上海市生态福利绩效评价研究.doc

1、1上海市生态福利绩效评价研究摘要 生态福利绩效是指自然消耗转化为福利水平的效率。随着全球生态约束时代的到来，自然资本变得绝对稀缺，如何在生态极限内提高人类的福利水平是可持续发展的终极目标。本文基于 DEA 方法，从投入产出角度构建了城市生态福利绩效评价指标体系，并结合主成分分析法（PCA） ，运用改进的基于非径向非角度的超效率 DEA 模型（Super-SBM模型）对上海市 20062014 年的生态福利绩效水平进行综合测评，并与2014 年我国 35 个主要城市（省级和副省级城市）进行横向对比研究。结果表明：20062014 年期间，上海的总体生态福利绩效水平不高，并未处于 DEA 有效的前

2、沿面，其中仅 3 个年份为 DEA 有效，其余 6 个年份均为 DEA 无效，DEA 有效年份数占样本总数的 33.33%，但从整个发展态势来看，近几年来有逐步改善和提高的趋势。2014 年，我国 35 个主要城市的生态福利绩效整体水平不高，深圳、海口排名前两位，而上海仅排名第 30 位，资源环境消耗过高是生态福利绩效值偏低的主要原因。从投入冗余情况来看，上海市在水资源和土地两方面消耗过高，存在过度冗余，环境污染排放也具有较大的优化空间，资源环境问题成为制约上海建设生态宜居城市的主要瓶颈。PCA-DEA 组合模型比 DEA 模型下所测算出来的绩效值更精确，且考虑松弛变量的非径向 Super-S

3、BM 模型比基于径向的 DEA 模型精确度更高，对于相关领域的资源环境绩效或生?B 效率评价具有较好的适用性和借鉴价值。最后根据实证分析结果可知，上海应淘汰过剩产能并转变生产和生活消费方式、发展绿色低碳的共享经2济，同时构建紧凑型城市，实现城市“精明增长” 。 关键词 生态福利绩效；可持续发展；主成分分析法；PCA-DEA；Super-SBM 模型 中图分类号 F205 文献标识码 A 文章编号 1002-2104（2017）02-0084-09 doi：10.3969/j.issn.1002-2104.2017.02.013 正如著名生态经济学家 Daly 所提到，我们已从自然资本相对富裕的

4、“空的世界”走向绝对稀缺的“满的世界”1。全球发展面临着严峻的资源枯竭和环境恶化挑战，走社会经济与自然环境相协调的可持续发展之路是当前世界各国的必然选择2。上海作为我国第一大城市、国家经济中心和长三角城市群的龙头城市，经济发展一直处于领先水平，但与此同时生态环境的承载极限不断面临挑战，社会经济发展与生态承载力严重不协调，资源消耗和环境污染问题严重。2014 年“全球城市实力指数” （Global Power City Index， GPCI）报告显示，上海综合排名位于42 个城市中第 15 位，其中在生态环境层面的排名位于 42 个城市中第 37位3，生态环境问题成为制约上海角逐全球顶端城市的

5、重要瓶颈4。在资源环境约束的大背景下，如何在生态门槛内，持续地提升城市居民的福利水平，即生态福利绩效的提高，是城市可持续发展的根本要求5，这也与我国城市生态文明建设的目标相吻合。 1 文献综述 生态福利绩效的起源来自于 Daly6通过计算单位自然消耗所带来的3福利水平的提升来评估各国的可持续发展状况，并将其表示为服务与通量的比值，其中“服务”代表通过经济系统的转换，人类最终从生态系统中获得的效用或者福利， “通量”代表人类从生态系统中获取的低熵能源和物质以及最终向生态系统排放的高熵废弃物的总和。在 Daly 思想的基础上，国内学者诸大建7于 2008 年首次提出了生态福利绩效的概念，并定义生态

6、福利绩效为自然消耗转化为福利水平的效率，用来衡量国家或地区的可持续发展能力。 生态福利绩效从概念的角度而言，其实是生态效率的版本升级，最主要区别在于不再是以追求纯 GDP 产出为导向，而是追求生态投入最小化情况下福利产出最大化。目前国内外评价生态效率所采用的方法除了比值法8之外，主要通过构建生态效率的评价指标体系并运用非参数的DEA 方法11，并证明了 DEA 方法在生态效率评价中具有较好的适用性。 有关福利的研究，目前并没有绝对统一的指标来衡量，主要分为主观和客观两大类。客观福利指标经历了从最初的 GDP 到GNP、ISEW、GPI、HDI 等的发展14；主观福利指标包括生活满意度和幸福感等

