我国省区能源环境效率分析——基于Meta-frontier模型

陈云飞

(天津大学 管理与经济学部,天津 300072)



我国省区能源环境效率分析
——基于Meta-frontier模型

陈云飞

(天津大学 管理与经济学部,天津 300072)

为研究各省市区的能源环境效率,考虑非理想产出的影响,采用基于松弛变量的数据包络分析法,测算了2005—2012年我国30个省市区的能源环境效率。研究结果表明,我国能源环境效率总体呈下降趋势,但随着能源结构的持续优化,清洁能源比重有所提高,2012年后环境效率值出现反弹;结合Meta-frontier模型对决策单元分组后的对比研究显示,提高城镇化和增加研发投入有利于能源环境效率的提升,降低第二产业比重也可以达到类似的效果,但大幅增加治理污染的投入后,短期效果并不显著。针对结果分析,最后提出了相应的对策与建议。

能源环境效率;松弛变量模型;Meta-frontier模型

1 文献综述

随着科技的进步以及能源结构的优化,近年来我国的能源利用效率不断提高,2015年能源强度相对于2005年降低了22%。然而,由于经济发展的需要,能源消费总量不断提升[1]。我国自2010年成为世界最大的能源消耗国,消费总量一直居世界首位。据英国石油公司统计,2015年我国能源消费总量达到43.0亿吨标准煤,占世界消费总量的23%。相对于发达国家而言,现阶段我国的能源利用效率仍然偏低,由于化石能源的不可再生性,如何提高能源利用效率成为各界关注的焦点。

在经济发展的同时考虑能源消耗带来的环境影响已经成为各界共识[2,3]。近年来,中国政府持续推动相应政策改革,探索促进环境效率提升的激励性机制。因此,研究我国各地区的能源环境效率及其影响因素,有助于政策制定者根据地区差异推出针对性政策、措施,以促进环境效率的提升。

随机前沿分析(SFA,stochastic frontier analysis)是基准化效率评价方法中学者最为青睐的参数方法,需要事先假设函数形式,在函数选择中需要竭力避免多重共线性、量纲等问题影响,在很大程度上影响了其使用范围。数据包络分析(DEA,data envelopment analysis)是目前应用最广泛的能源行业非参数基准化效率分析方法,比较适合多投入、多产出情形[4,5]。该方法的思想源于Farrell[6]关于经济效率的研究,Charnes等[7]创立DEA方法,将其拓展至多投入、多产出的相对生产效率问题分析。魏权龄等[8-10]在前人研究DEA的基础上,详细地展示了多种模型的有效性以及投影的问题,并且分别描述了各种模型的公理、性质以及使用情况。DEA方法被应用到农业、经济、能源等领域[2,11,12]。

汪克亮等[3]基于BCC模型研究了考虑环境效应的中国省际全要素能源效率;Hu等[11]运用CCR、BCC模型以及全要素能源效率(TFEE,total-factor energy efficiency)指数研究我国29个地区1995—2002年能源的利用效率。但是,传统的DEA模型求得的效率值区分度不高,而且没有考虑排放物等非理想产出。针对第一个问题,Tone[13]提出基于松弛变量(SBM,slacks-based measure)的方法,一种非径向的DEA模型,避免径向和角度选择的差异带来的偏差和影响,增加效率值间的区分度;针对后一个问题,Tone[14]进一步提出考虑非理想产出的SBM模型。Li等[2]选择SBM模型结合生态全要素能源效率(ETFEE,ecological total-factor energy efficiency)指数,考虑非理想产出二氧化碳和二氧化硫,全面反映各省份的能源效率值。但是,DEA对决策单元同质性要求较高,在很多情况下难以满足。例如,各地区在城镇化率、产业结构、研发投入、环境治理等方面存在巨大差异。针对这个问题,O’Donnell等[15]提出Meta-frontier同DEA、SFA的结合框架,根据外在环境差异对决策单元进行分组,分析决策单元生产无效在多大程度上是由于外部环境因素引起的。考虑到地区的差异性,采用基于松弛变量的Meta-frontier模型,研究我国各地区的能源环境效率,更好地甄别和减少外部因素对结果的影响,提高结果的客观性和政策建议的针对性。

