“一帶一路”重點地區全要素能源效率-測算、分解及影響因素分析

楊仲山,魏曉雪

?

“一帶一路”重點地區全要素能源效率-測算、分解及影響因素分析

楊仲山,魏曉雪*

(東北財經大學統計學院,遼寧 大連 116025)

將“一帶一路1”國內重點地區作為研究對象,從“一帶”和“一路”角度分析重點地區全要素能源效率.遵循測算、分解及影響因素分析的研究路徑,考慮水體和大氣污染兩方面的三種非期望產出,采用超效率SBM模型測算重點地區2005-2015年的全要素能源效率,以Malmquist指數分解全要素能源效率變動,通過Tobit模型對10種影響因素進行回歸分析.研究發現:2005-2015年,“一帶一路”重點地區全要素能源效率未見進步.以經濟帶劃分的全要素能源效率存在差異,“一路”地區全要素能源效率最高,“一帶一路”重點地區總體次之,“一帶”地區最低,分別穩定在0.96,0.82和0.76的水平;大部分重點地區的Malmquist指數大于1,顯示生產效率進步,可能存在“回彈效應”;經濟發展、產業結構、對外開放和能源價格可以促進重點地區全要素能源效率提高,研究開發、政府干預、生產要素比沒有帶來正面影響,工業污染顯示顯著負影響.最終.

“一帶一路”倡議；全要素能源效率；超效率SBM模型；Malmquist指數；影響因素

2016年,中國以74.36萬億人民幣的經濟總量繼續位居世界經濟總量第二位[1].然而,可觀的經濟總量背后隱含著龐大的能源消費.盡管2016年中國能源消費總量增長僅1.3%,中國仍是世界最大能源消費國[2].以高能源消費帶動經濟發展的模式并非長遠之計.首先,與發達國家相比,中國的能源強度偏高.2016年,在世界能源消費總量中,中國有著最高的煤炭消費量(50.6%),第二高的石油消費量(13.1%)和第三高的天然氣消費量(5.9%);與此同時,美國、日本和德國一次能源消費總量分別為17.1%,3.4%和2.4%[2].其次,中國對非清潔能源依賴嚴重.2016年,中國能源消費結構中煤炭和石油消費共占80.3%,清潔能源僅占19.7%,清潔能源的比重偏低[3].最后,大量非清潔能源消耗帶來了嚴重的環境污染問題.如:2016年中國CO2排放占據世界CO2排放的27.3%,美國、日本和德國分別為17.5%、4%和2.6%[2].因此,未來發展目標應當是在高質量經濟增長基礎上降低環境污染.“一帶一路”是中國提出的雙多邊區域合作倡議,惠及范圍廣至亞、歐、非三個大陸[4].其頂層設計中強調“促進基礎設施互聯互通”.沿線國家已陸續與國內相關地區開展電力資源開發、電網建設、油氣管網建設等合作.因此,全面了解境內相關地區的能源效率有利于順利實現能源規劃目標.根據《推動共建絲綢之路經濟帶21世紀海上絲綢之路的愿景與行動》(愿景與行動)[4],“一帶一路”在中國境內主要涉及18個重點省、市、自治區(簡稱為重點地區):內蒙古、黑龍江、吉林、遼寧、上海、浙江、福建、廣東、廣西、海南、重慶、云南、陜西、甘肅、寧夏、青海、新疆和西藏.2015年,重點地區能源消費總量為21.06億t標準煤,約占全國能源消費總量的49%;工業廢水排放量達到75.51億t,約占全國工業廢水排放量的10.27%;二氧化硫排放量達到763.3萬t,約占全國二氧化硫排放量的41.06%;工業煙粉塵排放量達到553.9萬t,約占全國工業煙粉塵排放量的36.02%;重點地區GDP之和達到24.31萬億人民幣,約占全國GDP的35.61%,2016年該比例上升至47.56%2.因此,從能源消費、環境保護和經濟發展三方面考慮,重點地區不容忽視.然而,從能源、環境和經濟三方面考察,重點地區能源效率測算和比較研究相對較少.關注重點地區環境污染下的全要素能源效率,將有利于改善重點地區總體全要素能源效率,更好地參與“一帶一路”能源互聯網建設,促進與沿線國家在能源建設和利用方面互補互通.

