中国绿色全要素能源效率测算及影响因素研究

范秋芳 晏向星

摘要：选取2005—2017年中国30个省份的面板数据，运用Global Malmquist-Luenberger指数对中国绿色全要素能源效率变化进行测算与分解，并利用固定效应模型回归分析中国绿色全要素能源效率的影响因素。结果表明：考察期内中国绿色全要素能源效率年均增长率为3.8%，东、中、西部地区年均增长率分别为4.5%、3.7%和3.1%，全国及各地区绿色全要素能源效率增长主要由技术进步推动，中西部地区与东部地区的绿色全要素能源效率差距正在逐渐缩小;经济发展水平、资本劳动比和科技发展水平对中国绿色全要素能源效率提升具有促进作用，政府干预程度、产业结构、环境污染及对外开放程度对中国绿色全要素能源效率提升具有抑制作用。

关键词：绿色全要素能源效率;Global Malmquist-Luenberger指数;固定效应模型;影响因素

中图分类号：F062.1

文献标识码：A

文章编号：1673-5595（2021）06-0001-10

一、引言

为实现绿色可持续发展，《中共中央关于制定国民经济和社会发展第十四个五年规划和二三五年远景目标的建议》明确提出了“推动绿色发展，促进人与自然和谐共生”的目标，为实现这一目标，要“加快推动绿色低碳发展、全面提高资源利用效率并持续改善环境质量”，这对中国的绿色能源效率提出了更高的要求。然而，《中国统计年鉴2020》显示，2019年中国能源消费总量已超过48亿吨标准煤，但能源生产总量仅占能源消费总量的81.5%。能源需求的快速增长使得能源供需矛盾越发凸显。目前中国能源利用效率相较于发达国家仍处于较低水平，且能源消费构成中非清洁能源（煤炭、石油）的占比远高于清洁能源，这种“低能效、非绿色”的粗放型经济发展模式导致中国环境污染问题依旧十分严重。在能源供需矛盾日益突出与环境污染问题亟待解决的背景下，提升绿色全要素能源效率（GTFEE）是中国摆脱发展困境实现绿色可持续发展的重要出路。因此，精确测算中国绿色全要素能源效率并以此为基础进一步探寻中国绿色全要素能源效率的影响因素具有重要意义。

二、文献综述

早期关于能源效率测算的研究主要从单要素视角切入，即只考虑将能源利用和产出比率作为度量指标，不考虑劳动力、资本等其他投入要素与能源投入之间的替代关系，存在较大的局限性。为了弥补单要素指标的不足，更精确地测算能源效率，Hu等[1]提出了由能源消耗、劳动力、资本存量以及生物质能四个投入要素所组成的全要素能源效率指标，并应用DEA模型研究多要素投入与GDP实际组合的效率表现。随着能源效率研究的深入，全要素能源效率测算方法逐步发展为以随机前沿分析法为主的参数方法和以数据包络分析法为主的非参数方法，因为能源效率测算时参数条件难以确定，所以众多学者往往采用后者对能源效率进行研究，其中数据包络分析法中的Malmquist指数被广泛应用。[2-7]但由于Malmquist指数在测算效率时并未区别对待期望产出与非期望产出，将其都设置为尽可能大，因此在考虑非期望产出时运用该指数来测算全要素能源效率并不准确。为此，Chung等[8]提出了方向性距离函数，同时基于Malmquist指数构造出Malmquist-Luenberger指数（ML指数），该指数将环境污染作为非期望产出纳入考量，在提升期望产出的同时减少非期望产出。然而，ML指数并未考虑跨期DEA，因此测算结果存在无可行解以及不可传递性等问题。Oh[9]构建了全局方向性距离函数，基于此函数定义了Global Malmquist-Luenberger指数（GML指数），该指数有效解决了ML指数所存在的无可行解及不可传递性问题。岳立等[10]、刘钻扩等[11]、舒扬等[12]、田红彬等[13]分别运用GML指数对丝绸之路经济带沿线国家全要素能源效率、“一带一路”沿线中国重点省域绿色全要素生产率、长江经济带各城市绿色全要素生产率以及中国绿色创新效率进行了精确测算。