7、，主要通过问卷调查而得到，由于主观感受因人而异，而且受访者常常会因为“社会比较”和“享乐适应”的影响15，从而使问卷调查出来的福利水平数据容易出现偏差。目前人类发展指数（HDI）是国际上比较认可的表征客观福利的指标，包括收入、教育和健康三个维度。联合国开发计划署（UNDP）自 1990 年以来会在每年发布的人类发展报告中公布世界主要国家和地区的人类发展指数排名17。 目前生态福利绩效的研究主要集中在国家层面，如：Common18、4Dietz 等19、臧漫丹等20、诸大建5等，还有部分学者将生态福利绩效应用到省级层面，如：何林21、冯吉芳22等。有关城市层面的生态福利绩效的研究文献鲜见，而我国

8、目前正处于城市化的加速阶段，城市化已成为国家经济发展和社会进步的主要引擎和推动力，研究城市层面的生态福利绩效，能够更有针对性地为可持续发展提供相关政策建议。因此本文拟投入产出的角度出发，以资源消耗、环境污染和福利水平三方面作为切入点，构建城市生态福利绩效的评价指标体系，分析上海市近 10 年来的生态福利绩效状况，并与国内 35 个主要城市（省级和副省级城市）进行横向对比，以期更好地发现上海目前城市发展过程中存在的不足，进而能够更有效地提出针对性政策建议以促进上海市的可持续发展。 2 研究方法、指标体系、数据说明 2.1 研究方法 有关效率或绩效测算主要分为参数法和非参数法两种，分别以随机前沿分

9、析法（SFA）和数据包络分析法（DEA）为代表。在实际应用中，随机前沿法（SFA）需事先设定前沿生产函数， 利用统计方法对参数进行估计，而 DEA 方法无需事先确定函数关系、非主观赋权以及可分析决策单元无效因素，避免了主观设定函数和权重的影响，测算结果更为客观，在国内外得到了广泛的认可和应用。由于本文所选取样本容量较小，需要对多个指标合成少数几个指标以满足 DEA 对投入产出指标数据的要求。因此首先运用主成分分析法（PCA）对原始指标进行降维处理，用较少几个相互独立的综合指标来代替，以保证 DEA 测算的精确性，然后在5此基础上，运用改进后的 DEA 模型进行实证分析。具体方法和模型介绍如下：

10、 2.1.1 主成分分析法（PCA） 主成分分析法（Principal Components Analysis， PCA）是由Hotling23于 1933 年最先提出的，其基本思想是在保证数据信息损失最小的前提下，经恰当的线性转换，对原始的具有一定相关性的多个指标进行降维处理，用少数几个相互独立的综合指标来代替24。主成分分析法的一般操作步骤如下25：对原始指标数据进行标准化处理，以消除变量间在数量级和量纲上的不同；计算相关系数矩阵；计算特征值与特征向量，根据特征值和贡献率确定主成分；计算主成分载荷；对多个主成分进行加权求和即可得到综合指标，权数为每个主成分的方差贡献率。 2.1.2 改进

11、DEA 模型Super-SBM 模型 数据包络分析（Data Envelopment Analysis， DEA）由 Charnes26等人于 1978 年首先提出，是一种多个要素投入与产出之间的相对效率测度的非参数分析方法。传统 DEA 模型如 CCR 和 BCC 模型27，是从径向（投入和产出以等比例缩小或放大）和角度（投入或产出角度）两个方面来测算效率，因没有考虑投入产出的松弛问题，使得测算出的效率值不够精确28。针对传统 DEA 模型的问题，Tone29于 2001 年提出了基于松弛变量测度的非径向非角度的 DEA 分析方法，即 SBM 模型（Slacks-Based Measure）

