完整版中国环保投资废气治理效率差异及其影响因素研究基于29省市面板数据的分析毕业论文.docx

完整版中国环保投资废气治理效率差异及其影响因素研究基于29省市面板数据的分析毕业论文.docx

《完整版中国环保投资废气治理效率差异及其影响因素研究基于29省市面板数据的分析毕业论文.docx》由会员分享，可在线阅读，更多相关《完整版中国环保投资废气治理效率差异及其影响因素研究基于29省市面板数据的分析毕业论文.docx（42页珍藏版）》请在冰豆网上搜索。

完整版中国环保投资废气治理效率差异及其影响因素研究基于29省市面板数据的分析毕业论文

编号

224

全国大学生

统计建模竞赛

中国环保投资废气治理效率差异

及其影响因素研究

——基于29省市面板数据的分析

负责人：

吴淑丽

组员:

昌先宇谭竿荣

中南财经政法大学信息学院统计系

2009年9月28日

中国环保投资废气治理效率差异

及其影响因素研究

——基于29省市面板数据的分析

摘要

伴随着我国经济的快速增长，我国环境保护投资表现出总量不足与效率低下、结构不合理的双重困境。

本文在国内学者对环境治理问题的相关研究的基础上，从新的视角出发，以单位投资处理率测度环保投资废气治理效率，运用描述性统计分析及面板数据中的固定效应变系数模型和固定效应变截距模型，试图对中国各省的环保投资废气治理效率差异及其影响因素进行分析。

结果发现各省环保投资废气治理效率存在很大差异，环保投资效率与废气治理设施运行费成负相关关系；与经济发展水平的关系符合正U型曲线；与环保投资来源中自筹资金比例成正相关关系；与第二产业占GDP的比重成负相关；与排放滞后值成正相关关系。

依据得到的结论本文提出了针对性的建议。

本文的创新之处在于首次用面板数据对中国的环保投资废气治理效率进行实证分析。

关键词：

环保投资；废气治理；效率差异；面板数据

一、引言

改革开放以来，中国经济取得了巨大的成就，1978年中国GDP为3645亿元，仅占世界经济总量的1.8%，2008年中国GDP已超过了30万亿元，占世界经济总量的比重也上升到6.4%。

在经济高速增长的同时，中国的自然环境却持续恶化，数据显示，中国的废气排放量从80年代起逐年增加，1985～1990年期间为7～8万亿标立方米，从1990年起就达到10万亿标立方米，到2000年为13.8亿标立方米，再到2007年已达到38.8亿标立方米。

经济的增长和环境的恶化使人们越来越重视环境保护。

上世纪80年代初期，全国环保治理投资每年为25至30亿元，约占同期国内生产总值（GDP）的0.51%；到80年代末期，投资总额超过100亿元，占同期国内生产总值的0.60%左右；“九五”期末，投资总额达到1010.3亿元，占同期国内生产总值的1.02%，“十五”期末，投资总额达到2388亿元，占同期国内生产总值的1.30%。

