基于超效率DEA的中国省际工业能源效率评价
2016-09-02孙晓雪天津大学管理与经济学部天津300072
孙晓雪(天津大学管理与经济学部,天津 300072)
基于超效率DEA的中国省际工业能源效率评价
孙晓雪
(天津大学管理与经济学部,天津300072)
以中国省际工业为研究对象,运用基于松弛变量的超效率DEA模型,实证分析了2006—2011年中国30个省市自治区(西藏、台湾、香港、澳门除外)及东、中、西部区域的工业能源效率,在此基础上应用Tobit回归模型,进一步分析了中国工业能源效率的影响因素.研究结果表明,我国各区域工业能源效率差距显著.东部区域工业能源效率最高,且以北京、上海和天津居首,而中西部工业能源效率较低,其中以宁夏最低.在影响因素中,经济结构、外资水平以及工业固定新增资产投资对地区工业能源效率有着积极的影响,而重工业所占总工业的比重以及人口密度对工业能源效率有着消极的影响.针对以上结论,提出了相应的对策建议.
工业能源效率;超效率DEA模型;Tobit回归模型
引用格式:Sun Xiaoxue.Efficiency Evaluation of Chinese Procincial Induatrial Energy Based on UltraGefficient DEA[J].Journal of Gansu Sciences,2016,28(2):140G147,152.[孙晓雪.基于超效率DEA的中国省际工业能源效率评价[J].甘肃科学学报,2016,28(2):140G147,152.]
改革开放以来,中国经济迅速发展.2012年,中国以20.3%的全球能源使用率成为世界上最大的能源消费国[1].2014年,中国能源消费总量达到42.6亿吨标准煤,比上年增长2.2%(国家统计局, 2014).随着中国经济总量的较快增长,能源的需求自然会不断增加.根据国家能源局提供的预测数据,我国煤炭消费量将在2020年达到峰值47.6亿吨,2020年后煤炭消费量缓慢下降,到2030年降至45.6亿吨,尽管如此,我国的煤炭消费量仍然处于世界首位.因此,优化能源结构,提高能源利用效率迫在眉睫.工业作为中国最大的能源消费行业,其CO2排放量占总CO2排放量的70%以上[2].因此,评价中国各省份工业的能源效率,掌握各省份的环境保护绩效十分必要.
数据包络分析(DEA,data envelopment analysis)模型提供了一种评价相同类型的多投入、多产出的决策单元(DMU,deccision making unit)是否相对有效的非参数统计方法,最近被广泛应用于能源利用效率的评价.一些学者应用DEA模型评价地区和行业能源效率[3G8].其中,Zhou等[9]提出了多种环境DEA方法,首次将CO2作为非期望产出,评价了世界八大区域的碳排放效果.Yeh等[10]将CO2和SO2作为非期望产出,解释了评价能源利用效率的系统步骤并评价了大陆和台湾的能源利用效率.Li等[11]应用DEA Malmquist方法评估三个内部因素(经济结构、能源消耗结构和技术进步)对中国三大区域能源强度的影响,并提出了降低能源强度的建议.Tashiyuki等[12]应用DEA方法,将PM2.5和PM10作为非期望产出,对中国的经济发展和空气污染进行环境评估.Shi等[13]提出扩展的DEA模型,通过把非期望产出作为投入来评估中国工业能源效率.屈小娥[14]应用DEA效率评价方法实证测算并分析了全国30个省份的工业全要素能源效率、可节能量和节能潜力,研究了影响工业能源效率的因素.
基于以上分析,尝试从四个方面进行扩展研究: (1)应用包含非期望产出的DEA模型,避免了不考虑非期望产出带来的能源效率分数偏差的问题;(2)应用超效率基于松弛变量的度量(SBM,slacksGbased measure)模型,避免了不能将所有决策单元能源效率全排列的问题;(3)在研究视角上,以省际工业为研究对象,为我国根据地区差异制定能源政策提供参考; (4)加入电力作为能源投入,弥补了只考虑煤炭、石油、燃气作为主要能源进行评价的缺陷.
