基于SBM模型的我國省際能源環境效率研究

周四軍　陳強　蘇文力

摘 要 將SBM模型與四階段DEA方法結合，研究了我國30個省市地區2004～2012年間省際全要素能源環境效率，同時考察了地區投入與產出松弛量，并對其影響因素進行了深入分析。研究發現：環境約束的影響明顯，科學評價能源環境效率必須把環境污染引入全要素能效測度之中；隨著時間發展，各省間的效率存在優者愈優、劣者愈劣的兩級分化趨勢.對松弛量的Tobit回歸結果顯示：GDP是改善能源環境效率的有利因素，外商直接投資、產業結構以及能源消費結構是其不利因素，技術改進和環境治理對提高效率無顯著影響；外部因素差異對能源環境效率有顯著地影響，剔除外部因素差異的影響，將使效率能得到有效改善.

關鍵詞 環境約束；能源環境效率；SBM模型；四階段DEA

中圖分類號 F205 文獻標識碼 A

1 引 言

在工業經濟中，能源投入達到前所未有的程度.時至今日，我國能源消費量已經由1980年的6.03億噸標準煤增長到2013年的37.5億噸標準煤，巨量的能源投入帶來的負面環境效應日益突出，經濟發展質量令人堪憂.據統計，當前中國二氧化碳、二氧化硫的排放量都已躍居世界第一位，其他主要污染物排放也已位于世界前列.此外我國工業企業的能源消費70%左右仍以煤炭為主.由此可見，我國能源利用正面臨能源利用環境污染重和能源利用方式落后、效率低下的困境，提升能源環境效率迫在眉睫.

在現有估算能源效率的研究中，利用非參數前沿分析模型測算全要素能源效率占有重要地位.Jinli Hu（2006）[1]提出“全要素能源效率”TFEE，利用CCR-DEA模型對中國29個省的面板數據進行實證分析.他將數據包絡分析（DEA）引入中國的能源效率分析，有效克服了傳統單要素能源效率研究方法的缺陷.近年來，許多學者將環境因素納入全要素生產率的研究范圍.鄭麗琳、朱啟貴（2013）[2]研究表明，考慮能源與環境的我國省際全要素生產率增長有限，且效率在東、西部區域內部收斂，中部收斂不顯著，因此我國東中西三地區存在“俱樂部收斂”的情況.汪克亮（2011）[3]，張偉（2011）[4]等運用環境方向距離函數對我國省級全要素生產率進行了研究分析.涂正革等 [5]采用SBM模型計算了我國省際工業效率，它們發現東西部間效率差距明顯，并認為重工業阻礙SBM效率的改善.Bi GongBing （2013）[6]等運用SBM模型測算了考慮環境約束下我國熱力發電行業的全要素能源使用效率，他們研究發現我國熱力發電行業全要素能源效率存在顯著省際差異和地域差異.范丹、王唯國（2013） [7]把四階段DEA與Simar、 Wilson開發的基于Bootstrap的隨機DEA模型相結合，將能源和二氧化碳納入工業企業的全要素能源效率評價體系中， 對我國2010年中國30個省、市、區規模以上工業企業的全要素能源效率及其分解變量進行了實證分析.Hong Li[8]運用SuperSBM模型研究發現“十一五”期間我國各工業部門間能源效率是非收斂的.

縱觀運用DEA方法對全要素能源利用效率的研究，不難發現以下幾點研究趨勢：一是運用各種方法將環境因素納入全要素生產率的研究；二是將參數法和非參數法的優點相結合以克服傳統DEA的缺陷，剔除外部因素差異對測算結果產生的不良影響，分離隨機誤差的影響，這類方法主要包括multistage DEA方法，以及Timo Kuosmanen（2006）[9] 提出的SToNED隨機非參數及半參數方法等方法；三是從當期或序列DEA分析向全局DEA分析發展[10].本文將SBM模型與四階段DEA結合起來研究我國省際能源效率，以克服傳統DEA的缺陷.

