0 引言

近年來,中國一直倡導(dǎo)振興實體經(jīng)濟(jì),創(chuàng)新驅(qū)動發(fā)展,發(fā)展模式越來越體現(xiàn)為高質(zhì)量大規(guī)模發(fā)展,國內(nèi)各個地區(qū)的工業(yè)化程度也越來越高。工業(yè)生產(chǎn)過程中各種廢氣的排放使得環(huán)境污染狀況日漸加重,空氣質(zhì)量狀況不佳,給人們的健康,日常生活,出行,作業(yè)帶來了不小的麻煩,解決大氣污染的問題迫在眉睫。2020年中華人民共和國生態(tài)環(huán)境部公布的數(shù)據(jù),我國城市平均超標(biāo)天數(shù)的比例為13%,以PM2.5、O3、PM10、NO2和SO2為首要污染物的超標(biāo)天數(shù)分別占總超標(biāo)天數(shù)的51%、37.1%、11.7%、0.5%和不足0.1%。PM2.5在國內(nèi)污染物中占首要地位。由生態(tài)環(huán)境部發(fā)布的信息,全國大氣污染最為嚴(yán)重的區(qū)域集中于中原地區(qū)和京津冀地區(qū)。2017年,國家提出了京津冀污染傳輸通道“2+26”城市大氣污染聯(lián)合治理的方案,方案實施后,2020年秋冬季,京津冀及周邊地區(qū)細(xì)顆粒物(PM2.5)的濃度比2016年同期下降了37.5%。但對秋冬季節(jié)大氣污染問題的改善還不夠穩(wěn)固,秋冬季節(jié)仍有重污染天氣高發(fā)?！吨腥A人民共和國國民經(jīng)濟(jì)和社會發(fā)展第十四個五年規(guī)劃和2035年遠(yuǎn)景目標(biāo)綱要》提出,區(qū)域協(xié)同治理要實現(xiàn)多污染物協(xié)同控制,基本消除重污染天氣。目前情況來看,重要的目標(biāo)是降低PM2.5濃度,然而中國的地域太過遼闊,區(qū)域中城市的自然環(huán)境、經(jīng)濟(jì)、科技水平以及人口規(guī)模較為不同,針對大氣污染物濃度的減排治理也有不同的差異?？疾靺^(qū)域城市的大氣污染物減排效率現(xiàn)狀,以及如何保持經(jīng)濟(jì)的發(fā)展也要提升減排效率,對社會經(jīng)濟(jì)發(fā)展的提升至關(guān)重要。

1 文獻(xiàn)綜述

大氣污染是指由于人類活動或者自然現(xiàn)象產(chǎn)生的某些物質(zhì)排放到大氣中,積累到一定濃度,達(dá)到一定的時間之后,人們會感到不適,或者會對人體健康產(chǎn)生危害的環(huán)境現(xiàn)象[1]。國內(nèi)外學(xué)者針對大氣污染的研究主要集中于大氣污染對人體健康的影響,污染物的來源、成因,污染物的防治,大氣污染的區(qū)域治理以及大氣污染的治理技術(shù)和治理效率等方面。Pope和Ezzati學(xué)者對美國空氣狀況,居民的收入和預(yù)期居民壽命的關(guān)系進(jìn)行研究[2];Pope, Renlund, Kohli Shery[3]和Ahuja Suchit[4]等學(xué)者探究大氣污染和空氣中的細(xì)顆粒物對病患心力衰竭,心血管疾病的作用關(guān)系。由此可見,大氣污染與人體健康密切相關(guān),探究大氣污染對人體的健康影響至關(guān)重要。為了治理大氣污染這一現(xiàn)象,研究者們試圖找出大氣污染物的來源,以便對其進(jìn)行防治。Lundtorp[5]對城市生活垃圾和大氣污染控制殘留物的現(xiàn)場處理進(jìn)行研究; Hjelmar[6]研究了丹麥的針對污染廢棄物的管理模式; Astrup[7]則針對垃圾焚燒產(chǎn)生的大氣污染殘留物所選擇的管理方案的生命周期進(jìn)行評價。Savitch和Vogel[8]提出區(qū)域協(xié)同治理的制度安排與實踐途徑; Geoffrey J.D.Hewings[9]與中國學(xué)者合作,以京津冀地區(qū)為例,基于多區(qū)域CGE模型對中國的大氣污染減排政策進(jìn)行研究,針對大氣污染的措施區(qū)域協(xié)同治理逐漸興起。

