杨冕 晏兴红 李强谊

摘要 长期以来，工业化进程的持续深入是我国环境污染问题日益严峻的重要动因，而提高工业污染治理效率是有效控制污染排放，进而打赢污染防治攻坚战的必然选择。基于2000—2017年我国29个省级行政单元工业污染治理方面的投入产出数据，运用基于超越对数生产函数的SFA模型测度了各地区工业污染治理效率;在此基础上，运用空间计量模型考察环境规制对工业污染治理效率的影响，并深入探究环境治理的空间溢出效应。研究表明：①2000—2017年我国各地区工业污染治理效率呈逐年上升态势，全国工业污染治理效率平均值从2000年的0.165提高到2017年的0.309，但总体水平仍较低，并呈现出自西向东不断增强的空间格局。②在工业污染治理过程中，财力投入和物力投入的增加有利于改善工业污染治理效率，而人力投入增加的效果不明显。③全局 Moran's I指数均显著为正，表明我国工业污染治理效率存在较强的空间相关性和空间集聚特征，具体体现为东部地区高-高集聚及西部地区低-低集聚，且存在较为稳定的路径依赖特征。④环境规制对本地区工业污染治理效率改善具有正向促进作用，对其他周边地区也同样具有正向溢出效应，这体现出污染治理的策略互动性和协同性。据此，从优化环境污染治理投资结构、建立要素市场流动机制以及强化国有企业环境责任意识等方面提出相关政策建议，以期为提升我国工业污染治理效率、推动地区联合治理污染提供政策依据。

关键词 工业污染治理效率;环境规制;随机前沿分析;空间溢出效应

中图分类号 F205

文献标识码 A 文章编号 1002-2104（2020）09-0054-08 DOI：10.12062/cpre.20200308

近年来，日益严重的环境污染问题已成为制约我国经济社会可持续发展的重要因素[1]。环境污染给我国每年所造成的经济损失约占當年GDP总量的8%～15%[2-3];与此同时，由环境污染所引发的健康风险和损失也成为社会各界关注的焦点[4-7]。工业污染是我国当前环境污染的主要来源[8]，因此，加大对工业污染的治理力度、提高工业污染治理效率是打赢污染防治攻坚战的重要途径。21世纪以来，我国政府出台了一系列严格的政策法规来加强工业污染治理力度。在此背景下，工业废水和废气治理设施总数由2000年的7.9万套增加到2015年的37.4万套，增长了4.7倍。但由于长期沿用高物耗、高能耗和高污染的粗放型经济发展模式，我国的工业污染治理效果与理论预期之间还存在着较大的差距[9]。由此产生如下几个问题：我国工业污染治理效率究竟如何？不同地区的工业污染治理效率是否存在着较为显著的差异？我国环境规制对工业污染治理效率的改善存在着何种程度的促进作用？针对这些问题的探讨对科学评估我国工业污染治理成效、厘清工业污染治理的外在约束乃至改善我国工业污染治理效率水平具有重要的理论与现实意义。

1 文献综述

当前，国内外学者对污染治理效率的研究主要围绕污染治理效率测度及其影响因素两个主题来展开。首先，在污染治理效率测度方面，向书坚和吴淑丽[10]采用DEA方法，测度了1998—2009年我国除西藏和青海以外的大陆地区29个省市区工业废气治理技术效率，结果发现污染物治理效率大小依次是西部、中部和东部。解学梅等[9]选取了制造业废水达标率、废气处理率、固体废物利用率的平均值来衡量环境治理效率，并分析了制造业产值和环境治理效率之间的关系。相比污染治理效率，当前研究更多关注的是环境效率，通常基于劳动力、资本和能源为投入要素，环境污染物为非期望产出，GDP为期望产出，通过DEA模型进行测度。如Song等[11]构建出射线SBM（Ray Slack-based Model，RSBM）模型，对我国2004—2012年省级环境效率进行了评价。此外，Wu等[12]、Sueyoshi和Goto [13]在DEA框架下评价了我国和日本工业、制造业行业的环境效率。不过，也有学者从环境规制效率视角出发，对污染治理效率进行分析，例如程钰等[14]基于超效率DEA模型测度了我国大陆30个省市区的环境规制效率，发现各省市区环境规制效率呈“东高西低”的分布格局。Tang等[15]基于SBM模型分析了2003—2013年我国各省市区的环境规制效率，并借助DEA-Malmquist生产率指数进一步将其分解为技术进步指数、纯技术效率指数和规模效率指数。

