基于超效率SBM模型的中国省际工业绿色效率时空演变特征及影响因素研究

《Frontiers in Environmental Science》：Spatiotemporal evolution characteristics and influencing factors of China’s interprovincial industrial green efficiency based on the super-efficiency SBM model

本综述基于超效率SBM（Super-SBM）模型，利用2005-2022年中国省级面板数据，系统测度了工业绿色效率（INGE）指数，并构建涵盖工业治理、经济基础等七维度的指标体系。研究发现，中国INGE呈先升后降趋势，区域差异显著，且存在空间正相关性（Moran's I）。地理探测器（Geodetector）分析揭示工业治理是INGE的核心驱动力，其次为经济基础与要素投入。研究为区域协同治理与绿色转型政策提供了理论与方法论支持。

　　

1 引言

近年来，随着全球生态危机加剧，绿色、低碳、可持续发展已成为全球共识。作为世界第二大经济体，中国肩负着引领全球绿色转型的责任，并将绿色发展提升至国家战略高度。在此背景下，中国将“生态文明”建设纳入整体发展议程。自2018年以来，中国政府发布了一系列政策文件，如《生态文明建设目标评价考核办法》和《关于加快推进生态文明建设的意见》，明确要求加快绿色低碳技术创新、优化产业结构、推进高质量发展。特别是中国“十四五”规划将绿色发展作为推动高质量发展的关键路径，并强调需实现经济增长与环境保护的和谐平衡。

工业部门消耗了中国约70%的总能源，并排放了62%的二氧化碳。因此，推动工业绿色转型、提升能源效率、减少碳排放对于实现中国2030年前二氧化碳排放达峰、2060年前实现碳中和的“双碳”目标至关重要。2024年2月，工业和信息化部联合其他六部委发布了关于加快制造业绿色化发展的新指南，凸显了推进绿色工业发展的重要性。工业绿色效率（INGE）作为反映工业部门生态与经济绩效的关键指标，已成为中国绿色转型的核心政策目标。

自改革开放以来，中国经济以年均9.2%的速度增长。然而，快速的工业化给资源和环境带来了巨大压力。2022年，工业部门贡献了中国40%的GDP，但占二氧化碳排放量的60%。这种增长模式正接近生态极限。根据生态环境部数据，2022年约19.4%的耕地受到污染，80.6%的地下水水质为差或极差。面对这些挑战，中国共产党第十九次全国代表大会将生态文明建设提升为“千年大计”，并承诺在2030年前实现碳达峰，2060年前实现碳中和。作为中国经济的支柱，工业部门的绿色转型对于这一国家战略的成功至关重要。然而，中国的INGE面临多重挑战：区域差异显著——例如，2022年东部省份单位工业增加值能耗仅为西部地区的60%；结构上，重工业仍占工业总产出的60%以上，但其碳强度是轻工业的四倍。现有研究未能充分揭示这些问题的驱动机制。INGE的提升不仅依赖于技术创新和政策支持，还受到区域经济基础、产业结构和环境治理的制约。因此，分析中国省际INGE的空间分布、驱动力及转型路径，对于推进国家绿色发展战略、促进区域均衡发展具有重要意义。

本研究利用2005年至2022年间中国31个省份的面板数据，构建了一个涵盖工业治理、经济基础、要素投入、技术效率、环境治理、自然条件和污染物排放七个维度的综合指标体系。运用超效率SBM模型、莫兰指数（Moran's I）和地理探测器方法，考察了各省INGE的空间差异，并探索了这些格局的驱动机制。研究结果旨在为政策制定者提供有针对性的建议，支持中国工业绿色转型，并为实现绿色、低碳、可持续的经济和社会做出贡献。

在现有文献基础上，本文有以下贡献：首先，它将超效率SBM模型与地理探测器方法相结合，以量化各省的INGE并解释其驱动因素。其次，它开发了一个涵盖七个维度、包含36个指标的详细系统，增强了结果的科学稳健性和解释力。第三，它应用莫兰指数捕捉空间相关性，揭示了INGE的集聚效应和区域不平衡，从而为区域协同治理提供了理论见解。第四，它分析了工业治理、经济基础、要素投入、技术效率、环境治理、自然条件和污染物排放对INGE的影响，拓宽了绿色工业转型的政策视角。

