东北三省全要素能源效率测算及影响因素分析

东北三省全要素能源效率测算及影响因素分析

马晓君*,魏晓雪,刘 超,刘亚雪 (东北财经大学统计学院,辽宁 大连 116025)

从地级市层面出发,将废水排放量和工业烟(粉)尘排放量作为非期望产出指标,利用DEA模型测算2009～2014东北三省35个地级市的全要素生产率(TFP),计算能源目标投入量与实际投入量之比,测算东北三省真正全要素能源效率(TFEE);通过Malmquist指数分解得到全要素能源效率的内部影响因素;基于Tobit模型分析全要素能源效率的外部影响因素.结果显示:东北三省中黑龙江省的全要素能源效率最高,吉林省次之,辽宁省最低;部分城市的全要素能源效率与全要素生产率差距较大;纯技术效率变动和规模效率变动对东北三省能源效率有显著正影响,技术进步影响不显著;第二产业比重、第三产业比重对东北三省能源效率有负影响,工业所有制结构对东北三省能源效率有正影响.

东北三省；全要素能源效率；DEA模型；Malmquist指数；影响因素

“振兴东北”战略提出后,东北地区曾一度成为全国GDP增长明星.但近年来全国性的产能过剩,使依靠投资密集、工业拉动、产能扩张的东北经济面临三重衰退.2016年,国务院下发《关于全面振兴东北地区等老工业基地的若干意见》,重申振兴东北的关键性和迫切性.东北3省的重工业密集,能源消耗大,环境污染严重.应当将提高优势产业能源利用效率作为振兴东北突破口,在满足经济发展需求的同时减少能源消耗和污染排放,最终实现优化产业结构,恢复东北地区经济活力.

能源效率是指产出一定时实际能源投入达到最优程度或者能源投入一定时实现最大实际产出的程度[1].全要素能源效率作为被广泛使用的能源效率测算指标,通常由非参数法测算,其无需参数估计便可通过数据确定生产前沿边界,数据包络分析(DEA)是应用较广的非参数方法.当前,能源效率的研究多从省际或区域视角出发.张伟等[2]测算了长三角都市圈城市群全要素能源效率;邱灵等[3]将能源利用效率从空间上划分为高效区、中效区和低效区;李兰冰[4]基于传统的东、中、西、东北地区划分方式,研究能源效率动态演化与地区差异;而马海良等[5]基于三大经济区域(长三角、珠三角和环渤海区域)视角分析能源效率与全要素生产率之间的关系.

早期的“单投入-单产出”模式也逐渐转化到“多投入-单产出”模式,进而向包含非期望产出的“多投入-多产出”模式演进.在投入指标方面,Hu等[1]首次运用全要素能源效率指标测算1995～2002年中国29个省市的能源效率;魏楚等[6]的实证结果表明,与传统单投入指标相比,全要素能源效率指标更具有可信度;师博等[7]将知识存量指标列为投入指标,更为准确地测算了全要素能源效率.在产出指标方面,曾贤刚[8]通过引入CO2排放量作为非期望产出,构建综合能源效率指标;张伟等[5]采用了工业废弃排放量作为非期望产出;袁晓玲等[9]将工业三废、粉尘、烟尘和SO2排放量按照熵权法形成综合的非期望产出指标;刘丹丹等[10]用主成分分析法将5种污染物综合为一个非期望产出指标.

非参数法测算能源效率得到多数学者青睐,分解方法以Malmquist指数的应用居多.范丹等[11]基于DEA-SBM模型测算能源效率,并用变异系数和聚类分析区域间能源效率差异;蒋伟等[12]通过VRS-DEA模型从索罗剩余中分离出了纯全要素能源效率,降低了测算误差;屈小娥[13]利用DEA-Malmquist生产率指数测算、分解并分析了1990～2006年全国省际全要素能源效率变动情况;刘丹丹等[10]通过超效率DEA方法计算2003～2012年全国省际能源效率,并用Malmquist指数分解能源效率变动.

