我国能源效率、CO2减排潜力及影响因素分析

曾贤刚(中国人民大学环境学院,北京 100872)

我国能源效率、CO2减排潜力及影响因素分析

曾贤刚*(中国人民大学环境学院,北京 100872)

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,运用2000～2007年省级面板数据计算了我国30个省市的综合能源效率,并使用Tobit模型分析了该综合能源效率的影响因素.研究表明:全国能源效率最高的4个省市分别为上海、广东、海南和青海,该结果与不考虑CO2排放的能源效率计算结果有所差异;我国各省区CO2减排潜力呈现出5种变化趋势,包括基本不变、先降后升、先升后降、稳定上升、稳定下降,其中减排潜力较大的为山东、山西、河北、辽宁4省;我国政府影响力、对外开放程度对能源效率影响显著,产业结构、环保力度对能源效率影响不显著,此外技术进步指标由于难以正确的衡量,其对能源效率的影响还难以说明.

DEA；能源效率；CO2排放；Tobit模型

Abstract：Based on the DEA approach, this paper estimates a comprehensive energy efficiency indicator which incorporates CO2emission for 30 provinces/cities in China using the panel data from 2000 to 2007, and then investigates its determinants by employing a Tobit model. The estimation results show that the four provinces with the highest energy efficiency in China are Shanghai, Guangdong, Hainan and Qinghai, which is different from the energy efficiency estimation that does not take into account CO2emissions. The reduction potential of CO2emission in these provinces shows five kinds of trends, including the basically unchanged, up after going down, down after going up, steadily rising, and steadily declining. The provinces which have high potential for emission reduction are Shandong, Shanxi, Hebei and Liaoning. The government’s expenditure and the opening degree have a significant influence on energy efficiency, while the industry structure and enforcement of environmental protection aren’t closely related with it.The impact of technology progress cannot be clearly identified for lacking of appropriate measurement.

Key words：DEA；energy efficiency；CO2emission；Tobit model

我国当前的能源形势十分严峻,一方面能源需求量日趋增加,供需矛盾凸显;另一方面由于能源生产和消费所产生的温室气体对全球气候的影响越来越引起人们的关注.为了实现可持续发展,我国政府在“十一五”规划中就明确规定了单位GDP能耗降低20%的约束性指标,而且在2009年11月25日,我国政府又确定到2020年我国单位GDP二氧化碳排放比2005年下降40%～45%[1],并作为约束性指标纳入国民经济和社会发展中长期规划.为了实现节能减排目标,提高能源效率已经成为当前非常紧迫的任务.

目前,国内外关于中国能源效率的研究有很多,其中大多数都是基于能源消耗强度比较及其变动的因素分解分析[2-7].这是一种单要素的能源效率方法,没有考虑到能源与资本、劳动等要素之间的替代性.为了弥补这一缺陷,基于生产函数的多要素能源效率方法得到了应用.这一方法又分为非参数法和参数法,典型的非参数法如数据包络分析(DEA),参数法如随机前沿函数法(SFA).与SFA相比,DEA更适合于在多要素生产函数理论框架下计算某种投入要素的利用效率.运用DEA方法研究能源效率问题一般围绕行业层面和区域层面两条线索展开,具体分析各个行业或各个区域的能源效率差异、节能减排潜力及其影响因素[8-14].这种方法依靠线性规划技术锁定最优的决策单元(DMUs),可以系统地测度和比较各决策单元的能源效率.但是目前运用DEA方法进行的能源效率研究仍然存在一些问题.一方面,对于能源效率的概念缺少统一标准,而且其评价指标本身也存在一定缺陷,由此导致各种研究计算出来的能源效率结果差异较大.另一方面,目前国内对地区能源效率的研究大都只考虑经济产出,而对能源利用过程产生的环境非期望产出则不予考虑,使得研究结果缺乏科学性.为了弥补这些缺陷,笔者对多要素能源效率的概念进行了扩充,引入与能源利用密切相关的CO2排放量作为产出指标,应用DEA模型计算考虑CO2产出后的能源综合效率,并据此分析各省区CO2减排潜力,同时利用Tobit模型对其可能的影响因素进行深入分析.