本文其余部分结构如下：第2部分回顾文献并概述本研究贡献。第3部分介绍模型、方法和数据来源。第4部分分析中国INGE的时空演变。第5部分考察INGE的影响因素。第6部分总结主要发现和政策启示。

2 文献综述

2.1 INGE国际研究焦点

生态效率的概念最早由德国学者Schaltegger提出，他使用价值增量与环境影响增量的比率来衡量经济发展的环境绩效。这一概念此后被广泛应用于各个领域。当前关于工业效率的研究主要集中在以下几个方面。（1）工业效率的测量方法。测量工业效率的主要方法包括数据包络分析（DEA）和随机前沿分析（SFA）。学者们使用基于DEA的方法计算投入产出效率，同时将环境污染作为非期望产出。此外，SBM模型和DDF模型被用于估算工业绿色全要素生产率（TFP）及其增长率。与传统SBM模型相比，超效率SBM模型具有更大的灵活性，可以量化不同因素对绿色效率的影响，适用于跨区域和跨时间的比较研究。（2）工业效率的区域差异。基于地理范围分析，区域工业效率差异研究可分为宏观层面和微观层面研究。宏观层面研究关注国家、省、市尺度，主要分析生态效率的时间变化和空间关联模式。微观层面研究主要考察企业，调查不同类型企业和地区生态效率的差异。（3）工业生态效率的影响因素。工业生态效率受多种因素影响，包括经济发展、技术创新、产业结构、资源禀赋和环境治理。许多学者将能源消耗、污染物排放、资源和环境因素纳入全要素生产率（TFP）分析框架，以估算工业绿色TFP。随着政策和学术界对绿色发展的日益重视，学者们越来越关注环境规制、制度创新和技术进步的作用。然而，环境规制对生态效率的影响仍存在争议。有人认为严格的环境规制有助于采用节能减排技术，从而提高绿色效率。另一些人则认为过于严格的环境规制可能增加企业合规成本，阻碍技术创新，最终降低绿色效率。

2.2 中国INGE研究进展

近年来，国内学者重点关注区域、政策和技术因素对INGE的影响。李和曾（2020）使用超效率SBM模型研究了中国31个省份的INGE，结果表明沿海地区和发展省份的绿色效率显著高于内陆地区。李G.等（2023）和刘等（2024）指出，技术创新和绿色投资已成为提高中国INGE的关键因素。郭等（2020）测量了东北地区34个城市的绿色发展效率，结果表明产业集聚阻碍了绿色发展效率的提升，产业集聚与绿色发展之间存在U型关系。卢等（2024）使用Super SBM-ML模型分析了2011年至2020年长江经济带中下游地区的INGE，发现这些地区的INGE呈上升趋势，年均增长率为1.48%。高INGE区域主要集中在东部沿海城市，而低INGE区域主要位于中西部地区。顾等（2023）利用2011年至2020年京津冀城市群的面板数据构建了固定效应模型、空间杜宾模型（SDM）、调节效应模型和门槛模型。实证结果表明，工业数字化显著提高了城市绿色发展效率（GDE），但存在显著的空间差异和不平衡。

2.3 INGE研究方法

在INGE的测量和分析中，最常用的方法是数据包络分析（DEA）和随机前沿分析（SFA）。DEA是一种非参数方法，通过线性规划构建效率前沿，并在多投入多产出框架下评估相对效率。由于DEA不依赖于生产函数的特定函数形式，它在处理非线性和多维投入产出结构时具有灵活性和透明度。相比之下，SFA是一种参数方法，需要假设特定的生产函数，允许将随机噪声与无效率效应分离，这使其特别适用于随机干扰显著的有效性分析。因此，DEA在政策分析和综合绩效评估中应用更广泛，而SFA更适合必须明确考虑随机冲击的情境。在DEA内部，已发展出几种扩展模型。早期的CCR（Charnes-Cooper-Rhodes）模型假设规模报酬不变（CRS），适用于评估整体效率水平。BCC（Banker-Charnes-Cooper）模型通过允许规模报酬可变（VRS），将纯技术效率与规模效率分离。基于松弛的度量（SBM）模型进一步纳入了投入和产出的松弛变量，能够直接处理资源浪费和产出不足。这使得SBM模型特别适用于INGE研究，尤其是在涉及环境污染等非期望产出的多投入多产出情境中。近年来，超效率SBM模型在省际和企业层面的绿色效率研究中得到广泛应用。该方法可以捕捉相对效率的边际差异，从而为政策评估提供有力证据。