根据“十一五”规划，2006年到2010年期间我国的环保投资总额将达到1.4万亿人民币，比“十五”期间增长64%，环保投入将占同期GDP的1.5%以上。

然而在环保投资持续增长的情形下，中国的环境保护投资污染物治理是否有效率的呢？

污染物的排放是否得到有效控制呢？

污染物的处理量是否有显著增多呢？

各省环保投资污染物治理是否有差异呢？

如果有差异，是什么因素导致了这些差异呢？

为解决这些问题，本文选取1999年到2007年的除西藏和青海以外的29个省市的面板数据进行实证分析。

本文结构如下，第一部分为引言，第二部分为文献综述，第三部分为基本描述分析，第四部分为对各省环保投资污染物治理效率差异及其影响因素进行分析，第五部分为结论和建议。

二、文献综述

环境保护是中华人民共和国的基本国策，环境问题一直以来受到许多学者的关注，这方面的文章可谓汗牛充栋，同时也得到很多很有意义的结果。

以下我们分别从环境库兹涅茨（EKC）假说和环保投资两方面的研究分别进行阐述。

1.EKC假说

1955年，美国经济学家西蒙·库兹涅茨（SimonKuznets）在研究财富分配问题时，首先提出了分析人均收入水平与分配公平程度之间关系的“倒U假说”。

1991年，格鲁斯曼（Grossman）等人首次将库兹涅茨曲线引入环境污染和经济增长关系的研究，并发现排放量和经济增长的关系符合库兹涅茨假说。

继Grossman之后，许多研究结果表明，在大多数环境质量指标与人均收入或经济增长之间存在着“倒U”型关系，只是不同国家、不同污染物“倒U”顶点出现的时机不同。

我国关于环境库兹涅茨曲线的研究起步虽然较晚，但学者们从不同的角度对EKC的变化做了分析，运用计量分析方法或分省面板模型及面板协整单位根来检验我国EKC的存在性及区域性。

许士春、何正霞（2007）以中国28个省市年的工业废气排放量、工业废水排放量和工业固体废气物产生量的面板数据对EKC的研究；宋涛，郑挺国，佟连军（2007）研究我国除重庆和西藏之外的29个省、市、自治区年间废气、废水和固体废弃物3种污染物排放量与收入之间的关系；李瑞娥，张海军（2008）利用1981—2004年的、工业粉尘的排放量和工业固体废弃物产生量等6个指标的面板数据研究。

李兰，张红利（2009）应用年间我国29个省、市、自治区的面板数据及简化模型，对我国废水排放总量、工业废气、工业固体物产生量与人均GDP与经济增长关系进行检验。

2.环保投资的研究

国外对环保投资规模、效率评价问题的研究，较为流行的是均匀污染法和投入产出数学归纳法。

均匀污染法认为环境容量也是资源，对环境容量利用不足或不利用及过度利用甚至损害环境容量均是资源配置的低效率或无效率。

只有当边际治理成本和环境污染的边际损害成本相等时对应的环境容量利用水平才有效率，这时污染物治理投资规模最优（Freeman，1973）。

和均匀污染法相比，将投入产出数学规划模型用于环境保护投资规模和投资结构的研究更接近实际。

基于每一部门的物质投入与残余物的排放都和产值成正比的假设，Victor（1972）和HiteandLaurent（1972）分别对加拿大和英国查尔顿地区发表了各自的经验模型。

此外，对于经济与环境协调发展和环保投资的研究，部分学者采用了其它的模型形式，例如系统动力学模型及线性规划模型。

另一方面，国内对环保投资的研究主要集中于环保投资总量与经济增长的关系、建立一套适合我国国情的投融资机制或涵盖于更加宏观的可持续发展指标体系建设中。

丁军、张超（2004）探讨了如何实现环境保护收费制的创新模式；龚晓凌、侯怀仁、邓晓颖（2006），杨俊峰、付永胜（2006），方楠、张江山（2007）等学者分别考察了废水污染、废气污染、固体废弃物污染等环境污染的评价方法，运用了指数法、污染损失率法及因子分析法等理论方法详细探讨了各类环境污染的评价方法，并进行了实证研究。

而杨俊峰、付永胜（2006）则从环境污染物资源化的视角分析了环境污染物的管理模式及其资源化途径，进而提出了治理环境污染的各种措施。

刘立秋、刘璐（2000）首次采用数据包络分析（DEA）对我国环境保护投资的有效性进行了分析，但其只评价了各个决策单元环境保护投资的相对效率问题。

目前国内外学者对于环境污染治理问题的研究，只是考察了环境污染评价、环境污染治理措施及治理效益等，而对于废气治理效率的研究基本上是一片空白。

因此，本文在对各省环保投资污染物治理效率差异及其影响因素进行分析时以单位投资处理率代表环保投资废气治理效率。

我们以废气治理费用来代表环保投资，并参考大多数文献用来代表废气，通过两个模型（以模型

和模型

表示），分别以处理率和单位投资处理率为被解释变量，解释各省环保投资废气治理效率差异及影响各省环保投资废气治理效率差异的因素。

三、各省的环保投资废气治理的统计描述

首先，定义两个变量：

处理率和单位投资处理率。

以处理率来表示各省环境治理状况，以单位投资处理率表示环保投资废气治理效率。

其计算公式分别为：

当处理率大于50%时，表示其处理量大于排放量，所以50%是一个区分处理量和排放量大小的临界值。

从1999~2007年处理率的时序图我们可以看出，从2001年到2002年，北京市的处理率发生了巨大的跳跃，从2001年的7.6%一跃上升为2002年的74.9%。

