中国工业能源效率的时空差异及其影响因素

中国工业能源效率的时空差异及其影响因素

主要工业省份的能源效率差异改革开放以来，中国工业化进程加快，能源消费快速增长。工业能源消费从1990年的67778万吨标准煤炭转变为2006年的175137万吨标准煤炭，年平均增长率为6.13%，比同期全国能源总产量增长0.25个百分点。1990～2006年期间,各年工业能源消费量占全国能源消费总量的比重在70%左右。因此,为实现“十一五”期间节能减排的目标,工业部门应该承担重大的责任和义务,努力提高整个工业经济体系的能源效率。然而在中国,由于工业化水平的区域差异,各省区能源效率改进的潜力是不同的。有针对性地选择一些主要工业省区,分析其能源效率及其影响因素,对于国家节能减排目标的实现具有重要意义。我们利用1990～2006年的数据,按照工业总产值占当地GDP的比重在40%及以上的标准,从全国各省(不包括港澳台地区)中挑选出了符合标准的13个地区,这些地区构成了中国主要工业区域。从这些区域经济在全国经济中的地位来看,这13个主要工业省区的GDP总和约占全国的70%。从工业经济规模来看,这13个主要工业省区的工业总产值总和占全国的3/4以上。从个体来看,工业总产值占GDP年均比重最高的是黑龙江省,达到50%;年均比重在45%～49%之间的有江苏、山西、天津、山东、浙江、广东、河北、上海等8个地区;辽宁、河南、湖北、福建等4个地区的年均工业比重在40%～44%之间。黑龙江省是全国重要的老工业基地,是国家振兴东北老工业基地战略的主要实施区域,装备制造、石化、能源、食品、医药、森林加工等六大工业基地已成为当地经济发展的最重要推动力量。江苏、浙江、天津、上海、广东、山东属于沿海开放地区,而且大部分属于长三角、珠三角、京津冀城市圈区域,工业化和城市化水平较高。山西、河北、河南矿产资源比较丰富,带动了当地相关工业的发展。辽宁、湖北、福建也是重要的传统工业区域。与强大的经济实力和工业经济规模相对应的是,这些主要工业区域的能源消费总量占全国的比重也达到了70%,有些年份甚至接近75%。2006年由于国家节能减排工作的推行,13个省区能源消费占全国的比重较以往年份明显下降,但仍然高达64%。选择以工业经济为主导、具有类似生产方式的主要工业省区为研究对象,分析其能源效率差异特征及其影响因素是本文的主要研究目的。尽管同属于主要工业省区,但这些省区的能源效率可能不同。经济发展水平、技术进步水平、区位条件、工业内部结构等方面的差异可能是这些省区能源效率的影响因素。数据包络分析方法以及Mukherjee(2007、2008)在美国制造业部门和印度制造业部门背景下采用的DEA能源效率模型在本研究中得到了应用。利用面板数据,我们计算了13个主要工业省区1990～2006年的能源效率。结果显示,这些省区能源效率差异较大,广东、福建在所有的测度模型中都表现出了最高的能源效率,而山西、河北却处于最低水平。从区域比较来看,中部地区的能源效率与东部存在较大差距。我们也发现,能源的相对价格并没有为节约能源提供合适的激励。两阶段回归分析表明,技术进步和工业内部结构是影响能源效率差异的重要因素。一、中国能源效率的研究在关于能源效率的现有文献中,能源强度被定义为单位产出或经济活动的能源使用量。人们习惯用能源强度的倒数表示能源效率,能源强度随时间而下降可以用来解释能源效率的改进。在整个经济体系以及产业部门背景下,为了了解能源效率的变化,大量研究考察了终端使用部门不同时期的能源强度变化。一方面,基于使用不同需求或经济活动指标的各种能源强度测度方法得到了发展。另一方面,更重要的是,这些研究的重点在于改进方法,将经济体系的整体能源强度准确分解为部门内实际能源强度变化效应与结构变化效应。指数分解法不仅被用于能源需求分析,还被用于与能源相关的温室气体排放物分析。Ang和Zhang(2000)深入考察了能源与环境研究中的指数分解法。为了获得理想的分解模型以及满足指数的有关必需属性,各种分解法,比如Laspeyres指数、算术平均分解指数、对数平均分解指数、Fisher指数等都受到了研究者的青睐。