长江经济带省市生态效率测算及影响因素研究

董博

摘 要： 长江经济带作为中国最重要的流域经济带之一，肩负着引领我国经济高质量发展的重任，实现在保护中发展长江经济带事关国家发展全局与中华民族的长远利益。综合运用DEA模型和Malmquist指数法测算2011至2018年长江经济带各省市的生态效率及其动态变化指数，并运用Tobit回归模型分析上述效率指数的影响因素，研究结果显示：长江经济带的平均生态效率水平在样本期内经历了微弱的上升，年度平均增幅为0.2%;各省经济结构改进、发展高新技术产业、扩大对外开放以及增加财政资金对环保事业的投入等积极因素，均能对效率提升产生显著影响。

关键词： 数据包络分析;Malmquist指数;长江经济带;生态效率

中图分类号： F127; X22 文献标识码： A DOI： 10.3963/j.issn.1671|6477.2020.02.016

长江作为我国的第一大河流，由西向东绵延6300公里，横跨我国东中西三大区域。长江经济带覆盖11个省市，包含长三角城市群、长江中游城市群及成渝城市群三大城市群，总面积占我国国土面积的21%，人口占我国的40%以上。在经济上，长江经济带11省市的地区生产总值占全国40%以上，进出口总额约占全国40%①。在生态环境上，长江拥有独特的生态系统，是我国重要的生态宝库，同时更是沿江4亿居民的饮用水水源，因此长江流域生态环境好坏所带来的影响“牵一发而动全身”，在我国生态安全系统中起着重要作用。

改革开放40余年来，经过快速的工业化、城市化、市场化发展，长江经济带为国家的经济发展作出了重大贡献。但与此同时，由于长江沿线的一些地区走上了追求高投入、高产出的粗放、不可持续的发展道路，长江流域生态功能退化、污染物排放量过大、流域环境风险隐患突出等生态环境问题也逐步凸显，已经开始制約着地区发展与民生福祉的提升。

为应对这一严峻挑战，国家陆续出台多项举措全面推进长江经济带的生态保护与绿色发展。2014年国务院颁布的《关于依托黄金水道推动长江经济带发展的指导意见》②中就将“江湖和谐、生态文明”纳入发展长江经济带的基本原则。在2016年召开的推动长江经济带发展座谈会上，习近平总书记更是明确指出长江经济带的发展要“把修复长江生态环境摆在压倒性位置”，以“共抓大保护、不搞大开发”为基本原则，走“生态优先、绿色发展”之路③。

在国家的科学布局与大力推动下，长江沿线各省市和有关部门积极行动、通力合作，长江经济带的生态修复与绿色发展已经取得初步成效，一些环境指标开始逐渐好转，长江生态功能正逐步恢复。但与此同时我们还要看到，长江经济带面临的生态问题依然严峻，区域绿色发展不平衡现象依然明显，同时长江经济带内产业转型升级的任务依然艰巨，区域合作机制依然有待进一步明确。因此，如何把握好保护和发展的辩证关系，在保护好生态环境的前提下推动长江经济带绿色、科学、高质量发展，依然是一个我们将长期面对并需要着力解决的重要问题。

为此，本文运用DEA|Malmquist方法计算了2011至2018年间长江经济带11省市的生态效率，并使用Tobit回归模型分析其影响因素，以期为制定相关对策提供参考依据。

