基于DEA-Tobit模型的中国省际能源效率影响因素分析

夏玲，樊宏，吴万水，朱帮助

（五邑大学 经济与管理学院，广东 江门 529020）

基于DEA-Tobit模型的中国省际能源效率影响因素分析

夏玲，樊宏，吴万水，朱帮助

（五邑大学 经济与管理学院，广东 江门 529020）

结合能源效率的内涵与特点，构建以能源消费总量、从业人数以及资本存量为投入指标，GDP和环境影响（非期望产出）为产出指标的能源效率评价指标体系；用超效率DEA方法建立了能源效率评价模型，并评价了2003—2010年我国30个省市的能源效率. 运用Tobit模型对我国能源效率的关键影响因素进行了计量分析，结果表明：第二产业占GDP的比重与能源效率负相关，技术进步、经济发展水平、进口依存度与能源效率正相关.

能源效率；超效率DEA；Tobit模型

能源是人类社会发展和经济增长的最基本的驱动力. 近30年来，我国经济一直保持高速增长，但增长方式粗放，高能耗产业比重较高，能源效率较低. 随着中国未来能源需求量的日益攀升，能源供需矛盾凸现，提高能源效率迫在眉睫. 因此，有必要深入把握能源效率变动的关键影响因素，以找到提高能源效率的有效途径.

近年，国内外学者针对能源效率影响因素开展了富有成效的研究工作. Fisher-Vander Karen等[1]研究了我国2 500个高能耗的大中型企业，分析结果表明能源价格、研发支出、所有者形式和产业结构是影响这些企业能源效率的主要因素. Wankeun等[2]认为能源消费与经济增长具有基于时间变化的因果关系，即在某一段时间有因果关系，另一些时间段又不具有因果关系. 史丹[3]就能源效率的提高从对外开放、结构变化和市场化程度三个方面进行解释，认为改革开放以来，我国能源消费增长速度减缓甚至下降的根本原因是能源利用效率的改进. 李廉水等[4]用 DEA-Malmquist方法对1993—2003年我国 35种工业行业能源效率研究发现，技术效率是工业部门能源效率提高的主要成因，科技进步的作用相对较低，但是随着时间推移，科技进步的影响逐渐增强，而技术效率的贡献则慢慢减弱. 魏楚等[5]对我国 1995—2004年各省能源效率计量分析发现，第三产业在 GDP中所占比重对能源效率的提高具有正面作用，政府财政支出比重、进出口所占比重对能源效率高低具有负面影响. 吴琦等[6]利用超效率 DEA对 1978—2007年我国能源效率进行了评价，并计量分析了专利授权数、第三产业产值比重、天然气消费比重和水电消费比重对我国能源效率的影响.

上述研究显示，应用DEA开展能源效率影响因素研究是有效的. 然而，现有研究所采用的能源效率测度方法基本上是传统的 DEA模型，且构建的投入产出指标中没有考虑环境因素的影响，因此无法准确计算能源效率值. 此外，目前研究大多只对行业和国家层面能源效率进行评价，很少利用各省面板数据分析能源效率的关键影响因素. 鉴于此，我们试图构建合理的投入产出指标体系，利用超效率DEA模型测算出各省的能源效率，利用Tobit模型对我国各省2003—2010年能源效率的关键影响因素进行计量分析，找到影响我国能源效率的关键因素，并揭示各个因素对我国能源效率的正负影响关系和大小，进而为我国提高能源效率提供决策参考.

1 能源效率的DEA评价

1.1 CCR-DEA模型

DEA的基本模型是CCR-DEA模型，它可用于评价决策单元之间的综合相对有效性.

其中，θ为该决策单元 DMUj0的有效值； xj代表DMUj的投入要素集合； yj代表DMUj的产出要素集合；n代表决策单元数； λj代表相对于 DMUj0重新构造一个有效 DMU组合中第 j个决策单元DMUj的组合比例； x0、 y0分别代表 DMUj0的投入向量和产出向量； s-和s+为松弛向量.

若最优值 θ =1，且 s-=s+=0，则说明该决策单元为DEA有效；若最优值 θ =1，但 s-≠0或 s+≠0，则说明该决策单元为弱DEA有效；若最优值 θ＜ 1，则表明该决策单元为非DEA有效，但θ值越大，DEA的相对有效性越高. 据此可比较和评价决策单元的相对有效性.

