第1章 绪论
自改革开放以来，我国的经济发展取得了举世瞩目的成就。2020年，我国的国内生产总值（gross domestic product，GDP）迈上百万亿元的新台阶，我国成为新型冠状病毒肺炎疫情背景下全球唯一实现经济正增长的主要经济体，并实现了全国脱贫攻坚战的全面胜利。然而，在经济发展靓丽的成绩单下，我国的环境问题日益严峻，并成为制约人民生活水平提高的主要因素之一。2014年，我国基本告别经济高速增长期，开始进入经济发展的新常态，环境保护得到前所未有的重视，并在经济发展中占据越来越大的话语权。2017年，中国共产党第十九次全国代表大会报告中指出，“必须树立和践行绿水青山就是金山银山的理念，坚持节约资源和保护环境的基本国策”。2021年，《中华人民共和国国民经济和社会发展第十四个五年规划和2035年远景目标纲要》中明确指出，“实施可持续发展战略，完善生态文明领域统筹协调机制，构建生态文明体系，推动经济社会发展全面绿色转型” 。因此，正确把握生态环境保护和经济发展的关系，推进生态文明建设，不仅是推动高质量发展的内在要求，更是关系中华民族永续发展的根本大计。
面对我国统筹环境保护和经济发展的强烈需求，将环境要素纳入经济评价体系成为重要的突破口；而合理评价经济生产系统的环境效率已然成为践行我国经济高质量发展理念的必要前提。科学的环境效率评价能够发现经济生产系统现有资源的欠缺与浪费，有效指引资源的优化整合，并帮助决策者合理调整生产结构，淘汰落后产能，促进产业升级转型，从而实现经济发展与环境保护的协同共进。而无效的环境效率评价结果不但无法提供有价值的决策参考，反而可能导致大量的资源错配，继续激化经济与环境之间的矛盾，引起国家经济的发展失衡和生态的严重破坏。因此，如何科学合理地评价环境效率直接影响国家可持续发展政策方针的制定与落实，也关系着经济、环境和社会之间的相互均衡，具有重要的研究价值和现实意义。
数据包络分析（data envelopment analysis，DEA）方法是用于评价一组具有多投入、多产出的同类DMU相对效率的方法，其基本思想*早可追溯到1957年Farrell对生产率的研究。Charnes等（1978）参考Farrell所提的生产率概念，提出了第一个DEA模型，正式奠定了DEA方法的理论基础。DEA作为一种非参数方法，无须决策者事先假设生产函数关系，也无须预先估计参数变量，其通过DMU投入/产出的客观数据来进行评价，在很大程度上避免了决策者主观因素的影响，从而得到较为科学合理的评价结果。正是因为DEA的这些显著优点，使其自提出以来深受国内外学者的青睐，并被越来越广泛地应用在如环境效率评价问题（朴胜任，2020）、银行运营效率评价问题（Kwon and Lee，2015）、资源优化配置问题（Hakim et al.，2016）等诸多领域之中，并通过不断的研究与探索，逐步成为一种综合数学、经济学、管理科学等多门学科特点的系统性理论。
传统DEA方法通过DMU的投入产出数据来测算其相对效率，而此处的投入和产出均为决策者的期望要素，即期望投入越少和期望产出越多均对DMU的总体目标有益。换句话说，DMU消耗了期望投入以生产满足其需求的期望产出。例如，C公司是一家火力发电厂，其投入了大量人力、资本和矿石资源，用于生产电力，其中的人力、资本和矿石资源均为期望投入，而电力则为期望产出。事实上，期望要素描述了决策者在没有任何约束的情况下内心预期的生产活动中的物质转化；而现实中往往存在许多不为决策者自身所把控的要素，即非期望要素。非期望要素包含了非期望投入和非期望产出。以C公司为例，作为一家火力发电厂，其在发电的过程中存在大量的废气排放，直接影响了当地的空气质量。而在绿色发展深受重视的今天，大量的废气排放将引起政府干预，从而影响C公司的利益，此时，作为生产活动的副产品，废气排放量即为决策者希望越少越好的非期望产出。相对而言，非期望投入则是决策者希望越多越好的投入。假设D公司为一家工业废水处理站，从决策者的角度来说，在处理能力许可的前提下，工业废水的投入量越多越好，则其是D公司的非期望投入。事实上，非期望产出广泛存在于各种生产过程中，其囊括了各种浪费、污染及决策者不希望发生的种种情况。这些非期望产出是伴随着期望产出的生产而出现的，且常常无法被决策者的主观意愿所消除。而非期望投入则更多是服务于外部环境的特殊需求而出现的投入。
