CN115936950A - 一种基于资源环境承载和污染排放多维度的生态效率评估方法 - Google Patents

Abstract

本发明涉及一种基于资源环境承载和污染排放多维度的生态效率评估方法，包括：步骤一、数据收集：收集生态效率评估指标数据和影响生态效率变化的影响因子数据；步骤二、数据前处理；步骤三、构建考虑非期望产出的超效率SBM模型；步骤四、生态效率差异性分析；步骤五，生态效率影响因子解析。本发明方法基于资源环境承载和污染排放维度，丰富了生态效率的内涵，构建了考虑生态足迹和环境污染指数的评估指标体系，以期更加接近实际的投入产出过程，从而提高生态效率估算结果的准确性。并在此基础上，进一步分析城市群尺度区域生态效率的差异性，辨识其主要影响因子，为推进区域生态可持续发展提供可靠依据。

Description

一种基于资源环境承载和污染排放多维度的生态效率评估方法

技术领域

本发明属于生态效率评估方法技术领域，特别涉及一种基于资源环境承载和污染排放多维度的生态效率评估方法。

背景技术

促进社会、经济与环境三者的协调发展是当前可持续发展的核心。然而，在快速发展的背后，资源趋紧、土地退化等环境问题层出不穷。如何解决经济、社会和资源之间的协调发展问题成为研究人员关注的热点。生态效率作为评估可持续发展的重要工具已得到学者的广泛认可。科学的评估生态效率并辨识其主要驱动因素对区域生态环境保护和可持续发展具有重要意义。

生态效率的评估需要构建合理的指标体系和评估模型。指标构建方面，目前主要涵盖资源要素投入、期望产出以及非期望产出三个方面。资源要素投入涉及资本存量、劳动力、水资源、土地等指标，地区生产总值主要作为期望产出，也有部分学者将工业废水、废气以及二氧化碳等作为非期望污染产出。评估模型方面，数据包络分析(DEA)在生态效率的计算得到广泛应用。由于传统的DEA模型存在缺陷，有学者提出SBM模型，将松弛变量考虑到目标函数中。之后，Super-SBM模型的提出，解决了以往当多个决策单元处于有效前沿(即效率值＝1)时，无法进一步比较的问题，同时可考虑非期望产出。如今，该方法已广泛应用到多个领域。总体上，现有生态效率的评估指标，除资本与劳动力投入外，多考虑单个的水、土地、能源等资源消耗作为投入，忽略了人类对资源环境的整体消耗以及生产消费资源可能带来的不良环境污染。随着生态环境以及可持续发展问题越来越受到关注，生态效率评估应将生产消耗过程中产生的环境污染考虑到投入产出中，并引入更为综合的资源消耗指标，有助于掌握当前人类对生态环境的利用状况，从而根据实际对区域生态管理制定合理的措施。

目前对生态效率的研究，主要关注时空变化和影响因素分析。时空变化方面，研究多关注于时间序列变化和空间分布，而较少关注到区域内部的差异性即差异的来源分解。分析影响因素时，以往的研究多侧重于单个影响因子的驱动作用辨识。但在整个生态-社会-经济系统中，生态效率并不仅受单个因子的影响，而是受到多个因子的共同作用。因此，需要进一步探究多因子的交互作用对生态效率的空间变化产生的影响。

发明内容

为了克服现有技术的问题，本发明基于资源环境承载和污染排放维度，提出了一种基于资源环境承载和污染排放多维度的生态效率评估方法，丰富了生态效率评估指标体系的内容，将生态足迹作为投入指标之一以体现对自然资源环境的整体消耗，并构建环境污染指数以反映对环境造成的不良影响，有助于更全面的评估生态资源的利用效率，为地区生态建设和管理提供参考。进一步分析区域内部生态效率的差异性并辨识影响因子的交互作用，有助于理解因子交互作用对生态效率的驱动机制，为相关部门制定合理的城市生态环境保护政策提供可靠依据。