我國的大氣污染防治工作主要開始于20世紀(jì)70年代[10]。2013年以前,我國有關(guān)大氣污染的主要治理對象是煙塵、懸浮顆粒物、SO2、NOx以及PM10。2013年,我國出現(xiàn)了大范圍多天數(shù)的霧霾天氣,形成原因復(fù)雜的新型污染物PM2.5被大眾熟知[11]。大氣污染物具有跨區(qū)域傳播的特征[12],學(xué)者們針對此聚焦于區(qū)域的空氣質(zhì)量研究。區(qū)域內(nèi)城市發(fā)展水平不一樣,不同的城市的經(jīng)濟(jì)條件,產(chǎn)業(yè)發(fā)展,技術(shù)水平等具有異質(zhì)性,大氣污染的治理能力也會有差異性。研究區(qū)域城市間的空氣治理效率,找出城市大氣治理存在的某些問題,由此提出有效且具有針對性的建議和對策,才能更好地實現(xiàn)環(huán)境和經(jīng)濟(jì)共同發(fā)展的可持續(xù)性,更好地促進(jìn)大氣污染的治理。

對經(jīng)濟(jì)發(fā)展帶來的環(huán)境問題的重視體現(xiàn)在對環(huán)境治理效率的研究,這一研究逐漸成為經(jīng)濟(jì)環(huán)境研究的重點。史丹[13]根據(jù)單位消耗GDP產(chǎn)出測度能源的利用效率,使用單位人均GDP與人均生態(tài)足跡的比值來測度生態(tài)效率。葉菲菲[14]等學(xué)者對傳統(tǒng)的交叉效率模型進(jìn)行改進(jìn),對我國30個省份的大氣污染治理效率進(jìn)行測度。羅能生[15]學(xué)者使用IPAT模型對我國區(qū)域城鎮(zhèn)化水平和生態(tài)效率之間的關(guān)系進(jìn)行測度。還有一種有關(guān)效率的研究方法是DEA技術(shù),它是數(shù)據(jù)包絡(luò)分析技術(shù)的簡稱,美國運籌學(xué)家Charnes和Cooper在1978年提出來的第一個最基本的DEA模型之后,發(fā)展起來的。到目前為止,有關(guān)DEA技術(shù)的研究論文已有上萬篇。在中國有關(guān)DEA的研究始于20世紀(jì)末期,DEA方式使用非常廣泛,數(shù)據(jù)包絡(luò)分析(DEA方法)一經(jīng)提出在社會經(jīng)濟(jì)學(xué)中得到廣泛應(yīng)用,作為一種非參數(shù)分析方法,在肖志杰[16]與Charnes學(xué)者合作研究下對DEA方法進(jìn)行改進(jìn),有效地應(yīng)用在微觀經(jīng)濟(jì)的一些領(lǐng)域中。

