安徽省交通运输业能源利用效率的测算与分析

王海涛，董鹏飞，刘 淇

（合肥工业大学 经济学院，合肥 230601）

一、引 言

随着物联网、移动互联网、电子商务的快速发展，交通运输业发展的道路越来越宽，产业增加值也越来越高，在21世纪初的移动互联网时代交通运输业已经成为我国最具发展潜力的产业之一。随着我国经济发展水平提高以及基础设施投资额快速增加，我国交通运输业发展已经由以前的人口流动带动模式转变为政府和企业投资带动模式。自从2009年安徽省“皖江城市带”被国务院批复为“承接产业转移”的国家级示范区以来，大量资本和技术蜂拥而入，引起了安徽省经济快速发展和基础设施特别是交通运输业基础设施投资快速增长。根据2011年－2014年安徽省统计年鉴，安徽省的货物运输周转量从2000年的1 077.74亿吨公里增长到2013年的11 158.96亿吨公里，年均增长率19.7%。旅客周转量从2000年的536.90亿人公里增长到2013年的2 118.59亿人公里，年均增长率11.1%。预计到2020年，货运周转量将会高达39 284.5亿吨公里，旅客运输周转量将会高达达到4 436.65亿人公里。

然而，随着交通运输业迅速发展，一系列环境问题也开始凸显，据国家环保部2013年底发布的一组数据显示，雾霾颗粒中机动车尾气占22.2%，机动车尾气排放已经成为城市雾霾天气的主要原因之一。以安徽省合肥市为例，根据2013年1月1日至2013年12月29日国家环境保护部重点监测的74个城市空气质量数据，合肥市空气质量在这一年里达到优的天数仅仅只有24天，合肥市2013年有190天雾霾天气；同时，合肥市2013年的客运量和货运量分别比2012年上升了16.6%和16.4% 。根据2014年安徽统计年鉴，2013年安徽省交通运输业能源消耗量更是占了全省除工业外总能源消耗量的28.2%①数据来源于2011年－2013年安徽统计年鉴。。可见，交通运输业已经成为关乎低碳经济发展战略实施和雾霾天气治理的关键行业。因此，对安徽省交通运输业能源利用效率进行测算并探究其区域差异显得尤为重要，既有利于掌握安徽省交通运输业能源利用效率状况，也有利于为安徽省交通运输业发展提供政策参考。

二、文献回顾

Hu和Wang（2006）在国内能源效率研究领域率先引入DEA 模型，提出了“全要素能源效率（TFEE）”的概念，解决了单要素模型在测算能源利用效率方面的一些不足［1］，随着时间推移，越来越多研究者运用这种方法进行实证研究，引入DEA 模型已经逐渐成为能源效率研究领域主流方法。魏楚等（2007）以DEA 方法为基础，计算了1995－2004年省级的能源效率，研究发现存在区域能源效率的差异［2］。史丹等（2008）和吴振明等（2013）对DEA 模型进行改进，通过不同的方法分别对我国交通运输业综合效率进行实证研究［3－4］，杨红亮等（2009）把环境效应选为投入指标进行实证研究［5］，汪克亮等（2010）利用DEA 的方法，选取CO2和SO2排放量作为环境效应指标，进行全要素能效研究，对中国省际面板数据进行处理，分别测度了各省能源利用效率和环境绩效，由此评价各省节能潜力［6］。同样是利用DEA 的方法，王蕾等（2012）以样本区间内各省份所在区域能源利用效率的最大值为基准，分别估算各地区的节能潜力［7］。屈小娥（2011）和孙广生等（2011）在对工业部门进行研究时也同样引入了DEA方法，周春应等（2013）运用非参数的DEA 方法测算了我国工业行业整体能源利用效率［8－9］。雷华卫（2013）和张亮（2013）则分别对钢铁行业和汽车工业能源消耗和节能潜力进行测算［10－11］。赵阳（2013）运用DEA 方法对山东省制造业进行实证研究，计算其节能潜力［12］，魏楚（2010）以8年间浙江省各地级市工业行业数据为样本，基于DEA 方法对浙江省各市工业能源效率和节能潜力进行了测度［13］，上述研究对产出指标没有明显改进，依然使用“GDP”衡量，但是现在交通运输业更多考量“运输量”和“环境污染”。因此，本文在研究安徽省“承接产业转移”以来交通运输业能源利用效率时，选择“客运量”和“货运量”作为产出指标，并且把“环境污染”纳入投入指标，期望更贴近实际地测算安徽交通运输业能源利用效率。

