基于序列Malmquist-Luenberger指数的碳排放约束下的全要素能源效率

潘 华, 郑 芳, 高杨杨

(上海电力学院 经济与管理学院, 上海 200090)



基于序列Malmquist-Luenberger指数的碳排放约束下的全要素能源效率

潘 华, 郑 芳, 高杨杨

(上海电力学院 经济与管理学院, 上海 200090)

为了研究在碳排放约束下的全要素能源效率问题,运用基于含有非期望产出的SBM与序列Malmquist模型构成的序列Malmquist-Luenberger指数对中国东、中、西部和整体29个省份(自治区、 直辖市)进行比较,对其全要素生产率分别进行分析对比.通过实证研究分析可知,技术进步和效率变化共同促进了整体全要素生产率的不断提高,并且技术进步的作用大于效率变化的作用;东部区域的各省市在碳排放约束下的全要素生产率SML引领着整个中国的进步,中部区域和整个中国发展水平几乎一致,而西部明显落后于整体.

全要素能源效率; 非期望产出的SBM; 序列Malmquist-Luenberger模型

在全球化石能源枯竭和全球气候变暖的现实背景下,作为仅次于美国的世界第二大能源消费国和二氧化碳排放最多的发展中国家[1],能源效率和碳排放量已经成为热门话题.虽然中国的能耗强度有下降的趋势,但始终高于其他发达国家.2010年国际能源署IEA指出,改善能源效率对碳减排的潜力要超过电力部门的脱碳潜力,成为减排的第一大来源[2].因此,如何科学、系统地研究在碳排放约束下的全要素能源效率问题成为今后工作的重中之重[3].

对于能源效率的衡量有很多不同的指标,本文根据研究的需要,简单地将它们分成单要素指标和全要素指标[4].杨红亮和史丹[5]对单要素能源效率和多要素能源效率进行了对比,结果表明,多要素能效指标在揭示一个地区资源禀赋对能源效率的影响方面有着单要素方法无法替代的优势.基于此,目前一些学者在研究中采用了全要素能源效率指标.范丹和王维国[1]运用DEA-SBM模型测度了碳排放约束下1999～2010年中国30省、市、自治区及4大区域的全要素能源效率[6],结果表明,能源效率的区域格局按照由东向西递减且不同省份节能减排的潜力差异较大,西部区域的节能减排潜力最高,其次为中部和东北部,东部的节能减排潜力最低[2].

上述研究深入探讨了我国的全要素能源效率,但还存在以下不足.一是部分学者虽然考虑到了非期望产出(如废水、废气、固体污染物等)对能源效率的影响而运用含有非期望产出的DEA(Data Envelope Analyse)方向性距离函数或SBM(Slack Based Measure)模型,但忽略了使用当期的决策单元DMU来构造最佳前沿面时在分析中可能会出现技术后退的现象.二是所有学者基于DEA模型来分析能源效率时都是基于中国所有省、市、自治区一起来构造最优前沿面.由于受地理位置、地区经济条件、资源禀赋、生产技术、工业和城市化水平等因素的影响,东部、中部和西部的能源效率有很大的差距.刘心等人[6]运用含有非期望产出的SBM模型得出的实验结果中,上海的能源效率值和减排潜力分别为1和0,而青海和宁夏能源效率值分别为0.339和0.382,其减排潜力分别为0.659和0.628.因此,如果要把青海和宁夏的能源效率及减排潜力达到与上海相同的目标可操作性不大,所以不能为中国实现能源高效率、节能减排目标科学地制定和优化相关政策和措施提供依据.

通常,中国各省、自治区和直辖市分为3个主要区域:东部地区(北京、天津、河北、辽宁、上海、江苏、浙江、福建、山东、广东、海南)、中部地区(黑龙江、吉林、山西、安徽、江西、河南、湖北、湖南)和西部地区(四川、贵州、云南、陕西、甘肃、青海、宁夏、新疆、广西、内蒙古)[4].我们可以把东、中、西部3个区域看作是独立的,分别研究它们的能源效率和减排潜力.由于3个独立的区域通过这种方法得到的结果没有可比性,所以本文利用上述两种方法可以更加合理地制定能源高效率、节能减排目标,并且其实现的可能性很大.因此,本文将二氧化碳的排放量作为非期望产出,基于非径向、非导向的含有非期望产出SBM模型和序列Malmquis构造的序列Malmquist-Luenberger模型,在强可处置性下测度了1997～2012年间中国的29个地区的全要素能源效率和东、中、西部3个主要区域中各个地区的全要素能源效率,并进行了实证比较分析,以期为改善中国的能源利用效率和节能减排政策提供科学依据.

