环境约束视角下中国各省全要素能源利用效率变动研究——基于GML指数的分析

张忠杰，邓光耀

（兰州财经大学 统计学院，甘肃 兰州 730020）

一、引言

随着经济的快速发展，中国对能源的消费量越来越大，环境污染问题也越来越严重。为了降低能源消耗强度，减少环境污染，建设资源节约型和环境友好型社会，十八大报告强调要重点关注生态文明建设。为此，在资本、劳动力和能源的全要素视角下，考虑非期望产出（例如碳排放），研究中国各省能源利用效率水平是必要的。

已有文献多采用DEA（Data Envelopment Analysis）模型和 SFA（Stochastic Frontier Analysis）模型来测算能源效率。Zhang等（2013）基于非径向DEA模型研究了韩国电力行业的能源利用效率，指出燃煤发电厂比燃油发电厂有更高的能源利用效率。李博等（2016）基于SBM-DEA模型测算了考虑环境约束的中国资源型城市全要素能源效率，指出多数资源型城市处于非效率状态[1]。李玉婷和刘祥艳（2016）利用SFA模型研究了1997—2012年中国各省、区域和全国的工业全要素能源效率，指出各地的能源效率发展不平衡[2]。另外，还有部分文献利用Malmquist指数来研究中国的全要素能源利用效率的变动情况。王群伟和周德群（2008）基于DEA的非参数Malmquist指数法，分解了1993—2005年我国28个省区的全要素生产率变动，指出区域间能源效率的差异性较为显著[3]。He等（2013）利用 Malmquist Luenberger指数研究了中国钢铁企业的能源利用效率，指出忽略非期望产出会导致测算的能源效率存在偏差[4]。从以上文献可以看到：Malmquist（M）指数、Malmquist Luenberger（ML）指数和 Global Malmquist Luenberger（GML）指数是测算全要素能源利用效率变化情况的三种主要方法。与M指数相比，ML指数和GML指数可用于考虑非期望产出（例如碳排放）的全要素能源利用效率。与M指数和ML指数相比，GML指数可以避免传统ML指数的线性规划无解的问题，并且可循环累加（Oh，2010[5]）。因此本文基于GML指数测算了中国各省2004—2014年全要素能源利用效率的变动情况，并将GML指数分解为EC指数和BPC指数。

二、研究方法

由于在能源使用过程中，常常会产生碳排放，因此在测算全要素能源利用效率变动时将碳排放当成非期望产出是必要的。下面叙述本文中测算全要素能源利用效率变动的方法：将各省视为一个决策单元（DMU），要素投入x包括资本、劳动力和能源，期望产出y为各省GDP，非期望产出b为能源消费碳排放量。设时期总数为T，利用各省第t期的投入和产出值，可以构造生产可行集Pt（xt）={（yt，bt）：xt生产（yt，bt）}，t=1，2，…，T。设全局生产技术集为 PG（x）=P1（x1）∪P2（x2）∪…∪PT（xT），参考 Oh（2010），Global Malmquist Luenberger（GML）指数可定义为：

其中，DG（xt，yt，bt）是全局方向性距离函数，可通过以下公式求解：

其中，大写的 T、K、M、J、N 分别为时期、省份、期望产出、非期望产出、投入指标的总数，小写的 t、k、m、j、n 分别为具体某个时期、省份、期望产出、非期望产出、投入指标。的值大于1，说明与第t年相比，第t+1年k省的全要素能源效率在进步；的值等于1，表示全要素能源效率保持不变；的值小于1，表示全要素能源效率在倒退。

参考 Oh（2010[6]），GML 指数可以进一步分解为EC指数（测度技术效率变化）和BPC指数（测度技术进步变化）的乘积，EC指数和BPC指数的定义如下：

其中，Dt（xt，yt，bt）按照以下公式计算：

三、数据来源

限于数据的可得性，本文测算中国大陆除西藏外30个省2004—2014年中全要素能源效率，所用到的能源消费量、劳动力和GDP等数据来自于历年的《中国统计年鉴》，资本存量参考张军等（2004）[7]、邓光耀等（2017）[8]中的方法，采用永续盘存法计算，能源强度根据能源消费量除以GDP得到。根据2006版IPCC中的方法，本文中各省碳排放量按照各类能源的消费量乘以对应的碳排放系数计算得到（Amstel，2006[9]）。另外，考虑到通货膨胀的影响，本文以2004年为基期，对GDP和资本存量数据进行平减处理。

