黃河流域綠色能源效率測度及影響因素分析

武翠芳 王飛

摘 要：文章基于DEA-SBM模型將能源足跡納入非期望產出測算黃河流域各省的綠色能源效率，借助Tobit模型對綠色能源效率影響因素進行實證分析。結果表明：（1）在研究期內，黃河流域綠色能源效率呈現“先上升-后下降-再上升”的波動趨勢特征；（2）空間上，綠色能源效率地區差異較大：2020年，黃河流域平均效率值為0.86，下游效率值為1，中游效率值為0.92，接近黃河流域平均效率值，上游效率值為0.77；（3）科技創新對綠色能源效率在10%的水平上具有積極推動作用；政府干預程度、環境規制在5%的顯著水平上對綠色能源效率具有負向作用。

關鍵詞：黃河流域；綠色能源效率；影響因素；DEA- SBM模型；Tobit模型

本文索引：武翠芳，王飛.<變量 2>[J].中國商論，2024（02）：-159.

中圖分類號：F127；P754.1 文獻標識碼：A 文章編號：2096-0298（2024）01（b）--05

2020年，中國向世界宣布了“30·60”碳達峰和碳中和的目標。為了進一步實現這一目標，落實在“雙碳”目標下國家的戰略性舉措，我國在保證經濟穩定發展的同時需要減少碳排放，能源效率的提高是減少碳排放的重要手段。黃河流域是我國重要的生態經濟區，貫徹東中西三大地帶，資源型城市占主導地位，尤其是山西、陜西、內蒙古煤炭產業發達。作為煤炭集聚發展的地區，在碳達峰、碳中和目標背景下，黃河流域正處于向高質量發展的轉型階段，提升能源效率是促進黃河流域高質量發展的重要部署，也是實現雙碳目標的必然選擇[1]。在工業進程快速推進的背景下，探討黃河流域綠色能源效率對于助推實現雙碳目標和實現綠色發展具有重要意義。

1 文獻綜述

能源效率根據投入要素的個數，分為單要素能源效率和全要素能源效率。單要素能源效率通常采用能耗強度、生產能耗綜合指數來衡量。陳錫康等（2010）使用生產能耗綜合指數衡量能源效率[2]。單要素能源效率未考慮其他要素的作用，會高估能源效率值，全要素能源效率是指能源、勞動力和資本等多元投入要素對經濟發展水平的影響。全要素能源效率測度方法中較多使用的是非參數方法中的數據包絡分析，并考慮了松弛變量的影響，改善了傳統DEA模型的缺陷，基于非期望產出的SBM模型得到廣泛應用。余顯等（2023）基于DEA-SBM模型對長江經濟帶綠色能源效率進行研究[3]。

在能源效率指標選取方面，非期望產出作為DEA-SBM模型應用的條件之一，暫時沒有統一的衡量標準。部分學者將CO2或SO2作為衡量環境效益的單一指標[4-6]。田成詩等（2022）將SO2、固體廢棄物、工業廢水作為非期望產出指標[7]。羅世華等（2022）將以上四類指標綜合考慮[8]，將能源足跡作為非期望產出指標，不僅可從時空角度揭示人類經濟活動對區域生態環境的載荷，還能評估人類活動中資源消費與廢棄物排放等行為對環境造成的負向影響，指標選取更具權威性[9]，其研究主要集中在足跡的測算、區域和空間差異，對應用在效率評價中比較少。

上述研究從測度模型和指標上，研究了不同視角、不同指標下的全要能源效率，也有文獻對黃河流域綠色效率進行測度，但深入探討綠色能源效率的時間趨勢和空間特征較少，影響因素的分析需要完善。

因此，本文使用基于非期望產出的DEA-SBM模型，將能源足跡納入非期望產出測算黃河流域綠色能源效率，分析綠色能源效率的時序和空間演變特征；在此基礎上，建立基于Tobit模型的黃河流域綠色能源效率影響因素的指標體系，旨在提出促進黃河流域能源效率的政策建議，對提升區域經濟社會發展水平具有重要的理論和現實意義。

2 綠色能源效率測度

2.1 DEA-SBM模型

SBM模型在傳統DEA模型的基礎上進一步改進，規避了傳統模型選擇徑向和角度的偏差，解決了投入產出變量的松弛性問題，同時考慮了期望產出不足或者非期望產出冗余的情況[10]，假設有n個省份（DMU），規模報酬不變，非徑向非角度的模型如下：

式（1）中，為綠色能源效率值；m種投入x， q種期望產出y， h種非期望產出b；、、分別為投入、期望產出和非期望產出的松弛變量； 表示第j個省份的第i個投入；表示第j個省份的第r個期望產出，表示第j個省份的第k個非期望產出。

