Ттх мины: Назначение и тактико-технические характеристики противопехотных мин (ОЗМ-4, ОЗМ-72, ПОМ-1, ПОМ-2, ПОМЗ-2, ПОМЗ-2М, МОН-50, МОН-90, МОН-100, МОН-200)

Требуется: лучший показатель производительности в горнодобывающей промышленности

Всплеск спроса на металлы и полезные ископаемые в начале 2000-х годов быстро привел к значительному повышению цен и, как следствие, к значительному увеличению прибыльности горнодобывающих компаний. Наращивание объемов производства стало главным приоритетом отрасли. Горнодобывающие компании во всем мире в значительной степени упустили из виду цели производительности, которые лежали в основе производственной дисциплины в неурожайные 1980-е и 1990-е годы, когда некоторые отрасли промышленности установили здоровые рекорды в повышении производительности (Иллюстрация 1). По мере того как бум спроса набирал обороты, рост затрат, связанный с расширением производства, вышел из-под контроля.

Экспонат 1

Обстоятельства отрасли теперь изменились. Финансовый кризис послужил первоначальным тревожным сигналом, но затем цены на сырьевые товары восстановились и достигли новых максимумов к 2011 году. Сегодня отрасль оказалась на новой территории после замедления роста спроса за последние четыре года и последующего падения цен. и прибыль от майнинга.

В отрасли существует большой интерес к обращению вспять эксцессов 2000-х годов.Горнодобывающие компании стремятся сократить затраты на добычу полезных ископаемых или увеличить производительность без дополнительных затрат, другими словами, повысить производительность. Руководители компаний признают инвесторам, что необходимо решить проблему низкой производительности. Тем временем правительства крупных горнодобывающих стран также пытаются понять проблему производительности, а исследовательские институты, финансируемые государством, внимательно изучают этот вопрос.

Важнейшая часть способности отрасли противостоять вызовам заключается в способности измерять производительность таким образом, чтобы менеджеры могли видеть, достигается ли и когда достигается какой-либо прогресс.Существующие подходы к измерению производительности майнинга имеют ограничения.

Руководители отрасли сосредоточили внимание на производительности труда, обычно измеряемой с точки зрения выпуска конечной продукции, а не общего количества перемещаемого материала, на одного занятого. Недостатком этого показателя является то, что он не учитывает, как на производительность могут повлиять геологические условия, такие как ухудшение качества руды, а также инвестиции в оборудование или расходы на расходные материалы, такие как шины или взрывчатые вещества. В результате метрика труда не дает рекомендаций по общей производительности шахты.Точно так же метрика общей эффективности оборудования (OEE), обычно рассчитываемая на основе диспетчерских данных о времени работы и задержках оборудования, дает важную информацию о доступности, использовании и темповых характеристиках, но фокусируется на составных частях операции, таких как экскаваторы или обработка. завод, а не всю операцию.

Экономисты также применяли более продвинутые показатели, такие как общая факторная производительность (TFP). Но подход TFP измеряет объем производства с точки зрения добавленной стоимости, и поэтому имеет недостатки в двух важных областях: на него влияют изменения геологических условий, таких как качество руды, и на него влияют цены на сырьевые товары, которые постоянно меняются. Горнодобывающие компании не могут контролировать эти две области, поэтому изменения показателей TFP не в полной мере отражают операционные показатели и производительность.

Новый способ измерения производительности при добыче полезных ископаемых

Проще говоря, отрасли нужна методология, которая поможет менеджерам понять, улучшают ли они свои показатели при разрушении и перемещении горных пород. С этой целью мы разработали показатель — Индекс производительности MineLens (MPI), — который позволяет менеджерам горнодобывающей отрасли измерять аспекты производительности, находящиеся под их контролем.

Сферами, находящимися под контролем руководства, являются вложенный капитал, вложенный труд, производственные процессы, которыми оно управляет, расходы на товары и услуги и то, как оно организует добычу полезных ископаемых. Эти меры исключают факторы, оказывающие существенное влияние на производительность. Вероятно, наиболее важными являются переменный характер содержания руды и глубина залегания рудного тела. Они ухудшаются и углубляются по мере эксплуатации рудника, что приводит к росту затрат на добычу и падению производства. Учитывая, что горнодобывающие компании обычно измеряют добычу фактически добытой руды, а не общий объем перемещаемого материала, производительность, измеряемая таким образом, имеет тенденцию к постоянному снижению.Еще один важный фактор касается более широких нормативных требований в отрасли по всему миру; они могут прямо или косвенно влиять на производительность, но, опять же, в значительной степени находятся вне контроля руководства.

Поскольку возможность повышения производительности будет заключаться в областях, которые может контролировать операционное руководство, мы построили наш индекс, чтобы отразить эти области. Соответственно, MPI фокусируется на капитальных, трудовых и нетрудовых операционных расходах.Мы намеренно исключили содержание руды из расчета. Затем эти три элемента связываются с показателем физической добычи на руднике, на который не влияют изменения содержания руды и коэффициента вскрыши. Основой для MPI является хорошо зарекомендовавшее себя уравнение производственной функции Кобба-Дугласа, используемое для измерения производительности в национальных экономиках, которое мы модифицировали таким образом, чтобы оно могло измерять производительность горнодобывающих операций (см. врезку «Введение в индекс производительности MineLens»). »).

Сбор данных с отдельных шахт по каждому из четырех элементов позволяет отслеживать, как развивалась производительность и как эти элементы влияют на производительность шахты с течением времени.Помимо использования для анализа производительности отдельных шахт, данные по шахтам, собранные с помощью MPI, могут быть сопоставлены для создания картины производительности по секторам. Также можно применить тот же анализ ИМБ для выявления тенденций производительности в горнодобывающем секторе страны в целом (см. врезку «Пример динамики производительности в Австралии»).

Время взглянуть правде в глаза!

Что показывают данные? Короче говоря, отрасль заплатила высокую цену в виде более низкой производительности за увеличение объемов во время бума спроса, но есть признаки того, что отрасль, возможно, начинает менять свои показатели производительности.

За последнее десятилетие производительность горных работ, измеряемая MPI, снижалась на 3,5 процента в год, а это означает, что сегодня горнодобывающие компании на 28 процентов менее эффективны при копании и перемещении тонны всего материала, чем десять лет назад (Иллюстрация 2). Ярко выраженное снижение производительности наблюдается по различным сырьевым товарам, включая медь, железную руду, уголь и металлы платиновой группы (Иллюстрация 3). Это также наблюдается у большинства участников рынка майнинга и во всех основных географических регионах добычи (рис. 4).Это снижение произошло после поправки на внешние факторы, такие как ухудшение качества руды и рост затрат на добычу, включая рост цен на сырьевые ресурсы, такие как топливо и взрывчатые вещества. Важно отметить, что снижение продуктивности было бы еще более выраженным, если бы не была сделана поправка на ухудшение качества руды.

Экспонат 2

Экспонат 3

Экспонат 4

Однако начинают проявляться несколько более обнадеживающие признаки, когда тренд ИМБ разделяется на две отдельные фазы новейшей истории горнодобывающей промышленности — до и после 2009 г., — что также показано на Рисунке 2. Данные ИМБ показывают, что за 2009–2009 гг. 13 период в отрасли более или менее стабилизировалась тенденция к снижению производительности, при этом ИМБ в среднем составляет всего -0.4 процента в год. Данные о производительности также зафиксировали рост некоторых товаров в период 2012–2013 годов.