1 文獻綜述

能源效率早期研究主要采取“單投入-單產出”形式,忽略了其他要素的作用.因此,考慮資本和勞動投入的“多投入-單產出”的全要素能源效率測算框架得到發展.后來,伴隨環境污染問題日益加劇,能源效率的研究框架向包含非期望產出的“多投入-多產出”模式演進.測算框架改進的同時,測算方法也在不斷進步.數據包絡分析[5](Data envelope analysis, DEA)作為非參數、非隨機方法,在能源效率分析中得到廣泛應用.Anderson等[6]于1993年提出超效率DEA來為前沿決策單元(Decision-making unit, DMU)進行排序.韓一杰等[7]應用超效率DEA分析中國地區鋼鐵行業的能源效率,但將CO2排放量處理為投入存在問題.為了更好處理非期望產出,Tone提出包含非期望產出的SBM模型[8](Slack-based measure model, SBM).Li等[9]和范丹等[10]使用SBM考察了包含非期望產出的區域全要素能源效率,二者均發現不考慮環境污染會對高估能源效率.然而,SBM模型的缺點在于無法處理前沿DMU的排序問題.因此,出現了將超效率DEA和SBM模型結合的應用.Li等[11]、宮大鵬等[12]均基于超效率SBM模型測算能源效率.超效率與SBM模型的結合既實現了對非期望產出的處理,又可對前沿DMU效率進行排序,然而以上研究局限于工業部門能源效率的測算.目前超效率SBM模型在區域能源效率測算的應用較少.

能源效率分析通常有兩種路徑:分解分析和回歸分析.被廣泛應用的分解方法是Malmquist指數,是Malmquist于1953年提出,由Caves等[13]首次介紹的一種基于距離函數的生產效率分解指數.屈小娥[14]應用Malmquist指數分解中國省際全要素能源效率,發現前沿地區能源效率提高主要由技術進步推動,能源效率低的地區主要受技術退步、純技術效率和規模效率影響.Feng等[15]發現在技術進步驅動下能源效率有提高,地區間技術水平存在差距,規模效率變動顯示下降.然而,指數分解不能解釋全部能源效率變化.如:指數顯示技術進步但能源效率顯示降低[16].并且Malmquist指數僅在截面維度解釋能源效率變動.為補充其他因素影響和面板維度,還需要進行回歸分析.Tobit模型因其可以處理受限因變量問題,常被用于處理能源效率影響因素的回歸分析.Li等[11],宮大鵬等[12],馬曉君等[16],劉丹丹等[17],Lv等[18]均通過Tobit模型對能源效率可能存在的影響因素進行了回歸分析.劉丹丹等[17]發現產業結構和技術進步對西部地區能源效率有正影響,能源價格和煤炭消費有負影響.Lv等[18]發現中國區域能源效率存在較大差異,能源消費結構和制度因素對地區能源效率起促進作用,產業結構對能源效率有負影響.宮大鵬等[12]發現地區GDP、產業結構、外商直接投資等對東部地區工業化石能源效率有正影響,產業結構對中部地區工業化石能源效率有負影響.馬曉君等[16]發現產業結構對東北地區城市能源效率有負影響,科研投入有正影響.

上述研究普遍存在的不足在于:研究視角上缺少對大型倡議合作項目的關注,尤其缺乏對“一帶一路”境內重點地區全要素能源效率測算、分解和影響因素分析的研究.因此,本文關注“一帶一路”重點地區能源效率,對其進行測算、分解和影響因素分析的研究.

2 研究方法

本文遵循“測算-分解-分析”的研究思路,采用“超效率SBM-Malmquist-Tobit模型”的方法路徑.以下對上述方法路徑涉及原理進行說明.

2.1 超效率SBM模型

2.2 Malmquist指數

通過幾何平均法可將Malmquist指數表達為式(4),進一步將Mlamquist指數分解成兩部分(式(5)):技術變動(式(6))和效率變動(式(7))[21].其中,效率變動的含義為管理效率變動,在規模報酬可變前提下可被分解為規模效率變動和純技術效率變動.根據Grifell等[22],假設規模報酬可變時,Malmquist指數不能正確測算生產效率變化.并且,本文在計算規模報酬可變下的Malmquist指數時出現線性規劃無可行性解的情況,故本文未分解管理效率變動.

2.3 Tobit模型

為實現對影響因素的計量分析,文章采用Tobit模型[23].Tobit模型是因變量受限或存在階段因變量時常用的回歸方法.基于超效率SBM模型測算出的能源效率值符合Tobit模型應用要求.模型基本形式如下:

3 全要素能源效率測算

3.1 數據來源及指標說明

由于2004年之前各地區污染物指標的統計口徑不一致,數據缺失嚴重,本文將研究區間定為2005~2015年.研究數據來自中國統計年鑒(2006~ 2016)[24],各地區統計年鑒(2006~2016),中國能源統計年鑒(2006~2016)[25],中國科技統計年鑒(2006~ 2016)[26],新中國六十年統計資料匯編[27]等.假設生產過程中的投入要素為資本、勞動力和能源,期望產出為GDP(或稱經濟產出),非期望產出為工業污染物.為方便后續說明及分析并節約篇幅,實證部分均對全要素能源效率采取簡稱TFEE.