1 研究方法与模型

1.1一阶段数据包络分析法(DEA)

数据包络分析法最初是由Charnes等[15]提出,是基于规模报酬不变(CRS)的DEA模型.该模型是将Farrell[15]所提出的“两投入-产出”模式,推广至“多投入多产出”模式,并利用线性规划和对偶定理,求出待评估单位的生产前沿,凡落在边界上的决策单位(DMU)称为DEA有效率,其效率值为1;而其他未落在边界上的DMU则称为DEA无效率,其效率值介于0与1之间.之后, Banker等[16]扩展了CRS模型中关于规模报酬不变的假设,提出了基于可变规模报酬(VRS)的DEA模型.它构成了一个截面凸包,比CRS构成的圆锥包更为紧凑,同时可以将技术效率分解为纯技术效率和规模效率.据此,可利用线性规划方法计算每一决策单位的相对效率.

由于DEA方法可以有效的处理多投入和多产出的情况,并可直接计算出能源效率和投入冗余量,其在避免主观因素、简化算法、减少误差等方面也有着不可低估的优越性,因此本文采用DEA方法建立能源效率评价模型.利用常规DEA模型可以将非同质投入资源进行加总,并考察评价单元相对于生产前沿面上的能源技术效率,但其产出指标一般为价值指标等期望产出,对于污染物等非期望产出却不适用.本文中的能源效率除了考虑一般的经济价值指标外,还考虑环境污染物非期望产出.在DEA模型中,环境污染物等非期望产出表现为负产出,因此必须对非期望产出进行处理.目前处理环境污染物的DEA模型主要包括曲线测度评价法、污染物作投入处理法、数据转换函数处理法和方向距离函数法.曲线测度法求解方法比较繁琐,污染物作投入处理法违背了实际的生产过程,数据转换函数处理法可能会破坏模型的凸性要求,方向距离函数法评价的效率值受主观因素的影响很大.综合DEA相关文献[17-18]的研究成果后,本研究选择数据转换函数处理法的DEA模型.该方法是Seiford 等[19]于2002年正式提出,基于VRS模型的分类不变性原理,有效地保持了凸性和线性关系,是一种较好的环境效率评价方法.目前,主要有3种数据转换函数法:负产出、非线性数据转换和线性数据转换.由于线性数据转化方法在VRS模型中具有很大优势,因此本文采用线性数据转换法,它是通过一种线性的数据转化函数f(b)=v-b将污染物转化为期望产出的转化方法,其中,v是一个足够大的向量以保证所有转化的期望产出是正数.

综合考虑数据特点、处理难度、结果分析等因素,本研究选取基于投入导向的VRS模型,可避免CRS模型中无法保持分类一致性的问题.

假定有n个独立的评价单元DMU,每个DMU都有m种资源投入xi和s种产出yi,同时排放出k种污染物bi.首先采用线性数据转换函数(b′i=-bi+v)对污染物进行转化,v是一个足够大的向量,然后将b′i作为期望产出添加到常规DEA模型中.

式中:θ0为评价单元DMUj0的有效值;ηj为相对于DMUj0重新构造的一个有效DMU组合中第j个评价单元DMUj的组合比例;si−、sr+、st+为松弛变量.

1.2二阶段Tobit回归分析

在利用DEA模型计算出决策单元效率值后,为了解效率的影响因素及其影响程度,在DEA分析的基础上衍生出了两步法[20].该方法第1步采用DEA分析评估出决策单位的效率值,第2步以上一步中得出的效率值作为因变量,以影响因素等作为自变量建立回归模型.因为DEA法得出的效率指数介于0和1之间,所以回归方程的因变量就被限制在这个区间.如果直接采用最小二乘法,会给参数估计带来严重的有偏和不一致.为此,第二步采用Tobit回归分析.

