁夏、甘肃、云南等地三年效率平均值低于0. 8,效率相对较低。

关键词：超效率DEA 模型；农业循环经济；效率评价中图分类号:F322 文献标识码：A文章编号：1674-9944（2021）02-0247-041引言中国是一个农业大国，农业作为国民经济的基础，为经济发展提供了充足的物质保障。

进入21世纪，我 国农业迈入“高成本”时代而农业生产效率却逊于发达 国家。

我国农业基础竞争力薄弱的根源是资源、劳动力、农业机械、科技等短板。

为此我国提出了促进农业 循环经济的战略。

农业循环经济是采用农业资源减量消耗、农产品多次利用和农业有机废弃物资源化的闭合 循环生产模式的工业型农业。

它是把农业生产、农产品加工和农业废弃物通过产业链有机地组合在一起，形成 资源低投入低消耗,产品互为原料、多次使用，废弃物再利用，实现废弃物资源化的周而复始的循环经济体系。

在产业体系中，农业是与自然界关系最密切的产业。

0引言在“十二五”期间，重庆市提出要到2020年，全面构建起结构优化、技术先进、清洁安全、吸纳就业能力强的现代产业体系，建成国家现代制造业基地[1]。

2011-2019年间，重庆市不断调整优化传统制造业，壮大先进制造业，提升能源利用率，绿色供给能力显著增强。

2019年重庆市的制造业产值达到19779万亿，比2011年增加了84.35%；“十四五”期间，重庆市提出“做优绿色工业”“把制造业高质量发展放到更加突出的位置”[2]，因此，本文通过分析“十二五”和“十三五”期间重庆市制造业绿色全要素生产率（以下简称GTFP ），对促进重庆市“十四五”制造业绿色发展具有重要的现实意义。

近几年，学者们在对我国不同省市或区域制造业绿色全要素发展进行研究时，一是采用超效率DEA 和Malmquist 指数模型[3-5]、超效率EBM 模型[3，6]、Malmquist-Luenberger 指数模型[7][15]、SBM-GML 等模型[8]测算部分省市区域的制造业GTFP 。

二是在测评制造业全要素绿色发展时，将研发投入、外资引入、企业规模等纳入投入要素[9，10]，引入了“三废”或环境污染综合指数来表征的非期望产出[9，10]。

随着研究的深入，形成了以资本、劳动力、能源作为投入，以工业总产值作为期望产出，以SO 2、CO 2、COD 、工业固体废弃物、环境污染程度等作为非期望产出的绿色全要素生产率测度体系。

在研究重庆市制造业GTFP 时，文献[7]以劳动力、资本、能源消耗作为投入指标，以工业总产值作为期望产出，但没有考虑研发投入和“三废”污染等非期望产出。

因此，本文将在文献[7]的基础上，引入研发投入指标，将环境污染综合指数作为非期望产出，重新构建重庆市制造业绿色全要素生产率评价指标体系，并基于超效率DEA-Malmquist 指数模型测算并分析2011-2019年重庆市的29个制造业行业的绿色TFP 的变化及行业差异性，探索重庆市制造业GTFP 的内在驱动因素。

