环境规制对中国火电行业绿色全要素生产率的影响效应
——基于省级面板数据的实证研究

董钰涵，谢波

（昆明理工大学 管理与经济学院，云南 昆明 650093）

改革开放40多年来，我国经济取得了跨越式发展，经济总量位居世界第二。在经济快速发展背景下，随之而来的是对环境造成的污染，根据《2019中国生态环境状况公报》[1]，我国53.4%的城市环境空气质量超标，48.4%的城市PM2.5年均浓度超二级标准，5.6%的城市SO2浓度超二级标准；24.9%的地表水超过Ⅲ类水质标准；生态质量优和良的县域面积占国土面积的44.7%，未达到“良”的县域面积占国土面积的55.3%。可见，环境污染已经成为经济发展过程中不可忽视的问题。电力行业是中国经济发展的重要基础产业，目前，中国电力供给仍以符合中国资源禀赋特点的煤炭为燃料的传统火力发电为主。虽然近些年水电、风力发电和核电等利用新能源的发电方式呈现逐步上升趋势，但受制于能源开发利用成本、新技术的不确定性、资源禀赋结构和电力传输等现实条件，传统火力发电始终在我国电力供给领域占据重要地位。火力发电需要大量的煤炭等化石燃料燃烧，国内发电供热用煤约占全国煤炭生产总量的50%，全国约90%的SO2、80%的CO2排放由煤电产生。

本文通过测算中国各省份火电行业的绿色全要素生产率及其分解项，研究环境规制对火电行业绿色全要素生产率的作用机制及影响途径，为中国绿色创新能力的提高与电力产业转型升级提供理论支撑与实证基础，具有较好的现实意义。

1 文献综述

关于“环境规制能否推动绿色全要素生产率提升”这一问题一直存在争论，主要有两种观点：一种观点认为环境规制对绿色全要素生产率的提高具有抑制作用。环境规制使企业污染治理成本提高，挤占创新投入和运营资本，在外部成本内部化过程中降低利润率，降低生产率，从而抑制绿色全要素生产率的提高。刘祎等[2]在分析环境规制对绿色全要素生产率的技术影响路径时指出，无论企业面对环境政策采取何种有效措施，环境规制都会增加企业运营成本，降低生产效率，绿色全要素生产率随之下降。黄庆华等[3]实证得到环境政策对绿色全要素生产率的影响具有时效性。由于政策具有滞后性，长期的环境政策不仅不能促进绿色全要素生产率持续增长，还会引发企业为补偿污染治理成本而加速污染型产出。另外一种观点则认为，环境规制对绿色全要素生产率的提高具有促进作用。持有促进作用观点的大多支持“波特假说”[4]，认为环境规制虽然增加了企业成本，但是能够倒逼企业加强科技创新投入，提高技术效率，最终促进绿色全要素生产率增长。程广斌和陈曦[5]对环境规制、技术进步和可持续发展三者之间的影响效应定量定性检验后得到：恰当的环境规制能够激发企业的绿色技术创新活动，同时证明了“波特假说”的成立。原毅军和谢荣辉[6]将中国各省份的工业绿色全要素生产率及其来源分解，实证得出环境规制显著促进了绿色全要素生产率的增长，并进一步检验了技术进步是其增长的主要来源，从生产率的视角验证了“波特假说”的成立。