在大多数的情况下，非期望产出的影响远远大于非期望投入，特别是对于环境效率评价问题，考虑非期望产出正是其与传统效率评价问题之间*大的不同。因此，本书研究的非期望要素以非期望产出为主。当DEA引入非期望要素之后，传统DEA理论中的产出*大化原则/投入*小化原则就失去了其原有的应用价值。因此，如何将非期望要素科学合理地推广到传统的DEA方法体系中已经成为国内外研究环境效率DEA评价方法的学者亟须解决的关键问题。然而，当前多数的DEA研究还集中在传统的仅考虑期望要素的阶段，在对非期望要素方面的研究并不深入。而在实际生产过程中，非期望要素恰是对DMU环境效率的一种不可避免的重要影响因素。
E-DEA方法是以环境效率评价为应用背景，以考虑非期望要素为主要特征的DEA方法。当前该理论方法还不够成熟完善，许多学者仍旧在探寻将非期望要素嵌入DEA理论的有效途径，并试图通过对现有E-DEA理论的修正改良使其能够更好地应用推广。从国外的研究现状来看，当前关于E-DEA理论的研究主要集中在非期望产出本质特性及如何使其适应传统DEA理论方法的使用规则上；从国内的研究现状来看，关于E-DEA方法的研究更侧重于实证应用。事实上，E-DEA方法仍旧存在传统DEA方法的局限性，即“黑箱”评价视角、评价视角单一、无法实现DMU全排序、应用范围狭隘等问题，而在如何解决这些问题方面，相关的研究却不多见。同时，随着决策者对决策信息的要求越来越高，合理地考虑非期望要素的影响、科学地评价DMU效率、以多样的视角来制订决策方案变得越来越重要。鉴于此趋势，本书旨在基于系统而客观的视角来考虑非期望要素对效率评价问题的影响，并以此推进现有E-DEA及DEA理论方法的发展和完善。
具体来说，本书以E-DEA方法为研究对象，以环境效率评价等现实问题为应用背景，在对当前国内外的研究现状进行梳理总结的基础上，按照以下的逻辑思路展开研究。
首先，将非期望要素的概念引入传统DEA理论与方法中，分析并明确非期望要素多种可处置性基本假设之间的相互关系，并提出一种更全面的非期望要素可处置性假设。随后，根据决策者不同的需求，分别构建共同前沿E-DEA模型、拥塞测量E-DEA模型和逆E-DEA模型，以此实现E-DEA方法在分析技术差异、测量拥塞效应、优化资源配置和设置合理目标方面的功能拓展。针对E-DEA方法在排序方面的不足，分别基于交叉评价与统一评价两种相辅相成的视角来构建E-DEA模型，以此提高该方法对有效DMU的甄别力及其评价结果的公信力。在此基础上，尝试打开评价过程中的系统结构“黑箱”，渐进地研究具有两阶段网络结构和时空复杂性网络结构的E-DEA方法，为决策者挖掘系统内部的无效源提供强有力的理论工具。
本书的技术路线如图1-1所示。
综上所述，本书的研究具有以下重要的理论与现实意义。
1）理论意义
国内外针对E-DEA理论方法的研究主要停留在实证应用上，而对非期望要素在生产过程中表现出的不同技术特性并未给予足够的重视。同时，在实际的应用中，现有的E-DEA理论与方法也存在传统DEA理论所具有的局限性。
一是将DMU当成“黑箱”进行评价，忽略了其内部结构的复杂性。实际生产过程中面临的问题往往较为复杂，若通过仅考虑*初投入和*终产出的“黑箱”视角来评价DMU的效率，则很难发现潜藏在系统内部的真正无效源。