Tobit分析是因变量受限模型,当因变量为切割值或片断值时采用[21-22].如果要分析的数据具有这样的特点:因变量的数值是切割或片段的情况时,那么普通最小二乘法(OLS)就不再适用于估计回归系数,这时遵循最大似然法概念的Tobit 模型就成为估计回归系数的一个较好选择.

2 我国各省区能源效率及CO2减排潜力

2.1投入产出变量选择及数据来源

以2000～2007年中国30个省级行政区域的数据作为能源效率的评价单元,不包括西藏和港澳台地区.投入指标分别为能源消费量、劳动力和固定资产折旧,产出指标分别为各省区的GDP及其CO2排放量.本研究中能源效率的投入产出指标共有5个,符合DEA方法对评价单元的数量至少是投入产出指标数量之和2倍的要求.

其中,各省区能源消费量主要包括化石能源、水电和核电,数据来自2001～2008年的《中国能源统计年鉴》[23],且各年能源消费总量均已换算成标准煤;劳动力数据来自2001～2008年的《中国统计年鉴》[24],当年就业人数按照(当年年末就业人数+上一年年末就业人数)÷2来计算得到;各省区固定资产折旧数据来自于中经网数据库;各地区生产总值的数据来自2001～2008年的《中国统计年鉴》,并以2000年为基准年,对2001～2007的地区生产总值进行修正.

各省区CO2排放量的数据来源相对复杂,它是根据《2006年IPCC国家温室气体清单指南》提供的方法学和我国的能源统计数据,对各省区的排放状况进行核算.本文中CO2排放为经济生产过程的排放,核算对象包括化石燃料燃烧的排放和水泥生产过程的排放两部分.其中,化石燃料燃烧通过2001～2008年间《中国能源统计年鉴》提供的各地区煤炭、焦炭、各类石油、天然气实物消费量进行计算,水泥生产过程则通过2001～2008年间《中国水泥年鉴》[25]所提供的各地区水泥产量数据进行分析.然后,根据各省区CO2排放量数据,采用线性数据转换函数将环境影响指标w转化为环境正影响指标w′=v-w,并确定v＝100000,然后将w′作为期望产出添加到常规DEA模型中.

2.2能源效率与CO2排放的关系

本研究中能源效率是在给定各种投入资源的条件下实现最大经济产出和最小CO2排放的能力,或在给定经济产出和CO2排放量的条件下,实现资源投入最少的能力.由此可知,在其他要素不变的情况下,地区CO2排放量减少会提高地区能源效率,地区CO2排放量增加会降低地区的能源效率.

图1 能源效率与CO2排放的关系Fig.1 Relationship between energy efficiency and CO2emission

需要注意的是,投入要素中的能源消费量会同时从投入和产出两方面影响地区的能源效率.假定某地区除能源消费总量外的其他投入要素和经济产出均保持不变,那么由能源效率的定义可知,该地区的能源消费总量减少必然会提高地区的能源效率;除此以外,由于地区CO2排放主要来自于化石能源的燃耗,如果地区能源消费总量减少主要来自化石能源消费量的减少,则地区CO2排放量也会伴随能源消费总量的减少而相应减少,则地区能源效率会应CO2排放量的减少而再次提高.具体关系见图1.

2.3能源效率分析

通过DEAP2.1软件,计算得到2000～2007年中国30个省级行政区域的能源效率(表1),其中能源效率进一步分解为纯技术效率和规模效率.

