區(qū)域水-能源-糧食綠色效率、地區(qū)差異及影響因素

張靜靜,汪文生*,李 楊

區(qū)域水-能源-糧食綠色效率、地區(qū)差異及影響因素

張靜靜1,2,汪文生1,2*,李 楊3

(1.中國礦業(yè)大學(北京)管理學院,北京 100083；2.中國礦業(yè)大學(北京)決策科學與大數據研究院,北京 100083；3.國家能源集團技術經濟研究院,北京 102211)

基于綠色發(fā)展理念建立多維角度投入-產出指標體系,構建Meta-SSBM和Meta-Malmquist-Luenberger模型,測度2004～2018年中國30個省(區(qū))水-能源-糧食綠色靜態(tài)和動態(tài)效率,并運用泰爾指數分解東部、中部和西部綠色發(fā)展水平的時空分異特征.結果表明:(1)由于技術差距無效率而導致的在共同前沿和群組前沿面下的效率表現出較大差異性,其中東部地區(qū)代表潛在的最優(yōu)技術水平,中部和西部存在被高估的風險.(2)東部地區(qū)管理無效率、中部地區(qū)技術無效率、西部地區(qū)管理和技術無效率并存分別是其無效率的主要原因.(3)東部地區(qū)水-能源-糧食綠色全要素生產率(TFP)增長最高,其提升的主要原因是技術進步和技術差距比率的縮小;中部和西部地區(qū)綠色TFP的降低主要源于技術進步的放緩和技術差距比率的擴大.(4)西部地區(qū)綠色TFP增長率的泰爾指數最大,群組內差異遠大于群組間差異,尤以西部地區(qū)內部差異最明顯.(5)教育支出、科技支出占財政支出比重、人均肉類產量和人均蔬菜產量與水-能源-糧食綠色TFP同向變化;城市化率、人口密度、人均GDP則與之反向變化.

水-能源-糧食；綠色效率；Meta-SSBM-ML模型；共同前沿模型；區(qū)域差異

中國的水-能源-糧食占據重要國際地位,對世界水-能源-糧食發(fā)展有舉足輕重的影響.國際能源署(IEA)在《世界能源展望2015》中強調,即使采取新的政策,全球對于能源的需求量在2013～2040年也將增加32%[1];聯合國發(fā)布的《世界水發(fā)展報告2016》指出,到2030年全球缺水比例將達到40%[2];據聯合國糧食與農業(yè)組織(FAO)預測,從2012年至21世紀中期,全人類對于糧食和其他農作物的需求仍將保持50%左右的增長[3].

能源為人類生存和社會發(fā)展提供重要的動力基礎,也是社會經濟發(fā)展的決定性物質因素.水資源是寶貴的自然資源與環(huán)境要素;糧食從古至今都是全人類最重要的基礎食物,世界范圍內絕大部分可耕作土地用于糧食生產,保障糧食安全將持續(xù)影響全世界未來走向.由此可見,從整體認識水-能源-糧食資源消耗對區(qū)域社會、經濟及生態(tài)環(huán)境的貢獻及其投入產出效率,是政策制定、確保區(qū)域水-能源-糧食安全和促進區(qū)域可持續(xù)綠色發(fā)展和高質量發(fā)展的應有之義.

中國幅員遼闊,東部、中部和西部地區(qū)的水資源、能源資源和農業(yè)糧食等資源稟賦存在明顯差異,資源要素配置、區(qū)域發(fā)展不平衡不充分等問題如果解決不好,水資源利用、能源產業(yè)和農業(yè)發(fā)展就很難達到綠色可持續(xù),因此,考慮地區(qū)異質性對于研究水 -能源-糧食復合系統(tǒng)全要素生產率(TFP)增長非常重要.基于碳排放約束以及區(qū)域異質性考慮,本文將共同前沿模型和考慮非期望產出的超效率SBM- ML模型相結合,從靜態(tài)和動態(tài)視角分別測算2004～ 2018年中國30個省(區(qū))的水-能源-糧食綠色效率及其綠色TFP增長,對比東部、中部、西部差異性,為不同區(qū)域內部及區(qū)域間平衡和充分發(fā)展探索有效路徑.

1 文獻綜述

國內外研究機構及學者對水-能源-糧食系統(tǒng)研究呈現出明顯多學科交叉特點,不僅探究系統(tǒng)內部三者關聯關系和互動機制[4],同時囊括了與生態(tài)環(huán)境和經濟社會大系統(tǒng)的共生適配[5].“水-能源-糧食”復合系統(tǒng)的安全紐帶關系已成為推動資源整合治理的典范[6].

目前針對水資源[7]、能源資源[8-9]和農業(yè)糧食資源[10-11]的單一系統(tǒng)投入產出效率及影響因素研究十分豐富,但圍繞水-能源-糧食復合系統(tǒng)(WEF)進行效率研究的文獻尚不多見.一部分文獻立足于系統(tǒng)“黑箱”探討WEF系統(tǒng)整體效率,如沿用傳統(tǒng)的DEA模型,將WEF看作“黑箱”,測度得到了WEF整體的效率值[12-13].陳哲軒等[14]構建SBM模型測算中國水-能源-糧食綜合利用效率. Liu等[15]將水、能源、土地和糧食投入納入考核指標,研究了廈門市物質能源代謝的生態(tài)效率.Ibrahim等[16]建立了跨國層面投入產出指標體系,以DEA得出的非參數基準α階模型來估算每個國家的水-能源-土地-糧食效率.Han等[17]綜合考慮了經濟效益、社會效益和負面環(huán)境影響等維度,評價了中國31個省(區(qū))的水-能源-糧食整體效率.

另一部分文獻針對WEF系統(tǒng)中的某一環(huán)節(jié)進行效率測度,如周露明等[18]、陳軍飛等[19]探究了基于WEF關聯關系的農業(yè)系統(tǒng)的投入產出效率,構建的投入產出指標體系可看作是研究WEF系統(tǒng)中的農業(yè)(F)系統(tǒng)投入產出效率,體現出了WEF內部關系中的一環(huán). Zhang等[20]運用兩階段DEA分析法,構建了W-F和W/F-E耦合效率評價指標體系. Zheng等[21]采用三階段DEA建模評價方法評價了長江中下游7省的農業(yè)生產效率.

還有一部分文獻將“黑箱”變?yōu)椤盎蚁洹?納入了WEF系統(tǒng)的關聯關系,如孫才志等[22-23]率先考慮和分析了水-能源-糧食內部關聯和外部關聯,進而構建網絡DEA模型,研究了中國30個省(區(qū))的WEF投入產出經濟效率及空間格局演變,但其設定中未體現非期望產出,測度的僅是靜態(tài)效率,未體現效率動態(tài)變化,可改進的地方在于在其分析中未考慮每個節(jié)點的非期望產出,因此未有效挖掘效率變動的內在原因.

