2025《绿色发展效率测度及评价案例分析》4800字.docxVIP

PAGE

PAGEVII

绿色发展效率测度及评价案例分析

目录

TOC\o1-3\h\u24176绿色发展效率测度及评价案例分析 1

174601.1绿色发展效率的测度模型 1

313411.1.1传统DEA方法 1

125831.1.2方向性距离函数模型 2

43441.1.3超效率SBM模型 3

299491.2样本数据 4

205321.2.1投入产出指标 4

132271.2.2投入产出指标的描述性统计分析 5

187161.3绿色发展效率评价 6

111911.1.1省际层面 7

132591.1.2三大经济带分区 8

1.1绿色发展效率的测度模型

1.1.1传统DEA方法

关于绿色发展效率的研究工具，一般采用随机前沿分析（SFA,StochasticFrontierAnalysis）和数据包络分析（DEA,DataEnvelopmentAnalysis）。随机前沿分析法在测度效率时可能会出现一定误差，在使用时需要预先确定生产函数的形式，且在多个投入和产出变量同时存在时无法适用。

数据包络分析DEA由Charnesetal.（1978）提出，相比较随机前沿分析，具有以下优点：（1）不必设定生产函数的具体形式，能够处理多个投入和产出变量同时存在的情况，对效率进行整体性综合性评价；（2）不必进行权重假设，由数学规划自动产生最优权重，使得随机干扰项满足了正态分布假定，从而减少权重假设过程所导致的误差；（3）不必对数据进行无量纲化处理，其评价结果与投入指标值和产出指标值的量纲无关；（4）不必确定投入和产出之间的表达式。因此，学者们在测度绿色发展效率的过程中多采用数据包络分析DEA（穆学英，2017；初善冰和黄安平，2012）。

但传统DEA模型在测度效率时也存在缺陷。首先，传统DEA模型设定为径向模型，基于投入或产出等比例放大或缩小以实现有效的假设，但当投入或产出没有等比例变化时，其测算结果会产生误差，对准确性产生干扰。其次，在传统DEA模型的投入产出指标体系中，仅将社会所期望的“好”产出纳入效率计算，这与实际生产不符，生产活动所带来非期望的“坏”产出被忽略了，即“非期望产出”未被纳入效率计算。因此在实际情况中，DEA方法是有偏差、不准确的。

1.1.2方向性距离函数模型

考虑到“非期望产出”带来的误差，Chungetal.（1997）在传统DEA中引入方向性距离函数（DDF,DirectionalDistanceFunction）。DDF函数将期望产出增加和非期望产出减少同时考虑在内，其中非期望产出即环境污染物的排放，这一过程重视制约和减少生产过程中污染物的排放，符合社会发展趋势，被学者们广泛采用（景维民和张璐，2014；李光龙等，2020）。其形式如下：

（3-1）

其中，g代表方向向量，一般假定为g=(y0,?bo)。但

基于以往模型的缺陷，Tone（2001）提出基于松弛的模型（SBM,Slack-basedModel）。SBM是非径向、非角度模型，其优点如下：（1）允许投入和产出要素不同比例地放大或缩小，规避了传统DEA模型的缺陷；（2）允许期望产出和非期望产出的比例不固定，计算投入要素、非期望产出要素减少和期望产出要素增加的平均比例，规避了DDF的缺陷；（3）允许无效率情况的计算，无需选择模型的投入产出角度，规避了弱有效问题。因此，SBM模型在绿色发展效率评价中逐渐得到了学者们的重视，赵领娣等（2016）、岳书敬等（2015）、李雪松和曾宇航（2020）等学者均采用这一方法。SBM模型如式3-2所示：

（3-2）

s.t.

1.1.3超效率SBM模型

2002年，Tone在SBM模型的基础上，结合SuperDEA的特征和优点，提出超效率SBM模型（Super-SBM），可以有效测算包含绿色概念的效率值。相比较SBM模型，Super-SBM模型再次递进推算所有有效DMU，同时能够解决跨期可比和DMU不足带来的误差缺陷，使得测算结果更加精准。车磊等（2018）、王冠等（2021）、曹鹏和白永平（2018）等学者在研究中均采用了这一方法。

Super-SBM模型将非期望产出放入模型，其生产可能性集合如式3-3所示：

（3-3）

考虑非期望产出的Super-SBM模型如式3-4所示：

（3-4）

s.t.

其中，是权重向量，x、yg、yb表示决策单元的投入要素、期望产出要素和非期望产出要素，x、yg、yb分别表示投入要素、期望产出和非期望产出的松弛变量，模型中下标“0”为评价决策单元。目标函数为效率值，当0＜＜1时表示决策单元未