此后又持续保持增长，到2007年已经上升到88.2%。

海南、宁夏、新疆的情形与之类似。

然而与他们形成鲜明对比的是安徽和江西，安徽的处理率从1999年起一直保持在55%以上，但是到了2002年，却突然下降到了5.4%，随后的几年始终都没有超过10%，江西的处理率在1999年和2000年均超过60%，到2001年突然下降到3.9%，此后也是一直保持在不到20%的低水平。

这可能和江西和安徽处理的方法有关，即他们只是为了完成了国家规定的减排任务而暂时关闭排放量较大的企业来提高的处理率，但是这只是在一定程度上暂时的缓解了环境问题，同时也不是减排的根本方法。

所以在2002年以后，他们的处理率又下降到很低的水平了。

甘肃是全国唯一一个处理率一直超过55%的省份，云南的处理率也一直保持在较高水平，只是在1999年的处理率没超过50%，其余年份都超过50%。

天津市的处理率从2003年起就一直超过50%，上海的处理率也从2004年起开始一直超过50%。

浙江、湖北、湖南、四川、贵州这五个省份处理率都是只在2007年超过了50%。

处理率最低的省份是内蒙古，其处理率自2002年以后就没有超过1%。

从1999~2007年单位投资处理率的时序图我们可以看到，单位投资的处理率图形不如处理率图形明朗。

不过仍然可以看出，北京、天津、上海、浙江、福建、广东、海南、贵州、宁夏、新疆的单位投资处理率都是先升后降的，而河北的是先降后升的。

吉林、黑龙江、陕西三省的单位投资处理率随时间曲折上升，而辽宁、江苏、安徽、河南、湖北、湖南、广西、重庆、四川、云南、甘肃的都是曲折下降。

江西、山东的单位投资处理率都是在2001年呈直线下降，然后一直保持在最低水平。

还可以通过分析单位投资处理率的描述统计量（均值，中位数，最大值，最小值，标准差）来分析各省的环保投资废气治理效率。

从按各省1999～2007年的单位投资处理率的均值的降序顺序来看，海南省的单位投资处理率远远高于其他省份，这可能和海南省的经济发展主要是旅游业，第二产业发展相对落后有关，从而排放量比较小，处理起来比较容易，即使进行少量的废气治理投资，也能较大程度上提高治理效率。

江西由于受1999年与2000年极大值的影响，其均值也比较大。

单位投资处理率的均值比较小的省份有山东、江苏、河北、广东、内蒙古和福建。

为了分析各省处理率和单位投资处理率的增长趋势，笔者计算了处理率和单位投资处理率1999～2007年的平均增长率。

我们发现无论从处理率的年均增长率48.8%，还是从单位投资处理率的年均增长率40.6%，北京市都远远领先于其他省市，说明北京市这几年在积极改进环境治理。

处理率和单位投资处理率年均增长率比较高的省市有上海的28.2%和29.7%，黑龙江的28.2%和31.1%，吉林的10.0%和32.5%，新疆的23.1%和23.9%。

处理率和单位投资处理率年均增长率最低的省份为内蒙古的-30.3%和-45.1%。

还可以看出，单位投资处理率的年均增长率除北京、吉林、黑龙江、上海、浙江、海南、贵州、陕西、新疆外都为负，所以从单位投资平均增长率来说，中国大部分省市环境治理的效率都是呈下降趋势。

