非期望产出下我国能源消耗产出效率差异研究

陈星星

(1.中国社会科学院数量经济与技术经济研究所，北京 100732；2.特华博士后科研工作站，北京 100029)

1 引言

近10年来，中国经济迅速发展，人口红利是促成这两个国家经济腾飞的重要动因。工业和实体经济的快速发展促使中国能源消耗迅速上升，与此同时，粗放型的发展方式也在推动能源消耗的同时，埋下了经济增长和社会发展的隐患。能源问题已经不仅仅是中国问题，更是世界各国密切关注的全球问题。提高能源效率与利用水平，开发新能源技术和使用，将经济发展与环境保护协调发展，建立“资源节约与环境友好”的两型社会，已不仅仅是中国社会发展的迫切要求，更是全世界国家和人民的共同心愿。

目前国外对于能源消耗的研究文献比较零散且并不丰富，主要是从能源效率的指标及测算、能源政策和能源消费的效应和影响因素、能源效率与经济发展、居民能源消费间的关系、分行业能源效率以及能源消费与环境变化等角度研究能源问题。(1)从研究能源效率的指标及测算看，Patterson[1]认为传统的能源效率指标不能有效衡量能源的生产问题和技术趋势。(2)从能源政策的效应看，Yuan Chaoqing等[2]运用线性回归的方法测算了不同能源政策下的长期和短期节能效应。(3)从能源效率与经济发展的关系看，Vance等[3]研究了能源需求、环境变化、人口增长、经济发展和能源效率之间的关系。(4)从分行业能源效率看，Pérez-Lombarda等[4]分析了建筑行业的能源消耗，测算了建筑行业中能源消耗和二氧化碳排放量的比重。(5)从能源消费与环境变化的角度看，Brännlund等[5]分析了瑞典家庭的能源消费以及二氧化碳、二氧化硫和氮氧化物的排放情况。

从国内的研究来看，一部分文献在测算能源效率的基础上，研究了能源效率的变化趋势。从现有文献看，大多数研究认为我国目前能源效率整体偏低，在60%～70%左右，即节能潜力为30%～40%[6]。对于全要素能源效率的趋势，一些学者认为呈现“倒U形”波动，还有的学者认为，能源效率在弱的“类周期性”波动中总体呈下降趋势，仅有局部阶段的“倒U形”特征[7]。此外，大多数学者认为我国区域间能源效率差异明显，存在区域不平衡的特征[6]。陈星星[8]认为，中国产业能源消费整体呈空间集聚分布，终端能源消费总量的空间集聚性有所减弱。另一些学者研究了能源效率产业结构、经济增长之间的关系。在研究人均GDP增长与能源经济效率之间的关系方面，有的学者认为二者间存在先下降后稳定再上升的“U形”关系[9]。还有部分文献构建了能源效率评价指标体系，探讨了全要素能源效率的影响因素，如李平和陈星星[10]、陈星星[11]分析了政府规模、第二产业增加值、城镇化率、开放度对中国能源消耗产出效率的影响。此外，一些学者研究了环境规制、节能减排对能源效率的影响，认为不考虑环境规制会高估能源效率，而张华等[12]发现，环境规制对全要素能源效率的影响“可正可负”，应当引入环境规制的平方项讨论非线性影响。范建平等[13]发现，物流业环境效率整体偏低，加强环境管制可以提高经济效率。孟庆春等[14]认为，中国省际能源效率差异较大，采用灰霾环境约束测算能源效率更加科学。崔百胜和朱麟[15]构建了能源约束和碳排放约束下的内生经济增长模型，发现能源结构逆向调整的存在使得控制能源消费总量对少部分省份无法达到减排效果。

本论文的贡献在于：第一，将环境因素和随机因素从能源效率与能源全要素生产率的测算中剥离出来，从而得出更加准确的能源效率值和能源全要素生产率值。第二，系统梳理了从1990～2013年的能源消耗投入产出相关指标数据，尤其是对于污染物排放指标(如二氧化硫排放总量、氮氧化物排放总量、烟粉尘排放总量)的梳理，从2001年及以前，很多指标数据存在大量缺失，需要综合参考大量历年统计年鉴对有关缺失数据补全，从现有参考文献来看，笔者收集的面板数据是较为全面和完整的。

2 理论模型

传统DEA模型的最大缺点是无法剔除随机扰动和外部环境对效率值的影响，本文借助四阶段DEA模型，调整投入变量，得到更为准确的能源效率估计值。同时，本着节约成本的原则，构造规模报酬可变下以投入为导向的BCC模型。

2.1 DEA-Malmquist指数模型

(1)