1 模型及数据
1.1基于松弛变量的超效率DEA模型使用传统DEA模型评价DMU的效率时,会产生多个DMUs同时处于生产前沿面,导致多个DMUs都有效,无法准确判断的问题.超效率SBM模型能评价对于SBM有效的DMUs,弥补了这一缺陷.首先用SBM模型评价各DMUs,对SBM有效的DMUs,再用超效率SBM模型进行评价.
考虑N个DMU,每个DMU由M个投入、S 1个期望产出、S 2个非期望产出三个要素组成.其中,x∈Rm表示投入向量,yt∈Rs1表示期望产出向量,yb∈Rs2表示非期望产出向量.我们用矩阵X=[x1,x2,ƻ,xn]∈Rm×n,Yt=[yt1,yt2,ƻ,ytn]∈Rs1,Yb=[yb1,yb2,ƻ,ybn]∈Rs2来表示这三个要素, θ为一个常数行向量,θ=(θ1,θ2,ƻ,θn).假设其中各元素均为正数.则SBM模型为
根据此模型,核算2006—2011年中国30个省市自治区(西藏、台湾、香港、澳门除外)的工业能源效率.应用工业能源效率(IEE,industrial energy efficiency)来表示工业能源效率,即工业投入的煤炭、石油、天然气和电力四大能源的最优利用能力.某地区在第q年的工业能源效率为其中:k=1,2,ƻ,30;q=2006,2007,ƻ,2011.(3)
1.2变量及数据说明以我国30个省市自治区2006—2011年的面板数据为样本,由于数据资料的不完整,故西藏、台湾、香港和澳门不包括在计算范围内,将这30个地区划分为三个区域,分别为东部、中部和西部.所取指标为30个省区规模以上工业能源投入与产出指标.其中将煤炭、石油、天然气和电力作为四个能源投入(IE,energy inputs),将工业固定资产投资(IIFA,industrial investment in fixed assets)和工业劳动力(IL,industrial labor)投入作为两个非能源投入,将工业增加值(IAV,industrial added value)作为期望产出,将CO2排放量作为非期望产出.工业固定资产投资IIFA由各省规模以上工业固定资产投入构成,参考单豪杰[15]的研究成果,以2006年为不变价,折算成各年各省市的资本投资;工业劳动力投入IL为各省市规模工业从业人数,单位为万人;工业增加值IAV以2006年为不变价,按照工业产品价格指数进行折算;以上数据均来源于2007—2012年的«中国统计年鉴».煤炭、石油、天然气和电力能源消耗的数据是能源终端消费中的工业消费量,来源于2007—2012年«中国能源统计年鉴»,折算为万吨标准煤.CO2排放量根据化石燃料的消耗计算得出,各类化石燃料的CO2排放因子来源于联合国政府间气候变化委员会(2006年).表1列出了2006—2011年我国30个省市自治区(西藏、台湾、香港、澳门除外)分区域的投入与产出的汇总数据.图1则显示了东部、中部和西部三个区域投入与产出的比较.结合表1及图1数据分析可知,东部地区普遍为我国经济较发达地区,由三个直辖市和八个沿海省份组成,其中包括了环渤海经济圈地区、长三角和珠三角这些中国最发达地区.东部地区集中了我国大部分的轻工业以及服务业,由于航运等交通系统和基础设施的便利,这一地区同时集中了大部分的外资投资和技术,该地区的能源消耗约占全国的49%,工业劳动力投入约占58%,固定资产投资约占51%,工业增加值约占全国的60%,CO2排放量约占全国的47%,除了工业劳动力投入,其他各指标所占比例都有逐年下降的趋势.中部地区包括八个内陆省份,此地区人口众多,经济发展较东部地区缓慢,农业畜牧业及相关产业较为发达.此地区还包括了东北及湖南湖北重工业区,我国最大的能源工业区之一山西,这些地区能源排放及污染较大.图1中显示,中部地区能源消耗约占全国的27%,且有逐年降低的趋势,劳动力投入占25%,固定资产投入占29%,工业增加值占全国的23%,且有逐年增加的趋势,CO2排放量占29%,趋势平稳.中部地区各数据均介于东部与西部之间.西部地区由一个直辖市,六个省和四个自治区组成,这一地区经济发展较为缓慢,地理面积大,人口较为稀少,能源资源较为丰富.该地区能源消耗占全国的24%,劳动力投入占18%,固定资产投资占20%,工业增加值占全国的17%,CO2排放量占全国的24%,除了劳动力投入趋势平稳,其他各指标均呈逐年上升趋势.