DEA方法在研究環(huán)境效率領(lǐng)域應(yīng)用較為廣泛,學(xué)者們多數(shù)從國家和省際之間[17-19]研究環(huán)境的治理效率的問題,有關(guān)環(huán)境效率研究主要涉及水污染[20]、碳排放[21,22]、能源效率[23,24],大氣污染治理效率[25-27]等方面。于鵬飛[17]、王奇、李明全[18]學(xué)者使用基礎(chǔ)DEA技術(shù),將國內(nèi)各個地區(qū)和省份作為評價基本單位,研究這些地區(qū)的污染治理績效和大氣污染治理效率。徐維祥[28]學(xué)者基于隨機(jī)前沿(SFA)分析全國和三大范圍地區(qū)的環(huán)境規(guī)制效率的差異性。為了改進(jìn)傳統(tǒng)DEA技術(shù)存在的不完善之處,學(xué)者引用SBM(Slack Based Model)模型來改變傳統(tǒng)DEA的徑向性即投入產(chǎn)出項能否按同比例縮放的問題,學(xué)者張英奎[29]基于DEA和SBM模型,對污水處理效率的結(jié)果偏差做出糾正。在使用傳統(tǒng)DEA技術(shù)的過程中,并未考慮外界因素對研究指標(biāo)的影響,以及隨機(jī)產(chǎn)生的誤差同樣對研究結(jié)果有影響,為此Fried[30]等提出了三階段DEA方法,加入了隨機(jī)前沿分析這一階段,改進(jìn)傳統(tǒng)DEA的缺點。劉釗[31]學(xué)者使用三階段DEA模型調(diào)節(jié)環(huán)境因素和隨機(jī)誤差對綠色投資生態(tài)效率的影響,測算出的綠色投資生態(tài)效率更科學(xué)合理。

從上述學(xué)者研究結(jié)果可以看出,依據(jù)于傳統(tǒng)DEA和SFA方法改進(jìn)的三階段超效率SBM-DEA,可以改進(jìn)前二者存在的不足。而且傳統(tǒng)DEA模型得出的有效決策單元無數(shù)值上區(qū)別,效率結(jié)果統(tǒng)一體現(xiàn)為“1”,超效率模型可以解決有效決策單元不能按效率排序的問題,超效率模型得出的有效結(jié)果表現(xiàn)為大于等于“1”?；谇叭搜芯砍晒?將此方法應(yīng)用于測算“2+26”城市的工業(yè)大氣污染治理效率,以28個城市為決策單元,剔除環(huán)境因素和隨機(jī)誤差的影響,對區(qū)域內(nèi)各個城市的污染治理效率進(jìn)行評估。

2 模型研究

數(shù)據(jù)包絡(luò)分析(DEA)是以線性規(guī)劃分析決策單位的多項投入和多項產(chǎn)出,進(jìn)而得出各個決策單位的相對效率,是運籌學(xué)的一個新的研究領(lǐng)域,計算結(jié)果不受投入產(chǎn)出項指標(biāo)量綱的影響。分析過程中是通過計算各個單位的投入和產(chǎn)出來確定是否是DEA有效的,對整個經(jīng)濟(jì)范圍的最優(yōu)生產(chǎn)模式進(jìn)行描述。

三階段SBM-DEA模型是基于數(shù)據(jù)包絡(luò)分析進(jìn)一步研究改進(jìn)的方法模型,傳統(tǒng)的數(shù)據(jù)包絡(luò)分析的一些計算缺點,未能考慮環(huán)境變量、隨機(jī)誤差和松弛變量的影響,計算出的效率結(jié)果并不科學(xué)有效。為改進(jìn)這些問題,基于學(xué)者Fried[30]和Farell[32]提出的三階段DEA與SBM結(jié)合的研究模型,將環(huán)境污染物作為非期望產(chǎn)出,基于投入角度假設(shè)前提是規(guī)模報酬可變的,來測算效率值。三階段SBM-DEA模型如下。

2.1 第一階段:初始效率值計算

第一階段主要是使用SBM-DEA模型,原始DEA方法中的兩個基礎(chǔ)模型BCC模型和CCR模型,都不能對非期望產(chǎn)出的指標(biāo)進(jìn)行處理,實際上大氣污染的治理產(chǎn)出包括好的方面的和差的方面的產(chǎn)出,使用傳統(tǒng)DEA方法進(jìn)行計算時,很對學(xué)者是將非期望產(chǎn)出的結(jié)果取倒數(shù)來進(jìn)行運算,而SBM-DEA的設(shè)定是使得期望產(chǎn)出越高,非期望產(chǎn)出越低越好,兼顧二者產(chǎn)出算出的效率水平處于較優(yōu)水平?；诔跏歼x定的投入數(shù)據(jù)和產(chǎn)出數(shù)據(jù),進(jìn)行測算決策單元的初始效率值,選擇以投入為導(dǎo)向的非徑向SBM-DEA模型,測算第一階段的效率值,模型如下:

n:投入指標(biāo)數(shù)量;m:部門/決策單元個數(shù);t1:期望產(chǎn)出數(shù)量;t2:非期望產(chǎn)出數(shù)量;x:部門投入集合;yq:部門期望產(chǎn)出集合;yu:部門非期望產(chǎn)出合集;xˉ:投入的松弛變量;:期望產(chǎn)出的松弛變量;:非期望產(chǎn)出的松弛變量;λ:橫截面數(shù)據(jù)的權(quán)重向量;ρ*:效率值。

2.2 第二階段:隨機(jī)前沿(SFA)分析

第一階段設(shè)定是投入導(dǎo)向,則僅對投入松弛變量進(jìn)行SFA回歸分解,并調(diào)整投入變量,根據(jù)Fried等學(xué)者的研究,構(gòu)造了以投入為導(dǎo)向的回歸方程:

Xnm:第m個決策單元的第n項投入的松弛變量;Zm:環(huán)境變量;βn:環(huán)境變量的系數(shù);vnm:隨機(jī)干擾項;μnm:管理無效率;vnm+μnm:混合誤差項。

隨機(jī)前沿的功能主要是剔除環(huán)境和隨機(jī)因素的影響,從而將每個決策單元處于相同條件下來計算效率值。計算公式如下:

:調(diào)整后投入;Snm:調(diào)整前投入;[max(f(Zm;對外部環(huán)境進(jìn)行調(diào)整部分;max(vnm)-vnm:將每個決策單元置于相同條件下。

2.3 第三階段:調(diào)整后數(shù)據(jù)效率再計算

使用調(diào)整后的投入數(shù)據(jù)再次使用模型SBM-DEA進(jìn)行效率計算,此時已經(jīng)剔除了外部環(huán)境和隨機(jī)誤差對計算結(jié)果的影響,所取得的的效率數(shù)據(jù)更為科學(xué)有效,為分析大氣污染治理成效提供有效數(shù)據(jù)支撐。

3 指標(biāo)選取

3.1 指標(biāo)選擇

生態(tài)環(huán)境部印發(fā)的有關(guān)秋冬季大氣污染綜合治理攻堅方案,明確表示要落實減污降碳總要求,以減少重污染天氣和降低PM2.5濃度為主要目標(biāo)。文章側(cè)重于有關(guān)PM2.5的減排效應(yīng),在構(gòu)建污染治理效率的評價體系中,投入和產(chǎn)出指標(biāo)的設(shè)定需符合生產(chǎn)邏輯和模型要求,投入的生產(chǎn)要素主要是人力、物力和財力,選取的投入指標(biāo)分別是第二產(chǎn)業(yè)投入人員、能源消耗量和R&D研究經(jīng)費內(nèi)部支出;產(chǎn)出分為期望產(chǎn)出和非期望產(chǎn)出,期望產(chǎn)出指標(biāo)為GDP,非期望產(chǎn)出為污染物PM2.5的濃度。環(huán)境因素的選取是為了剔除這些客觀因素的存在,而不是選擇人為主觀可以改變的因素,環(huán)境指標(biāo)的選取準(zhǔn)則是對決策單位的效率測算有比較大的影響,但又不是決策單位可以控制的因素。選取的環(huán)境因素有外商直接投資、第二產(chǎn)業(yè)占總產(chǎn)值比重、污染項目投資資金。指標(biāo)選取如下表1所示。

3.2 數(shù)據(jù)來源

選取2016—2019年京津冀及周邊“2+26”個城市為決策單元,數(shù)據(jù)來源于《中國環(huán)境年鑒》《河北省經(jīng)濟(jì)年鑒》以及各個地級城市的統(tǒng)計年鑒。使用數(shù)據(jù)包絡(luò)進(jìn)行數(shù)據(jù)分析決策單位的選取需要兩個條件:決策單元的生產(chǎn)結(jié)構(gòu)相同和決策單位的樣本數(shù)量夠多,普遍數(shù)據(jù)選取量是投入和產(chǎn)出指標(biāo)之和的5倍以上。決策單元112個,投入指標(biāo)3個,產(chǎn)出指標(biāo)2個。

