基于SBM模型的我国省际能源环境效率研究
开篇：润墨网以专业的文秘视角，为您筛选了一篇基于SBM模型的我国省际能源环境效率研究范文，如需获取更多写作素材，在线客服老师一对一协助。欢迎您的阅读与分享！
摘 要 将SBM模型与四阶段DEA方法结合，研究了我国30个省市地区2004～2012年间省际全要素能源环境效率，同时考察了地区投入与产出松弛量，并对其影响因素进行了深入分析。研究发现：环境约束的影响明显，科学评价能源环境效率必须把环境污染引入全要素能效测度之中；随着时间发展，各省间的效率存在优者愈优、劣者愈劣的两级分化趋势.对松弛量的Tobit回归结果显示：GDP是改善能源环境效率的有利因素，外商直接投资、产业结构以及能源消费结构是其不利因素，技术改进和环境治理对提高效率无显著影响；外部因素差异对能源环境效率有显著地影响，剔除外部因素差异的影响，将使效率能得到有效改善.
关键词 环境约束；能源环境效率；SBM模型；四阶段DEA
中图分类号 F205 文献标识码 A
1 引 言
在工业经济中，能源投入达到前所未有的程度.时至今日，我国能源消费量已经由1980年的6.03亿吨标准煤增长到2013年的37.5亿吨标准煤，巨量的能源投入带来的负面环境效应日益突出，经济发展质量令人堪忧.据统计，当前中国二氧化碳、二氧化硫的排放量都已跃居世界第一位，其他主要污染物排放也已位于世界前列.此外我国工业企业的能源消费70%左右仍以煤炭为主.由此可见，我国能源利用正面临能源利用环境污染重和能源利用方式落后、效率低下的困境，提升能源环境效率迫在眉睫.
在现有估算能源效率的研究中，利用非参数前沿分析模型测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模型对中国29个省的面板数据进行实证分析.他将数据包络分析（DEA）引入中国的能源效率分析，有效克服了传统单要素能源效率研究方法的缺陷.近年来，许多学者将环境因素纳入全要素生产率的研究范围.郑丽琳、朱启贵（2013）[2]研究表明，考虑能源与环境的我国省际全要素生产率增长有限，且效率在东、西部区域内部收敛，中部收敛不显著，因此我国东中西三地区存在“俱乐部收敛”的情况.汪克亮（2011）[3]，张伟（2011）[4]等运用环境方向距离函数对我国省级全要素生产率进行了研究分析.涂正革等 [5]采用SBM模型计算了我国省际工业效率，它们发现东西部间效率差距明显，并认为重工业阻碍SBM效率的改善.Bi GongBing （2013）[6]等运用SBM模型测算了考虑环境约束下我国热力发电行业的全要素能源使用效率，他们研究发现我国热力发电行业全要素能源效率存在显著省际差异和地域差异.范丹、王唯国（2013） [7]把四阶段DEA与Simar、 Wilson开发的基于Bootstrap的随机DEA模型相结合，将能源和二氧化碳纳入工业企业的全要素能源效率评价体系中， 对我国2010年中国30个省、市、区规模以上工业企业的全要素能源效率及其分解变量进行了实证分析.Hong Li[8]运用Supersbm模型研究发现“十一五”期间我国各工业部门间能源效率是非收敛的.
纵观运用DEA方法对全要素能源利用效率的研究，不难发现以下几点研究趋势：一是运用各种方法将环境因素纳入全要素生产率的研究；二是将参数法和非参数法的优点相结合以克服传统DEA的缺陷，剔除外部因素差异对测算结果产生的不良影响，分离随机误差的影响，这类方法主要包括multistage DEA方法，以及Timo Kuosmanen（2006）[9] 提出的SToNED随机非参数及半参数方法等方法；三是从当期或序列DEA分析向全局DEA分析发展[10].本文将SBM模型与四阶段DEA结合起来研究我国省际能源效率，以克服传统DEA的缺陷.
