用能权与碳排放权可交易政策组合下的经济红利效应
2019-06-03刘海英王钰
刘海英 王钰
摘要 市场机制具有实现资源有效配置和建立正确激励机制的优势，用能权交易与碳排放权交易是典型的市场化能源政策，如果将这两类能源政策进行组合使用，理论上可以更好地实现节能和CO2减排。本文从潜在产出增量、节能量、CO2减排量和绿色全要素生产率增长四个维度评价不同政策组合的经济红利效应。运用非参数DEA方法模拟了命令控制型、混合型和市场交易型三种不同情形下的能源政策组合，并据此测算了“十一五”和“十二五”期间中国30个省区（西藏和港澳台除外）的潜在产出增量、节能量和CO2减排量。采用基于非径向方向性距离函数的Luenberger生产率指数表征绿色全要素生产率增长，并将绿色全要素生产率增长分解为节能、CO2减排和经济增长三个驱动因素的贡献。相关实证结果表明：①在用能权与碳排放权同时可交易的市場交易型政策组合下，潜在产出增量、节能量、CO2减排量和绿色全要素生产率都会显著提高，体现出最佳的经济红利效应；②在混合型政策组合下，用能权与碳排放权一方实施可交易政策，而另一方仍受行政命令管制，政策间会发生掣肘作用，此时潜在产出增量、节能量、CO2减排量和绿色全要素生产率增长均逊于用能权与碳排放权同时可交易的市场交易型政策组合的结果；③当实施命令控制型政策组合时，能源消耗与CO2排放均受到严格的行政命令管制，其产生的经济红利效应最小；④绿色全要素生产率的指数分解结果表明，节能、CO2减排与合意产出（GDP）增加都是绿色全要素生产率增长的贡献因素，但是与追求合意产出（GDP）增加相比，节能与CO2减排更容易提升中国的绿色全要素生产率。
关键词 用能权交易；碳排放权交易；能源政策组合；绿色全要素生产率
中图分类号 F062.1 文献标识码 A 文章编号 1002-2104（2019）05-0001-10 DOI：10.12062/cpre.20190110
转变经济发展方式、优化能源结构、降低经济增长中的能源消耗强度是中国践行生态文明建设的重要举措。“十三五”规划中指出，到2020年，全国万元国内生产总值能耗要比2015年下降15%，能源消费总量控制在50亿t标准煤以内。如果用行政手段来完成这些总量目标和各地区的分解目标，则属于命令控制型能源政策。如果在总量控制前提下，引入市场交易机制对节能目标进行重新配置，则属于市场交易型能源政策。中国的能源政策正逐步从命令控制型向市场交易型转变。2016年9月，国家发改委印发的《用能权有偿使用和交易制度试点方案》确定在浙江、福建、河南、四川开展用能权有偿使用和交易制度试点工作。2017年12月，中国电力行业率先宣布启动全国碳排放权交易市场。用能权交易与碳排放权交易虽同属于市场交易型能源政策，但却是两类不同的政策工具。用能权交易是基于能源要素投入错配假设，本质上提高了供给侧的资源配置效率。而碳排放权交易则是基于产出配置失衡假设，本质上改善了需求侧的分配不均衡问题。如果将这两类政策工具结合起来，理论上可以更好地实现节能与CO2减排，并提高资源的配置效率。基于此，本文拟从潜在产出增量、节能量、CO2减排量和绿色全要素生产率增长四个维度评价不同政策组合的经济红利效应。当用能权与碳排放权同时实施可交易政策时，相当于对要素投入（供给侧）和产出（需求侧）同时放松管制，在总量控制基础上每一个省区都将根据自身的GDP目标和成本综合考量，既可以在生产的前端自由配置能源投入要素，亦可在产出端自主选择CO2排放量，能源投入和CO2排放不再受限于规定的上限，一些生产效率高的省区可以通过购买用能权或碳排放权来实现更大的产出。由于能源投入和碳排放具有直接对应关系，当两者不同时选择可市场化交易的政策时，就会发生政策间的掣肘作用，例如，用能权可交易，而碳排放受行政命令控制，碳排放的限制约束会传导到能源消耗进而限制用能权交易。用能权与碳排放权同时可交易时，相当于在生产的投入和产出端同时进行调整，不会因为一方约束过强而导致另一方无法实现交易，这样能耗和碳排放之间就会产生协同作用，并呈现出较好的节能减排效果。一些节能减排成本较低的省区会向成本较高的省区出售多余的用能权和碳排放权，出售用能权或碳排放权带来的收益会进一步激励各个省区实施节能减排绿色技术创新，最终会促进绿色全要素生产率和能源结构的持续性改善。
刘海英等：用能权与碳排放权可交易政策组合下的经济红利效应
中国人口·资源与环境 2019年 第5期1 文献综述
目前能源政策机制主要分为行政主导机制和市场主导机制。其中行政主导机制又可分为两类，一类是指用行政权力直接管控的命令控制型政策，包括能源市场准入、能源价格管制、限制性使用以及强制淘汰等；另一类是指政府用经济手段引导的各类政策，包括财政补贴、征税、减税、绿色信贷和能源价格特惠等。市场主导机制在执行过程中形成了市场交易型政策，主要包括碳排放权交易、节能量交易和用能权交易等。
行政主导机制在执行过程中形成了命令控制型和经济引导型两类能源政策。命令控制型政策很少被单独研究，大多和市场交易型政策一起作为对比分析[1-2]。而经济引导型政策的相关研究较多，比如刘洁和李文[3]研究认为征收碳税对中国经济的冲击较大。周丹和赵子健[4]的研究结论与之相同，但发现征收碳税可以减少化石能源投入和碳排放强度。魏朗和郑巧精[5]认为征收碳税虽然可以提高能源要素的产出效率，但也会抑制区域经济增长。能源补贴政策又分为清洁能源补贴和化石能源补贴，多数学者认为取消化石能源补贴可以减少CO2排放和促进清洁技术扩散 [6-7]。严静和张群洪[8]采用CGE模型的模拟结果表明，可再生能源补贴政策对宏观经济有显著的正向影响。综上所述，征税一般会抑制经济增长，但会减少化石能源投入和碳排放强度，而取消化石能源补贴同时增加非化石能源补贴，则会产生更好的经济红利效应。
