非期望產出下我國能源消耗產出效率差異研究

陳星星

(1.中國社會科學院數量經濟與技術經濟研究所，北京 100732；2.特華博士后科研工作站，北京 100029)

1 引言

近10年來，中國經濟迅速發展，人口紅利是促成這兩個國家經濟騰飛的重要動因。工業和實體經濟的快速發展促使中國能源消耗迅速上升，與此同時，粗放型的發展方式也在推動能源消耗的同時，埋下了經濟增長和社會發展的隱患。能源問題已經不僅僅是中國問題，更是世界各國密切關注的全球問題。提高能源效率與利用水平，開發新能源技術和使用，將經濟發展與環境保護協調發展，建立“資源節約與環境友好”的兩型社會，已不僅僅是中國社會發展的迫切要求，更是全世界國家和人民的共同心愿。

目前國外對于能源消耗的研究文獻比較零散且并不豐富，主要是從能源效率的指標及測算、能源政策和能源消費的效應和影響因素、能源效率與經濟發展、居民能源消費間的關系、分行業能源效率以及能源消費與環境變化等角度研究能源問題。(1)從研究能源效率的指標及測算看，Patterson[1]認為傳統的能源效率指標不能有效衡量能源的生產問題和技術趨勢。(2)從能源政策的效應看，Yuan Chaoqing等[2]運用線性回歸的方法測算了不同能源政策下的長期和短期節能效應。(3)從能源效率與經濟發展的關系看，Vance等[3]研究了能源需求、環境變化、人口增長、經濟發展和能源效率之間的關系。(4)從分行業能源效率看，Pérez-Lombarda等[4]分析了建筑行業的能源消耗，測算了建筑行業中能源消耗和二氧化碳排放量的比重。(5)從能源消費與環境變化的角度看，Br?nnlund等[5]分析了瑞典家庭的能源消費以及二氧化碳、二氧化硫和氮氧化物的排放情況。

從國內的研究來看，一部分文獻在測算能源效率的基礎上，研究了能源效率的變化趨勢。從現有文獻看，大多數研究認為我國目前能源效率整體偏低，在60%～70%左右，即節能潛力為30%～40%[6]。對于全要素能源效率的趨勢，一些學者認為呈現“倒U形”波動，還有的學者認為，能源效率在弱的“類周期性”波動中總體呈下降趨勢，僅有局部階段的“倒U形”特征[7]。此外，大多數學者認為我國區域間能源效率差異明顯，存在區域不平衡的特征[6]。陳星星[8]認為，中國產業能源消費整體呈空間集聚分布，終端能源消費總量的空間集聚性有所減弱。另一些學者研究了能源效率產業結構、經濟增長之間的關系。在研究人均GDP增長與能源經濟效率之間的關系方面，有的學者認為二者間存在先下降后穩定再上升的“U形”關系[9]。還有部分文獻構建了能源效率評價指標體系，探討了全要素能源效率的影響因素，如李平和陳星星[10]、陳星星[11]分析了政府規模、第二產業增加值、城鎮化率、開放度對中國能源消耗產出效率的影響。此外，一些學者研究了環境規制、節能減排對能源效率的影響，認為不考慮環境規制會高估能源效率，而張華等[12]發現，環境規制對全要素能源效率的影響“可正可負”，應當引入環境規制的平方項討論非線性影響。范建平等[13]發現，物流業環境效率整體偏低，加強環境管制可以提高經濟效率。孟慶春等[14]認為，中國省際能源效率差異較大，采用灰霾環境約束測算能源效率更加科學。崔百勝和朱麟[15]構建了能源約束和碳排放約束下的內生經濟增長模型，發現能源結構逆向調整的存在使得控制能源消費總量對少部分省份無法達到減排效果。

