全要素视角下中国西部地区能源效率及影响因素

刘丹丹，赵颂扬旸，郭 耀（.东北财经大学统计学院，辽宁 大连 6025；2.大连理工大学管理与经济学部，辽宁 大连 6024）

全要素视角下中国西部地区能源效率及影响因素

刘丹丹1，2*，赵颂扬旸1，郭 耀1（1.东北财经大学统计学院，辽宁 大连 116025；2.大连理工大学管理与经济学部，辽宁 大连 116024）

将非期望产出纳入到投入产出指标体系中，运用超效率DEA方法测算出2003～2012年中国29省区的全要素能源效率，利用Malmquist指数对西部地区全要素能源效率变动进行分解，并应用Tobit模型研究了西部地区全要素能源效率的影响因素.结果表明：西部地区全要素能源效率远低于东部地区，也略低于中部地区，说明西部地区整体能源利用效率较低；西部地区省际间全要素能源效率存在明显差异，但这种内部差异近年来逐步缩小；西部地区全要素能源效率在样本期间整体呈下降趋势，技术进步、纯技术效率变化、规模效率变化对全要素能源效率都有显著影响，技术退步是导致西部地区全要素能源效率下降的主要原因；产业结构优化和技术进步对提高全要素能源效率有积极作用，而能源价格和煤炭消费比重对全要素能源效率有负向影响.

全要素能源效率；超效率DEA；Malmquist指数；Tobit模型；中国西部地区

世界能源委员会将能源效率定义为“减少提供同等能源服务的能源投入”，具体可用某一生产过程中的有用产出与能源投入之比来计算.Patterson［1］基于帕累托效率对能源效率进行了定义，即使用较少的能源创造出相同数量的服务或者其他有价值的产出，这也是目前学术界较为认可的定义.

早期研究多用一个指标来反映能源效率，随着研究的深入，学者们逐渐达成共识，即能源效率是一个指标群而非单一指标.王庆一［2］将能源效率分为物理能效和经济能效两部分，并进一步将物理能效指标分解为热效率以及单位产品或者服务的能耗，将经济能效指标分解为能源成本效益以及单位产值能耗.魏楚等［3］参考投入产出的度量指标，把能源利用效率归为4类：热力学指标、物理-热量指标、经济-热量指标、纯经济指标.魏一鸣等［4］整合了多数研究者的观点，将能源效率指标分为7类，并系统剖析了各类指标的理论依据、假设前提以及适用范围.这7类指标分别是：能源宏观效率、能源实物效率、能源物理效率、能源价值效率、能源要素利用效率、能源要素配置效率、能源经济效率.对于一个国家或地区，能源经济效率是相对理想的能源效率测度指标.

目前关于能源效率的研究主要集中在能源效率的测算、影响因素及收敛性等方面.能源效率的测算包括单要素能源效率和全要素能源效率两种思路，单要素能源效率属于较为传统的能源效率测算方法，由于不能反映潜在的能源技术效率而逐渐被摒弃.全要素能源效率基于生产函数理论，把参与生产过程的所有要素均纳入到测算体系中，能够更准确地反映能源效率.

全要素能源效率测算方法主要包括参数法和非参数法两类.参数法是利用事先设置函数形式的办法进行参数估计，能够作为参数法先验函数的有C-D函数、CES函数、Translog函数、随机前沿函数等.史丹等［5］利用随机前沿生产函数的区域能源效率差异分析模型分析了造成我国1980～2005年间能源效率差异的因素，并取得了理想的效果.但参数法的缺陷是有时会出现预设生产函数与现实不符的情况，并且利用随机前沿法解决多产出问题往往存在一定的困难.