3.1.1 資本投入OECD《生產率測算手冊》[28]建議以資本服務測算效率與生產率.目前計算資本服務實行難度大,故與其他同類研究一致,以資本存量作為資本投入.本文采用Goldsmith[29]提出的永續盤存法計算資本存量,計算公式為:

本文采用修正增長率法[30]確定基期資本存量;將固定資產折舊額作為可變折舊;根據張軍等[31],將固定資本形成總額作為當期投資.利用式(10)計算以2005年為基期的各地區資本存量.

3.1.2 勞動投入 與其他同類研究一致,選取全社會從業人員數作為勞動投入.

3.1.3 能源投入 與其他同類研究一致,選取能源消費總量作為能源投入.

3.1.4 期望產出 選取GDP作為期望產出,以2005年為基期進行價格縮減.

3.1.5 非期望產出 本文的非期望產出包含水體和大氣污染帶來的非期望產出.分別以工業廢水排放總量3,SO2排放量和工業煙粉塵排放量4作為代表.通過改進熵值法[32]將3種污染物結合為一個綜合指標作為非期望產出.

3.2 測算結果分析

3.2.1 TFEE分析 根據“愿景與行動”[4],參照楊玲[33],將“一帶一路”18個重點地區作為研究對象(由于數據限制,本文分析未包括西藏自治區).各重點地區在“愿景與行動”中均被賦予獨特定位,如:新疆被定位為“絲綢之路經濟帶核心區”,福建則被定位為“21世紀海上絲綢之路核心區”等.因此,本文便依據各重點地區定位,圍繞兩個核心區及“一帶”和“一路”規劃路線,從經濟帶規劃和地理區位兩方面考慮,將重點地區劃分為“一帶”地區和“一路”地區,從而達到細化分析研究結果的目的.劃分方式如表1所示.

表1 “一帶一路”重點地區地理劃分

注:這種劃分方式僅用于從多角度解釋本文研究結果.

本節測算重點地區的TFEE,并通過K-均值聚類對各地區年均值進行聚類分析,將重點地區分為高效率、中效率和低效率3組,進而從地理區位和效率聚類兩方面考察17個重點地區的TFEE.結果如表2所示.(1)連續11年構成前沿的高效率組為:上海、廣東和青海,其中上海和廣東屬于“一路”地區,青海屬于“一帶”地區;中效率組包括:內蒙古、遼寧、吉林、黑龍江、寧夏、浙江、福建和海南,其中僅浙江、福建和海南屬于“一路”地區;低效率組包括:廣西、重慶、云南、陜西、甘肅和新疆,均為“一帶”地區.(2)“一路”地區總體TFEE均值較大多數“一帶”地區高,差距在0.17~0.37之間.原因在于:上海和廣東為前沿地區,歷年TFEE均大于1,在17個重點地區中效率居于前列.“一路”地區為“21世紀海上絲綢之路”的必經之地,均為沿海地區.參照大多研究,沿海地區能源效率一般較內陸地區高,本文測算結果具有一定可信度.(3)盡管“一路”地區總體歷年TFEE均值高于“一帶”地區,但“一路”地區中海南和浙江的排序分別為10和11位,在50%之后;而“一路”地區中的青海,內蒙古,寧夏,遼寧,吉林和黑龍江排名在50%之前;說明不管是“一帶”地區還是“一路”地區,地區TFEE差異不同程度存在,且在研究期間未顯示改善.

表2 2005~2015年重點地區TFEE

圖1 TFEE年均值圖

為具體分析重點地區TFEE變動,繪制重點地區總體與“一帶”地區和“一路”地區的TFEE均值折線圖(圖1).(1)圖1中,3條曲線相互靠近.“一路”地區TFEE最高,重點地區次之,“一帶”地區最低.(2)重點地區總體TFEE均值較為穩定,在0.82~0.84之間,研究期間沒有TFEE改善.(3)“一帶”地區在2006~2013年間增長到0.78,其后保持在0.76左右.“一帶”地區TFEE較低,在薄弱基礎上的增長較為有限.“一帶”地區資源大省多,仍保持著“高耗能-高排放”的發展方式.如:2015年,工業廢氣污染物排放靠前的地區為內蒙古、遼寧、新疆和陜西等,其中遼寧、內蒙古和新疆的能源消費總量位居重點地區前5,上述地區的TFEE在研究后期呈規模報酬遞減趨勢.(4)“一路”地區的TFEE逐年遞減,從2005年平均1.09降低至2013年的平均0.96,即“一路”地區TFEE早期逐年降低,后趨于平穩.尤其,浙江和海南兩省與前沿地區比還有很大差距,“一路”地區內部存在較大差異.同時,根據本文測算結果顯示,“一路”地區早期顯示大多處于規模報酬遞增階段,后期多在規模報酬遞減階段.