将污染物排放等作为非期望产出，把环境因素纳入到全要素生产率的测算框架中，能够得到更加真实全面地反映不同区域经济发展水平的指标：绿色全要素生产率（GTFP）。提高绿色全要素生产率的过程本质上就是实现污染排放减少、能源充分利用和劳动生产率提高。陈超凡[7]测算了资源环境约束下中国工业绿色全要素生产率，通过系统GMM模型研究影响工业绿色全要素生产率的因素发现：较高的技术水平、合理的产权结构能显著提高绿色全要素生产率，而资本深化、不合理的能源结构阻碍绿色全要素生产率的增长。其他影响绿色全要素生产率的因素还有财政分权[8-9]、外商直接投资[10-11]、 金融发展[12]等。李斌等[8]在考虑能源投入和环境污染的情况下测算绿色全要素生产率增长率及分解项，实证发现财政分权程度的提高对绿色技术进步有一定的正向作用，但在较大程度上恶化了绿色技术效率，总体上不利于绿色全要素生产率的增长。闫慧贞[11]测度了“一带一路”沿线省份的绿色全要素生产率，分析得到外商直接投资对我国沿线省份的绿色全要素生产率具有显著促进作用，且呈现波动性上升的趋势。徐璋勇和朱睿[12]把金融发展分解为金融规模、金融结构、金融效率，基于SBM-DDF的ML指数实证检验了金融发展及其三个衡量维度通过提升绿色技术效率与绿色技术进步两种路径均显著促进西部GTFP的提高。从区域和行业层面测算绿色全要素生产率，有助于对经济发展方式和发展绩效进行合理评价。刘华军和曲惠敏[13]通过对黄河流域绿色全要素生产率增长的空间格局及动态演进分析发现：黄河流域GTFP呈“低增长”与“不平衡”的双重特征，且呈现以黄河中下游为重心的“东北—西南”分布格局。而文圆等[14]发现长江经济带沿线城市的政府科技投入对城市绿色全要素生产率具有显著提升作用。从细分行业来看，现有文献集中于对采矿业、交通基础设施、农业等资源型和污染密集型产业的研究。徐海成等[15]基于面板门槛模型，实证得到全样本下交通基础设施对绿色全要素生产率的影响存在单门槛效应，交通基础设施固定资本存量低于门槛值时会促进绿色全要素生产率的提高。于立宏等[16]构建了考虑双重负外部性的采矿业绿色全要素生产率测度框架，结果显示采矿业的绿色全要素生产率有显著增长，但负外部性对采矿业GTFP呈抑制作用。

在火电行业全要素生产率研究方面，现有成果不多，主要可分为两类：一类是在研究工业全要素生产率时涉及发电行业，但这类研究的重点放在提升生产率的路径分解上，仅将火电行业作为样本的一部分，且早期关于火电行业效率的研究多从生产效率出发，只考虑了传统的资本和劳动要素作为投入指标，忽视了与火电行业可持续发展关系密切的环境因素。另一类是针对火电行业生产效率的测算，效率的测算属于静态分析，而全要素生产率测算为动态分析，对火电行业全要素生产率的分析可以实现对电力产业改革绩效的动态跟踪评估。本文将火电行业有代表性的SO2排放量作为非期望产出纳入到测算框架中，基于2003—2017年全国30个省份（西藏、港澳台地区除外）的面板数据，采用SBM方向性距离函数和ML指数对中国火电行业绿色全要素生产率进行测算，并构建系统SYS-GMM模型从全国范围、分区域等不同角度，实证检验了环境规制这一政策冲击对火电行业绿色全要素生产率的影响效应，并提出相应的政策建议。

2 绿色全要素生产率的测算

Färe等[17]发展出非径向、非角度的方向性距离函数，Chung等[18]将含非期望产出的方向距离函数纳入Malmquist指数（下文简称“M指数”）中，得到了Malmquist-Luenberger生产率指数（下文简称“ML指数”）。与传统的M指数相比，ML指数考虑了非期望产出对效率的影响。当ML＞1时，全要素生产率提高；当ML＜1时，全要素生产率降低。ML指数可进一步分解为技术效率变动指数（EC指数）和技术进步变动指数（TC指数）。技术效率变动指数反映决策单元对现有技术水平的利用效率，若EC＞1，决策单元对现有技术的利用良好；若EC＜1，决策单元对现有技术的利用效果较差。技术进步变动指数反映影响决策单元效率的外部因素，如技术、管理、政策变化等。若TC＞1，决策单元获得了技术进步；若TC＜1，决策单元的技术、管理、政策变化等外部因素变差。

白雪洁和宋莹[19]利用三阶段DEA模型排除经营环境对中国火电行业效率的影响，然后把环境规制纳入到效率模型中，分析其对火电行业技术效率和规模效率的影响效应。为了更为准确地测度火力发电行业的发展水平与发展质量，将环境约束纳入火电行业生产率测算框架中。解百臣等[20]在DEA模型基础上，基于动态效率的投入型Malmquist指数，对我国1997—2007年30个省份的发电部门进行低碳经济评价。朱承亮[21]、产金勇[22]利用投入、产出和污染排放三方面数据，采用基于方向性环境距离函数的Malmquist-Luenberger生产率指数对中国30个省份火电行业绿色生产率进行测度分析。本文参照朱承亮[21]的实证方法，构造包含期望和非期望产出的生产可能性集合，利用基于非径向、非角度SBM方向性距离的Malmquist-Luenberger指数，使用MaxDEA 8 Ultra专业软件测算2003—2017年全国除西藏外30个省份火力发电行业的绿色全要素生产率（GTFPit）及其动态变化状况，并将其分解为绿色技术效率（EC）和绿色技术进步（TC）两部分，即：