非参数法的原理为利用数据驱动得到一条线性的包络凸面，将该凸面作为生产前沿，从而避免参数函数的估计.最常用的非参数法是数据包络分析（DEA），它是把投入产出点映射到空间内，将最小投入以及最大产出作为效率边界，然后基于此测算其他点与边界之间的离差程度.Hu等［6］首次将全要素能源效率指数引入能源效率评价，将资本存量、劳动力、能源等因素作为多元投入，应用DEA方法测算了中国1995～2002年29省的全要素能源效率.Chang［7］对Hu等的模型进行了改进，以非产出增长模型来计算全要素能源效率.魏楚等［8］使用DEA方法测算出中国各省的能源效率，并分析了各省之间能源效率差异的影响因素.师博等［9］在传统生产函数中增加了知识存量，然后通过超效率DEA模型测算出中国不同地区的能源效率.屈小娥［10］基于超效率DEAMalmquist生产率指数测算了1990～2006年全国30个省份的全要素能源效率及技术进步、技术效率指数.曾贤刚［11］基于DEA方法构建出一个包含CO2排放量的综合能源效率指标，利用2000～2007年省际面板数据计算了中国30个省市的综合能源效率.王维国［12］基于序列DEA的方向性距离函数及Malmqulist-Luenberger 指数测度了1999～2010年我国 28 个省区市及东、中、西三大区域的全要素能源效率的动态变化及其分解变量.徐丽萍等［13］基于隐含能思想提出了行业完全能源效率的概念，并将投入产出模型与DEA方法相结合建立模型，对北京市42个行业的完全能源效率进行了评价.

关于能源效率的影响因素，大多数学者认为能源效率改善的重要原因是技术进步以及产业结构调整.关于产业结构对能源效率的影响，Denison［14］和Maddison［15］指出，如果能源要素从生产率较低的部门向生产率较高的部门转移，经济实体的整体能源效率就会有所改善，反之亦然.关于技术进步对能源效率产生的影响，Khazzoom［16］指出，由于技术进步存在“回弹效应”，即技术进步虽然能够提高能源效率，减少能源消耗，但同时也会提高生产率，促进经济增长，从而增加能源需求，抵消部分能源消费减少，因此无法准确估计出技术进步指数.除了上述两个因素，Renshaw［17］指出能源价格也是引起能源效率变化的重要因素.相关研究表明，影响中国能源效率的因素有技术进步、产业结构、所有权结构等，但某些因素的影响方向和程度还存在争议，这可能是由于能源效率的定义、分析层面、时间段及研究方法不同造成的.吴巧生等［18］的研究表明，中国能源消耗强度减小的原因主要是各部门能源利用率提高，这其中最关键的因素是技术进步.王群伟等［19］利用Malmquist 指数对1993～2005年我国28个省区的全要素能源效率变动进行了分解，证明技术效率对能源效率的影响程度甚至超过了技术进步，原因是技术进步会产生回弹效应.袁晓玲等［20］指出，产业结构、所有权结构、能源消费结构以及能源禀赋等因素与能源效率呈显著负相关关系，能源价格则与能源效率呈弱正相关关系.但是，也存在着一些其他的看法，如史丹［21］认为产业结构对能源效率有影响并不是因为第二产业在国民经济中的比重，而可能是因为第二产业尤其是工业的技术水平.李廉水等［22］认为技术效率比技术进步更有利于提高工业部门的能源效率.关爱萍等［23］发现，能源价格对提高能源效率有抑制作用.Li等［24］利用SBM模型研究了2005～2009年中国的全要素能源效率及其影响因素，发现研发投入和外贸依存度对能源效率有正向影响，第二产业比重和政府对工业污染的补贴对能源效率有负向影响.

上述研究在全要素能源效率领域进行了有价值的探索，但总体而言仍然存在以下两点不足：（1）大部分研究沿用“多投入-单产出”方式测算能源效率，鲜有人将环境污染带来的“负产出”效应纳入指标体系，少数考虑环境因素的研究中，也仅仅考虑了二氧化碳排放量等单一指标；（2）现有研究主要针对全国、行业、个别省份，针对某一区域能源效率的研究很少，且为某一时期的平均值，无法反映能源效率的变动趋势.

中国西部地区包括四川、广西、贵州、陕西、云南、内蒙古、甘肃、青海、宁夏、新疆、重庆、西藏共十二个省区，疆域辽阔，资源丰富，截至2012年年底，西部地区石油基础储量占全国基础储量的37.65％；天然气基础储量占全国基础储量的84.80％.但是，西部地区丰富的自然资源不仅没有促进经济发展，反而对经济增长产生了负效应，2012年西部地区GDP仅占全国的19.76％，全国大部分贫困人口也都分布于西部地区.学术界将这种“富裕的贫困”现象称为“资源诅咒”效应［25］.

