基于DEA的矿业生态效率评价与影响因素研究

Evaluation and Influencing Factors of Mining Ecological Efficiency Based on DEA

摘要: 本文利用数据包络算法的CCR模型、非期望产出SBM模型以及Malmquist指数法进行了省域尺度发展效率测度，计算了中国27个省域单元的矿产资源开发效率，并借助于描述性统计方法和象限图，开展了区域的异质性分析。以探究绿色矿业发展空间差异，Tobit模型用于研究影响绿色矿业发展的主要因素，并根据实证分析的结果提出提升中国绿色矿业发展水平的政策建议。以往的研究主要是从生态经济学角度对某个产业进行定量的静态研究，本研究是进行的动态研究。构建矿业生态经济效率的评价模型，并据此对中国矿业生态经济效率进行评价，以期准确把握中国矿业生态经济的运行状况，为中国矿业的管理和规划提供实证支撑，促进矿业与生态、社会的协调可持续发展。

Abstract: This paper uses the CCR model of data envelopment algorithm, the non-expected output SBM model and the Malmquist index method to measure the development efficiency at the provincial scale, calculates the mineral resource development efficiency of 27 provincial units in China, and conducts regional heterogeneity analysis with the help of descriptive statistical methods and quadrant diagrams. In order to explore the spatial differences in the development of green mining, the Tobit model is used to study the main factors affecting the development of green mining, and based on the results of empirical analysis, policy recommendations for improving the level of development of China’s green mining are proposed. Previous studies mainly conducted quantitative static research on a certain industry from the perspective of ecological economics, while this study is a dynamic study. An evaluation model for the ecological and economic efficiency of mining is constructed, and based on this, the ecological and economic efficiency of China’s mining industry is evaluated, in order to accurately grasp the operating status of China’s mining ecological economy, provide empirical support for the management and planning of China’s mining industry, and promote the coordinated and sustainable development of mining, ecology and society.

1. 引言

进入经济全球化后，整个世界的经济开始迅速扩张与发展。经济全球化是生产力发展的客观要求和趋势，但同时，它也是一把“双刃剑”。发展经济的同时，消耗了很多资源。人类所耗费的自然资源中有80%以上为矿产资源，在我们这个星球上平均每人每年要耗费3吨的矿产资源。矿产资源对国民经济和社会发展具有重要作用，是人类社会发展的重要物质基础，是国家实力的体现和安全保障，更是国际交往的重要手段。当今世界经济中，95%以上的能源、80%以上的工业原料和70%以上的农业生产资料来自矿产资源。我国92%以上的一次能源、80%以上的工业原料、70%以上的农业生产资料、30%以上的农业灌溉用水和三分之一人口的饮用水来自矿产资源。矿产资源是保障经济社会健康发展所需要的基础性资源，对国家能源安全具有重要意义。

矿产资源是经济社会发展的重要物质基础，矿产资源主要用于冶炼金属、建筑材料、制作生活用品、医药化工原料、雕刻工艺品等。矿产资源作为一种财富和创造财富的手段，不仅是发展中国家赖以发展的物质基础，而且也是发达国家经济运行的基础保障(Wang, et al.,2016) [1]。联合国可持续发展目标第七项指出：确保人人获得可负担、可靠和可持续的现代能源。人类生存与发展和能源消耗是密不可分的，不仅仅是为了维持生存，改变了我们的生活方式，同时也促进了经济发展，改善了经济运行。对所有人来说，获得能源是必不可少的。但是矿产资源是地球上重要的不可再生资源。而随着人类对矿产资源的巨大需求和盲目超强度的开采消耗，矿产资源将会逐渐耗竭。与此同时，矿山开采会造成地质灾害，声学环境污染，环境污染，山体、土地、森林和植被大面积破坏，动植物大量死亡。矿产资源供应链全球治理体系与全球权利格局的不匹配，是直接造成矿产资源供应链全球治理的“参与赤字”和“责任赤字”的根本原因，进而导致治理失灵，诱发全球矿产资源供应链不稳定及各类资源环境问题的产生。从世界各国应对矿产资源供应链问题的治理政策演变来看，其内在动因主要表现为应对突出性“黑天鹅”属性的供应中断，关键性储备成为一种政策取向。但近年来随着全球化进程的推进，如何防范“灰犀牛”属性的供应链风险成为世界各国参与矿产资源供应链全球治理的一种必然选择。就中国而言，从化解资源供给外源风险维护发展权益，到生态文明建设内源性的协同需求，再到积极主动参与矿产资源供应链全球治理，矿产资源供应链正在发生深刻变化。如何强化全球矿产资源供应链风险的大国意识与责任担当，化解生态文明建设背景下的生态环境保护压力与外延扩张面临的高限效应，是目前中国矿产资源国家治理所面临的重要挑战与中国参与矿产资源供应链全球治理的必然要求。为克服这一困境，实现MRBC绿色转型，中央2013年出台了战略性政策文件《国家资源型城市可持续发展规划(2013-2020)》。该文件2020年描述了资源型城市的转型目标，因此，资源枯竭的历史遗留问题将得到基本解决，可持续发展能力将得到显著增强，转型任务将基本完成。

