党的二十大报告强调,要“推动绿色发展,促进人与自然和谐共生”。近年来,黄河流域生态环境持续明显向好,但《黄河流域生态保护和高质量发展规划纲要》指出,黄河当前仍然“体弱多病”,其“生态本底差,水资源十分短缺,水土流失严重,资源环境承载能力弱,沿黄各省区发展不平衡不充分问题尤为突出”,因此,应当“增强国土空间治理能力”“完善规划政策体系”,而进行环境治理、政策制定的首要前提,无疑是科学、合理地评判生态保护活动成效。中共中央办公厅、国务院办公厅印发的《生态文明建设目标评价考核办法》,将生态绩效以绿色发展指数的形式引入政府工作,用于评估各地区资源利用、环境治理、生态保护、增长质量、公众满意程度等方面的进展,面对繁杂的生态治理实务,全面、精准地量化我国生态绩效水平兼具理论价值和现实意义。
生态绩效这一概念最早由Ferguson等 [1]提出,相较于生态效率,生态绩效覆盖领域更为广泛和全面,其不仅关注资源利用效率,还涵盖了生态系统保护、污染控制、社会和文化影响。生态绩效相关研究多集中在产业结构、科技水平、政府干预领域,如Levinson[2]指出,技术进步与生态绩效之间存在正相关关系,技术进步可以改善环境质量。卢燕群等 [3]对工业生态绩效进行了研究,发现工业科技进步和产业集聚能够提高工业效率,而环境规制则抑制了工业生态效率。韩增林等 [4]研究了环渤海地区的生态效率,发现科技创新、城市发展规模与质量、对外开放水平对生态绩效有正面影响。周俊俊等 [5]研究了宁南山区三个县的生态绩效,发现城市化水平、政府环保投入和科技发展对宁南山区的生态绩效有显著影响。然而,“生态绩效”作为一个综合概念,同时涉及经济效益、社会效益、潜在影响等不同领域,现有研究仅停留在“经济效益”层面,涵盖领域有所缺失。Mickwitz等 [6]指出,应从社会、自然和经济三个层面评价生态绩效;经济合作发展组织用于生态绩效测度领域的“压力—状态—响应”(PSR)[7]框架也认为,评价生态绩效应从资源、社会文化、经济发展与生态治理、环境角度切入。国家发展改革委印发的《绿色发展指标体系》《生态文明建设考核目标体系》将公众满意度视作重要维度。《黄河流域生态保护和高质量发展规划纲要》亦将增强人民群众的获得感、幸福感、安全感作为发展目标。
经济、环境和社会作为可持续发展的三大支柱,当前研究过分重视“经济效益”,忽视了三大支柱之间的平衡。现实中,居民的生活满意度与心理健康水平的提高,也能促进社会整体稳定和谐。因此,本文试引入“舆论感知”概念,衡量居民在生态治理中的获得感,测算其满意程度,刻画生态治理在社会效益、居民幸福领域取得的成效,为评估我国生态治理活动提供综合视角。
1 文献综述目前,用于测度生态绩效的方法主要包括参数方法和非参数分析法。非参数方法因其灵活性、适应性,在处理实际生态系统中多变量、多目标的问题时具有明显优势,因而在生态绩效测算领域得到了广泛应用。其中尤以数据包络分析(Data Envelopment Analysis,DEA)模型应用最为广泛,DEA由Charnes等于1978年 [8]提出,但因其静态特性,后在使用时通常会结合Malmquist指数,实现动态测算生态绩效。孙欣等 [9]通过改进的DEA模型研究了长江经济带2003—2013年的生态绩效。Bonfiglio等 [10]使用DEA模型研究了意大利农场的生态效率。赵哲等 [11]通过超效率DEA模型和Malmquist指数研究了内蒙古呼伦贝尔草牧业生态效率的时空变化。汪晓文等 [12]使用(Slack-Based Measure-Data Envelopment Analysis)模型计算了我国西部地区11个省份的生态效率,易杏花 [13]则通过超效率SBM-Malmquist-Tobit模型,研究了我国西部地区的生态效率及其变化态势。