碳排放权交易和用能权交易均属于典型的市场主导机制，但前者应用相对更广。现有关于碳排放权交易的文献，大多是采用数据包络分析（DEA）、可计算一般均衡模型（CGE）和博弈论等方法，分析其对经济增长和节能减排的影响。
首先，运用非参数DEA方法模拟碳排放权交易的模型最早由Brnnlund等[9]提出，其以最大化短期利润为目标函数，对瑞典41家造纸厂进行模拟分析。Fre等[10-11]的优化模型则以最大化产出为目标函数，以美国81家火力发电厂为研究对象，比较了命令控制型政策与市场交易型政策对潜在产出的影响。近年来有些学者将这类模型应用到宏观研究领域，比如刘海英等[1]对省际经济系统的研究结果表明，与命令控制型政策相比，碳排放权交易政策能够促进潜在总产出的增长，并降低碳排放总量。梁劲锐和席小瑾[12]也用同样方法模拟了中国省际水平的碳交易机制，认为实施碳交易政策可以实现经济和环境的双重红利效应。其次，一些学者还将CGE方法引入到碳交易政策的分析中。比如周晟吕[13]构建了上海市的能源-环境-经济CGE模型，认为实施碳交易政策对GDP和环境效益均有正向的推动作用，可以实现经济和环境双重红利效应。然而时佳瑞等[14]对全国分行业数据CGE模型的研究结果却显示，碳交易机制虽能有效地降低碳强度和能源强度，但对经济产出却产生一定的负面影响，并不存在双重红利效应。最后，也有学者将博弈论方法应用到碳交易的政策效应研究中。曹翔和傅京燕[2]通过两阶段博弈模型模拟了强制减排、碳税与碳交易三种政策对内外资企业节能减排行为的影响，结果表明三种政策均降低了社会总产量。可见，由于研究方法选择和研究目标不同，实施碳排放权交易政策并不必然导致产出增长和环境改善的双重红利效应。
用能权交易与碳排放权交易的理论基础均为科斯的产权理论，尽管二者的侧重点有所不同，但均采用市场交易手段实现能源的有效配置。2015年9月，中共中央、国务院印发的《生态文明体制改革总体方案》首次正式提出用能权的概念。用能权交易是由中国最早提出的一项创新性节能减排政策，与碳排放权交易相比，其目前还尚未在实践中获得检验，因此现有的研究文献仍集中于制度层面的探讨，其中涉及到用能权的制度构建、立法、履约机制以及与碳排放权交易政策的制度衔接问题等[15-16]。目前几乎没有用能权交易政策的实证模拟研究。基于此，本文将采用非参数DEA方法模拟用能权交易政策，并将其与碳排放交易政策和命令控制型政策进行组合，探究不同政策组合对潜在产出、节能、CO2减排和绿色全要素生产率的影响，评估用能权与碳排放权可交易政策组合的经济红利效应。
2 数据来源与模型构建
2.1 数据来源
本文选用“十一五”（2006—2010）和“十二五”（2011—2015）期间中国30个省区（因数据可得性的原因，研究不包括西藏和港澳台地区）的投入产出数据，投入要素包括资本存量（K）、人力资本（L）和能源消费量（E），合意产出（Y）为各省区的国内生产总值，非合意产出（C）为CO2排放量。本文数据来自历年《中国统计年鉴》《中国劳动统计年鉴》《中国能源统计年鉴》、各省区《统计年鉴》和Wind数据库。
2.1.1 资本存量（K）
本文根据单豪杰[17]提出的永续盘存法对各年资本存量进行估算。由于基年选择越早，基年初始资本存量估计的误差对之后年份的影响就越小，所以本文选取1952年作为估算的基年。将各省区固定资产折旧率统一设定为10.96% ，固定资本形成总额作为当期投资额，用分地区固定资产投资价格指数折算为以2006年为基年的不变价，单位为亿元人民币。
2.1.2 人力资本（L）
如果用就业人口数代表劳动投入，就忽略了因受教育水平不同而产生的差异，因此本文的劳动投入选择一二三产业就业总人口与地区平均受教育年限的乘积。
2.1.3 能源消费量（E）
将各省煤、石油和天然气三种一次能源的消费量折算成统一能源单位——万t标准煤。
2.1.4 合意产出（Y）
以2006年为基期，利用GDP指数进行平减，单位为亿元人民币。
2.1.5 非合意产出（C）
t期的CO2排放总量可以通过（1）式估算得到：
Ct=∑3i=1Ci，t=∑3i=1Ei，t×NCVi×CEFi×COFi×4412
（1）
其中，C代表估算的CO2排放量（单位为万t），i =1， 2， 3分别代表三种一次能源（煤炭、石油和天然气），E代表它们的消耗量（前两者单位为万t，后者单位为亿m3）。NCV为《中国能源统计年鉴》附录4中提供的中国三种一次能源的平均净发热值。CEF为IPCC温室气体清单提供的碳排放系数，COF为三种一次能源的碳氧化因子。各种能源折算标准煤系数也由同期《中国能源统计年鉴》提供。煤炭、石油、天然气数据来自于《中国能源统计年鉴》中分地区能源消耗量，缺失数据从地区能源平衡表（实物）中获得。
2.2 环境生产技术及模型构建
