席俊颖
新疆财经大学统计与数据科学学院
随着全球气候变化和能源安全问题的加剧，实现“双碳”目标和高质量发展、提高能源效率已成为我国主要发展目标之一，绿色低碳高效安全的能源利用理念贯穿于我国经济高质量发展的进程中。党的十八大报告提出，要实施节能减排和资源节约战略，降低能源消耗强度和污染排放强度，推动能源结构逐步从传统能源向可再生能源转变；
党的二十大报告提出，要持续推进能源革命，注重构建由煤炭为主的能源系统转变为多元驱动、以清洁能源为主的能源供应体系；
“十四五”规划纲要提出，要将单位GDP 能源消耗降低13.5%作为经济社会发展的主要约束性指标之一。这意味着我国经济的发展将对化石能源的依赖性越来越低，需进一步推动清洁能源发展以满足社会生产生活的能源供应，“双碳”目标也将倒逼高耗能产业转型升级，实现产业结构调整。在绿色高效的能源利用成为高质量发展基础的战略背景下，测算全要素能源效率，评估中国全要素能源效率的真实发展状态，对破解资源与环境间的约束和矛盾，以低能源消耗创造高经济环境收益具有重要意义。
国内对于中国全要素能源效率问题的研究已经取得了丰硕的成果。马海良等［1］选取超效率DEA模型和Malmquist 指数法，测算出三大经济区域的能源效率和全要素生产率，并回归分析全要素生产率分解的各指标对能源效率的影响，研究发现，能源效率的改善依赖于全要素生产率的提高，技术进步和技术效率的增长都可导致能源效率的提高，但技术进步由于回弹效应使得影响值较小。郭一鸣等［2］则将视角聚焦于城市的能源效率测度，构建两阶段Super-SBM 模型测度能源效率，并分析中国城市能源效率的空间演化特征，研究表明，中国城市能源效率较高且多年不断提升，具有显著的空间正相关性。侯建朝等［3］利用谢泼德能源距离函数定义了全要素能源效率的表达式，并分析了交通运输业全要素能源效率的影响因素，研究发现，技术效率提高和电力占能源消费比重上升都会显著促进中国交通运输业能源效率的提高，制度因素、基础设施水平对交通运输能源效率的提高则具有抑制作用，而交通运输结构、能源相对价格和经济发展水平的影响不显著。俞超等［4］从空间角度出发，利用空间计量模型探究环境规制对全要素能源效率的影响及其空间溢出效应，研究表明，中国城市的全要素能源效率主要依赖于技术进步并存在显著的空间相关性，环境规制显著抑制了城市的全要素能源效率并对相邻城市产生负向空间溢出效应。
众多学者针对效率的测度方法也进行了探索。为更好地刻画实际生产过程，近年来的研究大多在全要素框架下进行效率的测算，因此大多研究方法都是建立在DEA 方法之上。汪克亮等［5］运用基于投入导向的DEA-BCC 模型，测算了包含环境效应的中国省际全要素能源效率并采用Tobit 模型检验影响因素，认为技术进步、经济结构和能源消费结构的优化对提高能源效率有显著促进作用。匡远凤［6］运用SFA方法将中国各省份劳动生产率变化分解为农业技术效率变化、技术进步、物质性要素投入变化和人力资本积累四个来源，并分析了这四个来源对中国农业经济的影响。何枫等［7］运用非期望产出的SBM 模型从铁前工序和铁后工序两阶段视角测算了2009-2013 年中国钢铁企业绿色技术效率。李豫新等［8］运用超效率SBM模型测算各城市的生态效率水平。付宁宁等［9］利用两阶段超效率DEA模型和Tobit 回归方程对智能制造企业创新效率进行测度并分析其影响因素。陈杰等［10］应用三阶段DEA模型和Malmquist指数模型对中国农业绿色水资源利用效率的动态变化及其驱动因素进行测算和分析。