12、 ，这种模型的优点是效率值随着投入和产出松弛程度的变化而严格变化。但 SBM 模型测得效率值时会出现多个决策单元同时有效（效率值均为 1）的情况，此时无法对这些决策单元进行有效评价与排6序30。为此，Tone31于 2002 年基于修正松弛变量提出了 Super-SBM 模型，该模型对 SBM 模型的有效单元可以继续进行评价和排序。改进的DEA 模型（考虑松弛变量的非径向 Super-SBM 模型）具体形式如下32： 其中，SE 为相对效率值， x、y 分别为输入和输出变量， （x，y）为决策变量的参考点，m、s 分别为投入、产出指标个数，s-i、s+r 分别为投入、产出的松弛量，j 为权重向

13、量。 当 SE1，且 s-=s+=0 时，被评价的决策单元相对有效； 当 SE1，s-0 或 s+0 时，被评价决策单元为弱有效； 当1 时，被评价的决策单元相对无效；需要对投入产出进行必要改?M33。 2.2 评价指标体系构建 生态福利绩效的本质是以最少的自然生态投入转换获得最大的福利水平产出，这也与 DEA 方法对投入与产出指标的要求相符。生态投入包括资源消耗和环境污染两方面，其中关于环境污染指标的处理方法借鉴国内专家学者成金华34、潘兴侠35、付丽娜36、陈傲37等对有关生态效率评价研究中选取环境污染指标作为投入要素的方法，鉴于生态福利绩效的概念本质上是生态效率的版本升级，因此在研究方法

14、上具有可参照性，故本文将环境污染指标作为生态投入的一部分。 根据指标体系构建的科学性、系统性和可操作性等原则，本研究选取能源消费、水和土地利用作为城市生态系统的资源消耗指标，分别由人均消费标准煤、用水量和城市建设用地面积来表征；环境污染指标由城市“三废” （废水、废气、固废）污染排放，包括工业源和生活源的排7放。而目前国内大多数研究只考虑工业三废的排放量38，存在一定的局限性，仅能反映城市工业发展对环境的影响，不能反映城市整体对环境的影响情况。福利水平由经济、教育和健康三个维度共同体现，也是参照由联合国开发计划署（UNDP）17发布的人类发展指数（HDI）所采用的三个维度指标进行量化评估。具体

15、指标体系如表 1 所示。 2.3 数据来源与说明 本文首先通过近 10 年的时间序列数据对上海市生态福利绩效水平进行纵向分析，考虑到环境污染指标中氮氧化物排放量的数据是从 2006 年才开始正式统计的，而目前最新的上海统计年鉴 2015中也只更新到2014 年的数据，因此本文将研究的区间界定为 20062014 年。同时还选取了 2014 年我国 35 个主要城市（省级和副省级城市）的截面数据进行横向对比分析。所有原始数据均来自上海市统计年鉴 2015 、 上海环境年鉴 2014 、 中国统计年鉴 2015 、 中国城市建设统计年鉴 2014 、中国 2014 年度环境统计年报 、及各城市最新

16、统计年鉴、水资源公报和环境状况公报等，少数缺失的数据利用内插法和外推法得到。 本研究中所选取的 35 个主要城市分别由 26 个省会城市、4 个直辖市和 5 个计划单列市组成。鉴于省级（副省级）城市无论在政治地位还是经济实力方面都具有一定的代表性，同时在数据的可得性和可比性方面也具备一定的优势，因此通过横向对比分析，能够更明确地发现上海目前发展所存在的问题及不足，进而为上海的可持续发展提出相对合理的政策建议。 人类发展指数（HDI）通过相关的基础数据经由特定公式计算而得。8首先以2014 人类发展报告39中公布的阈值为标准，对 HDI 中三个维度指标准采用极值法进行无量纲化处理。在 HDI 的

17、具体计算中，本研究采用联合国开发计划署（UNDP）自 2010 年以来人类发展报告中开始采用的最新 HDI 计算方法，即采用预期寿命指数（LEI） 、教育指数（EI）和收入指数（II）的几何平均值来测算人类发展指数（HDI） 。 考虑到 GDP 和 GNI 指标之间从构成内容上相差“来自国外的要素收入净额” ，两个指标的实际数值尤其是人均数值之间的差别不大41。为了计算方便，本研究中直接用处理后的人均 GDP 值来计算 HDI 值，其中人均 GDP 按 2005 年不变价进行处理。 3 实证结果与分析 3.1 20062014 年上海市生态福利绩效水平纵向动态 在纵向研究中，本文将 20062