(2)

全要素生产率的变动(TFPC)定义为：

TFPC=[D0s(xs,ys)/D0s(xt,yt)]

×([D0t(xs,ys)/D0s(xs,ys)]×[D0s(xt,yt)/

D0t(xt,yt)])1/2

(3)

则可以将全要素生产率变动(TFPC)分解为技术效率变化(EFFC)与技术进步(EFFCHC)的乘积，技术效率变化(EFFC)进一步分解为纯技术效率变化(PEC)与规模效率变化(SEC)的乘积。

2.2 调整后的SFA模型

参考Costantin等[17]，构建随机前沿(SFA)模型如下：

i=1,…,N;t=1,…,T

(4)

(i=1,…,N;t=1,…,T;p=1,…,P)

(5)

进一步假设第k个决策单元的第i个松弛变量为sik，由于松弛变量的取值范围为不小于0，因此采用SFA-Tobit模型：

i=1,…,N;k=1,…,K

(6)

(7)

2.3 调整后的DEA-Malmquist指数及Bootstrap-DEA-Malmquist方法

参考Simar和Wilson[18-19]在DEA中引入Bootstrap的有放回重复抽样DEA方法，以消除由于样本差异造成的随机影响。具体而言，Bootstrap-DEA模型的测算方法如下。

3 指标选取及数据来源

3.1 投入产出指标选取

(1)投入指标。本文选取的投入指标如下。一是实际资本存量(capital)。由于历年《中国统计年鉴》中未直接给出实际资本存量的数值，参考单豪杰的估算方法，运用总投资、固定资本形成额和定基CPI可以得到实际资本存量为：K(t)=ΔK(t)+(1-δ)K(t-1)。其中δ=5%，为折旧率，K(t)为当年实际资本存量，单位为亿元。二是有效劳动力投入(labor)。参考傅晓霞和吴利学的做法，将有效劳动力投入定义为劳动力数量(l)与劳动投入质量(h)的乘积，即=l×h。其中，劳动投入质量用平均受教育年限表示，其计算公式为平均受教育年限=(小学毕业人口数×6+初中毕业人口数×9+高中毕业人口数×12+大专及以上毕业人口数×16)/6岁以上总人口数。有效劳动力投入的单位为万人年。三是总能耗(energy)，以各省份能源消耗总量表示。根据《中国能源统计年鉴》，最终能源消费分为：煤炭、焦炭、原油、汽油、煤油、柴油、燃料油、天然气、电力9种，而电力又是由其他能源生产的，为避免重复计算，借鉴一般文献的通用做法，本文将除电力之外的8种能源统一折算为万吨标准煤并进行加总。因数据所限，仅使用1990～2014年的统计数据。

(2)产出指标。整体来看，现有文献的产出主要有单产出和多产出两种。其中，单产出主要以地区GDP为指标，少数研究使用工业生产总值或工业增加值作为单产出。但笔者认为即然是测算能源效率，那么尽管工业是能源的消耗的最主要产出，但随着科技发展、社会进步、城镇化水平的推进以及第三产业比重的提升，用地区GDP作为产出指标仍应是反映产出的最适当指标。多产出分为合意产出组合和合意-非合意混合产出两种。其中，合意产出组合指标主要有工业生产总值和地区GDP，而非合意产出指标主要有二氧化碳排放量或污染排放综合指数[20]。本文选取的产出包括期望产出和非期望产出两种。综合目前国内外主流能源污染物的定义和指标选取，同时综合指标的可获得性，最终确定期望产出为各地区生产总值GDP，非期望产出为二氧化碳排放量、二氧化硫排放量、烟(粉)尘排放、废水排放总量。

第一，单位能耗GDP(egdp)。其中，各省份经济发展水平用各省份GDP以1978年的不变价格进行衡量，单位为亿元。为了使数据更具平稳性，本文采用五年期的几何平均值来代替当年的生产总值GDP。单位能耗经济发展水平用地区生产总值GDP除以总能耗表示。

第二，二氧化碳排放量(carbon)。由于《中国能源统计年鉴》中并未直接给出二氧化碳排放量，而仅有能源消费量，因此需要借助政府间气候变化专门委员会IPCC公布的碳排放系数和碳氧化因子，来估计各地区的二氧化碳排放量。根据物料计算法，各地区二氧化碳排放量的计算公式为[21]：

(8)

