基于三阶段DEA模型的福建省能源碳排放效率与影响因素研究

杜翼 马静静 项康利

摘.要：在促进经济社会发展的同时要减少CO2排放量，关键在于如何提高CO2排放效率。本文首先以1994—2017年福建省24个经济单元为研究对象，在全要素框架下利用三阶段DEA模型实证测算了福建省各年份的能源CO2排放效率;其次为进一步探究影响福建省碳排放效率的因素，利用OLS回归模型对其因素的影响程度进行研究。研究发现，受环境变量和随机误差影响，1994—2017年碳排放效率值被高估，可能是受调整前比较有利的外部环境和相对较好的运气水平所致;2009、2012—2017年效率值被低估，主要是因为纯技术效率值的增加，对福建省技术条件优越性的充分利用。而OLS回归结果表明，三产产值比重的增加以及提高政府影响力是促进碳排放效率的关键因素;所有权属性是抑制碳排放效率的决定因素;人均GDP和人口密度均为抑制碳排放效率的因素，但影响效果不显著。根据以上分析结果，有针对性地提出相关政策建议来提高福建省能源碳排放效率。

关键词：三阶段DEA;碳排放效率;能源消费;OLS回归

中图分类号：X321    文献标识码：A    文章编号：1671-0037（2019）10-8-12

DOI：10.19345/j.cxkj.1671-0037.2019.10.002

作为海峡两岸经济区中居于主体地位的省市，福建省近几年的经济社会发展取得了巨大的进步。根据《2018年福建省国民经济和社会发展统计公报》显示，2018年全年地区生产总值35.804.04亿元，比2017年增长8.3%。其中，第一产业增加值2.379.82亿元，增长3.5%;第二产业增加值17.232.36亿元，增长8.5%;第三产业增加值16.191.86亿元，增长8.8%，且增加值比重为45.2%。可见，福建省由主要依靠第二产业发展到依靠第二、三产业共同促进经济增长，而缓解环境恶化、资源供需矛盾紧张主要还是要大力振兴第三产业。

2018年福建省能源消耗总量为13.481万吨标准煤，能耗增量为591万吨标准煤，比2017年增长4.59%，其中煤炭消费量占比达46%以上，远高于其他能源的消耗比重。然而，能源消耗是CO2排放的主要来源之一，同时，能源消耗量的增加会带来严重的环境问题。随着福建省经济区建设的加快，能源需求与CO2排放量将呈现出刚性增长趋势，如何处理好能源、环境、经济的可持续发展，节能减排工作显得尤为重要。评价节能减排的重要抓手就是提高能源利用效率，增加碳排放效率，因此探讨福建省能源碳排放效率水平及其影响因素，能够为管理者制定相关节能减排政策提供理论基础和科学依据。

1 文献综述

碳排放效率的概念出现已久，但学术界对碳排放效率的定义仍未统一。大多数研究者认为碳排放效率概念就是以较少的CO2排放量来取得较高的经济增长和较少的能源消耗[1]。对于如何衡量碳排放效率这个指标，不少学者将CO2排放、经济增长和能源消费这三个因素结合起来，将单位能源的CO2排放量、单位GDP的CO2排放量、人均GDP的CO2排放量和单位GDP能耗等作为评价碳排放的指标[2-4]。尽管三者联系紧密，但是大多数研究均基于任意两个因素之间的结合，如经济增长与碳排放、能源消费与碳排放，未能将碳排放、经济增长和能源消费同时考虑在内。Kaya等提出碳生产率，并将其近似当作碳排放效率，将GDP与CO2排放量的比值作为碳排放效率，评价人类在发展经济的时候对环境带来的影响[5]。该定义强调了CO2排放量与经济增长之间的紧密联系，却忽视了CO2排放量与能源消费之间的内在联系。

参考并借鉴前人学者对碳排放效率的定义，从经济学投入和产出角度看，将CO2排放作为一种经济学中的非期望产出，基于投入产出关系，本文拟将碳排放效率概述为在劳动力、资本和能源投入量不再增加的情况下，实现最少的CO2排放量和最大的经济产出。