四、实证分析

（一）GML指数的测算结果

将公式（2）代入公式（1），可以计算出中国各省全要素能源效率的逐年变动值（GML指数值），本 文 以 2004—2005 年 、2009—2010 年 、2013—2014年为例，计算得到的结果如表1所示。

表1 2004—2005年、2009—2010年、2013—2014年各省GML指数值

从表1可以看到：在2004—2005年、2009—2010年和2013—2014年这3个时间段中，大部分省份的GML指数值大于1，这说明相对于上一年度，当年的全要素能源利用效率有所上升。其中：天津、上海、江苏和陕西等4个省份在3个时间段的GML指数均大于1；北京、河北、黑龙江、福建、山东、湖北、湖南和青海等8个省份在2004—2005年、2009—2010年时间段的 GML指数大于 1，但是在2013—2014年时间段小于1；吉林、浙江和重庆等3个省份2004—2005年时间段的GML指数小于1，但是在2009—2010年、2013—2014年时间段的GML指数大于1；山西、辽宁、安徽、江西、广东、海南、四川、甘肃、宁夏和新疆等10个省份在 2004—2005年、2013—2014年时间段的 GML指数小于1，但是在2009—2010年时间段的GML指数大于1；内蒙古和广西等2个省份在2004—2005年、2009—2010年时间段的 GML指数小于1，但是在2013—2014年时间段的GML指数大于1；对贵州来说，在2004—2005年时间段的GML指数大于 1，但是在 2009—2010年、2013—2014年时间段的GML指数小于1；对河南和云南等2个省份来说，在3个时间段的GML指数均小于1，这说明在这3个时间段内，河南和云南省的全要素能源利用效率相对于上一年度，均有所下降。

为了进一步分析GML指数的逐年变化情况，本文以30个省份GML指数的平均值为例，说明2004—2005年等10个时间段GML指数的计算结果，如图1所示。

图1 30个省份各时间段GML指数的平均值

从图 1可以看到：（1）30个省份各时间段GML指数的平均值波动频繁，上升和下降的趋势交替出现。其中，2004—2005年、2005—2006年、2006—2007年、2007—2008年时间段的GML指数上升；2007—2008年、2008—2009年时间段的GML指数下降；2008—2009年、2009—2010年、2010—2011年时间段的GML指数上升；2010—2011年、2011—2012年时间段的 GML指数下降；2011—2012年、2012—2013年时间段的GML指数上升；2012—2013年、2013—2014年时间段的GML指数下降。（2）由于节能减排技术的提高，在大多数时间段的GML指数大于1，例外的情况有2004—2005 年、2008—2009 年、2011—2012 年、2013—2014年等4个时间段。

（二）GML指数的分解

根据公式（3）和公式（4）可以计算得到EC指数和 BPC指数，本文以 2004—2005年、2009—2010年、2013—2014年为例，说明各省EC指数和BPC指数值，如表2和表3所示。

表2 2004—2005年、2009—2010年、2013—2014年各省EC指数值

表3 2004—2005年、2009—2010年、2013—2014年各省BPC指数值

从表2可以看到：（1）部分省份的EC指数值在 2004—2005年、2009—2010年、2013—2014年等3个时间段可能近似地（由于表2中数据只保留四位有效小数，微小的变化不能反映）保持不变，也就是说在测算全要素能源效率时，技术效率保持不变。例如：北京、天津、山西、内蒙古、上海、浙江、安徽、湖南、广东、陕西和宁夏等11个省份。（2）对其余19个省份来说，河北、辽宁、吉林、黑龙江、江苏、福建、山东、河南、海南、重庆、四川、贵州、青海和新疆等14个省份在以上3个时间段的EC指数值可能大于1，也可能小于1。江西、湖北和甘肃等3个省份在以上3个时间段的EC指数值均大于1；广西和云南等2个省份在以上3个时间段的EC指数值均小于1。

从表 3可以看到：在2004—2005年、2009—2010年、2013—2014年等3个时间段中，大部分省份的BPC指数值可能大于1，也可能小于1，这说明在测算全要素能源效率时，这些省份的技术进步部分可能存在进步，也可能存在倒退。例如：北京、河北、山西、内蒙古、辽宁、吉林、黑龙江、浙江、安徽、福建、江西、山东、河南、湖北、湖南、广东、广西、海南、重庆、四川、贵州、云南、陕西、青海、宁夏和新疆等26个省份。另外，天津、上海和江苏等3个省份在以上3个时间段的BPC指数值均大于1，这说明在测算全要素能源效率时，技术进步部分在3个时间段均存在进步；甘肃在以上3个时间段的BPC指数值均小于1，这说明在测算全要素能源效率时，技术进步部分在3个时间段均存在倒退。

