全要素电能效率

全要素电能效率（精选7篇）

全要素电能效率 第1篇

1 文献综述

能源效率是世界各国普遍关注的话题。根据研究思路的不同,能源效率测度方式大致分为以下三种: 第一,单要素能源效率。无论是全球框架下的二氧化碳减排公约还是我国中央与各级地方政府的节能减排目标规划,均使用单要素能源效率即单位能耗GDP指代能源效率。事实上,早期学术研究中也多使用能源强度指标表示单要素能源效率 ( 韩智勇等,2004[5]; 史丹,2006[6]; 杭雷鸣、屠梅 曾,2006[7]) 。第二,全要素能源效率。单要素能源效率尽管形式简单、计算方便,但将经济产出仅归于能源要素的作法与事实不符,且忽略了实际生产过程中能源与劳动力、资本等其他生产要素的相互配合与相互替代,未能体现能源效率的本质含义。Hu和Wang ( 2006)[8]首先使用非参数估计方法测算我国全要素能源效率,该方法考虑各投入要素之间相互作用变化对能源效率的影响,有效解决单要素能源效率无法全面度量能源效率的弊端。在能源效率的多种测度形式中[9],考虑了要素相互作用的全要素能源效率正逐渐成为实证研究中能源效率的主要代理指标 ( 徐国泉、刘泽渊,2007[10]; 师博、沈坤荣,2008[11]; 李国璋、霍宗杰,2009[12]) 。第三,包含环境约束的全要素能源效率。为了更好反映环境污染的负外部性影响,使研究与实际情况更为贴切,学者们在环境约束条件下进一步测度全要素能源效率 ( 汪克亮等,2010[13]; 张伟、吴文 元,2011[14]; 许珊等,2013[15]; 李强、魏巍,2014[16]) 。

在解决能源效率的测度方式后,寻找驱动能源效率变迁的因素成为研究的热点问题。根据研究脉络与切入角度,既有研究在探索能源效率驱动因素时主要从技术进步角度着手。国外经验研究表明,技术进步对 我国能耗 下降起主 要作用 ( Zhang,2003[17]; Fisher - Vanden et al,2004[18]) 。齐志新等 ( 2006)[19]、李廉水等 ( 2006)[20]认为技术进步是我国工业部门能源效率提高的决定性因素,工业部门中技术进步对能源效率的作用将随着时间推移逐渐加强。 屈小娥 ( 2009 )[21]、孙广生 等( 2012 )[22]、王维国 等 ( 2012 )[23]、孙久文 等( 2012)[24]通过对全要素能源效率的分解发现技术进步贡献度大,但也有学者认为技术效率贡献度大( 王群伟、周德群,2008[25]; 马海良等,2011[26]) 。使用回归模型可以更好分析技术进步因素和其他因素对全要素能源效率的影响。

人力资本是技术进步的源泉,其作为投入要素可以通过技术进步影响能源效率。既有研究关于人力资本与能源效率有两种处理思路,一类是人力资本与单要素视角的能源效率; 另一类是人力资本与全要素能源效率。从单要素能源效率角度,尹宗成等 ( 2008)[27]认为人力资本对能源效率提高具有显著正向作用。李思慧 ( 2011)[28]以浙江高新技术企业为样本也证明了人力资本对能源效率的显著正向作用。陈媛媛等 ( 2011)[29]开展的工作从不同层次人力资本角度出发实证发现不同层次的人力资本对技术吸收的能力不同并对能源效率提升产生不同影响。从全要素能源效率角度,滕玉华 ( 2011)[30]发现人力资本与全要素能源效率之间存在正向关系。赵领娣等 ( 2013)[31]研究人力资本和技术进步对能源效率的影响,认为教育水平和人力资本效率均对能源效率起促进作用。随后人力资本研究视角又得到进一步拓展,赵领娣等 ( 2013)[32]从人力资本水平、结构、投资、运用四个维度研究发现人力资本能有效弱化能源禀赋对绿色经济绩效的负向冲击程度。

能源效率是能源相关领域研究的热点话题,学术界对人力资本与能源效率的关系已展开初步探索,目前实证研究均发现技术进步是能源效率提升的主要动力,而人力资本作为技术进步源泉对能源效率的影响正逐渐得到国内外学者的关注。但现有研究仍存在少许不足,大量实证研究中鲜有学者从舒尔茨的人力资本定义出发多视角分析人力资本对能源效率的影响。人力资本是一个包含水平、结构、投资、效率等多个方面的综合性概念,如果研究过程中只考虑单一视角,可能影响人力资本作用机理的分析。为了系统全面分析人力资本对全要素能源效率的影响,本文将人力资本水平、人力资本结构、人力资本投资同时纳入研究框架,利用受限的面板Tobit模型实证检验人力资本对能源效率的影响效果和作用方向,旨在多角度深入分析人力资本对能源效率的影响,弱化单一视角研究所导致的结果解释力不足和偏误。

2 各地区全要素能源效率评价

本文研究主要使用Coelli等 ( 1996)[33 - 34]提出的两阶段研究方法。首先运用DEA - Malmquist指数法测算并分解1997—2012年中国主要省份包含非合意产出的全要素能源效率; 随后以多维人力资本因素为解释变量,其他可能影响因素为控制变量,使用面板Tobit模型,实证研究多维人力资本与全要素能源效率的关系。

2. 1 模型构建

数据包络分析 ( DEA) 由著名运筹学家Char-nes[35]等在1978年提出,主要思想是通过线性规划方法计算比较待决策单元的相对效率。基本DEA模型包括输入导向型和输出导向型两种。Malmquist指数方法最早由Sten Malmquist[36]在1953年提出,并在1982年和1992年由Caves[37]和Fare等[38]对模型进一步完善。DEA - Malmquist指数法具有无需特定函数、计算方便且一定条件下优于其它指数分解方法等优点。其中,Malmquist指数方法表示的全要素生产率指数可以使用距离函数分解为技术进步指数和技术效率 指数即:。若指数M > 1则表明该年较上一年有所提高,反之则表明有所降低。所得使之与1的差值表示该年度较上一年效率升高或降低的比率。将其进一步分解得:。若T > 1,E > 1则表明该年技术进步和技术效率与上一年相比有所提高,反之则表明有所降低,并且该数值与1的差值表示技术进步和技术效率在该年度升高和降低的比率。其中技术效率 ( E) 可以进一步分解为纯技术效率和规模效率。因此,Malmquist指数可表述为技术进步指数、纯技术效率指数和规模效率指数的乘积。

2. 2 指标选取与数据来源

基于数据可得性和研究的惯例,本文研究所涉及的地区不包括港澳台地区,西藏地区数据由于对样本影响较大也未被纳入分析,重庆市成为直辖市的时间较晚,与四川省的部分数据难以拆分,遵循常规做法,将其与四川合并,最终本文选取29个省级单位的投入与产出数据作为样本。具体指标说明如下:

( 1) 期望产出

本文选取各省1997—2012年国内生产总值作为期望产出指标。分析数据时由于各年数据价格不统一,不具有可比性,根据国内生产总值价格指数,统一以1997年为基期换算为实际国内生产总值,单位为亿元。

( 2) 非期望产出

非期望产出是影响期望产出并造成环境污染的有害产出,既有文献对非期望产出的处理主要分为简单指标引用与复杂指标综合构建两种方式。简单指标直接引用方面,何文强、汪明星 ( 2009)[39]只考虑工业废气对环境的影响,直接使用工业废气表示非合意产出; 王兵等 ( 2011)[40]通过基准方法测得CO2的排放量,并根据统计年鉴获得SO2的排放量数据,直接使用SO2和CO2表示非合意产出。在复杂指标综合构建方面,吴琦、武春友 ( 2009)[41]将COD、氨氮、CO2等工业气体合成综合环境指标;袁晓玲 ( 2009)[42]综合考虑工业废气、工业废水和固体废弃物的影响,构建环境污染综合指标表示非合意产出。综合指标体系是由一系列相互联系、反映社会经济现象的经济指标所构成的有机整体。在描述复杂经济现象时,往往由于指标体系固有的内部矛盾导致所构建指标体系结果失真。目前我国加强相关工业废气排放监管力度,工业气体排放水平已成为我国环境检测的主要指标。为了减少复杂指标构建所产生的计算偏误,本文借鉴何文强、汪明星的方法,直接使用工业废气指标作为非合意产出的代理变量。其中,工业废气数据来自相应年份的《中国环境统计年鉴》。

( 3) 能源投入

我国能源消费种类丰富,历年能源消费结构无较大变化。本文为方便比较,采用1997—2012年各省能源消费总量作为代替指标,并统一将单位换为“万吨标准煤”。

( 4) 劳动力投入

在劳动力投入指标选取时,本文加入平均受教育年限指标反映劳动力质量水平,从劳动力数量和质量两个方面测量劳动力投入指标,具体方法为劳动力投入 = 劳动力人数* 劳动力平均受教育年限。其中,平均受教育年限 = ( 小学文化程度* 6 + 初中文化程度* 9 + 高中文化程度* 12 + 大专及以上文化程度* 16) /各地区6岁以上总人口。平均受教育年限测度主要为各年度人口变动情况的抽样调查数据,抽样比率 各年度均 不相同, 大致区间 为0. 887% —1. 016% 。

( 5) 物质资本存量

张军 ( 2004)[43]和单豪杰 ( 2008)[44]对国内各省资本存量估算主要采用“永续盘存法”,方法为

。其中,为t期资本存量,为t期

投资额,为折旧率。本文使用单豪杰的研究方法,选择1952年作为基期价格,折旧率按照统一标准10. 96% ,将物质资本存量测算延长至2012年。

文中数据主要来源于《新中国六十年统计资料汇编》、《中国统计年鉴》、《中国能源统计年鉴》、《中国人口统计年鉴》 和《中国人口和就业统计年鉴》。

2. 3 全要素能源效率测算及分解结果

DEA - Malmquist指数所得结果大于1表明与上一年相比全要素能源效率有所增长,若小于1表明与上一年相比全要素能源效率有所降低。全国三大经济区域全要素能源效率比较显示 ( 图1) ,总体来看,样本期内全要素能源效率呈现出不稳定的“W”型变动趋势,且总体呈小幅增长态势,具体表现为东部、西部、中部依次递减的形态。分地区研究发现: ( 1) 样本期间东部地区全要素能源效率呈现总体上升趋势。2001年前增速逐年递减,2001年之后增速呈现逐年震荡增加的态势。随着必要的环境规制确立以及居民环保意识的增强,东部地区能源效率提升可能会更加明显。 ( 2) 样本期间中部地区全要素能源效率并未提升。2000年之前能源效率呈上升趋势,增速缓慢。2000年之后能源效率呈下降趋势,降速逐年递增。地区经济结构对能源效率可能会产生一定影响,中部地区多为传统制造业和手工业,其能源效率普遍不高。能源环境相关政策出台之后,经济发展质量以及节能减排目标得到高度重视,随着技术水平提升,能源效率可能会得到提升。( 3) 1997—2012年西部地区全要素能源效率降低,这与中部地区的情况类似。2001年是西部地区效率变动分界点,分界点前呈增速不稳定的上升趋势,分界点后呈下降趋势,只在部分年份能源效率有小幅提升。比较发现未来西部地区能源效率变动仍会呈现不稳定的态势,这可能与西部地区不稳定的先进技术引进以及高能耗低产出的生产模式有较大关系。

全要素能源效率分解结果显示: ( 1) 东部地区技术进步水平对全要素能源效率贡献大,2005年之

后技术进步作用更为明显,而技术效率历年变化趋于稳定。这表明东部地区技术效率贡献不足,为了发现东部地区技术效率贡献不足的原因,进一步分解技术效率为规模效率和纯技术效率,得出规模效率是贡献度不足的原因。因此,扩大东部地区“环境污染低,能源效率高”的产业规模,发挥产业规模效率可能较快提高能源效率。 ( 2) 中部地区在2001年前技术进步贡献程度大于技术效率,2001年后随着技术进步贡献度不断下降,技术效率贡献度逐渐大于技术进步。总体分析两者变动趋势,技术效率变动较为稳定,技术进步贡献度在2005年之后有小幅上升,但增长势头不够明显,未来全要素能源效率提升主要依靠技术效率因素。 ( 3) 西部地区技术进步变化较为不稳定,而技术效率变化相对平稳。样本期间多数年份技术效率大于技术进步的贡献度。因此,维持西部地区能源效率平稳增加的重点是加强先进技术自主研发能力,防止过度依赖技术引进,以保持技术进步贡献度平稳增加。