第t到t+1期的Malmquist-Luenberger指数可以表示为：

2.1 指标设定与说明

基于SBM模型的ML指数测算不需要具体的生产函数，只需各决策单元的投入及产出变量。本文选择的投入变量为年末从业人数、发电设备容量、燃料标准煤耗，产出变量中期望产出为火电行业发电量，非期望产出为SO2排放量。考虑数据可得性，剔除西藏、香港、澳门、台湾4个地区，最终的决策单元数为30个，具体投入产出指标情况如下。

（1）期望产出。期望产出变量用火电发电量表示，具体数据来自《中国电力年鉴》。

第四，文化重视程度不同。随着时代的进步，世界文化的交流的日益密切，越来越多的中国人选择了学习西方国家的饮食方式，并且由于日常工作的繁忙，人们进入了“快餐时代”，渐渐地忘记了中国优秀传统文化的传承，许多的优秀文化在逐渐被遗忘，而韩国却十分的注重传统文化的继承与发展，相比较于中国韩国对文化的重视程度更高，对人们礼节上的要求更为严格。

（2）非期望产出。火电行业以煤炭等化石能源作为主要的燃料，煤炭燃烧产生大量的SO2、氮氧化物和烟尘等大气污染物。根据2015年《环境统计年报》显示，电力、热力生产及供应业SO2排放量占重点调查工业企业SO2排放总量的63.1%。因此，本文采用火电行业污染物排放占比较大的SO2排放量作为非期望产出。由于分省细分行业SO2排放量的缺失，本文借鉴邵留国等[23]的方法，根据公式“SO2排放量=电力、热力生产及供应业SO2排放量/各行业SO2排放量×各地区SO2排放量”计算得到火电行业SO2排放量。各地区SO2排放量和电力、热力生产及供应业SO2排放量数据来自《中国环境统计年鉴》及《中国环境统计年报》。

（3）要素投入。要素投入包括劳动投入、资本投入和能源投入。由于无法获得各省纯粹的火电行业的就业人数，本文借鉴白雪洁和宋莹[19]的方法，选择与火力发电行业高度相关的电力、热力生产及供应业城镇从业人员数来替代，电力、热力生产及供应业城镇从业人员数据来自《中国劳动统计年鉴》和《中国人口和就业统计年鉴》。资本投入选取发电设备容量，其是代表火电厂投资规模的重要指标。能源投入用燃料标准煤表示，代表火电厂运行的重要可变成本投入，借鉴朱承亮[21]的方法，燃料标准煤由发电量乘以发电技术经济指标中的标准煤耗计算得出。发电设备容量、燃料标准煤耗的数据来自《中国电力年鉴》。

2.2 测算结果与分析

2.2.1 各省份绿色全要素生产率分析

绿色全要素生产率是在考虑非期望产出的情况下所达到的生产率水平，是经济由高速发展向高质量发展条件下促进经济增长的终极动力，可以更加真实地反映各地区经济发展质量的高低。考虑到篇幅问题，表1为部分年份的绿色全要素生产率。

表1 2003—2017年各省份火电行业绿色全要素生产率变动情况

测算结果显示：北京的GTFP水平最高，位于产出前沿面；上海、江苏、海南、宁夏次之，均在0.90以上，验证了白雪洁和宋莹[19]得出的结论：一部分省份的发电行业能在或者接近技术前沿面生产。而湖南、广西、重庆、四川、云南等省份绿色全要素生产率与火电水平高的省份相差较大，各省份在火力发电行业的绿色发展中存在较大的差异。不同地区火力发电行业绿色全要素生产率存在明显差异的原因可能是东部地区火力发电技术条件较为优越，生产结构较为完善，能够在生产相同产品时产生较少的污染；而部分西部省份虽然资源丰富、地域广阔，但是生产和技术效率相对于东部发达省份偏低，能源利用率和污染治理能力弱，绿色全要素生产率相应低于东部部分发达省份。