1.2 超效率DEA模型

超效率 DEA（SE-DEA）模型是指在评价第 j个决策单元效率时，用其他所有决策单元投入和产出的线性组合代替第 j个决策单元的投入和产出，从而排除第 j个决策单元（传统DEA模型是将这一单元包括在内的[7]）. 一个有效的决策单元是其投入按比例增加或减少，但效率仍保持不变，其投入增加或减少的比例即该决策单元的超效率评价值；而能源效率无效的决策单元，其效率值与CCR-DEA模型结果一致. SE-DEA模型区分了能源效率有效（效率值等于1）的决策单元的效率差异，并能够有效排序所评价的决策单元.

1.3 投入产出指标体系的确定

合理的投入产出指标体系关系到 DEA模型评价能源效率的有效性和准确性，同时也是能源效率评价的前提和基础. 在运用DEA模型时，选取投入产出指标的原则是：投入越小越好，产出越大越好. 综合多种因素，本文以资本存量、劳动力和能源消费为投入指标，以实际GDP和环境影响为产出指标，具体选取如下：

1）能源资源，使用各省每年的能源消费总量来表示所投入的能源资源，并统一折算成万吨标准煤；

2）人力资源，人力投入为各省当年的从业人员数，即年初从业人员数和年末从业人员数加总后的平均数；

3）资本资源，选用各省资本存量度量资本投入；

4）经济产出，以各省实际GDP为产出指标；

5）环境影响，选取能源利用过程中评价单元排放的废气、废水和固体废弃物排放量. 废气选取二氧化碳、二氧化硫、烟尘和工业粉尘排放量，废水选取化学需氧量排放量和氨氮排放量，固体废弃物选取了工业固废排放量[8].

模型的投入指标体系从人、财、物3个角度考虑了决策单元的投入，产出指标体系从经济产出指标和环境产出指标来综合考虑. 前者较好地反映了能源利用的产出规模和经济效益，后者反映了经济产出对环境造成的影响：因此，本文建立的投入产出指标体系，较好地反映了能源效率评价的投入和产出，能更全面准确评价各省能源效率值.

1.4 数据来源与描述

本文数据选自2003—2010年《中国统计年鉴》. 考虑到数据的可获得性，不包括西藏、澳门、香港和台湾. 由于缺乏 2001年宁夏的能源消费总量，我们取其前后两年的平均数补值；鉴于 2006年底我国各省从业人员的具体数量难以获取，用 2005年底和 2007年底的平均值代替. 本文参照张军[9]对资本存量的估算方法推算2000—2010年各省的资本存量. GDP选取各省2003—2010年的实际值并换算为2000年的不变价. 环境影响通过主成分分析法将7个子污染指标(万吨)进行统一处理，选取两个主成分，累计贡献率达85.2%，满足计算要求.

1.5 SE-DEA实证结果

环境影响是一种非期望产出，但又不可避免，本文将其作为可自由处置的投入变量来考虑[10]. 能源效率投入产出指标总数为4，决策单元数为30. 用SE-DEA计算中国各省能源效率，结果见表1.

表1 基于SE-DEA的中国各省2003—2010年的能源效率

从能源效率值角度，北京、上海、广东、福建四省2003—2010年都处于有效前沿面上，宁夏、青海、山西、贵州、新疆、山西，能源效率0.4～0.6，即能源效率较低.

从能源效率变化角度，北京、甘肃、贵州、山西、河北等能源效率提高较快，原因主要是这些省市近年来注重技术创新和新技术的应用，注重产业升级与转型；甘肃、贵州和山西，则是由于国家西部大开发的大力支援，同时对矿产资源进行整顿，使西部地区能源消费更加合理，促使能源效率提高较快；辽宁、福建、天津、江苏、吉林、海南和内蒙古等能源效率出现下降，其原因可能是国家为振兴东北老工业基地、沿海大型制造业内迁、部分省市没有及时调整产业结构和开发利用新技术和新能源.