2.1 利用DEA测算能源效率的理论分析
从全要素角度测算能源效率有深刻地理论基础，也更客观地反映经济运行规律.17世纪英国经济学家威廉配第提出“土地为财富之母，而劳动则为财富之父和能动的要素”.萨伊将所有生产出来的价值都归因于劳动、资本和自然力三个要素，他从财富生产的过程出发系统地说明了生产要素的构成.斯密在《国富论》中讨论财富与收入时提到“材料等部分，可转化为固定资本投入、也可转化为目前消费的财富”.到19世纪末，马歇尔在《经济学原理》中提出“土地是指大自然为了帮助人类，在陆地、海上、空气、光和热各方面所赠与的物质和力量”，也就明确了包括能源在内“土地”的要素地位.马克思政治经济学认为劳动对象和劳动资料是最基础生产要素，与劳动构成最基础的物质资料生产.因此，经济学家将能源作为多种投入的一种，考虑投入要素替代在实现能源效率中的作用，提出以全要素能源效率来衡量一个地区的能源利用效率.
区别于传统的单要素能源效率分析，需要在 “多投入-多产出”框架下测算全要素能源效率.数据包络分析方法（DEA）的原理性质十分契合这样研究需要：①DEA方法测算产出与投入之比，本身就是测算若干决策单元相对效率的方法；②DEA方法适用于“多产出-多投入”[10]的情况；③DEA方法不需要具体的生产函数、不需要主观赋权，且具有“单位不变性”[10]；④DEA方法能确定每一项无效率决策单元非效率的原因[10].由上可知，DEA方法适于测算全要素能源利用效率.
当然，许多传统的DEA方法不能避免径向与角度带来的偏差，没有考虑松弛量的影响，也没有考虑各决策单元外部条件差异以及随机误差的可能影响，这些因素都可能造成效率测度的偏误.SBM模型（Slack Based Model）是一种较为完善的DEA拓展模型，可以很好地解决一般DEA模型（方法）存在的问题.本文基于以上理论分析，将参数法和非参数法的优点相结合可以克服以上传统DEA存在的缺陷，使用SBMDEA模型与四阶段DEA方法结合的方法来测算我国省际全要素能源环境效率下文称以这种方法的到的效率值为能源效率，或SBM效率（考虑环境约束条件下的测度）..本文从经济和环境的双重角度研究能源利用效率，人类通过投入能源、资本、技术、劳动力进行生产而获得产出，产出由期望产出和非期望产出组成，期望产出主要为GDP，非期望产出为环境污染排放.这种考虑环境效应的能源利用效率（投入与产出的比率）称为能源环境效率.
2.2 外部因素调整理论分析
下文将以四阶段DEA的研究步骤进一步阐述本文如何将SBMDEA与四阶段DEA方法结合，以测算外部因素差异对能源环境效率的影响，并在此基础上对能源环境效率进行再测算.
2.2.1 第一阶段，SBM效率测算
第一阶段Tone（2001）[11]首先提出了非径向非角度的基于松弛变量测度的SBM（SlacksBased Measure）模型.SBM模型将松弛变量直接引入目标函数，藉此特点，不仅将环境因素很好地纳入SBM模型的测度中，也避免了径向和角度差异带来的影响.-
传统的SBM模型（以下称模型一）表示为：
2.2.4 第四阶段，SBM效率再测算.
将第三阶段得到的调整后的投入数据代替原始投入数据，再次运用SBM模型进行效率评估，由此得到的各决策单元的效率值即为剔除了外部因素差异影响后的效率值.
综上所述，本文将SBM模型与Fried等（1999）[13]提出四阶段DEA模型结合起来，减少了径向角度模型带来的偏差以及外部因素对效率的影响，更准确地评估我国考虑环境约束的省际全要素生产效率.
3 基于SBM的我国能源环境效率测度
3.1 样本、变量与数据
本文将SBM模型与四阶段DEA方法结合起来，测算我国各省能源环境效率.样本数据为2004至2012年我国省际数据（因数据不可得，港、澳、台和不在研究范围内）.所有的数据均收集于官方统计年鉴以及数据库，主要包括历年《中国统计年鉴》《中国能源统计年鉴》、《中国环境统计年鉴》《中国科技统计年鉴》及部分地方统计年鉴.
