环境科学学报  2016, Vol. 36 Issue (11): 4208-4217
中国生态效率的空间格局与影响机制分析    [PDF全文]
李在军1,2, 姚云霞1,2, 马志飞1,2, 胡美娟1,2, 吴启焰1,2    
1. 南京师范大学地理科学学院, 南京 210023;
2. 江苏省地理信息资源开发与利用协同创新中心, 南京 210023
摘要: 实现经济增长的生态友好模式转变是当代中国建设两型社会的必然要求,而中国地区生态效率的空间格局及影响因素分析是地理学研究的重要问题.基于此,本文利用随机前沿模型测算2004-2012年间我国地区生态效率,其次,基于探索性空间分析技术对生态效率的空间关联特征进行分析,最后,借助空间计量经济模型对区域生态效率的影响因素进行分析.结果表明:中国地区生态效率总体呈上升趋势,但效率水平偏低,东部地区生态效率高于中西部地区;生态效率空间分异格局显著,且具有正向的空间相关性,其中,低-低生态效率区域集聚分布于我国西部内陆,高-高生态效率集聚区分布于东南沿海;空间面板回归显示,城市化水平及经济发展的提高有助于区域生态效率的提高,环境法规的实施及有效的环境监管可以确保生态安全,而第二、三产业比重的增加不利于生态效率的提高.
关键词: 生态效率     空间格局     空间计量分析     中国    
Spatial pattern of ecological efficiency in China and its influencing factors
LI Zaijun1,2, YAO Yunxia1,2, MA Zhifei1,2, HU Meijuan1,2, WU Qiyan1,2    
1. School of Geography Science, Nanjing Normal University, Nanjing 210023;
2. Jiangsu Center for Collaborative Innovation in Geographical Information Resource Development and Application, Nanjing 210023
Supported by the National Natural Science Foundation of China(No.41271176, 41671155) and the Project Funded by the Priority Academic Program Development of Jiangsu Higher Education Institutions
Biography: LI Zaijun(1989—), male, Ph.D.candidate, E-mail: junzailinyi@163.com
*Corresponding author: E-mail:chiyanwu@gmail.com
Abstract: Along with rapid economic growth over three decades, serious pollution and environmental problems have been formed. It is therefore urgent and rational to transform into an economically friendly economic growth. In this study, we applied parametric stochastic frontier model to measure regional ecological efficiency, then used GIS-referenced technique, Exploratory Spatial Data Analysis (ESDA), to explore the spatial pattern of regional ecological efficiency. Finally, the spatial panel regression was used to decode the influencing factors of regional ecological efficiency. The spatial results revealed that there was an obvious spatial disparity of regional ecological efficiency:① the ecological efficiency in eastern coastal regions was higher than other regions; ② ecological efficiency showed significant spatial cluster trend; ③ the low-low regions were mainly clustered in the northwest, and ④ the high-high regions were distributed in Southern China. The spatial panel model revealed that urbanization rate and economic development could promote the improvement of regional ecological efficiency, while the implementation of environmental regulations and efficient environmental supervisions could ensure ecological safety, but the increase of secondary and tertiary proportions may lead to the decline in ecological efficiency.
Key words: ecological efficiency     spatial pattern     spatial econometric models     China    
1 引言(Introduction)

环境污染加剧、资源耗竭及气候突变等问题使得政策制定者对经济活动的环境生态影响关注日趋增强(Lansink et al., 2014), 尤其是发展中国家, 其经济增长通常是以资源消耗和环境污染为代价.诚然, 中国也不例外, 过去30年间取得了巨大的经济飞跃, 但随之而来的一方面是城市与区域的社会经济不均衡发展日趋显著(Wu et al., 2014), 另一方面则是高排放、高能耗等自然环境污染问题日渐恶化, 这是由于单纯追求经济规模的发展模式所导致(Wu et al., 2015aChen et al., 2015).为扭转这一局面, 2005年中央人口资源环境工作会议指出, 必须建立资源节约型和环境友好型社会;第十七次全国代表大会进一步指出, 要把资源节约型和环境友好型社会放在突出位置, 加强能源资源节约和生态环境保护, 在可持续发展的框架下实现生态文明.可见, 建设资源节约型、环境友好型社会是应对日益恶化的生态环境问题, 实现可持续发展及“绿色”增长的重要举措, 而如何评价“两型社会”的落实状况, 并推进其实施效果是需要研究的重要问题.

