中国工业行业生态全要素能源效率及其收敛性

郭 文，孙 涛

（南京航空航天大学经济与管理学院，江苏南京211100）

●经济观察

中国工业行业生态全要素能源效率及其收敛性

郭 文，孙 涛

（南京航空航天大学经济与管理学院，江苏南京211100）

文章采用非期望SBM模型测算了2002-2012年中国工业行业的生态全要素能源效率，根据效率值对工业行业进行了分类，然后分析了工业行业生态全要素能源效率的收敛性及其差异的影响因素。研究发现：中国工业各行业的生态全要素能源效率的差异比较明显，极差约为0.3；中国每年工业行业整体的能源效率为0.61～0.73，即节能潜力为27%～39%；工业整体、高效率行业和低效率行业都呈现出显著的绝对收敛和条件收敛的特征，表明工业行业整体的能源效率差异在缩小；一般效率行业只呈现出条件收敛，即这类行业收敛于自身的稳态；行业规模、研发投入和资本深化等指标对工业行业生态全要素能源效率具有显著的影响。

生态全要素能源效率；非期望SBM模型；收敛性；行业差异

一、引言

改革开放以来，随着中国产业工业化进程的快速发展，中国的能源需求长期处于增长趋势；加上长期的粗放型的经济发展方式，能源需求的增长也带来了不断增加的资源和环境压力。工业是三大产业中能源消耗最大的产业，统计数据表明，2010年中国工业行业总产值占GDP的40.1%，也消耗了71.48%的全国总能耗；同时，要保持经济水平的高速增长，中国工业行业短期内的能源消费仍将处于刚性上升趋势[1]。因此，不断提升中国工业行业的能源效率将极大地推动中国“十二五”期间“节能减排”目标的实现，保持经济可持续发展和减轻环境污染的压力。

由于能源安全以及全球气候变化的影响，能源效率及其变动的相关研究已经成为一个世界性的焦点问题。首先，在能源效率测算及影响因素分析方面，Satoshi Honma and Jinli Hu（2008）测度了日本1993-2003年的区域能源效率，发现能源密集型工业区域的能源效率较低，且能源效率与人均收入之间呈现出倒“U”关系[2]。李静等（2013）利用方向性距离函数和非参数卢恩伯格生产率指标方法研究了我国区域全要素能源效率变动情况，实证研究中选择了外资利用、经济发展、市场化程度、产业结构和能源消费结构优化五个指标，结果表明各因素的优化都有利于全要素能源效率的提高，但政府在制定“节能减排”目标时应注重行业间的异质性[3]，相似的研究还有王姗姗等（2011）[4]。Li（2012）运用非期望SBM模型测算了考虑非期望铲除影响后的中国区域生态全要素能源效率，结果发现不考虑非期望产出的全要素能源效率值显著偏高，而中国区域生态全要素能源效率具有显著的区域特征，表现为东部最高，中部次之，西部最低[5]，许珊等（2013）运用基于参数的SFA方法也得出了相同的结论[6]。张庆芝等（2012）采用SBM—VRS模型测算了2002-2008年中国钢铁产业的能源效率值，并运用MPI模型实证研究了其影响因素，其研究表明中国钢铁产业平均能源效率总体较低，节能潜力巨大；总体上能源效率呈现上升趋势，但提升主要来自于技术效率的提升，而技术进步变动不大，产业的技术创新不足[7]。辛玉红（2014）以新能源公司为样本，在其全要素生产率、技术效率和技术进步评价的基础上，重点分析了其在不同类型新能源公司间的差异[8]。其次，在能源效率收敛性方面，Anil（2006）使用滞后调整计量模型，结合12个转型国家和15个欧盟国家的数据实证研究了各国的能源效率的收敛性，结果表明转型国家的能源效率呈现显著的收敛性[9]。姜雁斌等（2007）基于技术无效性的视角分析了能源利用效率的收敛性，结果表明虽然中国整体能源效率的发展具有一定的轨迹特征，然而其并不存在收敛特征；从三大地区来看，东部地区存在绝对β收敛，但对于中西部地区不存在收敛性，其能源技术无效性呈现持续下降趋势[10]。刘战伟（2011）采用Malmquist生产率指数，结合中国2000-2009年的省际面板数据，实证研究了中国各个区域能源效率的收敛性，发现中国区域能源效率呈现改善趋势，并且技术进步是主要诱因；全国及区域全要素能源效率均呈现出显著的收敛性，表明能源效率低下的区域能源效率提升速度较快，呈现出了明显的追赶效应[11]。李激扬（2012）采用DEA-SBM模型，结合1990-2009的数据实证分析了中国各省和区域的能源效率的收敛性，其考虑的影响因素分别为能源消费结构、产业结构、劳动力平均实际GDP增长率和对外开放程度，他的研究肯定了中国区域能源效率的条件收敛性，政府应重点考虑区域能源禀赋来促进区域能源利用的合作，降低区域能源效率差异，实现经济可持续发展[12]。陈德敏等（2012）使用投入导向的DEA模型评价了中国区域全要素能源效率，并通过能源效率变异系数分析了区域能源效率的收敛性，结论是中国区域能源效率自1995-2005年持续上升，而2005-2009年间呈现下降趋势；区域间的能源效率具有明显差异；区域能源效率变异系数持续减小，表明区域能源效率存在收敛特征[13]。徐盈之等（2011）基于空间经济学的视角，探讨了中国区域能源效率的空间相关性，进而运用空间计量的方法实证研究了中国区域能源效率的收敛性，其结论是中国区域能源效率呈现出了空间聚集的特征，且空间相关性逐步增强；中国区域能源效率在1991-2008年期间存在绝对β收敛和条件β收敛特征[14]。孙广生等（2011）使用DEA模型，结合我国工业行业14各部门的数据分析了其能源效率的变化，结果发现各工业行业的能源效率呈“U”型变化，拐点在1990-1995年期间，目前已经处于改善阶段；行业间的能源效率差异没有趋同特征，即不存在收敛性；各行业损失的能源绝对量依然巨大，各行业及工业总体的节能潜力很大[15]。