4 實證分析

4.1 第一階段:實證結(jié)果

第一階段以表1中第二產(chǎn)業(yè)從業(yè)人員、能源消耗量、R&D研究經(jīng)費內(nèi)部支出作為投入變量,生產(chǎn)總值GDP、PM2.5年濃度作為期望產(chǎn)出和非期望產(chǎn)出變量,利用MATLAB軟件,經(jīng)使用三階段超效率SBMDEA方法對2016—2019年“2+26”城市的初始工業(yè)大氣污染治理效率進(jìn)行測算,得到初始治理效率,結(jié)果如表2所示:

表1 指標(biāo)說明表Table 1 Indicator description table

由表2數(shù)值,所得出的結(jié)果是這些城市的相對治理效率,而不是絕對的,效率值較高只是相較于其他城市相比的結(jié)果,并不是效率顯著的表現(xiàn),結(jié)果還需調(diào)整優(yōu)化。從橫向來看將近百分之九十的城市的工業(yè)大氣污染治理效率都達(dá)到了DEA有效,排名前五的城市有陽泉、太原、鄭州、北京和保定,DEA效果不顯著的城市有鶴壁、晉城、長治、邢臺和濱州等城市。京津冀及周邊城市的大氣污染治理成效仍需有待提高,城市間的治理差距較為明顯,區(qū)域城市仍要注意統(tǒng)籌協(xié)調(diào)發(fā)展,地區(qū)資源整合協(xié)調(diào),劣勢城市進(jìn)行調(diào)整,優(yōu)勢進(jìn)行互補(bǔ),共同為城市空氣質(zhì)量提升做出努力。從縱向來看2016—2019年4年間污染效率治理的成效是有進(jìn)步的,從年均效率值小于1到年均效率值大于1,且后兩年均處于有效狀態(tài)。

表2 第一階段初始效率測算結(jié)果Table 2 The first stage initial efficiency measurement results

4.2 第二階段:隨機(jī)前沿分析

第二階段進(jìn)行的是隨機(jī)前沿分析,是一種回歸分析模型,第一階段超效率SBM模型得出來的投入指標(biāo)的所有冗余和不足統(tǒng)一為松弛變量,將此松弛變量作為因變量,前文選取的環(huán)境變量外商直接投資、第二產(chǎn)業(yè)占總產(chǎn)值比重、項目投資資金作為自變量,進(jìn)行SFA回歸分析。結(jié)果如表3所示:

表3 隨機(jī)前沿回歸(SFA)結(jié)果Table 3 Stochastic frontier analysis results

在隨機(jī)前沿分析中,γ值代表著環(huán)境因素、隨機(jī)誤差因素二者與管理無效率的影響大小,當(dāng)γ值趨近于1時,表示這環(huán)境因素和隨機(jī)誤差因素對結(jié)果的影響起著主要作用,此時應(yīng)該剔除二者對效率結(jié)果的影響,可進(jìn)一步使用隨機(jī)前沿分析進(jìn)行剔除外部條件的影響。表3中各環(huán)境變量的系數(shù)γ值均趨近于1,說明使用隨機(jī)前沿分析是適合的。外商直接投資對應(yīng)的能源消耗量、第二產(chǎn)業(yè)從業(yè)人員、研究與試驗發(fā)展內(nèi)部經(jīng)費支出松弛量系數(shù)都小于0,說明隨著外商直接投資的增加,這三者的松弛量會減少,即對外開放水平對三者有正向作用。第二產(chǎn)值占總產(chǎn)值的比重對應(yīng)的3個投入指標(biāo)的松弛量的系數(shù)為正值,說明隨著第二產(chǎn)值所占比重的增加,在一定程度上對能源消耗量、第二產(chǎn)業(yè)從業(yè)人員、研究與試驗發(fā)展內(nèi)部經(jīng)費支出有負(fù)面影響,系數(shù)絕對值較大,說明影響比較顯著。污染項目投資資金同樣對3個投入指標(biāo)的松弛系數(shù)顯示為正,系數(shù)絕對值較小,表明政府的資金支持對全部投入指標(biāo)有負(fù)面作用,但影響較小,反映出政府對環(huán)境的重視程度對大氣污染的治理效率變化不大。