孙钰等 [14]使用超效率SBM模型,从时空两个尺度分析了京津冀地区13个城市的生态效率,并研究了其空间相关性和长期演化态势。张秋凤等 [15]使用超效率SBM模型测度我国五大城市群的生态效率,并揭示了其时空演化规律。在生态绩效研究中,指标选取是评估和监测环境表现的基础,因而至关重要,不同国家的学者建立了多种评价指标体系用于测度生态绩效。Dahlstrom等 [16]将生态绩效指标分为四个维度:环境测评和生态绩效、资源利用率、资源生产能力、污染强度。Diakaki等 [17]从环境绩效、环境管理和环境状况三个层面进行了生态环境绩效评估。Sonak[18]从生态、经济和文化三个角度的关联,推导出了分析生态系统功能的概念框架。黄和平 [19]认为生态效率是资源能源效率和环境效率的综合表征,故其从资源和环境两个维度测算了江西省的经济发展生态绩效。余焕等 [20]从经济和环境维度对陕西省2000—2019年的绿色国内生产总值(GDP)和生态绩效进行了测算。
可以看出,学者们大多从经济、环境维度构建生态绩效指标体系。显然,现有研究多集中于探索生态治理的“经济效益”,对其潜在的社会效益——居民感知度、满意度的测度有所缺失。周黎安 [21]认为,由于我国特色的“中国式分权”机制,绩效排名及量化考核是我国官员晋升中的决定性因素,以GDP为核心的政治晋升制度引导地方政府采取粗放型的经济发展模式,导致环境规制失灵。因此,基于经济现实,相关研究长期将侧重点置于“生态绩效”的经济效益一面。但随着我国经济从高速增长阶段转向高质量发展阶段,“增长质量”这一概念愈发被重视。同时,由于旧有研究多以客观损益探讨各博弈主体的决策选择行为,缺乏对博弈主体主观认知层面的构建,不符合“有限理性”的假设,故行为金融学中的前景理论被导入了多个研究领域,该理论认为“心理感知损益”也是个体做出决策、评价事物的重要维度。因此,本文考虑到时代背景,认为在当下评估生态绩效时,将社会效益纳入考量是有必要的,引入该分析框架,也可为相关决策制定提供更为贴近现实的理论依据。且在生态效率指标体系构建方面,因数据可得性及研究范式原因,现有研究所选取指标多集中在实物领域,指标通常只来自资源和环境领域,缺少衡量无形资产投入的指标,其涵盖范围也不全面。因此,本文以黄河流域为研究对象,选定2018年1月至2022年12月为研究时间段。在经济效益层面,新拓展数字信息资源维度,完善生态效率指标体系,并使用超效率SBM-Malmquist指数对绩效水平进行动态测度,使用Tobit模型研究其影响因素。在社会效益层面,引入网络爬虫方法爬取微博数据,对数据进行文本分析判断文本情绪、测度舆论风向,基于结构方程模型分析黄河生态治理舆论感知影响因素、影响路径,综合评价黄河治理成效。
2 指标体系及数据来源 2.1 超效率SBM-Malmquist指数我国“十四五”规划提出要“以数字化转型整体驱动生产方式、生活方式和治理方式变革”。赵宸宇等 [22]认为,数字化概念与传统实体经济的融合能够通过数字赋能优化资源要素的配置效率与管理效益。因此,陈琛等 [23]指出,数字资源等无形资产投入已成为大数据时代经济生产,尤其是传统行业获得竞争优势的关键所在。另外,现有研究已将数字化转型与多个热门议题相结合, 却缺乏对数字化转型与生态效率的研究, 在我国经济低碳化的发展思路下, 对我国, 特别是对经济结构相对更依赖传统制造业的黄河流域,有必要梳理数字资源与生态效率之间的关系。因此, 基于上述理论与实践,本文将无形资产(数字资源)投入视作生态效率测算的一个重要维度。故本文所构建生态效率测度指标体系,参照前人研究 [24, 25],结合数据可得性,除传统的资源、环境维度外,新拓展数字信息资源维度,衡量经济活动中的信息传递、数字投入,以完善生态效率指标体系,如表 1所示。
