下面是小编为大家整理的中国重点污染行业环境绩效评价——以电力行业为例,供大家参考。
中国重点污染行业环境绩效评价—— 以电力行业为例
抽象 本文采用超高效 MinDS 模型，分析了以电力行业为代表的重点污染行业的环境绩效、时空特征和优化路径。研究表明，环境绩效作为一个整体呈现出倒 U 形和 U 形趋势的特征;每个区域呈现出趋同发展的不对称状态，其次是差异化发展，以 2014 年为结构变化点;各区域环境绩效发展趋势分为三类（上升、下降和稳定）和四类空间聚类（超高、高、中、低）;中国和各地区环境绩效的投入产出指标具有不同程度的冗余，其中劳动力投入冗余最大，其次是资本投入、技术投入和污染排放。在此基础上，我们提出，根据当地情况，优化各地区劳动力、资金、技术投入要素的组合，采取差异化战略，完善重点污染行业污染治理过程监测检查机制，提高重点污染行业环境绩效水平。本文的主要贡献有三个：一是将技术投入纳入电力行业环境绩效评价指标体系，能更好地反映电力行业的实际投入，更准确地衡量结果;其次，我们采用 MinDS 模型来衡量环境绩效水平，可以定量分析每个指标与最优水平之间的差距;第三，我们提出了一个冗余指数，可以用来比较每个指标的冗余，然后判断不同因素的主要效率水平。
关键字：
重点污染行业; 电力行业; 环境绩效; 优化路径; 超高效 MinDS 模型 1. 引言 当前，我国经济正处于从稳定增长向高质量发展的过渡阶段，经济与环境的协调发展是高质量发展的必然要求。但是，我国碳排放问题依然严重，环境问题严重制约了我国经济的高质量发展。据有关统计，电力、交通、建筑、工业等能耗较大的行业是我国碳排放的主要来源，其碳排放总量超过全国碳排放总量的 74%[1，2，3，4]。2016 年，国家发改委、国家能源局联合发布《能源生产和消费革命战略（2016-2030 年）》，提出积极控制碳排放，实施供给侧能源。在 2020 年的联合国大会上，中国向国际社会郑重承诺，中国将把中国公司总部设在联合国大会上。
2 排放量将在 2030 年达到峰值，并将努力到 2060 年实现碳中和[5，6，7]。事实上，在能源部门的碳排放结构中，电力行业的碳排放占主导地位[8，9，10]。根据国际能源署（IEA）发布的最新数据，全球能源相关 CO 2 2018 年排放量达到 331 亿吨的历史新高，比上一年增长 1.70%，是自 2013 年以来的最高增长率。其中，全球一氧化碳 2 电力部门的排放量达到 130 亿吨，占能源相关 CO 总量的 38% 2 排放。中国是世界上最大的电力生产国，也是增幅最大的国家，占世界总发电量的 26.70%。根据《电力发展“十三五”规划（2016-2020 年）》提供的数据，我国燃煤机组碳排放量高达 890 克/千瓦时，而美国和日本的碳排放量分别为 433 克/千瓦时和 544 克/千瓦时。由此可见，我国电力脱碳仍有一定空间，在碳减排控制方面是“领跑者”[11 ，12，13，14]。电力行业虽然积极致力于新能源开发，但仍以煤炭为主要原料，高污染、高排放;因此，电力行业在减少碳排放方面面临着最艰巨的任务和最大的责任，因此在实现双碳目标方面发挥着重要作用。因此，本文以电力行业为例;构建环境绩效评价指标体系;评估中国重点污染行业的环境绩效水平;探索中国中央直辖市环境绩效等级的时空特征;并进一步定量分析了当前环境绩效水平与最优水平的差距，并在此基础上提出了提高我国重点污染行业环境绩效水平的路径。本文的研究为提高我国重点污染行业环境效益水平，促进我国经济可持续发展和深度绿色发展提供了重要的理论价值和实践指导。
