黄河流域绿色能源效率测度及影响因素分析

武翠芳 王飞

摘 要：文章基于DEA-SBM模型将能源足迹纳入非期望产出测算黄河流域各省的绿色能源效率，借助Tobit模型对绿色能源效率影响因素进行实证分析。结果表明：（1）在研究期内，黄河流域绿色能源效率呈现“先上升-后下降-再上升”的波动趋势特征；（2）空间上，绿色能源效率地区差异较大：2020年，黄河流域平均效率值为0.86，下游效率值为1，中游效率值为0.92，接近黄河流域平均效率值，上游效率值为0.77；（3）科技创新对绿色能源效率在10%的水平上具有积极推动作用；政府干预程度、环境规制在5%的显著水平上对绿色能源效率具有负向作用。

关键词：黄河流域；绿色能源效率；影响因素；DEA- SBM模型；Tobit模型

本文索引：武翠芳，王飞.<变量 2>[J].中国商论，2024（02）：-159.

中图分类号：F127；P754.1 文献标识码：A 文章编号：2096-0298（2024）01（b）--05

2020年，中国向世界宣布了“30·60”碳达峰和碳中和的目标。为了进一步实现这一目标，落实在“双碳”目标下国家的战略性举措，我国在保证经济稳定发展的同时需要减少碳排放，能源效率的提高是减少碳排放的重要手段。黄河流域是我国重要的生态经济区，贯彻东中西三大地带，资源型城市占主导地位，尤其是山西、陕西、内蒙古煤炭产业发达。作为煤炭集聚发展的地区，在碳达峰、碳中和目标背景下，黄河流域正处于向高质量发展的转型阶段，提升能源效率是促进黄河流域高质量发展的重要部署，也是实现双碳目标的必然选择[1]。在工业进程快速推进的背景下，探讨黄河流域绿色能源效率对于助推实现双碳目标和实现绿色发展具有重要意义。

1 文献综述

能源效率根据投入要素的个数，分为单要素能源效率和全要素能源效率。单要素能源效率通常采用能耗强度、生产能耗综合指数来衡量。陈锡康等（2010）使用生产能耗综合指数衡量能源效率[2]。单要素能源效率未考虑其他要素的作用，会高估能源效率值，全要素能源效率是指能源、劳动力和资本等多元投入要素对经济发展水平的影响。全要素能源效率测度方法中较多使用的是非参数方法中的数据包络分析，并考虑了松弛变量的影响，改善了传统DEA模型的缺陷，基于非期望产出的SBM模型得到广泛应用。余显等（2023）基于DEA-SBM模型对长江经济带绿色能源效率进行研究[3]。

在能源效率指标选取方面，非期望产出作为DEA-SBM模型应用的条件之一，暂时没有统一的衡量标准。部分学者将CO2或SO2作为衡量环境效益的单一指标[4-6]。田成诗等（2022）将SO2、固体废弃物、工业废水作为非期望产出指标[7]。罗世华等（2022）将以上四类指标综合考虑[8]，将能源足迹作为非期望产出指标，不仅可从时空角度揭示人类经济活动对区域生态环境的载荷，还能评估人类活动中资源消费与废弃物排放等行为对环境造成的负向影响，指标选取更具权威性[9]，其研究主要集中在足迹的测算、区域和空间差异，对应用在效率评价中比较少。

上述研究从测度模型和指标上，研究了不同视角、不同指标下的全要能源效率，也有文献对黄河流域绿色效率进行测度，但深入探讨绿色能源效率的时间趋势和空间特征较少，影响因素的分析需要完善。

因此，本文使用基于非期望产出的DEA-SBM模型，将能源足迹纳入非期望产出测算黄河流域绿色能源效率，分析绿色能源效率的时序和空间演变特征；在此基础上，建立基于Tobit模型的黄河流域绿色能源效率影响因素的指标体系，旨在提出促进黄河流域能源效率的政策建议，对提升区域经济社会发展水平具有重要的理论和现实意义。

2 绿色能源效率测度

2.1 DEA-SBM模型

SBM模型在传统DEA模型的基础上进一步改进，规避了传统模型选择径向和角度的偏差，解决了投入产出变量的松弛性问题，同时考虑了期望产出不足或者非期望产出冗余的情况[10]，假设有n个省份（DMU），规模报酬不变，非径向非角度的模型如下：

式（1）中，为绿色能源效率值；m种投入x， q种期望产出y， h种非期望产出b；、、分别为投入、期望产出和非期望产出的松弛变量； 表示第j个省份的第i个投入；表示第j个省份的第r個期望产出，表示第j个省份的第k个非期望产出。