2 研究方法

2.1 基于松弛变量的DEA模型

DEA方法最初的CCR模型由Charnes等[7]基于规模收益不变的条件提出;Banker等[16]提出考虑规模收益可变的BCC模型。Tone[13]提出了基于松弛变量的SBM模型,该模型不仅有利于提高决策单元效率值的区分度,而且可以求得决策单元对应的松弛变量。

能源消耗过程中不仅有理想产出,还有非理想产出,往往伴随污染环境的气体排放。这时的生产可能集表示为

T={(x,yg,yb)∶xcanproduce(yg,yb)}。

(1)

关于该生产可能集有两个假设:产出具有弱可处置性,如果(x,yg,yb)∈T,并且0≤θ≤1,那么(x,θyg,θyb)∈T;理想产出和非理想产出具有共生性,即(x,yg,yb)∈T,若yb=0,必有yg=0,表示产生理想产出的同时必然有非理想产出。

Tone[14]改进了SBM模型,考虑了非理想产出情况下,基于规模收益不变的模型如下:

(2)

其中:每个决策单元有m个投入变量,n1个理想产出变量,n2个非理想产出变量;X,Yg,Yb,Sg和Sb分别代表投入矩阵、理想产出和非理想产出矩阵及其对应的松弛矩阵;λ代表常数向量;ρ代表决策单元o的效率值。

2.2 Meta-frontier方法

传统的DEA模型下,假设所有的决策单元具有同质性,构造一个共同的生产前沿面,将使得外部环境条件恶劣的决策单元在效率评价中处于不利地位。为了克服这种环境影响的异质性问题,O’Donnell等[15]提供了一种评估和比较具有不同环境变量的决策单元的效率值的方法——Meta-frontier。首先,计算共同前沿下的DEA效率值;然后,根据外在环境的差异将决策单元分组;接着,计算组内前沿下的效率值;最后,构造共同前沿技术比率(MTR,meta-technology ratio)分析组内前沿和共同前沿之间的差距。不同组的MTR存在差异,该值越大表示该组的前沿面离共同前沿面越近,说明该组所处的环境有利于效率值提升。

为了更好地理解Meta-frontier方法,利用图1进行图示说明。假设一个单投入单产出的生产集,它们的共同前沿面是MM’;根据环境的异质性,将所有决策单元分成三组,组内前沿面分别是11’,22’和33’。若某一个特定的决策单元A属于组11’,那么它的基于投入的共同前沿和组内前沿下的效率值计算分别如下:

(3)

(4)

为分析组内前沿11’和共同前沿MM’间的差距,决策单元A的MTR定义为

(5)

从图1中可以看出,11’前沿面明显比22’离共同前沿MM’更近,也就是前一组的整体MTR值要大于后一组,表示前一组的环境变量优于后一组。

图1 共同前沿和组前沿Fig.1 Meta-frontier and group-frontier

3 数据和变量选取

3.1 数据和投入、产出变量选取

选取我国各省、市、自治区为研究对象,由于数据可得性,西藏、港澳台未纳入研究范围,讨论30个

省市区从2005—2012年的能源环境效率变化。研究环境效率,能源消耗量必然作为一种投入变量。劳动力同样是重要的投入变量,而资本存量作为投入的一个重要变量,能源利用过程中,需要大量的设备、资金等投入。资本存量没有直接的统计数据,参考张军等[17]的永续盘存法,统一折算为2005年不变价。能源消耗最常用的理想产出就是地区生产总值[3,18]。关于非理想产出,由于能源消耗过程中排放最多的就是二氧化碳,它是温室气体的主要成分[19];排放的二氧化硫是一种有毒气体,是形成酸雨的主要成分[2],选取二氧化碳和二氧化硫作为非理想产出。