与其他产业不同，在矿业开发过程中，会对开发范围内的原有生态系统造成根本性的破坏。无论是露天矿坑开挖、排土场占压、井工矿井开发造成的地表塌陷、尾矿堆占压，还是矿业社区建设，都会根本性的破坏区域内的生态系统，甚至导致一定时期内区域生态系统的消失；另外，由于矿业开发行为会对生物赖以生存的水资源分布产生严重影响，因此矿区周边的原有生态系统，也会随矿山工程的推进而逐步受到影响。因此，从维护区域生态系统稳定、保证区域发展可持续性的角度考虑，进行矿区生态资源调查和矿区生态状况及矿业开发生态影响评价，是确定矿山合理开发规模及开发模式的前提。

生态效率这一概念，最初于1990年，由德国学者Schaltegger和Sturm在学术界提出。他们将价值的增加和环境变化的比值作为生态效率的定义。到1992年，世界可持续发展工商业委员会(WBCSD)首次将生态效率作为一种商业界概念，并加以规范的阐述：生态效率是通过提供能满足人类需要和提高生活质量的竞争性定价商品与服务，同时使整个生命周期的生态影响和资源强度逐渐降低到一个至少与地球的估计承载能力一致的水平来实现的，并同时达到环境与社会发展目标。关于矿业生态经济的效率评价，国内外都还处于起步阶段，研究相对较少。J. Van Caneghem等(2010) [2]从酸化、光化学氧化、人类中毒、淡水生物中毒、富营养化和水利用等六个角度，改进了钢铁产业生态经济效率评价指标，并以安塞乐米塔尔集团为例进行了实证分析。K. Charmondusit和K. Keartpakpraek (2011) [3]根据世界可持续发展工商理事会(WBCSD)的建议方法，把泰国马塔普工业园区的石油和石化集团划分为三个部门(上游、中游和下游部门)，并从物料消耗、水利用和有害废物产生三个指标，分别对其生态经济效率进行评估。G. Oggioni等(2011) [4]通过应用数据包络分析(DEA)和定向距离函数方法，为在许多国家运营的21个水泥行业原型提供了生态效率测度，这特别适用于考虑多个生产投入以及理想和不理想产出的模型。该研究将二氧化碳排放作为一种投入或非期望产出，纳入了水泥产业生态经济效率评价的投入产出模型。实证研究表明，那些对水泥产业进行投资、革新窑炉、采用替代燃料和原料的国家，具有更高的生态经济效率。虽然生态效率的定义各不相同，但都涉及到经济价值和环境影响两个方面。适当的经济指标，可以用来表征所研究企业或者行业乃至区域的产品或者服务的经济价值；研究组织针对生态效率的计算提出了各自的环境指标。