对影响因素的研究多集中于技术进步、技术效率、产业结构等.Khazzoom[14]指出,技术进步存在“回弹效应”,技术进步在提高能源效率的同时会提高生产率,消耗更多能源,无法准确估计技术进步的作用;吴巧生等[15]发现,能耗强度下降主要由能源使用效率提高引起,工业部门的技术进步是影响能耗强度的主因; 李廉水等[16]认为,与技术进步相比,技术效率对能源效率的影响力较大产业结构.史丹[17]发现调整产业结构能促进能源效率上升,但影响力在逐步减弱.相反,魏楚等[18]认为,产业结构对能源效率的影响作用在逐渐增强;除上述因素外,能源价格、市场化程度、能源禀赋、自然环境因素对能源效率也有一定影响.

但能源效率领域的研究仍存在以下问题: (1)基于省际、区域视角观察能源效率差异及演变特征的研究较多,基于地级市视角的文章较少; (2)大多研究仍忽略非期望产出对能源效率的影响,而多数考虑非期望产出的研究也仅采用单一非期望产出,仅少部分研究纳入多种非期望产出; (3)部分研究将DEA模型直接测算出的全要素生产率代替全要素能源效率,在此基础上利用Malmquist指数进行的分解实际上并不是真正对全要素能源效率的分解;(4)内部变动因素对能源效率影响的研究居多,缺乏外部因素对能源效率影响的深入研究.

本文基于DEA模型和全要素能源效率概念,利用35个地级市的面板数据,将东北3省废水排放量和工业烟(粉)尘排放量作为非期望产出,先行计算能源投入目标值,再测算2009～2014年东北3省各地级市的真正全要素能源效率,以Malmquist指数分解出技术进步、纯技术效率变动和规模效率变动3种内部影响因素,分析其对全要素能源效率的作用, 进一步地,通过Tobit模型确定并分析产业结构、政府干预、对外开放程度、科研投入和工业所有制结构这5种外部影响因素的作用,针对东北3省经济发展现状,结合“振兴东北老工业基地”方针政策,为东北地区提高能源效率建言献策.

1 研究方法、指标选取及数据来源

1.1 DEA方法

DEA分析决策单元(DMU)的效率以线性规划原理估计距离函数实现[19],构建一条非参数包络前沿线,决策单元实现效率最优化,生产有效单元构成生产前沿面,无效单元位于前沿面下方.假设有N个决策单元,每个单元由K种投入要素共同作用生产M种产出,第i个决策单元的效率可以通过求解以下线性规划问题得到:

图1 基于投入的CRS DEA模型Fig.1 CRS DEA model based on input

式中:θ是标量;λ是N×1的常向量,求解出的θ就是决策单元i的效率值,一般θ≤1,若θ=1,则该单元是有效的,且位于生产前沿上[20].

图1中LL′曲线表示生产前沿,决策单元C和1D1位于生产前沿上,表示生产有效;而单元A1′和B1′位于曲线上方,即生产同等产出要消耗更多资源,该生产无效率.根据Farrell[21]的定义,决策单元A1′和B1′的效率分别为和′.但是A1并不是A1′的有效点,在A1基础上还可以继续减少能源投入到C1点,因此决策单元A1′损失的投入要素可表示为C1A1=A1A1′+A1C1,A1A1′称为径向调整量,反映技术无效率;A1C1为松弛调整量,反映出资源配置无效[22].如果C1A1′越大,表示能源效率越低.

根据上述分析,可建立全要素能源效率的计算公式:

式中:TFEEi,t为第i个市t期的全要素能源效率;TEIi,t为能源目标投入量;AEIi,t表示实际投入量;LEIi,t为损失的能源投入量.此外,计算全省的能源效率可以用省内全部地级市的目标能源投入量之和与实际能源投入量之和的比值来表示.

式中:REk,t表示第k个省t时期的全要素能源效率.

