苏南地区城市生态效率研究

曾庆顺

摘要：文章以苏南地区为研究对象，采用Super-DEA模型、Malmquist指数，基于投入产出视角测算2010～2021年苏南地区5个地级市生态效率，并进一步揭示苏南地区不同时期的生态效率动态变化趋势。结果表明，2010～2021年苏南5市生态效率总体水平呈现上升趋势;规模效率与技术进步是推动生态效率增长的主要动力。基于此，提出了促进科研成果向实际生产力的高效转化，积极引进创新型人才，为区域经济发展注入新的活力。

关键词：生态效率;苏南地区;超效率DEA;Malmquist指数

苏南地区地处中国东南沿海长江三角洲中心，东靠上海，南接浙江，西连安徽，北依长江，是江苏省经济最发达的区域，也是中国经济最发达、现代化程度最高的区域之一。2021年江苏经济年鉴发布数据显示，苏南地区生产总值59384.29亿元，约占全省的60%。然而苏南地区经济高速发展的同时，生态环境问题也日趋严重，同年公布的江苏省生态环境状况公报显示，苏南地区各市PM2.5浓度均超标，四市PM10、NO2浓度超标，整体环境状况低于全省平均水平。因此，分析其生态效率具有很大的经济意义与生态意义。

一、文献综述

“生态效率”这一概念最早由德国学者Schaltegger和Sturn在1989年提出，定义为价值的增加量与环境影响的增加量的比值。随后相关领域学者的深入研究在原有概念的基础上丰富了生态效率的概念。生态效率这一概念如今被广泛用于可持续发展与环境保护的研究中，成为众多学者与企业管理者高频使用的评价指标之一。

现有文献对生态效率的计算方法研究概括起来主要有单一比值法、指标体系法和模型法。单一比值法以一个特定的环境影响值体现所有环境影响，因此不能区分不同环境的影响。指标体系法在特定情况下需要通过人为赋权来描述投入指标与产出指标之间的关系，而赋权时的主观人为因素会影响到最终结果的准确性。模型法在进行生态效率的研究时能够弥补以上两种方法的缺点，其中数据包络分析方法（DEA）是目前学者使用较多的模型。

关于使用DEA模型进行生态效率的测度，国内外学者进行了诸多研究探索。主要包括以下几个方面：一是基于三阶段DEA模型的生态效率测评，如彭迪云等运用三阶段DEA模型对长江经济带生态经济效率进行了评价，得出生态经济效率表现出一定的空间集聚效应的结论;Victor Moutinho等运用三阶段DEA模型计算了德国24个城市的生态效率值，并应用分数回归解释了城市层面生态效率值的影响因素。二是基于超效率DEA模型的生态效率研究，如方永丽等基于超效率SBM-DEA模型对31个省（区、市）的农业生态效率进行了测度和分组;陈雯运用超效率DEA模型分析了我国区域生态效率的地区差异;杨蕾等运用超效率DEA模型对广东省21市生态效率进行评价，并用固定效应模型探讨影响城市生态效率的因素。三是基于网络DEA的生态效率评价，如张健等运用两阶段网络DEA模型比较了中国东部-中部-西部的区域中观层次的生态效率;杨佳伟等基于非期望中间产出网络DEA比较了中国省际生态效率的差异;张如波等采用网络DEA模型对长江三角洲城市群的35个城市工业生态系统及三个子系统效率进行评价。

结合已有文献，可以发现目前学者对于生态效率的研究大多局限于省域或长江经济带，研究区域普遍较广，而对于仅包含数个城市的地区的生态效率很少有学者进行研究。因此，本文选择苏南地区五市的面板统计数据，基于超效率DEA模型综合评价苏南地区五市2010～2021年的生态效率，以期为苏南地区的城市建设与环境保护提供有价值的理论参考。