其次，关于污染治理效率影响因素的探讨，已有研究发现经济发展水平、研发投入、技术创新等因素有利于促进污染治理效率水平的改善，而二产比重、煤炭能耗占比等因素则抑制了污染治理效率水平的提升。王鹏和谢丽文[16]研究发现，相比污染治理投资，企业技术创新对污染治理效率的促进作用更强。此外，环境补贴、公众参与、财政分权、国企占比等因素也对污染治理效率产生重大影响，如石光等[17]认为补贴政策可以有效激励电力行业企业投运脱硫设施，从而提高城市二氧化硫去除率;蓝庆新和陈超凡[18]研究发现财政分权和晋升锦标赛引致的制度软化对大气污染治理效率具有负向冲击，而公众认同对其具有正向影响;Wang和Yuan[19]认为国企占比高对节能减排具有显著的抑制作用。

通过对相关文献的梳理发现，现有研究仍存在以下不足：①大多聚焦于以劳动力、资本、能源等作为要素投入，经济水平和污染物排放作为期望产出和非期望产出的研究框架，而将污染物去除量作为合意产出，人力、物力、财力等作为要素投入的研究视角的探讨并不多见。其次，前者侧重的是环境效率，而后者更多强调的是环境治理效率。②鲜有文献从环境规制视角探讨区域或行业污染治理效率的影响因素，从空间溢出视角探究环境规制对工业污染治理效率影响的文献则更为少见。由于环境污染具有很强的空间外溢性，污染企业也具有较强的区域流动性，忽略空间因素会导致实证结果存在偏差。

鉴于此，从以下两个方面对已有研究做进一步拓展。首先，在充分考虑各地区资源禀赋、经济结构和随机因素等影响背景下，构建基于超越对数生产函数的SFA模型，以污染物去除量作为合意产出，人力、物力、财力等作为要素投入，测度出2000—2017年我国各地区工业污染治理效率，并且对其做出直观比较和深入分析。随后，从空间互动视角探索我国各地区工业污染治理效率的空间关联性与空间集聚特征，并构建空间计量模型探究环境规制对工业污染治理效率的影响，充分考虑了环境治理的空间溢出效应。

2 模型、变量与数据

2.1 SFA模型

随机前沿分析法（Stochastic Frontier Analysis，SFA）是前沿分析中参数方法的典型代表，其最大优点是考虑了随机因素对产出的影响，使估计结果能更为真实地反映实际状况，其基本表达式如下：

进一步，为避免估计产生的异方差，对式（1）两边取对数，得到如下对数形式的随机前沿分析模型：

因为超越对数生产函数是一种变弹性生产函数形式，能够较好地研究投入要素之间的相互影响，本文基于该函数的具体模型如公式（4）所示：

其中，i表示各个省市，t表示年份;Fit、Mit、Lit分别表示省市i在t年的工业废水、废气治理设施实际运行总费用，工业废水、废气治理设施总数，环保系统年末总人数;Yit为省市i在t年的工业SO2、工业烟（粉）尘、工业废水中COD综合去除量;其他符号和上述模型中的一致。

2.2 空间相关性检验

根据空间计量经济学的原理，在建立空间计量模型进行实证分析之前，需要检验研究对象是否存在显著的空间相关性，常用的检验方法有全局空间自相关和局部空间自相关。其中，全局空间自相关是从总体上检验研究对象的空间分布集聚情况，可通过计算全局Moran's I指数来实现，计算过程如下：

其中，N为空间单元的个数;yi和yj分别为空间单元i和空间单元j的观测值，即各省份工业污染治理效率值（TE）;Wij代表二进制的空间权重矩阵，采用邻接标准定义，即若地区i和地区j空间相邻，记为1，若地区i和地区j空间不相邻，记为0，且认为地区i和地区i是不相邻的。设定海南与广东、广西相邻。