综上所述，现有研究对全要素能源效率影响因素及测度方法的研究进行了探讨，但仍有以下几个方面值得进一步探索：首先，在全要素能源效率测算方法方面，现有研究大都停留在构建传统的DEA模型，但传统DEA模型存在效率值为1时无法进一步评价研究的弊端，使用单一的传统DEA模型对全要素能源效率的研究不够透彻。其次，现有研究大都集中于全要素能源效率的影响因素分析，或将研究范围细化到各产业，但探究其整体变化趋势的文章相对较少。最后，大多数学者选用ML 指数分解全要素能源效率，但ML指数缺乏传递性，测算跨期方向性距离函数时可能存在线性规划无可行解的情况。鉴于此，本文从以下角度进行进一步探索：第一，运用Super-SBM 模型对全要素能源效率进行测算，分别从时间趋势及区域异质性角度，对我国全要素能源效率进行分析。第二，本文利用SBM-DDF-Malmquist 指数分析方法，从动态角度刻画全要素能源效率的演进规律及分解构成。第三，将超效率SBM模型和GML指数结合起来，以实现对全要素能源效率静态和动态分析的综合研究，从而可以相对客观准确地反映我国全要素能源效率的变化情况，进而有针对性地给出全要素能源效率的提升建议，以期为提高我国全要素能源效率提供可借鉴的思路。
本文借助于Super-SBM 模型测算我国30 个省份的全要素能源效率，从时间趋势及区域异质性角度分析全要素能源效率的发展变化态势，并借助于GML 指数方法对全要素能源效率的时空变化进行动态分析。因此，在实证分析之前需对研究方法、模型中变量指标的选取以及数据来源进行说明。
2.1.1 Super-SBM模型
传统的DEA 模型基于径向距离函数，只能单一地从投入或产出的角度对目标效率进行测算。然而径向的条件在很多情况下无法完全满足现实条件的要求。为了处理这种非期望产出的问题，Tone(2002)［11］提出了一种非径向DEA 模型，即SBM 模型，这是基于松弛变量评价DMUs 的方法，但基于SBM模型的测算，可能会出现多个决策单元效率值为1，即完全效率的情况。针对这些完全效率的决策单元无法继续分析的问题，Tone 提出了Super-SBM 模型，使得所有DMUs 的效率值都能计算出来，不再局限在效率值小于等于1的水平，从而可以使有效DUMs继续进行相互比较。
本文运用包含非期望产出的Super-SBM模型测算全要素能源效率。假设有n 个决策单元，每一个决策单元都包括三个要素：投入、期望产出和非期望产出（SO2排放量、工业废水排放量、工业固体废物排放量），分别由三个向量表示，，使用带有非期望产出的SBM模型评估DMUs如式(1)所示：
2.1.2 GML指数
Super-SBM 解决了传统方向距离函数因径向性导致效率被高估和因导向性导致无法非比例变动投入与产出这两类问题，但其只能评估可见的投入和产出变量，无法评估潜在因素对全要素能源效率的影响，因此本文采用GML指数来进一步揭示全要素能源效率变化的原因。根据Chung 等［12］设定的方向性距离函数，将非期望产出纳入投入产出效率评价中，方向性距离函数定义如下：
其中，x表示每个测评单元的N种投入，，y表示M种期望产出，,b表示K种非期望产出，，则为第i个地区t时期的投入产出数据，为方向向量，为投入和产出达到效率前沿面的松弛变量。
GML 指数克服了传统ML 指数的无法传递和循环累加的缺陷，具有跨期可比较的优点［13］。根据Oh 等［14］构建的GML 指数，基于方向性距离函数，定义t期到t+1期的GML指数为：
在新古典经济增长模型中，能源、资本和劳动被视为三个重要的要素投入，是推动经济增长的关键因素。本文借鉴已有研究，选取资本存量作为资本投入量的指标［15］，选取就业人员数作为劳动力投入指标［16］，选取各省份能源消耗总量作为能源投入指标［17］。产出指标分为期望产出和非期望产出，期望产出为地区GDP，考虑环境可持续发展问题，借鉴罗世华等［18］的研究方法，同时依据第二次全国污染源普查公报中的研究数据，非期望产出从废气、废水、固废出发，分别选取SO2排放量、工业废水排放总量、工业固体废物产生量来衡量［19］。指标变量的具体构建如表1所示。
表1 基于超效率SBM模型的全要素能源效率评价指标体系
针对上述指标体系的构建，相关指标及其数据处理说明如下：
