中國省級能源效率及其影響因素分析

曹琦+樊明太

摘要：使用基于不變規模報酬的DEA方法，將傳統三要素投入擴充為包括人力資本在內的四要素模型，對2005—2012年30個省、市、自治區的能源效率進行測度；進一步，以省際能源效率為被解釋變量，使用固定效應面板數據模型實證分析了經濟發展水平、產業結構、對外開放程度、所有制結構、能源消費結構以及技術水平對該時期能源效率的影響效果。

關鍵詞：

能源效率；數據包絡分析；固定效應面板數據模型；人力資本

文章編號：2095-5960（2016）03-0085-10；中圖分類號：F206；文獻標識碼：A

中共中央明確指出“十三五”期間應將總體改善生態環境質量作為主要目標。實現這一目標，需要牢固樹立綠色發展理念，從根本上改變我國長久以來“高投入、高污染”的粗放型發展方式，而節約與高效利用資源是實現綠色發展的重要環節。通過提高生產過程中的能源使用效率，在保證產出的前提下減少能源消耗以及污染物排放，是貫徹落實綠色發展的有效手段。然而，根據國家能源局公布的數據，2012年，我國單位GDP能耗是世界平均水平的2.5倍，是美國的3.3倍，日本的7倍，也高于巴西等發展中國家。這些數據既說明我國能源利用現狀不容樂觀，也表明從提高能源效率入手進行節能減排具有巨大潛力。因此，從省級層面研究能源效率對我國在“十三五”期間實現低碳、環保、綠色發展，具有重大意義。

一、文獻綜述

現階段，對能源效率的研究主要集中在能源效率的測算與能源效率影響因素的實證分析上。對于能源效率的測算，Farrell（1957）認為能源效率包括綜合技術效率與配置效率兩個方面，綜合技術效率衡量生產過程是否在現有投入下實現了最大產出；配置效率則將各種能源投入的價格因素考慮進來，衡量在給定產出下是否實現了成本的最小化。[1]由于我國市場化程度不高，能源要素價格，尤其是影子價格較難獲得，因此研究者一般對能源綜合技術效率進行研究，如魏一鳴等（2010）[2]對七類能源效率測度指標進行了深入分析。數據包絡分析（Data Envelopment Analysis，DEA）方法是計算能源綜合技術效率的有效手段，該法主要通過構建生產前沿面來判斷各決策單元的能源效率。該方法在計算過程中需要設定生產所需的投入要素與產出要素，研究者大多以物質資本、勞動力以及能源三種要素作為投入，如魏楚等（2007[3]、2008[4]），吳琦等（2009）[5]，杜嘉敏（2015）[6]。在產出方面，多數研究集中于使用地區生產總值作為單一期望產出，如師博等（2008）[7]；而部分研究者在此基礎上添加了環境污染的指標作為非期望產出，如吳琦等（2009）[5]。

對于能源要素影響因素的實證分析，主要包括因素分解法與計量法。因素分解法一般用于研究單要素能源效率，通過將能源宏觀效率（能源強度）的變化分解到不同影響因素上，從而發現影響能源強度變化的原因。使用因素分解法研究我國能源效率的文章較多，比較有代表性的研究包括Chai等（2009）[8]、Cao等（2010）[9]以及Liu等（2010）[10]。計量法則使用能源效率作為被解釋變量，其他宏觀經濟變量作為自變量進行回歸分析，所使用的計量模型一般為面板數據模型或者Tobit模型，如魏楚等（2007[3]、2008[4]）。

使用基于傳統三要素投入的DEA法研究我國省際能源效率時，勞動力是重要的投入要素，尤其是對我國這種勞動力資源相對豐富的國家而言更是如此。然而在計算能源效率時，各省之間的勞動力在質量上具有較大差異，現有文獻卻并未將這一差異考慮進來，從而使計算結果的可信度與精確度下降。本文在現有文獻基礎上，擴充三要素投入為四要素投入，以省際人力資本差異作為勞動力差異的度量指標，使用基于不變規模報酬的DEA方法和面板數據模型，對我國省際能源效率進行了研究。文章后續安排如下，第二部分使用基于不變規模報酬的DEA法計算各省能源效率，第三部分使用面板數據模型對我國能源效率的影響因素進行實證研究，最后給出簡短結論與建議。