第３３卷第２期Ｖｏｌ.３３Ｎｏ.２荆楚理工学院学报ＪｏｕｒｎａｌｏｆＪｉｎｇｃｈｕＵｎｉｖｅｒｓｉｔｙｏｆＴｅｃｈｎｏｌｏｇｙ２０１８年４月Ａｐｒ.２０１８收稿日期:２０１８－０２－２８基金项目:安徽财经大学研究生科研创新基金项目(ＡＣＹＣ２０１６１２１)作者简介:朱香好(１９９１－)ꎬ女ꎬ河南许昌人ꎬ安徽财经大学硕士研究生ꎮ研究方向:资源与环境统计ꎮ孙欣(１９７３－)ꎬ男ꎬ安徽庐江人ꎬ安徽财经大学教授ꎬ硕士生导师ꎮ研究方向:资源与环境统计ꎮ基于超效率ＳＢＭ模型与Ｍａｌｍｑｕｉｓｔ指数的生态效率评价朱香好ꎬ孙㊀欣(安徽财经大学统计与应用数学学院ꎬ安徽蚌埠㊀２３３０００)摘要:以３０个省市为研究对象ꎬ建立了基于ＤＥＡ模型的区域生态效率投入产出指标体系ꎬ运用超效率ＳＢＭ模型测算各省市２００５~２０１５年的效率值ꎬ对３０个省市的生态效率情况进行静态分析ꎬ然后结合Ｍａｌｍｑｕｉｓｔ效率指数对区域生态效率的动态变化进行分析研究ꎮ实证结果表明:２００５~２０１５年３０个省市整体生态效率水平较低ꎬ且各省市之间存在较大差异ꎻ２００５~２０１５年全要素生态效率的年均增长率为２.３％ꎬ技术进步与纯技术效率是推动生态效率增长的主要原因ꎬ规模效率与综合技术效率抑制了生态效率的增长ꎮ关键词:生态效率ꎻ超效率ＳＢＭꎻＭａｌｍｑｕｉｓｔ指数中图分类号:Ｆ１２４.５㊀㊀文献标识码:Ａ㊀㊀文章编号:１００８－４６５７(２０１８)０２－００６７－０９０㊀引言进入２０世纪９０年代ꎬ中国的经济发展突飞猛进ꎬ经济总量连上新台阶ꎬ２０１０年至今经济总量排位跃居世界第二ꎬ经济发展的同时产业结构不断优化㊁区域发展的协调性增强㊁城镇化步伐明显加快㊁工业生产能力显著提高ꎮ随着工业化进程不断推进ꎬ我国已经由一个落后的农业国成长为世界制造业大国ꎬ世界银行数据显示ꎬ２０１０年我国制造业增加值占世界的比重已达到１７.６％ꎬ钢铁㊁水泥㊁汽车等２２０多种工业品产量居世界第一位(国家统计局ꎬ２０１３)[１]ꎮ而伴随着经济快速发展ꎬ资源的消耗过大与未充分有效利用㊁生态环境的破坏等一系列问题已经逐渐显现出来ꎬ环境问题不仅影响了中国的经济发展ꎬ也影响了人民的生活质量ꎮ虽然中国政府针对环境污染㊁生态环境遭到破坏等问题颁布实施了一系列的法律ꎬ建立和制定了具有针对性的环境制度与政策ꎬ但是对环境问题的解决并没有发挥显著作用ꎮ区域生态效率是指经济区域内的生态效率ꎬ是以较少的资源消耗和环境污染生产具有竞争优势的产品和服务ꎬ以满足人类生活的必需与生活品质的改善[２]ꎮ其主要目的就是在不对环境构成威胁的前提下实现更高的产出ꎬ发展地区经济ꎬ使得区域的经济与环境协调发展ꎬ该指标也是衡量可持续发展的重要工具ꎮ因此本文选取该指标衡量某地区经济的可持续发展状况ꎬ以期为区域的生态㊁环境㊁经济的协调发展做出科学借鉴ꎮ生态效率是经济与资源环境发展协调程度的测度指标[３]ꎬ对区域生态效率进行有效评价能够客观的了解区域经济与环境协调发展水平ꎬ是经济可持续发展的第一步ꎮ随着各项研究的深入ꎬ有关生态效率指标体系的构建[４－５]及测度方法[６－７]等研究已经较为成熟ꎬ而且其成果得到了广泛的应用ꎮ众多国外学者在此基础上对一些国家和地区展开了区域生态效率的研究[８－１０]ꎮ与此同时ꎬ国内学者基于以国家和地区角度展开的生态效率研究也有所进展ꎮ陈傲以２０００~２００６截面数据为研究样本ꎬ对中国２９７６个省的区域生态效率进行评价与差异性分析ꎬ研究结果表明中国区域生态效率差异较为明显ꎬ总体呈 东高西低 的格局[１１]ꎻ吴鸣然等利用ＤＥＡ方法计算了２００９~２０１３年中国３１个省(自治区㊁直辖市)的生态效率ꎬ然后使用Ｔｏｂｉｔ模型分析了影响生态效率的因素ꎬ结果显示东部地区的生态效率优于中㊁西部地区ꎬ地区人均ＧＤＰ和偏东的地理位置会对生态效率产生积极影响ꎬ而产业结构和人口密度则会产生消极影响[１２]ꎻ侯孟阳等运用超效率ＳＢＭ模型测算我国城市生态效率ꎬ同时结合时间对比分析和空间相关性分析对城市生态效率的时空演变格局进行对比分析并探讨城市生态效率时空动态演变特性[１３]ꎬ研究发现在时间演变过程中ꎬ城市生态效率整体上呈现逐渐上升走势且生态效率在空间分布上呈显著的正相关性ꎬ相邻城市之间生态效率的影响是相互的ꎮ已有文献对本文的区域生态效率评价有良好的指导性作用ꎬ但是更多文献是从静态角度对生态效率结果进行分析且应用数据较为久远ꎮ因此本文在最新数据支持下选取超效率ＳＢＭ模型测度３０个省市的区域生态效率ꎬ对其进行静态分析评价ꎬ在此基础上结合Ｍａｌｍｑｕｉｓｔ生产率指数测度生态效率增长率变化情况ꎬ对区域生态效率进行动态分析评价ꎬ显现当前环境政策的作用效果ꎮ１㊀研究方法传统的ＤＥＡ模型是基于径向距离函数单一的从投入或者产出的角度对目标效率进行测算ꎬ而在现实生活中径向的条件在很多情况下是不能满足的ꎮ而ＴｏｎｅＫ提出的ＳＢＭ模型[１４]不仅是一个非径向的ＤＥＡ模型ꎬ而且能够实现无效决策单元中效率值对当前状态与强有效目标值间松弛改进部分的测量ꎬ克服了传统ＤＥＡ的缺陷ꎮ但是利用ＳＢＭ模型测算的效率值可能会出现多个决策单元效率值为１的情况(完全效率)ꎬ此时就不能相对应的决策单元进行有效评价ꎮ为此ꎬＴｏｎｅＫ又提出了修正松弛变量的超效率ＳＢＭ模型[１５]ꎬ允许效率值大于１或等于１ꎬ以此来解决多个决策单元完全效率的问题ꎮ１.１㊀ＳＢＭ模型简介在利用超效率ＳＢＭ模型测度区域生态效率时ꎬ假设每个城市是一个决策单元(ＤＭＵ)ꎬ并且每个城市都有ｍ种投入元素(ｓ１㊁ｓ２分别表示每个城市对应的期望产出和非期望产出ꎬ用向量表示为ｘɪＲｍꎬｙｇɪＲｓ１及ｙｂɪｓ２ꎮ定义矩阵Ｘ㊁Ｙｇ㊁Ｙｂ如下:Ｘ＝[Ｘ１ꎬＸ２ꎬＬＸｎ]ɪＲｍˑｎꎬＹｇ＝[ｙｇ１ꎬｙｇ２Ｌꎬｙｇｎ]ꎬｙｂ＝[ｙｂ１ꎬｙｂ２Ｌꎬｙｂｎ]其中ꎬｘｉ>０ꎬｙｇｉ>０ꎬｙｂｉ>０ɪＲｓ２ˑｎꎮ因此ꎬ构造出如下测度生态效率的生产可能性集合ꎬ即Ｐ＝{(ｘꎬｙｇꎬｙｂ)｜ｘ⩾Ｘλꎬｙｇ⩾Ｙｇλꎬｙｂ⩾Ｙｂλꎬλ⩾０}ꎬ其中λ表示权重向量ꎬ若ðλ＝１ꎬ表示生产技术为规模报酬可变的(ＶＲＳ)ꎬ否则表示规模报酬不变的(ＣＲＳ)ꎮＴｏｎｅＫ(２００１)考虑非期望产出的ＳＢＭ模型可写为:ρ∗＝ｍｉｎ１－１ｍðｍｉ＝１ｓ－ｉｘｉ０１＋１ｓ１＋ｓ２ðｓ１ｒ＝１ｓｇｒｙｇｒ０＋ðｓ２ｒ＝１ｓｂｒｙｇｒ０＋æèçöø÷(１)ｓ.ｔ.ｘ０＝Ｘλ＋ｓ－ꎬｙｇ０＝Ｙｇλ－ｓｇꎬｙｂ０＝Ｙｂλ＋ｓｂꎬｓ－⩾０ꎬｓｇ⩾０ꎬｓｂ⩾０ꎬλ⩾０ìîíïïïïï(２)其中ꎬｓ表示投入㊁产出的松弛变量ꎮ目标函数ρ∗关于ｓ－ꎬｓｇꎬｓｂ严格递减ꎬ且０⩽ρ∗⩽１ꎮ将非期望产出纳入超效率ＳＢＭ模型中得到生产可能性集合ꎬ即为:Ｐ＝Ｐ/(ｘ０ꎬｙ０)＝ ｘꎬ ｙｇꎬ ｙｂ｜ ｘ⩾ðｎｊ＝１ꎬʂ０λｊｙｇｊꎬ ｙｂ⩾ðｎｊ＝１ꎬʂ０λｊｙｂｊꎬ ｙｇ⩾０ꎬλ⩾０{}(３)则考虑非期望产出的超效率ＳＢＭ模型如下:８６τ∗＝ｍｉｎ１ｍðｍｉ＝１ｘ－ｉｘｉ０１ｓ１＋ｓ２ðｓ１ｒ＝１ｓｇｒｙｇｒ０＋ðｓ２ｒ＝１ｙｂｒｙｇｒ０＋æèçöø÷(４)ｓ.ｔ. ｘ＝ðｎｊ＝１ꎬʂ０λｊｘｊꎬ ｙｇ＝ðｎｊ＝１ꎬʂ０λｊｙｇｊꎬｙｂ＝ðｎｊ＝１ꎬʂ０λｊｙｂｊꎬ ｙｇ⩾０ꎬλ⩾０ ｘ⩾０ꎬ ｙｇ⩾ｙｇ０ꎬ ｙｂ⩾ｙｂ０ꎬλ⩾０ìîíïïïïïïïï(５)目标函数τ∗的值越大表明该决策单元效率越高ꎮ１.２㊀Ｍａｌｍｑｕｉｓｔ指数方法Ｍａｌｍｑｕｉｓｔ生产率指数由ＳｔｅｎＭａｌｍｑｕｉｓｔ在１９５３年分析消费变化时提出[１６]ꎬ利用该指数可以将生产率的变化分解为技术变化和技术效率变化ꎬ生产率的变化是指从基期ｔ期到ｔ＋１期的投入变化关系ꎮＭａｌｍｑｕｉｓｔ指数定义为:ＴＦＰ＝Ｄｔ(Ｘｔ＋１ꎬＹｔ＋１)Ｄｔ(ＸｔꎬＹｔ)∗Ｄｔ＋１(Ｘｔ＋１ꎬＹｔ＋１)Ｄｔ＋１(ＸｔꎬＹｔ)[]１/２＝Ｄｔ＋１(Ｘｔ＋１ꎬＹｔ＋１)Ｄｔ(ＸｔꎬＹｔ)∗Ｄｔ(Ｘｔ＋１ꎬＹｔ＋１)Ｄｔ＋１(Ｘｔ＋１ꎬＹｔ＋１)∗Ｄｔ(ＸｔꎬＹｔ)Ｄｔ＋１(ＸｔꎬＹｔ)[]１/２(６)ＴＦＰ(Ｍａｌｍｑｕｉｓｔ生产指数)表示从ｔ期到ｔ＋１期的生产率变化ꎬ这里能反映生态效率增减程度ꎮ而(７)式中的Ｄｔ(Ｘｔ＋１ꎬＹｔ＋１)Ｄｔ(Ｘｔ＋１ꎬＹｔ＋１)∗Ｄｔ(ＸｔꎬＹｔ)Ｄｔ＋１(ＸｔꎬＹｔ)[]１/２为技术变化(ＴＣ)ꎬ表示生产前沿面的移动导致生产率变化的影响程度ꎬ这里反映的是生态系统政策等管理方面因素致使的生态进步ꎻＤｔ＋１(Ｘｔ＋１ꎬＹｔ＋１)Ｄｔ(ＸｔꎬＹｔ)为技术效率变化(ＥＣ)ꎬ表示从ｔ期到ｔ＋１期的生产技术的利用效率变化对生产率变化的影响程度ꎬ这里是指引进先进生态技术或者生态技术创新的结果ꎮ２㊀指标体系的构建和数据来源２.