要素集聚的能源效率对江浙沪皖经济发展的影响研究——基于DEA和Tobit模型的实证分析

江苏大学财经学院 蔡 源

要素集聚的能源效率对江浙沪皖经济发展的影响研究
——基于DEA和Tobit模型的实证分析

江苏大学财经学院 蔡 源

本文通过江浙沪皖四省2000年～2013年面板数据，采用规模报酬可变的BCC-DEA模型，对考虑非合意产出的四省综合能源效率进行了测算，Malmquist指数表明规模报酬平均增长率浙江省略高于1，上海、安徽效率值为1，只有江苏一省效率值略低于1为0.998。 江浙沪皖四省科技进步指数效率值都低于1，最高的浙江省0.971， 最低的安徽省0.903， 区分能源效率增长快慢的主要是技术效率变动，在这里尤其表现为科技进步程度。Tobit模型结果表明要素集聚对能源效率的影响表现为技术集聚对能源效率呈正相关，劳动力集聚对能源效率呈负相关。资本集聚和对外开放度对各省能源效率影响程度有所差异。

BCC-DEA 非合意产出 Malmquist指数 要素集聚

以往研究局限在能源效率层面，并没有涉及要素集聚对能源效率的影响，本文在已有的文献基础上将引入要素集聚概念。本文将通过构造江苏、浙江、上海、安徽(江浙沪皖)四省2000年～2013年劳动力、资本、技术要素的集聚指标来度量各省各要素的空间集聚情况，采用动态分析法运用Malmquist指数对江浙沪皖四省的能源效率进行测算，最终采用Tobit回归模型对两者进行分析，探讨各要素空间集聚对四省能源效率的影响。

1 模型构建和数据处理

1.1 模型及其选择

1.1.1 考虑非期望产出的DEA模型

数据包络分析(DEA)，本质上是判断DMU是否位于生产可能集的“生产前沿面”上。同时DEA是一种非参数方法，能够解决多投入多产出的情形，当分析的数据当为面板数据时，我们常用Malmquist指数。公式如下：

1.1.2 Tobit模型

本文选择Tobit模型来分析能源效率的影响因素。考虑到滞后项对因变量的影响，建立了能源效率动态面板模型，具体形式如下：

其中dea表示能源效率，zb表示资本集聚指标，js技术集聚指标，ld 劳动力集聚分析指标，ope衡量对外开放度的指数，lc表示区位情况(这里引入虚拟变量)。

上个财政年度，印度进口了约2200×104t伊朗原油，并计划在下个财政年度将进口量增加到3000×104t。然而，该消息人士向《经济时报》表示，印度将不得不把下个财年的原油进口量削减至1400～1500×104t之间。几个月前，印度炼油商开始减少从伊朗进口石油，为获得豁免做准备。

1.2 数据和变量

结合论文所研究的内容，本文采用江浙沪皖四省2000年～2013年的面板数据，所用数据来自各省统计年鉴及《新中国60年统计资料汇编》。其中能源效率将延续沈绿珠(2012)的做法，DEA模型中将资本存量、人力资本和能源消耗作为投入指标，各省的生产总值和IEG(工业废气排放总量)作为产出指标。并将DEA计算出的各省能源效率作为Tobit模型中的被解释变量，解释变量分为集聚变量和其他控制变量。

1.2.1 投入指标

资本存量的采用永续盘存法(PIM)，本文采用固定资本形成额作为当年的投资总额,折旧率用单豪杰(2008)文中提出的10.96% ，人力资本采用各省2000年～2013年末从业人员数。能源消耗数据来源于各省统计年鉴的能源消费总量，以万吨标准煤为单位。

1.2.2 产出指标

考虑到利用能源创造GDP的同时会对环境产生负面影响，将废气排放总量作为非期望产出。我们希望经济增长的同时能伴随着最小量的废气排放，所以IEG取负数。DEA模型中的产出指标即为期望产出GDP和非期望产出IEG。

1.2.3 集聚变量和其他控制变量

集聚的基础在于要素，所以本文通过各要素集聚指数度量各省各要素的集聚情况。劳动要素集聚采用就业人口密度作为衡量劳动集聚的指标，资本要素集聚采用业绩指数衡量，技术要素集聚采用科技人员的比重。其他控制变量选择对外开放程度和城市区位水平，这里运用虚拟变量进行赋值，东部地区江浙沪赋值为1，中部地区皖赋值为0。

2 DEA实证结果及分析

2.1 Malmquist指数结果分析

BCC—DEA模型考察的是每一年中四省之间的相对能源效率，但这并不是绝对的。因此我们就不能了解四省的能源效率随时间的推进上升或下降的具体情况。本论文以2000年～2013年四省的样本数据，计算Malmquist全要素效率变动指数，进而分析江浙沪皖四省的能源效率变动情况(见表1和表2)。

从表1、表2可以看出江浙沪皖四省的全要素能源效率存在一定的差异，且各自的影响因素也不同。除浙江省个别年份的效率指数大于1外，大部分的效率指数都小于1，说明能源效率的增长速度变慢。平均值上看四省效率值均低于1，分别为江苏0.958、 浙江0.971、 上海0.941、 安徽0.903。 问题在于经济发展的同时，科技发展步伐放缓，产业结构升级遇到瓶颈期，进而导致全要素能源效率增长为负值。

江浙沪皖四省科技进步指数效率值都低于1，最高的浙江省0.971， 最低的安徽省0.903， 而纯技术效率变动指数更为一致，四省都为1。规模报酬平均增长率浙江省略高于1，上海、安徽效率值为1，只有江苏一省效率值略低于1，为0.998。 规模报酬增长率虽然差别不大，但是值得注意的是江苏的要素集聚并没有使能源效率提高，反而出现了规模不经济的情况。

