下载文档原格式
全要素视角下中国西部地区能源效率及影响因素刘丹丹;赵颂扬旸;郭耀【摘要】将非期望产出纳入到投入产出指标体系中,运用超效率DEA方法测算出2003～2012年中国29省区的全要素能源效率,利用Malmquist指数对西部地区全要素能源效率变动进行分解,并应用Tobit模型研究了西部地区全要素能源效率的影响因素.结果表明:西部地区全要素能源效率远低于东部地区,也略低于中部地区,说明西部地区整体能源利用效率较低;西部地区省际间全要素能源效率存在明显差异,但这种内部差异近年来逐步缩小;西部地区全要素能源效率在样本期间整体呈下降趋势,技术进步、纯技术效率变化、规模效率变化对全要素能源效率都有显著影响,技术退步是导致西部地区全要素能源效率下降的主要原因;产业结构优化和技术进步对提高全要素能源效率有积极作用,而能源价格和煤炭消费比重对全要素能源效率有负向影响.【期刊名称】《中国环境科学》【年(卷),期】2015(035)006【总页数】10页(P1911-1920)【关键词】全要素能源效率;超效率DEA;Malmquist指数;Tobit模型;中国西部地区【作者】刘丹丹;赵颂扬旸;郭耀【作者单位】东北财经大学统计学院,辽宁大连116025;大连理工大学管理与经济学部,辽宁大连116024;东北财经大学统计学院,辽宁大连116025;东北财经大学统计学院,辽宁大连116025【正文语种】中文【中图分类】X24世界能源委员会将能源效率定义为“减少提供同等能源服务的能源投入”，具体可用某一生产过程中的有用产出与能源投入之比来计算.Patterson［1］基于帕累托效率对能源效率进行了定义，即使用较少的能源创造出相同数量的服务或者其他有价值的产出，这也是目前学术界较为认可的定义.早期研究多用一个指标来反映能源效率，随着研究的深入，学者们逐渐达成共识，即能源效率是一个指标群而非单一指标.王庆一［2］将能源效率分为物理能效和经济能效两部分，并进一步将物理能效指标分解为热效率以及单位产品或者服务的能耗，将经济能效指标分解为能源成本效益以及单位产值能耗.魏楚等［3］参考投入产出的度量指标，把能源利用效率归为4类：热力学指标、物理-热量指标、经济-热量指标、纯经济指标.魏一鸣等［4］整合了多数研究者的观点，将能源效率指标分为7类，并系统剖析了各类指标的理论依据、假设前提以及适用范围.这7类指标分别是：能源宏观效率、能源实物效率、能源物理效率、能源价值效率、能源要素利用效率、能源要素配置效率、能源经济效率.对于一个国家或地区，能源经济效率是相对理想的能源效率测度指标.目前关于能源效率的研究主要集中在能源效率的测算、影响因素及收敛性等方面.能源效率的测算包括单要素能源效率和全要素能源效率两种思路，单要素能源效率属于较为传统的能源效率测算方法，由于不能反映潜在的能源技术效率而逐渐被摒弃.全要素能源效率基于生产函数理论，把参与生产过程的所有要素均纳入到测算体系中，能够更准确地反映能源效率.全要素能源效率测算方法主要包括参数法和非参数法两类.参数法是利用事先设置函数形式的办法进行参数估计，能够作为参数法先验函数的有C-D函数、CES函数、Translog函数、随机前沿函数等.史丹等［5］利用随机前沿生产函数的区域能源效率差异分析模型分析了造成我国1980～2005年间能源效率差异的因素，并取得了理想的效果.但参数法的缺陷是有时会出现预设生产函数与现实不符的情况，并且利用随机前沿法解决多产出问题往往存在一定的困难.非参数法的原理为利用数据驱动得到一条线性的包络凸面，将该凸面作为生产前沿，从而避免参数函数的估计.最常用的非参数法是数据包络分析（DEA），它是把投入产出点映射到空间内，将最小投入以及最大产出作为效率边界，然后基于此测算其他点与边界之间的离差程度.Hu等［6］首次将全要素能源效率指数引入能源效率评价，将资本存量、劳动力、能源等因素作为多元投入，应用DEA方法测算了中国1995～2002年29省的全要素能源效率.Chang［7］对Hu等的模型进行了改进，以非产出增长模型来计算全要素能源效率.魏楚等［8］使用DEA方法测算出中国各省的能源效率，并分析了各省之间能源效率差异的影响因素.师博等［9］在传统生产函数中增加了知识存量，然后通过超效率DEA模型测算出中国不同地区的能源效率.屈小娥［10］基于超效率DEAMalmquist生产率指数测算了1990～2006年全国30个省份的全要素能源效率及技术进步、技术效率指数.曾贤刚［11］基于DEA方法构建出一个包含CO2排放量的综合能源效率指标，利用2000～2007年省际面板数据计算了中国30个省市的综合能源效率.王维国［12］基于序列DEA的方向性距离函数及Malmqulist-Luenberger 指数测度了1999～2010年我国 28 个省区市及东、中、西三大区域的全要素能源效率的动态变化及其分解变量.徐丽萍等［13］基于隐含能思想提出了行业完全能源效率的概念，并将投入产出模型与DEA方法相结合建立模型，对北京市42个行业的完全能源效率进行了评价.关于能源效率的影响因素，大多数学者认为能源效率改善的重要原因是技术进步以及产业结构调整.关于产业结构对能源效率的影响，Denison［14］和Maddison［15］指出，如果能源要素从生产率较低的部门向生产率较高的部门转移，经济实体的整体能源效率就会有所改善，反之亦然.关于技术进步对能源效率产生的影响，Khazzoom［16］指出，由于技术进步存在“回弹效应”，即技术进步虽然能够提高能源效率，减少能源消耗，但同时也会提高生产率，促进经济增长，从而增加能源需求，抵消部分能源消费减少，因此无法准确估计出技术进步指数.