局部空间自相关则是用于探究某个地区与其周围地区的空间相关性，一般可通过Moran指数散点图来分析，其横轴为研究对象，纵轴为研究对象的空间滞后值，共分为4个象限，第一象限为高-高集聚区，第三象限为低-低集聚区，第二、四象限分别为低-高集聚区和高-低集聚区。

2.3 空间计量模型

常用的空间计量模型包括空间滞后模型（Spatial Lag Model，SLM）、空间误差模型（Spatial Error Model，SEM）和空间杜宾模型（Spatial Durbin Model，SDM）三种，其中，空间滞后模型（SLM）是在传统计量模型的基础上加入被解释变量的空间滞后项，主要探究某地区的被解釋变量受邻近地区被解释变量的影响;空间误差模型（SEM）是加入误差项的空间相关性，主要反映邻近地区的随机扰动项对本地区的被解释变量的影响;空间杜宾模型（SDM）将解释变量、被解释变量及误差项的空间滞后算子都纳入模型中，统筹考虑了解释变量、被解释变量及误差项的空间效应，并且空间杜宾模型的溢出效应可分解为直接效应和间接效应。其中，直接效应表示各自变量对本地区因变量的平均影响程度;间接效应表示各自变量对其他地区因变量的平均影响程度。上述3种模型的表达式分别如下：

其中，yit为因变量，表示被解释变量在第i个单元t时期值，即各省份工业污染治理效率值（TE）;xit为自变量，表示解释变量在第i个单元t时期的值;Wij为空间权重矩阵;ρ为空间自回归系数;β为解释变量的系数值，反映了自变量xit对因变量yit的影响;μit表示空间固定效应;λit表示时间固定效应;εit为随机误差项向量;Wijψit表示第i个单元t时期的空间自相关误差项;Wijxit是空间滞后自变量算子，γ为空间滞后自变量的系数。

2.4 变量选取和数据说明

（1）被解释变量的选取。为了测度我国各地区工业污染治理效率，选取的投入变量包括各地区在污染治理过程中的财力、物力和人力投入，产出变量则为工业污染物的综合去除量，具体如下：①财力投入（Fit）。采用“工业废水、废气治理设施实际运行总费用”度量，单位为万元。②物力投入（Mit）。 采用“工业废水、废气治理设施总数”度量，单位为套。③人力投入（Lit）。 采用“环保系统年末人数”度量，单位为人。（4）污染物综合去除量（Yit）。 采用“工业SO2、工业烟（粉）尘及工业废水中的COD的综合去除量”度量，因各省份的资源禀赋、经济结构有所差异及SFA方法无法直接处理多产出效率问题，借助污染物的排放强度倒数和熵权法对污染物去除量数据进行校正和处理，先用上述污染物的排放强度倒数乘以其去除量绝对数值进行数据校正，再运用熵权法得到上述污染物综合去除量数据以直观比较各地区工业污染治理成效。为消除量纲的影响，对上述财力、物力、人力投入变量都进行标准化处理。

（2）核心解释变量的选取。为了探究环境规制对工业污染治理效率的影响，基于上述投入产出数据测度的2000—2017年我国省际工业污染治理效率值为被解释变量。环境规制（eps）是核心解释变量，对于该变量的选取，目前国内外学者常用的指代变量有污染治理投资额或污染治理投资额占GDP比重[20]、工业污染治理投资完成额[21-23]、工业污染治理投资完成额占工业总产值[24]等。旨在探讨环境规制对工业污染治理效率的影响，主要考虑的是工业方面的治理投资成本，故鉴于指标的相对关联性和完善性及数据的可获得性，采用“工业污染治理投资完成额”来度量环境规制强度，包括治理工业废水、废气、固体废弃物等污染物的投资额，以反映政府在工业污染治理上付出的努力和成本，其大小表示实际环境规制的强度。一般认为实际工业污染治理投资完成额越大，越有利于发挥政府环境规制的作用，能够有更充足的环保资金以投入更多的污染治理设备及技术，进而有利于改善工业污染治理效率。

