基于Bootstrap—DEA方法的我国钢铁企业能源效率评价

车莉楠

摘要：钢铁工业是我国国民经济的重要基础产业之一，特别是近十年来，我国钢铁工业取得了长足的进步。然而，高污染、高能耗的特点使钢铁工业在防污减排、节能降耗等方面承受着巨大的压力。文章利用Bootstrap-DEA方法对我国49家重点钢铁企业的能源效率进行评估，并对其能源效率的异质性进行了探究。

Abstract： China's iron and steel industry is one of the important basic industry of the national economy and has made remarkable progress especially in the past ten years. However， high pollution emissions and energy consumptions makes it so hard to reduce emissions and save energy. This paper evaluated the energy efficiency of China's 49 major iron and steel enterprises based on Bootstrap-DEA method， and then explored the heterogeneity of energy efficiency.

关键词：钢铁企业；能源效率；Bootstrap-DEA

Key words： iron and steel enterprise；energy efficiency；Bootstrap-DEA method

中图分类号：TF089 文献标识码：A 文章编号：1006-4311（2017）24-0065-03

0 引言

钢铁工业是国民经济的重要基础产业，但随着我国经济的快速增长，资源能源消费约束明显显现，钢铁工业在防污减排、节能降耗等方面承受着巨大的压力。钢铁行业是国家推进节能减排工作的重点产业，其节能减排工作的成效关系到全社会整体节能减排工作的成效。对我国钢铁企业的能源效率进行准确的估算并进行分析，对改变目前我国钢铁工业发展模式，引导产业健康发展，节能降耗、促进淘汰落后产能、推动兼并重组具有重要的现实意义。

目前，大多数针对于我国能源效率的研究都采用了省际的面板数据[1-3]，很少有针对于企业层面微观数据的研究。然而微观层面的数据跟宏观层面数据相比更加精确，理论研究价值同样不容忽视。

能源效率评价方法主要有两种。一是非参数的DEA方法。该方法在测定评价单元的能源效率相对有效性时对每个评价单元进行优化[4]。二是参数方法，最常用的为SFA方法。SFA方法在本质上是一种极大似然估计的参数估计方法，其需要为待估计的生产前沿面假定一种函数形式[5-6]。预先设定的生产函数可能与现实不符，且SFA方法在处理多产出问题时也存在困难。利用Bootstrap的思想，可以弥补传统DEA模型无法考虑统计误差的缺陷，因此文章将采用Bootstrap-DEA方法来对我国49家主要的钢铁企业能源效率进行评估。

1 模型构建及变量选取

1.1 Bootstrap-DEA模型

Simar和Wilson等人提出了可以对DEA估计值进行纠偏、估计置信区间及说明显著性水平的Bootsrap-DEA方法[7]。该方法的主要思路是：利用Bootstrap的思想对原始样本进行重复的抽样，构造大量的Bootstrap样本数据，从而得到大量的Bootstrap效率值，通过Bootstrap效率值的经验分布来构造置信区间等去进行统计推断。真实的效率值、DEA估计效率值及Bootstrap效率值三者之间的关系如下：DEA估计效率值是对原始样本的真实效率值的估计量，Bootstrap效率值是基于大量模拟Bootstrap样本对DEA估计效率值的估计及纠偏。

1.2 变量选取及说明

文章收集了2014年我国49家主要的钢铁企业的投入产出数据，数据来源为钢联数据库[8]。钢铁企业选取的标准是要同时保证企业投入产出指标的完整性和样本的多样性。样本的多样性是指样本要包含不同类型的钢铁企业，以保证样本的代表性。最终选取的样本包括了不同所有制类型、不同规模、不同投产年限以及不同区域的钢铁企业。

考慮钢铁生产的过程及其产生的碳排放，文章选取5个投入指标，分别为能源消费量（万吨标准煤）、总耗水量（万吨）、总员工人数（人）、高炉设备（立方米）和转炉设备（吨）；2个产出指标，即钢铁企业总产值（亿元）和二氧化碳排放量（万吨）。为去除指标量纲的影响，所有的指标在计算之前都进行了标准化处理。

2 估算结果及分析

文章利用MAXDEA软件对所选49家主要的钢铁企业进行Bootstrap-DEA能源效率评价，采用产出导向的DEA-CCR模型，并将Bootstrap迭代的次数设置为1000。最终估算结果如表1。从表1可以看出，利用传统的DEA模型来对钢铁企业进行评估，结果普遍是被高估了的，而利用Bootstrap-DEA方法来对前沿面的估计进行多次迭代与纠偏，使得估计出来的生产前沿面更加平滑，更加接近真实的生产前沿面，这样计算出来的能源效率更加可信，更加符合现实情况。