不过要精确计算单位投资处理率，应该以治理费用作分母，而本文选取的是废气治理费用作分母，所以从这个方面来说，各省市单位投资处理率还是低估的。

最后处理率和单位投资处理率年均增长率均为负的省份有内蒙古、辽宁、江苏、安徽、福建、江西、山东、广西、重庆。

以上对处理率和单位投资处理率的数据分析只是对数据做了一般的统计描述，以下运用面板数据分析对处理量和废气治理投资的关系进行计量研究，以进一步揭示其内在联系。

四、各省环保投资废气治理差异及其原因分析

（一）数据选择

由于西藏和青海的数据缺失值比较多，因此本文选取除西藏和青海的中国29个省市进行分析。

所选取的变量有处理量，处理率，废气治理投资，单位投资处理率，各地GDP，第二产业增加值占GDP比重，废气治理投资来源中自筹资金的比例，废气治理设施运行费。

其中某些省市数据作如下处理：

1.为消除价格因素的影响，同时由于废气治理投资主要涉及建筑安装工程投资、设备、工器具购置投资及其他费用投资等固定资产投资，对各省各年的废气治理费用和废气治理设施运行费用以1998年为基期的固定资产价格指数进行平减，但由于广东1999年、2000年的数据存在缺失，本文用工业品出厂价格指数进行替代。

2.海南1999年的工业品价格指数也存在缺失，所以用2000年和2001年海南的固定资产价格指数的简单算术平均来替代。

由于统计年鉴中的固定资产投资价格指数和工业品出厂价格指数是环比指数，所以先将其转化为定基指数后再进行平减。

3.对各地GDP用以1998为基期的GDP指数进行平减。

又由于废气治理投资自筹资金的比例只是到03年才有数据，所以在含该变量的模型

中所使用的数据也相应用03年到07年的数据。

本文中除废气治理设施运行费用的数据来自中国环境年鉴外，其余数据均来自各年中国统计年鉴。

（二）变量说明

1.处理率

用来表示，反映环境治理水平。

在模型

中，本文以它作为被解释变量。

2.废气治理投资

用表示废气治理费用。

在模型

中，以它作为解释变量。

其前的系数可以用来反映环保投资治理效率。

事实上本应选取治理费用来表示，但由于统计年鉴上没有每年各省治理费用的数据，因此用废气治理费用来代替，由于本文的模型在于解释各省废气治理效率的差异和成因分析，并不在于精确计算废气治理效率，所以用废气治理费用代替不会影响结论。

3.单位投资处理率

用表示，反映各省的环保投资效率。

在模型

中，以它作为被解释变量。

4.各地GDP

用gdp表示，反映各地经济发展水平，它作为模型

的一个解释变量。

大量文献已验证了GDP与污染物排放的关系符合环境库兹涅茨曲线，而环保投资废气治理效率与污染排放量的多少又有关系。

在污染物排放量比较少的阶段，环保投资废气治理效率随着排放量的增多得到改善，本文定义这一阶段称为第一阶段。

随着排放量的继续增大，由于规模递减效应，环保投资废气治理的效率又会下降，称该阶段为第二阶段。

但随着新技术的引进，环保投资废气治理效率又将会得到提升，称之为第三阶段。

所有本文认为GDP与单位投资处理率的关系为曲线关系。

5.排放量

用表示，反映各省的排放水平，在模型

中，以它滞后一期的值作为解释变量。

当上期排放量比较大时，可能会对本期的排放产生压力，因此为增大处理量，减少排放量，企业会改进技术，这可促使环保投资废气治理效率提高，所以笔者预计滞后值的估计系数为正。

6.第二产业增加值占GDP比重

用sed来表示，反映各省的产业结构。

在模型

中，以它做为解释变量之一。

如果产业结构比重的上升是由于技术的改进（包括环保技术的改进），则其有利于环保投资效率的改进，那其估计系数也因该为正，但如果产业结构比重的上升是粗放型经济增长的结果，则其估计系数就不一定为正了。