（3）其他控制变量的选取。为了使模型估计结果更具真实性和合理性，控制变量：以经济发展水平（rgdp），用地区人均实际GDP表示;产业结构（cy），用地区第三产业总产值占地区GDP比重表示;对外开放度（fdi），用地区外商直接投资额占地区GDP比重表示;城镇化率（cs），用地区城镇人口占地区总人口比重表示;所有制结构（syz），用国有及国有控股工业企业总产值占规模以上工业总产值的比重表示;技术投入（jstr），用地区R&D投入占地区GDP比重表示。为消除异方差的影响，对上述被解释变量、核心解释变量和控制变量都进行了取对数处理。上述所选指标的描述性统计具体如表1所示。

（4）变量的数据来源与说明。因为香港、澳门、台湾、西藏和青海等地区的数据缺失较严重，所以将研究区域限定为除以上地区以外的我国29个省级行政单元，考察的时间跨度为2000—2017年。由于工业废水、工业废气治理设施数和工业废水、工业废气治理设施运行费用及环保系统人员数，统计部门对于这些数据的公布截止至2015年，故后续年份的工业污染治理效率值根据移动加权平均法计算而得。核心解释变量和控制变量的原始数据均来源于《中国统计年鉴》《中国环境年鉴》《中国环境统计年鉴》。其中，“工业废水、废气治理设施实际运行总费用”“实际工业污染治理投资完成额”“人均实际GDP”数据是以2000年为基期，分别采用“工业生产者出厂价格指数”和“GDP平减指数”逐年平减得之;工业SO2、工业烟（粉）尘、工业废水中COD去除量数据分别是用其产出量与排放量之差表示;外商直接投资占GDP比重是用当年平均汇率水平进行换算后得到的FDI数据除以当年名义GDP得之。

3 实证结果与分析

3.1 工业污染治理效率的测度结果与分析

运用SFA模型对我国29个省级行政单元的工业污染治理效率进行了测度，研究结果表明财力投入（工业废水、废气治理设施实际运行总费用）和物力投入（工业废水、废气治理设施总数）对我国工业污染治理效率的影响均显著为正，两者交互项对工业污染治理效率的影响也显著为正;人力投入（环保系统年末人数）对工业污染治理效率的影响为负，但不显著。这说明在现阶段，我国改善工业污染治理效率主要依靠除污设施的投入，并有相应费用保证其正常运行。

结果表示，我国29个省级行政单元的工业污染治理效率值呈逐年上升的态势，全国工业污染治理效率平均值从2000年的0.165提高到2017年的0.309，环境治理能力逐年提升，但总体水平仍较低。可能原因是：一方面，随着资源环境问题的日益严峻，我国政府越来越重视经济与环境的协调发展，积极构建资源节约型、环境友好型社会，积极转变经济增长模式，促进绿色发展，促使各工业企业不断优化绿色生产技术和污染治理技术，从而改善了工业污染治理效率。另一方面，由于现阶段我国经济增长并没有完全实现由粗放式发展转向绿色集约型发展，在污染治理过程中存在污染治理技术水平有限、社会公众环保参与度低等问题，故当前我国的工业污染治理效率还处于相对较低的水平，需要进一步提高环保投入资金利用率。

从省际差异来看，考察期内，各省市的工业污染治理效率差异较大，其中工业污染治理效率最高的5个省市依次是上海、北京、浙江、江苏和广东，其工业污染治理效率平均值分别为0.949、0.514、0.510、0.497和0.485，最低的5个省市依次是宁夏、山西、新疆、甘肃和陕西，其工业污染治理效率平均值分别为0.042、0.059、0.060、0.073和0.083。可以看到，工業污染治理效率最高的5个省份均位于经济发展水平较高的东部地区，如上海市，其经济发展水平高，第三产业占比常年高达近70%，金融业、服务业发展水平高，为工业污染治理提供了充足的资金和技术支持。工业污染治理效率最低的5个省份大都位于经济欠发达的中西部地区，如宁夏和山西省，其煤炭资源丰富，高耗能高污染的重工业占比高，且经济欠发达，没有足够的环保资金和环保技术支持，导致其工业污染治理效率水平较低。