18、014 年 9 个年份作为决策单元（DMU） ，基于 DEA 方法选取不同 DEA 模型进行对比分析。由于 DEA 在实际应用中，对投入产出指标的要求比较高，如果投入指标间具有较强的相关性，将会导致决策单元在有效生产前沿面上比较集中，效率的“相对性”不够突出，容易导致决策意义的丧失23。鉴于此，首先将对投入产出指标进行主成分分析，将多个指标转换成几个相互独立的综合指标。由于 3个表征福利水平的产出指标已经采用 HDI 计算公式单独计算，因此只需对投入指标进行主成分分析。 3.1.1 投入指标降维处理：主成分分析法（PCA） 本研究中投入指标主要分为资源消耗和环境污染两大类。首先需要对资源消耗和

19、环境污染指标进行主成分分析适用性检验，主要通过 KMO9和 Bartlett 检验（一般认为，只有当 KMO 值大于 0.5，且概率值小于0.05 时才适合做主成分分析42） ，主成分分析所有过程均借助 SPSS 22.0来完成。从表 2 可以看出，资源消耗的三个指标之间相关度不高（KMO 值为 0.477，概率 P 值为 0.561） ，两个值均不符合要求，由此可以判定，资源消耗的三个指标不适合主成分分析，可直接代入 DEA 模型中；而环境污染指标因子分析的 KMO 值为 0.561， Bartlett 球形检验概率 P 值为0.000，说明原始环境指标适合做主成分分析，因此在本研究中仅对反

20、映环境污染情况的 7 个投入指标做主成分分析。 在主成分提取前，首先对 7 个指标的原始数据进行标准化处理，以消除变量间在数量级和量纲上的不同。通常对原始数据进行 z-score 标准化处理42，将年份 j 对应的环境指标 Xi 的原始值 Xij 使用 z-score标准化为 X*ij。 然后，将标准化的数据以 25 作为收敛迭代上限，提取主成分。依据特征值和方差贡献度，以特征值大于 1 为标准，可选 2 个主成分；累计方差贡献度达 84.294%，表明这两个主成分可以说明 7 个指标 84.294%的信息量。因此环境污染指标可以提取 2 个主成分，最后根据旋转后的得分系数矩阵通过加权求和得到

21、一个综合指标以替代原有的 7 个环境污染指标，其中权数为每个主成分的方差贡献度，分别为 69.589%和14.706%，具体如下： （F1）X=0.338x*4+0.225x*5+0.209x*6+0.274x*7+0.208x*8+0.169x*9+0.122x*10 10（F2）X=-0.296x*4-0.781x*5+0.034x*6-0.126x*7+0.286x*8+0.009x*9+0.193x*10 X=65.589%（F1）X+14.706%（F2）X（4） 3.1.2 基于 DEA 和改进 PCA-DEA 模型的实证对比分析 在经过主成分分析法，确定新的投入?a 出指标后，运

22、用 DEA-SOLVER 5.0 软件，以投入导向分别选取不同 DEA 模型（基于径向和非径向）进行测算对比分析，具体结果见表 3。 从表 3 可以看出，总体而言，上海近 10 年的生态福利绩效水平不高，且为 DEA 无效状态。所研究的 9 个样本年份中，仅 2006、2008 和 2014年三个年份的效率值为 DEA 有效，其余年份均为 DEA 无效。不过从整体的发展态势上看，近几年有逐步改善和提高的趋势，这与国家“十二五”期间大力推行的“节能减排”政策，以及上海作为首批低碳试点城市有关。 根据不同 DEA 模型下的测算结果发现，在样本较小的情况下，投入产出指标经主成分分析后再进行 DEA 测算的精确度更高，同是也验证了主成分分析法（PCA）与数据包络分析法（DEA）的适用性和合理性。同时，在 PCA-DEA 框架下，基于非径向的考虑松弛变更的 Super-SBM 模型，不仅解决了传统 DEA 模型由于出现多个为 1 的有效决策单元导致无法排序的问题，同时比基于径向的传统 DEA 模型精确度更高，反过来也说明了，传统 DEA 模型所测算出的效率值存在虚高，容易误导主要决策者，影响相关政策制订的合理性和有效性。 当然，由于样本数据的可得性，本研究所选取的时间样本容量有限，