二、省際能源效率的DEA測算

（一）數據來源與處理

本文對我國大陸30個省、市、自治區的能源效率進行研究（由于缺乏相關數據，研究對象并未包含西藏），研究時間段從2005年到2012年。文章使用能源消費、勞動力、物質資本以及人力資本作為各省的投入要素，以年度GDP作為產出。下面將對每種要素的數據收集與處理進行簡要概述。

各地區GDP數據來源主要是《中國統計年鑒》，并通過GDP平減指數將各地區GDP折算為以2005年不變價格核算的GDP。各地區年度能源投入數據來源于《中國能源統計年鑒2013》的分地區能源消費總量數據，單位是萬噸標準煤。各省勞動力投入數據采用各省統計年鑒公布的從業人員年末人數，單位是萬人。對于物質資本存量的估算采用“永續盤存法”。使用該法估計地區資本存量，需要知道每期投資、投資品的價格指數、折舊率以及基期的資本存量。本文選取各省年度固定資產投資，并通過固定資產投資價格指數將各期投資折算為2005年不變價，單位為億元；兩套數據均可以從《新中國六十年統計資料匯編》中取得。由于廣東省缺少1993年到2000年的固定資產投資價格指數，文章用該省同期的商品零售價格指數替代。本文選取0.1作為這一時期我國各省固定資產年折舊率，這與龔六堂和謝丹陽（2004）[11]，張軍等（2004）[12]選取的折舊率一致。最后，本文選取1993年為基期，使用公式K1993=I1993/[（I2003/I1993）1/10-1+δ]來計算初始資本存量。具體估計步驟可以參考張軍（2004）的文章，這里不再贅述。

本文在估算各省人力資本時，參考了朱平芳和徐大豐（2007）[13]估算中國城市人力資本的方法。這種方法假設各省具有以物質資本和勞動力作為投入要素的Cobb-Douglas生產函數；并且生產函數為哈羅德中性，即技術進步為勞動增進型。同時，人力資本以相乘的形式附著在勞動力之上。以1代表單位人力資本，表示只具備從事最基本勞動的能力，比如健康的身體，語言技能等等；擁有單位人力資本只能從事最簡單的勞動，賺取最低的薪水。省份不同，擁有單位人力資本的工人所賺取的工資也不相同，這是由于工資不僅由勞動力所擁有的人力資本決定，還取決于所處地區的技術水平以及資本存量。然而對于同一省份，工資的差別則主要反映人力資本的差異。在這一假設下，可以通過測量各省具有平均人力資本工人所獲得的工資與只具有單位人力資本工人工資之間的差別來估算一個代表性工人所具有的人力資本；各省總體人力資本則為代表性工人的人力資本乘以該省就業人員總數。綜上所述，各省人力資本可通過下式進行估算：

（二）各省能源效率的計算與分析

表1列出了30個地區2005年、2012年和2005—2012年的能源效率；在可變規模報酬假設下，能源效率可被進一步分解為純技術效率和規模效率。其中，2005—2012年的能源效率是指將2005年到2012年的投入與產出分別取算數平均值后進行DEA計算所得的結果，被用于評價這一時期各省總體上的能源效率。就能源效率而言，這一時期北京、天津、上海和廣東這四個地區的能源效率為1，處于我國能源效率的生產前沿面上，為能源使用的綜合有效區域；2005年黑龍江處于能源效率的前沿面上，2012年該省的效率值略有下降，但其值與1十分接近，這一差異極有可能是由計算誤差所引起，因此可以認為黑龍江在這一時期也處于前沿面上。為了分析2005年到2012年期間我國各省能源效率的發展趨勢，將30個省按照能源效率高低劃分為高能效區域（0.85以上），中能效區域（0.7到0.85之間）和低能效區域（0.7以下）。