为了进一步分析EC指数和BPC指数的逐年变化情况，本文以30个省份EC指数或BPC指数的平均值为例，说明2004—2005年等10个时间段EC指数或BPC指数的计算结果，如图2和图3所示。

图2 30个省份各时间段EC指数的平均值

图3 30个省份各时间段BPC指数的平均值

从图2可以看到：（1）30个省份各时间段 EC 指数的平均值变化频繁，上升和下降的趋势交替出现。其中，在2004—2005年、2005—2006年时间段下降；在 2005—2006 年、2006—2007 年、2007—2008年时间段上升；在 2007—2008年、2008—2009年时间段下降；在 2008—2009年、2009—2010年时间段上升；在 2009—2010年、2010—2011 年 、2011—2012 年 、2012—2013 年 、2013—2014年时间段持续下降。（2）30个省份各时间段EC指数的平均值大于1的时间段有2004—2005年、2007—2008年、2008—2009年、2009—2010年、2010—2011年、2011—2012年等 6个时间段；其余4个时间段则小于1。

从图3可以看到：（1）30个省份各时间段BPC指数的平均值变化频繁，上升和下降的趋势交替出现。其中，在2004—2005年、2005—2006年、2006—2007年时间段上升；2006—2007年、2007—2008年、2008—2009年时间段下降；2008—2009年、2009—2010年、2010—2011年时间段上升；2010—2011 年 、2011—2012 年 时 间 段 下 降 ；2011—2012 年 、2012—2013 年 时 间 段 下 降 ；2012—2013年、2013—2014年时间段上升。（2）30个省份各时间段BPC指数的平均值大于1的时间段有 2005—2006年、2006—2007年、2007—2008年、2009—2010年、2010—2011 年、2012—2013年等6个时间段；其余4个时间段则小于1。

比较表1～表3和图1～图3中的结果，可以看到：（1）GML指数大于1时，并不能保证EC指数和BPC指数大于1，例如2009—2010年时间段天津的GML指数大于1，但是EC指数小于1；2004—2005时间段河北的GML指数大于1，但是BPC指数小于1。（2）从30个省份各时间段的平均值来看，虽然GML指数、EC指数和BPC指数均变化频繁，上升和下降的趋势交替出现，但是变化趋势并不一致，即不一定同步。

五、结论与启示

本文基于GML指数，测算了中国各省2003—2014年全要素能源利用效率的变动情况，研究结果发现：（1）由于节能减排技术的提高，在大多数时间段的GML指数大于1，即大部分情况下各省全要素能源利用效率在逐渐提高。（2）GML指数、EC指数和BPC指数均变化频繁，上升和下降的趋势交替出现，但是变化趋势并不一致。

根据以上研究结论，可得到以下政策启示：（1）由于技术进步是提升能源利用效率的必要条件，因此各省份应加大技术进步方面的资金投入和扶持力度，提升节能减排技术。（2）根据GML指数的分解结果，GML指数大于1的省份，EC指数和BPC指数并不一定大于1，GML指数小于1的省份，EC指数和BPC指数并不一定小于1，因此各省在提升全要素能源利用效率时，应同时注意技术效率部分的变化和技术进步部分的变化。（3）另外，由于各行业消费效率和消费结构也可能存在差异，因此优化产业结构和能源消费结构也是提升能源利用效率的必要措施。

[1]李博，张文忠，余建辉.考虑环境约束的中国资源型城市全要素能源效率及其差异研究[J].自然资源学报，2016，31（3）：377-389.

[2]李玉婷，刘祥艳.中国工业能源效率及其收敛性——SFA全要素与单要素方法的比较分析[J].干旱区资源与环境，2016，30（12）：14-19.

[3]王群伟，周德群.中国全要素能源效率变动的实证研究[J].系统工程，2008，26（7）：74-80.

[4]He F，Zhang Q，Lei J，Fu J，Xu X.Energy efficiency and productivity change of China's iron and steel industry：Accounting for undesirable outputs[J].Energy Policy，2013，54（54）：204-213.

[5][6]Oh D H.A global Malmquist-Luenberger productivity index[J].Journal of Productivity Analysis，2010，34（3）：183-197.

[7]张军，吴桂英，张吉鹏，2004.中国省际物质资本存量估算：1952-2000[J].经济研究（10）：35-44.

[8]邓光耀，韩君，张忠杰，2017.中国各省水资源利用效率的测算及回弹效应研究[J].软科学（1）：15-19.

[9]Amstel A V.IPCC 2006 Guidelines for National Greenhouse Gas Inventories[M].2006.