一、文献综述

绿色经济的发展不仅要考虑经济和社会效益的产出，还要兼顾城市发展过程中的环境污染因素。为了更好地衡量各地在兼顾环境保护与经济发展时的表现，Schmidheiny提出了生态效率（eco|efficiency）的概念，即一定时期内增加的经济价值与增加的生态环境负荷的比值[1]，其核心是少投入、少排放、多产出，在不对生态环境构成威胁的前提下努力发展区域经济。由于生态效率符合可持续发展有关经济、资源和环境协调发展的核心理念，以此逐渐成为测度可持续发展的重要概念和工具。近年来，一些学者依照这一概念将环境因素纳入到经济效率和生产率的分析框架中，使用数据包络分析（DEA）方法及其衍生方法对中国的绿色经济发展进行实证研究。例如胡鞍钢等以1999至2005年间中国的30个省市自治区为样本，使用DEA模型计算这些地区纳入环境因素后的技术效率情况，并发现东部地区考虑了环境因素的技术效率最高，中部地区次之，西部地区最低[2];程丹润和李静则使用DEA|SBM模型研究了1990至2006年间28个省市的环境效率，他们发现环境变量的引入明显降低了中国区域平均效率水平，中西部地区对环境变量的引入较东部地区更为敏感，西部地区处于经济发展和环境保护的双重困境[3];汪晓文和慕一君则运用DEA模型研究了1991至2015年间中国30个省份环境技术效率的收敛趋势，他们发现全国总体及东、中、西部均存在条件收敛，但由于各区域的经济条件与特征不同，收敛速度存在差异[4]。

此外，还有一些学者将研究重点放在生态效率的影响因素及其对地方政府行为的影响上。例如李胜兰等以1997至2010年间中国30个省市为样本，研究地方生态效率对当地政府环境规制的影响，他们发现生态效率对环境规制的制定和实施呈现制约作用，即生态效率较低的地区，地方政府倾向于更严格的环境规制，以遏制资源消耗和环境污染的恶化，改善当地生态环境[5];施本植等则以2003至2015年间中国249个地级市为样本，研究金融聚集对当地绿色经济效率的影响，他们发现金融集聚能够提升城市绿色经济效率，该影响存在门槛效应并且影响效果在不同的地区存在一定的差异[6]。方杏村等则同时研究了财政分权和产业聚集对绿色经济效率的影响，他们通过研究2005—2016年间270个地级以上城市的数据发现：财政分权、专业化产业集聚对绿色经济效率的影响均是显著为负，多样化产业集聚对绿色经济效率的影响则显著为正[7]。

不过，现有文献中有关生态效率的研究还是以全国范围内不同省市或地区间的比较为主，尚无专门针对长江经济带地区的研究。长江流域是我国重要的生态宝库，拥有独特的生态系统，而长江在生态环境上的独特性可能会对地区的生态效率产生较大影响。现有的全国性研究难以有效包含这些区域性的重要因素，导致相关结论难以精确描述长江经济带地区生态效率水平和内部差异，进而影响相关结论及建议在长江经济带地区的适用性。同时，长江经济带作为现阶段中央重点实施的三大战略之一，也肩负着引领我国经济高质量发展的重要任务，在新时期社会主义经济建设过程中具有重要战略作用。因此，鉴于长江经济带在生态和经济上的重要性，十分有必要对该地区的生态效率展开专门研究，测算其效率水平并详细分析相关影响因素，以便为推动长江经济在保护好生态环境的前提下实现绿色、均衡、高质量发展提供政策参考。

二、研究方法及变量选取

（一）研究方法

本文首先使用数据包络方法（DEA）对长江经济带各省市近年来的生态效率进行测算。为了能分析规模因素对效率的影响，本文将使用由Banker et. al.提出的可变规模报酬（VRS）模型[8]进行计算。这一模型可以把技术效率（CRSTE）分解为纯技术效率（VRSTE）和规模效率（SCALE）。其中，技术效率就是各省的生态效率。在投入型DEA模型中，技术效率的基本含义是决策单元（即各样本省市）的实际产出与在既定投入规模下最优理论产出之比。技术效率的取值范围在0到1之间，数值越大意味着决策单元的投入产出效率越高，当取值为1时，则表明该决策单元在既定投入量下已达到了最优产出规模。规模效率是指决策单元在既定生产规模下的理论最优产出与最优规模下的产出之比，纯技术效率则是技术效率中剔除规模因素后的部分。