3.2 环境变量及分组

选取城镇化率、产业结构、研发投入以及治理污染投入四个影响因素作为环境变量。以城镇人口占地区总人口比例代表城镇化率,第二产业占地区生产总值比重代表产业结构,应用研究发展费用占地区生产总值比重代表研发投入情况,治理污染费用占地区生产总值的比重代表治理污染投入,数据分别来源于《中国人口和就业统计年鉴》、《中国统计年鉴》、《中国科技统计年鉴》和《中国统计年鉴》。由于决策单元数量问题,根据各变量中位数界定分组阈值将决策单元分为两组,如表1所列。

表1 根据环境变量的分组

4 实证分析

共同前沿下的模型称为模型1,根据城镇化率、二产比重、研发投入以及治理污染投入四个环境变量的高低分组分别称为模型2-1、模型2-2、模型2-3和模型2-4,利用Matlab软件求得各模型下的环境效率值。

4.1 环境效率值变动分析

我国能源环境效率2005—2012年的变化情况如图2所示。由图2可以看出,研究期间我国能源环境效率总体呈现下降的趋势。考虑DEA是一种相对效率评价方法,说明各省份间的效率差距变大,尽管国家采取多种措施提高环境效率,但综合效率值却呈现出与能源利用效率相反的趋势。加快环境效率落后地区的政策监管,是提高国家整体环境效率的关键。2012年前后,清洁能源发电量大幅增加,非理想产出减少。因此,2012年我国能源环境效率出现了一定程度的反弹。

图2 2005—2012年我国能源环境效率变化趋势Fig.2 Domestic energy environment efficiency variation tendency from 2005 to 2012

4.2 省区能源环境效率分析

对各省区的能源环境效率进行对比分析,结果如表2所列。在模型1中,北京、上海和广东的效率值为1,主要原因是它们具有技术先进、经济领先、服务业发达等共同特点。云南、甘肃、青海、贵州、宁夏的效率排名在后五位,效率值分别为0.303 5、0.303 4、0.248 8、0.240 7和0.202 6,而这些地区经济相对比较落后,城镇化率较低,研发投资水平低。

考虑环境变量的影响,使用Meta-frontier方法,对比组内前沿下与共同前沿下的环境效率值。在模型2-1下,城镇化率水平较低组相比于模型1效率值得到提升,说明城镇化水平显著影响效率值。同样地,模型2-2、模型2-3、模型2-4也出现了类似的情况。在环境变量不同的情况下,把所有的省区当做同质的决策单元显然有失偏颇,特别是环境不利条件下的省区在效率评价中将处于弱势地位。因此,为了降低环境变量的影响,必须将各省区进行分组,并且将组内位于前沿面上的决策单元作为参考与目标,然后求得需要减少的能源消耗、资本存量和劳动力量,求得增加的地区生产总值以及减少的二氧化碳、二氧化硫。

表2 各省市区2005—2012年平均效率值

4.3 环境变量的影响

由于不同决策变量下分组存在差异,利用Meta-fontier方法,将模型1分别与模型2-1、模型2-2、模型2-3、模型2-4下的效率值的比例取平均值,即为省区在研究期间不同分组下的MTR值,见表3。

城镇化率较高组的MTR值明显大于较低组,说明城镇化率提高有助于提高能源环境效率。伴随城镇化水平的提升,人口集中度提高,虽然城镇人口的生活水平高于农村,导致终端能源消耗增长,但是完善的能源利用基础设施致使城镇居民的能源利用效率更高,能源环境综合效率提升;另一方面,城镇化的提高带动经济的发展,提高该地区的资源配置能力,促进了能源的高效利用。

表3 不同分组的共同前沿技术比率

二产占比较高组的MTR值小于较低组,例如,山西、河北的二产比重高达55%、52%,对应的环境效率只有0.318 1、0.379 3。第二产业主要包括采矿业、制造业、电力、建筑业,涵盖了几乎所有的能源密集型行业,产生的温室气体较多。相对第三产业,其附加值低,对能源的依赖程度高,这说明第二产业占比的变化与能源环境效率负相关。也说明国家产业结构调整中,提高三产比例政策的正确性[20]。