本論文的貢獻在于：第一，將環境因素和隨機因素從能源效率與能源全要素生產率的測算中剝離出來，從而得出更加準確的能源效率值和能源全要素生產率值。第二，系統梳理了從1990～2013年的能源消耗投入產出相關指標數據，尤其是對于污染物排放指標(如二氧化硫排放總量、氮氧化物排放總量、煙粉塵排放總量)的梳理，從2001年及以前，很多指標數據存在大量缺失，需要綜合參考大量歷年統計年鑒對有關缺失數據補全，從現有參考文獻來看，筆者收集的面板數據是較為全面和完整的。

2 理論模型

傳統DEA模型的最大缺點是無法剔除隨機擾動和外部環境對效率值的影響，本文借助四階段DEA模型，調整投入變量，得到更為準確的能源效率估計值。同時，本著節約成本的原則，構造規模報酬可變下以投入為導向的BCC模型。

2.1 DEA-Malmquist指數模型

(1)

(2)

全要素生產率的變動(TFPC)定義為：

TFPC=[D0s(xs,ys)/D0s(xt,yt)]

×([D0t(xs,ys)/D0s(xs,ys)]×[D0s(xt,yt)/

D0t(xt,yt)])1/2

(3)

則可以將全要素生產率變動(TFPC)分解為技術效率變化(EFFC)與技術進步(EFFCHC)的乘積，技術效率變化(EFFC)進一步分解為純技術效率變化(PEC)與規模效率變化(SEC)的乘積。

2.2 調整后的SFA模型

參考Costantin等[17]，構建隨機前沿(SFA)模型如下：

i=1,…,N;t=1,…,T

(4)

(i=1,…,N;t=1,…,T;p=1,…,P)

(5)

進一步假設第k個決策單元的第i個松弛變量為sik，由于松弛變量的取值范圍為不小于0，因此采用SFA-Tobit模型：

i=1,…,N;k=1,…,K

(6)

(7)

2.3 調整后的DEA-Malmquist指數及Bootstrap-DEA-Malmquist方法

參考Simar和Wilson[18-19]在DEA中引入Bootstrap的有放回重復抽樣DEA方法，以消除由于樣本差異造成的隨機影響。具體而言，Bootstrap-DEA模型的測算方法如下。

3 指標選取及數據來源

3.1 投入產出指標選取

(1)投入指標。本文選取的投入指標如下。一是實際資本存量(capital)。由于歷年《中國統計年鑒》中未直接給出實際資本存量的數值，參考單豪杰的估算方法，運用總投資、固定資本形成額和定基CPI可以得到實際資本存量為：K(t)=ΔK(t)+(1-δ)K(t-1)。其中δ=5%，為折舊率，K(t)為當年實際資本存量，單位為億元。二是有效勞動力投入(labor)。參考傅曉霞和吳利學的做法，將有效勞動力投入定義為勞動力數量(l)與勞動投入質量(h)的乘積，即=l×h。其中，勞動投入質量用平均受教育年限表示，其計算公式為平均受教育年限=(小學畢業人口數×6+初中畢業人口數×9+高中畢業人口數×12+大專及以上畢業人口數×16)/6歲以上總人口數。有效勞動力投入的單位為萬人年。三是總能耗(energy)，以各省份能源消耗總量表示。根據《中國能源統計年鑒》，最終能源消費分為：煤炭、焦炭、原油、汽油、煤油、柴油、燃料油、天然氣、電力9種，而電力又是由其他能源生產的，為避免重復計算，借鑒一般文獻的通用做法，本文將除電力之外的8種能源統一折算為萬噸標準煤并進行加總。因數據所限，僅使用1990～2014年的統計數據。