1 研究方法

1.1 环境技术集

本文将每个省份看作一个决策单元DMU,构造了3个区域在每一个时期能源的最优前沿面.在能源生产和使用过程中CO2的排放称之为非期望产出(Undesirable or Bad Output);将正常产出国内生产总值(GDP)称为期望产出(Desirable or Good Output).为了将环境问题纳入分析框架中,需要先构造一个既包括期望产出,又包括非期望产出的生产可能性集合,将这种生产可能性集合称为环境技术(The Environmental Technology)[4].根据TONE K(2001)[7]对环境技术集的定义,假设测量一组共n个决策单元DMU,记为DMUj(j=1,2,3,…,n);每个DMU使用m种投入,记为xi(i=1,2,3,…,m);q1种期望产出和q2种非期望产出,分别记为yr(r=1,2,3,…,q1)和bg(g=1,2,3,…,q2).环境技术集可表示为:

(1)

衡量包含环境技术的产出集合P(x)具有以下4个性质.

(1)平凡性公理 (xi,yr,bt)∈P(x).

(3)锥性公理 对任意(x,y,b)∈P(x)及数k≥0,均有k(x,y,b)=(kx,ky,kb)∈P(x).

(2)

式中:λj——投入产出的权重.

1.2 非期望产出的SBM模型

在径向DEA模型中,对无效率程度的测量只包含了所有投入(产出)等比例缩减(增加)的比例.

对于无效DMU来说,其当前状态与强有效目标值之间的差距,除了等比例改进的部分之外,还包含松弛改进部分.2001年,TONEK提出了SBM模型[7].2003年,基于环境生产技术,TONEK构建了包含非期望产出的SBM模型为[3]:

(3)

1.3 序列Malmquist-Luenberger模型

(4)

式中:S1——t1时期的集合;S2——t2时期的集合,以此类推.

1997年,根据CHUNG Y等人[9]将包含非期望产出的方向性距离函数应用于Malmquist模型进行演变.

通过将含有非期望产出的SBM模型与序列Malmquist模型进行组合,构造了序列Malmquist-Luenberger模型,得到了t期与t+1期之间的SML(Sequential Malmquist-Luenberger)生产率增长指数:

(5)

为避免技术基准选择的随意性造成结果差异,以相邻两期的SML生产率增长指数的几何平均值衡量t期到t+1期的低碳全要素生产率的变化情况,具体计算公式为[10]:

(6)

通过对式(6)的变形,SML生产率增长指数可以进一步分解为技术进步指数(STC)和效率变化指数(SEC)[1].

(7)

式中:FSML——生产率增长指数;FSTC——技术进步指数;FSEC——效率变化指数.

2 实证分析

2.1 数据来源与测算

Shakespeare was born in 1564 at a town（城镇）in England.His father，John，was a glove-maker（手套制造者）.His mother，Mary，was a farmer’s daughter.He had seven brothers and sisters.

选取1997～2012年我国29个省、直辖市和自治区的投入产出数据为样本(西藏数据缺失没有包括在内,香港、澳门、台湾地区不在分析范围之内)[11],制作东、中、西部和中国整体的面板数据.样本数据均来自《中国统计年鉴》以及各省的统计年鉴.具体指标选取如下.

2.1.1 投入指标

(1) 劳动力(L) 当年从业人数=(当年年末从业人员+上一年年末从业人员)/2,单位为万人.

(2) 能源消费总量(R) 采用各地区的能源消耗为基础折算成标准煤,单位为万吨标准煤.

(3) 资本存量(K) 资本存量普遍采用永续盘存法来进行核算.根据单豪杰的估算方法[12]:

(8)

式中:Kit——i省在第t期期末的固定资本存量;Iit——i省在第t期的固定资本投资额,即新增固定资本;δit——固定资本的经济折旧率[13].

在此基础上以1997年为基期,作为比较的基准,补充测算了2008～2012年的资本存量数据,以方便做出比较.

2.1.2 产出指标

(1)期望产出(E) 总产出用各省(市、自治区)的地区生产总值(GDP)表征,并以消费价格指数进行平减(以1997年为基期),单位为亿元[13].