经济效率一直是学者与政策制定者关注的重要问题, 但由于环境恶化和资源耗竭威胁着“绿色”可持续发展, 因而经济增长质量备受关注.为缓解经济活动的环境压力, 加强环保执法以维持良性的环境绩效成为企事业机构的新的诉求(Tyteca, 1996).但传统的效率评价与生态经济不相符, 这促使学者们开始关注经济活动的环境影响评价.作为环境效率的外延, 生态效率被认为是进行环境绩效综合评价的最优指标, 生态效率指通过减少生产过程中资源与能源的消耗, 减轻对环境的影响, 来满足人类需要并提高生活质量(DeSimone et al., 1997), 其核心理念是“以较少的投入来产出更多”, 即以更少的资源能耗及环境破坏获取更多的经济收益(Kuosmanen, 2005).生态效率注重经济增长与生态环境效益的同步增长, 能有效反映生产活动的环境影响, 可作为连接经济产出与生态环境的桥梁, 这与两型社会的要求相一致, 能客观有效地评价两型社会建设的成效, 为今后地方政府的经济绩效及生态环保监督管理提供有效评判手段.

目前, 生态效率的评价类似于传统的经济效率评价, 主要包括非参数的数据包络分析(DEA)与参数的SFA随机前沿函数模型.其中, DEA模型包括分段非参数模型(Färe et al., 19891995) 、生产距离函数(Chung et al., 1997)、静态指数模型(Färe et al., 2004)、混合DEA模型(Sarkis et al., 2004)等, 且一些新的形式不断出现(Färe et al., 2010Bian et al., 2010Chen, 2015), 其优点在于无需设定具体函数形式而被应用到能源效率(关伟等, 2014)、旅游业碳排放效率(王坤等, 2015)、城市效率(孙威等, 2010)及环境效率评价(Dyckhoff et al., 2001Sarkis et al., 2004)等方面, 但其容易受到研究尺度较大而导致数据质量误差的影响, 不但没有考虑随机因素的影响, 且无法对模型进行检验;而SFA根据生产函数构建有效前沿面, 以技术无效率项的条件期望作为技术效率, 同时考虑到数据测量及统计误差的影响, 从而保证待估效率的可靠有效性, 尤其在跨期面板数据前提下, SFA模型更具优势(Li et al., 2001于伟等, 2015), 目前已被广泛应用于污染排放效率(于伟等, 2015)、碳排放效率及生态效率评价(Risto et al., 2012赵国浩等, 2012)等方面.而生态效率的影响因素众多, 相关研究表明, 生态效率与地区经济发展、技术水平、污染收费、环境监管与环保执法、环保意识等因素有关(Tyteca, 1996Wang et al., 2005Dasgupta et al., 2001Wu, 2010).

可见, 生态效率的理论与实证研究随着可持续发展的推进得到广泛展开, 一些学者和政策制定者甚至意识到区域生态效率的差异性, 指出由于区域社会经济状况及环境法规实施力度的差异, 导致区域间生态效率存在较大的差异.而区域生态效率的空间关联模式较少得到关注, 随着空间分析技术的发展, 空间效应的研究逐渐成为一个热门话题, 忽视空间效应将导致参数的有偏估计.因此, 本文采用随机前沿模型估算各地区生态效率, 利用探索性空间分析技术探究其空间关联模式, 并通过空间计量经济模型诊断生态效率相关影响因素, 以期为地区生态效率的改善提供有益参考.

2 数据选取与研究方法(Data source and methods) 2.1 区域生态效率评价指标体系

生态效率的关键思想是“以较少的环境影响创造更多的价值”(Kuosmanen, 2005), 在特定经济系统中, 生态效率强调以更少的资源与环境成本为代价获取更大的经济效益.本文依据相关投入指标选择(Hoh et al., 2001), 构建区域投入产出复合系统, 该系统以资源和环境方面为投入因素, 以经济效益为产出要素.其中, 为了反映真实的经济效益, 产出指标以实际地区生产总值表示, 即总的地区生产总值扣除环境污染治理投资额.社会经济生产及生活过程中会产生多种污染物, 由于数据可获得性的限制, 最终选取3个主要污染物, 即废水排放、二氧化硫排放及固体废弃物排放;主要的资源消耗包括能源、电力及水资源的消耗;此外, 社会投入也是影响区域生态效率的重要指标, 本文选取地区劳动就业总数及固定资产投资反映人力与资本消耗, 各指标的详细描述如表 1所示.

