全要素視角下中國西部地區能源效率及影響因素

劉丹丹，趙頌揚旸，郭 耀（.東北財經大學統計學院，遼寧 大連 6025；2.大連理工大學管理與經濟學部，遼寧 大連 6024）

全要素視角下中國西部地區能源效率及影響因素

劉丹丹1，2*，趙頌揚旸1，郭 耀1（1.東北財經大學統計學院，遼寧 大連 116025；2.大連理工大學管理與經濟學部，遼寧 大連 116024）

將非期望產出納入到投入產出指標體系中，運用超效率DEA方法測算出2003～2012年中國29省區的全要素能源效率，利用Malmquist指數對西部地區全要素能源效率變動進行分解，并應用Tobit模型研究了西部地區全要素能源效率的影響因素.結果表明：西部地區全要素能源效率遠低于東部地區，也略低于中部地區，說明西部地區整體能源利用效率較低；西部地區省際間全要素能源效率存在明顯差異，但這種內部差異近年來逐步縮小；西部地區全要素能源效率在樣本期間整體呈下降趨勢，技術進步、純技術效率變化、規模效率變化對全要素能源效率都有顯著影響，技術退步是導致西部地區全要素能源效率下降的主要原因；產業結構優化和技術進步對提高全要素能源效率有積極作用，而能源價格和煤炭消費比重對全要素能源效率有負向影響.

全要素能源效率；超效率DEA；Malmquist指數；Tobit模型；中國西部地區

世界能源委員會將能源效率定義為“減少提供同等能源服務的能源投入”，具體可用某一生產過程中的有用產出與能源投入之比來計算.Patterson［1］基于帕累托效率對能源效率進行了定義，即使用較少的能源創造出相同數量的服務或者其他有價值的產出，這也是目前學術界較為認可的定義.

早期研究多用一個指標來反映能源效率，隨著研究的深入，學者們逐漸達成共識，即能源效率是一個指標群而非單一指標.王慶一［2］將能源效率分為物理能效和經濟能效兩部分，并進一步將物理能效指標分解為熱效率以及單位產品或者服務的能耗，將經濟能效指標分解為能源成本效益以及單位產值能耗.魏楚等［3］參考投入產出的度量指標，把能源利用效率歸為4類：熱力學指標、物理-熱量指標、經濟-熱量指標、純經濟指標.魏一鳴等［4］整合了多數研究者的觀點，將能源效率指標分為7類，并系統剖析了各類指標的理論依據、假設前提以及適用范圍.這7類指標分別是：能源宏觀效率、能源實物效率、能源物理效率、能源價值效率、能源要素利用效率、能源要素配置效率、能源經濟效率.對于一個國家或地區，能源經濟效率是相對理想的能源效率測度指標.

目前關于能源效率的研究主要集中在能源效率的測算、影響因素及收斂性等方面.能源效率的測算包括單要素能源效率和全要素能源效率兩種思路，單要素能源效率屬于較為傳統的能源效率測算方法，由于不能反映潛在的能源技術效率而逐漸被摒棄.全要素能源效率基于生產函數理論，把參與生產過程的所有要素均納入到測算體系中，能夠更準確地反映能源效率.

全要素能源效率測算方法主要包括參數法和非參數法兩類.參數法是利用事先設置函數形式的辦法進行參數估計，能夠作為參數法先驗函數的有C-D函數、CES函數、Translog函數、隨機前沿函數等.史丹等［5］利用隨機前沿生產函數的區域能源效率差異分析模型分析了造成我國1980～2005年間能源效率差異的因素，并取得了理想的效果.但參數法的缺陷是有時會出現預設生產函數與現實不符的情況，并且利用隨機前沿法解決多產出問題往往存在一定的困難.

