0 引言
中共中央、国务院印发的《黄河流域生态保护和高质量发展规划纲要》指出,黄河流域最大的矛盾是水资源短缺。习近平总书记强调,要精打细算用好水资源,从严从细管好水资源。足见水资源高效利用是黄河流域高质量发展亟待解决的问题。黄河流域覆盖青海、四川、甘肃、宁夏、内蒙古、陕西、山西、河南、山东9个省份(沿黄九省),大部分地处干旱半干旱区,人均水资源占有量仅是全国平均水平的四分之一,且产业结构以高耗水量的工农业为主。工业是国民经济的主导产业,也是仅次于农业的第二用水大户。根据2019年中国水资源公报,全国用水总量为6 021.2亿m³,其中农业用水3 682.3亿m³,工业用水1 217.6亿m³,生活用水871.7亿m³。水资源是工业发展的基础性资源,工业化的快速推进使得工业生产对水资源的消耗急剧增加,同时水资源短缺及水环境污染反向加剧了对工业生产的影响。在水环境污染方面,工业废水污染物排放量远高于农业。《中国环境统计年鉴》显示,2019年全国废水排放中化学需氧量排放总量中,工业排放量达771 611 t,农业排放量为186 126 t,仅是工业的四分之一;全国废水排放中氨氮排放总量中,工业排放量为34 911 t,农业排放量只有工业的10.5%,为3 683 t。在黄河流域生态保护和高质量发展上升为国家战略的背景下,水资源的供需矛盾和经济的高质量发展目标对工业生产“节水降耗减排”提出了更高要求。所以,如何科学高效利用水资源,稳步提升沿黄九省工业水资源效率,对推动黄河流域生态保护和高质量发展具有重要的现实意义。
水资源效率是衡量水资源投入产出关系的重要指标[1 ] ,具体指通过利用水资源而获取的产出与相关生产要素投入的比值[2 ] 。工业水资源效率衡量的是工业水资源的投入产出关系,现有研究成果集中于两方面:工业水资源效率测度和工业水资源效率的影响因素。
工业水资源效率测度。在方法上多选择随机前沿法(Stochastic Frontier Approach,SFA)[3 -5 ] 和数据包络分析法(Data envelopment analysis,DEA)。随机前沿法存在设定参数造成计算误差的问题[6 ] ,需要精确估计生产函数。相对来说,数据包络分析法无须知晓生产函数的具体形式和事前确定权重以及统一量纲,具有更适宜评价多投入、多产出情形下决策单元效率的优势,广泛应用于工业水资源效率测算。数据包络分析法包含径向模型和非径向模型,比如DEA方法中的BCC模型[7 ] 和SBM(Slack based model)模型[8 -10 ] 。其中,径向模型假设投入产出要素需要以同比例进行扩张或缩减,不符合现实情况;非径向模型考虑了松弛问题,但无法比较投入产出前沿值与实际值之间的径向比例信息。Tone等[11 ] 提出的EBM(Epsilon-based measure)模型[12 ] ,兼顾径向与非径向两种方法的优势,较好地解决了上述问题。但前述模型皆无法对效率值同样为1的决策单元进行比较,于是学者们通过构建超效率DEA模型[13 ] 和超效率SBM模型[14 ] 解决了此类问题,凸显出超效率模型的独特优势。在研究层面上,学界早期多关注全国省域层面,后逐步延伸到地级市层面。随着区域协调发展战略的推进,城市群和流域层面的研究受到重视,如京津冀城市群[15 ] 、长江三角洲城市群[16 ] 和长江流域[17 ] 。在测度指标上,考虑到工业废水排放易造成污染,故普遍选择以环境负效应为代表的非期望产出,但具体指标细化程度不同。主要选择工业废水排放量[18 ] 以及更为精确的指标,如工业废水中化学需氧量排放量和氨氮排放量[19 ] 作为非期望产出。
工业水资源效率的影响因素。在方法和模型选择上,学者们用Tobit模型[20 ] 、空间收敛模型[21 ] 、主成分分析法[22 ] 以及Malmquist-Luenberger指数[23 ] 来分析工业水资源效率的影响因素和内部驱动力,发现主要源于自然、经济及社会三方面。自然方面包括水资源禀赋(以人均水资源量为代表)和人口规模程度;经济方面包括经济发展水平、产业结构、工业产业发展水平和工业产业用水强度;社会方面包括技术进步水平、固定资产投资以及政府规制程度(以政府相关领域的投资支出来衡量)。由于方法和模型选择的区别,上述三方面的细分因素对工业水资源效率有不同程度的驱动作用,只是具体效应存在差异。但是,当前工业水资源效率影响因素的研究多着眼于对研究区域整体的效应分析,对研究区域内部单元的针对性时空影响分析相对欠缺,而这更具有微观实践价值。
以上研究取得了阶段进展,但仍有待完善。在研究层面上,既有文献多聚焦于全国、省域和地级市层面,鲜有学者从黄河流域层面探讨工业水资源效率。在研究方法上,既有文献主要是通过DEA模型、SBM模型、SFA模型等对工业水资源效率进行测度,用超效率EBM模型测度沿黄九省工业水资源效率的成果相对匮乏。另外,对于效率影响因素的研究往往侧重于区域整体,忽视了对区域内部各地区差异的考量。基于此,构建超效率EBM模型对沿黄九省工业水资源效率进行分析,通过Tobit模型识别整体效率影响因素,按照显著性原则进行因素提取,结合时空地理加权回归模型(Geographically and Temporally Weighted Regression,GTWR)深入探讨影响因素的时空异质性,以期为沿黄九省工业水资源高效利用和相关决策部门制定实施针对性政策提供科学参考及数据支撑,可进一步丰富黄河流域层面相关研究。
1 研究区域概况
黄河是中华民族的母亲河,发源于青海省巴颜喀拉山脉,是中国第二长河,全长5 464 km,流经沿黄九省(图1 ),最终在山东东营注入渤海。黄河流域横跨中国东中西部,流域总面积约为79.5万km2 ,东西长约1 900 km,南北宽约1 100 km,是重要的生态安全屏障。黄河的突出特点是水少沙多、水沙异源,具体表现为人均水资源量少,水资源分布严重不均,沿黄九省间水资源量差距悬殊,降水量亦是如此,南北降雨量之比大于5,远超国内其他流域,降水量年际变化极不稳定,忽高忽低,同时沙暴、扬沙多,湿度小却蒸发旺盛。上中游大部分地区位于400 mm等降水量线以西,气候干旱少雨,多年平均降水量446 mm,仅为长江流域的40%;多年平均水资源总量647亿m3 ,不到长江的7%;水资源开发利用率高达80%,远超40%的生态警戒线。沿黄九省经济总量约占全国的四分之一,主导产业包括能源化工、装备制造以及农业,多为高耗水产业。总体上,黄河流域水资源量小,年降水量低,耗水量高,导致水资源量总体呈现减少趋势。在水资源总量下降与工农业发展对资源需求度持续走高的双向夹持下,水资源供需矛盾仍将进一步加剧[24 ] ,已成为制约黄河流域高质量发展的重大瓶颈问题。
图1
图1
研究区示意图
Fig.1
Schematic diagram of the study area
2 研究方法与数据
2.1 研究方法
2.1.1 超效率EBM 模型
借鉴相关文献,在EBM模型基础上构建非期望产出的超效率EBM模型测算工业水资源效率,以解决EBM模型无法对大量效率值为1的有效决策单元进行深层次比较的问题。模型规划式[25 ] 如下:
γ * = m i n θ - ε - ∑ i = 1 m w i - s i - x i k ϕ + ε + ∑ r = 1 s w r + s r + y r k + ∑ p = 1 q w p u - s p u - u p k i = 1,2 , … , m ; r = 1,2 , … , s ; p = 1,2 , … , q (1)
s . t ∑ j = 1 , j ≠ k n λ j x i j + s i - ≤ θ x i k ∑ j = 1 , j ≠ k n λ j y r j - s r + ≥ ϕ y r k ∑ j = 1 , j ≠ k n λ j u p j + s p u - ≤ ϕ u p k λ j ≥ 0 , s i - , s r + , s p u - ≥ 0 (2)
式中:γ * 为待测度省份的工业水资源效率;k 表示决策单元DMU的数量;xik 、yrk 、upk 分别表示第k 个决策单元的投入、期望产出和非期望产出; s i - 、s r + 、s p u - 分别代表投入、期望产出和非期望产出的松弛变量;w i - 、w r + 、w p u - 代表各投入、期望产出和非期望产出指标的权重系数;λ 表示参考单元的相对重要程度;θ 和ϕ 是γ * 中的径向成分;ε 是取值范围为0—1的关键参数,代表非径向部分的重要程度,当ε 取值为0时,超效率EBM模型相当于径向模型;当θ =ε =1时,超效率EBM模型相当于非径向模型[25 ] 。当γ * ≥1时,代表达到或超过了效率前沿面(即数值1),称之为有效水平或超效率水平;当γ * <1时,未达到效率前沿面,即为无效状态。
2.1.2 Tobit 模型
在测算得到沿黄九省工业水资源效率结果后,以此效率值作为被解释变量,各潜在影响因素为解释变量来构建计量模型,进一步考察沿黄九省工业水资源效率的影响机制。最终,根据测算结果,沿黄九省的工业水资源效率值均大于0且小于2,属于非负截断离散数据,而Tobit模型较为适宜解决此类回归问题。因此,选择Tobit模型分析沿黄九省工业水资源效率的影响因素。该模型公式如下:
Y i t * = α + β X i t + μ i t (3)
Y i t * ≤ 0 , Y i t = 0 ; Y i t * > 0 , Y i t = Y i t * (4)
式中:i 表示省份;t 表示年份;Yit * 为潜变量,Yit 为超效率EBM模型测算得出的i 省t 年份的工业水资源效率值;Xit 为工业水资源效率的影响因素;α 为常数项;β 为回归系数向量;μ 为随机干扰项。