本发明的目的是这样实现的：

一种基于资源环境承载和污染排放多维度的生态效率评估方法，包括以下步骤：

步骤一，数据收集：

收集生态效率评估指标数据和影响生态效率变化的影响因子数据；

所述生态效率评估指标数据包括：资本存量、全社会就业人数、区域生产总值、污染排放数据、资源消费和能源消费数据；所述影响生态效率变化的影响因子数据包括：人口密度、绿地面积、产业结构、土地利用、技术创新、基础设施建设、城市绿化、城镇化、污水处理能力和环境规制。

步骤二，数据前处理：

利用步骤一收集得到的生态效率评估指标数据，对投入产出指标和影响因子相应指标进行测算，并对各影响因子进行分级；

所述投入产出指标分为投入指标和产出指标，投入指标包括生态足迹、全社会就业人数和资本存量，其中生态足迹通过收集的各类型资源数据以及电力能源消费等数据计算得到；产出指标分为期望产出和非期望产出，期望产出选择区域生产总值，非期望产出为由污染排放数据得到的环境污染指数；

影响因子中的人口密度、绿地面积、产业结构、技术创新、基础设施建设、城市绿化、城镇化、污水处理能力和环境规制，为数值型影响因子、采用标准差分级法进行分级；土地利用根据类型进行划分。

步骤三，构建考虑非期望产出的超效率SBM模型：

假设城市群生态效率评价系统下设α个决策单元DMU，且每个决策单元均有β个投入产出向量，即生态投入、资本投入、人力投入、期望产出和非期望产出，所述考虑非期望产出的超效率SBM模型为：

s.t.

式中：ρ*为关于决策单元

的目标函数；F为投入要素的个数；

为期望产出的个数；

为非期望产出的个数；s为第s个投入；r₁为第r₁个期望产出；r₂为第r₂个非期望产出；v为动态模型个数；α_so为第o个决策单元的投入要素；

为第o个决策单元的期望产出要素；

为第o个决策单元的非期望产出要素；

分别为投入、期望产出和非期望产出的松弛变量；λ_γ为权重向量；α_γ、

分别为决策单元的投入要素向量、期望产出向量和非期望产出向量。

步骤四，生态效率差异性分析：

运用Dagum基尼系数方法和重心迁移模型分析生态效率的区域差异性。

步骤五，生态效率影响因子解析：

根据步骤二获得的影响因子分级结果，基于地理探测器分析影响因子的空间异质性对生态效率空间分布的影响：运用地理探测器模块的因子探测及交互作用探测，辨识影响生态效率的主要因子及交互因子对。

进一步的，步骤一中，人口密度指常住人口与地区总面积比值；绿地面积指城市绿地总面积与人口总数的比值；产业结构指第三产业GDP占总GDP的比率；土地利用指土地利用类型；技术创新是每亿人拥有有效专利数；基础设施建设是城市道路面积与人口总数的比值；城市绿化指建成区绿化覆盖率；城镇化是综合夜间灯光指数；污水处理能力是城市污水处理率；环境规制是二氧化硫去除率。

进一步的，所述综合夜间灯光指数的计算公式如下：

L_g＝B_g×w₁+S_g×w₂

式中，L_g指综合夜间灯光指数；B_g指平均灯光强度；S_g指灯光面积；w₁和w₂为权重；DN_u指区域内第u等级的灰度值；pix_u指区域内第u灰度等级的像元总数；total指区域内灯光像元总数；Area_NT指区域内所有灯光像元的总面积；Area指区域总面积。

进一步的，步骤二中，所述生态足迹的测算方法为：

首先，建立资源消费以及能源消费账户，其中涵盖不同土地类型；

其次，通过均衡化处理将不同类型的土地面积转化为具有相同生产力的生物生产面积，得到生态足迹数据，计算公式如下：

式中：EF为总生态足迹；N为总人口数；ef为人均生态足迹；i为消费项目的类别，j为土地类型；A_i为第i类消费项目折算的人均生物生产性土地面积；r_j为第i类商品对应的j类土地类型的均衡因子；Q_i为第i种生物资源的消费量；P_i为第i种生物资源的世界平均产量。