2 能源環境效率的理論分析

2.1 利用DEA測算能源效率的理論分析

從全要素角度測算能源效率有深刻地理論基礎，也更客觀地反映經濟運行規律.17世紀英國經濟學家威廉配第提出“土地為財富之母，而勞動則為財富之父和能動的要素”.薩伊將所有生產出來的價值都歸因于勞動、資本和自然力三個要素，他從財富生產的過程出發系統地說明了生產要素的構成.斯密在《國富論》中討論財富與收入時提到“材料等部分，可轉化為固定資本投入、也可轉化為目前消費的財富”.到19世紀末，馬歇爾在《經濟學原理》中提出“土地是指大自然為了幫助人類，在陸地、海上、空氣、光和熱各方面所贈與的物質和力量”，也就明確了包括能源在內“土地”的要素地位.馬克思政治經濟學認為勞動對象和勞動資料是最基礎生產要素，與勞動構成最基礎的物質資料生產.因此，經濟學家將能源作為多種投入的一種，考慮投入要素替代在實現能源效率中的作用，提出以全要素能源效率來衡量一個地區的能源利用效率.

區別于傳統的單要素能源效率分析，需要在 “多投入-多產出”框架下測算全要素能源效率.數據包絡分析方法（DEA）的原理性質十分契合這樣研究需要：①DEA方法測算產出與投入之比，本身就是測算若干決策單元相對效率的方法；②DEA方法適用于“多產出-多投入”[10]的情況；③DEA方法不需要具體的生產函數、不需要主觀賦權，且具有“單位不變性”[10]；④DEA方法能確定每一項無效率決策單元非效率的原因[10].由上可知，DEA方法適于測算全要素能源利用效率.

當然，許多傳統的DEA方法不能避免徑向與角度帶來的偏差，沒有考慮松弛量的影響，也沒有考慮各決策單元外部條件差異以及隨機誤差的可能影響，這些因素都可能造成效率測度的偏誤.SBM模型（Slack Based Model）是一種較為完善的DEA拓展模型，可以很好地解決一般DEA模型（方法）存在的問題.本文基于以上理論分析，將參數法和非參數法的優點相結合可以克服以上傳統DEA存在的缺陷，使用SBMDEA模型與四階段DEA方法結合的方法來測算我國省際全要素能源環境效率下文稱以這種方法的到的效率值為能源效率，或SBM效率（考慮環境約束條件下的測度）..本文從經濟和環境的雙重角度研究能源利用效率，人類通過投入能源、資本、技術、勞動力進行生產而獲得產出，產出由期望產出和非期望產出組成，期望產出主要為GDP，非期望產出為環境污染排放.這種考慮環境效應的能源利用效率（投入與產出的比率）稱為能源環境效率.endprint

2.2 外部因素調整理論分析

下文將以四階段DEA的研究步驟進一步闡述本文如何將SBMDEA與四階段DEA方法結合，以測算外部因素差異對能源環境效率的影響，并在此基礎上對能源環境效率進行再測算.

2.2.1 第一階段，SBM效率測算

第一階段Tone（2001）[11]首先提出了非徑向非角度的基于松弛變量測度的SBM（SlacksBased Measure）模型.SBM模型將松弛變量直接引入目標函數，藉此特點，不僅將環境因素很好地納入SBM模型的測度中，也避免了徑向和角度差異帶來的影響.-

傳統的SBM模型（以下稱模型一）表示為：

2.2.4 第四階段，SBM效率再測算.

將第三階段得到的調整后的投入數據代替原始投入數據，再次運用SBM模型進行效率評估，由此得到的各決策單元的效率值即為剔除了外部因素差異影響后的效率值.

綜上所述，本文將SBM模型與Fried等（1999）[13]提出四階段DEA模型結合起來，減少了徑向角度模型帶來的偏差以及外部因素對效率的影響，更準確地評估我國考慮環境約束的省際全要素生產效率.

3 基于SBM的我國能源環境效率測度

3.1 樣本、變量與數據

本文將SBM模型與四階段DEA方法結合起來，測算我國各省能源環境效率.樣本數據為2004至2012年我國省際數據（因數據不可得，港、澳、臺和西藏不在研究范圍內）.所有的數據均收集于官方統計年鑒以及數據庫，主要包括歷年《中國統計年鑒》《中國能源統計年鑒》、《中國環境統計年鑒》《中國科技統計年鑒》及部分地方統計年鑒.

3.1.1 SBM模型的投入與產出變量

生產過程中需要三種生產要素：資本、勞動、能源，產出由期望產出和非期望產出組成，期望產出為GDP，非期望產出為環境污染排放.基于我國經濟發展特征、非期望產出的SBM模型的對全要素效率估算的要求以及數據的可得性，分別選取省際城鎮就業人口、固定資產投入和能源消費總量作為勞動力、資本以及能源投入的變量.產出方面，以省際不變價格的GDP作為期望產出.非期望產出方面，本文將空氣污染、水污染和固體排放污染全方位地納入效率測算，分別選取省際二氧化硫排放量、COD化學需氧量COD（Chemical Oxygen Demand）是以化學方法測量水樣中需要被氧化的還原性物質的量.在河流污染和工業廢水性質的研究以及廢水處理廠的運行管理中，它是一個重要的而且能較快測定的有機物污染參數.排放量和工業固體廢物產生量作為非期望的產出.表1為投入與產出變量的統計描述.