2.1.3 时空地理加权回归模型
时空地理加权回归模型是Huang等[26 ] 在地理加权回归模型的基础上纳入时间因素形成的,其优势在于不仅具有地理加权回归模型可以衡量空间层面上自变量和因变量的回归关系的作用,同时考虑了时间因素,可以实现研究对象时空异质性的分析。具体公式如下:
Y i = β 0 ( u i , v i , t i ) + ∑ k β k ( u i , v i , t i ) X i k + ε i (5)
式中:Y 为被解释变量,在此指经过超效率EBM测算后的工业水资源效率值;X 为具有显著性的各影响因素;i 表示样本地区;u、v 分别表示样本地区的经纬度;t 表示时间;β 0 为截距;βk 为第k 个影响因素在回归点i 处的回归系数;εi 为残差。
β ^ ( u i , v i , t i ) = [ X T W ( u i , v i , t i ) X ] - 1 X T W ( u i , v i , t i ) Y (6)
式中:权重W (ui ,vi ,ti )代表样本点i 与其他样本点的高斯距离函数,距离越近,权重越高。带宽采用交叉验证法确定[27 ] 。
2.2 指标选取与数据来源
工业水资源效率投入产出指标。将沿黄九省作为研究对象,参考以往研究[15 -19 ] ,结合研究区域工业水资源利用现实情况及数据可得性,基于投入产出的角度,选择资源(工业用水量)、资本(工业固定资产投资)和劳动力(工业从业人数)作为投入指标;各省的工业增加值作为期望产出指标(其中,为剔除价格变化影响,工业固定资产投资和工业增加值指标分别按照固定资产价格指数和出厂价格指数折算为2010年的不变价格)。非期望产出指标有两项,分别是工业废水中化学需氧量以及氨氮排放量(表1 )。
工业水资源效率影响因素指标。对公式(5)中的解释变量X ,借鉴相关研究成果[15 -19 ] ,认为沿黄九省工业水资源效率与水资源禀赋、社会发展水平、工业化程度、工业用水强度、技术水平、政府规制程度等因素相关,但具体作用程度及效应方向不明确(表2 )。
考虑疫情影响因素,选择2010—2019年作为研究年份。研究所需数据主要来自2011—2020年《中国统计年鉴》《中国工业统计年鉴》和《中国环境统计年鉴》,部分数据从中经网统计数据库和国家统计局网站获得。其中,工业水资源效率影响因素指标包括数值型和比值型两种,为提高数据可比性,通过数据对数化来消除量纲影响。
基于2010—2019年沿黄九省的面板数据,运用MaxDEA8.0软件,选择非导向非期望产出的超效率EBM模型测算工业水资源效率,将数据结果整理成表。通过ArcGIS软件对沿黄九省2010年和2019年工业水资源效率进行可视化表达,参考何刚等[6 ] 的做法,将效率值分为5类,分别是低效率水平(0.001—0.399)、中低效率水平(0.400—0.599)、中效率水平(0.600—0.799)、中高效率水平(0.800—0.999)和高效率水平(≥1.000)。
有效识别沿黄九省工业水资源效率的影响因素,是缩小省份间效率差距的必要条件。利用Stata16.0软件,通过Tobit面板回归模型对2010—2019年沿黄九省工业水资源效率的影响因素进行分析。筛选出具有显著性(在10%的水平下显著)的变量(水资源禀赋、工业化程度、工业用水强度、技术水平和政府规制程度)纳入GTWR模型进行分析,进而得到各影响因素在不同时段对不同省份的工业水资源效率回归系数。因系数量较多,为直观展现各影响因素的回归系数在时间线上的动态演变趋势,将之汇总整理后绘制为箱状图。
3 结果与分析
3.1 沿黄九省工业水资源效率
2010—2019年的沿黄九省工业水资源效率均值是0.77,小于1,未达到有效水平,没有实现工业经济与水资源保护的协调发展。工业水资源效率均值超过1的省份只有山东、陕西和山西,其余六省份的效率均值都小于0.84,处于无效状态,不同省份间效率值差异显著,效率提升程度不均衡(表3 )。
沿黄九省工业水资源效率处于波动上升趋势,由2010年的0.735提高到2019年的0.87,增幅为18.4%。其中,2010—2011年出现小幅上升,2011—2013年表现为小幅下降,2013—2019年开始平稳上升,尤其是2015年后工业水资源效率值增幅较大,这种变化与2015年施行的《中华人民共和国环境保护法》和2016年中央开始实行的全国性环保督察在时间线上一致。国家统计局发布的历年数据显示,2016年全国废水中主要污染物里化学需氧量排放量比2015年减少52.9%,出现断崖式下降,且2016年后亦逐年下降,可见环境保护法实施以及中央环保督察对地方水资源管理水平以及水环境污染带来了显著改善,表明环保政策监管对于工业水资源效率具有直接影响。沿黄九省的工业水资源效率并非同步同向变化,与其他省份情况迥异的是四川和青海两省的工业水资源效率值从2015年起不增反降,原因在于其余七省份是国家级或省级水权交易试点,而水权交易政策能够显著提升水资源利用效率[28 ] 。
2010年沿黄九省多数省份的工业水资源效率未超过中效率水平,到2019年多数省份则已达高效率水平,比2010年的高效率水平省份数量翻了一番(图2 )。总体上看,研究时段内中效率及以下水平的省份数量在减少,高效率水平省份逐步增加,且省份间的最大效率差(当年效率值最高省份与最低省份的差值)由2010年的0.71降低到2019年的0.624,表明沿黄九省整体工业水资源效率质量提升显著,省份间效率空间差异得到一定程度的缓解。
图2
图2
沿黄九省2010年和2019年工业水资源效率空间分布
Fig.2
Spatial distribution of industrial water resources efficiency in nine provinces in the Yellow River Basin in 2010 and 2019
3.2 沿黄九省工业水资源效率影响因素的时空异质性
3.2.1 影响因素的时间演化
水资源禀赋的系数为负,Tobit分析结果显示其在10%的水平下显著(表4 )。这反映出人均水资源越丰富,工业水资源效率反而越低,出现了“资源诅咒”现象。原因在于工业用水成本过低,水价与水资源的价值不匹配,无法起到督促节水作用。工业企业节水意识淡薄,导致用水方式粗放,加之节水设备落后和节水措施不力,使得工业用水浪费严重,抑制工业水资源效率攀升。另外,将水资源禀赋影响因素纳入GTWR模型后,其显著性(即P 值,P 值越小,显著性越高)出现波动,超过了最大10%以下的显著性的限制。这是由于在Tobit模型中,水资源禀赋的P 值是0.096,已经接近0.1,当转换模型时,模型算法也随之改变,导致其显著性有了偏差,超过了0.1,即在GTWR分析结果中不显著,故未在箱状图中展示(图3 )。
图3
图3
GTWR模型中各影响因素回归系数的时态演变
Fig.3
Temporal evolution of regression coefficients of influencing factors in GTWR Model
工业化程度在2010—2019年对于大多数省份的影响为正,仅对少数省份呈现负效应,总体呈现先稳定后略有降低的趋势(图3 )。这说明对于大多数省份,在其他条件保持不变时,工业化程度的提高带动了工业水资源效率的提升。工业化程度的提高在初期常伴随着企业的规模报酬递增现象,产业集聚效果明显,工业内部结构亦得以优化,作为期望产出的工业增加值涨幅显著,进而推动工业水资源效率稳步提升。随着时间推进,受限于资源配置水平和管理水平,工业化程度提升带来的规模报酬递增效应减弱,逐渐演变成规模报酬不变甚至递减效应,导致研究后期工业化程度带来的效率提升效应衰退。
工业用水强度的显著性最高,且对大多数省份表现出长期稳定的负相关关系(图3 )。工业用水强度越高,代表万元工业增加值用水量越高,表示达到相同工业产值目标所需的水资源消耗量就越大,水资源效率自然会降低,这符合现实情况。2022年3月11日,水利部、国家发展改革委印发《“十四五”用水总量和强度双控目标的通知》,明确要求各省万元国内生产总值用水量和万元工业增加值用水量比2020年下降10%以上,这对严控用水强度提出了精细化要求。加快水循环利用设施及系统建设,改革生产工艺和用水新工艺,提高工业用水重复利用率是降低工业用水强度的主要措施。
在研究期内,技术水平对于多数省份的工业水资源效率提升有显著正效应(图3 )。但从时间演变趋势来看,整体影响程度在逐步下降。在研究时段前期,技术水平对于研究区域内各省份的影响有正有负。因各省份工业基础不同,社会层面也非同步发展,技术水平对于各省份的作用在时间上并不统一。技术水平的正向效应机制在于区域研发经费投入的提高引起技术进步,技术外溢激发节水技术变革,带动水资源高效利用和水污染防治等领域的技术升级,引致节水省水新工艺和无污染技术等水资源开发利用方面的成果落地转化,直接对水资源效率产生提升效果。但是随着工业化快速推进,技术水平并未实现与工业化协同推进,甚至滞后于工业化的推进速度,这也导致研究时段后期多数省份出现负效应情况。
2010—2019年,政府规制程度对大部分省份的工业水资源效率表现为显著且稳定的负效应(图3 ),原因可能包括以下三点。第一,区域工业废水排放量越高,污染治理投资越高,重事后治理轻事前预防的投资方式可能导致投资高收益小。第二,工业污染治理其他方面的投资挤占了用于工业废水治理领域的投资,所以造成了投资多反而效率低的情况。如全国范围内工业污染治理投资完成额中占比最高的是废气治理,废水治理投资额占比只有10%左右,而沿黄九省的占比可能会更低。第三,工业污染治理投资属于宏观调控,调控力度越高,对市场经济的影响越大,越容易造成工业企业生产效率以及工业水资源效率的降低,这与张兆方等[29 ] 提出的政府影响力越高的地区,水资源利用效率越低的结论一致。但是,箱状图显示,在研究时段后期,部分省份出现了政府规制的正效应现象,侧面反映出部分省份已开始改善政府投资方式及规制模式。