综上文献来看，现有研究主要集中于全要素能源效率的测算以及区域能源效率的收敛性。而对于工业行业全要素能源效率及其收敛性的研究，有的文献考虑一个行业或将工业行业简化为多个部门，不具有全面性；有的文献没有考虑非期望产出，即环境污染的影响；有的文献没有在全要素能源效率的基础上深入分析工业行业能源效率的收敛性。因此，本文在考虑非期望产出的基础上准确测算了中国工业生态全要素能源效率；然后将工业行业按生态全要素能源效率值分为高效率、一般效率和低效率3类；并在此基础上探讨工业整体以及各类行业能源效率的收敛性。以期为工业行业制定科学的节能目标提供决策依据。

二、研究方法

（一）SBM模型

数据包络分析（DEA）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，它基于Farrell（1957）[16]的效率测度思想，通过计算所有决策单元实际生产点与生产前沿面的距离来确定其效率测度。DEA保证了效率测度边界凸性，同时也带来了各决策单元投入要素“松弛”等问题，针对这一缺陷，Tone（2001）提出了SBM模型，该模型直接利用投入产出松弛构建模型的目标函数，适用于多投入多产出的复杂生产系统的分析[17]。SBM模型如下：

其中，m表示投入要素的种类；n为产出的种类；X0、Y0、Si-、Sj+分别表示投入、产出、投入松弛、产出松弛和非期望产出松弛；X、Y、S-、S+为决策单元的投入、产出、投入松弛、产出松弛和非期望产出松弛矩阵；λ是一组列向量，代表各投入要素的权重；ρ为决策单元效率得分。

（二）非期望产出SBM模型

前文已经提及产出和非期望产出同时存在于生产的整个过程，根据Fukuyama（2009）的研究，产出与非期望产出之间满足两个基本假设[18]。一是在投入不变的情况下，产出和非期望产出同比例增减，表明非期望产出的减少必须消耗额外的要素投入；二是非期望产出和期望产出同时为零，表明非期望产出会伴随产出同时出现。非期望产出模型如下：