近年来，关于碳排放效率的测度研究是学术界的研究热点之一。对于能源碳排放效率问题的研究，根据投入变量的数量多寡，通常可分为单要素和全要素两种分析方法。由于单要素法只针对单投入和单产出，忽略了其他投入对产出的影响，而任何一种产出都是多种要素投入的结果，因此选用单要素测量效率值是有偏的。与单要素法相比，全要素法能够更好更准确地反映经济活动的效率水平。Hu和Wang首次引入了全要素能源效率的概念，強调了经济产出与多投入之间的关系，并将能源、劳动力和资本存量作为投入指标，利用传统数据包络分析（Data.Envelopment.Analysis，DEA）方法对我国1995—2002年的能源效率进行了测量评价[6]。史丹等利用我国2005年的数据，分别利用单要素能源效率和全要素能源效率两种方法对比分析我国各地区的能源效率水平并探讨了节能潜力[7]。李金铠等以2001—2010年30个省级的数据为基础，采用DEA—Malmquist生产效率指数测算了我国省级全要素能源效率[8]。目前，利用Charnes等人提出的DEA模型对能源碳排放效率进行研究已经得到了广泛的应用[9]。而传统DEA评价模型只注重投入、产出变量的对应性问题，没有考虑变量的松弛性问题，会造成一些测量结果的偏差，此时Tone.Kaoru构建的一种基于松弛测度的SBM模型就得到了广泛应用[10]。李静在构建模型时考虑了松弛变量对评价结果的影响，首次引入了一个非径向和非角度的SBM模型处理非期望产出问题，并对43家企业进行了环境效率的实证分析[11]。 陈真玲、李金铠等基于方向向量的非期望产出SBM模型，构建多层级前沿面DEA模型，实现了对城市能源效率的层级划分并提出层级识别的逐级跃迁路径方法[12]。左中梅和杨力基于全要素能源效率框架，采用SBM—DEA方法建立全要素能效测度新模型，分析比较了2003—2007年我国29个省份、全国整体及三大区域的全要素能源效率[13]。郭炳南和林基采用非径向、非角度的SBM模型测度了1997—2014年长江三角地区的碳排放效率水平，比较了碳排放效率的动态变化[14]。马大来使用mSBM方法测度了1998—2016年各个省份的农业能源碳排放效率，并在此基础上构建空间面板数据分析其影响因素[15]。

基于传统DEA模型和SBM模型，对全要素能源碳排放效率评价同样存在自身的缺陷。以上模型忽略了环境因素和随机误差项的影响，导致评价结果可能依然与实际情况存在差异。为了解决该问题，Fried等（DEA）提出三阶段DEA模型：第一阶段利用传统DEA—BCC模型对效率进行分析;第二个阶段利用随机前沿模型（Stochastic.Frontier.Approach，SFA）对环境因素和随机误差项进行分析;第三阶段利用调整后的投入变量和原始产出数据，再次使用传统DEA—BCC模型进行效率评价[16]。

三阶段DEA模型在能源与环境效率评价领域得到了广泛的应用。邓波等则运用三阶段DEA模型对我国2008年区域生态效率进行了实证研究[17]。黄德春等运用三阶段DEA模型对我国29个省市2009年的能源效率进行了分析[18]。华坚等、牛秀敏利用三阶段DEA评价了我国省际区域的CO2排放绩效水平[19-20]。张胜利和俞海山采用三阶段DEA分析了1998—2013年我国工业碳排放效率的区域差异性，并对其工业碳排放效率的影响因素进行了实证研究[21]。陈晓红等运用非期望产出的SBM—DEA模型与SFA方法，构建非径向非角度的三阶段SBM—DEA模型，基于投入、产出冗余以及外部环境影响因素分析表明，提升能源、资本、人员配置效率，有利于提升碳排放效率[22]。徐国泉和栾昊基于非期望产出的三阶段SBM—DEA模型，剔除环境因素和随机误差的影响，对2005—2015年江苏省碳排放效率进行了测算[23]。陈雯在考虑非期望产出的情况下，利用三阶段DEA模型分析了我国30个省份的电力能源效率，并从省际和区域两方面对其进行了评价[24]。吴江等采用不可分的三阶段DEA模型，测算了我国30个省份2005—2015年的全要素能源效率，研究表明技术效率下降是制约我国全要素能源效率提高的内部主要原因[25]。

以上所有研究结论均验证，利用三阶段DEA模型的评价结果与传统DEA模型存在较大差异，环境因素与随机误差确实对效率评价存在影响。然而已有研究大多针对全国层面数据进行探讨，而关于单独省份碳排放效率的应用研究较少。鉴于此，本文为探讨福建省1994—2017年的全要素能源碳排放效率水平及其变化趋势，利用三阶段DEA模型可使得测算结果具有相对有效性，对不同年份间效率波动给予更客观的解释，并提出提高能效、节能减排的政策建议。

2 研究方法与变量选取

本文以1994—2017年的数据为基础对福建省能源碳排放效率进行研究。数据主要包括对投入变量、产出变量以及环境变量的选取。所需数据主要来源于1994—2017年《中国统计年鉴》《中国能源统计年鉴》《福建省统计年鉴》。针对上述数据，本研究拟采用三阶段DEA方法进行碳排放效率的计算。本节主要对文中用到的三阶段DEA模型及其变量选取进行简单介绍。