对于效率评价，传统方法很多，从单个生产或财务指标到复杂的多个指标构成的前沿面分析方法。Moran等人(2014) [5]利用文件分析研究了84篇关于矿物可持续性的论文，并指出开采和消费的副产品对水、空气和土地有负面影响。Yu等(2016) [6]采用能值分析法测算了中国30个省份自然资源利用的可持续性，发现资源消耗较高的地区大多位于华东地区。Long等(2016) [7]构建了评价指标体系，表明钢铁生产是化石能源消耗过多的环境污染源。尽管已经提出了一些定性和定量的评价方法，但寻找合适的评价方法仍然是一个悬而未决的问题。因此，评估方法和评估框架需要进一步改进。矿产资源可持续性评估是一个多维决策过程(Franks等人，2013) [8]。最重要的是，统计的随机性和分级的模糊性应纳入评估过程。但从生态经济学角度对某个产业进行定量的静态、动态研究并不多见。目前国内学者主要是关注矿业的可持续发展和生态补偿问题，对矿业生态经济发展问题缺乏研究。关于矿业生态经济发展问题，最早是国外开始研究，Arun J. Basu (2006) [9]等综述了采矿和矿物工业的环境管理做法，强调了两个概念：环境工程和清洁生产，应该立足产业生态这个基本框架，在矿业部门大力推行清洁生产和污染预防，以促进社会经济可持续发展。Olli Salmi (2007) [10]利用反拟法，以俄罗斯科拉半岛的矿业及矿产品加工业为例，研究了1985年至2005年间模型的生态效率。研究表明，尽管并非所有对环境有害的排放都会减少，但综合利用确实会提高生态效率。虽然产业共生可以较大地提升生态经济效率，但是相比而言，传统的上游污染预防以及终端处理技术更具有吸引力。Rene van Berkel (2007) [11]提出了一种矿物加工过程EE的定制框架。它将五种预防措施(流程设计，输入替换，工厂改善，好管家，以及再利用、再循环和回收)，包括五个资源生产力主题(资源效率，能源使用和温室气体排放，用水和影响，微量元素和有毒物质的控制，以及副产品的产生)。这说明，从技术和操作的角度来看，EE是可能的，实现最终取决于项目团队构建令人信服的业务案例的能力。此外，他认为，从技术角度来看，生态经济效率主要来自于以下三方面的创新：运营、工厂设计和加工技术。Jurg Zobrist等(2009) [12]基于罗马尼亚的ESTROM项目，从环境和社会经济角度调查了金属采矿活动的影响，并试图将两种办法的结果纳入一项减轻与采矿有关问题的综合主张。而国内主要集中于研究矿业的可持续发展问题和矿产资源开发的生态补偿问题。Li等人(1998) [13]设计的正态云模型，该模型可以同时考虑统计的随机性和分级的模糊性来探索区域矿产资源的可持续性。层次分析法作为一种传统的指标权重确定方法，是一种强有力的决策方法。但是判断矩阵需要用层次分析法检验一致性，这是实际应用中的主要问题。在国内，主要是利用DEA方法来评价矿业相关效率。当经济系统的环境效率考虑了碳排放等非期望产出，就称之为碳排放生产效率。碳排放生产效率的测算和评价通常需要使用DEA模型，DEA模型将资本、劳动力、能源等作为投入指标，将GDP和碳排放量作为产出指标。但当决策单元(DMU)存在投入过度或产出不足时，经典DEA模型会高估决策单元的效率值，使得所计算结果不符合客观实际。为此，Tone (2001) [14]基于DEA构建一个SBM (Slacks-Based Measure)模型克服了上述问题。减少污染物排放成为经济系统的重要目标，在考虑非期望产出情况下，不管投入多少，都期望产出更少的废弃物。Charnes、Cooper和Rhodes (CCR) [15]首先提出用DEA来测度单个决策单元在多种投入多种产出条件下的效率。这一方法是一种线性规划方法，它是以相对效率概念为基础，用于评价具有相同类型的多投入、多产出的决策单元(DMU)是否技术有效的一种非参数统计方法。由于DEA方法将投入和产出分开考虑，计算量较小，因而具有较强的客观性和实用性。Malmquist由瑞典经济学家Sten Malmquist [16]在1953年首先提出并得到不断丰富发展，Malmquist指数本身已经得到了学术界的广泛认可，但对M指数分解形式仍存在分歧。碳排放绩效本质上是衡量碳排放生产率的变动水平，因此碳排放Malmquist指数必然涉及DMU两个不同时期的碳排放效率值的比较。Malmquist指数本质上是两个距离函数值的比值，通过线性规划方法(如DEA)测度技术效率后，然后将其转化为距离函数值。

本文利用数据包络算法的CCR模型、非期望产出SBM模型以及Malmquist指数法进行了省域尺度发展效率测度，计算了中国27个省域单元的矿产资源开发效率，并借助于描述性统计方法和象限图，开展了区域的异质性分析。以探究绿色矿业发展空间差异，Tobit模型用于研究影响绿色矿业发展的主要因素,并根据实证分析的结果提出提升中国绿色矿业发展水平的政策建议。以往的研究主要是从生态经济学角度对某个产业进行定量的静态研究，本研究是进行的动态研究。构建矿业生态经济效率的评价模型，并据此对中国矿业生态经济效率进行评价，以期准确把握中国矿业生态经济的运行状况，为中国矿业的管理和规划提供实证支撑，促进矿业与生态、社会的协调可持续发展。

本文的目的是利用数据包络算法的CCR模型、非期望产出SBM模型以及Malmquist指数法进行了省域尺度发展效率测度，以探究绿色矿业发展空间差异，Tobit模型用于研究影响绿色矿业发展的主要因素,并根据实证分析的结果提出提升中国绿色矿业发展水平的政策建议。

本文的结构如下。接下来，我们将介绍方法和模型。第三部分介绍数据来源和指标选择。第四部分采用DEA CCR、SBM和Malmquist Luenberger对2008~2018年中国27个省份的绿色开采效率进行了评价，并对效率结果进行了象限分析。最后，在第五部分得出结论，并提出一些政策启示。

2. 方法与数据

2.1. 评价指标

绿色矿业发展系统是一个复杂的系统，其影响因素众多，既有经济、技术因素，也有生态环境和社会环境因素。本研究从投入产出的角度，以省域为评价单元，构建评价指标并提取指标值，开展省域矿业绿色发展效率测度。

省域绿色矿业发展效率评价的投入与产出变量(表1)定义为：

Table 1. Evaluation indicators of mineral resource development efficiency in the five southwestern provinces based on the DEA model