3.1.1 SBM模型的投入与产出变量
生产过程中需要三种生产要素：资本、劳动、能源，产出由期望产出和非期望产出组成，期望产出为GDP，非期望产出为环境污染排放.基于我国经济发展特征、非期望产出的SBM模型的对全要素效率估算的要求以及数据的可得性，分别选取省际城镇就业人口、固定资产投入和能源消费总量作为劳动力、资本以及能源投入的变量.产出方面，以省际不变价格的GDP作为期望产出.非期望产出方面，本文将空气污染、水污染和固体排放污染全方位地纳入效率测算，分别选取省际二氧化硫排放量、COD化学需氧量COD（Chemical Oxygen Demand）是以化学方法测量水样中需要被氧化的还原性物质的量.在河流污染和工业废水性质的研究以及废水处理厂的运行管理中，它是一个重要的而且能较快测定的有机物污染参数.排放量和工业固体废物产生量作为非期望的产出.表1为投入与产出变量的统计描述.
3.1.2 四阶段DEA外部因素变量的选取
在第一阶段SBM效率的测算结果中，各投入要素以及非期望产出都产生了松弛变量.许多因素影响松弛量的产生，本文选取了6个变量作为其解释变量：
1）经济发展水平影响，以不变价格国内生产总值（亿元）为变量（GDP）.经济是衡量地区发展水平核心指标，一方面，较高的产出往往意味着较高的收入，发达的高收入地区与欠发达低收入地区在产业结构、产出方式、技术水平、消费行为等方面有很大的差异；另一方面，大量研究表明收入与环境污染之间存在库兹涅茨假说[14]的情况，因此经济发展水平指标是此阶段研究重要的自变量.
2）科技创新能力水平影响，以各地区研究与开发机构科技活动经费内部支出（万元）代表（R&D）.在较高的生产技术水平下，许多产业可以做到高效率与低污染的统一.除了研发方向、转化利用水平等因素，R&D作为解释变量能反映经济主体对技术进步支持力度，也能进一步论证技术水平与非效率松弛量的关系.
3）经济开放水平，用外商直接投资额（万美元）表示（FDI）.经济开放程度与污染排放之间存在确切的联系，相关研究对此结论不一，考虑我国过去高速增长的发展模式，本文将FDI作为影响松弛量的因素之一.
4）环境治理投资水平影响，以工业污染治理完成投资（万元）为变量（HJZL）.污染治理投资反映了地方对环保的重视程度和支持力度.当然，不考虑各地区已产生的污染量差异情况下，各地区污染治理水平也有不同，因此不仅能在计量分析中分析环境治理对松弛量的影响，同时也能研究环境治理的有效性.
5）能源消费结构影响，以煤炭消费总量（万吨）为变量（CC）.据统计，目前发达国家能源消耗中石油约占能耗总量的40%；其次是煤炭，占比26%；天然气占比由10%上升至24%；核能、水能等可再生能源约占10%，而我国能源消费中煤炭消耗占能耗总量接近70%，优质能源供给有限.落后的能源消费行为以及能源消费结构对能源投入以及污染产出有直接影响.
6）产业结构影响，以第二产业产出值（亿元）作为变量（IND）.相比第一产业和第三产业，第二产业中有众多能耗大、污染重的工业单位，因此必须考虑各地第二产业对松弛量的影响.
3.2 SBM能源效率测度
在进行DEA分析时，需考虑变量之间的相关性，因为较高的相关性表明投入与产出的“等张性”关系.本文对所取7个变量进行了pearson相关性检验.如表2所示，在此使用SBM模型是可行的.
为了验证环境约束对我国能源效率的影响，本文对是否考虑非期望产出的两种情况作了比较分析.通过对SBM结果的统计数据分析，发现能源环境效率与无环境约束的能源效率之间有明显的差异：相对于模型一，考虑环境约束的SBM总体平均效率值由0.669 5降至0.539 9；同时模型二的标准差与极差明显大于模型一.为了进一步探究其原因，进一步从SBM效率的时间趋势以及省级结构差异分析其特点.