本文以中国30个省区（西藏和港澳台除外）为决策评价单元，重庆数据被并入四川，在环境生产技术框架下构建优化模型。GDP为合意产出变量（y≥0），CO2为非合意产出变量（u∈R1+），资本存量和人力资本为非能源投入变量（x1，x2∈R2+），能源消费量为能源投入变量（e∈R1+）。
首先，本文假定非能源投入與合意产出具有强可处置性，非合意产出具有弱可处置性，且非合意产出与合意产出零零关联。零零关联指当非合意产出为零时，合意产出必须为零。弱可处置性意味着减少碳排放必须以放弃一定量合意产出为代价，即（y，b）∈p（x，e），则（θy，θb）∈p（x，e），θ≤1，成立。其次，本文假定能源投入具有弱可处置性，根据Fre等[18]提出的投入弱可处置性概念，投入增加将会导致产出减少，即等产量线在生产“非经济区域”（Noneconomic Regions）出现“后弯”（Backward Bending）。对于化石能源而言，其投入增加必然会排放更多的CO2，而过多的CO2会增加处置成本，即能源投入增加将间接性地导致合意产出（GDP）减少，因此本文假设能源投入具有弱可处置性，并与合意产出零零关联。
2.2.1 情形一：命令控制型政策组合
命令控制型政策组合是指能源投入和CO2排放都选择命令控制型政策，均受到严格的行政管制。本文以Fre等[10]的碳排放权交易模型为基础，不同之处在于，本文假定能源投入具有弱可处置性，所以相应的约束条件采用等式形式，并且以最大产出增量之和为目标函数，其中潜在产出增量为各省区在生产可能集内所能达到的最大产出增加量。
命令控制型政策组合要求各省区的能源投入量和CO2排放量不能超过初始配额。本文采取基于历史量的方法进行分配，即当期的实际能源投入量和CO2排放量为初始配额。全部省区t期最大潜在产出增量总和可由（2）式得到。
ωt=max∑Kk=1atk
s.t. 对第1个省区：
∑Kk=1z1，tk×ytk≥yt1+at1；∑Kk=1z1，tk×utk=ut1；∑Kk=1z1，tk×etk=et1；∑Kk=1z1，tk×xtk，n≤xt1，n，n=1，2；z1，tk≥0，k=1，…，K
……
（2）
对第K个省区：
∑Kk=1zK，tk×ytk≥ytK+atK；∑Kk=1zK，tk×utk=utK；∑Kk=1zK，tk×etk=etK；∑Kk=1zK，tk×xtk，n≤xtK，n，n=1，2；zK，tk≥0，k=1，…，K
atk为t期第k个省区的潜在产出增量，ωt为t期最大潜在产出增量总和。非能源投入与合意产出的不等式约束代表这两个变量具有强可处置性，能源投入与非合意产出的等式约束代表它们是弱可处置的，决策单元的权重z的非负性约束说明模型满足规模报酬不变假设。
2.2.2 情形二：混合型政策组合
混合型政策组合是指在投入端和产出端分别实施命令控制型与市场交易型能源政策，具体又分为两种情况：
（1）用能权可交易而CO2排放被行政管制
这类混合型政策组合是指用能权可市场化交易，但CO2排放受行政命令配额限制，其潜在产出增量模型如（3）式所示：
ωt=max∑Kk=1atk
s.t. 对第1个省区：
∑Kk=1z1，tk×ytk≥yt1+at1；∑Kk=1z1，tk×utk=ut1；∑Kk=1z1，tk×etk=et1+ct1；∑Kk=1z1，tk×xtk，n≤xt1，n，n=1，2；z1，tk≥0，k=1，…，K
……
（3）
对第K个省区：
∑Kk=1zK，tk×ytk≥ytK+atK；∑Kk=1zK，tk×utk=utK；∑Kk=1zK，tk×etk=etK+ctK；∑Kk=1zK，tk×xtk，n≤xtK，n，n=1，2；zK，tk≥0，k=1，…，K
对所有省区：
∑Kk=1ctk≤0
其中，ctk为t期第k个省区能源投入增量，当值小于0时证明存在节能行为，∑Kk=1ctk≤0，反映了用能权交易政策的能源投入总量约束，即市场重新配置后的总量不可以超过历史能源投入总量。
（2）能源投入受行政管制而碳排放权可交易
这类混合型政策组合是指能源投入受行政命令配额限制，碳排放权可市场化交易，其潜在产出增量模型如（4）式所示：
ωt=max∑Kk=1atk
s.t. 对第1个省区：
∑Kk=1z1，tk×ytk≥yt1+at1；∑Kk=1z1，tk×utk=ut1+bt1；∑Kk=1z1，tk×etk=et1；∑Kk=1z1，tk×xtk，n≤xt1，n，n=1，2；z1，tk≥0，k=1，…，K
……
（4）
對第K个省区：
∑Kk=1zK，tk×ytk≥ytK+atK；∑Kk=1zK，tk×utk=utK+btK；∑Kk=1zK，tk×etk=etK；∑Kk=1zK，tk×xtk，n≤xtK，n，n=1，2；zK，tk≥0，k=1，…，K
对所有省区：
∑Kk=1btk≤0
其中，btk为t期第k个省区碳排放增量，当值小于0时证明存在碳减排行为，∑Kk=1btk≤0，反映了碳交易政策的总量约束，即市场重新配置后的总量不可以超过历史碳排放总量。
2.2.3 情形三：市场交易型政策组合
市场交易型政策组合是指用能权与碳排放权可同时进行市场化交易。线性规划形式如下：
ωt=max∑Kk=1atk
s.t. 对第1个省区：
∑Kk=1z1，tk×ytk≥yt1+at1；∑Kk=1z1，tk×utk=ut1+bt1；∑Kk=1z1，tk×etk=et1+ct1；∑Kk=1z1，tk×xtk，n≤xt1，n，n=1，2；z1，tk≥0，k=1，…，K