2.2.2 火力发电行业绿色全要素生产率时序变动趋势分析及其指数分解

如图1所示，2003—2017年中国各省份火电行业绿色全要素生产率呈波浪式层叠变动。2006—2007年连续两年保持上升趋势，2014—2015年连续两年恶化，之后两年又连续呈现上升之势，总体一直呈现“降低—提高—降低”的变化趋势。从区域层面看，三大经济区域的火力发电效率变动趋势大体一致，均呈现波动性上升，但区域间差别较大，东部地区均值达到0.85，高于全国平均水平。中部、西部效率均值分别为0.60、0.64，低于全国均值，呈现东部、西部、中部依次递减的格局。东部沿海地区地理位置优越，经济发达，资金充沛，可以吸引更多优秀人才以及高精尖技术，为企业提供了更合理的产业结构、更优化的管理模式、更先进的技术手段，提高资源利用率，减少污染排放量。根据“污染天堂”理论，东部沿海省份由于经济发展程度高，一些高污染、高耗能的产业逐渐迁移到中西部城市，不仅可以享受更低廉的原材料与人力资本，并且受到较少的环境政策约束。此外，东部的便利交通为运输质优价廉的煤炭提供了平台，从而使得经济效率能维持较高水平。而中部部分省份由于火电标杆上网电价偏低，且煤炭运力不足，导致火力发电成本大，经济效率低下，从而使得火力发电企业生产率水平整体偏低。西部地区虽然个别省份资源丰富、地域辽阔、人力资本偏低，但是火力发电技术水平低，能源利用率低，相同发电量所产生的污染比东部地区高，因此其绿色全要素生产率低于东部地区。

图1 分区域火电行业绿色全要素生产率变化趋势

表2为2003—2017年个别年份各省份火电行业平均ML指数及其分解值，其中东部地区火力发电行业绿色全要素生产率增长最快，均值为1.104 5，表示绿色全要素生产率年均改善10.45%，高于全国平均水平的6.73%；中部和西部地区火力发电行业绿色全要素生产率增长速度依次递减，绿色全要素生产率分别提高了6.26%和3.46%，均低于全国平均水平。对比东、中、西三个区域发现，各地区火电行业绿色全要素增长率呈现不同趋势。三个区域的绿色全要素生产率增长都主要来源于技术进步的提升，通过生产前沿面水平的提高，实现长期发展。中部和东部地区的技术进步年均分别增长5.42%和9.89%，技术效率年均增长分别为1.08%和0.88%。西部地区技术进步年均增长4.21%，而技术效率年均变动-0.43%，阻碍了绿色全要素生产率的提升。技术进步指标呈现东、中、西部依次递减的趋势，技术效率变动幅度不大，与解百臣等[20]的研究结果一致。以上变动趋势表明西部地区的火电行业在技术进步推动下发展迅速，而技术效率进步相对停滞，尽管绿色全要素生产率仍处于较高水平，但长期来看，在优化生产规模的同时仍要不断提高技术和管理效率，提高煤炭利用率和发电设备效率等。

表2 2003—2017年分区域ML指数及其分解项

3 实证分析

3.1 模型构建

考虑到用DEA测算的绿色全要素生产率具有序列相关性，解释变量具有内生性问题且有动态变化的特征，GMM估计方法通过将工具变量引入估计方程，一定程度上解决了解释变量内生性问题。因此，本文借鉴陈超凡[7]、李斌等[8]、范丹[24]、李颖等[25]的实证方法，构建系统SYS-GMM模型对全要素生产率的影响因素进行估计。由于政策冲击对绿色全要素生产率增长具有滞后性，前期结果可能会影响后一期结果，本文引入绿色全要素生产率的滞后一期项，运用系统SYS-GMM方法，建立面板数据并进行动态回归估计：

式中：i为省份；t为年份；GTFPit为各省份各年份的绿色全要素生产率；ERit为环境规制强度；ESTRUit、ULit、FDIit、GDPit分别为要素禀赋结构、城市化水平、对外开放程度、经济发展水平；β0为常数项；μi为不可观察到的地区效应；εit为误差项。

3.2 变量选取及数据来源

本文采用全国30个省市2003—2017年的面板数据进行实证研究。部分缺失数据使用插值法、算术平均法补足。为了对不同区域火力发电行业的绿色生产效率进行比较，将经济区域划分为目前受认可程度最大的东、中、西区域。