表1 分区域汇总数据Table 1 Summarized data in different regions
图1 三区域投入与产出指标比较Fig.1 Index comparison of the input and output in the three regions
表2为2006—2011年我国30个省市区(西藏、台湾、香港、澳门除外)投入与产出的相关系数矩阵.
表2 投入与产出相关系数矩阵Table 2 Correlation coefficient matrix between input and output
由表2投入与产出之间的相关系数可知,各系数值均为正数且均在0.7以上,表明各变量之间都为正相关,且相关性强.其中,能源消耗与工业增加值、CO2排放量的相关性高达0.929和0.988,表明能源消耗这一投入对期望产出工业增加值和非期望产出CO2排放量的影响很大.
表3 中国省市区工业能源效率Table 3 Industrial energy efficiency in Chinese provinces
2 地区工业能源效率测算及评价
2.1省际工业能源效率评价
根据前述超效率DEA公式,应用Matlab7.0软件,计算出我国30个省市区(西藏、台湾、香港、澳门除外)的工业能源效率IEE值,按照均值的大小排列,计算结果见表3.通过表3的数据分析可知,中国各省市区的工业能源效率差别显著.其中北京、上海、天津、广东、江苏和内蒙古六个省市每年IEE值在0.9以上且均有大于1的值出现,这六个省市除内蒙古属于西部区域外,其余前五名均属于东部沿海区域,其中均值以北京最高,上海次之,这些地区属于中国经济最发达的区域,近年来第三产业发展迅速,第一、二产业比重降低,带来了能源结构的转变,且政府政策惠及较大.内蒙古地区政府近年来不断推进经济结构和能源结构改革,提高工业化水平,转变经济发展方式,带来了工业能源效率的大幅度提高.政府对这些地区的政策导向并不是谋求能源效率的进一步提升,而是保持现有的发展状态,推广经验.浙江、山东、江西、河北、福建、重庆和陕西七个省市区每年IEE值均大于0.5,这七个省份的工业能源效率较高,其中浙江的IEE均值接近于0.7,与山东、江西、福建相同,从2010年以来出现了IEE值的下降.这些地区具有很大的提升工业能源效率的潜力和空间,政府应当对这些地区有相对的政策倾斜,大力提升这些地区的能源效率.其余的17个省市区IEE值较低,其中以云南、山西、甘肃、贵州和宁夏为最低,这些地区产业结构单一,过度依赖煤炭、石油等一级能源,工业结构的技术层次不高,可持续性差,造成了工业能源效率的低下.政府应当重视这些地区的能源效率问题,通过改善经济发展模式,产业结构转型,推动产业升级和创新,逐步提高其工业发展水平和工业能源效率.
图2为各省市区工业能源效率的均值及其方差情况.
由图2可以看出,内蒙古的方差最大,源于2006—2007年出现了0.37和0.51的低值,其后IEE值迅速升至1以上.吉林、江苏、安徽和海南也有相对较大的波动,说明这些地区的工业能源效率不稳定,各年差距较大.能源政策对这些地区的能源效率有较大的影响,若其IEE值升高,则政策良好可继续实施,若IEE值降低,则政策并没有达到效果,需要及时调整.湖南、四川、贵州和宁夏的IEE值波动较小,说明这些地区的工业能源效率稳定,由于这些地区的IEE值均较小,也说明了这些地区能源效率改变不明显,能源政策需要进行相应的调整.另外,河北、吉林、湖北、四川和宁夏均出现了能源效率极高或极低的年份,我们称之为异常值,除了宁夏的异常值为正负双方异常值,其余地区异常值均为正异常值,这说明IEE值有较大的提升潜力,应给予一定的政策导向.