(2)非期望产出(C) 本文以13种能源(煤炭、焦炭、焦炉煤气、其他煤气、原油、汽油、煤油、柴油、燃料油、液化石油气、煤气、炼厂干气、其他焦化产品、天然气)消耗为基准来测算各地区的碳排放量.根据《2006年IPCC国家温室气体清单指南》提供的计算方法,来测算二氧化碳的排放量[14]:

(9)

式中:Ei——第i种能源消耗量,折算成统一的单位,104t;

VNCi——第i种能源净发热值;

FCEi——第i种能源的碳排放系数;

FCO——碳氧化因子.

能源效率投入产出的统计性描述如表1所示.

表1 能源效率投入产出的统计描述

从表1可以看出,东、中、西部和整体能源消费总量的均值分别为1.946 048×108t,1.217 162×108t,6.910 911×107t,1.310 002×108t标准煤,标准差分别为 1.676 538×108t,1.015 438×108t,6.734 553×107t,1.337 649×108t标准煤,从能源消费指标上可以看出东部地区经济发展水平明显处于全国领先地位,而在能源利用效率上也是全国领头羊;在与全国总体水平比较时,中部与西部仍然存在不小差距,表明该投入指标在东、中、西部的差距很大且离散程度较高.

2.2 总体分析

2.2.1 东中西部和中国整体在碳排放约束下生产率的测算及其分解结果

运用上述研究模型、方法和样本数据,分别对1997～2012年中国29个地区、东、中和西部区域构造了碳排放约束下最佳前沿面,进行低碳全要素生产率(即SML生产率增长指数)测算,并将其分解为技术进步指数(STC)和效率变化指数(SEC),然后将以东、中、西部区域为独立测算的结果与中国29个地区为整体测算的结果进行比较.由于篇幅限制,仅列示了1997～2012年中国平均值(SML1,STC1,SEC1)和东、中、西部3大区域平均值(SML,STC,SEC),如表2和表3所示.

由表2和表3可以看出,SML生产率整体上有较大幅度的提高,其中技术进步的贡献要远大于效率改善的贡献;东部、中部和中国整体单独测算时SML生产率增长指数、技术进步累积增长指数和效率改善累积增长指数差距都不是太大,而西部和中国整体单独测算时SML生产率增长指数和技术进步累积增长指数差距非常明显,说明东中部区域与中国整体SML生产率发展水平是同步的,并没有影响其提高,而西部区域严重落后于中国的整体水平.

表2 1997～2012年中国及3大地区历年平均SML生产率指数及其构成

表3 1997～2012年3大地区SML生产率指数及其构成累积和平均增长指数

从平均值来看,东部和中国整体每年增长的速度相同,而中部、西部比中国整体每年有着稍大的增长速度;全要素生产率(FTP)在东中部地区低碳约束下的提升是技术进步和效率提高推动的结果;而FTP在西部地区低碳约束下的提升仅仅依靠的是技术进步.

2.2.2 东中西部与中国整体指标间的相关系数

东、中、西部与中国整体指标间的相关系数如表4所示.由表4可以发现,东部区域的SML,STC,SEC与整体地区的SML1,STC1,SEC1存在高度相关,但中西部区域与整体地区之间指标的相关性偏低.这是由于把东、中、西部分别作为独立的整体进行前沿面的构造,使中西部区域产生了很大的不同.

表4 指标间的相关系数

图1,图2,图3分别为29个地区的生产率指数、技术进步趋势比较、效率变化趋势比较.从图1,图2,图3可以看出,东部区域中各地区的SML,STC,SEC与中国整体各指标拟合度非常高,而中西部区域中各地区与中国整体各指标上下波动很大.这说明应用中国29个省、直辖市和自治区中的最优值来构造最优前沿面,中西部区域的省、直辖市和自治区相对于这个最优前沿面不能具体真实地反应它们的全要素生产率.

因此,按照地理位置、地区经济条件、资源禀赋、生产技术、工业和城市化水平等因素将中国分成3大区域进行独立分析,然后进行整体分析,这样不仅能从整体上对中国各省、直辖市和自治区进行测算评估,而且能够结合实际条件分析各省、直辖市和自治区的能源效率.这样分析得到的结果更加真实,对政策的制定有一定的参考价值.

图1 29个地区的生产率指数比较

图2 29个地区的技术进步趋势比较

图3 29个地区的效率变化趋势比较

2.2.3 东中西部的能源效率

表5为东、中、西部独立测算时各地区的能源效率.从表5可以看出,东部的河北、辽宁和山东的能源效率平均值分别为0.435 159,0.513 272,0.598 036,低于东部其他地区的能源效率;中部各地区能源效率相对均衡,只有山西的低一点;西部的甘肃和贵州能源效率平均值为0.671 052和0.481 204,也低于西部其他地区的能源效率.