二是容易夸大被评DMU的自身优势，掩盖其存在的不足，从而造成评价效率虚高的问题。现有的E-DEA方法允许DMU依据自身的喜好来赋予投入/产出在效率评价过程中的权重，这就导致了评价标准的不统一。正是这种不统一，容易使得个别DMU的效率评价结果过高，出现部分有效DMU的真实效率未必优于某些无效DMU的怪异现象。
三是只能区分DMU是否有效，却无法对有效DMU进行优劣排序。现有E-DEA方法的效率评价结果容易出现多个效率为1的有效DMU，却无法对它们做进一步的甄别分析，使得决策者难以做出准确的判断，严重影响了该方法的有效性与实用性。
四是效率评价是DEA方法的核心功能，但其实际的应用范围不仅限于此。单纯地聚焦在效率评价上，不利于DEA方法的全面推广应用。
因此，本书对E-DEA方法进行的深入研究，不仅可以明确非期望要素在生产过程中的多样化技术特性，克服现有E-DEA方法存在的不足，还能够从DEA方法的内涵和外延上进一步完善E-DEA方法的理论体系，从而推进DEA理论与方法整体的发展。
2）现实意义
非期望要素在环境效率评价过程中占据着重要的地位，但目前许多效率评价方法很难全面地考虑非期望要素在实际生产过程中产生的影响。事实上，非期望要素无处不在，如工业生产过程中的废水排放、机场运营过程中的碳排放等都是在实际中无法避免的非期望产出。本书以E-DEA方法为研究对象，以我国工业、交通运输业等行业的环境效率评价为应用背景，依照一定的逻辑思路展开研究，具有以下现实意义。
从方法层面上看，本书提出的E-DEA方法能够为具有非期望要素的效率评价问题构建出一个更客观、更有效、更全面的参照标准，进而帮助决策者科学地制订整体决策方案，合理地完善自身决策机制，缓和对期望产出的需求与对非期望产出的厌恶之间的矛盾，减少与消除非期望产出，为*终做出正确决策提供明确的方向指引和强有力的理论支持。
从应用层面上看，本书综合研究我国现实中存在的环境效率评价问题，明确期望要素与非期望要素在环境效率评价过程中的相互关系，并揭示其背后的潜在发展规律，为我国经济的高质量发展提供科学有效的决策工具。同时，本书的研究还能给其他类似的决策问题带来新的评价视角和分析思路，具有广泛而重大的应用价值。
第2章 DEA与E-DEA方法
作为DEA理论的一个重要分支，E-DEA方法*大的特征在于其考虑了非期望产出，并以此打破了传统DEA的产出*大化原则。为了更好地论述DEA与E-DEA之间的关系，了解E-DEA方法当前的研究情况，本章首先对DEA方法研究现状做一个系统性的梳理，然后针对E-DEA中非期望要素的处理和E-DEA方法的应用研究两个子主题，对近年来国内外的相关研究成果进行全面的阐述。通过总结前人的智慧来支持本书的研究，并突显本书的研究价值。
2.1 DEA理论与方法
2.1.1 DEA的基本概念
DEA是一种基于投入/产出数据来评价一组同类DMU相对效率的非参数方法。其理论方法中涉及的基本概念如下。
1）投入/产出
一般而言，DEA中的“投入”可以定义为一个生产过程中消耗掉的资源；而“产出”则为这些资源对应生产出的产品。例如，对高校科研绩效进行评价时，其投入可以是科研人员数、研究经费、科研设备仪器等；产出可以是出版著作、学术论文、专利等。同时，DEA方法中的投入和产出都满足量纲无关性，即DMU的效率值与投入/产出的量纲无关（Cook et al.，2000）。
2）DMU
DMU是DEA方法的评价对象，其可以定义为在生产过程中将投入转化为产出的承载体。在实际中，各种类型的企业、机构、系统，乃至个人，只要具有消费投入和生产产出此类行为的组织都可以作为DMU。同时，DEA方法要求所有DMU皆为相同类型，即有相同的目标、外部环境和投入/产出指标等（盛昭瀚等，
展开