从2004～2012年，2个模型中我国省际能源环境效率存在一些相同的发展趋势，研究发现两个模型的平均SBM效率值都经历先降后缓慢上升、再回落的相似过程.在差异方面，考虑环境因素使得平均能源环境效率降低了19.3%，同时发现2个模型的标准差和极差都存在随时间扩大的趋势，且模型二总体效率偏低且效率间差距更大.
从SBM效率的省际结构看（见图1），同样发现2个模型在各省效率的总体特征是一致的.根据各地区能源环境效率值的高低，将其分为3个梯队：
注：均值为三角形图案，中位数为圆形图案，星号为异常值.
1）第一梯队为近年SBM效率值较高的北京、天津、广东、上海、山东、海南以及青海，其效率平均达到0.839 6.从全要素能源环境效率的视角看，这些地区具备资源投入少、产出多、污染排放少的条件.它们多数地处东部沿海，是我国经济社会最发达的省份，这些地区的经济发展与环境保护达到了协调发展.与此同时，海南、青海的高效率表明：除了经济发展程度以及地域差异因素，还存在别的因素也能对能源效率产生重大影响：虽然海南、青海两省的产出较低，但是其投入以及非期望产出也远远低于其他省份.
2）河北、江苏、浙江、福建则处于经济与环境发展协调发展的第二梯队，这些区域的经济较发达，但其能源效率明显低于第一档次，从结果数据上看，这些地区与第一梯队的差距明显，其历年能源环境效率平均为0.612 4，这说明这些地区在资源节约以及环境友好方面尚有潜力可挖.
3）其余19个省份为第三梯队，这些省份多地处中西部，经济社会发展质量明显落后前两个梯队，其平均能源环境效率为0.414 2.按照我国经济发展的区域构想以及我国的重大发展战略，东北老工业基地，中部地区以及西部地区大多省份都处于这个梯队.这些地区经济发展模式落后，它们或者是集中了许多能耗高、污染重的产业，或者是产出远低于其他省份，其SBM效率得分也相应处于落后地位.
进一步剖析从3个梯队内的发展变化看，第一梯队与第二梯队在2004～2012年的时段里体现出有增有减、以增为主、两级分化的特点.只有青海、海南、福建能源环境效率都是下降的，降幅达到50.1-%、33.3%和42.6%.其他地区的能源环境效率都得到了明显提升.与前两个梯队相比，第三梯队呈现出明显的恶化趋势.在这19个地区中，只有内蒙古和四川的SBM取得了显著改善（增幅为18.98%和10.65%）；辽宁、吉林、河南与江西的SBM效率在2004至2012年间波动不定，最终只达到轻微改善（小于4%）；余下的13个省份的SBM能源环境效率值悉数下降.总体看来，我国省际SBM能源环境效率呈现出明显的差异，并且存在两级分化的趋势.
4 我国SBM能源效率的外部因素调整
4.1 外部影响因素分析
不能考虑外部因素差异对效率测算带来的影响，这是传统DEA固有的缺陷.在此阶段，本文基于模型二的测算结果，将投入和非期望产出的松弛变量作为因变量，对其进行面板Tobit回归分析.这样，不仅研究了各省市投入与产出冗余的成因及其节能减排潜力，也可在此基础上消除一定的外部因素差异的影响.需特别说明的是，考虑非期望产出与投入的不同经济含义，本文取两组自变量，分别对投入和非期望产出的松弛回归.结果如表4和表5所示.-
4.1.1 投入松弛的计量分析
从回归结果看，投入要素与非期望产出松弛量和外部因素变量之间存在显著的关系，使用Tobit模型剔除外部因素变量的影响来考察全要素能源效率是十分必要的.下面，先分析外部因素对投入松弛变量的影响：
1）4个外部因素变量里只有R&D支出对劳动力松弛有显著影响，其系数为负.一方面可以看出劳动力的松弛相对地独立，不受大多数外部因素的影响；另一方面，说明R&D投入的增加能减少劳动力投入的冗余.
2）经济产出水平对能源消费和资本投入的影响是显著地，其负的系数意味着地区产出越高，其能源和资本投入的冗余越少，增加产出在一定条件下能节能，进而提高能源环境效率.