(2)產出指標。整體來看，現有文獻的產出主要有單產出和多產出兩種。其中，單產出主要以地區GDP為指標，少數研究使用工業生產總值或工業增加值作為單產出。但筆者認為即然是測算能源效率，那么盡管工業是能源的消耗的最主要產出，但隨著科技發展、社會進步、城鎮化水平的推進以及第三產業比重的提升，用地區GDP作為產出指標仍應是反映產出的最適當指標。多產出分為合意產出組合和合意-非合意混合產出兩種。其中，合意產出組合指標主要有工業生產總值和地區GDP，而非合意產出指標主要有二氧化碳排放量或污染排放綜合指數[20]。本文選取的產出包括期望產出和非期望產出兩種。綜合目前國內外主流能源污染物的定義和指標選取，同時綜合指標的可獲得性，最終確定期望產出為各地區生產總值GDP，非期望產出為二氧化碳排放量、二氧化硫排放量、煙(粉)塵排放、廢水排放總量。

第一，單位能耗GDP(egdp)。其中，各省份經濟發展水平用各省份GDP以1978年的不變價格進行衡量，單位為億元。為了使數據更具平穩性，本文采用五年期的幾何平均值來代替當年的生產總值GDP。單位能耗經濟發展水平用地區生產總值GDP除以總能耗表示。

第二，二氧化碳排放量(carbon)。由于《中國能源統計年鑒》中并未直接給出二氧化碳排放量，而僅有能源消費量，因此需要借助政府間氣候變化專門委員會IPCC公布的碳排放系數和碳氧化因子，來估計各地區的二氧化碳排放量。根據物料計算法，各地區二氧化碳排放量的計算公式為[21]：

(8)

其中，Ekt，為一省第t年第k種能源的年實際消費量；Tk為第k種能源熱值轉換系數，可以根據2015年《中國能源統計年鑒》附錄4各種能源折標準煤參考系數中各種能源的平均低位發熱量得到(見表1)；Ck和Rk分別是第k種能源的碳排放系數和碳氧化因子，可以根據政府間氣候變化專門委員會IPCC得到；44/12為二氧化碳和碳的分子量比率。據此可測算出中國各省份的二氧化碳排放量，單位為萬噸每立方米。

其中，原煤、焦炭、原油、汽油、柴油、燃料油、天然氣、煤油的能源消費量來自歷年《中國能源統計年鑒》。山西省的原油消費量缺失，用《山西能源經濟60年》中的石油制品消費量替代。山西省的原油消費量缺失，用歷年《貴州統計年鑒》補全。其他缺失數據用能源資源數據庫和線性插值法補全。

第三，二氧化硫排放量(sulfur)、煙(粉)塵排放量(smoke)、廢水排放總量(water)。分省份二氧化硫排放總量、煙(粉)塵排放總量、廢水排放總量數據均來自歷年《中國統計年鑒》。但由于《中國統計年鑒》中從2004年及以后才公布了環境保護條目，2004年以前的數據缺失，缺失的數據由歷年《中國環境統計年鑒》補充，2001年及以前的缺失數據由《新中國六十年統計資料匯編1949～2008》《中國能源統計年鑒》《中國城市統計年鑒》以及高校財經數據庫補充。1997年的二氧化硫排放量用1998年《中國環境統計年鑒》中各地區縣及以上工業廢氣排放及處理情況中的二氧化硫排放量替代，煙粉塵排放量用工業粉塵排放量替代。2002年及2003年的廢水排放總量數據缺失，用工業廢水排放量替代，并根據2004年工業廢水排放總量占廢水排放總量的比例調整；1997年的廢水排放總量用1998年《中國環境統計年鑒》中各地區縣及以上工業廢水排放及處理情況中的工業廢水排放總量替代。

表1 能源折標準煤參考系數、碳排放系數、碳氧化因子及折算系數

3.2 環境指標選取及數據來源

環境指標主要考慮城鎮化水平、政府干預程度、產業結構、對外開放程度、科技創新水平和進出口水平。城鎮化水平用城鎮人口/人口總量表示；政府干預程度用政府規模衡量，即用財政支出/實際GDP，單位為%；產業結構用第二產業增加值/實際GDP表示，其中第二產業增加值的數據來源于歷年“國家統計局進度數據庫”，部分缺失數據由地方統計年鑒補充；對外開放程度用對外直接投資FDI/實際GDP，對外直接投資數值采用實際利用外商直接投資額，由于國家統計局公布的數據單位為萬美元，因此需要查找當年的人民幣兌美元匯率，換算成單位為億元的對外直接投資數值，并且由于上海的實際利用外商直接投資額缺失，采用實際吸收外資金額替代；科技創新水平用研發投入/實際GDP表示，其中研發投入用規模以上工業企業R&D經費表示。進出口水平用進出口總額/名義GDP表示。其他未標明的數據均來自于國家統計局數據庫。