表5 东中西部独立测算时各地区的能源效率

3 结 语

本文基于1997～2012年中国东、中、西部和中国整体的面板数据,采用了序列Malmquist-Luenberger模型分别估算了1997～2012年我国29个省(直辖市、自治区)及东、中、西部区域在碳排放约束下的全要素生产率SML,并将其分解为技术进步STC和效率变化SEC两部分.研究结果表明:技术进步和效率变化共同促进了整体全要素生产率的不断提高,并且技术进步的作用大于效率变化的作用;东部区域的各省(直辖市、自治区)在碳排放约束下全要素生产率SML在引领着整个中国的进步,中部区域和整个中国发展水平几乎一致,而西部明显落后于整体.

因此,在制定提高能源效率的相应政策时,应该注重提高那些相对于本区域能源效率落后的省份和中西部地区的技术水平,加快中西部地区市场化推进,以提高中西部地区全要素能源效率.

[1] 范丹,王维国.中国区域全要素能源效率及节能减排潜力分析——基于非期望产出的SBM模型[J].数学的实践与认识,2013,43(7):12-21.

[2] 范丹.低碳视角下的中国能源效率研究[D].大连:东北财经大学,2013.

[3] TONE K.Dealing with undesirable output in DEA:a slack-based measure(SBM) approach[J].GRIPS Research Report Series I,2003(5):138-141.

[4] 王兵,张技辉.环境约束下中国省际全要素能源效率实证研究[J].经济评论,2011(4):31-43.

[5] 杨红亮,史丹.能效研究方法和中国各地区能源效率的比较[J].经济理论与经济管理,2008(3):13-20.

[6] 刘心,李淑敏.基于非期望产出SBM模型的中国各省份能源效率的实证分析[J].数学的实践与认识,2015(1):36-43.

[7] TONE K.A Slacks-based measure of efficiency in data envelopment analysis [J].European Journal of operational Research,2001(130):498-509.

[8] SHESTALOVA V.Sequential malmquist indices of producticity growth:an application to OECD industrial activities[J].Journal of Productivity Analysis,2013(19):211-226.

[9] CHUNG Y,FARE R,GROSSKOPF S.Productivity and undesirable output:a directional distance function approach[J].Journal of Environmental Management,1997,51(3):229-240.

[10] 程云鹤,齐晓安.低碳约束下中国全要素生产率的时空演变——基于Sequential Malmquist-Luenberger生产率指数分解方法[J].技术经济,2012(9):51-58.

[11] 王维国,范丹.节能减排约束下的中国区域全要素生产率演变趋势与增长动力——基于Malmqulist-Luenberger指数法[J].经济管理,2012(11):142-151.

[12] 单豪杰.中国资本存量的再估算:1952～2006[J].数量经济与技术经济研究,2008(10):17-31.

[13] 李强,魏巍.碳排放约束视角下的全要素能源效率及影响因素研究[J].软科学,2015(4):71-74.

[14] 王维国,范丹.中国区域全要素能源效率收敛性及影响因素分析——基于Malmqulist-Luenberger指数法[J].资源科学,2012(10):1 816-1 824.

(编辑 胡小萍)

Total Factor Energy Efficiencyunder the Carbon Emission Restriction Based on the Sequence Malmquist-Luenberger Index

PAN Hua, ZHENG Fang, GAO Yangyang

(SchoolofEconomicsandManagement,ShanghaiUniversityofElectricPower,Shanghai200090,China)

In order to study the total factor energy efficiency under the carbon emission restriction issue,using the model based on the named Sequence Malmquist-Luenberger which includes undesirable outputs SBM and the sequence Malmquist model to compare China’s eastern,middle,and western areas covering 29 provinces and the total factor productivity are compared and analyzed.Empirical study finds that STC and SEC promote the development of whole total factor productivity in common and the function of STC is stronger than SEC.The eastern regional area’s total factor productivity under the carbon emission restriction has been leading the whole China’s progress.The central region is almost identical to the whole development level of China,while the western region lags behind.

total factor energy efficiency; undesirable output’s SBM; sequence of malmquist-luenberger model

10.3969/j.issn.1006-4729.2017.03.008

2015-12-31

潘华(1976-),男,副教授,上海人.主要研究方向为电力信息化与决策支持,电力工程施工管理等.E-mail:stevepan2005@126.com.

国家自然科学基金(71271065).

F224;F124.5

A

1006-4729(2017)03-0251-07