中國省際全要素能源效率測度及動態解構

席俊穎

新疆財經大學統計與數據科學學院

0 引言

隨著全球氣候變化和能源安全問題的加劇，實現“雙碳”目標和高質量發展、提高能源效率已成為我國主要發展目標之一，綠色低碳高效安全的能源利用理念貫穿于我國經濟高質量發展的進程中。黨的十八大報告提出，要實施節能減排和資源節約戰略，降低能源消耗強度和污染排放強度，推動能源結構逐步從傳統能源向可再生能源轉變；黨的二十大報告提出，要持續推進能源革命，注重構建由煤炭為主的能源系統轉變為多元驅動、以清潔能源為主的能源供應體系；“十四五”規劃綱要提出，要將單位GDP 能源消耗降低13.5%作為經濟社會發展的主要約束性指標之一。這意味著我國經濟的發展將對化石能源的依賴性越來越低，需進一步推動清潔能源發展以滿足社會生產生活的能源供應，“雙碳”目標也將倒逼高耗能產業轉型升級，實現產業結構調整。在綠色高效的能源利用成為高質量發展基礎的戰略背景下，測算全要素能源效率，評估中國全要素能源效率的真實發展狀態，對破解資源與環境間的約束和矛盾，以低能源消耗創造高經濟環境收益具有重要意義。

1 文獻綜述

國內對于中國全要素能源效率問題的研究已經取得了豐碩的成果。馬海良等［1］選取超效率DEA模型和Malmquist 指數法，測算出三大經濟區域的能源效率和全要素生產率，并回歸分析全要素生產率分解的各指標對能源效率的影響，研究發現，能源效率的改善依賴于全要素生產率的提高，技術進步和技術效率的增長都可導致能源效率的提高，但技術進步由于回彈效應使得影響值較小。郭一鳴等［2］則將視角聚焦于城市的能源效率測度，構建兩階段Super-SBM 模型測度能源效率，并分析中國城市能源效率的空間演化特征，研究表明，中國城市能源效率較高且多年不斷提升，具有顯著的空間正相關性。侯建朝等［3］利用謝潑德能源距離函數定義了全要素能源效率的表達式，并分析了交通運輸業全要素能源效率的影響因素，研究發現，技術效率提高和電力占能源消費比重上升都會顯著促進中國交通運輸業能源效率的提高，制度因素、基礎設施水平對交通運輸能源效率的提高則具有抑制作用，而交通運輸結構、能源相對價格和經濟發展水平的影響不顯著。俞超等［4］從空間角度出發，利用空間計量模型探究環境規制對全要素能源效率的影響及其空間溢出效應，研究表明，中國城市的全要素能源效率主要依賴于技術進步并存在顯著的空間相關性，環境規制顯著抑制了城市的全要素能源效率并對相鄰城市產生負向空間溢出效應。

眾多學者針對效率的測度方法也進行了探索。為更好地刻畫實際生產過程，近年來的研究大多在全要素框架下進行效率的測算，因此大多研究方法都是建立在DEA 方法之上。汪克亮等［5］運用基于投入導向的DEA-BCC 模型，測算了包含環境效應的中國省際全要素能源效率并采用Tobit 模型檢驗影響因素，認為技術進步、經濟結構和能源消費結構的優化對提高能源效率有顯著促進作用。匡遠鳳［6］運用SFA方法將中國各省份勞動生產率變化分解為農業技術效率變化、技術進步、物質性要素投入變化和人力資本積累四個來源，并分析了這四個來源對中國農業經濟的影響。何楓等［7］運用非期望產出的SBM 模型從鐵前工序和鐵后工序兩階段視角測算了2009-2013 年中國鋼鐵企業綠色技術效率。李豫新等［8］運用超效率SBM模型測算各城市的生態效率水平。付寧寧等［9］利用兩階段超效率DEA模型和Tobit 回歸方程對智能制造企業創新效率進行測度并分析其影響因素。陳杰等［10］應用三階段DEA模型和Malmquist指數模型對中國農業綠色水資源利用效率的動態變化及其驅動因素進行測算和分析。