其中，n1为产出的种类；n2为非期望产出的种类；Sjg、Sjb分别表示产出松弛和非期望产出松弛；Sg、Sb为决策单元的产出松弛和非期望产出松弛矩阵。其余变量与原SBM模型中变量一致。

（三）β收敛模型

能源效率的收敛性可以从绝对收敛和相对收敛两个方面来考察。绝对收敛是指各个行业的能源效率最终会达到相同的稳定状态，它们之间的差距随时间消失；条件收敛是指各个行业的能源效率还受到其他变量的影响，最终达到各自的稳定状态。本文工业行业生态全要素能源效率的绝对β收敛和条件β收敛模型分别如下：

其中，ρi,t和ρi,t-T分别表示i行业类型t时刻和t-T时刻的效率值，若β＜0，则表明i行业类型在时间段T收敛。IC、RDI和CD分别表示企业规模、研发投入和资本深化。

三、变量选取、样本选择与数据来源

（一）变量的选取及估算方法

根据柯布—道格拉斯生产函数，劳动力、资本是经济生产活动的基本投入要素，近年来，随着工业生产活动中能源需求的增加，越来越多的研究将能源作为一种生产要素，本文借鉴上述研究成果，投入要素选择劳动力、资本和能源三个变量。在产出指标方面，以往的研究文献大多采用的是生产总值指标，鉴于本文以工业行业为研究对象，本文采用工业行业总产值为产出；在非期望产出方面，CO2和SO2具有典型的代表作用，选择工业CO2和SO2排放量作为非期望产出。另外，由于能源使用规模效应的存在，随着行业规模的扩大，其设备的生产能力也逐渐增强；企业用于提高生产效率的科技创新研发投入能够推动能源效率的提高；行业的资本积累能反映行业技术的进步，本文将行业资本的积累成为资本深化，因此，在工业行业生态全要素能源效率条件收敛性分析中，本文选取行业规模、研发投入和资本深化三个变量作为外生因素，各变量指标说明见表1所列。上述变量中，工业总产值、研发投入等原始数据通过统计年鉴进行整理和筛选；其他需要进行估算。

表1 各变量指标说明

（1）资本存量（ki,t）。按照《中国统计年鉴》对固定资产的分类方法，本文也考虑建筑、机器设备和其他投资三类固定资产投资，并假设各行业历年新固定资产投资比例相同，只考虑折旧因素，行业综合折旧率（η）简化为三类固定资产投资折旧率（ηi）的加权，权系数（δi）即为其构成比例，即

（2）工业行业CO2排放量（emii,t）。CO2排放的原始数据目前并没有官方统计结果，本文利用工业分行业能源消费量（eci,t,j）与各种能源的碳排放强度系数（cj）的乘积和进行测算，即

（二）样本选择与数据来源

按照《中国统计年鉴》的分类方法，本文将39类工业行业作为工业生产系统的39个决策单元。样本期间选择2002-2012年，研究样本选择39个工业行业的面板数据，共计429个观察值。通过2003-2013年《中国统计年鉴》、2003-2013年《中国能源统计年鉴》和2003-2013年《中国科技统计年鉴》搜集和整理本文所需的原始数据。其中，以货币计量的资本存量和工业行业总产值以2002年为基期，分别采用2003-2013年《中国统计年鉴》披露的历年固定资产投资价格指数和工业行业分工业品出厂价格指数进行平减处理。研究样本统计性描述见表2所列。

表2 样本数据描述性统计

四、生态全要素能源效率测算与分析

（一）生态全要素能源效率测算

选用投入产出双向、规模报酬不变的非期望SBM模型，结合MaxDEA5.2软件，本文首先测算了中国工业行业生态全要素能源效率，限于篇幅，本文只列出了部分测算结果，见表3所列。