从区域差异来看，在样本考察期内，我国东、中、西部地区的工业污染治理效率差异明显，东部地区最高，中部地区次之，西部地区最低，呈现“东-中-西”依次递减态势，这和大多数学者的研究结果一致。其中，东部地区工业污染治理效率平均值为0.414，中部地区为0.139，西部地区只有0.104，且在工业污染治理效率平均值排名前10的省市中，东部地区省市占有9个，而西部地区省市工业污染治理效率平均值排名普遍靠后。可能的原因如下：其一，东部地区经济发展、管理和技术水平均更高，吸引和利用外资能力更强，能够充分发挥资源优化配置的作用，而西部地区经济发展水平有限，污染治理投入相对不足，技术水平也相对更低，从而不利于污染治理效率水平的改善。其二，东部地区产业结构更趋于合理和优化，大力发展高新技术产业和服务业，淘汰高耗能高污染产业，而西部地区仍以粗放型增长方式为主，高污染高耗能产业居多。其三，东部地区随着经济发展水平的提高人们的环保意识和环保诉求也不断增强，从而促进工业企业不断改善工业污染治理效率。

3.2 空间相关性分析

根据表2可知，我国工业污染治理效率的全局 Moran's I指数值都显著大于0，且逐年递增，说明考察期内我国工业污染治理效率的空间分布格局表现出显著的正相关性特征，即工业污染治理效率较高的地区其相邻地区工业污染治理效率也较高，工业污染治理效率较低的地区其相邻地区也可能工业污染治理效率较低，且工业污染治理效率的集聚程度不断增强。Moran指数散点图（如图1和图2所示）的结果也显示各省市工业污染治理效率呈现H-H集聚和L-L集聚特征，其中，北京、天津、上海、江苏、浙江、福建、山东位于H-H集聚区，主要为东部省份，山西、湖北、湖南、重庆、四川、贵州、云南、陕西、甘肃、宁夏和新疆等位于L-L集聚区，主要为中西部省份，说明东部地区因经济发展水平较高及其沿海地理位置优势表现出高-高集聚现象，而中西部地区因经济发展水平相对落后、资源利用效率更低表现出低-低集聚特征，这与我国工业污染治理效率值的全局Moran's I指数值都显著大于0的结果一致。对比2000年和2017年空间集聚情况，可以发现具有相似空间相关性的省市分别占比75.9%和82.8%，高集聚区和低集聚区集聚情况比较稳定，具有较强的路径依赖性。可能原因是：环境污染存在很强的空间外溢性，一个地区排放的环境污染物容易蔓延扩散到邻近地区，产生负向溢出效应，且造成环境治理的责任界定模糊，从而在环境污染治理过程中存在“搭便车”现象，无法充分调动各方主体治理污染的积极性。正是由于环境污染的负外部性使得属地污染治理模式失效，越来越多的地方政府寻求协同治理，政策协同、技术协同使得污染治理存在策略互动性，故各地区工业污染治理效率水平存在显著的空间正相关特征，经济发展水平较高、产业结构优化的地区工业污染治理效率水平较高，因政策、技术、人才、目标、区域协同，其邻近地区工业污染治理效率水平也较高，而经济发展水平低、经济发展方式粗放的地区工业污染治理效率水平较低，其邻近地区工业污染治理效率也偏低。