近年来，随着西部大开发的深入实施，西部地区经济增长步伐明显加快，但是过度能源消耗和污染严重等问题始终是制约西部地区经济发展的重要因素.为了帮助西部地区破解“资源诅咒”，提高能源利用效率，充分发挥能源对经济发展的推动作用，本文将非期望产出纳入到能源效率评价体系中，用主成分分析法将5种污染物排放量综合成为一个污染排放指标，建立“多投入-多产出”模型，运用超效率 DEA 方法测算出2003～2012年中国29省区的全要素能源效率，利用Malmquist指数将西部地区全要素能源效率变动分解为技术进步、纯技术效率变动和规模效率变动，并采用Tobit模型对影响能源效率的因素进行研究，以期为提高西部地区能源效率提供有价值的参考.

1 研究方法、指标选取及数据来源

1.1 超效率DEA方法

引入松弛变量s-和剩余变量s+，可以得到其对偶线性规划

式中：θ为决策单元的有效值.

但是传统C2R模型不能进一步区分多个同时处于生产前沿面的DMU（决策单元）的相对效率，针对上述情况，Anderson等［26］提出了超效率（Super-Efficiency）DEA模型.与传统DEA模型相比，超效率DEA模型主要考虑被评价DMU相对于其他DMU的效率，测算时将效率得分为1的DMU（即有效DMU）从参考效率前沿面分离出去，因而能够进一步区分出有效DMU之间的相对效率差异，可对所评价的DMU进行有效的比较与评价.

面向投入的超效率DEA模型可表示为［27］：

其对偶模型可以表示如下：

超效率DEA模型构造参考集时，排除了被评价DMU原来的投入和产出，用其他DMU的投入和产出的线性组合代替其投入和产出.因此，在超效率DEA模型中，无效DMU的效率值与C2R模型一致，而有效DMU的效率值有可能大于1.

1.2 Malmquist指数

Malmquist指数最早由瑞典统计学家Malmquist于1953年提出，目前普遍采用的是Fare等构建的基于DEA方法的Malmquist指数.

以t时期技术为参照，基于产出角度的Malmquist指数可以表示为：

同理，以t+1时期技术为参照，基于产出角度的Malmquist指数可以表示为：

为避免时期选择的随意性所造成的差异，Caves等［28］仿照Fisher理想指数的构造方法，取二者的几何平均数作为衡量从t期到t+1期生产率变化的Malmquist指数，即：

式中（xt+1，yt +1）、（xt，yt）分别表示t+1期和t期的投入和产出向量；和分别表示以t时期技术为参照，t+1期和t期的距离函数.

Malmquist指数可以分解为纯技术效率变动，技术进步以及规模效率变动，即：

式中：PTEC（Pure technical efficiency change）表示纯技术效率变动，指不同时期决策单元相对于生产前沿的距离的比值；TC（Technical change）表示技术进步，即生产前沿的移动对生产效率变化的影响程度；SEC（Scale efficiency change）表示规模效率变动，通过比较在同一生产前沿上的不同时期投入的规模效率，反映规模经济变动对生产效率变动的作用.利用Malmquist指数，可以对全要素能源生产率变动及其分解因素进行研究.

1.3 投入产出指标及数据来源

选取2003～2012年除西藏自治区、台湾省、重庆市、香港和澳门特别行政区以外的29个省、直辖市、自治区（以下称为省区）的数据作为能源效率评价的决策单元，从模型结果中选出西部10省区1本文中西部地区包括内蒙古、广西、四川、贵州、云南、陕西、甘肃、青海、宁夏、新疆等10个省区，西藏和重庆由于数据不全而不包括在内.的结果进行分析.

本文参考Rashe［29］建立的3要素生产函数，选取能源、人力和资本作为投入要素.

（1）能源投入

本文选取各省当期能源消费总量作为能源投入指标，由于各种类型能源的量纲及单位能源热值的不同，采用统一折算为“万吨标准煤”的能源消费总量指标.数据来源于《中国能源统计年鉴》［30］.

（2）人力资源投入

现有研究大多采用当期从业人员数量作为人力资源投入，该指标仅反映了劳动力数量的变化，没有反映劳动者素质的差异.为了综合反映劳动力数量的变化与劳动力素质的差异，本文将年末社会从业人员总数与15岁以上人口的平均受教育年限的乘积作为人力资源投入总量.数据来源于第六次人口普查数据和《中国统计年鉴》［31］.