舆论感知如何量化?传统上一般采取问卷调查和民意调查的方法:通过设计问卷,收集公众对某一事件、政策或问题的看法和态度。但随着愈来愈多的活动迁移到互联网上,社交媒体分析、大数据分析成为量化舆情动向的新宠。通过量化公众对某一话题的感知,提取情感倾向、热点话题和关注度,更能了解公众对某一问题的看法。在此过程中,不可避免地要涉及情感分析技术,即通过计算机技术和统计方法对文本数据进行处理和分析,从中提取信息和知识,量化公众情感的正面、负面和中性程度。微博作为中国最受欢迎的社交媒体平台之一,是公共舆论的主要阵地,因此本文主要通过分析微博发言,判断当前舆情风向。除情绪倾向外,另一个衡量舆论的维度是居民关注度,关注度在网络空间中最直观的表达便是搜索指数,通过搜索指数可以了解到特定关键词在一段时间内的搜索趋势、地域分布以及与其他关键词的对比情况,进而分析人们的兴趣、关注和需求,指标体系如表 2所示。
然而,研究舆情、推测居民满意度,仅搭建一个综合指数是不够的,更需要探索其影响因素、传导路径,那么如何搭建可靠的经济现实—民众认知—舆情反馈路径?Kahneman等 [26]认为,人类在进行认知活动时,有两种不同的思维路径:快速、自动的路径(情绪路径)和缓慢、努力的路径(分析路径),这两种思维路径广泛应用于心理学、行为经济学和社会认知领域,被称作双路径模型(Dual-Process Model)。该模型不仅能用于解释个体决策过程,还能用于理解广告影响、政治态度形成、风险感知、健康行为改变。例如,在公共意见研究中,双路径模型可以帮助解释人们如何快速形成对某个社会议题的态度(直觉系统),以及在获得更多信息和思考后如何可能改变其态度(分析系统)。应用于本研究,Stouffer等 [27]最早发现,现实中个体的生活满意度并非依赖绝对的、客观的指标来衡量,而是存在一个参照群体(Reference Group),一切感知都基于对比。一旦民众认为体验低于预期,将会引发各种情绪反应,如焦虑、愤怒、恐惧等,进而对舆论有所影响,此即认知的情绪路径。民众在评价政府生态治理活动时,难免受自身经济条件、生活环境影响,不能客观评价治理成果。但治理带来的经济效益、生态改善仍是客观存在的,无论对住户还是游客,水土流失减轻、基础设施建设进步都关乎其切身利益,必然影响其满意程度,此即认知的分析路径。生态治理活动与民众支持度、满意度存在长效关联,如图 1所示。
本文以黄河流域九省份(青海、四川、甘肃、宁夏、内蒙古、陕西、山西、河南、山东)为基本研究单元,数据来自2018年1月—2022年12月《中国统计年鉴》《中国通信年鉴》《中国环境统计年鉴》、国家统计局和国泰安数据库,部分缺失数据采用重采样方法填补。使用爬虫技术获取搜索指数(来自百度)、微博文本。为消除指标参数量纲和变异范围影响,使数据具有可比性,使用极差标准化法对所有数据进行标准化处理。
3 黄河流域生态绩效评价 3.1 生态效率空间分异特征现有研究所采用的研究方法多以非参数的SBM-DEA为主,该方法仅从静态角度评价生态绩效,并未从动态角度去分析生态绩效的变化趋势,评价不全面精准。Malmquist指数(Malmquist Index)能够用于评估不同时间段之间生产率变化,广泛用于经济学、管理学、运筹学领域,该方法通过观察对本期到下期生产率的变化,测算出Malmquist全要素生产率指数,从而对生产效率进行评价分析。Malmquist指数计算公式如下:
其中,Dt(xt, yt)表示在时间t的距离函数;xt为输入向量;yt为输出向量。
Malmquist指数能够在时间维度上评估生产率变化,提供动态分析,更详细地分析生产率变化的来源。基于iDEA ultra软件对2018年1月至2020年12月黄河流域九省(区)生态福利绩效全要素生产率进行计算。