除了上述两个因素，Renshaw［17］指出能源价格也是引起能源效率变化的重要因素.相关研究表明，影响中国能源效率的因素有技术进步、产业结构、所有权结构等，但某些因素的影响方向和程度还存在争议，这可能是由于能源效率的定义、分析层面、时间段及研究方法不同造成的.吴巧生等［18］的研究表明，中国能源消耗强度减小的原因主要是各部门能源利用率提高，这其中最关键的因素是技术进步.王群伟等［19］利用Malmquist 指数对1993～2005年我国28个省区的全要素能源效率变动进行了分解，证明技术效率对能源效率的影响程度甚至超过了技术进步，原因是技术进步会产生回弹效应.袁晓玲等［20］指出，产业结构、所有权结构、能源消费结构以及能源禀赋等因素与能源效率呈显著负相关关系，能源价格则与能源效率呈弱正相关关系.但是，也存在着一些其他的看法，如史丹［21］认为产业结构对能源效率有影响并不是因为第二产业在国民经济中的比重，而可能是因为第二产业尤其是工业的技术水平.李廉水等［22］认为技术效率比技术进步更有利于提高工业部门的能源效率.关爱萍等［23］发现，能源价格对提高能源效率有抑制作用.Li等［24］利用SBM模型研究了2005～2009年中国的全要素能源效率及其影响因素，发现研发投入和外贸依存度对能源效率有正向影响，第二产业比重和政府对工业污染的补贴对能源效率有负向影响.上述研究在全要素能源效率领域进行了有价值的探索，但总体而言仍然存在以下两点不足：（1）大部分研究沿用“多投入-单产出”方式测算能源效率，鲜有人将环境污染带来的“负产出”效应纳入指标体系，少数考虑环境因素的研究中，也仅仅考虑了二氧化碳排放量等单一指标；（2）现有研究主要针对全国、行业、个别省份，针对某一区域能源效率的研究很少，且为某一时期的平均值，无法反映能源效率的变动趋势.中国西部地区包括四川、广西、贵州、陕西、云南、内蒙古、甘肃、青海、宁夏、新疆、重庆、西藏共十二个省区，疆域辽阔，资源丰富，截至2012年年底，西部地区石油基础储量占全国基础储量的37.65％；天然气基础储量占全国基础储量的84.80％.但是，西部地区丰富的自然资源不仅没有促进经济发展，反而对经济增长产生了负效应，2012年西部地区GDP仅占全国的19.76％，全国大部分贫困人口也都分布于西部地区.学术界将这种“富裕的贫困”现象称为“资源诅咒”效应［25］.近年来，随着西部大开发的深入实施，西部地区经济增长步伐明显加快，但是过度能源消耗和污染严重等问题始终是制约西部地区经济发展的重要因素.为了帮助西部地区破解“资源诅咒”，提高能源利用效率，充分发挥能源对经济发展的推动作用，本文将非期望产出纳入到能源效率评价体系中，用主成分分析法将5种污染物排放量综合成为一个污染排放指标，建立“多投入-多产出”模型，运用超效率DEA 方法测算出2003～2012年中国29省区的全要素能源效率，利用Malmquist指数将西部地区全要素能源效率变动分解为技术进步、纯技术效率变动和规模效率变动，并采用Tobit模型对影响能源效率的因素进行研究，以期为提高西部地区能源效率提供有价值的参考.1.1 超效率DEA方法假设有n个决策单元（j=1，2，…，n），每个决策单元都有m种输入xj=（x1j，x2j，…，xmj）T及s种输出yj=（y1j，y2j，…，ysj）T，u=（u1，u2，…，us）T和v=（v1，v2，…，vm）T分别为投入和产出权向量，令，ω=tv，μ=tu，则对第j0个决策单元效率进行评价的C2R模型可以表示为：引入松弛变量s-和剩余变量s+，可以得到其对偶线性规划式中：θ为决策单元的有效值.但是传统C2R模型不能进一步区分多个同时处于生产前沿面的DMU（决策单元）的相对效率，针对上述情况，Anderson等［26］提出了超效率（Super-Efficiency）DEA模型.与传统DEA模型相比，超效率DEA模型主要考虑被评价DMU相对于其他DMU的效率，测算时将效率得分为1的DMU（即有效DMU）从参考效率前沿面分离出去，因而能够进一步区分出有效DMU之间的相对效率差异，可对所评价的DMU进行有效的比较与评价.面向投入的超效率DEA模型可表示为［27］：其对偶模型可以表示如下：超效率DEA模型构造参考集时，排除了被评价DMU原来的投入和产出，用其他DMU的投入和产出的线性组合代替其投入和产出.因此，在超效率DEA模型中，无效DMU的效率值与C2R模型一致，而有效DMU的效率值有可能大于1.1.2 Malmquist指数Malmquist指数最早由瑞典统计学家Malmquist于1953年提出，目前普遍采用的是Fare等构建的基于DEA方法的Malmquist指数.以t时期技术为参照，基于产出角度的Malmquist指数可以表示为：同理，以t+1时期技术为参照，基于产出角度的Malmquist指数可以表示为：为避免时期选择的随意性所造成的差异，Caves等［28］仿照Fisher理想指数的构造方法，取二者的几何平均数作为衡量从t期到t+1期生产率变化的Malmquist指数，即：式中（xt+1，yt +1）、（xt，yt）分别表示t+1期和t期的投入和产出向量；和分别表示以t时期技术为参照，t+1期和t期的距离函数.Malmquist指数可以分解为纯技术效率变动，技术进步以及规模效率变动，即：式中：PTEC（Pure technical efficiency change）表示纯技术效率变动，指不同时期决策单元相对于生产前沿的距离的比值；TC（Technical change）表示技术进步，即生产前沿的移动对生产效率变化的影响程度；SEC（Scale efficiency change）表示规模效率变动，通过比较在同一生产前沿上的不同时期投入的规模效率，反映规模经济变动对生产效率变动的作用.