表1. 基于DEA模型的西南五省矿产资源开发效率评价指标

Category	Primacy index	Secondary index	Unit	Indicator code
输入端	投入指标	矿山企业数	个	X1
		从业人员	人	X2
		占用土地面积	公顷	X3
		矿山环境恢复治理投入	万元	X4
输出端	期望产出指标	矿山地质环境恢复治理面积	公顷	y1
		综合利用产值	万元	y2
		工业产值	万元	y3
		清洁能源比例	%	y4
	非期望产出指标	勘查、开采违法案件立案数量	件	y5
		矿业碳排放量	百万吨	y6

(1) 投入指标

1. 矿山企业数。矿山企业数量，主要是指从事非油气矿产资源开发的大型矿山、中型矿山、小型矿山和小矿的数量，以“个”计量。

2. 从业人数。指报告期内矿山企业中从事矿业生产劳动，并取得劳动报酬或经营收入的年平均就业人数，包括从事采矿活动的临时工、轮换工。

3. 年度矿山环境治理投入。矿山地质环境恢复治理是矿山企业应尽的义务，企业必须根据矿业活动的环境的破坏程度确定恢复治理项目，通过常态化的机制保证足够的投入以保障项目实施。年度矿山环境治理投入是指报告期内用于矿山环境恢复治理的资金，包括中央财政、地方财政和矿山企业投入以及民间投入等资金。

4. 占用土地面积。土地是人类社会最基本和最重要的自然资源之一，其供应总量是有限的。矿产资源勘探、矿产资源开发利用等矿业活动都不可避免的要占用土地资源。投入指标中的占用土地面积是指报告期内因矿业开采所占用或破坏的土地面积。

(2) 期望产出指标

1. 矿山地质环境恢复治理面积。矿山应通过常态化机制保障矿山地质环境得到改善和恢复。矿山地质环境恢复治理面积是指报告期内恢复治理的面积，包括复垦、地面塌陷治理、还林、还草、建设使用等面积。

2. 工业总产值。工业总产值用以表征矿产资源、矿山企业数、从业人员等实物量的投入所产出的经济量，是指以货币表现的矿山企业报告期内生产的最终工业产品总价值量。

3. 综合利用产值。矿产资源是不可再生的资源，在开发利用过程中要加强矿产中的共生、伴生资源的综合利用，通过开展综合利用技术攻关，提升综合利用水平。综合利用产值指在总产值中由于对共生、伴生矿及“三废”综合利用的最终工业产品的价值量总和。

4. 清洁能源占比。矿业为社会发展提供能源，同时又消耗大量的能源，矿业也要提高清洁能源比例，通过各种节能措施降低能源的消耗。清洁能源占比是指矿业消耗能源总量中的清洁能源占比。

(3) 非期望产出指标

矿产资源开发利用是一个复杂的过程，往往伴随着对生产、生活及生态地质环境起负面影响的“产品”，如勘查违法案件、开采违法案件、二氧化碳排放、废水等污染物，统称为非期望产出。

1. 勘查、开采违法案件立案数量。勘查、开采违法案件立案数量是指本年度对勘查、 开采登记违法案件立案查处的案件数。

2. 矿业碳排放量。矿业碳排放量从矿业与外部层面表征矿业和谐，是指报告期内矿业生产活动所排放的二氧化碳量。

2.2. 评价模型

2.2.1. SBM模型

考虑研究区内的n个省域为决策单元$DM{U}_j\left(j=1,2,\cdot \cdot \cdot ,n\right)$ ，每个$DM{U}_j$ 有p个投入$x_j=\left(x_{1j},x_{2j},\cdot \cdot \cdot ,x_{pj}\right)$ 和q个产出$y_j=\left(y_{1j},y_{2j},\cdot \cdot \cdot ,y_{pj}\right)$ 。引入松弛变量$s^{+}$ 和剩余变量$s^{-}$ ，构建绿色矿业发展水平评价模型：

$\min {\rho }_{rm}=\frac{1-\frac{1}{m}{\displaystyle \sum _{i=1}^m\frac{s_i^{-}}{x_{io}}}}{1+\frac{1}{s}{\displaystyle \sum _{r=1}^s\frac{s_r^{+}}{y_{ro}}}}$ (1)

$s.t.{\displaystyle \sum _{j=1}^n{\lambda }_j}{y}_{ro}-s_r^{+}=y_0$

${\displaystyle \sum _{j=1}^n{\lambda }_j}{x}_{ro}-s_r^{-}=x_{ro}$

${\forall }_j=1,2,\cdot \cdot \cdot ,n,s_r^{+},s_r^{-}\ge 0$

在式(1)的基础上，引入非期望产出要素，设s₁与s₂分别为期望产出和非期望产出指标的个数，s^g与s^b分别为期望产出和非期望产出剩余变量，构建基于规模报酬不变的非期望产出SBM模型：