2.2 能源效率测度指标体系

绿色能源效率投入指标分为三个方面：人力、资本和能源投入，产出指标分为期望产出和非期望产出。（1）人力投入。选取各省年末从业人数总量来衡量，单位为“万人”。（2）资本投入。借鉴单豪杰（2008）[11]的做法，计算得到2010年不变价格下的固定资本存量，单位为“亿元”。（3）能源投入。本文选取煤、石油、电力、天然气四大类能源，根据能源消费数据汇总并折合成标准煤，单位为“万吨标准煤”。（4）期望产出。采用实际GDP，利用GDP折算指数进行价格平减得到2010年不变价格下的GDP，消除价格因素对GDP 的影响，单位为“亿元”。（5）非期望产出。根据计算得到的能源消费总量进行热值转换和能源足迹转换，最终得到各省份的能源足迹总量，单位为“万ha”[12]。

式（2）中，表示能源消费总量，为各个能源的消费总量，表示各类能源折合标准煤系数，单位为“万吨标准煤”。式（3）中，为能源足迹，为各类能源的能源足迹转换系数。根据表2所列折合标准煤系数、热值转换系数和能源足迹转换系数计算得到能源消费总量和能源足迹。

3 绿色能源效率分析

3.1 时序趋势

在研究期内，黄河流域绿色能源效率呈“先上升-后下降-再上升”的波动趋势特征，总体向较好态势发展，如图1所示。2010—2013年、2016—2020年能源效率值呈现上升趋势， 2013—2016年呈现下降趋势。上、中、下游各阶段平均能源效率值与黄河流域平均效率值变化趋势基本一致。上游效率值在0.49～0.77稳步上涨，处于低位，2014—2017年上游效率值略高于中游；中游效率值在0.56～0.92变动，并且逐渐接近黄河流段的平均效率值，处于均衡发展的水平；下游效率在0.76～1变动，处于高位，下游效率值总体高于中上游水平。

3.2 空间演变

除在时序特征上分析得到黄河流域绿色能源效率的波动趋势特征，还可以从空间上分析分布特征。基于2010年、2015年、2020年的绿色能源效率数据，剖析其变化的空间分布特征。利用自然断点法将绿色能源效率值聚類为低效率区、较低效率区、中等效率区、较高效率区和高效率区[13]。总体上，黄河流域绿色能源效率呈上升趋势。具体来看：2010年，低效率区为内蒙古；较低效率区有宁夏和甘肃；中等效率区有青海和山西；较高效率区有四川、陕西和山东；河南为高效率区。2015年，宁夏、甘肃和青海分别由较低效率和中等效率区变为低效率区；内蒙古由低效率区域转为较低效率区；陕西和河南有所回落，由较高效率和高效率分别回落到中等效率和较高效率；四川上升到高效率水平。2020年，黄河流域高效率区占比明显增加，四川、内蒙古、山西、河南和山东为高效率区；青海、宁夏和陕西效率水平均有所提升。

4 绿色能源效率影响因素

4.1 Tobit 模型

全要素能源效率值是在（0，1]连续区间内的非连续性的数据，使用最小二乘法容易造成参数估计的误差，Tobit模型能够有效缓解非连续性数据做线性分析的误差，因此选择Tobit模型[14]。Tobit模型的一般形式为：

式（4）中，表示被解释变量绿色能源效率值EFF；影响因素的集合用表示；独立且服从正态分布N（0，）；是影响要素的估计参数。且满足

若，为实际测算得到的效率值；若，为0，通常设=0。

4.2 指标选取

根据黄河流域的经济社会条件并借鉴已有研究，选取6个指标探究其对绿色能源效率的影响。（1）产业结构（IS）：采用第二产业生产总值占地区生产总值的比重反映产业结构[15]。（2）能源消费结构（ECS）：以煤炭消费总量占能源消费总量的占比反映能源消费结构[16]。（3）政府干预程度（FE）：采用地方公共预算支出占地方生产总值的比重来反映政府干预程度。（4）环境规制（ER）：采用各省工业污染投资完成总额占地方生产总值的比重衡量环境规制成效[17]。（5）科技创新（R&D）：使用各省R&D投入总额进行衡量。（6）城镇化率（UR）：使用年末城镇人口占总人口的比重衡量城镇化水平[18]。

4.3 回归分析

4.3.1 多重共线性分析

首先，采用多元共线性检验方法，确保各个因子之间的相互独立性。其中，方差膨胀因子（VIF）的阈值是衡量多个因子共线性的重要依据：若VIF的值小于10，则说明各个因子之间不存在共线性关系，反之则存在。由表3可知，各个因子的方差膨胀系数均小于10，不存在共线性关系，可以进行后续分析。

4.3.2 影响因素分析

根据DEA-SBM模型计算得到的绿色能源效率与影响因素做Tobit回归分析。在一般的线性回归中，需要考虑固定效应和随机效应的影响，由于面板Tobit的固定效应估计量被证明是有偏差的。除固定效应的面板Tobit模型外，还包括混合Tobit模型和随机效应Tobit模型。对回归方程首先进行随机效应Tobit回归，并对其进行LR检验，其结果不拒绝原假设，说明无法通过随机效应Tobit检验。因此，本文使用面板混合Tobit进行回归分析，结果如表4所示。