进一步的，步骤二中，地级市的资本存量基于永续盘存计算，公式为：

K_b,t＝K_b,t-1(1-δ_b,t)+I_b,t

式中：δ_b,t为折旧率；K_b,t为第t年b城市的物质资本存量；K_b,t-1为第t-1年b城市的物质资本存量；I_b,t为第t年b城市的固定资产形成总额。

进一步的，步骤二中，所述环境污染指数以工业废水排放量、烟/尘排放量和废气排放量三个污染排放数据为初始指标，基于熵权法测算各排放指标的权重加权得到，计算过程为：

步骤1，建立评价指标矩阵：

X＝(x_cd)_m×n

式中：X是所有原始指标构成的矩阵；x_cd是原始指标数据；c指所选指标的城市，c＝1,2,……,m；d指所选指标的类别，d＝1,2,……,n；

步骤2，对指标矩阵进行标准化数据处理：

式中：x'_cd是标准化后的指标数据；x_mincd是指c城市第d项指标的最小值；x_maxcd是指c城市第d项指标的最大值；

步骤3，计算信息熵：

式中：p_cd是c城市第d项指标数据所占比例；e_d是d项指标的熵值；

步骤4，定义指标权重：

式中：w_d为d项指标的权重；

步骤5，计算环境污染指数：

式中：EPI为环境污染指数结果，EPI∈(0,1)。

进一步的，步骤二中，数值型影响因子的分级方法采用标准差分级法，是先以数据集的平均值作为第一划分值划分出上下两部分，然后以平均值加或减一个标准差值作为第二、第三划分值，并根据需要逐级加或减一个标准差得到更多的划分值；设数据的平均值为

方差为σ，则分级如下：

式中：σ为某一影响因子的方差；sum为某一影响因子的总个数；O_z为影响因子数值；

为影响因子的平均值。

进一步的，步骤四中，所述Dagum基尼系数方法具体为：

Dagum基尼系数用于分析城市群生态效率的总体差异及区域差异，城市群生态效率的总体基尼系数G分解为组内差异、组间差异和超变密度，即G＝G_w+G_nb+G_t，计算公式如下：

式中：G指总体基尼系数；a、h指分组个数；o、p指分组内城市个数；C指分组总数；U指城市总数；n_a(n_h)指第a(h)子群内的城市个数；y_ao(y_hp)指第a(h)子群内的城市o(p)的生态效率，

指生态效率的算数平均值；G_aa指区域a的基尼系数；G_w指组内差距对基尼系数的贡献；G_nb指组间差异净值对基尼系数的贡献；G_t指组间超变密度对基尼系数的贡献；p_a(p_h)指a(h)区域城市数与总城市群城市数的比值；

指a(h)区域城市生态效率均值与总城市群生态效率均值的比值；D_ah指区域a和区域h之间生态效率的互动影响。

进一步的，步骤四中，所述重心迁移模型的计算公式如下：

式中：M为城市圈内所含城市的总数量；

为城市

的生态效率，

为城市

的几何中心坐标；

为某研究区生态效率的空间分布重心坐标。

进一步的，步骤五中，所述因子探测为：

式中：H＝1,2...,R为因变量Va或者因子factor的分层，即分类或分区；ω_H和ω分别为层H和全区的单元数；

和ω²分别是层H和全区的因变量Va的方差；q的值域为[0,1]；

所述交互作用探测为：根据计算出的各因子对生态效率的q(factor1)和q(factor2)值，计算两个因子交互形成的q值：q(factor1∩factor2)，并比较q(factor1)、q(factor2)和q(factor1∩factor2)之间的大小关系，判断因子的交互作用类型。

本发明相比现有技术的优点和有益效果是：

本发明所述生态效率评估方法，基于资源环境承载和污染排放多维度，将生态足迹作为投入指标之一以体现人类对自然资源环境的整体消耗，环境污染指数作为非期望产出指标以反映对环境造成的不良后果，丰富了生态效率评估体系的内容。进一步分析区域生态效率的差异，辨识影响生态效率空间分布的主要因子和交互因子对，可为区域制定生态保护政策、促进地区可持续发展提供可靠依据。

附图说明

图1为本发明所述生态效率评估方法的流程示意图；

图2为本发明实例提供的研究区生态效率时间变化图；

图3为本发明实例提供的研究区生态效率基尼系数结果图；

图4为本发明实例提供的研究区生态效率基尼系数分解结果图；

图5为本发明实例提供的研究区生态效率重心迁移结果图；

图6为本发明实例提供的影响因子单因子探测结果图。

具体实施方式

为了使本领域的技术人员更好地理解本方法，下面结合附图和实施例对本发明技术方案说明。

实施例：

本发明的实施例，选取某研究区内13个地级市2010-2020年的数据，如图1所示，提供了一种基于资源环境承载和污染排放多维度的生态效率评估方法，以说明所提出模型的实际适用性和有效性，具体如下：