非參數法的原理為利用數據驅動得到一條線性的包絡凸面，將該凸面作為生產前沿，從而避免參數函數的估計.最常用的非參數法是數據包絡分析（DEA），它是把投入產出點映射到空間內，將最小投入以及最大產出作為效率邊界，然后基于此測算其他點與邊界之間的離差程度.Hu等［6］首次將全要素能源效率指數引入能源效率評價，將資本存量、勞動力、能源等因素作為多元投入，應用DEA方法測算了中國1995～2002年29省的全要素能源效率.Chang［7］對Hu等的模型進行了改進，以非產出增長模型來計算全要素能源效率.魏楚等［8］使用DEA方法測算出中國各省的能源效率，并分析了各省之間能源效率差異的影響因素.師博等［9］在傳統生產函數中增加了知識存量，然后通過超效率DEA模型測算出中國不同地區的能源效率.屈小娥［10］基于超效率DEAMalmquist生產率指數測算了1990～2006年全國30個省份的全要素能源效率及技術進步、技術效率指數.曾賢剛［11］基于DEA方法構建出一個包含CO2排放量的綜合能源效率指標，利用2000～2007年省際面板數據計算了中國30個省市的綜合能源效率.王維國［12］基于序列DEA的方向性距離函數及Malmqulist-Luenberger 指數測度了1999～2010年我國 28 個省區市及東、中、西三大區域的全要素能源效率的動態變化及其分解變量.徐麗萍等［13］基于隱含能思想提出了行業完全能源效率的概念，并將投入產出模型與DEA方法相結合建立模型，對北京市42個行業的完全能源效率進行了評價.

關于能源效率的影響因素，大多數學者認為能源效率改善的重要原因是技術進步以及產業結構調整.關于產業結構對能源效率的影響，Denison［14］和Maddison［15］指出，如果能源要素從生產率較低的部門向生產率較高的部門轉移，經濟實體的整體能源效率就會有所改善，反之亦然.關于技術進步對能源效率產生的影響，Khazzoom［16］指出，由于技術進步存在“回彈效應”，即技術進步雖然能夠提高能源效率，減少能源消耗，但同時也會提高生產率，促進經濟增長，從而增加能源需求，抵消部分能源消費減少，因此無法準確估計出技術進步指數.除了上述兩個因素，Renshaw［17］指出能源價格也是引起能源效率變化的重要因素.相關研究表明，影響中國能源效率的因素有技術進步、產業結構、所有權結構等，但某些因素的影響方向和程度還存在爭議，這可能是由于能源效率的定義、分析層面、時間段及研究方法不同造成的.吳巧生等［18］的研究表明，中國能源消耗強度減小的原因主要是各部門能源利用率提高，這其中最關鍵的因素是技術進步.王群偉等［19］利用Malmquist 指數對1993～2005年我國28個省區的全要素能源效率變動進行了分解，證明技術效率對能源效率的影響程度甚至超過了技術進步，原因是技術進步會產生回彈效應.袁曉玲等［20］指出，產業結構、所有權結構、能源消費結構以及能源稟賦等因素與能源效率呈顯著負相關關系，能源價格則與能源效率呈弱正相關關系.但是，也存在著一些其他的看法，如史丹［21］認為產業結構對能源效率有影響并不是因為第二產業在國民經濟中的比重，而可能是因為第二產業尤其是工業的技術水平.李廉水等［22］認為技術效率比技術進步更有利于提高工業部門的能源效率.關愛萍等［23］發現，能源價格對提高能源效率有抑制作用.Li等［24］利用SBM模型研究了2005～2009年中國的全要素能源效率及其影響因素，發現研發投入和外貿依存度對能源效率有正向影響，第二產業比重和政府對工業污染的補貼對能源效率有負向影響.

上述研究在全要素能源效率領域進行了有價值的探索，但總體而言仍然存在以下兩點不足：（1）大部分研究沿用“多投入-單產出”方式測算能源效率，鮮有人將環境污染帶來的“負產出”效應納入指標體系，少數考慮環境因素的研究中，也僅僅考慮了二氧化碳排放量等單一指標；（2）現有研究主要針對全國、行業、個別省份，針對某一區域能源效率的研究很少，且為某一時期的平均值，無法反映能源效率的變動趨勢.

中國西部地區包括四川、廣西、貴州、陜西、云南、內蒙古、甘肅、青海、寧夏、新疆、重慶、西藏共十二個省區，疆域遼闊，資源豐富，截至2012年年底，西部地區石油基礎儲量占全國基礎儲量的37.65％；天然氣基礎儲量占全國基礎儲量的84.80％.但是，西部地區豐富的自然資源不僅沒有促進經濟發展，反而對經濟增長產生了負效應，2012年西部地區GDP僅占全國的19.76％，全國大部分貧困人口也都分布于西部地區.學術界將這種“富裕的貧困”現象稱為“資源詛咒”效應［25］.