续表3
图2 各省市区工业能源效率均值与方差Fig.2 Means and variances of industrial energy efficiency in Chinese provincers
2.2分区域工业能源效率评价
根据统计局的划分办法,将研究的30个省市区划分为东部、中部和西部三个区域.根据以上数据,我们得到了这三个区域的工业能源效率值,见表4及图3.可以看出,东部的工业能源效率远远高于中部和西部地区,相比于其他两个区域,东部DEA有效的决策单元较多,使用超效率DEA方法可对DEA有效的决策单元进行评价,从而在结果上提高了东部的工业能源效率,也增加了东部与中西部的差异,弥补了传统DEA方法的不足.从图3中可以看出,东部工业能源效率在0.80~0.85之间波动,但在2009年之后出现了下降的趋势,原因在于浙江、山东、福建和海南等省份效率值降低,说明这几个地区应做出区别于东部其他地区的能源政策的调整.中部地区的工业能源效率为0.54~0.60,并有上升的趋势,说明中部地区的能源政策适应中部的能源现状,应继续实施,以得到更大的提升.西部地区的工业能源效率值最低,波动于0.45~0.55之间,并有明显的提升趋势,这说明国家对西部的政策作用明显,对西部的大力扶持给西部的经济和人才流入带来了可观的变化.从图3中还可看出,中部和西部地区工业能源效率提高的空间很大,相比较于东部,有25%到30%的节能潜力.中部和西部分别在2009年和2007年出现了工业能源效率的提升,这说明政府的经济结构及能源结构改革政策起到了一定作用.
图4为区域各省市间工业能源效率比较,显示了三个区域工业能源效率的统计特征.
表4 分区域工业能源效率值Table 4 Industrial energy efficiency value in different regions
图3 分区域工业能源效率Fig.3 Industrial energy efficiency diagram in different regions
图4 区域各省市间工业能源效率比较Fig.4 Comparison of industrial energy efficiency in different regions
由图4可以看出,中部地区的能源效率相比较于西部和东部最为均衡.西部地区除内蒙古IEE值为0.89外,其他地区工业能源效率都较低,以宁夏IEE值0.23为最低,这说明西部区域能源效率发展并不均衡.东部区域呈现了两极分化的现象,以海南、辽宁为最低,北京、上海为最高,差距达60%,可见东部区域的各省市区的工业能源效率差距比较明显.
3 Tobit回归分析工业能源率影响因素
根据超效率DEA模型,分析了30个省市区在2006—2011年的工业能源效率.为进一步分析影响工业能源效率的因素,结合已有文献及数据的可得性,我们应用Tobit回归模型建立方程并进行分析.
3.1Tobit模型及变量选择
通过超效率DEA模型方法得到的效率值分为三个集合,属于截断的离散分布数据.1958年由Tobin提出的Tobit回归模型能够很好地解决受限或截断因变量的模型构建问题[16].因此,选取ToG bit模型来分析影响工业能源效率的因素.
Tobit回归模型为其中:Yi表示截断因变量向量;Xi为解释变量;β为相关系数;扰动项εi~N(0,σ2).
由于中国目前处于经济快速发展,工业化进程快速推进的阶段,在所有可能影响工业能源效率的指标中,我们选取以下指标进行分析:
(1)经济结构ES.采用各地区工业增加值占GDP的比例(%)作为经济结构的指标.
(2)外资依赖FDI.以各地区外资直接使用占GDP的比例(%)表示外资依赖对工业能源效率的影响.
(3)产业结构IS.以重工业生产总值占工业生产总值比例(%)作为产业结构的指标.
(4)新建项目NIFA.以工业新增固定资产占工业固定资产的比例(%)来表示新建项目的影响.
(5)人口密度PD.由各地区人口密度(人/km2)表示.
以上各指标数据均来自«中国统计年鉴»以及«中国工业经济统计年鉴».
由以上影响因素作为解释变量,各省市区的IEE作为被解释因素,建立回归方程
根据此公式,应用STATA软件进行最大似然估计的估算,得到了计算结果.
3.2回归结果及分析
表5为工业能源效率的Tobit回归结果.