利用Malmquist指数，可以对全要素能源生产率变动及其分解因素进行研究.1.3 投入产出指标及数据来源选取2003～2012年除西藏自治区、台湾省、重庆市、香港和澳门特别行政区以外的29个省、直辖市、自治区（以下称为省区）的数据作为能源效率评价的决策单元，从模型结果中选出西部10省区1本文中西部地区包括内蒙古、广西、四川、贵州、云南、陕西、甘肃、青海、宁夏、新疆等10个省区，西藏和重庆由于数据不全而不包括在内.的结果进行分析.本文参考Rashe［29］建立的3要素生产函数，选取能源、人力和资本作为投入要素.（1）能源投入本文选取各省当期能源消费总量作为能源投入指标，由于各种类型能源的量纲及单位能源热值的不同，采用统一折算为“万吨标准煤”的能源消费总量指标.数据来源于《中国能源统计年鉴》［30］.（2）人力资源投入现有研究大多采用当期从业人员数量作为人力资源投入，该指标仅反映了劳动力数量的变化，没有反映劳动者素质的差异.为了综合反映劳动力数量的变化与劳动力素质的差异，本文将年末社会从业人员总数与15岁以上人口的平均受教育年限的乘积作为人力资源投入总量.数据来源于第六次人口普查数据和《中国统计年鉴》［31］.（3）资本投入大多数学者认为资本存量可以较为精确地代表生产过程中的资本投入，但目前从统计年鉴中无法直接获取资本存量数据，本文参照多数学者的做法，采用张军等［32］对中国各省2000年资本存量现值的测算结果，以此为基准推算得到2003～2012年的资本存量，并用2000年不变价格进行缩减.产出指标同时考虑期望产出与非期望产出，以反映经济发展质量与节能减排成效. （1）期望产出——经济产出本文采用GDP作为期望产出指标.数据来自《中国统计年鉴》［31］，以2000年不变价格进行了缩减.（2）非期望产出——污染物排放本文将二氧化碳排放量、二氧化硫排放量、烟尘排放量、氮氧化物排放量、化学需氧量排放量这5个指标作为污染物产出原始指标，并利用主成分分析法将5个指标合成为一个污染物排放指标.主成分分析法是因子分析法的一种，也是应用最广泛的一种.主成分分析法通过坐标变换对原有变量进行线性组合，选取前几个方差较大的主成分来反映原有变量的绝大部分信息，从而有效降低变量维数.本文采用主成分分析法求解初始公共因子特征值、方差贡献率及累计方差贡献率，计算结果表明各年度特征值大于1的公共因子累计方差贡献率均在70％以上，能够反映原始数据平均72.96％的信息，具有较好的代表性.根据公共因子载荷矩阵计算各年度各省的综合得分，即为污染物排放综合指数WR.DEA模型包含一个基本假定，即以尽可能小的投入提供尽可能多的产出，而污染物排放表现为负的社会效应，其值应该是越小越好，因此需要转换后才能代入模型.本文采用线性函数WR′=WR+v 对其进行转换，其中v是一个足够大的正数，根据WR的值取v=5.二氧化碳排放量由来计算［32］，其中Ei为能源i可供本地区的消费量.Ai为能源i的二氧化碳排放系数，由各类能源的燃料净发热值和燃料碳含量计算得到.本文共选取17类化石能源，Ei的数据来源于《中国能源统计年鉴》［30］各省能源平衡表（实物量），各省二氧化硫排放量、氮氧化物排放量、化学需氧量排放量、烟尘排放量数据均来自《中国统计年鉴》［31］.考虑非期望产出的全要素能源效率能更客观地反映能源投入与产出之间的关系，由于产出指标中包含非期望产出，计算的全要素能源效率值预计比不包含非期望产出的效率值低.2.1 西部地区省际全要素能源效率测算本文关注的是能源作为区域经济增长的一种投入要素，因此选取基于投入导向的超效率DEA模型，利用EMS软件，得到2003～2012年中国各省的全能要素效率值，从中选出西部10省的数据进行分析（表1）.表1的数据显示，2003～2012年，我国东部、中部和西部三大区域全要素能源效率呈现出“东—中—西”由高到低的格局，东部地区的平均能源效率为0.8572，明显高于全国整体水平和中部、西部地区；西部地区的平均能源效率最低，为0.7641，中部地区的平均能源效率为0.7643，略高于西部地区，且二者之间的差距逐渐缩小.由于引入了非期望产出指标，本文计算的全要素能源效率值比其他类似研究计算的数值要低，且各地区的能源效率都呈现出比较明显的下降趋势，这说明如果不考虑环境因素的确会导致能源效率的高估.从全要素能源效率的变动趋势来看，2003～2012年，西部地区各省区的能源效率都呈现出下降趋势，其中内蒙古、广西、云南、甘肃几个省区的下降趋势比较明显，其余各省区的下降趋势相对平缓.西部地区各省区的全要素能源效率存在显著差距，能源效率最高的省份是四川和青海，2003～2012年间两省的全要素能源效率始终为1左右，这表明与其他省区相比，四川和青海的能源得到了较为充分的利用，资源配置也相对比较合理，从而在相同的产出水平下实现了最小的能源投入，达到相对能源效率最优.内蒙古、广西、陕西、宁夏、甘肃5省区的全要素能源效率值在0.7～0.8之间，说明这些省份的能源效率仍有提升空间，需要在技术水平和资源配置方面加以改进.云南、贵州、新疆3省区的全要素能源效率值在0.6～0.7之间，说明这3省区与生产前沿面的距离较远，能源利用效率较低.