近年來，隨著西部大開發的深入實施，西部地區經濟增長步伐明顯加快，但是過度能源消耗和污染嚴重等問題始終是制約西部地區經濟發展的重要因素.為了幫助西部地區破解“資源詛咒”，提高能源利用效率，充分發揮能源對經濟發展的推動作用，本文將非期望產出納入到能源效率評價體系中，用主成分分析法將5種污染物排放量綜合成為一個污染排放指標，建立“多投入-多產出”模型，運用超效率 DEA 方法測算出2003～2012年中國29省區的全要素能源效率，利用Malmquist指數將西部地區全要素能源效率變動分解為技術進步、純技術效率變動和規模效率變動，并采用Tobit模型對影響能源效率的因素進行研究，以期為提高西部地區能源效率提供有價值的參考.

1 研究方法、指標選取及數據來源

1.1 超效率DEA方法

引入松弛變量s-和剩余變量s+，可以得到其對偶線性規劃

式中：θ為決策單元的有效值.

但是傳統C2R模型不能進一步區分多個同時處于生產前沿面的DMU（決策單元）的相對效率，針對上述情況，Anderson等［26］提出了超效率（Super-Efficiency）DEA模型.與傳統DEA模型相比，超效率DEA模型主要考慮被評價DMU相對于其他DMU的效率，測算時將效率得分為1的DMU（即有效DMU）從參考效率前沿面分離出去，因而能夠進一步區分出有效DMU之間的相對效率差異，可對所評價的DMU進行有效的比較與評價.

面向投入的超效率DEA模型可表示為［27］：

其對偶模型可以表示如下：

超效率DEA模型構造參考集時，排除了被評價DMU原來的投入和產出，用其他DMU的投入和產出的線性組合代替其投入和產出.因此，在超效率DEA模型中，無效DMU的效率值與C2R模型一致，而有效DMU的效率值有可能大于1.

1.2 Malmquist指數

Malmquist指數最早由瑞典統計學家Malmquist于1953年提出，目前普遍采用的是Fare等構建的基于DEA方法的Malmquist指數.

以t時期技術為參照，基于產出角度的Malmquist指數可以表示為：

同理，以t+1時期技術為參照，基于產出角度的Malmquist指數可以表示為：

為避免時期選擇的隨意性所造成的差異，Caves等［28］仿照Fisher理想指數的構造方法，取二者的幾何平均數作為衡量從t期到t+1期生產率變化的Malmquist指數，即：

式中（xt+1，yt +1）、（xt，yt）分別表示t+1期和t期的投入和產出向量；和分別表示以t時期技術為參照，t+1期和t期的距離函數.

Malmquist指數可以分解為純技術效率變動，技術進步以及規模效率變動，即：

式中：PTEC（Pure technical efficiency change）表示純技術效率變動，指不同時期決策單元相對于生產前沿的距離的比值；TC（Technical change）表示技術進步，即生產前沿的移動對生產效率變化的影響程度；SEC（Scale efficiency change）表示規模效率變動，通過比較在同一生產前沿上的不同時期投入的規模效率，反映規模經濟變動對生產效率變動的作用.利用Malmquist指數，可以對全要素能源生產率變動及其分解因素進行研究.

1.3 投入產出指標及數據來源

選取2003～2012年除西藏自治區、臺灣省、重慶市、香港和澳門特別行政區以外的29個省、直轄市、自治區（以下稱為省區）的數據作為能源效率評價的決策單元，從模型結果中選出西部10省區1本文中西部地區包括內蒙古、廣西、四川、貴州、云南、陜西、甘肅、青海、寧夏、新疆等10個省區，西藏和重慶由于數據不全而不包括在內.的結果進行分析.

本文參考Rashe［29］建立的3要素生產函數，選取能源、人力和資本作為投入要素.

（1）能源投入

本文選取各省當期能源消費總量作為能源投入指標，由于各種類型能源的量綱及單位能源熱值的不同，采用統一折算為“萬噸標準煤”的能源消費總量指標.數據來源于《中國能源統計年鑒》［30］.

（2）人力資源投入

現有研究大多采用當期從業人員數量作為人力資源投入，該指標僅反映了勞動力數量的變化，沒有反映勞動者素質的差異.為了綜合反映勞動力數量的變化與勞動力素質的差異，本文將年末社會從業人員總數與15歲以上人口的平均受教育年限的乘積作為人力資源投入總量.數據來源于第六次人口普查數據和《中國統計年鑒》［31］.

（3）資本投入

大多數學者認為資本存量可以較為精確地代表生產過程中的資本投入，但目前從統計年鑒中無法直接獲取資本存量數據，本文參照多數學者的做法，采用張軍等［32］對中國各省2000年資本存量現值的測算結果，以此為基準推算得到2003～2012年的資本存量，并用2000年不變價格進行縮減.