目前,一些研究已经跳出了传统的能源强度框架,在一个新的框架内考察能源效率问题,即将能源作为多种投入的一种,考虑到了投入要素替代在实现能源效率中的作用。比如Chan和Mountain(1990)将能源生产率指数分解为投入组合变化效应与技术进步效应两个部分。此外,Conrad(2000)将R&D作为一种额外投入处理时发现,若技术进步具有物化性,则增加R&D经费可以提高能源效率。Boyd和Pang(2000)使用DEA测度了平板玻璃与瓶罐玻璃产业工厂层次上的生产率。利用回归分析,他们估计得出了工厂之间能源强度差异是由于工厂生产率水平以及其他经济变量差异的结论。这一结论表明能源强度与工厂生产率水平之间具有重要的关联性。Mukherjee(2007、2008)也应用DEA方法分析了美国制造业与印度制造业的能源效率。在实际应用中,基于DEA的能源效率测度方法大大胜过基于能源强度的传统能源效率方法。目前,关于中国能源效率的研究基本上集中于整个宏观经济层面能源强度变动的因素分解分析,如Huang(1993)、Sinton和Levine(1994)、Lin和Polenske(1995)、史丹(2002)、Zhang(2003)、Schäfer(2005)、吴巧生和成金华(2006)、高振宇和王益(2007)。这些研究大多数认为技术进步是中国能源强度下降的最重要因素,结构变化对于降低能源强度的作用有限。Garbaccio等(1999)研究发现,1987～1992年间结构变化实际上增加了能源强度。Fisher-Vanden等(2003)也得出了类似结论。但也有研究认为结构变动是影响中国能源强度变化的重要因素,如Bert和Kelly(2007)、齐志新和陈文颖(2007)。当然,也有少数研究利用DEA方法考察了中国能源效率的区域差异及其影响因素,如Hu和Wang(2006)、高振宇(2006)、魏楚(2007)。基于所有省份进行的DEA分析并没有消除经济结构的影响,以此来比较具有不同生产方式和经济结构的省区的相对效率,其可靠性和有效性也就大打折扣,本文试图通过对中国主要工业省区能源效率的分析来突破这一局限。已有研究大多采用的是基于冗余调整的能源效率,没有涉及本研究所应用的基于能源投入最小化、基于总投入成本最小化的能源效率测度方法。在选择劳动投入指标时,常采用的是就业人数等数量指标,我们采用了人力资本的改进方法。更重要的是,在构造生产前沿时,现有研究基本上使用的是当期前沿(仅仅利用当年数据构造当年前沿),而我们采用的是连续前沿方法(构造当年前沿时利用当年及过去所有年份的数据),考虑到了生产前沿移动过程中技术不会退步这一更符合实际的假定。二、投入产出集的估计与测度在生产效率与生产率的文献中,Debreau(1951)、Farrel(1957)和Koopmans(1951)率先提出了测度效率的标准方法,效率被定义为最优投入与实际投入的比值或实际产出与最优产出的比值。测度“最优”投入或产出,首先要明确生产前沿(或者成本前沿,这取决于决策单元的目标)。关于生产前沿,现有文献给出了两种测度方法:一是参数法,所设定的函数形式规定了前沿;二是非参数法,不需要首先规定前沿的函数形式。在非参数法方面,Charnes、Cooper和Rhodes(1978)首先发明了用DEA来测度单个决策单元在多种投入多种产出条件下的效率。这一方法利用数学规划技术,根据观察到的样本数据,建立起分段线性最佳实践前沿。自从该方法被引入到效率分析中以来,DEA分析在诸多领域中得到了广泛应用。在DEA应用的基础上,Mukherjee(2007、2008)提出了测度能源效率的几种模型。本文应用这些模型来测度中国13个主要工业省区的能源效率。考虑一个产业,使用m种投入,得到一种产出。yi代表第j个决策单元的产出,xi代表第j个决策单元的投入,并假定能够观测到n个决策单元的投入产出数据。因此,在凸性、锥性、无效性和最小性的公理假设前提下,生产技术集完全可以由生产可能集S={(x,y):产出向量y可由投入向量x生产出来}表征。