3）外商直接投资（FDI）和地区产业结构对能源消费和资本投入的松弛有显著的正向关系.这说明外商直接投资越多，资本、能源的浪费越严重，FDI的存量增加所诱致的经济规模扩张和“环境避难所”效应可能加剧投入冗余；同时，能源与资本的浪费程度随第二产业产出值的增加而加剧，因此，第二产业的发展可能是非效率的成因.
4.1.2 非期望产出松弛的计量分析
在非期望产出的松弛方面，回归结果表明除了R&D支出，其余外部因素变量对非期望产出松弛变量有不同程度的影响.
1）地区GDP产出对3个非期望产出的回归系数均为负，且都在1%水平下显著.这个结果呈现了经济产出越高，污染冗余越少的情况.
2）外商直接投资与COD松弛量无显著关系，但与SO2排放松弛量和固体物污染松弛量间存在显著关系，其回归系数为正.这种关系表明外商直接投资会增加SO2和固体废物的松弛量产生：FDI越多，污染越重，SBM效率越低.
3）产业结构显著影响固体废物松弛量和COD松弛量，其回归系数为正，也就是说伴随地区的第二产业产值增加，该地区的固体排放污染和COD水污染也会加重.
4）工业污染治理投资对SO2松弛系数为正，但只能在10%水平下显著；对固体废物排放松弛系数为负，通过了1%显著水平检验；对COD松弛排放物显著影响.这个结果揭示了我国地方政府环保保护政策存在着环境监管不力、环保资金使用效率低下等问题，环境保护费用的增加并没有起到节能减排、提高全要素能源效率的作用.
5）地区煤炭消费量对三个非期望产出的回归系数为正，显著水平分别达到5%、1%、1%，可以推断各地区能源消费结构对非期望产出的松弛有明显的作用：煤炭消费量越高，污染排放越多，对环境的破坏也越严重.因此调整能源消费结构，减少煤炭消费量有利于改善环境、提高效率.
通过对投入以及非期望产出松弛变量的Tobit回归分析，不但确定了影响松弛变量产生的主要因素，也能根据分析结果研究了各省市要素投入和污染产出的节能减排潜力与途径，当然，最重要的是我们基于这一阶段的数据结果调整原投入变量，从而消除一定外部因素差异的影响，使所有地区趋于公平的外部条件.
4.2 调整外部因素后的SBM效率
依据式（5）调整原始投入变量，并将调整后的数据再次进行SBM模型测算，得到各决策单元的SBM能源环境效率值，如图2所示.
比较分析发现，剔除外部条件差异的影响后的平均能源环境效率由0.539 9提高到了0.714 6，增幅达到32.36%.整体上看，多数地区的能源环境效率经过调整后得到提升.本文对第一阶段和第四阶段的结果进行了spearman相关检验和MannWhitney检验，结果表明大部分对应年份间平均spearman相关系数达到0.677；在MannWhitney检验方面，其Z值为-11.256，即两组数据存在显著差异. 以上两方面说明经过调整后，前后2个结果数据依然保持一定的相关，但其总体结果已经产生了显著的差异，也就是说外部条件的差异对我国省际能源环境效率产生了显著的影响.
在剔除外部条件差异后，天津、广东、山东、海南、青海仍处在效率较高的位置，这说明这些地区的能源环境效率确实较好，它们仍然处在效率前沿；第二梯队的河北、江苏、浙江、福建四省的能源环境效率上升了31.78%、45.47%、29.62%和18.55%，但这四省效率改善幅度低于全国平均水平，在调整后任处于能源环境效率的第二梯队；第三梯队的SBM能源环境效率在这个阶段改善较大，效率均值大幅提高了51.4%，可见这些地区在第一阶段受差的外部因素影响比较严重.