產出指標同時考慮期望產出與非期望產出，以反映經濟發展質量與節能減排成效.

（1）期望產出——經濟產出

本文采用GDP作為期望產出指標.數據來自《中國統計年鑒》［31］，以2000年不變價格進行了縮減.

（2）非期望產出——污染物排放

本文將二氧化碳排放量、二氧化硫排放量、煙塵排放量、氮氧化物排放量、化學需氧量排放量這5個指標作為污染物產出原始指標，并利用主成分分析法將5個指標合成為一個污染物排放指標.主成分分析法是因子分析法的一種，也是應用最廣泛的一種.主成分分析法通過坐標變換對原有變量進行線性組合，選取前幾個方差較大的主成分來反映原有變量的絕大部分信息，從而有效降低變量維數.本文采用主成分分析法求解初始公共因子特征值、方差貢獻率及累計方差貢獻率，計算結果表明各年度特征值大于1的公共因子累計方差貢獻率均在70％以上，能夠反映原始數據平均72.96％的信息，具有較好的代表性.根據公共因子載荷矩陣計算各年度各省的綜合得分，即為污染物排放綜合指數WR.

DEA模型包含一個基本假定，即以盡可能小的投入提供盡可能多的產出，而污染物排放表現為負的社會效應，其值應該是越小越好，因此需要轉換后才能代入模型.本文采用線性函數WR′=WR+v 對其進行轉換，其中v是一個足夠大的正數，根據WR的值取v=5.

考慮非期望產出的全要素能源效率能更客觀地反映能源投入與產出之間的關系，由于產出指標中包含非期望產出，計算的全要素能源效率值預計比不包含非期望產出的效率值低.

2 西部地區全要素能源效率測算及分解

2.1 西部地區省際全要素能源效率測算

本文關注的是能源作為區域經濟增長的一種投入要素，因此選取基于投入導向的超效率DEA模型，利用EMS軟件，得到2003～2012年中國各省的全能要素效率值，從中選出西部10省的數據進行分析（表1）.

表1的數據顯示，2003～2012年，我國東部、中部和西部三大區域全要素能源效率呈現出“東—中—西”由高到低的格局，東部地區的平均能源效率為0.8572，明顯高于全國整體水平和中部、西部地區；西部地區的平均能源效率最低，為0.7641，中部地區的平均能源效率為0.7643，略高于西部地區，且二者之間的差距逐漸縮小.由于引入了非期望產出指標，本文計算的全要素能源效率值比其他類似研究計算的數值要低，且各地區的能源效率都呈現出比較明顯的下降趨勢，這說明如果不考慮環境因素的確會導致能源效率的高估.

從全要素能源效率的變動趨勢來看，2003～2012年，西部地區各省區的能源效率都呈現出下降趨勢，其中內蒙古、廣西、云南、甘肅幾個省區的下降趨勢比較明顯，其余各省區的下降趨勢相對平緩.西部地區各省區的全要素能源效率存在顯著差距，能源效率最高的省份是四川和青海，2003～2012年間兩省的全要素能源效率始終為1左右，這表明與其他省區相比，四川和青海的能源得到了較為充分的利用，資源配置也相對比較合理，從而在相同的產出水平下實現了最小的能源投入，達到相對能源效率最優.內蒙古、廣西、陜西、寧夏、甘肅5省區的全要素能源效率值在0.7～0.8之間，說明這些省份的能源效率仍有提升空間，需要在技術水平和資源配置方面加以改進.云南、貴州、新疆3省區的全要素能源效率值在0.6～0.7之間，說明這3省區與生產前沿面的距離較遠，能源利用效率較低.整體而言，西部10省區的全要素能源效率仍不高，主要原因是西部地區目前的經濟增長方式仍以“高投入、高消耗”的粗放式增長為主，同時有些地區環境保護意識薄弱、觀念落后，忽略了環境保護，在經濟發展的同時對生態環境造成了破壞.

表1 西部10省2003～2012年全要素能源效率Table 1 TFEE of western provinces（2003～2012）

2.2 基于Malmquist指數的全要素生產率分析

表2 西部地區2003～2012全要素能源效率變動及分解Table 1 variation of TFEE of western region and its decomposition（2003～2012）

為了進一步分析西部地區全要素能源效率的變動情況，利用Malmquist指數對西部10省區分年和分省的全要素能源效率變動進行分解，Deap2.1軟件的計算結果詳見表2和表3.