注: 数据测算由DEAP2. 1软件进行; 东部省份有11个包括北京、上

海、天津、河北、山东、海南、浙江、江苏、福建、广东、辽宁。中部省份8个包括吉林、黑龙江、山西、江西、湖南、湖北、安徽、河南。西部省份10个包括广西、内蒙古、新疆、甘肃、云南、贵州、四川、青海、陕西、宁夏;ETP代表东部地区技术进步,ETE代表东部地区技术效率,MTP代表中部地区技术进步,MTE代表中部地区技术效率,WTP代表西部地区技术进步,WTE代表西部地区技术效率。

2. 4 实证分析与结果探讨

人力资本作为投入要素具有吸引其他要素和技术进步的功能。Maudos等 ( 2003)[45],傅晓霞、吴利学 ( 2006)[46]均发现人力资本对技术效率有较大影响。因此,有待进一步研究人力资本对全要素能源效率的影响。目前我国人力资本水平与西方发达国家相比整体偏低,具备中低水平技能的劳动力数量较大,区域间人力资本水平存在显著差异,区域内人力资本水平分布不均,多数地区人力资本投资力度不足。我国各地区差异显著的能源效率是否与人力资本存在有一定关系? 为此,本文以我国各地区全要素能源效率为被解释变量,人力资本水平、结构和投资为解释变量,多角度实证研究人力资本对全要素能源效率的影响。

人力资本水平主要反映地区内人力资本存量现状,其中教育维度表示的人力资本水平高低会直接影响技术吸收效率以及自主研发能力,进而影响能源效率。与人力资本其他方面相比人力资本教育水平更易测算获得。因此,根据已有研究拟采用平均受教育年限作为人力资本水平的代理变量 . 具体计算方法已在上文陈述,这里不再赘述。

根据人力资本形成与作用过程中各结构要素的功能属性和作用机理,人力资本结构可以分为多种,本文主要研究人力资本配置结构和空间结构对全要素能源效率的影响。其中,人力资本配置结构是指社会中不同人力资本水平的比例关系和组合状况。高水平人力资本具有向下的兼容性,而低水平人力资本则具有较高的边际收益率,不同人口配置结构的人力资本总量在经济增长中的作用不同[47]。本文使用大专以上学历人口占比近似表示人力资本配置结构。

人力资本空间结构主要指区域人力资本分布状况。本文借鉴李亚玲、汪戎 ( 2006)[48]对人力资本空间结构的处理方式选取人力资本基尼系数作为代理变量,其具体形式为。其中Gh为某一年龄及其以上人口的人力资本基尼系数,其值介于0到1之间,数值越小则表明该地区人力资本分布越均衡; H为该年龄及其以上人口的平均受教育年限; i和j代表不同的教育水平; ni和nj代表该年龄及其以上人口中既定教育水平的人口份额; xi和xj代表各教育水平的平均累积教育年数。

人力资本投资根据类型不同主要分为正规教育投资、职业技术培训投资、健康保健投资、劳动力迁移投资。教育投资提高并拓展劳动者的技能与知识水平,影响技术吸收与转化效率并进一步影响能源效率。目前我国教育投资主体正向多元化发展,但政府在人力资本投资中仍为主要的投资主体。因此,本文选取各地区教育经费支出与一般财政支出占比作为人力资本投资的代理变量。

为减少模型设定偏误,本文借鉴经验研究作法,设置如下控制变量: ( 1) 工业化水平使用第二产业中工业增加值与当年GDP占比表示。( 2) 能源消费结构我国目前各种能源的转化效率不同,优化能源消费结构会在一定程度上使能源效率得到改善。本文使用煤炭消费量与能源消费量之比表征能源消费结构。( 3) 外商直接投资作为技术进步的重要来源形式,外商直接投资在进入我国的过程中所引进的技术、设备与管理经验可能有助于地区能源效率的提升。本文使用外商直接投资总额与实际GDP占比表示。( 4) 能源价格作为重要的生产要素,理论上能源价格变动会带来生产成本的增加,从而会倒逼企业降低能源耗损,提高能源效率。既有统计资料中缺乏直接能源价格数据,本文使用以1997年为基期的“原材料、燃料、动力购进价格指数”近似替代能源价格。( 5) 市场化水平从传统计划经济体制向市场经济体制的转轨有助于改变要素配置方式、提高要素使用效率,从而提高能源效率。本文采用政府一般性开支与当年GDP的比值作为市场化水平的反向测度指标。

本文研究所使用的被解释变量值均大于0,属于受限的被解释变量。Tobit回归分析模型是针对部分连续分布和部分离散分布因变量所提出的计量经济学模型,可有效解决受限或截断因变量建模问题。因此,使用面板Tobit模型可以较好的实证研究多维人力资本因素对全要素能源效率的影响。

实证结果显示人力资本水平与全要素能源效率呈负相关关系。具体而言,全国、东部地区及西部地区显著,中部地区不显著,这与单要素能源效率研究中人力资本水平促进能源效率提升的结论存在较大差别。根据联合国开发计划署“2011年人口发展报告”显示,2010年人力资本水平最高的国家挪威成人平均受教育年限为12. 6年相当于该国大学一年级水平,而中国仅为7. 5年相当于我国初中二年级水平,数据表明我国与发达国家相比人力资本整体水平偏低。彭国华 ( 2007)[49]认为人力资本水平只有超过一定的“门槛条件”才会影响全要素生产率,如果未达到条件则只能作为投入要素影响产出。在人力资本水平既定条件下,通过合理优化人力资本配置结构所带来的人力资本收益率提高,会推动产业结构升级和经济发展[50]。因此,东部地区系数为负可能与人力资本应用有关,即人力资本与物质资本匹配性较差。

为了进一步解释人力资本水平与全要素能源效率的负向关系,本文从人力资本配置结构出发分析专业人力资本对全要素能源效率的影响。我国具有大专以上学历劳动力占比较低,初高中学历水平劳动力相对丰富,人力资本存在明显异质性特征。专业人力资本具有技术外溢功能,实证结果显示对于全国和东部地区人力资本配置结构调整可以促进全要素能源效率提高。东部地区人力资本水平相对较高,但专业人力资本占比与发达国家相比仍然较低,较低水平的人力资本可能无法实现人力资本与物质资本的良好匹配,最终表现为人力资本阻碍全要素能源效率提升。中西部地区与东部地区相比人力资本存量较低,劳动力多为只能进行简单体力劳动的基础性人力资本,人力资本对能源效率的影响仍旧表现为产出方面。此外,模型设定和数据选取也可能对结果有一定的影响。

人力资本空间结构与全要素能源效率呈显著负相关关系,其中全国、中部地区和西部地区显著,而东部地区不显著。目前中西部地区人力资本空间分布不均会使技术水平产生差距,进而造成各地区能源效率有所不同。随着地区间人力资本差距扩大,能源效率的地区差异可能更为明显。中西部地区相比于东部地区能源禀赋相对较高,但人力资本总体存量相对较低,地区内不同省份间人力资本差异明显。“人力资本门槛”是吸收FDI技术溢出效应的前提,区域内人力资本存量差异可能影响技术吸收效率,这对于提高能源效率也可能会产生不同效果。实证表明中西部地区优化人力资本空间结构对全要素能源效率有促进作用,东部地区人力资本空间分布相对均匀,人力资本空间结构调整对全要素能源效率影响并不显著。

东部地区和中部地区人力资本投资与全要素能源效率呈负相关关系,西部地区呈正相关关系,全国整体层面上并不显著。出现这种情况的可能性原因: ( 1) 人力资本投资存在滞后性,东部地区过快与过高的人力资本投资可能不利于劳动者所学技能和知识的良好吸收,降低投资所产生的效率,可能影响最终的系数符号; ( 2) 人力资本初始存量高低将决定人力资本边际产出大小[51],东部地区人力资本初始存量已经积累到一定程度,而西部地区人力资本存量积累仍较为薄弱,在增加相同人力资本投资水平下边际产出可能会有减少。 ( 3) 人力资本投资是否转化成为实际生产所需的人力资本,即地区间人力资本投资效果差异。

关于控制变量回归结果的说明。西部地区与东部地区相比工业化程度会更有利于地区能源效率提高。经验研究表明工业产值比重与全要素能源效率呈倒“U”型关系,即随着工业产业比重增加,全要素能源效率会出现规模效率递减现象。目前我国各地区工业比重尚未达到倒“U”型曲线拐点,东部地区与西部地区相比工业比重大,能源效率提速缓慢。对于 能源消费 结构, 成金华、李 世祥( 2010)[52]认为近年来我国能源密集型产业投资膨胀引起工业部门扩张,形成刚性高能耗产业结构。我国各地区产业结构多是以煤炭消费为主的能源密集型产业,煤炭在能源消费占比的提升仍会提高能源效率。中西部地区外商直接投资显著提升全要素能源效率,这可能是造成西部地区技术进步因素贡献度不稳定的重要原因。Newell等 ( 1999)[53]认为能源价格会通过刺激技术进步诱发能源效率提升,在“十二五”期间,国家已尝试改革能源交易机制,今后各区域能源价格对能源消费的调控作用可能更为明显。随着西部地区市场化水平提高,地区能源效率也将可能得到进一步提升。

注: ***为 1% 的显著性水平,#sup_id#**#sup#为 5% 的显著性水平,#sup_id#*#sup#为 15% 的显著性水平,本文回归分析采用 EVIEWS7. 2。

为确保结论的可靠性,本文进行了相应的稳健性检验。具体而言,本文将总体样本分为1997—2004年和2005—2012年两个小样本。结果发现在改变样本期限之后各主要变量和控制变量符号均未发生较大改变,从而表明本文结论稳健。

注: 同表 1。

3 主要结论和政策建议

能源效率和环境污染是我国当前经济转型所面临的两大核心问题。本文在考虑环境因素后测算我国各地区全要素能源效率,分析技术进步和技术效率的贡献程度,并结合人力资本相关理论研究多维人力资本因素对全要素能源效率的影响。得到结论如下:

( 1) 全要素能源效率测算与分解结果显示,样本期间内全要素能源效率呈“W”型变动趋势。其中,东部地区始终位于效率前沿,全要素能源效率总体上升,而中西部地区全要素能源效率总体呈下降趋势。因素分解结果表明规模效率制约东部地区全要素能源效率提升,而技术进步则制约中西部地区能源效率提升。

( 2) 多维人力资本与全要素能源效率实证结果显示,人力资本整体水平提升会抑制东部地区全要素能源效率提升,但是增加专业人力资本可以缓解这种抑制作用; 在人力资本水平既定的情况下,中西部地区合理优化人力资本空间结构分配优势人力资本资源,能有效解决区域内人力资本分布不均所造成的技术进步贡献不足问题; 东部地区超额人力资本投资无法实现与物质资本的有效匹配,阻碍全要素能源效率提升,而西部地区基础人力资本与技术匹配还存在较大缺口。因此,加大西部地区人力资本投资力度,适当稳定东部地区人力资本投资,有助于指引人力资本流动,实现能源的高效利用。

研究表明全要素能源效率提升的重点应合理配置人力资本的内部结构,发挥专业人力资本的作用以提高技术转化效率,优化人力资本空间结构,缩小地区人力资本水平差距,合理调整地区间人力资本投资。基于实证结论,提出如下政策建议:

( 1) 提升人力资本水平,合理配置人力资本内部结构。东部地区应大力发展高等教育和职业教育,逐步提升专业人力资本比例,缓解人力资本整体提升对全要素能源效率所带来的抑制效应。中西部地区则应扩大偏远地区教师队伍编制,加快普及义务教育工作,保障低收入人群享有接受正规义务教育的权利,从根本上提升偏远地区的教育质量和人口素质。

( 2) 保持平稳的人力资本投资增速,适当调整地区间投资分布。人力资本投资只有合理匹配物质资本投资才能实现经济快速发展。我国东西部地区人力资本投资差距较为明显。东部地区教育基础设施建设目前已较为完善,当前应稳定人力资本投资,实现与物质资本的高效匹配。西部地区应加大人力资本投资力度,逐步完善落后地区教育基础设施建设工作,加快人力资本积累,缩小与东部和中部地区的差距。

( 3) 优化人力资本空间结构,缩小区域内人力资本差距。中西部地区是我国主要能源的富集区域,但实证研究发现地区间人力资本分布不均阻碍全要素能源效率提升。在能源禀赋较高而人力资本存量较低的偏远地区,国家应有针对性的实施良好的用人机制,积极创造有利条件,吸引高水平技能型人才来此就业并防止人才流失。通过人力资本的积累缩小区域内人力资本差距带动全要素能源效率稳步提升。

( 4) 提升人力资本的实际利用效率,增强外来技术的吸收能力。目前东部地区技术进步贡献度大,而中西部地区贡献度不足。政府应大力扶持先进技术行业,给予相应的财政支持,降低准入门槛,扩大行业规模,加大行业科研经费投入,逐步提升自主研发水平,提高能源利用效率并降低废气排放量。

全要素电能效率 第2篇

1 文献综述

当前物流企业效率研究已成为学术界研究的热点。Amer Hamdan[1]等 (2008) 采用DEA对第三方物流企业的仓储运营效率进行评价, 通过实证表明该方法能使管理者了解每个输入输出指标对仓储运营效率的影响程度, 为改进仓储运营绩效提供科学依据。Andrew Chi-lok Yuen、Anming Zhang[2] (2013) 等探讨所有权及港口内部竞争对集装箱码头效率影响, 运用DEA对中国及亚洲邻国港口集装箱码头效率及影响因素进行了分析。邓学平、王旭[5] (2009) 利用DEA-CCR/BCC模型对中国55家上市物流公司的相对效率和规模效率进行实证研究。钟祖昌[6] (2011) 应用三阶段DEA方法, 对随机误差因素的影响加以控制, 实证研究2001~2008年我国28家物流上市公司的营运效率, 同时对不同类型和不同规模的物流企业的效率差异进行了分析。

现阶段国内学者在物流企业生产效率的研究过程中取得了一些成就, 但同时还存在以下问题。我国物流企业作为新兴的企业, 评价体系不完善。本文认为结合物流企业自身特点, 探索科学、合理的企业效率评价方法具有其现实意义;其次, 当前我国物流领域的研究者对我国物流企业效率的研究集中在生产效率的测量和影响生产率变化因素的分析, 缺乏各物流企业效率在一段时期内动态变化的研究;最后, 针对广东物流企业效率分析的文献少且样本数据陈旧, 无法反映广东物流企业发展最新动态。因此本文研究是必要的。

2 模型选择

根据Caves、Christensen和Diewert (1982a和1982b) [4]的研究, 以时期s作为参考标准, 从时期s到时期t的Malmquist生产率变化指数定义为:

同时, 以时期t作为参考标准, Malmquist生产率变化指数为:

这两个指数在一种产出、一种投入的情况下是相同的, 但是在多种投入和可变规模收益的情况下两个指数是不同的, 为了避免这种不一致性, Färeetal[5] (1992, 1994) 根据上面两种指数的几何平均值推导出产出导向的生产率变化指数:

其中, 等式右边第一项衡量了从时期s到时期t的技术效率的变化effch, 其中, 技术效率又可继续分解为纯技术效率pech和规模效率sech;等式右边括号内的部分衡量了两个时期之间技术进步率techch。即技术效率变化:

技术进步:

3 变量及样本选择

本文在文献的基础上, 结合物流企业的特点, 以企业的固定资产、职工工资总额、主营业务成本作为输入变量, 税前利润总额为输出变量。

考虑到数据可获取性及数据时效性问题, 样本选择主要来源于我国沪深港证券市场上市的6家广东上市物流企业, 完整获取2009~2012年的年度报告中的运营数据。

4 数据分析

本文运用DEAP2.1处理样本企业DEA Malmquist生产率变化指数。

4.1 各样本企业具体结果分析

表1显示了各企业技术变化、技术效率变化、规模效率变化及全要素生产效率变化情况。由表1看出, 盐田港和中昌海运全要素生产效率变化趋势相似, 变化幅度大。只有2011年生产效率上升, 2010与2012年间生产效率都下降。盐田港的全要素生产效率下降是由于技术变化的下降而引起的。中昌海运全要素生产效率下降的原因主要是由于技术效率的下降。生产效率下降与国内外经济环境变化有一定联系。华南区港口运营竞争激烈, 而且2012年航运业面临的严峻形势甚于以往。在全球经济疲软的大背景下, 更多航运企业陆续陷入生存困境。

深赤湾a全要素生产效率呈逐年下降趋势, 主要是因为技术效率下降。公司所处腹地制造业迁移、转型升级导致赤湾区散杂货堆场资源缩减, 全年公司集装箱业务受到较大影响。这一定程度影响到深赤湾的生产效率。

作为同类的远洋航运业而言, 中远航运发展状况较好。生产效率在2011年小幅度下降, 2010年与2012年生产效率在提高。在欧美经济复苏低于预期, 国际航运市场低迷环境中, 它保持了较高的生产效率。这得益于企业明确发展战略, 进一步强化市场营销, 提升市场份额, 加强成本控制。以上措施对生产效率的提高产生一定的积极作用。

怡亚通2011年生产效率急剧下降, 是由于技术效率与规模效率变动引起的。这与受到行业过度竞争和金融海啸后遗症的影响导致毛利率有所下降有一定关系。公司大力推进在全国380个城市建立供应链城市网点布局的项目。它投入大量资源, 从而一定程度上影响生产效率。

飞马国际发展状况是最好的, 每年生产效率一直提高。这主要是由于技术变动引起的。飞马国际大力拓展资源能源行业的供应链业务, 致力于延伸供应链节点服务, 同时加强内部管理。所有这些措施对该企业生产效率提高有着一定的作用。

4.2 样本企业在2009~2012年平均变化情况

在研究的时间的范围内, 中远航运、飞马国际的平均生产效率都在上升, 而其它个体呈现不同程度下滑。深赤湾与盐田港下降趋势最大分别为48.6%与32.2%。其中, 引起盐田港效率下降的是技术变动因素。深赤湾a效率下降是由技术变动、技术效率与规模效率共同引起。中昌海运与怡亚通效率下降的因素是技术变动。

注:本文内的所有平均值都是指几何平均值。

4.3 广东物流企业生产效率总体水平年度变化

表3反映了广东物流企业生产效率总体水平的年度变化情况。在研究的时间内, 广东物流生产效率出现下降的趋势。2009~2012年间整体生产效率降了4.1%, 这可能与以下因素相关。

4.3.1 国内外经济环境影响

全球经济依旧低迷不振, 运输供求矛盾不断加剧, 国内沿海运输市场行情低位运行的基础上持续走弱。航运市场继续低迷, 全行业面临亏损局面。

2012年我国经济发展增速均呈放缓态势。全年国内生产总值为51.9万亿元, 同比增长7.8%, 增速较上年同期下降1.4个百分点。大宗散货商品需求总体面临较大压力, 一定程度影响了国内水运需求。

4.3.2 物流行业内部因素影响

近年来, 国内港口总体产能增长较快。珠三角地区及周边区域在港口建设发展的群体化格局中, 港口产能结构性过剩以及无序竞争局面已有所显现。

由于珠三角地区各项生产要素成本不断上升, 以及环境保护措施不断强化, 制造业及产品出口呈现缩减状态, 直接影响港口航运企业未来成长。

第三方物流企业服务水平不高, 服务形式单一。物流增值功能少, 没有实现从原材料到销售的整个供应链的全程网络化服务。物流信息化技术程度不高, 企业与客户缺乏合作与信息资源共享, 影响第三方物流企业的生产效率。

总体而言, 可以看出影响广东物流企业生产效率的因素主要来源于技术变动, 这表明广东物流企业更应该不断引进先进物流技术, 提高物流技术, 利用先进物流技术提高生产效率。对于技术效率和规模效率, 广东物流企业的发展趋势比较好, 总体上升。

5 结论

本文利用DEA Malmquist生产效率变化指数对广东物流企业全要素生产效率的变化情况进行分析, 发现广东物流企业的生产效率下降, 其中技术变动是影响广东物流企业效率发展呈下降趋势的主要因素。同时, 结合企业发展战略, 资源配置的内部因素, 以及国内外经济发展状况、产业发展等外部因素对引起效率变化的原因进行了分析, 表明良好的国内外经济环境与产业发展政策能提高物流企业生产效率;同时企业内部发展战略、资源的合理配置与利用, 对物流企业的发展有促进作用。所有这些对物流企业管理者对物流企业的效率评价具有一定的启示作用。

参考文献

[1]Amer Hamdan, K.J.Rogers.Evaluating the efficiency of 3PL logistics operations[J].Production Economics, 2008 (113) .

[2]Andrew Chi-lok Yuen, Anming Zhang, Waiman Cheung. Foreign participation and competition:A way to improve the container port efficiency in China[J].Transportation Research Part A, 2013 (49) .

[3]Caves, Douglas W., Christensen, Laurits R.and Diewert, W.Erwin1982a, Multilateral comparison of output, input and productivity using superlative index numbers, Economic Journal, 95 (365) .—1982b, The economic theory of index numbers and the measurement of input, output and productivity, Econometrica, 50 (6) .

[4]Fre, Rolf, Grosskoff, Shawna and Lindgren, Bjrn and Roos, Pontus, 1992, Productivity changes in Swedish Pharmacies 1980-89:A Nonparametric Malmquist Approach, Journal of Productivity Analysis, 3 (3) .

[5]邓学平, 王旭, Ada Suk Fung Ng.我国物流企业生产效率与规模效率[J].系统工程理论与实践, 2009, 29 (4) .