2.1 三阶段DEA模型

DEA是一种计算效率值的非参数方法[26]。由于传统DEA模型测度的效率值会受到内部管理无效率、外部环境和随机误差项三种因素的影响，因此在传统DEA模型的基础上，利用三阶段DEA模型可以剔除外部环境与随机误差项对效率评价单元的影响，使得研究结果更加客观、准确地反映决策单元的效率水平。

为了剔除环境因素和随机误差项对福建省能源碳排放效率评价的影响，本文引入了三阶段DEA模型，该模型是由Fried等人提出的一种能够更好地评估决策单元效率的方法[16]。图1为模型的基本框架图。

2.1.1 第一阶段：传统的DEA模型（BCC模型）。DEA方法最初是由著名的运筹学家Charnes、Cooper、Rhodes于1978年提出的一个被称为数据包络分析（DEA）的方法，用于评价相同部门间的相对有效性，他们的第一个模型被命名为CCR模型。从生产函数的角度看，这一模型多用来研究“多输入多输出”的生产部门内决策单元间的相对有效性[9]。而BCC模型由Banker、Charnes、Cooper于1984年首次提出[27]，该模型用来处理“规模报酬可变”假设下决策单元的有效性问题。对于任一个决策单元，投入导向下对偶形式的DEA—BCC模型可以表示为：

[i=1，2，···，n;j=1，2，···，m;r=1，2，···，s，n]为决策单元的个数，[m]和[S]分别为投入与产出变量的个数，[xijj=1，2，···，m]为第[i]个决策单元的第[j]个投入要素，[yirr=1，2，···s]为第[i]个决策单元的第r个产出要素，[θ]为决策单元的有效值。若[θ=1，s+=s-=0]，则决策单元DEA有效;若[θ=1，s+≠0或s-≠0]，则决策单元弱DEA有效;若[θ<1]，则决策单元非DEA有效。BCC模型计算出来的效率值为综合技术效率值（TE），进一步分解为规模效率（SE）和纯技术效率值（PTE）的乘积，即TE=SE*PTE。

2.1.2 第二阶段：相似随机前沿模型（SFA）。Fried等认为，第一阶段运算分析得出的投入（或产出）松弛变量受外部环境因素、随机误差项和管理无效率三因素的影响。仅靠传统DEA模型并不能分析出此时的效率值到底是由管理因素造成的，还是由外部环境因素和随机误差项造成的[16]。因此在第二阶段通过构建相似SFA模型可测出上述三个因素的影响，从而剔除外部環境因素和随机误差项，可以得出仅由管理无效率造成的决策单元投入冗余。以投入导向为例，分别对每个决策单元的投入松弛变量进行SFA分析，构建如下SFA回归方程：

其中，[XAni]是调整后的投入;[Xni]是调整前的投入;[maxfZi;βn-fZi;βn]是对外部环境因素进行的调整，将所有决策单元置于相同的外部环境中;[maxvni-vni]是将所有决策单元置于相同运气水平下。

2.1.3 第三阶段：调整后的DEA模型。将第二阶段调整后的投入数据[XAni]代替原始投入数据[Xni]，产出数据依旧为原始产出数据不变，再次运用DEA—BCC模型进行效率评估，由此得到的决策单元的效率值即为剔除环境因素变量以及随机误差项影响后的结果，此时的效率值是相对客观准确的。

2.2 变量选取

2.2.1 投入产出变量的选取。基于前人研究结论和阅读大量文献以及考虑到数据可得性，选择的投入变量包括劳动力、资本投入和能源消费总量;产出变量包括地区生产总值（GDP）和CO2排放量。

①劳动力。劳动的有效投入是一个较好的度量指标，但是由于数据获取不易，参考沈能等的选取方法[29]，本文采用福建省年末就业人口数量，单位为万人。数据来源于《福建省统计年鉴》。

②资本投入。借鉴相关研究成果和考虑数据的可获得性，华坚等、吴江等、郭四代等人均采用资本存量作为资本资源的度量指标，可以较为全面地反映评价单元的技术水平和生产规模[19，25，30]。由于所需数据无法直接获得，本文主要采用“永续盘存法”并按照可比价格估算资本存量，参考张军[31]研究结果，通过对基期资本数量的计算以及对折旧率、当期投资指标的选择，进而对全社会固定资产投资总额进行平减。本文选用资本存量作为资本投入，单位为亿元。数据来源于1994—2017年国家统计局、《中国统计年鉴》和《福建统计年鉴》中的“按登记注册类型分全社会固定资产投资”“按登记注册分全社会固定资产投资价格指数（上年=100）”。

③能源消费总量。能源消费主要包括原煤、原油、天然气和一次能源及电力等种类，其中原煤在1994—2017年平均占能源消费总量的56.16%，且每年呈逐渐下降的趋势。因此选择历年的能源消费总量，单位为万吨标准煤。数据来源于《福建省统计年鉴》。