１㊀指标体系的构建生态效率评价指标体系中指标的选取与被评价对象密切相关ꎬ而针对国家或者区域层面的生态效率指标体系的制定中ꎬ最具有代表意义的是德国环境经济核算账户中所设计的包含资源㊁环境㊁经济要素的７类小指标[１７]ꎮ我国学者在借鉴德国环境经济账户的基础上ꎬ根据中国的具体情况构建了适合自身的评价指标体系ꎮ根据生态效率的公式ꎬ区域生态效率评价在产出指标的选取上ꎬ分子基本都是选取地区生产总值衡量ꎬ分母的选取没有一个固定的标准ꎬ已有的研究对分母的衡量多是从环境和资源的角度选取指标ꎮ表１是经过整理得到的部分国内外学者所构建的宏观层面生态效率评价指标体系[１８－２１]ꎮ表１㊀国内外宏观区域生态效率评价指标体系构建作者评价对象产出指标生态指标投入资源投入环境投入ＨａｒｔｍｕｔＨｏｈＫａｒｌＳｃｈｏｅｒＳｔｅｆｆｅｎＳｅｉｂｅｌ德国ＧＤＰ土地㊁能源㊁用水㊁原材料㊁劳动力㊁资本温室气体㊁酸性气体９６续表１作者评价对象产出指标生态指标投入资源投入环境投入邱寿丰诸大建中国ＧＤＰ土地㊁能源㊁用水㊁原材料㊁劳动力废气排放㊁废水排放㊁固废排放王宏志高㊀峰刘辛伟中国(３０个省)ＧＤＰ能源㊁用水㊁建设用地废水排放㊁二氧化硫排放㊁工业固废排放付丽娜陈晓红冷智花长株潭 ３＋５城市群地区ＧＤＰ能源㊁电力㊁用水㊁建设用地㊁劳动力废水排放㊁ＣＯＤ㊁二氧化硫排放㊁烟尘排放㊁工业粉尘排放㊁工业固废排放白世秀黑龙江省地区ＧＤＰ万元ＧＤＰ能耗㊁劳动力废气㊁废水㊁固废排放㊀㊀根据生态效率的内涵与所选取的生态效率的测算方法ꎬ在借鉴已有宏观层面生态效率评价指标体系的基础上ꎬ考虑到数据的可得性与指标体系的系统性㊁科学性㊁目标性等原则ꎬ本文从经济㊁资源㊁环境三个角度选取指标建立生态效率评价指标体系ꎬ所选取的基于超效率ＳＢＭ模型测度生态效率的投入指标和产出指标类型如表２所示ꎮ表２㊀区域生态效率评价指标体系指标类型指标类别具体指标构成投入指标资源消耗类建设用地面积(万公顷)㊁能源消费总量(万吨标准煤)㊁全社会用水量(亿立方米)㊁电力消费量(亿千瓦小时)㊁就业人数(万人)产出指标环境影响类(非期望产出)废水排放总量(万吨)㊁化学需氧量(万吨)㊁氨氮排放量(万吨)㊁烟尘排放总量(万吨)㊁二氧化硫排放量(万吨)经济类指标(期望产出)地区生产总值(亿元)２.１.１㊀资源消耗类指标资源是人类经济发展不可或缺的物质基础ꎬ其利用方式及利用效率对生态经济发展的影响显著ꎬ因此资源消耗类指标必然在区域生态效率评价指标体系中ꎮ基于此ꎬ本文选取建设用地面积㊁能源消费总量㊁全社会用水量㊁电力消费量㊁就业人员数作为资源投入指标ꎬ分别表征土地资源消耗㊁能源消耗㊁水资源消耗㊁电耗㊁人力消耗ꎮ以上指标能够清楚反映区域的土地㊁劳动力利用状况以及能源消费水平及节能降耗状况ꎬ对区域生态效率的衡量直观有效ꎮ２.１.２㊀环境影响类指标区域的环境状况与区域经济发展模式的合理性息息相关ꎬ环境影响类指标可以衡量区域的环境状况ꎮ本文在充分考虑当前环境污染的实际情况ꎬ选取废水排放量以及废水中的化学需氧量与氨氮排放量表示废水的排放对环境所产生的影响ꎬ选取烟尘排放总量与二氧化硫排放量衡量废气的排放对环境所产生的影响ꎮ２.１.３㊀经济类指标经济类指标的选取是为了较为准确的反映地区的经济发展水平ꎬ由于地区生产总值能够准确直观反映地区的经济发展水平ꎬ且该经济指标数据较为权威ꎬ因此本文选取各地区生产总值作为其经济类指标ꎬ与此同时以２００５年为基期对地区生产总值数据进行平减处理以剔除价格因素的影响ꎮ２.２㊀研究样本及数据来源说明由于港澳台与大陆在制度上存在明显差异ꎬ若将其纳入研究对象中对当前的研究没有意义ꎬ而西藏的数据存在部分缺失现象ꎬ因此本文的研究对象选择了去除西藏以外的其他３０个内陆省份ꎬ并根据国家统计局的分类标准将其划分为东㊁中㊁西部三个区域ꎬ三个区域分别为:(１)东部地区ꎬ包括:北京㊁天０７津㊁河北㊁辽宁㊁上海㊁江苏㊁浙江㊁福建㊁山东㊁广东㊁海南共１１个省市ꎻ(２)中部地区ꎬ包括:山西㊁吉林㊁黑龙江㊁安徽㊁江西㊁河南㊁湖北㊁湖南共８个省ꎻ(３)西部地区ꎬ包括:内蒙古㊁广西㊁重庆㊁四川㊁贵州㊁云南㊁陕西㊁甘肃㊁青海㊁宁夏㊁新疆共１１个省自治区ꎬ研究时间跨度为２００５~２０１５年ꎮ本文选取的所有的投入产出数据的基础数据均来源于«中国统计年鉴»(２００５~２０１５)㊁«中国人口与就业统计年鉴»(２００５~２０１５)㊁«中国环境统计年鉴»(２００５~２０１５)㊁«中国能源统计年鉴»(２００５~２０１５)及国家统计局网站ꎮ３㊀生态效率测算结果分析３.１㊀生态效率静态分析本文首先运用ＭａｘＤＥＡ６.１７软件对中国３０个省市的生态效率水平进行测算ꎬ结果发现存在部分决策单元的部分年份的生态效率为１ꎬ而相关决策单元的有效排序会受到影响ꎬ同时无法比较同一有效前沿面的生态效率变化ꎮ为了对生态效率为１的区域进行有效地分析ꎬ本文采用了投入导向的超效率ＳＢＭ模型对各区域的生态效率进行测度ꎬ各区域生态效率测度结果如表３所示ꎮ表３㊀２００５~２０１５年３０个省市区域生态效率值ＤＭＵ２００５２００６２００７２００８２００９２０１０２０１１２０１２２０１３２０１４２０１５均值北京１.０９９１.１０５１.１１５１.１２１１.１１６１.１１６１.１０８１.１０８１.１１２１.１０６１.１０６１.１１０天津１.０３３１.０２８１.０２２１.０２９１.０５１１.０４０１.０５７１.０４９１.０５３１.０５３１.０２８１.０４０福建１.０３７１.０２４１.０２５１.０３２１.０３０１.０１４１.００９１.００７１.００２１.００２１.００５１.０１７上海１.０２９１.０２８１.０２５１.０２６１.０２４１.０２２１.０２１１.０１８０.４９４０.５０３０.４８６０.８８０浙江１.００６１.００５１.００８１.００２０.７４６１.００３１.００２１.００２０.４９００.４８９０.５０２０.８４１江苏１.００２０.７２９０.７５５０.６９４０.６７３０.６８４０.６６２０.５２７０.５０３０.５１６０.４８６０.６５７内蒙古１.００１１.０２４１.０２３１.０１５１.００９０.３７９０.３６３０.３５７０.３４００.３２２０.３０４０.６４９广东１.０１２１.０１４１.００３０.５９５０.４４９０.４４１０.５１５０.５０３０.５０８０.４８７０.４０６０.６３０陕西０.４０００.３８４０.４１３０.４１１０.５７４１.００５１.０１６１.００７０.４４１０.４３８０.３９５０.５８９山东１.００００.５７７０.５５４０.５４８０.５２６０.４７６０.４２８０.４１７０.４３００.４１００.３６６０.５２１湖南０.３３４０.３１００.３２６０.３６７０.３３３０.３５５０.３８３０.４０３０.４１３０.４３５１.００４０.４２４海南１.０２１０.３６００.３１９０.３３５０.３８６０.３７８０.３５９０.３６６０.３４１０.３５４０.２８２０.４０９河北０.５１８０.４８２０.５２９０.４９７０.４０１０.３８３０.３５３０.３４４０.３２７０.３１９０.２９４０.４０４河南０.４３９０.４２３０.４３８０.４０８０.３８８０.３７８０.３５３０.３４７０.３３９０.３４９０.３１３０.３７９重庆０.３８１０.３３１０.３２００.３４００.３３９０.３３６０.３５５０.３９５０.３８９０.３８７０.３７４０.３５９江西０.３８９０.３５００.３３１０.３４８０.３４４０.３４８０.３５７０.３５１０.３３７０.３４００.３０３０.３４５吉林０.３２４０.３１９０.３１７０.３２７０.３４４０.３４５０.３５４０.３７３０.３６９０.３６５０.３３９０.３４３辽宁０.３３２０.３１６０.３０８０.３３２０.３４５０.３５２０.３６３０.３７２０.３６６０.３５６０.３２９０.３４３四川０.３０１０.３３７０.３３７０.３３８０.３３８０.３２５０.３３３０.３３８０.３２７０.３２２０.２９９０.３２７湖北０.２９４０.２９１０.２９２０.２９４０.３１４０.３０８０.３１７０.３２６０.３３７０.３３３０.３４３０.３１４安徽０.３０７０.２９８０.２８５０.２８３０.２９１０.２９９０.３０４０.２９８０.２８８０.２９００.２６７０.２９２广西０.２８４０.２８８０.２８００.２６６０.２９１０.２９１０.３２４０.３０７０.２９９０.３０００.２７８０.２９２黑龙江０.３１８０.３０４０.２８７０.２９００.２８１０.２８８０.２９２０.２８８０.２７９０.２７３０.２４８０.２８６山西０.３１２０.２８６０.２７６０.３２７０.２８９０.３０１０.３０７０.２８６０.２６３０.２４６０.２２７０.２８４云南０.４０８０.３２５０.２５５０.２６２０.２６２０.２４９０.２４２０.２５７０.２７９０.２６８０.２４８０.２７８贵州０.１９９０.１９１０.１９４０.２１５０.２１６０.２２３０.２２６０.２３３０.２４６０.２６００.２５５０.２２４１７续表３ＤＭＵ２００５２００６２００７２００８２００９２０１０２０１１２０１２２０１３２０１４２０１５均值青海０.２０５０.２０５０.２０５０.２３７０.２３００.２４００.２３７０.２４００.２１８０.２２００.２１２０.２２３新疆０.２７９０.２６１０.２４２０.２３７０.２１５０.２２６０.２１７０.２０４０.１８７０.１８００.１５４０.２１８甘肃０.１９３０.１９９０.１９３０.１９５０.１９２０.１９５０.２０００.２０００.１９９０.１９２０.１６９０.１９３宁夏０.１２８０.１２３０.１４３０.１４６０.１４５０.１６４０.１６７０.１６６０.１５９０.１５８０.１５００.１５０均值０.５５３０.４９７０.４９４０.４８４０.４７１０.４７２０.４７４０.４７００.４１１０.４０９０.４０６０.４６７㊀㊀从表３可知ꎬ生态效率测度结果与实际情况较为吻合ꎬ从截面数据分析３０个省市各年区域生态效率平均值都小于１ꎬ２００５~２０１５年的区域生态效率平均值为０.