通過文獻梳理,現有對水-能源-糧食復合系統(tǒng)全要素綠色效率的測度仍有改進余地.首先,在指標體系選擇上依然存在一定缺漏,產出方面一部分文獻僅考慮經濟產出,鮮有將碳排放和工業(yè)三廢的非期望產出同時納入的文獻討論.其次,忽略了水-能源-糧食復合系統(tǒng)效率對推動社會進步的貢獻,幾乎沒有文獻將社會產出納入產出范疇,但在實際中,水-能源-糧食復合系統(tǒng)對增進人民生活福祉提供了基礎資源,對改善人民生活、提高獲得感的意義重大.第三,在研究方法上以單一使用基于松弛投入測度的SBM 模型(Slack-Based Measure,簡稱SBM模型)、方向性距離函數、馬爾默奎斯特-倫伯格指數(Malmquist-Luenberger,簡稱ML指數)為主,當存在投入、產出的松弛變量時,生產效率存在被高估的風險,不能實現存在地區(qū)異質性的不同群組對比,而與共同前沿模型的結合使用則可以實現不同群組的異質性對比研究.

基于此,本文從以下3個方面進一步完善:第一,本文將建立多投入-多產出的全要素綠色評價體系,一方面投入指標中將資本和勞動等非自然投入和水資源、能源和糧食資源等自然投入同時納入考慮范圍,另一方面在產出指標中,合意產出同時考慮經濟產出和社會產出,并且非合意環(huán)境產出同時考慮了二氧化碳排放和工業(yè)三廢排放量.第二,結合SBM模型和共同前沿模型,從靜態(tài)角度分析區(qū)域水-能源-糧食綠色效率,實現對靜態(tài)效率群組差異和技術差距分析.第三,構建ML指數模型和泰爾指數模型,從動態(tài)角度分析區(qū)域水-能源-糧食全要素綠色效率增長率,對比分析我國東、中、西部動態(tài)效率變化差異性,實現對全要素生產率增長的分解分析以及群組差異分解分析.

2 研究方法與指標選取

2.1 研究方法與模型構建

2.1.1 Meta-SSBM模型構建 基于“CCR和BCC”兩類模型存在不能處理非期望產出和松弛變量的缺陷,Tone[24]提出了能夠將投入和產出兩種導向納入到同一模型中的非角度、非徑向的超效率SBM模型(SSBM模型),該模型充分考慮了投入和產出角度的徑向改進和松弛改進,同時還考慮了非期望產出,并將其體現在目標函數中,不僅能夠從所有評價單元中區(qū)分有效單元和無效單元,而且該模型允許有效決策單元的超效率值大于1,解決了對多個有效決策單進一步區(qū)分其有效程度的問題,直觀地對有效決策單元排序和比較,擴大了應用范圍.

由于地理位置、資源稟賦、自然氣候、政策因素等原因,導致中國不同省市區(qū)之間的生產技術存在相當的異質性差距.若不加區(qū)分地將所有省市區(qū)放在同一前沿下衡量資源利用效率,則難以準確測度各區(qū)域真實的效率水平.本文考慮將共同前沿與超效率SBM模型結合起來(Meta-SSBM模型)研究各省區(qū)市的水-能源-糧食綠色靜態(tài)效率.其基本思想是通過構建共同前沿和群組前沿兩個不同的參考技術集,測算技術差距對不同地區(qū)效率的影響[25].假設全部決策單元可分為個具有某些技術異質性的群組,每個群組形成一個組前沿(group-frontier),包絡所有不同技術水平的前沿形成共同前沿(meta-frontier),每個決策單元有種投入,表示為=(1,2,…x),且=1,2,…,;種期望產出(好產出),表示為=(1,2,…,y),且=1,2,…,;種非期望產出(壞產出),表示為=(1,2,…,b),且=1,2,…,.則個(=1,2,…,)群組的群組技術集表示為h={(,,)},共同前沿的技術集表示為T={1∪2∪…∪T},則通過求解線性規(guī)劃方程組(1～2),可分別得到共同前沿效率值E和各群組前沿效率值E:

通過共同前沿下得出的WEF無效率(EI)可進一步分解為技術無效率(TI)與管理無效率(MI)兩部分[26-27],分別表示為:

TI=E×(1-TGR)=E×(1-E/E)=E-E(3)

MI=1-TGR=1-E(4)

EI=TI+MI =1-E(5)

式中:TI衡量的是不同地區(qū)的實際生產技術與共同前沿生產技術的差異所導致的技術無效率;MI衡量的是在一定的技術水平下,群組中某地區(qū)由于內部管理水平有限導致的管理無效率,通過對技術差距的分解可以進一步分析不同省區(qū)WEF效率提升的具體制約因素.

2.1.2 Meta-ML指數模型構建 超效率SBM模型的分析是針對某一時間的生產技術而言的,其測度的效率值是靜態(tài)效率,但是生產過程一般是一個長期變化的連續(xù)過程,技術在一定時期內是不斷進步的,因此,當評價單元的數據為包含多個連續(xù)時間點的面板數據時,就需要對技術效率的變動進行分析,由此產生了能夠測度技術效率變動趨勢的Malmquist生產率指數.Chung等[28]在Malmquist指數基礎上對其進行了改進,提出了能對非期望產出進行分析的Malmquist-Luenberger指數(ML指數),該模型不僅能夠將非期望產出考慮在內,而且可以同時考慮期望產出的增加和非期望產出的減少,克服了原有Malmquist指數的缺陷,因此可利用該模型對含有非期望產出的技術效率變化進行動態(tài)考察.

ML指數對動態(tài)效率的分析是假定全部被評價單元處于相同的技術水平,而當被評價單元分屬于不同的具有技術異質性的技術集合時,面對不同的生產邊界,繼續(xù)運用前面介紹的ML指數表示的動態(tài)效率就將因衡量基準不同,而無法進行被評價單元的比較.因此,在實際中,采用基于共同邊界思想的共同前沿(Meta-frontier)模型,評價和比較具有不同技術異質性的被評價單元.

本文將共同前沿與ML指數模型結合 (Meta- ML模型)研究各省區(qū)市的水-能源-糧食綠色動態(tài)效率.根據Oh[29]的觀點,時期到+1時期不分組整體的共同前沿ML指數(MML)和群組的全局ML指數(MML)分別有如下表示:

式中:、、b分別表示投入向量,期望產出向量和非期望產出向量;EC表示群組前沿下被評價單元在到+1時期的技術效率變化,稱為效率改善指數; BPG表示各群組內當期前沿與全局前沿之間的差距,BPC表示到+1時期BPG發(fā)生的變化,稱為技術進步指數;TGR表示技術缺口比率,代表各群組前沿與共同前沿之間的差距,TGC表示到+1時期TGR發(fā)生的變化,稱為技術差距比率變化指數.