此外，为了对样本各省市生态效率进行动态比较分析，本文还使用DEA|Malmquist指数进行分析。DEA|Malmquist生产率指数描述了t到t+1期间决策单元整体生产率的几何平均变情况，即计算全要素生产率变化指数（FTPCH），并且还可以将其进一步分解为技术效率变化指数（EFFCH）和技术进步变化指数（TECH）的乘积。其中前者表示决策单元对生产可能性边界的追赶速度，可以反映由于制度变迁引起的资源要素配置效率变化的综合技术效率;后者是生产前沿面的移动，用来反应由于技术创新或者新技术引入从而引起生产可能前沿面外移的技术进步。而技术效率变化指数又可继续分解为纯技术效率变化指数（PECH）和规模效率变化指数（SECH）的乘积，分别反映由于管理、制度及分工引起的技术效率變化和由于生产规模变化引起的变化。上述所有指标的结果均为在1附近的正数，数值大于1，表示在这方面取得改进，反之则表示恶化。本文使用DEAP2.1软件完成上述DEA相关模型的计算。

在得到综合效率水平及相关分解指标后，本文还将进一步探究影响这些效率指标的区域性因素。为此本文参考有关文献[9|11]的作法，将DEA|Malmquist模型计算出的各项效率指标作为被解释变量，将样本省市的相关特征作为解释变量进行回归分析。由于作为被解释变量的效率指标是有界的截取变量，本文使用面板数据Tobit方法进行回归分析。上述回归分析部分本文使用stata12.0软件进行计算。

（二）样本及变量选取

本文使用的样本为位于长江经济带的11个省市，样本年度为2011至2018年，数据来源于2011|2019年统计年鉴。在数据包络分析阶段，我们把2011年作为基准年，将每个省市都视为一个决策单元（DMU），并选取相关省级层面的数据作为投入和产出指标。应用DEA模型测算生态效率相较于测算其他效率的特殊之处在于需要考虑环境污染这种非合意产出的情况。由于环境污染被视作经济活动的代价，部分学者[5，12|13]直接将非合意产出作为模型中的投入项来计算环境效率。根据生态效率的基本概念，我们也借鉴该方法，将环境污染这种非合意产出作为模型的投入项处理。

在投入指标方面，本文参考现有文献[6，7，14|15]，选取资本、人力以及技术三项普通投入指标，以及污染物排放这一非合意产出作为投入指标。其中资本投入本文参考施本植等[6]的作法，采用永续盘存法核算股东资产存量，计算公式为Kit=（1-δ）Kit-1+Eit。其中Kit和Kit-1分别表示i省市当期和上一期的资本存量;δ为折旧率，本文将其定为9.6%;Eit=Ki0/（δ+g），其中Ki0为2011年该省的固定资产投资额，g为2012至2018年长江经济带地区固定资产投资的几何平均增长率。本文选取该省当年城镇单位就业人员数量作为人力投入指标，选取该省当年规模以上工业企业R&D经费作为技术投入指标。在污染物指标投入方面，本文参考孙金岭和朱沛宇的做法[15]，选取该省当年废水排放总量、二氧化硫排放量以及烟（粉）尘排放量，并采用熵权法对数据进行加权处理得到一个综合指标。同时本文选取该省当年的地区生产总值作为衡量其生态效率的产出指标。