Какие факторы, составляющие ИМБ, оказали наибольшее влияние на тенденции производительности? Во многом виноват рост капитальных затрат и, в несколько меньшей степени, операционных расходов (Иллюстрация 5). С 2004 по 2013 год капитальные затраты увеличились со среднегодовым темпом роста (CAGR) на 36,8 процента, а операционные расходы на среднегодовой темп роста 18,1 процента за тот же период.Количество рабочих также увеличилось, в среднем на 6,6% за весь период. В популяции шахт, которые мы включили в MPI, производительность выросла в среднем на 14,8 процента.

Экспонат 5

Оценка производительности отдельных шахт

Для отдельных шахт показатели производительности, показанные данными MPI, также могут дать полезную информацию.На рисунке 6 показаны показатели производительности для выборки шахт с использованием ИМБ. Четыре квадранта представляют эволюцию производительности (по сравнению с базой в 2008 г.) с точки зрения затрат на единицу продукции и выпуска, а зеленый квадрант представляет наиболее желательный результат — более низкие затраты на единицу продукции и более высокую производительность на одного работника. Эволюция стоимости активов рудника с 2008 года представлена ​​размером кружка. Голубой пузырь большего размера, чем темно-синий базовый пузырь 2008 г., указывает на увеличение стоимости активов (соответствующее увеличению капитальных затрат).Меньший пузырь указывает на более низкие капитальные затраты.

Экспонат 6

Шахта, которая улучшила все четыре элемента производительности, лежащие в основе MPI, — рабочая сила, капитальные затраты, нетрудовые операционные затраты и объемы производства — переместится из своего исходного положения (как показано темно-синим пузырем) в зеленый квадрант, и размер пузыря будет такого же размера или меньше, чем в 2008 году.Такой рудник снизит себестоимость единицы продукции и повысит производительность на одного работника без увеличения капитальных затрат. С 2008 года это представляет собой серьезную проблему для горнодобывающих предприятий: ни одной из шахт в изученной выборке не удалось попасть в этот квадрант.

Изучение данных по отдельным рудникам с использованием MPI может дать руководству рудника полезную информацию об их прогрессе на пути к повышению производительности. Медный рудник в Южной Америке произвел значительные капиталовложения, чтобы увеличить производство, и объем производства увеличился 3.9 процентов в год (Приложение 7). Однако, несмотря на то, что за последние четыре года производительность начала расти благодаря более высокому объему производства, увеличение затрат на рабочую силу и, в частности, на эксплуатационные расходы в течение всего периода 2005–2013 гг., привело к снижению производительности почти на 2 процента в год в в среднем за период.

Экспонат 7

Решение проблемы производительности в отрасли

Каков путь вперед? Чтобы решить задачу повышения производительности, майнерам необходимо будет предпринять шаги на двух уровнях: во-первых, для достижения краткосрочной выгоды, а во-вторых, чтобы направить свои операции на правильный курс для повышения производительности в долгосрочной перспективе.

На первом уровне путь вперед ясен. Наше исследование показывает, что капитальные затраты и операционные расходы, не связанные с рабочей силой, были основными факторами снижения производительности.Очевидно, что отрасль уже начала работать над этим, и многие компании уже сокращают капитальные затраты и предпринимают шаги для получения большей добавленной стоимости от своих активов. Также необходимо продолжать работу по снижению операционных расходов, не связанных с рабочей силой, в частности, за счет повышения эффективности закупок. В самом деле, улучшения, которые уже начинают проявляться в данных ИМБ, указывают на то, что повышение производительности труда происходит в некоторых регионах, где капитальные затраты были резко сокращены и где ряд крупных активов был введен в эксплуатацию и увеличил объем производства, в то время как были предприняты серьезные усилия по сокращению операционных издержек.

Переходя ко второму уровню действий, мы видим три важных направления для устранения коренных причин снижения производительности.

Внедрение эффективных операционных систем управления на шахтах. Это повысит прозрачность операций. Операционные системы также должны высвобождать людей и ресурсы для расстановки приоритетов в производительности и операционном совершенстве, а также для поддержки эффективного управления производительностью.Такой подход поможет решить важную проблему, с которой столкнулась отрасль: сделать производительность (и ее измерение) приоритетом. Обычно основное внимание уделялось улучшению одной или двух переменных, таких как снижение затрат, снижение капиталоемкости или увеличение пропускной способности. Но целостный подход к факторам производительности, который используется на нескольких уровнях, в горнодобывающих организациях встречается редко.

Уделите первоочередное внимание совершенствованию операций и развитию возможностей. Операционное совершенство предполагает постоянное внимание к совершенствованию и позволяет постоянно снижать затраты и повышать производительность. Для этого требуется решительное внимание к устранению всех форм потерь, уменьшению изменчивости и повышению производительности активов за счет усовершенствованных подходов к надежности и обслуживанию, а также повышенной гибкости в отношении меняющихся условий. Многие горнодобывающие компании борются с ограничениями возможностей и должны решать их: наращивание потенциала отдельных лиц и организации является необходимостью для компаний, чтобы иметь возможность использовать все рычаги, связанные с повышением производительности.

Талант необходим не только, например, для достижения мировых уровней ликвидации отходов и гибкости операций, но и для достижения прогресса в производительности. Многие горнодобывающие компании до сих пор считают повышение операционной производительности прерогативой отдела «постоянного совершенствования» или горстки экспертов по бережливому производству или «черных поясов по шести сигмам», но еще не считают это своей основной компетенцией.

Сосредоточьтесь на инновациях. Возможно, понятно, что отрасль, которую год за годом в последнее десятилетие просили бить производственные рекорды, предпочитала оставаться с тем, что всегда работало, а не рисковать прерыванием производства, но скорость инноваций в отрасли и внедрение прорывные технологии вообще были медленными даже до суперцикла.Например, потенциал внедрения передовых процессов диспетчеризации в подземных горных работах очевиден, но он еще не получил широкого распространения. За некоторыми заметными исключениями также неясно, кто уполномочен внедрять инновации во многих горнодобывающих компаниях. И во многих случаях новые капитальные проекты реализуются без интеграции новых технологий в конструкцию рудника.

Менеджмент горнодобывающей компании должен поощрять открытость к опробованию новых подходов и внедрению новых технологий.В то же время горнодобывающие компании должны использовать расширенную аналитику, чтобы использовать потенциал огромных объемов данных, генерируемых в типичных современных операциях по добыче полезных ископаемых, чтобы стимулировать инициативы по повышению производительности. Чтобы это произошло, потребуется расширить ожидания в отношении того, за что несут ответственность операционные руководители, и более тесная интеграция с другими корпоративными функциями. Это также потребует выхода за пределы горнодобывающей промышленности, чтобы черпать вдохновение в успехах других отраслей.Партнерство между горнодобывающими компаниями и поставщиками оборудования и технологий также должно расширяться, чтобы инновации в горнодобывающей отрасли могли добиться более широкого успеха.

Цены на сырье для горнодобывающей промышленности нестабильны, и инвесторы в настоящее время без энтузиазма относятся к перспективам отрасли. Тем не менее, мы считаем, что долгосрочные основы спроса и предложения многих важных сырьевых товаров для горнодобывающей промышленности предполагают, что компании, которые смогут экономически эффективно увеличить объемы производства, будут вознаграждены. Это означает, что компании, способные преуспеть в гонке за повышение производительности, окажутся в числе крупнейших победителей. Описанные здесь инициативы являются важными факторами повышения производительности. В сочетании с обязательством отслеживать производительность они станут важным фактором в этой гонке.