1）资本存量：大多数研究者采用Goldsmith［20］于1951年提出的“永续盘存法”中的资本存量作为资本投入量的指标。资本存量的计算公式为：
其中，Qi,t为i省第t年资本存量，Qi,t-1为t省第t-1 年资本存量，Ii,t为i省第t-1 年的投资，δi,t为i省第t-1 年的固定资本折旧率。本文参考张军等［21］已有的研究成果，并以2000 年为不变价格对数据进行了调整。
2）就业人员数：确切地说，同时考虑劳动力素质和劳动时间这些重要因素，才能更全面地评估劳动力投入对经济增长的影响，但由于缺乏此方面研究的详细统计数据，本文采用了各省份从业人员数量作为劳动力投入的指标。劳动力的原始数据来自2010-2021年各省份统计年鉴。
3）能源消费量：能源消费量的原始数据来自2010-2021 年中国能源统计年鉴，计量单位均按热量折合成万tce，少数缺失数据用均值加以填补。
4）地区GDP：中国各省份GDP 数据来源于2010-2021年中国统计年鉴。
5）SO2排放量：根据第二次全国污染源普查公报可知，工业SO2排放量占大气污染物排放量比重最高，而化石燃料的燃烧是工业SO2排放的主要来源，因此将工业SO2排放量作为衡量全要素能源效率的非期望产出，工业SO2排放量数据来自2010-2021年各省份统计年鉴。
6）工业废水排放总量：工业废水排放总量数据来自2010-2021年各省份统计年鉴。
7）工业固体废物产生量：工业固体废物产生量数据来自2010-2021年各省份统计年鉴。
我国全要素能源效率相关指标的统计信息具体如表2所示。
表2 全要素能源效率综合评价指标数据统计分析
本文借助于Super-SBM 模型测算我国30 个省份的全要素能源效率，并运用GML指数方法对全要素能源效率的时空变化进行动态分析。具体方法使用及测算结果如下。
3.1.1 各地区全要素能源效率评价
本文借助Super-SBM 模型测算2010-2021年中国30个省份全要素能源效率，测算结果如表3所示。
表3 基于Super-SBM模型的2010-2021年中国省际全要素能源效率
从表3中可以看出，全国30个省份的全要素能源效率均未处于有效水平，全要素能源效率最高的3 个省份分别为北京、上海、湖南，均分布在中东部地区；
全要素能源效率最低的3个省份分别为青海、宁夏、吉林，均分布在中西部地区。其中，湖南省全要素能源效率在研究期间内波动最为剧烈，标准差高达0.323，在2019-2020 年间，全要素能源效率由0.256跃升至1.116，达到有效水平。主要原因可能是2010 年以来湖南省一直注重清洁能源的发展，全社会用电量一半都来自清洁能源，为解决分布式清洁能源规划优化的难题，使清洁能源电站能够主动参与到系统调控中，国网湖南经研院深入开展《南方新能源并网运行优化与高效消纳关键技术及应用》项目研究，根据研究成果对全省各区域进行新能源消纳能力评估测算，以红、橙、黄、绿4种颜色进行标识，对各区域新能源消纳能力逐级进行分类，形成了全省以县级为单位的风电和光伏发电消纳预警等级分类结果，科学地调度了清洁能源电量，为清洁能源电量能够被全额消纳提供了有效途径1参见国网湖南省电力有限公司：《清洁电力“点亮”三湘——国网湖南电力服务清洁能源发展纪实》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动程度较大，其标准差达到了0.252，从时间趋势的角度来看，上海市全要素能源效率的波动大致可分为两个阶段，第一阶段为2010-2015年，呈现出近似倒U形的波动态势，可能存在的原因是2010年上海东海大桥海上风电项目一期工程的投入使用，拓宽了绿色能源的供应渠道，为社会提供了更多的能源，促进了经济发展，同时与化石能源相比，减少了污染物排放，使得上海市全要素能源效率在2011 年达到有效水平2参见国家能源局：《东海大桥海上风电启动二期工程》http://www.nea.gov.cn/2013-12/17/c_132974674.htm。