利用线性规划的解题思路,基于规模报酬不变的传统CCR-DEA模型可表示为:

式中:θ表示第j(j=1,2,…,N)决策单元的效率;x和y代表投入要素和产出要素,投入要素个数为K,产出变量个数为M;s-表示剩余变量;s+表示松弛变量.

1.2 指标选取与数据来源

以资本、劳动力和能源消费作为投入要素,利用2009～2014年东北三省35个地级市(除大兴安岭地区)的面板数据测算TFEE.为保证数据完整连贯,所有研究数据均来源于各年的《辽宁省统计年鉴》[23]、《吉林省统计年鉴》[24]、《黑龙江省统计年鉴》[25]和《中国城市统计年鉴》[26]等.

1.2.1 投入指标 以能源、劳动力和资本作为投入指标.其中:(1)能源投入:以各市每年综合能源消费量代表能源投入指标,单位为万t/标准煤;(2)劳动力投入:以三个省都统计过的年末单位从业人员数作为劳动力投入,单位为万人.(由于缺少教育水平数据,所以未体现劳动力在质量上的差异);(3)资本投入:从省际层面出发的研究大多采用“永续盘存法”估计资本存量,但各地级市缺少相关指标,以固定资产投资额作为资本投入,单位为亿元.

1.2.2 产出指标 选取期望产出和非期望产出.(1)期望产出:以各市当年的GDP作为期望产出,并以2009年进行不变价缩减;(2)非期望产出:为保证指标一致,以全市废水排放量和工业烟(粉)尘排放量表示生产中的污染排放.非期望产出会产生负效应,其值越小越好,本文将废水排放量和工业烟(粉)尘排放量的倒数作为非期望产出指标.

2 东北地区全要素能源效率测算

选取投入导向的DEA模型,利用Deap2.1软件计算东北三省各市TFP(表1),并在此基础上分解出能源投入目标值;以各省每个地级市的目标能源投入总和与实际能源投入总和之比得到各地级市TFEE(表2).

2.1 全要素生产率测算

TFP指产出与全部要素投入量之比,该指标衡量全部投入要素的利用效率.由表1可知,大连、辽源、松原、大庆、七台河、黑河和绥化的TFP每年均为1,即在同等产出水平下,这7个城市实现了最少的能源、劳动力和资本投入.TFP均值在[0.9,1)之间的城市有沈阳、白城、鸡西、哈尔滨、吉林、辽阳、牡丹江和四平8个城市.辽宁抚顺、本溪、阜新、盘锦、铁岭、朝阳和葫芦岛,吉林省通化、白山和延边,黑龙江齐齐哈尔、鹤岗、双鸭山、伊春和牡丹江的TFP均值低于各省平均值.总体上,辽宁省地级市间的TFP差距较大,全省TFP均值为3省最低.吉林省的TFP均值处于3省中间水平. 黑龙江省的TFP均值最高.

2.2 全要素能源效率测算

在TFP的基础上分解能源目标值,计算TFEE.表2中,大连、辽源、松原、大庆、黑河和绥化的TFEE每年均为1,在同等产出水平下,这6个地级市充分利用了能源投入,构成了生产前沿面,属于高效率地区.TFEE均值在[0.9,1)之间的地级市有沈阳、四平、白城、哈尔滨、鸡西、佳木斯和牡丹江.辽宁省的抚顺、本溪、营口、阜新、盘锦、铁岭、朝阳、葫芦岛,吉林省的吉林市、通化、白山、延边,黑龙江省的齐齐哈尔、鹤岗、双鸭山、七台河、牡丹江,TFEE均值均低于本省平均值,但黑龙江省5个城市中除去双鸭山外另4个城市的TFEE在0.8以上,牡丹江甚至达到0.9,在东北三省全部地级市属于中上水平.仅辽宁省抚顺、本溪、营口和盘锦的TFEE均值在0.5以下,在3省效率最低,这也意味着能源损失最高.总之,3省的TFEE排名为黑龙江最高,吉林次之,辽宁最低,与TFP排名结果一致.