关于全要素能源效率测算指标的选取，不同学者有不同观点。在投入指标方面，孟庆春等[14]使用资本存量、各地区就业人数、能源消费量作为投入变量，Makridou等[15]选择员工人数、实际固定资本存量、能源使用量作为投入变量，于斌斌[16]则以各城市就业人数、社会固定资产投资、工业用电量作为投入变量。在期望产出方面，绝大部分学者[14-16]都选择了以实际GDP作为具体指标。在非期望产出方面，沈可挺等[17]、杨俊等[18]选择了二氧化硫排放量作为非期望产出，岳立等[10]、王维国等[19]、陈诗一[20]、Cheng等[21]将二氧化碳排放量作为非期望产出，舒扬等[12]、田红彬等[13]使用了工业废水与工业废气作为非期望产出，陈超凡[22]则将二氧化碳、废水、废气排放量及工业固体废弃物产生量同时纳入考虑，李汝资等[23]只选择了工业废水排放量和工业二氧化硫排放量作为非期望产出。通过梳理发现，已有研究在指标体系构建上存在以下几个问题：第一，大部分研究都将各地就业人数作为劳动投入，但由于受教育水平的不同，每个就业人员所能贡献的劳动水平实际上是存在差异的，因此不能简单地将各地就业人数作为劳动投入，应该考虑将包含劳动力质量的人力资本存量作为劳动投入指标;第二，多数研究都选择了将资本存量作为资本投入指标，但由于资本存量计算所采用的投资数据选取口径并不唯一，有学者选择使用全社会固定资产投资数据来计算资本存量，也有学者在张军等[24]、单豪杰[25]利用资本形成总额计算资本存量方法的基础上进行数据更新，然而，无论是使用全社会固定资产投资额还是使用资本形成总额来计算资本存量都不合适，因为计算资本存量最合适的序列指标是新增固定资产，所以应该采用新增固定资产来重新计算资本存量[26];第三，在非期望产出方面，大部分学者只选择了一到两种污染物作为代表，而这种以偏概全的方法并不能精确测算出全要素能源效率，基于該数据得出的结论也不够科学，因此在非期望产出指标选择上应该尽可能地全面。

关于全要素能源效率影响因素的研究，多数学者主要从外部因素种类、作用方向以及影响程度等方面进行分析。如屈小娥[3]选择产业结构调整、工业化水平、技术进步、能源价格与政府干预程度五个因素作为解释变量对中国全要素能源效率进行回归分析，结果发现前四个因素对提升中国全要素能源效率具有积极作用，而政府干预程度的影响并不显著。李国璋等[27]、张兵兵[28]在研究中发现政府干预程度实际对中国全要素能源效率的提升产生了负面作用。此外，Lin等[29]、江洪等[30]均认为能源价格对全要素能源效率的作用是复杂的，一味地提升能源价格可能对中国全要素能源效率提升起到反作用。王兵等[31]、李静等[32]在研究中国全要素能源效率影响因素时发现外商直接投资对全要素能源效率具有显著影响。周四军等[33]认为产业结构对中国不同地区的全要素能源效率作用程度与方向存在差异。吴传清等[34]在研究环境约束下长江经济带全要素能源效率时认为资本劳动比对全要素能源效率的提升具有显著的正向作用。

综上所述，在考虑中国碳中和目标约束的前提下，结合刘海英等[35]对绿色全要素能源效率的定义，并对当前全要素能源效率相关研究中所存在的问题进行分析后，本文将考虑综合环境污染的全要素能源效率定义为绿色全要素能源效率，同时拟从以下几个方面寻求突破：第一，引入固定资产建设周期，构造出“新增固定资产”，以此计算资本存量作为资本投入指标;第二，使用熵值法对废水排放量、二氧化硫排放量、烟（粉）尘排放量、工业固体废物产生量及二氧化碳排放量进行处理，将得到的综合环境污染指数作为非期望产出指标;第三，在确定测算指标后，使用GML指数测算出中国绿色全要素能源效率变化（GTFEECH）并对其进行分解，从多个角度对中国绿色全要素能源效率进行分析;第四，引入经济发展水平、资本劳动比、政府干预程度、城镇化水平、产业结构、能源价格、科技发展水平、环境污染、对外开放程度九个变量，运用固定效应模型对中国绿色全要素能源效率影响因素进行分析，并基于实证结果提出提升中国绿色全要素能源效率的政策建议。