海上风电是新能源发展的新领域，其建设打破了陆地风电场建设的空间限制，具有广阔的发展空间，同时海上风电资源具有禀赋好、风速大、功率密度高的特性，可进行大规模开发，为我国经济发展提供了更加绿色的动力。但由于现阶段，我国海上风电新能源产业体系尚未健全，新能源建设开发成本较高，因此上海市全要素能源效率在2011 年达到区间峰值后呈现下降的态势。第二阶段为2016-2020 年，也呈现近似倒U 形的波动态势，可能存在的原因是2016年承载着市场化改革使命的上海石油天然气交易中心开始落户运行，其位于中国经济、金融、贸易、航运与科技创新的中心，更靠近市场端，具有显著的区位优势，可充分对接资源，贯通国内外天然气贸易，并借助本地金融要素的市场优势服务于实体经济，充分发挥了市场配置资源的作用，从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场化石油天然气交易平台体系尚未健全，油气价格形成机制还不完善，无法有效释放竞争性环节中的市场活力，因此在达到峰值后全要素能源效率出现了下降趋势。总体来看，我国各省份的全要素能源效率均值水平集中在0.114~0.361 之间，处于弱有效状态，说明我国全要素能源效率的改善空间较大，能源技术和能源建设还需长足的发展。
3.1.2 分区域全要素能源效率评价
将全国分为东、中、西三个区域，并计算其全要素能源效率均值，可视化结果如图1所示。
图1 分地区全要素能源效率变化
图1对比了我国各地区与全国均值水平的全要素能源效率，从中可以看出，各地区全要素能源效率整体上处于较低水平，均未达到有效水平，且各区域之间的全要素能源效率差异较大。从时间趋势的角度来看，东部地区的全要素能源效率均值在研究期间一直高于全国均值水平，且以显著优势高于中部与西部地区，其全要素能源效率在0.192~0.379之间呈现出波动上升的趋势。中部地区的全要素能源效率水平在2019年之前低于全国均值水平，2020 年后超过全国均值水平，其全要素能源效率在0.155~0.322之间一直呈上升趋势。西部地区全要素能源效率在0.14~0.215 区间内具有微小幅度的波动，但总体保持稳定上升的态势。从区域异质性的角度来看，东部地区由于其优越的地理位置和政策优势，一直是全国经济发展的中心，率先享有经济政策红利，其经济的快速发展使得大量高精尖人才流入东部地区从而产生人才集聚效应，为东部地区的经济发展提供了有力的支撑。同时东部地区作为我国对外开放格局中的“优等生”，在引进先进技术方面一直处于领跑地位，高端的技术及充足的资金为实现经济增长，进而提高全要素能源效率打下了坚实的基础，因此东部地区的全要素能源效率在全国位居首位。中部地区能源资源丰富，但受限于经济发展水平和技术创新水平，对能源的绿色开发不足，无法对能源进行更高效的利用，因此全要素能源效率落后于东部地区。西部地区化石能源丰富，但由于地处我国偏远区域，吸纳先进技术的能力较弱，同时在实现“双碳”目标背景下，西部地区承接着来自东部地区的高耗能产业转移，对于能源的利用效率较低，而污染物排放量又处于较高水平，因此西部地区的全要素能源效率最低。
3.1.3 整体全要素能源效率评价
计算2010-2021 年中国全要素能源效率平均值、标准差和变异系数并对其进行可视化处理，结果如图2所示。
图2 基于超效率SBM模型2010-2021年中国全要素能源效率平均值、标准差和变异系数
由图2 中变异系数的结果可知，我国各地区全要素能源效率具有显著的区域异质性特征，且有逐年扩大的趋势。可以看出，我国全要素能源效率的变异系数值在2011 年达到峰值，可能是由于上海市在2011 年的全要素能源效率突变为有效状态，带动了我国全要素能源效率的波动。从我国全要素能源效率均值来看，各地区全要素能源效率在研究期间呈波动上升的趋势，说明我国整体对能源的利用逐渐高效化。我国全要素能源效率的方差呈微小波动态势，说明各个领域在使用能源方面的优劣程度相对稳定。