3.3 环境规制对工业污染治理效率影响的实证结果

经检验，传统面板数据的无固定效应、空间固定效应、时间固定效应和双固定效应模型的LMlag、R-LMlag、LMerror、R-LMerror均显著大于0，表明SLM模型和SEM模型均优于无空间效应的传统计量模型;空间滞后（Spatial Lag）和空间误差（Spatial Error）的Wald和LR检验统计量也均显著大于0，说明SDM模型不能被简化为SLM和SEM模型。所以选择SDM模型进行回归估计，其估计结果如表3所示。根据表3的估计结果可知：①环境规制（eps）的估计系数、直接效应、间接效应分别为0.055、0.062、0.104，且均在1%的显著性水平显著，说明环境规制不仅对我国本地区工业污染治理效率的改善有积极的促進作用，还对周边地区的工业污染治理效率产生正向空间溢出效应。污染治理投资完成额的增加意味着工业企业能够有更充足的资金用于购买污染治理设备，改进污染治理技术，加强污染治理相关事宜的管理和监督以保证政府的环保投入资金得到充分利用，而由于环境治理的策略互动性和政策、技术、人力协同，使得对周边地区的工业污染治理效率产生正向空间溢出效应。②产业结构（cy）、经济发展水平（rgdp）、和技术投入（jstr）的估计系数、直接效应均显著为正，说明产业结构的优化、经济发展水平的提高和技术的投入显著促进了本地区工业污染治理效率的提高，经济发展水平（rgdp）的间接效应不显著为正，可能是污染转移等因素导致。③外商直接投资（fdi）的估计系数为正，但其直接效应、间接效应系数都为负，说明现阶段外商直接投资对我国工业污染治理效率的提升起到抑制作用，且对周边地区的工业污染治理效率产生负向空间溢出效应，可能原因是现阶段我国还存在外商直接投资结构不合理问题。④城镇化率（cs）的估计系数、间接效应均显著为负，而直接效应不显著为负，说明现阶段城镇化率对本地区的工业污染治理效率的提升呈不明显的负向作用，而对周边地区的工业污染治理效率产生负向空间溢出效应，可能原因是大量农村人口向城市集聚带来了城市交通拥挤、城市垃圾、城市废水废气排放等一系列环境问题。⑤所有制结构（syz）的估计系数、直接效应、间接效应显著为正，说明在Wx_eps表示环境规制的空间滞后项，限于篇幅，其他控制变量的空间滞后项省略。现阶段企业的所有制结构对我国工业污染治理效率呈促进作用，现阶段国有企业发挥了其在政策资源上的优势和模范带头作用。此外，为了保证SDM模型估计结果的稳健性，通过调整环境规制变量的选取及空间权重矩阵的构建来进行稳健性检验，研究结果依然稳健。

4 结论与建议

基于2000—2017年我国29个省级行政单元政府工业污染治理投入和产出数据，构建基于超越对数生产函数的SFA模型测度我国省际工业污染治理效率;并在此基础上，用空间相关性方法验证了我国工业污染治理效率的空间集聚特征;进一步，采用空间计量模型探究了环境规制对我国工业污染治理效率的影响。结果表明：考察期内我国省际工业污染治理效率逐年上升，并呈“东-中-西”依次递减分布格局，各地区工业污染治理效率存在显著的空间正相关性、空间集聚特征和较为稳定的路径依赖性，具体表现为东部地区高-高集聚、西部地区低-低集聚。而环境规制不仅对我国本地区工业污染治理效率的改善有积极的促进作用，还对周边地区的工业污染治理效率产生正向空间溢出效应，体现了污染治理的策略互动性和政策、技术、人力的协同性。鉴于上述结论，提出以下建议。

（1）优化环境污染治理投资结构，综合运用多种手段加强环境规制。根据实证结果，我国存在环保人员投入效果不佳的问题，需要优化环境污染治理投资结构，实现资源的优化配置，强化环保人员环境责任意识，并充分发挥市场有效机制，借助环保法制的约束，综合运用多种手段加强环境规制。

（2）强化国有企业环境责任意识，优化产业结构，推动污染治理技术进步。进一步充分发挥国有企业在政策资源上的优势和模范带头作用，并重点调整中西部地区的产业结构，加大环保研发投入。

（3）优化利用外资结构，不断改善城市环境问题。在引进外资过程中，应进一步严格限制高污染、高耗能企业外资项目和外资企业的进入，注重引进低能耗、高附加值的外商投资项目。而在城市化进程中则应着重解决生活垃圾等问题，充分发挥城市资源集约优势。

（4）建立要素市场流动机制，促进区域间的交流与学习。我国工业污染治理效率总体水平还较低，地区差异明显，存在较强空间依赖性和异质性。因此，需要构建一个合理有效的机制，积极引导各地区工业污染治理资源在地区之间充分流动。需要鼓励东部发达地区将资金、技术、人才等要素向中西部地区转移扩散，建立绿色生产和污染治理技术长期有效的共享平台，实现东中西部地区的协调发展。

（编辑：李 琪）

参考文献

[1]范子英， 赵仁杰. 法治强化能够促进污染治理吗？——来自环保法庭设立的证据[J]. 经济研究， 2019， 54（3）： 21-37.