3.2.2 TFEE分解 為討論重點地區TFEE變動,本文對TFEE進行了Malmquist指數分解,結果見表3所示.表3中,TFEE變動為當年TFEE與上年TFEE比值,Malmquist指數為效率變動與技術變動的乘積,此處未列出.(1)TFEE變動.“一帶”地區11年間平均提高0.77%,在各年變動中,2005~2006,2013~2014和2014~2015年間均小于1,TFEE下降.“一路”地區TFEE則平均下降0.92%,僅2013~2014年變動大于1,其余年份變動均小于1.“一路”地區整體呈下降趨勢,與圖1一致.同時,“一帶”地區提升較為有限.(2)效率變動.“一帶”地區有3個時間段TFEE變動指數分別為0.9935,0.9999,0.9999,其余年份TFEE變動大于1.即“一帶”地區管理效率提升幅度不大.“一路”地區在5個時間段的TFEE變動小于1,其中2005~2006, 2010~2011,2012~2013和2014~2015年間,管理效率降低的同時TFEE也在降低,在此期間管理效率對TFEE降低可能存在影響.(3)技術變動.技術變動均大于1,2008~2009年技術進步最大.即便存在技術進步,重點地區TFEE未見明顯增長,可能存在“回彈效應”.與本文一致,龐軍等[34]的研究表明中國存在能源回彈效應.技術進步可以促進生產率提高,也帶來更多能源消耗,使能源效率降低,難以準確估計技術進步作用[35].(4)Malmquist變動.重慶在2006~2007, 2007~2008,2009~2010年間,陜西在2012~2013年間以及海南在2005~2006年間的Malmquist指數略小于1,最大差距僅為0.0414.其余均大于1,說明生產效率進步沒有帶來TFEE的有效增長,可能存在其他因素的影響.

表3 2005~2015年重點地區TFEE變動及分解

由上述可知,部分年份管理效率降低抑制TFEE增長,這在“一路”地區中的反映較為明顯.盡管一直存在技術進步,但未帶動所有年份TFEE增長,要考慮“回彈效應”的存在.此外,還存在以Malmquist指數分解難以解釋的TFEE變動,需考慮其他因素影響.

4 影響因素計量分析

4.1 影響因素說明

本節將進行除規模效率和技術進步以外的影響因素計量分析.根據國內外研究成果,影響因素主要有:經濟發展[36-40]、產業結構[9,39-41]、煤炭消費[17]、能源價格[17,42]、對外開放[16-17,39-40]、研究開發[9,16]、生產要素[36,39-40]、政府干預[9,16-17]和環境污染[39,43]等.

考慮到數據可獲得性,選取來自上述8個方面的10個影響因素.(1)經濟發展(JF):以不變價人均GDP對數表示經濟發展水平.(2)產業結構:選取第二產業增加值占GDP份額(EC)和第三產業增加值占GDP份額(SC)表示產業結構變量.(3)對外開放(KF):以各地區進出口總額占GDP份額表示.(4)研究開發(YK):以各地區研究與開發內部經費支出的對數作為研究開發變量.(5)政府干預(ZF):以地方公共財政支出經費衡量政府影響程度.(6)能源因素:將煤炭消費占能源消費總量份額(MT)作為煤炭消費變量;將原材料、燃料、動力購進價格指數作為能源價格變量(JG),將基期調整為2005年.(7)生產要素比例(YS):將資本投入和勞動投入的比例作為生產要素比例.(8)工業污染(WR):將第3節計算的污染物綜合指標作為工業污染變量.數據來自各地區統計年鑒,中國能源統計年鑒和中國科技統計年鑒.