3.2.2 影响因素的空间异质性
各省份资源禀赋不同,工业水资源的各影响因素对于各省份的具体效应及作用程度亦有差异。为更好地确定各省份的主导影响因素,为各省份制定针对性的效率提升措施提供参考,借鉴付俊怡[27 ] 的研究,将2019年各影响因素的GTWR回归系数按照系数绝对值排序后进行影响程度的大、中、小三等分(表5 )。
四川是唯一的第一级别区,工业化程度、工业用水强度、技术水平和政府规制程度4个影响因素作用程度都大(表5 )。其中,按回归系数值排序,政府规制程度影响作用最大,然后依次是工业化程度、技术水平和工业用水强度(图4 )。沿黄九省中,四川人均水资源量较高,工业发展水平也较高,但是工业产业聚集地多位于水资源相对短缺地区,水资源丰富的地区往往工业欠发达,这种资源的错配不利于水资源效率的提升。政府规制程度对于四川影响大,一方面是由于四川有大量的自然保护区,政策导致的工业开发力度及范围受限,政府在工业投资方面欠缺积极性。另一方面四川工业主导产业多集中于装备制造、食品饮料和能源化工产业,属于高耗水高产值型产业,地方政府基于GDP考核的压力,容易在以上产业形成惯性投资倾向。工业化程度对于工业水资源效率的正向提升作用较为明显,工业化程度提升代表在地方GDP构成中工业占比增大,工业增加值相对增加,作为产出与投入比值的水资源效率自然提高。技术水平对四川工业水资源效率呈负效应,反映出当前四川的技术水平提升潜力较大。技术水平提高能带动工业生产设备的节水减排性能升级,有利于提高水资源效率。工业用水强度越高,单位工业增加值用水量越大,阻碍水资源效率提升,反映出工业水资源重复利用率低。
图4
图4
GTWR模型中各影响因素回归系数的空间异质性
Fig.4
Spatial heterogeneity of regression coefficients of influencing factors in GTWR Model
第二级别区里只有河南,影响大的因素包括工业用水强度、技术水平和政府规制程度,工业化程度影响相对较小(表5 )。河南是人口大省和农业大省,工业主导产业为装备制造和食品产业。从回归系数值来看,影响最大的因素是政府规制程度(图4 )。作为农业大省,河南承担着保证粮食产量的国家战略重任,因此在相应的政府支出上,保证农业支出具有优先级,工业方面的支出则会被相对压缩,加之政府在工业方面的支出较容易集中于凸显政绩的高能耗高产值行业,同时工业污染防治支出方面也倾向于事后治理投资,具有环保长期见效但短期难见成效的防污投入相对较少。技术水平和工业用水强度对河南皆有负向影响,技术水平本应具有正向效率提升作用,但却导致环境出现负效应现象,说明用于节水及污水治理领域的科研投入相对较少,科研投入结构亟待优化;河南水资源总量和人均水资源量都较低,随着社会发展,生活用水量和农业用水量逐年增加,挤占了工业用水空间。在此背景下,工业发展对其用水水平提出了更高要求,亟需通过提升工业水资源重复利用率以及增设工业水循环利用设施来降低工业用水强度。
第三级别区里只有青海,工业化程度和技术水平对工业水资源效率的影响大,政府规制程度影响中,工业用水强度影响小(表5 )。青海不仅是黄河的发源地,更是“中华水塔”的所在地,其最重要的功能便是生态保护。习近平总书记在2021年6月赴青海调研时强调,保护好青海生态环境,是“国之大者”。工业化程度对于青海工业水资源效率的影响为负,且有逐年增大的倾向,这不符合国家对于青海的生态定位。作为三江源发源地的青海,水资源量极其丰富,工业主导产业为能源产业,工业化程度的加深伴随着能源资源的无序开发及高能耗高排放,导致水资源效率降低。技术水平有正向效应,技术水平升级对于提升青海省工业绿色发展水平作用明显,既可以提高传统能源的清洁利用水平,也可以在新能源开发方面予以助力。
第四级别区的省份都只有一个影响大的因素,分别是内蒙古的政府规制程度、山西的工业用水强度和宁夏的工业化程度(表5 )。政府规制程度对内蒙古工业水资源效率呈现负效应,内蒙古的工业主导产业是能源产业和食品加工业,工业生产方式相对较为粗放,工业污染治理投资相对较低。另外,重污染治理轻事前防污的投资偏好导致了投资效果欠佳,未能助力工业水资源效率攀升。山西的工业主导产业是煤化工产业,特点是易产生污染,耗水量大。虽然经过多年的煤炭行业清洁改造,但煤化工产业仍然具有相对高耗水属性,加之山西人均水资源量低,更加凸显水资源供需矛盾,使得工业用水强度对山西工业水资源效率影响较大。工业化程度对宁夏工业水资源的作用为负,宁夏工业的主导产业是煤炭、建材和冶金,属于传统的高污染高耗水高产值行业,过度依赖上述产业的工业化导致了环境负效应,使得工业水资源效率降低。
第五级别区包括甘肃、陕西和山东三省,4个因素的影响程度都属于中或者小,没有大的影响(表5 )。在影响因素的分省作用方面,陕西和山东有共同之处,两省的工业化程度和政府规制程度都对工业水资源效率影响为正,这体现出陕西和山东的工业化质量已经较高,政府在污染治理投资方面因地制宜,精准施策,取得了污染治理投资的环境正收益。但是,工业用水强度和技术水平仍然是呈现负效应,表明阻碍陕西和山东两省工业水资源效率提升的短板在于工业用水强度过高和技术水平有待提升。表中的4个影响因素对甘肃工业水资源效率皆呈现负效应,严防工业化过速推进、降低工业用水强度、合理改善技术水平以及优化污染治理投资方向是提高甘肃工业水资效率的可能选项。
4 结论与建议
4.1 结论
2010—2019年沿黄九省工业水资源效率呈现波动上升态势,效率值由2010年的0.735提高到2019年的0.870,增幅18.4%。趋势发展具体包括三阶段,分别是2010—2011年出现小幅上升,2011—2013年表现为小幅下降,2013—2019年开始平稳上升。沿黄九省效率均值为0.77,未达到有效水平,各省份效率存在空间差异,效率值最高的山东比效率值最低的宁夏高0.62。
从沿黄九省整体来看,工业化程度和技术水平两项因素显著促进工业水资源效率值的改善,水资源禀赋、工业用水强度和政府规制程度制约了效率值进一步提高,其中政府规制程度的负效应更大,社会发展水平也与效率值的提高有负相关关系,但结果并不显著。
各影响因素对于不同省份的具体作用存在时空差异。以2019年为例,四川是唯一的第一级别区,主导影响因素是工业化程度、工业用水强度、技术水平和政府规制程度。第二级别区里只有河南,工业用水强度、技术水平和政府规制程度是主导影响因素。第三级别区里只有青海,主导影响因素包括工业化程度和技术水平。第四级别区的省份都只有一个主导影响因素,分别是内蒙古的政府规制程度、山西的工业用水强度和宁夏的工业化程度。第五级别区包括甘肃、陕西和山东三省,4个因素对这3个省份的影响程度都属于中或者小,没有程度大的影响因素。
4.2 建议
对于沿黄九省各省份,因为工业水资源效率的主导影响因素因省而异,故各省份的工业水资源提升建议应有针对性:四川和河南的工业水资源效率提升重点在于要坚持以水定产,调整工业内部结构,优化工业结构布局。如支持环保产业和诸如新基建、光伏新能源等节水高产值型高新技术产业项目,逐步淘汰落后高耗水项目。鼓励引导地方金融机构信贷资源偏好转移到有利于绿色发展的产业,推动工业企业绿色转型。树立“久久为功”的工作导向,持续优化调整政府污染治理投资方向,改变轻事前防污重事后治理的“短平快”投资偏好。另外,四川还需要继续提高其工业化程度。青海作为生态功能区,在其工业水资源效率提升策略实施上,应首先把握其生态定位。立足于资源禀赋,在此基础上合理谋划产业布局,适当推进工业化,将发展侧重点放在打造国家清洁能源产业高地上,发展诸如风电、光伏等新能源绿色产业链。加大科技创新支持和成果转化力度,支持工业领域的节水和污染防治技术创新,支持产学研成果转化,推广先进适用的节水和污染防治技术及设备普及应用。内蒙古应着重于将工业污染治理投资倾向转为防污与治污并重,鼓励社会资本参与生态环境保护,鼓励出台环保产业的扶持激励政策。山西需要着重于持续优化工业内部结构,加强煤炭行业清洁改造,加快普及水循环利用设施建设,提高工业用水重复利用率。宁夏须逐步改变对于煤炭、建材和冶金等高耗水传统行业的经济发展路径依赖,同时推动现有产业节水改造,加大产业绿色转型力度。陕西和山东应继续保持现有的工业化推进力度,改善工业污染治理投资的支出结构,推动工业企业和工业园区的节水改造,加强工业废水资源化利用。甘肃需要严防工业化过速推进,降低工业用水强度、合理改善技术水平以及优化污染治理投资方向是其工业水资效率提升的助力点。
对于沿黄九省整体,水资源禀赋依然是重要的影响因素。需要对工业企业加强宣传引导,形成良好的节水意识和用水习惯。探索完善工业水价形成机制,解决工业水价过低导致的企业主动节水降成本内生动力不足问题。奖罚并举,让工业企业主动作为,优化生产工艺,向绿色节水型企业转型升级。鼓励各省进行工业节水降耗减排领域的交流合作,推动全流域先进节水降耗减排技术共享。深化水市场改革,大力推进水权及排污权交易工作。根据2022年4月10日中共中央、国务院发布的《关于加快建设全国统一大市场的意见》,探索完善细化水权及排污权交易制度,明确各地可用水量,严格落实排污许可制度,将试点地区的先进经验总结积累后适时逐步推广至非试点地区,通过市场交易促进流域水资源的优化配置和提升环境正效应。
参考文献
View Option
[1]
魏楚 ,沈满洪 .水资源效率的测度及影响因素:基于文献的述评
[J].长江流域资源与环境 ,2014 ,23 (2 ):197 -204 .