４６７ꎬ３０个省市中只有３个省市的生态效率均值大于１ꎬ表明在研究期间内整体的生态效率水平较低ꎻ排名靠前的北京的生态效率均值为１.１１０ꎬ而排名靠后的宁夏生态效率均值只有０.１５０ꎬ各省市生态效率水平之间存在显著差异ꎮ这种结果的形成与各区域的经济发展特点及发展环境密切相关ꎬ由于生态效率兼顾经济效率和环境效益ꎬ因此对其生态效率结果的评价要考虑其本身的经济成果与所产生的环境影响ꎮ基于此ꎬ下面将从时间序列数据角度出发ꎬ根据各省份在２００５~２０１５连续１１年的区域生态效率的平均值ꎬ将３０个省市划分为３个类型ꎬ分别为:相对高生态效率地区(北京㊁天津㊁福建ꎬ其平均值大于１)㊁中等生态效率地区(上海㊁浙江ꎬ其平均值在０.８－１之间)㊁相对低生态效率地区(江苏㊁内蒙古㊁广东等２５个地区ꎬ其平均值小于０.８)ꎮ对较高生态效率的北京来说ꎬ其生态效率值在３０个省份中排名第一ꎬ该测评结果与实际情况是相吻合的ꎮ北京作为中国的首都ꎬ是中国的政治中心㊁文化中心㊁教育中心ꎬ城市发展统筹人口资源环境ꎬ让历史文化和自然生态永续利用ꎻ天津是北方最大的沿海开放城市ꎬ由于其得天独厚的地理位置与辉煌的近代工业ꎬ天津受到了中央政府和国家政策的大力支持ꎬ这些客观条件为天津的绿色经济发展提供了良好的发展基础ꎻ福建是东部沿海省份ꎬ经济发展水平较高ꎬ经济基础雄厚ꎬ为自身的绿色发展提供条件ꎬ福建森林覆盖率居全国第一ꎬ可以有效吸收温室气体ꎬ为生态效率水平的改善提供了良好的条件支持ꎮ就中等生态效率的上海和浙江而言ꎬ其各自ＧＤＰ排名较为靠前ꎬ高科技产业较发达ꎬ在拥有较高的科学技术水平的同时聚集了众多的优秀人才ꎬ为生态效率水平的提高提供了经济基础与技术支持ꎮ但是上海㊁浙江虽然经济快速发展ꎬ但是整体生态效率仍然有较大的提升空间ꎬ且二者的生态效率在近几年呈现显著的下降趋势ꎬ这表明两省在实现经济快速发展的同时忽略了经济对生态坏境的影响ꎮ针对此状况ꎬ上海㊁浙江需要把环境保护作为经济发展过程中的重点ꎬ节约能源和减少环境有害物排放ꎬ加大对高污染行业企业的整治力度ꎮ而针对生态效率较低的省份而言ꎬ由于自然地理环境㊁经济发展程度㊁科学技术水平等方面的差异ꎬ使得各个省份生态效率较低的影响因素不尽相同ꎮ根据其地理位置差异将其分为东㊁中㊁西三个地带ꎬ其生态效率相对较低省份在三个地带中的分布如表４所示:表４㊀生态效率较低省份在三个地带中的分布地带省份效率较低城市个数效率均值东部江苏㊁广东㊁山东㊁海南㊁河北㊁辽宁６０.４９４中部湖南㊁河南㊁江西㊁吉林㊁湖北㊁安徽㊁黑龙江㊁山西㊁８０.３３３西部内蒙古㊁陕西㊁重庆㊁四川㊁广西㊁云南㊁贵州㊁青海㊁新疆㊁甘肃㊁宁夏１１０.３１８㊀㊀根据表４的内容可知ꎬ在生态效率较低的２５个省份中ꎬ东㊁中㊁西三个地带分别包含６㊁８㊁１１个省份ꎬ且其效率均值分别为０.４９４㊁０.３３３㊁０.３１８ꎬ各区域间生态效率水平存在显著差异ꎮ各区域生态效率水平差异主要是受经济发展水平的影响ꎬ东部地带的经济发展水平相对较高ꎬ地理位置优越ꎬ拥有较为雄厚的物质基础ꎬ同时科学技术水平较高ꎬ技术创新人才储备丰富ꎬ为经济绿色发展提供了强大的支持ꎻ中部地区经济展水平与发展较好的东部地带存在差距ꎬ该地带整体生态效率水平较低的原因主要是生２７产技术水平不够先进ꎬ使得各生产主体在生产过程中资源与能源消耗过高ꎬ同时伴随着高污染的排放ꎻ西部地带虽然资源与能源消耗水平较低ꎬ但是受地理条件等客观条件限制ꎬ经济发展水平较低ꎬ这是西部地带生态效率水平低下的主要原因所在ꎮ３.２㊀生态效率动态分析生态效率静态分析分别从截面和时间序列的角度对生态效率的测度结果进行评价分析ꎬ而对生态效率进行动态分析可以更好的了解３０个城市的生态效率变化趋势ꎬ因此本节结合Ｍａｌｍｑｕｉｓｔ指数模型对生态效率增长率的变动进行测度ꎬ３０个省份年均生态效率Ｍａｌｍｑｕｉｓｔ指数及其分解如表５所示ꎮ表５㊀２００５~２０１５年３０个省市Ｍａｌｍｑｕｉｓｔ指数及其分解城市综合技术效率(ＥＣ＝ＰＥ∗ＳＥ)技术进步(ＴＣ)纯技术效率(ＰＥ)规模效率(ＳＥ)全要素生产率(ＴＦＰ＝ＥＣ∗ＴＣ)江苏０.９３０１.３４６１.００３０.９２７１.２４８广东０.９１３１.３４７１.００００.９１３１.２２９山东０.９０５１.３３４０.９９９０.９０５１.２０８青海１.００４１.２３７１.０３１０.９７４１.２０５浙江０.９３３１.２２６１.００００.９３３１.１４４贵州１.０２５１.０８５１.０１９１.００６１.０９２甘肃０.９８７１.０７５１.００００.９８７１.０６１福建０.９９７１.０５７０.９９７１.０００１.０５７云南０.９５２０.９８００.８８７１.０７３１.０５１宁夏１.０１６１.０５０１.０１７０.９９９１.０４９新疆０.９４３１.０５８０.９５１０.９９２１.０４９广西０.９９８１.０４００.９９８１.０００１.０４０重庆０.９９８１.０３９０.９９９０.９９９１.０３８陕西０.９９９１.０２７０.９９７１.００１１.０２８山西０.９６９１.０４４０.９８６０.９８２１.０２６黑龙江０.９７６１.０３４０.９８３０.９９２１.０２６内蒙古０.８８８１.０２００.８８９０.９９８１.０１８安徽０.９８６１.０１２０.９８２１.００４１.０１６北京１.００１１.０２３１.０１１０.９９０１.０１２天津１.０００１.０１１１.０００１.０００１.０１１江西０.９７５１.００８０.９７７０.９９８１.００６河北０.９４５０.９５００.９０７１.０４２０.９９０吉林１.００５０.９６５１.００４１.００００.９６５上海０.９２８１.００７０.９９７０.９３１０.９３８湖北１.０１６０.９４５１.０３８０.９７９０.９２５四川０.９９９０.９３９１.０２１０.９７９０.９１９河南０.９６７０.９３４０.９８９０.９７７０.９１３湖南１.１１６０.９０９１.１１６１.００００.９０９海南０.８７９１.３８２１.４２００.６１９０.８５６辽宁０.９９９０.８２１１.０１２０.９８７０.８１１均值０.９７４１.０５５１.００５０.９６９１.０２３㊀㊀根据表５可知ꎬ２００５~２０１５年全要素生态效率的年均增长率２.３％ꎬ３０个省市中有９个省市的生态３７效率的增长率ＴＦＰ值小于１ꎬ２１个省市的增长率大于１ꎻ从年均增长率的分解来看ꎬ技术进步和纯技术效率的增长率大于１ꎬ年均增长率分别为５.５％和０.５％ꎬ综合技术效率和规模效率分别下降了２.６％和３.１％ꎻꎮ从各个省市来看ꎬ江苏㊁广东㊁山东㊁青海㊁浙江增长最快ꎬ其ＴＦＰ增长率超过了１０％ꎬ显著地高于年均增长率ꎻ青海的生态效率虽然偏低ꎬ但是增长速度很快ꎬ进步明显ꎻ对于ＴＦＰ增长率排名靠后的９个省市来说ꎬ其生态效率的排名都高于其ＴＦＰ增长率排名ꎬ因此这些省市有较大的提升空间ꎬ特别是上海ꎬ生态效率排名靠前ꎬ提升空间巨大ꎮ表６是２００５~２０１５年整体发展动态ꎮ表６㊀３０个省市各年份平均Ｍａｌｍｑｕｉｓｔ指数及其分解年份综合技术效率(ＥＣ＝ＰＥ∗ＳＥ)技术进步(ＴＣ)纯技术效率(ＰＥ)规模效率(ＳＥ)全要素生产率(ＴＦＰ＝ＥＣ∗ＴＣ)２００５~２００６０.９１０１.０７７０.９３００.９８０１.０５５２００６~２００７０.９８９１.０９９１.０３４０.９５７１.０５１２００７~２００８１.００２１.０８６１.０４００.９６３１.０４６２００８~２００９０.９８１１.０５２０.９６６１.０１６１.０６９２００９~２０１０１.０００１.０７５１.０３００.９７１１.０４４２０１０~２０１１１.００６１.０７２１.０５７０.９５１１.０２０２０１１~２０１２０.９９４１.０２２１.００１０.９９２１.０１４２０１２~２０１３０.９１１１.０３８０.９５３０.９５７０.９９３２０１３~２０１４０.９９３０.９４６１.０８７０.９１４０.８６４２０１４~２０１５０.９５８１.０９５０.９６１０.９９７１.０９２平均值０.９７４１.０５６１.００６０.９７０１.０２５㊀㊀各年份平均Ｍａｌｍｑｕｉｓｔ指数及其分解的变化情况如图１所示ꎮ图１㊀各年份平均Ｍａｌｍｑｕｉｓｔ指数及其分解的变化情况整体来看ꎬ由ＴＦＰ的折线图可知ꎬ生态效率增长不稳定ꎬ２００５~２０１０年的变化基本稳定ꎬＴＦＰ增长率维持在５％左右ꎬ但在２０１０~２０１４年出现了下降局面ꎬ特别是在２０１２~２０１４年出现了明显的下降ꎬ从２０１３年的１.４％下降到负的１３.６％ꎬ２０１５年显著提升到９.