……
（5）
对第K个省区：
∑Kk=1zK，tk×ytk≥ytK+atK；∑Kk=1zK，tk×utk=utK+btK；∑Kk=1zK，tk×etk=etK+ctK；∑Kk=1zK，tk×xtk，n≤xtK，n，n=1，2；zK，tk≥0，k=1，…，K
对所有省区：
∑Kk=1btk≤0；∑Kk=1ctk≤0
3 不同政策组合下的潜在产出、节能和碳减排变化 依据上述数据和模型，运用MATLAB中linprog函数进行优化模拟，获得不同政策组合下的潜在产出增量。
3.1 不同政策组合下潜在产出增量分析
本文模拟三种不同情形下的政策组合，并依据模型（2）、（3）、（4）和（5）计算各自的潜在产出增量，并依此计算了潜在产出增比（即潜在产出增量总和与实际产出总量的比值，简称潜在产出增比），具体如图1所示。
由图1可知，2006—2015年间，三种不同情形政策组合的潜在产出增比呈现下降趋势，但在“十二五”期间下降趋缓。具体来看，情形一命令控制型政策组合下，年平均潜在产出增比为11.58%。情形二中仅用能权可交易时，年平均潜在产出增比为19.56%，仅碳排放权可交易时为20.22%。当模拟实施情形三市场交易型政策组合时，年平均潜在产出增比高达27.45%。从情形一到情形三，当能源政策逐步放松行政管制后，潜在产出会显著提高，主要原因在于：①情形三中用能权与碳排放权同时实施可交易政策，相当于对要素投入（供给侧）和产出（需求侧）同时放松管制，在总量控制基础上每一个省区都将根据自身的GDP目标和成本综合考量，既可以在生产的前端自由配置能源投入要素，亦可在产出端自主选择CO2排放量，能源投入和CO2排放不再受限于规定的上限，一些生产效率高的省区可以通过购买用能权或碳排放权来实现更大的产出。②在情形一命令控制型政策组合下，能源投入和CO2排放都不能超过规定的上限，这种行政管制必然
图1 不同政策组合下潜在产出增比抑制能源要素的流动，不利于具有能源成本优势的省区发挥比较优势，这必然会影响潜在产出。在命令控制型政策组合下，经济主体节能减排不会带来额外收益，必然导致节能减排绿色技术创新激励不足进而使经济潜在产出受损。③情形二是在投入产出两端分别实施市场交易型政策和命令控制型政策，由于化石能源投入和CO2排放存在直接对应关系，混合型政策组合在实施过程中必然存在掣肘作用，所以潜在产出增比必然劣于情形三的结果。
在省际水平上，潜在产出增比呈现出和全国类似的结果（限于篇幅原因，将不列示不同政策组合下各省区平均潜在产出增比的结果）。情形一下潜在产出增比均值（即对所有省区的十年潜在产出增比均值再求平均）为1283%，情形二下两种混合型政策组合的潜在产出增比均值分别为23.75%和24.27%，情形三为36.35%。当模拟情形三市场交易型政策组合时，青海、宁夏、云南和海南的潜在产出增比相对较大，说明这些省区更受益于市场交易型政策组合，在这些省区实施用能权与碳排放权可交易政策，能够大幅度提高产出。上海和广东这两个省区的平均潜在产出增比为0，理论上已经实现了能源投入和CO2排放的最优配置。当模拟情形一命令控制型政策组合时，北京、山西、内蒙古、上海、广东、海南和新疆的潜在产出增比均为0，说明在严格行政管制的能源政策组合下，这些省区已经达到了最大产出水平并处在生产前沿上。然而这些省区（广东省除外）在情形三中却并未处在生产前沿上，可见，这些省区只在能源投入和CO2排放存在较强行政约束时才相对有效，而一旦实施可交易政策，产出仍然会大幅度增加（北京、山西和内蒙古的潜在产出增比分别达到了9.16%、47.49%和25.69%），这恰恰说明了市场交易型政策組合对潜在产出的正向促进效应。当模拟情形二混合型政策组合时发现，北京、山西、内蒙古和广东在两种混合型政策组合下的潜在产出增比均为0。
3.2 不同政策组合下节能减排分析
由于只有情形二和情形三涉及到用能权和碳排放权交易后的重新配置问题，所以主要对比这两类政策组合的节能减排效应。为了刻画节能减排效应，本文引入节能比和碳减排比概念，所谓节能比是指潜在节能量占实际能源投入的百分比，碳减排比是指潜在碳减排量占实际碳排放量的百分比。全国各年节能比和碳减排比计算结果如表1所示。
在情形三中，用能权和碳排放权没有实现市场出清，在潜在产出增量总和最大的约束下，重新配置后的能源投入和CO2排放均小于实际的数据，即生产过程中能源投入和CO2排放减少，而潜在产出却大于实际产出，体现了经济增长过程中的节能减排效应。与情形三相比，情形二的节能和CO2减排效应都不明显。当实施情形三市场交易型政策组合时，碳减排比年平均高达39.81%，而在情形二中仅碳排放权可交易的混合型政策组合下，年平均碳减排量还不足1%；同样，情形三的节能效果也明显优于情形二。之所以会出现这种结果，主要原因在于情形二未发挥能源政策间的协同作用。
由于能源投入与CO2排放具有直接对应关系，只要用能权与碳排放权不同时可交易，就会发生政策间的掣肘作用。例如，情形二中用能权可交易，而CO2排放受行政管制，受管制的CO2排放行为会影响能源消耗行为进而限制用能权交易，因此CO2排放的限制性约束导致其政策组合并不能取得情形三那样的节能效果。同理，情形二中碳排放权可交易时，能源投入因受行政管制而无法增加，此时碳排放权交易政策同样也达不到预期的减排效果。而情形三中用能权与碳排放权同时可交易，相当于在投入端和产出端同时进行调整，不会因为一方约束过强而导致另一方无法实现交易，此时能源投入和CO2排放之间就会产生协同作用，并呈现出较好的节能减排效果。