被解释变量：绿色全要素生产率（GTFPit），为前文中用SBM方向性距离函数和ML指数方法测度的绿色全要素生产率GTFP。

解释变量：环境规制（ERit）。通过梳理已有文献发现，衡量环境规制强度的方法大致分为四类：一是采用某些环境指标的绝对值，如SO2、氮氧化物、固体废物的排放量；二是用关于环境规制政策法规的颁布数量衡量；三是用污染物去除率、废水排放达标率或者固体废物利用率表征；四是用治污投资占产值或者企业成本的比重衡量。本文借鉴冯正强和周晓珂[26]的研究方法，采用区位熵对指标进行构建，选取环境治理投资额和排污费作为构建环境规制指标的变量，公式如下：

式中：EV为环境规制综合指标，EVP为从产业角度出发构建的排污费征收区位熵指数，EVR为从政府角度出发构建的环境污染治理区位熵指数。其中，EP表示排污费，ER表示环境污染治理投资额。包含排污费和环境污染治理投资额的区位熵指数既包含各省份的实际污染治理投资，又能避免因为地区的差异对环境规制强度评价导致的误差。全国及各省份环境治理投资额占GDP比例的数据来自《中国环境统计年鉴》，排污费征收数据来自《中国环境年鉴》及《中国环境统计年报》。

控制变量：要素禀赋结构（ESTRU），用发电设备容量与从业人数比率表示，其中从业人数用与火力发电行业密切相关的电力、热力生产及供应业的城镇单位从业人数来代替；城市化水平（UL）的提高有利于污染治理范围的扩展和效率的提高，本文采用各省份每年年末城镇人口数占年末总人数的比重衡量，各省份年末城镇人口、年末总人口数据来自《中国统计年鉴》；投资开放水平（FDI）对东道国存在技术溢出效应，可通过示范效应、竞争效应提高东道国的技术水平和组织效率等，采用各省份外商直接投资的当年实际使用外资金额与各地区生产总值的比值表征各省份的投资开放水平，外商直接投资的当年实际使用外资额数据来自《中国城市统计年鉴》；经济发展水平（GDP）为影响污染环境治理和能源利用效率的直接因素，选取各地实际GDP衡量经济发展水平，各省份实际GDP数据同样来自《中国统计年鉴》。各变量描述性统计结果如表3所示。

表3 各变量描述性统计

3.3 模型估计

面板数据具有时间序列的特性，也有截面数据的特性，需要对数据进行单位根检验，以检验其是否是平稳面板数据。采用LLC和Fisher-ADF进行检验，结果显示除了GDP之外，其他所有变量均是平稳面板。将GDP取一阶差分之后平稳，因此下文采用一阶差分的GDP进行分析，即GDP增长量。经济变量间通常会存在相关性，因此需要进行共线性检验。通过VIF检验得到所有变量的VIF值均小于10，即这些解释变量不存在多重共线性问题，均可以纳入模型之中。最后，利用Wald-test进行面板异方差检验，检验拒绝了原假设，说明存在异方差，所以在下面的模型中需要采用稳健标准差修正模型。接着采用Hausman进行内生性检验，同样拒绝了原假设，说明存在内生性，因此模型可以采用系统GMM估计。采用一步系统GMM估计对动态面板进行分析，所得结果如表4所示。

从估计结果来看（表4中模型1～模型5）：Sargan统计量对应的P值均大于0.1，说明模型不存在过度识别问题，AR(1)检验显示拒绝原假设，而AR(2)检验显示接受原假设，说明随机扰动项是与一阶序列相关，而与二阶序列无关，GMM模型的残差不存在自相关。综上可知，工具变量有效，系统GMM得到的结果是可信的。模型1为不加入任何控制变量检验环境规制对火电行业绿色全要素生产率的影响。再逐步将要素禀赋结构、城市化水平、GDP的一阶差分项、对外开放程度等变量放入模型2、3、4、5中，得到环境规制对火力发电行业绿色全要素生产率的影响系数。模型5显示，滞后一阶GTFP的系数为0.858，在1%的显著水平下通过检验，说明绿色全要素生产率的延续性具有正向作用，前期的绿色全要素生产率越高，那么对未来绿色全要素生产率的促进越大。