表3 各行业生态全要素能源效率测算值

表3的结果表明，中国工业各行业的生态全要素能源效率存在较大的差异，其中生态全要素能源效率最高的5个行业分别是通信设备、计算机及其他电子设备制造业、石油加工、炼焦及核燃料加工业、纺织业、其他采矿业和电力、热力的生产和供应业，这些行业历年的生态全要素能源效率均高于0.8；而较低的5个行业为家具制造业、工艺品及其他制造业、木材加工及木、竹、藤、棕、草制造业、纺织服装、鞋、帽制造业以及印刷业和记录媒介的复制，其历年的生态全要素能源效率与最高的5个行业差距达到0.3左右，存在巨大的节能减排潜力。另外，中国每年工业行业整体的能源效率约为0.61～0.73，即在产出不变的情况下，每年的节能潜力为27%～39%；工业行业整体的生态全要素能源效率值从2003年的0.646 9上升至2012年的0.727 3，其波动上升的态势明显。从上述分析可以看出，能源利用低效仍然是中国工业行业面临的实际情况，而要实现节能减排目标下的经济可持续发展，工业行业能源利用效率的提升不失为一条可行的路径。

（二）聚类分析

根据表3中的测算值，发现中国工业行业的生态全要素能源效率差异明显。为了深入分析各行业能源效率差异的根源，本文采用快速聚类法中的欧氏平方距离方法，结合SPSS17.0软件，将39个工业行业按其能源效率分为低效率行业、一般效率行业和高效率行业3类，结果见表4所列。

表4 工业行业分类

高效率行业包括黑色金属矿采选业、有色金属矿采选业、其他采矿业、石油加工、炼焦及核燃料加工业、饮料制造业、烟草制品业、纺织业、电气机械及器材制造业、通信设备、计算机及其他电子设备制造业和电力、热力的生产和供应业；一般效率行业包括煤炭开采和洗选业、石油和天然气开采业、非金属矿采选业、农副食品加工业、造纸及纸制品业、化学原料及化学制品制造业、非金属矿物制品业、黑色金属冶炼及压延加工业、有色金属冶炼及压延加工业、专用设备制造业以及废弃资源和废旧材料回收加工业；而低效率行业包括食品制造业、纺织服装、鞋、帽制造业、皮革、毛皮、羽毛（绒）及其制品业、木材加工及木、竹、藤、棕、草制造业、家具制造业、印刷业和记录媒介的复制、文教体育用品制造业、医药制造业、橡胶制品业、塑料制品业、金属制品业、通用设备制造业、仪器仪表及文化、办公用机械制造业、工艺品及其他制造业、燃气生产和供应业以及水的生产供应业。

根据表4的分类结果，高效率行业的特征是初始投资规模较大，行业的规模效应明显；具有较强的研发、技术改进能力以及资金实力；资本密集程度较高。一般效率行业包含那些发展相对成熟的行业，其特点是行业种类分散；行业内技术相对成熟，但是技术创新力度不高；资本随行业内企业规模的扩大逐步积累。低效率行业主要是那些传统的加工工业，大多属于劳动密集型行业，其特点是行业内企业规模较小；资本积累及资本深化缓慢；自身的技术革新和技术进步缓慢，生态能源效率较低。

（三）各类别行业生态全要素能源效率测算

根据工业行业的分类，进一步测算三类行业的生态全要素能源效率，结果如图1。总体上来看，工业行业整体呈现出波动上升的趋势。三类行业中，低效率行业能源效率自2002年以来持续上升的趋势明显，上升的幅度最大；一般效率行业2002-2006年的能源效率出现较大的波动，近几年呈现平稳的上升趋势；高效率行业2002-2005年的能源效率出现了轻微的波动性，而近几年趋于平稳。