④GDP。参考前人研究成果，选取GDP指标作为期望产出，单位为亿元。为了保证分析结果的相对有效性，剔除价格对不同年份GDP的影响，本文以1993年为基期，对1994—2017年GDP进行了平减。数据来源于《福建省统计年鉴》中的“主要年份地区生产总值”和“主要年份地区生产总值指数（上年=100）”。

⑤CO2排放量。本文旨在研究CO2排放效率大小，因此选取CO2排放量作为非期望产出，单位为万吨。由于我国没有官方公布的CO2排放量数据，本文依据2006年联合国政府间气候变化专门委员会（IPCC）编制的《国家温室气体清单指南》中的计算公式和CO2排放系数[32]，其计算公式如下：

其中[i]表示能源种类，[C]表示CO2排放量;[Ei]表示各种能源的投入量，其中“其他能源”用一般废弃物代替;[Ki]表示平均低位发热量;[εi]表示能源含碳量;[ηi]表示碳氧化因子。可以得到1994—2017年福建省能源消耗过程中所产生的CO2排放量，如表1。

2.2.2.环境变量的选取。环境变量的选取主要基于对CO2排放效率有显著影响的，同时又是决策单元本身具有不可控性的因素。本文仅选取最具有影响力的外部环境因素作为环境变量，其他内部驱动因素的影响分析将在后续的研究结果中呈现。在充分考虑数据可得性、变量指标的代表性的基础上，本文选择了以下5个因素作为外部环境变量，数据均来自1994—2017年《福建省统计年鉴》和《中国统计年鉴》。

①人均GDP。以福建省各年份GDP与总人口的比重表示人均GDP，单位为元。为了剔除价格因素的影响，以1993年为基期，对人均GDP进行平减。人均GDP作为地区的重要特性，其值的高低直接反映一个地区的经济发展水平。随着收入水平的提高，居民消费者对生活质量的要求也不断提升，会加大对各种家用电器、电子产品、汽车等的消费，从而大大增加了对能源的消耗，对CO2的排放效率带来一定的影响。

②政府影响力。政府影响力用地方财政支出占地区生产总值的比重表示。CO2排放效率具有较强的外部性，如今碳排放权的交易市场又是不完全竞争市场，仅靠市场的作用提高碳排放效率是远远不够的。政府作为国家政策的制定者，其影响力关系着政府的宏观调控力度和解决资源配置问题的功效，影响力越大，对经济发展方向的指导性越强，资源能源配置效率越高，越有利于各地区对资源利用效率的提高，CO2排放效率也会越高。

③三产产值。三产产值是第三产业的生产总值占地区生产总值的比重。三产产值的提高有利于对能源利用效率的提高，与第一、第二产业相比，第三产业的产值形成可以依赖更少的能源投入，降低了CO2的排放量，通过大力发展第三产业相关的高效利用能源效率技术和减排技术，有利于对碳排放效率的改进。

④人口密度。人口密度为单位面积的人口数，这里的人口取常住人口，单位为人/平方千米。人口密度作为地区的一个重要特性，对当地的CO2排放效率有较大的影响。人口密度大，表示人口聚集度大、经济发展好、生活水平高，同时人们的教育水平和低碳意识相对较高，这对改善CO2排放效率是有利的;从另一个角度考虑，人口密度大会增加对生态环境的压力，对地区城市功能要求更高，同时也会消耗大量的能源，因此其可能会负向影响CO2排放效率。

⑤所有权属性。所有权属性为国有工业产值占工业总产值的比重。该指标作为一种制度环境，也是影响CO2排放效率的重要因素。当国有经济体制缺乏监督和管理时，往往技术水平不高、成本增加和能源效率低下，导致CO2排放效率较低。当国有经济主体能够积极响应政府的低碳政策和减排目标，并实施减排措施时，CO2排放效率较高。

3 实证分析与结果

运用SPSS18.0对两个产出变量和三个投入变量的原始数据进行描述性统计，结果如表2所示。

3.1 第一阶段传统DEA分析结果

在第一阶段中，不考虑决策单元的环境变量以及随机误差的影响，直接将原始的投入产出数据运用到传统DEA—BCC模型中，利用DEAP2.1软件，对福建省1994—2017年的能源碳排放效率水平进行了初步测算，结果如表3所示。

由表3可以看出，在未剔除外部环境和随機误差影响的情况下，1994—2017年福建省能源碳排放的综合技术效率的均值为0.920，纯技术效率均值为0.995，规模效率均值为0.925。福建省全要素能源碳排放综合技术效率值在1994—2011年呈递增趋势，年均综合技术效率值为0.898，与生产前沿面相差10.2%，仍有进一步提升的空间;规模效率值在1994—2011年也是呈递增趋势，因为综合技术效率值等于纯技术效率值与规模效率值的乘积，纯技术效率值几乎每年都为1，其对综合技术效率的贡献值较大。由此可见，福建省能源碳排放的无效率主要来源于规模效率，规模效率相对较低是福建省大部分年份CO2效率提升的主要制约因素。在2012—2017年，平均综合技术效率值较高且稳定，围绕0.986上下波动，变化不大。其中2011、2014、2017年这三个年份处于技术效率前沿面，三项效率值均为1，且规模报酬不变。