研發投入為規模以上工業企業R&D經費，數據來源于歷年《中國統計年鑒》。由于《中國統計年鑒》中的規模以上工業企業R&D經費僅有2004年、2008年、2009年和2010～2015年的數據，因此，缺失的數據從歷年《中國科技統計年鑒》中用“大中型工業企業科技經費內部支出”數據補全。由于1994年及以前《中國科技統計年鑒》中僅有分行業和分經濟類型的“大中型工業企業科技經費內部支出”情況，采用線性插值法補全。進出口總額為按經營單位所在地分貨物進出口總額，數據來源于“中國經濟與社會發展統計數據庫”，用當年年均美元兌人民幣匯率折算為萬元。以上指標均除以名義GDP，以消除不同年份價格水平的影響。

4 模型計量結果分析

4.1 第一階段：DEA-Malmquist指數模型

本文構建在既定產出下做出最小投入，因此選取以投入為導向、規模報酬可變的動態DEA-Malmquist模型。不考慮環境效應和隨機因素的影響時，1990～2014年全要素能源效率年均增長1.2%，其中技術效率年均增長1.6%，技術進步年均下降0.1%。中國能源消耗技術效率變化中純技術效率年均增長9%，規模效率年均增長7%。整體來看，中國全要素能源效率增長緩慢，全要素能源效率的增長源于能源技術效率的推動，而技術進步起到阻礙的作用，能源技術效率的進步來源于純技術效率與規模效率的共同推動。

圖1顯示了不同時段下能源消耗產出全要素生產率的變化及其分解情況。1993～1994年、2000～2001年、2004～2008年以及2011～2013年的能源全要素生產率增長，而其他年份均波動下行。1993～1994年的全要素能源生產率增幅最大，為40.1%；2003～2004年的全要素能源生產率降幅最大，為8.7%。全要素能源效率的變化趨勢與能源技術效率的變化趨勢一致，而與能源技術進步的變化趨勢相反。此外，純技術效率變化與規模效率變化在大多數年份保持一致，僅在少數年份此消彼長。純技術效率增長幅度最大的年份為1999～2000年，規模效率增幅最大的年份在2003～2004年，分別增長19.0%和17.2%。

圖1 傳統DEA-Malmquist指數模型測算結果注：effch、techch和tfpch為左軸，pech、sech為右軸；effch表示技術效率變化，techch表示技術進步，pech表示純技術效率變化，sech表示規模效率變化，tfpch表示全要素生產率變動。

1990～2014年八大區域全要素能源生產率均呈增長趨勢，其中最高的是東北地區，其次是北部沿海和東部沿海，其他區域的全要素能源生產率差異不大。所有省份的能源全要素生產率均大于1，低于年均值1.152的省份有：河北、山東、浙江、福建、廣東、山西、山西、安徽、江西、廣州、貴州、云南和大西北地區的所有省份。能源全要素生產率最高的省份為北京，年均增長25.6%，主要源于能源技術進步的提高；最低的為寧夏，年均增長8.5%，主要是能源技術效率增長較少。

4.2 第二階段：隨機前沿模型

將三個投入變量：實際資本存量、有效勞動力投入、能源消耗的松弛變量作為被解釋變量，環境變量：城鎮化水平、政府干預程度(政府規模)、產業結構、對外開放程度、科技創新水平、進出口水平作為解釋變量，構建隨機前沿模型測算環境效應對投入的靜態影響，結果如表2所示。