由图 2可见各省(区)生态效率在不同时间段有明显差异,2018年,九省(区)生态效率排名为四川、内蒙古、山西、甘肃、宁夏、陕西、河南、山东、青海;2022年,九省(区)生态效率排名为宁夏、四川、青海、山西、陕西、甘肃、内蒙古、河南、山东。相较而言,青海、宁夏生态效率提升较为显著,河南、山东生态效率变化较小且维持在较低水平,山西、内蒙古生态效率略有下滑。就各省(区)而言,山东生态效率先升后降,2020年到达峰值,但仍在九省(区)中处于低位;河南稳中有降,生态效率居于低位;山西同样呈现出先升后降的特点,近年来生态效率有所下滑;内蒙古呈现明显的下滑态势,生态效率由优转劣;陕西、甘肃生态效率整体趋稳;四川生态效率有所下滑,但仍居于前列;青海、宁夏进步明显。
生态效率影响因素涉及广泛,本文通过构建面板Tobit模型选取可能影响生态绩效的影响因素构建回归模型。由于生态绩效数据经常包含截断或限制,或者存在某个上限和下限,普通的线性回归模型无法有效处理这种数据截断现象,直接使用最小二乘法(OLS)回归会导致估计结果偏差且不一致。而Tobit模型专为处理此类情况而设计,能够提供更高效和一致的参数估计,从而提高统计效率和结果的可靠性,因此在生态绩效影响因素研究中Tobit模型得以应用广泛。
Tobit模型公式如下:
其中,Y为因变量;X it为自变量;β j为待估参数;ui为个体效应;εit为随机扰动且
本文以黄河流域九省(区)生态效率为因变量,从人口压力、产业结构、经济发展、沟通交流、政府干预、收入水平、能源消耗、植树造林八个方面选取指标为自变量,使用Tobit模型对黄河流域九省(区)生态效率影响因素进行识别,模型构建如下:
其中,EPti即各省(区)各时间段生态效率;β0为常数项;β1、β2、β3、β4、β5、β6、β7、β8为自变量待估参数;δ为误差项;ε为时间随机扰动,各参数估计结果见表 3。
如表 3,其中人口压力估计系数为负,随着人口密度的增大,人类在该地区进行的生产活动愈发频繁,资源消耗量上升,污染愈发严重,与此同时,由于人类聚落的形成、产业聚集的压力,当地生态压力会有显著提升,进而对生态效率产生不利影响。经济发展估计系数为正,整体而言,我国早年经济发展遵循“先污染,后治理”的规律,随着地区生产总值的不断提高,地方对生态环境的重视程度也会随之提升,形成提高生态效率的推力。产业结构估计系数为负,如前人研究,第二产业往往对生态不友好,第二产业占比的增高对生态效率有显著的负面影响。沟通交流估计系数为正,加强地区间交流一方面有助于发挥资源禀赋、提高资源利用效率,但其对经济的刺激也扩大了生产规模、加剧了环境污染,因其影响的两面性,对生态效率的影响不能一概而论,需要进一步探讨。政府干预估计系数为负,在经济实践中,政府对生态治理的干预力度往往较稳定,且开支占比不会过大,极高的资金投入意味着当地生态环境出现了重大变故,如灾难性的环境事故或生态的急剧恶化,对生态效率有极为负面的影响。消费水平估计系数为正,居民更高的收入水平强化了地方的消费能力、其税负有效补充了地方政府财政,随着人们收入的提高,在已满足基本生活需求的条件下,其对环境舒适度的要求更为苛刻,形成了促进生态效率提高的推力。能源消耗的估计系数为负,能源消耗越高,生态效率越低,黄河流域九省(区)煤炭资源丰富、重工业发达,不可避免地造成了严重污染。植树造林估计参数为正,重视绿化、退耕还林对涵养水源、防风固沙的作用不言而喻,对生态效率有积极影响。
3.2.2 稳健性检验研究通常根据因变量特征选择算法,在本文中,因变量为连续变量,文章使用OLS、Tobit模型均可,这两种算法在一定程度可替换,为检验稳健性,本文使用OLS进行再次研究,研究主要结论依然不变。