Глобальный набор данных о горнодобывающих районах

11.

Сонтер, Л.Дж., Али, С.Х. и Уотсон, Дж.Э.М. Горное дело и биоразнообразие: ключевые вопросы и исследовательские потребности в науке о сохранении. Проц. биол. Наука . 285 (2018).

18.

USGS – Геологическая служба США.Пространственные онлайн-данные о минеральных ресурсах, https://mrdata.usgs.gov/ (2018 г.).

30.

Васуки Ю. и др. . Пространственно-временные закономерности изменения земного покрова из-за добычи полезных ископаемых в районе Дарлинг, Западная Австралия: подход визуального анализа. Рудный геол. 108 , 23–32 (2019).

Артикул Google Scholar

47.

Potere, D. Точность горизонтального позиционирования архива изображений высокого разрешения Google Earth. Датчики 8 , 7973–7981 (2008 г.).

Артикул Google Scholar

Границы | Контрмеры по обеспечению экологической эффективности горнодобывающей промышленности и повышению ее эффективности в угольной промышленности Китая

Введение

В последние годы необходимость низкоуглеродного экономического развития была признана во всем мире. Снижение воздействия горнодобывающей деятельности на окружающую среду признано ключевым компонентом низкоуглеродного экономического развития. Поэтому крайне важно проводить исследования в области эффективности «зеленой» добычи полезных ископаемых и стратегий устойчивого развития горнодобывающей промышленности. Джошуа Кирки, советник по коммуникациям Министерства природных ресурсов Канады (NRC), определяет экологически чистую добычу полезных ископаемых как «технологии, передовой опыт и горнодобывающие процессы, которые применяются в качестве средства снижения воздействия на окружающую среду, связанного с добычей и переработкой парниковых газов, использованной воды и полезных ископаемых». (Кирки, 2014).Короче говоря, разработка инновационных экологически чистых горнодобывающих технологий направлена ​​на одновременное улучшение экономических и экологических показателей горнодобывающего сектора.

После десятилетий глубокой эксплуатации ресурсов связанные с этим экологические проблемы все больше обостряются. Основные экологические проблемы, связанные с добычей угля, включают обращение с угольной пустой породой, утечку метана угольных пластов (CBM), дренаж шахты, эрозию почвы и оседание земли. Китайские власти стремились создать более эффективные системы политики, чтобы стимулировать внедрение экологически чистых технологий добычи полезных ископаемых.Тесная координация угледобычи и управления окружающей средой имеет большое значение для устойчивого развития горнодобывающей промышленности Китая (Shi, 2012; Nurmi, 2017).

Целью данного исследования является оценка эффективности добычи угля в Китае с помощью модели креативного анализа данных (DEA) в рамках зеленого и устойчивого роста. Ключевое внимание в стремлении Китая к чистой и устойчивой окружающей среде уделяется его угольной промышленности. Действительно, это рассматривается как стратегическая цель.В этом исследовании построена полная система оценки показателей эффективности экологически чистой добычи и установлена ​​двухэтапная комбинированная модель DEA, которая отражает реальное состояние производства на угледобывающих предприятиях Китая. Соответственно, конкретные контрмеры и политические последствия под руководством «зеленой добычи» резюмируются на основе результатов эмпирического исследования.

Оставшаяся часть этого документа организована следующим образом. Обзор литературы представляет обзор литературы. В «Материалах и методах» разработана двухэтапная модель, которая сочетает в себе показатели резерва, ориентированные на ввод и вывод, для оценки эффективности «зеленой» добычи.В нем также описывается двухступенчатая система показателей оценки «зеленой» добычи полезных ископаемых. Эмпирическое исследование представляет собой эмпирическое исследование угледобывающих предприятий Китая в 2019 году и анализирует эмпирические результаты. В выводах излагаются основные выводы и политические последствия для улучшения экологических показателей угольной промышленности Китая.

Обзор литературы

В Таблице 1 обобщается основная соответствующая литература, опубликованная в период с 2006 по 2018 год. Около десяти лет назад Фрэнкс, Бреретон, Моран и Мамурекли оценили кумулятивное воздействие разработки и использования угольных ресурсов на окружающую среду и предложили заинтересованным органам власти играть важную роль в улучшение оценки воздействия и институционального формулирования (Franks et al., 2010; Мамурекли, 2010). Используя данные из угольного сектора Китая, недавнее исследование Zhang et al. рассмотрели взаимосвязь регулирования цен на энергоносители и колебаний цен путем построения одновременных уравнений для цен на уголь и предложения угля, а также построения прогнозного коэффициента для оценки различных политик ценообразования на уголь с 2008 по 2016 год (Zhang et al., 2019). Суеоши и Юань сосредоточились на непреднамеренных последствиях китайской политики сокращения угольных мощностей и показали, что политика сокращения мощностей должна быть дифференцированной по регионам из-за фрагментации угольных рынков, несбалансированного распределения ресурсов и несоответствия между центрами производства и спроса (Sueyoshi и Юань, 2018).Эти же исследователи использовали промежуточную инновационную модель DEA для изучения эффективности использования энергии и устойчивого развития азиатских стран (Sueyoshi and Yuan, 2015, 2018). Би и др. использовали различные модели DEA для изучения эксплуатации и эффективности использования угольных ресурсов в Китае и для сравнения между Китаем и США (Bi et al., 2014).

Таблица 1 . Исследования, проведенные на эту тему в период с 2009 по 2019 год.

На сегодняшний день в Китае было проведено мало исследований по эффективности добычи полезных ископаемых и контрмерам устойчивого развития на основе концепции экологически чистой добычи.Таким образом, в данном исследовании построена система оценки показателей эффективности «зеленой добычи» и создана двухэтапная комбинированная модель DEA, отражающая реальные производственные условия угледобывающих предприятий. Конкретные контрмеры и стратегии устойчивого развития под руководством «зеленой добычи» формулируются на основе результатов эмпирических исследований.

Во-вторых, с точки зрения создания модели авторы также отследили и проанализировали соответствующие исследования теории DEA и ее производных моделей, которые в последние годы использовались для изучения энергоэффективности и экологических характеристик.