２％ꎮ从生态效率变化情况的影响因素来看ꎬ技术进步和纯技术效率是推动其增长的主要因素ꎬ另外两个影响因素的增长率均值小于１ꎬ制约了生态效率的增长ꎮ４㊀结论与启示本文基于２００５~２０１５年３０个省市的面板数据ꎬ利用超效率的ＳＢＭ模型与Ｍａｌｍｑｕｉｓｔ生产率指数对区域生态效率及其增长率进行测度ꎬ在此基础上进行生态效率的静态与动态分析ꎮ通过分析可得结４７论与启示如下:１)各个省市结合自身自然地理环境㊁经济发展程度㊁科学技术水平等条件ꎬ制定合理的环境规制政策法规ꎬ充分发挥环境规制的正向溢出效应ꎬ减少各类污染物的排放ꎬ提升环境质量ꎻ对于生态效率水平较高的地区ꎬ在保持自身绿色发展的同时发挥其辐射带动能力ꎬ积极为周边较低生态效率水平省份的经济发展模式的转变提供支持ꎬ实现地区间绿色发展的均衡ꎻ各地区要优先支持绿色㊁低碳产业发展ꎬ严格执行钢铁㊁火电㊁化工等环境污染排放较多的工业企业的环境准入制度ꎬ合理地提高重点生产制造行业的清洁生产标准ꎬ逐渐实现产业绿色转型ꎻ加大对污染处理设备的引进ꎬ降低资源与能源消耗ꎬ减少污染排放ꎬ提升区域生态效率ꎮ２)综合技术效率和规模效率制约了生态效率水平的提高ꎬ综合技术效率衡量区域的资源配置能力㊁资源使用效率ꎬ而规模效率反映的是实际规模与最优生产规模的差距ꎮ技术创新是提升资源配置能力㊁资源使用效率的关键ꎬ而提升技术创新水平需要注意以下方面:首先ꎬ要加大人力资源开放的力度ꎬ合理配置科技资源ꎬ加强现金使用技术的集成㊁示范和推广ꎬ为区域提供关键和共性技术ꎬ同时培养一支实干的科技队伍[２２]ꎻ其次ꎬ在加大研发投入的同时加大对科研经费的监管ꎬ提高科研人员的待遇ꎬ给予高科技㊁高学历人才实际性的资金奖励与支持ꎬ为优秀人才的引进创造良好的条件ꎻ而对于地理环境恶劣㊁经济基础不好的区域ꎬ国家要给予一些政策性支持ꎬ激励优秀的人才投身到该地区的科技创新建设事业中ꎬ实现区域自主性的技术创新ꎬ使整体的资源配置能力㊁资源使用效率得到提升ꎮ合理发展企业规模ꎬ对于经营规模较小的企业ꎬ扩大企业经营规模或者实现企业合并ꎬ降低产品的生产成本ꎬ增加企业的规模效益ꎮ通过整体的资源配置能力㊁资源使用效率与规模效益的改善ꎬ提升生态效率的增长率ꎬ提高区域生态效率水平ꎮ参考文献:[１]国家统计局.改革开放铸辉煌经济发展谱新篇[Ｎ/ＯＬ].人民日报ꎬ２０１３－１１－０６(０１０).[２０１８－０２－２０]ｈｔｔｐ://ｋｎｓ.ｃｎｋｉ.ｎｅｔ/ＫＣＭＳ/ｄｅｔａｉｌ/ｄｅｔａｉｌ.ａｓｐｘ?ｄｂｃｏｄｅ＝ＣＣＮＤ＆ｄｂｎａｍｅ＝ＣＣＮＤＬＡＳＴ２０１３＆ｆｉｌｅｎａｍｅ＝ＲＭＲＢ２０１３１１０６０１００＆ｕｉｄ＝ＷＥＥｖＲＥｃｗＳｌＪＨＳｌｄＲａ１ＦｈｃＴｄＷａｊＦｕＱ２ＲＨＵＶＪ４ＱＵｐＸａＤＦｕＭ３ＵｒＭ０ｘＺＱＸｄｗＭＤ０＝Ɣ９Ａ４ｈＦ＿ＹＡｕｖＱ５ｏｂｇＶＡｑＮＫＰＣＹｃＥｊＫｅｎｓＷ４ｇｇＩ８Ｆｍ４ｇＴｋｏＵＫａＩＤ８ｊ８ｇＦｗ!!＆ｖ＝ＭＤｇｙＯＤＢ１ａＧＲｏｂｍｏ５ＯＦＲｕａｎＦｘｅＧＲＦＺＵ１ＰＶＵｔｙａＷＺａｄＴＶ２ＲｌＮｙａ１ＶｙＺｋｔＪＲ￣ｊＲＵＴｎｌＥＷｍＪＭＲｚＲＩＯＵｘＯｃｍ８５ＲＦｐＰｂ１ＢＥＱｋ５Ｌ[２]ＨｉｎｔｅｒｂｅｒｇｅｒＦꎬＢａｍｂｅｒｇｅｒＫꎬＭａｎｓｔｅｉｎＣꎬｅｔａｌ.Ｅｃｏ－ｅｆｆｉｃｉｅｎｃｙｏｆＲｅｇｉｏｎｓ:ＨｏｗｔｏＩｍｐｒｏｖｅＣｏｍｐｅｔｉｔｉｖｅｎｅｓｓａｎｄＣｒｅａｔｅＪｏｂｓｂｙＲｅｄｕｃｉｎｇＥｎｖｉｒｏｎｍｅｎｔａｌＰｒｅｓｓｕｒｅ[Ｃ]//ＧｏｖｅｒｎｍｅｎｔｏｆＣａｒｉｎｔｈｉａꎬＡｕｓｔｒｉａｎＭｉｎｉｓｔｒｙｏｆＡｇｒｉｃｕｌｔｕｒｅꎬＦｏｒｅｓｔｒｙꎬＥｎｖｉｒｏｎｍｅｎ￣ｔａｌａｎｄＷａｔｅｒꎬＷｉｅｎ:ＳＥＲＩꎬ２０００:３０.[３]赵鑫ꎬ孙欣ꎬ陶然.去产能视角下的长江经济带能源生态效率评价及收敛性分析[Ｊ].太原理工大学学报(社会科学版)ꎬ２０１６ꎬ３４(５):４５－５０.[４]ＭｉｃｋｗｉｔｚＰꎬＭｅｌａｎｅｎＭꎬＲｏｓｅｎｓｔｒöｍＵꎬｅｔａｌ.ＲｅｇｉｏｎａｌＥｃｏ－ｅｆｆｉｃｉｅｎｃｙＩｎｄｉｃａｔｏｒｓ–ａＰａｒｔｉｃｉｐａｔｏｒｙＡｐｐｒｏａｃｈ[Ｊ].ＪｏｕｒｎａｌｏｆＣｌｅａｎｅｒＰｒｏｄｕｃｔｉｏｎꎬ２００６ꎬ１４(１８):１６０３－１６１１.[５]邱寿丰ꎬ诸大建.我国生态效率指标设计及其应用[Ｊ].科学管理研究ꎬ２００７(１):２０－２４.[６]ＰｅｋｋａＪ.Ｋｏｒｈｏｎｅｎａｂ.Ｅｃｏ－ｅｆｆｉｃｉｅｎｃｙＡｎａｌｙｓｉｓｏｆＰｏｗｅｒＰｌａｎｔｓ:ＡｎＥｘｔｅｎｓｉｏｎｏｆＤａｔａＥｎｖｅｌｏｐｍｅｎｔＡｎａｌｙｓｉｓ[Ｊ].ＥｕｒｏｐｅａｎＪｏｕｒｎａｌｏｆＯｐｅｒａｔｉｏｎａｌＲｅｓｅａｒｃｈꎬ２００４ꎬ１５４(２):４３７－４４６.[７]周静ꎬ管卫华.基于生态足迹方法的南京可持续发展研究[Ｊ].生态学报ꎬ２０１２ꎬ３２(２０):６４７１－６４８０. [８]ＺｈａｎｇＢꎬＢｉＪꎬＦａｎＺꎬｅｔａｌ.Ｅｃｏ－ｅｆｆｉｃｉｅｎｃｙＡｎａｌｙｓｉｓｏｆＩｎｄｕｓｔｒｉａｌＳｙｓｔｅｍｉｎＣｈｉｎａ:ＡＤａｔａＥｎｖｅｌｏｐｍｅｎｔＡｎａｌｙｓｉｓＡｐｐｒｏａｃｈ[Ｊ].ＥｃｏｌｏｇｉｃａｌＥｃｏｎｏｍｉｃｓꎬ２００８ꎬ６８(１):３０６－３１６.[９]ＱｉｕＳꎬＺｈｕＤ.Ｅｃｏ－ｅｆｆｉｃｉｅｎｃｙＩｎｄｉｃａｔｏｒｓｆｏｒＣｈｉｎａａｎｄＴｈｅｉｒＡｐｐｌｉｃａｔｉｏｎｓ[Ｊ].ＳｃｉｅｎｔｉｆｉｃＭａｎａｇｅｍｅｎｔＲｅｓｅａｒｃｈꎬ２００７ꎬ２５(１):２０－２４.[１０]ＷｕｒｓｔｈｏｒｎＳꎬＰｏｇａｎｉｅｔｚＷＲꎬＳｃｈｅｂｅｋＬ.Ｅｃｏｎｏｍｉｃ－ｅｎｖｉｒｏｎｍｅｎｔａｌＭｏｎｉｔｏｒｉｎｇＩｎｄｉｃａｔｏｒｓｆｏｒＥｕｒｏｐｅａｎＣｏｕｎｔｒｉｅｓ:ＡＤｉｓａｇ￣ｇｒｅｇａｔｅｄＳｅｃｔｏｒ－ｂａｓｅｄＡｐｐｒｏａｃｈｆｏｒＭｏｎｉｔｏｒｉｎｇＥｃｏ－ｅｆｆｉｃｉｅｎｃｙ[Ｊ].ＥｃｏｌｏｇｉｃａｌＥｃｏｎｏｍｉｃｓꎬ２０１１ꎬ７０(３):４８７－４９６. [１１]陈傲.中国区域生态效率评价及影响因素实证分析 以２０００－２００６年省际数据为例[Ｊ].中国管理科学ꎬ２００８ꎬ１６(Ｓ１):５６６－５７０.(下转第９６页)５７１２７.[４]黄鹂.公共科技投入视角下的高校绩效评估实证研究[Ｊ].江西财经大学学报ꎬ２０１３(２):１２１－１２８.[５]朱建育ꎬ赵红军ꎬ方曦.基于面板数据模型的上海高校科研绩效评价的实证研究[Ｊ].研究与发展管理ꎬ２０１３(２):１１５－１１９.[６]陈洪转ꎬ羊震ꎬ刘思峰ꎬ等.基于滞后ＤＥＡ的我国高校科研经费使用效率评价[Ｊ].管理评论ꎬ２０１１(８):７２－７７. [７]彭欢欢ꎬ徐盈之.高等教育与地区经济增长的互动关系的统计检验[Ｊ].统计与决策ꎬ２０１０(１１):７１－７４. [８]朱喜安ꎬ魏国栋.熵值法中无量纲化方法标准的探讨[Ｊ].统计与决策ꎬ２０１５(２):１２－１５.[９]柳卸林ꎬ高太山.中国区域创新能力报告[Ｍ].北京:知识产权出版社ꎬ２０１４:１６－１７.[１０]中国科学技术发展研究院.中国区域科技进步评价报告２０１５[Ｍ].北京:科学技术文献出版社ꎬ２０１６:７３－７７.[责任编辑:许立群](上接第７５页)[１２]吴鸣然ꎬ马骏.中国区域生态效率测度及其影响因素分析 基于ＤＥＡ－Ｔｏｂｉｔ两步法[Ｊ].技术经济ꎬ２０１６ꎬ３５(３):７５－８０ꎬ１２２.[１３]侯孟阳ꎬ姚顺波.中国城市生态效率测定及其时空动态演变[Ｊ].中国人口 资源与环境ꎬ２０１８(３):１３－２１. [１４]ＴｏｎｅＫ.ＡＳｌａｃｋｓ－ｂａｓｅｄＭｅａｓｕｒｅｏｆＥｆｆｉｃｉｅｎｃｙｉｎＤａｔａＥｎｖｅｌｏｐｍｅｎｔＡｎａｌｙｓｉｓ[Ｊ].ＥｕｒｏｐｅａｎＪｏｕｒｎａｌｏｆＯｐｅｒａｔｉｏｎａｌＲｅ￣ｓｅａｒｃｈꎬ２００１ꎬ１３０(３):４９８－５０９.[１５]ＴｏｎｅＫ.ＡＳｌａｃｋｓ－ｂａｓｅｄＭｅａｓｕｒｅｏｆＳｕｐｅｒ－ｅｆｆｉｃｉｅｎｃｙｉｎＤａｔａＥｎｖｅｌｏｐｍｅｎｔＡｎａｌｙｓｉｓ[Ｊ].ＥｕｒｏｐｅａｎＪｏｕｒｎａｌｏｆＯｐｅｒａｔｉｏｎａｌＲｅｓｅａｒｃｈꎬ２００１ꎬ２０００(１):３２－４１.[１６]ＭａｌｍｑｕｉｓｔＳ.ＩｎｄｅｘＮｕｍｂｅｒｓａｎｄＩｎｄｉｆｆｅｒｅｎｃｅＳｕｒｆａｃｅｓ[Ｊ].ＴｒａｂａｊｏｓＤｅＥｓｔａｄｉｓｔｉｃａꎬ１９５３ꎬ４(２):２０９－２４２.[１７]ＨöｈＨꎬＳｃｈｏｅｒＫꎬＳｅｉｂｅｌＳ.Ｅｃｏ－ｅｆｆｉｃｉｅｎｃｙＩｎｄｉｃａｔｏｒｓｉｎＧｅｒｍａｎＥｎｖｉｒｏｎｍｅｎｔａｌＥｃｏｎｏｍｉｃＡｃｃｏｕｎｔｉｎｇ[Ｊ].ＳｔａｔｉｓｔｉｃａｌＪｏｕｒ￣ｎａｌｏｆｔｈｅＵｎｉｔｅｄＮａｔｉｏｎｓｅｃｏｎｏｍｉｃＣｏｍｍｉｓｓｉｏｎｆｏｒＥｕｒｏｐｅꎬ２００２(１９):４１－５２.[１８]诸大建ꎬ邱寿丰.生态效率是循环经济的合适测度[Ｊ].中国人口.资源与环境ꎬ２００６(５):１－６.[１９]王宏志ꎬ高峰ꎬ刘辛伟.基于超效率ＤＥＡ的中国区域生态效率评价[Ｊ].环境保护与循环经济ꎬ２０１０ꎬ３０(６):６４－６７. [２０]付丽娜ꎬ陈晓红ꎬ冷智花.基于超效率ＤＥＡ模型的城市群生态效率研究 以长株潭 ３＋５ 城市群为例[Ｊ].中国人口.资源与环境ꎬ２０１３ꎬ２３(４):１６９－１７５.[２１]白世秀.黑龙江省区域生态效率评价研究[Ｄ/ＯＬ].哈尔滨:东北林业大学ꎬ２０１１.[２０１８－０３－１５]ｈｔｔｐ://ｋｎｓ.ｃｎｋｉ.ｎｅｔ/ＫＣＭＳ/ｄｅｔａｉｌ/ｄｅｔａｉｌ.ａｓｐｘ?ｄｂｃｏｄｅ＝ＣＤＦＤ＆ｄｂｎａｍｅ＝ＣＤＦＤ１２１４＆ｆｉｌｅｎａｍｅ＝１０１２４４２８１６.ｎｈ＆ｕｉｄ＝ＷＥＥｖＲＥｃｗＳ￣ｌＪＨＳｌｄＲａ１ＦｈｃＥＥ０ＲＶＺｘｅｊＡ５ＶＸＦｑＳＧＶＯｅｎｌｉＮＦｇｘｃＤＩ５ｃＸＦＧＷＴ０＝Ɣ９Ａ４ｈＦ＿ＹＡｕｖＱ５ｏｂｇＶＡｑＮＫＰＣＹｃＥｊＫｅｎｓＷ４ｇｇＩ８Ｆｍ４ｇＴｋｏＵＫａＩＤ８ｊ８ｇＦｗ!!＆ｖ＝ＭＴｃ１ＯＴＮａＲＷＪＱＳＶＩ４ＺＶｇｘＴＨＶ４ＷＶＭ３ＲＧｇｘＶＤＮｘＶＨＪＸＴＴＦＧｃｋＮＶＵｋｘＬＺｌｐＰＵｍ１ＧｅＴｄｒＶＴｃｖＳ１ＺＧＭｊＺＩＴＧＵ４ＳＥ５ｕＴｎＥ＝＃[２２]陈诗一.能源消耗㊁二氧化碳排放与中国工业的可持续发展[Ｊ].经济研究ꎬ２００９ꎬ４４(４):４１－５５.[责任编辑:许立群]６９。