2.3 全要素生产率与全要素能源效率相关关系

表1 东北3省2009～2014年全要素生产率Table 1 TFP of three northeast provinces (2009～2014)

续表1

表2 东北3省2009～2014年全要素能源效率Table 2 TFEE of three northeast provinces (2009～2014)

续表2

对比表1和表2可将各地级市归为3类:(1)TFP和TFEE均较高的地级市.如:大连、沈阳、辽源、松原、大庆、绥化、黑河、佳木斯等,其TFP和TFEE基本接近或相同,均处于较高水平.(2)2种效率值均偏低的地级市.如:盘锦、延边、朝阳、通化、抚顺、葫芦岛等, 其TFP总是略高于TFEE.(3)2种效率差距明显的地级市.如:营口、本溪、吉林的2种效率值之差分别为0.41、0.36、0.37.其TFEE均值在省TFEE均值之下,远低于TFP均值.

为展示东北三省TFP与TFEE相关关系及特点,利用表1和表2中各省历年平均值绘制折线图(图2).图2显示,3省TFP均值曲线均在TFEE均值曲线上方;3省2条曲线同步增减并逐渐靠近;黑龙江省的TFP均值和TFEE均值整体水平一直高于其它2省,吉林省居中,辽宁省最低;黑龙江2条曲线间差距最小,并均处于逐年上升状态,保持在0.90以上;吉林省在2012年后2条曲线逐渐靠近,整体水平均保持在0.80以上;辽宁省2条曲线差距最大,2014年TFEE均值仅为0.67.

综上分析,TFP与TFEE之间存在相关关系,但部分地级市的2种效率差距较大.因此, TFP与 TFEE不能等同,以TFP代替TFEE进行研究会产生偏差.

图2 东北三省全要素生产率均值和全要素能源效率均值走势Fig.2 Mean TFP & mean TFEE’s tendency of three northeast provinces

3 东北三省能源效率内部影响因素

3.1 内部影响因素确定

尽管无法直接分解TFEE变动,但Hu等[1]认为技术进步、纯技术效率和规模效率的变动都会对TFEE产生影响.本文利用Malmquist指数对TFP进行分解,得到三个指标,即技术进步、纯技术效率变动和规模效率变动,作为TFEE的内部影响因素.

3.2 回归结果与分析

利用东北三省地级市面板数据和软件Deap2.1,选择Malmquist模式对东北三省35个地级市TFP进行分解,得到各市技术进步、纯技术效率变动和规模效率变动指标,作为自变量.以当年TFEE与上一年TFEE的比值——TFEE变动,作为因变量,构建回归模型如下:

式中:,EEij表示i地区第j时期的TFEE变动率;分别表示技术进步、纯技术效率变动和规模效率变动;C是截距项;ε,i,j表示随机扰动项.

用Eviews6.0软件进行模型参数估计,对自变量和因变量进行单位根检验,显示各变量均是平稳序列;通过Hausman检验确定使用随机效应模型,采用加权GLS方法进行回归估计,回归结果见表3.由于吉林省地级市数目较少,样本量不足,回归结果不理想,故未将吉林省的情况列出.

表3 回归结果Table 3 Regression results

表3中,纯技术效率变动PECHi,j和规模效率变动SECHi,j在1%水平上显著,呈显著正影响.而技术进步TCi,j的系数均为负,仅辽宁省的系数在10%水平上显著.技术进步能源效率的影响为负向的现象为“回弹效应”,通常企业引进先进技术本应提高能源效率,但因应用新技术生产造成的能源消耗与浪费无法准确估计,导致技术进步对能源效率呈负影响.