表 1 区域生态效率的评价指标体系 Table 1 Evaluation indicators of ecological efficiency
2.2 生态效率影响因素选取

生态效率变化是受多因素影响的动态的过程, 其中, 区域经济类型与强度、环保立法及执法监督等因素均会导致生态效率的差异性.参照相关研究, 本文选取以下指标:①环保标准的设置及有效的监督审查机制在维护和实施环境法规、防止环境污染和生态破坏方面起到重要作用(Dasgupta et al., 2001), 本文以当年环保项目验收数量反映地区环保监督管理力度, 可评估管理实施状况.②环境破坏行为的惩罚是环保监管的重要保障, 排污收费(PDF)以收益惩罚手段保障环境政策的切实执行, 可规避环境破坏行为的发生, 从而在提高生态效率方面发挥积极作用(Wang et al., 2005).③通常, 发达地区有能力支付控制污染的成本并积极发展新技术提升资源利用率(Wu, 2010), 从而有助于实现生态文明, 本文以人均GDP(PCGDP)反映区域经济发展.④城市化被认为是人类对生态环境施加影响最显著的区域(Jaakson, 1977), 不仅改变了土地的利用方式, 且大量的能源及资源需求加剧了区域环境负担(He et al., 2008), 本文以非农业人口占总人口的比例来衡量城市化水平(UR).⑤产业结构演进是促进环境效率提高的重要途径(Wang et al., 2014), 本文以第二产业及第三产业占比来衡量区域产业结构, 各指标情况如表 2所示.

表 2 区域生态效率影响因素 Table 2 Influencing factors of regional ecological efficiency

以中国大陆除西藏外的30个省级行政单元为研究区域, 所有指标数据来源于《中国统计年鉴》(2005—2013) 、《中国环境统计年鉴》(2005—2013) 及《中国能源统计年鉴》(2005—2013) .

2.3 随机前沿效率评价模型

随机前沿模型由Aigner等(1977) Meeusen等(1977) 共同提出, 包括表达投入产出比的柯布-道格拉斯生产函数与组合线性及二项式的超越对数函数(Goelli, 1995).为避免多重共线性导致的有偏估计, 选取柯布-道格拉斯生产函数进行投入产出的测算, 通常, 样本单元投入产出比采用距生产、成本或利润前沿面进行估算(Kumbhakar, 1996), 结合生态效率的本质内涵, 以成本最小前沿进行估算, 参照Battese等(1992) 的面板随机前沿模型, 构建区域生态效率随机前沿模型为:

(1)

式中, 下标i(i = 1, 2, …, 30) 、t(t =1, 2, …, 9) 代表第i省域第t年相应指标;β为各变量系数;V表示随机效应的系统误差项, 其方差为σv2U为技术无效的非负误差项, 其方差为σu2;似然函数为σ2v2u2.采用最大似然函数对式(1) 进行估计, 而相应的第i省域第t年的技术效率为:TEit=exp(-Uit).

2.4 探索性空间分析技术

以探索性空间数据分析(ESDA)技术探测中国地区生态效率的空间相关性.其中, 全局自相关, 即Moran′s I主要用于诊断地区生态效率是否存在空间自相关性, 而局部空间自相关揭示区域生态效率的局部关联特征(Anselin, 1988).Moran′s I表达式为:

(2)

式中, n为研究单元的总数量;xi代表空间单元i观察到的生态效率; 是所有单元的生态效率均值;S0表示空间权重矩阵的所有元素之和, S0=表示区域空间权重矩阵, 定义为区域空间相邻为1, 不相邻为0.Moran′s I显著为正时, 表示存在正相关, 当Moran′s I显著为负时, 表示存在负相关.

全局空间自相关无法展示区域的具体空间关联特征, 而局部空间自相关可识别局部单元属性在相邻区域中的自相关性, 可划分为4种类型, 分别是高-高、低-低、高-低和低-高.高-高表明高生态效率的省份被同是高于平均值的省份包围, 它象征高值的空间聚集;同样, 低-低、低-高和高-低集群也可被识别出来, 但仅高-高及低-低类型代表了正的空间相关性.