3.3 黄河生态绩效社会舆论感知相比于单纯关注经济产出的生态效率,生态绩效概念更为全面,其从管理学角度出发,不仅强调生态效率,还涵盖资源利用、环境保护和治理效果等多个方面。现行的生态绩效评价体系虽然有所发展,但仍主要集中在“经济效益”层面,未能充分体现生态绩效在综合影响和治理成效上的独特优势。为了弥补这一不足,本文引入“舆论感知”这一概念,旨在通过衡量居民在生态治理中的获得感,全面反映生态治理在社会效益和居民幸福感方面取得的成果。通过研究社会效益,能更全面地刻画生态治理成效,凸显其在提升社会福祉和居民生活方面的实际贡献。
如何量化“舆论感知”?现多使用情感分析技术,即分析文本中的情感倾向,对文本进行情感极性和情感强度的分析。情感极性通常分为正面和负面两极,有些学者还会增加中性这一分类。情感强度分析则评估主观文本的情感强度,一般包括极度积极、积极、中性、消极、极度消极五个级别。情感词指在文本中表达情感或态度的词汇,它们是情感分析中的关键元素,因为这些词汇携带了情感信息,能够反映出个体对某个主题或对象的情绪倾向。情感词通常可以分为两大类:正面情感词、负面情感词。情感词的抽取和判别是情感分析的基础,也是情感分析的关键。情感词的抽取多种多样,有基于词典的方法、基于统计的方法、基于语料库的方法、基于规则的方法等,基于词典的方法具有获取情感词全面、准确的优点,本文使用基于词典的方法,研究基于大连理工大学的情感词汇表 [28],情感词整表共27 466个,情感极性分为0、1、2、3四档,0代表中性,1代表褒义,2代表贬义,3代表兼有褒贬两性。情感强度分为1、3、5、7、9五档,9表示强度最大,1为强度最小,情感分类如表 4所示。
情感分析的重中之重是计算情感倾向,其数学表达式如下:
其中,i代表拆分后情感词的个数;wi1代表第i个情感词的基础情感值;wi2代表第i个情感词的极性,积极取1,消极取(-1),中性取0;wi3代表第i个情感词前的否定词情况,如果有否定词,则取值(-1),如果没有否定词,则取值为1; wi4代表第i个情感词前的程度副词情况,按照程度副词代表的强弱程度分别赋值为1、1.5、2.5。
一个情感词可能会有不同的极性,如成语八面玲珑,该词语兼具褒贬两个不同的情感极性,对于这种兼具褒贬两性的词语,使用其前后各四个情感值的极性来确定它的极性,前四个占比75%,后四个占比25%,计算二者之和,再计算该词语所具有的两个极性离这个值绝对距离的大小,小则表示该情感词更接近该极性,其思想主要来源于一段文字中,所具有的情感大概率是一致的,即便夸奖的文字中出现了一个不确定情感的词,由于夸奖占据了文本的大部分内容,那么这个词大概率也在夸奖(积极),而不是在阴阳怪气(消极)。同时也要考虑文本中的双重否定情况,双重否定表肯定,即奇数个否定词表否定,偶数个否定词表肯定。因此在计算否定词的时候,需要根据否定词的个数判定其情绪方向。微博文本情绪提取结果见图 3。
基于标准模板库(Standard Temple Library)方法将微博舆情时间序列分解为周期项(季节项)、趋势项和随机项。如图 4所示,观测到舆情正在缓慢改善,且存在明显的季节性周期波动,夏季舆论最为积极,春季舆论较为消极,这是由于黄河流域在夏季通常会迎来丰沛的降雨,水量的增加改善了流域的生态环境,降雨频繁有效地减少了空气中的尘埃和污染物。因此,夏季黄河的自然景观和生态状况通常更为良好,春季气候干燥,风沙较多,空气质量较差,植被还未完全复苏,整体景观比较萧条,影响观赏体验。
