DEA模型，也就是数据包络分析模型，是一种用于评价具有相同类型投入和产出的若干决策单元(DMU)相对效率的方法。最早是在1978年，Charnes和Cooper (1978)基于Farrell (1957)的效率测度理论提出了基于规模报酬不变假设的CCR模型 [13] [14] 。后来，Banker等(1984)提出了基于规模报酬可变假设的BCC模型 [15] 。针对传统的CCR模型和BCC模型存在的难以区分有效决策单元效率水平的差异和各决策单元投入要素“松弛”等问题，Andersen & Petersen (1993)、Tone (2001)分别提出超效率DEA模型和非径向非角度的SBM模型 [16] [17] 。因为在生产中会不可避免的产生一些废水、废气和废渣等非期望产出，Tone (2010)又提出了包含非期望产出的超效率SBM模型 [18] 。该模型一是处理了投入产出变量存在的松弛性问题，二是考虑到了“坏产出”的影响，三是解决了有效决策单元DMU之间效率水平难以区分的问题。模型构建如公式(1)所示。

$\min \rho =\frac{1+\frac{1}{m}{\displaystyle \underset{i=1}{\overset{m}{\sum }}\frac{\overline{s_i}}{x_{ik}}}}{1-\frac{1}{q_1+q_2}\left({\displaystyle \underset{r=1}{\overset{q_1}{\sum }}\frac{s_r^{+}}{y_{rk}}+{\displaystyle \underset{t=1}{\overset{q_2}{\sum }}\frac{s_t^{b-}}{b_{tk}}}}\right)}$

$s.t\{\begin{array}{l}{\displaystyle \underset{j=1,j\ne k}{\overset{n}{\sum }}{x}_{ij}{\lambda }_j-\overline{s_i}\ll x_{ik}}\\ {\displaystyle \underset{j=1,j\ne k}{\overset{n}{\sum }}{y}_{rj}{\lambda }_j+s_r^{+}\gg y_{rk}}\\ {\displaystyle \underset{j=1,j\ne k}{\overset{n}{\sum }}{b}_{tj}{\lambda }_j-s_t^{b-}\ll b_{tk}}\\ 1-\frac{1}{q_1+q_2}\left({\displaystyle \underset{r=1}{\overset{q_1}{\sum }}\frac{s_r^{+}}{y_{rk}}+{\displaystyle \underset{t=1}{\overset{q_2}{\sum }}\frac{s_t^{b-}}{b_{tk}}}}\right)>0\\ \lambda ,s^{-},s^{+}\gg 0\\ i=1,2,\cdot \cdot \cdot ,m\text{;}r=1,2,\cdot \cdot \cdot ,q_1\text{;}t=1,2,\cdot \cdot \cdot ,q_2\text{;}j=1,2,\cdot \cdot \cdot ,n\left(j\ne k\right)\end{array}$ (1)

其中， $\rho$是能源生态效率值， $m$表示投入指标的个数， $q_1$表示期望产出指标的个数， $q_2$表示非期望产出指标的个数， $n$是DMU的个数， $x_{ij}$、 $y_{rj}$和 $b_{tj}$分别表示第 $j$个DMU的 $m$维投入变量、 $q_1$维期望产出变量和 $q_2$维非期望产出变量， ${\lambda }_j$表示强度变量， $\overline{s_i}$、 $s_r^{+}$和 $s_t^{b-}$分别代表被评价DMU的投入、期望产出和非期望产出的松弛变量， $x_{ik}$、 $y_{rk}$和 $b_{tk}$分别表示被评价DMU的投入变量、期望产出变量和非期望产出变量。若 $\rho ＜1$，则说明被评价的DMU无效，若 $\rho \ge 1$，则说明被评价的DMU有效，而且 $\rho$值越大效率越高。

本文参照魏楚等(2010)、王兵等(2016)的研究思路，将减排潜力定义为 $PE{R}_{it}$。 $PE{R}_{it}$值越大，表示过度排放的CO₂，或者过多的空气污染物，减排潜力也越大。具体公式如下所示 [19] [20] 。

$PE{R}_{it}=\frac{LC{E}_{it}}{C{E}_{it}}$ (2)

其中， $C{E}_{it}$表示第 $i$个城市在 $t$年实际排放的CO₂，或者大气污染物； $LC{E}_{it}$则表示与最优生产前沿相比多排放的CO₂，或者多排放的大气污染物，也就是CO₂排放量，或者大气污染物的松弛变量。

标杆管理是一种有效的管理方法，起源于二十世纪八十年代的施乐公司。其实质是根据一定的标准或方法，确定最佳实践标杆，也就是其他组织学习或追赶的对象。通过树立标杆，后进组织或者对象，就有了改进的方向指引，也可以借鉴标杆对象的先进经验，从而改进缺陷，缩短与标杆对象的距离，从而尽早实现组织目标。目前，标杆管理已经广泛的应用到各个领域。国内有不少学者也把标杆管理方法应用到环境治理领域，确定标杆对象的标准有能源效率、碳排放强度等 [21] [22] 。