三、GML测算方法

方向性距离函数是GML指数的基础，因此在定义GML指数前首先需要确定方向性距离函数。

相较于ML指数，GML指数具有更强的传递性与连续性，同时克服了ML指数可能存在无可行解的问题。使用Oh[9]提出的线性规划方法来求解距离函数，可计算出相邻两期决策单元的绿色全要素能源效率变化（GTFEECH）、技术效率变化（GEC）、技术进步变化（GTC）及GEC与GTC的分解项：纯技术效率变化（GPEC）、规模效率变化（GSEC）、纯技术进步（GPTC）及技术规模变化（GSTC），这几项指标大于1（小于1）分别代表绿色全要素能源效率提升（降低）、技术效率上升（下降）、技术进步（退步）、纯技术效率增加（减少）、规模效率变大（变小）、后一期的生产技术相较于前一期与全局生产技术更为接近（远离）、技术偏离（靠近）不变规模报酬。

四、测算指标选取与数据来源

本文参考已有研究成果，选择劳动投入、资本存量与能源消耗作为投入指标，以经济发展为期望产出，环境污染作为非期望产出，具体见表1。因2018年非期望产出数据缺失，本文选取2005—2017年中国30个省份（考虑数据可得性，剔除了西藏、香港、澳门和台湾）面板数据进行分析，数据主要来源于《中国统计年鉴2020》《中国劳动统计年鉴2019》《中国价格统计年鉴2019》《中国能源统计年鉴2018》、国家统计局、CEADs数据库以及各省份历年统计年鉴。

3.能源消耗

该指标以各类能源通过折标系数折算为标准煤的能源消费总量来表示，单位为“万吨标准煤”。

（二）产出

1.期望产出

经济发展指标用各省份以2005年为基期平减后的实际GDP来表示，单位为“亿元”。

2.非期望產出

选择2005—2017年中国各省份废水排放量、二氧化硫排放量、烟（粉）尘排放量、工业固体废物产生量及二氧化碳排放量作为代表，运用熵值法对其进行处理，最后得到综合环境污染指数（指数越大，环境污染越严重），将其作为非期望产出。熵值法计算过程如下。

五、GML指数测算结果与实证分析

以投入为导向，借助MaxDEA软件，用GML指数测算出2005—2017年中国绿色全要素能源效率平均变化情况（见表2）与历年变化情况（如图1所示），从多角度对GTFEE的平均变化及历年变动情况进行分析。为了体现不同区域之间GTFEE的变化情况，本文将所选取的30个省份划分为东部、中部及西部地区①。

（一）中国绿色全要素能源效率平均变化及其分解

由表2可知，在考虑非期望产出的情况下，总体来看，中国2005—2017年GTFEE年均增长率为3.8%，其中技术效率与技术进步分别贡献了-0.7%、4.5%，可见技术进步是绿色全要素能源效率增长的主要原因。进一步分解发现，技术效率下降的原因是纯技术效率和规模效率均有所降低，纯技术效率下降说明当前国内有不少企业在制度、管理和技术方面存在较大不足，这些企业的资源利用能力和资源利用技术水平亟待提升;规模效率下降则说明当前中国不少企业要素配置结构不合理，生产资源投入规模与市场产品需求发展状况不匹配程度愈发严重。技术进步是因为获得了纯技术进步与技术规模变化的双重贡献，两者分别为其贡献了2.8%、1.7%，这主要得益于中国产业结构的调整与优化以及国家对能源技术创新的不断推进。