三個模型均通過顯著性檢驗，模型設定合理(見表2)。環境變量對三種投入均有影響，但影響的因素和程度不同。三種投入松弛變量下，γ均趨近于0，說明隨機環境誤差占主導因素，技術管理對能源效率的影響不顯著，因此研究環境變量對投入的影響是非常必要的。從回歸結果看，當環境變量系數為正時，表明增加外部環境投入時會增加投入松弛量，從而導致投入浪費或產出下降；當環境變量系數為負時，表明增加外部環境投入時會減少投入松弛量，從而導致投入減少或產出增加。

表2 第二階段隨機前沿模型結果

注：括號內是z值；***代表顯著性水平<0.01，**代表顯著性水平<0.05，*代表顯著性水平<0.1。

城鎮化水平對實際資本存量松弛變量的影響在1%的顯著性水平下為正，對有效勞動力投入和能源消耗的影響不顯著。說明當提高城鎮化水平時，將增加實際資本存量，從而導致能源使用效率下降，造成浪費。

政府規模對實際資本存量和能源消耗的影響顯著為正，對有效勞動力投入的影響顯著為負，說明增加財政支出占名義GDP的比重會提高實際資本存量和能源消耗值，從而降低能源效率；而提高政府規模會降低有效勞動力投入，在一定程度上提高能源效率，但是相比起對實際資本存量和能源消耗的負效應，這種正向的影響是有限的。

產業結構對實際資本存量的影響顯著為正。工業增加值占名義GDP的比重越大，實際資本存量越多，能源效率越低。產業結構對有效勞動力投入和能源消耗的影響不顯著。說明當前中國的產業結構尚未完善，能源使用效率不高，仍需進一步調整第二產業在三產中的比重。

對外開放程度對三種投入的影響均不顯著?？萍紕撔滤郊囱邪l投入占名義GDP的比重對有效勞動力投入的影響顯著為負，而對實際資本存量和能源消耗的影響不顯著，說明提高科技創新水平可以降低有效勞動力投入，從而提高能源效率。進出口水平對有效勞動力投入的影響顯著為負，對實際資本存量和能源消耗的影響不顯著，說明提高進出口水平也可以降低有效勞動力投入，促進能源效率的提高。

4.3 第三階段：調整后的DEA-Malmquist指數模型

將投入中的外部環境因素予以剔除(僅剔除通過顯著性檢驗的環境因素)，從而使所有省份調整至具有相同外部環境的條件。通過對比調整初始投入前與調整后效率值可以看出，在剔除外部環境影響因素后得到的能源效率值、技術效率變化以及全要素生產率變動均有不同程度的下降，而調整初始投入后的技術進步值有所上升，說明如果不考慮環境因素，將高估能源效率值、技術效率變化以及全要素生產率變動值，而低估技術進步的作用。

進一步對比分析調整初始投入前與調整后的省域能源效率值?？梢钥闯?，剔除外部環境影響因素前，能源效率值、技術效率變化以及全要素生產率變動均存在不同程度的高估，而對于技術進步的變化有增有減，并不能得出一致的結論。從不同省份來看，剔除外部環境影響因素后的能源效率變化幅度并不相同，如遼寧、黑龍江、河北、山東、江蘇、河南、四川等省份，能源效率下降的幅度非常大，說明這些省份獲得外部環境對能源效率貢獻的影響非常大，如果不予以剔除外部環境因素，將極大地高估能源效率值。此外，盡管技術效率變化、技術進步以及全要素生產率變動在剔除環境因素前后的變化并不大，但是以遼寧為例，原來這三個指標均是增長的趨勢，但是調整初始投入后，三者均為下降，因此環境因素對全要素生產率指數、技術效率變化以及技術進步的影響不容忽視。