表4 环境规制对GTFP影响的估计结果

解释变量ER环境规制的系数为0.887，在1%的显著水平下通过了检验，可知环境规制对绿色全要素生产率具有显著的促进作用，环境规制强度每增加1%，则绿色全要素生产率可以提高0.887。控制变量中，只有投资开放水平FDI显著，其系数为0.006 41，在5%的显著水平下通过检验，可知投资开发水平每增加1%，则绿色全要素生产率可以增加0.006 41，原因可能在于FDI依靠其技术先发优势、先进的管理手段、优惠政策向外资企业倾斜等先发优势，使得相应地区产生技术溢出效应，激活企业活力，带动技术创新和产业升级，提高能源的利用率和环境污染治理力度，进而提高火电行业绿色全要素生产率。

将30个省份分为东、中、西三个地区，设置虚拟变量dq1、dq2、dq3，结果见表5。可以看到，分地区后只有东部地区的ER是显著的，中部和西部地区均不显著。由此可知，环境规制对东部地区火电行业的绿色全要素生产率具有显著的促进作用，而对中西部地区影响并不大。东部地区环境规制管理较为严格、力度较大，环境保护监管机制更为健全，相比于污染治理造成的成本效应，东部地区的技术创新补偿效应更为明显。中部地区火电厂规模相对较大，污染治理效率和管理效率相对低下，且中部地区走“先污染后治理”的老路，环境污染治理效应存在滞后性，环境规制对中部地区火电行业绿色全要素生产率的影响效果不明显。相比于中东部地区，西部的火电企业大多是大型的国有企业或有国有控股背景，企业间竞争不激烈，可能并不热衷于加大研发投入以改进生产技术以获得比较优势，环境规制政策对技术进步影响效应弱，相应的，对绿色全要素生产率的影响效果也不显著。为了进一步考察上述回归结果的稳定性，本文将解释变量以及各省份历年的环境污染治理投资额来度量环境规制强度，将被解释变量绿色全要素生产率指标替换为代表火电行业生产率水平的火电技术效率。通过稳健性检验结果得知核心解释变量的符号与前文回归结果基本一致，由此表明分析结果基本稳健。

表5 环境规制对GTFP影响的区域差异

4 结论与启示

GTFP的测算结果表示，中国火电行业2003—2017年间GTFP年均增长率为6.73%，且主要依赖于技术进步的改进，在区域层面上呈现东、中、西部递减的趋势，中东部地区的绿色全要素生产率增长主要来源于技术进步的提升；而西部地区技术效率年均变动-0.43%，阻碍了绿色全要素生产率的提升。在环境规制对全国各省份火电行业绿色全要素生产率的影响分析中，实证结果显示：环境规制在1%水平上对绿色全要素生产率具有显著促进作用，但是存在滞后效应，前期的绿色全要素生产率越高，对未来绿色全要素生产率的促进越大。环境规制的影响效应具有明显的区域异质性，对东部地区的火电行业绿色全要素生产率具有显著的促进作用，而对中、西部地区影响不大。投资开放程度同样显著促进火电行业GTFP。分区域来看，投资开放度仅对东部地区各省份的火电行业有正向作用，对中西部地区影响效果不显著，东部沿海经济发达地区吸引外资能力强，其溢出效应带来相比于中、西部内陆地区更高的科技水平、更高层次的人才和设备、更合理的管理模式，东部地区火电行业相应具备更高的生产水平，从而促进绿色全要素生产率的提高。通过有效的环境规制工具促进中国火电行业绿色全要素生产率的提升，是一个具有重要现实意义的研究方向，据此提出以下政策建议：

保持技术进步的提升对GTFP的推动作用，继续加强对科技研发、人才引进的投入。同时加强技术效率提高，促进设备更新换代，提高能源利用率；吸收先进的管理经验，提升管理效率；加强对外商投资的引进管理，引导资金流向产业中的核心技术部门，积极吸引具有环境友好型外资企业的投资，充分借助外来投入促进我国火电产业的绿色转型。鼓励其他发电方式发展，优化电力产业结构。中国地域辽阔，不同地区及省份的资源禀赋不同，国家要因地制宜，合理规划，制定能源发展与环境政策相协调的战略手段，提供足够的资金和政策支持。如东部沿海地区应加快相应的设备设施建设，利用潮汐能等现有资源优势提供电力支持，减少电力从西部长距离传输所造成的电力的损耗；改变“先污染后治理”的粗放生产方式；针对不同资源禀赋的地区采取不同污染排放标准，促进节能减排。