綜上所述，現有研究對全要素能源效率影響因素及測度方法的研究進行了探討，但仍有以下幾個方面值得進一步探索：首先，在全要素能源效率測算方法方面，現有研究大都停留在構建傳統的DEA模型，但傳統DEA模型存在效率值為1時無法進一步評價研究的弊端，使用單一的傳統DEA模型對全要素能源效率的研究不夠透徹。其次，現有研究大都集中于全要素能源效率的影響因素分析，或將研究范圍細化到各產業，但探究其整體變化趨勢的文章相對較少。最后，大多數學者選用ML 指數分解全要素能源效率，但ML指數缺乏傳遞性，測算跨期方向性距離函數時可能存在線性規劃無可行解的情況。鑒于此，本文從以下角度進行進一步探索：第一，運用Super-SBM 模型對全要素能源效率進行測算，分別從時間趨勢及區域異質性角度，對我國全要素能源效率進行分析。第二，本文利用SBM-DDF-Malmquist 指數分析方法，從動態角度刻畫全要素能源效率的演進規律及分解構成。第三，將超效率SBM模型和GML指數結合起來，以實現對全要素能源效率靜態和動態分析的綜合研究，從而可以相對客觀準確地反映我國全要素能源效率的變化情況，進而有針對性地給出全要素能源效率的提升建議，以期為提高我國全要素能源效率提供可借鑒的思路。

2 研究方法、指標變量與數據說明

本文借助于Super-SBM 模型測算我國30 個省份的全要素能源效率，從時間趨勢及區域異質性角度分析全要素能源效率的發展變化態勢，并借助于GML 指數方法對全要素能源效率的時空變化進行動態分析。因此，在實證分析之前需對研究方法、模型中變量指標的選取以及數據來源進行說明。

2.1 研究方法

2.1.1 Super-SBM模型

傳統的DEA 模型基于徑向距離函數，只能單一地從投入或產出的角度對目標效率進行測算。然而徑向的條件在很多情況下無法完全滿足現實條件的要求。為了處理這種非期望產出的問題，Tone(2002)［11］提出了一種非徑向DEA 模型，即SBM 模型，這是基于松弛變量評價DMUs 的方法，但基于SBM模型的測算，可能會出現多個決策單元效率值為1，即完全效率的情況。針對這些完全效率的決策單元無法繼續分析的問題，Tone 提出了Super-SBM 模型，使得所有DMUs 的效率值都能計算出來，不再局限在效率值小于等于1的水平，從而可以使有效DUMs繼續進行相互比較。

本文運用包含非期望產出的Super-SBM模型測算全要素能源效率。假設有n 個決策單元，每一個決策單元都包括三個要素：投入、期望產出和非期望產出（SO2排放量、工業廢水排放量、工業固體廢物排放量），分別由三個向量表示，，使用帶有非期望產出的SBM模型評估DMUs如式(1)所示：

2.1.2 GML指數

Super-SBM 解決了傳統方向距離函數因徑向性導致效率被高估和因導向性導致無法非比例變動投入與產出這兩類問題，但其只能評估可見的投入和產出變量，無法評估潛在因素對全要素能源效率的影響，因此本文采用GML指數來進一步揭示全要素能源效率變化的原因。根據Chung 等［12］設定的方向性距離函數，將非期望產出納入投入產出效率評價中，方向性距離函數定義如下：

其中，x表示每個測評單元的N種投入，，y表示M種期望產出，,b表示K種非期望產出，，則為第i個地區t時期的投入產出數據，為方向向量，為投入和產出達到效率前沿面的松弛變量。

GML 指數克服了傳統ML 指數的無法傳遞和循環累加的缺陷，具有跨期可比較的優點［13］。根據Oh 等［14］構建的GML 指數，基于方向性距離函數，定義t期到t+1期的GML指數為：

2.2 指標變量

在新古典經濟增長模型中，能源、資本和勞動被視為三個重要的要素投入，是推動經濟增長的關鍵因素。本文借鑒已有研究，選取資本存量作為資本投入量的指標［15］，選取就業人員數作為勞動力投入指標［16］，選取各省份能源消耗總量作為能源投入指標［17］。產出指標分為期望產出和非期望產出，期望產出為地區GDP，考慮環境可持續發展問題，借鑒羅世華等［18］的研究方法，同時依據第二次全國污染源普查公報中的研究數據，非期望產出從廢氣、廢水、固廢出發，分別選取SO2排放量、工業廢水排放總量、工業固體廢物產生量來衡量［19］。指標變量的具體構建如表1所示。