4.3 第三階段:調(diào)整數(shù)據(jù)再次計算效率

經(jīng)過初始效率值計算以及隨機(jī)前沿回歸分析,將剔除外部因素的影響經(jīng)調(diào)整之后的投入數(shù)據(jù)再次使用SBM-DEA計算效率值,結(jié)果如表4所示,并將結(jié)果做成折線圖,如圖1所示。很明顯由數(shù)值可以看出第三階段的效率值和第一階段的結(jié)果差距很大,第一階段4年的年平均效率值最小的是鶴壁市,為0.626 7;最大的是陽泉市,效率值為2.051 8。第三階段的效率值最小的是晉城市,2016—2019年的效率平均值僅為0.070 7,效率值最大的是北京市,4年平均效率值為0.879 4,效率接近1。第三階段平均效率值排名前五的城市分別是:北京、天津、石家莊、唐山和淄博,除了北京市還在前五名之內(nèi)以外,其他城市的排名發(fā)生了很大的變化。將近百分之九十城市的工業(yè)大氣污染治理效率小于0.3,效率值普遍較低并不意味著城市的大氣污染嚴(yán)重的程度,而是代表著一種投入指標(biāo)和產(chǎn)出指標(biāo)的比率。經(jīng)過第二階段的隨機(jī)前沿分析剔除了外部因素影響之后,效率值變化如此之大,說明環(huán)境因素和隨機(jī)誤差因素對效率的計算影響過大,這二者因素的存在,明顯使得工業(yè)大氣污染治理的初始效率值變大。

表4 第三階段2016—2019年工業(yè)大氣污染治理效率Table 4 Phase III industrial air pollution control efficiency from 2016 to 2019

圖1更能清晰地看出這幾年城市的治理效率變化情況,北京處于較高的效率水平,卻未達(dá)到有效水平;其次就是天津處于相對較高的效率值,但是其效率值也不到0.5。其他城市的效率值偏低,出現(xiàn)這種情況的可能性是北京和天津的發(fā)展水平相對較高,其他城市相較之下社會經(jīng)濟(jì)發(fā)展水平很低,有關(guān)管理和技術(shù)發(fā)展水平方面相對較低。河北的城市以及鄭州、太原等城市大力發(fā)展實體經(jīng)濟(jì),很大一部分企業(yè)是重工業(yè)企業(yè),這些城市經(jīng)濟(jì)水平發(fā)展依靠的是高投入和高能耗,對效率的影響并不小。但是從圖1可以看出,除保定、濱州、菏澤和濮陽之外的城市的效率發(fā)展趨勢是逐年上升的,說明這些城市的經(jīng)濟(jì)和管理水平還是有進(jìn)步,在上升期,只不過上升的速度較慢。

為進(jìn)一步探究城市的規(guī)模效率處于很低水平的現(xiàn)象,將第三階段的各個城市的年綜合技術(shù)效率,純技術(shù)效率和規(guī)模效率取平均值,如表5所示。城市的年綜合技術(shù)效率值為年技術(shù)效率和年規(guī)模效率的乘積,表中為年均效率值,故年均技術(shù)效率與年均規(guī)模效率的乘積不等于年綜合技術(shù)效率。從表5中看出,技術(shù)效率較高,技術(shù)效率均值在0.8以上,而規(guī)模效率很低,表明在目前的技術(shù)水平下,其投入資源的使用是有效率的,未能達(dá)到綜合技術(shù)有效的根源是規(guī)模效率很低,規(guī)模效率很低表明城市沒有在最優(yōu)的投入規(guī)模下進(jìn)行生產(chǎn),基于此各個城市應(yīng)該重點調(diào)整規(guī)模效率。第二階段的結(jié)果也表現(xiàn)出第二產(chǎn)值占總產(chǎn)值的比重與工業(yè)大氣污染治理效率存在負(fù)向關(guān)系,現(xiàn)階段的產(chǎn)業(yè)結(jié)構(gòu)布局對污染治理效率的提高有著較大的阻礙,在優(yōu)化產(chǎn)業(yè)結(jié)構(gòu)的基礎(chǔ)上提高規(guī)模效益應(yīng)當(dāng)作為當(dāng)前的改革重點。