在研究舆情、推断民众情绪倾向时,单纯构建一个综合指数是不够全面的,还需要深入探索其影响因素及传导路径。结构方程模型研究复杂系统构件间关系的有效工具,该模型将变量分为观测变量和潜在变量,通过整合潜在变量,结构方程模型能够揭示系统中的间接影响。这种方法不仅能帮助解析复杂的生态治理系统,还能揭示居民满意度背后的深层机制,识别关键的影响因素和传导路径,为政策制定者提供宝贵的洞见,助力优化治理策略,提升居民的获得感和幸福感。此外,结构方程模型可以揭示治理效果中的隐藏问题,从而推动更精确和有针对性的生态治理措施,以此揭示表面现象背后的深层次原因,并为改进生态治理效果提供科学依据。通过这种方法,可以更全面地理解和优化生态治理,以实现可持续发展的目标。使用AMOS软件对黄河生态绩效舆论感知影响因素模型进行分析。
图 5为最终得到的结构方程模型(SEM)的结构,各变量之间的相互作用及黄河生态绩效舆论感知与其影响因素的多元关系在SEM中得到了很好的体现。路径上的系数代表该路径上起始变量对箭头终端变量的直接作用,相连路径上的系数乘积代表间接作用。
由图 5、表 5可知,经济效益的路径系数(0.29)大于其他所有联结系数,表明在黄河生态治理舆论感知中,舆论倾向最主要的影响因素是生态治理所创造的经济价值,如资源利用效率的提高、经济水平的改善等。治理的经济效益同时抬高了居民对环境的忍耐阈值,当居民经济条件改善时,理所当然地会对环境提出更高要求。但更高的心理阈值没有降低民众对政府治理活动的评价,这意味着治理符合民众的预期、满足了民众的需要。旅游价值对经济效益的影响微乎其微,这与旅游业在经济活动中占比较小有关。产业升级提高了经济效益、改善了生态环境,但工业化也破坏了地方自然景色,降低了旅游价值。
本研究基于Malmquist指数、文本分析和结构方程模型,对2018—2022年黄河流域九省(区)的生态绩效进行了全面分析。青海、宁夏生态效率提升显著,这些地区生态基础相对较差,治理空间较大,政策扶持力度较大,在提高生态效率方面成效显著;河南、山东生态效率变化较小,且维持在较低水平,这些地区的工业化程度较高,经济活动对生态环境的压力较大、治理难度高,生态治理已经进入了瓶颈期,进一步提升生态效率的难度较大。山西、内蒙古生态效率略有下滑,反映出经济结构对生态效率的深刻影响,尽管这些地区可能在生态治理方面投入了大量资源,但由于产业结构单一,治理效果不尽如人意。人口压力对生态效率有显著影响,人口密集地区生态治理压力较大,需要更多资源和政策支持。政府干预在提升生态效率方面起到了重要作用,有效的政策和措施能够显著改善生态环境,提高生态效率。能源消耗对生态效率有直接影响,高能耗产业对环境的负面影响显著,转变能源结构、提升能源利用效率是提高生态效率的关键。通过对微博舆论倾向进行研究,发现近年来对黄河的评价正在逐渐改善,且存在明显的季节性波动,夏季舆论最为积极,春季舆论较为消极。一般认为,经济状况在很大程度上决定了居民对环境状况的态度, 这一现象在本文的研究中得到了验证:经济增长在一定程度上抬高了居民对环境问题的忍耐阈值。然而,尽管经济效益提高了居民对环境的最低要求,但更高的心理阈值并未降低民众对政府治理活动的评价。这表明当前的治理措施基本符合民众预期,满足了民众需求,政府治理的透明度和有效性得到了公众的认可,政府治理在改善生态环境方面的作用显著,生态环境对舆论感知有正向影响,良好的生态环境能够提升公众对环境治理的认同感和支持度。
基于上述结论,提出如下建议:
(1)因地制宜制定政策。在青海、宁夏和甘肃,增加生态保护投资,通过引入和推广绿色技术,推进绿色产业发展,加强对生态脆弱区的治理,增强这些地区的生态承载力。在河南、四川和山东,通过推动传统产业的绿色转型,降低高耗能、高污染企业的比例,鼓励企业采用清洁生产技术。同时,加强环境监管和执法力度,确保环保政策和措施落地见效。在山西、陕西和内蒙古,需重点关注煤炭产业的生态影响,大力推进煤炭产业的绿色改造和转型升级,提升能源利用效率,减少污染物排放。同时,推动新能源产业的发展,逐步减少对煤炭资源的依赖,促进能源结构的优化。