表3 西部10省2003～2012全要素能源效率變動及分解Table 3 variation of TFEE of western provinces and its decomposition（2003～2012）

由表2可知，2003～2012年，西部地區全要素能源效率平均下降了4.29％，各年的全要素能源效率變動均小于1，表明西部地區全要素能源效率整體呈現下降趨勢.從Malmquist指數的分解結果來看，各年的技術進步指數TC和純技術效率指數PTEC均小于1，規模效率指數SEC則在1附近上下波動，有的年份大于1.技術進步指數的值最小，說明這10年間出現了較為明顯的技術退步，這也是導致西部地區全要素能源效率下降的主要原因.表3的分省Malmquist指數分解結果顯示了與表2類似的趨勢，各省區的全要素能源效率都有不同程度的下降，且技術退步是導致全要素能源效率下降的主要原因.

2.3 全要素能源效率的計量分析

Hu等［6］認為技術進步、純技術效率和規模效率的改善有助于能源效率的提高.為深入研究技術進步、純技術效率和規模效率對全要素能源效率的影響，以各省的純技術效率指數、規模效率指數和技術進步指數作為解釋變量，全要素能源效率作為被解釋變量，構建計量分析回歸模型.因為Malmquist 指數表示的是與上一年相比的變化情況，因而將被解釋變量全要素能源效率也轉化為與上一年的比值.構建的回歸模型表達式如下：0.6357，表明這3個指數每提高1％，可以分別引起全要素能源效率平均提高0.4350％、0.9512％、0.6357％.技術進步指數的系數最小，表明技術進步對全要素能源效率的貢獻最小；純技術效率指數的系數最大，超過了技術進步指數的系數，這也印證了技術進步存在回彈效應的猜想.

表4 回歸結果（隨機效應變截距模型）table 4 Regression results（random effects variant intercept model）

式中：i代表第i個地區；t代表第t年；Eechit、Techit、Pechit和 Sechit分別代表全要素能源效率的變動率、技術進步指數、純技術效率指數、規模效率指數，εit為隨機擾動項；C為常數項.

采用Eviews8.0估計模型參數，首先對各變量進行單位根檢驗，結果表明Eechit、Techit、Pechit和 Sechit均為平穩序列.Hausman檢驗與似然比檢驗結果均表明應該建立隨機效應模型，為了消除異方差和序列自相關的影響，采用橫截面加權的GLS法進行估計，回歸結果見表4.

從計量回歸結果可以看出，模型整體的擬合優度為0.6345，截距項以及各解釋變量系數所對應的P值均小于0.05，表明技術進步、純技術效率及規模效率的變化對全要素能源效率變動都有顯著影響.技術進步指數、純技術效率指數及規模效率指數的系數分別為0.4350、0.9512、

3 西部地區全要素能源效率影響因素分析

3.1 影響因素的確定

根據相關理論，同時考慮數據的可獲得性，選取產業結構、能源消費結構、技術進步、對外開放程度、能源價格等影響因素進行分析.數據來源于《中國能源統計年鑒》［30］、《中國統計年鑒》［31］、《中國科技統計年鑒》［34］等.

（1）產業結構.以各省第二產業增加值比重（GC）和第三產業增加值比重（FC）來反映產業結構.

（2）能源消費結構.目前西部地區能源消費以煤炭為主，因此采用各省原煤消費量占全省能源消費總量的比重（CC）來衡量能源消費結構.

（3）技術進步.采用R&D 經費支出（RD）作為衡量技術進步的指標.

（4）對外開放程度.選取進口額比重（IC）和出口額比重（OC）兩個指標，分別從進口和出口兩個角度衡量對外開放程度.

（5）政府影響力.選取財政支出占GDP比重（MC）和污染治理支出占GDP比重（WC）來衡量政府影響力.

（6）能源價格（JG）.以原材料、燃料、動力購進價格指數反映能源價格（該指數從2011年1月起改稱為“工業生產者購進價格指數”），以2000年的能源消費價格指數為基準.

3.2 模型選擇

本文測得的各省區全要素能源效率取值均大于0，表明只能從“掐頭”的連續區間隨機抽取被解釋變量的樣本觀測值，即數據被截斷.對于包含截斷被解釋變量的模型，若采用OLS法進行估計，會導致參數估計量的偏誤，在不了解解釋變量分布的情況下，要估計出偏誤的程度非常困難.因此，本文運用Tobit 模型對數據進行檢驗，以克服一般線性回歸參數估計有偏且不一致的問題.