研发投入较高组的MTR值大于较低组,表明研发投入水平越高,越有利于该地区环境效率的提升。研发投入反映了地区的技术水平,先进的技术有助于能源利用效率的提升。特别是近年来环境保护力度的提升,在能源使用过程中,需要减少温室气体和有害气体的排放,大力发展清洁能源,例如我国风电和太阳能发电的明显提速。

略显意外的是,治理污染投入高组的MTR值小于低组。表面上看,这与我们的直观感受不一致,某地区对于污染治理的高投入,代表了对于环境保护的重视,应该有利于效率值的提升。进一步分析不难发现,治理污染的高投入,表示该地区的环境污染情况比较严重,污染排放物较多,所以环境效率水平较低。这说明了各地区一定要提高环境保护的认知,事前控制的效果远远优于事后治理。

5 结论及建议

研究在考虑非理想产出的情形下,采用基于松弛变量的DEA模型和Meta-frontier方法,测算了2005—2012年我国30个省区的能源环境效率,同时分析了外在环境变量的影响,得到如下结论和建议。

首先,结合SBM模型和Meta-frontier方法,改进了评价结果。根据外在环境变量的不同,将各省区分的组,得到的组内效率值更具有可比性,弱化了环境变量对于省区环境效率评价的影响。如果仅使用DEA模型,会低估不利条件下的省区环境效率评价。该方法为考虑外部差异的效率研究提供了新的视角。提升能源环境效率,应结合不同地区的实际情况,制定针对性的经济、能源发展策略。

其次,通过环境变量的影响分析发现,城镇化率和研发投入水平有利于能源环境效率的提升,因此,在直接进行能源利用方式优化和管理水平提高的同时,还可以通过改善外在的环境变量间接促进能源效率的提升。对于经济水平落后省区,例如云南、甘肃、贵州,推动城镇化发展,提高能源利用的集中度,改善能源的利用效率;此外,各省区应该大力提高科技水平,增加研发投入水平,保证能源利用技术的持续提高。

最后,二产比重偏高和治理污染投入过多的省份通常其能源环境效率较低。优化产业结构,加大高新技术行业以及服务业等高附加值行业的发展,重点监控高能耗产业的运行情况,是实现能源环境效率提高的有效举措。历史经验表明,能源使用过程中要做到事前控制,科学规划发展,严格项目审批,从源头上限制污染排放,避免再走“先污染,后治理”的老路。

[1] 杨振.我国经济发展与能源消费脱钩潜力评价[J].甘肃科学学报,2011,23(1):139-142.

[2]LiLB,HuJL.EcologicalTotal-factorEnergyEfficiencyofRegionsinChina[J].EnergyPolicy,2012,46:216-224.

[3] 汪克亮,杨宝臣,杨力.考虑环境效应的中国省际全要素能源效率研究[J].管理科学,2010,24(6):100-111.

[4]ZhouP,AngBW,PohKL.ASurveyofDataEnvelopmentAnalysisinEnergyandEnvironmentalStudies[J].EuropeanJournalofOperationalResearch,2008,189(1):1-18.

[5]SongM,AnQ,ZhangW,etal.EnvironmentalEfficiencyEvaluationBasedonDataEnvelopmentAnalysis:AReview[J].RenewableandSustainableEnergyReviews,2012,16(7):4 465-4 469.

[6]FarrellMJ.TheMeasurementofProductiveEfficiency[J].JournaloftheRoyalStatisticalSociety,SeriesA,1957,120(3):253-281.

[7]CharnesA,CopperWW,RhodesE.MeasuringtheEfficiencyofDecisionMakingUnits[J].EuropeanJournalofOperationalResearch,1978,3(4):429-444.

[8] 魏权龄,岳明.DEA概论与CCR模型——数据包络分析(一)[J].系统工程理论与实践,1989,9(1):58-69.

[9] 魏权龄,崔宇刚.评价相对有效性的几个重要DEA模型——数据包络分析(二)[J].系统工程理论与实践,1989,9(2):55-68.

[10] 魏权龄,卢刚.DEA方法与模型的应用——数据包络分析(三)[J].系统工程理论与实践,1989,9(3):67-75.