(2)探索非传统经济模式。鼓励共享农业、共享能源等模式,减少资源浪费,提高资源利用效率。利用黄河流域丰富的文化遗产,将文旅产业与现代生态治理相结合。通过文化活动和宣传,提高公众对生态保护的意识和参与度,形成文化与生态互促的良性循环。保护自然景观和旅游资源,发展绿色经济和可持续产业,通过优化产业结构和技术创新,平衡经济发展与生态保护。
(3)加强舆论管理引导、建立多层次公众参与平台。利用舆论倾向的季节性周期波动特征,制定逆周期舆论引导调节策略,特别是在舆论评价较低的春季,通过积极的宣传和政策引导,提升公众对生态治理的认同感和支持度。与媒体积极合作,及时发布生态治理成果和环境改善情况,通过线上线下相结合的方式,建立多层次的公众参与平台,增强公众在生态治理中的参与感和主人翁意识,利用社交媒体、社区活动等多种形式,提升公众对生态治理的关注度和参与度,增强公众对生态治理的信心。
(4)持续优化治理措施。根据公众期望和反馈,持续优化生态治理措施,确保治理措施符合公众预期,满足公众需求,提高公众对政府治理的满意度。建立健全生态绩效评估体系,定期评估和调整治理措施,将社会效益纳入生态绩效评价体系,全面考量生态治理对社会福祉的影响,推动生态治理向更加全面和可持续的方向发展。
(5)加强区域协同治理。无论是黄河流域还是其他共享地理板块的区域,都应加强区域合作,共同推动生态治理和环境保护,通过共享治理经验和技术,协同解决跨区域生态环境问题,实现区域生态环境的整体提升。
[1] |
FERGUSON B K, FRIDAY R. Ecological performance standards for land development[J]. Biological conservation, 1983, 26(3): 193-213. DOI:10.1016/0006-3207(83)90073-3 |
[2] |
LEVINSON A. Technology, international trade, and pollution from US manufacturing[J]. American economic review, 2009, 99(5): 2177-2192. DOI:10.1257/aer.99.5.2177 |
[3] |
卢燕群, 袁鹏. 中国省域工业生态效率及影响因素的空间计量分析[J]. 资源科学, 2017, 39(7): 1326-1337. |
[4] |
韩增林, 吴爱玲, 彭飞, 等. 基于非期望产出和门槛回归模型的环渤海地区生态效率[J]. 地理科学进展, 2018, 37(2): 255-265. |
[5] |
周俊俊, 樊新刚, 杨美玲, 等. 县域生态效率影响因素分析及趋势预测——以宁南山区三县为例[J]. 水土保持研究, 2020, 27(5): 318-325. |
[6] |
MICKWITZ P, MELANEN M, ROSENSTRÖM U, et al. Regional eco-efficiency indicators-a participatory approach[J]. Journal of cleaner production, 2006, 14(18): 1603-1611. DOI:10.1016/j.jclepro.2005.05.025 |
[7] |
RAPPORT D, FRIEND A. Towards A Comprehensive Framework for Environmental Statistics: A Stress-response Approach[R]. Ottawa: Statistics Canada, 1979.