表1 基于超效率SBM模型的全要素能源效率評價指標體系

2.3 數據說明

針對上述指標體系的構建，相關指標及其數據處理說明如下：

1）資本存量：大多數研究者采用Goldsmith［20］于1951年提出的“永續盤存法”中的資本存量作為資本投入量的指標。資本存量的計算公式為：

其中，Qi,t為i省第t年資本存量，Qi,t-1為t省第t-1 年資本存量，Ii,t為i省第t-1 年的投資，δi,t為i省第t-1 年的固定資本折舊率。本文參考張軍等［21］已有的研究成果，并以2000 年為不變價格對數據進行了調整。

2）就業人員數：確切地說，同時考慮勞動力素質和勞動時間這些重要因素，才能更全面地評估勞動力投入對經濟增長的影響，但由于缺乏此方面研究的詳細統計數據，本文采用了各省份從業人員數量作為勞動力投入的指標。勞動力的原始數據來自2010-2021年各省份統計年鑒。

3）能源消費量：能源消費量的原始數據來自2010-2021 年中國能源統計年鑒，計量單位均按熱量折合成萬tce，少數缺失數據用均值加以填補。

4）地區GDP：中國各省份GDP 數據來源于2010-2021年中國統計年鑒。

5）SO2排放量：根據第二次全國污染源普查公報可知，工業SO2排放量占大氣污染物排放量比重最高，而化石燃料的燃燒是工業SO2排放的主要來源，因此將工業SO2排放量作為衡量全要素能源效率的非期望產出，工業SO2排放量數據來自2010-2021年各省份統計年鑒。