4.2 計量模型

本文的模型同時具有時間和空間兩種特性,采用面板數據進行回歸.以Tobit模型處理受限因變量,基于4.1中的變量解釋,構建如下模型:

4.3 計量結果討論

由表4可知,回歸一、二和三中,分別有9,8和6個變量顯著,變量選擇效果較好,個別影響因素在不同方程顯示不同作用方向.原因有:(1)地區差異.不同地區的TFEE變動趨勢不一致,反映影響因素作用程度方向不一.(2)樣本數量差異.回歸一、二和三的樣本量分別為187,132和55個,數據量分為2057,1452和605個.因此,僅對影響因素的作用方向進行討論,不對3次回歸各系數大小進行比較.

表4 回歸模型估計結果

注: ***,**,*分別表示顯著性水平為1%,5%和10%.

(1)經濟發展.JF在回歸一、三中呈顯著負影響,在回歸二中不顯著.“一路”地區TFEE逐漸降低,而“一路”地區人均GDP逐年增加,與其TFEE變動相反.如:“一路”地區中,研究后期多數地區的TFEE顯示規模報酬遞減.盡管“一路”地區GDP水平偏高,其背后能源的大量消耗也反映在TFEE中.

(2)產業結構.EC對重點地區顯示1%水平上的正影響,在其余回歸中不顯著.近年來的產業結構改革使各地區第二產業占比降低,但第二產業仍是許多地區的支柱產業.如:2015年,內蒙古、陜西等地區,第二產業占比仍超過50%,當地經濟的貢獻較大.SC在回歸一、二中均在5%水平上顯著,該變量對重點地區有正影響,對“一帶”地區有負影響.第三產業多為服務業,可通過少量能源投入創造更多增加值,產生更少工業污染.但產業結構的變化也應當考慮到地區差異,“一帶”地區的資源大省,如內蒙古,黑龍江,陜西等,其資源優勢適合優先發展重工業,其服務業受季節因素影響較大.而“一路”地區服務業發展受季節因素影響相對較小.

(3)對外開放.KF在三個回歸方程中均顯著,在回歸一、二中為正影響,回歸三中為負影響.該指標增加既反映經濟發展水平提高,又反映國際交流程度加深.“一帶”地區中,對外開放的提升較為明顯.一方面,“一帶”地區經濟發展水平提高對TFEE有正影響;另一方面,該地區進出口總額較“一路”地區低,獲取先進生產經驗和產品交流機會較“一路”地區少,對外開放帶來的正面技術影響相對大.“一路”地區近年來多處于規模報酬遞減階段,歷年TFEE基礎較“一路”地區高,對外開放對其TFEE帶動作用偏小.因此,“一帶一路”政策將是“一帶”地區加深與其他國家進行產品和技術上的交流的絕佳機會,同時也會分擔“一路”地區部分進出口貿易,屆時“一路”地區對外開放的負影響可能會有所改善.

(4)研究開發.YK在三次回歸中均顯著,在回歸一、二中為負影響,回歸三中為正影響.負影響原因在于:該指標的初始數據不僅包含工業企業用于提高生產技術的研發支出,還包含其他科研單位的研發支出,但現有統計體系并未單獨分列;研究開發支出中真正用于節能減排的部分難以確定,以總經費代替僅可以從宏觀上研發支出對TFEE的作用.

(5)政府干預.ZF在回歸一、二呈顯著負影響,在回歸三中不顯著.與馬曉君等[16],劉丹丹等[17]一致,政府干預未帶來預期的正影響.一方面,與研究與開發內部經費支出類似,政府財政支出中環境保護支出數據在2007年之前未單獨分列,之后也存在部分地區未單獨分列情況;另一方面,政府干預對部分企業自由發展和創新可能起到抑制作用.

(6)能源因素.MT變量僅在回歸二中為顯著正影響.“一帶”地區包含了幾個煤炭消費大省.如:內蒙古,寧夏,陜西,吉林,黑龍江等,其經濟增長主要由能源消費帶動,因此表現為煤炭消費促進TFEE增長,但持續的煤炭消費將加劇工業污染.EP在3個回歸中均呈顯著正影響.能源價格提高將帶來生產成本提高,企業為降低生產成本將盡可能地有效利用資源,最終呈現出TFEE提高的結果.

(7)生產要素比例.根據王兵等[44]研究,本文以資本勞動比作為生產要素比例.YS在3個回歸中均顯著,對回歸一、二有負影響,對回歸三有正影響.資本勞動比上升,說明當地產業結構從勞動密集型向資本密集型轉化,而資本密集型產業則更傾向于重污染產業[45].因此,該變量的提高對重點地區和“一帶”地區顯示負影響.而“一路”地區中除上海在全部年份及浙江和海南在部分年份的資本勞動比明顯高于大多“一帶”地區外,其余地區的資本勞動比并無明顯差距.但從業人數上,廣東和浙江具有明顯優勢,勞動密集型企業傾向大,拉平了資本勞動比不平衡的負影響.