表1从时间纵向上呈现了不同政策组合下全国各年的节能和碳减排变化趋势，但各省区的节能和碳减排状况又有所不同（限于篇幅原因，将不列示不同政策组合下各省区平均节能比与碳减排比的结果）。总体来看，情形三的平均节能比和碳减排比分别为30.88%和32.82%，节能减排效果明显优于情形二混合型政策组合。
首先，从CO2排放的变化情况来看。在情形三市场交易型政策组合下，碳排放权市场没有出清而存在剩余，尽管如此，一些省区还是买进了碳排放权，北京、广西和福建的碳减排比为负，即买进碳排放权，其中北京买进了7318%的额外碳排放权。而山西、宁夏、内蒙古和贵州的碳减排比都在70%以上，说明这几个省区在交易中出售了大部分碳排放权。在情形二中仅碳排放权可交易的混合型政策组合下，海南、新疆和甘肃的碳减排比为负，说明买进了碳排放权，而在情形三中，这三个省区的碳减排比为正，交易结果却是卖出碳排放权。同样，情形三中广西和福建的碳减排比为负，而在情形二中却为正，同一省区在模拟两种不同政策组合时，其碳交易的决策截然不同。
其次，从能源投入的变化情况来看。在情形三市场交易型政策组合下，大多数省区节能比为正，其中山西、宁夏和内蒙古的节能比均超过70%，是能源严重过剩地区，但北京、广西和福建的节能比却为负，说明这几个省区节能边际成本较高，需要买进用能权。而在情形二中仅用能权可交易的混合型政策组合下，用能权交易量相对较小，其中辽宁、海南、甘肃和青海的节能比为正，有多余的用能权可以出售，而福建、江西、广西和海南等省区，节能比为负，是买进用能权的主要省区。
综上，与其它政策组合相比，用能权与碳排放权同时可交易的市场交易型政策组合确实显著提升了潜在产出水平，而且，这种潜在产出的提高同时伴随着节能和CO2减排，体现了绿色可持续性增长。并没有依靠投入要素的增加，相反能源投入比实际消耗更少，因此潜在产出增长完全是提高生产效率的结果。既然这种绿色可持续性增长来自于实施市场交易型政策组合，那么这种政策组合是如何提升绿色增长绩效的呢？
4 绿色全要素生产率对不同政策组合的敏感性分析 本文的绿色全要素生产率是指考虑了能源投入和非合意产出因素的全要素生产率。因涉及到能源投入、合意产出（GDP）和非合意产出（CO2）因素，且考虑到各要素的扩张收缩比例不同以及松弛问题，故本文选择非径向方向性距离函数方法，并在此基础上运用Luenberger生产率指数构建绿色全要素生产率。
4.1 非径向方向性距离函数
方向性距离函数一般可分为径向与非径向形式。径向方向性距离函数要求在优化过程中所有投入产出均同比例变化[19]，非径向方向性距离函数在效率测度过程中考虑了松弛问题，各种投入产出能够以不同比例收缩和扩张。本文使用的非径向方向性距离函数借鉴了Zhou等[20]提出的模型，但该模型只是基于节能和CO2减排双重目标，并且假定能源投入具有强可处置性。本文不同之处在于，首先，假定能源投入和CO2排放具有弱可处置性；其次，在方向性距离函数的计算中增加了合意产出因素，同时兼顾了节能、CO2减排和经济增长三重目标。具体模型如下：
Di（x，e，u，y；g）=max：13×（βy+βu+βe）
s.t.∑Kk=1zk×yk≥（1+βy）yi；∑Kk=1zk×uk=（1-βu）ui；∑Kk=1zk×ek=（1-βe）ei；∑Kk=1zk×xk≤xi；0≤βu，βe<1；βy≥0；zk≥0 k=1，…，K
（6）
方向向量为g（0，-e，-u，y），βy是合意产出在原基础上增加的比例，βu是非合意产出在原基础上减少的比例，βe是能源投入在原基础上减少的比例，三个数值不要求相等，各变量可以发生非径向变化。方向性距离函数的值为三者的算术平均值，说明在效率测度中对节能、CO2减排和经济增长赋予相等权重，其值越小说明决策单元距离生产前沿面越近，投入产出相对更有效率。
4.2 Luenberger绿色全要素生产率及分解
本文选用Luenberger生产率指数表征绿色全要素生产率，原因如下：①与Luenberger全要素生产率指数相比，MalmquistLuenberger全要素生产率指数是基于跨期距离函数的几何平均，结果会高估生产率变化[21]；②Luenberger全要素生产率指数是基于方向性距离函数的算术平均，与非径向方向性距离函数在形式上均具有可加性；③Luenberger绿色全要素生产率指数可处理等于“零”的异常值，结果更稳健。
假定政策组合模拟实施前为第0期，政策组合模拟实施后为第1期。第i个决策单元的Luenberger绿色全要素生产率如下：
L10，i=12×[D1i（x0，e0，u0，y0；g0）-D1i（x1，e1，u1，y1；g1）+D0i（x0，e0，u0，y0；g0）-D0i（x1，e1，u1，y1；g1）]
（7）
为了获得Luenberger绿色全要素生产率，我们需要计算四个非径向方向性距离函数，其中同期方向性距离函数D0i（x0，e0，u0，y0；g0）如下：
D0i（x0，e0，u0，y0；g0）=max：13×（β0，0y+β0，0u+β0，0e）