3.1.2 四階段DEA外部因素變量的選取

在第一階段SBM效率的測算結果中，各投入要素以及非期望產出都產生了松弛變量.許多因素影響松弛量的產生，本文選取了6個變量作為其解釋變量：

1）經濟發展水平影響，以不變價格國內生產總值（億元）為變量（GDP）.經濟是衡量地區發展水平核心指標，一方面，較高的產出往往意味著較高的收入，發達的高收入地區與欠發達低收入地區在產業結構、產出方式、技術水平、消費行為等方面有很大的差異；另一方面，大量研究表明收入與環境污染之間存在庫茲涅茨假說[14]的情況，因此經濟發展水平指標是此階段研究重要的自變量.

2）科技創新能力水平影響，以各地區研究與開發機構科技活動經費內部支出（萬元）代表（R&D）.在較高的生產技術水平下，許多產業可以做到高效率與低污染的統一.除了研發方向、轉化利用水平等因素，R&D作為解釋變量能反映經濟主體對技術進步支持力度，也能進一步論證技術水平與非效率松弛量的關系.

3）經濟開放水平，用外商直接投資額（萬美元）表示（FDI）.經濟開放程度與污染排放之間存在確切的聯系，相關研究對此結論不一，考慮我國過去高速增長的發展模式，本文將FDI作為影響松弛量的因素之一.

4）環境治理投資水平影響，以工業污染治理完成投資（萬元）為變量（HJZL）.污染治理投資反映了地方對環保的重視程度和支持力度.當然，不考慮各地區已產生的污染量差異情況下，各地區污染治理水平也有不同，因此不僅能在計量分析中分析環境治理對松弛量的影響，同時也能研究環境治理的有效性.

5）能源消費結構影響，以煤炭消費總量（萬噸）為變量（CC）.據統計，目前發達國家能源消耗中石油約占能耗總量的40%；其次是煤炭，占比26%；天然氣占比由10%上升至24%；核能、水能等可再生能源約占10%，而我國能源消費中煤炭消耗占能耗總量接近70%，優質能源供給有限.落后的能源消費行為以及能源消費結構對能源投入以及污染產出有直接影響.

6）產業結構影響，以第二產業產出值（億元）作為變量（IND）.相比第一產業和第三產業，第二產業中有眾多能耗大、污染重的工業單位，因此必須考慮各地第二產業對松弛量的影響.

3.2 SBM能源效率測度

在進行DEA分析時，需考慮變量之間的相關性，因為較高的相關性表明投入與產出的“等張性”關系.本文對所取7個變量進行了pearson相關性檢驗.如表2所示，在此使用SBM模型是可行的.

為了驗證環境約束對我國能源效率的影響，本文對是否考慮非期望產出的兩種情況作了比較分析.通過對SBM結果的統計數據分析，發現能源環境效率與無環境約束的能源效率之間有明顯的差異：相對于模型一，考慮環境約束的SBM總體平均效率值由0.669 5降至0.539 9；同時模型二的標準差與極差明顯大于模型一.為了進一步探究其原因，進一步從SBM效率的時間趨勢以及省級結構差異分析其特點.

從2004～2012年，2個模型中我國省際能源環境效率存在一些相同的發展趨勢，研究發現兩個模型的平均SBM效率值都經歷先降后緩慢上升、再回落的相似過程.在差異方面，考慮環境因素使得平均能源環境效率降低了19.3%，同時發現2個模型的標準差和極差都存在隨時間擴大的趨勢，且模型二總體效率偏低且效率間差距更大.endprint

從SBM效率的省際結構看（見圖1），同樣發現2個模型在各省效率的總體特征是一致的.根據各地區能源環境效率值的高低，將其分為3個梯隊：

注：均值為三角形圖案，中位數為圓形圖案，星號為異常值.

1）第一梯隊為近年SBM效率值較高的北京、天津、廣東、上海、山東、海南以及青海，其效率平均達到0.839 6.從全要素能源環境效率的視角看，這些地區具備資源投入少、產出多、污染排放少的條件.它們多數地處東部沿海，是我國經濟社會最發達的省份，這些地區的經濟發展與環境保護達到了協調發展.與此同時，海南、青海的高效率表明：除了經濟發展程度以及地域差異因素，還存在別的因素也能對能源效率產生重大影響：雖然海南、青海兩省的產出較低，但是其投入以及非期望產出也遠遠低于其他省份.