技术进步是拉动中国全要素能源效率增长的主要动因，区分能源效率增长快慢主要是技术效率变动，在这里尤其表现为科技进步程度。浙江、上海、安徽三地应提高科技发展水平来提高能源效率，尤其是科技水平较低的安徽省，而江苏省在提高科技水平的同时，也应注意要素集聚带来的规模不经济问题，做到“两手抓”。

2.2 Tobit模型结果及分析

表1 2000年～2013年江苏、浙江省Malmquist指数及分解

表2 2000年～2013年上海、安徽省Malmqusit指数及分解

Malmquist指数对江浙沪皖四省区的能源效率进行了描述，能源效率受到很多方面的影响。首先是集聚效应的影响，各要素的集聚导致规模的不断扩大，集聚效应越来越强，而集聚的增强又会反过来影响能源效率；其次还会受到一些外在因素的制约如对外开放度和区位优势等。因为能源效率值具有被切割或片段的特点，所以运用Tobit模型通过Stata12.0软 件包得出能源效率的影响因素。

对各变量进行分析：1变量zb中，浙江、上海系数为正且通过了5%的显著性检验。这说明资本的集聚对这两省的能源效率成正相关，资本集聚度越高能源效率值越大。江苏zb系数(0.3566) 虽然也为正但是并未通过5%的显著性检验，这有可能是因为资本的集聚意味着规模的不断扩大，集聚效益的加强带来很多非合意产出，从而使能效有所下降。安徽的zb系数(-0.2031) 为负也未通过显著性检验，说明安徽省资本投入存在冗余，但是影响不显著。2变量js中，江苏、浙江、上海、安徽四地的系数为正且全部通过5%的显著性检验。这充分说明了技术对能源效率的提高起到了至关重要的作用。在当今社会强调节能减排、低碳经济的背景下，更应把科技融入到生产力中，从根本上提高能源效率。3变量ld中，浙江、上海两省ld系数为负且通过5%的显著性检验。劳动集聚对两省的能源效率成负相关，劳动集聚度越高能源效率值越低。劳动集聚度高并不代表劳动者整体素质高，上浙两省缺乏的是高素质劳动者，这进一步反应出高素质人才的重要性而并不是一味地人口过度集聚。4变量ope中，江苏、浙江两省对外开放度系数为负且通过5%的显著性检验。这主要是由于对外开放度的提高，吸引众多外商规模不断扩大，带来更多的非合意产出使能源效率相对下降。能源效率的提高主要依靠科技进步，这与DEA的分析结果是一致的。

3 结论和启示

通过上述分析本文得出以下结论。

通过Malmquist指数及其分解，知道除浙江省个别年份的效率指数大于1外，大部分的效率指数都小于1，说明能源效率的增长速度变慢。平均能效值为江苏0.958、 浙江0.971、 上海0.941、 安徽0.903， 四地的全要素能源效率增长为负值。规模报酬平均增长率浙江省略高于1，上海、安徽效率值为1，只有江苏一省效率值略低于1，为0.998。

从Tobit回归结果可以看出，考虑非合意产出的全要素能源效率受资本、劳动力、技术要素的影响，同时对外开放度和区位因素也对各地能源效率产生不同程度的影响。一般而言，技术集聚对能源效率呈正相关，劳动力集聚对能源效率呈负相关。资本集聚和对外开放度对各地能源效率影响程度有所差异。

从以上的结论中我们得到这样的政策启示：第一，四地应大力倡导科技转化为生产力的思想，让技术创新带动产业发展。我们要牢记科技是第一生产力，并把科技运用到实际中去，加大对能源的研发投入，逐步摆脱以煤为主的能源消费结构，寻找新型能源、清洁能源。第二，四地应建立健全资源的开发和流动机制，要素集聚会带来集聚效应，但并非“多多益善”。各地应根据自身的情况合理布局，江苏存在规模不经济状况，而安徽存在资本要素投入冗余，这都没有实现帕累托最优。卡耐基曾经说过：“人才是企业最大的资本。”缺乏高素质人才也是导致能源效率不高的原因所在。第三，四地应调整经济结构，在“一体两翼”的新格局下实现产业的转型升级。由于泛长三角的形成，安徽更应抓住机遇，改变以往的粗犷发展模式。江、浙、沪、皖四地在即将形成的T字型大交通格局中，弥补自身的不足，打破发展的瓶颈，更有利于江、浙、沪、皖四地产业互补性增加、产业链的延长、产业发展的联动效应，以产业升级带动能源效率的提高。

[1] Vanessa de Almeida Guimares, Ilton Curty Leal Junior, Pauli Adriano de Almada Garcia. Environmental performance of Brazilian container terminals: a data envelopment analysis approach[J].Procedia - Social and Behavioral Sciences,2014(55).

[2] 张伟,吴文元.基于环境绩效的长三角都市圈全要素能源效率研究[J].经济研究,2011(10).

[3] 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(10).

[4] 沈绿珠,李慧娟.中国省区全要素能源效率评价及分析——基于DEA方法[C].Education Research,2012.

[5] 潘芬超.中国城市效率及其影响因素——基于非合意产出DEA和集聚的视角[D].厦门大学,2014.

[6] 蒋伟,李蓉,强林飞.环境约束下的中国全要素能源效率研究[J].统计与信息论坛,2015(5).

[7] 潘文庆,刘庆.中国制造业产业集聚与地区经济增长——基于中国工业企业数据的研究[J].清华大学学报(哲学社会科学版),2012(1).

F127

A

2096-0298(2016)09(c)-117-03