(8)工業污染.WR在三次回歸中均呈顯著負影響,說明工業污染對TFEE確實存在抑制作用.一方面,工業污染排放作為非期望產出,使TFEE降低.另一方面,工業生產過程必然伴隨工業污染排放,盡管各地區發展模式和能源效率存在差異,工業污染亟待治理的情況在重點地區中不同程度存在.

5 政策建議

5.1 構建合作交流框架,縮小TFEE差距.首先,通過合作機制將前沿地區先進節能減排技術與管理經驗進行傳遞.廣東省的能源利用更加有效與清潔[46],廣東省可以作為模范地區供其他地區效仿.此外,生產單位需要在提高管理效率的同時控制技術進步帶來的“回彈效應”.

5.2 優化產業結構,降低能源強度.經濟發展水平偏低的“一帶“地區在提高經濟水平同時控制高耗能產業帶來的環境污染.產業結構方面,一些資源大省:內蒙古、陜西、黑龍江、吉林和遼寧等可通過碳減排來優化產業結構,實現可持續發展.此外,可根據地區特色豐富第三產業形式,如:發展健康、旅游休閑和互聯網金融等新興行業,形成區域特色產業集群.

5.3 擴大對外開放水平,促進國際能源合作.重點地區已成為對外開放新樞紐,未來需注重與沿線國家的技術交流,學習先進的節能減排技術.同時,與沿線各國達成稅收、貿易和能源等方面互惠互利政策,積極推進重點地區自由貿易試驗區構建.

5.4 高效利用科研經費,重視節能環保研究.細化研究與開發支出,注重節能減排和能源創新性研究,提高該部分科研經費.同時,依托本地優質高校資源,通過產學研結合促進研究成果落實.

5.5 能源消費結構清潔化,能源生產消費機制市場化.重點地區的風能、太陽能和水能資源豐富,通過對清潔能源進行財政補貼使能源消費結構向清潔能源傾斜.煤炭潔凈和轉化等技術可減少CO2排放.另外可通過對煤炭消費征收環境稅費等方式降低煤依賴[47],推動能源生產和消費更加市場化.

5.6 改進生產要素比例,合理分配生產要素.投入要素間存在替代效應,要素投入結構的調整可以實現更多對能源的替代.以高能源效率地區為范例,優化生產要素比例,合理分配生產資源,引導資本密集型產業與勞動密集型產業均衡發展.

5.7 環保政策多元化,生產過程低碳化.政府可通過增加環境保護財政支出、對節能減排企業給予稅收或財政獎勵、限制高耗能高污染能源使用,制定碳排放總量減排政策[48]等方式促進生產部門節能減排.

6 結論

6.1 TFEE測算結果顯示:(1)高TFEE地區為:上海、廣東和青海,連續11年均構成生產前沿,且超效率TFEE值大于1;中TFEE地區有內蒙古、遼寧、吉林、黑龍江、寧夏、浙江、福建和海南,其TFEE年均值在(0.70,1.00)之間;低TFEE地區為:廣西、重慶、云南、陜西、甘肅和新疆,其TFEE年均值低于0.70.(2)“一路”地區TFEE最高,但逐年降低;重點地區TFEE居中且保持平穩;“一帶”地區TFEE較低,在2009~2013年有小幅增長.(3)部分年份管理效率降低,影響TFEE增長;技術進步并未帶來顯著TFEE增長,可能存在“回彈效應”.

6.2 回歸分析結果顯示各影響因素對不同地區的影響存在差異.(1)重點地區:經濟發展、產業結構、對外開放和能源價格對TFEE存在正影響,研究開發、煤炭消費、生產要素比例和環境污染對TFEE存在負影響.(2)“一帶”地區:對外開放和能源因素對TFEE存在正影響,第三產業、研究開發、政府影響、生產要素比例和環境污染對TFEE存在負影響,經濟發展和第二產業作用不顯著;(3)“一路”地區:研究開發、能源價格和生產要素比例對TFEE存在正影響,經濟發展和環境污染對TFEE存在負影響,產業結構、政府影響和煤炭消費作用不顯著.

[1] 國家統計局關于2016年國內生產總值(GDP)最終核實的公告,Http://www.stats.gov.cn/tjsj/zxfb/201801/t20180105_1569933.html [EB/OL]. 2018-01-08.

[2] BP世界能源統計年鑒 [EB/OL]. https://www.bp.com/zhcn/china/ reports-and-publications/_bp_2017-_.html, 2017.