整体而言，西部10省区的全要素能源效率仍不高，主要原因是西部地区目前的经济增长方式仍以“高投入、高消耗”的粗放式增长为主，同时有些地区环境保护意识薄弱、观念落后，忽略了环境保护，在经济发展的同时对生态环境造成了破坏.2.2 基于Malmquist指数的全要素生产率分析为了进一步分析西部地区全要素能源效率的变动情况，利用Malmquist指数对西部10省区分年和分省的全要素能源效率变动进行分解，Deap2.1软件的计算结果详见表2和表3.由表2可知，2003～2012年，西部地区全要素能源效率平均下降了4.29％，各年的全要素能源效率变动均小于1，表明西部地区全要素能源效率整体呈现下降趋势.从Malmquist指数的分解结果来看，各年的技术进步指数TC和纯技术效率指数PTEC均小于1，规模效率指数SEC则在1附近上下波动，有的年份大于1.技术进步指数的值最小，说明这10年间出现了较为明显的技术退步，这也是导致西部地区全要素能源效率下降的主要原因.表3的分省Malmquist指数分解结果显示了与表2类似的趋势，各省区的全要素能源效率都有不同程度的下降，且技术退步是导致全要素能源效率下降的主要原因.2.3 全要素能源效率的计量分析Hu等［6］认为技术进步、纯技术效率和规模效率的改善有助于能源效率的提高.为深入研究技术进步、纯技术效率和规模效率对全要素能源效率的影响，以各省的纯技术效率指数、规模效率指数和技术进步指数作为解释变量，全要素能源效率作为被解释变量，构建计量分析回归模型.因为Malmquist 指数表示的是与上一年相比的变化情况，因而将被解释变量全要素能源效率也转化为与上一年的比值.构建的回归模型表达式如下：0.6357，表明这3个指数每提高1％，可以分别引起全要素能源效率平均提高0.4350％、0.9512％、0.6357％.技术进步指数的系数最小，表明技术进步对全要素能源效率的贡献最小；纯技术效率指数的系数最大，超过了技术进步指数的系数，这也印证了技术进步存在回弹效应的猜想.式中：i代表第i个地区；t代表第t年；Eechit、Techit、Pechit和 Sechit分别代表全要素能源效率的变动率、技术进步指数、纯技术效率指数、规模效率指数，εit为随机扰动项；C为常数项.采用Eviews8.0估计模型参数，首先对各变量进行单位根检验，结果表明Eechit、Techit、Pechit和 Sechit均为平稳序列.Hausman检验与似然比检验结果均表明应该建立随机效应模型，为了消除异方差和序列自相关的影响，采用横截面加权的GLS法进行估计，回归结果见表4.从计量回归结果可以看出，模型整体的拟合优度为0.6345，截距项以及各解释变量系数所对应的P值均小于0.05，表明技术进步、纯技术效率及规模效率的变化对全要素能源效率变动都有显著影响.技术进步指数、纯技术效率指数及规模效率指数的系数分别为0.4350、0.9512、3.1 影响因素的确定根据相关理论，同时考虑数据的可获得性，选取产业结构、能源消费结构、技术进步、对外开放程度、能源价格等影响因素进行分析.数据来源于《中国能源统计年鉴》［30］、《中国统计年鉴》［31］、《中国科技统计年鉴》［34］等.（1）产业结构.以各省第二产业增加值比重（GC）和第三产业增加值比重（FC）来反映产业结构.（2）能源消费结构.目前西部地区能源消费以煤炭为主，因此采用各省原煤消费量占全省能源消费总量的比重（CC）来衡量能源消费结构.（3）技术进步.采用R&D 经费支出（RD）作为衡量技术进步的指标.（4）对外开放程度.选取进口额比重（IC）和出口额比重（OC）两个指标，分别从进口和出口两个角度衡量对外开放程度.（5）政府影响力.选取财政支出占GDP比重（MC）和污染治理支出占GDP比重（WC）来衡量政府影响力.（6）能源价格（JG）.以原材料、燃料、动力购进价格指数反映能源价格（该指数从2011年1月起改称为“工业生产者购进价格指数”），以2000年的能源消费价格指数为基准.3.2 模型选择本文测得的各省区全要素能源效率取值均大于0，表明只能从“掐头”的连续区间随机抽取被解释变量的样本观测值，即数据被截断.对于包含截断被解释变量的模型，若采用OLS法进行估计，会导致参数估计量的偏误，在不了解解释变量分布的情况下，要估计出偏误的程度非常困难.因此，本文运用Tobit 模型对数据进行检验，以克服一般线性回归参数估计有偏且不一致的问题.Tobit模型又称为删截回归模型，是一种被解释变量受限的模型，适用于解决效率分布问题且能得出效率改进的方向和途径.Tobit 模型的一般形式如下：式中为被解释变量，即全要素能源效率；是解释变量，即各影响因素；σ是尺度参数，是确定值，需要和参数β一同估计；εi～N（0，σ2），其中被解释变量的值由下式确定：不失一般性，设a为0，这是Tobit模型的标准形式.在Tobit模型标准形式中，当yi＞0时，被解释变量取无限制的实际观测值；当yi≤0时，被解释变量受限制，均截取为0表示.3.3 回归结果及分析对2003～2012年西部地区10省的面板数据，以各省全要素能源效率为被解释变。
中国能源效率地区差异分析
张云矿;黄雪琴
【期刊名称】《太原大学学报》
【年(卷),期】2017(018)006
【摘要】以中国2001-2015年省级面板数据为样本,运用变异系数法和泰尔指数法分析了能源效率的地区差异性,结果表明:中国能源效率地区差异在波动中存在扩大的趋势;区域差异分解表明组间差异的扩大逐渐成为造成中国能源效率地区差异的主要原因,这说明我国三大区域之间能源效率存在系统性的差异.进一步分析表明,在我国经济发展过程中,能源效率地区差异的扩大会使得因经济收敛而产生的能源需求量进一步增加.因此,为了降低我国未来的能源需求,必须缩小能源效率的地区差异,特别是三大区域之间能源效率的差异.