从地区差异来看，三大地区均实现了GTFEE的正增长，但东部地区GTFEE平均增长速度（4.5%）高于中部地区（3.7%）与西部地区（3.1%）;三大地区的技术效率平均变化为东部-0.4%、中部-0.6%、西部-1.1%，这是由纯技术效率与规模效率同时下降所导致的;三大地区的技术水平都在提升，但东部技术进步最快，中部次之，西部最慢，其中东部与中部地区技术进步的主要贡献来自纯技术进步，而西部地区技术进步的主要贡献来自于技术规模变化。结合上述分析可知，技术进步是三个地区GTFEE提升的主要原因，这也反映出这三个地区存在企业管理水平落后、企业规模与要素配置混乱、资源利用效率低下等问题。

从省份的角度来看，全国30个省份GTFEECH均大于1，其中增长最快的是内蒙古，年均提升幅度为7.9%，新疆增长速度最慢，年均提升幅度为2.0%;GEC值大于1的省份有天津、内蒙古、辽宁、吉林、江苏和重庆，剩余24个省份技术效率均为负向增长或者保持不变。由此可知，天津、内蒙古等6个省份的GTFEE提升来自于技术效率增长以及技术进步两者的贡献，而北京、河北、山西等24个省份主要依靠技术进步来促使GTFEE提升。

（二）中国历年绿色全要素能源效率变动情况

从图1可以看出，总体上，2005—2013年中国GTFEE增长速度不断加快，2014年GTFEE增长速度出现剧烈下降，2015—2017年增长速度重新回升并出现波动。其主要原因在于：2014年之前中国投入大量资源来推动技术进步以提升能源效率，使得GTFEE增长速度持续加快;但在2014年，中国开始全面推进深化改革，用于推动技术进步的资源投入开始减少，不少省份技术进步速度随之下降甚至出现负增长的情况，因此2014年GTFEE增长速度出现大幅度下降;随着改革的不断深入，其优势也不断展现出来，尽管用于促进技术进步的资源投入减少，但是改革的推进使得各类科技成果进入市场，抵消了前者所带来的不利影响，最终使得2015年以后中国GTFEE增长速度快速回升并随着市场变化轻微波动。

从地区差异来看，2005—2009年期间，东部地区GTFEE增长速度显著高于中、西部地区。主要原因是三个地区的经济发展水平差距较大，经济发达地区相较于经济落后地区更容易招揽到高水平的科研人才，同时高新技术企业也更倾向于在经济发达地区扎根，从而使得对GTFEE增长具有促进作用的绿色技术在东部地区发展迅猛，而在中、西部地区发展缓慢。2010年中、西部地区GTFEE增长速度出现大幅度上升，这可以归因于2010年中、西部地区发展战略进行调整，大量引进科技人才使得区域内绿色技术获得了较大幅度的进步，促使GTFEE以更快的速度提升。2011—2013年东部地区GTFEE增长速度呈现出先下降再回升的趋势，中部地区则表现为持续缓慢下降，而西部地区在2011年上升到该地区测算期内的最高水平随后两年一直保持稳定。这种差异可以归因于2008年发生的金融危机。首先，对经济变化最为敏感的东部地区受到其滞后影响，要素利用水平剧烈下降从而导致2010年区域内GTFEE增长速度大幅度下降，但因为东部地区企业抗风险能力较强，可以快速适应金融危机所带来的影响，因此2012年东部地区GTFEE增长速度又重新回升到较高水平;其次，中部地区对经济变化的敏感性不如东部地区，而且区域内企业抗风险能力也远不如东部地区，即金融危机在中部地区产生的影响虽没有东部地区强烈，但会持续一段时间，最终使得中部地区GTFEE增长速度在2011—2013年持续缓慢下降;最后，金融危机对西部地区的负面作用远低于东部与中部地区，同时得益于西部大开发政策的有效推进以及国家资金的大量投入，西部地区技术水平取得明显进步，从而促使西部地区GTFEE得以高速而稳定地增长。

六、中国绿色全要素能源效率影响因素分析

由于GTFEE在测算过程中涉及了劳动投入、资本存量、能源消耗、经济发展与环境污染五个指标，其中任意一项发生变化都会对GTFEE产生直接影响，因此在研究中国GTFEE的影响因素时就需要考虑有哪些因素会对上述五个指标产生作用，以此来确定可能会对GTFEE产生影响的因素，而后选取与这些影响因素相对应的具体指标作为解释变量进行回归分析，找出真正能够对中国GTFEE产生影响的因素。