表1 中国30个省级行政区域的能源效率(2000～2007)Table 1 Energy efficiency of the thirty provinces in China from 2000 to 2007

由表1可见,上海、广东、海南和青海的能源效率最高,2000～2007年的能源效率均为1,共同构成了中国能源效率的前沿面,北京、天津、内蒙古、辽宁、黑龙江、浙江、福建、广西、重庆等省份也均有若干年位于前沿面上;山东、湖北、陕西、甘肃的能源效率最低,其能源效率值常年在0.8以下.

在规模可变的条件下,对于非DEA有效的行政区域可以分别考察其技术有效性和规模有效性.通过表1考察2000～2007年间的非DEA有效的行政区域:北京(2004～2006)、福建(2002～2004)、河南(2005～2007)均曾连续出现纯技术有效但非规模有效,这说明这3个行政区域按照当时的产出计算,其投入不可能再减少了;辽宁(2002)、吉林(2004)、山东(2002)、重庆(2006)、贵州(2004)、云南(2000～2001,2007)、新疆(2004)等7省均曾出现规模有效而非纯技术有效的情况,说明其资源利用虽然实现了规模经济性,却不拥有最佳的技术水平.其余行政区域在相应年份既非技术有效也非规模有效,也就是说这些行政区域在当时存在投入冗余或产出不足的情况,即使减少其部分投入,也有可能保持当时的产出水平不变.

另外,国内一些学者,如魏楚等[8]曾经借助聚类分析而非传统的东、中、西区域来划分不同的能源效率地区,并将之区分为能源高效、中效和低效区,本研究应用这一方法同他们的划分结果相比较,见表2.

表2 能源效率聚类分析Table 2 Cluster analysis of energy efficiency

由表2可见,在仅考虑经济产出的能源效率聚类中,对于辽宁、黑龙江、湖北、湖南、云南等的评价得分偏高,而对北京、天津、内蒙古、浙江、福建、重庆、青海和宁夏的测度则偏低.在魏楚等[8]的聚类结果中,内蒙古、青海、宁夏均处于能源低效区,但在本研究中三者均为能源高效区.主要原因是魏楚等[8]计算的全要素能源效率忽视了环境影响这个非期望产出,从而导致以此为基础的聚类分析结果与地区生产总值具有较强的正相关性,具体表现在一些低工业产值、环境友好的省市被划至能源低效区.

2.4各省区CO2减排潜力分析

非DEA技术有效的各省区均存在投入冗余或产出不足的情况,投入冗余即减少投入也可达到原有的产出水平;产出不足即保持投入不变也可增加一定的产出.本研究重点考虑环境正影响产出不足的情况.由于本例中环境正影响是由地区CO2排放量的相反数转化而来,因此环境正影响产出不足实际上反映了地区CO2排放量的过剩;环境正影响产出不足率则实际上反映了地区CO2排放量过剩率,即各省区理论上存在的CO2减排潜力.

对2000～2007年DEA非技术有效的各省区做CO2减排潜力(环境正影响产出不足)分析,得到表3的结果.

考察2000～2007年各省区的CO2减排潜力,DEA技术常年有效的省份有北京、天津、上海、福建、河南、广东、广西、海南、重庆、青海,在投入一定的情况下,它们大都不存在CO2排放过剩的情况,减排潜力为0(这里的减排潜力是个相对值,而非绝对值.减排潜力为0并不代表该区域CO2无法进一步减排,而是指以国内当时应用最优技术水平而言,再减排CO2的可能性很低).而DEA非有效的省区均存在不同程度的CO2排放过剩,这些省区都具有不同程度的CO2减排潜力.以2007年的数据为例,减排潜力最高的为山东、山西、河北、辽宁4省,减排潜力分别为1415.2%、177.5%、168.7%和99.4%,尤其是山东省,其CO2排放量居于全国首位并远超全国平均水平,减排潜力很大.