另外,若考虑到可行投入产出组合的径向扩展或压缩,需要假定规模报酬不变。测度基于投入的技术效率的CCR-DEA模型如下:模型(1):θ*=minθ(1a)约束条件为:∑j=1n∑j=1nxijλj≤θxi0(i代表资本、劳动、能源)(1b)∑j=1n∑j=1nyjλj≥y0(产出)(1c)λj≥0,j=1,2,…,n(1d)这里的目标在于最大程度上按同一比例削减所有投入,以充分发挥能源与其他投入之间的互补效应。不等式(1c)保证了结果中得到的产出不会低于实际产出。对于有效率的决策单元,θ*=1,这意味着已经不可能等比削减所有投入;对于低效率的决策单元,θ*<1。最优值θ*表明一个决策单元在既定产出下,所有投入的径向缩减是可能的。如果模型(1)中某种特定投入(如能源)的约束条件是非强制性的,这意味着在不减少产出或不增加其他投入的情况下,减少这种投入(如能源)是可能的。在考虑到投入冗余1的情况下,用最优解条件下的目标能源投入除以实际能源投入可以得到测度能源效率的一种方法。在下文中,我们将通过这种方法测得的能源效率记为γ*。若能源投入不存在冗余,则γ*=θ*。如果假定能源与其他投入之间具有较强的互补性,则利用模型(1)测算能源效率是最恰当的。但是,如果这一假定不成立,我们就要考虑如何单独计算能源投入的最大可能削减量,前提是决策单元仍然能够得到现有产量,而不需要增加任何其他投入。在这种情况下,对于具有投入产出集(x0,y0)的决策单元,测度其能源效率的CCR-DEA模型需要发展为下面的模型(2)。为了简化,我们将投入向量x0明确为资本(K)、劳动(L)、能源(E)共三个组成部分。模型(2):β*=minβ(2a)约束条件为:∑j=1n∑j=1nKjλj≤K0(资本)(2b)∑j=1n∑j=1nLjλj≤L0(劳动)(2c)∑j=1n∑j=1nEjλj≤βE0(能源)(2d)∑j=1n∑j=1nyjλj≥y0(产出)(2e)λj≥0,j=1,2,…,n(2f)这里的目标仅仅在于最大程度上削减能源投入。在达到这一目标的同时,我们并不要求同时削减其他投入。不等式(2b)与(2c)保证了在最优解条件下其他投入不会增加,不等式(2e)保证了产出不会低于现有水平。当政府的主要目标在于节约能源、保护环境时,模型(1)和(2)是很有用的。在模型(1)中,所有投入需要被同时削减,在最优解条件下节约能源的程度将受限于这一事实,即任何其他投入都将遇到瓶颈。但是,由于仅仅关注能源投入,模型(2)保证了在最优解条件下达到更大的节能潜力。因此,这里测度效率的三个指标值之间的关系为β*≤γ*≤θ*。实现能源效率的另一个重要政策目标是基于成本最小化的经济目标,以使得产出价格较低。在能源价格相对较高的时期,成本效率目标将要求用其他投入来替代能源投入。假定给出被评价决策单元面临的投入价格向量为w0,则成本最小化的DEA模型可写成模型(3)。模型(3):C*=minw0′x(总投入成本)(3a)约束条件为:∑j=1n∑j=1nxijλj≤xi(i代表资本、劳动、能源)(3b)∑j=1n∑j=1nyjλj≥y0(产出)(3c)λj≥0,j=1,2,…,n(3d)该模型的目标在于最小化总投入成本。不等式(3b)与(3c)保证了最优投入集的选择能够使总投入成本最小化而且仍然可以得到产出集y0。从模型(3)得到的最小化成本(C*)与实际投入成本的比率为DMU的成本效率,即CE=C∗CCE=C*C。进一步,我们通过比较在这一最优解条件下的能源使用量与实际能源使用量,就可以得到基于成本最小化的能源效率(u*)。该模型允许其他投入替代能源投入,因而能够比模型(2)产生更大潜力的能源削减量。然而,须注意到成本最小化目标并不总是有利于节约能源的。在能源价格相对低于其他投入价格时,成本最小化目标要求增加能源使用以替代其他投入,在这种情况下u*>1。而且,比较模型(2)和(3),u*可能小于、等于或大于β*,这取决于投入要素的相对价格。三、模型应用和实验结果1.人力资本的存量在该部分,我们假定13个省区的经济活动都可以概念化为一种产出(GDP)、三种投入(K、L、E)的生产技术,并以1990～2006年的面板数据进行能源效率的实证分析。