其中，Ekt，为一省第t年第k种能源的年实际消费量；Tk为第k种能源热值转换系数，可以根据2015年《中国能源统计年鉴》附录4各种能源折标准煤参考系数中各种能源的平均低位发热量得到(见表1)；Ck和Rk分别是第k种能源的碳排放系数和碳氧化因子，可以根据政府间气候变化专门委员会IPCC得到；44/12为二氧化碳和碳的分子量比率。据此可测算出中国各省份的二氧化碳排放量，单位为万吨每立方米。

其中，原煤、焦炭、原油、汽油、柴油、燃料油、天然气、煤油的能源消费量来自历年《中国能源统计年鉴》。山西省的原油消费量缺失，用《山西能源经济60年》中的石油制品消费量替代。山西省的原油消费量缺失，用历年《贵州统计年鉴》补全。其他缺失数据用能源资源数据库和线性插值法补全。

第三，二氧化硫排放量(sulfur)、烟(粉)尘排放量(smoke)、废水排放总量(water)。分省份二氧化硫排放总量、烟(粉)尘排放总量、废水排放总量数据均来自历年《中国统计年鉴》。但由于《中国统计年鉴》中从2004年及以后才公布了环境保护条目，2004年以前的数据缺失，缺失的数据由历年《中国环境统计年鉴》补充，2001年及以前的缺失数据由《新中国六十年统计资料汇编1949～2008》《中国能源统计年鉴》《中国城市统计年鉴》以及高校财经数据库补充。1997年的二氧化硫排放量用1998年《中国环境统计年鉴》中各地区县及以上工业废气排放及处理情况中的二氧化硫排放量替代，烟粉尘排放量用工业粉尘排放量替代。2002年及2003年的废水排放总量数据缺失，用工业废水排放量替代，并根据2004年工业废水排放总量占废水排放总量的比例调整；1997年的废水排放总量用1998年《中国环境统计年鉴》中各地区县及以上工业废水排放及处理情况中的工业废水排放总量替代。

表1 能源折标准煤参考系数、碳排放系数、碳氧化因子及折算系数

3.2 环境指标选取及数据来源

环境指标主要考虑城镇化水平、政府干预程度、产业结构、对外开放程度、科技创新水平和进出口水平。城镇化水平用城镇人口/人口总量表示；政府干预程度用政府规模衡量，即用财政支出/实际GDP，单位为%；产业结构用第二产业增加值/实际GDP表示，其中第二产业增加值的数据来源于历年“国家统计局进度数据库”，部分缺失数据由地方统计年鉴补充；对外开放程度用对外直接投资FDI/实际GDP，对外直接投资数值采用实际利用外商直接投资额，由于国家统计局公布的数据单位为万美元，因此需要查找当年的人民币兑美元汇率，换算成单位为亿元的对外直接投资数值，并且由于上海的实际利用外商直接投资额缺失，采用实际吸收外资金额替代；科技创新水平用研发投入/实际GDP表示，其中研发投入用规模以上工业企业R&D经费表示。进出口水平用进出口总额/名义GDP表示。其他未标明的数据均来自于国家统计局数据库。

研发投入为规模以上工业企业R&D经费，数据来源于历年《中国统计年鉴》。由于《中国统计年鉴》中的规模以上工业企业R&D经费仅有2004年、2008年、2009年和2010～2015年的数据，因此，缺失的数据从历年《中国科技统计年鉴》中用“大中型工业企业科技经费内部支出”数据补全。由于1994年及以前《中国科技统计年鉴》中仅有分行业和分经济类型的“大中型工业企业科技经费内部支出”情况，采用线性插值法补全。进出口总额为按经营单位所在地分货物进出口总额，数据来源于“中国经济与社会发展统计数据库”，用当年年均美元兑人民币汇率折算为万元。以上指标均除以名义GDP，以消除不同年份价格水平的影响。

4 模型计量结果分析

4.1 第一阶段：DEA-Malmquist指数模型

本文构建在既定产出下做出最小投入，因此选取以投入为导向、规模报酬可变的动态DEA-Malmquist模型。不考虑环境效应和随机因素的影响时，1990～2014年全要素能源效率年均增长1.2%，其中技术效率年均增长1.6%，技术进步年均下降0.1%。中国能源消耗技术效率变化中纯技术效率年均增长9%，规模效率年均增长7%。整体来看，中国全要素能源效率增长缓慢，全要素能源效率的增长源于能源技术效率的推动，而技术进步起到阻碍的作用，能源技术效率的进步来源于纯技术效率与规模效率的共同推动。