6）工業廢水排放總量：工業廢水排放總量數據來自2010-2021年各省份統計年鑒。

7）工業固體廢物產生量：工業固體廢物產生量數據來自2010-2021年各省份統計年鑒。

我國全要素能源效率相關指標的統計信息具體如表2所示。

表2 全要素能源效率綜合評價指標數據統計分析

3 全要素能源效率測度分析

本文借助于Super-SBM 模型測算我國30 個省份的全要素能源效率，并運用GML指數方法對全要素能源效率的時空變化進行動態分析。具體方法使用及測算結果如下。

3.1 基于Super-SBM模型的全要素能源效率測度分析

3.1.1 各地區全要素能源效率評價

本文借助Super-SBM 模型測算2010-2021年中國30個省份全要素能源效率，測算結果如表3所示。

表3 基于Super-SBM模型的2010-2021年中國省際全要素能源效率

從表3中可以看出，全國30個省份的全要素能源效率均未處于有效水平，全要素能源效率最高的3 個省份分別為北京、上海、湖南，均分布在中東部地區；全要素能源效率最低的3個省份分別為青海、寧夏、吉林，均分布在中西部地區。其中，湖南省全要素能源效率在研究期間內波動最為劇烈，標準差高達0.323，在2019-2020 年間，全要素能源效率由0.256躍升至1.116，達到有效水平。主要原因可能是2010 年以來湖南省一直注重清潔能源的發展，全社會用電量一半都來自清潔能源，為解決分布式清潔能源規劃優化的難題，使清潔能源電站能夠主動參與到系統調控中，國網湖南經研院深入開展《南方新能源并網運行優化與高效消納關鍵技術及應用》項目研究，根據研究成果對全省各區域進行新能源消納能力評估測算，以紅、橙、黃、綠4種顏色進行標識，對各區域新能源消納能力逐級進行分類，形成了全省以縣級為單位的風電和光伏發電消納預警等級分類結果，科學地調度了清潔能源電量，為清潔能源電量能夠被全額消納提供了有效途徑1參見國網湖南省電力有限公司：《清潔電力“點亮”三湘——國網湖南電力服務清潔能源發展紀實》http://www.hn.sgcc.com.cn/html/main/col8/2020-06/02/20200602193034926392201_1.html。上海市全要素能源效率的波動程度較大，其標準差達到了0.252，從時間趨勢的角度來看，上海市全要素能源效率的波動大致可分為兩個階段，第一階段為2010-2015年，呈現出近似倒U形的波動態勢，可能存在的原因是2010年上海東海大橋海上風電項目一期工程的投入使用，拓寬了綠色能源的供應渠道，為社會提供了更多的能源，促進了經濟發展，同時與化石能源相比，減少了污染物排放，使得上海市全要素能源效率在2011 年達到有效水平2參見國家能源局：《東海大橋海上風電啟動二期工程》http://www.nea.gov.cn/2013-12/17/c_132974674.htm。海上風電是新能源發展的新領域，其建設打破了陸地風電場建設的空間限制，具有廣闊的發展空間，同時海上風電資源具有稟賦好、風速大、功率密度高的特性，可進行大規模開發，為我國經濟發展提供了更加綠色的動力。但由于現階段，我國海上風電新能源產業體系尚未健全，新能源建設開發成本較高，因此上海市全要素能源效率在2011 年達到區間峰值后呈現下降的態勢。第二階段為2016-2020 年，也呈現近似倒U 形的波動態勢，可能存在的原因是2016年承載著市場化改革使命的上海石油天然氣交易中心開始落戶運行，其位于中國經濟、金融、貿易、航運與科技創新的中心，更靠近市場端，具有顯著的區位優勢，可充分對接資源，貫通國內外天然氣貿易，并借助本地金融要素的市場優勢服務于實體經濟，充分發揮了市場配置資源的作用，從而有效提升全要素能源效率。2016年后上海市全要素能源效率下降的原因可能是市場化石油天然氣交易平臺體系尚未健全，油氣價格形成機制還不完善，無法有效釋放競爭性環節中的市場活力，因此在達到峰值后全要素能源效率出現了下降趨勢。總體來看，我國各省份的全要素能源效率均值水平集中在0.114~0.361 之間，處于弱有效狀態，說明我國全要素能源效率的改善空間較大，能源技術和能源建設還需長足的發展。

3.1.2 分區域全要素能源效率評價

將全國分為東、中、西三個區域，并計算其全要素能源效率均值，可視化結果如圖1所示。

圖1 分地區全要素能源效率變化

圖1對比了我國各地區與全國均值水平的全要素能源效率，從中可以看出，各地區全要素能源效率整體上處于較低水平，均未達到有效水平，且各區域之間的全要素能源效率差異較大。從時間趨勢的角度來看，東部地區的全要素能源效率均值在研究期間一直高于全國均值水平，且以顯著優勢高于中部與西部地區，其全要素能源效率在0.192~0.379之間呈現出波動上升的趨勢。中部地區的全要素能源效率水平在2019年之前低于全國均值水平，2020 年后超過全國均值水平，其全要素能源效率在0.155~0.322之間一直呈上升趨勢。西部地區全要素能源效率在0.14~0.215 區間內具有微小幅度的波動，但總體保持穩定上升的態勢。從區域異質性的角度來看，東部地區由于其優越的地理位置和政策優勢，一直是全國經濟發展的中心，率先享有經濟政策紅利，其經濟的快速發展使得大量高精尖人才流入東部地區從而產生人才集聚效應，為東部地區的經濟發展提供了有力的支撐。同時東部地區作為我國對外開放格局中的“優等生”，在引進先進技術方面一直處于領跑地位，高端的技術及充足的資金為實現經濟增長，進而提高全要素能源效率打下了堅實的基礎，因此東部地區的全要素能源效率在全國位居首位。中部地區能源資源豐富，但受限于經濟發展水平和技術創新水平，對能源的綠色開發不足，無法對能源進行更高效的利用，因此全要素能源效率落后于東部地區。西部地區化石能源豐富，但由于地處我國偏遠區域，吸納先進技術的能力較弱，同時在實現“雙碳”目標背景下，西部地區承接著來自東部地區的高耗能產業轉移，對于能源的利用效率較低，而污染物排放量又處于較高水平，因此西部地區的全要素能源效率最低。