2.1.3 泰爾指數模型 參考王兵等[30]的研究,假設T、T、T分別表示群組、和的泰爾指數值,根據泰爾指數的定義,3群組的內部差異計算公式表示為:

式中:D、Z、x分別代表東部、中部和西部的全要素綠色增長占全國全要素綠色增長的比例;表示第地區(qū)的全要素綠色增長占全國全要素綠色增長的比例;DZX分別代表東部、中部和西部的GDP占全國GDP的比例,Y表示第地區(qū)的GDP占全國GDP的比例.

以各地區(qū)GDP為權數,得到綠色效率增長的組內差異:

3群組之間的差異計算公式可表示為:

則基于泰爾指數的總差異:

2.2 指標選取與數據來源

鑒于數據的可獲得性與完整性,本文研究的樣本數據為2004～2018年期間中國30個省區(qū)市(除港、澳、臺、西藏外)的面板數據.另外基于前文模型構建,需考慮各地區(qū)之間的技術異質性,因此依據各地區(qū)經濟發(fā)展特征、地理分布、資源稟賦等國家統(tǒng)計局的劃分標準,將研究對象劃分為東部地帶、中部地帶和西部地帶3組,如表1所示.

表1 被評價省份的群組劃分

注:分組依據源:國家統(tǒng)計局網站.

參考既有的測度水-能源-糧食復合系統(tǒng)效率的相關文獻[11-16,18-20],同時根據文獻評述進行指標完善及確定.投入指標以資本存量、勞動力作為主要的非自然投入,以水資源、能源和糧食資源投入作為自然資源投入.產出指標包括期望產出和非期望產出,其中期望產出既考慮經濟產出也考慮社會產出;非期望產出既考慮碳排放量也考慮工業(yè)三廢排放.

(1)資本存量.我國官方沒有給出各種層面上資本存量的統(tǒng)計數據,學術界通常借鑒文獻[31]的計算方式,對中國省級資本采用永續(xù)盤存法(按照一定的效率模式把不同時期的投資流量加總成具有同質性的資本存量),并以基年進行平減折算.由此,參考既有文獻的普遍處理,本文對資本存量的計算也采用同樣方法.

(2)勞動力投入.勞動力變量是推動區(qū)域可持續(xù)發(fā)展的主體與核心要素,與各省資源消耗與經濟發(fā)展相輔相成,不僅是水資源、能源資源和糧食資源的主要生產和消費統(tǒng)一體,也是經濟產出的核心投入變量之一.本文采用通常做法,以各省(區(qū))第一二三產業(yè)加總的全部從業(yè)人口表示.

(3)水資源投入.以各省(區(qū))用水總量表示.

(4)能源投入.采用經折標煤統(tǒng)一換算后的各省(區(qū))能源消費總量來表示,涉及的能源資源包括煤炭、石油、天然氣等.各能源折標煤系數等參數參考《中國能源統(tǒng)計年鑒》進行計算.

(5)糧食播種面積投入.以各省(區(qū))的糧食播種面積表示.

(6)非期望產出.本文既考慮溫室氣體排放也考慮工業(yè)三廢(包括工業(yè)廢水、工業(yè)廢氣、工業(yè)固體廢棄物)排放.其中CO2排放量以CEADs表觀排放量核算法測度的CO2排放總量表示[32].

(7)期望產出.區(qū)別于既有研究,本文將經濟產出和社會產出同時納入期望產出考慮范圍,以突出水-能源-糧食復合系統(tǒng)對推動經發(fā)展和社會進步的貢獻.其中,經濟維度的期望產出選取以2004年為基期的各省(區(qū))GDP來衡量,代表在水、能源和糧食資源在利用的過程中為經濟發(fā)展所創(chuàng)造的經濟價值.社會維度期望產出用最終消費支出表征社會進步發(fā)展,代表水-能源-糧食資源綜合利用在滿足人民物質、文化和精神生活的需要和生活質量的改善與提升方面發(fā)揮的積極作用.

影響因素變量選取.由于水-能源-糧食資源稟賦以及人口空間分布與自然地理條件的密切關系,水-能源-糧食綠色效率空間分布特征和匹配格局會受到社會發(fā)展因素、經濟發(fā)展水平、技術進步、教育水平以及飲食結構因素的影響,因此以2004～ 2018年水-能源-糧食綠色效率為因變量,選取社會因素(以城鎮(zhèn)化率和人口密度表征)、經濟因素(以人均GDP表征)、技術進步(以科技支出占財政支出比重表征)、教育因素(以教育支出占財政支出比重表征)、飲食結構因素(以人均肉類產量和人均蔬菜產量表征)5方面7個指標為自變量.

各指標數據主要來源于中國經濟社會大數據平臺、EPS數據平臺以及歷年《中國統(tǒng)計年鑒》、《中國農業(yè)統(tǒng)計資料》、《中國能源統(tǒng)計年鑒》、《中國環(huán)境統(tǒng)計年鑒》以及各省歷年統(tǒng)計年鑒、國民經濟和社會發(fā)展統(tǒng)計公報[33-36].部分數據依據直接獲取的原始數據基礎上計算得到,例如城鎮(zhèn)化率、人口密度、技術進步、教育因素等比例數據在人口總量、土地面積、財政支出、科技支出、教育支出的原始數據基礎上計算.

3 水-能源-糧食綠色效率測度與區(qū)域差異

3.1 靜態(tài)效率測度及群組差異

將所有投入產出單元,分3組構造群組技術集,測度中國30個省市區(qū)2004～2018年的共同前沿(表2)和群組前沿(表3～5)WEF全要素綠色效率.

通過對表2的結果展示和分析可知:

共同前沿下中國各省市區(qū)的WEF全要素綠色效率普遍偏低,2004～2018年期間,只有北京、天津、上海、江蘇、浙江、山東、廣東、安徽8省在各年份均位于共同前沿上(即效率值為大于1的水平,達到共同技術水平下的有效標準),代表了WEF全要素綠色利用效率的最高水平.其他22個省份相對于共同前沿面的差距明顯較大(即距離達到共同技術水平下效率值1的距離仍然較遠),其中寧夏、青海、新疆、山西的結果與陳哲軒等[14]的研究保持一致,四地區(qū)距離前沿面的位置最遠,距離達到最優(yōu)水平任重道遠.而在文獻[11-12]的研究中,寧夏、青海的相對效率屬高值區(qū),新疆屬低值區(qū),主要原因在于其考察指標中未納入碳排放及社會產出,故其結論存在高估的可能.

表2 共同前沿下的WEF全要素綠色效率

隨著時間推移,一些省份在部分年份達到了前沿面,但效率波動現象明顯.例如內蒙古、甘肅、河南等地,說明這些省份在提高水-能源-糧食效率方面做出的努力雖收到了一定成效,但效果不具備持續(xù)性,對該省份的現實政策有一定警示作用.