|
[8] |
CHARNES A, COOPER W W, RHODES E. Measuring the efficiency of decision making units[J]. European journal of operational research, 1978, 2(6): 429-444. DOI:10.1016/0377-2217(78)90138-8 |
[9] |
孙欣, 赵鑫, 宋马林. 长江经济带生态效率评价及收敛性分析[J]. 华南农业大学学报(社会科学版), 2016, 15(5): 1-10. |
[10] |
BONFIGLIO A, ARZENI A, BODINI A. Assessing ecoefficiency of arable farms in rural areas[J]. Agricultural systems, 2017, 151: 114-125. DOI:10.1016/j.agsy.2016.11.008 |
[11] |
赵哲, 白羽萍, 胡兆民, 等. 基于超效率DEA的呼伦贝尔地区草牧业生态效率评价及影响因素分析[J]. 生态学报, 2018, 38(22): 7968-7978. |
[12] |
汪晓文, 刘娟. 城镇化对西部地区生态效率的影响[J]. 城市问题, 2019(10): 27-38. |
[13] |
易杏花, 刘锦钿. 我国西部地区生态效率评价及其影响因素分析[J]. 统计与决策, 2020, 36(01): 105-109. |
[14] |
孙钰, 梁一灿, 齐艳芬, 等. 京津冀城市群生态效率的时序演进与空间分布特征[J]. 生态经济, 2021, 37(12): 74-82. |
[15] |
张秋凤, 肖义, 唐晓, 黄寰. 中国五大城市群生态效率的演变及其影响因素[J]. 经济地理, 2022, 42(11): 54-63. |
[16] |
DAHLSTRÖM K, EKINS P. Eco-efficiency trends in the UK steel and aluminum industries[J]. Journal of industrial ecology, 2005, 9(4): 171-188. DOI:10.1162/108819805775247954 |
[17] |
DIAKAKI C, GRIGOROUDIS E, STABOULI M. A risk assessment approach in selecting environmental performance indicators[J]. Management of environmental quality, 2006, 17(2): 126-139. DOI:10.1108/14777830610650456 |
[18] |
SONAK S M. 2014. A framework for ecosystem performance using Khazan example[M]//SONAK S M. Khazan Ecosystems of Goa: Building on Indigenous Solutions to Cope with Global Environmental Change. Dordrecht: Springer, 2014: 95-109.
|
[19] |
黄和平. 基于生态效率的江西省循环经济发展模式[J]. 生态学报, 2015, 35(9): 2894-2901. |
[20] |
余焕, 雷敏, 马金晶, 等. 基于绿色GDP和生态效率的区域可持续发展研究——以陕西省为例[J]. 干旱区地理, 2023, 46(2): 284-293. |
[21] |
周黎安. 中国地方官员的晋升锦标赛模式研究[J]. 经济研究, 2007, 42(7): 36-50. |
[22] |
赵宸宇, 王文春, 李雪松. 数字化转型如何影响企业全要素生产率[J]. 财贸经济, 2021, 42(7): 114-129. |
[23] |
陈琛. 智能制造助力人类命运共同体构建[J]. 中国科技论坛, 2020(4): 4-5. |
[24] |
孟雪, 狄乾斌, 季建文. 京津冀城市群生态绩效水平测度及影响因素[J]. 经济地理, 2020, 40(1): 181-186, 225-225. |
[25] |
曾庆顺. 苏南地区城市生态效率研究——基于超效率DEA模型的实证分析[J]. 中国集体经济, 2022(26): 13-15. |
[26] |
KAHNEMAN D, TVERSKY A. Prospect theory: an analysis of decision under risk[M]//GÄRDENFORS P, SAHLIN N E, eds. Decision, Probability, and Utility: Selected Readings. Cambridge: Cambridge University Press, 1979: 263-291.
|
[27] |
STOUFFER S A, SUCHMAN E A, DEVINNEY L C, et al. The American Soldier: Adjustment During Army Life(Studies in Social Psychology in World War Ⅱ)[J]. Princeton: Princeton University Press, 1949. |
[28] |
徐琳宏, 林鸿飞, 潘宇, 等. 情感词汇本体的构造[J]. 情报学报, 2008, 27(2): 180-185. |