基于DEA模型的我国高校科研创新效率测度与差异分析叶芳羽;李毅;唐子然;刘沛林
【期刊名称】《当代教育论坛》
【年(卷),期】2024()1
【摘要】高校作为科技创新的主要推动者,准确评估中国大学的研究和创新效率对于提升其研究管理能力和推动创新型国家建设具有重要的指导意义。

研究采用数据包络分析(DEA)模型,对教育部认定的32所“双一流”高校2011—2021年的科研创新效率进行测度。

此外,还分析了其时间演化规律,并从地域和层次两个角度探讨了效率差异的来源。

研究结果表明:中国大学的科研创新综合效率持续稳步增长,纯技术效率也呈上升趋势,而规模效率则呈现出先上升后下降的趋势;在地域差异方面,研究发现在样本期间,大学科研创新效率呈现出东部地区、中部地区、西部地区依次递减的格局,随着时间的推移,这些地区之间的差距没有缩小;在层次差异方面,C9联盟高校的研究和创新效率高于非C9联盟高校,而随着时间的推移,二者之间的差距逐渐缩小。

【总页数】9页(P52-60)
【作者】叶芳羽;李毅;唐子然;刘沛林
【作者单位】长沙学院经济与管理学院;湖南师范大学旅游学院
【正文语种】中文
【中图分类】G64
【相关文献】
1.基于超效率DEA模型的中国区域生态效率测度与差异分析
2.我国西部工业环境效率与经济效率的差异研究——基于DEA．SBM模型与DEA-CCR模型的比较分析
3.西部地区现代流通业效率测度及空间差异分析——基于非径向超效率三阶段DEA模型
4.我国“一流大学”建设高校科研创新效率测度及影响因素分析——基于三阶段DEA模型的实证研究
因版权原因，仅展示原文概要，查看原文内容请购买。

基于DEA模型的节能减排效率评价——以江西省11个地级
市为例
李娜;张寒;王火根
【期刊名称】《西部经济管理论坛》
【年(卷),期】2016(027)004
【摘要】随着世界经济增长与环境、人口矛盾的日渐突出,如何促使生态环境与经济和谐发展成为各国亟需解决的关键问题之一,而节能减排工作的有效开展也随即
成为解决该问题的核心要素。

据此,本文根据江西省11个地级市2010年至2014
年的数据,通过构建DEA模型,对江西省各地级市节能减排效率进行评价。

研究表明：江西省节能减排工作整体效率较好,宜春、萍乡、九江、吉安排名相对靠前,仅景德镇、赣州整体略呈下滑趋势,此外萍乡、吉安与九江效率变化较大,南昌、新余及宜
春波动较小,建议节能减排效率相对较低地区借鉴高效地区经验,进一步提高江西省
节能减排工作效率。

【总页数】5页(P59-63)
【作者】李娜;张寒;王火根
【作者单位】江西农业大学经济管理学院,江西南昌330045
【正文语种】中文
【中图分类】F207
【相关文献】
1.基于DEA与SE-SBM模型的资源型城市碳排放效率及影响因素研究——以全国106个资源型地级市为例
2.基于DEA交叉效率模型的省际节能减排效率评价
3.基于超效率DEA模型对区域经济效率的实证分析——以湖北省地级市、州为例
4.我国民航业"节能减排"的投资效率——基于超效率DEA模型的评价及分析
5.基于DEA模型的节能减排效率评价——以江西省11个地级市为例
因版权原因，仅展示原文概要，查看原文内容请购买。

中国各省经济效率研究：基于超效率DEA 三阶段模型作者：李海东吴波亮来源：《贵州财经学院学报》2013年第03期摘要：随着社会经济的发展，我国面临着资源短缺和环境污染的双重压力，资源的高效利用及绿色经济将是我国经济发展的必然趋势。

在剔除外生环境因素和随机误差项影响的条件下，筛选能反映综合经济效率的投入产出指标并运用超效率DEA三阶段模型对中国各省市经济发展效率进行评价，结果表明外生的环境和随机误差对我国经济效率影响很大，剔除前东部地区的经济效率最高，其次是西部地区，中部地区的经济效率最低，而剔除这些因素后，我国区域的经济效率高低次序是西、东、中。

对此结果进行分析研究，可提出提高经济效率的相应建议与对策。

关键词：经济效率；超效率DEA模型；建议对策文章编号：1003-6636（2013）03-0014-09；中图分类号：F293；文献标识码：A一、引言1978年改革开放以来，我国经济的持续快速发展取得了举世瞩目的伟大成就，但却是以沉重的资源、环境付出为代价的。

现阶段我国发展已基本进入工业化中后期，对资源能源的需求将进一步扩大，而不可再生的资源能源及环境保护将是我国经济发展所面临的最核心问题。

目前，我国经济的发展是以过度的资源浪费为成本，以严重的环境污染为代价的，这种经济发展方式正制约着我国经济的可持续性。

随着现代社会经济的发展，人们对生活环境提出了更高要求，使得环境问题成为备受关注的热点。

十八大报告中明确提到推进生态环境建设问题，指出良好的生态环境是人和社会持续发展的根本基础，并要把资源消耗、环境损害、生态效益纳入经济社会发展评价体系。

这说明我国需要转变经济的发展模式，在测评经济发展效率时要考虑生态环境因素。

因此，本文选取包含环境指标的经济投入产出指标，并在剔除不可控的外部环境因素和随机误差因素的前提下，基于超效率DEA三阶段模型来测算我国各省经济效率，这样的测评结果可靠性更高，更具有现实意义。