总之，DEA和SFA各有独特的优势和局限性。DEA更适用于多维、多产出情境下的绿色效率测量，而SBM模型及其超效率扩展提供了一个更细致的框架，能够适应环境约束和资源低效，产生直观且可操作的结果。在此基础上，本研究采用超效率SBM模型，结合省际INGE的时空分析和地理探测器方法。这一综合框架系统揭示了INGE的驱动力及其空间异质性，从而为中国工业绿色转型政策提供理论和方法论支持。

2.4 本研究创新点

现有INGE研究仍存在若干局限性。大多数研究缺乏长期的、动态的比较分析视角，且INGE的驱动机制探索不足。为解决这些不足，本研究整合了国家低碳政策、INGE及其时空演变的视角，采用超效率SBM模型、莫兰指数和地理探测器方法，分析中国省际INGE的时空演变及其驱动因素。

本研究的主要创新点如下：研究了中国INGE的空间集聚与分散模式，在长期时间尺度上分析了绿色效率的演变。系统考察了工业治理、经济基础、要素投入、技术效率、环境治理、自然条件和污染物排放对INGE的影响，从而阐明了潜在的驱动机制。

3 研究方法与数据来源

3.1 生态效率评价体系

基于柯布-道格拉斯生产函数，并借鉴陶等（2016）、Garrett-Peltier（2017）、李和曾（2020）、张和Choi（2013）、张L.等（2022）、王（2023）和侯等（2018）的研究方法，本研究构建了中国INGE的测量模型，重点关注投入指标、期望产出指标和非期望产出指标。投入要素包括劳动力，以工业从业人数衡量；资本，使用永续盘存法估算的工业资本存量；能源，以工业能源消费总量代表；以及水资源，以工业用水量衡量。产出要素包括期望产出，以平减后的工业增加值代表；和非期望产出，使用三个指标衡量：工业废水排放总量、工业固体废物排放量和工业废气中的二氧化硫（SO₂）排放量。本研究采用MATLAB软件，应用超效率SBM模型计算中国INGE指数。

3.2 研究方法

3.2.1 超效率SBM模型

超效率SBM（Super-SBM）模型直接考虑了投入冗余和产出不足，适用于包含污染物等非期望产出的效率测量。它已广泛应用于绿色效率、环境治理和能源效率领域。公式如下：

min ρ* = [1 + (1/m) ∑_m=1^M (S_m^x / X_m^t)] / [1 - (1/(l+h)) (∑_l=1^L S_l^y / y_jl^t + ∑_h=1^H S_n^b / b_jh^t)] (1)

约束条件：

x_jm^t ≥ ∑_{j=1, j≠0}ⁿ λ_j^t x_jm^t + s_m^x,

y_jl^t ≥ ∑_{j=1, j≠0}ⁿ λ_j^t y_jl^t - s_l^y,

b_jh^t ≥ ∑_{j=1, j≠0}ⁿ λ_j^t b_jh^t + s_h^b,

λ_j ≥ 0, s_m^x ≥ 0, s_y^y ≥ 0, j=1,2,3,…,n, (2)

公式中，ρ* 代表INGE指数；S_m^x, S_l^y, S_h^b 分别对应投入、期望产出和非期望产出的松弛变量；n 表示决策单元（DMU）的数量；λ 是决策单元的权重向量。

3.2.2 空间自相关分析

莫兰指数（Moran's I）是一种常用的空间自相关分析方法，用于衡量变量在地理空间中的集聚或分散程度。它可以揭示各地区INGE是否存在空间集聚效应，以及其范围和强度。计算公式如下：

I = [∑_i=1ⁿ ∑_jⁿ ω_ij (x_i - x?) (x_j - x?)] / [S² ∑_i=1ⁿ ∑_j=1ⁿ ω_j] (3)