Классические модели DEA и их расширения включают модель с постоянной отдачей от масштаба (CCR), модель с переменной отдачей от масштаба (BCC), аддитивную модель и модели DEA на основе резервов (Cook and Seiford, 2009). Янг и Поллитт одновременно рассмотрели нежелательные результаты и неконтролируемые переменные, чтобы предложить шесть моделей оценки эффективности на основе DEA, основанных на исследованиях китайских угольных электростанций (Янг и Поллитт, 2009). Такие ученые, как Суеоши и Гото, применяли различные модели DEA для систематической оценки эксплуатационной и экологической эффективности американских угольных электростанций.Чтобы изучить влияние Закона США о чистом воздухе (CAA), они использовали показатель с поправкой на диапазон для изучения экологических и унифицированных характеристик угольных электростанций США. Они обсудили комбинированное использование DEA и дискриминантного анализа (DA) (DEA-DA) для определения показателей эффективности и рангов в электроэнергетике (Sueyoshi and Goto, 2010, 2012b). Тао и Чжан применили две экологические модели DEA, включающие нежелательные результаты, для измерения экологической эффективности электроэнергетики в дельте реки Янцзы с 2000 по 2010 год (Тао и Чжан, 2013).Между тем, Се и соавт. использовали двухэтапную модель экологической сети DEA для сравнения эффективности 30 провинциальных административных энергосистем Китая (Xie et al., 2012). Чжоу и др. предложил нерадиальный подход DEA путем интеграции энтропийного веса и модели, основанной на слаках (SBM), для доступа к экологической эффективности китайской электроэнергетики на уровне провинции с 2005 по 2010 год (Zhou et al., 2013). Используя модели CCR и BCC с расширенным линейным программированием DEA, Fang et al. попытались сравнить показатели относительной технической эффективности угледобывающих компаний Китая и США (Fang et al., 2009). Данные Sing за 2002–2010 гг., Wang et al. выдвинули инновационный подход, основанный на теории метаграничного DEA, для проведения эмпирического исследования энергоэффективности в восточных, центральных и западных регионах Китая. Они обнаружили основные факторы, которые приводят к неэффективности, полностью приняв во внимание неоднородность производственных технологий в разных провинциях (Wang et al., 2013). Ван и др. разработал метод, основанный на функции метаграницы и функции нерадиального направленного расстояния для оценки производительности после взаимосвязи энергосбережения и сокращения выбросов.Был организован эмпирический анализ для изучения основных факторов, вызывающих снижение эффективности энергосбережения и сокращения выбросов (Wang et al., 2015). Чжан и др. использовали динамические модели SBM для оценки общей эффективности подразделений принятия решений (DMU) за весь временной период, а также эффективности временного периода в отношении промышленного загрязнения воды (Zhang et al., 2019). Предлагаемая динамическая модель DEA включает переходящие действия и помогает измерить конкретную эффективность периода на основе долгосрочной оптимизации в течение всего периода.Он также может рассчитать эффективность системы и периода в динамических условиях. Патрисия Баец и Даниела Туляк-Субан предложили процесс интегрированной аналитической иерархии (AHP), а также модель DEA SBM (Bajec and Tuljak-Suban, 2019). Во-первых, попарное сравнение AHP использовалось для ранжирования набора критериев (входы, выходы) в соответствии с их важностью. Затем была использована модель SBM DEA, которая оценивала как нежелательные, так и желательные результаты. Эта комбинированная модель, включающая нежелательные критерии эффективности, использовалась для оценки эффективности поставщиков логистических услуг.Ян и Вэй использовали игровую модель перекрестной эффективности DEA для изучения общего коэффициента энергоэффективности городов 26 городов межпровинций Китая в период с 2005 по 2015 год. Они пришли к выводу, что городское масштабное и экономическое развитие может повысить пожертвования снизят энергоэффективность городов (Ян и Вэй, 2019 г.). Ву и др. разделил 38 отраслей на четыре категории с помощью кластерного анализа и использовал модель DEA с неоднородными входными и выходными данными для оценки энергоэффективности и экологической эффективности 38 отраслей промышленности Китая с 2007 по 2011 год (Wu et al., 2019). Результаты показали, что энергетическая и экологическая эффективность промышленности Китая в целом низка, что колебания велики, а эффективность увеличилась за 5 лет. Ли Се предложил комбинированную другую модель DEA с использованием критерия Джини для измерения экологической эффективности (Xie et al., 2019). Авторы использовали данные по 36 китайским отраслям за период с 2006 по 2015 год и множественный DEA с критерием Джини, а также метод систематической кластеризации. Сначала они рассчитали показатель экологической эффективности китайской промышленности, а затем определили источники загрязнения на основе ранжирования и кластерного анализа.Основной вывод заключался в том, что ранжирование экологической эффективности различных отраслей сильно менялось во времени. Шао и Хан предложили модель SBM для решения проблемы неэффективности производственной системы после рассмотрения неоднородности технологий борьбы с загрязнением для различных видов загрязнителей (Shao and Han, 2019). Затем авторы использовали модель для изучения неэффективности китайской системы промышленного производства, анализируя неэффективность на этапах экономического производства и очистки от загрязняющих веществ.Суеоши и др. использовали оконный анализ DEA для оценки эффективности с использованием скользящих средних (Sueyoshi et al., 2017). Другими словами, результаты анализа сосредоточены на последних годах по разным окнам. Таким образом, преимущество этого исследования состоит в том, что последствия для политики являются более точными и достоверными. В своем недавнем исследовании изобилия ресурсов, структуры промышленности и региональной эффективности выбросов углерода в Китае Wang and Shi et al. использовали метод SBM с оконным анализом для оценки эффективности выбросов углерода и потенциала сокращения выбросов, одновременно применяя панельную модель Тобита для исследования факторов, влияющих на эффективность выбросов углерода в рамках DEA (Wang et al., 2019). Сиань и Ши и др. построил непараметрическую модель DDF, основанную на методе DEA, для измерения углеродной эффективности и производительности при изучении целей по сокращению интенсивности выбросов углерода для энергетической отрасли Китая (Xian et al., 2018). Они определили, что общенациональная цель по сокращению выбросов CO ₂ на 18% невыполнима за счет повышения технической эффективности или модернизации технологий производства электроэнергии и сокращения выбросов углерода в краткосрочной или среднесрочной перспективе. Ван и Ши и др.оптимизировали модель оптимизации на основе границ, объединив экологически расширенный анализ затрат и результатов (EEIOA) и DEA для расчета показателя экологической неэффективности при изучении пространственной неоднородности и движущих сил роста производительности окружающей среды в Китае (Wang et al., 2019). Они обнаружили, что с 2007 по 2012 год во всех регионах наблюдался рост продуктивности окружающей среды. В соответствии с движущими факторами продуктивности окружающей среды семь регионов можно разделить на три режима (Wang et al., 2019).

Из приведенного выше обзора литературы можно сделать три основных вывода. Во-первых, на сегодняшний день исследования эффективности «зеленой» добычи полезных ископаемых и мер противодействия устойчивому развитию, основанные на концепции «зеленой добычи» и подходе DEA, особенно в отношении Китая, проводятся относительно редко. Что касается системы показателей оценки «зеленой» добычи, то литература с высокой степенью корреляции немногочисленна. Во-вторых, было проведено гораздо меньше эмпирических исследований эффективности горнодобывающей промышленности с использованием DEA, чем в электроэнергетике или других энергетических отраслях.Кроме того, основное внимание в большинстве исследований экологической эффективности или эффективности использования энергии в Китае уделяется на уровне штата, региона или отрасли, а не на уровне предприятия. Во-вторых, почти нет литературы, использующей двухэтапную комбинированную модель DEA для оценки комплексной эффективности «зеленой» добычи, которая включает эффективность добычи на первом этапе производства и эффективность экологического управления на втором этапе. Большая часть существующей литературы сосредоточена только на одном аспекте измерения эффективности, т.е.е., производство энергии или экологическая эффективность (Fang et al., 2009). Поэтому в этой статье, чтобы выявить особенности реальных производственных условий и отразить взаимосвязь между показателями эффективности управления горнодобывающей промышленностью и окружающей средой, мы попытались создать двухэтапную комбинированную модель оценки DEA. Кроме того, для измерения эффективности экологически чистой добычи мы стремились одновременно изучить эффективность управления горнодобывающей промышленностью и охраной окружающей среды в угольной промышленности Китая на уровне предприятия, проводя преобразование нежелательной продукции и различая неконтролируемые входные переменные между двумя этапами.Наша цель состояла в том, чтобы обогатить понимание синергетической эффективности экологически чистых горнодобывающих предприятий горнодобывающих предприятий и тем самым помочь властям сформулировать более целенаправленную политику улучшения.