4 东北三省能源效率外部影响因素分析

4.1 外部影响因素确定

根据东北三省实际情况,依据相关理论以及指标、数据的可获得性和完整性,本文选取产业结构、政府干预、对外开放、科研投入和工业所有制结构作为TFEE的外部影响因素.(1)产业结构:选取第三产业比重(SC)和第二产业比重(EC)作为产业结构影响因素指标;(2)政府干预(ZF):以地方公共财政支/GDP表示;(3)对外开放程度(KF):以当年实际使用外资金额/GDP表示;(4)科研投入(KY):以科学技术研发支出/公共财政支出表示;(5)工业所有制结构(GY):以国有企业产值/工业总产值的表示.

4.2 模型选择

研究TFEE的外部影响因素时,要以TFEE值作为因变量建立回归模型.由于能源效率值仅为(0,1]区间内的连续数据,用最小二乘法估计参数会造成有偏估计,因此建立Tobit回归模型,以极大似然法估计参数.

Tobit模型是因变量受到限制或被截断时常用的回归方法. Tobit模型如下:

当被解释变量有指标界限值α时,就会出现截断,(6)式可写为:

4.3 回归结果与分析

以TFEE 为被解释变量,以产业结构指标、政府干预指标、对外开放程度指标、科研投入指标、工业所有制结构指标为解释变量,建立Tobit回归模型.模型表达式如下:

用Eviews6.0对模型进行参数估计,见表4.

4.3.1 产业结构的影响 东北三省和辽宁省第三产业SC在10%水平上显著,吉林省在1%水平上显著,系数较小且呈负影响;第三产业对黑龙江省TFEE影响不显著.与魏楚等[15]的结论相似,魏楚等的研究得出第三产业比重对中国沿海地区、中部地区和西部地区具有正影响,对东北地区具有负影响.东北地区的重工业比重高,尽管第三产业比重每年有所增长,但高耗能产业多,能源消耗量大,第三产业比重增长带来的能源效率提高未显著弥补第二产业的能源消耗.近年来黑龙江第三产业比重增幅较大,与第二产业比重差距逐渐减小,第三产业比重开始显现正影响.东北三省和辽宁省第二产业EC在10%水平上显著,黑龙江省在5%水平上显著,系数较小且呈负影响;第二产业对吉林省TFEE影响不显著.第二产业是高耗能产业,东北三省作为典型的重工业基地,第二产业比重大,能源消耗量大,属于规模报酬递减阶段,会对能源效率产生负影响.

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

4.3.2 政府干预的影响 地方公共财政支出包括基础设施建设、科技三项费用、教科文卫事业等.用于企业提高能源效率的资金为其中的一部分,由于无法获取各地级市公共财政支出中用于提高企业能源效率的占比,难以准确估计政府干预的影响,仅从现有数据表现进行分析.东北三省、辽宁省和吉林省该指标分别在1%、1%和10%水平上显著,均呈负影响;黑龙江省该指标不显著.与多数政府干预对能源效率影响的研究类似,该指标对能源效率导向并不明确.这与地方公共财政支出中用于提高能源效率的部分占比少,政府干预限制部分企业自主发展的潜力等多种因素有关.

4.3.3 对外开放程度的影响 仅黑龙江省的KF在10%水平上显著呈正影响.黑龙江与俄罗斯毗邻,与俄贸易往来频繁,在吸引外资的同时学习先进技术、设备和管理经验,其资源配置效率有所强化,促进能源效率提高.东北三省总体、辽宁和吉林的该项指标均不显著.

4.3.4 科研投入的影响 科研投入多来自公共财政支出中的科技三项费用,用于各类科研所、高校等科研机构承担的国家或地方重点科技计划项目.科研投入既用于科学技术试验,也用于基础科学、社会科学研究.该指标应与“技术进步”指标区别看待.辽宁省和吉林省的KY在1%水平上显著,科研投入对东北三省总体和黑龙江省的影响不显著.

4.3.5 工业所有制结构的影响 GY对东北三省和黑龙江省均在1%水平上显著呈正影响,对辽宁省和吉林省影响不显著.与辽宁和吉林相比,黑龙江省的国有企业产值占工业总产值比重较高,政府为实施“振兴东北老工业基地”战略颁布的一系列政策对黑龙江省的作用更大,而东北三省整体国有企业比重较大,因此工业所有制对东北三省整体的影响显示正影响.