3.2.1 全要素能源效率的动态特征
本文借助于GML指数方法测算了2010-2021年间我国30个省级行政区的全要素能源效率指数，结果如表4所示。
表4 全国省域全要素能源GML指数
由表4可知，研究期间，我国各省份的全要素能源效率值均处于上升发展状态，总体全要素能源GML 指数年均值为1.012 9，表明2010-2021 年期间，我国全要素能源效率年均上升1.29%。从总体均值的角度来看，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，说明我国近年来能效水平稳步提升，节能降耗成效显著。从区域异质性的角度来看，东部地区全要素能源GML 指数均值为1.021 2，且大多数省份的GML指数在研究期内都大于1，其中江苏省的全要素能源效率年均增长最高，可能由于江苏省在能源管理和技术创新方面投入了大量资源，在能源利用上更加高效和环保。中部地区全要素能源GML 指数均值为1.010 1，且各省份大多呈现波动增长的态势，稳定性较弱，可能原因是中部地区的经济发展较大程度上依赖东部地区，其自身发展的内生动力不足，从而呈现出全要素能源效率不稳定的发展特征。西部地区全要素能源GML 指数为1.004 8，各省份的GML 指数的平均值均小于全国GML指数均值，且西部地区在三个地区中全要素能源效率增长幅度最低，说明西部地区全要能源效率增长的态势不如东部与中部地区强劲，存在一定的提升空间。综上所述，东部地区全要素能源效率增长2.12%，中部地区增长1.01%，西部地区增长0.48%。从各省域的角度来看，GML指数均值最高的五个省份分别是湖南、江苏、广东、天津、北京，其2010-2021 年间全要素能源效率的增长率均超过了3%，且主要集中在中东部地区，说明相对成熟的能源产业体系和较高水平的科技技术能显著促进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
为进一步研究影响各省份全要素能源效率变化的因素，本文将GML指数进一步分解为技术效率（EC）和技术进步（TC），中国全要素能源GML 指数均值及其分解指数均值变化趋势如图3所示。
图3 中国全要素能源GML指数均值及其分解指数均值变化趋势
由图3 可知，2011-2014 年，GML 指数显示我国全要素能源效率负增长，可能由于这一阶段我国正经历新旧产业交替，老旧企业依然采取高能耗的生产方式，导致全要素能源效率下降，同时我国也在进行能源结构调整，或将导致某些地区供电不足从而采取更高能耗的方式保障生产和生活的需要。2014 年，我国全要素能源效率呈正向增长，技术效率显著提高的同时技术进步变化却出现倒退，可能的原因是，2014 年出台了多项能源环保政策，而技术更新进程缓慢，无法在短期内奏效，故而一些企业将降低能耗的重点放在了改善技术效率上，以更高效的方式组合生产要素，从而避免能源的浪费。2015-2017 年，GML 指数、技术效率指数和技术进步指数均大于1，表明我国逐步通过提高技术进步来促进全要素能源效率的提升。然而，2017年技术进步出现反向变化的趋势并持续至2019 年，原因可能在于我国仍然缺乏关键核心技术，自主创新的支撑力还不足。2019 年在技术效率和技术进步的共同拉动下，GML 指数的增长率进一步提高，可能是由于2019 年初，新版《环境保护法》正式实施，其所强调的“污染者付费”原则强化了环保治理的罚则，推动了企业改善环保问题，从而降低了能耗，因此技术效率在2019 年的增长率提高。2020年，GML 指数的增长有所回落，技术效率进一步增长，而技术进步出现倒退，说明我国能源消费结构不断优化，污染防治成效显著，能耗降低更多依赖新能源技术的突破和创新，需加大对新型能源技术的研发和应用，通过技术进步实现能源的转型和升级。