Материалы и методы

После основополагающей работы Charnes et al., DEA как непараметрический подход к измерению эффективности широко изучался и применялся (Charnes et al., 1978). Классические модели и их расширения включают модель с постоянной отдачей от масштаба (CCR), модель с переменной отдачей от масштаба (BCC), аддитивную модель и модели DEA на основе несоответствия (Cook and Seiford, 2009).По сравнению с другими мерами производительности и эффективности полезность DEA зависит от его способности анализировать эффективность систем с несколькими входами и выходами. DEA, как полезный инструмент для анализа производительности, используется для оценки относительной эффективности DMU с использованием некоторых конкретных моделей линейного программирования (Tong and Ding, 2008). ДЭА имеет ряд преимуществ. Во-первых, он не требует каких-либо предварительных предположений о взаимосвязях между входными и выходными данными (поэтому это непараметрический подход) (Сейфорд и Тралл, 1990; Чжоу и Анг, 2008).Во-вторых, для оценки технических показателей и показателей эффективности масштаба требуются только физические количества входов и выходов (т. е. только для эффективности распределения нужны факты или цены), и, таким образом, информация, необходимая для DEA, меньше, чем в традиционном случае (Qiu-ying). , 2019). В-третьих, это более объективная оценка эффективности, поскольку взвешивание каждого индекса является оптимальным взвешиванием, определяемым безразмерными реальными данными из DMU (Tong and Ding, 2008). Кроме того, как отмечают Тонг и Дин, причину неэффективности DMU можно найти с помощью проекционного анализа каждого DMU, ​​а затем можно запланировать улучшение на будущее.Всех вышеперечисленных преимуществ достаточно для изучения особенностей предмета данной статьи.

Основные уравнения

В этом разделе мы представляем двухступенчатую модель с поправкой на резервы в сочетании с моделью BCC, ориентированной на ввод и вывод. Мы рассмотрели возможность одновременного применения функции линейного преобразования для переключения нежелательных результатов на первом этапе и включения нежелательных результатов в качестве неконтролируемых входных переменных для измерения эффективности второго этапа угледобывающих предприятий, расположенных в центрально-западном Китае, в 2019 году.В соответствии с производственными характеристиками каждой оценочной единицы мы в первую очередь приняли уравнения BCC, ориентированные на вход и выход, в качестве эталонной основы для построения нашей двухэтапной комбинированной модели с поправкой на резервы. При ограничениях переменной отдачи от масштаба (VRS) множество производственных возможностей теории BCC определяется как:

Входные уравнения BCC:

мин θ ₀

Выходные уравнения BCC:

минφ ₀

Создание двухступенчатой ​​системы «зеленой» добычи, модель

В настоящее время, в соответствии с фактическими условиями операционной системы угольных предприятий Китая и необходимостью экологически чистой добычи, угольные предприятия должны одновременно осуществлять экологическое управление и восстановление путем поощрения переработки ресурсов при эксплуатации угольных ресурсов.Операционную систему угольного предприятия можно разделить на две подсистемы, а именно подсистему добычи угля и подсистему экологического управления соответственно. Подсистема добычи относится к последовательному производственному заданию эксплуатации, транспортировки, вентиляции, дренажа, обслуживания оборудования, электроснабжения, водоснабжения и так далее. Его основная цель – добывать уголь и получать прибыль. В рамках подсистемы добычи вход не может быть полностью преобразован в желаемую продукцию, такую ​​как товарный уголь и ценные сопутствующие ресурсы.Нежелательные выбросы промышленных загрязнителей неизбежно возникают в процессе производства из-за ограничений существующих технологий добычи полезных ископаемых. Следовательно, для достижения цели экологического управления необходима подсистема экологического управления для преобразования нежелательных результатов и недавно вложенных ресурсов в желательные результаты (Биан и Ян, 2010 г.). Две синергетические подсистемы составляют всю систему зеленой добычи и связаны нежелательными выходами в этой двухэтапной модели производства (Толоо и др., 2017). Каркасная модель системы показана на рисунке 1.

Рисунок 1 . Двухэтапная система зеленой добычи полезных ископаемых.

Для описания двухступенчатой ​​системы, показанной на рис. 1, предположим, что имеется n ( j = 1, …, n ) DMU, ​​и каждый DMU имеет два этапа. Для каждых DMU _j ( j = 1, …, n ) мы помещаем в m вида ресурсов на первом этапе xj1=(x1j1,x2j1,…,xmj1) и выход этого этапа yj1=yj1+zj; yj1=(y1j1,y2j1,…,ysj1) представляет основные желательные результаты, а zj=(z1j1,z2j1,…,ztj1) представляет загрязняющие вещества, образующиеся в процессе добычи, t — нежелательный результат.

На втором этапе мы инвестируем I вида ресурсных элементов в переработку загрязняющих веществ, образующихся на первом этапе xj2=(x1j2,x2j2,…,xlj2); конечный результат второго этапа: yj2, yj2=(y1j2,y2j2,…,yhj2). Среди переменных, упомянутых выше, z _j является промежуточной переменной большого значения, которая представляет собой как нежелательный результат первого этапа, так и частичный вклад второго этапа (Wu et al., 2017). Чтобы оценить эффективность первой стадии, необходимо принять соответствующий метод для борьбы с нежелательным выходом загрязняющих веществ и преобразовать их в желаемый выход, чтобы удовлетворить требованиям метода DEA (Sueyoshi and Goto, 2012a).В отличие от желаемых результатов, чем меньше значение нежелательных результатов, тем лучше может работать модель. На самом деле, согласно теории оценки эффективности DEA, существует несколько методов преобразования нежелательных выходных данных, таких как функция направленного расстояния, метод оценки кривых и функция линейного преобразования. В этом исследовании мы выбрали функцию линейного преобразования для преобразования нежелательных результатов в нормальные желательные результаты (Чжоу и Анг, 2008).Мы приняли уравнение zj′=-zj+z>0(j=1,2,…,n), в котором z представляет собой достаточно большой вектор. После преобразования zj’ можно принять в качестве нормальных желательных выходных данных и использовать в традиционной модели оценки эффективности DEA.

Создание двухступенчатой ​​комбинированной модели DEA

В соответствии с руководящими принципами концепции «зеленой добычи» мы решили выбрать ориентированную на ввод радиальную теорию ОЦК в качестве основы моделирования первого этапа (Sueyoshi and Goto, 2012c). Кроме того, для расчета эффективности DMU первой ступени или подсистемы майнинга мы ввели скорректированные переменные резерва с условиями ограничений и добавили функцию линейного преобразования для уточнения исходной модели BCC и настройки собственного метода измерения (Bi et al., 2014).

θ ₁ представляет значение эффективности первой ступени.

С точки зрения постоянного улучшения управления окружающей средой мы выбрали радиальную теорию BCC, ориентированную на результат, в качестве основы моделирования второго этапа. Следовательно, мы разработали другую модель DEA для расчета эффективности DMU второй ступени подсистемы управления средой также путем введения скорректированных резервных переменных только в условиях ограничений.На этом этапе важно обратить внимание на различные входные характеристики. Как обсуждалось выше, нежелательный выход загрязняющих веществ с первой ступени объясняет частичный ввод для второй ступени. Эти входные данные также являются неконтролируемыми, которые должны обрабатываться методом неконтролируемых входных данных (Янг и Поллитт, 2009). Между тем, вновь добавленные входные элементы второго этапа должны обрабатываться регулируемым методом ввода.