（3）资本投入

大多数学者认为资本存量可以较为精确地代表生产过程中的资本投入，但目前从统计年鉴中无法直接获取资本存量数据，本文参照多数学者的做法，采用张军等［32］对中国各省2000年资本存量现值的测算结果，以此为基准推算得到2003～2012年的资本存量，并用2000年不变价格进行缩减.

产出指标同时考虑期望产出与非期望产出，以反映经济发展质量与节能减排成效.

（1）期望产出——经济产出

本文采用GDP作为期望产出指标.数据来自《中国统计年鉴》［31］，以2000年不变价格进行了缩减.

（2）非期望产出——污染物排放

本文将二氧化碳排放量、二氧化硫排放量、烟尘排放量、氮氧化物排放量、化学需氧量排放量这5个指标作为污染物产出原始指标，并利用主成分分析法将5个指标合成为一个污染物排放指标.主成分分析法是因子分析法的一种，也是应用最广泛的一种.主成分分析法通过坐标变换对原有变量进行线性组合，选取前几个方差较大的主成分来反映原有变量的绝大部分信息，从而有效降低变量维数.本文采用主成分分析法求解初始公共因子特征值、方差贡献率及累计方差贡献率，计算结果表明各年度特征值大于1的公共因子累计方差贡献率均在70％以上，能够反映原始数据平均72.96％的信息，具有较好的代表性.根据公共因子载荷矩阵计算各年度各省的综合得分，即为污染物排放综合指数WR.

DEA模型包含一个基本假定，即以尽可能小的投入提供尽可能多的产出，而污染物排放表现为负的社会效应，其值应该是越小越好，因此需要转换后才能代入模型.本文采用线性函数WR′=WR+v 对其进行转换，其中v是一个足够大的正数，根据WR的值取v=5.

考虑非期望产出的全要素能源效率能更客观地反映能源投入与产出之间的关系，由于产出指标中包含非期望产出，计算的全要素能源效率值预计比不包含非期望产出的效率值低.

2 西部地区全要素能源效率测算及分解

2.1 西部地区省际全要素能源效率测算

本文关注的是能源作为区域经济增长的一种投入要素，因此选取基于投入导向的超效率DEA模型，利用EMS软件，得到2003～2012年中国各省的全能要素效率值，从中选出西部10省的数据进行分析（表1）.

表1的数据显示，2003～2012年，我国东部、中部和西部三大区域全要素能源效率呈现出“东—中—西”由高到低的格局，东部地区的平均能源效率为0.8572，明显高于全国整体水平和中部、西部地区；西部地区的平均能源效率最低，为0.7641，中部地区的平均能源效率为0.7643，略高于西部地区，且二者之间的差距逐渐缩小.由于引入了非期望产出指标，本文计算的全要素能源效率值比其他类似研究计算的数值要低，且各地区的能源效率都呈现出比较明显的下降趋势，这说明如果不考虑环境因素的确会导致能源效率的高估.

从全要素能源效率的变动趋势来看，2003～2012年，西部地区各省区的能源效率都呈现出下降趋势，其中内蒙古、广西、云南、甘肃几个省区的下降趋势比较明显，其余各省区的下降趋势相对平缓.西部地区各省区的全要素能源效率存在显著差距，能源效率最高的省份是四川和青海，2003～2012年间两省的全要素能源效率始终为1左右，这表明与其他省区相比，四川和青海的能源得到了较为充分的利用，资源配置也相对比较合理，从而在相同的产出水平下实现了最小的能源投入，达到相对能源效率最优.内蒙古、广西、陕西、宁夏、甘肃5省区的全要素能源效率值在0.7～0.8之间，说明这些省份的能源效率仍有提升空间，需要在技术水平和资源配置方面加以改进.云南、贵州、新疆3省区的全要素能源效率值在0.6～0.7之间，说明这3省区与生产前沿面的距离较远，能源利用效率较低.整体而言，西部10省区的全要素能源效率仍不高，主要原因是西部地区目前的经济增长方式仍以“高投入、高消耗”的粗放式增长为主，同时有些地区环境保护意识薄弱、观念落后，忽略了环境保护，在经济发展的同时对生态环境造成了破坏.