在回归分析阶段，本文将使用此前数据包络分析得到的一系列结果分别作为被解释变量。而在解释变量方面，本文参考现有文献[6，14|15]，将着重考察各省市产业结构、高新技术产业发展水平、金融聚集程度、对外开放水平、城市化进程、政府环保投入等6个方面的因素对当地生态效率的影响。具体而言，本文将选取第三产业产值占GDP比重（TrdIndsit）作为衡量该省产业结构的代理变量;选取本省规模以上工业企业专利申请数（Patentit）以及新产品销售收入（NewPrdSalseit）作为该省高新技术产业发展水平的代理变量;在金融聚集度方面，本文借鉴施本植等[6]的计算方法，具体计算公式为FinAggit=YitPit/YtPt，其中FinAggit为省市当期的金融业区域熵;Pit为该省市在当期的全部城镇单位就业人数，Pt为全国当期全部城镇单位就业人数，Yt为全国当期金融业城镇单位就业人数，Yit为该省市当期的金融业城镇单位就业人数;选取省内外商投资企业投资总额（FDIit）和省内单位进出口总额（TEIVit）作为衡量该省对外开放水平的代理变量;选取城镇化率（UrbanRateit）作为衡量该省城市化进程的代理变量，其计算公式为该省城市人口占总人口的比重;选取省财政环境保护支出占财政一般预算支出的比重作（FiscalExhdit）为衡量该省在环保领域投入的代理变量。此外，为了更好地控制各省市经济发展水平对解释变量的影响，本文还加入国内生产总值（GDP）、人均GDP和GDP增长率作为控制变量。回归方程如方程（1）所示：

EffIndit=β0+βiTrdIndsit+β2Patentit+β3NewPrdSalseit+β4FinAggit+β5FDIit+β6TEIVit+β7UrbanRateit+β8FiscalExhdit+β9controlsit+εit（1）

其中EffIndit代表各省市的年度生态效率指标，包括全要素生产率变动指数及其4个分解指数，脚标i和t分别代表不同的省市和年份（下同）;controlsit是控制变量，包括各省市GDP总额、人均GDP以及GDP增长率。

三、实证结果与分析

（一）DEA模型计算结果分析

通过DEA模型计算所得的各省市各年度生态效率及其分解指标列示见表1。

接下来我们将分析长江经济带地区内各省市在整个样本期内的生态效率全要素生产率的变化情况。从表3的第1列中可以看出，在全部11个样本省市中，安徽省、湖北省、江苏省、江西省、上海市、四川省等6省市在样本内全要素生产率变动指数均值大于1，其余5省市的均值小于1。这说明在长江经济带内的大部分省市的生态效率达到生产前沿面，实现了DEA有效。同时我们还可以看到，11省市全要素生产率变动指数的整体年度均值依然为1.002，与表2中的均值保持一致。在这11省市中，全要素生产率变动指数年度均值最大的是四川省，为1.045，此外，江苏省和江西省的全要素生产率变动指数年度均值也都较高，均在1.03以上。这说明在整个样本期间内，四川省的生态效率增长幅度最大，年均增长4.5%，同时江苏省和江西省在样本期内也实现了生态效率的大幅提升。此外，在全部样本省份中，全要素生产率变动指数年度均值最小的是贵州省，为0.963，湖南省的年度均值也较小，为0.967。这说明在样本期内贵州和湖南两省生态效率降幅较大，年均降幅分别为3.7%和3.3%。

在此基础上，我们还是对各省市的全要素生产率变动指数年度均值进行分解分析。我们依然先将其分解为技术效率变化指数乘以技术进步变化指数，即表3的第2列和第3列。兩个指数的总体平均值与表2中的保持一致，这里便不再赘述。就技术效率变化指数而言，安徽省、湖北省、江苏省和江西省的年度均值大于1，即实现了技术效率的提升，且其中江苏省的提升幅度最大，年均增幅达到6%;贵州省、湖南省、浙江省和重庆市的年度均值小于1，即出现了技术效率的下降，且其中湖南省的降幅最大，年均降幅为3.5%;其余三个省市的年度均值刚好等于1，即技术效率水平保持不变。就技术进步变化指数而言，湖南省、江西省、上海市、四川省以及重庆市等6省市的年度均值大于1，即实现了技术水平的提升，且其中四川省的提升幅度最大，年均增幅达到4.5%;其余6省的年度均值小于1，即出现了技术水平的下降，且其中贵州省的降幅最大，年均降幅为3.4%。