2. 文献综述 环境绩效，也称为环境效率或生态效率，由 Schaltegger 和 Sturm 于 1990 年首次引入[15]。环境绩效被定义为“一个经济体的附加值与其环境影响的比率”;1998 年，经济合作与发展组织（经合组织）扩大了环境绩效的含义。经合组织将环境绩效视为满足人类需求的生态资源的效率，以及一种投入产出关系。产出是指经济活动提供的商品和服务的价值，投入是指经济活动消耗的资源和由此产生的环境负荷。这是最常用的定义。
近年来，随着公众对环境的关注日益增加和政府政策的陆续出台，人们越来越关注企业生产活动对环境的影响。许多学者已经开始关注重污染行业的环境治理[16，17，18]。主要使用两个想法来进行这类研究。一是选择电力、水泥、钢铁等代表性行业进行研究，二是选择污染最严重的电力行业作为研究的代表。环境绩效的衡量标准也主要表现为生产活动对环境的影响。这两种研究方法相对相似，但第二种更常见。因此，在本文中，我们仅回顾了有关电力行业环境绩效的文献。
纵观以往关于电力行业环境绩效指标选择的文献，很难找到指标相同的研究。根据生态效率的定义，彭先生选择火电行业二氧化硫排放[19]、氮氧化物排放和烟尘排放作为投入指标，以区域生产总值作为产出指标。测算了 2006-2009 年间中国电力行业环保表现的动态趋势。研究得出的结论是，我国电力行业整体和各地区环境绩效均有明显改善，但各省之间的改善程度差异较大，电力行业环保绩效改善幅度最大的是中国北方地区。大多数学者选择就业人数、发电设备容量和燃料消耗作为投入指标，发电作为期望的产出指标，环境污染排放作为非期望的产出指标来衡量环境绩效[20 ，21，22，23，24]].研究表明，我国电力行业的生态效益、技术效益、能效均有明显提高，地域差异较大;Qu 等人（2012）和 Zhu（2015）将工厂用电量作为输入指标添加到这些指标中，以衡量电力的技术输入水平[25，26]。研究表明，电力行业生态效益存在较大空间和产业差异，火电企业生产效率高于水电企业。Wang 和 Zhu[27]和 Wang 等人[28]在输入指标中增加了设备利用率小时数。研究表明，东部地区电力行业能源与环境发展的协调程度高于中西部地区;范元[29]将输电线路长度作为电网环节的输入指标，提高清洁能源发电比例作为电网环节的预期输出指标。研究表明，我国电力行业的经济技术效益明显高于环境和社会技术效益。一般来说，对于输入指标，大多数文献都考虑资产投入，劳动力投入和燃料消耗投入;对于输出指标，大多数文献将发电作为期望输出，将污染排放作为非期望输出。
对于环境性能的测量方法，研究人员主要使用生命周期分析（LCA），随机前沿分析（SFA）和数据包络分析（DEA）方法。LCA 方法主要关注特定产品，衡量产品在其整个生命周期中的环境效率，这使得评估企业或行业的环境效率变得困难。SFA方法是一种参数化方法，需要在设置特定生产功能并使用统计方法估计参数时确定效率，这可能会导致较大的误差。Fare 和Lovell[30]首先提出了基于 DEA 的环境效率评估方法。DEA 是一种非参数方法，可以克服参数化方法主观设置函数和权重所引起的缺点和误差，因为它不利用任何函数形式的假设[31 ，32，33，34]。此外，它可以有效地评估多输入多输出决策单元的效率;因此，DEA 是目前使用最广泛的环境效率评价方法[35，36，37，38，39，40]。对于电力行业环境绩效的研究，很少有专门针对电力行业环境绩效的文献;大多数文献都纳入了环境约束，并对电力行业的生产效率，运营效率和技术效率进行了研究。Korhonen 和 Luptacik [41]使用扩展的 DEA 模型评估了欧洲国家 24 家发电厂的生态效率。Bai 和 Song[42]和 Sueyoshi 等人[43]使用了三阶段 DEA 模型。研究表明，我国电力行业的生态效益、技术效益、能源效率均有明显提高，存在较大区域差异。Arabi等人[44]和 Munisamy 和 Arabi[45]同样使用 SBM 模型来衡量生态和环境约束下电力工业的 Malmquist-Luenberger 生产率。Wang 和 Yang[46]使用 NSBM 模型研究了中国电力行业的环境技术效率和全要素生产率。Halkos 和 Polemis [47]使用窗口 DEA模型估计了美国发电行业的效率。