三、研究方法

本文以2010年到2013年安徽省16个城市的面板数据为样本，划分区域并且结合交通运输业的行业特点，采用投入和产出指标改进的DEA 模型，以安徽省各地级市为研究决策单元，采取“客运量”和“货运量”作为衡量地级市交通运输业产出指标。在已有研究中大部分都是以“GDP”作为产出指标。本文把“运输量”作为产出指标引入能源利用效率测度，更加深刻地展现了交通运输业发展的内涵，即对社会发展的贡献是运输了多少人和多少货物。由于在现实的交通运输业生产中存在严重负的外部性，即在运输过程中会排放出大量污染物质，如CO2、SO2等。因此，产出应该包括期望产出和非期望产出。本文参考Hailu A（2001）和Honma S（2009）的处理方法，将非期望产出作为投入要素，这样的处理方法已经被广泛应用［14－15］。

（1）DEA 模型 本文针对安徽省16个地级市交通运输业，用DEA 的方法基于面板数据对能源利用效率和能源利用潜力进行测算。基本的DEA 模型分为规模报酬不变的CCR 模型、规模报酬可变的BCC模型和非规模报酬递增的DEA 模型，本文根据交通运输业规模报酬可变这一特性，选择规模报酬可变的BCC模型对安徽省交通运输业能源利用效率进行测算。BCC模型可以分为投入导向BCC模型和产出导向BCC模型，根据交通运输业是为国民经济服务的这一特点，即交通运输业产出是由国民经济发展的需求决定的，因此本文认为交通运输业是在产出固定的情况下追求投入要素最优化，我们据此选择投入导向的BCC模型来测算技术效率。

设存在m 个决策单元DMU（地级市），每个地级市有a种输入指标和b种输出指标。xi和yi分别表示第i个DMU（地级市）的输入和输出向量，m 个DMU（地级市）的输入和输出矩阵分别为X 和Y，投入导向的BCC模型为：

其中θ为第i个DMU（地级市）的效率。

确定利用投入导向的BCC模型测算安徽省交通运输业能源利用效率后，分别使用规模报酬不变的CCR 模型、规模报酬可变的BCC 模型和非规模报酬递增的DEA 模型，计算安徽省交通运输业的能源利用技术效率、能源利用纯技术效率和规模效率，即可以分析每个城市和地区的能源利用效率的高低以及其主要原因。软件处理结果中，三个效率的值均在0－1之间，当其值为1时，说明该决策单元已处于最优效率状态；反之，则说明该决策单元效率未达到最优，此时输入的要素处于低利用效率状态，或者说产出并未达到最大值。测算出的效率值越小，偏离效率最优越严重。在利用软件测得结果时，即使有的城市能源利用技术效率、纯技术效率、规模效率达到了1，但是这并不代表全要素生产利用效率已经达到理想状态，据DEA 基本原理可知，利用DEA 方法得到的能源利用效率仅仅是相对效率，即利用原样本测算得到能源利用效率为1的城市，只能得出该城市能源利用效率在原样本范围内比其他城市能源利用效率高，如果一旦采用新的样本，测算结果很可能会改变。

（2）Malmquist指数 Malmquist指数（TFPC）是在DEA 模型基础之上提出的，以t时期技术Tt，t＋1时期技术Tt＋1为参照，准确地揭示了能源利用效率变化的趋势与特征。齐军等（2012）指出，这种方法最大优点的是将全要素生产率指数分解为两个部分，即生产效率变化和技术变化，从而可以分别测度不同时期的效率以及其技术的变动情况［16］。在对安徽省交通运输业面板数据分析中，将全要素生产效率（TFPC）分解为技术进步（TC）和技术效率（EC）两者之积，而技术效率（EC）又进一步分解为纯技术效率（PTEC）和规模效率（SEC）之积。可以据此分别找到纯技术效率和规模效率对技术效率变化的影响程度。一旦在对交通运输业效率的测算中出现非技术效率，可以分别找出纯技术效率和规模效率的影响找出有多少来自于纯技术非效率，有多少源于规模非效率，可以据此有针对性的提出政策建议（刘秉镰，李清彬，2009）［17］。各指数的具体含义：Malmquist指数（TFPC），全要素生产率变化程度；技术效率变化指数（EC），衡量生产是否达到最优资源配置；技术进步变化指数（TC），生产技术变化；纯技术效率变化指数（PTEC），生产的技术无效率中由于纯技术无效率所造成的部分；规模效率变化指数（SEC），判断决策单元是否处于最优生产规模。