【总页数】7页(P11-17)
【作者】张云矿;黄雪琴
【作者单位】南京财经大学经济学院,江苏南京210023;南京财经大学经济学院,江苏南京210023
【正文语种】中文
【中图分类】F206;F127
【相关文献】
1.中国能源效率地区差异分析 [J], 余秀华
2.中国能源效率地区差异分析 [J], 余秀华
3.中国能源效率地区差异分析 [J], 张云矿;黄雪琴;
4.中国沿海地区能源效率的时空演化分析 [J], 张文锋
5.中国中部与东北地区能源效率测度及差异研究 [J], 乔聪;张水平
因版权原因，仅展示原文概要，查看原文内容请购买。
中国区域能源效率及其影响因素——基于面板随机前沿模型的分析李坤明;方丽婷【期刊名称】《资源开发与市场》【年(卷),期】2017(033)011【摘要】基于2000-2015年省级面板数据,利用面板随机前沿模型估计了我国30个省份的区域能源效率,并通过对无效率项的条件期望估计,检验了人均GDP、城镇化率、工业结构、对外贸易和能源消费结构对我国能源效率的影响.能源效率估计结果显示,我国能源效率整体上呈逐年上升趋势,但区域间的差异较明显,呈现东部高、中西部低的分布特征.无效率项的估计结果表明,人均GDP和城镇化率对我国能源效率均存在显著的积极影响,对外贸易则不利于我国能源效率的改善,工业结构和能源消费结构对我国能源效率的影响在统计上不显著,但从弹性系数的估计值看,工业比重和煤炭消费比重的增加倾向于降低我国的能源效率.【总页数】5页(P1324-1327,1370)【作者】李坤明;方丽婷【作者单位】福建农林大学经济学院,福建福州350002;福州大学经济与管理学院,福建福州350001【正文语种】中文【中图分类】F062.1;F206【相关文献】1.城商行经营效率及其影响因素实证分析--基于53家城商行面板数据的随机前沿模型 [J], 陈一洪2.我国四大经济区能源效率差异及其影响因素分析--基于单阶段随机前沿模型 [J], 段小燕;王静;彭伟3.城商行经营效率及其影响因素实证分析——基于53家城商行面板数据的随机前沿模型 [J], 陈一洪;4.我国碳排放效率地区差异、影响因素及收敛性分析——基于随机前沿模型和面板单位根的实证研究 [J], 杜克锐;邹楚沅5.中国区域能源效率差异的收敛性分析——基于中国省区面板数据研究 [J], 李梦蕴;谢建国;张二震因版权原因，仅展示原文概要，查看原文内容请购买。
《产经评论》2014年1月第1期·产业发展与创新·［收稿日期］2013－11－26［基金项目］教育部人文社会科学规划基金项目（项目批号：10YJC790004，主持人：安岗）；国家自然科学基金面上项目（项目批号：71272163，主持人：郁培丽）；教育部人文社会科学规划基金项目（项目批号：12YJA630180，主持人：郁培丽）；教育部博士点基金博导类（项目批号：20130042110029，主持人：郁培丽）。
［作者简介］安岗，东北大学工商管理学院，讲师，主要研究方向为技术效率，产业组织与经济发展；郁培丽，东北大学工商管理学院教授，主要研究方向为战略管理，创新管理与产业组织理论；石俊国，东北大学工商管理学院博士生，主要研究方向为战略管理，产业组织理论。
中国工业部门能源利用效率的测度与节能潜力：基于随机前沿方法的分析安岗郁培丽石俊国［摘要］能源利用效率是制约我国经济社会可持续发展的关键因素。
本文以工业部门2003年至2010年38个行业的面板数据为样本，运用随机前沿方法对各行业的技术效率进行测定和比较，并对各行业的节能潜力进行了分析。
研究发现，资本密集型行业的能源利用效率最高，其次是劳动密集型行业，资源密集型行业的能源利用效率最低。
各行业能源效率都有提高的趋势，节能潜力因行业而异。
针对不同行业的节能潜力，政府应采取不同的节能激励政策。
本研究可以为识别行业节能潜力差异性和提高能源效率的政策制定提供参考，进一步促进能源利用技术效率提高和经济的可持续发展。
［关键词］随机前沿分析；工业部门；能源利用；节能潜力［中图分类号］F426［文献标识码］A［文章编号］1674－8298（2014）01-0005-11［引用方式］安岗，郁培丽，石俊国．中国工业部门能源利用效率的测度与节能潜力：基于随机前沿方法的分析［J ］.产经评论，2014，5（1）：005－015．一引言随着工业化进程对能源消耗的不断增加，特别是受不可再生能源供给的限制和能源价格的影响，能源利用效率问题引起广泛关注。
碳排放量和能源利用效率不公平及其原因探究作者：成玉玲来源：《商场现代化》2010年第30期[摘要] 文章引入福利经济学领域洛伦茨曲线和基尼系数,发现我国行业碳排放量与能源利用效率差距很大,基尼系数分别为0.59、0.49;并利用分位数回归探索行业碳排放行为存在不公平的关键因素在于要素禀赋结构不合理,行业投资拉动型增长方式是碳排放行为不公平的根源;进一步测算行业碳排放量存在拐点,主要集中在能源采选业、以能源加工为主的冶炼业和以能源使用或转变为主的发电、制水、制气和化工等重工业领域。
最后提出促进行业能源利用效率提高,实现能源分配公平的政策建议。