全要素电能效率 第3篇

在公司管理或者治理的过程中,经常会遇到需要对一些相同性质的单位进行效率评价的问题。在效率评价方面有很多方法,但是总体来看这些方法大部分都局限于单产出,而DEA ( Data Envelopment Analysis) 方法在处理多输出问题时有其绝对的优势。

1.1DEA模型及DEA超效率模型

DEA ( Data Envelopment Analysis) 方法是一种非参数的效率分析方法,最早是由著名运筹学家A. Chames、 W. W. Cooper和E. Rhodes于1978年提出的。而在我国该方法最早是由魏权龄学者引进并逐步发展起来的,相关书籍有魏权龄 《评价相对有效性的DEA方法》( 1987) 等。

利用DEA方法进行效率评价时,经常会遇到多个决策单元同时有效 ( 效率值为 “1”) 的情形,这时上述模型就无法对这些决策单元进行排名。而超效率模型恰好可以解决这个问题。

当利用DEA超效率模型计算无效决策单元的超效率值时,其计算结果与相应的DEA模型相同。但是当计算有效DEA决策单元的超效率值时,其结果会不同,此时计算出来的超效率值大于1。例如,计算出的超效率值可能会是1. 85,它的含义是: 即使该决策单元再按照85% 的比例增加投入,同样可以在所有的决策单元集合中保持相对有效。

1.2Malmquist生产率指数法

早在1953年Malmquist就提出了Malmquist指数,但这一方法在当时并未得到广泛应用。直到后来有一些学者将该方法与DEA方法相结合,才使该方法广泛应用于各生产部门的生产力测算中。Malmquist生产率指数法是基于距离函数 来计算的,在规模报 酬不变的 条件下, Malmquist生产率指数 ( MPI) 可分解为综合技术效率变化指数 ( EC) 和技术进步指数 ( TC) 。进一步,综合效率变化指数 ( EC) 又可以分解为纯技术效率变化指数 ( PEC) 和规模效率变化指数 ( SEC) 。即MPI = EC × TC = EC × SEC × PEC。

2数据来源及说明

下面我们用上述DEA模型和DEA超效率模型对我国19家上市高速公司进行效率分析。分析主要分两部分: 首先利用2012年的相应财务数据对19家上市高速公司进行效率分析; 第二部分是利用2011年和2012年的财务数据,运用Malmquist生产率指数法对19家上市高速公司全要素生产率的变化进行分析。

本文中用到的数据全部来自2011年、2012年各公司年报。

关于投入指标和产出指标的选择,本文结合数据的可得性和高速公司自身的特点,选取了以下指标 ( 见表1) 。

3实证分析

3.1效率分析

效率分析部分根据以上指标的财务数据,利用DEA模型和超效率模型进行分析,计算中用到了deap2. 1和EMS软件。计算结果如表2所示。

3.1.1综合技术效率分析

计算结果显示,19家上市高速公司中有10家达到了DEA有效,综合技术效率的平均值为0. 906。这说明我国的高速公司总体上效率水平比较高。但是海南高速的综合技术效率只有0. 628,无论是与DEA有效的公司相比还是与综合技术效率的平均值相比,都有很大差距,这也说明该公司在经营管理方面还有很大改进空间。

3.1.2纯技术效率分析

对于10家DEA有效的高速公司,当然他们也是技术有效的。而在剩余9家非DEA有效的公司中有2家是技术有效的,有7家是非技术有效的。结果显示,龙江高速和湖南投资是技术有效的。说明这两家公司在经营管理方面的效率已经相对达到最优,没有达到综合技术有效的原因是其处于非规模有效状态。要想提高他们的综合效率水平只有适当的扩大或缩小经营规模。例如,龙江高速和湖南投资都处于规模报酬递增阶段,所以适当扩大生产规模可以提高综合技术效率。而其余7家非技术有效公司则可以通过改善经营管理水平来达到相对有效状态。

3.1.3规模效率分析

除了10家DEA有效的公司外,其他的公司都是非规模有效的。对于这些非规模有效的公司,只有适当的扩大或减少生产规模来提高综合技术效率。

3.1.4超效率分析

利用超效率模型可以计算出各公司的超效率值。结果显示,虽然10家DEA有效公司的综合效率值都为 “1”, 但是他们的超效率值却差异很大。例如,排名第一的粤高速A和排名第十的山东高速的超效率值存在很大差异。 这也说明他们之间效率水平有一定差别,但是从基础的DEA方法来看,他们是一样的,无法对其进行排序。

3.2Malmquist生产率指数分析

利用Malmquist生产率指数对我国高速公司全要素生产率的变化进行分析,计算中用到了deap2. 1软件。计算结果如表3所示。

结果分析如下:

平均水平来看,从2011年到2012年MPI指数为0. 905,可见全要素生产率是下降的。综合效率指数EC为1. 003,说明这些高速公司总体上效率水平略有提高, 但是技术效率指数TC只有0. 902,所以全要素生产率水平的下降是由于技术效率的降低引起的。而导致技术效率降低的原因可能是以下几点: ①公司员工不能及时学习接受新的技术教育,相关培训不到位。②公司不能及时更新和提供新技术设备。③从各公司年报可以看到,较2011年所有公司的职工人数都有一定增长,个别公司涨幅很大,这就可能会出现人员冗余现象,也可能会进来不少不符合相关技术要求的人员,从而导致公司整体技术效率下降。④鉴于高速公司的特殊性,其主营业务 需要投入很大固定成本,但是其所带来的收益却是相对较少且是持续的。所以,如果将大量的资金运用到这些基础建设上,必然会使投入到技术方面的资金减少,这也会导致技术效率降低。

4结论

我国高速公司的整体效率水平较高,但各公司效率水平存在很大差异,引起差异的原因可能是多方面的。首先,公司自身的经营管理理念和发展战略的不同会导致他们之间效率存在差异。其次,由于各公司所处地理位置不同,各地区的宏观政策、经济发展水平和特殊的外部环境也可能是引起差异的原因。然而,对于外部环境和宏观政策方面公司无法控制,所以为了提高效率水平,各公司应该更加注重自身管理和规模的完善。根据各公司技术和规模的具体情况,努力提高经营管理水平,同时适当的改变经营规模,使其处于相对高效的状态。

全要素生产率变化分析结果可以看出,全要素生产率水平降低的主要原因是技术水平的下降引起的。上文已指出可能导致技术效率下降的原因,现结合以上原因给出几点建议: ①公司应当定期对员工进行技术培训,提高自身业务水平。②公司应当及时更新已经老化的设备,及时引进新技术。③公司在招聘员工时,应更多地考虑该应聘者的自身素质是否符合本公司的技术要求和技术特点。只有公司的要求与员工的条件相匹配时才能更好地发挥员工的个人能力。而对于人员冗余的问题,各公司应当结合自身情况,加强内部控制和管理。④由于高速公司需要投入的成本大,而收回成本所需时间长,这就可能导致本来应当投入到提高技术水平方面的资金被挤占。对于这个问题, 公司应当合理分配资金,同时应采取适当措施保证投入到各方面的资金都能落到实处。

摘要：本文首先利用DEA模型和DEA超效率模型对我国上市高速公司进行了效率评价,并利用Malmquist全要素生产率指数法对全要素生产率的变化进行了分析。DEA模型分析结果表明,我国上市高速公司的综合效率较高,但是各公司之间差异较大。Malmquist指数分析结果表明,我国上市高速公司从2011年到2012年综合效率水平略有提高,但是纯技术效率水平有所降低,而规模效率基本没有变化。最后根据以上分析结果提出了相应建议。

全要素电能效率 第4篇

目前, 对制造业和农业等产业的全要素生产率研究比较成熟和丰富, 但是对文化产业全要素生产率的研究却十分匮乏, 且研究主要集中在技术效率方面 (如王家庭等, 2009;蒋萍和王勇, 2011等人) 。全要素生产率主要由技术进步、技术效率、规模效率和配置效率构成 (Kumbhakar和Lovell, 2003) 。从这个角度来看, 忽略技术进步、规模效率来等来讨论文化产业全要素生产率是不合适的。

本文研究的主要问题是自文化体制改革后, 我国文化产业全要素生产率的状况及其主要驱动因素。前者能够明确文化体制各阶段文化产业全要素生产率变化情况和相应的各省份现状, 以及文化产业各细分行业全要素生产率的变化特征;后者从技术角度来探索驱动全要素生产率变动的主导因素是什么。

一、文化产业全要素生产率估计及分解

对于文化产业全要素生产率的衡量, Diewet (1992) 认为现阶段对生产率的衡量大致可以分为增长核算法和指数法, 而增长核算法无法解释生产率变化的原因。应用指数方法可以构造Fisher指数和Tornquist指数来衡量生产率的变化, 但是该方法需要对生产者行为作出假设 (Kumbhakar and Lovell, 2003) 。如果采用非参数或参数计量分析方法就可以方便得到Malmquist指数, 该方法不需要对价格信息和对生产者行为作出假设。另外, 该指数可以对生产率变化原因进行解释。

本文主要采用三阶段DEA-Malmquist指数, 分析我国文化产业含义全要素生产率增长的动力源泉。根据Ray和Desli (1997) (后文简称RD) 的方法, 本文将Malmquist生产指数定义在基准技术之上, 以便获得基于t期和t+1期基准技术的Malmquist生产指数:

根据Fisher (1922) 方法, 本文将Malmquist综合生产指数定义为上述二者的几何平均数:

按照RD (1997) 的指数分解方法, 可以把规模报酬可变的技术效率分解为规模效率和纯技术效率两个部分。因此, 全要素生产率分解为:

分解式的第一项Techch表示技术进步变化情况, Pech表示纯技术效率变化情况, Sech表示规模效率变化。然而Fried等 (2002) 提出该模型没有考虑环境效应、随机误差及管理效率等因素的对技术效率的影响, 而实际厂商的技术效率可能受到这些因素的干扰, 他们建议采用随机成本模型 (SFA) 来分离环境和噪音影响, 以保留管理无效率影响。

其中Sni表示第i个文化企业在第n项投入或者产出上的总松弛, 主要来自径向移动和松弛移动, 可以通过第一阶段DEA模型的BBC模型获取, Zi为环境变量, vni为随机扰动项代表了随机运气, 服从N (0, σ2nv) , uni为管理无效率项。本文假设服从半正态分布N+ (0, σ2un) , 利用ui条件期望估计管理无效率:

将环境影响和管理无效率从总体松弛中分离出来, 以得到噪音项:

其中表示噪音响的v估计值, 表示环境影响因素, 将值带入到SFA方程中获得。基于最有效的决策单位, 本文以其投入项或者产出项为基准, 对其他决策单位的投入或产出进行调整, 以便达到将所有厂商放置在相同境地。

其中X*ni表示调整后的投入或者产出, Xni表示原始投入或者产出, 方程右端第二项表示受环境影响最大厂商与第i个厂商之间的差距, 从而使所有的厂商都处于相同的经营环境当中;第三项表示运气最差厂商与第i个厂商之间的差距, 以此使所有厂商具有相同的运气。

第三阶段:根据调整后的投入要素和产出数据, 重新运行传统DEA-Malmquist模型, 可以计算出无环境影响和噪音影响的全要素生产率。

二、变量与数据

要对文化产业全要素进行估算, 需要设计到三类变量:第一是产出数据, 第二是投入数据, 第三是环境变量, 以上数据主要来自《中国文化文物统计年鉴》和《中国统计年鉴》。第一, 衡量文化产业产出的指标有总产出、增加值、营业收入等, 由于总产出包含了增加值、中间消耗等, 本文采用文化产业增加值来衡量, 并用“文娱用耐用消费品及服务”指数对其平减。第二, 本文收集各行业的年末从业人员数, 并汇总成为全行业从业人员。第三, 文化产业资本存量数据不能直接从统计年鉴中获取, 而需要按照一定方法进行估算。本文采用永续盘存法进行估算, 以文化产业的新增固定资产时间序列作为投资, 以各地区固定资产投资指数对其平减, 通过文化产业折旧额和固定资产原值来估计折旧率, 采用基期的固定资产投资额除以后面一段时间内投资增长的几何平均数和折旧率之和, 以此作为初始资本存量, 再采用永续盘存法估算各地区各期资本存量。第四, 环境因素。Fried等 (2002) 指出环境因素可能对技术效率造成影响。参照蒋萍和王勇 (2011) 的做法, 本文选择各省平均受教育年限作为教育因素, 文化财政支出占各省财政总支出比重作为政府扶持力度, 金融部门年末贷款余额占各省GDP比重作为金融发展程度, 城市化率作为城市公共环境, 人均文化消费作为经济发展因素。

三、文化产业全要素生产率估计及分解分析

(一) 三阶段DEA-Malmquist指数估计和分解

第一阶段:初始Malmquist指数估计的文化产业全要素生产率及分解。表1显示了中国1999-2009年文化产业各年整体全要素生产率及其分解项, 表1的最后一列是文化产业全要素生产率, 第二列和第三列是技术效率变化率和技术进步变化率, 第四列和第五列示对技术效率变化率进行分解:纯技术效率和规模效率, 可以看出中国文化产业自1999年以来全要素生产率增长了9.8%, 而这种增长的驱动因素是什么呢?从技术效率变化情况来, 其年均增长率为0, 而技术进步变化率为9.8%。因此, 可以看出中国文化产业全要素生产率的改善源自于技术进步的改善, 而技术效率对全要素生产率的贡献几乎为零, 主要原因在于虽然配置效率有所改善 (增长了1%) , 但是其纯技术效率却恶化了1%, 二者正好抵消, 致使技术效率几乎没有改善。