[2]韩超， 胡浩然. 清洁生产标准规制如何动态影响全要素生产率——剔除其他政策干扰的准自然实验分析[J]. 中国工业经济， 2015（5）： 70-82.

[3]童健， 刘伟， 薛景. 环境规制、要素投入结构与工业行业转型升级[J]. 经济研究， 2016， 51（7）： 43-57.

[4]GEHRSITZ M. The effect of low emission zones on air pollution and infant health[J]. Journal of environmental economics and management， 2017，83：121-144.

[5]CHEN Z， WANG J N， MA G X， et al. China tackles the health effects of air pollution[J]. The lancet， 2013， 382： 1959-1960.

[6]王敏， 黄滢. 中国的环境污染与经济增长[J]. 经济学（季刊）， 2015， 14（2）： 557-578.

[7]史贝贝， 冯晨， 张妍， 等. 环境规制红利的边际递增效应[J]. 中国工业经济， 2017（12）： 40-58.

[8]金春雨， 吴安兵. 工业经济结构、经济增长对环境污染的非线性影响[J]. 中国人口·资源与环境， 2017， 27（10）： 64-73.

[9]解学梅， 霍佳阁， 臧志彭. 环境治理效率与制造业产值的计量经济分析[J]. 中国人口·资源与环境， 2015， 25（2）： 39-46.

[10]向書坚， 吴淑丽. 中国工业废气治理技术效率及其影响因素分析[J]. 数量经济技术经济研究， 2012（8）：79-91.

[11]SONG M， PENG J， WANG J， et al. Environmental efficiency and economic growth of China： a ray slack-based model analysis[J]. European journal of operational research， 2018， 269： 51-63.

[12]WU J， LI M， ZHU Q， et al. Energy and environmental efficiency measurement of China's industrial sectors： a DEA model with non-homogeneous inputs and outputs[J]. Energy economics， 2019， 78： 468-480.

[13]SUEVOSHI T， GOTO M. Environmental assessment for corporate sustainability by resource utilization and technology innovation： DEA radial measurement on Japanese industrial sectors[J]. Energy economics， 2014， 46： 295-307.

[14]程钰， 徐成龙， 任建兰. 中国环境规制效率时空演化及其影响因素分析[J]. 华东经济管理， 2015， 29 （9）： 79-84.

[15]TANG D， TANG J， XIAO Z， et al. Environmental regulation efficiency and total factor productivity： effect analysis based on Chinese data from 2003 to 2013[J]. Ecological indicators， 2017， 73： 312-318.

[16]王鹏， 谢丽文. 污染治理投资、企业技术创新与工业污染治理效率[J]. 中国人口·资源与环境， 2014， 24（9）： 51-58.

[17]石光， 周黎安， 郑世林，等. 环境补贴与污染治理——基于电力行业的实证研究[J]. 经济学（季刊）， 2016， 15（4）： 1439-1462.

[18]蓝庆新， 陈超凡. 制度软化、公众认同对大气工业污染治理效率的影响[J]. 中国人口·资源与环境， 2015， 25（9）： 145-152.

[19]WANG Q， YUAN B. Air pollution control intensity and ecological total-factor energy efficiency： the moderating effect of ownership structure [J]. Journal of cleaner production， 2018， 186：373-387.

[20]何爱平， 安梦天. 地方政府竞争、环境规制与绿色发展效率[J]. 中国人口·资源与环境， 2019，29（3）： 21-30.

[21]宋马林， 王舒鸿. 环境规制、技术进步与经济增长[J]. 经济研究， 2013， 48（3）： 122-134.

[22]郭妍， 张立光. 环境规制对工业企业R&D投入影响的实证研究[J]. 中国人口·资源与环境， 2014， 24（S3）： 104-107.

[23]李斌， 曹万林. 环境规制对我国循环经济绩效的影响研究——基于生态创新的视角[J]. 中国软科学， 2017（6）： 140-154.

[24]龚健健， 沈可挺. 中国高耗能产业及其环境污染的区域分布——基于省际动态面板数据的分析[J]. 数量经济技术经济研究， 2011， 28（2）： 20-36，51.