表1 西部10省2003～2012年全要素能源效率Table 1 TFEE of western provinces（2003～2012）

2.2 基于Malmquist指数的全要素生产率分析

表2 西部地区2003～2012全要素能源效率变动及分解Table 1 variation of TFEE of western region and its decomposition（2003～2012）

为了进一步分析西部地区全要素能源效率的变动情况，利用Malmquist指数对西部10省区分年和分省的全要素能源效率变动进行分解，Deap2.1软件的计算结果详见表2和表3.

表3 西部10省2003～2012全要素能源效率变动及分解Table 3 variation of TFEE of western provinces and its decomposition（2003～2012）

由表2可知，2003～2012年，西部地区全要素能源效率平均下降了4.29％，各年的全要素能源效率变动均小于1，表明西部地区全要素能源效率整体呈现下降趋势.从Malmquist指数的分解结果来看，各年的技术进步指数TC和纯技术效率指数PTEC均小于1，规模效率指数SEC则在1附近上下波动，有的年份大于1.技术进步指数的值最小，说明这10年间出现了较为明显的技术退步，这也是导致西部地区全要素能源效率下降的主要原因.表3的分省Malmquist指数分解结果显示了与表2类似的趋势，各省区的全要素能源效率都有不同程度的下降，且技术退步是导致全要素能源效率下降的主要原因.

2.3 全要素能源效率的计量分析

Hu等［6］认为技术进步、纯技术效率和规模效率的改善有助于能源效率的提高.为深入研究技术进步、纯技术效率和规模效率对全要素能源效率的影响，以各省的纯技术效率指数、规模效率指数和技术进步指数作为解释变量，全要素能源效率作为被解释变量，构建计量分析回归模型.因为Malmquist 指数表示的是与上一年相比的变化情况，因而将被解释变量全要素能源效率也转化为与上一年的比值.构建的回归模型表达式如下：0.6357，表明这3个指数每提高1％，可以分别引起全要素能源效率平均提高0.4350％、0.9512％、0.6357％.技术进步指数的系数最小，表明技术进步对全要素能源效率的贡献最小；纯技术效率指数的系数最大，超过了技术进步指数的系数，这也印证了技术进步存在回弹效应的猜想.

表4 回归结果（随机效应变截距模型）table 4 Regression results（random effects variant intercept model）

式中：i代表第i个地区；t代表第t年；Eechit、Techit、Pechit和 Sechit分别代表全要素能源效率的变动率、技术进步指数、纯技术效率指数、规模效率指数，εit为随机扰动项；C为常数项.

采用Eviews8.0估计模型参数，首先对各变量进行单位根检验，结果表明Eechit、Techit、Pechit和 Sechit均为平稳序列.Hausman检验与似然比检验结果均表明应该建立随机效应模型，为了消除异方差和序列自相关的影响，采用横截面加权的GLS法进行估计，回归结果见表4.

从计量回归结果可以看出，模型整体的拟合优度为0.6345，截距项以及各解释变量系数所对应的P值均小于0.05，表明技术进步、纯技术效率及规模效率的变化对全要素能源效率变动都有显著影响.技术进步指数、纯技术效率指数及规模效率指数的系数分别为0.4350、0.9512、

3 西部地区全要素能源效率影响因素分析

3.1 影响因素的确定

根据相关理论，同时考虑数据的可获得性，选取产业结构、能源消费结构、技术进步、对外开放程度、能源价格等影响因素进行分析.数据来源于《中国能源统计年鉴》［30］、《中国统计年鉴》［31］、《中国科技统计年鉴》［34］等.

（1）产业结构.以各省第二产业增加值比重（GC）和第三产业增加值比重（FC）来反映产业结构.

（2）能源消费结构.目前西部地区能源消费以煤炭为主，因此采用各省原煤消费量占全省能源消费总量的比重（CC）来衡量能源消费结构.

（3）技术进步.采用R&D 经费支出（RD）作为衡量技术进步的指标.

（4）对外开放程度.选取进口额比重（IC）和出口额比重（OC）两个指标，分别从进口和出口两个角度衡量对外开放程度.

（5）政府影响力.选取财政支出占GDP比重（MC）和污染治理支出占GDP比重（WC）来衡量政府影响力.

（6）能源价格（JG）.以原材料、燃料、动力购进价格指数反映能源价格（该指数从2011年1月起改称为“工业生产者购进价格指数”），以2000年的能源消费价格指数为基准.