但是, 这种结果是可靠的吗?在中国文化体制改革推进阶段, 整个文化领域受到政府控制比较严重, 文化产业的运行和管理会受到计划经济管理模式的影响。另外, 从文化产业资本存量的变量趋势可以看出文化产业发展也会受到经济环境的影响, 如果不考虑环境因素来分析, 文化产业全要素生产率可能是不可信的。

第二阶段:利用SFA模型对文化产业投入产出环境分析及调整。利用初始投入产出变量, 再次运行DEA (MULTI-STAGE) 模型可以得到两个投入变量的松弛情况, 存在的原因是受到环境、噪音和管理无效率的影响。基于以上两个投入松弛变量, 以环境变量作为解释变量构建成本型SFA模型, 以期分离出环境和噪音对投入变量的影响。

注:***, **, *分别表示在1%, 5%和10%水平下显著, 括号内为标准误。

按照上述分析将数据带入Frontier4.1中可以估计出各环境变量的参数, 见表2。根据表2估计结果, 本文选择环境影响变量对投入要素具有非常强的显著性, 平均来说环境变量对资本的影响要大于劳动。另外, 根据γ的值可以看出管理无效率在联合误差中扮演重要作用, 具体来说在资本方程中, 管理无效率在联合误差中的比重为87.8%, 劳动方程中比重为81.1%;同时, 根据似然比检验结果显示采用成本SFA是合适的, 证明管理无效率确实影响了整个投入产出情况。

通过上面估计的参数, 将投入变量中的关于环境和噪音的影响分离出来, 从而得到管理无效率对投入产出的影响, 并通过后文的技术效率加以呈现。通过对比可以看出调整前的投入要素要比调整后的投入要素小一些, 主要原因是本文采用向上调整, 即将所有省份调整到相同的环境状况下。因此, 环境影响较小和运气较好的省份, 其投入会增加一部分, 而那些受此影响较大的省份, 其投入只会增加较小部分, 该结果再次说明剔除环境和噪音影响的重要性。

第三阶段:调整后Malmquist指数估计的文化产业全要素生产率及分解。将调整后的投入变量和初始产出变量带入到Deap2.1中, 可以得到经调整后的全要素生产率情况。为了便于比较, 本文将初始结果与调整后的结果放在了一起, 见表3。表3显示如果不考虑环境和噪音项对投入项的影响, 会导致估计的全要素生产率不准确。具体说来, 调整前全国文化产业全要素生产率11年的平均值为1.098, 调整后的值为1.121, 未考虑环境影响总体来说会低估文化产业全要素生产率。另外, 如果分年来看, 除了2000年和2007年外, 其他年份文化产业全要素生产率均高于未调整的。以上还表明我国文化产业全要素生产率自文化体制改革后得到了改善, 平均来说改善了12.1%。

由于管理无效率最终通过技术效率反映出来, 对比调整前后的技术效率也能看出分离环境和噪音影响的必要性。总体来说调整前的文化产业技术效率要低于调整后1.8%, 分年来看这种差异更为明显。比如2004年, 未调整前的文化产业技术效率只有47.6%, 而调整后却到达91%, 因此环境和噪音造成效率损失高达42.4%。从指数分解情况来看, 文化产业技术效率和技术进步都得到了改善, 同时技术进步对文化产业全要素生产率的贡献高于技术效率。但是, 具体到技术效率, 其中纯技术效率实际上是恶化的, 平均恶化了2%, 而规模效率改善了3%。以上分析表明中国文化产业技术效率和技术进步在不同程度上受到环境较大影响, 而技术效率还受到管理无效率的影响。

图1报告了我国文化产业全要素及其分解的总体趋势, 从全要素生产率来看, 文化产业在1998-2009年间呈上升趋势, 表明全要素生产率有所改善。值得注意的是2007-2008年有所下降, 主要原因是国际金融危机导致文化产业投资下降和技术进步下降所致, 2008年后又有所恢复。技术进步和技术效率在2003年之前一直比较平稳, 但是技术效率一直处于较低的位置。2003年之后, 二者皆出现了较大的波动, 本文将这种波动原因归结为2003年我国实施文化体制改革所产生的影响, 实际上2002年11月中央就提出推进文化体制改革, 并在随后的一年选定了部分省份作为试点, 主要对文化事业单位和文化经营单位进行改革, 前者以提高效率为主, 后者以提高创新水平为主。因此, 可以看到2003-2005年技术效率和技术水平的较大波动。随着改革的深入, 2006年后文化体制改革在全国范围推广, 对技术效率和技术进步产生的影响更为巨大, 从二者的波动性也可以看出来这些改革最终对文化产业全要素生产率起到了促进作用。

(二) 文化产业全要素生产率区域差异分析

为了进一步考察不同区域文化产业发展特点, 本文将全国划分为东部地区、中部地区、西部地区和东北部地区, 并利用三阶段DEA-Malmquist指数分别计算出各省分年全要素生产率指数及其分解项, 再计算出各省份11年期间的平均数, 最后计算各区域平均数, 结果见表4。表4显示调整后文化产业全要素生产率比调整前要高, 全国均值要高出2.3%, 各区域差距较大的是中部和西部地区, 调整前后相差4.1%, 东北部调整前后变化不大, 差距只有1.1%。从指数分解来看, 文化产业全要素生产率调整前后的差异源自于技术效率的差异, 这再次说明环境因素会对技术效率产业影响, 而对技术进步影响较小。调整后技术效率变化最大的是中部地区, 相差2.6%, 其次是西部地区相差2.3%, 东部和东北部相差较小。

另外, 调整后各区域技术效率改善的是东部、中部和西部地区, 而东北部地区技术效率恶化, 技术进步变化情况总体来说变化不大。关于技术效率的分解情况, 本研究发现全国文化产业技术效率改善的原因是文化产业规模效率得到了改善, 而其纯技术效率实际上是下降的。这种情况在四大区域表现突出:东部纯技术效率最高0.997, 其次是西部0.990, 最低中部和东北部地区的是只有0.982。四大区域纯技术效率都低于1, 可以看出全国文化产业纯技术效率并没有提高。从中还可以看出西部地区纯技术效率最近几年得到了提升, 以及超越了中部和东北部地区了。从技术效率的规模效率方面来看都大于1, 中部最高, 其次是西部, 东北地区依然是最低的。以上分析表明中国文化产业全要素生产率确实存在区域差异, 虽然自文化体制改革后有所提升, 但是整体水平仍不高, 其中技术进步对文化产业全要素生产率的贡献较大, 而技术效率中纯技术效率持续恶化, 但规模效率得到了提升。

(三) 文化产业全要素生产率的行业差异

按照《中国文化及文化统计年鉴》分类标准, 实际上文化产业可以分为艺术业 (包括艺术表演团体和艺术表演场馆) 、图书馆业、群众文化业、艺术教育业、文化市场经营机构、文艺科研和文物业等行业, 那么每个行业全要素生产率又是怎么样的, 是否也存在显著差异呢, 各行业全要素生产率的驱动因素又有何不同呢。

1. 文化产业行业结构特征。

本文主要统计了8个细分行业增加值、固定资产原值和从业人员占整个文化产业的比重, 结果显示文化市场的增加值、固定资产原值和从业人员所占比重最大, 其均值分别为74.57%、71.17%、73.52%, 而文艺科研和艺术教育规模较小。

2. 文化产业各细分行业的全要素生产率及其差异分析。

从表5可以看出1998-2009年年间全要素生产率最高的是艺术教育业, 达到1.15, 换言之, 2009年相较于1998年, 艺术教育平均增长了15%, 文艺可以与之相似, 但是从增长原因来看二者既存在相似之处又存在差异:相同之处在于技术进步贡献都较高, 特别是文艺科研技术进步是所有行业最高的, 不同之处在于艺术教育技术效率得到了改善, 而文艺科研技术效率恶化了3%。

值得关注的是文化市场, 其全要素生产率时所有行业最低的, 只有1.075。虽然文化市场总产值较高, 其增加值占了整个文化产业的74.57%, 但是这种高比例产出源自于高投入, 其固定资产投入和劳动投入分别占比为71.71%和73.52%, 而其全要素生产率并没有得到显著的改善。进一步分析, 发现整个文化市场的技术效率只有0.991, 这其中纯技术效率只有0.983, 规模效率只有1.008, 技术进步也较低只有1.084。总而言之, 文化市场还存在管理效率低下, 没有形成规模效应, 技术进步较慢, 这些因素导致了文化市场全要素生产率的低下。艺术业全要素生产率得到了改善, 其均值为1.143, 变化的原因是技术进步较快, 艺术业内部存在不均衡, 其中艺术表演团体全要素生产率高于艺术表演场馆, 但是后者技术进步高于前者, 二者的技术效率都比较低。

四、研究结论与建议

本文采用三阶段DEA-Malmquist面板模型, 考察了中国各省市自1998年以来文化产业整体、地区间和行业间生产效率和全要素生产率增长率变迁。在此过程中详细区分了环境因素、管理无效率、噪音项对投入产出数据的影响, 从而得到了更加可靠的文化产业全要素生产率, 并将其系统分解为技术进步、纯技术效率和规模效率三项, 能够有效区分文化产业全要素生产率增长的动力源泉, 并得到如下结论:

第一, 文化产业全要素生产率2002年以前呈上升趋势, 2007-2008年有所下降, 主要原因是国际金融危机导致文化产业投资下降和技术进步下降所致, 2008年后又有所恢复。

第二, 技术进步和技术效率在2003年之前一直比较平稳, 但是技术效率一直处于较低的位置, 2003年之后, 二者皆出现了较大的波动。原因是2003年我国实施文化体制改革所产生的影响, 对文化事业单位和文化经营单位进行改革, 前者以提高效率为主, 后者以提高创新水平为主, 改革对文化产业全要素生产率起到了促进作用。另外, 文化产业全要素生产率的主要推动因素是技术进步, 而技术效率中纯技术效率持续恶化, 但规模效率得到了提升。

第三, 文化产业全要素生产率存在较大的地区间性, 其中东部地区最高, 中部地区次之, 东北地区和西部地区最低, 地区经济发展程度、金融市场完善程度、政府财政支持力度、城市化进程和初始人力资本文化产业生产效率产生重要影响。

第四, 文化产业全要素生产率在个细分行业间也表现出较大的差异性, 其中全要素生产率最高的是艺术教育业, 而文化市场最低。技术进步依然是各地区生产率的重要推力, 而纯效率和规模报酬没有得到改善。

上述结论对进一步推进文化体制改革有意义:改变传统依靠大量的投入来驱动文化产业增长的方式, 加强文化科技创新和技术引进。因此, 文化体制改革推进中应进一步明确政府和市场的关系, 政府减少文化产业的行政管制, 塑造能够自有进出、自由竞争的文化市场主体, 以此不断提升文化市场主体的管理效率;应该依靠市场力量引导和促进文化企业集团跨区域、跨所有制兼并重组, 提升文化产业的规模效率。

参考文献

[1]陈永伟, 胡伟民.价格扭曲、要素错配和效率损失:理论和应用[J].经济学 (季刊) , 2011 (4) :1401-1422.

[2]Battese G E, Coelli T J.A model for technical inefficiency effects in a stochastic frontier production function for panel data[J].Empirical economics, 1995 (2) :325-332.

[3]Zieba M, Newman C.Understanding production in the performing arts:a production function for German public theatres (Trinity Economic Papers, 0707) [J].Dublin, Irlanda, 2007.

[4]王志刚, 龚六堂, 陈玉宇.地区间生产效率与全要素生产率增长率分解 (1978-2003) [J].中国社会科学, 2006 (2) :55-66.

[5]陈诗一.能源消耗、二氧化碳排放与中国工业的可持续发展[J].经济研究, 2009 (4) :41-55.

[6]王家庭, 张容.基于三阶段DEA模型的中国31省市文化产业效率研究[J].中国软科学, 2009 (9) :75-82.

[7]蒋萍, 王勇.全口径中国文化产业投入产出效率研究——基于三阶段DEA模型和超效率DEA模型的分析[J].数量经济技术经济研究, 2011:69-81.