2.2 能源效率測度指標體系

綠色能源效率投入指標分為三個方面：人力、資本和能源投入，產出指標分為期望產出和非期望產出。（1）人力投入。選取各省年末從業人數總量來衡量，單位為“萬人”。（2）資本投入。借鑒單豪杰（2008）[11]的做法，計算得到2010年不變價格下的固定資本存量，單位為“億元”。（3）能源投入。本文選取煤、石油、電力、天然氣四大類能源，根據能源消費數據匯總并折合成標準煤，單位為“萬噸標準煤”。（4）期望產出。采用實際GDP，利用GDP折算指數進行價格平減得到2010年不變價格下的GDP，消除價格因素對GDP 的影響，單位為“億元”。（5）非期望產出。根據計算得到的能源消費總量進行熱值轉換和能源足跡轉換，最終得到各省份的能源足跡總量，單位為“萬ha”[12]。

式（2）中，表示能源消費總量，為各個能源的消費總量，表示各類能源折合標準煤系數，單位為“萬噸標準煤”。式（3）中，為能源足跡，為各類能源的能源足跡轉換系數。根據表2所列折合標準煤系數、熱值轉換系數和能源足跡轉換系數計算得到能源消費總量和能源足跡。

3 綠色能源效率分析

3.1 時序趨勢

在研究期內，黃河流域綠色能源效率呈“先上升-后下降-再上升”的波動趨勢特征，總體向較好態勢發展，如圖1所示。2010—2013年、2016—2020年能源效率值呈現上升趨勢， 2013—2016年呈現下降趨勢。上、中、下游各階段平均能源效率值與黃河流域平均效率值變化趨勢基本一致。上游效率值在0.49～0.77穩步上漲，處于低位，2014—2017年上游效率值略高于中游；中游效率值在0.56～0.92變動，并且逐漸接近黃河流段的平均效率值，處于均衡發展的水平；下游效率在0.76～1變動，處于高位，下游效率值總體高于中上游水平。

3.2 空間演變

除在時序特征上分析得到黃河流域綠色能源效率的波動趨勢特征，還可以從空間上分析分布特征?；?010年、2015年、2020年的綠色能源效率數據，剖析其變化的空間分布特征。利用自然斷點法將綠色能源效率值聚類為低效率區、較低效率區、中等效率區、較高效率區和高效率區[13]?？傮w上，黃河流域綠色能源效率呈上升趨勢。具體來看：2010年，低效率區為內蒙古；較低效率區有寧夏和甘肅；中等效率區有青海和山西；較高效率區有四川、陜西和山東；河南為高效率區。2015年，寧夏、甘肅和青海分別由較低效率和中等效率區變為低效率區；內蒙古由低效率區域轉為較低效率區；陜西和河南有所回落，由較高效率和高效率分別回落到中等效率和較高效率；四川上升到高效率水平。2020年，黃河流域高效率區占比明顯增加，四川、內蒙古、山西、河南和山東為高效率區；青海、寧夏和陜西效率水平均有所提升。

4 綠色能源效率影響因素

4.1 Tobit 模型

全要素能源效率值是在（0，1]連續區間內的非連續性的數據，使用最小二乘法容易造成參數估計的誤差，Tobit模型能夠有效緩解非連續性數據做線性分析的誤差，因此選擇Tobit模型[14]。Tobit模型的一般形式為：

式（4）中，表示被解釋變量綠色能源效率值EFF；影響因素的集合用表示；獨立且服從正態分布N（0，）；是影響要素的估計參數。且滿足

若，為實際測算得到的效率值；若，為0，通常設=0。

4.2 指標選取

根據黃河流域的經濟社會條件并借鑒已有研究，選取6個指標探究其對綠色能源效率的影響。（1）產業結構（IS）：采用第二產業生產總值占地區生產總值的比重反映產業結構[15]。（2）能源消費結構（ECS）：以煤炭消費總量占能源消費總量的占比反映能源消費結構[16]。（3）政府干預程度（FE）：采用地方公共預算支出占地方生產總值的比重來反映政府干預程度。（4）環境規制（ER）：采用各省工業污染投資完成總額占地方生產總值的比重衡量環境規制成效[17]。（5）科技創新（R&D）：使用各省R&D投入總額進行衡量。（6）城鎮化率（UR）：使用年末城鎮人口占總人口的比重衡量城鎮化水平[18]。

4.3 回歸分析

4.3.1 多重共線性分析

首先，采用多元共線性檢驗方法，確保各個因子之間的相互獨立性。其中，方差膨脹因子（VIF）的閾值是衡量多個因子共線性的重要依據：若VIF的值小于10，則說明各個因子之間不存在共線性關系，反之則存在。由表3可知，各個因子的方差膨脹系數均小于10，不存在共線性關系，可以進行后續分析。

4.3.2 影響因素分析

根據DEA-SBM模型計算得到的綠色能源效率與影響因素做Tobit回歸分析。在一般的線性回歸中，需要考慮固定效應和隨機效應的影響，由于面板Tobit的固定效應估計量被證明是有偏差的。除固定效應的面板Tobit模型外，還包括混合Tobit模型和隨機效應Tobit模型。對回歸方程首先進行隨機效應Tobit回歸，并對其進行LR檢驗，其結果不拒絕原假設，說明無法通過隨機效應Tobit檢驗。因此，本文使用面板混合Tobit進行回歸分析，結果如表4所示。