以往关于电力行业环境绩效指标体系构建与测量的研究，为我们提供了许多见解，但也存在一定的问题。一是环境绩效指标的选择没有统一的标准。对于投入指标，历任学者考虑了三个方面：资产投入、劳动投入、油耗投入;此外，电力行业还有大量的技术投入，如电厂消耗率、线损率、输电线路长度[48、49、50、51、52]。虽然一些学者考虑了这些指标，但它们相当片面，并不包括发电，输电和配电的所有方面。因此，我们增加了电厂消耗率、线损率、输电线路长度等三个技术输入指标，采用熵法、客观加权下调这三个指标，全面反映电力行业的技术投入。其次，关于电力行业环境绩效的测量方法，历任学者主要采用传统的 DEA 模型、超高效 DEA 模型、三级 DEA 模型、SBM 模型、NSBM 模型来衡量电力行业的环境性能，但都有一定的缺陷;即低效决策单元在前沿面上的投影点始终是距离被评估 DMU 最远的点，导致低效 DMU 的改进路径更难实现。此外，以前的学者没有量化低效 DMU 的输入冗余或输出不足;因此，在根目录 [53 ，54 ，55 ，56，57] 处找不到影响低效 DMU 的输入和输出指标。此外，距离强效边疆（MinDS）模型利用距边疆面的最短距离来评价 DMU 的效率值，使环境绩效从低效到高效走最短的路径，使所提改进计划更容易实现，也更有利于政策建议的制定。基于上述考虑，我们打算在电力行业环境绩效的传统指标体系中增加技术输入指标，选择超高效 MinDS 模型来评估和分析中国电力行业的环境绩效，以及时空差异，探索低效省份电力行业环境绩效的改善路径。
3. 指标的方法描述和选择
方法描述
超高效 MinDS 模型结合了超高效模型和最小距离到强效率前沿（MinDS）模型。Andersen 和 Petersen [58]于 1993 年首次提出了超效率模型，该模型产生了大于 1 的实际 DMU 效率值;因此，该模型可以进一步区分有效 DMU 的效率。然后，处理截断数据的 Tobit 回归模型也不需要分析影响效率的因素。超效率模型的核心思想是从参考集中移除被评估的 DMU，并通过引用由其他 DMU 组成的边界来推导出被评估 DMU 的效率值。Aparicio [59]于 2007 年首次提出了 MinDS 模型，这是对前沿最远距离模型（SBM）的改进，并使用距边界表面的最短距离来评估 DMU 的效率值。MinDS 模型使用距前沿平面的最短距离来评估 DMU 的效率值。该模型应用混合整数线性规划方法，方法是添加约束以将所有评估的 DMU 限制在同一超平面上，然后通过SBM 模型确定所有有效 DMU，并以有效子集作为其参考集求解规划模型[60 ，61，62，63]。与传统的 DEA 模型和 SBM 模型相比，MinDS 模型具有以下优点：（1）它解决了传统 DEA 模型中未考虑的变量松弛问题;（2）克服了 SBM 模型的目标函数使效率值最小化的问题。基于上述理论，我们分两步建立超高效 MinDS 模型。
第一步是建立超效率 SBM 模型并确定有效的 DMU 集，它由效率等级大于 1 的 DMU 组成;那是 E={j∣∣ρ ′j ≥1} 哪里ρ ′ 表示所评估的 DMU 的效率值，并且 j 表示第一个 DMU。求解有效 DMU 集的目标函数和约束如下：
Minρ ′ =1− 1m ∑ i=1m s −我 /x ik 1+ 1q ∑ r=1q s +r /y rk