考虑到投入转化为产出的时滞效应,借助于多元回归,确定时滞期为1年。各省GDP数据来源于相应年度的《中国统计年鉴》,并利用商品零售价格指数以1952年不变价格进行了缩减。估算按可比价格计算的资本存量最常用的方法是所谓的“永续盘存法”,计算公式为:Kit=Kit-1(1-δitit)+Iit,其中i指第i个省,t指第t年,Kit代表经定基价格指数平减后的第i个省第t年的资本存量,Iit代表第i个省第t年的投资,δ代表折旧率。具体算法可以参见张军和吴桂英(2004)。劳动投入考虑到了劳动力的数量和质量因素。我们用平均受教育年限和劳动力数量的乘积表示人力资本存量。类似的方法也得到了一些经济学家的采用,如Barro和Lee(2000)。劳动力数量采用《中国统计年鉴》中各省区历年从业人员数指标。平均受教育年限的计算公式为H=∑i=1npihi/P∑i=1npihi/Ρ,其中H为某一年龄及其以上人口的平均受教育年限,i为受教育程度,pi为该年龄及其以上人口中第i层次受教育程度的人口数,hi为第i层次受教育程度的受教育年限,P为该年龄及其以上人口的总数(王小鲁、樊纲,2000)。能源投入使用各省每年的能源消费量来表示。数据来自于相应年份的《中国能源统计年鉴》以及各省2007年的统计年鉴,已经折算成标准煤。在我们的分析中,将每种投入的价格指数作为最优化问题中的投入相对价格。将固定资产投资价格指数、燃料动力类价格指数分别作为资本投入与能源投入的价格指数。由于要体现出可比较的相对价格,我们以工业品出厂价格指数作为劳动投入价格指数的替代。工业在中国经济中占有绝对主导地位,而劳动是相对丰富的要素,以劳动密集型为主的工业品的价格变化实际上也同步反映了劳动投入相对价格的变化,因而这一替代是可行的。另外,对于这些投入,各省都采用全国的价格指数,意味着资本、劳动、能源投入要素能够在全国市场上流动。接下来需要讨论用于测度效率的生产前沿构建问题。首先,我们假定规模报酬不变。其次,需要分清DEA文献中三种类型的前沿:(1)仅仅使用某一年的截面数据来构建当期前沿;(2)同时考虑当期数据和过去数据来构建连续前沿;(3)利用样本的所有时期数据来构建跨期前沿(Tulkens和Vanden,1995)。在本研究中,我们采用连续前沿构建方法。从13个主要工业省区1990～1991年观测值的参考样本开始,通过增加下一年的观测值来逐渐扩大参考样本。对于连续前沿的应用,将生产可能集定义为:S={(x,y):x≥∑nj=1j=1n∑tt=1t=1tλtjxtjjt;y≤∑nj=1j=1n∑tt=1t=1tλtjytjjt},其中n代表决策单元,t代表时间跨度2。因此,在构建任何一个当年期的生产前沿时,当年和过去的所有观测值都是可行的。从概念上讲,这等于假定不存在技术退步,在这种方法的前沿中,任何技术退步都被视为低效率。当存在技术进步时,连续生产前沿将一年接一年地向外扩展。与当期前沿相比,构建连续前沿在本研究中能够增大自由度,更好地区分效率值差异。2.河南的能源效率测算结果表明,样本期内13个省区的平均技术效率为0.836,意味着若按比例将所有投入(资本、劳动、能源)削减16.4%,仍然能够得到既定的产出水平。然而,从单个省区来看,不同省区在不同年份的技术效率是不同的。广东在每一年都显示出了100%的技术效率,上海、辽宁、湖北非常接近有效前沿面。而像山西、河北、河南这些省区,在维持既定产出水平条件下,能够将其投入按比例削减40%～50%。通过计算与模型(1)中能源约束相关的冗余量,我们得到了基于冗余调整的能源效率(见表1)。样本期内所有省区的能源效率平均值为81.2%,表明在不增加其他投入的情况下,整体上将能源投入减少18.8%却仍能达到既定的产出水平。从个体来看,只有广东每年的能源效率都达到了100%,上海、辽宁、湖北接近100%,福建也超过了90%,其他省区的能源效率具有较大的改进空间,改进的主要途径是提高生产的技术效率。基于该模型,山西、河北、河南的能源效率处于较低水平。