I' = [(x_i - x?) / S²] ∑_jⁿ ω_ij (x_i - x?) (4)

公式中，I 代表全局莫兰指数，I' 代表局部莫兰指数，n 是省份数量，i 和 j 是不同的空间单元，x 指INGE的接近度，x?, S² 是INGE的均值和方差，ω_ij 是空间权重矩阵。在本研究中，如果空间单元相邻，ω_ij 取值为1；否则取值为0。

3.2.3 地理探测器

地理探测器是一种新兴的空间统计分析方法，用于检测不同空间因素对目标变量空间异质性的影响，从而揭示其空间关系。公式如下：

q = 1 - (1/(Nσ²)) ∑_h=1^L N_h σ_h² (5)

3.3 研究区域与数据来源

本研究以中国31个省份（不含港澳台）为研究区域，共涉及43个指标。经济社会数据，包括人均GDP、城镇化率、常住总人口等，来源于《中国统计年鉴》和各省级统计年鉴。环境指标，如自然保护区占比、森林覆盖率、工业废水排放量、一般工业固体废物产生量、工业废气二氧化硫排放量等，来源于《中国环境统计年鉴》。工业指标，包括工业从业人数、工业企业资产总额等，来源于《中国工业统计年鉴》，废水处理能力数据来源于《中国城市统计年鉴》。其他数据由中国官方来源和其他可靠权威机构补充。

4 中国INGE的时空变化

4.1 中国INGE的时间变化

基于2005年至2022年中国31个省份的面板数据，使用Super-SBM模型计算了中国INGE指数。结果显示，全国INGE指数呈现总体上升后略有下降的趋势。具体而言，从2005年到2009年，INGE指数从0.668上升至0.736，显示出约10.16%的稳定增长。从2010年到2015年，指数从0.767下降至0.623，降幅达18.75%。这种下降可能受到工业产能过剩、高资源消耗以及环保要求未能完全落实等因素的影响。从2016年到2022年，INGE指数从0.644微降至0.634，呈现小幅波动。2022年，中国INGE指数为0.634，较2005年下降4.2%。在2005年至2022年期间，中国INGE指数表现出一定的波动性。尽管存在增长期，但总体增幅有限，尤其是在2015年之后出现了下降趋势。在2005年至2015年期间，中国经济增长相对较快，与INGE指数的增长呈正相关。然而，2016年之后，随着经济增长放缓，绿色效率的提升未能同步，反映出工业结构转型的滞后效应。

总体来看，中国各省份的绿色效率指数仍存在显著差异，发达东部地区与欠发达西部地区之间的差距尤为突出。2022年，仅有12个省份的INGE指数大于1.000，61.3%的省份INGE指数仍低于1.000。北京、上海、广东、福建等东部和沿海省份的绿色效率始终处于领先地位，大多呈现稳定上升趋势。北京的绿色效率指数从2005年的1.204稳步增长至2022年的1.270。上海和广东的指数始终保持高位，自2005年以来持续超过1.000，表明这些地区在绿色产业、技术创新和环境政策的驱动下，已实现较为成熟的绿色转型。

与此同时，河北、山西、黑龙江等一些资源依赖型、重工业省份的绿色效率指数普遍低于1.000，部分甚至呈现长期下降趋势。例如，河北的绿色效率指数从2005年的0.533下降至2022年的0.422，显示出持续下降的趋势。该省对传统产业的严重依赖增加了其绿色转型的压力。黑龙江的绿色效率指数从2005年的1.060急剧下降至2022年的0.252，在推动工业绿色转型方面面临巨大挑战。

尽管湖北、四川、陕西等中西部省份起步较晚，但在某些年份显示出显著改善。例如，湖北的绿色效率指数在2020年达到0.510，2022年达到1.003，反映了该省在政策举措和绿色技术应用的推动下，绿色转型初步取得成效。陕西和四川等省份从2020年到2022年也显示出一定的复苏，主要得益于绿色产业的逐步引入和经济结构调整。

青海、西藏、新疆等西部省份的绿色效率指数保持相对较低水平，且波动较大。例如，西藏的绿色效率指数从2005年的1.086下降至2022年的0.183，几乎达到最低点。新疆2022年的INGE指数为0.330，与其他省份相比仍相对较低。