[关键词] 行业碳排放量能源利用效率要素禀赋结构洛伦茨曲线基尼系数社会主义公平正义是建立和谐社会的基本原则之一,它体现在政治、经济和文化等各方面,在资源稀缺情况下,行业领域能源分配不均,是社会公平正义在经济领域出现偏颇的重要表现。
先不考虑行业是否需要以能源为主要原料和行业投入多少的情况,每个行业得到能源消费利用的机会应该是均等的。
换句话说,不管该行业对该种资源消费与否,每个企业都有权利获得满足自己所需要的能源消费量,或者至少能得到属于自己与其他行业等额的消费权利。
而目前行业的能源消费是不公平的。
一、研究范围和数据来源本文研究范围具体包括:通信设备、计算机及其他电子设备制造业,仪器仪表及文化、办公用品机械制造业,家具制造业,炯草制品业,电气机械及器材制造业,皮革、毛皮、羽毛(绒)及其制品业,交通运输设备制造业,纺织服装、鞋、帽制造业,丈教体育用品制造业,农副食品加工业,专用设备制造业,通用设备制造业,印刷业和记录媒介的复制,医药制造业,饮料制造业,塑料制品业,食品制造业,木材加I:及木、竹、藤、棕、草制品业,金属制品业,纺织业,有色金属矿采选业,橡胶制品业,化学纤维制造业,工艺品及其他制造业,石油和天然气开采业,造纸及纸制品业,有色金属冶炼及压延加工业,黑色金属矿采选业,燃气生产和供应业,非金属矿采选业,电力、热力的生产和供应业,石油加工、炼焦及核燃料加工业,煤炭开采和洗选业,水的生产和供应业,化学原料及化学制品制造业,非金属矿物制品业,黑色金属冶炼及压延加工业。
中国能源消费区域差异分析及成因分解r——基于Shapley
值分解方法
朱文涛
【期刊名称】《科学与管理》
【年(卷),期】2016(036)001
【摘要】本文选取2007~2012年中国省际面板数据,利用泰尔指数、基尼系数及对数离差均值等指标对中国能源消费区域差异进行测度,并基于Shapley值分解方法,对中国能源消费差异的成因进行分解.实证结果表明,中国能源消费区域差异呈现逐年缩小的特征,且东部地区能源消费区域差异最为明显,西部次之,中部地区能源消费区域差异最小.Shapley值分解结果表明经济发展水平对能源消费区域差异的贡献最大,城市化次之,政府干预是能源消费区域差异的第三大贡献因素,且贡献度呈现逐年递增特点,研发投入及对外开放水平的提高有助于缩小能源消费的区域差异.【总页数】7页(P53-59)
【作者】朱文涛
【作者单位】福州大学经济与管理学院,福州 350116
【正文语种】中文
【中图分类】F062.1
【相关文献】
1.基于Shapley值的中国能源消费组合预测模型研究 [J], 黄宜;赵光洲;王艳伟
2.中国生产性服务业区域发展差异的分解——基于劳动分工理论和Shapley值分
解方法 [J], 李勇;王满仓;杨建飞
3.中国资本外逃的影响因素分析——基于分位数回归与Shapley值分解 [J], 张莉娜;车佳颐;吕祥伟;马宇
4.中国资源型城市城镇化发展差异的解释——基于Shapley值分解方法 [J], 吴静; 白中科
5.中国省际公共支出差异的来源与分解——基于Shapely值分解方法 [J], 李勇;魏婕;王满仓
因版权原因，仅展示原文概要，查看原文内容请购买。
对我国技术效率的测算：随机前沿生产函数的应用
何枫;陈荣;郑江绥
【期刊名称】《科研管理》
【年(卷),期】2004(25)5
【摘要】本文在 1981— 2 0 0 0年间我国 2 9个省市数据的基础上 ,运用随机前沿生产函数 (StochasticFrontierPro ductionFunction)模型对我国改革开放以来2 0年间的技术效率变迁进行了测算。
分析结果表明 ,我国整体的平均技术效率水平是相对较低的 ,但其在 2 0年中却一直呈现出稳步上升趋势。
【总页数】4页(P100-103)
【关键词】随机前沿分析;技术效率;生产函数
【作者】何枫;陈荣;郑江绥
【作者单位】西北大学经济管理学院经济学博士后流动站;香港中文大学工商管理学院;陕西师范大学国际商学院
【正文语种】中文
【中图分类】F224.0
【相关文献】
1.我国工业企业技术效率的比较分析——应用随机前沿生产函数进行的比较 [J], 于立;王铁
2.基于随机前沿生产函数法的饲草生产技术效率测算及影响因素分析--以西藏“一江两河”地区为例 [J], 曲云鹤;余成群;孙维;武俊喜;李少伟
3.基于随机前沿生产函数法的饲草生产技术效率测算及影响因素分析——以西藏"一江两河"地区为例 [J], 曲云鹤;余成群;孙维;武俊喜;李少伟
4.随机前沿函数在湖北省畜牧业技术效率测算及因素分析中的应用 [J], 陶红军;冯中朝
5.我国粮食主产区粮食生产技术效率进步与效率损失测度——基于随机前沿生产函数与省际数据分析 [J], 姚增福;郑少锋
因版权原因，仅展示原文概要，查看原文内容请购买。
摘要：本文提出了基于随机前沿生产函数的地区能源效率差异分析框架，并采用方差分解方法测算了１９８０￣２００５年中国能源效率地区差异中各因素的作用大小，结果发现：（１）全要素生产率、资本—能源比率和劳动—能源比率差异的平均贡献份额分别为３６．５４％，４５．６７％和１７．８９％；（２）全要素生产率差异的作用在不断提高，是中国能源效率地区差异扩大的主要原因；（３）此外，增长方式趋同的东部地区能源效率也存在显著收敛趋势，而中西部能源效率内部差异呈现波动性变化。