2005年，共有10個省份處于高能效區域，效率均值為0.943；12個省份處于中能效區域，均值為0.746；8個省份處于低能效區域，均值為0.620。到2012年，9個省份處于高能效區域，均值為0.959；15個省份處于中能效區域，均值為0.771；6個省份處于低能效區域，均值為0.651。對比各組數據在兩個年份中的差異可知，30個省的能源效率總體上呈現出上升趨勢，高能效區內部各省之間的差異在時間上呈現減小的趨勢，且高能效區域與低能效區的差異也在減小，這說明這一時期我國能源效率既存在組內收斂的趨勢，也存在俱樂部收斂的趨勢。

在VRS假設下，能源效率可進一步分解為純技術效率與規模效率。這一時期，能源效率不為1而純技術效率為1的省份有江蘇、浙江、山東、海南和青海，說明這幾個省為純技術有效，卻不是規模有效，因此它們的能源效率并沒有位于生產前沿面上；同時也說明，對于這類地區，無法通過減少投入要素的數量來提高能源效率，而是需要通過提高或降低其生產規模來提高效率。比如江蘇、浙江和山東三省處于規模報酬遞減階段，需要降低其生產規模來提高能源效率；而海南和青海則處于規模報酬遞增階段，提高生產規模可以使能源效率相應提高。另一方面，河北、河南、湖南與四川四省為純技術無效，卻規模有效，說明這3個地區的生產處于合意的規模，但在生產技術上有待提高，并可以在不改變產出的前提下減少投入要素的使用。

三、各地區能源效率的影響因素分析

根據前面一節的結果可以看出，我國各省能源效率差距較大，同時能源效率隨著時間的變化趨勢也較為明顯。那么，影響一個地區能源使用效率的因素是什么？各因素對效率的影響程度又有多大？通過構建固定效應面板數據模型，本節擬對這一問題進行深入分析。

（一）變量說明與數據收集

各省能源效率受以下幾方面因素的影響。

一是經濟發展水平。一個省的經濟發展程度越高，該省的能源效率也可能越高。本文以人均GDP作為衡量地區經濟發展水平的指標，因為人均GDP越高表明經濟發展程度越高。這一數據從《中國統計年鑒》中收集，并將所有數據折算為2005年的不變價，單位為萬元。

二是產業結構。某省的生產重心由能源效率低的部門向能效高的部門轉移，那么產業結構調整就對該省能效有正向影響作用；反之亦然。衡量一個地區的產業結構，可以使用該地區第二產業或者第三產業增加值占地區GDP的比重這一指標作為代理變量。需要注意的是，如果在計量模型中同時加入二、三產比重，會產生較為嚴重的共線性。本文選用第三產業增加值占比來衡量產業結構，數據來源于《中國統計年鑒》。

三是對外開放程度。一個省對外開放程度越高，該省越有可能學習國外先進的技術工藝與管理技巧，從而提高自身能源效率。本文使用地區進出口貿易總額與GDP的比值以及實際使用外商直接投資與固定資本投資的比值這兩個指標作為對外開放程度的代理變量。數據來源主要是《中國統計年鑒》和《新中國六十年統計資料匯編》。

四是所有制結構。所有制結構主要衡量一個省的工業經濟活動中國有經濟所占份額。一般認為國有企業的管理效率低下，其能源效率也較低，因此，某省國有經濟所占比重可能會與該省能源效率負向相關。本文使用規模以上工業企業總產值中國有及國有控股企業總產值所占比重來表示所有制結構，數據來源于《中國工業經濟年鑒》與《中國統計年鑒》。

五是能源結構。在我國一次能源消費中，煤炭使用最為廣泛。因而，本文通過原煤折算標準煤系數0.7143，將各省煤炭消費總量折算為標準單位的煤炭消費量，然后用它除以各省的總能源使用量，便得到各省的能源結構。相關數據來源于《中國能源統計年鑒》。