福建省作为东部沿海重要城市，一直都重视能源、环境、经济三者之间的关系。为了实现全社会节能减排，提高能源利用效率，促进经济、社会、生态全面协调可持续发展，根据《中华人民共和国节约能源法》，福建省政府结合本省实际，于2012年第十一届人民代表大会常务委员会第三十一次会议通过了福建省节约能源条例[33]，将节能目标和节能意识传达至各管理层、企业层，最终至每一位公民。以上数据显示，2012年以后技术效率值较高，平均值达到0.991，表明近些年福建省在经济发展过程中，对能源利用和环境保护方面的工作成效显著。

3.2 第二阶段SFA分析结果

在第二阶段中，利用随机前沿分析方法（SFA）分解出环境因素、随机误差与内部管理无效率对效率值的影响程度。将第一阶段得出的劳动力、资本存量和能源消费总量的松弛值作为被解释变量，将人均GDP、三产产值、政府影响力、人口密度、所有权属性这5个外部环境变量作为解释变量，运用Frontier4.1软件进行SFA回归，具体结果如表4所示。

由表4回归结果可知，全部变量的gamma值均为1.00，表示回归模型是有效的。人均GDP对劳动力、资本存量和能源消费总量都为负向影响关系，且均达到了1%的显著水平。人均GDP的提高会导致能源消费的消耗、劳动力和资本浪费的减少，降低投入冗余变量的无效输入。也验证了人均GDP较高或者经济发展水平较发达可能会造成对能源的过多消耗以及形成劳动力和资本的密集。

三产产值对劳动力、资本存量和能源消费总量均为负向影响关系，且均通过了1%的显著性水平。三产产值比重的提高有利于对能源消耗的减少，同样有利于对劳动力和资本的充分利用。与第一、二产业相比，第三产业的形成可以依赖更少的能源投入。福建省1994—2017年三产产值比重平均占总产值的39.47%，且比重逐年递增，2017年达45.41%，该省通过发展第三产业，有效降低了能源消耗强度，提高了能源利用效率，创造了更多就业机会，并将三产作为经济发展和转型以及提高能效的重要手段。

政府影响力对劳动力、资本存量和能源消费总量均呈现正向影响关系，且均通过1%的显著性水平。表明福建省地方政府影响力越大，对当地市场经济发展干预性越高，越不利于减少对能源、劳动力和资本的投入冗余，使得资源配置的效率较低，CO2排放效率也会越低。

人口密度对劳动力、资本存量和能源消费总量均呈现正向影响关系，劳动力松弛变量通过了5%的显著性水平，资本存量和能源消费总量松弛变量通过了1%的显著性水平。人口密度越高，越不利于减少对劳动力、资本和能源消费的滥用，从而造成了对资源使用的浪费。福建省的人口密度越大，越不利于对能源投入的减少，属于劣势环境因素。

所有权属性对劳动力、资本存量和能源消费总量均为正向影响关系，劳动力松弛变量通过了5%的显著性水平，资本存量和能源消费总量松弛变量通过了1%的显著性水平。结果表明，增加经济活动中的国有性质企业比重，不利于减少对投入资源的冗余，不利于提高当地CO2排放效率。福建省国有工业产值越高，越易使得劳动力、资本投入增加和能源效率低下，导致CO2排放效率較低，该省处于不利的运营管理环境。

基于以上分析可知，5个环境因素对福建省生产活动中投入要素冗余的影响程度和方向都不同，因此提高人均GDP、优化产业结构、减弱政府影响力、减少人口密度和降低国有工业产值的比重等，有利于提高福建省能源碳排放效率。福建省在不同年份，进行经济生产活动中CO2排放效率存在较大的偏差，很可能是由于外部环境的差异性。因此有必要去除环境因素以及随机因素的影响，将各年份的福建省放到相同的外部环境和运气水平中进行分析。

3.3 第三阶段调整后的分析结果

由第二阶段调整后的投入数据变量以及原始的产出数据变量，借助DEAP2.1软件，也即再次运用传统的DEA—BCC模型，测算得到1994—2017年福建省能源碳排放效率值和规模报酬。调整后的结果如表5所示。