以上结论的政策含义是，只有改善中西部地区的资源配置效率并促进区域间的技术扩散才能有效提高落后地区的能源利用效率。
关键词：能源效率地区差异随机前沿生产函数方差分解一、引言能源是现代经济增长不可或缺的投入要素，对各国经济发展都有决定性影响，能源过度消费所带来的资源耗竭和环境问题已经成为２１世纪人类发展的重大挑战之一。
改革以来，能源为中国经济的持续快速增长提供了重要的“动力支持”，然而随着经济水平的不断提高，粗放式的能源消费对经济发展和环境保护的压力越来越大，提高能源效率是中国当前最为迫切和重要的问题之一。
由于幅员辽阔、空间发展不平衡，中国各地区能源效率存在很大差异，如果落后地区能够赶超发达地区的能源利用水平，将极大地提高总体能源效率。
例如，２００５年宁夏万元ＧＤＰ能耗为３．５５吨标准煤，而广东仅为０．６８吨标准煤，如果前者能够达到后者能源效率的１／４，就可以节约２０％以上能源消费，完成国家提出的“十一五”节能目标。
目前，关于中国能源效率的研究大多是对于产业结构和生产技术影响的考察，主要集中于从产业结构升级和生产技术进步两个角度探求提高能源效率的潜力与途径（如史丹、张金隆，２００３；韩智勇等，２００４；蒋金荷，２００４；周宏、林凌，２００５等），其基本分析方法———指数分解方法，比较适合分析一个国家或地区的能源效率的变化趋势，而不能很好解释其能源效率水平的决定，所以不适合地区差异研究（王玉潜，２００３；吴滨、李为人，２００６）。
此外，邹艳芬、陆宇海（２００５）和高振宇、王益（２００６）等利用空间计量和聚类分组等方法对中国能源效率的区域特征和空间相互影响的研究，也不能回答是什么原因造成了中国地区能源效率的巨大差异。
虽然近来有学者开始尝试从地区间能耗差异角度测算各地区节能潜力（ＨｕａｎｄＷａｎｇ，２００６；史丹，２００６等），但由于缺乏对能源效率差异形成机制的深入分析，实际上仍然不能说明我们应当如何挖掘这些潜力。
最近，魏楚、沈满洪（２００７）采用数据包络分析（ｄａｔａｅｎｖｅｌｏｐｍｅｎｔａｎａｌ－ｙｓｉｓ，ＤＥＡ）方法测算并比较各地区能源利用效率，但是他们将各地区全部经济活动的技术效率作为能源利用的技术效率，存在一定问题；而且，基于数据包络分析的效率指数测算仅仅能＊本文为史丹主持的国家自然科学基金项目“我国能源利用效率及其影响因素分析（批准文号５０５５６００２）”的阶段性成果。
中国能源效率地区差异及其成因研究＊———基于随机前沿生产函数的方差分解□史丹吴利学傅晓霞吴滨够反映各地区能源效率的变化情况，同样难以比较地区能源效率水平并分析其原因。
为从理论上说明中国能源效率地区差异的影响因素及其机理，并对各种因素的作用大小进行实证分析，本文提出了基于生产函数的地区能源效率差异分析方法，从而能够在经济增长的框架下研究能源效率及其地区差异，并采用方差分解方法测算不同要素对地区能源效率差异的影响程度。
同时，对于地区技术进步的差异化处理和制度因素的引入使得本文的生产函数估计和能源效率差异分解更为符合中国改革以来的经济现实，有利于找到更为可行的提高能源效率之策。
利用１９８０￣２００５年２８个省级地区的面板数据，本文得到以下主要结论：（１）改革以来各地区全要素生产率、资本—能源比率和劳动—能源比率的差异都对地区间能源效率差异有较大影响，平均贡献份额分别为３６．５４％，４５．６７％和１７．８９％；（２）从变化趋势来看，资本—能源比率和劳动—能源比率差异的作用在缩小，全要素生产率差异的作用在不断提高，是中国能源效率地区差异，特别是东西部地区间差距不断扩大的主要决定力量；（３）此外，由于增长方式及由此决定的全要素生产率不断接近，东部地区能源效率差距呈现明显缩小的趋势，而中西部地区由于体制转轨进程参差不齐，内部能源效率差异呈现波动性变化。
以上发现的政策含义在于，仅仅从微观技术层面或产业结构方面着手不能有效地缩小各地区，特别是东西部地区间的能源效率差异，只有加快推进中西部地区的市场化改革和对外开放，才能促进包括能源技术在内的技术扩散、改进地区资源配置效率，从而提高落后地区的能源利用效率。
本文其余部分的结构安排如下：第二部分描述改革以来中国能源效率地区差异状况、变化趋势及其因素构成等方面的基本事实；第三部分提出基于生产函数的地区能源效率差异分解框架；第四部分讨论技术进步设定、随机前沿生产函数估计方法并报告了估计结果；第五部分分析了全国各地区、东西部地区之间和三大地带内部能源效率差异的影响因素及其贡献份额；最后第六部分总结全文。
二、事实描述典型化事实（ｓｔｙｌｉｚｅｄｆａｃｔｓ）是经济学研究的出发点，例如对经济增长和金融市场典型化事实的概括都极大地推动了宏观经济研究的发展（王诚，２００７）。
虽然有学者尝试总结中国经济增长和地区差异的典型化事实（林毅夫等，１９９８），但目前对能源效率地区差异的归纳还比较少，因而本文首先对基本事实进行初步地描述和总结。
不过，值得指出的是，尽管人们对能源效率问题关注程度不断提高，但不同领域研究对能源效率的定义和分析角度确有很大差别，例如技术领域更为关注能源生产、转化、传输、存储等环节的效率损失，企业应用中最为关心的往往是能源投入的成本和供应问题。