[8]Kumbhakar S C, Lovell C A K.Stochastic frontier analysis[M].Cambridge University Press, 2003.

[9]Diewert W E.The Measurement of Productivity[J].Bulletin of Economic Research, 1992 (3) :163-198.

全要素电能效率 第5篇

国家实施西部大开发战略以来, 新疆充分发挥了国家的政策优势和资源优势, 经济建设和社会事业取得了巨大成就。尤其是2010 年中央新疆工作座谈会召开以来, 国家给予了新疆更多优惠政策, 十九省市对口援疆, 新疆的经济发展步伐显著加快。然而, 在经济高速发展中也暴露出以资源高污染、高消耗为特征的粗放型经济增长的问题。这不仅造成了巨大的资源浪费与效率低下, 而且还严重破坏了地区环境。

面对日益严峻的能源和环境问题, 政府分别从宏观和微观层面开展了一系列节能减排实践。然而, 由于经济增长中存在惯性, 在较短的时间内通过减少能源的消耗来降低环境的污染效果有限。因此, 提高能源效率成为降低二氧化碳排放量的最有效途径。很多学者用能源强度来衡量一个地区的能源效率, 但由于能源强度是一种单要素效率指标, 它只衡量了能源投入与经济产出之间的一个比例关系, 没有考虑其他投入要素的影响, 具有明显的缺陷。而全要素能源效率是在考虑了其他投入要素的基础上来衡量能源投入与经济产出之间关系的, 因此全要素能源效率具有单要素能源效率无法替代的优势。Hu和Wang ( 2006) 引入全要素能源效率的概念, 并运用DEA方法测算了1995—2002 年中国各地区的全要素能源效率。徐国强 ( 2007) 采用30 个省的面板数据分析1998—2005 年八大经济区域全要素能源效率。庞瑞芝等 ( 2009) 利用中国工业部门35 个行业1994—2007 年统计数据, 对转型期间工业部门全要素能源效率进行了分析。严菲、谭忠富等 ( 2010) 利用DEA方法对内蒙古的全要素能源效率进行了测算分析。

能源效率与碳排放量之间具有紧密的关系, 能源效率是影响碳排放量的关键因素之一, 提高能源效率能有效减少碳的排放量。但由于缺少相关实证研究, 从而未能对两者的关系做出明确的解释。鉴于此, 本文试图从以下几个方面对新疆全要素能源效率和碳排放量的关系进行实证研究: 首先利用DEA方法测算1990—2011 年新疆的全要素能源效率; 其次, 通过协整检验对新疆全要素能源效率和碳排放量之间的关系进行实证分析; 最后做出两者之间的误差修正模型并得出结论和建议。

二、研究方法与数据处理

1. DEA方法

本文是基于数据包络分析 ( DEA) 的基础上来测算新疆的全要素能源效率的。DEA方法是以相对效率为基础, 用于评价具有相同类型的多投入、多产出的决策单元是否技术有效的一种非参数统计方法。该模型有输入导向型和输出导向型两种, 本文采用输出导向型的模型。 把新疆的每一年作为一个决策单元, 假设每一个决策单元的投入要素为X = ( K, L, E) , 其中K表示资本投入, L表示劳动投入, E表示能源投入; 每一个决策单元的产出要素为Y, 其中Y表示新疆每一年的地区生产总值。

2. 变量与数据说明

本文以1990—2011年为样本观测区间, 选取各年的资本存量、劳动力、能源消费量作为投入要素, 以新疆历年生产总值为产出要素来进行能源效率分析。

GDP产出: 新疆历年的GDP和GDP平减指数来源于1991—2011 年新疆统计年鉴, 并以1990 年为基期进行换算。

资本存量 ( K) : 一般采用“永续盘存法”来估计每年的实际资本存量, 即以前一年的实际固定资本存量值扣除折旧, 加上当年的实际固定资本投资额获得。此处主要参考了张军等人的研究成果, 固定资产折旧率取9. 6%。

劳动力 ( L) : 劳动力用历年全社会从业人员人数来表示, 数据主要来源于历年《新疆统计年鉴》。

能源 ( E) : 能源投入量用各年的能源消耗量来表示, 主要数据来源于历年《中国能源统计年鉴》和历年《新疆统计年鉴》, 已经折算成标准煤。

碳排放量: 碳排放量用二氧化碳排放量表征。由于统计年鉴上并没有二氧化碳排放量的数据, 本文参照蒋金荷 ( 2011) 的方法测算了新疆1990—2011 年各年的碳排放量, 再按照二氧化碳气化系数 ( 44: 12) 计算二氧化碳排放量, 单位为万吨。

三、全要素能源效率的测算及与碳排放量关系分析

本文利用Deap2. 1 软件对新疆1990—2011 年各年的全要素能源效率进行了估算。通过对1990—2011 年新疆二氧化碳排放量数据的分析可知, 随着经济的增长, 二氧化碳排放量也在逐年增加, 表明新疆的经济增长严重依赖于能源的高投入和高消耗。为了梳理出全要素能源效率与碳排放量的关系, 本文选取二氧化碳排放量强度 ( 即生产一单位GDP所排放的二氧化碳量) 作为因变量来分析全要素能源效率与碳排放量的关系 ( 见图1) 。

由图1 可以看出, 1990—2011 年新疆全要素能源效率总体上变动比较平稳并呈现上升的趋势, 而二氧化碳排放量强度呈现总体下降的趋势, 两者之间在总体上呈反向变动趋势。进一步观察可以发现, 全要素能源效率在1994—1996 年这三年出现了快速上升, 与此相对应的二氧化碳强度在这三年出现了快速下降; 全要素能源效率在2000 年和2009 年分别出现了下降, 二氧化碳强度在这两年正好略微上升了一定幅度。这说明碳排放量与能源效率之间不仅存在密切的联系而且存在一定的反向变动趋势关系, 能源效率的提升可以在相当程度上减少二氧化碳的排放, 相反能源效率的降低也可以在相当程度上增加二氧化碳的排放。

四、全要素能源效率与碳排放量关系的实证研究

为了进一步分析新疆全要素能源效率和二氧化碳排放量之间的关系, 下面通过建立计量经济模型来进行探究。在计量模型变量的选择上, 以二氧化碳排放量强度为被解释变量, 以每年的全要素能源效率作为解释变量, 并对上述数据取对数, 分别记为LnC和LnTfee, 以避免回归模型中可能出现的异方差问题。其一阶差分分别记为 △LnC和△LnTfee。

1. 单位根检验

在对时间序列数据进行协整分析之前, 首先要对时间序列数据进行单位根检验, 否则进行的估计就会出现 “伪回归”的可能性。本文主要运用ADF检验法对变量进行平稳性检验, 检验结果见表1。

从表1 的检验结果可以看出, LnC在5% 和10% 的显著性水平下都是平稳序列, 但在1% 的显著性水平下是非平稳序列; LnTfee在1%、5% 和10% 的显著性水平下都是非平稳序列。两者的一阶差分△LnC和△LnTfee都是平稳序列, 因此满足进行协整检验的条件。

2. 协整检验

协整检验从检验对象上可以分为两种: 一种是基于回归系数的协整检验, 如Johansen协整检验; 另一种是基于回归残差的协整检验, 如DF检验、ADF检验等。本文主要采用第二种方法进行协整检验。

首先对LnC和LnTfee进行OLS回归, 得到如下回归方程:

从回归结果可以看出, LnC和LnTfee回归方程的总体F值及各回归系数的检验值都是统计显著的。其次对上述回归模型的残差序列进行单位根检验, 此处选择无截距项、无趋势项的ADF检验, 最终由检验结果可以看出残差序列的t统计量是显著的, 由此可以得出残差序列是平稳的序列, 进而LnC和LnTfee之间存在协整关系。从经济意义上来讲, 新疆的碳排放强度和全要素能源效率之间存在长期稳定的均衡关系, 即全要素能源效率的提高可以在一定程度上减少二氧化碳的排放。

3. ECM模型

前文中的协整检验表明了二氧化碳排放量强度与全要素能源效率具有长期的均衡关系, 为了考察二氧化碳排放与全要素能源效率之间的动态关系, 现通过建立误差修正模型来进一步分析两者之间的动态关系。

根据协整检验的回归模型 ( 1) , 以其残差序列作为误差修正项ecm, 建立如下的误差修正模型:

由模型 ( 2) 可以看出被解释变量的动态特征可以分为两部分, 一部分是短期波动的影响, 一部分是偏离长期均衡的影响。模型中的△LnTfee部分反映了变量的短期波动影响, 在短期内全要素能源效率的变化将引起二氧化碳排放量强度的反方向变化, LnTfee提高1% 将引起LnC降低1. 265033% , 由此可见全要素能源效率的短期波动对二氧化碳排放强度的影响较大。

在模型 ( 2) 中ecm项是误差修正项, 它反映了LnC关于LnTfee的短期偏离。误差修正项的系数为负数, 说明长期均衡趋势的偏离具有收敛性, 其大小反映了模型对偏离长期均衡方程的调整力度。根据估计的结果可知, ecm的估计系数大小为0. 34662, 反映了对偏离长期均衡的修正, 但是修正强度相对较小, t统计量值不显著, 这说明制定减少二氧化碳排放的长期政策执行效果不明显。

五、结论与政策建议

从整体上来看, 新疆全要素能源效率和碳排放量强度之间确实存在反向关系, 即随着全要素能源效率的提高新疆碳排放量强度会相应降低, 随着全要素能源效率的降低碳排放量强度又会相应提高。

通过对全要素能源效率和碳排放量强度进行协整检验分析得出: 新疆全要素能源效率和碳排放量强度之间确实存在长期的均衡关系, 即从长期来看, 新疆全要素能源效率的提高能有效减少二氧化碳的排放。

通过误差修正模型可以得出, 全要素能源效率的短期波动对碳排放量强度的影响较大, 而对偏离长期均衡的调整力度较小, 所以减少二氧化碳排放的长期政策不如短期政策执行效果明显。

由以上结论提出如下建议:

一是能源效率的提高对降低二氧化碳的排放确实具有积极的促进作用, 这意味着在碳排放约束下实现节能减排目标和经济可持续发展的有效途径是提高能源效率。

二是由于减少二氧化碳排放的长期政策执行力度不够, 因此新疆自治区政府部门应该进一步完善相关法律法规, 提升碳排放政策的长期执行能力, 转变经济发展方式并引导产业结构的转型升级, 提高新疆的全要素能源效率, 有效降低二氧化碳的排放。

三是虽然提高全要素能源效率是二氧化碳减排的有效途径, 但也离不开其他因素的共同作用, 因此要想实现新疆经济的可持续发展除了要提高全要素能源效率, 还要积极发挥减排政策的引导作用, 促进能源消费结构的转型升级。

摘要：新疆既是能源大省又是经济相对落后的省份, 正确处理好经济发展和能源消费问题显得至关重要。本文首先采用数据包络分析方法测算了新疆1990—2011年的全要素能源效率, 其次对全要素能源效率和碳排放量及强度进行协整检验, 最后建立两者的ECM模型并得出本文的结论:新疆全要素能源效率与碳排放强度之间存在长期均衡关系, 并且全要素能源效率的短期波动对碳排放强度的影响要大于长期波动的影响, 因此要实现经济的可持续发展离不开全要素能源效率的提高。

关键词：全要素能源效率,碳排放强度,数据包络分析,新疆

参考文献

[1]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—45.

[2]蒋金荷.中国碳排放量测算及影响因素分析[J].资源科学, 2011, 33 (4) :597-604.

[3]李美娟, 陈国宏.数据包络分析法 (DEA) 的研究与应用[J].中国工程科学, 2003 (6) :88-95.

[4]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 (9) :110-122.

[5]李国璋, 江金荣, 周彩云.全要素能源效率与环境污染关系研究[J].中国人口·资源与环境, 2010 (4) :50-57.

[6]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 (9) :49-60.

[7]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 (2) :76-78.

[8]张宇.FDI与中国全要素生产率的变动——基于DEA与协整分析的实证检验[J].世界经济研究, 2007, 14 (5) :14-19.