Tobit模型又稱為刪截回歸模型，是一種被解釋變量受限的模型，適用于解決效率分布問題且能得出效率改進的方向和途徑.Tobit 模型的一般形式如下：

不失一般性，設a為0，這是Tobit模型的標準形式.在Tobit模型標準形式中，當yi＞0時，被解釋變量取無限制的實際觀測值；當yi≤0時，被解釋變量受限制，均截取為0表示.

3.3 回歸結果及分析

對2003～2012年西部地區10省的面板數據，以各省全要素能源效率為被解釋變量，以第二產業增加值比重、第三產業增加值比重、R&D經費支出、進口比重等作為解釋變量，建立全要素能源效率影響因素的計量回歸模型，模型表達式如下：

采用Eviews8.0對模型進行估計，方法為最大似然估計法，結果見表5.

表5結果顯示，對全要素能源效率有顯著影響的因素包括第二產業增加值比重（GC）、第三產業增加值比重（FC）、煤炭消費比重（CC）、技術進步（RD）、能源價格（JG）.

（1）產業結構的影響.第二產業增加值比重（GC）和第三產業增加值比重（FC）分別在10％和1％的水平上顯著，表明產業結構對西部地區全要素能源效率具有顯著影響.二者的系數都為正，第二產業增加值每提高1％，全要素能源效率平均提高0.7855％；第三產業增加值每提高1％，全要素能源效率平均提高0.9456％.根據師博等［9］的研究，工業產值比重與全要素能源效率呈倒“U”型關系，隨著工業比重的增加，全要素能源效率先是逐漸上升然后又下降.西部地區目前工業化水平相對較低，第二產業規模相對較小，處于倒“U”型曲線的左邊，因此第二產業增加值比重對能源效率的影響為正.

表5 全要素能源效率影響因素Tobit估計結果Table 5 estimation of determinants of TFEE by Tobit model

（2）能源消費結構的影響.實證結果顯示，煤炭消費比重（CC）對西部地區全要素能源效率具有顯著負向影響，煤炭消費比重每下降1個百分點，全要素能源效率將提高0.6241％，這意味著降低煤炭消費比重能夠提高能源效率.

（3）技術進步的影響.實證結果顯示，R&D經費支出（RD）對全要素能源效率有顯著正向影響，其系數為0.00000004，即R&D 經費每增加1元，西部地區全要素能源效率將平均提高0.000004％；但是，與其他因素相比，R&D投入對提高能源效率的作用比較微弱，說明西部地區未能充分發揮技術進步對能源效率的提升作用.

（4）能源價格的影響.能源價格對全要素能源效率有顯著的負向影響，能源價格指數每提高1個百分點，西部地區全要素能源效率平均降低0.0022％.理論上來講，能源價格上漲應該有助于提高能源效率.現有研究中，袁曉玲等［20］和屈小娥［10］的結果表明能源價格對能源效率具有正向影響，但影響程度都非常小；關愛萍等［23］的結果與本文一致，即能源價格的系數為負.西部地區的能源價格上漲未能帶來能源效率的提升，原因一方面是由于引入非期望產出后計算的全要素能源效率呈下降趨勢，而能源價格近年來基本呈上漲趨勢，因此二者表現為負相關；另一方面也反映西部地區能源市場價格機制不完善，能源價格不能很好地反映資源稀缺程度、市場供求關系以及環境成本.

4 政策建議

4.1 考慮非期望產出的全要素能源效率與其他研究的估算值相比明顯較低且呈現下降趨勢，可見，西部地區近年來的經濟增長付出了較高的環境代價，這種增長模式是不可持續的，能源效率并沒有真正提高.西部地區應大力加強技術創新和引進，包括能源節約技術、循環利用技術和污染治理技術等，通過技術進步促進能源效率的提高.煤炭是西部地區的優勢能源，因此推廣煤炭潔凈技術，減少原煤直接燃燒，提高煤炭使用效率尤為重要.

4.2 逐漸改變目前“煤依賴癥”的能源消費結構，開發可再生能源和清潔能源，促進能源結構多元化，推動能源生產和消費方式變革.西部地區擁有豐富的可再生能源，可開發水能資源占全國的72％，風能資源占全國的50％以上，青藏高原、甘肅北部、寧夏北部和新疆南部是我國太陽能資源最豐富的地區，這些都是發展特色可再生能源的有利條件.