对比第一阶段和第三阶段的效率值，在剔除外部环境变量和随机误差的影响后，福建省1994—2017年效率值发生了变化，综合技术效率由原来的0.920下降到了0.911;纯技术效率由原来的0.995增加到了0.997;规模效率由原来的0.925下降到了0.914;而规模报酬在调整前后没有发生变化。结果表明，剔除外部环境和随机误差的影响后，福建省能源碳排放效率有所下降，虽然纯技术效率有所提高，但综合技术效率却下降了，主要是因为规模效率的下降，调整前可能是由于依靠比较有利的外部环境和相对较好的运气水平所致，因此福建省的规模效率具备较大的提升潜力。

其中，2009年综合技术效率由0.931增加到0.937，主要是因为纯技术效率由0.988提高到1，达到了效率前沿面。在经过2008年的金融危机后，福建省在大力发展经济的过程中开始重视技术开发，充分利用能源资源，使得碳排放效率提高，不仅增加了当地经济产出，而且为低碳经济转型做出了努力。2012年，由于经济下行压力，福建省开始注重节能减排政策，力争提高能效，由表中看出综合技术效率值由0.973上升为0.978，碳排放效率得到了提升;并且在2012—2017年，综合技术效率值均较第一阶段效率值大，年均效率值从0.986增加到0.990，说明福建省在减排节能方面做出了成效。2015年末，中央政府首次提出“三去一降一补”五大任务，2016年将其作为经济社会发展的主要抓手，福建省也积极落实党中央政策，其中在去产能、降成本、补短板方面做得较好，能源碳排放效率得到了提升，2016年、2017年效率值分别达到0.969和1。

4 福建省能源碳排放效率影响因素回归结果分析

上节基于三阶段DEA模型，分析了福建省1994—2017各年份之间能源碳排放效率差异，为了进一步研究碳排放效率的影响因素对效率值的影响程度和贡献大小，本节利用Eviews9.0软件对福建省能源碳排放效率的影响因素进行了OLS回归分析，选取调整后的福建省1994—2017年的碳排放效率值作为被解释变量，人均GDP、三产产值、政府影响力、人口密度和所有权属性作为解释变量来构建OLS模型，以此进一步探讨碳排放效率的影响因素。

由表6可以得出以下结论。

①人均GDP与能源碳排放效率。人均GDP与碳排放效率存在不明显的负相关关系，回归系数接近于0。说明人民生活水平的提高对能源碳排放效率存在一定程度上的抑制作用，但是影响效果不显著，可以忽略人均GDP这个外部环境因素对效率值的影响。

②三产产值与能源碳排放效率。三产产值与碳排放效率之间存在显著正向影响，回归系数为0.089.914.7。研究发现，三产产值每增加1%，碳排放效率就会提高8.99%，说明三产产值对福建省碳排放效率有深刻的影响。

③政府影响力与能源碳排放效率。政府影响力与碳排放效率之间存在正相关关系，回归系数为0.249.806。研究发现，政府影响力每增加1%，碳排放效率就会提高24.98%，表明福建省政府影响力对碳排放效率起着决定性的作用。

④人口密度与能源碳排放效率。人口密度与碳排放效率之间存在负相关关系，回归系数为-0.004.858。说明福建省人口增加，会消耗更多的能源，越不利于碳排放量的减少，再加上人们的减排意识薄弱，导致碳排放效率下降。但人口密度这个因素对效率值的影响不显著，几乎可以忽略。

⑤所有权属性与能源碳排放效率。所有权属性与碳排放效率之间存在负相关关系，回归系数为-0.297.007。研究发现，所有权属性每增加1%，碳排放效率则会降低29.70%。说明对国有企业进行改革，降低国有工业产值，可以极大提高碳排放效率，改善所有权属性这个环境因素应当是福建省政府大力关注的。

根据以上回归结果，可以发现，OLS回归与前述第二阶段SFA回归结论基本一致。福建省需要优化产业结构，增加第三产业的产值，即当经济结构从能源密集型的工业向以服务业为主的第三产业转移时，产业结构升级有利于降低CO2排放;提高政府影响力，政府应不断推进节能减排的约束激励政策和奖惩制度，鼓励各个企业在生产活动中降低碳排放，并做好监督管理工作;改善所有权比重，降低国有企业的产值比重，对碳排放效率的提高具有促进作用，因为国有企业往往产权模糊，经营体制僵化，扭曲资源配置，使资源得不到充分利用，效率低下。

5 结论与建议

本文从CO2排放效率的含义出发，将三阶段DEA模型用于对福建省全要素能源CO2排放效率水平评价，排除了外部环境因素和随机误差的影响，从而得到更加客观准确和具有说服力的效率值。主要结论有如下内容。

①外部环境变量的确对福建省能源碳排放效率评价造成影响，本文对5个环境变量进行SFA回归，回归结果均通过了显著性检验，说明了所选取环境变量的有效性，且影响显著。通过回归分析结果，发现提高人均GDP、优化产业结构、提高政府影响力、降低人口密度和降低国有工业产值的比重，是提高碳排放效率值的有效方式。