二、研究方法与数据来源

（一）超效率DEA方法

使用DEA模型进行生态效率的测算，得出的结果在0～1之间，对于多个效率值为1的有效决策单元无法作出进一步的分析评价。超效率DEA模型能够很好地规避这一缺陷，该模型在评价某一决策单元的效率时，会自动将其剔除出决策单元的参考集，通过参考剩余决策单元所构成的前沿面得出最终结果。在该模型中，有效决策单元的效率值高于1，进而可以进一步比较有效决策单元。

（二）Malmquist指数模型

TPF = EC×TC = PE×SE×TC

其中综合技术效率（EC）代表第t期到第t+1期技术效率的变化对生产率的贡献程度。综合技术效率还可以表示为纯技术效率（PE）和规模效率（SE）的乘积。PE 表示生产管理水平变化对生产率产生的影响，PE>1 表示效率提高，反之则表示效率降低。SE表示规模效率变化，SE>1 表示生产接近最优规模，反之则表示远离最优规模。技术进步（TC）表示第 t期到第 t+1期决策单元生产技术的变化程度，TC>1 表示生产技术提高，反之表示生产技術在衰退。

（三）指标选取与数据来源

本文以苏南地区5个地级市为实证研究对象，所有投入产出数据均来自《中国城市统计年鉴》《江苏统计年鉴》及各地级市统计年鉴。根据DEA模型特点以及生态效率的影响因素，借鉴德国经济环境账户中的生态效率指标以资源消耗（土地资源、劳动力、水资源、能源动力）与环境影响（废气排放、废水排放、固废利用）为投入指标，以地区生产总值为产出指标。为保证数据的准确性与科学性，产出指标中，各市每年的GDP为2010年不变价格基础上计算的实际GDP。

三、实证分析

（一）生态效率静态分析

根据以上原理，运用DEA Solver Pro 13.1软件将5个城市2010～2021 年的数据进行逐年计算，测算得到生态效率值，如表1所示。

对苏南地区五个地级市的面板数据进行分析。宏观上来看，2010～2021年苏南地区的生态效率虽然部分年份出现轻微下降，但在整体上呈上升趋势。微观上来看，南京市作为省会城市，其生态效率值却落后于其余四市;镇江市虽然各年GDP产值落后于其余四市，其生态效率值却高居苏南五市第二。

就生态效率值相对较高的苏州、镇江而言，其生态效率高于苏南地区整体平均水平，这一评测结果与实际情况是相符合的。苏州市作为江苏省的经济龙头，发展城市经济的同时，关注经济与生态的平衡，朝着成为自然的、有机的、文化的，具有世界影响力和美誉度的中国城市样板，成为生态优良、环境优美、文化内涵、富有活力、创新创业的宜居城市的战略目标迈进。镇江市城市面积居于江苏十三市末位，对全省的GDP贡献度较低，但镇江市对自身的城市定位非常明确，就是要在确保全市经济健康发展、环境整体改善、社会全面进步的基础上，逐渐发展城市成为长三角地区重要科技创新中心、现代化服务中心。镇江市更侧重于发展服务业，关注城市的科技创新能力，这也为该市近年来生态效率始终在地区名列前茅创造了条件。

就生态效率值处于中间水平的常州、无锡而言，与苏州、镇江仍有一定差距， 因此还需进一步优化城市产业结构，减少生产过程中的资源浪费，提高新型清洁能源的使用率。

就生态效率最低的南京而言，已有研究成果曾从生态环境、生态效率、社会发展、生态意识等四个角度构建了苏南地区生态文明建设评价指标体系，其中苏州市生态文明建设水平最高，而南京市与其相差无几。较高的生态文明建设水平与较低的生态效率相匹配成为制约南京市经济进一步发展的瓶颈，也在一定程度上解释了为何南京市拥有较高的城市绿化率然而空气质量却并不令人满意。