有14個省份在研究期間從未達到共同前沿,即WEF全要素綠色利用效率從未達到過最優(yōu)情況,占比高達46.7%,并且這一現象在黃河流域9省份表現最為突出,除山東省外,黃河流域其他8省份在全時段內均為達到最優(yōu)水平.

總體而言,本文的結論與陳哲軒等[14]的研究保持一致,在共同技術前沿下,中部和西部地帶的WEF全要素綠色利用效率遠遠落后于東部地帶,存在著極大的效率提升空間.

基于共同前沿的考慮,忽略地區(qū)間的技術異質性,導致整體效率水平被低估.將區(qū)域分為3個群組,納入群組異質性考量,重新測度群組前沿下各組效率,通過對比可以明確各省份效率提高的潛力,對各省份做出下一步規(guī)劃和努力提供方向.

根據群組前沿(表3～5)的結果和分析可知:

東部地帶的北京、天津、上海、江蘇、浙江、山東、廣東一直位于群組前沿上,這與這些省份相對發(fā)達的經濟、合理的產業(yè)工業(yè)結構以及領先的經營管理水平密不可分;而河北、遼寧由于重工業(yè)比重較大,福建民族聚居等因素導致其距離最佳前沿仍有相當的距離.

表3 群組前沿下東部地帶WEF全要素綠色效率

表4 群組前沿下中部地帶WEF全要素綠色效率

表5 群組前沿下西部地帶WEF全要素綠色效率

中部地帶除江西省外,其他7省在各個年份均始終位于群組前沿,代表了該群組的最佳實踐.表明近年來中部地區(qū)在加大對水資源、能源和糧食利用效率方面所做的努力成效顯著.

西部地帶內蒙古、廣西、重慶、四川、貴州、陜西、青海、新疆始終位于群組前沿,代表了該組的最佳實踐.而云南省在2011, 2012, 2018年,甘肅省在2004和2005年、寧夏地區(qū)在2006, 2007和2009年群組前沿下的綠色全要素效率較低.

為了更加直觀地觀測東部地帶、中部地帶和西部地帶3群組之間的效率差別和原因挖掘,進行描述性統(tǒng)計(表6).

表6 共同前沿和組前沿下WEF全要素綠色效率對比

從縱向比較看,WEF全要素綠色效率整體水平較低且區(qū)域間差異明顯,共同前沿下的三大地帶排序表現為:東部>中部>西部,群組前沿下排序表現為:中部>西部>東部,存在較大的提升空間.此外,共同前沿下,只有東部地區(qū)的WEF全要素綠色效率在全國平均水平之上;而在組前沿下,只有中部地區(qū)的WEF全要素綠色效率高于全國平均水平.

從橫向比較看,3群組前沿下的WEF全要素綠色效率要高于共同前沿下的WEF全要素綠色效率.原因在于,在群組前沿下,各組參照的基準是組內的技術前沿,WEF全要素綠色效率值體現的只是在自身技術條件下的效率水平;而在共同前沿下,參照基準是全國層面的最佳技術前沿水平.

從分組角度看,指標標準差呈現東部>中部>西部的分布特點,這意味著在區(qū)域內現有的綠色生產技術水平下,東部地帶的WEF全要素綠色效率具有最大的組內差異性,而西部地帶則具有最小的組內方差,這說明在不考慮技術進步的前提下,西部地帶的省份大多經濟不發(fā)達,經營管理水平相對差異性較小,在管理經驗、硬件設施、人才儲備和技術利用等方面與東部地帶和中部地帶均有較大差距,從而使其在組前沿下效率的離散程度最小.

3.2 綠色效率的技術差距分析

在測算了共同前沿和群組前沿下中國各省區(qū)市的靜態(tài)效率后,進一步利用技術差距比率(TGR)的分解來判斷東部、中部和西部地帶3大群組的WEF全要素綠色效率差距的真正原因.

由圖1可以看出,3大地帶之間的效率總損失、管理無效率和技術無效率隨時間的變化趨勢均表現出明顯的差異性,就效率總損失而言,西部>中部>東部;就管理無效率而言,西部>東部>中部;就技術無效率而言,西部>中部>東部.

東部地帶效率總損失在0.087上下呈現波動式上升態(tài)勢,技術無效率平均值為0.017且波動不明顯,而其管理無效率平均值為0.071且整體表現出上升態(tài)勢.由于該區(qū)域大部分省區(qū)達到了最優(yōu)生產前沿面,因此其無效率的來源主要是由管理無效決定的,并且管理無效逐漸趕超西部和中部地區(qū),因此對于東部地區(qū)而言,需要努力改進管理水平,同時發(fā)揮其技術優(yōu)勢,幫扶中部和西部地區(qū).

中部地帶呈現上升-下降-上升的反復趨勢,且整體在0.498附近波動,管理無效率平均值為0.015,技術無效率平均值為0.483,說明其總體效率得到一定改善和提高,但效果存在一定反復,需注意政策的持續(xù)性和穩(wěn)定性;同時,該區(qū)域的無效率主要由技術無效決定,歷年的技術無效遠高于管理無效,因此要改善中部地區(qū)的無效狀態(tài),需要在保障和穩(wěn)定管理水平的基礎上,加大技術投入力度,重點提高技術水平.

西部地帶總效率損失、技術無效率和管理無效率平均值分別為0.799, 0.727和0.072,不僅總效率損失歷年均為最大值,遠超其他2個區(qū)域且上升速度最快,而且其歷年的技術無效率也均大于東部和中部地區(qū),同時,管理無效率上升趨勢也較為明顯.由此可見,該地區(qū)無效率是由技術無效和管理無效共同決定的,且歷年技術無效率占比要高于管理無效率占比,這主要是由于西部經濟不發(fā)達導致資源利用技術應用受阻,另外生態(tài)環(huán)境與氣候條件相對惡劣也一定程度上降低了西部地區(qū)的資源利用效率.

4 水-能源-糧食動態(tài)綠色效率與區(qū)域差異

以上計算的WEF全要素綠色效率是不包含時間趨勢的靜態(tài)效率,只從靜態(tài)角度來研究WEF全要素綠色效率,并不能很好地揭示其在一段時期內動態(tài)變化的情況,通常需要結合ML效率指數來研究效率的動態(tài)變化.

4.1 動態(tài)效率指數分解與比較

利用Meta-ML指數模型測算中國30個省市區(qū)2004～2018年共同前沿下的WEF全要素綠色效率增長率,并依次將其分解為效率改善指數(EC)、技術進步指數(BPC)及技術差距比率變化指數(TGC),以所有年度幾何平均值列出(表7).