[本文引用: 1]
[2]
杨高升 ,谢秋皓 .长江经济带绿色水资源效率时空分异研究:基于SE-SBM与ML指数法
[J].长江流域资源与环境 ,2019 ,28 (2 ):349 -358 .
[本文引用: 1]
[3]
雷贵荣 ,胡震云 ,韩刚 .基于SFA的工业用水节水潜力分析
[J].水资源保护 ,2010 ,26 (1 ):66 -69 .
[本文引用: 1]
[4]
陈关聚 ,白永秀 .基于随机前沿的区域工业全要素水资源效率研究
[J].资源科学 ,2013 ,35 (8 ):1593 -1600 .
[5]
雷玉桃 ,黄丽萍 .中国工业用水效率及其影响因素的区域差异研究:基于SFA的省际面板数据
[J].中国软科学 ,2015 (4 ):155 -164 .
[本文引用: 1]
[6]
何刚 ,赵杨秋 ,阮君 ,等 .安徽省工业用水效率及影响因素时空分异解析
[J].安全与环境学报 ,2022 ,22 (3 ):1671 -1679 .
[本文引用: 2]
[7]
买亚宗 ,孙福丽 ,石磊 ,等 .基于DEA的中国工业水资源利用效率评价研究
[J].干旱区资源与环境 ,2014 ,28 (11 ):42 -47 .
[本文引用: 1]
[8]
赵沁娜 ,王若虹 .省际工业用水效率测度及空间关联特征
[J].水资源保护 ,2017 ,33 (5 ):42 -47 .
[本文引用: 1]
[9]
邓光耀 ,张忠杰 .基于网络SBM-DEA模型和GML指数的中国各省工业用水效率研究
[J].自然资源学报 ,2019 ,34 (7 ):1457 -1470 .
[10]
张峰 ,宋晓娜 ,薛惠锋 .中国工业水资源绿色效率跨期比较及“十四五”趋势展望
[J].软科学 ,2022 ,36 (2 ):23 -29 .
[本文引用: 1]
[11]
Tone K , Tsutsui M .An epsilon-based measure of efficiency in DEA:a third pole of technical efficiency
[J].European Journal of Operational Research ,2010 ,207 (3 ):1554 -1563 .
[本文引用: 1]
[12]
汪克亮 ,刘悦 ,史利娟 ,等 .长江经济带工业绿色水资源效率的时空分异与影响因素:基于EBM-Tobit模型的两阶段分析
[J].资源科学 ,2017 ,39 (8 ):1522 -1534 .
[本文引用: 1]
[13]
乔凯 ,韩延玲 .新疆工业用水效率及影响因素分析:基于超效率的DEA和Tobit模型
[J].新疆社会科学 ,2016 (5 ):37 -43 .
[本文引用: 1]
[14]
李珊 ,张玲玲 ,丁雪丽 ,等 .中国各省区工业用水效率影响因素的空间分异
[J].长江流域资源与环境 ,2019 ,28 (11 ):2539 -2552 .
[本文引用: 1]
[15]
胡彪 ,侯绍波 .京津冀地区城市工业用水效率的时空差异性研究
[J].干旱区资源与环境 ,2016 ,30 (7 ):1 -7 .
[本文引用: 3]
[16]
孙冬营 ,佘靖雯 ,刘凌燕 ,等 .长江三角洲城市群工业用水效率评价及时空差异研究
[J].长江流域资源与环境 ,2018 ,27 (9 ):1901 -1908 .
[本文引用: 1]
[17]
张熙悦 ,孙芳城 ,王怀祖 .基于“生产-治理”两阶段评价的长江经济带工业水资源绿色效率研究
[J].江西财经大学学报 ,2020 (2 ):26 -36 .
[本文引用: 1]
[18]
郑乐 ,杨法暄 ,钱会 ,等 .基于超效率DEA模型的宁夏工业水资源利用效率研究
[J].水资源与水工程学报 ,2020 ,31 (2 ):81 -86 .
[本文引用: 1]
[19]
谭粤元 .中国工业用水效率研究
[D].北京 :中国地质大学(北京) ,2018 .
[本文引用: 3]
[20]
尹庆民 ,朱康宁 .基于EBM模型的长江经济带工业用水效率时空差异及影响因素分析
[J].中国环境管理 ,2020 ,12 (6 ):103 -109 .
[本文引用: 1]
[21]
宋晓娜 ,张峰 ,薛惠锋 .中国八大综合经济区视角下的工业水资源绿色效率再审视
[J].首都经济贸易大学学报 ,2021 ,23 (5 ):55 -69 .
[本文引用: 1]
[22]
姜蓓蕾 ,耿雷华 ,卞锦宇 ,等 .中国工业用水效率水平驱动因素分析及区划研究
[J].资源科学 ,2014 ,36 (11 ):2231 -2239 .
[本文引用: 1]
[23]
岳立 ,赵海涛 .环境约束下的中国工业用水效率研究:基于中国13个典型工业省区2003-2009年数据
[J].资源科学 ,2011 ,33 (11 ):2071 -2079 .
[本文引用: 1]
[24]
杨盼 ,梁伟 ,严建武 ,等 .黄河流域多尺度水系统结构变化特征
[J].中国沙漠 ,2021 ,41 (6 ):223 -234 .
[本文引用: 1]
[25]
张韵君 ,童昀 .中国重点旅游城市旅游效率演化与差异性分析:基于超效率EBM模型
[J].西南大学学报(自然科学版) ,2021 ,43 (4 ):109 -119 .
[本文引用: 2]
[26]
Huang B , Wu B , Barry M .Geographically and temporally weighted regression for modeling spatio-temporal variation in house prices
[J].Internationol Journal of Geographical Information Science ,2010 ,24 (3 ):383 -401 .
[本文引用: 1]
[27]
付俊怡 .黄河流域农业用水效率及影响因素研究
[D].银川 :宁夏大学 ,2021 .
[本文引用: 2]
[28]
吴凤平 ,邱泽硕 ,邵志颖 ,等 .中国水权交易政策对提高水资源利用效率的地区差异性评估
[J].经济与管理评论 ,2022 ,38 (1 ):23 -32 .
[本文引用: 1]
[29]
张兆方 ,沈菊琴 ,何伟军 ,等 .“一带一路”中国区域水资源利用效率评价:基于超效率DEA-Malmquist-Tobit方法
[J].河海大学学报(哲学社会科学版) ,2018 ,20 (4 ):60 -66 .
[本文引用: 1]
水资源效率的测度及影响因素:基于文献的述评
1
2014
... 水资源效率是衡量水资源投入产出关系的重要指标[1 ] ,具体指通过利用水资源而获取的产出与相关生产要素投入的比值[2 ] .工业水资源效率衡量的是工业水资源的投入产出关系,现有研究成果集中于两方面:工业水资源效率测度和工业水资源效率的影响因素. ...
长江经济带绿色水资源效率时空分异研究:基于SE-SBM与ML指数法
1
2019
... 水资源效率是衡量水资源投入产出关系的重要指标[1 ] ,具体指通过利用水资源而获取的产出与相关生产要素投入的比值[2 ] .工业水资源效率衡量的是工业水资源的投入产出关系,现有研究成果集中于两方面:工业水资源效率测度和工业水资源效率的影响因素. ...
基于SFA的工业用水节水潜力分析
1
2010
... 工业水资源效率测度.在方法上多选择随机前沿法(Stochastic Frontier Approach,SFA)[3 -5 ] 和数据包络分析法(Data envelopment analysis,DEA).随机前沿法存在设定参数造成计算误差的问题[6 ] ,需要精确估计生产函数.相对来说,数据包络分析法无须知晓生产函数的具体形式和事前确定权重以及统一量纲,具有更适宜评价多投入、多产出情形下决策单元效率的优势,广泛应用于工业水资源效率测算.数据包络分析法包含径向模型和非径向模型,比如DEA方法中的BCC模型[7 ] 和SBM(Slack based model)模型[8 -10 ] .其中,径向模型假设投入产出要素需要以同比例进行扩张或缩减,不符合现实情况;非径向模型考虑了松弛问题,但无法比较投入产出前沿值与实际值之间的径向比例信息.Tone等[11 ] 提出的EBM(Epsilon-based measure)模型[12 ] ,兼顾径向与非径向两种方法的优势,较好地解决了上述问题.但前述模型皆无法对效率值同样为1的决策单元进行比较,于是学者们通过构建超效率DEA模型[13 ] 和超效率SBM模型[14 ] 解决了此类问题,凸显出超效率模型的独特优势.在研究层面上,学界早期多关注全国省域层面,后逐步延伸到地级市层面.随着区域协调发展战略的推进,城市群和流域层面的研究受到重视,如京津冀城市群[15 ] 、长江三角洲城市群[16 ] 和长江流域[17 ] .在测度指标上,考虑到工业废水排放易造成污染,故普遍选择以环境负效应为代表的非期望产出,但具体指标细化程度不同.主要选择工业废水排放量[18 ] 以及更为精确的指标,如工业废水中化学需氧量排放量和氨氮排放量[19 ] 作为非期望产出. ...