（一）指标选取与处理

因为GML指数具备可传递、可累加的特征，所以本文以2005年技术效率值为初始GTFEE，将测算出的历年GTFEECH设为变动比例，计算得到2005—2017年中国30个省份的GTFEE，令其作为被解释变量②。根据以往的研究成果[3，27-34]同时结合国内实际情况，本文最终确定了经济发展水平、资本劳动比、政府干预程度、城镇化水平、产业结构、能源价格、科技发展水平、环境污染、对外开放程度九个可能对中国GTFEE产生影响的因素，并根据数据可获得性来选取对应的具体指标作为解释变量，最终确定的指标如表3所示。

回归分析的前提是解释变量相互独立，为避免选取的指标存在多重共线性而导致虚假回归，本文采用膨胀因子法来检验多重共线性。结果显示城镇化水平的膨胀因子为11.07，说明城镇化水平与其他变量之间存在严重的共线性，因此需将城镇化水平剔除后重新检验共线性，得到结果如表4所示。根据第二次共线性检验可知，剔除城镇化水平变量之后，剩余变量膨胀因子均小于10，因此变量之间不存在多重共线性。

（二）回归结果分析

运用Stata13.0软件对处理过的面板数据分别进行固定效应回归与随机效應回归，并进行Hausman检验，所得结果如表5—7所示。

由表7可知，Hausman检验结果强烈拒绝随机效应模型的原假设，即应该选用固定效应模型对解释变量进行回归。从表5固定效应模型回归结果整体上看，R2为0.849 5，拟合效果较好，F统计量为18.95，相应的P值为0.000 0，说明回归参数整体上相当显著，另外能源价格的P值为0.487，说明能源价格对GTFEE的影响不显著，这与Lin等[29]、江洪等[30]的结论一致，因此将其剔除，得出回归方程

GTFEE=-2.173 63+0.352 43×pergdp+

0.019 22×rl-0.766 18×gov-0.808 22×struc+

9.086 32×tech-0.1647 6×ep-1.4093 4×fdi  （15）

通过回归方程可知：

（1）经济发展水平对GTFEE有促进作用。人均实际GDP每提高1个单位，GTFEE平均增加0.352 43个效率值。经济发展有助于加强人们保护环境的意识，使得社会对环保绿色产品的需求不断扩大。为满足需求，企业必须开始注重绿色技术的应用以及产品生产与创新绿色化，进而促进GTFEE的提升。

（2）资本劳动比对GTFEE有促进作用。资本劳动比每提升1个单位，GTFEE会增加0.019 22个效率值。一个区域的资源利用模式可以通过资本劳动比进行反映，比率的提升意味着资源不再是以简单、粗放的形式进行利用，而是逐渐转向集约式利用，这种利用模式具有资源投入低、环境污染少等多重优势，从而可以有效提升GTFEE。

（3）政府干预程度对GTFEE有抑制作用。政府干预程度每上升1个百分点会使得GTFEE下降0.766 18个效率值。这是由于政府过度干预容易导致经济泡沫的产生，使得资源无法得到有效配置，甚至是扭曲市场，同时，政府可能会为了追求经济的增长而放松对环境污染的控制与监督，从而导致环境污染加剧，GTFEE下降。这与佟家栋等[38]、赵卿等[39]的结论相一致。

（4）产业结构对GTFEE有抑制作用。产业结构每上升1个百分点GTFEE减少0.808 22个效率值。这是因为第二产业主要是以高耗能高污染的工业为主，因此第二产业占GDP比重越高，说明高能耗产业越集中，即能源消费量越大，造成的污染也就越严重，GTFEE下降越明显。

（5）科技发展水平对GTFEE有显著的促进作用。科技发展水平每上升1个百分点就可以促使GTFEE增加9.086 32个效率值。科技发展水平反映了技术进步程度，该水平的提升可以促进节能减排和控制污染物排放技术的发展，使得社会各类生产只需要较低的生产要素投入就可以获得高期望产出的同时减少非期望产出，对提高GTFEE具有十分重要的作用。