进一步分析外部因素差异的影响，北京、上海能源环境效率的下降印证了其处于好的外部条件下，以北京为例，北京第二产业占比连年下降，从2004年的32.7%降至2012年的22.7%，许多产能开始迁出北京.政策的有力保证、有效的环境治理、出众的节能减排意识等等有利因素使他们处于相对较好的外部条件下，当剔除这种外部影响时其能源环境效率也相应下降了.山西、内蒙古、宁夏、辽宁等地区，他们大多面临经济发展模式落后、经济转型发展难度较大的困境，剔除这种与前述地区间存在的外部条件差距后，这些地区的能源环境效率相应也得到较大的改善.研究结果表明外生因素影响变量对各松弛量以及能源环境效率值有显著的影响，调整后的能源环境效率更多地反映了一种潜在的改善空间.-
5 结论与启示
本文将SBM模型与四阶段DEA模型结合，科学地评价了我国30个省市地区2004～2012年间省际全要素能源环境效率.基于非角度非径向的方法考察了地区投入与产出松弛量，并对其背后的影响因素进行了深入分析，得出以下结论：
1）环境约束的影响明显.研究发现，虽然考虑环境约束的全要素能源环境效率与无环境约束的全要素能源效率的总体排名特征无显著差异，但其前者平均效率值要低19.3%.不考虑环境效应将高估我国省际全要素能源效率.
2）外部因素对能源环境效率有显著地影响，如果能减轻外部因素的影响，使各地处在相对公平的条件下，那么效率能得到有效改善.这表明我国省际能源环境效率存在较大的改善空间.
3）随着时间发展，各地区间的效率“马太效应”明显，且环境约束条件下差距更大.本文的实证表明，从其效率变化的特点看，经济社会发达地区效率得到明显改善，但大多数中西部地区平均效率下降，且这个趋势随时间推进而越发明显.基于实证结果，本文认为我国能源效率出现了“好的愈好，坏的愈坏”的两极分化现象.
4）Tobit回归结果显示，地区GDP、外商直接投资和产业结构对投入的松弛有显著影响；而在非期望产出方面，地区GDP、外商直接投资、产业结构以及能源消费结构作用明显.其中GDP是有利因素，也就是说经济产出越高，投入与非期望产出的松弛越少，其他变量作用则与之相反.
从上述结论给出三点启示：
首先，在经济新常态的形势下，必须保持一定的经济增长，为节能减排奠定物质基础；必须优化产业结构，扭转高耗能、高污染的经济发展方式；必须调整能源消费习惯，拓展能源利用途径，改变能源消费依赖煤炭的单一结构和其利用的“粗放”模式.值得注意的是，各地区很难通过技术改进来提升能源环境效率，同时环保资金的投入没能有效改善效率.必须重视预防污染的产生，探索研究改善技改经费和环境治理投入政策效果的方法途径，挖掘这两项对提高能源效率的作用潜力.
其次，促进经济社会又好又快发展、改善我国省际全要素能源效率，必须警惕节能减排中的两极分化现象，避免发展失衡.新常态是中国极为珍贵的战略机遇期，在新常态经济结构优化、增长动力切换、制度环境改变的背景下，需更加重视中西部地区严峻的能源利用和环境污染形势，加大对中西部节能减排的支持力度，利用政策导向引导东部地区先进的节能减排技术、管理经验和制度模式能够及时向中西部地区传播，为提高低能效地区能源效率创造更好的条件.
第三，外商直接投资、产业结构以及能源消费结构的状况影响我国及各省的能源环境效率.要正确引导外商直接投资的方向和规模，根据不同地区的情况，调整产业结构，改善环境状况；尽量减少煤炭的消费量，优化能源消费结构，减少环境污染.
参考文献
[1] J L HU， S C WANG.Totalfactor energy efficiency of regions in China[J].Energy Policy，2006，34（1）：3206-3217.
[2] 郑丽琳，朱启贵. 纳入能源环境因素的中国全要素生产率再估算[J]. 统计研究，2013（7）：9-17.
[3] 汪克亮，杨宝臣，杨力. 中国省际能源利用的环境效率测度模型与实证研究[J]. 系统工程，2011（1）：8-15.
[4] 张伟，吴文元. 基于环境绩效的长三角都市圈全要素能源效率研究[J]. 经济研究，2011（10）：95-109.
[5] 涂正革，刘磊珂. 考虑能源、环境因素的中国工业效率评价――基于SBM模型的省级数据分析[J]. 经济评论，2011（2）：55-65.
[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，王维国. 中国省际工业全要素能源效率――基于四阶段DEA和Bootstrapped DEA[J]. 系统工程，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.