（二）生态效率动态分析

为更好地分析这5个地级市的生态效率变化趋势，本文运用这5个城市2010～2021年的面板数据，采用Malmquist指数模型分析其效率变化。首先对各城市年均生态效率的Malmquist指数及其分解进行了分析，如表2所示。

由表2可见，2010～2021年苏南五市全要素生产率增长率均高于1，年均增长16.9%，16.5%来自技术的进步，0.4%来自综合技术效率的提高。由此可见，苏南地区生态效率的进步主要来自技术进步的推动。个别城市来看，南京与镇江全要素生产率增长率较高，分别为23.7%、18.1%，均领先平均水平。常州与无锡生态效率排名分别为第3与第4，TFP增长率分别为15.2%、13.3%，皆落后于平均水平，仍有着较大的提升空间。综合技术效率与规模效率大于1的城市仅有南京，表明南京作为省会城市有着一定规模优势。各市纯技术效率都为1，没有明显区别，表明科技水平不是造成各市生态效率差距的主要原因。

四、结论与建议

本文基于2010～2021年江苏5个地级市的面板数据，运用超效率DEA模型与Maimquist指数对苏南地区的生态效率进行了研究与分析，相关结论如下：

第一，苏南地区五市生态效率水平总体居于较高水平。苏州市作为苏南地区经济发展的龙头，其生态效率平均水平也高居五市第一，而南京市作为江苏省省会城市，其生态效率平均水平在苏南五市中居于末位。因此南京市需要进一步优化自身产业结构，加强科技创新，采取有效措施补齐生态效率短板。

第二，在对五市生态效率进行动态分析中发现，苏南地区生态效率的进步主要来自技术进步的推动，贡献率为13.3%。因此苏南地区想要进一步提高生态效率，各市仍须加大科技研发的投入，充分发挥高校科技创新的活力;同时积极引导校企合作，鼓励企业以另一主体的身份加入到新技术的研发过程，激发大中型企业的创新热情，促进科研成果向实际生产力的高效转化。

第三，扶植新兴产业，多元化产业结构，延长产业链，创造就业机会，积极引进创新型人才，为区域发展注入新的动力。对于规模较小，研发能力有限的企业，通过政策引导其合并或建议直接解散。

参考文献：

[1]Stefan S，Andreas S.Okologische rationalitat[R].Die unternrhmung，1990，44（04）：273-290.

[2]付丽娜，陈晓红，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，2013，23（04）：169-175.

[3]刘丙泉，王超.考虑非期望产出的中国区域生态效率测度及差异分析[J].中国石油大学学报（社会科学版），2018，34（02）：45-49.

[4]彭迪云，张旋，刘帅.长江经济带生态经济效率评价及时空演变研究[J].生态经济，2020，36（06）：44-50.

[5]Victor Moutinho，Mara Madaleno，Pedro Macedo.The effect of urban air pollutants in Germany：eco-efficiency analysis through fractional regression models applied after DEA and SFA efficiency predictions[J].Sustainable Cities and Society，2020， 59.

[6]方永麗，曾小龙.中国省际农业生态效率评价及其改进路径分析[J].农业资源与环境学报，2021，38（01）：135-142.

[7]陈雯.中国区域生态效率时空测度及影响因素研究——基于新型城镇化的视角[J].福建师范大学学报（哲学社会科学版），2017（03）：8-15+167.

[8]杨蕾，杜鹏.基于因子分析与超效率DEA的城市生态效率评价[J].统计与决策，2017（16）：52-55.

[9]张健，杨佳伟，崔海洋.基于网络DEA模型的我国区域生态效率评价研究[J].软科学，2016，30（08）：15-19.

[10]杨佳伟，王美强.基于非期望中间产出网络DEA的中国省际生态效率评价研究[J].软科学，2017，31（02）：92-97.

[11]张如波，任胜钢，蔡立燕.长江三角洲城市群工业生态效率评价[J].商业研究，2017（06）：163-169.

（作者单位：河海大学商学院）