[9]林勇, 许秀丽.基于数据包络分析的区域全要素能源效率分析[J].生态经济, 2010 (8) , 60-62.

全要素电能效率 第6篇

能源是人类生存和发展的重要物质基础, 也是当今国际政治、经济、军事、外交关注的焦点。能源是国民经济的命脉, 能源问题对社会经济影响巨大。目前, 世界的能源结构仍以化石能源为主, 而化石能源的不可再生性, 以及经济增长所带来的不断扩大的能源需求, 造成了当前能源供求日趋紧张的局面。在此情况下, 提高和改善能源效率是一条重要的解决途径。

目前, 我国的能源需求正处于快速增长时期, 能源缺口不断扩大, 对外能源依赖也迅速提升。2010年以来, 能源依存度就始终保持在10%以上, 而在未来这一数值将进一步扩大。为此, 需要对当前我国乃至世界的能源利用效率水平有一个清晰的认识。能源效率是增长了还是降低了?技术进步、经济规模等因素对能源效率产生什么样的影响?这些都需要实证检验来探寻。

因此, 笔者从国际能源效率差异这一角度进行研究, 以便从全球的视角对我国能源效率问题有进一步的了解, 为制定针对性的节能战略提供参考。

全要素能源效率

1.全要素能源效率

能源, 指的是向自然界提供能量转化的物质。能源的种类繁多, 除传统的石油、煤炭和天然气这样的化石能源外, 各种新型能源也层出不穷。根据不同的界定方式, 能源可分为一次能源和二次能源、常规能源和新型能源、可再生能源和不可再生能源。

能源在经济运行中的地位是不可替代的。传统的多要素生产模型将资本和劳动作为投入要素研究要素生产率, 将能源作为生产要素, 建立一般化的三要素生产函数:Y=Af (K, L, E) 。其中, Y表示产出, K, L, E分别代表资本、劳动、资源三种投入要素。

单要素生产率, 是指单一投入要素和产出之间的关系, 而多要素生产率, 则是各要素加权平均之后与产出之间的关系。全要素能源效率 (Total Factor Energy Efficiency, 简称TFEE) , 即包含能源投入要素生产函数中的全要素生产率。

2.全要素能源效率的衡量

对全要素能源效率的衡量有两种方法:一是给定产出水平下的投入要素最小化;二是与之呈对偶关系的给定投入要素下产出最大化, 即投入导向型和产出导向型。TFEE的值结余0—1之间, 越接近1, 表示能源效率越高, 反之则越低。

研究方法

1.数据包络分析 (DEA)

数据包络分析 (Data Envelopment Analysis, 以下简称DEA) , 是研究多要素能源效率指标中应用最为广泛的方法。许多学者纷纷建立各自的DEA模型, 如Charnes、Cooper、Rhodes (1978) 的规模报酬不变的CCR模型, Banker、Charnes、Cooper (1984) 将之改为规模报酬可变的BCC模型等。而Malmquist指数法虽然提出较早, 但直到与DEA结合后才被广为使用, 从中衍生出基于Malmquist指数的全要素能源效率。

DEA由Charnes等 (1978) 首先提出, 其后由许多学者进行研究和扩展。DEA把单输入、单输出的工程效率概念, 推广到多输入、特别是多输出的同类型决策单元 (Decision-Making Unites, 以下简称DMU) 的有效性评价中。根据各DMU的观测数据判断其是否有效, 本质上是判断DMU是否位于生产可能集的“前沿面”上。在实际应用中, 由于DEA不需要预估参数, 可避免主观因素和简化算法、减少误差, 有着极大的优越性。

2.全要素能源效率DEA分析

笔者将每一个国家作为一个DMU, 构造每一年度各国能源效率的前沿面, 将各个国家能源效率与前沿面对比, 从而得到各国DMU的技术进步和效率变化情况。

假设k国在t时期使用m类型的投入Xtk, n, 得到s种产出Ytk, s, 那么, 生产技术前沿即是在产出给定的情况下, 投入最小化的组合。

笔者采用Fare等 (1994) 的方法, 将Malmquist指数表示的全要素能源效率分解为技术效率和技术进步, 对第i个决策单元的Malmquist指数变化分解为:

其中, 表示决策单元i, 以t期技术表示的当期技术效率水平;Dit (xt+1, yt+1) 表示对第i个决策单元, 以第t期技术表示的第t+1期的技术效率水平;Dit (xt, yt) 表示决策单元i, 以t期技术表示的当期技术效率水平;Dit (xt+1, yt+1) 表示以t+1期技术表示的当期技术效率水平;第一项为技术进步变化指数, 第二项Dit+1 (xt+1, yt+1) ÷Dit (xt, yt) 表示技术效率变化, 可进一步分解为纯技术效率变化和规模效率变化。

当技术效率值大于1, 表示全要素能源效率 (TFEE) 提高;当指标值小于1时, 表示全要素能源效率 (TFEE) 降低;等于1时, 全要素能源效率 (TFEE) 无变化。

数据选取与来源

1.数据选取

笔者以1980—2011年97个国家的劳动力、资本存量和能源消费量为投入要素, 以各国实际GDP作为产出进行全要素能源效率分析。其中, 高收入国家38个, 包括27个OECD国家和11个非OECD国家;中高收入国家27个;中低收入国家22个;低收入国家10个。

2.数据来源

劳动力数量、资本存量 (PPP价格平减后2005年不变美元价格) 和实际GDP (2005年不变美元价格) 来自佩恩世界表PWT8.1 (Penn World Table, version 8.1) ;能源消费量 (百万吨标准石油当量) 数据来自世界银行。

97个样本国家及分组情况, 如表1所示。

实证结果与分析

1.实证结果

将数据导入DEAP2.1软件中, 以投入导向方法求解。

从实证结果看, 在97个国家中有56个国家处在效率前沿面, 全要素能源效率增长率从0.1%—3.8%不等。总体上是进步的5个国家能源效率没有变化, 而剩下的国家全要素能源效率都有下降。1980—2011年, 总体平均增长率为0.26%, 其中纯技术效率贡献最大, 增长了0.59%, 规模效率增长了0.53%, 两者合并后的技术效率增长了1.13%, 但是, 技术进步指数却是负增长, 增长了-0.86%。这些结果表明, 样本国家的全要素能源效率提升, 技术效率改善是主要原因, 但却出现技术退步。说明技术研发和转化利用上还做得不够, 若技术进步改善则全要素能源效率会有更大的提高。

将样本国家按收入分成高、中、低三个组别, 发现全要素能源效率都在增长, 各个样本组的全要素能源效率增长都来自技术效率的改进, 而技术进步指数都在下降。其中, 高收入国家 (1.0021) <中等收入国家 (1.0027) <低收入国家 (1.0042) 。在高收入国家中, OECD国家、非OECD国家的全要素能源效率分别为1.0019、1.0027;而在中等收入国家中, 中高等收入国家为1.0031, 中低等收入国家为1.0023。可见, 全要素能源生产效率存在后发优势, 相对落后的国家其效率增长速度较发达国家更为迅速。具体如表2所示。

从97个样本国家历年的Malmquist全要素效率及其分解看, 全要素能源效率总体上一直保持增长过程, 只有个别年份下降。而技术效率指数和技术进步指数两者始终呈反向变动, 总体上技术进步指数以负值为主, 而技术效率指数则多为正, 很少出现两者同时增长的局面。其中, 几次大的变动时期刚好与世界宏观经济出现波动和经济出现危机时期相符, 说明区域经济发展的不平衡, 宏观经济的发展形势对全要素能源生产率都有很大的影响。在这一过程中, 改善技术效率是样本国家全要素能源效率进步的主要原因。具体如下图所示。

由于篇幅限制, 本文并未列出全要素能源效率的具体结果。

2.实证结果分析

(1) 在全要素能源效率指数增长最快的10个国家中, 低收入国家只有2个, 高收入国家2个, 而中等收入国家则有6个。前10位国家的高效率主要来自技术效率和规模效率的提高, 而技术进步指数的增长只出现在3个国家中。在全要素能源效率退步最大的10个国家中, 只有1个低收入国家, 而高收入国家有5个, 中等收入国家4个。在全要素能源效率下降最多10个的国家中, 技术效率和技术进步都存在下降现象。这一情况符合之前落后国家增长较快的结论。

(2) 在实证结果中, 技术进步指数出现增长的情况是最少的, 只有11个国家, 这也是许多国家全要素能源效率没有增长或增长较少的主要原因。而技术效率指数则普遍有增长, 只有19个国家出现了下降, 而其中仍6个国家的技术效率指数出现了增长。技术进步指数、纯技术效率指数和规模效率指数都出现下降的国家只有4个, 分别是新西兰、荷兰、贝宁、刚果 (布) 。

(3) 我国的全要素能源效率也出现了退步, 在97个样本国家中排名第70位, 下降了0.5%, 主要是由于纯技术效率下降所导致的技术退步, 而技术效率和规模效率都有增长, 分别增加了0.3%和1.1%。

结论与建议

1.结论

笔者采用Malmquist指数, 对1980—2011年97个国家的全要素能源生产效率进行分解研究, 并对样本总体和收入不同样本国家进行了分析, 研究结论为:

(1) 1980-2011年间, 97个样本国家总的全要素能源生产率平均增长率为0.26%, 总体呈进步趋势。其中, 56个国家的全要素能源效率在前沿面, 5个国家不变, 36个国家出现了退步。按收入分组发现, 各组别样本国家的全要素能源效率都有所增长, 而且收入越低的样本国家组增长越大, 即低收入国家>中等收入国家>高收入国家。低收入国家由于基础落后, 生产率低, 发展潜力更大, 速度更快

(2) 技术效率的进步是全要素能源效率增长的主要原因, 而技术进步却只发生在少数国家, 总体上呈负效应。技术效率和技术进步呈反向变动关系, 两者同时增长的情况很少出现, 在宏观经济发生重大变化时, 技术效率指数和技术进步指数也会随之发生大的波动。

(3) 我国在97个样本国家中处于落后地位, 排名第70位。全要素能源效率出现退步, 为0.5%, 主要原因是技术进步的负增长, 其次是纯技术效率的下降, 而规模效率则呈现正向作用。

2.建议

当前, 我国的全要素能源效率出现了退步, 这在全球总体增长的背景下, 不利于我国经济的发展。其主要原因与经济快速发展, 却仍使用高能耗、高污染的发展方式有很大关系。经济总量上的扩大却没带来效率的提高, 而是带来更多、更大的浪费。这一情况不利于我国经济的可持续发展, 必须改变。

科技是第一生产力, 是提高全要素能源效率的根本措施。我国要提高全要素能源效率, 关键应在技术上下手。国家正在大力倡导建设资源节约型和环境友好型社会, 提高能源利用效率是必然要求。

(1) 发展能源利用技术。要从两方面入手:一是积极与其他国家进行生产技术和能源利用技术上的合作。能源利用效率的提高是每个国家都面临的问题, 国际上的通力合作将促使科技更快更好的发展。二是我国还是发展中国家, 科技相对落后, 而发达国家已实现工业化多年, 生产技术和能源利用技术先进。通过国际合作引进这些技术, 提高我国的能源利用效率, 通过多个国家大力引进先进的生产技术和节能技术, 将有助于我国提高能源效率。

(2) 加强自身能源技术的投入。一个国家的发展最主要的还是靠自身的努力。提高能源效率应作为政府的重点发展战略, 加强对科研投入, 提高科研和创新能力, 发展更为先进的生产技术和能源利用技术。在社会上提倡节能减排观念, 对社会和企业的科研给予肯定和支持。同时, 提高对高耗能、高污染产业的限制, 实行更高的税收、信贷政策, 促使企业更加主动地节能减排。

参考文献

[1]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 (8) :66-76.

[2]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 (7) :74-80.

[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 (8) :29-43.

[4]刘战伟.区域全要素能源效率测算及其收敛分析——基于中国省级面板数据的实证研究[J].中国石油大学学报 (社会科学版) , 2011 (5) :7-12.