我们同样还可以将技术效率变化指数继续分解为纯技术效率变化指数乘以规模效率变化指数，即表2的第4列和第5列。从中可以看到，就纯技术效率变化指数而言，安徽省、湖北省、江苏省以及江西省的年度均值大于1，即实现了纯技术效率的提升，且其中江苏省的提升幅度最大，年均增幅达到9.1%;湖南省的年度均值小于1，即出现了纯技术效率的下降，年均降幅为3%;其余6个省市的年度均值刚好等于1，即纯技术效率水平保持不变。就规模效率变化指数而言，江西省的年度均值大于1，即实现了规模效率的提升，年均增幅为5%;贵州省、湖南省、江苏省、浙江省以及重庆市的年度均值小于1，即出现了规模效率的下降，且其中江苏省的降幅最大，年均降幅为2.8%;其余5个省市的年度均值刚好等于1，即规模效率水平保持不变。

3.各省市各年度生态效率水平分析。

从长江经济带地区全要素生产率变动指数的面板数据看，不同省市不同年度的生态效率存在较大差异。其中全要素生产率增长幅度最大的是2013年的江苏省（TFPCH=1.578），增幅高达57.8%;下降幅度最大的是2016年贵州省（TFPCH=0.86），降幅达到14%。2012至2018年，上海市和四川省在5个年度都实现了整体效率上升，是效率上升年份最多的省市;而贵州省、湖南省、云南省、浙江省以及重庆市则在5个年度中都出现了效率下降，是效率下降年份并列最多的省份。在2017年，全部11个样本省市中有10个省市的效率水平实现了上升，是效率增长省市出现最多的年份;而在2015年，有9个省市的效率水平出现了下降，是效率下降省市出现最多的年份。由于篇幅所限，这里不再对全要素生产率变动指数的分解指数进行进一步的阐述。

4.长江经济带11省市生态效率的分析结论。

通过对长江经济带11省市生态效率全要素生产率变动指数及其分解指数的分析，我们可以得出如下结论：首先，从整体上看，长江经济带的平均生态效率水平在样本期经历了一个先下降后上升的变化趋势，最终在期末相对于期初有微弱的上升，年度平均增幅为0.2%。其中2015年是整体效率水平下降最多的年份，而2018年是效率水平上升最多的年份。说明中央一系列的环保政策，特别是针对长江地区的治理举措逐渐显现出了效果，近两年来长江经济带地区的环境得到了明显改善，生态效率因此也出现上升。其次，长江经济带11省市中，四川省、江苏省以及江西省在样本期内效率增长较快，而贵州省和湖南省的生态效率下降幅度较大。在全要素生产率变动指数的全部分解指数中，技术效率变动指数的影响力最大，这说明近年来长江经济带地区生态效率的提升主要得益于由制度变迁引起的资源要素配置效率的改善。

（三）Tobit回归结果分析

从表5的第1列中我们可以看出，各省市第三产业占GDP的比重、规模以上工业企业专利申请数、新产品销售收入、外商投资企业投资总额、省内单位进出口总额、城镇化率以及地省财政环境保护支出占财政一般预算支出的比重都能对其生态效率的全要素生产率变动指数产生显著正向影响，这些结果说明，各省经济结构改进、高新技术产业发展水平的提升、扩大对外开放程度、推进城镇化以及增加政府对环保事业的投入，均能改进其生态整体效率。

而表5中第2到第5列的结果则展示了上述这些因素是如何对全要素生产率变动指数的细分指数产生影响的。从中我们可以看到：各省高新技术产业发展水平的提升能增加其生态效率的技术效率和纯技术效率;扩大对外开放则可以同时提升其技术效率、技术进步效率以及纯技术效率;推进城镇化和增加财政资金对环保事业的投入则可以提升技术进步效率。