θ ₂ представляет значение эффективности второй ступени.

Что касается построения модели, во-первых, необходимо отметить, что мы создали двухэтапную комбинированную модель DEA на основе реальных производственных сценариев угледобывающего предприятия и концепции «зеленой добычи». В частности, мы разделили производственную систему угольного предприятия на две подсистемы. Одна подсистема была определена как процесс добычи угля, а другая подсистема была определена как процесс комплексного использования сопутствующих ресурсов, который также можно назвать процессом экологического управления.

Во-вторых, мы рассчитали значения эффективности двух разных стадий с помощью построенной двухступенчатой ​​комбинированной модели DEA. Хотя второй этап модели DEA кажется относительно независимым, мы фактически создали связь между выходными данными модели двух этапов, обрабатывая и преобразовывая нежелательные загрязняющие вещества, созданные на первом этапе, в желательные входные элементы для второго этапа. Согласно концепции «зеленой добычи», угольное предприятие должно одновременно стремиться к переработке ресурсов и рациональному использованию окружающей среды.Эта двухэтапная комбинированная модель способна не только отражать сценарии реального производства, но и измерять уровень согласованного развития двух подсистем, предоставляя значения эффективности для двух этапов.

В-третьих, для каждого угледобывающего предприятия это исследование объединило две ориентационные меры DEA в одну модель для объективной оценки значения эффективности с точки зрения экономического развития и экологического управления. Мы идентифицировали первую стадию как производственную подсистему, ориентированную на результат, а вторую стадию — как подсистему производства, ориентированную на ввод.

Создание двухэтапной системы показателей оценки экологически чистой добычи

Во-первых, в соответствии с двухэтапной структурой системы зеленой добычи, установленной в Обзоре литературы, первый этап соответствует подсистеме добычи, с помощью которой входные элементы могут быть преобразованы в добычу угля, которая может приносить экономическую прибыль. На основе производственных затрат и последовательности их значений чувствительности к добыче угля разработаны входные показатели подсистемы добычи угля. В частности, входными показателями являются затраты на человеческие ресурсы, затраты на электроэнергию и потребление материалов (Huang et al., 2007), и инвестиции в основной капитал. Другие элементы производственных затрат не учитывались, поскольку они составляют лишь небольшую часть общих производственных затрат. Между тем, выходные показатели подсистемы добычи включают общую добычу угля, стоимость добычи угля и загрязняющие вещества или связанные ресурсы в процессе добычи. Угольная порода определяется как твердые отходы (Ma et al., 2015). Жидкие отходы, образующиеся в процессе добычи полезных ископаемых, в основном представляют собой шахтные воды и промышленные сточные воды.Метан угольных пластов идентифицирован как представляющий собой отработанный газ. Таким образом, в качестве выходных показателей на первом этапе были выбраны общая добыча угля, выход угольной пустой породы, объем загрязненной шахтной воды и объем выбросов метана угольных пластов. На этом этапе нежелательные выбросы загрязняющих веществ или сопутствующих ресурсов должны быть отделены от желательных выходов угля. Очевидно, что общая добыча угля должна быть определена как желательные элементы продукции, а угольная пустая порода, загрязненная шахтная вода и метан угольных пластов должны быть определены как нежелательные элементы продукции.

Второй этап соответствует подсистеме экологического управления, с помощью которой входные элементы могут быть преобразованы в ценный результат. Важно отметить, что новые входные элементы, такие как инвестиции в экологическое управление и соответствующие человеческие ресурсы, являются незаменимыми входными данными для очистки от загрязняющих веществ и повторного использования связанных с ними ресурсов на этом этапе. В результате на втором этапе входные показатели состоят из двух частей. Это, соответственно, загрязняющие вещества или связанные с ними ресурсы, произведенные на первом этапе, такие как угольная пустая порода, загрязненная шахтная вода и метан угольных пластов, а также новые вложения инвестиций в экологическое управление и соответствующие человеческие ресурсы на втором этапе.Выход второго этапа относится к выгодным выходам от очистки и контроля загрязнения. Комплексная утилизация угольной пустой породы имеет два аспекта. Одним аспектом является обратная засыпка горных просадок, а другим – производство строительных материалов. Заброшенная шахтная вода очищается и снова используется в качестве производственной и бытовой воды. Метан угольных пластов, образующийся в процессе добычи (в основном метан), является безопасным и надежным источником чистой энергии, который может быть переработан в несколько видов промышленного сырья.На основании стратегических указаний Министерства охраны окружающей среды Китая и Бюро энергетики, принятых в 2017 году, коэффициент использования метана угольных пластов является важным показателем экологически чистой добычи. Поэтому в качестве выходных показателей второго этапа мы выбрали комплексную переработку угольной пустой породы, загрязненных шахтных вод и метана угольных пластов. Система показателей оценки эффективности «зеленого» майнинга представлена ​​в таблице 2.

Таблица 2 .Двухступенчатая система индикаторов оценки эффективности зеленой добычи полезных ископаемых.

Данные и образец

Мы выбрали 30 угледобывающих предприятий в центральных и западных регионах Китая, которым уделялось значительное внимание со стороны Национального управления по энергетике и Национальной комиссии по развитию и реформам. Они определяются как DMU с тремя основными характеристиками. Во-первых, общая добыча угля находится в диапазоне 3,6–7,8 млн тонн. Во-вторых, у них одинаковые условия обеспеченности ресурсами, а в-третьих, все они создали ту или иную форму структуры управления окружающей средой.Мы получили обновленные данные за 2019 год с помощью анкетирования и полевых исследований. Кроме того, предприятия должны принять надзор и оценку со стороны соответствующего административного органа. В результате долгосрочных исследований и изучения угольной промышленности Китая мы выбрали 30 угольных предприятий, которые представляют реальную и универсальную ситуацию с «зеленой» добычей полезных ископаемых в Китае. Все вышеперечисленные факторы описывают характеристики выборки для данного эмпирического исследования. Для достижения разумного уровня дискриминации одним из практических правил было ограничение количества входных и выходных индикаторов.Например, количество DMU должно как минимум в два раза превышать общее количество входов и выходов (Chen, 2009). Здесь у нас есть 30 DMU, ​​4 входа и 4 выхода на первом этапе и 5 входов и 3 выхода на втором этапе. Таким образом, наши результаты имеют разумный уровень дискриминации. Сводная статистика исходных данных (индексная форма) представлена ​​в таблице 3.

Таблица 3 . Сводная статистика входных и выходных показателей.

Эмпирическое исследование

Есть три основных вывода, как показано в таблицах 4, 5, рисунках 2, 3.Значения эффективности двухступенчатой ​​модели представлены в таблице 4. θ ₁ представляет собой значение эффективности первой ступени, а θ ₂ представляет собой значение эффективности второй ступени. Чтобы проиллюстрировать реальное состояние двухступенчатого уровня эффективности для каждого DMU, ​​мы нарисовали гистограмму на рисунке 2 по данным, приведенным в таблице 4. Особенности колебаний и ранжирования двухступенчатого уровня эффективности каждого DMU могут быть хорошо видно на рисунке 3.