s.t.∑Kk=1zk×y0k≥（1+β0，0y）y0i；∑Kk=1zk×u0k=（1-β0，0u）u0i；∑Kk=1zk×e0k=（1-β0，0e）e0i；∑Kk=1zk×x0k≤x0i；0≤β0，0u，β0，0e<1；β0，0y≥0；zk≥0 k=1，…，K
（8）
D1i（x1，e1，u1，y1；g1）同理。
D1i（x1，e1，u1，y1；g1）=max：13×（β1，1y+β1，1u+β1，1e）
s.t.∑Kk=1zk×y1k≥（1+β1，1y）y1i；∑Kk=1zk×u1k=（1-β1，1u）u1i；∑Kk=1zk×e1k=（1-β1，1e）e1i；∑Kk=1zk×x1k≤x1i；0≤β1，1u，β1，1e<1；β1，1y≥1；zk≥0 k=1，…，K
（9）
跨期方向性距离函数D0i（x1，e1，u1，y1；g1）规划如下：
D0i（x1，e1，u1，y1；g1）=max：13×（β0，1y+β0，1u+β0，1e）
s.t.∑Kk=1zk×y0k≥（1+β0，1y）y1i；∑Kk=1zk×u0k=（1-β0，1u）u1i；∑Kk=1zk×e0k=（1-β0，1e）e1i；∑Kk=1zk×x0k≤x1i；0≤β0，1u，β0，1e<1；β0，1y≥0；zk≥0 k=1，…，K
（10）
D1i（x0，e0，u0，y0；g0）同理。
D1i（x0，e0，u0，y0；g0）=max：13×（β1，0y+β1，0u+β1，0e）
s.t.∑Kk=1zk×y1k≥（1+β1，0y）y0i；∑Kk=1zk×u1k=（1-β1，0u）u0i；∑Kk=1zk×e1k=（1-β1，0e）e0i；∑Kk=1zk×x1k≤x0i；0≤β1，0u，β1，0e<1；β1，0y≥0；zk≥0 k=1，…，K
（11）
按照Mahlberg和Sahoo[22]、chang等[23]提出的方法，基于非徑向方向性距离函数的Luenberger生产率指数可以分解为各投入要素的生产率变化之和。而本文将Luenberger绿色全要素生产率分解为合意产出、能源投入和非合意产出的贡献之和。其中L10，i，y、L10，i，e、L10，i，u分别代表合意产出、能源投入和非合意产出的生产率变化，L10，i代表绿色全要素生产率。
L10，i，y=16×[（β1，0y-β1，1y）+（β0，0y-β0，1y）]
（12）
L10，i，e=16×[（β1，0e-β1，1e）+（β0，0e-β0，1e）]
（13）
L10，i，u=16×[（β1，0u-β1，1u）+（β0，0u-β0，1u）]
（14）
而Luenberger绿色全要素生产率又等于各项生产率变化之和。
L10，i=L10，i，y+L10，i，u+L10，i，e
（15）
4.3 绿色全要素生产率的计算和分解
从“波特效应”的理论逻辑来看，能源规制政策在长期内将会提升绿色技术创新水平。分析各省区绿色全要素生产率变化对三种不同政策组合的敏感性，结果如表2所示。
当模擬实施情形三市场交易型政策组合时，绿色全要素生产率年平均增长高达39.78%。而情形二混合型政策组合下，仅用能权可交易或碳排放权可交易时，绿色全要素生产率年平均增长分别为12.40%和13.51%。情形一命令控制型政策组合下，绿色全要素生产率年平均增长仅为5.54%。与命令控制型能源政策相比，市场交易型政策更有利于推动绿色技术创新。
表2反映了模拟某种政策组合后的绿色全要素生产率变化，但这一结果并不反映现实经济中的绿色全要素生产率变化情况。通常情况下，模拟实施政策组合后绿色全要素生产率增长百分比越大，意味着对该政策组合越敏感，或者说该地区的绿色发展与这类政策组合更契合。现实经济发展水平较高的地区，模拟某种政策组合后绿色全要素生产率增长相对更低，这符合生产率增长的收敛性理论，即不发达（生产率相对较低）地区在面临相同的政策激励下，总是更具有比较优势。在这一逻辑下解读表2数据应该预设如下的理论前提，即模拟实施某类政策组合后，绿色全要素生产率增长百分比越大，说明该政策组合更有利于该省区的绿色可持续发展。
从各省区具体情况来看，在情形三市场交易型政策组合下，宁夏、山西、贵州和新疆的绿色全要素生产率增长均超过60%，这说明市场交易型政策组合是提升这四个省区绿色全要素生产率的最佳政策供给，而上海和广东的绿色全要素生产率增长为0。在情形一命令控制型政策组合下，四川、青海、云南和吉林四个省区的绿色全要素生产率提升幅度超过了10%，尽管如此，这类政策组合对绿色全要素生产率的提升作用仍然不及情形三市场交易型政策组合，北京、山西、内蒙古、上海、广东、海南和新疆的绿色全要素生产率增长为0。在情形二混合型政策组合中仅碳排放权可交易时，广西、四川和云南的绿色全要素生产率增长较高，而北京、山西、内蒙古、上海和广东为0；仅用能权可交易时，广西、四川、云南和青海较高，而北京、山西、内蒙古和广东为0，其中上海的绿色全要素生产率增长为负，说明上海并不适合用能权交易而碳排放受行政管制的政策组合。