2）河北、江蘇、浙江、福建則處于經濟與環境發展協調發展的第二梯隊，這些區域的經濟較發達，但其能源效率明顯低于第一檔次，從結果數據上看，這些地區與第一梯隊的差距明顯，其歷年能源環境效率平均為0.612 4，這說明這些地區在資源節約以及環境友好方面尚有潛力可挖.

3）其余19個省份為第三梯隊，這些省份多地處中西部，經濟社會發展質量明顯落后前兩個梯隊，其平均能源環境效率為0.414 2.按照我國經濟發展的區域構想以及我國的重大發展戰略，東北老工業基地，中部地區以及西部地區大多省份都處于這個梯隊.這些地區經濟發展模式落后，它們或者是集中了許多能耗高、污染重的產業，或者是產出遠低于其他省份，其SBM效率得分也相應處于落后地位.

進一步剖析從3個梯隊內的發展變化看，第一梯隊與第二梯隊在2004～2012年的時段里體現出有增有減、以增為主、兩級分化的特點.只有青海、海南、福建能源環境效率都是下降的，降幅達到50.1-%、33.3%和42.6%.其他地區的能源環境效率都得到了明顯提升.與前兩個梯隊相比，第三梯隊呈現出明顯的惡化趨勢.在這19個地區中，只有內蒙古和四川的SBM取得了顯著改善（增幅為18.98%和10.65%）；遼寧、吉林、河南與江西的SBM效率在2004至2012年間波動不定，最終只達到輕微改善（小于4%）；余下的13個省份的SBM能源環境效率值悉數下降.總體看來，我國省際SBM能源環境效率呈現出明顯的差異，并且存在兩級分化的趨勢.

4 我國SBM能源效率的外部因素調整

4.1 外部影響因素分析

不能考慮外部因素差異對效率測算帶來的影響，這是傳統DEA固有的缺陷.在此階段，本文基于模型二的測算結果，將投入和非期望產出的松弛變量作為因變量，對其進行面板Tobit回歸分析.這樣，不僅研究了各省市投入與產出冗余的成因及其節能減排潛力，也可在此基礎上消除一定的外部因素差異的影響.需特別說明的是，考慮非期望產出與投入的不同經濟含義，本文取兩組自變量，分別對投入和非期望產出的松弛回歸.結果如表4和表5所示.-

4.1.1 投入松弛的計量分析

從回歸結果看，投入要素與非期望產出松弛量和外部因素變量之間存在顯著的關系，使用Tobit模型剔除外部因素變量的影響來考察全要素能源效率是十分必要的.下面，先分析外部因素對投入松弛變量的影響：

1）4個外部因素變量里只有R&D支出對勞動力松弛有顯著影響，其系數為負.一方面可以看出勞動力的松弛相對地獨立，不受大多數外部因素的影響；另一方面，說明R&D投入的增加能減少勞動力投入的冗余.

2）經濟產出水平對能源消費和資本投入的影響是顯著地，其負的系數意味著地區產出越高，其能源和資本投入的冗余越少，增加產出在一定條件下能節能，進而提高能源環境效率.

3）外商直接投資（FDI）和地區產業結構對能源消費和資本投入的松弛有顯著的正向關系.這說明外商直接投資越多，資本、能源的浪費越嚴重，FDI的存量增加所誘致的經濟規模擴張和“環境避難所”效應可能加劇投入冗余；同時，能源與資本的浪費程度隨第二產業產出值的增加而加劇，因此，第二產業的發展可能是非效率的成因.

4.1.2 非期望產出松弛的計量分析

在非期望產出的松弛方面，回歸結果表明除了R&D支出，其余外部因素變量對非期望產出松弛變量有不同程度的影響.

1）地區GDP產出對3個非期望產出的回歸系數均為負，且都在1%水平下顯著.這個結果呈現了經濟產出越高，污染冗余越少的情況.

2）外商直接投資與COD松弛量無顯著關系，但與SO2排放松弛量和固體物污染松弛量間存在顯著關系，其回歸系數為正.這種關系表明外商直接投資會增加SO2和固體廢物的松弛量產生：FDI越多，污染越重，SBM效率越低.