2 Tobit 模型分析省际能源效率影响因素

2.1 Tobit模型

由 DEA模型计算出的各地区效率值的取值范围是[0,1]，属于截断数据，若直接以该值为被解释变量建立计量模型，用普通最小二乘法对模型进行回归后，参数的估计将有偏差且不一致. Tobit模型能够较好地解决这个问题，实践中多数研究也均采用Tobit模型处理截断数据的计量模型问题. Tobit 模型[11]如下：

其中，σ是尺度参数，是确定值，需要和参数β一同估计； εi~N(0， σ2)；被解释变量由式（4）确定：

当yi＞ 0时，被解释变量去无限制的实际观测值；当 yi≤ 0时，被解释变量受限制，均截取0来表示. Tobit模型选用最大似然函数法估计变量参数.

2.2 模型构建与数据说明

本文假设能源效率的影响因素是：产业结构、技术进步、对外开放程度和经济发展水平[12]. 产业结构用第二产业占GDP的比重表示，与能源效率呈负相关；对外开放程度用进口依存度表示，与能源效率呈正相关；技术进步用授权专利数表示，与能源效率呈正相关；经济发展水平用人均GDP表示，与能源效率呈正相关.

基于上述假设，用2003—2010年各省面板数据建立能源效率的Tobit回归模型，分析上述4个因素对能源效率的影响.

其中，y为各省的能源效率值，c为常数项，ε为误差项，1x为各省第二产业占GDP的比重，2x为各地区的人均GDP，3x为各省的授权专利数，4x为进口依存度.

样本数据选自2003—2010年《中国统计年鉴》，专利授权数为发明、实用新型和外观设计三种专利授权数之和；人均GDP选取各省实际值，并换算为2000年的不变价；进口依存度以进口总额/GDP表示；产业结构的变动以第二产业占GDP的比重表示；由于专利数和人均GDP与其他变量差异较大，需对二者进行标准化处理. 能源效率值取表1的数值.

2.3 结果分析

本文采用Eviews6.0软件对各省2003—2010年能源效率与影响因素进行Tobit回归，结果如表2所示. 由表2可知，回归结果与假设基本一致.

表2 能源效率影响因素的Tobit回归结果

x 0 . 0 1 9 0 . 0 1 1 1 . 7 2 7 0 . 0 8 4 3 x 0 . 4 0 0 0 . 0 5 2 7 . 6 9 6 0 . 0 0 0 c 0 . 8 1 6 0 . 0 3 6 2 2 . 6 8 6 0 . 0 0 0 4

第二产业占GDP的比重越高，能源效率越低，即第二产业占GDP的比重对能源效率具有负面影响. 现阶段我国大部分地方尚处于工业化和城市化进程中，各省第二产业的比重仍维持在较高水平，且其中资源密集型行业所占比重较大. 以2010年为例，第二产业比重较低的北京、上海、海南，其能源效率分别为1.396、1.284、0.914远高于其他省市能源效率值；而第二产业比重较高的青海、山西、内蒙古，其能源效率值分别为0.501、0.545、0.570，处于全国较低水平.

人均GDP对能源效率具有正向作用，并通过1%的显著性检验. 2003—2010年，上海和北京的人均GDP在全国排前两位，而能源效率最优的省份也是北京与上海，即人均GDP对提高能源效率有积极作用. 随着我工业化进程的深入，先进知识技术和设备的广泛使用，促进了经济发展，同时也提高了能源效率.

专利授权数对能源效率具有正向作用，并通过10%显著性检验. 2003—2010年，专利授权总数最多的省市为广东、浙江、江苏、上海、北京，其能源效率均优于与其他省份；相反，专利总数最少的省份依次为：青海、宁夏、甘肃、内蒙古，其能源效率远低于其他各省.

进口依存度能够促进能源效率提高，并通过1%显著性检验. 2003—2010年，北京、上海、广东进口依存度平均值排前三名，其引进了先进技术和资本密集型机器设备，有效提高了能源效率. 相反，河南、贵州、陕西进口依存度较低，他们主要以劳动资源密集型产品输出为主，能源消耗加剧，能源效率较低.

3 结论

基于全要素投资效率框架，结合DEA模型的要求和能源效率的内涵与特点，综合考虑人、财、物，本文选取以劳动力、资本存量和能源消费量为投入指标，以期望产出（GDP）和非期望产出（环境影响）为产出指标构建评价指标体系，构建了能源效率投入产出评价指标体系：

1）SE-DEA计算结果显示，北京、上海、广东、福建一直处于有效前沿面上. 主要原因在于这些省对外开放程度高，科技投入量大，产业升级快，环境污染少，新能源的开发利用速度快.