科技創新在10%的置信水平上對綠色能源效率有積極推動作用， R&D投入強度越高，綠色能源效率越高。加強R&;D投入助于國家基礎和創新建設，提高科技創新能力，促進綠色能源效率。政府干預、環境規制與綠色能源效率的系數在5%的水平上顯著負相關。地方財政支出越多，綠色能源效率越低，其原因說明能源投資建設增加占比遠低于地方財政支出增加占比，需要加大能源建設投資；環境規制帶來的成本會同時帶來兩方面的效果。一方面，企業加大投資用于生態建設，提高生態技術，從而提高資源利用效率；另一方面，嚴格的環境規制政策會促使企業提高污染治理力度，用于生產活動的流動資金減少，抑制綠色能源效率的提升。這兩方面造成了環境規制對綠色能源效率的負向影響。

5 結論與討論

5.1 結論

（1）從時序變化特征來看，綠色能源效率向較好態勢發展，大致呈現先上升-后下降-再上升的分布特征。2010—2013年、2016—2020年呈現上升趨勢，2013—2016年呈下降趨勢，上、中、下游綠色能源效率變化特征具有相同變化特征。黃河流域平均值介于0.6～0.86，上游介于0.49～0.77，中游介于0.56～0.92，接近黃河流域平均效率值，下游介于0.76～1。

（2）空間演變趨勢進行分析，根據2010年、2015年、2020年的效率值空間變化趨勢來看，在研究時段內，低效率水平向中等效率、高效率水平轉變，高效率地區占比明顯增加。未改變相對效率水平的地區由于自然斷點法的相對劃分標準上升，因此黃河流域總體綠色能源效率水平有所提升。

（3）驅動因素對綠色能源效率的影響程度存在差異。根據回歸結果模型，政府干預程度、環境規制在5%的置信水平上對綠色能源效率呈現負向作用，而科技創新在10%的顯著水平上對綠色能源效率具有積極推動作用。

5.2 討論

盡管本文對黃河流域綠色能源效率在指標選取和影響因素方面進行了較為綜合的分析，但仍有待完善之處。我國以煤為原料的火力發電廠，排放的廢氣中還有氮氧化物、PM10、PM2.5等污染物，此外含有酸堿、油脂和微量元素等有害物質，在測算綠色能源效率的指標上，可以將“三廢”和溫室氣體一并引入能源效率測算上，使得能源效率測度更加全面。同時，長江經濟帶和黃河流域作為中國兩個重要的發展區域，可以對沿線城市的綠色能源效率進行比較分析。

參考文獻

邊志強，鐘順昌.資源型城市經濟增長目標如何影響碳排放效率？[J].中國環境科學，2023（5）：1-15.

夏炎，陳錫康，楊翠紅. 基于投入產出技術的能源效率新指標 ：生產能耗綜合指數[J].管理評論，2010，22（2）：17-22.

余顯，丁文斌.長江經濟帶綠色全要素經濟能源效率研究：基于DEA-SBM模型測算[J].特區經濟，2023（4）：52-55.

王群勇，李海燕.基于不確定環境DEA模型下中國各區域能源效率和二氧化碳排放效率評價[J].軟科學，2022，36（8）：78-83.

谷曉梅，范德成，杜明月.中國區域能源效率關鍵影響因素分析：基于GML指數和BMA方法的實證研究[J].軟科學，2022，36 （9）：81-88.

張平淡，屠西偉.制造業集聚、技術進步與企業全要素能源效率[J].中國工業經濟，2022（7）：103-121.

田成詩，張亞兵.中國多中心城市空間結構與能源效率關系[J].自然資源學報，2022，37（1）：135-148.

羅世華，王棟.碳交易政策對省域全要素能源效率的影響效應[J].經濟地理，2022，42（7）：53-61.

陳菁泉，連欣燕，馬曉君，等.中國綠色能源效率測算及其驅動因素[J].中國環境科學，2022，42（5）：2453-2463.

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

單豪杰.中國資本存量K的再估算：1952～2006年[J].數量經濟技術經濟研究， 2008，25（10）：17-31.

張文彬，郝佳馨.中國能源足跡的測度及區域差異分析[J].統計與決策，2020，36（8）：93-97.

關偉，吳亭亭，許淑婷.中國沿海地區能源效率時空演變研究[J].哈爾濱商業大學學報（社會科學版），2018，（2）：49-56.

李曉菲.“一帶一路”相關省份綠色能源效率影響因素研究[J].調研世界，2021（3）：49-57.

馬曉君，董碧瀅，于淵博，等.東北三省能源消費碳排放測度及影響因素[J].中國環境科學，2018，38（8）：3170-3179.

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[J].中國環境科學，2018，38（11）：4384-4392.

陳菁泉，劉娜，馬曉君.中國八大綜合經濟區能源生態效率測度及其驅動因素[J].中國環境科學，2021，41（5）：2471-2480.

關偉，許淑婷，郭岫垚.黃河流域能源綜合效率的時空演變與驅動因素[J].資源科學，2020，42（1）：150-158.