2.5 空间计量经济模型

忽略空间依赖效应会导致有偏的参数估计, 传统的面板回归没有考虑空间效应(Li et al., 2014), 因此, 为揭示生态效率的空间效应, 采用空间面板回归模型识别影响地区生态效率的潜在因素.空间面板回归包括空间滞后回归模型和空间误差回归模型, 其中, 空间滞后回归模型为:

(3)

式中, WEE表示区域生态效率的空间滞后项, ρ表示空间回归系数, 表明来自临近空间单元的溢出或者扩散程度;ε是随机误差向量.空间滞后模型主要验证周边区域因变量的空间溢出效应, 与空间滞后回归模型不同, 空间误差模型诊断随机干扰误差项导致的空间相关性:

(4)
(5)

式中, λ表示空间回归系数, μ为随机误差项, 其它变量含义同上.

3 结果与分析(Results and analysis) 3.1 区域生态效率总体变化

基于选取的2004—2012年间面板数据和最大似然估计方法, 得到随机前沿模型的估计结果(表 3).其中, 无效率方程的似然比检验值为62.52, 未通过显著性检验, 而随机前沿模型似然比值为293.53, 通过了1%的显著性检验, 这表明技术无效率显著地影响模型误差, 有必要执行随机前沿分析;同时, γ的回归系数也较显著, 为0.96, 接近1, 表明技术无效率解释了生态效率随机误差的96%.具体来看, 各影响变量的估计系数均通过显著性检验, 但作用方向并不一致, 污水排放与经济产出呈正相关, SO2及固体废弃物排放量与地区经济产出呈负相关.在某种意义上, SO2与固体废弃物排放是区域经济活动不可避免的产物, 其对经济活动的影响作用相对较小.能源消耗量及电力使用量对区域经济产出有积极影响, 尤其是能源消耗的影响作用最大, 而水资源消耗量与经济产出存在负相关关系, 这表明地区经济增长较多的依赖资源及能源消耗.同样, 劳动力与资本的增加对地区生态经济增长有积极作用.

表 3 随机前沿模型的估计结果 Table 3 Estimation results of frontier model

根据以上实证分析, 计算我国各省域单元历年的生态效率, 并得到东、中、西部地区的历年生态效率平均值(图 1).由图 1可知, 我国总体生态效率均值均呈不断上升趋势, 说明各地区越来越重视生态效率的改善, 使得实际生产投入与理想边际效率前沿的距离不断缩小;但2004—2012年间我国总体生态效率均值较低, 为0.52, 增长率较慢, 年均增长率仅为1.2%, 且地区间生态效率差异变化较大, 东部地区生态效率均值高于全国平均水平, 中部地区次之, 西部地区最低.

为呈现我国地区生态效率变化的空间格局, 利用ArcGIS10.2软件以等间隔方式绘制2004、2008及2012年3个时点区域生态效率(图 2).总体来看, 生态效率呈明显的空间分异格局, 各地区生态效率在空间上具有连续变化特征, 空间格局变化不大.其中, 东南地区及沿海省份生态效率水平较高, 而中部及西部广大地区生态效率较低.这是由于中西部地区虽然资源丰富.环境优越, 但生产技术落后、人才匮乏, 长期依靠高能耗、低效率的增长模式, 使得投入产出失衡、经济生产消耗大量资源并产生较多污染物, 从而导致资源环境承载力不断下降, 生态效率一直低下.而东部沿海地区技术人才充足, 产业基础优良, 经济增长能耗虽高, 但资源环境利用率相对较高, 使得单位生产总值的生态效率水平较高.从时间变化来看, 地区生态效率均呈上升趋势, 2004年生态效率最低值为0.211, 而2012年最低值为0.316, 但最高值均小于0.9, 说明各地区生态效率均有较大的提升空间.