综上可知，首先，北京、山西和内蒙古在情形三市场交易型政策组合下绿色全要素生产率增长为正，而在其他三种情况下均为0，说明这三个省区仅仅依靠政府的行政管制或单一权利资源的市场化交易并不能有效提升绿色全要素生产率，只有同时实施用能权交易与碳排放权交易政策，才是提升绿色全要素生产率的最佳政策配给。同样，海南和新疆仅在情形一命令控制型政策组合下绿色全要素生产率增长为0，其他三种情况下为正，说明这两个省区无法通过单纯的行政管制来提高绿色全要素生产率，而一旦放松行政管制，转而实施包含市场化交易政策的情形二或情形三政策组合，则绿色全要素生产率就会显著提升。其次，福建和广西在情形二的两种政策组合下，绿色全要素生产率增长幅度均大于情形三市场交易型政策组合下的结果，这说明对于这两个省区而言，能源政策的过度市场化并不利于绿色全要素生产率的提高，能源规制手段应采用行政管制与市场化交易相结合的方式。最后，上海的绿色全要素生产率增长在情形二中仅用能权可交易时为负，而在其他政策组合下均为0，说明仅实施用能权交易政策会导致上海的绿色全要素生产率下降。
虽然对个别省区而言，市场交易型政策组合未必是提高绿色全要素生产率的最佳选择，但对于大多数省区来说，实施情形三的市场交易型政策组合仍不失为提高绿色全要素生产率的最佳政策工具。因此本文将以情形三为例，根据公式（12）、（13）和（14），对各省区的Luenberger绿色全要素生产率进行分解。具体分解结果如表3所示。
根据前文绿色全要素生产率模型所兼顾的目标，将绿色全要素生产率增长分解为合意产出（GDP）、能源投入和非合意产出（CO2）三者的贡献。其中合意产出增加对绿色全要素生产率具有正向促进作用，而能源投入和非合意产出减少能够促进绿色全要素生产率提高。表3为各省区绿色全要素生产率增长及其分解的十年平均值。在情形三市场交易型政策组合下，平均绿色全要素生产率增长为39.78%，其中CO2减排贡献了16.25个百分点，对绿色全要素生产率增长贡献最大；其次是节能贡献了154个百分点；合意产出增加的贡献最小，仅为8.12%。
上述结果表明，绿色全要素生产率的提高主要来自于节能和CO2减排，但从具体省区来看，有时并非如此。以青海和云南为例，这两个省区合意产出的贡献相对较高，说明提高经济增长质量的首要任务是增加合意产出GDP，其次才是节能和CO2减排。北京的绿色全要素生产率增长为2.98%，非合意产出的生产率增长为0，能源投入的生产率增长为2.97%，说明北京的首要任务是节能，提高能源使用效率，进而促进经济质量提高。天津的绿色全要素生产率增长为18.2%，其中GDP增长贡献为0，节能和CO2减排分别贡献8.8%和9.4%，所以天津提高绿色全要素生产率的途径只有节能和CO2减排。上海和广东的绿色全要素生产率增长为0，说明这两个省区已经处在前沿面上，在实行节能减排政策时要慎重，避免因为节能减排强度过大而影响经济发展。
从提高绿色全要素生产率的视角来看，尽管有些省区适用于单一的节能或CO2减排政策，甚至对于个别省区而言，追求GDP规模扩张更容易提升绿色全要素生产率。但对于大多数省区而言，过度追求GDP对绿色全要素生产率提升作用有限，而节能和CO2减排对提高绿色全要素生产率的空间相对更大，所以提高中国经济绿色全要素生产率的首要任务是减少能源投入和CO2排放。
5 研究结论与启示
本文运用非参数DEA方法模拟了三种不同情形下的能源政策组合，据此测算了“十一五”和“十二五”期间中国30个省区（西藏和港澳台除外）的潜在产出增量、节能量和CO2减排量。构建了兼顾节能、CO2减排和经济增长三重目标的绿色全要素生产率指数模型和指数分解模型。从潜在产出增量、节能量、CO2减排量和绿色全要素生产率增长四个维度评价不同政策组合的经济红利效应。具体研究结论如下：①在用能权与碳排放权同时可交易的市场交易型政策组合下，潜在产出增量、节能量、CO2减排量和绿色全要素生产率都会显著提高，体现出最佳的经济红利效应；②在混合型政策组合下，用能权与碳排放权一方实施可交易政策，而另一方仍受行政命令管制，政策间会发生掣肘作用，此时潜在产出增量、节能量、CO2减排量和绿色全要素生产率增长均逊于用能权与碳排放权同时可交易的市场交易型政策组合的结果；③当实施命令控制型政策组合时，能源消耗与CO2排放均受到严格的行政命令管制，其产生的经济红利效应最小；④绿色全要素生产率的指数分解结果表明，节能、CO2减排和合意产出（GDP）增加都是绿色全要素生产率增长的贡献因素，但是与追求合意产出（GDP）增加相比，节能和CO2减排更容易提升中国的绿色全要素生产率，因此中国实现经济绿色可持续发展的首要任务是节能和CO2减排。
本文研究结论表明，目前中国在能源政策实施中应尽快引入市场化机制。党的十八届三中全会已经提出，要让市场在资源配置方面起决定性作用，其实这种发展理念同样适用于能源政策的市场机制设计。虽然中国的能源政策正逐步从命令控制型向市场交易型转变，但目前仍以行政命令管制為主，用能权交易与碳排放权交易等激励型政策在节能减排的实践中仍未起主导作用。中国电力行业已率先宣布启动碳排放权交易市场，但是与碳排放权交易政策的推进进程不一致，用能权交易政策目前仅停留在试点阶段。中国应加快用能权交易政策的推进进程，并且和碳排放权交易政策一起协同实施。只有在供给侧和需求侧同时实施市场化的能源政策，才能最大化释放出政策的经济红利效应，促进中国经济实现绿色可持续发展。
（编辑：刘照胜）
参考文献
[1]刘海英，王钰，刘松灵.命令控制与碳排放权可交易环境政策模拟下的减排效应[J].吉林大学社会科学学报，2017，57（2）：57-67.
[2]曹翔，傅京燕.不同碳减排政策对内外资企业竞争力的影响比较[J].中国人口·资源与环境，2017，27（6）：10-15.