(1) s.吨。
∑ j=1，j≠kn x ij λ j +s 我− =x ik ，i=1，2，⋯，m
（1a）
∑ j=1，j≠kn y rj λ j −s r+ =y rk ，r=1，2，⋯，q
（1b）
∑ j=1，j≠kn λ j =1，j=1，2，⋯，n（j≠k)
（1c）
在上面的等式中，（1）表示目标函数，（1a）–（1c）表示约束。
s −i 和 s +r 分别表示输入指标和输出指标的松弛变量; x ij表示第 k 个 DMU 的第 i 个输入指示器; y rk 表示第 k 个 DMU 的第 r 个输出指示器; m 表示输入指标的数量; q 表示输出指标的数量; x ij 表示第 j 个 DMU 的第 i 个输入指示器，而不是 k ; y rj 表示第 j 个 DMU 的第 r 个输出指示器，而不是 k ;和 λ j是权重向量。什么时候 ρ ′ ≥1 ，则评估的 DMU 相对有效。什么时候 ρ ′ ≤1 ，评估的 DMU 相对无效，因此需要改进输入输出指标。
第二步是在有效 DMU 集的约束下建立混合整数线性规划模型，计算超效率思维值，求解超效率思维值模型的目标函数和约束，如下所示：
maxρ= 1m ∑ i=1m (1−s −i /x ik ) 1q ∑ r=1q (1+s +r /y rk )
(2) s.t. ∑ j∈E,j≠k x ij λ j +s −i =x ik , i=1,2,…,m
（2a）
∑ j∈E,j≠k y rj λ j −s +r =y rk , r=1,2,…,q
（2b）
s −i ⩾0, i=1,2,…,m
（2c）
s +r ⩾0, r=1,2,…,q
（2 天）
λ j ⩾0,j∈E,j≠k
（2e）
−∑ i=1m v i x ij +∑ r=1q μ r y rj +d j =0,j∈E,j≠k
（2 楼）
v i ≥1,i=1,2,⋯,m
（2 克）
μ r ≥1,r=1,2,⋯,q
（2 小时）
d j ≤Mb j ,j∈E,j≠k
（2i）
λ j ≤M(1−b j ),j∈E,j≠k
（2j）
b j ∈{0,1},j∈E,j≠k
（2 千米赛）
d j ≥0，j∈E，j≠k
（2 升）
从等式（2）可以看出，心智模型由目标函数（1）、约束 b、约束 c 和约束 d 三部分组成。在上面的等式中，含义 s −我s +r , x ik , y rk , m , q , x ij , y rj , 我 , j , k , r , n 和 λ 与上面提到的相同。
M 是一个足够大的正数，并且 v 我 和 μ r 分别表示输入索引和输出索引的权重。从上面的方程中可以看出，如果被评估的 DMU 想要达到最优效率，必要和充分条件是所有松弛变量均为 0。方程 （2a）
和 （2b）
与方程式 （1a）
和 （1b）
具有相同的含义，只是它们仅限于有效的 DMU 集。约束 c 和 d 的共
同目标是确保参考柱位于同一超平面中。方程（2f）是一个混合整数线性约束。可行的解决方案是所有参考基准所在的超平面。它可以使编程模型自动将有效子集作为其参考集，避免测试所有子集的过程。方程 （2i）–（2l）
是约束。
3.2. 指数系统的构建
我们综合考虑 ISO14031 环境绩效评价体系和 WBCSD 生态效益指标体系来选择投入产出指标，指标体系的选择遵循科学性、有效性、可衡量性、可比性和系统化的原则。由于电力行业主要分为三个部门——发电部门、输电部门和配电销售部门——因此，在指标的选择中应尽可能包括每个部门，以便全面反映整个电力行业的环...
推荐访问:中国重点污染行业环境绩效评价——以电力行业为例 为例 中国 电力行业