表5 Tobit回归结果Table 5 Regression results of Tobit
由表5的数据分析可知:
(1)经济结构对工业能源效率有着非常积极的影响,说明在某一地区形成一定的工业规模对于提高该地区的工业能源效率是很有帮助的.这源于形成一定的工业规模后,有利于对该工业地区进行统一的规范化管理,降低管理成本,提高管理效率.
(2)外资水平对于工业能源效率的提高也有着相当积极的影响,其t值高达11.69.外商投资的增加带来了国内企业的先进技术的提升.先进技术的应用,提高了生产效率,同时也提高了工业能源的利用效率.
(3)产业结构与各省市区工业能源效率存在负相关关系,表明重工业所占总工业的比例越大,工业能源效率越低.这源于重工业产业的特点,重工业属于高能耗工业,对能源的依赖严重,并且在生产过程中产生大量的CO2、SO2等空气污染物.
(4)新建项目与工业能源效率呈正相关的关系,但关系较弱.工业新增固定资产占工业固定资产的比例越大,地区工业能源效率越高.工业新增固定资产在一定程度上代表了工业设备的更新换代,对工业能源效率有着积极的影响.
(5)人口密度与工业能源效率呈现负相关的关系,且关系较强,表明某一地区的人口密度越大,该地区的工业能源效率越低.人口密度的大小表明了该地区的劳动力程度,同时也说明该地区对能源的需求量大,人口对环境带来的破坏能力要高于其带来的劳动力优势.
4 结论及建议
应用含有非期望产出的超效率DEA模型,评价了2006—2011年我国30个省市区(西藏、台湾、香港、澳门除外)的工业能源效率,并应用Tobit回归模型研究了工业能源效率的影响因素.针对上述研究,得出以下结论及建议:
(1)我国各区域间工业能源效率差距显著.东部处于绝对优势区,中西部工业能源效率较低.因此,应当优化各省份的能源结构,对东部、中部、西部采取不同的能源政策,对于工业能源效率较高的省份和区域,应当保持现有的政策,学习经验并推广到其他地区.对于工业能源效率较低的省份和区域,政府应对其有一定的政策倾斜,适当调整能源结构,提高这些地区的工业发展水平进而提高其能源效率.另外,应打破区域壁垒,实现区域间资本、劳动力的自由流动,缩小中西部与东部的发展差距,建立统一市场.
(2)Tobit回归分析表明,经济结构、外资水平对地区工业能源效率的影响很大,工业规模越大,外资投资越多,则工业能源效率越大.同样,新建项目也对工业能源效率的提高有着积极的影响.而产业结构以及人口密度对工业能源效率有着消极的影响.因此,对工业能源效率较低的省份和区域应当加大工业投资力度,引进外资,推动工业企业设备的更新换代,对西部重点省份可推动规模工业区的建设.另外,加大某些重工业区的经济发展模式转型,如对山西及东三省地区调整工业结构,对污染物集中治理.
(3)加快我国的经济增长方式的转型和能源结构的调整.改善我国工业企业过度依赖煤炭、石油等一级能源的现状,加大对于电力及核能等二级能源的开发和利用.政府应对依赖电力等清洁能源的企业给予一定的政策优惠,提高企业的积极性.
(4)随着“一带一路”战略的推进,我国将由过去向东为主的开放格局,转变为东西双向开放,而亚洲基础设施投资银行的设立,同样为西部基础设施建设和开发带来了新的契机.过去发展相对缓慢的中西部地区,应当抓住机遇,加速经济结构和产业结构的优化调整,形成规模工业,进而提高工业能源效率.
[1]BP.Statistical Review of World Energy[EB/OL].http:// www.bp.com/statisticalreview,2011.
[2]孟晓,孔群喜,汪丽娟.新型工业化视角下“双三角”都市圈的工业能源效率差异——基于超效率DEA方法的实证研究[J].资源科学,2013,35(6):1 202G1 210.
[3]Hu Jinli,Wang Shichuan.TotalGfactor Energy Efficiency of Regions in China[J].Energy Policy,2006,34(17):3 206G 3 217.