5 政策建议

协调全要素生产率和全要素能源效率.针对各省、地级市特点,合理分配生产资源;分析生产过程, 以能源利用效率高的生产阶段优化整个生产过程;建立预警机制,实时反映全要素生产率与全要素能源效率变化,保证二者共同提升.

促进企业技术进步与高校科研有效结合.为降低技术进步的回弹效应,提高科研投入的正影响.当以优质高校资源作为未来产业创新、企业技术进步的核心.引导高校科研与企业加强联系,鼓励自主创新,围绕高校科研发展潜在新兴领域,迅速转化科研成果.

调整优化升级产业结构,实现可持续发展.打造具有国际竞争力的区域特色产业集群[27];积极培育新兴产业,形成经济多元化的新格局;大力发展现代服务业,形成现代旅游、休闲和养生产业[27];构建现代化大农业,科学提高农业生产规模化,专业化水平;开发应用新型清洁能源, 鼓励资源依赖型城市转型,实现科学可持续发展.

加快转变政府职能,转化政府干预影响.提高公共财政支出中用于提高能源效率的投入;制定资金使用计划,让政府财政支出得到最优化利用;建立沟通机制,了解企业诉求;做好市场监督,拉近市场与政府距离,激发市场内在活力,促进企业资源配置最优化.

提高对外开放水平,积极参与对外战略.东北地区靠近边境,有着天然的地理优势,未来可成为对外交流枢纽.东北三省应积极参与“一带一路”等对外战略,成为东北亚地区合作中心和中国向全世界交流的窗口.

6 结论

6.1 研究测算的TFP虽与TFEE呈同增同减趋势,但部分地级市的二者差距较大.TFP不能代表TFEE.辽宁省TFEE在东北三省中最低,吉林省居中,黑龙江省最高.

6.2 Malmquist指数分解结果显示,纯技术效率变动和规模效率变动对东北地区、辽宁和黑龙江TFEE变动呈显著正影响;辽宁省的技术进步指标在10%显著性水平上呈负影响.

6.3 Tobit回归结果显示,产业结构和政府干预对东北三省总体TFEE呈负影响,工业所有制结构呈正影响;辽宁省TFEE受产业结构和政府干预负影响,受科研投入正影响;吉林省的第三产业比重、政府干预和科研投入呈负影响;黑龙江省的TFEE受第二产业比重的负影响,对外开放程度和工业所有制结构对其有正影响.

[1] Hu J, Wang S. Total-factor energy efficiency of regions in China [J]. Energy Policy, 2006,34(17):3206-3217.

[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, 2011,76(10):95-109.

[3] 邱 灵,申玉铭,任旺兵.中国能源利用效率的区域分异与影响因素分析 [J]. 自然资源学报, 2008,23(5):920-928.

[4] 李兰冰.中国能源绩效的动态演化、地区差距与成因识别——基于一种新型全要素能源生产率变动指标 [J]. 管理世界, 2015,31(11):40-52.

[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 [J]. 中国人口·资源与环境, 2011,21(11):38-43.

[6] 魏 楚,沈满洪.能源效率与能源生产率:基于DEA方法的省际数据比较 [J]. 数量经济技术经济研究, 2007,24(9):110-121.

[7] 师 博,沈坤荣.市场分割下的中国全要素能源效率:基于超效率DEA方法的经验分析 [J]. 世界经济, 2008,68(9):49-59.

[8] 曾贤刚.我国能源效率、CO2减排潜力及影响因素分析 [J]. 中国环境科学, 2010,30(10):1432-1440.

[9] 袁晓玲,张宝山,杨万平.基于环境污染的中国全要素能源效率研究 [J]. 中国工业经济, 2009,26(2):76-86.

[10] 刘丹丹,赵颂扬旸,郭 耀.全要素视角下中国西部地区能源效率及影响因素 [J]. 中国环境科学, 2015,35(6):1911-1920.