六是技術水平。技術水平外延較廣，廣義的技術水平不僅指生產工藝、生產設備以及生產流程的改進，還包括企業在管理方式上的改進，政府政策是否有助于技術創新等等。現階段，并沒有一個很好的技術水平衡量指標。本文使用各省研發（R&D）經費內部支出占地區GDP的比重來衡量技術水平。數據來源于《中國科技統計年鑒》。表2給出了本文進行計量所需各種變量的符號與定義。

（二）面板計量模型

1.混合OLS模型

面板數據模型的估計方法一般包括混合OLS模型（Pooled OLS model）、固定效應模型（Fixed-effects model）和隨機效應模型（Random-effects model）。其中，混合OLS模型假設每個省的能源效率回歸模型都具有相同的截距項和斜率項，因此可以直接將30個省8年共240個觀測數據混合在一起，直接利用OLS進行回歸。混合OLS模型可以表示如下：

2.固定效應模型

固定效應模型假設每個省份具有相同的斜率項，但可以有不同的截距項。固定效應模型可表示如下：

上式中D2表示第2個省的虛擬變量，其他省份的虛擬變量以此類推。為避免虛擬變量陷阱，只能引入29個省份虛擬變量。每個虛擬變量前面的系數表示該省的截距與第1個省截距之差。需要注意的是，如果截面個體較多，所需虛擬變量也較多，對自由度占用較大。除省份固定效應外，還可以設定時間固定效應或者雙向固定效應。

固定效應模型的另一種估計方法，是對式（3）每個變量在時間上取平均值：

（三）計量結果分析

圖1反映了各省能源效率與主要解釋變量之間的關系。圖1-a給出了2005—2012年能源效率平均值與人均GDP平均值（經濟發展水平）的關系。從圖中可以看出，各省經濟發展水平與能源使用效率具有正向關系：人均GDP越高，其能源使用效率就越高；同時，東部地區的經濟發展水平與能源效率普遍高于中、西部地區。圖1-b中，一個省實際使用外商直接投資占固定資產投資的比重越高，該省能源使用效率也就越高；同時，發達地區的FDI比重遠高于欠發達地區。圖1-c表明，用于衡量地區對外開放程度的進出口總額占GDP比重也與能源效率呈現密切的正向相關關系；然而，我國大部分地區的進出口總額占GDP比重較低且很集中，只有少數幾個東部省份超過50%。圖1-d表明，三產占比與能源效率并沒有顯著的正向關系。圖1-e表明，R&D經費占GDP比重與能源效率存在較為顯著的正向關系；除北京外，其余地區的R&D經費占比分布較為集中。圖1-f表明，國有及國有控股企業工業總產值的比重與能源效率呈現出負向相關關系，這與國有企業生產效率與能源使用效率較低的一般看法相符。通過觀察圖1，我們可以得出一些初步的結論與經驗，但是要想進一步了解影響地區能源效率的因素以及各種因素的影響程度，還需要借助面板數據的分析結果。

表3總結了本文所用面板數據模型的計算結果。混合OLS模型回歸結果顯示，首先，各省人均GDP對能源效率具有顯著影響，人均GDP提高1%，能源效率將提高6%，這一結果在1%的顯著性水平下顯著。其次，能源效率與各省進出口比重也有明顯的同方向變動關系，進出口比重每提高1%，能源效率上升0.15%，這一效應同樣在1%水平下顯著。再次，能源效率與R&D經費比重也有密切關系，在5%的顯著性下，R&D支出占GDP比重每提高1%，省際能源效率提高約3%。然而，與一開始所想不同，能源效率幾乎不受FDI比重、產業結構、所有制結構與能源消費結構的影響。此外，表示東部地區虛擬變量的系數為負也不合理。出現這些問題主要是因為混合OLS模型并不是一個很好的估計模型，各省之間存在著“因地而異”的特征，混合模型并未將這些特征考慮進來。