步骤一，数据收集：

收集研究区域内的生态效率评估指标数据和影响生态效率变化的影响因子数据。

所述生态效率评估指标数据包括：资本存量、全社会就业人数、区域生产总值、污染排放数据、资源消费和能源消费数据。其中，全社会就业人数、人口数量、污染排放数据、资源消费和能源消费数据等指标主要来源于研究区省、市的《统计年鉴》、《农村统计年鉴》和《中国城市统计年鉴》(2010-2020)。

本实施例从自然、社会、环境等方面选择人口密度(X1)、绿地面积(X2)、产业结构(X3)、土地利用(X4)、技术创新(X5)、基础设施建设(X6)、城市绿化(X7)、城镇化(X8)、污水处理能力(X9)和环境规制(X10)指标作为影响生态效率变化的影响因子。

具体的，如表1所示，人口密度指常住人口与地区总面积比值；绿地面积指城市绿地总面积与人口总数的比值；产业结构指第三产业GDP占总GDP的比率；土地利用指土地利用类型；技术创新是每亿人拥有有效专利数；基础设施建设是城市道路面积与人口总数的比值；城市绿化指建成区绿化覆盖率；城镇化是综合夜间灯光指数；污水处理能力是城市污水处理率；环境规制是二氧化硫去除率。

表1影响因子指标描述表

变量名称	影响因子	含义
			X1	人口密度	<![CDATA[常住人口与城市面积的比值(人/km<sup>2</sup>)]]>
X2	绿地面积	<![CDATA[人均绿地面积(m<sup>2</sup>/人)]]>
			X3	产业结构	第三产业产值占比(％)
X4	土地利用	分为耕地、林地、草地、水域、建设用地及未利用地(-)
			X5	技术创新	有效专利数量与总人口的比值(件/亿人)
X6	基础设施建设	<![CDATA[人均城市道路面积(m<sup>2</sup>/人)<!-- 6 -->]]>
			X7	城市绿化	建成区绿化覆盖率(％)
X8	城镇化	综合夜间灯光指数(-)
			X9	污水处理能力	城市污水处理率(％)
X10	环境规制	二氧化硫去除率(％)

表征城镇化的夜间灯光数据来源于“类NPP-VIIRS”夜间灯光数据集(https://doi.org/10.7910/DVN/YGIVCD)。

步骤二，数据前处理：

利用步骤一收集得到的生态效率评估指标数据，对投入产出指标和影响因子相应指标进行测算，并对各影响因子进行分级。

所述投入产出指标分为投入指标和产出指标，投入指标包括生态足迹、全社会就业人数和资本存量，具体的，资本存量作为资本投入、全社会就业人数作为人力投入，生态足迹作为资源要素投入。产出指标分为期望产出和非期望产出，期望产出选择区域生产总值，非期望产出为由污染排放数据(废水排放、废气排放以及烟尘排放量)得到的环境污染指数。基于资源环境承载和污染排放多维度，将生态足迹作为投入指标之一以体现人类社会发展对自然资源环境的整体消耗，并构建环境污染指数反映对环境造成的不良影响。

所述生态足迹的测算方法为：

首先，建立资源消费以及能源消费账户，其中涵盖耕地、林地、草地、建筑用地、水域及化石能源用地六大土地类型。

其次，通过均衡化处理将不同类型的土地面积转化为具有相同生产力的生物生产面积，得到生态足迹数据，具体的账户类型为资源消费：耕地(小麦、玉米、油、棉花、甘蔗、蔬菜)，林地(木材、水果、茶叶、油茶籽)，草地(奶类、禽蛋、牛肉、羊肉、猪肉)，水域(鱼类、虾蟹)，能源消费：建筑用地(电力)，化石能源用地(原煤、焦炭、汽油、煤油、柴油、燃料油)。计算公式如下：