表3 2000～2007年中国各省区CO2减排潜力分析(%)Table 3 Potential of CO2Emission Reduction in the thirty provinces of China from 2000 to 2007 (%)

由表3可知,我国各省区CO2减排潜力大致有5种变化趋势:(1)基本不变,此类省份2000～2007年间的CO2减排潜力排名情况变化不大,大都在平均值附近波动,主要为北京、山西、上海、辽宁、福建、吉林、江苏、山东、陕西、广东、广西、青海和新疆;(2)先降后升,其拐点大都在在2004年或2005年,主要为河北、黑龙江、湖北、湖南、贵州;(3)先升后降,主要省份为四川、甘肃和宁夏;(4)稳定上升,此类省份的减排潜力呈现较明显的上升趋势,如内蒙古、浙江、云南;(5)稳定下降,此类省份的减排潜力呈现较明显的下降趋势,如天津、安徽、重庆.

3 影响因素的计量分析

3.1变量选取及数据来源

根据文献调研和社会经济发展的经验,笔者认为各省区能源效率的可量化影响因素主要有以下几个方面:产业结构、技术进步、政府的影响力、对外开放程度、环保治理投入等.本研究产业结构以第3产业增加值在该地区GDP中的所占比重表示;技术进步以地区专利授权数表示;政府的影响力用地方财政支出所占GDP比重来表示;对外开放程度用该地区进出口贸易总额所占GDP比重来替代;环保治理投入用地区工业污染治理投资占GDP比重来表示.

数据考察期为2000～2007年,包含我国30个省市(西藏除外)8年内共240样本单元.基础数据主要来自于《中国统计年鉴》、国家统计局环保专题数据和中经网地区数据库.对外贸易总额换算成人民币单位时采取的汇率值为中国人民银行的汇率统计数据的年平均值.

3.2回归模型建立

用DEA模型计算出来的能源效率值都处于0和1之间,最大值为1,具有被切割或截断的特点,因此选择Tobit回归模型.本研究建立能源效率影响因素Tobit 模型如下:式中:y为DEA的效率值;x1为第三产业增加值占GDP比重;x2为专利授权数;x3为财政支出占GDP比重;x4为进出口总额占GDP比重;x5为工业污染治理投资占GDP比重;.β0为常数项;ε为随机项.

3.3结果分析

利用Eviews 3.1专门处理Tobit模型删尾数据的最大似然估计程序,对上述面板样本数据进行回归,结果如表4.

从表4可以看到具体的回归结果:产业结构的调整对能源效率的影响并不显著.这与史丹[26]研究能源效率的结论类似,史丹的研究表明产业结构变化对能源效率的作用自20世纪90年代中期起正在逐渐消失,甚至产生负向作用.一国产业结构在短期内难以改变,短期内其对化石能源的需求总量也难以下降,同时由于CO2排放主要来自于化石能源的燃烧,故产业结构调整在短期内对能源效率并不会产生显著的影响.

表4 Tobit模型回归结果Table 4 Regression results of Tobit model

由于我国地区间差异大,存在着明显的区域特征,因此,笔者进一步分区域考察了产业结构对能源效率的影响.回归结果表明,产业结构在西部和东北老工业基地2个地区中具有显著的影响.其中,西部地区产业结构调整对能源效率的影响是正向的,系数为1.751,说明该地区第3产业比重的增加可以提高该地区的能源效率.而东北老工业基地的情况则相反,系数为-3.921,这说明过分追求第3产业的提高会导致经济的无效率,即使CO2正产出增加也不足以抵消经济产出减少造成的整体能源效率的下降.此外,产业结构对沿海和中部地区的影响较不显著.全国尺度上产业结构调整对能源效率影响不显著的原因主要有两个.一是我国产业结构调整不明显,更多的是地区间的产业转移;二是由于地区间差异较大,产业结构对各地区的影响存在区域特征.