[5]段文斌, 余泳泽.全要素生产率增长有利于提升我国能源效率吗?——基于35个工业行业面板数据的实证研究[J].产业经济研究, 2011 (4) :78-88.

全要素电能效率 第7篇

关键词：西部地区,全要素能源效率,收敛性,DEA-Malmquist

近年来西部地区经济发展迅速, 1996~2011年我国GDP年均增长速度为11.65%。然而, 我国东西部经济发展水平仍然具有较大差距, 而在能源效率上面差距就更大。我国东部经济发达、资源稀少却能源利用效率高, 西部地区状况则截然相反。陈敏德 (2012) 研究指出, 东部地区能源利用效率平均为0.87, 而西部仅为0.60, 东西部能源利用效率差距巨大。然而, 关于西部地区能源效率在近几年的发展中究竟处于究竟变化如何, 西部地区在不断提高能源效率的同时其内部是否出现能源效率分化现象等方面的问题, 相关研究较为缺乏。因此本文利用DEA-Malmquist指数分析方法, 引入资本、劳动等投入要素, 对1996~2011年西部地区进行全要素能源效率分析, 并建立收敛模型对西部能源效率收敛性进行检验, 以期全面研究西部能源效率发展变化趋势。

1 相关研究进展

国内学者就我国能源效率进行的研究, 起初只是根据能源消耗量和国民生产总值数据进行简单分析, 但这并不能够科学全面的反应我国能源效率变化状况。1996年中国社会科学院张国初研究员对全要素生产率进行了数学推导, 这一方法开始被广泛用于社会生产效率分析。其中郭庆旺 (2005) 在进行全要素效率分析的基础之上对其收敛性进行描述分析, 将全要素分析方法与收敛性问题结合起来。之后全要素生产率方法开始用于能源效率问题研究, 徐国泉 (2007) 采用省际面板数据对我国八大经济区能源效率进行分析, 此后师傅 (2008) 、史丹 (2008) 、屈小娥 (2009) 等又从不同角度进行了相关研究, 来揭示我国区域能源效率差异现象。陈德敏 (2012) 使用1995-2009年数据发现全国省份全要素能源效率经历了一个先上升后下降的过程且存在显著差异, 收敛分析显示我国能源效率的提高促进了各区域经济的收敛。关于西部能源效率状况, 从已有全要能源效率研究结果来看, 我国西部地区能源资源禀赋较高, 而能源效率却全国最低, 但国内学者并未就西部区域内能源效率发展变化情况进行相关研究。

2 研究方法及模型

2.1 全要素能源效率指标与测算方法

本文研究在产出确定的情况下使用最小的投入要素, 我们采用CRS假设下的投入导向的DEA-Malmquist指数模型。

基于DEA的Malmquist指数模型, 是基于距离函数定义Malmquist生产率指数, 利用线性优化方法给出每个决策单元的边界生产函数的估算, 进而对效率变化和技术进步等指标进行测度。Malmquist生产率指数变动值就是全要素生产率TFP的变动值。在实证分析中, 经过一定处理方法得到的Malmquist指数具有良好的性质, TFP可以分解为效率变化指数TE和技术进步指数TP两项, 进一步分解也可得出规模效率变化指数等。

设有H个主体, 其中第h个主体t期投入为Xht= (Kht, Lht) ′, Kht为资本存量投入, Lht为劳动力投入, t期的产出为yit。第h个主体t+1期全要素生产率增长的Malmquist指数为:

Dht (xht, yht) 为距离函数 (p, q=t, t+1) 。当全要素生产率增长指数大于1时, 表明全要素生产率增长为正, 反之则表明全要素生产率增长为负;式子 (1) 还表明Malmquist指数运用几何平均值来测量全要素生产率的变化。进一步, 可将全要素生产率增长指数分解为式子 (2) :

第一项记为EFFCHht+1, 表示为第h个主体t+1期的效率变化指数;第二项记为TECHCHht+1, 表示第h个主体t+1期的技术进步变化指数;技术进步变化指数又可以分解为纯技术效率变化指数 (PECH) 和规模效率变化指数 (SECH) 。

2.2 收敛性及其检验方法

经济增长的收敛分为绝对收敛和条件收敛。如果每一个经济体的收入都达到相同的稳态增长速度和增长水平, 那么称之为绝对收敛;如果每个经济体都在朝着各自的稳态水平趋近, 这个稳态水平依赖于经济体自身的特征, 这就表明所有经济体的稳态水平是不同的, 因而经济体的收入差距是会持久存在的。

收敛检验方法中, δ收敛和β收敛都可以用来进行绝对收敛检验, 相对β收敛可以用来测度条件收敛。本文我们首先借助变异系数进行δ绝对收敛测度, 其次着重使用β收敛检验条件收敛。

(1) 变异系数。

变异系数常用来测度离散程度, 说明对象某一指标的分散程度或者趋势。常用相对数的形式表示变异指标, 反映平均单位水平下标志值的离散程度。变异系数可以分为极差变异系数、平均变异系数、标准差变异系数等, 本文用标准差变异系数进行绝对收敛分析。

(2) β收敛模型。

设表示i个经济实体在第t年的人均GDP, 则它在第t年到第t+T年间的人均GDP的年平均增长率为ln (yi, t+T/yi, t) , 则β收敛检验方程表示为:

式子中ui, t表示扰动项, 一般假定扰动项在在不同经济体之间是独立分布的, 均值为零。如果β小于零则表明i个经济体之间存在收敛。如果方程的回归结果不受是否加入其他有关附加变量的影响, 均表现为ln (yi, t+T/yi, t) /T与lnyi, t之间呈负相关, 那么就是绝对β收敛;如果只有在加入其他有关附加变量之后, 方程的回归结果才能得到负相关关系, 就认为是条件β收敛。本文结合实际运用Miller和Upadhyay (2002) 的方法, 分别使用横截面数据和面板数据进行绝对和条件收敛检验。

3 实证分析

3.1 数据来源与处理

(1) 全要素能源效率分析数据来源。

本文利用西部地区10个省份 (重庆数据并入四川省内;西藏自治区数据由于较难获得将其剔除;为简化, 本文将西部省、自治区、直辖市等统称为省份, 以下同) 1996~2011年数据整理成为面板数据, 计算全要素能源效率。

产出数据:本文采用西部各省份实际GDP数值作为产出, 具体计算方法是:通过1996年西部各省GDP数据与各省1996~2011年GDP指数计算出基于1996年价格的各省历年GDP。

投入数据:资本存量, 由于不同估算方法使得数据差距较大, 并且若以1996年作为基期, 将导致1996年资本存量有较大误差。本文将采用张军使用的模型估算出1952~2011年各省资产存量, 并取出1996~2011年数据。人力资本, 为全面真实反映我国不同劳动力的人力资本差距, 本文采用傅晓霞、吴利学 (2006) 提出的方法:以各地区教育程度衡量劳动力素质, 并与各教育阶段人口数相结合计算出人力资本数据。具体处理为:L=小学教育人数×6+初中教育人数×9+高中教育人数×12+高校教育人数 (大专以上) ×16。其中各教育阶段人数信息来自历年《中国统计年鉴》。能源消费数据:各省能源消费量 (各种能源转化为标准煤计量) 来源自《中国统计年鉴》。

(2) 收敛性检验数据来源。

进行收敛性检验时, 一方面选用计算得到的全要素能源效率数据。另一方面, 进行条件收敛检验时, 本文加入影响能源效率的其它因素 (由于全要素能源效率计算公式以及收敛检验数据不全, 本部分数据区间为1997~2010) 。影响能源效率的因素有很多, 结合西部地区各省份实际情况, 我们选取国民生产总值和工业结构。西部各省具有相同的环境、相似的资源禀赋等, 但西部各省经济发展水平不同、产业结构存在差异, 这两者是导致西部各省能源效率差别的重要因素。因而我们选取它们并做出如下处理:由中国统计年鉴查取西部各省国民生产总值并按照1996年价格转换为实际值;以西部各省工业总产值占当年国民生产总值比重表示产业结构。

3.2 全要素能源效率分析

计算西部全要素能源效率, 本文使用的是DEAP2.1软件。根据式子 (1) 、 (2) 我们得到西部地区各省全要素能源效率。

注:根据公式 (2) , 1996年为基期年, 全要素能源效率值有1997年起;全要素能源效率可以分解为效率变化和技术进步, 技术进步可以分解为纯技术效率和规模效率。

由表1我们可以看到, 一方面1997~2011年间西部整体全要素能源效率平均值为1.038, 已经达到效率前沿面, 其全要素能源效率几何平均增长率为3.8% (Fare等, 全要素能源效率减去1就是其增长率) 。全要素能源效率主要是由技术进步提升带来的, 并且技术提升主要来自于规模效率, 纯技术效率并未得到改进。另一方面, 西部能不各省全要素能源效率差异较大:排在前五名的贵州、云南、四川、广西等全要素能源效率几何平均增长率在4%以上, 但最后一名的新疆增长率仅为0.3%。

由表2我们又发现, 纵向比较来看, 西部各省份全要素能源效率并未出现持续改善趋势, 而是呈现出波动, 究其原因依然是技术进步导致。由于西部地区发展较为落后, 能源利用依然靠规模化来提高利用效率, 因而当能源消费量增加时就会出现规模滞后从而导致能源利用效率降低;而随着投入的加大规模扩大使得规模效益显现, 又促进能源利用效率提高。反复如此便出现全要素能源利用效率的波动现象。

3.3 收敛分析

(1) 变异系数δ绝对收敛。

如图1所示, 西部地区全要素能源效率变异系数变化趋势显示:西部地区1998~2011年变异系数呈现下降趋势, 即:西部地区内部全要素能源效率差异逐年下降, 并且2004年后呈现稳定下降趋势, 表明西部地区各省份全要素能源效率差异开始出现绝对收敛。

(2) β绝对收敛。

根据式子 (3) , 我们不加入其它因素进行面板数据回归, 得到绝对收敛检验结果。

β条件收敛结果显示, 西部地区整体能源效率向着一个共同的趋势收敛, 省份之间能源效率差别在不断缩小, 表明西部地区在相同的地理环境、相似的发展条件下其能源效率必将会趋向同一水平。

(3) β条件收敛。

根据式子 (3) , 考虑到西部地区各省不同的经济发展水平和产业结构等因素可能会对能源效率发展产生影响, 我们加入影响因素, 进行β条件收敛检验。β条件收敛模型如下式:

模型中变量均为面板数据, 其中E为西部各省全要素能源效率所构成的面板数据, 我们将间隔分为2年, 将样本分为1997~1998, 1998~1999, …, 2009~2010, 共计13段, 以增加样本数量。

β条件收敛检验结果显示, 尽管广西、四川和新疆产业结构这一自变量系数未通过t检验, 但整体我们可以判定回归模型通过检验 (R2=0.97, F-statistic=49.641) 。β条件收敛检验模型中系数β均为负值, 可以相信西部地区虽然各省份经济发展水平等因素互不相同, 但1998~2010年间其全要素能源效率却向着同一稳态收敛, 西部地区能源效率提高的同时并未出现内部分化现象。

注:根据面板数据回归Hausman检验结果, 估计结果采用固定效应模型回归得到。

注:根据面板数据回归Hausman检验结果, 估计结果采用固定效应模型回归得到。

4 结论和建议

本文利用DEA-Malmquist指数模型计算出1997~2011年西部地区省份全要素能源效率指数, 并对西部各省全要素能源效率收敛性进行绝对和条件检验。研究分析结果表明, 西部各省全要素效率均有所提高, 但没有表现出持续改善趋势, 全要素能源效率指数在1上下波动。1997~2010年间, 西部地区能源效率不仅存在一定绝对收敛, 更重要的是存在条件收敛趋势, 表明西部各省虽然情况不同, 但在不断缩小与东部发达地区能源效率之间差距的同时, 内部并未出现能源效率分化现象。

由此, 我们得出如下政策建议, 在未来能够促进西部地区能源效率进一步提高。