②采用三阶段DEA模型得出的1994—2017年福建省平均技术效率值低于利用传统DEA模型的结果。说明排除环境变量和随机误差的影响后，福建省平均技术效率水平整体被高估，主要受規模效率降低的影响。但在2009、2012—2016年被低估，原因主要在于纯技术效率值的增加，表明福建省技术条件优越，在发展经济时，大力发展高新技术，提高资源利用率，并且注重能源、环境、经济的可持续性发展。

③通过对碳排放效率值以及5个环境因素进行OLS回归可以得出，三产产值、政府影响力对福建省碳排放效率起着决定性的促进作用，所有权属性起着关键性的抑制作用，而人均GDP、人口密度对其影响不大，在后续做进一步研究时可以不用考虑这两个环境因素。

根据以上主要结论为福建省能源碳排放提出以下几点建议。

第一，挖掘结构调整潜力。加强产业结构的调整和优化，提高第三产业在国民经济中的比重，第三产业主要以高附加值、低能耗的服务业为主，大力发展低碳经济产业链。优化能源结构，加大对清洁能源和可再生能源的利用。

第二，积极发挥政府影响力。制定与当地发展阶段相适应的碳减排政策，转变传统发展模式，推进资源节约、环境友好的可持续发展模式。

第三，深化国有企业改革，使产权明晰、权责明确，完善国有资产监管体制，可将更多的国有资本集中在大力发展新兴产业上，并且加快非国有经济的发展，减少国有工业产值的比重。

第四，提高科学技术水平。福建省早期经济快速发展过程中积累了大量的资本和技术优势，应该不断进行技术创新，引进先进的环保技术，发展规模经济，可有效使得经济发展与CO2排放效率良性发展。

第五，加强全民节能意识。福建省政府应大力宣传节能和教育工作，普及节能科学知识，提倡并推行节约型消费方式。

总之，节能减排工作应坚持政府主导、市场运作、科技推动和社会参与的原则。当然，本文研究也存在不足之处，如本文仅选取了1994—2017年福建省的数据，使测度的效率值差异局限于福建省各年度上，未能细分至9个设区市，探究不同设区市的碳排放效率，进而给出更加详尽的分析。因此，在以后的研究中，可以收集整理更详细的设区市数据，选取更适合的指标，对福建省能源碳排放效率做更进一步研究。

参考文献：

[1] 马大来，陈仲常，王玲.中国省际碳排放效率的空间计量[J].中国人口·资源与环境，2015（1）：67-77.

[2]Sun.J.W..The.decrease.of.CO2.emission.intensity.is.decarbonization.at.national.and.global.levels[J].Energy.Policy，2005.（8）：957-978.

[3] Mielnik.O，Goldemberg.J..The.evolution.of.the.“Carbonization.Index”.in.developing.countries[J].Energy.Policy，1999（5）：307-308.

[4]Ang.B.W..Is.the.energy.intensity.a.less.useful.indicator.than.the.carbon.factor.in.the.study.of.climate.change[J].Energy.Policy，1999（5）：943-946.

[5]Kaya.Y，Yokobori.K..Environment，energy，and.economy：strategies.for.sustainability[M].United.Nations.University.Press，1997.

[6]Hu.J.L，.Wang.S.C..Total.factor.energy.efficiency.of.regions.in.China[J]..Energy.Policy，.2006（34）：.3206-3217.

[7]史丹，等.中國能源利用效率问题研究[M].北京：经济管理出版社，.2011.

[8]李金铠，沈波，韩亚峰，等.中国区域能源效率比较：基于DEA—Malmquist和聚类分析[J]..北京理工大学学报（社会科学版），2012（6）：1-6.

[9]Charnes.A，.Cooper.W.W，.Rhodes.E..Measuring.the.efficiency.of.decision.making.units[J]..European.Journal.of.Operation.Research，1978（2）：429-444.

[10]Tone，.K..A.slack—based.measure.of.efficiency.in.data.envelopment.analysis[J].European.Journal.of.Operational.Research，.2001（3）：498-509.

[11]李静.基于SBM模型的环境效率评价[J].合肥工业大学学报（自然科学版），2008（5）：771-775.

[12]陈真玲，李金铠，张瑾，等.城市能源效率层级识别及层级预测：多层级前沿面DEA的新应用[J].标准科学，2016（S1）：55-62.

[13] 左中梅，杨力.基于SBM模型的中国省际全要素能源效率分析[J].统计与决策，2011（20）：105-107.

[14] 郭炳南，林基.基于非期望产出SBM模型的长三角地区碳排放效率评价研究[J].工业技术经济，2017（1）：108-115.

[15] 马大来.中国农业能源碳排放效率的空间异质性及其影响因素：基于空间面板数据模型的实证研究[J].资源开发与市场，2018（12）：1693-1700，1765.