基于随机前沿的区域工业全要素水资源效率研究
0
2013
中国工业用水效率及其影响因素的区域差异研究:基于SFA的省际面板数据
1
2015
... 工业水资源效率测度.在方法上多选择随机前沿法(Stochastic Frontier Approach,SFA)[3 -5 ] 和数据包络分析法(Data envelopment analysis,DEA).随机前沿法存在设定参数造成计算误差的问题[6 ] ,需要精确估计生产函数.相对来说,数据包络分析法无须知晓生产函数的具体形式和事前确定权重以及统一量纲,具有更适宜评价多投入、多产出情形下决策单元效率的优势,广泛应用于工业水资源效率测算.数据包络分析法包含径向模型和非径向模型,比如DEA方法中的BCC模型[7 ] 和SBM(Slack based model)模型[8 -10 ] .其中,径向模型假设投入产出要素需要以同比例进行扩张或缩减,不符合现实情况;非径向模型考虑了松弛问题,但无法比较投入产出前沿值与实际值之间的径向比例信息.Tone等[11 ] 提出的EBM(Epsilon-based measure)模型[12 ] ,兼顾径向与非径向两种方法的优势,较好地解决了上述问题.但前述模型皆无法对效率值同样为1的决策单元进行比较,于是学者们通过构建超效率DEA模型[13 ] 和超效率SBM模型[14 ] 解决了此类问题,凸显出超效率模型的独特优势.在研究层面上,学界早期多关注全国省域层面,后逐步延伸到地级市层面.随着区域协调发展战略的推进,城市群和流域层面的研究受到重视,如京津冀城市群[15 ] 、长江三角洲城市群[16 ] 和长江流域[17 ] .在测度指标上,考虑到工业废水排放易造成污染,故普遍选择以环境负效应为代表的非期望产出,但具体指标细化程度不同.主要选择工业废水排放量[18 ] 以及更为精确的指标,如工业废水中化学需氧量排放量和氨氮排放量[19 ] 作为非期望产出. ...
安徽省工业用水效率及影响因素时空分异解析
2
2022
... 工业水资源效率测度.在方法上多选择随机前沿法(Stochastic Frontier Approach,SFA)[3 -5 ] 和数据包络分析法(Data envelopment analysis,DEA).随机前沿法存在设定参数造成计算误差的问题[6 ] ,需要精确估计生产函数.相对来说,数据包络分析法无须知晓生产函数的具体形式和事前确定权重以及统一量纲,具有更适宜评价多投入、多产出情形下决策单元效率的优势,广泛应用于工业水资源效率测算.数据包络分析法包含径向模型和非径向模型,比如DEA方法中的BCC模型[7 ] 和SBM(Slack based model)模型[8 -10 ] .其中,径向模型假设投入产出要素需要以同比例进行扩张或缩减,不符合现实情况;非径向模型考虑了松弛问题,但无法比较投入产出前沿值与实际值之间的径向比例信息.Tone等[11 ] 提出的EBM(Epsilon-based measure)模型[12 ] ,兼顾径向与非径向两种方法的优势,较好地解决了上述问题.但前述模型皆无法对效率值同样为1的决策单元进行比较,于是学者们通过构建超效率DEA模型[13 ] 和超效率SBM模型[14 ] 解决了此类问题,凸显出超效率模型的独特优势.在研究层面上,学界早期多关注全国省域层面,后逐步延伸到地级市层面.随着区域协调发展战略的推进,城市群和流域层面的研究受到重视,如京津冀城市群[15 ] 、长江三角洲城市群[16 ] 和长江流域[17 ] .在测度指标上,考虑到工业废水排放易造成污染,故普遍选择以环境负效应为代表的非期望产出,但具体指标细化程度不同.主要选择工业废水排放量[18 ] 以及更为精确的指标,如工业废水中化学需氧量排放量和氨氮排放量[19 ] 作为非期望产出. ...
... 基于2010—2019年沿黄九省的面板数据,运用MaxDEA8.0软件,选择非导向非期望产出的超效率EBM模型测算工业水资源效率,将数据结果整理成表.通过ArcGIS软件对沿黄九省2010年和2019年工业水资源效率进行可视化表达,参考何刚等[6 ] 的做法,将效率值分为5类,分别是低效率水平(0.001—0.399)、中低效率水平(0.400—0.599)、中效率水平(0.600—0.799)、中高效率水平(0.800—0.999)和高效率水平(≥1.000). ...
基于DEA的中国工业水资源利用效率评价研究
1
2014
... 工业水资源效率测度.在方法上多选择随机前沿法(Stochastic Frontier Approach,SFA)[3 -5 ] 和数据包络分析法(Data envelopment analysis,DEA).随机前沿法存在设定参数造成计算误差的问题[6 ] ,需要精确估计生产函数.相对来说,数据包络分析法无须知晓生产函数的具体形式和事前确定权重以及统一量纲,具有更适宜评价多投入、多产出情形下决策单元效率的优势,广泛应用于工业水资源效率测算.数据包络分析法包含径向模型和非径向模型,比如DEA方法中的BCC模型[7 ] 和SBM(Slack based model)模型[8 -10 ] .其中,径向模型假设投入产出要素需要以同比例进行扩张或缩减,不符合现实情况;非径向模型考虑了松弛问题,但无法比较投入产出前沿值与实际值之间的径向比例信息.Tone等[11 ] 提出的EBM(Epsilon-based measure)模型[12 ] ,兼顾径向与非径向两种方法的优势,较好地解决了上述问题.但前述模型皆无法对效率值同样为1的决策单元进行比较,于是学者们通过构建超效率DEA模型[13 ] 和超效率SBM模型[14 ] 解决了此类问题,凸显出超效率模型的独特优势.在研究层面上,学界早期多关注全国省域层面,后逐步延伸到地级市层面.随着区域协调发展战略的推进,城市群和流域层面的研究受到重视,如京津冀城市群[15 ] 、长江三角洲城市群[16 ] 和长江流域[17 ] .在测度指标上,考虑到工业废水排放易造成污染,故普遍选择以环境负效应为代表的非期望产出,但具体指标细化程度不同.主要选择工业废水排放量[18 ] 以及更为精确的指标,如工业废水中化学需氧量排放量和氨氮排放量[19 ] 作为非期望产出. ...
省际工业用水效率测度及空间关联特征
1
2017
... 工业水资源效率测度.在方法上多选择随机前沿法(Stochastic Frontier Approach,SFA)[3 -5 ] 和数据包络分析法(Data envelopment analysis,DEA).随机前沿法存在设定参数造成计算误差的问题[6 ] ,需要精确估计生产函数.相对来说,数据包络分析法无须知晓生产函数的具体形式和事前确定权重以及统一量纲,具有更适宜评价多投入、多产出情形下决策单元效率的优势,广泛应用于工业水资源效率测算.数据包络分析法包含径向模型和非径向模型,比如DEA方法中的BCC模型[7 ] 和SBM(Slack based model)模型[8 -10 ] .其中,径向模型假设投入产出要素需要以同比例进行扩张或缩减,不符合现实情况;非径向模型考虑了松弛问题,但无法比较投入产出前沿值与实际值之间的径向比例信息.Tone等[11 ] 提出的EBM(Epsilon-based measure)模型[12 ] ,兼顾径向与非径向两种方法的优势,较好地解决了上述问题.但前述模型皆无法对效率值同样为1的决策单元进行比较,于是学者们通过构建超效率DEA模型[13 ] 和超效率SBM模型[14 ] 解决了此类问题,凸显出超效率模型的独特优势.在研究层面上,学界早期多关注全国省域层面,后逐步延伸到地级市层面.随着区域协调发展战略的推进,城市群和流域层面的研究受到重视,如京津冀城市群[15 ] 、长江三角洲城市群[16 ] 和长江流域[17 ] .在测度指标上,考虑到工业废水排放易造成污染,故普遍选择以环境负效应为代表的非期望产出,但具体指标细化程度不同.主要选择工业废水排放量[18 ] 以及更为精确的指标,如工业废水中化学需氧量排放量和氨氮排放量[19 ] 作为非期望产出. ...
基于网络SBM-DEA模型和GML指数的中国各省工业用水效率研究
0
2019
中国工业水资源绿色效率跨期比较及“十四五”趋势展望
1
2022
... 工业水资源效率测度.在方法上多选择随机前沿法(Stochastic Frontier Approach,SFA)[3 -5 ] 和数据包络分析法(Data envelopment analysis,DEA).随机前沿法存在设定参数造成计算误差的问题[6 ] ,需要精确估计生产函数.相对来说,数据包络分析法无须知晓生产函数的具体形式和事前确定权重以及统一量纲,具有更适宜评价多投入、多产出情形下决策单元效率的优势,广泛应用于工业水资源效率测算.数据包络分析法包含径向模型和非径向模型,比如DEA方法中的BCC模型[7 ] 和SBM(Slack based model)模型[8 -10 ] .其中,径向模型假设投入产出要素需要以同比例进行扩张或缩减,不符合现实情况;非径向模型考虑了松弛问题,但无法比较投入产出前沿值与实际值之间的径向比例信息.Tone等[11 ] 提出的EBM(Epsilon-based measure)模型[12 ] ,兼顾径向与非径向两种方法的优势,较好地解决了上述问题.但前述模型皆无法对效率值同样为1的决策单元进行比较,于是学者们通过构建超效率DEA模型[13 ] 和超效率SBM模型[14 ] 解决了此类问题,凸显出超效率模型的独特优势.在研究层面上,学界早期多关注全国省域层面,后逐步延伸到地级市层面.随着区域协调发展战略的推进,城市群和流域层面的研究受到重视,如京津冀城市群[15 ] 、长江三角洲城市群[16 ] 和长江流域[17 ] .在测度指标上,考虑到工业废水排放易造成污染,故普遍选择以环境负效应为代表的非期望产出,但具体指标细化程度不同.主要选择工业废水排放量[18 ] 以及更为精确的指标,如工业废水中化学需氧量排放量和氨氮排放量[19 ] 作为非期望产出. ...