二、文献综述数据包络分析（DEA）方法是一种黑箱研究方法，以决策单元（DMU）的投入、产出指标的权系数为优化变量，运用数据规划模型对每个决策单元的相对有效性进行评价。

基于 DEA模型的中国林业投入产出效率评价摘要：林业是我国重要的国民经济组成部分，对改善生态环境、促进国民经济可持续发展有着重要作用。

基于此，本文对基于DEA模型的中国林业投入产出效率评价进行了论述。

关键词：DEA；林业投入；林业产出；效率林业是国民经济的重要基础产业，又是重要的社会公益事业，承担着改善生态环境、促进国民经济可持续发展的双重使命。

为了促进林业生态保护与发展，我国政府不断加大对林业的公共投入。

在政府投入引导下，社会资本对林业的投入近年来也呈蓬勃发展之势。

因此，林业投入产出的效率问题值得人们关注。

一、指标选取及样本数据来源DEA评价模型最关键环节是对其投入产出指标的选取，投入产出指标及其样本的选取对最后的评价结果有很大影响。

指标的选取不仅要考虑数量，还要考虑其“质量”。

国外研究的指标体系不完全适用于我国林业投入产出效率评价，而国内学者对所选取的指标体系也各有侧重，未充分考虑到林业的生态、社会效益，因而也不宜完全借鉴。

林业投入应是为促进林业发展而投入的各种生产要素。

根据西方经济学理论，资本、劳动力和土地这三种要素在生产函数中扮演着重要角色。

但由于我国林业用地面积的统计数据是5年公布一次，即在5年一次的森林资源清查期间，林业用地面积不会发生变化，因此，本文选取营林固定资产投资、林业系统年末从业人数指标来测算资本和劳动力这两种投入要素的效率。

由于DEA效率只是一种相对效率，只要各决策单元间具有可比性，即便所取指标未涵盖所有的投入或产出指标，其测算结果也具有可信性，能真实反映所取指标效率情况。

林业投入后，会产生一定的经济、生态、社会效益。

林业投入在经济方面的目标是林业产值最大化，因此，用林业第一产业产值来表示林业所产生的经济效益；林业的生态效益与森林面积有关，可用当年新增的造林面积来表示；林业的直接社会效益表现在促进林区就业和改善林区农民生活水平，对就业的影响隐含在收入变化中，故选取农民人均林业收入来表示。

我国农业生态效率时空格局差序化分析——基于DEA-ESDA模型林锦彬;刘飞翔;郑金贵【摘要】农业生态效率是衡量一个地区农业生态化发展水平的重要定量化指标,是作为如何抵抗高危生态风险的决策方向之一.采用DEA数据包络法对中国31个省、直辖市2005—2014年农业生态效率比较分析,并利用ESDA对中国农业生态效率进行全局和局部自相关分析,结果表明,我国农业生态效率南北差异明显,保护发展区、适度发展区和优势发展区依次逐区下降,同时三大发展区内农业生态效率也由南向北递减,分布具有差序化特征.2005—2014年全局自相关Moran s I值均为正,表明我国省域之间农业生态效率呈现正相关的空间集聚分布.其中,2005—2010年农业生态效率空间集聚程度略有缩小,2010—2014年较快恢复并加强.区域生态效率异质性主要表现为出现相对稳定热点和冷点的差序变化,热点区主要集中在青藏、西南、华南和长江中下游发展区;冷点区主要集中在东北、黄淮海、西北及长城沿线发展区.农业生态效率空间差异与技术变动、农资消耗强度等所引起的农业规模效益、技术效益变化密切相关,基于空间探索性数据分析方法研究我国区域农业生态效率空间的集聚性和异质性,为制定提高区域农业生态效率相关调控政策提供参考.【期刊名称】《江苏农业科学》【年(卷),期】2017(045)004【总页数】5页(P302-306)【关键词】农业生态效率;DEA模型;全局自相关;局部自相关;差序化【作者】林锦彬;刘飞翔;郑金贵【作者单位】福建农林大学作物科学学院,福建福州350002;福建农林大学经济学院,福建福州350002;福建农林大学作物科学学院,福建福州350002【正文语种】中文【中图分类】F323.22农业作为国民经济发展中的基础部分，改革开放以来得到长足发展，农业综合生产能力迈上新台阶。

但由于长期对农业的掠夺性经营，我国农业和农村生态环境问题日益凸出，严重制约农业的长远发展。

城市生态效率测评与空间溢出效应分析作者：李小语董会忠来源：《中国西部》2022年第01期[摘要]基于2010-2018年“2+26”城市的面板数据，文章运用超效率DEA-Malmquist指数模型测算城市生态效率，并引入空间杜宾模型对城市生态效率的影响因素进行实证分析。

结果表明：从时间序列来看，城市生态效率呈“M”型分布，上升波峰出现在2011年和2016年，下降波谷出现在2014年;从空间分布来看，2010年城市生态效率呈现出“中间低，两边高”的分布格局，多数城市的生态效率值在0.5-0.8之间;2018年城市生态效率呈现出由西南向东北逐渐递增的趋势，阶梯性特征凸显。

城市的经济发展水平、人力资本和环境规制对城市生态效率有显著促进作用，产业结构在一定程度上阻碍城市生态效率的提升，对外开放程度对城市生态效率的影响不显著。

城市的经济发展水平和环境规制对生态效率具有正向的空间溢出效应，产业结构对城市生态效率具有负向的空间溢出效应，人力资本和对外开放程度对城市生态效率的空间溢出效应不显著。

因此，“2十26”城市应进一步加强区域交流合作，加快产业结构调整，提升人力资本水平，有效利用外资，发展生态经济。

[关键词]城市生态效率;空间溢出效应;超效率DEA-Malmquist指数;空间杜宾模型[中图分类号]F127[文献标识码]A[文章编号]1008-0694（2022）01-0036-13[作者]李小语硕士研究生山东理工大学管理学院淄博255012董会忠教授博士生导师山东理工大学管理学院淄博255012ー、引言在经济新常态背景下，加快生态文明建设、推动城市绿色发展已成为我国经济增长由“速度领跑”向“质量拉动”转变的关键。

但产业结构不合理、污染治理低效性导致我国经济增长方式仍需大量基础性自然资源作为支撑，这种典型的“粗放型发展模式”难以在短期内彻底转变。

2017年生态环境部发布了《京津冀及其周边地区2017至2018年秋冬季大气污染综合防治行动计划》，将京津冀及周边地区28个城市认定为空气污染传播通道城市，包括北京、天津2个直辖市，河北省的石家庄、唐山、邯郸、邢台、保定、沧州、廊坊、衡水8个地级市，山西省的太原、阳泉、长治和晋城4个地级市，山东省的济南、淄博、济宁、德州、聊城、滨州和菏泽7个地级市，河南省的郑州、开封、安阳、鹤壁、新乡、焦作、濮阳7个地级市（以下简称“2+26”城市）。

基于DEA的技术创新效率评价研究——以江西为例技术创新是推动社会经济发展的重要引擎，而技术创新效率评价是评估一个地区或企业在技术创新过程中所达到的效益与投入之间的关系。

数据包络分析（DEA）是一种有效的评价方法，它可以帮助我们定量地评估技术创新效率，并找出存在的问题和改进的方向。

本文以江西省为例，探讨基于DEA的技术创新效率评价研究。

首先，我们需要确定评价指标。

技术创新效率评价指标主要包括技术投入指标和技术产出指标。

技术投入指标可以包括研发投入、人才引进、科研设备等，而技术产出指标可以包括专利数量、科技成果转化率、企业竞争力等。

在确定评价指标时，需要考虑到各个指标之间的互相关联性，以确保评价结果的科学性和客观性。

其次，我们需要构建评价模型。

DEA方法是一种效率评价方法，通过比较各个评价单位的输入和输出指标，可以找出效率较低的单位，并提出改进措施。

在构建评价模型时，我们需要设定技术创新效率评价的目标，确定评价的输入和输出指标，并建立数学模型进行计算。

然后，我们需要收集数据进行实证分析。

江西省是中国的一个经济欠发达地区，技术创新水平相对较低。

我们可以通过收集江西省各个地区或企业的相关数据，如研发经费投入、专利申请数量、科技人员比例等，然后利用DEA方法对其技术创新效率进行评价和比较。

最后，我们可以分析评价结果并提出改进建议。

通过DEA方法评价江西省各地区或企业的技术创新效率，我们可以找出效率较低的单位，进一步分析其问题所在，并提出改进建议，如增加研发投入、加强科技人才培养等，以提高技术创新效率和推动经济发展。

总之，基于DEA的技术创新效率评价是一种有效的评价方法，可以帮助我们发现问题、找出改进的方向，并提高技术创新效率，推动经济社会发展。

希望通过本文的研究和探讨，可以为江西省的技术创新和经济发展提供一定的参考和借鉴。

应用DEA方法评测中国各地区健康生产效率一、本文概述本文旨在运用数据包络分析（DEA）方法，对中国各地区的健康生产效率进行深入的评测和比较。

健康生产效率作为衡量一个地区在卫生资源配置、医疗服务提供以及健康产出效率的重要指标，对于提升我国整体健康水平、优化卫生资源配置具有重要的理论和现实意义。

数据包络分析（DEA）作为一种非参数的前沿效率分析方法，能够在不设定具体生产函数形式的情况下，通过对多投入、多产出数据的分析，客观地评价决策单元（如各地区）的相对效率。