四、数据来源与描述性统计分析

本文的研究对象是2010年－2013年安徽省16个地级市4年间的面板数据，各项投入、产出指标的数据均来源于2011年－2014年安徽统计年鉴。

（1）产出指标 由于安徽的地理位置的特点，客运量主要集中在道路运输。而铁路运输和航天运输的客运量和货运量，只能以省为单位进行统计，无法细化到每个城市，所以本文的“客运量”指标主要用各市每年公路运输客运量来表征，单位为“万人”；“货运量”指标用公路运输货运量与水路运输货运量指标来表征，单位为“万吨”。

鉴于安徽的地理分布，皖北、皖中为平原地区，皖南为山区，选择“客运量”和“货运量”作为产出指标可能会导致测算不精确。但是我们认为安徽省经济发展水平还不够高，旅客出行和货物运输主要还是依靠公路，特别是皖南地区多山，铁路、航空运输极少，人和货物基本都靠公路运输，这一现实情况将不会从根本上影响则算结果。

（2）投入指标 第一，环境效应。交通运输业主要依靠含碳能源，因此本文用二氧化碳（CO2）的排放量替代环境效应作为投入指标。鉴于安徽省交通运输业二氧化碳排放量的数据可获得性受限，本文在对安徽省各地级市二氧化碳排放量计算过程中选用作为基础数据，计算公式如下：

二氧化碳（CO2）排放量＝交通运输业化石能源消费量×碳折算系数

其中碳折算系数，选择国家发改委能源研究所制定的折算系数0.67（厦门节能公共信息服务网，2008年2月14日数据），单位为“万吨”。

第二，资本存量。鉴于资本存量数据无法直接从统计年鉴获得，本文利用Goldsmith（1951）提出的“永续盘存法”估算［18］。估算公式为：Kt＝It＋（1－δ）Kt－1，Kt是t期的资本存量，δ是折旧率，It是t期的投资。受统计年鉴数据限制，文章中资本存量以2000年为基期进行计算，折旧率δ值选择为0.05，资本存量单位为“万元”。

第三，劳动力投入。从业人员数的计算，采用汪克亮等（2012［19］）提出的方法，单位为“万人”：

当期从业人员总数＝（当期末从业人员数＋上期末从业人员数）／2

第四，能源消耗。本文选用安徽省各市交通运输业能源消费量作为能源消耗投入指标，单位为“万吨标准煤”。

在决策单元各项投入增加的情况下，产出也应该相应增加；这就是Charnes A.和Cooper W.W.（1978）提出的“等张性”，这是DEA 建模的一个基本条件［20］。因此在进行DEA 方法实证研究之前，本文利用Pearson相关分析法进行“等张性”检验来确保研究的可靠性，检验结果如表1所示。

表1 投入、产出变量之间的Pearson相关系数

由表2检验结果可知，本文选取的投入、产出指标相互间存在较强的正相关关系，因此检验结果满足“等张性”，据此本文选取的指标科学合理。

五、实证分析

本文首先通过对安徽省交通运输业能源利用综合效率进行测算，以了解自2009年承接“产业转移”后其能源利用状况，并进一步利用Malmquist指数对能源利用效率进行动态分解，进而分析区域差异及其成因。

（1）各地区能源利用技术效率分析 本文利用安徽省2010年－2013年16个城市面板数据，根据规模报酬可变的BCC模型、规模报酬不变的CCR 模型和非规模报酬递增的DEA 模型分别计算能源利用纯技术效率（PTE），能源利用技术效率（TE）和能源利用规模效率（SE），应用DEAP2.1软件测度安徽省交通运输业能源利用效率，测算结果见表2和表3。