An epsilon-based measure of efficiency in DEA:a third pole of technical efficiency
1
2010
... 工业水资源效率测度.在方法上多选择随机前沿法(Stochastic Frontier Approach,SFA)[3 -5 ] 和数据包络分析法(Data envelopment analysis,DEA).随机前沿法存在设定参数造成计算误差的问题[6 ] ,需要精确估计生产函数.相对来说,数据包络分析法无须知晓生产函数的具体形式和事前确定权重以及统一量纲,具有更适宜评价多投入、多产出情形下决策单元效率的优势,广泛应用于工业水资源效率测算.数据包络分析法包含径向模型和非径向模型,比如DEA方法中的BCC模型[7 ] 和SBM(Slack based model)模型[8 -10 ] .其中,径向模型假设投入产出要素需要以同比例进行扩张或缩减,不符合现实情况;非径向模型考虑了松弛问题,但无法比较投入产出前沿值与实际值之间的径向比例信息.Tone等[11 ] 提出的EBM(Epsilon-based measure)模型[12 ] ,兼顾径向与非径向两种方法的优势,较好地解决了上述问题.但前述模型皆无法对效率值同样为1的决策单元进行比较,于是学者们通过构建超效率DEA模型[13 ] 和超效率SBM模型[14 ] 解决了此类问题,凸显出超效率模型的独特优势.在研究层面上,学界早期多关注全国省域层面,后逐步延伸到地级市层面.随着区域协调发展战略的推进,城市群和流域层面的研究受到重视,如京津冀城市群[15 ] 、长江三角洲城市群[16 ] 和长江流域[17 ] .在测度指标上,考虑到工业废水排放易造成污染,故普遍选择以环境负效应为代表的非期望产出,但具体指标细化程度不同.主要选择工业废水排放量[18 ] 以及更为精确的指标,如工业废水中化学需氧量排放量和氨氮排放量[19 ] 作为非期望产出. ...
长江经济带工业绿色水资源效率的时空分异与影响因素:基于EBM-Tobit模型的两阶段分析
1
2017
... 工业水资源效率测度.在方法上多选择随机前沿法(Stochastic Frontier Approach,SFA)[3 -5 ] 和数据包络分析法(Data envelopment analysis,DEA).随机前沿法存在设定参数造成计算误差的问题[6 ] ,需要精确估计生产函数.相对来说,数据包络分析法无须知晓生产函数的具体形式和事前确定权重以及统一量纲,具有更适宜评价多投入、多产出情形下决策单元效率的优势,广泛应用于工业水资源效率测算.数据包络分析法包含径向模型和非径向模型,比如DEA方法中的BCC模型[7 ] 和SBM(Slack based model)模型[8 -10 ] .其中,径向模型假设投入产出要素需要以同比例进行扩张或缩减,不符合现实情况;非径向模型考虑了松弛问题,但无法比较投入产出前沿值与实际值之间的径向比例信息.Tone等[11 ] 提出的EBM(Epsilon-based measure)模型[12 ] ,兼顾径向与非径向两种方法的优势,较好地解决了上述问题.但前述模型皆无法对效率值同样为1的决策单元进行比较,于是学者们通过构建超效率DEA模型[13 ] 和超效率SBM模型[14 ] 解决了此类问题,凸显出超效率模型的独特优势.在研究层面上,学界早期多关注全国省域层面,后逐步延伸到地级市层面.随着区域协调发展战略的推进,城市群和流域层面的研究受到重视,如京津冀城市群[15 ] 、长江三角洲城市群[16 ] 和长江流域[17 ] .在测度指标上,考虑到工业废水排放易造成污染,故普遍选择以环境负效应为代表的非期望产出,但具体指标细化程度不同.主要选择工业废水排放量[18 ] 以及更为精确的指标,如工业废水中化学需氧量排放量和氨氮排放量[19 ] 作为非期望产出. ...
新疆工业用水效率及影响因素分析:基于超效率的DEA和Tobit模型
1
2016
... 工业水资源效率测度.在方法上多选择随机前沿法(Stochastic Frontier Approach,SFA)[3 -5 ] 和数据包络分析法(Data envelopment analysis,DEA).随机前沿法存在设定参数造成计算误差的问题[6 ] ,需要精确估计生产函数.相对来说,数据包络分析法无须知晓生产函数的具体形式和事前确定权重以及统一量纲,具有更适宜评价多投入、多产出情形下决策单元效率的优势,广泛应用于工业水资源效率测算.数据包络分析法包含径向模型和非径向模型,比如DEA方法中的BCC模型[7 ] 和SBM(Slack based model)模型[8 -10 ] .其中,径向模型假设投入产出要素需要以同比例进行扩张或缩减,不符合现实情况;非径向模型考虑了松弛问题,但无法比较投入产出前沿值与实际值之间的径向比例信息.Tone等[11 ] 提出的EBM(Epsilon-based measure)模型[12 ] ,兼顾径向与非径向两种方法的优势,较好地解决了上述问题.但前述模型皆无法对效率值同样为1的决策单元进行比较,于是学者们通过构建超效率DEA模型[13 ] 和超效率SBM模型[14 ] 解决了此类问题,凸显出超效率模型的独特优势.在研究层面上,学界早期多关注全国省域层面,后逐步延伸到地级市层面.随着区域协调发展战略的推进,城市群和流域层面的研究受到重视,如京津冀城市群[15 ] 、长江三角洲城市群[16 ] 和长江流域[17 ] .在测度指标上,考虑到工业废水排放易造成污染,故普遍选择以环境负效应为代表的非期望产出,但具体指标细化程度不同.主要选择工业废水排放量[18 ] 以及更为精确的指标,如工业废水中化学需氧量排放量和氨氮排放量[19 ] 作为非期望产出. ...
中国各省区工业用水效率影响因素的空间分异
1
2019
... 工业水资源效率测度.在方法上多选择随机前沿法(Stochastic Frontier Approach,SFA)[3 -5 ] 和数据包络分析法(Data envelopment analysis,DEA).随机前沿法存在设定参数造成计算误差的问题[6 ] ,需要精确估计生产函数.相对来说,数据包络分析法无须知晓生产函数的具体形式和事前确定权重以及统一量纲,具有更适宜评价多投入、多产出情形下决策单元效率的优势,广泛应用于工业水资源效率测算.数据包络分析法包含径向模型和非径向模型,比如DEA方法中的BCC模型[7 ] 和SBM(Slack based model)模型[8 -10 ] .其中,径向模型假设投入产出要素需要以同比例进行扩张或缩减,不符合现实情况;非径向模型考虑了松弛问题,但无法比较投入产出前沿值与实际值之间的径向比例信息.Tone等[11 ] 提出的EBM(Epsilon-based measure)模型[12 ] ,兼顾径向与非径向两种方法的优势,较好地解决了上述问题.但前述模型皆无法对效率值同样为1的决策单元进行比较,于是学者们通过构建超效率DEA模型[13 ] 和超效率SBM模型[14 ] 解决了此类问题,凸显出超效率模型的独特优势.在研究层面上,学界早期多关注全国省域层面,后逐步延伸到地级市层面.随着区域协调发展战略的推进,城市群和流域层面的研究受到重视,如京津冀城市群[15 ] 、长江三角洲城市群[16 ] 和长江流域[17 ] .在测度指标上,考虑到工业废水排放易造成污染,故普遍选择以环境负效应为代表的非期望产出,但具体指标细化程度不同.主要选择工业废水排放量[18 ] 以及更为精确的指标,如工业废水中化学需氧量排放量和氨氮排放量[19 ] 作为非期望产出. ...
京津冀地区城市工业用水效率的时空差异性研究
3
2016
... 工业水资源效率测度.在方法上多选择随机前沿法(Stochastic Frontier Approach,SFA)[3 -5 ] 和数据包络分析法(Data envelopment analysis,DEA).随机前沿法存在设定参数造成计算误差的问题[6 ] ,需要精确估计生产函数.相对来说,数据包络分析法无须知晓生产函数的具体形式和事前确定权重以及统一量纲,具有更适宜评价多投入、多产出情形下决策单元效率的优势,广泛应用于工业水资源效率测算.数据包络分析法包含径向模型和非径向模型,比如DEA方法中的BCC模型[7 ] 和SBM(Slack based model)模型[8 -10 ] .其中,径向模型假设投入产出要素需要以同比例进行扩张或缩减,不符合现实情况;非径向模型考虑了松弛问题,但无法比较投入产出前沿值与实际值之间的径向比例信息.Tone等[11 ] 提出的EBM(Epsilon-based measure)模型[12 ] ,兼顾径向与非径向两种方法的优势,较好地解决了上述问题.但前述模型皆无法对效率值同样为1的决策单元进行比较,于是学者们通过构建超效率DEA模型[13 ] 和超效率SBM模型[14 ] 解决了此类问题,凸显出超效率模型的独特优势.在研究层面上,学界早期多关注全国省域层面,后逐步延伸到地级市层面.随着区域协调发展战略的推进,城市群和流域层面的研究受到重视,如京津冀城市群[15 ] 、长江三角洲城市群[16 ] 和长江流域[17 ] .在测度指标上,考虑到工业废水排放易造成污染,故普遍选择以环境负效应为代表的非期望产出,但具体指标细化程度不同.主要选择工业废水排放量[18 ] 以及更为精确的指标,如工业废水中化学需氧量排放量和氨氮排放量[19 ] 作为非期望产出. ...