進一步，我們使用固定效應模型進行估計。模型2中解釋變量大致與模型1相同，只是去掉了表示東、西部的地區虛擬變量。然而，模型2的估計效果并不理想，僅有產業結構與所有制結構兩個變量能夠通過10%的顯著性檢驗，其余變量均不顯著，并且系數也非常小。該模型的F值較大，表明所有變量的聯合顯著性能夠通過1%的顯著性檢驗，這說明模型2可能存在比較嚴重的多重共線性。另外，東、中、西部地區發展水平差距較大，科研投入所帶來的回報也可能具有較大差距。因此，模型3去掉了進出口總額比重（與FDI比重具有較強的共線性），并加入了東、西部地區虛擬變量與R&D比重的乘積項。在模型3中，人均GDP、FDI比重與煤炭消費比重的作用較小，t檢驗值也比較低；所有制結構（國有經濟占比）、產業結構（三產占比）與研發投入的估計效果卻十分顯著，并且研發投入所帶來的回報具有明顯的地區差異。國有經濟占比通過1%的顯著性檢驗，該比重每提高1%，能源效率將下降0.2%。三產比重系數顯著，該比重每提高1%，能效降低1.3%。值得一提的是科研投入對能效的回報問題，對中部地區，R&D比重每提高1%，能效降低約9%；相反東部地區的能源效率則大幅提高約5%，而西部地區則提高3.5%。模型4去掉了模型3中不顯著的FDI比重與煤炭比重，人均GDP的系數變大，但并未通過顯著性檢驗；其余變量與模型3的情況沒有太大區別，這也證明了該模型去掉的兩個變量對能源效率并無太大的解釋作用。

在固定效應模型的基礎上，我們還進行了隨機效應模型的分析。隨機效應模型5與模型2的解釋變量完全一樣，除FDI比重、三產比重以及R&D比重的作用比較顯著外，其余變量對能源效率幾乎沒有影響；另外，Hausman檢驗的P值為0.0053，表明即使在1%的顯著性水平下也不能拒絕固定效應的原假設，因此固定效應模型比隨機效應模型更合適。模型6、模型7與模型3和模型4的解釋變量完全一樣，只是由固定效應變為隨機效應。從系數的大小與t檢驗值來看，這兩個模型的估計效果遠不如模型3、4，并且Hausman檢驗的P值也都支持選擇固定效應模型。

從以上的分析可知，應該選擇固定效應模型來分析地區能源效率的影響因素，而且模型3和模型4都是比較理想的分析模型。從這兩個模型中可以看出，人均GDP對能源效率的影響并不顯著，然而圖1-a卻明確顯示兩者呈現正相關關系。從模型1中可以看出，混合模型中人均GDP的系數十分顯著，而隨機效應模型則不顯著。產生這一矛盾的原因可能在于，人均GDP對能源效率的影響主要體現在省份之間（組間估計），而在每個截面單元的時間序列上（組內估計），這一影響并不顯著。所以，我們對模型4進行了組間估計，發現此時人均GDP與能源效率具有明顯的正向作用，并且能夠通過5%的顯著性檢驗。對各省份而言，人均GDP的差異十分巨大，經濟最發達省份的人均GDP是最不發達省份的5倍以上，使用這一指標衡量地區間的發展程度也是比較合適的。但是，就某一省而言，僅僅通過加大資源、資本與勞動力投入的外延型發展方式完全有可能在短期內提高人均GDP，但其能源使用效率很可能不會提高，甚至有可能會降低（如果引入的都是高能耗、高污染生產項目）。所以，在截面上，人均GDP對能源效率存在顯著的正向影響，而在時間序列上，兩者并無明顯的關系。由于面板數據模型是截面維度與時間維度的綜合，因此人均GDP對能源效率的影響并不顯著。