7.废气治理投资来源中自筹资金比例

用zcl表示。

在模型中，以它作为又一个解释变量。

一般说来，自筹资金比例越大，企业越有动力提高环保投资的效率，所以其估计系数应为正。

8.废气治理设施运行费

用yxf表示，反映治理废气的运行成本。

笔者认为这个变量可以反映废气治理设施的运行率，一般来说废气治理设施运行费越高，则废气治理设施的运行率越高，那么废气治理效率应该越高。

但实际情况也可能是企业购买的废气治理设施在技术上不过关，则废气治理效率并不会随着废气治理设施运行费的提高而提高。

所以对于其估计系数符号，事先还是不能预测的。

最后，为了消除可能产生的异方差的影响，本文分别对废气治理投资、单位投资处理率、排放量、第二产业增加值占GDP比重、废气治理设施运行费取对数；因为北京市2003年的废气治理投资来源中自筹资金的比例为0，取对数以后就成为缺失值，为避免产生缺失值，本文不对其取对数处理。

本文选用的处理软件是Eviews6.0。

（三）面板单位根检验

为了避免伪回归，首先对面板数据进行单位根检验，面板单位根检验方法有相同单位根情况下的单位根检验方法（LLC检验和Breitung检验）和不同单位根情况下的检验方法（IPS检验，Fisher-ADF检验和Fisher-PP检验）。

经检验，我们发现所有面板数据水平值都不是平稳的，但其一阶差分都是平稳的，符合面板建模的前提。

（四）面板协整关系检验

面板协整检验是将针对单个体的协整检验用于面板数据环境。

因为以上所

检验的变量都是一阶单整过程，为确定变量间是否存在长期联系，本文对其进行协整检验。

检验方法可以分为两大类，一类是建立在Engle-Granger二步法检验基础上的面板协整检验，具体方法主要有Pedroni检验和Kao检验；另一类是建立在Johansen协整检验基础上的面板协整检验。

Pedroni（1999）构造了7个检验面板变量协整关系的统计量，其中4个是用联合组内维度（within-dimension）描述，分别记为Panelν、Panelρ、PanelPP和PanelADF统计量，另外3个用组间维度（between-dimension）描述，分别记为Groupρ、GroupPP和GroupADF统计量。