3.2 模型选择

本文测得的各省区全要素能源效率取值均大于0，表明只能从“掐头”的连续区间随机抽取被解释变量的样本观测值，即数据被截断.对于包含截断被解释变量的模型，若采用OLS法进行估计，会导致参数估计量的偏误，在不了解解释变量分布的情况下，要估计出偏误的程度非常困难.因此，本文运用Tobit 模型对数据进行检验，以克服一般线性回归参数估计有偏且不一致的问题.

Tobit模型又称为删截回归模型，是一种被解释变量受限的模型，适用于解决效率分布问题且能得出效率改进的方向和途径.Tobit 模型的一般形式如下：

不失一般性，设a为0，这是Tobit模型的标准形式.在Tobit模型标准形式中，当yi＞0时，被解释变量取无限制的实际观测值；当yi≤0时，被解释变量受限制，均截取为0表示.

3.3 回归结果及分析

对2003～2012年西部地区10省的面板数据，以各省全要素能源效率为被解释变量，以第二产业增加值比重、第三产业增加值比重、R&D经费支出、进口比重等作为解释变量，建立全要素能源效率影响因素的计量回归模型，模型表达式如下：

采用Eviews8.0对模型进行估计，方法为最大似然估计法，结果见表5.

表5结果显示，对全要素能源效率有显著影响的因素包括第二产业增加值比重（GC）、第三产业增加值比重（FC）、煤炭消费比重（CC）、技术进步（RD）、能源价格（JG）.

（1）产业结构的影响.第二产业增加值比重（GC）和第三产业增加值比重（FC）分别在10％和1％的水平上显著，表明产业结构对西部地区全要素能源效率具有显著影响.二者的系数都为正，第二产业增加值每提高1％，全要素能源效率平均提高0.7855％；第三产业增加值每提高1％，全要素能源效率平均提高0.9456％.根据师博等［9］的研究，工业产值比重与全要素能源效率呈倒“U”型关系，随着工业比重的增加，全要素能源效率先是逐渐上升然后又下降.西部地区目前工业化水平相对较低，第二产业规模相对较小，处于倒“U”型曲线的左边，因此第二产业增加值比重对能源效率的影响为正.

表5 全要素能源效率影响因素Tobit估计结果Table 5 estimation of determinants of TFEE by Tobit model

（2）能源消费结构的影响.实证结果显示，煤炭消费比重（CC）对西部地区全要素能源效率具有显著负向影响，煤炭消费比重每下降1个百分点，全要素能源效率将提高0.6241％，这意味着降低煤炭消费比重能够提高能源效率.

（3）技术进步的影响.实证结果显示，R&D经费支出（RD）对全要素能源效率有显著正向影响，其系数为0.00000004，即R&D 经费每增加1元，西部地区全要素能源效率将平均提高0.000004％；但是，与其他因素相比，R&D投入对提高能源效率的作用比较微弱，说明西部地区未能充分发挥技术进步对能源效率的提升作用.

（4）能源价格的影响.能源价格对全要素能源效率有显著的负向影响，能源价格指数每提高1个百分点，西部地区全要素能源效率平均降低0.0022％.理论上来讲，能源价格上涨应该有助于提高能源效率.现有研究中，袁晓玲等［20］和屈小娥［10］的结果表明能源价格对能源效率具有正向影响，但影响程度都非常小；关爱萍等［23］的结果与本文一致，即能源价格的系数为负.西部地区的能源价格上涨未能带来能源效率的提升，原因一方面是由于引入非期望产出后计算的全要素能源效率呈下降趋势，而能源价格近年来基本呈上涨趋势，因此二者表现为负相关；另一方面也反映西部地区能源市场价格机制不完善，能源价格不能很好地反映资源稀缺程度、市场供求关系以及环境成本.

4 政策建议

4.1 考虑非期望产出的全要素能源效率与其他研究的估算值相比明显较低且呈现下降趋势，可见，西部地区近年来的经济增长付出了较高的环境代价，这种增长模式是不可持续的，能源效率并没有真正提高.西部地区应大力加强技术创新和引进，包括能源节约技术、循环利用技术和污染治理技术等，通过技术进步促进能源效率的提高.煤炭是西部地区的优势能源，因此推广煤炭洁净技术，减少原煤直接燃烧，提高煤炭使用效率尤为重要.