图 1 中国各地区生态效率变化曲线(东部地区包括北京、天津、河北、辽宁、上海、江苏、浙江、福建、山东、广东和海南共11个省、直辖市;中部地区包括黑龙江、吉林、山西、河南、安徽、江西、湖南和湖北8个省;西部地区包括广西、重庆、四川、贵州、云南、甘肃、陕西、内蒙古、新疆、青海和西藏11个省、直辖市和自治区) Fig. 1 Annual average value of ecological efficiency from 2004 to 2012

图 2 我国区域生态效率空间格局 Fig. 2 Spatial pattern of regional ecological efficiency
3.2 区域生态效率空间关联特征

中国生态效率呈稳定的空间分异态势, 这种空间格局是随机分布还是集聚分布?为此, 采用Moran′ s I进一步判断生态效率的空间格局的集聚态势(表 4).由表 4可知, 2004—2012年全局Moran′s I值显著为正且基本不变, 表明中国地区生态效率总体具有正的空间相关性, 即高值集聚和低值集聚的空间特性, 且这种空间集聚格局相对较稳定.

表 4 2004—2012年间中国生态效率的全局Moran′s I指数 Table 4 Global Moran′s I of ecological efficiency in China between 2004 and 2012

全局Moran′ s I无法获悉局部空间集聚特征, 故采用局部莫兰指数识别具体空间集聚特征, 得到中国生态效率的LISA集聚图(图 3).由图 3可知,

图 3 我国区域生态效率的局部空间关联特征 Fig. 3 Localized spatial autocorrelation of regional ecological efficiency from 2004 to 2012

生态效率高-高型及低-低型地区数量众多, 且呈南北对立分布态势, 表明生态效率空间分化严重, 空间联动格局尚未形成, 如果这一状况继续下去, 中国生态效率则会整体下降.生态效率高-高集聚区主要分布在东南及南方沿海省份, 低-低集聚区主要集中于北方及西北内陆地区, 高-低集聚区分布于高-高区的外围, 湖北省一直属于高-低类型区, 2008年后贵州地区成为高-低类型区, 而低-高类型区一直为黑龙江、吉林、北京、天津及山西省.从时间演变来看, 区域生态效率的局部空间关联特征变化不大, 2004—2008年间仅有贵州省由低-低类型转变为高-低类型, 而2008—2012年间区域生态效率的集聚类型未发生任何变化, 说明区域生态效率具有一定的路径依赖或空间锁定特征.

3.3 区域生态效率空间效应分析

上述分析表明, 地区间生态效率呈显著的空间集聚特征, 但区域生态效率是否存在空间效应及是否显著并不能确定.为此, 以历年生态效率为因变量, 生态效率影响因素为自变量, 采用Matlab 12.0软件进行空间效应的验证分析(表 5).由表 5可知, 空间滞后模型与空间误差模型均检验有效, 表明存在两种空间作用机制.空间滞后模型证实了各地区生态效率除受本地区各类因素的影响外, 还受到相邻地区生态效率水平的影响;而空间误差模型则表明各地区生态效率还受到其它未考虑因素及相邻地区随机误差的空间相关性影响.为合理分析各因素对生态效率的影响, 利用拉格朗日乘子和稳健的拉格朗乘子检验判断空间滞后模型(SLM)和空间误差模型(SEM)的适用性.结果显示, 空间滞后模型的LM值及R_LM值均显著地大于空间误差模型的LM值及R_LM值, 因此, 空间滞后模型最适合进行生态效率空间关联分析, 同时由Hausman检验知, 固定效应模型最适合进行参数估计.

表 5 空间面板结果 Table 5 Results of spatial panel regression

由空间滞后模型知, 人均GDP与生态效率呈显著正相关, 这与Wu(2010) 的研究相一致, 说明经济发展在一定意义上是解决环境生态问题的不可或缺的重要环节.经济越发达, 地方政府可投入更多的资金进行清洁环保技术研发设计, 并有能力加强环境污染整治, 从而提高能源利用效率, 维护良好的生态环境现状.

第二产业比重与生态效率呈负相关关系, 说明第二产业比重的增加会导致环境效率下降.由于当前中国工业的发展仍没摆脱依赖高能耗与高环境污染的增长模式(Zhang et al., 2014; Wu et al., 2015b), 这为资源环境的可持续发展带来巨大压力.第三产业比重与生态效率存在负相关关系, 这与假设并不符合, 第三产业常被认为是零排放、零污染的“绿色”产业, 这可能是由于多数地区仍以第二产业为主, 尤其是广大中、西部省份, 而第三产业仅占较小比例, 且多为依靠大量廉价劳动力及资本投入的低端行业, 故难以为生态经济作出贡献.