$\min {\rho }_{rm}=\frac{1-\frac{1}{m}{\displaystyle \sum _{i=1}^m\frac{s_i^{-}}{x_{io}}}}{1+\frac{1}{s_1+s_2}\left({\displaystyle \sum _{r=1}^{s_1}\frac{s_r^g}{y_{ro}^g}+{\displaystyle \sum _{r=1}^{s_2}\frac{s_r^b}{y_{ro}^b}}}\right)}$ (2)

$s.t.{\displaystyle \sum _{j=1}^n{\lambda }_j}{y}_{ro}^g-s_r^{+}=y_{ro}^g$

${\displaystyle \sum _{j=1}^n{\lambda }_j}{y}_{ro}^b-s_r^{+}=y_{ro}^b$

${\displaystyle \sum _{j=1}^n{\lambda }_j}{x}_{ro}-s_r^{-}=x_{ro}$

${\forall }_j=1,2,\cdot \cdot \cdot ,n,s_r^{+},s_r^{-}\ge 0$

2.2.2. Malmquist-Luenberger生产率指数

对各省市自治区之间的绿色矿业发展效率测度不仅需要静态分析，同时也需要结合动态分析，Malmquist-Luenberger生产率指数正是Malmquist提出专门用于测度动态效率的一种指数(Malmquist 1953；Chung等1997)。本文在对中国27个省市自治区的绿色矿业发展效率进行测度时包含有勘查开发违法案件数量、矿业碳排放量等非期望产出指标，因此适合使用Malmquist-Luenberger生产率指数来对中国省域绿色矿业发展效率进行测度。

Malmquist指数模型，从时期t到$t+1$ 的Malmquist指数表达式为：

$M\left(x^{t+1},y^{t+1},x^t,y^t\right)=\sqrt{\frac{E^t\left(x^{t+1},y^{t+1}\right)}{E^t\left(x^t,y^t\right)}\times \frac{E^{t+1}\left(x^{t+1},y^{t+1}\right)}{E^{t+1}\left(x^t,y^t\right)}}$ (3)

在Malmquist的计算公式中，$E^t\left(x^t,y^t\right)$ 和$E^{t+1}\left(x^{t+1},y^{t+1}\right)$ 分别是K在两个时期的技术效率值，可以将其作为两个时期的技术效率变化：

$EC=\frac{E^{t+1}\left(x^{t+1},y^{t+1}\right)}{E^t\left(x^t,y^t\right)}$ (4)

对于生产前沿的移动情况，可以用以下表达式进行描述：

$TC=\sqrt{\frac{E^t\left(x^t,y^t\right)}{E^{t+1}\left(x^t,y^t\right)}\times \frac{E^t\left(x^{t+1},y^{t+1}\right)}{E^{t+1}\left(x^{t+1},y^{t+1}\right)}}$ (5)

如果TC值大于1表示前沿前移动，小于1表示前沿后退，前沿前移代表着技术进步。

Malmquist指数、效率变化和技术变化三者之间的数量关系可以表示为：

$MI=EC\times TC=\frac{E^{t+1}\left(x^{t+1},y^{t+1}\right)}{E^t\left(x^t,y^t\right)}\times \sqrt{\frac{E^t\left(x^t,y^t\right)}{E^{t+1}\left(x^t,y^t\right)}\times \frac{E^t\left(x^{t+1},y^{t+1}\right)}{E^{t+1}\left(x^{t+1},y^{t+1}\right)}}$ (6)

若MI指数值大于1，则表示效率在提高；若MI指数值小于1，则表示效率在降低；若MI指数值等于1，则表示效率保持不变。

2.3. 数据及来源

考虑到数据的可获得性以及省域矿业活动的强度，本文收集了中国除北京、天津、上海、西藏以及香港、澳门、台湾外的27个省、自治区、直辖市的2008~2018年的相关统计数据。数据主要来源于《中国矿产资源年报》、《中国环境统计年鉴》、《中国国土资源统计年鉴》、《中国能源统计年鉴》、《中国工业统计年鉴》,矿业碳排放量的数据来源于CEADS数据库。部分缺失的数据采用线性插值的方法补充。

3. 实证分析

3.1. SBM评价结果

(1) 绿色矿业发展效率整体分析

为了更加清晰的看出非期望产出对各省市自治区绿色矿业发展效率的影响程度，分别计算出不考虑非期望的CCR模型和考虑非期望产出的SBM模型两种不同的效率值，并对两种效率值进行对比分析。

由图1可以看出，2008~2018年期间考虑勘查、开采违法案件立案数量和矿业碳排放量的绿色矿业发展效率为0.75，较未考虑非期望产出的CCR模型所计算得出的平均效率值下降了0.12，表明中国整体绿色矿业发展水平明显受到勘查、开采违法案件立案数量和矿业碳排放量的影响。从各区域情况来看，华北、华东、西南以及西北地区在考虑非期望产出后的平均效率值仍高于0.8，表明以上地区在勘查、开采违法案件立案数量和矿业碳排放量等方面管控严格，并未受到较大程度的影响。东北地区和华中地区效率下降相对明显，其中东北地区和华中地区未考虑非期望产出之前分别为0.68、0.77，考虑非期望产出后仅分别为0.47、0.51，相对下降了0.21和0.26，表明东北地区和华中地区非期望产出对绿色矿业发展产生了很大程度的影响。