[3] 中華人民共和國2016年國民經濟和社會發展統計公報, Http://www.stats.gov.cn/tjsj/zxfb/201702/t20170228_1467424.html [EB/OL]. 2017-02-28.

[4] 國家發展改革委,外交部,商務部.推動共建絲綢之路經濟帶21世紀海上絲綢之路的愿景與行動[N]. 人民日報, 2015-03-29(4).

[5] Charnes A, Cooper W, Rhodes E. Measuring the efficiency of decision making units [J]. European Journal of Operational Research, 1978, 2(6):429-444.

[6] Andersen P, PetersenN. A procedure for ranking efficient unites in data envelopment analysis [J]. Management Science, 1993,39:1261-1264.

[7] 韓一杰,劉秀麗.基于超效率DEA模型的中國各地區鋼鐵行業能源效率及節能減排潛力分析[J]. 系統科學與數學, 2011,31(3): 287-298.

[8] Tone K. Dealing with undesirable outputs in DEA: a slacks-based measure approach [R]. Research Report Series, 2003.

[9] Li L B, Hu J L. Ecological total-factor energy efficiency of regions in China. Energy Policy, 2012,46:216–224

[10] 范 丹,王維國.中國區域全要素能源效率及節能減排潛力分析—基于非期望產出的SBM模型[J]. 數學的實踐與認識, 2013,43(7): 12-21.

[11] Li H, Shi J F. Energy efficiency analysis on Chinese industrial sectors: an improved Super-SBM model with undesirable outputs [J]. Journal of Cleaner Production, 2014,65(4):97-107.

[12] 宮大鵬,趙 濤,慈兆程.基于超效率SBM的中國省際工業化石能源效率評價及影響因素分析[J]. 環境科學學報, 2015,35(2):585-595.

[13] Caves D W, Christensen L R, Diewert W E. Multilateral comparisons of output, input, and productivity using superlative index numbers [J]. Economic Journal, 1982,92(365):73-86.

[14] 屈小娥.中國省際能源效率差異及其影響因素分析[J]. 經濟理論與經濟管理, 2009,(2):46-52.

[15] Feng C, Wang M. Analysis of energy efficiency and energy savings potential in China’s provincial industrial sectors [J]. Journal of Cleaner Production, 2017,164:1531-1541.

[16] 馬曉君,魏曉雪,劉 超,等.東北三省全要素能源效率測算及影響因素分析[J]. 中國環境科學, 2017,37(2):777-785.

[17] 劉丹丹,趙頌揚旸,郭 耀.全要素視角下中國西部地區能源效率及影響因素[J]. 中國環境科學, 2015,35(6):1911-1920.

[18] Lv W, Hong X, Fang K. Chinese regional energy efficiency change and its determinants analysis: Malmquist index and Tobit model [J]. Annals of Operations Research, 2015,228(1):1-14.

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

[20] Tone K. A slacks-based measure of super-efficiency in data envelopment analysis [J]. European Journal of Operational Research, 2002,143(1):32-41.

[21] F?re R, Grosskopf S, Lovell A K. Production frontiers [M]. Cambridge University Press, 1994.

[22] Grifell-Tatjé E, Lovell A K. A note on the Malmquist productivity index [J]. Economics Letters, 1995,47:169-175.

[23] Tobin J. Estimation of relationships for limited dependent variables [J]. Econometrica, 1958,26(1):24-36.

[24] 國家統計局.中國統計年鑒 [M]. 北京:中國統計出版社, 2006~ 2018.

[25] 國家統計局.中國能源統計年鑒 [M]. 北京:中國統計出版社, 2006~ 2017.

[26] 國家統計局.中國科技統計年鑒 [M]. 北京:中國統計出版社, 2006~ 2017.

[27] 國家統計局.新中國六十年統計資料匯編 [M]. 北京:中國統計出版社, 2010.

[28] Measuring capital-OECD manual 2009: Second edition complete edition [M]. OECD, 2009.

[29] Goldsmith R W. A perpetual inventory of national wealth [M]. National Bureau of Economic Research, 1951.

[30] Reinsdorf M, Cover M. Measurement of capital stocks, consumption of fixed capital and capital Services [R]. Report on a Presentation to the Central American AD Hoc Group on National Accounts, 2005.

[31] 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.

[32] 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, 2009,26(2):76-86.

[33] 楊 玲.生產性服務進口復雜度及其對制造業增加值率影響研究--基于“一帶一路”18省份區域異質性比較分析 [J]. 數量經濟技術經濟研究, 2016(2):3-20.