[4]Hu Jinli,Lee Yaochun.Efficient Three Industrial Waste AbateG ments for Regions in China[J].International Journal of Sustainable Development&World Ecology,2008,15(2):132G144.
[5]马海良,黄德春,姚惠泽.中国三大经济区域全要素能源效率研究——基于超效率DEA模型和Malmquist指数[J].中国人口ű资源与环境,2011,21(11):38G43.
[6]Wang Ke,Wei Yiming,Zhang Xian.A Comparative Analysis of Chinaƴs Regional Energy and Emission Performance:Which is the Better Way to Deal With Undesirable Outputs?[J].Energy Policy,2012,46:574G584.
[7]Wang Ke,Wei Yiming,Zhang Xian.Energy and Emission EffiG ciency Patterns of Chinese Regions:A MultiGdirectional EffiG ciency Analysis[J].Applied Energy,2013,104:105G116.
[8]Yang Wei,Shao Yanmin,Qiao Han.An Empirical Analysis on Regional Technical Efficiency of Chinese Steel Sector Based on Network DEA Method[J].Procedia Computer Science, 2014,31:615G624.
[9]Zhou P,Ang B W,Poh K L.Measuring Environmental PerG formance under Different Environmental DEA Technologies [J].Energy Economics,2008,30(1):1G14.
[10]Yeh Tsailien,Chen Tseryieth,Lai Peiying.A Comparative Study of Energy Utilization Efficiency between Taiwan and China[J].Energy Policy,2010,38(5):2 386G2 394.
[11]Li Yi,Sun Linyuan,Feng Taiwen,et al.How to Reduce EnerG gy Intensity in China:A Regional Comparison Perspective[J].Energy Policy,2013,61:513G522.
[12]Toshiyuki Sueyoshi,Yan Yuan.Chinaƴs Regional SustainabiliG ty and Diversified Resource Allocation:DEA Environmental Assessment on Economic Development and Air Pollution[J].Energy Economics,2015,49:239G256.
[13]Shi Guangming,Bi Jun,Wang Jinnan.Chinese Regional IndusG trial Energy Efficiency Evaluation Based on a DEA Model of Fixing NonGenergy Inputs[J].Energy Policy,2010,38(10): 6 172G6 179.
[14]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,2011,33(7):16G24.
[15]单豪杰.中国资本存量K的再估算:1952—2006年[J].数量经济技术经济研究,2008,25(10):17G30.
[16]Coelli Tim.A MultiGstage Methodology for the Solution of Orientated DEA Models[J].Operations Research Letters, 1998,23(3):143G149.
Efficiency Evaluation of Chinese Procincial Induatrial Energy Based on UltraGefficient DEA
Sun Xiaoxue (Department of Management and Economics,Tianjin University,Tianjin 300072,China)
Relevant advises are proposed after a furthur analysis of the the influencing factors of Chinese industrial energy efficency by applying Regression model of Tobit based on the empirical analysis of indusG trial energy effiency of Chinese 30 provinces and eastern,central and western regions from the year of 2006 to 2011 by taking Chinese provincal inustry as the research object,and using ultraGefficent DEA model of slack variable.The research result shows the remarkable difference of Chinese industrial energy efficiency in different regions.The industrail energy efficient in eastern region is the highest,among which Beijing, Shanghai and Tianjin rank first.Moreover,the industrial energy efficiency in midwest region is lower,aG mong which Ningxia is the lowest.In all the influencing factors on regional industrial energy efficiency,the positive influences include economic structure,foreign capital leveland new industrial investment in fixed assets,while the negative influences include the proportion of heavy industry in the whole industry and population density.Relevant advises are suggested based on the conclusin above.
Industrial energy efficiency;UltraGefficent DEA model;Regression model of Tobit
F224;F206
A
1004G0366(2016)02G0140G09
10.16468/j.cnkii.ssn1004G0366.2016.02.029.
2015G06G04;
2015G08G14.
孙晓雪(1989G),女,河北沧州人,硕士研究生,研究方向为低碳经济.EGmail:sunxiaoxue1212@126.com.