[11]HuJL,WangSC.Total-factorEnergyEfficiencyofRegionsinChina[J].EnergyPolicy,2006,34(17):3 206-3 217.

[12]ZhangHY,JiQ,FanY.AnEvaluationFrameworkforOilImportSecurityBasedontheSupplyChainwithaCaseStudyFocusedonChina[J].EnergyEconomics,2013,38:87-95.

[13]ToneK.ASlacks-basedMeasureofEfficiencyinDataEnvelopmentAnalysis[J].EuropeanJournalofOperationalResearch,2001,130(3):498-509.

[14]ToneK.DealingwithUndesirableOutputsinDEA:ASlacks-basedMeasure(SBM)Approach[C]//TheOperationsResearchSocietyofJapan,Japan:2004,44-45.

[15]O’DonnellCJ,RaoDSP,BatteseGE.MetafrontierFrameworksfortheStudyofFirm-levelEfficienciesandTechnologyRatios[J].EmpiricalEconomics,2008,34(2):231-255.

[16]BankerRD,CharnesA,CooperWW.SomeModelsforEstimatingTechnicalandScaleInefficienciesinDataEnvelopmentAnalysis[J].ManagementScience,1984,30(9):1 078-1 092.

[17] 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,2004,50(10):35-44.

[18] 罗会军,范如国,罗明.中国能源效率的测度及演化分析[J].数量经济技术经济研究,2015,32(5):54-71.

[19] 张伟,朱启贵,李汉文.能源使用、碳排放与我国全要素碳减排效率[J].经济研究,2013,59(10):138-150.

[20] 孙晓雪.基于超效率DEA的中国省际工业能源效率评价[J].甘肃科学学报,2016,28(2):140-148.

DomesticProvincialRegionEnergyEnvironmentEfficiencyAnalysis——BasedonMeta-frontierModel

ChenYunfei

(CollegeofManagementandEconomics,TianjinUniversity,Tianjin300072,China)

Inrecentyears,alongwiththeincreaseofenergyconsumption,theemissioncausedbydomesticfossilfuelcombustionisgrowingcontinuallywhichhasseriousaffectedtheecologicalenvironment.Inordertoresearchtheenergyenvironmentefficiencyofeachprovincialandmunicipalregion,considertheinfluenceofnon-idealoutput,usethedataenvelopmentanalysismethodbasedonslackvariable,measureandcalculatetheenergyenvironmentefficienciesof30provincialandmunicipalregionsinourcountryfrom2005to2012.Researchresultsshowthatthedomesticenergyenvironmentefficiencygenerallypresentsthedeclinetrend,butalongwiththecontinualoptimizationofenergystructureandtheincreaseofproportionofcleanenergy,theenergyenvironmentefficiencyhavereboundedafter2012;combinedwithMeta-frontiermodeltogroupthedecision-makingunitandconductcomparativeresearch,theresultsshowthattheincreaseofurbanizationrateandresearchanddevelopmentinvestmentisbeneficialtotheincreaseofenergyenvironmentefficiencyandthereduceofsecundiparityproportionalsocanachievesimilareffect,butthesharpincreaseofpollutionmanagementinvestmenthasnoobviousshort-termeffect.Atlast,proposecorrespondingcountermeasuresandsuggestionsaccordingtoresultanalysis.

Energyenvironmentefficiency;Slackvariablemodel;Meta-frontiermodel

Chen Yunfei.Domestic Provincial Region Energy Environment Efficiency Analysis——Based on Meta-frontier Model[J].Journal of Gansu Sciences,2016,28(6):110-115.[陈云飞.我国省区能源环境效率分析——基于Meta-frontier模型[J].甘肃科学学报,2016,28(6):110-115.]

10.16468/j.cnki.issn1004-0366.2016.06.022.

2016-07-12;

2016-08-31.

国家自然科学基金项目(71373172).

陈云飞(1990-),男,安徽阜阳人,硕士,研究方向为能源效率、政策与管理.E-mail:feiyunchen@tju.edu.cn.

X196;F114.46

A

1004-0366(2016)06-0110-06