城市化对生态效率具有积极的影响作用, 早期城市化进程需要消耗大量的土地及资源, 并产生较多的环境污染物, 导致环境质量的恶化.但随着城市化水平的逐步提高, 市场竞争的加剧, 促使企业不断革新技术, 而新技术的应用提高了能源利用率, 减少了废弃物的排放, 实现了资源的循环利用, 从而提高了生态效率.此外, 随着城市化率的提高, 市民的受教育程度相应提高, 居民的环保意识增强, 自发成立环保组织, 参与社会决策, 反抗危害健康生活方式的社会经济活动, 促使政府制定严格的环境法规, 提高环保准入标准, 从而约束了环境生态的破坏行为.

排污收费对生态效率的影响系数显著为正, 说明环境法规在维持环境质量方面起到积极作用.中国排污收费制度的确立最早可追溯到1972年, 此后, 相继制定了多种排污收费标准(Wu, 2010), 目前已建立了完善的排污收费法规体系.污染征税体系通过惩罚不符合环境标准的企事业行为, 迫使其直接支付罚金或者采取措施减少污染(Wang et al., 2005), 在促进企事业加强环境治理, 节约和综合利用资源, 控制环境恶化, 提高环保监督管理等方面起到重要作用, 从而有助于改善地区生态效率.

当年环保验收数量与生态效率呈正向相关.从源头防控秉承了“预防为主”的重要理念, 环保项目验收是贯彻执行《环境影响评价法》的重要举措, 通过严格的环评质量审查, 切实加强环保建设项目“三同时”管理, 综合评估项目工程的设计、施工、投入生产和使用过程的污染防治控制措施, 有助于加强环保监督管理, 防止环境破坏行为的发生.

4 讨论(Discussion)

空间面板回归揭示生态效率具有空间溢出效应, 表现为地区间生态效率的极化与扩散双效应, 这导致地区生态效率不平等格局缩小或扩大, 这种空间溢出的来源是由于一方面, 区域作为一个开放系统, 区域间要素的相互流动导致生态效率的相互影响, 相互作用;另一方面, 由于日益激烈的经济竞争, 自然生态环境成为可持续发展及有利竞争优势的重要组成部分, 吸引投资和人才的利益诉求也促使地方政府维持良好的生态环境, 这使得地区生态效率的总体提高, 促使生态效率的空间集聚.空间溢出效应启示在制定相关促进生态增长与发展的决策时, 应考虑生态效率的时空动态变化, 同时兼顾本地生态保护能力与邻居生态效率现状, 通过空间交互作用及生态政策的协同, 缩小区域间生态经济发展差异, 实现生态发展的良性循环, 这强调地区环境保护政策的制定及生态综合发展策略实施中区域协调性的重要作用.具体来说, 一些具有巨大发展潜力的省份可选作增长极, 通过本地区生态保护经验的积累, 积极发挥区域范围内生态保护的领导性作用, 主动向周边地区不断传输生态保护理念、经验、对策与措施, 同时进行技术、资本、人才等优势要素的回馈支持, 实现构筑以核心省份向外逐渐辐射的生态动力源及生态保护网, 实现局部区域生态效率的普遍提高.本文构建的生态效率指标体系受数据可获得性限制未考虑周全, 但总体适合生态效率的评价原则.

5 结论(Conclusions)

日益恶化的全球环境问题给人类敲响了警钟, 而当代中国的资源环境问题严重威胁着经济的可持续发展, 不利于生态可持续.为此, 有必要对经济生态效率及环保法规实施效果综合评价, 在此背景下, 本文从生态效率的空间差异、空间关联特征及影响因素视角进行分析, 得到以下结论:

1) 现阶段我国经济增长较多依赖资源及能源消耗, 传统的高污染、高消耗而低产出的经济增长模式仍未改变, 这导致我国整体生态效率水平低下.

2) 生态效率在空间分布上呈显著的区域差异, 其中, 东南部地区的生态效率接近效率前沿面, 体现较高的生态保护水平;而这种空间分布格局不是随机的, 呈现出正向相关性, 即本地区的生态效率与周边地区的生态效率情况交互相关, 相邻地区生态效率的提高或降低会导致本地区生态效率相应的改善或下降;低-低生态效率地区主要集中分布我国西北部, 高-高生态效率地区则主要分布于我国东南省份, 而高-高区域数量少于低-低区域数量, 这也说明了总体生态效率均值低下的内在原因.