(2) 绿色矿业发展效率的区域差异分析

利用2008~2018年27个省市自治区矿业开发的面板数据，分别选择非导向的规模报酬不变(CRS)和规模报酬可变(VRS)的SBM模型引入勘查、开采违法案件立案数量和矿业碳排放量两个非期望产出，计算得出综合技术效率(TE)以及纯技术效率(PTE)，并根据综合效率和纯技术效率计算出规模效应(SE)。

从图2可以看出在考虑非期望产出时绿色矿业发展的综合技术效率平均值为0.75，整体水平偏低。从区域角度来看，华北、华东、西南以及西北等地的综合技术效率平均值仍能达到了0.8以上，但东北地区和华中地区的绿色矿业发展水平则相对较低，其中东北地区在考虑勘查、开采违法案件立案数量和矿业碳排放量后的综合技术效率仅为0.47，远低于全国平均水平。

从图3可以看出在考虑非期望产出时绿色矿业发展的纯技术效率平均值为0.84，整体水平仍较高。从区域角度来看，华东地区和西南地区的纯技术效率平均值甚至在0.90以上，说明华东、西南两地的绿色矿业发展的纯技术效率未受到勘查、开采违法案件立案数量和矿业碳排放量的负面影响较小，但东北地区和华中地区的纯技术效率平均值仍相对较低，分别0.56和0.69，较未考虑非期望产出的效率值下降明显。

(3) 绿色矿业发展效率区域空间特性分析

Figure 1. Trend of comprehensive technical efficiency (TE) of the provincial SBM model considering non-expected output

图1. 省域考虑非期望产出SBM模型的综合技术效率(TE)变动趋势

从考虑非期望产出的SBM模型所得的综合技术效率层面来看(图1)，东北地区和华中地区在考虑勘查、开采违法案件立案数量和矿业碳排放量后2008~2018年期间的综合技术效率明显低于其他地区，且与其他地区的绿色矿业发展综合技术效率值拉开了更大的差距。华中地区则整体呈现为递减状态，其2008~2009年期间明显优于东北地区，但在此后逐渐与东北地区持平。其他地区在考虑非期望产出后绿色矿业发展整体水平基本维持在一个较为平稳的状态，并未受到勘查、开采违法案件立案数量和矿业碳排放量的过多负面影响。

从考虑非期望产出的SBM模型所得的纯技术效率层面来看(图2)，尽管东北地区在考虑勘查、开采违法案件立案数量和矿业碳排放量后2008~2018年期间的纯技术效率仍然明显低于其他地区，但整体呈现为明显的上升趋势。华中地区2008~2018年期间考虑勘查、开采违法案件立案数量和矿业碳排放量后的绿色矿业纯技术效率表现V型趋势，其余地区在2008~2018年期间考虑勘查、开采违法案件立案数量和矿业碳排放量后纯技术效率基本维持在0.8以上。

Figure 2. Change trend of pure technical efficiency (PTE) of the provincial SBM model considering non-expected output

图2. 省域考虑非期望产出SBM模型的纯技术效率(PTE)变动趋势

考虑从CCR模型效率值和SBM模型效率值的两个效率值的象限图来对勘查、开采违法案件立案数量和矿业碳排放量的具体影响进行分析(图3)，东北地区和华中地区位于第三象限，华北、西北、西南、华东以及华南等地区位于第一象限，表明无论是否考虑勘查、开采违法案件立案数量和矿业碳排放量的影响，东北地区和华中地区绿色矿业发展水平都处于一个较低的水平。从象限图可以明显看出华北地区和西南地区在考虑勘查、开采违法案件立案数量和矿业碳排放量影响后整体发展水平较高，华东地区和西北地区则在未考虑勘查、开采违法案件立案数量和矿业碳排放量情况时表现较为良好。华南地区无论是否考虑勘查、开采违法案件立案数量和矿业碳排放量，其整体水平均接近全国平均水平。

Figure 3. Quadrant diagram of regional CCR model efficiency value and SBM model efficiency value