[34] 龐 軍,龔亞珍,石媛昌,等.中國的能源回彈效應及其對實現“十三五”節能目標的影響[J]. 中國環境科學, 2018,8(5):1979-1989.

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

[36] 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.

[37] 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.

[38] 張 偉,吳文元.基于環境績效的長三角都市圈全要素能源效率研究[J]. 經濟研究, 2011,76(10):95-109.

[39] 王 騰,嚴 良,何建華,等.環境規制影響全要素能源效率的實證研究——基于波特假說的分解驗證[J]. 中國環境科學, 2017,37(4): 1571-1578.

[40] 潘雄鋒,彭曉雪,李 斌.市場扭曲、技術進步與能源效率:基于省際異質性的政策選擇[J]. 世界經濟, 2017,40(1):91-115.

[41] 于斌斌.產業結構調整如何提高地區能源效率?——基于幅度與質量雙維度的實證考察[J]. 財經研究, 2017,43(1):86-97.

[42] 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.

[43] 張兵兵,田 曦,朱 晶.環境污染治理、市場化與能源效率:理論與實證分析[J]. 南京社會科學, 2017,(2):39-46.

[44] 王 兵,吳延瑞,顏鵬飛.中國區域環境效率與環境全要素生產率增長[J]. 經濟研究, 2010,(5):95-109.

[45] 涂正革.環境、資源與工業增長的協調性[J]. 經濟研究, 2008,(2): 93-105.

[46] 陳 磊,徐琳瑜.基于行業關聯研究的廣東省能源消費分析[J]. 中國環境科學, 2017,37(10):3972-3980.

[47] 秦昌波,葛察忠,劉倩倩,等.中國煤炭環境成本內部化的經濟影響分析[J]. 中國環境科學, 2018,38(2):745-754.

[48] 張同斌,劉 琳.中國碳減排政策效應的模擬分析與對比研究——兼論如何平衡經濟增長與碳強度下降的雙重目標[J]. 中國環境科學, 2017,37(9):3591-3600.

1.“一帶一路”是“絲綢之路經濟帶”和“21世紀海上絲綢之路”的簡稱,后文將: “絲綢之路經濟帶”簡稱“一帶”,將“21世紀海上絲綢之路”簡稱“一路”.

2. 2015年數據來自《中國統計年鑒2016》.2016年重點地區占全國GDP比值為根據《中國統計年鑒2017》數據計算.全國GDP并非為各地區GDP簡單加總而來,該比值進行了簡化處理.

3. 工業廢水排放總量指標已包含“化學需氧量”,“氨氮”等主要污染物,由于數量級較小,因此認為以工業廢水排放總量可以作為水體污染的綜合指標更為合適.

4. 由于2011年之前的工業廢氣污染對“氮氧化物”的統計不完全,因此本文的大氣污染指標未包含“氮氧化物”.

Total factor energy efficiency of the regions along the belt and road: Measurement, decomposition and influence factorsanalysis.

YANG Zhong-shan, WEI Xiao-xue*

(School of Statistics, Dongbei University of Finance and Economics, Dalian 116025, China)., 2018,38(11)：4384~4392

The total factor energy efficiency (TFEE) of the Belt and Road (B&R) key regions in China are the research objectives. The research scheme consists: measurement, decomposition and influence factors analysis. Three kinds of undesirableoutputs of air and water pollution is considered Firstly, a super-efficiency SBM model was used to measure the TFEE of the key regions during 2005~2015. Then, a Malmquist index was applied to analyze the TFEE changes. Finally, a Tobit model was applied to analyze10 influence factors. The results showed that, during 2005~2015, no significant progress is found in the TFEE of key regions; and there existed difference in the TFEE with different economic belts: “the road” key regions had the highest TFEE, followed by the whole key regions, and “the belt” key regions had the lowest TFEE. The TFEE of them are stabled at 0.96, 0.82 and 0.76 level. The Malmquist index of most of the key regions is larger than 1, indicating that the productivity has improved but there may be the rebound effect. In addition, we found that, economic development, industrial structure, opening-up and energy price were the major positive influence factors of TFEE; while research and development, government intervention, productive factor proportion and industrial pollution were the major negative influence factors of TFEE.

the belt and road initiative；total factor energy efficiency；super efficiency-SBM model；Malmquist index；influence factor.

X22

A

1000-6923(2018)11-4384-09

楊仲山(1971-),男,陜西漢中人,教授,博士,主要從事國民經濟核算與宏觀經濟統計研究.發表論文30余篇.

2018-04-08

國家社科基金重大項目(13&ZD171)

* 責任作者, 在讀博士生, Xiaoxueweideufe@163.com