3) 空间面板回归表明, 快速城市化及经济发展的提升有助于改善地区生态效率水平, 排污收费及环保监督审查有助增进地区生态效率, 而第二、第三产业比例的增加与生态效率呈负向关系, 不利于地区生态效率的提高.

参考文献
[1] Aigner D, Lovell K, Schmidt P. 1977. Formulation and estimation of stochastic frontier production function models[J]. Journal of Econometric , 6 (1) : 21–37. DOI:10.1016/0304-4076(77)90052-5
[2] Anselin L. 1988. Spatial Econometrics: Methods and Models[M]. Netherlands: Springer .
[3] Battese G E, Goelli T J. 1992. Fontier production functions, technical efficiency and panel data: With application to paddy farmers in India[J]. The Journal of Productivity Analysis , 3 (1/2) : 149–165.
[4] Bian Y W, Yang F. 2010. Resource and environment efficiency analysis of provinces in China: ADEA approach based on Shannon's entropy[J]. Energy Policy , 38 (4) : 1909–1917. DOI:10.1016/j.enpol.2009.11.071
[5] Chen S Y. 2015. Environmental pollution emissions, regional productivity growth and ecological economic development in China[J]. China Economic Review , 35 : 171–182. DOI:10.1016/j.chieco.2014.08.005
[6] Chen H, Wu Q Y, Cheng J Q, et al. 2015. Scaling-up strategy as an appropriate approach for sustainable new town development? Lessons from Wujin, Changzhou, China[J]. Sustainability , 7 (5) : 5682–5704. DOI:10.3390/su7055682
[7] Chung Y H, Färe R, Grosskopf S. 1997. Productivity and undesirable outputs: A directional distance function approach[J]. Journal of Environmental Management , 51 (3) : 229–240. DOI:10.1006/jema.1997.0146
[8] Dasgupta S, Laplante B, Mamingi N, et al. 2001. Inspections, pollution prices, and environmental performance: evidence from China[J]. Ecological Economics , 36 (3) : 487–498. DOI:10.1016/S0921-8009(00)00249-4
[9] DeSimone L D, Popoff F. 1997. Eco-efficiency-The Business Link to Sustainable Development[M]. Cambridge, MA: MIT Press .
[10] Dyckhoff H, Allen K. 2001. Measuring ecological efficiency with data envelopment analysis (DEA)[J]. European Journal of Operational Research , 132 (2) : 312–325. DOI:10.1016/S0377-2217(00)00154-5
[11] Färe R, Grosskopf S, Lovell C A, et al. 1989. Multilateral productivity comparisons when some outputs are undesirable: A nonparametric approach[J]. The Review of Economics and Statistics , 71 (101) : 90–98.
[12] Färe R, Grosskopf S.1995.Environmental decision models with joint outputs[Z].Economics Working Paper Archive, Economic Department, Washington University, US
[13] Färe R, Grosskopf S, Hernandez S F. 2000. Environmental performance: An index number approach[J]. Resource and Energy Economics , 26 (4) : 343–352.
[14] Färe R, Grosskopf S. 2010. Directional distance functions and slacks-based measures of efficiency[J]. European Journal of Operational Research , 31 (1) : 320–332.
[15] Goelli T J. 1995. Estimators and hypothesis tests for a stochastic frontier function: A monte carlo analysis[J]. Journal of Productivity Analysis , 6 (3) : 247–268. DOI:10.1007/BF01076978
[16] 关伟, 许淑婷.2014. 辽宁省能源效率与产业结构的空间特征及耦合关系[J]. 地理学报 , 2014, 69 (4) : 520–530.
[17] He H M, Zhou J, Wu Y J, et al. 2008. Modelling the response of surface water quality to the urbanization in Xi'an, China[J]. Journal of Environmental Management , 86 (4) : 731–749. DOI:10.1016/j.jenvman.2006.12.043
[18] Hoh H, Scoer K, Seibel S. 2001. Eco-efficiency indicators in German environmental economic accounting[J]. Statistical Journal of the United Nations Economic Commission for Europe , 19 (1/2) : 41–52.
[19] Jaakson R. 1977. Urbanization and natural environemnts: A position paper[J]. Urban Ecology , 2 (3) : 245–257. DOI:10.1016/0304-4009(77)90010-9