图1显示了不同时段下能源消耗产出全要素生产率的变化及其分解情况。1993～1994年、2000～2001年、2004～2008年以及2011～2013年的能源全要素生产率增长，而其他年份均波动下行。1993～1994年的全要素能源生产率增幅最大，为40.1%；2003～2004年的全要素能源生产率降幅最大，为8.7%。全要素能源效率的变化趋势与能源技术效率的变化趋势一致，而与能源技术进步的变化趋势相反。此外，纯技术效率变化与规模效率变化在大多数年份保持一致，仅在少数年份此消彼长。纯技术效率增长幅度最大的年份为1999～2000年，规模效率增幅最大的年份在2003～2004年，分别增长19.0%和17.2%。

图1 传统DEA-Malmquist指数模型测算结果注：effch、techch和tfpch为左轴，pech、sech为右轴；effch表示技术效率变化，techch表示技术进步，pech表示纯技术效率变化，sech表示规模效率变化，tfpch表示全要素生产率变动。

1990～2014年八大区域全要素能源生产率均呈增长趋势，其中最高的是东北地区，其次是北部沿海和东部沿海，其他区域的全要素能源生产率差异不大。所有省份的能源全要素生产率均大于1，低于年均值1.152的省份有：河北、山东、浙江、福建、广东、山西、山西、安徽、江西、广州、贵州、云南和大西北地区的所有省份。能源全要素生产率最高的省份为北京，年均增长25.6%，主要源于能源技术进步的提高；最低的为宁夏，年均增长8.5%，主要是能源技术效率增长较少。

4.2 第二阶段：随机前沿模型

将三个投入变量：实际资本存量、有效劳动力投入、能源消耗的松弛变量作为被解释变量，环境变量：城镇化水平、政府干预程度(政府规模)、产业结构、对外开放程度、科技创新水平、进出口水平作为解释变量，构建随机前沿模型测算环境效应对投入的静态影响，结果如表2所示。

三个模型均通过显著性检验，模型设定合理(见表2)。环境变量对三种投入均有影响，但影响的因素和程度不同。三种投入松弛变量下，γ均趋近于0，说明随机环境误差占主导因素，技术管理对能源效率的影响不显著，因此研究环境变量对投入的影响是非常必要的。从回归结果看，当环境变量系数为正时，表明增加外部环境投入时会增加投入松弛量，从而导致投入浪费或产出下降；当环境变量系数为负时，表明增加外部环境投入时会减少投入松弛量，从而导致投入减少或产出增加。

表2 第二阶段随机前沿模型结果

注：括号内是z值；***代表显著性水平<0.01，**代表显著性水平<0.05，*代表显著性水平<0.1。

城镇化水平对实际资本存量松弛变量的影响在1%的显著性水平下为正，对有效劳动力投入和能源消耗的影响不显著。说明当提高城镇化水平时，将增加实际资本存量，从而导致能源使用效率下降，造成浪费。

政府规模对实际资本存量和能源消耗的影响显著为正，对有效劳动力投入的影响显著为负，说明增加财政支出占名义GDP的比重会提高实际资本存量和能源消耗值，从而降低能源效率；而提高政府规模会降低有效劳动力投入，在一定程度上提高能源效率，但是相比起对实际资本存量和能源消耗的负效应，这种正向的影响是有限的。

产业结构对实际资本存量的影响显著为正。工业增加值占名义GDP的比重越大，实际资本存量越多，能源效率越低。产业结构对有效劳动力投入和能源消耗的影响不显著。说明当前中国的产业结构尚未完善，能源使用效率不高，仍需进一步调整第二产业在三产中的比重。

对外开放程度对三种投入的影响均不显著。科技创新水平即研发投入占名义GDP的比重对有效劳动力投入的影响显著为负，而对实际资本存量和能源消耗的影响不显著，说明提高科技创新水平可以降低有效劳动力投入，从而提高能源效率。进出口水平对有效劳动力投入的影响显著为负，对实际资本存量和能源消耗的影响不显著，说明提高进出口水平也可以降低有效劳动力投入，促进能源效率的提高。

4.3 第三阶段：调整后的DEA-Malmquist指数模型

将投入中的外部环境因素予以剔除(仅剔除通过显著性检验的环境因素)，从而使所有省份调整至具有相同外部环境的条件。通过对比调整初始投入前与调整后效率值可以看出，在剔除外部环境影响因素后得到的能源效率值、技术效率变化以及全要素生产率变动均有不同程度的下降，而调整初始投入后的技术进步值有所上升，说明如果不考虑环境因素，将高估能源效率值、技术效率变化以及全要素生产率变动值，而低估技术进步的作用。