4.3 加快產業結構調整升級，尤其是提高第三產業在國民經濟中的比重.與東部地區不同，西部地區目前工業化水平仍較低，第二產業規模相對較小，處于倒“U”型曲線的左邊，因此，增加第二產業比重能夠提高能源效率.但與此同時也要注意提高工業化的質量，大力發展節能環保產業、新能源產業等戰略性新興產業，逐步淘汰高能耗、高污染的低端產業.

4.4 加快能源價格的市場化改革進程，充分發揮市場機制的資源配置功能.2014年11月，國務院辦公廳發布《能源發展戰略行動計劃（2014-2020年）》，強調將推進能源價格改革，對于西部地區而言，這是建立健全能源價格形成機制、提高能源效率的新契機.

5 結論

5.1 2003～2012年間，西部地區的平均全要素能源效率遠低于東部地區，也略低于中部地區，說明西部地區整體能源利用效率水平仍然較低，存在較大的提升空間.西部地區省際間全要素能源效率存在明顯差異，青海、四川的能源效率最高，內蒙古、廣西、甘肅、陜西、寧夏處于第二層次，貴州、云南、新疆的能源效率最低，但這種差異近年來逐步縮小.

5.2 2003～2012年間，西部地區全要素能源效率整體呈下降趨勢.對全要素能源效率變動的分年和分省Malmquist指數分解結果顯示，技術退步是導致西部地區全要素能源效率下降的主要原因.回歸模型的結果顯示技術進步、純技術效率及規模效率的變化對全要素能源效率都存在顯著影響.純技術效率的系數最大，超過了技術進步的系數，說明技術進步的確存在“回彈效應”，即技術進步在提高能源效率、減少能源消耗的同時也會提高生產率，增加能源需求.

5.3 Tobit回歸分析結果顯示，第二產業增加值比重、第三產業增加值比重、R&D經費支出對提升能源效率具有積極影響，其中第三產業增加值比重對能源效率的影響最為明顯；煤炭消費比重和能源價格對能源效率具有抑制作用.

［1］Patterson M G.What is energy efficiency？： Concepts，Indicators and Methodological Issues［J］.Energy Policy，1996，24（5）：377-390.

［2］王慶一.中國的能源效率及國際比較（上）［J］.節能與環保，2003，（8）：5-7.

［3］魏 楚，沈滿洪.能源效率及其影響因素基于DEA的實證分析［J］.管理世界，2007，（8）：66-76.

［4］魏一鳴，廖 華.能源效率的七類測度指標及其測度方法［J］.中國軟科學，2010，（1）：128-137.

［5］史 丹，吳利學，傅曉霞.中國能源效率地區差異及其成因研究——基于隨機前沿生產函數的方差分解［J］.管理世界，2008，（2）：35-43.

［6］Hu Jin-Li，Wang Shih-Chuan.Total-factor energy efficiency of regions in China［J］.Energy Policy，2006，34（17）：3206-3217.

［7］Chang Ming-Chung.A comment on the calculation of the total-factor energy efficiency（TFEE）index［J］.Energy Policy，2013，53（2）：500-504.

［8］魏 楚，沈滿洪.能源效率與能源生產率：基于DEA方法的省際數據比較［J］.數量經濟技術經濟研究，2007，24（9）：110-121.

［9］師 博，沈坤榮.市場分割下的中國全要素能源效率：基于超效率DEA方法的經驗分析［J］.世界經濟，2008，（9）：49-59.

［10］屈小娥.中國省際全要素能源效率變動分解——基于Malmquist指數的實證研究［J］.數量經濟技術經濟研究，2009，（8）：29-43.

［11］曾賢剛.我國能源效率、CO2減排潛力及影響因素分析［J］.中國環境科學，2010，（10）：1432-1440.

［12］王維國.中國區域全要素能源效率收斂性及影響因素分析——基于Malmqulist-Luenberge指數法［J］.資源科學，2012，（10）：1816-1824.

［13］徐麗萍，王 立，李金林.基于隱含能的行業完全能源效率評價模型研究［J］.中國環境科學，2012，32（11）：2095-2102.

［14］Denison E F.Why growth rates differ；postwar experience in nine Western countries［M］.1967.

［15］Maddison A.Growth and slowdown in advanced capitalist economics： Techniques of quantities assessment［J］.Economics Literature，1987，25：649-698.