科技创新在10%的置信水平上对绿色能源效率有积极推动作用， R&D投入强度越高，绿色能源效率越高。加强R&;D投入助于国家基础和创新建设，提高科技创新能力，促进绿色能源效率。政府干预、环境规制与绿色能源效率的系数在5%的水平上显著负相关。地方财政支出越多，绿色能源效率越低，其原因说明能源投资建设增加占比远低于地方财政支出增加占比，需要加大能源建设投资；环境规制带来的成本会同时带来两方面的效果。一方面，企业加大投资用于生态建设，提高生态技术，从而提高资源利用效率；另一方面，严格的环境规制政策会促使企业提高污染治理力度，用于生产活动的流动资金减少，抑制绿色能源效率的提升。这两方面造成了环境规制对绿色能源效率的负向影响。

5 结论与讨论

5.1 结论

（1）从时序变化特征来看，绿色能源效率向较好态势发展，大致呈现先上升-后下降-再上升的分布特征。2010—2013年、2016—2020年呈现上升趋势，2013—2016年呈下降趋势，上、中、下游绿色能源效率变化特征具有相同变化特征。黄河流域平均值介于0.6～0.86，上游介于0.49～0.77，中游介于0.56～0.92，接近黄河流域平均效率值，下游介于0.76～1。

（2）空间演变趋势进行分析，根据2010年、2015年、2020年的效率值空间变化趋势来看，在研究时段内，低效率水平向中等效率、高效率水平转变，高效率地区占比明显增加。未改变相对效率水平的地区由于自然断点法的相对划分标准上升，因此黄河流域总体绿色能源效率水平有所提升。

（3）驱动因素对绿色能源效率的影响程度存在差异。根据回归结果模型，政府干预程度、环境规制在5%的置信水平上对绿色能源效率呈现负向作用，而科技创新在10%的显著水平上对绿色能源效率具有积极推动作用。

5.2 讨论

尽管本文对黄河流域绿色能源效率在指标选取和影响因素方面进行了较为综合的分析，但仍有待完善之处。我国以煤为原料的火力发电厂，排放的废气中还有氮氧化物、PM10、PM2.5等污染物，此外含有酸碱、油脂和微量元素等有害物质，在测算绿色能源效率的指标上，可以将“三废”和温室气体一并引入能源效率测算上，使得能源效率测度更加全面。同时，长江经济带和黄河流域作为中国两个重要的发展区域，可以对沿线城市的绿色能源效率进行比较分析。

参考文献

边志强，钟顺昌.资源型城市经济增长目标如何影响碳排放效率？[J].中国环境科学，2023（5）：1-15.

夏炎，陈锡康，杨翠红. 基于投入产出技术的能源效率新指标 ：生产能耗综合指数[J].管理评论，2010，22（2）：17-22.

余显，丁文斌.长江经济带绿色全要素经济能源效率研究：基于DEA-SBM模型测算[J].特区经济，2023（4）：52-55.

王群勇，李海燕.基于不确定环境DEA模型下中国各区域能源效率和二氧化碳排放效率评价[J].软科学，2022，36（8）：78-83.

谷晓梅，范德成，杜明月.中国区域能源效率关键影响因素分析：基于GML指数和BMA方法的实证研究[J].软科学，2022，36 （9）：81-88.

张平淡，屠西伟.制造业集聚、技术进步与企业全要素能源效率[J].中国工业经济，2022（7）：103-121.

田成诗，张亚兵.中国多中心城市空间结构与能源效率关系[J].自然资源学报，2022，37（1）：135-148.

罗世华，王栋.碳交易政策对省域全要素能源效率的影响效应[J].经济地理，2022，42（7）：53-61.

陈菁泉，连欣燕，马晓君，等.中国绿色能源效率測算及其驱动因素[J].中国环境科学，2022，42（5）：2453-2463.

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

单豪杰.中国资本存量K的再估算：1952～2006年[J].数量经济技术经济研究， 2008，25（10）：17-31.

张文彬，郝佳馨.中国能源足迹的测度及区域差异分析[J].统计与决策，2020，36（8）：93-97.

关伟，吴亭亭，许淑婷.中国沿海地区能源效率时空演变研究[J].哈尔滨商业大学学报（社会科学版），2018，（2）：49-56.

李晓菲.“一带一路”相关省份绿色能源效率影响因素研究[J].调研世界，2021（3）：49-57.

马晓君，董碧滢，于渊博，等.东北三省能源消费碳排放测度及影响因素[J].中国环境科学，2018，38（8）：3170-3179.

杨仲山，魏晓雪.“一带一路”重点地区全要素能源效率：测算、分解及影响因素分析[J].中国环境科学，2018，38（11）：4384-4392.

陈菁泉，刘娜，马晓君.中国八大综合经济区能源生态效率测度及其驱动因素[J].中国环境科学，2021，41（5）：2471-2480.

关伟，许淑婷，郭岫垚.黄河流域能源综合效率的时空演变与驱动因素[J].资源科学，2020，42（1）：150-158.