Таблица 4 . Расчетные значения эффективности двухступенчатой ​​модели для каждого DMU.

Таблица 5 . Подробные результаты расчета расхода материалов.

Рисунок 2 . Двухэтапное значение эффективности каждого блока принятия решений (DMU).

Рисунок 3 . Кривая колебаний двухступенчатого уровня эффективности.

Во-первых, мы обнаружили, что значения эффективности для обеих ступеней резко колеблются среди 30 DMU, ​​как показано на рисунках 2, 3.Они показывают, что на различных угольных предприятиях имеется большой потенциал для повышения эффективности, особенно на этапе экологического руководства. Для угольных предприятий, уровень эффективности которых на втором этапе был относительно низким, было очевидно, что необходимо приложить усилия для повышения эффективности управления горнодобывающей промышленностью и окружающей средой, а также для поддержания баланса между экологическими и экономическими выгодами.

Во-вторых, по результатам сравнения показателей рейтинга эффективности 30 угольных предприятий, как правило, делятся на три категории.В этой статье мы определили категории в основном на основе рейтинговых баллов двухэтапного уровня эффективности. Верхние 6 значений двухступенчатого ранжирования значений эффективности составили первую категорию, в то время как последние 6 значений двухступенчатого ранжирования значений эффективности составили третью категорию, а средние 7–24 значения двухступенчатых значений эффективности относились ко второй категории. категория. Предприятия, у которых значения двухступенчатой ​​эффективности были одновременно высокими среди предприятий выборки, т. е. у которых значение эффективности занимало высокое место на обеих стадиях практически без различий, такие как S05, S06, S14 и S16, отчетливо видны на графике. 2, 4 и были отнесены к первой категории.Важно подчеркнуть, что предприятия первой категории получили высокие оценки как в области управления горнодобывающей промышленностью, так и в области управления окружающей средой. Следовательно, уровень синергетического развития на двух этапах самый высокий среди выборки. На самом деле эти предприятия постоянно стремились к синергетическому росту производительности как на этапе добычи полезных ископаемых, так и на этапе экологического управления. Предприятия, у которых значения эффективности второй ступени были ниже, чем у первой категории в разной степени, и чьи ранговые баллы значения эффективности также были ниже, чем у первой категории, т.е.д., S02, S04, S07, S08, S09, S10, S12, S13, S15, S17, S18, S19, S20, S21, S22, S23, S24, S25, S26, S27, S29 и S30, явно видны на рисунках 2, 4 и относятся ко второй категории. Также имеет смысл отметить, что отклонения в ранжировании значения эффективности второй ступени не только существовали, но и были больше, чем у первой категории. Логично, что уровень синергетического развития второй ступени был ниже, чем у первой категории. Очевидно, что в действительности эти предприятия, как правило, сосредоточивались на эффективности добычи полезных ископаемых, в некоторой степени пренебрегая экологическим управлением.Следовательно, у них, как правило, были плохие показатели экологического управления. Предприятия, уровень эффективности которых занял последние шесть позиций, такие как S01, S03, S11 и S28, показаны на рисунках 2, 4 и относятся к третьей категории. Нетрудно предположить, что именно низкие стандарты работы обусловили самые низкие показатели эффективности, ранжирующие статус предприятий третьей категории. Несомненно, предприятия третьей категории имели низкий синергетический уровень развития горнодобывающего и экологического управления.

Рисунок 4 . Ранжирование уровня эффективности двух ступеней для каждого DMU.

Кроме того, мы определили долю предприятий в трех различных категориях, как показано на рис. 5. Можно увидеть, что на долю предприятий второй категории приходится самый высокий процент среди всех предприятий выборки. Предприятия первой категории составили почти одинаковый процент среди всех предприятий выборки. Эта ситуация с процентным распределением напоминала структуру веретена.На самом деле такая структура распределения также соответствует реальному состоянию развития «зеленой» добычи угледобывающих предприятий в Китае на современном этапе.

Рисунок 5 . Процентное распределение предприятия по трем различным категориям.

В-третьих, мы смогли получить конкретные данные и соответствующие контрмеры для повышения уровня эффективности. Подробная информация о значении эффективности, эталоне (лямбда), пропорциональном движении, холостом ходе и прогнозируемом значении каждого входа и выхода может быть получена из результатов расчета экспортированной модели.Из-за нехватки места мы выбрали один вход расхода материала из DMU18 на первом этапе для отображения в таблице 5. Мы разработали контрмеры для корректировки его входного значения для оптимизации значения его эффективности в соответствии с соответствующими параметрами, экспортированными из результатов расчета модели. Основываясь на данных в столбцах пропорционального движения и слабого движения, мы скорректировали количество и направление входных элементов, чтобы достичь значения прогноза. Соответственно, значение КПД в конечном итоге может быть оптимизировано.Например, чтобы достичь прогнозируемого значения и оптимизировать значение эффективности DMU18 на первом этапе, мы можем уменьшить входное значение расхода материалов на первом этапе на 0,6853 млн юаней на основе информации, содержащейся в столбце пропорционального движения. . Между тем, мы можем уменьшить значение входного элемента расхода материалов DMU18 на первом этапе на 0,1873 миллиона юаней в соответствии с информацией, содержащейся в столбце холостого хода, чтобы достичь прогнозируемого значения 1.2514 миллионов юаней, тем самым рационально повышая эффективность. На самом деле, мы можем выполнить такие корректировки для всех входных и выходных показателей двух этапов в соответствии с параметрами, экспортированными из результатов расчета MAXDEA, чтобы реализовать повышение производительности «зеленого майнинга» на всех 30 DMU. Из-за нехватки места мы отобразили полную информацию в Приложении. Создавая количественные данные, все эти точные корректировки показывают, что это эмпирическое исследование является именно тем, что необходимо угольным властям для повышения эффективности «зеленой» добычи.

Выводы

В этом исследовании была создана двухэтапная структура системы «зеленой» добычи полезных ископаемых и коррелированная система индикаторов «затраты-выпуск» для оценки эффективности «зеленой» добычи. Кроме того, была предложена двухэтапная комбинированная модель DEA для оценки эффективности подсистемы добычи полезных ископаемых и подсистемы экологического управления 30 выборочных угольных предприятий, расположенных в центрально-западном регионе Китая в 2019 году. Это эмпирическое исследование предоставляет подробную информацию о значении эффективности, ранжировании эффективности. уровень, контрольный показатель масштаба возврата, значение холостого хода, значение пропорционального движения и значение проекции для 30 DMU.В совокупности вся эта информация предоставляет политикам (особенно на уровне предприятий) ценную информацию о мерах противодействия экологически чистой добыче полезных ископаемых. DEA широко применяется для оценки эффективности энергетической отрасли. Однако на сегодняшний день лишь немногие исследования пытались рассмотреть случай горнодобывающих предприятий путем одновременной оценки их эффективности управления горнодобывающей промышленностью и окружающей средой. Четыре ключевых вывода этого исследования заключались в следующем.