［16］Khazzoom J D.Economic implications of mandated efficiency in standards for household appliances［J］.The Energy Journal，1980，1（4）：21-40.

［17］Renshaw E F.Energy efficiency and the slump in labour productivity in the USA［J］.Energy Economics，1981，3（1）：36-42.

［18］吳巧生，成金華.中國能源消耗強度變動及因素分解：1980～2004［J］.經濟理論與經濟管理，2006，（10）：34-40.

［19］王群偉，周德群.中國全要素能源效率變動的實證研究［J］.系統工程，2008，26（7）：74-80.

［20］袁曉玲，張寶山，楊萬平.基于環境污染的中國全要素能源效率研究［J］.中國工業經濟，2009，（2）：76-86.

［21］史 丹.中國能源效率的地區差異與節能潛力分析［J］.中國工業經濟，2006，（10）：49-58.

［22］李廉水，周 勇.技術進步能提高能源效率嗎？——基于中國工業部門的實證檢驗［J］.管理世界，2006，（10）：82-89.

［23］關愛萍，師 軍，張 強.中國西部地區省際全要素能源效率研究——基于超效率DEA模型和Malmquist指數［J］.工業技術經濟，2014，（2）：32-40.

［24］Li Lan-Bing，Hu Jin-Li.Ecological total-factor energy efficiency of regions in China［J］.Energy Policy，2012，46（7）：216-224.

［25］邵 帥，齊中英.西部地區的能源開發與經濟增長——基于“資源詛咒”假說的實證分析［J］.經濟研究，2009，（4）：147-160.

［26］Andersen P，Petersen N C.A procedure for ranking efficient units in data envelopment analysis［J］.Manage Sci，1993，39（10）：1261-1265.

［27］吳文江.用超效率綜合DEA模型來研究DEA有效性［J］.數學的實踐與認識，2012，42（4）：158-165.

［28］Caves D W，Christensen L R，Diewert W E.The economic theory of index numbers and the measurement of input，output，and productivity［J］.Econometrica，1982，50：1393-1414.

［29］Rashe R，Tatom J.Energy Resources and Potential GNP［J］.Federal Reserve Bank of St Louis Review，1977，59（6）：68-76.

［30］國家統計局能源統計司.中國能源統計年鑒［M］.北京：中國統計出版社，2004-2013.

［31］國家統計局.中國統計年鑒［M］.北京：中國統計出版社，2004-2013.

［32］張 軍，吳桂英，張吉鵬.中國省際物質資本存量估算：1952～2000［J］.經濟研究，2004，（10）：35-44.

［33］童抗抗，馬克明.中國的產業產值與能源消耗碳排放相關性研究［J］.中國環境科學，2011，31（7）：1212-1218.

［34］國家統計局.中國科技統計年鑒［M］.北京：中國統計出版社，2004-2013.

Energy efficiency and its determinants of western China: total factor perspective.

LIU Dan-dan*，ZHAO Song-yangyang，GUO Yao（College of Statistics，Dongbei University of Finance and Economics，Dalian 116025，China）.China Environmental Science，2015，35（6）：1911～1920

Incorporating undesirable output in the input-output indicators，the total-factor energy efficiency（TFEE）of 29 Chinese administrative regions during 2003～2012 was computed based on super-efficiency DEA.Then the TFEE of western region was decomposed with Malmquist index and determinants of energy efficiency were examined with Tobit model.Results indicated that energy efficiency of western region was far below that of eastern region，and also below that of central region，which reflected the low level of energy efficiency of western region.TFEE varied among western provinces，but the gap was narrowed in recent years.TFEE of western region showed a decending tendency during research period.TFEE was influenced significantly by technical change，pure technical efficiency change and scale efficiency change，and technology degradation was the most significant factor that led to the decline of TFEE of western region.Industrial structure upgrade and technology progress had positive effects on energy efficiency，while energy price and coal consumption had negative effects on energy efficiency.

total factor energy efficiency；super efficiency-DEA；Malmquist index；Tobit model；western China

X24

A

1000-6923（2015）06-1911-10

劉丹丹（1980-），女，陜西安康人，講師，博士，主要從事經濟統計分析和國民經濟核算方面的研究.發表論文近20篇.

2014-12-20

國家社科基金青年項目（12CTJ005）；國家自然科學基金青年項目（71103029）；遼寧省高校人文社科重點研究基地專項項目（ZJ2014046）

* 責任作者，講師，liudandan@dufe.edu.cn