表7 2004～2018年MML指數及其分解

從橫向比較來看:

技術效率方面,山西、內蒙、遼寧、吉林、黑龍江、上海、福建、廣東、廣西、重慶、云南、陜西、青海、新疆14個省份出現了技術效率下降,需要加強資源節(jié)約和污染減排等方面的制度與管理創(chuàng)新以促進技術效率提升.

技術進步方面,各省份均未出現技術退步,體現了各省對科技創(chuàng)新、資源節(jié)約與污染減排方面技術水平提升足夠的重視并取得了一定效果.

技術差距比率方面,在考察期內,東部>中部>西部,東部包含的11省中有10個省份的全要素綠色技術差距比率全部為1,這說明在整個考察期東部代表了全國潛在最優(yōu)技術水平,是中部和西部“趕超”參考的技術標桿.中部和西部所含省份的技術差距比率曲線波動明顯,說明中部和西部正在努力追趕,但中部和西部各省份趕超的能力存在明顯差異.

從縱向比較來看:

東部地帶(除了河北、遼寧、福建之外)的MML指數高于全國平均水平,而技術效率改善與技術進步兩項指數均高于全國平均水平,說明東部地區(qū)WEF綠色全要素生產率提升的主要原因是技術進步和技術差距比率的縮小.

中部地帶除了安徽和河南之外,WEF全要素綠色效率增長均低于全國平均水平,且技術改善和技術進步兩方面的指數也低于全國平均水平.由此可見,中部地區(qū)綠色生產率的降低主要源于技術進步的放緩和技術差距比率的擴大,同時也意味著中部地區(qū)需要加強制度及管理創(chuàng)新,關注科技創(chuàng)新著力改善效率,提升技術進步.

西部地帶除了四川外,WEF全要素綠色效率增長均低于全國平均水平,技術改善指數只有四川、寧夏、甘肅,技術進步指數只有內蒙古、寧夏和新疆高于全國平均水平,其余省份均低于全國平均水平,可見該組WEF全要素綠色生產率出現的退步主要是由技術效率退步和技術差距比率擴大引致的.

4.2 動態(tài)效率的群組差異分解

為了分析動態(tài)效率的群組差異程度,采用泰爾指數模型將總差異分解為群組間差異和群組內差異,并測算群組內差異和群組間差異對總差異的貢獻程度.泰爾指數取值范圍為[0,1],越接近1則表明差異程度越大,反之,越小.

表8顯示,西部地帶綠色效率增長率的泰爾指數最大,2012年之前中部地帶次之,東部地帶最小; 2012年之后東部地帶的泰爾指數逐漸超過中部地帶.西部地帶2005年的泰爾指數為0.305,2018年下降到0.264,內部差異呈縮小趨勢,主要由于其水資源、能源和糧食資源基本可以實現自給自足,且人口規(guī)模較小、政策傾斜等扶持優(yōu)惠,其內部差異基本穩(wěn)定在0.287左右.中部地帶能源和糧食資源可以實現供需平衡,但水資源缺乏、人口規(guī)模龐大等因素制約了效率的提升,但隨著涉及中部六省的中部崛起計劃的推進實施效果逐步顯現,部分抵消了資源制約導致的差異.

中國水-能源-糧食復合系統(tǒng)的全要素綠色效率群組總差異維持在0.299左右,該差異由群組內差異和群組間差異加總得到,其中群組內差異是主要來源.如表8所示,隨著政府對“水資源安全”、“能源供給側”、“三農”問題重視程度的加深,用水結構、用能結構和農業(yè)生產結構不斷得以改善,從而有效縮小了群組間的差距,群組間的泰爾指數從2005年0.130降低至2018年的0.064,體現了國家政策在東部、中部和西部地帶之間的平衡做得相對到位.群組內的泰爾指數值也在縮小,但整體波動明顯且減少幅度較小,從2005年0.207減少到2017年的0.190,僅下降了0.017,因此,要更加注重東部、中部和西部地帶內部的平衡協(xié)調增長,發(fā)揮地區(qū)內部的比較優(yōu)勢,因地制宜推廣資源節(jié)約技術,激發(fā)不同的增長動能,逐步縮小地區(qū)內部差異,實現地區(qū)內部和地區(qū)之間的協(xié)調同步發(fā)展.

表8 MML指數群組差異分解

5 水-能源-糧食全要素綠色效率影響因素研究

5.1 空間自相關檢驗

由測算出的各年份水-能源-糧食全要素綠色效率,運用GeoDa軟件計算Moran’s指數(表9).

由表9可以看出,在研究期間內Moran’s指數均為正值,其中2018年的Moran’s指數為0.0209,未通過顯著性檢驗,其他年份均通過檢驗,表明MML指數存在顯著的正向空間相關關系,呈現出較強的空間集聚態(tài)勢.Moran’s指數由2005年的0.0639上升為2013年的0.1447,呈弱上升態(tài)勢,表明在此期間MML的空間相關顯著性有所增強,集聚的態(tài)勢有所凸顯.但同時,這一研究期間的Moran’s指數波動趨勢也十分明顯,在2011年達到最高點,2014年之后整體呈現下降趨勢,這表明MML指數的空間聚集程度在下降.綜觀整個研究區(qū)間,空間分布格局不夠穩(wěn)定,容易發(fā)生波動.

表9 MML指數的Moran’s I檢驗

5.2 空間計量模型選擇

由上述分析可知,MML指數存在較為明顯的空間相關性和依賴性,使用普通回歸模型會因為地理空間因素的影響而高估或低估某些因素的作用,而空間計量模型能夠將空間效應囊括進來,故選擇空間計量模型來檢驗MML指數的影響因素.

選擇空間計量模型之前,需先進行LM檢驗確定模型類別,本文基于MATLAB對2004～2018年面板數據進行LM檢驗,結果顯示,LM-lag和LM-error均通過顯著性檢驗,但相比而言LM-error顯著性檢驗結果更優(yōu),由此根據Anselin判別準則,確定本文使用空間誤差模型,分別對無空間效應(NSE)、時間固定效應(TFE)、空間固定效應(SFE)及時空雙固定效應(STFE)的空間誤差模型檢驗,以比較和選取最合理的模型(表10).與其他3種效應相比,時空雙固定效應的空間誤差模型的判定系數為0.938,而Log- likelihood值為-415.72,結果最佳.據此選擇時空雙固定效應空間誤差模型進行影響因素分析.

表10 空間誤差模型估計及檢驗結果

注:***、**、*分別表示在1%、5%、10%的水平上顯著.NSE為無空間效應,TFE為時間固定效應,SFE為空間固定效應,STFE為時空雙固定效應.

5.3 空間計量結果分析

城鎮(zhèn)化率(UR).城鎮(zhèn)化率提升是引起MML指數降低的第一因素.城鎮(zhèn)化率系數為-0.254,通過1%的顯著性水平檢驗,表明城鎮(zhèn)化率每升高1%,水-能源-糧食綠色效率降低25.4%.與已有文獻[14,37]結論一致.通常城市人口更追求生活品質,每增加一個城市人口要消耗更多的水資源、能源和糧食資源,因此單位城市化率引起的水-能源-糧食綠色效率指數變化更高.