因此，本文选择DEA方法作为主要的分析工具，以期望得到更为准确和客观的健康生产效率评价结果。

在具体的研究过程中，本文将首先构建健康生产效率的评价指标体系，包括卫生资源投入、医疗服务提供以及健康产出等多个方面。

然后，收集中国各地区的相关数据，运用DEA方法进行效率评价，并对评价结果进行深入的分析和比较。

根据评价结果，提出针对性的政策建议，以期为我国卫生事业的健康发展提供有益的参考。

通过本文的研究，我们希望能够全面了解中国各地区健康生产效率的现状和差异，揭示影响健康生产效率的关键因素，为提升我国健康生产效率提供科学依据和决策支持。

二、文献综述在过去的几十年里，数据包络分析（DEA）作为一种非参数的生产效率评估方法，已经在多个领域得到了广泛的应用，包括健康生产领域。

DEA方法通过比较决策单元（Decision Making Units, DMUs）之间的相对效率，为评价不同地区的健康生产效率提供了有效的工具。

在国内外学者的研究中，DEA方法已经被广泛应用于评估医院、地区乃至国家的健康生产效率。

在国内研究方面，随着我国医疗卫生体制改革的不断深化，越来越多的学者开始关注健康生产效率问题。

例如，等（）利用DEA方法对我国各省份的医疗卫生服务效率进行了评价，发现我国医疗卫生服务效率存在明显的地区差异。

等（）则运用DEA方法对我国不同地区的基层医疗服务效率进行了研究，结果显示基层医疗服务效率与地区经济发展水平密切相关。

第３１卷　第１２期２０１２年 １２月 技　术　经　济Ｔｅｃｈｎｏｌｏｇｙ　Ｅｃｏｎｏｍｉｃｓ Ｖｏｌ．３１，Ｎｏ．１２Ｄｅｃ．，２０１２我国中部六省节能减排效率测评及其影响因素分析———基于超效率ＤＥＡ模型和Ｔｏｂｉｔ模型郭　彬，逯雨波（太原理工大学经济管理学院，太原０３００２４）摘　要：利用２０１０年我国中部六省的面板数据，运用投入导向的超效率ＤＥＡ模型计算其２０１０年的节能减排效率值，然后采用Ｔｏｂｉｔ模型对影响节能减排效率的各因素进行具体分析。

结果表明：２０１０年中部六省中只有河南、湖北和湖南是节能减排ＤＥＡ有效的决策单元；中部六省节能减排整体水平不高，节能减排潜力很大；各省的经济规模和排污费收入与节能减排效率存在明显的正相关关系，工业产值比重和煤炭资源储量与节能减排效率存在明显的负相关关系。

关键词：节能减排；超效率ＤＥＡ模型；Ｔｏｂｉｔ模型中图分类号：Ｘ３２１ 文献标识码：Ａ 文章编号：１００２－９８０Ｘ（２０１２）１２－００５８－０５收稿日期：２０１２－１０－１５基金项目：山西省软科学研究项目“山西省节能减排现状分析和推进策略”（２００９０４１０３６－０２）；山西省软科学研究项目“山西现有产业园区生态化转型模式及对策研究”（２０１２０４１０５４－０２）作者简介：郭彬（１９７０—），男，山西太原人，太原理工大学经济管理学院副教授，硕士生导师，博士，研究方向：循环经济、技术经济、节能减排等，中国技术经济学会会员登记号：Ｉ０３０６００５６２Ｓ；逯雨波（１９８８—），男，山东菏泽人，太原理工大学经济管理学院硕士研究生，研究方向：节能减排、工业工程。

１　研究背景节能减排概念是在人类发展面临资源短缺、环境恶化和生态破坏的困境以至于难以维系的背景下，随着可持续发展思想和实践的出现而被提出的。

人类粗放的发展方式造成巨大的资源浪费，人类为此付出了惨痛的环境代价。

如何提升资源利用效率和环保投入效率，从而促进节能减排，一直是学者们关注的热点问题。

基于超效率DEA和Malmquist指数的中国农业生产效率分析侯琳;冯继红【摘要】Using the super-efficiency DEA model and the Malmquist index,this paper analyzes the agricultural production efficiency of 29 provincial regions in China from 1990 to 2016. The results are as follows: (1) The super-efficiency DEA analyzing result shows that the agricultural efficiency in eastern regionis the highest,and the efficiency in the western and central regions are lower than the efficiency mean of the whole country. Compared with the central and western regions,the eastern region has stronger economic strength and relatively more mature agricultural development models and plans,so the agricultural production efficiency in the eastern region is higherand less affected by the national agricultural policy. (2) The Malmquist index analyzing result shows that the agricultural total factor productivity (TFP) and technological progress in the eastern,central and western regions have achieved positive growth, but only the technical efficiency in the eastern region appears positive growth; Technological progress is the main driving force for TFP growth. The decline of technical efficiency is the main obstacle to TFP growth. The decline of scale efficiency is the main reason for the decline of technical efficiency.%采用超效率DEA模型和Malmquist指数,对1990—2016年中国29个省级地区的农业生产效率进行分析,结论如下: (1) 超效率DEA分析表明,东部地区的农业生产效率最高,中、西部地区效率低于全国平均水平.相较于中、西部地区,东部地区具有较强的经济实力和较为成熟的农业发展模式与规划,使其农业生产效率呈现较高水平且效率变化受国家农业政策的影响较小.(2) Malmquist指数分析表明,中国东、中、西部地区农业全要素生产率(TFP) 和技术进步都实现了正增长,但是只有东部地区的技术效率实现了正增长; 技术进步是TFP增长的主要动力,技术效率下降是TFP增长的主要障碍,规模效率下降是导致技术效率下降的主要原因.【期刊名称】《河南农业大学学报》【年(卷),期】2019(053)002【总页数】9页(P316-324)【关键词】超效率DEA模型;Malmquist指数;农业生产效率【作者】侯琳;冯继红【作者单位】河南农业大学经济与管理学院,河南郑州 450046;河南农业大学经济与管理学院,河南郑州 450046【正文语种】中文【中图分类】F323.32017年中央一号文件提出深入推进农业供给侧结构性改革，要在确保国家粮食安全的基础上，紧紧围绕市场需求变化，从供给侧着手，提高农业供给体系质量和效率，合理利用农业资源，优化要素配置，缓解生态环境压力，促进农民增收、农业增效、农村增绿。

基于DEA模型的城市土地利用效率测度与评价近年来，城市化进程不断加速，城市土地利用效率成为社会关注的焦点之一、土地利用效率的高低直接影响着城市发展的可持续性和生态环境的质量。

在土地资源有限的情况下，如何提高土地利用效率，实现城市发展与生态环境保护的统一，是亟待解决的问题。

本文将介绍基于数据包络分析（DEA）模型的城市土地利用效率测度与评价方法。

DEA是一种前沿效率分析方法，用于评估多输入多输出的其他线性生产活动的效率。

在城市土地利用方面，DEA模型可以被应用于衡量城市土地利用效率，以确定哪些城市的土地利用过度或不足。

首先，我们需要确定评价指标。

常用的城市土地利用指标包括建设用地面积、耕地面积、森林覆盖率、绿地面积、人均公园绿地面积等。

这些指标代表了城市土地利用的效率和合理性。

根据不同的城市发展阶段和特点，可以选择适合的评价指标。

接下来，我们需要准备评价数据。

这些数据可以来自于城市规划部门、环境保护部门、土地管理部门等，可以包括城市土地利用统计数据、卫星遥感数据、人口统计数据等。

这些数据需要具有可比性和准确性，以确保评价结果的可靠性和有效性。

然后，我们可以利用DEA模型进行城市土地利用效率的测度与评价。

DEA模型通过比较各个城市之间的生产活动效率，确定效率较高的城市，并为效率低下的城市提供改进方向。

DEA模型的基本原理是找出一组最优的权重系数，使得所有城市的输入输出之间的综合效率最大化。

通过计算各个城市的综合效率得分，可以评估城市土地利用的效率水平。

最后，根据评价结果，可以提出相应的政策建议和措施。

对于效率低下的城市，可以考虑优化土地利用结构、提高土地利用效率，减少土地资源的浪费。

对于效率较高的城市，可以总结其经验和做法，为其他城市提供借鉴。

综上所述，基于DEA模型的城市土地利用效率测度与评价方法可以帮助我们了解城市土地利用的效率水平，并为城市发展和生态环境保护提供科学依据。

将来，我们可以进一步完善DEA模型，考虑更多指标和因素，提高评价的准确性和可操作性，为城市土地利用提供更有针对性的改进措施。

基于超效率DEA模型的中国高技术产业创新资源配置效率评价在当今全球化、信息化和数字化的快速发展背景下，高技术产业在中国经济发展中扮演着越来越重要的角色。

高技术产业的快速发展需要充足的创新资源支持，而如何高效地配置这些资源成为了一个重要的问题。

本文将使用超效率DEA模型对中国高技术产业的创新资源配置效率进行评价。

一、超效率DEA模型的原理超效率DEA模型是数据包络分析（Data Envelopment Analysis，DEA）的一种扩展形式，用于评估决策单元的相对效率。

相比传统DEA模型，超效率DEA模型考虑到了每个决策单元在效率前沿上的位置，即使在最佳决策单元之外也能被评价出效率。

这使得超效率DEA模型更具有鲁棒性和准确性。

二、高技术产业创新资源配置效率评价指标在评价中国高技术产业的创新资源配置效率时，可以考虑以下指标：1.研发投入效率：评估企业在研发活动中投入资源的效率。

2.创新产出效率：评估企业通过研发活动获得的创新产出的效率。

3.人才资源配置效率：评估企业在吸引、培养和管理人才方面的效率。

4.技术转移效率：评估企业将研发成果转化为实际生产力的效率。

三、实证分析以中国高技术产业为例，选择一批代表性企业作为研究对象，收集各项创新资源配置数据，包括研发投入、创新产出、人才资源及技术转移等方面数据。

然后构建超效率DEA模型，评价每个企业在创新资源配置效率上的表现。

根据超效率DEA模型的评价结果，可以对企业的创新资源配置进行优化和调整，提高效率水平。

四、结论与展望通过超效率DEA模型的评价，可以深入了解中国高技术产业的创新资源配置效率水平，并找出存在的问题和改进的空间。

未来，可以进一步完善超效率DEA模型，引入更多因素和权重，使评价结果更加全面和准确。

同时，可以根据评价结果，制定相关政策和措施，促进中国高技术产业的创新发展，为中国经济的高质量增长贡献力量。

综上所述，基于超效率DEA模型的中国高技术产业创新资源配置效率评价是一项重要的研究课题，可以帮助决策者更好地了解和优化创新资源配置，推动高技术产业的发展和经济的持续增长。