图1 工业整体及各类行业生态全要素能源效率值

五、能源效率收敛性分析

（一）σ收敛

σ收敛属于绝对收敛的一种，通过能源效率标准差与均值的比值来刻画其波动性。图2反映了中国工业整体和三类行业生态全要素能源效率的σ收敛情况。就工业行业整体来看，变异系数始终保持缩小的趋势，表明工业各行业之间的能源效率差异正在缩小；三类行业中，高效率行业的变异系数保持逐步缩小的趋势，表明高效率行业具有明显的绝对收敛特性；低效率行业的变化较为平缓，也表现出了轻微的缩小趋势；而一般效率行业在考察期内并未出现收敛的趋势，相反，近几年的变异系数反而增大，这表明一般效率行业内部行业的能源效率差异存在变大的趋势。总体上来看，工业行业整体、高效率行业和低效率行业的变异系数曲线在近几年都变得平坦，能源效率差异保持相对稳定的趋势；而一般效率行业表现出微弱发散的趋势，这可能是由于一般效率行业内部的行业种类分散。

图2 行业生态全要素能源效率变异系数

（二）绝对β收敛

本文采用2002-2006和2008-2012两个时间段的全要素生态能源效率的平均值，结合式（3）来检验中国各类效率等级中行业能源效率的绝对β收敛情况，两个时间段的间距为5年，即：T=5，模型估计结果见表5所列。

表5 行业生态全要素能源效率绝对β收敛分析

绝对β收敛的估计方法得出的结果与σ收敛一致。从工业行业整体来看，中国工业各行业的生态全要素能源效率存在绝对收敛性，表明中国工业各行业的生态全要素能源效率趋向于一个共同的水平，各行业的能源效率差异在缩小；高效率行业和低效率行业都表现出了收敛特征，表明高效率行业和低效率行业内部的行业生态全要素能源效率的差距在减小；一般效率行业虽然估计系数为负，但是并不显著，说明一般效率行业内部的各行业不存在能源效率的收敛性。

（三）条件β收敛

工业行业的能源效率不仅受资本、人力及能源等投入要素变量的影响和制约，也与行业规模、技术进步等变量相关。本文选用如下3个控制变量：①行业规模。采用行业总产值与行业内企业数量的比值指代。代表了能源使用的规模效应，行业规模越大，越能发挥设备的生产能力，进而提高能源使用效率。②研发投入。采用行业中大中型企业研发经费支出指代。代表了企业的科技创新和行业的技术进步，技术进步带来生产效率的提高，从而提高行业的能源效率。③资本深化。采用行业总资产与行业从业人数的比值指代。是指经济增长过程中，资本积累快于劳动力增加的速度，能反映行业的资本密集程度，同样影响着行业能源效率。采用式（4）进行能源效率的条件β收敛分析，估计结果见表6。

工业行业整体以及三类行业的回归系数都为负数，且都通过了显著性检验，说明中国工业各行业以及三类行业内部各行业均存在条件收敛性特征。一方面，加入了控制变量后的回归模型的拟合优度大大提高，模型具有更高的解释能力；与绝对收敛模型相比，β值明显变动，表明引入的控制变量对能源效率具有明显的影响。另一方面，一般效率行业不存在绝对收敛特征，但表现出了条件收敛的特征，这也反映出一般效率行业内各行业由于行业规模、研发投入和资本深化等条件的差异而趋向于自身的稳态，而没有趋向于一个共同的稳态。可见，中国工业行业的行业规模、研发投入和资本深化等特征显著影响着工业行业的生态全要素能源效率。

表6 行业生态全要素能源效率条件β收敛分析

（1）资本深化指标显著影响中国工业行业整体生态全要素能源效率，且回归系数为正，表明资本深化促进了工业整体能源效率的提高。资本深化主要反映了行业的资本密集程度，因此，调整产业结构，加快劳动力以及能源密集型行业的转型，将会提高中国工业的能源效率。

（2）低效率行业的显著影响因素包括行业规模指标和资本深化指标，两者的回归系数为正，表明行业规模和资本深化指标的提高对低效率行业产生积极影响。低效率行业大多是那些传统的加工工业，行业内企业规模较小，因此，对于这类行业，改进其不规范的“小作坊”式的生产方式，实现规模化和规范化的生产是提高其能源效率的有效途径。