4.2 逐渐改变目前“煤依赖症”的能源消费结构，开发可再生能源和清洁能源，促进能源结构多元化，推动能源生产和消费方式变革.西部地区拥有丰富的可再生能源，可开发水能资源占全国的72％，风能资源占全国的50％以上，青藏高原、甘肃北部、宁夏北部和新疆南部是我国太阳能资源最丰富的地区，这些都是发展特色可再生能源的有利条件.

4.3 加快产业结构调整升级，尤其是提高第三产业在国民经济中的比重.与东部地区不同，西部地区目前工业化水平仍较低，第二产业规模相对较小，处于倒“U”型曲线的左边，因此，增加第二产业比重能够提高能源效率.但与此同时也要注意提高工业化的质量，大力发展节能环保产业、新能源产业等战略性新兴产业，逐步淘汰高能耗、高污染的低端产业.

4.4 加快能源价格的市场化改革进程，充分发挥市场机制的资源配置功能.2014年11月，国务院办公厅发布《能源发展战略行动计划（2014-2020年）》，强调将推进能源价格改革，对于西部地区而言，这是建立健全能源价格形成机制、提高能源效率的新契机.

5 结论

5.1 2003～2012年间，西部地区的平均全要素能源效率远低于东部地区，也略低于中部地区，说明西部地区整体能源利用效率水平仍然较低，存在较大的提升空间.西部地区省际间全要素能源效率存在明显差异，青海、四川的能源效率最高，内蒙古、广西、甘肃、陕西、宁夏处于第二层次，贵州、云南、新疆的能源效率最低，但这种差异近年来逐步缩小.

5.2 2003～2012年间，西部地区全要素能源效率整体呈下降趋势.对全要素能源效率变动的分年和分省Malmquist指数分解结果显示，技术退步是导致西部地区全要素能源效率下降的主要原因.回归模型的结果显示技术进步、纯技术效率及规模效率的变化对全要素能源效率都存在显著影响.纯技术效率的系数最大，超过了技术进步的系数，说明技术进步的确存在“回弹效应”，即技术进步在提高能源效率、减少能源消耗的同时也会提高生产率，增加能源需求.

5.3 Tobit回归分析结果显示，第二产业增加值比重、第三产业增加值比重、R&D经费支出对提升能源效率具有积极影响，其中第三产业增加值比重对能源效率的影响最为明显；煤炭消费比重和能源价格对能源效率具有抑制作用.

［1］Patterson M G.What is energy efficiency？： Concepts，Indicators and Methodological Issues［J］.Energy Policy，1996，24（5）：377-390.

［2］王庆一.中国的能源效率及国际比较（上）［J］.节能与环保，2003，（8）：5-7.

［3］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.

［4］魏一鸣，廖 华.能源效率的七类测度指标及其测度方法［J］.中国软科学，2010，（1）：128-137.

［5］史 丹，吴利学，傅晓霞.中国能源效率地区差异及其成因研究——基于随机前沿生产函数的方差分解［J］.管理世界，2008，（2）：35-43.

［6］Hu Jin-Li，Wang Shih-Chuan.Total-factor energy efficiency of regions in China［J］.Energy Policy，2006，34（17）：3206-3217.

［7］Chang Ming-Chung.A comment on the calculation of the total-factor energy efficiency（TFEE）index［J］.Energy Policy，2013，53（2）：500-504.

［8］魏 楚，沈满洪.能源效率与能源生产率：基于DEA方法的省际数据比较［J］.数量经济技术经济研究，2007，24（9）：110-121.

［9］师 博，沈坤荣.市场分割下的中国全要素能源效率：基于超效率DEA方法的经验分析［J］.世界经济，2008，（9）：49-59.

［10］屈小娥.中国省际全要素能源效率变动分解——基于Malmquist指数的实证研究［J］.数量经济技术经济研究，2009，（8）：29-43.

［11］曾贤刚.我国能源效率、CO2减排潜力及影响因素分析［J］.中国环境科学，2010，（10）：1432-1440.

［12］王维国.中国区域全要素能源效率收敛性及影响因素分析——基于Malmqulist-Luenberge指数法［J］.资源科学，2012，（10）：1816-1824.

［13］徐丽萍，王 立，李金林.基于隐含能的行业完全能源效率评价模型研究［J］.中国环境科学，2012，32（11）：2095-2102.

［14］Denison E F.Why growth rates differ；postwar experience in nine Western countries［M］.1967.