（6）环境污染对GTFEE有抑制作用。具体表现为污染指数每升高1个单位值，GTFEE下降0.164 76个效率值。其一，工业污染物排放作为非期望产出参与了GTFEE的测算，必定会对GTFEE产生负面作用;其二，工业生产过程中不可避免地会出现污染物的排放，而过高的污染物排放直接体现了资源利用效率低下，进而影响GTFEE，使其降低。

（7）对外开放程度对GTFEE有抑制作用。对外开放程度每上升1个单位，GTFEE下降1.409 34个效率值。随着发达国家环境保护力度的不断加强，其国内的高污染产业被迫转移至环境标准较低的国家，其中大量高耗能高污染外资企业涌入中国，从而使得GTFEE受到负面影响。

七、结论与建议

本文基于GML指数测算了中国30个省份2005—2017年的绿色全要素能源效率变化，同时将绿色全要素能源效率变化分解为技术效率变化与技术进步变化，并对分解后的指标进行再分解，从多角度对中国绿色全要素能源效率进行分析，最后运用固定效应模型对影响绿色全要素能源效率的因素进行回归分析，得到如下的结论。

（1） 2005—2017年中国绿色全要素能源效率年均增长率为3.8%，其中技术效率与技术进步分别贡献了-0.7%、4.5%。

（2） 绿色全要素能源效率增长速度最快的地区依旧是东部地区，其次是中部地区，西部地区效率增长速度最慢，但中部、西部地区的增长速度正在加快，与东部地区的差距逐渐缩小，甚至有些年份已经超过东部地区。

（3） 对中国大多数省份而言，技术进步是绿色全要素能源效率提升的主要来源。

（4） 经济发展、资本劳动比、科技发展水平对中国绿色全要素能源效率增长具有正向促进作用;政府干预程度、产业结构、环境污染、对外开放程度对绿色全要素能源效率具有负面抑制作用。

根据以上结论，本文对提升中国绿色全要素能源效率提出如下建议。

（1）政企联合，合理增加R&D经费投入，同时完善科研支持体系，构建成果共享平台，加强产学研之间的交流与合作，促使节能减排技术加速转化与落实;另外政府还要加大对中、西部地区高校的经济与政策支持，优化现有的人才引进政策，在不断引入高技术人才的同时防止人才外流，使优秀人才在中西部地区得以安家落户，为中、西部地区科学技术发展做出积极贡献。

（2）加快经济区域化及一体化步伐，例如在东部、中部和西部地区合理划分城市经济群。由于各城市之间资源存在差异，因此以优势互补的方式来整合区域内的资源并通过加强产业链分工协作的方式可实现整个区域的协同发展，同时还可以通过制定多城市共同合作协议的方式，来打造利益共同体，以实现大范围的区域经济合作;另外政府应出台相应激励型优惠政策来鼓励各类企业向中西部边缘地区扎根，带动经济落后地区的发展，不断缩小各区域经济发展差距，促进绿色经济在各地高质量发展。

（3）在全国范围内持续推动第二产业生产技术的更新与优化，淘汰落后技术与装备，加快推广绿色生产技术升级。在中西部地区不断承接产业转移的情况下要特别重视区域内绿色技术的发展现状，必要情况下对高能耗高污染的产业发展予以限制。鼓励各地区第三产业及高科技产业发展，促使企业由高投入-低產出或低投入-低产出的生产模式转向低投入-高产出的生产模式，以实现绿色经济可持续发展。

（4）不断完善区域生态环境治理体系，对企业施加严格的环境约束，促使企业调整自身能源消费结构，改善内部生产技术，进一步提升能源利用水平，减少企业生产所造成的污染排放。

（5）政府应该不断提高区域内环境规制水平，制定更为严格的环境标准，在进一步扩大对外开放的同时严格限制国外低技术高污染产业向中国转移，迫使外资企业采用先进环保技术与管理经验，促进绿色全要素能源效率提升。