将2010-2021年我国各省份全要素能源GML指数分解的年平均值结果汇报如表5所示。
表5 2010-2021年各省份全要素能源GML指数分解结果年均值
由表5 中的结果可知，除海南省和青海省的技术进步指数保持不变外，我国其他省份的技术进步指数均大于1，推动我国技术进步总体年均值增长1.33%。在技术效率方面，除北京、天津、江苏、福建、山东、湖南、广东、海南、青海、宁夏等省份外，其他省份技术效率变化指数均值均小于1，使得我国技术效率水平年均下降0.02%。在技术进步和技术效率的共同作用下，我国全要素能源效率总体呈现出增长态势。从表5 的全要素能源GML 指数分解结果中可以看出，技术进步对GML指数增长的贡献较大，而技术效率对全要素能源效率贡献相对不足，即全要素能源效率的提升主要得益于最佳生产者对生产前沿发展的推动，但对技术创新所带来的生产效率利用不够充分，这说明我国能源结构还不够完善，技术效率仍然存在较大的提升空间。
本案例基于Super-SBM 模型和GML 指数，结合中国30个省级行政区2010-2021年的相关指标数据分析了我国目前全要素能源效率发展水平及时空变化。主要结论如下：
1）我国全要素能源效率整体呈现波动上升的趋势，并存在区域异质性，各地区全要素能源效率发展水平存在较大差异，东部地区经济发展水平在我国位居前列，中部地区全要素能源效率落后东部地区，西部地区全要素能源效率最低。
2）2010-2021 年间，总体全要素能源GML 指数年均值为1.012 9，表明我国全要素能源效率年均上升1.29%，整体呈现上升的趋势。
3）从区域异质性的角度来看，我国各区域全要素能源效率都有不同程度的增长，东部地区全要素能源效率增长2.12%，中部地区增长1.01%，西部地区增长0.48%。
4）将GML指数分解为技术效率（EC）和技术进步（TC），技术进步对GML指数增长的贡献较大，而技术效率对全要素能源效率贡献相对不足。
根据结论引申的政策建议如下：
1）不同地区的能源资源禀赋不同，政府可根据当地优势，积极开发和利用各地区的能源资源，从而实现区域优势互补，促进全国能源发展更加均衡。同时可加强各地区之间的能源技术转移推广和能源信息共享，通过建立智能化能源系统，来促进全要素能源效率的协调发展。
2）东部地区应进一步发挥自身区位优势，保持全要素能源效率增长态势的同时带动中西部地区全要素能源效率增长。中部地区仍拥有人口红利，应持续推进科技自主创新，大力推动煤炭清洁高效利用，提升终端用能的低碳化与电气化水平。西部地区应加强多能互补的清洁能源建设，把发展中心转移到清洁能源产业，为东部地区提供更加多元的能源供给。
3）技术进步是推动我国能耗降低的原动力，技术效率则是现实生产过程中的实际有效应用。政府应重视技术效率在全要素能源效率提升中的作用，加大科研成果转化力度，推动先进技术在生产和生活中的应用，发展和普及清洁能源技术，应用数字化和智能化技术，对能源设备进行监测、分析和管理，实现能源的智能化控制和综合使用，最大化提高能源利用效率。
猜你喜欢 省份要素能源 掌握这6点要素，让肥水更高效当代水产(2020年4期)2020-06-16第六章意外的收获小学科学(2020年5期)2020-05-25谁说小龙虾不赚钱？跨越四省份，暴走万里路，只为寻找最会养虾的您当代水产(2019年11期)2019-12-23————不可再生能源">用完就没有的能源扩展阅读文章
推荐阅读文章
恒微文秘网 https://www.sc-bjx.com Copyright © 2015-2024 . 恒微文秘网 版权所有
Powered by 恒微文秘网 © All Rights Reserved. 备案号：蜀ICP备15013507号-1