（3）一般效率行业受行业规模、研发投入和资本深化3个指标的显著影响，但是3个指标的回归系数有正有负，说明指标的影响方向不一致，这也是直接导致该类行业存在条件收敛特征，但不存在绝对收敛特征的直接原因，各行业的能源效率趋向于各自的稳态。其行业规模指标的回归系数为负，可能的原因是行业中企业规模过大导致了相对的垄断型，不充分的竞争导致了能源投入的冗余和能源效率的低下，因此，对于一般效率行业，应适当控制企业的扩张，规范市场竞争。

（4）3个指标对高效率行业能源效率的影响都不显著，主要是由于这些行业的能源效率较高，资源实现了较好的优化配置。

六、总结与建议

考虑到中国工业经济增长的环境污染和资源约束双重约束，本文采用非期望SBM模型对中国39个工业行业2002-2011年的生态全要素能源效率进行了测算；然后根据能源效率的测算值将工业行业分为高效率行业、一般效率行业和低效率行业三类，并对各类行业的生态全要素能源效率进行进一步测算；最后根据三类行业的特点进行了其能源效率的收敛性分析。本文的研究表明：

（1）不同类型行业的能源效率均呈现上升趋势。高效率行业主要包含那些投资规模较大、研发能力较强和资本密集程度较高的行业；一般效率行业包含那些发展相对成熟的行业，行业种类比较分散；低效率行业主要是那些传统的加工工业，规模较小且大多属于劳动密集型行业。三类行业的能源效率都呈波动上升的趋势，近几年趋于平稳。

（2）行业能源效率的差异在逐步减少并趋于稳定。工业整体、高效率行业和低效率行业都呈现出明显的绝对收敛和条件收敛的特征，说明中国工业行业整体的能源效率差异在缩小；一般效率行业不存在绝对收敛特征，但表现出了条件收敛的特征，反映出一般效率行业内各行业由于行业规模、研发投入和资本深化等条件的差异而趋向于自身的稳态，而没有趋向于一个共同的稳态。

（3）行业规模、研发投入和资本深化对能源效率的影响显著。加入了控制变量后的回归模型的拟合优度大大提高，模型具有更高的解释能力；与绝对收敛模型相比，β值明显变动，表明行业规模、研发投入和资本深化等指标对能源效率具有显著的影响。

根据以上分析的结果，中国工业行业能源效率呈现上升的趋势，不同类型行业的能源效率具有趋同的趋势，重要的影响因素转向研发和资本深化以及扩大生产规模。针对这种情况，本文提出如下建议：

（1）中国工业提升能源效率的重点应转向引导行业间的配套生产能力，以高效率行业拉动低效率行业的能源效率的提升，如石油加工工业与石油开采业，通过配套产业链的方式，以石油加工工业的高效率，通过产业链间的管理协同来提升石油开采业的效率，从而提升整个产业链整体的能源利用效率。

（2）对于低效率行业，应通过完善落后产能的淘汰机制，加快落后产能退出市场，实现规模化和规范化的生产方式，凝聚此类行业的规模效应以提高能源利用效率；对于一般效率行业，适当控制金属冶炼、资源开采行业的规模，促进这类行业的行业竞争，并引导行业竞争规范化和透明化；对于高效率行业，注重“节能减排”技术的宣传和推广，加大能源高效率生产方式和生产技术的辐射范围，以提升中国工业整体的能源效率。

［1］李兰冰.中国全要素能源效率评价与解构——基于“管理—环境”双重视角［J］.中国工业经济，2012（6）：57-69.

［2］Satoshi Honma，Jinli Hu.Total-factor Energy Efficiency of Regions in Japan［J］.Energy Policy，2008，36：821-833.

［3］李静，汪克亮.多重目标约束下我国能源效率变动分解、区域差异与影响因素研究［J］.华东经济管理，2013，27（10）：66-71.

［4］王姗姗，屈小娥.基于环境效应的中国制造业全要素能源效率变动研究［J］.中国人口·资源与环境，2011（8）：130-137.

［5］Lan-Bing Li，Jin-Li Hu.Ecological total-factor energy effi⁃ciency of regions in China［J］.Energy Policy，2012（4）：216-224.