衡量各省對外開放程度的兩個變量FDI比重與進出口總額比重在模型中的作用并沒有許多研究者所認為的那樣顯著。一般認為，對外開放程度越高，該省越有可能吸收與學習國外先進的生產技術與管理經驗，從而能源效率也越高。然而，對外開放可能會對能源效率產生方向相反的兩種作用。一方面，正如前面所說，各省從對外貿易與外商投資中確實學到先進技術與經驗，隨后這些技術與經驗產生了外部溢出效應，提高了整個省份的生產技術，進而提高能源效率。另一方面，正如圖1-b所示，對外開放程度高的地區一般集中在東部沿海地區，東部地區從對外貿易與外商投資中獲得的收益遠大于中部和西部地區，因此對于對外開放所帶來的外部溢出效應，東部也要遠大于中、西部。在這一背景下，東部地區能源效率的提高遠快于中、西地區；而東部地區一般處于能源效率的生產前沿面上，其能效提高會推動前沿面前進。而DEA是通過測度無效率決策單元與前沿面的相對距離來判斷各單元的綜合技術效率。雖然所有省份的能源效率都會受到對外開放的正向作用，但處于前沿面上的省份從中獲得的助力更大，提高也更快，因而帶動前沿面快速移動；其余省份雖然也在提高，但其移動速度相比于前沿面較慢，因而這些省份由DEA測度的能源效率就有可能不變甚至降低。所以，對于中、西部地區，對外開放程度會從“溢出效應”與“馬太效應”兩個方向影響這些地區的能源效率，兩者相互抵消，使對外開放對能源效率的影響并不顯著。

根據本文的計算，三產比重與能源效率之間沒有明顯的關系。然而多數研究者認為，第三產業的附加值較高，對能源的消耗又比較少，因此隨著第三產業比重的提高，地區能源效率會相應提高。但本文的計算結果并不支持這一結論。觀察文中所用數據可以發現，對于大部分地區，2005—2012年期間三產比重并沒有太大變化，圖1-d也顯示多數地區的三產比重都集中在40%左右，該變量的變異系數僅有20%；換言之，三產比重這一解釋變量的組內差異較小，組間差異也較小。這種情況下，使用面板數據對其系數進行估計會產生較大的偏誤，因此出現了符號不合理的情況。在模型3與模型4中，國有經濟比重則與能源效率有顯著的負向關系，該比重每提高1%，能源效率降低約0.2%，但這一影響比較弱。從計算結果可以看出，國有企業在生產過程中的能源使用效率確實低一些，但差異并不是很大。事實上，由于市場競爭愈發激烈，國有企業的生產效率也在不斷提升，因此其能源使用效率并沒有明顯低于其他類型的企業。此外，根據我們的研究，能源消費結構對能源效率幾乎沒有影響。

最后，技術水平是影響能源效率的重要因素。在研究R&D比重對能源效率的影響時，我們假定東、中、西部地區發展程度差異巨大，對研發資金的消化與吸收能力也不同，因此R&D支出所帶來的回報也應該不同，結果確實如我們所料。對中部地區，R&D比重每提高1%，能效降低約9%；相反東部地區的能源效率則大幅提高約5%，而西部地區則提高3.5%。東部地區發展程度較高，其R&D經費一般用于研究比較前沿的技術與工藝，這些技術與工藝的回報也較高，因而R&D比重與能效正相關。西部地區科研與技術儲備比較少，如果R&D投入也存在所謂“邊際收益遞減”，那么同樣的投入在西部地區帶來的收益應該也比較高，這也可以解釋為什么西部地區的R&D回報要高于發展程度較高的中部地區。值得注意的是中部地區R&D比重與能源效率呈負相關關系，這主要是因為中部地區具有一定的技術儲備，其R&D投入的邊際收益不如西部地區，而該地區也不具備與東部地區一樣的能力去研究高新技術，所以中部地區的R&D回報較低。而且中部地區用于研發的資金本來可以投放到其他具有更高回報率的領域，因此該地區R&D投入的機會成本較高，最終造成該地區R&D比重與能源效率反向運動的情況。這也說明，盲目將資金投入到科研領域并不一定會產生好的效果，在決定R&D經費的投入時，應針對不同的研究領域進行具體分析，鼓勵高新技術研發，淘汰落后技術與工藝。

四、結論與建議

本文首先使用基于不變規模報酬假設的DEA方法對2005—2012年我國30個省的能源效率進行測算，并使用固定效應面板數據模型分析了省際能源效率與經濟發展水平、產業結構、對外開放程度、所有制結構、技術水平以及能源消費結構的關系。研究得出如下結論。