式中：EF为总生态足迹(hm²)；N为总人口数；ef为人均生态足迹(hm²/人)；i为消费项目的类别，j为土地类型；A_i为第i类消费项目折算的人均生物生产性土地面积；r_j为第i类商品对应的j类土地类型的均衡因子；Q_i为第i种生物资源的消费量；P_i为第i种生物资源的世界平均产量。

进一步的，步骤二中地级市的资本存量基于永续盘存计算，公式为：

K_b,t＝K_b,t-1(1-δ_b,t)+I_b,t

式中：δ_b,t为折旧率，取值为9.6％；K_b,t为第t年b城市的物质资本存量；K_b,t-1为第t-1年b城市的物质资本存量；I_b,t为第t年b城市的固定资产形成总额。由于固定资产形成额只存在省级层面，故地级市固定资产形成总额运用固定资产投资价格指数乘省级固定资产形成额计算。地级市初始资本存量用固定资产形成额除以10％得到。

进一步的，步骤二中所述环境污染指数以工业废水排放量、烟/尘排放量和废气排放量三个污染排放数据为初始指标，基于熵权法测算各排放指标的权重加权得到，计算过程为：

步骤1，建立评价指标矩阵：

X＝(x_cd)_m×n

式中：X是所有原始指标构成的矩阵；x_cd是原始指标数据；c指所选指标的城市，c＝1,2,……,m；d指所选指标的类别，d＝1,2,……,n；

步骤2，对指标矩阵进行标准化数据处理：

式中：x'_cd是标准化后的指标数据；x_mincd是指c城市第d项指标的最小值；x_maxcd是指c城市第d项指标的最大值；

步骤3，计算信息熵：

式中：p_cd是c城市第d项指标数据所占比例；e_d是d项指标的熵值；

步骤4，定义指标权重：

式中：w_d为d项指标的权重；

步骤5，计算环境污染指数：

式中：EPI为环境污染指数结果，EPI∈(0,1)。

影响因子中的人口密度、绿地面积、产业结构、技术创新、基础设施建设、城市绿化、城镇化、污水处理能力和环境规制，为数值型影响因子、采用标准差分级法进行分级。

所述标准差分级法是先以数据集的平均值作为第一划分值划分出上下两部分，然后以平均值加或减一个标准差值作为第二、第三划分值，并根据需要逐级加或减一个标准差得到更多的划分值；设数据的平均值为

方差为σ，则分级如下：

式中：σ为某一影响因子的方差；sum为某一影响因子的总个数；O_z为影响因子数值；

为影响因子的平均值。

所述综合夜间灯光指数的计算公式如下：

L_g＝B_g×w₁+S_g×w₂

式中，L_g指综合夜间灯光指数；B_g指平均灯光强度；S_g指灯光面积；w₁和w₂为权重，分别取0.7和0.3；DN_u指区域内第u等级的灰度值；pix_u指区域内第u灰度等级的像元总数；total指区域内灯光像元总数(63≥DN≥1),63为最大灰度等级；Area_NT指区域内所有灯光像元的总面积(63≥DN≥1)；Area指区域总面积(63≥DN≥0)。

本实施例人口密度被分为9级，基础设施建设被分为8级，技术创新和城市绿化被分为7级，产业结构和城镇化因子被分为6级，绿地面积、污水处理能力和环境规制被分为5级。土地利用根据类型进行划分为6级。具体分级标准如表2所示。

表2影响因子分级表

步骤三，构建考虑非期望产出的超效率SBM模型：

假设城市群生态效率评价系统下设α个决策单元DMU，且每个决策单元均有β个投入产出向量，即生态投入、资本投入、人力投入、期望产出和非期望产出，所述考虑非期望产出的超效率SBM模型为：

s.t.