人口密度(PD).人口密度增大是引起MML指數降低的第二因素.人口密度系數為-0.194,表明人口密度每增加1%,水-能源-糧食綠色效率降低19.4%.人口密度越大,對水資源、能源和糧食的需求量就越大,加之我國人口密集分布,資源供應緊張,對水-能源-糧食綠色效率有明顯負面影響.

人均GDP(PGDP).系數為-0.21,表明人均GDP每升高1%,水-能源-糧食綠色效率降低21%.與文獻[14,37]研究結論一致.居民物質生活水平的提升與資源的大量消耗需求是成正比的,當前大眾消費觀念、消費方式等存在的非“綠色”消費觀念、模式,均不利于水-能源-糧食綠色效率的提升.

科技支出占財政支出比重(TP).系數為0.118,表明科技支出占比每升高1%,水-能源-糧食綠色效率將提高11.8%.與已有文獻[14,37]結論一致.科技投入的增加可以有效促進水資源、能源和糧食生產端的技術工藝改善,提高在消費端的高效利用和降低不必要的損耗及浪費,從而提升了水-能源-糧食綠色效率.

教育支出占財政支出比重(ED).系數為0.215,表明教育支出占比每升高1%,水-能源-糧食綠色效率將提高21.5%.與已有文獻[14,37]結論一致.教育投入的增加有利于完善地區(qū)教育體系,提高教學質量,促進國民素質提升,對于培養(yǎng)綠色消費、減少資源浪費、有效節(jié)約資源有積極作用.

人均肉類產量(PGMP)和人均蔬菜產量(PGVP).二者的系數分別為0.036和0.195,表明二者每升高1%,水-能源-糧食綠色效率將分別升高3.6%和19.5%.我國飲食結構以肉類居多,生產技術成熟,生產肉類產品消耗水、土地和能源相對量較低,而生產蔬菜耗費水、土地及能源資源相對量較高,故人均蔬菜產量對水-能源-糧食綠色效率的影響更大.

6 建議

為有效推動綠色效率的提升,需從群組實際出發(fā),制定短期、中期和長期政策規(guī)劃,實現東部、中部和西部地帶的綠色效率均衡性,推動共同前沿向群組前沿技術靠近.

從短期看,以達到群組前沿技術為參照,逐步消除組內差異.東部地帶作為最佳前沿技術參照,一方面要通過管理改革提高投入與產出要素配置的管理效率,另一方面應定向支持技術落后的西部和中部地帶,輸出水-能源-糧食先進技術和專業(yè)人才,共享先進管理經驗,針對性地降低中部地帶技術無效率、西部地區(qū)管理-技術雙無效,在改善自身效率前提下,幫助西部和中部地帶提升在現有技術條件下的效率表現,促進各區(qū)域達到群組技術前沿.

從中期看,以達到共同前沿技術為參照,逐步縮小組間差異.克服勞動力、資本、資源等在東部、中部和西部地帶區(qū)域間自由流動的障礙,支持東部先進技術轉移支持和中西部推廣學習,擴大區(qū)域之間技術交流與人才流動,逐步縮小中、西部地帶與東部地帶之間在水資源高效利用、能源智能開采、農業(yè)規(guī)模化集約化經營等方面的技術差距,逐步消除導致管理與技術方面的無效率因素,提升技術落后的中、西部地區(qū)在共同前沿下的效率表現,促進各區(qū)域達到共同技術前沿.

從長期看,以推動共同前沿技術實現躍遷性前移為目標,帶動全國所有省份的效率表現實現共同提升.通過地區(qū)內部技術和管理提升,地區(qū)間的技術轉移支持和推廣學習,逐步縮小區(qū)域內部和區(qū)域間管理經驗、硬件設施、人才儲備和技術利用差距,促進實現全國所有省份效率共同進步.

從影響因素看,首先,要提高城鎮(zhèn)化質量和效益,避免人口空間分布極化,合理劃分城市人口功能分區(qū),進而針對各功能區(qū)實施差異化引導,均衡布局人口,促進地區(qū)人口均衡發(fā)展.其次,促進飲食結構多樣化,保護和高效利用耕地資源,提高單位面積產量.第三,增加教育和科技投入,著力提高國民素質,提高公民節(jié)約環(huán)保意識,通過技術和知識溢出推進科技進步.第四,促進經濟轉型發(fā)展也是提升水-能源-糧食效率的有效途徑,要大力發(fā)展綠色環(huán)保產業(yè)和高技術產業(yè),推動經濟高質量發(fā)展.

7 結論

7.1 從靜態(tài)效率測度及群組差異看,共同前沿和群組前沿基準會導致效率評價存在差異.東部地帶在兩類前沿下的WEF全要素綠色利用效率基本無差異,而中部和西部地帶在兩種前沿下的效率差異性較大,說明東部地帶基本達到了其組內潛在的最優(yōu)技術水平,而在組前沿下效率表現良好的中部和西部地帶均存在被高估的風險,距離全國范圍內最優(yōu)綠色生產技術仍有較大差距.

7.2 從綠色效率的技術差距分析看,3大群組無效率的主要原因存在差異性,西部地帶的效率總損失、管理無效率、技術無效率平均值均明顯大于東部和中部地帶.東部地區(qū)、中部地區(qū)和西部地區(qū)低效率的主要原因分別是管理低效率、技術低效率以及管理低效率和技術低效率并存.

7.3 從動態(tài)效率指數分解和比較看,考察期內14個省份出現技術效率下降,各省份均未出現技術退步,東部技術差距比率最大,其次是中部和西部.分地區(qū)看,東部地帶WEF綠色全要素生產率最高,其提升的主要原因是技術進步和技術差距比率的縮小;中部和西部地帶綠色生產率的降低主要源于技術進步的放緩和技術差距比率的擴大.

7.4 從動態(tài)效率群組差異分解看,綠色效率增長率的泰爾指數在2012年之前表現為西部>中部>東部,2012年之后,西部>東部>中部;群組內差異遠大于群組間差異,內部差異是造成總差異的主要原因,且西部地區(qū)群組內差異最明顯,但得益于資源稟賦和政策優(yōu)惠的優(yōu)勢支持,其內部差異呈縮小趨勢.

7.5 社會因素>經濟因素>飲食結構因素>教育因素>技術因素.其中,教育支出占財政支出比重、科技支出占財政支出比重、人均肉類產量和人均蔬菜產量與水-能源-糧食綠色效率同向變化;城鎮(zhèn)化率、人口密度、人均GDP則與之反向變化.