为检验超效率SBM模型计算的绿色效率指数的稳健性，本研究采用曼奎斯特生产率指数（Malmquist productivity index）进行比较分析。结果显示，皮尔逊相关系数为0.323（p < 0.001），表明全国年均绿色效率指数与曼奎斯特全要素指数之间存在显著正相关，且总体趋势一致。进一步考察发现，效率变化（EC）保持相对稳定，全国年均值在0.94至1.06之间波动，而技术变化（TC）波动较大，年均值在0.93至1.19之间，是曼奎斯特总指数变化的主要驱动因素。这些发现表明，本研究计算的绿色效率指数可靠地捕捉了省际INGE的时空演变，并表现出稳健的性能。

此外，我们计算了SFA指数，结果显示Super-SBM与SFA指数显著正相关，皮尔逊相关系数为0.437，斯皮尔曼相关系数为0.449（p < 0.001）。回归分析也表明SFA对Super-SBM具有显著的正向解释效应（回归系数 = 1.0419, p < 0.001）。这些结果表明两种方法在测量方向和总体趋势上是一致的，表明基于Super-SBM模型的效率评估结果是稳健可靠的。

为进一步测试使用超效率SBM模型计算的工业绿色效率指数的稳健性，我们同时使用工业废气排放和CO₂排放计算了Super-SBM指数（Super_SBMco2，即用CO₂替代工业废气）。结果显示两个指数之间的皮尔逊相关系数为0.495（p < 0.001），斯皮尔曼相关系数为0.696（p < 0.001），表明在总体趋势和排名上均存在显著正相关。这表明用CO₂排放替代工业废气并不会改变效率评估的总体结论，进一步证实了Super-SBM结果的稳健性。

4.2 中国INGE的空间变化

如前所述分析所示，中国INGE存在显著的空间差异。为更直观地观察这些空间差异，我们利用ArcGIS 17.0进行了进一步的可视化。首先，使用自然断点法将INGE指数分为五个等级。

总体来看，中国INGE指数呈现两个峰值，集中在0.408和0.990左右。统计分析显示，约35.3%的省份属于第2级，约31.0%的省份也处于第2级。在2005年至2014年期间，绿色效率相对较低（第4级和第5级）的省份占比较大。从2015年开始，处于第1级的省份数量逐渐增加，而处于第4级和第2级的省份数量减少，表明一些省份在提高绿色效率方面取得了进展。值得注意的是，在2020年至2022年期间，处于第1级的省份数量显著增加至11个，表明中国的绿色转型已扩展到更多省份。处于第2级和第3级的省份数量有所减少，表明大多数省份正在逐步提高INGE，并向高效和可持续的绿色发展迈进。

北京、上海和西藏始终保持着最高水平（第5级），其INGE在全国领先，并长期维持在较高水平。广东、江苏、浙江、福建等沿海经济发达省份普遍处于第4或第5级，表明其工业绿色发展强劲，绿色技术应用广泛。相比之下，青海、宁夏、甘肃、新疆等西部省份始终处于第1或第2级，反映出较低的INGE和相对缓慢的绿色转型。

如前所述，2016年至2022年期间，中国的绿色转型步伐加快。北京、上海、福建、广东等经济强省继续维持高水平的INGE。同时，陕西、云南、西藏等先前处于低效率水平的省份，已逐步进入中高水平，表明工业转型初步取得成效。然而，黑龙江、新疆、河北等资源依赖型和重工业依赖型省份仍面临巨大挑战，其绿色效率改善甚微。

4.3 中国各省INGE的空间相关性分析

4.3.1 全局空间自相关分析

为分析各省INGE指数的空间集聚性，首先根据各省的实际地理位置构建了临界空间矩阵。使用公式计算了2005-2022年中国INGE指数的莫兰指数。

从表中可以看出，从2005年到2011年，中国INGE指数的莫兰指数p值大于0.100，Z值低于临界值1.65，表明莫兰指数未通过检验，空间相关性较弱。从2012年到2022年，莫兰指数总体上升，且大多数年份p值在5%水平上显著，表明各省份INGE存在显著的空间正相关性。这表明相邻省份在绿色效率上表现出相似的趋势。值得注意的是，在2012-2014年期间，莫兰指数达到峰值（高于0.3），且p值均小于0.01，表明存在强烈的空间自相关，绿色效率的区域差异逐渐缩小。在2020-2022年期间，莫兰指数出现小幅波动但仍维持在高位，且大多数年份p值低于0.05，表明绿色效率的空间自相关性仍然明显。