[20] Kumbhakar S C. 1996. Efficiency measurement with multiple outputs and multiple inputs[J]. Journal of Productivity Analysis , 7 (2/3) : 225–255.
[21] Kuosmanen T. 2005. Measurement and analysis of eco-efficiency: An economist's perspective[J]. Journal of Industrial Ecology , 9 (4) : 15–18. DOI:10.1162/108819805775248025
[22] Lansink A O, Wall A. 2014. Frontier models for evaluating environmental efficiency: An overview[J]. Economics and Business Letters , 3 (1) : 43–50. DOI:10.17811/ebl.3.1.2014
[23] Li G D, Fang C L. 2014. Analyzing the multi-mechanism of regional inequality in China[J]. The Annals of Regional Science , 52 (1) : 155–182. DOI:10.1007/s00168-013-0580-2
[24] Li T, Rosenman R. 2001. Cost inefficiency in Washington hospitals: A stochastic frontier approach using panel data[J]. Health Care Management Sciences , 4 (2) : 73–82. DOI:10.1023/A:1011493209102
[25] Meeusen W, Broeck J. 1977. Efficiency estimation from Cobb-Douglas production functions with composed error[J]. International Economic Review , 18 (2) : 435–444. DOI:10.2307/2525757
[26] Risto H, Rajeev K G. 2012. Global CO2 efficiency: Country-wise estimates using a stochastic cost frontier[J]. Energy Policy , 45 : 762–770. DOI:10.1016/j.enpol.2012.03.007
[27] Sarkis J, Talluri S. 2004. Eco-efficiency measurement using data envelopment analysis: Research and practitioner issues[J]. Environmental Assessment Policy and Management , 6 (1) : 91–123. DOI:10.1142/S1464333204001602
[28] 孙威, 董冠鹏.2010. 基于DEA模型的中国资源型城市效率及其变化[J]. 地理研究 , 2010, 29 (12) : 2154–2165.
[29] Tyteca D. 1996. On the measurement of the environmental performance of firms-A literature review and a productive efficiency perspective[J]. Journal of Environmental Management , 46 (3) : 281–308. DOI:10.1006/jema.1996.0022
[30] Wang H, Wheeler D. 2005. Financial incentives and endogenous enforcement in China's pollution levy system[J]. Journal of Environemntal Economics and Management , 49 (1) : 174–196. DOI:10.1016/j.jeem.2004.02.004
[31] 王坤, 黄震方, 曹芳东.2015. 中国旅游业碳排放效率的空间格局及其影响因素[J]. 生态学报 , 2015, 35 (21) : 7150–7160.
[32] Wang Z H, Feng C. 2014. A performance evaluation of the energy, environmental, and econom efficiency and productivity in China: An application of global data envelopment analysis[J]. Applied Energy , 147 : 617–626.
[33] Wu Y R. 2010. Regional environmental performance and its determinants in Chian[J]. China & World Economy , 18 (3) : 73–89.
[34] Wu Q Y, Cheng J Q, Chen G, et al. 2014. Socio-spatial differentiation and residential segregation in the Chinese city: Based on the 2000 community-level census data: A case study of the inner city of Nanjing[J]. Cities , 39 : 109–119. DOI:10.1016/j.cities.2014.02.011
[35] Wu Q Y, Zhang X L, Shang Z Y, et al. 2015a. Political-economy based institutional industry complex and sustainable development: The case of the salt-chemical industry in Huai'an, China[J]. Energy Policy , 87 : 39–47. DOI:10.1016/j.enpol.2015.08.042
[36] Wu Q Y, Zhang X L, Li H B, et al. 2015b. Pro-growth giant business, lock in, sustainable urban development and effect on local political economy: The case of petrochemical industry at Nanjing[J]. Journal of Cleaner Production , 107 (16) : 324–332.
[37] 于伟, 张鹏.2015. 我国省域污染排放效率时空差异格局及其影响因素分析[J]. 地理与地理信息科学 , 2015, 31 (6) : 109–113.
[38] Zhang K Y, Yi Y, Zhang W B. 2014. Environmental total factor productivity and regional disparity in China[J]. Letters in Spatial and Resource Sciences , 7 (1) : 9–21. DOI:10.1007/s12076-013-0097-4
[39] 赵国浩, 李玮, 张荣霞, 等.2012. 基于随机前沿模型的山西省碳排放效率评价[J]. 资源科学 , 2012, 34 (10) : 1965–1971.