式中：ρ*为关于决策单元

的目标函数，且该值可以大于1；F为投入要素的个数；

为期望产出的个数；

为非期望产出的个数；s为第s个投入；r₁为第r₁个期望产出；r₂为第r₂个非期望产出；v为动态模型个数；α_so为第o个决策单元的投入要素；

为第o个决策单元的期望产出要素；

为第o个决策单元的非期望产出要素；

分别为投入、期望产出和非期望产出的松弛变量；λ_γ为权重向量；α_γ、

分别为决策单元的投入要素向量、期望产出向量和非期望产出向量。

以构建获得的考虑非期望产出的超效率SBM模型，衡量研究区(图2)以及其所包含城市2010-2020年的生态效率值(表3)。

总体上，2010-2020年研究区生态效率呈先降低后升高的变化趋势。其中，2018-2020年生态效率增幅最高，达到12％。其中，城市1、3、11、12和13处于生态效率较高区域，各年生态效率值均大于1，空间分布上以城市1为中心呈集聚状；城市4、6和8地区的生态效率较低。

表3 2010-2020年研究区各地级市生态效率

步骤四，生态效率差异性分析：

运用Dagum基尼系数方法和重心迁移模型分析生态效率的区域差异性。

所述Dagum基尼系数方法具体为：

Dagum基尼系数用于分析城市群生态效率的总体差异及区域差异，城市群生态效率的总体基尼系数G分解为组内差异、组间差异和超变密度，即G＝G_w+G_nb+G_t，计算公式如下：

式中：G指总体基尼系数，基尼系数越大，表示地区生态效率越不均衡；a、h指分组个数；o、p指分组内城市个数；C指分组总数；U指城市总数；n_a(n_h)指第a(h)子群内的城市个数；y_ao(y_hp)指第a(h)子群内的城市o(p)的生态效率，

指生态效率的算数平均值；G_aa指区域a的基尼系数；G_w指组内差距对基尼系数的贡献；G_nb指组间差异净值对基尼系数的贡献；G_t指组间超变密度对基尼系数的贡献；p_a(p_h)指a(h)区域城市数与总城市群城市数的比值；

指a(h)区域城市生态效率均值与总城市群生态效率均值的比值；D_ah指区域a和区域h之间生态效率的互动影响。

所述重心迁移模型能反映生态效率在空间位移规律，刻画了生态效率的集中、离散分布趋势以及偏移轨迹。重心迁移意味着城市群内部各地区的生态效率的不同步变化，从而能反映生态效率的区域差异性。计算公式如下：

式中：M为城市圈内所含城市的总数量；

为城市

的生态效率，

为城市

的几何中心坐标；

为某研究区生态效率的空间分布重心坐标。

如图3所示，总体上，生态效率的总体基尼系数呈波动下降趋势，2020年相较2010年下降8.7％，说明区域间的生态效率不均衡性发展逐渐缩小。进一步如图4所示，将基尼系数分解可知，组内差异(G_w)是导致生态效率差异的主要来源，其次为组间差异(G_nb)，超变密度(G_t)对区域差异的贡献率最小。

如图5所示，重心迁移轨迹反映了生态效率在空间上的不同步变化，2010-2020年生态效率的重心经历了“西北-东北-西北-东南”方向迁移的时空演变过程，整体呈现自东北向西南迁移的趋势，但始终位于同一城市。

步骤五，生态效率影响因子解析：

根据步骤二获得的影响因子分级结果，基于地理探测器分析影响因子的空间异质性对生态效率空间分布的影响：运用地理探测器模块的因子探测及交互作用探测，辨识影响生态效率的主要因子及交互因子对。

所述因子探测为：

式中：H＝1,2...,R为因变量Va或者因子factor的分层，即分类或分区；ω_H和ω分别为层H和全区的单元数；

和ω²分别是层H和全区的因变量Va的方差；q的值域为[0,1]，q值越大表示各影响因素对生态效率时空分异的解释力越强，反之越弱。

所述交互作用探测为：根据计算出的各因子对生态效率的q(factor1)和q(factor2)值，计算两个因子交互形成的q值：q(factor1∩factor2)，并比较q(factor1)、q(factor2)和q(factor1∩factor2)之间的大小关系，判断因子的交互作用类型。

如图6所示结果表明，技术创新、环境规制以及城镇化是2010年影响生态效率空间分布的主要驱动因子。2020年各因子的解释力水平较2010年有不同程度降低且主要驱动因素发生变化，排在前三的因子变化为城市绿化、产业结构和基础设施建设。双因子交互的解释力明显高于单因子水平(表4、5)。

Claims (10)