[1] International Energy Agency. World energy outlook 2015 [R]. Paris: International Energy Agency, 2015.

[2] United Nations World Water Assessment Programmer. The United Nations world water development report 2016: Water and jobs [R]. Paris: UNESCO, 2016.

[3] Food and Agriculture Organization of the United Nations. Leveraging food systems for inclusive rural transformation: The state of food and agriculture 2017 [R]. Rome: Food and Agriculture Organization of the United Nations, 2017.

[4] Ringler C, Bhaduri A, Lawford R. The nexus across water, energy, land and food (WELF): potential for improved resource use efficiency? [J]. Current Opinion in Environmental Sustainability, 2013,5(6):617- 624.

[5] 支彥玲,陳軍飛,王慧敏,等.共生視角下中國區(qū)域“水-能源-糧食”復合系統(tǒng)適配性評估[J]. 中國人口·資源與環(huán)境, 2020,30(1):129-139.

Zhi Y L, Chen J F, Wang H M, et al. Assessment of water-energy-food nexus fitness in China from the perspective of symbiosis [J]. China Population, Resources and Environment, 2020,30(1):129-139.

[6] 于宏源,李坤海.中亞“水-能源-糧食”安全紐帶:困境、治理及中國參與[J]. 俄羅斯東歐中亞研究, 2021,238(1):84-105,157.

Yu H Y, Li K H. “Water-Energy-Food” security ties in central Asia: dilemma, governance and China’s participation [J]. Russian, East European & Central Asian Studies, 2021,238(1):84-105,157.

[7] 張 峰,王 晗,薛惠鋒.環(huán)境資源約束下中國工業(yè)綠色全要素水資源效率研究 [J]. 中國環(huán)境科學, 2020,40(11):5079-5091.

Zhang F, Wang H, Xue H F. China's industrial green total factor water efficiency under the constraints of environment and resource [J]. China Environmental Science, 2020,40(11):5079-5091.

[8] 陳菁泉,劉 娜,馬曉君.中國八大綜合經濟區(qū)能源生態(tài)效率測度及其驅動因素[J]. 中國環(huán)境科學, 2021,41(5):2471-2480.

Chen J Q, Liu N, Ma X J. Energy eco-efficiency measurement and driving factors of China's eight comprehensive economic zones [J]. China Environmental Science, 2021,41(5):2471-2480.

[9] 馬曉君,魏曉雪,劉 超,等.東北三省全要素能源效率測算及影響因素分析 [J]. 中國環(huán)境科學, 2017,37(2):777-785.

Ma X J, Wei X X, Liu C, et al. The analysis of total factor energy efficiency calculation and influence factors of the three northeast provinces [J]. China Environmental Science, 2017,37(2):777-785.

[10] 陳菁泉,信 猛,馬曉君,等.中國農業(yè)生態(tài)效率測度與驅動因素 [J]. 中國環(huán)境科學, 2020,40(7):3216-3227.

Chen J Q, Xin M, Ma X J, et al. Chinese agricultural eco-efficiency measurement and driving factors [J]. China Environmental Science, 2020,40(7):3216-3227.

[11] 陸文聰,劉 聰.化肥污染對糧食作物生產的環(huán)境懲罰效應 [J]. 中國環(huán)境科學, 2017,37(5):1988-1994.

Lu W C, Liu C. The “environmental punishment” effect of fertilizer pollution in grain crop production [J]. China Environmental Science, 2017,37(5):1988-1994.

[12] Li G J, Huang D H, Li Y L. China's input-output efficiency of water-energy-food nexus based on the data envelopment analysis (DEA) model [J]. Sustainability, 2016,8(9):1-16.

[13] 李桂君,黃道涵,李玉龍.中國不同地區(qū)水-能源-糧食投入產出效率評價研究 [J]. 經濟社會體制比較, 2017,191(3):138-148.

Li G J, Huang D H, Li Y L. Evaluation on the efficiency of the input and output of water-energy-food in different regions of China [J]. Comparative Economic & Social Systems, 2017,191(3):138-148.

[14] 陳哲軒,張士強,李成宇.中國省際水-能源-糧食綜合利用效率研究 [J]. 山東科技大學學報(社會科學版), 2021,23(2):84-93.

Chen Z X, Zhang S Q, Li C Y. Research on inter-provincial water-energy-food comprehensive utilization efficiency in China [J]. Journal of Shandong University of Science and Technology (Social Sciences), 2021,23(2):84-93.

[15] Liu Y, Wang W, Li X, et al. Eco-efficiency of urban material metabolism: A case study in Xiamen, China [J]. International Journal of Sustainable Development & World Ecology, 2010,17(2):142-148.

[16] Ibrahim M D, Ferreira D C, Danes H S, et al. Transnational resource generativity: Efficiency analysis and target setting of water, energy, land, and food nexus for OECD countries [J]. Science of the Total Environment, 2019,697(11):1-13.

[17] Han D N, Yu D Y, Cao Q. Assessment on the features of coupling interaction of the food-energy-water nexus in China [J]. Journal of Cleaner Production, 2019,249(12):1-15.

[18] 周露明,謝興華,朱珍德,等.基于水-能源-糧食紐帶關系的農業(yè)資源投入產出效率研究[J]. 農業(yè)資源與環(huán)境學報, 2020,37(6):875-881.

Zhou L M, Xie X H, Zhu Z D. Input-output efficiency of agricultural resources based on the water-energy-food nexus [J]. Journal of Agricultural Resources and Environment, 2020,37(6):875-881.

[19] 陳軍飛,晏霄云.我國農業(yè)區(qū)水資源-能源-糧食系統(tǒng)協(xié)調適配與農業(yè)產出——基于人力資本門檻效應的實證 [J]. 科技管理研究, 2020,40(5):215-223.

Chen J F, Yan X Y. Coordinated suitability of water-energy-food system and agricultural output on agricultural areas in China: an empirical research based on the threshold effect of human capital [J]. Science and Technology Management Research, 2020,40(5):215-223.

[20] Zhang T M, Xu Y J. Evaluation on the efficiency of water-energy- food nexus based on date envelopment analysis (DEA) and malmquist in different regions of China [J]. International Journal of Computational Intelligence Systems, 2019,12(2):1649-1659.

[21] Zheng J Z, Wang W G, Chen D, et al. Exploring the water–energy– food nexus from a perspective of agricultural production efficiency using a three-stage data envelopment analysis modelling evaluation method: a case study of the middle and lower reaches of the Yangtze River, China [J]. Water Policy, 2019,21(1):49-72.

[22] 孫才志,郝 帥,趙良仕.中國水資源-能源-糧食紐帶系統(tǒng)效率時空分異特征 [J]. 水資源保護, 2021,37(1):61-68,78.

Sun C Z, Hao S, Zhao L S. Spatial-temporal differentiation characteristics of water resources-energy-food nexus system efficiency in China [J]. Water Resources Protection, 2021,37(1):61-68, 78.