表2 2010年－2013年安徽省各市交通运输业能源利用技术效率和纯技术效率

表3 2010年－2013年安徽省各市交通运输业能源利用规模效率

续表

从表2和表3的“全省平均值”一栏中可知，“承接产业转移”后，安徽省交通运输业能源利用技术效率平均值为0.758，能源利用纯技术效率和能源利用规模效率的平均值分别为0.921和0.820。从安徽省交通运输业这四年整体来看，能源利用技术效率和规模效率偏低，具有较大的提升潜力，能源利用纯技术效率达到了0.921，还存在一定的上升空间。同时研究结果也表明，安徽省交通运输业的能源利用效率整体偏低主要原因是规模效率不高。2010年－2013年安徽省交通运输业能源利用技术效率和规模效率总体呈现下降状态，而纯技术效率处于相对稳定的状态，这也许是因为安徽省承接产业结构转移初期，企业更多响应政府号召为“产业转移”做好基础性投资，企业对新技术处于投资期和发掘期，同时生产规模还没有控制在一个合理的水平，企业对新的政策还处于一个适应的阶段。

本文将安徽分为三个地区，皖北、皖中和皖南，皖北地区包括淮北、亳州、宿州、蚌埠、阜阳和淮南六个城市，皖中地区包括合肥、六安、滁州和安庆四个城市，皖南地区包括马鞍山、芜湖、宣城、铜陵、池州和黄山六个城市。从地区层面来看，能源利用效率、能源利用纯技术效率和规模效率都存在一定的差异。由表4可知，皖北地区的能源利用技术效率最高，年均技术效率达到0.842，而皖中地区的能源利用规模效率是最低的，年均只有0.763。皖南地区的能源利用纯技术效率为是三个地区中最低的，年均0.838。

由表2可以看出，处在皖北地区的六个城市中，亳州、宿州和阜阳三个城市的能源利用技术效率和能源利用纯技术效率在2010年到2013年连续四年年均保持在1的水平，并且这三个城市的规模报酬也一直保持不变，特别是宿州市2010年到2013年连续四年能源利用技术效率、能源利用纯技术效率和能源利用规模效率都保持在1的水平，且规模报酬一直保持不变。这三个城市虽然不大，但是交通运输业的能源利用效率在皖北地区甚至是整个安徽省都特别突出，是其他城市节能减碳的标杆。同时，我们也注意到皖北地区经济发展相对落后，人口流动性较大，加之处于平原地区，公路交通发达，这些客观条件也许是实证研究结果中皖北地区能源利用效率较高的影响因素。

下页表4的研究结果表明，皖北地区和皖中地区的纯技术效率已接近相对最优水平，优化资源配置、发掘现有技术对提升能源利用纯技术效应的空间有限，能源利用效率的提高将主要依靠规模效率的提升；特别是皖中地区，能源利用规模效率四年平均值只有0.763，有很大的提升潜力。从表3中我们得到，处于皖中地区的合肥和滁州两市能源利用规模效率非常低，特别是作为省会城市的合肥，能源利用效率四年来最高也只有0.414。合肥市虽说是安徽省经济发展龙头，但是交通运输业的能源利用效率排在了全省倒数。从下页表5中我们可以发现，经济发展相对迟缓的皖南地区，其能源利用技术效率的提高不同于皖北和皖中地区更多依赖于纯技术效率的提高，相对来说，它同时也依赖于规模效率的提高。所以对于皖南地区来说，在提高规模效率的同时，也应该注重对技术投资，充分利用现有技术，以提高能源利用的纯技术效率。

2009年安徽省“承接产业转移”后，各项政策的相继出台，鼓励大量的资本和劳动力涌入“皖江城市带”，促进了安徽省的技术创新，这是2010年到2013年安徽省交通运输业能源利用纯技术效率一直保持在0.9以上的可能原因之一。但是规模效率并没有像纯技术效率一样处于一个较高水平，我们推测是因为大量的资金主要用于技术创新和扩大企业规模，却忽视了企业生产效率的问题，导致了高纯技术效率和低规模效率的现象出现。

表4 各地区能源利用效率

（2）安徽省交通运输业能源利用效率指数测算及分解 基于产出的全要素能源生产率指数（TFPC）可以用Malmquist指数来表示，利用DEA2.1软件计算全要素能源生产率变化的Malmquist指数并对Malmquist指数进行分解，结果见表5。