... 工业水资源效率投入产出指标.将沿黄九省作为研究对象,参考以往研究[15 -19 ] ,结合研究区域工业水资源利用现实情况及数据可得性,基于投入产出的角度,选择资源(工业用水量)、资本(工业固定资产投资)和劳动力(工业从业人数)作为投入指标;各省的工业增加值作为期望产出指标(其中,为剔除价格变化影响,工业固定资产投资和工业增加值指标分别按照固定资产价格指数和出厂价格指数折算为2010年的不变价格).非期望产出指标有两项,分别是工业废水中化学需氧量以及氨氮排放量(表1 ). ...
... 工业水资源效率影响因素指标.对公式(5) 中的解释变量X ,借鉴相关研究成果[15 -19 ] ,认为沿黄九省工业水资源效率与水资源禀赋、社会发展水平、工业化程度、工业用水强度、技术水平、政府规制程度等因素相关,但具体作用程度及效应方向不明确(表2 ). ...
长江三角洲城市群工业用水效率评价及时空差异研究
1
2018
... 工业水资源效率测度.在方法上多选择随机前沿法(Stochastic Frontier Approach,SFA)[3 -5 ] 和数据包络分析法(Data envelopment analysis,DEA).随机前沿法存在设定参数造成计算误差的问题[6 ] ,需要精确估计生产函数.相对来说,数据包络分析法无须知晓生产函数的具体形式和事前确定权重以及统一量纲,具有更适宜评价多投入、多产出情形下决策单元效率的优势,广泛应用于工业水资源效率测算.数据包络分析法包含径向模型和非径向模型,比如DEA方法中的BCC模型[7 ] 和SBM(Slack based model)模型[8 -10 ] .其中,径向模型假设投入产出要素需要以同比例进行扩张或缩减,不符合现实情况;非径向模型考虑了松弛问题,但无法比较投入产出前沿值与实际值之间的径向比例信息.Tone等[11 ] 提出的EBM(Epsilon-based measure)模型[12 ] ,兼顾径向与非径向两种方法的优势,较好地解决了上述问题.但前述模型皆无法对效率值同样为1的决策单元进行比较,于是学者们通过构建超效率DEA模型[13 ] 和超效率SBM模型[14 ] 解决了此类问题,凸显出超效率模型的独特优势.在研究层面上,学界早期多关注全国省域层面,后逐步延伸到地级市层面.随着区域协调发展战略的推进,城市群和流域层面的研究受到重视,如京津冀城市群[15 ] 、长江三角洲城市群[16 ] 和长江流域[17 ] .在测度指标上,考虑到工业废水排放易造成污染,故普遍选择以环境负效应为代表的非期望产出,但具体指标细化程度不同.主要选择工业废水排放量[18 ] 以及更为精确的指标,如工业废水中化学需氧量排放量和氨氮排放量[19 ] 作为非期望产出. ...
基于“生产-治理”两阶段评价的长江经济带工业水资源绿色效率研究
1
2020
... 工业水资源效率测度.在方法上多选择随机前沿法(Stochastic Frontier Approach,SFA)[3 -5 ] 和数据包络分析法(Data envelopment analysis,DEA).随机前沿法存在设定参数造成计算误差的问题[6 ] ,需要精确估计生产函数.相对来说,数据包络分析法无须知晓生产函数的具体形式和事前确定权重以及统一量纲,具有更适宜评价多投入、多产出情形下决策单元效率的优势,广泛应用于工业水资源效率测算.数据包络分析法包含径向模型和非径向模型,比如DEA方法中的BCC模型[7 ] 和SBM(Slack based model)模型[8 -10 ] .其中,径向模型假设投入产出要素需要以同比例进行扩张或缩减,不符合现实情况;非径向模型考虑了松弛问题,但无法比较投入产出前沿值与实际值之间的径向比例信息.Tone等[11 ] 提出的EBM(Epsilon-based measure)模型[12 ] ,兼顾径向与非径向两种方法的优势,较好地解决了上述问题.但前述模型皆无法对效率值同样为1的决策单元进行比较,于是学者们通过构建超效率DEA模型[13 ] 和超效率SBM模型[14 ] 解决了此类问题,凸显出超效率模型的独特优势.在研究层面上,学界早期多关注全国省域层面,后逐步延伸到地级市层面.随着区域协调发展战略的推进,城市群和流域层面的研究受到重视,如京津冀城市群[15 ] 、长江三角洲城市群[16 ] 和长江流域[17 ] .在测度指标上,考虑到工业废水排放易造成污染,故普遍选择以环境负效应为代表的非期望产出,但具体指标细化程度不同.主要选择工业废水排放量[18 ] 以及更为精确的指标,如工业废水中化学需氧量排放量和氨氮排放量[19 ] 作为非期望产出. ...
基于超效率DEA模型的宁夏工业水资源利用效率研究
1
2020
... 工业水资源效率测度.在方法上多选择随机前沿法(Stochastic Frontier Approach,SFA)[3 -5 ] 和数据包络分析法(Data envelopment analysis,DEA).随机前沿法存在设定参数造成计算误差的问题[6 ] ,需要精确估计生产函数.相对来说,数据包络分析法无须知晓生产函数的具体形式和事前确定权重以及统一量纲,具有更适宜评价多投入、多产出情形下决策单元效率的优势,广泛应用于工业水资源效率测算.数据包络分析法包含径向模型和非径向模型,比如DEA方法中的BCC模型[7 ] 和SBM(Slack based model)模型[8 -10 ] .其中,径向模型假设投入产出要素需要以同比例进行扩张或缩减,不符合现实情况;非径向模型考虑了松弛问题,但无法比较投入产出前沿值与实际值之间的径向比例信息.Tone等[11 ] 提出的EBM(Epsilon-based measure)模型[12 ] ,兼顾径向与非径向两种方法的优势,较好地解决了上述问题.但前述模型皆无法对效率值同样为1的决策单元进行比较,于是学者们通过构建超效率DEA模型[13 ] 和超效率SBM模型[14 ] 解决了此类问题,凸显出超效率模型的独特优势.在研究层面上,学界早期多关注全国省域层面,后逐步延伸到地级市层面.随着区域协调发展战略的推进,城市群和流域层面的研究受到重视,如京津冀城市群[15 ] 、长江三角洲城市群[16 ] 和长江流域[17 ] .在测度指标上,考虑到工业废水排放易造成污染,故普遍选择以环境负效应为代表的非期望产出,但具体指标细化程度不同.主要选择工业废水排放量[18 ] 以及更为精确的指标,如工业废水中化学需氧量排放量和氨氮排放量[19 ] 作为非期望产出. ...
中国工业用水效率研究
3
2018
... 工业水资源效率测度.在方法上多选择随机前沿法(Stochastic Frontier Approach,SFA)[3 -5 ] 和数据包络分析法(Data envelopment analysis,DEA).随机前沿法存在设定参数造成计算误差的问题[6 ] ,需要精确估计生产函数.相对来说,数据包络分析法无须知晓生产函数的具体形式和事前确定权重以及统一量纲,具有更适宜评价多投入、多产出情形下决策单元效率的优势,广泛应用于工业水资源效率测算.数据包络分析法包含径向模型和非径向模型,比如DEA方法中的BCC模型[7 ] 和SBM(Slack based model)模型[8 -10 ] .其中,径向模型假设投入产出要素需要以同比例进行扩张或缩减,不符合现实情况;非径向模型考虑了松弛问题,但无法比较投入产出前沿值与实际值之间的径向比例信息.Tone等[11 ] 提出的EBM(Epsilon-based measure)模型[12 ] ,兼顾径向与非径向两种方法的优势,较好地解决了上述问题.但前述模型皆无法对效率值同样为1的决策单元进行比较,于是学者们通过构建超效率DEA模型[13 ] 和超效率SBM模型[14 ] 解决了此类问题,凸显出超效率模型的独特优势.在研究层面上,学界早期多关注全国省域层面,后逐步延伸到地级市层面.随着区域协调发展战略的推进,城市群和流域层面的研究受到重视,如京津冀城市群[15 ] 、长江三角洲城市群[16 ] 和长江流域[17 ] .在测度指标上,考虑到工业废水排放易造成污染,故普遍选择以环境负效应为代表的非期望产出,但具体指标细化程度不同.主要选择工业废水排放量[18 ] 以及更为精确的指标,如工业废水中化学需氧量排放量和氨氮排放量[19 ] 作为非期望产出. ...
... 工业水资源效率投入产出指标.将沿黄九省作为研究对象,参考以往研究[15 -19 ] ,结合研究区域工业水资源利用现实情况及数据可得性,基于投入产出的角度,选择资源(工业用水量)、资本(工业固定资产投资)和劳动力(工业从业人数)作为投入指标;各省的工业增加值作为期望产出指标(其中,为剔除价格变化影响,工业固定资产投资和工业增加值指标分别按照固定资产价格指数和出厂价格指数折算为2010年的不变价格).非期望产出指标有两项,分别是工业废水中化学需氧量以及氨氮排放量(表1 ). ...
... 工业水资源效率影响因素指标.对公式(5) 中的解释变量X ,借鉴相关研究成果[15 -19 ] ,认为沿黄九省工业水资源效率与水资源禀赋、社会发展水平、工业化程度、工业用水强度、技术水平、政府规制程度等因素相关,但具体作用程度及效应方向不明确(表2 ). ...