[23] Sun C Z, Yan X D, Zhao L S. Coupling efficiency measurement and spatial correlation characteristic of water–energy–food nexus in China [J]. Resources, Conservation and Recycling, 2021,164(1):1-11.

[24] Tone K. A Slacks-based measure of super-efficiency in data envelopment analysis [J]. European Journal of Operational Research, 2002,143(1):32-41.

[25] Zhang N, Kim J D. Measuring sustainability by energy efficiency analysis for Korean power companies: A sequential slacks-based efficiency measure [J]. Sustainability, 2014,6(3):1414-1426.

[26] 方 琳,吳鳳平,王新華,等.基于共同前沿SBM模型的農業(yè)用水效率測度及改善潛力[J]. 長江流域資源與環(huán)境, 2018,27(10):2293- 2304.

Fang L, Wu F P, Wang X H, et al. Analysis of agricultural water efficiency measurement and improvement potential based on meta frontier SBM model [J]. Resources and Environment in the Yangtze Basin, 2018,27(10):2293-2304.

[27] 王 旭,王應明,溫檳檐.技術異質性視角下中國工業(yè)能源環(huán)境效率時空演化及其驅動機制研究[J]. 系統(tǒng)科學與數學, 2020,40(12): 2297-2319.

Wang X, Wang Y M, Wen B Y. Spatial-temporal evolution and driving mechanism of China's industrial energy and environmental efficiency from the perspective of technological heterogeneity [J]. Journal of Systems Science and Mathematical Sciences, 2020,40(12):2297-2319.

[28] Chung Y, F?re R. Productivity and undesirable outputs: A directional distance function approach [J]. Microeconomics, 1997,51(3):229-240.

[29] Oh D H. A meta-frontier approach for measuring an environmentally sensitive productivity growth index [J]. Energy Economics, 2010,32(1): 146-157.

[30] 王 兵,曾志奇,杜敏哲.中國農業(yè)綠色全要素生產率的要素貢獻及產區(qū)差異——基于Meta-SBM-Luenberger生產率指數分析 [J]. 產經評論, 2020,11(6):69-87.

Wang B, Zeng Z Q, Du M Z. The factor contribution and difference of producing areas of China’s agricultural green total factor productivity growth: Based on Meta-SBM-Luenberger productivity index [J]. Industrial Economic Review, 2020,11(6):69-87.

[31] 單豪杰.中國資本存量K的再估算:1952～2006年 [J]. 數量經濟技術經濟研究, 2008,25(10):17-31.

Shan H J. Re-estimation of China's capital stock K: 1952～2006 [J]. The Journal of Quantitative & Technical Economics, 2008,25(10): 17-31.

[32] Shan Y L, Liu J H, Liu Z, et al. New provincial CO2emission inventories in China based on apparent energy consumption data and updated emission factors [J]. Applied Energy, 2016,184:742-750.

[33] 國家統(tǒng)計局.中國統(tǒng)計年鑒 [M]. 北京:中國統(tǒng)計出版社, 2005-2019.

The National Bureau of Statistics of China. China statistical yearbook [M]. Beijing: China Statistics Press, 2005-2019.

[34] 國家統(tǒng)計局農村社會經濟調查司.中國農業(yè)統(tǒng)計資料(1949～2019) [M]. 北京:中國統(tǒng)計出版社, 2020.

Department of Rural Society and Economy of the National Bureau of Statistics of China. China agricultural statistics (1949～2019) [M]. Beijing: China Statistics Press, 2020.

[35] 國家統(tǒng)計局能源司.中國能源統(tǒng)計年鑒 [M]. 北京:中國統(tǒng)計出版社, 2005-2019.

Energy Department of National Bureau of Statistics. China energy statistics yearbook [M]. Beijing: China Statistics Press, 2005-2019.

[36] 國家統(tǒng)計局能源司.中國環(huán)境統(tǒng)計年鑒 [M]. 北京:中國統(tǒng)計出版社, 2005-2019.

Energy Department of National Bureau of Statistics. China environmental statistics yearbook [M]. Beijing: China Statistics Press, 2005-2019.

[37] Chen J F, Ding T H, Wang H M, et al. Research on total factor productivity and influential factors of the regional water–energy–food nexus: A case study on Inner Mongolia, China [J]. International Journal of Environmental Research and Public Health, 2019,16(17): 1-21.

致謝：摘要等英文部分在張博教授的協(xié)助下完成,在此致以誠摯的感謝.

Regional water-energy-food green efficiency and heterogeneity and their influencing factors.

ZHANG Jing-jing1,2, WANG Wen-sheng1,2*, LI Yang3

(1.School of Management, China University of Mining and Technology-Beijing, Beijing 100083, China；2.Institute of Decision Science and Big Data, China University of Mining and Technology (Beijing), Beijing 100083, China；3.Technology and Economics Research Institute, China Energy Investment Group Co, Ltd, Beijing 102211, China)., 2022,42(1)：483～496

In view of the green development concept, a multi-dimensional input-output index system was established by constructing Meta-SSBM and Meta-Malmquist-Luenberger models. The static and dynamic green efficiencies of water-energy-food across the mainland of China during 2004～2018 were evaluated. The characteristics of temporal and spatial differences at the green development level in terms of the east, central and western areas were correspondingly decomposed by the Theil index. The results show that: (1) there was a great difference in the efficiency under the meta- and group-frontier caused by the inefficiency of the technology gap, being the potential optimized technical level in the eastern area and being a risk of overestimation in both the central and western areas; (2) the inefficient implementation of both management and technology was responsible for the inefficiency in the eastern area, the central area and the western area ; (3) the highest growth rate of water-energy-food green TFP in eastern area was due mainly to technological progress, and the decline in green TFP in the central and western areas due to the slow down in technological progress; (4) the Theil index of green TFP growth rate in the western area was the highest and the difference within the group was much greater than that among the groups, especially for the western area; (5) the proportion of the education and the science and technology expenditure in the fiscal expenditure, per capita meat production, and per capita vegetable production, along with the water-energy-grain green TFP, changed in the same direction, but in the opposite direction for urbanization rate, population density, and per capita GDP.

water-energy-food；green efficiency；Meta-SSBM-ML model；meta-frontier model；regional heterogeneity

X32,F205

A

1000-6923(2022)01-0483-14

張靜靜(1988-),女,河南焦作人,中國礦業(yè)大學(北京)博士研究生,主要從事資源與環(huán)境經濟研究.發(fā)表論文6篇.

2021-06-09

國家重點研發(fā)計劃(2017YFC0404604);中國工程科技發(fā)展戰(zhàn)略寧夏研究院(2018ZLZX0007);國家社科基金項目(16BJY054)

* 責任作者, 教授, wws@cumtb.edu.cn