表5 安徽省交通运输业能源利用效率变动指数及分解（2010年－2013年）

从表5可知，2010年－2013年安徽省16个城市交通运输业平均能源利用效率变动指数为1.038，大于1，表明能源利用效率在这四年间有一定的上升（0.38%）。从Malmquist指数分解结果来看，技术效率变动指数和技术变动均值分别为0.948和1.095，意味着安徽省交通运输业能源利用效率提高了0.38%，是技术进步提高0.95%和能源利用技术效率下降了0.52%共同作用结果，其中能源利用技术效率对能源利用效率起阻碍作用。从表5可以得到，能源利用纯技术效率平均值略微提高，而规模效率平均值下降较为明显，说明能源利用技术效率的下降，主要是源于规模效率下降，这与我们前文的分析一致。

从地区层面来看，能源利用效率的变化存在一定的地区差异，如表6所示。皖中地区虽然能源利用效率不如皖北地区高，但是其能源利用效率增长的幅度却是全省最高。处于皖中地区的四个城市的能源利用效率变动指数均大于1，意味着皖中地区的每个城市交通运输业的能源利用效率在承接产业转移后都有一定程度的上升，“皖江城市带”的建设促进了皖中地区交通运输业投资。

表6 各地区交通运输业能源利用效率平均值变化指数及分解（2010年－2013年）

从表6得知，皖中地区能源利用效率的上升是能源利用技术效率和技术进步共同的促进的结果，其中技术进步起着主要作用。而能源利用效率最高的皖北地区，其能源利用效率甚至出现轻微下降。同时，从表5中可以看到，处于皖北地区的六个城市中，有三个城市的能源利用效率变化指数大于1，与皖中地区一样，这三个城市的能源利用效率的上升主要还是因为技术的进步。而淮南、淮北和阜阳这三个城市的能源利用效率都有一定程度的下降。淮北市能源利用效率下降的原因与安徽省整体情况一样，是因为能源利用技术效率的不足，而能源利用技术效率不足也主要是因为规模效率的低下。与淮北市不同的是，淮南市能源利用效率下降的主要原因是技术进步出现负增长。可见，针对煤炭资源丰富的淮南市，更多的是要注重技术上的投资和创新。阜阳则是能源利用技术效率和技术进步都出现下降，这是因为技术投资不足，且技术利用效率尚未真正得到充分发掘。从表6得知，皖南地区的能源利用效率的增长虽然也是主要源于技术进步的作用，但是皖南地区能源利用技术效率的提升主要依靠纯技术利用效率，而不是规模效率的提升。这可能与皖南地区地理状况有关，皖南处于山区，交通运输业规模效应不明显，皖南地区交通运输企业更加注重纯技术效率的发掘。

六、研究结论

本文得出如下主要结论：

第一，通过对安徽省各地区能源利用效率的测算发现，“承接产业转移”后安徽省交通运输业能源利用技术效率、能源利用纯技术效率和规模效率整体都不高，特别是能源利用技术效率和规模效率，有很大的上升空间。从地区层面看，能源利用效率皖北地区＞皖中地区＞皖南地区，其中皖北地区能源利用效率在样本期间内一直处于下降状态，这是纯技术效率和规模效率都出现下降导致的。究其原因，可能是安徽省交通运输业的发展还处于粗放的技术使用阶段，已有的技术水平下，并未能有效挖掘其所能达到的最优资源配置，虽然这是一个行业发展过程中的必经阶段，但也是低级阶段。

第二，通过对能源利用效率变动指数进行动态分解后发现，安徽省交通运输业的能源利用效率在“承接产业转移”后的四年间里得到了一定程度的提高，且提高的程度具有地区性差异。皖中地区增长幅度最大，皖北地区甚至出现轻微负增长。各地区能源利用效率的提升均主要源于技术进步，能源利用技术效率只对皖中地区的能源利用效率有推动作用，对皖北地区和皖南地区的能源利用效率均起到阻碍作用。这说明，能源利用效率的提高，单纯的依靠技术进步是不可持续的，更重要的是在对现有技术水平进行充分挖掘的基础上，促进技术效率提高，这样才能确保安徽省交通运输业能源利用效率持续性提升。