［15］Maddison A.Growth and slowdown in advanced capitalist economics： Techniques of quantities assessment［J］.Economics Literature，1987，25：649-698.

［16］Khazzoom J D.Economic implications of mandated efficiency in standards for household appliances［J］.The Energy Journal，1980，1（4）：21-40.

［17］Renshaw E F.Energy efficiency and the slump in labour productivity in the USA［J］.Energy Economics，1981，3（1）：36-42.

［18］吴巧生，成金华.中国能源消耗强度变动及因素分解：1980～2004［J］.经济理论与经济管理，2006，（10）：34-40.

［19］王群伟，周德群.中国全要素能源效率变动的实证研究［J］.系统工程，2008，26（7）：74-80.

［20］袁晓玲，张宝山，杨万平.基于环境污染的中国全要素能源效率研究［J］.中国工业经济，2009，（2）：76-86.

［21］史 丹.中国能源效率的地区差异与节能潜力分析［J］.中国工业经济，2006，（10）：49-58.

［22］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.

［23］关爱萍，师 军，张 强.中国西部地区省际全要素能源效率研究——基于超效率DEA模型和Malmquist指数［J］.工业技术经济，2014，（2）：32-40.

［24］Li Lan-Bing，Hu Jin-Li.Ecological total-factor energy efficiency of regions in China［J］.Energy Policy，2012，46（7）：216-224.

［25］邵 帅，齐中英.西部地区的能源开发与经济增长——基于“资源诅咒”假说的实证分析［J］.经济研究，2009，（4）：147-160.

［26］Andersen P，Petersen N C.A procedure for ranking efficient units in data envelopment analysis［J］.Manage Sci，1993，39（10）：1261-1265.

［27］吴文江.用超效率综合DEA模型来研究DEA有效性［J］.数学的实践与认识，2012，42（4）：158-165.

［28］Caves D W，Christensen L R，Diewert W E.The economic theory of index numbers and the measurement of input，output，and productivity［J］.Econometrica，1982，50：1393-1414.

［29］Rashe R，Tatom J.Energy Resources and Potential GNP［J］.Federal Reserve Bank of St Louis Review，1977，59（6）：68-76.

［30］国家统计局能源统计司.中国能源统计年鉴［M］.北京：中国统计出版社，2004-2013.

［31］国家统计局.中国统计年鉴［M］.北京：中国统计出版社，2004-2013.

［32］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.

［33］童抗抗，马克明.中国的产业产值与能源消耗碳排放相关性研究［J］.中国环境科学，2011，31（7）：1212-1218.

［34］国家统计局.中国科技统计年鉴［M］.北京：中国统计出版社，2004-2013.

Energy efficiency and its determinants of western China: total factor perspective.

LIU Dan-dan*，ZHAO Song-yangyang，GUO Yao（College of Statistics，Dongbei University of Finance and Economics，Dalian 116025，China）.China Environmental Science，2015，35（6）：1911～1920

Incorporating undesirable output in the input-output indicators，the total-factor energy efficiency（TFEE）of 29 Chinese administrative regions during 2003～2012 was computed based on super-efficiency DEA.Then the TFEE of western region was decomposed with Malmquist index and determinants of energy efficiency were examined with Tobit model.Results indicated that energy efficiency of western region was far below that of eastern region，and also below that of central region，which reflected the low level of energy efficiency of western region.TFEE varied among western provinces，but the gap was narrowed in recent years.TFEE of western region showed a decending tendency during research period.TFEE was influenced significantly by technical change，pure technical efficiency change and scale efficiency change，and technology degradation was the most significant factor that led to the decline of TFEE of western region.Industrial structure upgrade and technology progress had positive effects on energy efficiency，while energy price and coal consumption had negative effects on energy efficiency.

total factor energy efficiency；super efficiency-DEA；Malmquist index；Tobit model；western China

X24

A

1000-6923（2015）06-1911-10

刘丹丹（1980-），女，陕西安康人，讲师，博士，主要从事经济统计分析和国民经济核算方面的研究.发表论文近20篇.

2014-12-20

国家社科基金青年项目（12CTJ005）；国家自然科学基金青年项目（71103029）；辽宁省高校人文社科重点研究基地专项项目（ZJ2014046）

* 责任作者，讲师，liudandan@dufe.edu.cn