4.4 第四階段：Bootstrap-DEA-Malmquist模型

參考Simar和Wilson[18-19]的方法，對第三階段調整后的DEA-Malmquist模型運用隨機抽樣Bootstrap法，做有放回重復抽樣500次，進一步消除樣本抽樣差異造成的隨機影響。由于通過Bootstrap隨機抽樣法最終得到的DEA-Malmquist指數值是一個置信區間，因此本文通過取置信區間端點的平均值得到DEA-Malmquist指數。

從三種方法得出的結果來看，無論是分時段研究還是分省域研究，調整初始投入后的能源效率值均為最低，說明考慮環境因素后，能源效率值下降，但是進一步運用Bootstrap隨機抽樣法消除隨機因素的影響后，能源效率值又有所上升，Bootstrap隨機抽樣法下得出的能源效率值最為準確。此外，技術效率變化、技術進步和能源全要素生產率變動的變化不明顯，但從整體上看，考慮環境因素和隨機因素后，大多數時段和省域的三個指標值有所下降。

從調整初始投入后Bootstrap隨機抽樣法下的最終結果看(見圖2)，調整后的能源效率總體呈先上升后下降，再上升再回落的M形趨勢，近25年來能源效率變化明顯，且近年來有下降趨勢。細分來看，技術效率變化較為平穩，除了個別年份(如2000年、2002年和2013年)有較大提升外，其余年份均維持在1左右的水平；技術進步基本以5年為一個周期波動，變化劇烈明顯；能源全要素生產率變化與技術進步趨勢基本一致，與技術效率變化在大多數年份存在背離，說明技術進步是能源全要素生產率變化的主要推動力，技術效率阻礙了能源全要素生產率的提升。

圖2 Bootstrap-DEA-Malmquist模型結果

此外，從Bootstrap-DEA-Malmquist模型測得的全要素能源生產率及其分解狀況來看，八大區域中能源效率最高的區域為大西北地區，北部沿海和南部沿海次之，東北地區和黃河中游的能源效率較低；全要素能源效率較高的區域為東部沿海和南部沿海，西南地區的全要素能源效率較低；南部沿海技術進步遠高于其他區域，而各區域技術效率變化的差異不顯著。

5 結語

本文通過構建四階段Bootstrap-DEA-Malmquist模型，通過松弛指標調整能源投入，剔除外部環境和隨機因素對能源效率和能源全要素生產率的擾動，并借助Bootstrap隨機抽樣法進一步減小由于樣本差異造成的影響，從靜態和動態兩個維度測算了1990～2014年中國能源消耗產出效率和全要素生產率。本文的主要結論如下。

第一，在剔除外部環境影響因素后得到的能源效率值、技術效率變化以及全要素生產率變動均有不同程度的下降，而調整初始投入后的技術進步值有所上升，說明如果不考慮環境因素，將高估能源效率值、技術效率變化以及全要素生產率變動值，而低估技術進步的作用。第二，從三種方法得出的結果來看，無論是分時段研究還是分省域研究，調整初始投入后的能源效率值均為最低，說明考慮環境因素后，能源效率值下降，但是進一步運用Bootstrap隨機抽樣法消除隨機因素的影響后，能源效率值又有所上升，Bootstrap隨機抽樣法下得出的能源效率值最為準確。第三，從調整初始投入后Bootstrap隨機抽樣法下的最終結果看，調整后的能源效率總體呈先上升后下降，再上升再回落的M形趨勢，近25年來能源效率變化明顯，且近年來有下降趨勢。第四，整體來看，八大區域中能源效率最高的區域為大西北地區，北部沿海和南部沿海次之，東北地區和黃河中游的能源效率較低；全要素能源效率較高的區域為東部沿海和南部沿海，西南地區的全要素能源效率較低；南部沿海技術進步遠高于其他區域，而各區域技術效率變化的差異不顯著。分省份來看，北京、天津、上海、福建、江西、廣西、青海、寧夏的能源效率較高，除東北地區和黃河中游地區外，每個省域均有能源效率較高的省份。