四、结语

（一）研究结论

本文首先运用DEA模型计算了2011至2018年间长江经济带各省市每年的生态效率水平。结果显示，贵州省、四川省、云南省以及上海市的生态效率始终处在DEA前沿，并且进一步的分析表明，各省市的生态综合技术效率差异主要是由纯技术效率差异造成的。紧接着本文运用DEA|Malmquist指数法测算了各省市生态效率的全要素生产率变动指数及其分解指数。结果显示，长江经济带的平均生态效率水平在样本期内经历了微弱的上升，年度平均增幅为0.2%，而年度平均效率水平则经历了前期平稳—中期下降—后期上升的波动过程，其中2015年是整体效率水平下降幅度最大的年份，而2018年则是整体效率水平上升最多的年份;生态效率水平的空间分布表现为四川省、江苏省和江西省的增长幅度较大。

随后本文又运用面板数据Tobit回归模型分析了各省市生态效率全要素生产率变动指数及其分解指数的影响因素。本文发现各省市经济结构改进、发展高新技术产业、扩大对外开放以及增加财政资金对环保事业的投入均能改进其生态效率的全要素生产率，同时上述这些因素也会分别影响技术效率、技术进步幅度以及规模效率等分解效率指标。

（二）政策启示

从本文上述分析与结论中可以看出，虽然近年来长江经济带生态效率出现一定的上升，但不同省市间依然存在较大的效率差异，确保长江经济带走生态优先、绿色发展之路，实现在绿色发展中兼顾经济效益、社会效益和生态效益，依然任务艰巨。结合本文主要结论以及长江经济带地区环境资源与经济发展状况特征事实，本文得出的政策启示如下：

第一，加大长江流域环境保护投入力度，竭力保护自然资源，持续增强环境承载力。要继续推进生态修复治理工程，逐步解决长江生态环境透支问题。统筹好山水林田湖草等生态要素，加强水土流失治理、沙漠化治理、湿地修复、退耕还林、退耕还湿、退渔还水、退房还岸等工作。实施好重大生态修复工程，因地制宜地建设人工湿地，加大自然保护的生态补偿力度。制定合理的土地使用规划，在保护好耕地的同时，注重对土地生态环境的保护。

第二，加大对科技创新的扶持力度。长江经济带的保护与高质量发展都离不开科学技术的支持，因此要着力实施创新驱动发展战略，把长江经济带得天独厚的科研优势、人才优势转化为发展优势。要统筹协调国家、地区层面的各种类型的科研机构，以问题和需求为导向，集中科技力量协同攻关，着力解决长江经济带生态保护与修复等共性关键技术，集成一批实用的技术与模式，构建生态保护与生态产业技术体系。持续推进相关科技成果应用和转化，充分发挥科技成果的社会价值，将先进技术在长江经济带生态大保护工作中推广使用。充分认识绿色技术的正外部性，通过技术标准、排污税费、补贴等政策工具，激发企业对绿色技术的应用需求，改變绿色技术产品需求不旺的现状;通过征收资源环境税等措施，促进资源环境外部性内部化，提振企业对绿色产品的需求。各省市要加强科研人才队伍体系建设，促进长江经济带高等教育协同发展，实现让人才引领创新，创新驱动发展。

第三，大力推进供给侧结构性改革，在去除旧动能的同时培育新动能，推动长江经济带建设现代化经济体系。加快长江沿线石油、化工、医药、有色金属采选冶等经济支柱型企业优化升级，发展新型生态产业，淘汰落后产能、实行环保技术改造、优化行业企业结构，实现长江经济带清洁生产、绿色发展和循环发展。加快建设实体经济、科技创新、现代金融、人力资源协同发展的产业体系。下大气力抓好落后产能淘汰关停，采取提高环保标准、加大执法力度等多种手段倒逼产业转型升级和高质量发展。加快在长江沿线发展循环经济、绿色产业，以“绿色引擎”助推长江经济带高质量发展。

注释：

① 数据来源：国家统计局网站。

② 全文可见于中国政府网，网页链接：http：//www.gov.cn/zhengce/content/2014|09/25/content_9092.htm。

③ 参见新华网的新闻报道《习近平：走生态优先绿色发展之路 让中华民族母亲河永葆生机活力》，网页链接：http：//www.xinhuanet.com/politics/2016|01/07/c_1117704361.htm。

[参考文献]

[1]Schmidheiny S， Timberlake L. Changing course： A global business perspective on development and the environment[M]. Cambridge ： MIT press， 1992.