然而,模型(1)的目标在于节约所有投入,这一目标在不增加其他任何投入或减少产出的情况下能够将能源使用减到最少。从模型(2)得到的结果如表2所示。这一模型的最优解考虑到了在不要求其他投入额外增加的情况下,其他投入对于能源投入的有限替代。正如前文所解释的,从这一模型得到的能源效率值不会高于从模型(1)得到的值。样本期内地区平均能源效率为0.729。尽管地区平均值很低,但即使通过这种测度方法,广东的能源效率每年仍达到了100%,上海、辽宁除了个别年份外也达到了100%,福建的平均值超过了90%。而在这种测度方法中,山西、河北、黑龙江、河南的能源效率处于较低水平,最低的山西只有21.9%。从经济角度看,仅仅达到技术效率还是不够的。为了实现成本效率,在给定投入价格的条件下,决策单元也需要在投入配置上提高效率。在一定时期内,由于不同投入的价格并不是按同一比率变动的,为了达到最小成本,一个DMU需要改变投入比例以适应相对价格的变化。模型(3)可以用来测度一个DMU的成本效率。测算结果表明,不同地区的成本效率年度平均值差异幅度很大,最高的如上海、广东在90%以上,最低的如山西只有30%左右,河南、河北不到50%,远低于地区平均值64.7%。为了找到最小成本下的投入集,模型(3)考虑到了投入价格。从模型(3)得到的能源最优投入量与实际能源投入量的比例为基于成本最小化的能源效率μ*。若当前的投入产出组合在分配上是低效的,则成本最小化目标就会要求改变投入比例,这意味着投入替代3。从成本最小化角度得到的能源效率如表3所示。江苏、浙江、福建、广东的能源效率较高,而山西、河北、辽宁、黑龙江的能源效率较低。值得注意的是,表3也向我们揭示了一个有趣的结论,即当考虑投入价格时,能源效率的地区年均值为84.3%,远高于相应的成本效率值64.7%。这表明在成本最小化投入集,典型的决策单元应该节约更多的其他投入而非能源。而且,从这个模型得到的能源效率的整体平均值也高于从模型(2)得到的72.9%。如果基于投入价格的成本最小化模型得到的最优解要求比在模型(2)最优解条件下更多地使用能源(模型(2)只是简单地最小化能源投入而不增加其他投入数量),则模型(3)得到的能源效率值高于模型(2)。事实上,对于一些省区,从该模型得到的能源效率超过100%,这意味着为了最小化成本,企业应该比实际上使用更多的能源,以能源替代其他投入。这一结果与Mukherjee的发现形成了对照,对于美国制造业部门,从成本最小化模型得到的能源效率远低于从其他模型得到的值;而对于印度制造业部门,结果与本研究类似。因此,基于成本最小化的较高能源效率值表明,中国能源的相对价格并没有反映使用能源的完全社会成本,这也使得能源成为一种相对便宜的投入。由于投入要素相对价格并没有提供合适的激励,中国还存在节约能源的巨大空间。3.技术进步对能源效率影响的实证研究为了解释13个省区在样本期内能源效率的变化差异,我们分别以三种能源效率值作为因变量,利用1990～2006年13个省区的面板数据进行回归分析。13个省区分别位于中部和东部,而中部和东部在资源禀赋、经济发展水平等方面存在较大差异,因此可以引入区域虚拟变量(D)来描绘能源效率的区域差异特征。导致各省之间能源消耗强度存在差异的重要因素是产业结构,我们考察的是13个主要工业省区,各省之间的经济结构相差不大,但是这些工业省区工业内部结构的差异可能会对能源效率产生影响,我们用工业产值中的重工业比重(SH)代表工业内部结构。从已有研究来看,技术进步是能源效率变化的重要因素,考虑到改革后中国采取的是比较优势战略,主要通过引进外资来加快技术进步,我们用各地区外商投资企业年底投资总额占全国的比重表征技术进步(TP)。经济发展水平也是影响能源效率差异的重要因素,我们以各地区人均GDP占全国的比重(PCG)来表示。另外,劳动质量、资本投入也可能是影响13个省区能源效率的重要因素,这里以各地区平均受教育年限占全国的比重(AYS)代表劳动质量,资本投入由资本劳动比率(KL)表示。由于γ*与β*为受限因变量,采用Tobit回归方法来估计是合