总体来看，2012年之后，中国各省份INGE的空间自相关性逐渐增强，表现出增强的空间集聚性。结合国家政策变化，其发展原因可总结为以下几点：首先，政策引导：自2010年起，中国先后实施了三批低碳城市试点。2011年10月，政府正式批准北京、上海、天津、深圳等七省市启动碳交易试点。绿色政策、环保法规及相关激励措施逐步在全国推广，鼓励了各省之间的协同发展和相互影响。其次，技术传播：从2011年开始，长三角一体化促进了绿色产业在各省之间的相互融合和技术转移。例如，江苏和浙江在绿色制造和环保产业方面的经验已被其他省市广泛采纳。绿色技术和环保设备的传播减少了区域差异。第三，区域协调：区域间合作得到加强，例如在绿色能源、环保产业、循环经济等领域，促进了各省绿色发展的共同进步。

4.3.2 局部空间自相关分析

本节利用局部莫兰指数考察了中国31个省份与其相邻省份之间INGE的空间集聚性，并判断不同时期是否存在空间集聚或空间分散现象。

观察莫兰指数可知，中国大多数省份的INGE莫兰指数值为正，表明与邻近省份的集聚呈正相关。具体而言，2022年，有24个省份（占全部省份的77.4%）的莫兰指数为正，比2005年增加了16.1个百分点。从空间分布来看，东部沿海地区的上海、浙江、福建等地表现出显著的正莫兰指数，表明存在强烈的空间集聚。这些地区通常具有较高的绿色效率，主要得益于先进的绿色产业政策、技术创新和强大的市场竞争力。相比之下，河北、广东、海南等中西部省份表现出较强的空间分散性，其INGE与邻近省份存在显著差异。这主要是由于产业结构差异、资源配置不平衡以及政策执行的区域差异造成的。

5 中国省际INGE影响因素分析

如上所述，中国省际INGE差异显著。现有文献表明，INGE的形成受多种因素影响，借鉴了环境经济学和发展经济学的理论。首先，环境库兹涅茨曲线（EKC）表明，经济发展的早期阶段往往伴随着高污染水平，而随着产业升级和绿色技术的采用，环境效率将逐步改善。其次，波特假说认为，适当的环境规制可以刺激企业的技术创新，从而提高绿色效率。第三，基于要素禀赋和资源基础理论，资本、劳动力和能源等投入是效率差异的根本来源。此外，区域创新系统理论强调技术效率和创新扩散在促进绿色转型中的关键作用。可见，根据绿色增长理论，绿色效率不仅受经济发展水平影响，还受资源投入、技术创新、产业结构、环境治理等多重因素的制约。因此，本研究构建了INGE的分析框架，提出工业治理、经济基础、要素投入、技术效率、环境治理、自然因素和污染排放七个维度，共36个具体指标，通过制度约束、发展条件、资源禀赋和创新扩散等机制共同影响INGE的时空演变。

为定量识别这些驱动因素对省际INGE的影响，本研究采用地理探测器方法。为减少单一年度观测可能带来的偏差，将2005-2022年期间划分为六个子时期：2005-2007年、2008-2010年、2011-2013年、2014-2016年、2017-2019年和2020-2022年。首先，使用ArcGIS中的自然断点法对每组指标进行分类。然后，结合各省INGE指数，根据公式计算每个指标的解释力（q值）。

基于地理探测器分析，可以定量评估每个维度与INGE的相关性及其时间演变。总体来看，在2020-2022年期间，工业治理与INGE的相关性最强（q = 1.612），其次是经济基础（q = 1.153）、要素投入（q = 0.772）、技术效率（q = 0.637）、环境治理（q = 0.567）、自然条件（q = 0.