[3]刘洁，李文.征收碳税对中国经济影响的实证[J].中国人口·资源与环境，2011，21（9）：99-104.
[4]周丹，赵子健.基于地区 CGE 模型的碳税效应研究——以上海为例[J].生态经济，2015，31（4）：24-28.
[5]魏朗，郑巧精.开征碳税对我国区域经济的影响[J].税务与经济，2016（6）：88-93.
[6]LIN B， JIANG Z. Estimates of energy subsidies in China and impact of energy subsidy reform[J].Energy economics， 2011， 33（2）：273-283.
[7]李虹.中国化石能源补贴与碳减排——衡量能源补贴规模的理论方法综述与实证分析[J].经济学动态，2011（3）：92-96.
[8]严静，张群洪.中国可再生能源电价补贴及对宏观经济的影响[J].统计与信息论坛，2014，29（10）：46-51.
[9]BRANNLUND R， CHUNG Y H， FARE R， et al. Emissions trading and profitability： the Swedish pulp and paper industry[J].Environmental and resource economics，1998， 12（3）：345-356.
[10]FARE R， GROSSKOPF S， CARL A， et al.Tradable permits and unrealized gains from trade[J].Energy economics， 2013， 40：416-424.
[11]FARE R， GROSSKOPF S， CARL A， et al. Potential gains from trading bad outputs：the case of U.S. electric power plants[J].Resource and energy economics， 2014， 36（1）：99-112.
[12]梁劲锐，席小瑾.碳交易的潜在收益及减排途径分析[J].东北财经大学学报，2017（4）：26-34.
[13]周晟吕.基于CGE模型的上海市碳排放交易的环境经济影响分析[J].气候变化研究进展，2015，11（2）：144-152.
[14]时佳瑞，蔡海琳，汤铃，等.基于CGE模型的碳交易机制对我国经济环境影响研究[J].中国管理科学，2015（S1）：801-806.
[15]韩英夫，黄锡生.论用能权的法理属性及其立法探索[J].理论与改革，2017（4）：159-169.
[16]劉明明.论构建中国用能权交易体系的制度衔接之维[J].中国人口·资源与环境，2017，27（10）：217-224.
[17]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）：17-31.
[18]FARE R， GROSSKOPF S， LOVELL C A K.Production frontiers[M].Cambridge：Cambridge University Press， 1994：38-44.
[19]CHAMBERS R G， FARE R， GROSSKOPF S. Productivity growth in APEC countries[J].Pacific economic review， 1996， 1（3）：181-190.
[20]ZHOU D Q， WANG Q， SU B， et al. Industrial energy conservation and emission reduction performance in China：a citylevel nonparametric analysis[J].Applied energy， 2016， 166：201-209.
[21]BOUSSEMART J P， BRIEC W， KERSTENS K， et al. Luenberger and Malmquist productivity indices： theoretical comparisons and empirical illustration[J]. Bulletin of economic research，2003， 55（4）：391-405.
[22]MAHLBERG B， SAHOO B K. Radial and nonradial decompositions of Luenberger productivity indicator with an illustrative application[J]. Production economics，2011， 131（2）：721-726.
[23]CHANG T P， HU J L， CHOU R Y， et al. The sources of bank productivity growth in China during 2002-2009： a disaggregation view[J]. Journal of bank & finance，2012， 36（7）：1997-2006.