3）產業結構顯著影響固體廢物松弛量和COD松弛量，其回歸系數為正，也就是說伴隨地區的第二產業產值增加，該地區的固體排放污染和COD水污染也會加重.

4）工業污染治理投資對SO2松弛系數為正，但只能在10%水平下顯著；對固體廢物排放松弛系數為負，通過了1%顯著水平檢驗；對COD松弛排放物顯著影響.這個結果揭示了我國地方政府環保保護政策存在著環境監管不力、環保資金使用效率低下等問題，環境保護費用的增加并沒有起到節能減排、提高全要素能源效率的作用.

5）地區煤炭消費量對三個非期望產出的回歸系數為正，顯著水平分別達到5%、1%、1%，可以推斷各地區能源消費結構對非期望產出的松弛有明顯的作用：煤炭消費量越高，污染排放越多，對環境的破壞也越嚴重.因此調整能源消費結構，減少煤炭消費量有利于改善環境、提高效率.

通過對投入以及非期望產出松弛變量的Tobit回歸分析，不但確定了影響松弛變量產生的主要因素，也能根據分析結果研究了各省市要素投入和污染產出的節能減排潛力與途徑，當然，最重要的是我們基于這一階段的數據結果調整原投入變量，從而消除一定外部因素差異的影響，使所有地區趨于公平的外部條件.endprint

4.2 調整外部因素后的SBM效率

依據式（5）調整原始投入變量，并將調整后的數據再次進行SBM模型測算，得到各決策單元的SBM能源環境效率值，如圖2所示.

比較分析發現，剔除外部條件差異的影響后的平均能源環境效率由0.539 9提高到了0.714 6，增幅達到32.36%.整體上看，多數地區的能源環境效率經過調整后得到提升.本文對第一階段和第四階段的結果進行了spearman相關檢驗和MannWhitney檢驗，結果表明大部分對應年份間平均spearman相關系數達到0.677；在MannWhitney檢驗方面，其Z值為-11.256，即兩組數據存在顯著差異. 以上兩方面說明經過調整后，前后2個結果數據依然保持一定的相關，但其總體結果已經產生了顯著的差異，也就是說外部條件的差異對我國省際能源環境效率產生了顯著的影響.

在剔除外部條件差異后，天津、廣東、山東、海南、青海仍處在效率較高的位置，這說明這些地區的能源環境效率確實較好，它們仍然處在效率前沿；第二梯隊的河北、江蘇、浙江、福建四省的能源環境效率上升了31.78%、45.47%、29.62%和18.55%，但這四省效率改善幅度低于全國平均水平，在調整后任處于能源環境效率的第二梯隊；第三梯隊的SBM能源環境效率在這個階段改善較大，效率均值大幅提高了51.4%，可見這些地區在第一階段受差的外部因素影響比較嚴重.

進一步分析外部因素差異的影響，北京、上海能源環境效率的下降印證了其處于好的外部條件下，以北京為例，北京第二產業占比連年下降，從2004年的32.7%降至2012年的22.7%，許多產能開始遷出北京.政策的有力保證、有效的環境治理、出眾的節能減排意識等等有利因素使他們處于相對較好的外部條件下，當剔除這種外部影響時其能源環境效率也相應下降了.山西、內蒙古、寧夏、遼寧等地區，他們大多面臨經濟發展模式落后、經濟轉型發展難度較大的困境，剔除這種與前述地區間存在的外部條件差距后，這些地區的能源環境效率相應也得到較大的改善.研究結果表明外生因素影響變量對各松弛量以及能源環境效率值有顯著的影響，調整后的能源環境效率更多地反映了一種潛在的改善空間.-

5 結論與啟示

本文將SBM模型與四階段DEA模型結合，科學地評價了我國30個省市地區2004～2012年間省際全要素能源環境效率.基于非角度非徑向的方法考察了地區投入與產出松弛量，并對其背后的影響因素進行了深入分析，得出以下結論：

1）環境約束的影響明顯.研究發現，雖然考慮環境約束的全要素能源環境效率與無環境約束的全要素能源效率的總體排名特征無顯著差異，但其前者平均效率值要低19.3%.不考慮環境效應將高估我國省際全要素能源效率.

2）外部因素對能源環境效率有顯著地影響，如果能減輕外部因素的影響，使各地處在相對公平的條件下，那么效率能得到有效改善.這表明我國省際能源環境效率存在較大的改善空間.