1.一种基于资源环境承载和污染排放多维度的生态效率评估方法，其特征在于，所述方法包括以下步骤：

步骤一，数据收集：

收集生态效率评估指标数据和影响生态效率变化的影响因子数据；

所述生态效率评估指标数据包括：资本存量、全社会就业人数、区域生产总值、污染排放数据、资源消费和能源消费数据；所述影响生态效率变化的影响因子数据包括：人口密度、绿地面积、产业结构、土地利用、技术创新、基础设施建设、城市绿化、城镇化、污水处理能力和环境规制；

步骤二，数据前处理：

利用步骤一收集得到的生态效率评估指标数据，对投入产出指标和影响因子相应指标进行测算，并对各影响因子进行分级；

所述投入产出指标分为投入指标和产出指标，投入指标包括生态足迹、全社会就业人数和资本存量；产出指标分为期望产出和非期望产出，期望产出选择区域生产总值，非期望产出为由污染排放数据得到的环境污染指数；

影响因子中的人口密度、绿地面积、产业结构、技术创新、基础设施建设、城市绿化、城镇化、污水处理能力和环境规制，为数值型影响因子、采用标准差分级法进行分级；土地利用根据类型进行划分；

步骤三，构建考虑非期望产出的超效率SBM模型：

假设城市群生态效率评价系统下设α个决策单元DMU，且每个决策单元均有β个投入产出向量，即生态投入、资本投入、人力投入、期望产出和非期望产出，所述考虑非期望产出的超效率SBM模型为：

s.t.

式中：ρ*为关于决策单元

的目标函数；F为投入要素的个数；

为期望产出的个数；

为非期望产出的个数；s为第s个投入；r₁为第r₁个期望产出；r₂为第r₂个非期望产出；v为动态模型个数；α_so为第o个决策单元的投入要素；

为第o个决策单元的期望产出要素；

为第o个决策单元的非期望产出要素；

分别为投入、期望产出和非期望产出的松弛变量；λ_γ为权重向量；α_γ、

分别为决策单元的投入要素向量、期望产出向量和非期望产出向量；

步骤四，生态效率差异性分析：

运用Dagum基尼系数方法和重心迁移模型分析生态效率的区域差异性；

步骤五，生态效率影响因子解析：

根据步骤二获得的影响因子分级结果，基于地理探测器分析影响因子的空间异质性对生态效率空间分布的影响：运用地理探测器模块的因子探测及交互作用探测，辨识影响生态效率的主要因子及交互因子对。

2.根据权利要求1所述基于资源环境承载和污染排放多维度的生态效率评估方法，其特征在于，步骤一中，人口密度指常住人口与地区总面积比值；绿地面积指城市绿地总面积与人口总数的比值；产业结构指第三产业GDP占总GDP的比率；土地利用指土地利用类型；技术创新是每亿人拥有有效专利数；基础设施建设是城市道路面积与人口总数的比值；城市绿化指建成区绿化覆盖率；城镇化是综合夜间灯光指数；污水处理能力是城市污水处理率；环境规制是二氧化硫去除率。

3.根据权利要求2所述基于资源环境承载和污染排放多维度的生态效率评估方法，其特征在于，所述综合夜间灯光指数的计算公式如下：

L_g＝B_g×w₁+S_g×w₂

式中，L_g指综合夜间灯光指数；B_g指平均灯光强度；S_g指灯光面积；w₁和w₂为权重；DN_u指区域内第u等级的灰度值；pix_u指区域内第u灰度等级的像元总数；total指区域内灯光像元总数；Area_NT指区域内所有灯光像元的总面积；Area指区域总面积。

4.根据权利要求1所述基于资源环境承载和污染排放多维度的生态效率评估方法，其特征在于，步骤二中所述生态足迹的测算方法为：

首先，建立资源消费以及能源消费账户，其中涵盖不同土地类型；

其次，通过均衡化处理将不同类型的土地面积转化为具有相同生产力的生物生产面积，得到生态足迹数据，计算公式如下：

式中：EF为总生态足迹；N为总人口数；ef为人均生态足迹；i为消费项目的类别，j为土地类型；A_i为第i类消费项目折算的人均生物生产性土地面积；r_j为第i类商品对应的j类土地类型的均衡因子；Q_i为第i种生物资源的消费量；P_i为第i种生物资源的世界平均产量。