[16]Fried，.L，Schmidt.Y.Accounting.for.environmental.effects.and.statistical.noise.in.data.envelopment.analysis[J].Journal.of.Productivity.Analysis，.2002（17）：121-136.

[17] 邓波，张学军，郭军华.基于三阶段DEA模型的区域生态效率研究[J].中国软科学，2011（1）：92-99.

[18] Huang.D.C，Dong.Y.Y，.Zhang.C.Z，.et.al..Regional.energy.efficiency.in.China.based.on.a.three—stage.DEA.model[J].Journal.of.Resources.and.Ecology，2014（2）：97-104.

[19] 华坚，任俊，徐敏，等.基于三阶段DEA的中国区域CO2排放绩效评价研究[J].资源科学，2013（7）：1447-1454.

[20] 牛秀敏.全要素视角下的中国碳排放效率区域差异性及收敛性研究[D].成都：西南财经大学，2016.

[21] 张胜利，俞海山.中国工业碳排放效率及其影响因素的空间计量分析[J].科技与经济，2015（4）：106-110.

[22] 陈晓红，易国栋，刘翔.基于三阶段SBM—DEA模型的中国区域碳排放效率研究[J].运筹与管理，.2017（3）：115-122.

[23] 徐国泉，栾昊.江苏碳排放效率空间差异性及影响因素分析：基于改进的三阶段SBM—DEA模型分析[J]..生态经济，.2018（7）：33-38.

[24] 陈雯.基于三阶段DEA模型的电力能源效率评价研究[D].合肥：合肥工业大学，2018.

[25] 吴江，谭涛，杨珂，等.中国全要素能源效率评价研究：基于不可分的三阶段DEA模型[J].数理统计与管理，.2019（5）：1-15.

[26] 魏权龄.评价相对有效性的DEA方法[M].北京：中国人民大学出版社，1988.

[27] Banker.R.D，.Charnes.A，.Cooper.W.W.Some.models.for.estimating.technical.and.scale.inefficiencies.in.data.envelopment.analysis[J].Management.science，.1984（9）：.1078-1092..

[28] Jondrow.J，Lovell.C.A.K，.Materov.I.S，.et.al.On.the.estimation.of.technical.inefficiency.in.the.stochastic.frontier.production.function.model[J].Journal.of.econometrics，.1982（2-3）：.233-238.

[29] 沈能，王群伟.考虑异质性技术的环境效率评价及空间效应[J].管理工程学报，2015（1）：162-168.

[30] 郭四代，仝梦，郭杰，等.基于三阶段DEA模型的省际真实环境效率测度与影响因素分析[J].中国人口·资源与环境，2018（3）：106-116.

[31] 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.

[32]IPCC..2006.IPCC.guidelines.for.national.greenhouse.gas.inventories：.volume.Ⅱ[R].Japan：.the.Institute.for.Global.Environmental.Strategies，2008.

[33] 福建省節约能源条例[N].福建日报，2018-12-15（004）.

Research on the Energy Emission Efficiency and Influencing Factors of Fujian Province Based on Three—Phase DEA Model

Du Yi1，Ma Jingjing2，3， Xiang Kangli1

（1.Science and Technology Research Institute， State Grid Fujian Electric Power Co.，Ltd. Fuzhou Fujian 350012;

2.Business School of Zhengzhou University， Zhengzhou Henan 450000;

3.Center for Energy， Environment & Economic Research， Zhengzhou University， Zhengzhou Henan 450000）

Abstract： The key to reducing CO2 emissions while promoting economic and social development lies in how to improve CO2 emission efficiency. Firstly， this paper studied the 24 economic units of Fujian Province from 1994 to 2017， and used the three—phase DEA model to empirically calculate the energy CO2 emission efficiency of each year in Fujian Province under the total factor framework. Secondly， it further explored the impact degree of the factors affecting carbon emission efficiency in Fujian Province by using the OLS regression model. The study found that the carbon emission efficiency value was overestimated in 1994—2017 due to environmental variables and random errors， which may be resulted from the favorable external environment and relatively good luck before adjustment; in 2009， 2012—2017， the efficiency value was underestimated， mainly because of the increase in the efficiency of pure technical efficiency and the full utilization of the superiority of technical conditions in Fujian Province. The OLS regression results showed that the increase of the proportion of the output value of the three production and the improvement of the governments influence were the key factors to promote the efficiency of carbon emission; the ownership attribute was the determinant of the carbon emission efficiency; the per capita GDP and the population density were both the factors inhibiting the efficiency of carbon emission， but the effect was not significant. Based on the above analysis results， relevant policy recommendations were proposed to improve the energy carbon emission efficiency of Fujian Province.

Key words： three—phase DEA; carbon emission efficiency; energy consumption; OLS regression