技术进步对能源效率表现出负效应,与理论和客观事实不符.本研究出现这样的结果可能是由于授权专利数无法良好地衡量技术进步指标.目前国内学者对于技术进步指标的刻画大都采用专利申请量或R&D比重等,都存在不足之处.由于国内进行研发的主体是政府机构,技术研发往往同市场应用脱钩,并且当前中国的自主研发相对较少,更多的是对国外技术的引进和吸收,因此专利数不能反映国内的技术水平.

政府对经济社会影响程度的增加会提高能源效率.研究表明财政支出所占比重每增加1%,能源效率提高0.509%,这一结果与魏楚等[8]关于政府财政支出会降低能源效率的结论相反.笔者认为,原因在于本研究中添加了CO2排放作为环境产出.这也说明,即使政府干预会降低地区经济产出,但其CO2排放量减少而新增的环境正产出也可一定程度上弥补经济产出对能源效率的影响.也就是说,在考虑到气候变化这一具有显著外部性的环境问题时,政府的干预是有效的,这与外部性理论是相符的.同时,在我国目前的经济体制和政治体制背景下,解决环境问题主要依赖于政府的宏观调控能力.因此,应当加强政府的影响力.

对外开放程度对能源效率有正面影响,这与多数研究关于对外贸易可以提高地区经济效率结论相符.对外贸易总额每增加1%,能源效率将提高0.294%.这是由于对外开放程度的扩大使得该地区可以引进先进的技术、设备和管理经验,这些都会降低该地区的单位能耗和CO2排放强度,进而提高地区能源效率.另外,对外开放还能够促进当地学习和借鉴先进的环保技术和环境管理经验,特别是气候变化问题上,根据《京都议定书》协定的国际间合作机制,如CDM机制等的开展,更能够在促进当地经济发展的同时减少CO2排放量.

环保投资对能源效率有负影响.如果考虑中国国情和现状也可以理解.一方面当前的环保投资统计主要考虑“三同时”、环境基础设施建设、工业污染物治理3方面,并没有直接针对节能措施和CO2减排的投资.另一方面,中国污染治理投资占GDP比重一直处于较低水平且治理效果不佳,同时污染治理投资往往是被动的,污染越重的地区会被迫投入更多的资金却获得较差的投资效果,在数据上造成环保投资对能源效率成反比例关系.

4 结论

4.1忽视环境产出的全要素能源效率指标不能有效地刻画出能源效率.本文通过DEA方法定义的包含CO2排放量作为环境产出的综合能源效率是一个相对更优的指标.

4.2省级综合能源效率的计算表明,上海、广东、海南和青海的能源效率最高,山东、湖北、陕西、甘肃的能源效率最低,其能源效率值常年在0.8以下.与传统能源经济效率相比较发现,一些低产值、环境友好的省区能源效率要高于高产值但非环境友好的省区.

4.3在2000～2007年间,我国各省区CO2减排潜力呈现出5种变化趋势,包括基本不变、先降后升、先升后降、稳定上升、稳定下降.其中减排潜力较大的为山东、山西、河北、辽宁4省,尤其是山东省,其CO2排放量居于全国首位并远超全国平均水平,减排潜力最大.

4.4利用Tobit模型分析综合能源效率影响因素的回归结果表明,我国政府影响力、对外开放程度对能源效率影响显著,而产业结构、环保投入对能源效率影响不显著,此外技术进步由于难以通过合适的指标进行刻画,其对能源效率的影响还难以解释.

[1] 国务院新闻办公室.我国承诺2020年单位GDP的二氧化碳排放下降40%～45% [N/OL]. 新华网, 2009年11月26日.

[2] 张晓平.中国能源消费强度的区域差异及影响因素分析 [J].资源科学, 2008,30(6):883-889.

[3] 齐绍洲,罗 威.中国地区经济增长与能源消费强度差异分析[J]. 经济研究, 2007,(7):74-81.

[4] 王玉潜.能源消耗强度变动的因素分析方法及其应用 [J]. 数量经济技术经济研究, 2003,(8):151-154.