［6］许珊，范德成，王韶华.环境约束下我国区域全要素能源利用效率的再估算［J］.华东经济管理，2013，27（3）：60-64.

［7］张庆芝，何枫，赵晓.基于超效率DEA的中国钢铁产业能源效率研究［J］.软科学，2012（2）：65-68.

［8］辛玉红，李星星.中国新能源上市公司全要素生产率动态变化实证研究［J］.华东经济管理，2014，28（2）：49-52.

［9］AnilMarkandya，SuzettePedroso-Galinato，DaliaStre⁃imikiene.Energy intensity in transition economies：Is there convergence towards the EU average?［J］.Energy Econom⁃ics，2006，28（1）：121-145.

［10］姜雁斌，朱桂平.能源使用的技术无效性及其收敛性分析［J］.数量经济技术经济研究，2007（10）：108-119.

［11］刘战伟.区域全要素能源效率测算及其收敛分析——基于中国省级面板数据的实证研究［J］.中国石油大学学报：社会科学版，2011（5）：7-12.

［12］李激扬.中国省际能源效率的收敛性分析［J］.统计与决策，2012（2）：106-108.

［13］陈德敏，张瑞，谭志雄.全要素能源效率与中国经济增长收敛性——基于动态面板数据的实证检验［J］.中国人口·资源与环境，2012（1）：130-137.

［14］徐盈之，管建伟.中国区域能源效率趋同性研究：基于空间经济学视角［J］.财经研究，2011（1）：112-123.

［15］孙广生，杨先明，黄祎.中国工业行业的能源效率（1987-2005）——变化趋势、节能潜力与影响因素研究［J］.中国软科学，2011（11）：29-39.

［16］Farrell M J.The measurement of productive efficiency［J］. Journal of the Royal Statistical Society，1957，120（3）：253-290.

［17］Tone K.A slacks-based measure of efficiency in data en⁃velopment analysis［J］.European Journal of Operational Research，2001，130（3）：498-509

［18］Fukuyama Hirofumi，William L Weber.Japanese banking inefficiency and shadow pricing［J］.Mathematical and Computer Modelling，2009，48（11）：1854-1867.

［责任编辑：余志虎］

Ecological Total Factor Energy Efficiency of Chinese Industries and Its Convergence

GUO Wen，SUN Tao
(College of Economics and Management，Nanjing University of Aeronautics and Astronautics，Nanjing 211100，China)

This paper applies the undesirable-SBM model to measure ecological total factor energy efficiency（ETFEE）of Chinese industries from 2002 to 2012，classifies the industries according to the values of energy efficiency，and then analyz⁃es the convergence differences of the ETFEE of industries and their influencing factors.The study shows that the ETFEE of Chinese industries is obviously different，and the range is about 0.3.The annual overall energy efficiency of Chinese indus⁃tries is between 0.61 to 0.73，which means energy saving potential is 27 percent to 39 percent.The entire industries and high-efficiency industries as well as low-efficiency industries present significant characteristics of absolute convergence and conditional convergence，which indicate that the differences of the overall energy efficiency of industries are narrowing.The general efficiency industry only presents conditional convergence，namely this type of industry converges its steady condition. Industry scale，R&D investment and capital deepening as well as other indicators have significant impacts on the ETFEE of industries.

ecological total factor energy efficiency；undesirable-SBM model；convergence；differences between industries

F124；F403.3

A

1007-5097（2015）02-0074-07

10.3969/j.issn.1007-5097.2015.02.013

2014-01-10

教育部人文社会科学研究规划基金项目（2011YJA790133）；江苏省社会科学重点基金项目（12EYA001）；江苏省软科学重点项目（SBR20130186）；江苏省普通高校研究生创新计划项目（KYZZ_0107；CXLX12_0178）

郭文（1987-），男，江西新余人，博士研究生，研究方向：能源经济，区域经济；

孙涛（1959-），男，山东泰安人，教授，博士生导师，博士，金融发展研究所所长，研究方向：区域经济。