3）隨著時間發展，各地區間的效率“馬太效應”明顯，且環境約束條件下差距更大.本文的實證表明，從其效率變化的特點看，經濟社會發達地區效率得到明顯改善，但大多數中西部地區平均效率下降，且這個趨勢隨時間推進而越發明顯.基于實證結果，本文認為我國能源效率出現了“好的愈好，壞的愈壞”的兩極分化現象.

4）Tobit回歸結果顯示，地區GDP、外商直接投資和產業結構對投入的松弛有顯著影響；而在非期望產出方面，地區GDP、外商直接投資、產業結構以及能源消費結構作用明顯.其中GDP是有利因素，也就是說經濟產出越高，投入與非期望產出的松弛越少，其他變量作用則與之相反.

從上述結論給出三點啟示：

首先，在經濟新常態的形勢下，必須保持一定的經濟增長，為節能減排奠定物質基礎；必須優化產業結構，扭轉高耗能、高污染的經濟發展方式；必須調整能源消費習慣，拓展能源利用途徑，改變能源消費依賴煤炭的單一結構和其利用的“粗放”模式.值得注意的是，各地區很難通過技術改進來提升能源環境效率，同時環保資金的投入沒能有效改善效率.必須重視預防污染的產生，探索研究改善技改經費和環境治理投入政策效果的方法途徑，挖掘這兩項對提高能源效率的作用潛力.

其次，促進經濟社會又好又快發展、改善我國省際全要素能源效率，必須警惕節能減排中的兩極分化現象，避免發展失衡.新常態是中國極為珍貴的戰略機遇期，在新常態經濟結構優化、增長動力切換、制度環境改變的背景下，需更加重視中西部地區嚴峻的能源利用和環境污染形勢，加大對中西部節能減排的支持力度，利用政策導向引導東部地區先進的節能減排技術、管理經驗和制度模式能夠及時向中西部地區傳播，為提高低能效地區能源效率創造更好的條件.

第三，外商直接投資、產業結構以及能源消費結構的狀況影響我國及各省的能源環境效率.要正確引導外商直接投資的方向和規模，根據不同地區的情況，調整產業結構，改善環境狀況；盡量減少煤炭的消費量，優化能源消費結構，減少環境污染.

參考文獻

[1] J L HU， S C WANG.Totalfactor energy efficiency of regions in China[J].Energy Policy，2006，34（1）：3206-3217.

[2] 鄭麗琳，朱啟貴. 納入能源環境因素的中國全要素生產率再估算[J]. 統計研究，2013（7）：9-17.

[3] 汪克亮，楊寶臣，楊力. 中國省際能源利用的環境效率測度模型與實證研究[J]. 系統工程，2011（1）：8-15.

[4] 張偉，吳文元. 基于環境績效的長三角都市圈全要素能源效率研究[J]. 經濟研究，2011（10）：95-109.

[5] 涂正革，劉磊珂. 考慮能源、環境因素的中國工業效率評價——基于SBM模型的省級數據分析[J]. 經濟評論，2011（2）：55-65.endprint

[6] Gangbing BI，Wen SONG，P ZHOU ，et al. Does environmental regulation affect energy efficiency in China's thermal power generation？ Empirical evidence from a slacksbased DEA model[J]. Energy Policy，2013（2）：35-41.

[7] 范丹，王維國. 中國省際工業全要素能源效率——基于四階段DEA和Bootstrapped DEA[J]. 系統工程，2013（8）：72-80.

[8] H LI， J F SHI. Energy efficiency analysis on Chinese industrial sectors： an improved SuperSBM model with undesirable output[J].Journal of Cleaner Production，2014，65（7）：97-107.

[9] Kuosmanen TIMO. Stochastic nonparametric envelooment of data：combining virtues of SFA and DEA in a unified framework[J].MTT Discussion Papper，2006，47（9）：57-66.

[10]W W COOPER， K TONE， L.M SEIFORD.Data envelopment ananlysis[M]. New York： Springer Science Business Media， 2007.

[11]K.A TONE. Slackbased measure of efficiency in data envelopment analysis[J].Euro Journal of Operational Research，2001，130（3）：498-509.

[12]K TONE. Dealing with undesirable output in DEA：a slackbased measure approach[R].The Operations Research Society of Japan，2004，36（8）：45-53.

[13]H O FRIED， S S SCHMIDT， S YAISAWARNG. Incorporating the operating environment into a non parametric measure of technical efficiency[J].Journal of Productivity Analysis，1999，12（3）：249-267.

[14]G M GROSSMAN， A B KRUEGER.Economic growth and the enviroment[J].The Quarterly Journal of Economics.1995，39（12）：35-42.endprint