Во-первых, угольные предприятия были разбиты на три категории на основе сравнения их значений двухступенчатой ​​эффективности и ранжирования.Предприятия первой категории имели высокий рейтинг эффективности (6 лучших) как с точки зрения управления горнодобывающей промышленностью, так и с точки зрения экологического управления, а их уровень синергетического развития на двух этапах был самым высоким среди выборки. Следовательно, предприятия первой категории расценивались как «зеленые» горнодобывающие предприятия с высоким уровнем эффективности. Предприятия второй категории имели более низкий рейтинг эффективности как в области управления горнодобывающей промышленностью, так и в сфере охраны окружающей среды, чем предприятия первой категории. При этом большие отклонения в ранжировании эффективности на втором этапе второй категории свидетельствовали о том, что уровень синергетического развития на двух этапах был ниже, чем на первом этапе.В действительности предприятия второй категории в целом можно было бы рассматривать как «зеленые» горнодобывающие предприятия со средним уровнем эффективности. Предприятия третьей категории имели самый низкий рейтинг эффективности (самая низкая 6) на двух этапах. Соответственно, операционные возможности и синергетический уровень развития горнодобывающей промышленности и экологического управления были низкими. Поэтому было нереально обсуждать уровень эффективности «зеленой» добычи на предприятиях третьей категории.

Во-вторых, мы определили процент предприятий трех различных категорий.Из рисунка 5 видно, что на предприятия второй категории приходится самый высокий процент среди всех предприятий выборки. Разницы в соотношении предприятий первой и третьей категории почти не было. Оба они составили 13% предприятий выборки. Эта ситуация с процентным распределением воплотила в себе черты веретенообразной структуры. На самом деле, такая ситуация с распределением также соответствует реальному состоянию развития горнодобывающих предприятий в Китае на современном этапе.Этот вывод полезен для политиков, которым поручено сформулировать рациональные контрмеры, направленные на оптимизацию размещения угольной промышленности в центральном и западном регионах путем корректировки процентного распределения.

В-третьих, информация о параметрах, экспортированных из двухэтапной комбинированной модели DEA, определенно обеспечила количественную основу для повышения уровня эффективности. Это имеет решающее значение для руководителей угольных предприятий, которые стремятся к постоянному прогрессу в области внедрения экологически чистых месторождений и возможностей эксплуатации.

В-четвертых, результаты эмпирического исследования выявили ряд конкретных последствий для политики и контрмер по улучшению для горнодобывающих предприятий. Что касается серьезного ущерба окружающей среде, который сопровождал добычу угля в Китае на протяжении десятилетий, первоочередное внимание следует уделить созданию системы политики экологически чистой добычи, чтобы побудить горнодобывающие предприятия взять на себя ответственность за внедрение экологически чистого и низкоуглеродного развития.

С точки зрения оптимизации промышленной схемы угледобычи властям следует создать систему оценки эффективности «зеленых» горных работ на угледобывающих предприятиях на основе двухэтапной модели и в строгом соответствии со статусом ранжирования эффективности двухэтапной модели сформулировать набор правил, необходимых для ликвидации предприятий, которые работают плохо.Согласно нашему эмпирическому исследованию, предприятия третьей категории имели самые низкие показатели эффективности в двухэтапной модели. Это означает, что по результатам количественной оценки такие предприятия должны быть ликвидированы. Между тем, чтобы повысить эффективность «зеленой добычи» в горнодобывающем секторе, властям следует также разработать политику стимулирования для стимулирования разумного расширения и роста предприятий первой категории.

С точки зрения технологических инноваций властям следует усилить применение и реформирование экологически чистых технологий добычи полезных ископаемых.В настоящее время «зеленые» горнодобывающие технологии в первую очередь связаны с засыпкой шахт, сохранением воды, одновременной добычей угля и газа, окислительной утилизацией метана вентиляционного воздуха (МВВ) и снижением пустой породы. В частности, властям следует сформулировать правила и установить стандарты для поощрения применения «зеленых» технологий добычи и одновременного ограничения использования старых методов добычи на уровне угольных предприятий. Правительство также должно способствовать инновациям в области экологически чистых горнодобывающих технологий с помощью механизмов сотрудничества путем создания эффективных операционных систем, организованных государственными секторами, коммерческими корпорациями и угольными предприятиями.Важно определить приоритетные области применения технологий и инноваций. Технологии извлечения и комплексной утилизации метана, безусловно, имеют большое значение для повышения эффективности управления природопользованием на втором этапе. Поэтому крайне важно продвигать разработку политики в отношении применения и инноваций технологий извлечения и комплексной утилизации метана на угледобывающих предприятиях.

С точки зрения институциональных инноваций, для осуществления строгого контроля за производственным поведением, которое намеренно игнорирует экологические показатели, властям следует усилить соответствующее законодательство и нормативные акты.Что касается позитивной институциональной структуры, то следует разработать целесообразные налоговые субсидии и политику финансовой помощи, чтобы стимулировать предприятия к всестороннему использованию метана угольных пластов, угольной пустой породы и других сопутствующих ресурсов. Например, следует ввести политику освобождения от налога на добавленную стоимость (НДС) для импортного оборудования, чтобы побудить предприятия инвестировать в современное оборудование, которое способствует чистому производству и внедрению «зеленой» добычи полезных ископаемых. Кроме того, из бюджета центрального правительства может быть создан фонд помощи экологически безопасным горнодобывающим предприятиям для финансирования модернизации технологий контроля газа в угольных шахтах.Между тем каналы системы «зеленой» добычи полезных ископаемых можно увеличить за счет выпуска казначейских облигаций и создания финансовых инструментов (Zhu et al., 2019). Что касается государственного управления, власти должны создавать и совершенствовать институты общего управления заинтересованных сторон для достижения цели совместного прогресса между предприятиями и обществом. Механизмы совместного управления также могут служить важным фактором для осуществления прозрачного и строгого надзора за раскрытием информации, касающейся эффективности экологического руководства угольных предприятий.

Заявление о доступности данных

Все наборы данных, созданные для этого исследования, включены в статью/дополнительный материал.

Вклад авторов

YW придумал идею и разработал модель. YL и SW собрали данные и завершили программирование. SW проанализировал результаты и написал статью.

Финансирование

Эта работа была поддержана грантами провинциального и министерского совместного фонда Китая по добыче метана из угольных пластов (No.2015012017).

Конфликт интересов

Авторы заявляют, что исследование проводилось при отсутствии каких-либо коммерческих или финансовых отношений, которые могли бы быть истолкованы как потенциальный конфликт интересов.

Каталожные номера

Баец, П., и Туляк-Субан, Д. (2019). Интегрированная аналитическая иерархия обрабатывает модель анализа охвата данных, основанную на измерениях, для оценки эффективности поставщиков логистических услуг с учетом нежелательных критериев эффективности. Устойчивое развитие 11, 1–18. дои: 10.3390/su11082330

Полнотекстовая перекрестная ссылка | Академия Google

Би, Г.-Б., Сун, В., Чжоу, П., и Лян, Л. (2014). Влияет ли экологическое регулирование на энергоэффективность производства тепловой энергии в Китае? Эмпирические данные модели DEA на основе брюк. Энергетическая политика 66, 537–546. doi: 10.1016/j.enpol.2013.10.056

Полнотекстовая перекрестная ссылка | Академия Google

Биан Ю. и Ян Ф. (2010). Анализ эффективности использования ресурсов и окружающей среды в провинциях Китая: подход DEA, основанный на энтропии Шеннона. Энергетическая политика 38, 1909–1917. doi: 10.1016/j.enpol.2009.11.071

Полнотекстовая перекрестная ссылка | Академия Google

Чарнс, А., Купер, В.В., и Родс, Э. (1978). Измерение эффективности подразделений, принимающих решения. евро. Дж. Опер. Рез. 2, 429–444. дои: 10.1016/0377-2217(78)