3.1.3 整體全要素能源效率評價

計算2010-2021 年中國全要素能源效率平均值、標準差和變異系數并對其進行可視化處理，結果如圖2所示。

圖2 基于超效率SBM模型2010-2021年中國全要素能源效率平均值、標準差和變異系數

由圖2 中變異系數的結果可知，我國各地區全要素能源效率具有顯著的區域異質性特征，且有逐年擴大的趨勢。可以看出，我國全要素能源效率的變異系數值在2011 年達到峰值，可能是由于上海市在2011 年的全要素能源效率突變為有效狀態，帶動了我國全要素能源效率的波動。從我國全要素能源效率均值來看，各地區全要素能源效率在研究期間呈波動上升的趨勢，說明我國整體對能源的利用逐漸高效化。我國全要素能源效率的方差呈微小波動態勢，說明各個領域在使用能源方面的優劣程度相對穩定。

3.2 基于GML指數的全要素能源效率分解

3.2.1 全要素能源效率的動態特征

本文借助于GML指數方法測算了2010-2021年間我國30個省級行政區的全要素能源效率指數，結果如表4所示。

表4 全國省域全要素能源GML指數

由表4可知，研究期間，我國各省份的全要素能源效率值均處于上升發展狀態，總體全要素能源GML 指數年均值為1.012 9，表明2010-2021 年期間，我國全要素能源效率年均上升1.29%。從總體均值的角度來看，除2011-2014年全要素能源效率值有所下降，其他年份全要素能源效率均有不同程度的上升，說明我國近年來能效水平穩步提升，節能降耗成效顯著。從區域異質性的角度來看，東部地區全要素能源GML 指數均值為1.021 2，且大多數省份的GML指數在研究期內都大于1，其中江蘇省的全要素能源效率年均增長最高，可能由于江蘇省在能源管理和技術創新方面投入了大量資源，在能源利用上更加高效和環保。中部地區全要素能源GML 指數均值為1.010 1，且各省份大多呈現波動增長的態勢，穩定性較弱，可能原因是中部地區的經濟發展較大程度上依賴東部地區，其自身發展的內生動力不足，從而呈現出全要素能源效率不穩定的發展特征。西部地區全要素能源GML 指數為1.004 8，各省份的GML 指數的平均值均小于全國GML指數均值，且西部地區在三個地區中全要素能源效率增長幅度最低，說明西部地區全要能源效率增長的態勢不如東部與中部地區強勁，存在一定的提升空間。綜上所述，東部地區全要素能源效率增長2.12%，中部地區增長1.01%，西部地區增長0.48%。從各省域的角度來看，GML指數均值最高的五個省份分別是湖南、江蘇、廣東、天津、北京，其2010-2021 年間全要素能源效率的增長率均超過了3%，且主要集中在中東部地區，說明相對成熟的能源產業體系和較高水平的科技技術能顯著促進全要素能源效率的提高。

3.2.2 全要素能源效率的分解特征

為進一步研究影響各省份全要素能源效率變化的因素，本文將GML指數進一步分解為技術效率（EC）和技術進步（TC），中國全要素能源GML 指數均值及其分解指數均值變化趨勢如圖3所示。

圖3 中國全要素能源GML指數均值及其分解指數均值變化趨勢

由圖3 可知，2011-2014 年，GML 指數顯示我國全要素能源效率負增長，可能由于這一階段我國正經歷新舊產業交替，老舊企業依然采取高能耗的生產方式，導致全要素能源效率下降，同時我國也在進行能源結構調整，或將導致某些地區供電不足從而采取更高能耗的方式保障生產和生活的需要。2014 年，我國全要素能源效率呈正向增長，技術效率顯著提高的同時技術進步變化卻出現倒退，可能的原因是，2014 年出臺了多項能源環保政策，而技術更新進程緩慢，無法在短期內奏效，故而一些企業將降低能耗的重點放在了改善技術效率上，以更高效的方式組合生產要素，從而避免能源的浪費。2015-2017 年，GML 指數、技術效率指數和技術進步指數均大于1，表明我國逐步通過提高技術進步來促進全要素能源效率的提升。然而，2017年技術進步出現反向變化的趨勢并持續至2019 年，原因可能在于我國仍然缺乏關鍵核心技術，自主創新的支撐力還不足。2019 年在技術效率和技術進步的共同拉動下，GML 指數的增長率進一步提高，可能是由于2019 年初，新版《環境保護法》正式實施，其所強調的“污染者付費”原則強化了環保治理的罰則，推動了企業改善環保問題，從而降低了能耗，因此技術效率在2019 年的增長率提高。2020年，GML 指數的增長有所回落，技術效率進一步增長，而技術進步出現倒退，說明我國能源消費結構不斷優化，污染防治成效顯著，能耗降低更多依賴新能源技術的突破和創新，需加大對新型能源技術的研發和應用，通過技術進步實現能源的轉型和升級。