注释：

① 借鉴全国人大六届四次会议提出的中国区域划分标准，东部地区包括北京、天津、河北、辽宁、上海、江苏、浙江、福建、山东、广东和海南;中部地区包括山西、内蒙古、吉林、黑龙江、安徽、江西、河南、湖北、湖南与广西;西部地区包括四川、重庆、贵州、云南、陕西、甘肃、青海、宁夏及新疆。

② 利用GML指数测算出的GTFEECH等于当年GTFEE与上一年GTFEE之比，为科学地计算出GTFEE，得出准确结论，本文并未将各城市的初始GTFEE简单地设置为1，而是将各城市2005年技术效率值设置为初始GTFEE，通过历年GTFEECH迭代计算可求得各城市历年GTFEE值。

参考文献：

[1] Hu J L， Wang S C. Total-Factor Energy Efficiency of Regions in China[J]. Energy Policy，2006，34（17）：3206-3217.

[2] Wei Y M， Liao H，Fan Y. An Empirical Analysis of Energy Efficiency in Chinas Iron and Steel Sector[J]. Energy，2007， 32（12）：2262-2270.

[3] 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.

[4] 范秋芳，王丽洋.中国全要素能源效率及区域差异研究——基于BCC和Malmquist模型[J].工业技术经济，2018，37（12）：61-69.

[5] 卢锐，陆芸，陈郁炜，等.考虑行业耗能差异的技术进步、技术效率与制造业全要素能源效率研究：基于30个行业面板数据的实证分析[J].管理工程学报，2019，33（3）：9-16

[6] 刘丙泉，尚梦芳，李永波.基于碳排放约束的中国省际生态效率评价与驱动力研究[J].中国石油大学学报（社会科学版），2016，32（1）：22-28.

[7] 孙菲，杨晓龙，陈雍淦，等.东北地区资源型城市绿色发展效率测度——基于2008—2017年数据的实证研究[J].中国石油大学学报（社会科学版），2021，37（3）：18-25.

[8] Chung Y H， Fre R， Grosskopf S. Productivity and Undesirable Outputs： A Directional Distance Function Approach[J]. Journal of Environmental Management，1997，51（3）：229-240.

[9] Oh D H. A Global Malmquist-Luenberger Productivity Index[J]. Journal of Productivity Analysis，2010，34（3）：183-197.

[10] 岳立，杨玉春，江铃峰.“丝绸之路经济带”绿色全要素能源效率的地區差异及影响因素研究——基于Global Malmquist-Luenberger指数的实证分析[J].兰州大学学报（社会科学版），2018，46（6）：158-166.

[11] 刘钻扩，辛丽.“一带一路”建设对沿线中国重点省域绿色全要素生产率的影响[J].中国人口·资源与环境，2018，28（12）：87-97.

[12] 舒扬，孔凡邦.内生视角下环境规制、产业集聚与城市绿色全要素生产率——以长江经济带城市为例[J].工业技术经济，2019，38（10）：49-57.

[13] 田红彬，郝雯雯.FDI、环境规制与绿色创新效率[J].中国软科学，2020（8）：174-183.

[14] 孟庆春，黄伟东，戎晓霞.灰霾环境下能源效率测算与节能减排潜力分析——基于多非期望产出的NH-DEA模型[J].中国管理科学，2016，24（8）：53-61.

[15] Makridou G， Andriosopoulos K， Doumpos M， et al. Measuring the Efficiency of Energy-Intensive Industries Across European Countries[J]. Energy Policy，2016，88：573-583.

[16] 于斌斌.生产性服务业集聚与能源效率提升[J].统计研究，2018，35（4）：30-40.

[17] 沈可挺，龚健健.环境污染、技术进步与中国高耗能产业——基于环境全要素生产率的实证分析[J].中国工业经济，2011（12）：25-34.

[18] 杨俊，邵汉华.环境约束下的中国工业增长状况研究——基于Malmquist-Luenberger指数的实证分析[J].数量经济技术经济研究，2009，26（9）：64-78.

[19] 王维国，范丹.中国区域全要素能源效率收敛性及影响因素分析——基于Malmqulist-Luenberger指数法[J].资源科学，2012，34（10）：1816-1824.