Pedroni指出，每一个标准化的统计量都趋于正态分布，但在小样本条件下，PanelADF和GroupADF统计量较其他统计量有着更好的性质。

Kao（1999）基于各截面的回归残差也构造出了两种类型的协整检验统计量，即DF和ADF统计量，其中DF统计量又具体包括四个统计量：

DFρ、DFt、DFρ和DFt统计量。

上述协整统计量的原假设都不具有协整关系。

Maddala和Wu（1999）建立的Joansen面板协整检验是通过联合单个截面个体Johansen协整检验的结果获得对应于面板数据的检验统计量。

本文用Pedroni和Kao提出的方法检验对（处理率）与fqzltz（废气治理投资）的协整关系进行检验。

考虑到本文数据的小样本性质，在Pedroni检验中只使用PanelADF和GroupADF统计量。

从检验的结果我们发现我国29个省市的处理率与废气治理投资之间存在显著的协整关系，可以直接进行回归分析，不存在伪回归。

（五）各省环保投资废气治理差异分析的面板协整方程估计

用面板数据建立的模型通常分为两种，固定效应模型和随机效应模型。

当数据中所包含的个体成员是所研究总体的所有单位时，即个体成员单位之间的差异可以被看作回归系数的参数变动时，固定效应模型是一个合理的PanelData模型。

由于本文是利用所有省份的数据来考察处理量和废气治理投资的关系，截面单位是总体的所有单位，因此采用固定效应模型。

由于数据横截面单位较多而时期较少，因此主要考虑修正截面数据中可能存在的异方差问题，采用了截面加权估计法（Crosssectionweights）。

根据F检验知道不选择混合模型，由于本文的目的是要具体分析各省的废气治理效应，所以选择变系数固定效应模型。

又因为投资的滞后效应，所以本文以废气治理投资滞后二期的值为解释变量，之所以选择滞后二阶值是因为这个模型比当期值和滞后一期的拟合效果都要好。

变系数固定效应模型如下：

模型

（i=1,2,…29,t=1,2,…9）

注：

i表示29个省市；t表示年份，从1999年到2007年

其拟合结果如表1。

由表1可以看出模型

的拟合效果很好，调整后的可决系数为0.643，大多数省份的估计系数在1%的水平下都很显著。

可以看到各省废气治理投资边际系数差异很大，边际系数位居前十位的省市依次是海南，宁夏，新疆，云南，甘肃，贵州，上海，吉林，北京，天津。

其中海南省的边际系数远远高于其他城市，这与前面的描述分析是一致的。

福建、山东、陕西、内蒙古、重庆的边际系数都是负值（处理率随着废气治理投资的增加而下降）且在5%的显著性水平下显著，说明这些省市的环保投资废气治理效率比较差。

河北、江苏、广西、安徽、江西的系数也为负但在5%显著性水平下并不显著，可以认为它们的环保投资废气治理效率需要改善。

表1处理率与废气治理投资的回归结果

变量

系数

标准差

T值

显著性

常数项

0.230

0.016

14.650

0.000

北京

0.088

0.024

3.678

0.000

天津

0.077

0.017

4.474

0.000

河北

-0.006

0.008

-0.719

0.473

山西

0.005

0.004

1.330

0.185

内蒙古

-0.085

0.036

-2.323

0.021

辽宁

0.014

0.008

1.705

0.090

吉林

0.103

0.026

3.924

0.000

黑龙江

0.031

0.019

1.619

0.107

上海

0.111

0.037

3.027

0.003

江苏

-0.009

0.005

-1.674

0.096

浙江

0.043

0.007

6.178

0.000

安徽

-0.049

0.033

-1.480

0.141

福建

-0.011

0.004

-2.986

0.003

江西

-0.058

0.040

-1.462

0.146

山东

-0.016

0.004

-3.849

0.000

河南

0.020

0.009

2.132

0.035

湖北

0.051

0.014

3.639

0.000

湖南

0.027

0.012

2.202

0.029

广东

0.017

0.003

5.558

0.000

广西

-0.046

0.027

-1.716

0.088

海南

3.090

0.976

3.165

0.002

重庆

-0.104

0.034

-3.109

0.002

四川

0.030

0.006

5.458

0.000

贵州

0.114

0.026

4.457

0.000

云南

0.155

0.019

8.362

0.000

陕西

-0.056

0.022

-2.597

0.010

甘肃

0.137

0.023

6.076

0.000

宁夏

0.341

0.110

3.093

0.002

新疆

0.284

0.0454

6.290

0.000

AdjustedR-squared0.643

同时治理效率高的省市并不都是分布在东部沿海经济发达地区，如宁夏，云南，甘肃，新疆就属于西部地区，同样环境治理效率低的省市也不都分布中西部经济不发达地区，如山东，江苏，福建，河北就都属于东部经济发达地区。

可见环境治理效率的差异不仅与经济发展水平有关，还与其他因素有关。

下面试图对影响环保投资治理效率的因素进行分析。

（六）各省环保投资废气治理效率差异及其影响因素分析

对各变量进行相关系数分析后发现GDP，排放量，废气治理设施运行费，第二产业增加值占GDP比例之间的相关性都很高，且通过了1%的显著性水平。

考虑到多重共线性可能造成的影响，本文依次对废气治理设施运行费，排放量滞后值，GDP及GDP的二次项进行拟合，拟合模型分别为模型

-1，模型

-2，模型

-3，最后我们对所有变量进行拟合。

其拟合模型为模型

-4。

对各变量进行单位根检验后发现其一阶单位根都是平稳的，对各模型进行协整检验后发现都存在协整关系。

我们还是选择固定效应模型，为了分析各变量对单位投资的影响，选择变截距固定效应模型，并称这组模型为模型

。

模型

-1

模型

-2

模型

-3

模型

-4

（i=1,2,…29，t=1,2,…5）

模型

的拟合结果如表2所示

表2模型

拟合结果

模型

-1

模型

-2

模型

-3

模型

-4

常数项

-0.690

（0.790）

-13.736***

（2.569）