將2010-2021年我國各省份全要素能源GML指數分解的年平均值結果匯報如表5所示。

表5 2010-2021年各省份全要素能源GML指數分解結果年均值

由表5 中的結果可知，除海南省和青海省的技術進步指數保持不變外，我國其他省份的技術進步指數均大于1，推動我國技術進步總體年均值增長1.33%。在技術效率方面，除北京、天津、江蘇、福建、山東、湖南、廣東、海南、青海、寧夏等省份外，其他省份技術效率變化指數均值均小于1，使得我國技術效率水平年均下降0.02%。在技術進步和技術效率的共同作用下，我國全要素能源效率總體呈現出增長態勢。從表5 的全要素能源GML 指數分解結果中可以看出，技術進步對GML指數增長的貢獻較大，而技術效率對全要素能源效率貢獻相對不足，即全要素能源效率的提升主要得益于最佳生產者對生產前沿發展的推動，但對技術創新所帶來的生產效率利用不夠充分，這說明我國能源結構還不夠完善，技術效率仍然存在較大的提升空間。

4 總結與政策建議

本案例基于Super-SBM 模型和GML 指數，結合中國30個省級行政區2010-2021年的相關指標數據分析了我國目前全要素能源效率發展水平及時空變化。主要結論如下：

1）我國全要素能源效率整體呈現波動上升的趨勢，并存在區域異質性，各地區全要素能源效率發展水平存在較大差異，東部地區經濟發展水平在我國位居前列，中部地區全要素能源效率落后東部地區，西部地區全要素能源效率最低。

2）2010-2021 年間，總體全要素能源GML 指數年均值為1.012 9，表明我國全要素能源效率年均上升1.29%，整體呈現上升的趨勢。

3）從區域異質性的角度來看，我國各區域全要素能源效率都有不同程度的增長，東部地區全要素能源效率增長2.12%，中部地區增長1.01%，西部地區增長0.48%。

4）將GML指數分解為技術效率（EC）和技術進步（TC），技術進步對GML指數增長的貢獻較大，而技術效率對全要素能源效率貢獻相對不足。

根據結論引申的政策建議如下：

1）不同地區的能源資源稟賦不同，政府可根據當地優勢，積極開發和利用各地區的能源資源，從而實現區域優勢互補，促進全國能源發展更加均衡。同時可加強各地區之間的能源技術轉移推廣和能源信息共享，通過建立智能化能源系統，來促進全要素能源效率的協調發展。

2）東部地區應進一步發揮自身區位優勢，保持全要素能源效率增長態勢的同時帶動中西部地區全要素能源效率增長。中部地區仍擁有人口紅利，應持續推進科技自主創新，大力推動煤炭清潔高效利用，提升終端用能的低碳化與電氣化水平。西部地區應加強多能互補的清潔能源建設，把發展中心轉移到清潔能源產業，為東部地區提供更加多元的能源供給。

3）技術進步是推動我國能耗降低的原動力，技術效率則是現實生產過程中的實際有效應用。政府應重視技術效率在全要素能源效率提升中的作用，加大科研成果轉化力度，推動先進技術在生產和生活中的應用，發展和普及清潔能源技術，應用數字化和智能化技術，對能源設備進行監測、分析和管理，實現能源的智能化控制和綜合使用，最大化提高能源利用效率。