本文研究的是地区经济活动中能源总体的利用效率，因而将地区能源效率定义为地区产出总量与能源投入总量的比率，其中产出采用地区生产总值（ＧＤＰ），能源投入采用地区能源最终消费实物量。
实际上，我们定义的能源效率指标与另一常用的能源效率分析指标———能源强度（ｅｎｅｒｇｙｉｎｔｅｎｓｉｔｙ）互为倒数，都是反映经济活动中能源消费与产出增长关系的偏要素生产率（ｐａｒｔｉａｌｆａｃｔｏｒｐｒｏｄｕｃｔｉｖｉｔｙ）指标，只不过后者通常用以描述行业或技术对能源的依赖或消耗程度，在技术或产业领域应用较多；而前者数值越高则表明该地区能源效率越高，在生产率分析中更便于叙述和理解。
首先我们计算了１９８０￣２００５年中国各地区能源效率水平，结果见表１。
从中可见，改革以来各地区能源效率都有大幅提高，但地区之间差异很大，效率最高地区的能源效率平均水平大约是效率最低地区的５倍。
从东中西三大地带（说明见附录）来看，经济相对发达的东部地区能源效率比较高，１９８０￣２００５年间一直高于全国平均水平；中西部地区能源效率较低，特别是西部地区与发达地区的差距越拉越大（参见图１）。
如果以全国平均水平为１，１９８０年三大地带能源效率的比率为１．２０∶０．８５∶０．９４，东部地区最高，中部最低，西部介于二者之间；１９９０年变为１．２５∶０．８７∶０．８９，中西部地区效率更为接近，东部与中西部差异略有扩大，但变化幅度不大；到２００５年这一比率为１．４０∶１．００∶０．７１，东部能源效率显著高于其他地区，中部也与西部拉开了一定距离。
其次，为考察各地区能源效率的总体差异及其变化趋势，我们计算了全国和三大地带能源效率的对数标准差，结果表明中国能源效率地区差异的变化趋势大体可以分为３个阶段：第一，在１９８０￣１９９０年间，全国和各地区的差距基本都在缩小；第二，１９９０￣２００２年全国和西部地区差距明显扩大，而和东部地区差距则显著缩小，中部地区总体上变化趋势不明显；第三，２００３年以后全国和各地带地区差距都有缩小趋势，但这一态势能否持续现在还不能做出判断（见图２）。
这表明，改革以来全国各地区能源效率的总体差异在波动中不断扩大，但东部和中西部地区的差异变化有很大区别。
为进一步确认这一事实，我们利用Ｑｕａｈ（１９９６）提出的收入分布动态（ｉｎｃｏｍｅｄｉｓｔｒｉｂｕｔｉｏｎｄｙｎａｍｉｃｓ）方法更为直观地刻画了地区能源效率差异的变化过程，发现各地区能源效率分布逐步从“单峰”向“双峰”转变（参见图３）。
这意味着改革以来地区能源效率差异的确呈现明显的分化趋势，从而出现了所谓的“俱乐部收敛（ｃｌｕｂｃｏｎｖｅｒｇｅｎｃｅ）”现象①，即一部分地区能源效率趋向于高水平均衡，另一部分地区趋向于低水平均衡。
第三，为具体分析地区内部差异及地区间差异对总体差异的影响，我们计算了各地区能源效率的Ｔｈｅｉｌ指数，并对总体差异进行了地区构成分解。
结果发现，东部地区内部差异是构成全国地区差异的最主要原因，但贡献份额在不断下降，已从改革初期的近６０％下降到目前的３５％左右；中部和西部地区内部差异的贡献份额比较小，变化也不大，基本上稳定在１０％￣１５％左右；相应地，地区间差异的影响却不断增大，贡献份额从１９８０年的不足１０％增加到目前的３０％以上，已经与东部地区内部差异的作用不相上下（见图４）。
这同样表明，改革以来中国各地区能源效率存在较大差异，虽然东部地区呈现显著的趋同趋势，但与中西部地区的差异总体上不断扩大，三大地带之间的能源效率差异已经成为造成中国能源效率差异的主要原因，并将决定今后中国地区间能源效率差异的变化趋势。
以上发现可以概括如下：第一，经济发展水平与能源利用效率高度相关，经济发达地区能源利用效率比较高；第二，总体而言，改革以来能源效率的地区差距在扩大，特别是东部地区与中西部地区的差距一直没有缩小的趋势；第三，东部地区的内部差距在显著缩小，三大地带之间的差距对全国各地区总体差距的影响越来越大。
同时，这些事实也提示我们，仅仅从产业结构变化和行业能源效率改进角度进行能源效率分解不能全面解释能源效率地区差异，还必须要从经济增长的视角来研究中国能源效率及其地区差异问题，因为只有对能源消费与经济增长关系进行深入分析才能揭示能源效率及其地区差异的决定因素，并从而找到缩小其地区差距的有效途径。
三、地区差异的分解框架从理论上讲，能源效率是一种偏要素生产率指标，受经济中诸多因素，特别是生产过程中其他要素的影响，因此生产函数是能源效率分析的自然起点。
大多数经验研究（李京文、钟学义，１９９８；Ｗｕ，２００３；ＣｈｏｗａｎｄＬｉｎ，２００２等）表明科布—道格拉斯生产函数能够较好地描述中国的经济增长现实，因而本文也采用这一形式，方程如下：Ｙｉｔ＝ＡｉｔＫαｉｔＬβｉｔＥγｉｔ（１）其中Ｙｉｔ表示ｉ地区ｔ时期的产出，Ａｉｔ表示广义技术（Ｔｅｃｈｎｏｌｏｇｙ）水平，或者根据增长核算的术语称之为全要素生产率（Ｔｏｔａｌｆａｃｔｏｒｐｒｏｄｕｃｔｉｖｉｔｙ），Ｋｉｔ表示资本投入，Ｌｉｔ表示劳动投入，Ｅｉｔ表示能源投入，α，β和γ分别为资本、劳动和能源的产出弹性，当α＋β＋γ大于、等于或小于１时，经济中要素投入的规模报酬递增、不变或递减。