进一步对比分析调整初始投入前与调整后的省域能源效率值。可以看出，剔除外部环境影响因素前，能源效率值、技术效率变化以及全要素生产率变动均存在不同程度的高估，而对于技术进步的变化有增有减，并不能得出一致的结论。从不同省份来看，剔除外部环境影响因素后的能源效率变化幅度并不相同，如辽宁、黑龙江、河北、山东、江苏、河南、四川等省份，能源效率下降的幅度非常大，说明这些省份获得外部环境对能源效率贡献的影响非常大，如果不予以剔除外部环境因素，将极大地高估能源效率值。此外，尽管技术效率变化、技术进步以及全要素生产率变动在剔除环境因素前后的变化并不大，但是以辽宁为例，原来这三个指标均是增长的趋势，但是调整初始投入后，三者均为下降，因此环境因素对全要素生产率指数、技术效率变化以及技术进步的影响不容忽视。

4.4 第四阶段：Bootstrap-DEA-Malmquist模型

参考Simar和Wilson[18-19]的方法，对第三阶段调整后的DEA-Malmquist模型运用随机抽样Bootstrap法，做有放回重复抽样500次，进一步消除样本抽样差异造成的随机影响。由于通过Bootstrap随机抽样法最终得到的DEA-Malmquist指数值是一个置信区间，因此本文通过取置信区间端点的平均值得到DEA-Malmquist指数。

从三种方法得出的结果来看，无论是分时段研究还是分省域研究，调整初始投入后的能源效率值均为最低，说明考虑环境因素后，能源效率值下降，但是进一步运用Bootstrap随机抽样法消除随机因素的影响后，能源效率值又有所上升，Bootstrap随机抽样法下得出的能源效率值最为准确。此外，技术效率变化、技术进步和能源全要素生产率变动的变化不明显，但从整体上看，考虑环境因素和随机因素后，大多数时段和省域的三个指标值有所下降。

从调整初始投入后Bootstrap随机抽样法下的最终结果看(见图2)，调整后的能源效率总体呈先上升后下降，再上升再回落的M形趋势，近25年来能源效率变化明显，且近年来有下降趋势。细分来看，技术效率变化较为平稳，除了个别年份(如2000年、2002年和2013年)有较大提升外，其余年份均维持在1左右的水平；技术进步基本以5年为一个周期波动，变化剧烈明显；能源全要素生产率变化与技术进步趋势基本一致，与技术效率变化在大多数年份存在背离，说明技术进步是能源全要素生产率变化的主要推动力，技术效率阻碍了能源全要素生产率的提升。

图2 Bootstrap-DEA-Malmquist模型结果

此外，从Bootstrap-DEA-Malmquist模型测得的全要素能源生产率及其分解状况来看，八大区域中能源效率最高的区域为大西北地区，北部沿海和南部沿海次之，东北地区和黄河中游的能源效率较低；全要素能源效率较高的区域为东部沿海和南部沿海，西南地区的全要素能源效率较低；南部沿海技术进步远高于其他区域，而各区域技术效率变化的差异不显著。

5 结语

本文通过构建四阶段Bootstrap-DEA-Malmquist模型，通过松弛指标调整能源投入，剔除外部环境和随机因素对能源效率和能源全要素生产率的扰动，并借助Bootstrap随机抽样法进一步减小由于样本差异造成的影响，从静态和动态两个维度测算了1990～2014年中国能源消耗产出效率和全要素生产率。本文的主要结论如下。

第一，在剔除外部环境影响因素后得到的能源效率值、技术效率变化以及全要素生产率变动均有不同程度的下降，而调整初始投入后的技术进步值有所上升，说明如果不考虑环境因素，将高估能源效率值、技术效率变化以及全要素生产率变动值，而低估技术进步的作用。第二，从三种方法得出的结果来看，无论是分时段研究还是分省域研究，调整初始投入后的能源效率值均为最低，说明考虑环境因素后，能源效率值下降，但是进一步运用Bootstrap随机抽样法消除随机因素的影响后，能源效率值又有所上升，Bootstrap随机抽样法下得出的能源效率值最为准确。第三，从调整初始投入后Bootstrap随机抽样法下的最终结果看，调整后的能源效率总体呈先上升后下降，再上升再回落的M形趋势，近25年来能源效率变化明显，且近年来有下降趋势。第四，整体来看，八大区域中能源效率最高的区域为大西北地区，北部沿海和南部沿海次之，东北地区和黄河中游的能源效率较低；全要素能源效率较高的区域为东部沿海和南部沿海，西南地区的全要素能源效率较低；南部沿海技术进步远高于其他区域，而各区域技术效率变化的差异不显著。分省份来看，北京、天津、上海、福建、江西、广西、青海、宁夏的能源效率较高，除东北地区和黄河中游地区外，每个省域均有能源效率较高的省份。