[20] 陈诗一.中国的绿色工业革命：基于环境全要素生产率视角的解释（1980—2008）[J].经济研究，2010，45（11）：21-34.

[21] Cheng Z H，Liu J，Li  L S，et al. Research on Meta-Frontier Total-Factor Energy Efficiency and its Spatial Convergence in Chinese Provinces[J]. Energy Economics，2020，86（C）：104702.

[22] 陈超凡.中国工业绿色全要素生产率及其影响因素——基于ML生产率指数及动态面板模型的实证研究[J].统计研究，2016，33（3）：53-62.

[23] 李汝资，刘耀彬，王文刚，等.长江经济带城市绿色全要素生产率时空分异及区域问题识别[J].地理科学，2018，38（9）：1475-1482.

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

[25] 單豪杰.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，2008，25（10）：17-31.

[26] 柯善咨，向娟.1996—2009年中国城市固定资本存量估算[J].统计研究，2012，29（7）：19-24.

[27] 李国璋，霍宗杰.中国全要素能源效率、收敛性及其影响因素——基于1995—2006年省际面板数据的实证分析[J].经济评论，2009（6）：101-109.

[28] 张兵兵.碳排放约束下中国全要素能源效率及其影响因素研究[J].当代财经，2014（6）：13-22.

[29] Lin B， Liu X. Dilemma between Economic Development and Energy Conservation： Energy Rebound Effect in China[J]. Energy，2012，45（1）：867-873.

[30] 江洪，李金萍，纪成君.省际能源效率再测度及空间溢出效应分析[J].统计与决策，2020，36（1）：123-127.

[31] 王兵，张技辉，张华.环境约束下中国省际全要素能源效率实证研究[J].经济评论，2011（4）：31-43.

[32] 李静，汪克亮.多重目标约束下我国能源效率变动分解、区域差异与影响因素研究[J].华东经济管理，2013，27（10）：66-71.

[33] 周四军，张庚.考虑环境效应的我国全要素能源效率区域比较研究[J].华东经济管理，2016，30（4）：63-67.

[34] 吴传清，董旭.环境约束下长江经济带全要素能源效率研究[J].中国软科学，2016（3）：73-83.

[35] 刘海英，刘晴晴.中国省级绿色全要素能源效率测度及技术差距研究——基于共同前沿的非径向方向性距离函数估算[J].西安交通大学学报（社会科学版），2020，40（2）：73-84.

[36] 彭国华.中国地区收入差距、全要素生产率及其收敛分析[J].经济研究，2005（9）：19-29.

[37] Reinsdorf M，Cover M. Measurement of Capital Stocks， Consumption of Fixed Capital， and Capital Services[R]. Santo Domingo： The Central American Ad Hoc Group on National Accounts，2005：1-6.

[38] 佟家栋，陈霄.出口扩张、环境规制与能源效率——来自中国城市层面的经验证据[J].经济问题探索，2019（6）：174-184.

[39] 赵卿，曾海舰.产业政策推动制造业高质量发展了吗？[J].经济体制改革，2020（4）：180-186.

责任编辑：曲 红

Abstract： This paper uses panel data from 30 provinces in China from 2005 to 2017 and the Global Malmquist-Luenberger index to measure and decompose the changes in Chinas green total factor energy efficiency， and uses a fixed-effects model to regress and analyze the influencing factors of Chinas green total factor energy efficiency. The results are as follows： （1） During the inspection period， the average annual growth rate of Chinas green total factor energy efficiency was 3.8%， and the average annual growth rates of the eastern， central and western regions were 4.5%， 3.7% and 3.1% respectively. The efficiency growth is mainly driven by technological progress， and the green total factor energy efficiency gap between the central and western regions and the eastern region is gradually narrowing. （2） The level of economic development， capital-labor ratio， and technological development have a positive effect on the improvement of Chinas green total factor energy efficiency， and the degree of government intervention， industrial structure， environmental pollution and the degree of opening up have a restraining effect on the improvement of Chinas green total factor energy efficiency.

Key words： green total factor energy efficiency; Global Malmquist-Luenberger index; fixed effects model; influencing factors