第三，安徽省交通运输业整体能源利用效率提高速度较慢。这是因为在“承接产业转移”后的四年样本区间内，大量的资本和劳动力涌入“皖江城市带”的中心城市，使得安徽省各区域交通运输业技术进步较为迅速，与此同时，越来越严重的城市“拥堵病”在一定程度上会降低能源利用技术效率，对安徽省整体交通运输业能源利用效率的提高起阻碍作用。此外，由于交通运输业产出高度依赖国民经济发展的需求，大量技术投资和更高的技术水平往往代表着更高的运输效率，这意味着需求相对稳定的条件下，新技术难以被充分利用，因此安徽省交通运输业粗放的投资发展模式并未带来整体能源利用效率快速提升。

综上，安徽省交通运输业能源利用效率有一定潜力可挖。安徽省交通运输业整体上还处于投资拉动增长阶段，区域差异明显存在且形成原因各不相同。针对各区域未来的发展，需要从技术投资、能源利用纯技术效率和规模效率方面分别拟定发展方向，在保障安徽省交通运输业产出水平和经济发展相适应的前提下，更好地发掘能源利用潜力，在保证产出的条件下，实现要素投入最优化，从而更好实现节能减排。

［1］Hu J L，Wang S C.Total－factor Energy Efficiency of Regions in China［J］.Energy Policy，2006，（17）：3206－3217.

［2］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.

［3］史 丹，吴利学，傅晓霞，等.中国能源效率地区差异及其成因研究［J］.管理世界，2008，（2）：35－43.

［4］吴振明，彭其渊.我国交通运输业综合效率实证研究［J］.求索，2013，（3）：5－8.

［5］杨红亮，史 丹，肖 洁.自然环境因素对能源效率的影响［J］.中国工业经济，2009，（4）：73－84.

［6］汪克亮，杨宝臣，杨 力.中国能源利用的经济效率、环境绩效与节能减排潜力［J］.经济管理，2010，（10）：1－9.

［7］王 蕾，魏后凯，王振霞.中国区域节能潜力估算及节能政策设计［J］.财贸经济，2012，（10）：130－136.

［8］屈小娥.中国省际工业能源效率与节能潜力：基于DEA 的实证和模拟［J］.经济管理，2011，（7）：16－24.

［9］周春应，杨红强.中国工业能源利用效率的行业差异与节能潜力研究［J］.山西财经大学学报，2013，（9）：84－93.

［10］雷华卫.我国各地区钢铁行业能源效率及节能减排潜力分析［D］.广州：暨南大学硕士学位论文，2013.

［11］张 亮.中国汽车工业能源利用效率测算及影响因素研究［D］.衡阳：南华大学硕士学位论文，2013.

［12］赵 阳.山东省制造业节能减排潜力及实现路径［D］.济南：山东财经大学硕士学位论文，2013.

［13］魏 楚.工业能源效率、节能潜力与影响因素——基于浙江省的实证分析［J］.学习与实践，2010，（3）：16－25.

［14］Hailu A，Veeman T S.Non－parametric Productivity Analysis with Undesirable Outputs：An Application to the Canadian Pulp and Paper Industry［J］.American Journal of Agriculture Economics，2001，（3）：605－616.

［15］Honma S，Hu J L.Efficient Waste and Pollution Abatement for Regions in Japan［J］.International Journal of Sustainable Development ＆ World Ecology，2009，（4）：270－285.

［16］齐 军，赵四东，杨永春，等.基于DEA 和Malmquist指数的中国环保绩效的测度及其时空变化［J］.兰州大学学报（自然科学版），2012，（6）：34－45.

［17］刘秉镰，李清彬.中国城市全要素生产率的动态实证分析：1990－2006——基于DEA 模型的Malmquist指数方法［J］.南开经济研究，2009，（3）：143－152.

［18］Goldsmith，R.W.A Perpetual Inventory of National Wealth［R］.Studies in Income and Wealth.New York：National Bureau of Economic Research，1951.

［19］汪克亮，杨宝臣，杨 力.基于环境效应的中国能源效率与节能减排潜力分析［J］.管理评论，2012，（8）：40－50.

［20］Charnes A，Cooper W W，Rhodes E.Measuring the Efficiency of Decision Making Units［J］.European Journal of Operational Research，1978，（6）：429－444.