图3. 区域CCR模型效率值和SBM模型效率值象限图

3.2. Malmquist评价结果

(1) 绿色矿业发展效率的时序演进过程

中国绿色矿业发展水平整体趋于平稳，其中2008~2009年和2016~2018年期间波动较大，其他年份绿色矿业发展的Malmquist-Luenberger生产率指数基本维持在1.1上下波动(图4)。2008~2018年中国绿色矿业发展ML指数如图4所示。从图4可以看出，27个省市自治区在2008~2018年期间绿色矿业发展的Malmquist-Luenberger生产率指数平均值为1.0924，平均增长9.24%，其中技术效率指数变动平均值为1.0334，平均增长为3.34%，技术进步效率变动平均值为1.1042，平均增长10.42%，由此可以看出中国2008-2018年期间绿色矿业发展的Malmquist-Luenberger生产率指数受到综合技术效率和技术进步指数的共同影响，但技术进步指数变动对中国绿色矿业发展效率的影响更大。

从各时间段来看，2008~2009和2017~2018年期间中国整体绿色矿业发展效率存在明显提升，其Malmquist-Luenberger生产率指数分别为1.2167和1.2148，较上一年分别提高了21.67%和21.48%；2009~2010和2015~2016年期间的Malmquist-Luenberger生产率指数均小于1，分别为0.9381和0.9762，表明2010年和2016年的中国整体绿色矿业发展水平较前一年有一定程度的降低。从指数分解情况来看，综合技术效率指数有一半时间都处于降低的状态，尽管整体处于改善状态，但相较于技术进步指数均值偏低，尤其是2017~2018年期间，综合技术效率变动值仅为0.8714，而技术进步指数变动值却达到了1.4148，说明中国绿色矿业发展效率在企业管理、生产规模优化等方面还有待继续提升。

Figure 4. China’s ML index and its decomposition during 2010~2018

图4. 中国2010~2018年期间ML指数及其分解

(2) 省域绿色矿业发展效率的差异分析

从各区域角度来看(图5)，中国七大地区的绿色矿业发展效率均大于1，表明中国各行政区的绿色矿业发展情况均有所改善，绿色矿业发展效率都有着不同程度的提高，且各大区域的技术进步指数变动均大于综合技术效率变动，其中华东地区2008-2018年期间绿色矿业发展效率提升最为明显，其2008~2018年期间绿色矿业发展的Malmquist-Luenberger全要素生产率达到了1.1582，表明2008~2018年期间，每年相较于其前一年的绿色矿业发展效率平均提高了15.82%。华东地区2008~2018年期间的综合技术效率和技术进步指数平均值分别为1.0703和1.1617，由此可见华东地区绿色矿业发展情况的不断改善主要受到技术进步效率的影响，说明华东地区在2010~2018年期间在技术发展、设备引进等方面进步明显，但在生产规模以及人员管理上还有较大的提升空间。从各省域角度来看，中国大部分省份的绿色矿业发展Malmquist-Luenberger全要素生产率指数均大于1。其中华东地区的安徽省和江西省全要素生产率分别达到了1.2702以及1.2684，在很大程度上拉动了华东地区整体的绿色矿业发展效率，从效率分解来看，虽然两省的全要素生产率都很高，但安徽省主要是受到技术进步指数的影响而江西省则是综合技术效率的影响。海南省和云南省的全要素生产率分别为0.9892和0.9367，表明2008~2018年期间，两省每年相较于其前一年的绿色矿业发展效率值平均分别降低了1.08%和6.33%，从指数分解来看，两地均表现为综合技术效率下降所致。

结合图5可以看出中国各省域绿色矿业发展的Malmquist-Luenberger生产率指数基本维持在1.0~1.1之间，且各省基本都呈现为技术进步指数变动高于综合技术效率变动，其中安徽省和江苏省表现最为明显，其中安徽省绿色矿业发展全要素生产率和技术进步指数变动均在1.3左右，但综合技术效率变动值仅为1.1左右，江苏省技术进步指数接近于1.3，但其综合技术效率变动不到1.1，说明以上两省绿色矿业发展效率的提升主要是受到技术进步指数变动的影响，但仍有江西省和浙江省等，综合技术效率变动明显大于技术进步的变动。

Figure 5. Provincial ML index and its decomposition during 2008~2018

图5. 省域2008~2018年期间ML指数及其分解

Figure 6. Trends in total factor productivity (ml) in China’s regions

图6. 中国各区域全要素生产率(ML)变动趋势

(3) 绿色矿业发展效率区域空间特性分析

从绿色全要素生产率层面来看(图6)，各地区绿色矿业发展的Malmquist-Luenberger生产率指数波动较大，除2010年外，其他年份中国平均绿色全要素生产率均大于1，且维持在相对稳定的区间内，表明中国整体绿色矿业发展水平正在稳步提升。从各地区来看，全要素生产率均有较大程度的波动，且各地趋势不一，如华北地区在2009年绿色矿业全要素生产率达到了1.45，但2010~2011年期间又连续出现下降，其全要素生产率均低于1，而后又相继出现绿色全要素生产率提高又增加的情况，整体呈现为一个W型趋势；东北地区2009~2014年期间的绿色矿业全要素生产率基本维持在1左右，表明其绿色矿业发展效率基本没有变化，但在2015~2016年期间有着明显提升，其Malmquist-Luenberger生产率指数分别达到了1.29和1.38，即两年期间绿色矿业发展效率分别提升了29%和38%，这也正是上一节中东北地区非期望SBM模型在后几年出现明显提升与全国其它地区基本持平的主要原因。