参照大多数学者关于全要素绿色生产率的研究成果，本文以劳动力、资本存量及能源消费作为投入指标，国民生产总值GDP作为期望产出 [23] [24] 。CO₂排放量作为非期望产出方面，由于城市层面大气污染物统计指标差别较大，只有SO₂排放指标是一致的，而且基本没有缺失值，故选用SO₂作为大气污染的指标。因此，把SO₂排放量和CO₂排放量作为非期望产出。其中，劳动力指标用各城市的全社会从业人员数表示；资本存量指标用各城市固定资产投资额表示；考虑到数据的可得性，按照杨振华(2016)的做法，将城市电力、煤气(人工、天然气)和液化气消耗量转换为能源消费指标，计量单位万吨标准煤 [25] ；CO₂排放量指标是按照吴建新和郭智勇(2016)的做法，将电力、煤气、液化气、交通运输和热能等消耗排放的CO₂估算汇总得出 [26] 。

本文数据来源于《中国城市统计年鉴》《中国能源统计年鉴》和各地市统计年鉴，以及EPS数据库。为保证可比性，根据每年当年价GDP、不变价GDP (以1978年为基期)、GDP指数(以1978年为基期)计算出每年的平减指数，将当年价GDP平减为以2000年为基期的GDP。资本存量指标是按照单豪杰(2008)的做法，换算为以2000年为基期的金额 [27] 。

基于非期望产出的超效率SBM模型，应用MAXDEA 8.0软件对长三角41个城市2011~2019年的绿色全要素生产率进行了测算，具体结果如 图1 所示。安徽省在2011~2019年有安庆、马鞍山、蚌埠、芜湖、淮南等共13城市的能源生态效率效率均值低于1，处于无效率状态，占全省城市数的81%。仅有黄山、池州和亳州等三个城市的能源生态效率效率值大于1。究其原因主要是受工业化程度的影响，马鞍山、蚌埠、芜湖、淮南等城市都属于安徽省内工业化程度较高的城市，而黄山和池州以旅游为主，亳州的第二产业占比相对较少，因此，绿色全要素生产效率值较高。长三角区域中，上海市最为突出，其效率都优于其他城市。

再从绿色全要素生产率变化趋势的角度进行比较( 图2 )，发现在长三角区域中，上海市显示出稳步上升、遥遥领先的态势，而安徽省则呈现出明显下降的趋势，整体处于无效率的状态，在四大区域中处于最差的位置，而且远远落后于上海市。相比而言，安徽省的工业化程度要显著低于上海市，但是能源生态效率值却低于上海市。这说明安徽省各个城市在控制二氧化碳排放和大气污染物排放方面有很大的不足，这需要采取相应的措施去改进。

从二氧化碳和大气污染物的减排潜力来看，安徽省各地市以及总体状况不佳。如 表1 ，总体来看，2011~2019年间安徽省16个地市可减少的CO₂排放量年均174.51万吨，减排潜力27.29%，可减少的SO₂排放量年均7915.53万吨，减排潜力31.33%。二氧化碳和大气污染物的减排潜力从总量和比例来看，都是比较大的。其中，马鞍山、淮南、淮北、铜陵、阜阳等城市的二氧化碳和大气污染物的减排量都很大，所占比例都超过30%，面临很大的减排压力。黄山、池州和亳州，基本没有减排的压力。如 图3 ，相比安徽省，上海市大气污染和碳排放的减排压力基本为0，江苏省和浙江省各城市的减排压力也较小，应该作为安徽省各地市学习追赶的目标。

为了明确安徽省各地市碳减排和大气污染减排的重点，根据2011~2019年间各城市节能潜力和减排潜力的均值，运用二维矩阵法，以节能潜力30%和减排潜力30%为分界线，将长三角区域41个城市划分为四个区域，其中：A区域属于碳减排和大气污染减排双低的区域，其特点是碳减排和大气污染减排水平处于较好的状态，协同治理效应最高，是值得其他城市学习追赶的模范城市；B区域属于“SO₂高减排CO₂低减排”的区域，其特点是碳排放控制水平较搞，大气污染控制水平较低；C区域属于碳减排和大气污染减排双高的区域，其特点是大气污染及碳排放控制水平较低，两方面减排的空间都很大。

从 图4 可以看出，在安徽省16个城市中，马鞍山、淮南、淮北、铜陵和阜阳等城市处于C区域，是安徽省碳减排和大气污染减排协同治理的重点城市，任务最重。马鞍山、淮南、淮北、铜陵，都是资源型城市，其产业结构共同的特征是以高能耗高排放企业为主。钢铁企业、火电企业和煤矿企业等高能耗高排放企业是当地支柱产业，所占比例很高，而且正处于转型发展的关键期。运用标杆管理的方法，这四个城市应该选择A区域中第二产业占比相对较高的城市作为追赶对象，可以沿着“常州–合肥–南通”的路径，进行改进。在加强监管的同时，重点是加大科技创新力度，积极推进这些城市高能耗高排放企业的技术升级和产能的优化，同时加大战略性新兴企业的支持力度，促进产业结构的优化和调整。阜阳的工业化程度相对较低，农业占比较大，可以选择A区域中的金华、丽水作为追赶的对象。芜湖处于B区域，工业化程度比较高，高科技产业占比也在逐年上升，因此，可以选择“杭州–南京–南通–上海”的路径进行改进。安庆和蚌埠处于D区域，面临的压力是减少CO₂排放。石油化工企业是安庆市的支柱产业，蚌埠市这事以玻璃制造业和化工企业为主，这些行业也属于高能耗高排放企业为主。因此，安庆和蚌埠应该按照“盐城–南通”的路径进行改进。六安、芜湖、滁州、合肥等8个城市处于A区域，减排压力较小。