風力發電場工程施工總承包模式及風險探索

齊向陽

摘要：隨著潔凈能源的不斷推廣，風力發電可以減少發電中對環境的污染，是對能源合理地進行利用，這樣可以全面地進行資源的利用，將資源進行更加科學化的管理，提升能源的使用質量。我國的風能儲備是較為豐富的，分布的范圍也較廣，風力發電場的建設具有現實的意義，但是風力發電場在進行建設的過程中存在較多的問題，本身的工程量也是較大的，在進行建設過程中可以采用施工總承包模式和風險探索，因此對風力發電場進行建設可以全面的提升管理質量，對施工現場進行更加科學化的控制。本文主要這對風力發電場工程施工總承包模式及風險探索進行分析。

Abstract： With the continuous promotion of clean energy， wind power generation can reduce the environmental pollution， use the energy reasonably， which can make a comprehensive utilization of resources， manage the resources more scientifically， and improve the quality of energy use. China's wind energy reserves are abundant， the distribution is wide， the construction of wind power field is in the real sense， but the wind farms in the construction process exist many problems， and the engineering quantity is large. So in the process of construction， the construction general contract mode and the risk exploration can be applied， which can improve the overall quality of management construction， and construct the site more scientifically. This paper mainly analyzes the general contracting mode and risk exploration of wind power plant construction

關鍵詞：風力發電場；工程施工；總承包模式；風險探索

Key words： wind farm；project construction；general contracting mode；risk exploration

中圖分類號：TM614 文獻標識碼：A 文章編號：1006-4311（2017）24-0067-03

0 引言

鋼鐵工業是國民經濟的重要基礎產業，但隨著我國經濟的快速增長，資源能源消費約束明顯顯現，鋼鐵工業在防污減排、節能降耗等方面承受著巨大的壓力。鋼鐵行業是國家推進節能減排工作的重點產業，其節能減排工作的成效關系到全社會整體節能減排工作的成效。對我國鋼鐵企業的能源效率進行準確的估算并進行分析，對改變目前我國鋼鐵工業發展模式，引導產業健康發展，節能降耗、促進淘汰落后產能、推動兼并重組具有重要的現實意義。

目前，大多數針對于我國能源效率的研究都采用了省際的面板數據[1-3]，很少有針對于企業層面微觀數據的研究。然而微觀層面的數據跟宏觀層面數據相比更加精確，理論研究價值同樣不容忽視。

能源效率評價方法主要有兩種。一是非參數的DEA方法。該方法在測定評價單元的能源效率相對有效性時對每個評價單元進行優化[4]。二是參數方法，最常用的為SFA方法。SFA方法在本質上是一種極大似然估計的參數估計方法，其需要為待估計的生產前沿面假定一種函數形式[5-6]。預先設定的生產函數可能與現實不符，且SFA方法在處理多產出問題時也存在困難。利用Bootstrap的思想，可以彌補傳統DEA模型無法考慮統計誤差的缺陷，因此文章將采用Bootstrap-DEA方法來對我國49家主要的鋼鐵企業能源效率進行評估。

1 模型構建及變量選取

1.1 Bootstrap-DEA模型

Simar和Wilson等人提出了可以對DEA估計值進行糾偏、估計置信區間及說明顯著性水平的Bootsrap-DEA方法[7]。該方法的主要思路是：利用Bootstrap的思想對原始樣本進行重復的抽樣，構造大量的Bootstrap樣本數據，從而得到大量的Bootstrap效率值，通過Bootstrap效率值的經驗分布來構造置信區間等去進行統計推斷。真實的效率值、DEA估計效率值及Bootstrap效率值三者之間的關系如下：DEA估計效率值是對原始樣本的真實效率值的估計量，Bootstrap效率值是基于大量模擬Bootstrap樣本對DEA估計效率值的估計及糾偏。

1.2 變量選取及說明

文章收集了2014年我國49家主要的鋼鐵企業的投入產出數據，數據來源為鋼聯數據庫[8]。鋼鐵企業選取的標準是要同時保證企業投入產出指標的完整性和樣本的多樣性。樣本的多樣性是指樣本要包含不同類型的鋼鐵企業，以保證樣本的代表性。最終選取的樣本包括了不同所有制類型、不同規模、不同投產年限以及不同區域的鋼鐵企業。

考慮鋼鐵生產的過程及其產生的碳排放，文章選取5個投入指標，分別為能源消費量（萬噸標準煤）、總耗水量（萬噸）、總員工人數（人）、高爐設備（立方米）和轉爐設備（噸）；2個產出指標，即鋼鐵企業總產值（億元）和二氧化碳排放量（萬噸）。為去除指標量綱的影響，所有的指標在計算之前都進行了標準化處理。

2 估算結果及分析

文章利用MAXDEA軟件對所選49家主要的鋼鐵企業進行Bootstrap-DEA能源效率評價，采用產出導向的DEA-CCR模型，并將Bootstrap迭代的次數設置為1000。最終估算結果如表1。從表1可以看出，利用傳統的DEA模型來對鋼鐵企業進行評估，結果普遍是被高估了的，而利用Bootstrap-DEA方法來對前沿面的估計進行多次迭代與糾偏，使得估計出來的生產前沿面更加平滑，更加接近真實的生產前沿面，這樣計算出來的能源效率更加可信，更加符合現實情況。