从综合技术效率变动情况来看，各地区的综合技术效率变动值基本维持在1附近，且整体趋势基本一致(图7)，均呈现为上下波动型，分别在2011年、2013年和2016年出现波峰，在2010年、2012年和2015年出现波谷，其中东北地区2016年表现最为明显，其综合技术效率变动值达到了1.75，是东北地区2016年绿色矿业全要素生产率达到1.38的主要原因，但在2017年又相继出现了最低点，其综合技术效率变动仅为0.76，这同样是东北地区2017年Malmquist-Luenberger生产率指数仅为0.87的主要影响因素。

Figure 7. Trends in changes in comprehensive technical efficiency (EC) in various regions of China

图7. 中国各区域综合技术效率变动(EC)变动趋势

Figure 8. Trend of changes in regional technology progress index (TC)

图8. 区域技术进步指数变动(TC)变动趋势

从技术进步指数变动情况来看，各地区的技术进步指数变动趋势基本一致，和综合技术效率类似，均呈现为上下波动，但技术进步指数的变化一致性表现的更加明显，分别在2009年、2012年、2015年和2018年达到峰值(图8)，同时反映出在技术进步方面不同地区的差异较小，这与现有技术的改进和交流传播有关。从技术进步的上下波动性可以看出，中国绿色矿业发展的技术改进并非一帆风顺，而是进行不断的探索，同时受到产业结构升级、政府政策支持等方面的影响。

根据Malmquist-Luenberger生产率指数模型分解的综合技术效率变动和技术进步指数变动绘制了象限图(图9)。全国七个地区在象限图的每个象限均有分布：华东地区位于第一象限，表明在综合技术效率变动和技术进步指数变动两个方面在七个地区中都有着较好的表现；华中地区位于第二象限，即技术进步提升明显，但其综合技术效率变动情况较差；第三象限包括华南地区和西南地区，尽管其技术进步指数仍是大于1，但与其它五个地区相比较，在综合技术效率和技术进步指数方面仍有较大差距，提升空间大；华北地区、东北地区以及西北地区位于第四象限，由此可见北方地区在绿色矿业发展的技术进步方面相较于其他地区仍有所欠缺，但其在综合技术效率上表现较好。

Figure 9. Quadrant diagram of regional comprehensive technical efficiency change value and technological progress change value

图9. 区域综合技术效率变动值和技术进步变动值象限图

4. 结论与政策建议

矿业生态效率的评估正在成为实现可持续发展目标中的一种普遍的必要理解。而矿业开发面临产生大量的废水、废气和固体废物，对环境造成了难以控制的破坏与污染。为了有效评估中国各省份的矿业生态效率，本研究搭建了新颖的矿业生态效率评估框架，该框架融合了非期望产出SBM-DEA与Malmquist-Luenberger全要素生产率指数模型，测度了中国27个省的矿业生态效率，探讨不同区域的矿业生态效率演变特征，以促进绿色矿业的发展。

研究结果表明：(1) 中国各省采矿业生态效率总体呈良好趋势，但空间差异明显。(2) 华东地区技术进步和综合技术效率较好，华北、东北和西北地区技术进步相对滞后，但综合技术效率较好。(3) 非期望产出SBM模型和malmquest-luenberger全要素生产率指数结果显示，中国绿色矿业整体发展水平明显受到非期望产出(如勘探和采矿违规案件数量)和采矿碳排放的影响，特别是在东北和中部地区。(4) 中国绿色矿业未来发展还存在着提高规模经济效益、提高绿色矿业发展水平、矿区环境系统修复、节能减排等问题。

综上所述，提高中国矿业生态效率水平，促进绿色矿业发展的途径如下：(1) 督促企业履行矿山环境修复责任。制定有关政策，促进矿山生态地质环境的系统治理和修复，并采取具体措施，防止矿山水土流失、恢复植被、复垦土地。(2) 培养实现绿色技术创新的能力。政府应鼓励矿山加大投资，努力通过技术引进实现技术创新，促进资源的综合利用，减少废石、废气、废水的排放，降低能耗和碳排放；(3) 加强绿色矿山的开发。政府可以通过实施相关政策和提供支持等方式加快绿色矿山的建设，推动绿色矿山从“点到面”发展示范区的创建，促进绿色矿山的大规模发展。

本研究提出了一个全面有效的矿业生态效率评价创新框架，可为矿业绿色发展提供新思路，为政府规划提供决策信息参考。然而，矿山生态效率的评价还有待进一步探讨：一是如何实现规模变化下矿山生态效率的高效发展；第二，区域创新差异对矿业生态效率变化的影响。