表5 “2+26”城市工業(yè)大氣污染治理效率Table 5 Efficiency of "2+26" cities industrial air pollution control

5 總結(jié)

基于傳統(tǒng)DEA模型,使用改進(jìn)的三階段超效率SBM-DEA模型,引進(jìn)非期望產(chǎn)出這一指標(biāo),對影響效率結(jié)果的環(huán)境因素和隨機(jī)誤差進(jìn)行剔除,使每個城市處于同一水準(zhǔn)之下,由此對京津冀及周邊“2+26”城市2016—2019年的工業(yè)大氣污染治理效率進(jìn)行測算,得出以下結(jié)論:(1)在實證期間內(nèi),環(huán)境因素外商直接投資對工業(yè)大氣污染治理效率有正向的驅(qū)動作用,第二產(chǎn)業(yè)占總產(chǎn)值比重和污染項目投資資金抑制了污染治理效率的提高,其中污染項目投資資金對投入指標(biāo)冗余量的影響較小。(2)剔除了外部環(huán)境的影響之后,整體規(guī)模效率結(jié)果下降幅度較大,說明環(huán)境因素和隨機(jī)誤差因素對污染治理效率的影響很大,二者因素的存在高估了“2+26”城市的污染治理效率,各個城市的投入指標(biāo)還需進(jìn)一步進(jìn)行調(diào)整。(3)總體上看,大部分城市的污染治理效率發(fā)展趨勢是波動上升的,說明城市污染效率的技術(shù)水平和城市管理水平不斷提高,提升的潛力很大。

針對京津冀各個城市在工業(yè)大氣污染治理效率較低水平的表現(xiàn),在國家提倡節(jié)能減排,地方城市制定空氣污染治理政策,提高社會經(jīng)濟(jì)發(fā)展水平的過程中,一方面要注重外部環(huán)境對污染治理效率的影響,考慮到京津冀及周邊城市在經(jīng)濟(jì)發(fā)展、產(chǎn)業(yè)結(jié)構(gòu)以及科技發(fā)展水平的異質(zhì)性,要做到與自身發(fā)展水平相當(dāng)?shù)目諝馕廴局卫硪蟆耐獠凯h(huán)境對投入冗余量的影響來看,第二產(chǎn)業(yè)占總產(chǎn)值得比重值得加大注意,第二產(chǎn)業(yè)的占比越高,治理效率越差,因此要注重對產(chǎn)業(yè)結(jié)構(gòu)的改革,引導(dǎo)產(chǎn)業(yè)結(jié)構(gòu)升級,提高經(jīng)濟(jì)發(fā)展質(zhì)量,探索污染治理技術(shù)創(chuàng)新,改變過去粗放的經(jīng)濟(jì)發(fā)展方式。另一方面是各個城市還要考慮到內(nèi)部管理效率的差距,城市自身需注意提高自身治理效率,特別是加強(qiáng)與治理效率較高的城市進(jìn)行人才合計數(shù)交流,推動城市之間聯(lián)動治理,利用北京市發(fā)達(dá)的技術(shù)和優(yōu)秀的科技人才帶來更好的投入指標(biāo)利用率,構(gòu)建大氣污染區(qū)域協(xié)同治理,進(jìn)一步提高區(qū)域整體大氣污染治理效率和經(jīng)濟(jì)水平。