从排名来看，大多数企业的排名在纠偏后都有调整。宝钢集团、邯钢集团、建龙集团等企业的能源效率排名在纠偏后下降，其中建龙集团下降幅度最大，由第1名变成第28名；安钢集团、柳钢集团、威刚集团等企业的能源效率排名在纠偏后有所提高，三者均提高了11名；本钢集团、鄂城钢铁、杭钢集团等少数企业的能源效率排名在纠偏前后没有变化。纠偏后，能源效率最高的是莱钢集团，为0.9336，最低的为衡钢集团，为0.5716；大多数钢铁企业的能源效率还存在很大提升空间。

接下来，文章对钢铁企业进行分组以探讨我国钢铁企业能源效率的异质性。利用非参数检验方法来检验不同组别下的能源效率是否存在显著性的差异。零假设为“各组的能源效率没有显著性的差异”，如果非参数检验结果的P值小于0.05，则拒绝零假设，表明各组的能源效率在95%的置信水平下存在显著性的差异，非参数检验结果如表2。

具体分组标准如下：①根据钢铁企业不同的所有制形式将49家钢企分为两组，分别为27家上市钢企及22家未上市钢企。②根据钢铁企业投产年限的长短分组，以50年为界，投产大于等于50年的为老钢企，共36家；投产小于50年的为新钢企，共13家。③根据钢铁企业所在区域分为三组，分别为东部地区24家钢企，中部地区14家钢企，西部地区11家钢企。④根据钢铁企业规模的大小进行分组，年产量大于1亿吨粗钢的为大型钢企，共14家；年产量在0.5-1亿吨的为中型钢企，共16家；年产量小于0.5亿吨的为小型钢企，共19家。

根据表2非参数检验结果，我们可以看到不同所有制形式以及不同区域之间的钢铁企业能源效率存在显著性的差异。上市钢铁企业的能源效率要比未上市的钢铁企业高，这可能是由于上市企业的生产设备大多已经配备完善，产量稳定，可以通过多种方式募集资金来进行关于提升能效的技术研发。并且上市钢铁企业收到公众监管力度较大，每年均需要公开披露能源消耗指标（如吨钢综合能耗、吨钢可比能耗等），这种机制也倒逼了上市钢铁企业投入更多的资金与精力来研发核心生产技术，提高能源效率。而未上市钢铁企业大多数规模较小，可能更注重于增加产能而非提高能源效率，因而能源效率较低。东西部的钢铁企业能源效率比中部地区的钢铁企业高，原因可能是东部的生产技术较为发达，生产设备也更为高级，西部的煤炭资源更加优质等等。以投产年限分组的钢铁企业能源效率虽然不存在显著性的差异，但从效率均值来看，由于新建钢企的生产设备较新，老钢企生产设备老旧，因此新钢企能源效率要比老钢企高；大型的钢铁企业效率比中小型钢铁企业高，这说明了钢铁企业的能源效率也存在着规模经济效应。

3 结论

文章利用Bootstrap-DEA方法对我国49家重点钢铁企业的能源效率进行评估，并利用非参数检验方法对我国钢铁企业的能源效率异质性进行了探讨。结果表明：①利用传统DEA模型对能源效率评价的结果是有偏的，在利用Bootstrap技术进行纠偏后，大多数的钢铁企业能源效率排名发生了改变，个别企业变动较大；②上市钢铁企业的能源效率比未上市的钢铁企业高，东西部地区的钢铁企业能源效率比中部地区高。

参考文献：

[1]吴琦，武春友.基于 DEA 的能源效率评价模型研究[J]. 管理科学，2009，22（1）：103-112.

[2]续竞秦，杨永恒.基于 SFA 的地区能源效率评价方法研究[J].煤炭经济研究，2012（6）：37-41.

[3]蒋伟，李蓉，强林飞，等.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（05）：22-28.

[4]郭文，孙涛.中国工业行业生态全要素能源效率研究[J].管理学报，2013，11（1）：690-1.

[5]王雄，岳意定，刘贯春.基于 SFA 模型的科技环境对中部地区能源效率的影响研究[J].经济地理，2013，33（5）：37-42.

[6]Lundgren T， Marklund P O， Zhang S. Industrial energy demand and energy efficiency-Evidence from Sweden[J]. Resource and Energy Economics， 2016， 43： 130-152.

[7]Simar L， Wilson P W. Sensitivity analysis of efficiency scores： How to Bootstrap in nonparametric frontier models[J]. Management science， 1998， 44（1）： 49-61.

[8]鋼联数据库：http：//data.glinfo.com.