我國能源效率最高的是東部地區，中部地區次之，西部最低。三大地區能源效率的差距源于總體發展程度的差距，然而能效差距呈現出不斷縮小的趨勢。北京、天津、上海、廣東和黑龍江一直處于生產前沿面，而貴州、青海和寧夏等西部地區則相對低效。在各省之間，人均GDP與能源效率具有顯著的正向關系；但就某省而論，其人均GDP與能源效率在時間上并無明顯趨勢，這可能是由于不同省份所采取的發展方式不同。粗放型增長省份的能源效率不一定會隨著經濟發展程度的提高而提高，甚至有可能降低。地區之間對外資的吸收與利用能力有很大差異，對外開放所帶來的外部溢出效應也不相同，從而能源效率的提高程度也就不同。所以，對外開放程度與能源效率并沒有顯著的正向關系。R&D經費支出比重對地區能源效率有較大影響，并且這一影響隨東、中、西部而變化。在這三個地區中，R&D回報最高的是以高新技術研發為主的東部地區；而西部地區由于底子較弱，R&D投資邊際收益較高，具有“后發優勢”。國有經濟比重對省際能源效率具有一定的負面影響，說明國有企業的效率相比于其他企業確實較低；然而隨著市場化程度不斷提高，國企效率也在不斷提高，這一差距在不斷縮小。

在本文中，產業結構與能源結構對各省能源效率的影響作用與預期不同，這可能也說明了通過調整產業結構與能源結構實現節能減排的作用并不理想。就前者而言，產業結構往往是內生變量，各省三次產業的比重是由該省所處發展階段決定的，而不是由各省級政府選擇的。畢竟我國正處于工業化發展階段，工業在國民經濟中起主要帶動作用；除北京、上海等地外，其余大部分省份仍將依靠第二產業帶動，并且多數發展程度較低的中、西部省份無法承擔科技含量太高的產業，而暫時只能發展傳統重化工業、鋼鐵等能源消耗巨大的產業。同時，我國煤炭資源豐富，相比于其他能源種類具有較大的價格優勢，多數省份“以煤為基”的能源消費格局很難發生根本改變，畢竟讓工廠放著便宜的能源不用，轉而用價格昂貴的其他能源并不容易。所以，通過改變能源消費結構來提高能源效率的方法并沒有明顯奏效。

參考文獻：

[1]Farrel， M.J. The Measurement of Productive Efficiency[J]. Journal of Royal Statistical Society， 1957， 120： 253-281.

[2]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.

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

[4]魏楚，沈滿洪. 結構調整能否改善能源效率：基于中國省級數據的研究[J]. 世界經濟，2008（11）：77-85.

[5]吳琦，武春友. 基于DEA的能源效率評價模型研究[J]. 管理科學，2009（1）：103-112.

[6]杜嘉敏. 基于超效率DEA的中國省際能源效率評價[J]. 生態經濟，2015（7）：50-55.

[7]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.

[8]Chai， J.， Guo， J.E.， Wang， S.Y. and Lai， K.K. Why Does Energy Intensity Fluctuate in China？[J]. Energy Policy， 2009， 37（12）： 5717-5731.

[9]Cao， S.， Xie， G. and Zhen， L. Total Embodied Energy Requirements and Its Decomposition in China's Agricultural Sector[J]. Ecological Economics， 2010， 69（7）： 1396-1404.

[10]Liu， H.， Xi， Y.， Guo， J. and Li， X. Energy Embodied in the International Trade of China： An Energy Input-output Analysis[J]. Energy Policy， 2010， 38（8）： 3957-3964.

[11]龔六堂，謝丹陽. 我國省份之間的要素流動和邊際生產率的差異分析[J]. 經濟研究，2004（1）：45-53.

[12]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）：36-44.

[13]朱平芳，徐大豐. 中國城市人力資本的估算[J]. 經濟研究，2007（9）：84-95.

責任編輯：張士斌