[5] Sun J W. Three types of decline in energy intensity-an explanation for the decline of energy intensity in some developing countries [J]. Energy Policy, 2003,31(6):519-526.

[6] Garbaccio R F, Ho M S, Jorgenson D W. Why has the energy-output ratio fallen in China ? [J]. The Energy Journal, 1999,20(3):63-91.

[7] Fisher Vanden K, Jefferson G H, Liu H M, et al. What is driving china’s decline in energy intensity? [J]. Resource and Energy Economics, 2004,26(1):77-97.

[8] 魏 楚,沈满洪.能源效率及其影响因素:基于DEA的实证分析[J]. 管理世界, 2007,(8):66-76.

[9] Hu Jin-Li, Wang Shih-Chuan. Total factor energy efficiency of regions in China [J]. Energy Policy, 2006(17):3206-3217.

[10] 杨红亮,史 丹.能效研究方法和中国各地区能源效率的比较[J]. 经济理论与经济管理, 2008,(3):12-20.

[11] Mukherjee K. Energy use efficiency in US manufacturing: A nonparametric analysis [J]. Energy Economics, 2008,(30):76-96.

[12] Mukherjee K. Energy use efficiency in the Indian manufacturing sector: An interstate analysis [J]. Energy Policy, 2007,(10):1-11.

[13] 邹艳芬,陆宇海.基于空间自回归模型的中国能源利用效率区域特征分析 [J]. 统计研究, 2005,(10):67-71.

[14] 史 丹.中国能源效率的地区差异与节能潜力分析 [J]. 中国工业经济, 2006,(10):49-58.

[15] Charnes A, Cooper W W, Rhodes E. Measuring the efficiency of DMU [J]. European Journal of Operational Research, 1978,2(6): 429-444.

[16] Banker R D, Charnes A, Cooper W W. Some models for estimating technical and scale inefficiencies in data envelopment analysis [J]. Management Science, 1984,(30):1078-1092.

[17] 王 波,张 群,王 飞.考虑环境因素的企业DEA有效性分析[J]. 控制与决策, 2002,(l):24-28.

[18] 卞亦文.基于DEA理论的环境效率评价方法研究 [D]. 合肥:中国科学技术大学, 2006.

[19] Seiford L M, Zhu J. Modeling undesirable factors in efficiency evaluation [J]. European Journal of Operational Research, 2002,142(1):16-20.

[20] Coelli T J, Rao D S P, Battese G E. An introduction to efficiency and productivity analysis [M]. Boston: Kluwer Academic Publishers, 1998.

[21] Tobin J. Estimation of relationship for limited dependent variables [J]. Econometrica, 1958,(26):24-36.

[22] Goldberger A S. Econometric theory [M]. New York: John Wiley and Sons, Inc, 1964.

[23] 国家统计局.中国能源统计年鉴(2001-2008年) [M]. 北京:中国统计出版社, 2009.

[24] 国家统计局.中国统计年鉴(2001-2008年) [M]. 北京:中国统计出版社, 2009.

[25] 中国水泥协会.中国水泥年鉴(2001-2008年) [M]. 吉林:吉林教育出版社, 2009.

[26] 史 丹,张金隆.产业结构变动对能源消费的影响 [J]. 经济理论与经济管理, 2009,(8):30-32.

Energy efficiency, potential of CO2emission reduction and its determinants across Chinese regions.

ZENG Xian-gang*(School of Environmental and Natural Resources, Renmin University of China, Beijing 100872, China). China Environmental Science, 2010,30(10)：1432～1440

X24

A

1000-6923(2010)10-1432-09

曾贤刚(1972-),男,江西九江人,副教授,博士,研究方向为环境经济与管理.发表论文40余篇.

2010-01-07

环境保护部“温室气体排放统计核算与环境监管能力建设”项目;中国人民大学明德学者计划项目(10XNJ013)

* 责任作者, 副教授, zengxg@ruc.edu.cn