2）Tobit模型计量分析表明，第二产业占 GDP的比重对能源效率具有负向作用，人均 GDP、专利授权数和进口依存度对能源效率具有正向作用.

基于上述实证结论，当前提高我国能源效率的途径主要是：遏制高耗能产业的过快增长，适度降低第二产业的比重；加快产业结构调整，平衡三大产业比例，大力发展第三产业，积极扶持战略性新兴产业，严格限制“高耗能、低产出”产业的发展，逐步淘汰落后产出企业，促进经济发展方式的根本转变，加快构建节能型产业体系；积极促进能源科技转型，加大再生能源、清洁能源的技术研发，注重能源利用各环节的技术创新，促进能源利用效率的提高.

[1] FISHER K V, GARY H J, LIU Hongmei, et al. What is driving China’s decline in energy intensity[J]. Resource and Energy Economics, 2004, 26(1): 77-97.

[2] OH Wankeun, LEE Kihoon. Causal relationship between energy consumption and GDP revisited: the case of Korea 1970—1999[J]. Energy Economics, 2004, 26: 51-59.

[3] 史丹. 我国经济增长过程中的能源利用效率改进[J]. 经济研究，2002(9): 49-56.

[4] 李廉水，周勇. 技术进步能提高能源效率吗？——基于中国工业部门的实证检验[J]. 管理世界，2006(10): 82-89.

[5] 魏楚，沈满洪. 能源效率及其影响因素：基于DEA的实证分析[J]. 管理世界，2007(8): 66-76.

[6] 吴琦，武春友. 我国能源效率关键影响因素的实证研究[J]. 科研管理，2010(5): 164-171.

[7] 王平. 基于超效率DEA的企业自主创新项目投资方案决策[J]. 企业经济，2011(2): 156-161.

[8] 吴琦，武春友. 基于DEA的能源效率评价模型研究[J]. 管理科学，2009, 22(1): 103-112.

[9] 张军，吴桂英，张吉鹏. 中国省际物质资本存量估算：1952—2000[J]. 经济研究，2004(10): 35-44.

[10] 王群伟，周德群，王思斯. 考虑非期望产出的区域能源效率评价研究[J]. 中国矿业，2009, 18(9): 36-40.

[11] 姚晋兰，毛定祥. 基于DEA-Tobit两步法的股份制商业银行效率评价与分析[J]. 上海大学学报：自然科学版，2009, 15(4): 436-440.

[12] 李治，李国平. 中国城市能源效率变化趋势特征及其影响因素分析[J]. 工业经济研究，2010(2): 25-30.

The Influence Factors Analysis of Chinese Provincial Energy Efficiency Based on DEA-Tobit Model

XIA Ling, FAN Hong, WU Wan-shui, ZHU Bang-zhu
(School of Economics and Management, Wuyi University, Jiangmen 529020, China)

Based on the connotation and characteristics of the energy efficiency, an energy efficiency evaluation index system that based on total energy consumption, working stuff population and capital stock as input index, GDP and environmental impact (the unexpected outputs) as output index is proposed. The energy efficiency evaluation model is established by using super-efficiency DEA method. 30 provinces and cities’ energy efficiency in China from 2003 to 2010 is evaluated. The key impacts of energy efficiency are analyzed by using Tobit model. The results show that: the percentage of the second industry in GDP has a negative correlation with energy efficiency, while the aspects of technological progress, economic development level and the import dependence have a positive correlation with energy efficiency.

energy efficiency; super-efficiency DEA; Tobit model

1006-7302（2012）04-0047-06

F223

A

2012-06-18

国家自然科学基金资助项目（No.71201010）；国家博士后科学基金特别资助项目（201104057）；广东省自然科学基金资助项目（S2011010001591）；江门市科技计划（江财工[2010]131号；江财工[2010]210号）；五邑大学青年教师基金资助项目（201105250949364）

夏玲（1987—），女，湖南益阳人，在读硕士生，研究方向为能源经济与管理；朱帮助，副教授，博士，硕士生导师，通信作者，研究方向为能源经济与管理、能源市场与碳市场、商务智能.

熊玉涛]