5.根据权利要求1所述基于资源环境承载和污染排放多维度的生态效率评估方法，其特征在于，步骤二中地级市的资本存量基于永续盘存计算，公式为：

K_b,t＝K_b,t-1(1-δ_b,t)+I_b,t

式中：δ_b,t为折旧率；K_b,t为第t年b城市的物质资本存量；K_b,t-1为第t-1年b城市的物质资本存量；I_b,t为第t年b城市的固定资产形成总额。

6.根据权利要求1所述基于资源环境承载和污染排放多维度的生态效率评估方法，其特征在于，步骤二中所述环境污染指数以工业废水排放量、烟/尘排放量和废气排放量三个污染排放数据为初始指标，基于熵权法测算各排放指标的权重加权得到，计算过程为：

步骤1，建立评价指标矩阵：

X＝(x_cd)_m×n

式中：X是所有原始指标构成的矩阵；x_cd是原始指标数据；c指所选指标的城市，c＝1,2,……,m；d指所选指标的类别，d＝1,2,……,n；

步骤2，对指标矩阵进行标准化数据处理：

式中：x'_cd是标准化后的指标数据；x_mincd是指c城市第d项指标的最小值；x_maxcd是指c城市第d项指标的最大值；

步骤3，计算信息熵：

式中：p_cd是c城市第d项指标数据所占比例；e_d是d项指标的熵值；

步骤4，定义指标权重：

式中：w_d为d项指标的权重；

步骤5，计算环境污染指数：

式中：EPI为环境污染指数结果，EPI∈(0,1)。

7.根据权利要求1所述基于资源环境承载和污染排放多维度的生态效率评估方法，其特征在于，步骤二中，数值型影响因子的分级方法采用标准差分级法，是先以数据集的平均值作为第一划分值划分出上下两部分，然后以平均值加或减一个标准差值作为第二、第三划分值，并根据需要逐级加或减一个标准差得到更多的划分值；设数据的平均值为

方差为σ，则分级如下：

式中：σ为某一影响因子的方差；sum为某一影响因子的总个数；O_z为影响因子数值；

为影响因子的平均值。

8.根据权利要求1所述基于资源环境承载和污染排放多维度的生态效率评估方法，其特征在于，步骤四中，所述Dagum基尼系数方法具体为：

Dagum基尼系数用于分析城市群生态效率的总体差异及区域差异，城市群生态效率的总体基尼系数G分解为组内差异、组间差异和超变密度，即G＝G_w+G_nb+G_t，计算公式如下：

式中：G指总体基尼系数；a、h指分组个数；o、p指分组内城市个数；C指分组总数；U指城市总数；n_a(n_h)指第a(h)子群内的城市个数；y_ao(y_hp)指第a(h)子群内的城市o(p)的生态效率，

指生态效率的算数平均值；G_aa指区域a的基尼系数；G_w指组内差距对基尼系数的贡献；G_nb指组间差异净值对基尼系数的贡献；G_t指组间超变密度对基尼系数的贡献；p_a(p_h)指a(h)区域城市数与总城市群城市数的比值；

指a(h)区域城市生态效率均值与总城市群生态效率均值的比值；D_ah指区域a和区域h之间生态效率的互动影响。

9.根据权利要求1所述基于资源环境承载和污染排放多维度的生态效率评估方法，其特征在于，步骤四中，所述重心迁移模型的计算公式如下：

式中：M为城市圈内所含城市的总数量；

为城市

的生态效率，

为城市

的几何中心坐标；

为某研究区生态效率的空间分布重心坐标。

10.根据权利要求1所述基于资源环境承载和污染排放多维度的生态效率评估方法，其特征在于，步骤五中，所述因子探测为：

式中：H＝1,2...,R为因变量Va或者因子factor的分层，即分类或分区；ω_H和ω分别为层H和全区的单元数；

和ω²分别是层H和全区的因变量Va的方差；q的值域为[0,1]；

所述交互作用探测为：根据计算出的各因子对生态效率的q(factor1)和q(factor2)值，计算两个因子交互形成的q值：q(factor1∩factor2)，并比较q(factor1)、q(factor2)和q(factor1∩factor2)之间的大小关系，判断因子的交互作用类型。

Images