[11] 范 丹,王维国.中国区域全要素能源效率及节能减排潜力分析—基于非期望产出的SBM模型 [J]. 数学的实践与认识, 2013,43(7):12-21.

[12] 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, 2015,30(5):22-28.

[13] 屈小娥.中国省际全要素能源效率变动分解—基于Malmquist 指数的实证研究 [J]. 数量经济技术经济研究, 2009,26(8):29-43.

[14] KhazzoomJ D. Economic implications of mandated efficiency in standards for household appliances [J]. The Energy Journal, 1980,1(4),21-40.

[15] 吴巧生,成金华.中国能源消耗强度变动及因素分解:1980～2004 [J]. 经济理论与经济管理, 2006,26(10):34-40.

[16] 李廉水,周 勇.技术进步能提高能源效率吗？—基于中国工业部门的实证检验 [J]. 管理世界, 2006,22(10):82-89.

[17] 史 丹.产业结构调整变动对能源消费需求的影响 [J]. 经济理论与经济管理, 2003,23(8):30-32.

[18] 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, 2007,23(8):66-76.

[19] Coelli T J, Rao D S P, O’Donnell C J, et al. AnIntroductionto efficiency and productivity analysis [M]. NewYork: Springer, 2005:162.

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

[21] Farrell MJ. The Measurement of productive efficiency [J]. Journal of Royal Statistical Society, 1957,120(3):253-281.

[22] Ferrier G D, Lovell C A. Measuring cost efficiency in banking: econometric and linear programming evidence [J]. Journal of Econometrics, 1990,46(2):229-245.

[23] 辽宁省统计局.辽宁省统计年鉴 [M]. 北京:中国统计出版社, 2009-2014.

[24] 吉林省统计局.吉林省统计年鉴 [M]. 北京:中国统计出版社, 2009-2014.

[25] 黑龙江省统计局.黑龙江省统计年鉴 [M]. 北京:中国统计出版社, 2009-2014.

[26] 国家统计局.中国城市统计年鉴 [M]. 北京:中国统计出版社, 2009-2014.

[27] 中共中央国务院关于全面振兴东北地区等老工业基地的若干意见 [N]. 人民日报, 2016-4-27.

The analysis of total factor energy efficiency calculation and influence factors of the three northeast provinces.

MA Xiao-jun*, WEI Xiao-xue, LIU Chao, LIU Ya-xue
(School of Statistics, Dongbei University of Finance and Economics, Dalian 116025, China). China Environmental Science, 2017,37(2)：777～785

The wastewater emissions and industrial smoke (powder) emissions were defined as undesirable output in the output indicators. The DEA models were used to calculate the total-factor production (TFP) of 35prefecture-level cities in northeastern China from2009 to 2014. The ratio of energy target inputs and actual inputs were measured to estimate the total-factor energy efficiency (TFEE). Moreover, the internal variables of the TFEE were obtained via the Malmquist Index Decomposition approach, and the external variables of the TFFE were analyzed based on the Tobit models. Heilongjiang had the highest TFEE, followed by Jilin and Liaoning sequentially; a large gap existed between TFEE and TFP in some prefecture-level cities; the changes of pure technical efficiency and scale efficiency had significantly positive effect on energy efficiency, while technological progress had no significant effect; as opposed to the proportions of secondary industry and tertiary industry in the industry composition, which were negatively related to energy efficiency, ownership structure in industries had a positive effect on energy efficiency in the three provinces.

three provinces in the northeast；total-factor energy efficiency；DEA model；Malmquist index；variables

X24

A

1000-6923(2017)02-0777-09

马晓君(1978-),女,辽宁抚顺人,副教授,博士,研究方向为宏观政治经济统计.发表论文30余篇.

2016-06-15

国家社科基金重大项目(13&ZD171);国家社科基金(13CTJ005);辽宁省社科基金一般项目(L14CTJ005)

* 责任作者, 副教授, 772905437@qq.com