基于EBM模型的长江经济带工业用水效率时空差异及影响因素分析
1
2020
... 工业水资源效率的影响因素.在方法和模型选择上,学者们用Tobit模型[20 ] 、空间收敛模型[21 ] 、主成分分析法[22 ] 以及Malmquist-Luenberger指数[23 ] 来分析工业水资源效率的影响因素和内部驱动力,发现主要源于自然、经济及社会三方面.自然方面包括水资源禀赋(以人均水资源量为代表)和人口规模程度;经济方面包括经济发展水平、产业结构、工业产业发展水平和工业产业用水强度;社会方面包括技术进步水平、固定资产投资以及政府规制程度(以政府相关领域的投资支出来衡量).由于方法和模型选择的区别,上述三方面的细分因素对工业水资源效率有不同程度的驱动作用,只是具体效应存在差异.但是,当前工业水资源效率影响因素的研究多着眼于对研究区域整体的效应分析,对研究区域内部单元的针对性时空影响分析相对欠缺,而这更具有微观实践价值. ...
中国八大综合经济区视角下的工业水资源绿色效率再审视
1
2021
... 工业水资源效率的影响因素.在方法和模型选择上,学者们用Tobit模型[20 ] 、空间收敛模型[21 ] 、主成分分析法[22 ] 以及Malmquist-Luenberger指数[23 ] 来分析工业水资源效率的影响因素和内部驱动力,发现主要源于自然、经济及社会三方面.自然方面包括水资源禀赋(以人均水资源量为代表)和人口规模程度;经济方面包括经济发展水平、产业结构、工业产业发展水平和工业产业用水强度;社会方面包括技术进步水平、固定资产投资以及政府规制程度(以政府相关领域的投资支出来衡量).由于方法和模型选择的区别,上述三方面的细分因素对工业水资源效率有不同程度的驱动作用,只是具体效应存在差异.但是,当前工业水资源效率影响因素的研究多着眼于对研究区域整体的效应分析,对研究区域内部单元的针对性时空影响分析相对欠缺,而这更具有微观实践价值. ...
中国工业用水效率水平驱动因素分析及区划研究
1
2014
... 工业水资源效率的影响因素.在方法和模型选择上,学者们用Tobit模型[20 ] 、空间收敛模型[21 ] 、主成分分析法[22 ] 以及Malmquist-Luenberger指数[23 ] 来分析工业水资源效率的影响因素和内部驱动力,发现主要源于自然、经济及社会三方面.自然方面包括水资源禀赋(以人均水资源量为代表)和人口规模程度;经济方面包括经济发展水平、产业结构、工业产业发展水平和工业产业用水强度;社会方面包括技术进步水平、固定资产投资以及政府规制程度(以政府相关领域的投资支出来衡量).由于方法和模型选择的区别,上述三方面的细分因素对工业水资源效率有不同程度的驱动作用,只是具体效应存在差异.但是,当前工业水资源效率影响因素的研究多着眼于对研究区域整体的效应分析,对研究区域内部单元的针对性时空影响分析相对欠缺,而这更具有微观实践价值. ...
环境约束下的中国工业用水效率研究:基于中国13个典型工业省区2003-2009年数据
1
2011
... 工业水资源效率的影响因素.在方法和模型选择上,学者们用Tobit模型[20 ] 、空间收敛模型[21 ] 、主成分分析法[22 ] 以及Malmquist-Luenberger指数[23 ] 来分析工业水资源效率的影响因素和内部驱动力,发现主要源于自然、经济及社会三方面.自然方面包括水资源禀赋(以人均水资源量为代表)和人口规模程度;经济方面包括经济发展水平、产业结构、工业产业发展水平和工业产业用水强度;社会方面包括技术进步水平、固定资产投资以及政府规制程度(以政府相关领域的投资支出来衡量).由于方法和模型选择的区别,上述三方面的细分因素对工业水资源效率有不同程度的驱动作用,只是具体效应存在差异.但是,当前工业水资源效率影响因素的研究多着眼于对研究区域整体的效应分析,对研究区域内部单元的针对性时空影响分析相对欠缺,而这更具有微观实践价值. ...
黄河流域多尺度水系统结构变化特征
1
2021
... 黄河是中华民族的母亲河,发源于青海省巴颜喀拉山脉,是中国第二长河,全长5 464 km,流经沿黄九省(图1 ),最终在山东东营注入渤海.黄河流域横跨中国东中西部,流域总面积约为79.5万km2 ,东西长约1 900 km,南北宽约1 100 km,是重要的生态安全屏障.黄河的突出特点是水少沙多、水沙异源,具体表现为人均水资源量少,水资源分布严重不均,沿黄九省间水资源量差距悬殊,降水量亦是如此,南北降雨量之比大于5,远超国内其他流域,降水量年际变化极不稳定,忽高忽低,同时沙暴、扬沙多,湿度小却蒸发旺盛.上中游大部分地区位于400 mm等降水量线以西,气候干旱少雨,多年平均降水量446 mm,仅为长江流域的40%;多年平均水资源总量647亿m3 ,不到长江的7%;水资源开发利用率高达80%,远超40%的生态警戒线.沿黄九省经济总量约占全国的四分之一,主导产业包括能源化工、装备制造以及农业,多为高耗水产业.总体上,黄河流域水资源量小,年降水量低,耗水量高,导致水资源量总体呈现减少趋势.在水资源总量下降与工农业发展对资源需求度持续走高的双向夹持下,水资源供需矛盾仍将进一步加剧[24 ] ,已成为制约黄河流域高质量发展的重大瓶颈问题. ...
中国重点旅游城市旅游效率演化与差异性分析:基于超效率EBM模型
2
2021
... 借鉴相关文献,在EBM模型基础上构建非期望产出的超效率EBM模型测算工业水资源效率,以解决EBM模型无法对大量效率值为1的有效决策单元进行深层次比较的问题.模型规划式[25 ] 如下: ...
... 式中:γ * 为待测度省份的工业水资源效率;k 表示决策单元DMU的数量;xik 、yrk 、upk 分别表示第k 个决策单元的投入、期望产出和非期望产出; s i - 、s r + 、s p u - 分别代表投入、期望产出和非期望产出的松弛变量;w i - 、w r + 、w p u - 代表各投入、期望产出和非期望产出指标的权重系数;λ 表示参考单元的相对重要程度;θ 和ϕ 是γ * 中的径向成分;ε 是取值范围为0—1的关键参数,代表非径向部分的重要程度,当ε 取值为0时,超效率EBM模型相当于径向模型;当θ =ε =1时,超效率EBM模型相当于非径向模型[25 ] .当γ * ≥1时,代表达到或超过了效率前沿面(即数值1),称之为有效水平或超效率水平;当γ * <1时,未达到效率前沿面,即为无效状态. ...
Geographically and temporally weighted regression for modeling spatio-temporal variation in house prices
1
2010
... 时空地理加权回归模型是Huang等[26 ] 在地理加权回归模型的基础上纳入时间因素形成的,其优势在于不仅具有地理加权回归模型可以衡量空间层面上自变量和因变量的回归关系的作用,同时考虑了时间因素,可以实现研究对象时空异质性的分析.具体公式如下: ...
黄河流域农业用水效率及影响因素研究
2
2021
... 式中:权重W (ui ,vi ,ti )代表样本点i 与其他样本点的高斯距离函数,距离越近,权重越高.带宽采用交叉验证法确定[27 ] . ...
... 各省份资源禀赋不同,工业水资源的各影响因素对于各省份的具体效应及作用程度亦有差异.为更好地确定各省份的主导影响因素,为各省份制定针对性的效率提升措施提供参考,借鉴付俊怡[27 ] 的研究,将2019年各影响因素的GTWR回归系数按照系数绝对值排序后进行影响程度的大、中、小三等分(表5 ). ...
中国水权交易政策对提高水资源利用效率的地区差异性评估
1
2022
... 沿黄九省工业水资源效率处于波动上升趋势,由2010年的0.735提高到2019年的0.87,增幅为18.4%.其中,2010—2011年出现小幅上升,2011—2013年表现为小幅下降,2013—2019年开始平稳上升,尤其是2015年后工业水资源效率值增幅较大,这种变化与2015年施行的《中华人民共和国环境保护法》和2016年中央开始实行的全国性环保督察在时间线上一致.国家统计局发布的历年数据显示,2016年全国废水中主要污染物里化学需氧量排放量比2015年减少52.9%,出现断崖式下降,且2016年后亦逐年下降,可见环境保护法实施以及中央环保督察对地方水资源管理水平以及水环境污染带来了显著改善,表明环保政策监管对于工业水资源效率具有直接影响.沿黄九省的工业水资源效率并非同步同向变化,与其他省份情况迥异的是四川和青海两省的工业水资源效率值从2015年起不增反降,原因在于其余七省份是国家级或省级水权交易试点,而水权交易政策能够显著提升水资源利用效率[28 ] . ...
“一带一路”中国区域水资源利用效率评价:基于超效率DEA-Malmquist-Tobit方法
1
2018
... 2010—2019年,政府规制程度对大部分省份的工业水资源效率表现为显著且稳定的负效应(图3 ),原因可能包括以下三点.第一,区域工业废水排放量越高,污染治理投资越高,重事后治理轻事前预防的投资方式可能导致投资高收益小.第二,工业污染治理其他方面的投资挤占了用于工业废水治理领域的投资,所以造成了投资多反而效率低的情况.如全国范围内工业污染治理投资完成额中占比最高的是废气治理,废水治理投资额占比只有10%左右,而沿黄九省的占比可能会更低.第三,工业污染治理投资属于宏观调控,调控力度越高,对市场经济的影响越大,越容易造成工业企业生产效率以及工业水资源效率的降低,这与张兆方等[29 ] 提出的政府影响力越高的地区,水资源利用效率越低的结论一致.但是,箱状图显示,在研究时段后期,部分省份出现了政府规制的正效应现象,侧面反映出部分省份已开始改善政府投资方式及规制模式. ...