從排名來看，大多數企業的排名在糾偏后都有調整。寶鋼集團、邯鋼集團、建龍集團等企業的能源效率排名在糾偏后下降，其中建龍集團下降幅度最大，由第1名變成第28名；安鋼集團、柳鋼集團、威剛集團等企業的能源效率排名在糾偏后有所提高，三者均提高了11名；本鋼集團、鄂城鋼鐵、杭鋼集團等少數企業的能源效率排名在糾偏前后沒有變化。糾偏后，能源效率最高的是萊鋼集團，為0.9336，最低的為衡鋼集團，為0.5716；大多數鋼鐵企業的能源效率還存在很大提升空間。

接下來，文章對鋼鐵企業進行分組以探討我國鋼鐵企業能源效率的異質性。利用非參數檢驗方法來檢驗不同組別下的能源效率是否存在顯著性的差異。零假設為“各組的能源效率沒有顯著性的差異”，如果非參數檢驗結果的P值小于0.05，則拒絕零假設，表明各組的能源效率在95%的置信水平下存在顯著性的差異，非參數檢驗結果如表2。

具體分組標準如下：①根據鋼鐵企業不同的所有制形式將49家鋼企分為兩組，分別為27家上市鋼企及22家未上市鋼企。②根據鋼鐵企業投產年限的長短分組，以50年為界，投產大于等于50年的為老鋼企，共36家；投產小于50年的為新鋼企，共13家。③根據鋼鐵企業所在區域分為三組，分別為東部地區24家鋼企，中部地區14家鋼企，西部地區11家鋼企。④根據鋼鐵企業規模的大小進行分組，年產量大于1億噸粗鋼的為大型鋼企，共14家；年產量在0.5-1億噸的為中型鋼企，共16家；年產量小于0.5億噸的為小型鋼企，共19家。

根據表2非參數檢驗結果，我們可以看到不同所有制形式以及不同區域之間的鋼鐵企業能源效率存在顯著性的差異。上市鋼鐵企業的能源效率要比未上市的鋼鐵企業高，這可能是由于上市企業的生產設備大多已經配備完善，產量穩定，可以通過多種方式募集資金來進行關于提升能效的技術研發。并且上市鋼鐵企業收到公眾監管力度較大，每年均需要公開披露能源消耗指標（如噸鋼綜合能耗、噸鋼可比能耗等），這種機制也倒逼了上市鋼鐵企業投入更多的資金與精力來研發核心生產技術，提高能源效率。而未上市鋼鐵企業大多數規模較小，可能更注重于增加產能而非提高能源效率，因而能源效率較低。東西部的鋼鐵企業能源效率比中部地區的鋼鐵企業高，原因可能是東部的生產技術較為發達，生產設備也更為高級，西部的煤炭資源更加優質等等。以投產年限分組的鋼鐵企業能源效率雖然不存在顯著性的差異，但從效率均值來看，由于新建鋼企的生產設備較新，老鋼企生產設備老舊，因此新鋼企能源效率要比老鋼企高；大型的鋼鐵企業效率比中小型鋼鐵企業高，這說明了鋼鐵企業的能源效率也存在著規模經濟效應。

3 結論

文章利用Bootstrap-DEA方法對我國49家重點鋼鐵企業的能源效率進行評估，并利用非參數檢驗方法對我國鋼鐵企業的能源效率異質性進行了探討。結果表明：①利用傳統DEA模型對能源效率評價的結果是有偏的，在利用Bootstrap技術進行糾偏后，大多數的鋼鐵企業能源效率排名發生了改變，個別企業變動較大；②上市鋼鐵企業的能源效率比未上市的鋼鐵企業高，東西部地區的鋼鐵企業能源效率比中部地區高。

參考文獻：

[1]吳琦，武春友.基于 DEA 的能源效率評價模型研究[J]. 管理科學，2009，22（1）：103-112.

[2]續競秦，楊永恒.基于 SFA 的地區能源效率評價方法研究[J].煤炭經濟研究，2012（6）：37-41.

[3]蔣偉，李蓉，強林飛，等.環境約束下的中國全要素能源效率研究[J].統計與信息論壇，2015（05）：22-28.

[4]郭文，孫濤.中國工業行業生態全要素能源效率研究[J].管理學報，2013，11（1）：690-1.

[5]王雄，岳意定，劉貫春.基于 SFA 模型的科技環境對中部地區能源效率的影響研究[J].經濟地理，2013，33（5）：37-42.

[6]Lundgren T， Marklund P O， Zhang S. Industrial energy demand and energy efficiency-Evidence from Sweden[J]. Resource and Energy Economics， 2016， 43： 130-152.

[7]Simar L， Wilson P W. Sensitivity analysis of efficiency scores： How to Bootstrap in nonparametric frontier models[J]. Management science， 1998， 44（1）： 49-61.

[8]鋼聯數據庫：http：//data.glinfo.com.