[2]胡鞍钢，郑京海，高宇宁，等.考虑环境因素的省级技术效率排名（1999—2005）[J].经济学（季刊），2008（3）：933|960.

[3]程丹润，李静.环境约束下的中国省区效率差异研究：1990—2006[J].财贸研究，2009，20（1）：13|17.

[4]汪晓文，慕一君.中国省际环境技术效率及收敛性分析[J].统计与决策，2019（8）：88|92.

[5]李胜兰，初善冰，申晨.地方政府竞争、环境规制与区域生态效率[J].世界经济，2014（04）：90|112.

[6]施本植，许宁，刘明，等.金融集聚对城市绿色经济效率的影响及作用渠道：基于中国249个地级以上城市的实证分析[J].技术经济，2018，37（08）：87|95.

[7]方杏村，田淑英，王晓玲.财政分权、产业集聚与绿色经济效率：基于270个地级及以上城市面板数据的实证分析[J].经济问题探索，2019（11）：164|172.

[8]Banker R D， Charnes A， Cooper W W. Some models for estimating technical and scale inefficiencies in data envelopment analysis[J]. Management science， 1984， 30（9）： 1078|1092.

[9]關爱萍，师军，张强.中国西部地区省际全要素能源效率研究：基于超效率DEA模型和Malmquist指数[J].工业技术经济，2014（2）：32|40.

[10]岳立，杨帆.“丝绸之路经济带”框架下中国与中亚五国能源效率评价：基于CCR|BCC和Malmquist指数分析方法的DEA|Tobit模型[J].统计与信息论坛，2016，31（6）：37|43.

[11]崔学海，王崇举，曾波.基于DEA|Tobit的长江经济带技术转移金融支持效率研究[J].统计与信息论坛，2019（9）：77|84.

[12]Dyckhoff H， Allen K. Measuring ecological efficiency with data envelopment analysis （DEA）[J]. European Journal of Operational Research， 2001， 132（2）： 312|325.

[13]Korhonen P J， Luptacik M. Eco|efficiency analysis of power plants： An extension of data envelopment analysis[J]. European journal of operational research， 2004， 154（2）： 437|446.

[14]聂玉立， 温湖炜.中国地级以上城市绿色经济效率实证研究[J].中国人口·资源与环境，2015，25（S1）：409|413.

[15]孙金岭，朱沛宇.基于SBM|Malmquist|Tobit的“一带一路”重点省份绿色经济效率评价及影响因素分析[J].科技管理研究，2019（12）：230|237.

（责任编辑 王婷婷）

Eco|Efficiency Calculation of Provinces in the Yangtze RiverEconomic Belt and its Influencing Factors

DONG Bo

（School of Economics， Renmin University of China， Beijing 100872，China）

Abstract：DEA model and Malmquist index method are used to calculate the ecological efficiency and its dynamic change index of provinces and cities in the Yangtze River economic belt from 2011 to 2018， and Tobit regression model is used to analyze the influencing factors of the above efficiency index. The results show that the average ecological efficiency level of the Yangtze River economic belt has experienced a slight rise in the sample period， with an annual average growth rate of 0.2%， while the annual average efficiency level has experienced a fluctuation process from being stable in the early stage to declining in the middle stage to minute rising in the later stage; the accumulation of economic structure improvement， the development of high|tech industries， the expansion of opening up， and the increase of financial investment in environmental protection in various provinces have significant impacts on efficiency.

Key words：DEA; malmquist index; Yangtze River economic belt; eco|efficiency