中国西部地区省际全要素能源效率研究--基于超效率DEA模型和M almquist指数

合集下载

中国三大经济区域全要素能源效率研究——基于超效率DEA模型和Malmquist指数

马海良等：中国三大经济区域全要素能源效率研究
单一指标都不可能完整地反映能源效率水平。其次，众多学者对能源效率的影响因素进行分析。一般认为技术进步和产业结构调整是能源效率改善的关键因素。ＭｄｉｎＤｎｏ６为，能源要素从低生产ａｄｏ、ｅｉｎ－认ｓｓ３当
越性。鉴于以上优点，文也采用ＤＡ计算能源效本Ｅ
率。
２１超效率ＤＡ理论．Ｅ
使用传统ＤＡ评价决策单元的效率时，Ｅ会出现多个
决策单元同时都处于生产前沿面，从而导致多个决策单元相对都有效，而无法判断孰优孰劣。为了弥补这一缺从陷，ｎｅｅ建立了基于投入导向的超效率ＤＡ模型，ＡｄｍｎＥ
能源效率改善与全要素生产率增长的关系；回归分析全 ③ 要素生产率分解的各指标对能源效率的影响，而判断技从
荟＋ｉＡ一ｒＹ；，， ≥ （）ＡＳ＝栅；ｓ＝Ａｓｓ０１－＋Ｊ一
≠ ｊ ≠
术效率和技术进步对能源效率影响的大小。
２模型说明和数据来源
从全要素投入角度看，众多学者使用数据包络分析
法（ａｎｅｐｅｔｎｌｉ，Ｅ来评价能源效率。ｄｔｅｖｌｍｎａａｓＤＡ）ａｏｙｓＤＡ是通过确定生产前沿面，Ｅ以相对效率概念为基础发展起来的一种效率评价方法，对同一类型的各决策单可元的相对有效性进行评定和排序，而且ＤＡ方法在避免Ｅ主观因素、简化算法、少误差等方面有着不可低估的优减

中国省际科技创新的效率评价——基于超效率DEA—Malmquist指数

2020年11月第22期总第464期内蒙古科技与经济Inner Mongolia Science Technology&EconomyNovember2020No.22Total No.464中国省际科技创新的效率评价——基于超效率DEA—M almquist指数张勇之(聊城大学商学院，山东聊城252059)摘要：基于超效率DEA模型及Malmuist指数，对2012年〜2018年各省市区的科技创新效率进行测度分析发现：①北京市历年来保持创新高效，但近年来有所下滑，青海省近年来则实现了创新效率的有效增长，其余各省份的创新效率基本稳定或在各区间不断波动；②除江苏省外，全国各地区全要素生产率均实现了基本稳定或有效增长，而江苏全要素生产率降低的主要原因是技术效率降低；③北京、云南、陕西、上海、江苏、山东、湖北、重庆、海南、四川实现全要素生产率的有效增长，依赖于技术进步效率。

关键词：超效率DEA模型；Maimquist指数；边际产量递减规律中图分类号：F124文献标识码:A文章编号1007—6921(2020)22—0025—041文献综述2012年底，党的十八大明确提出“科技创新是提高社会生产力和综合国力的战略支撑，必须摆在国家发展全局的核心位置'强调要坚持走中国特色自主创新道路、实施创新驱动发展战略'2016年7月，国务院印发了—十三五”国家科技创新规划.明确了迈进创新型国家，为建成世界科技强国奠定坚实基础的总目标。

2018年3月，十三届全国人大一次会议的政府工作报告中50余次提到科技、强调创新，其中特别指出“加快建设创新型国家把握世界新一轮科技革命和产业变革大势，深入实施创新驱动发展战略)因此，在2020年小康社会全面建成之际，统筹全局，多角度地探究中国科技创新效率的时空变化趋势，研究影响各区域科技创新效率的重要因素，对建设创新型国家，提高社会生产力及综合国力有重要意义'在当前的时代背景下，越来越多的学者开始关注科技创新'学者们主要从以下两个方面展开研究：①基于构建的静态指标体系，通过不同的评价方法对科技创新不同维度进行评价'巴吾尔江等(2012)、徐顽强等(2016)、王彦博等(2020)以及何睿(2012)分别采用主成分分析法对我国内地各省区市及国家创新型城市的科技创新能力进行了评价［140o邓丹青等(2019)、贾春光等(2020)、陈艳华(2017)及赵黎明等(2014)分别运用熵权TOPSIS 法对我国9个典型城市、山东省各地市、中国四大地区及我国31个省市的科技创新能力进行了实证分析/580李沃源等(2019)利用组合评价分析、聚类分析和相关分析等方法，对西部地区各省、市、自治区科技创新系统环境进行实证研究祝影、唐春光、孙锐，等(2019)基于耦合协调模型，对23个中国科技创新城市进行创新要素耦合评价，发现京津冀地区、长三角地区、珠三角地区的城市位居前列，中西部地区和东北地区城市表现乏力/100②基于动态的创新效率进行测度评价'胡丽娜(2019)、何龙光(2019)、许建红等(2019)分别使用DEA方法对内蒙古12盟市、西南地区及东部12省市的科学技术创新效率进行了测度评价［11130'Fuentest et al. (2001)、Giedre Dzemydait e et al.(2016)、Carayan-nis E G et al.(2016)、对园区的科技创新效率、欧盟中部、东部的40个区域及23个欧洲国家创新效率进行了测算与评价/14160o郭淑芬，张俊(2018)运用CCR—DEA、BCC—DEA和Malmquist—DEA模型测度了2009年〜2013年中国31个省市的科技创新效率及其年份变动情况，表明研究期完全有效省份的数量呈增多趋势，但总数仍远不及一半，5年来，基于技术进步各省市的科技创新效率有所提高/170'刘钒等(2017)、林佳丽等(2008)基于超效率DEA模型对长江经济带、广东省21个城市科技创新相对有效性进行了全面客观的评价/8〜190张明龙(2015)基于超效率DEA模型，分析了我国30个省、自治区和直辖市以金融作为投入的科技创新效率，结果表明中西部地区的效率增长高于东部地区#技术效率的变化是导致区域差异的主要原因［2000孙东(2014)采用超效率DEA—TOBIT模型测算了我国2002年〜2012年各省份创新的效率，结果表明：我国创新效率还不高，处于创新有效状态的省份不足1/3,而且创新效率值波动较大，没有出现稳定上升趋势［210o当前，学者的研究为区域科技创新的后续研究奠定了基础，成就显著，但仍存在可进一步研究的巨大空间。

中国三大经济区域全要素能源效率研究基于超效率DEA模型和Malmquist指数

中国三大经济区域全要素能源效率研究基于超效率DEA模型和Malmquist指数一、本文概述本文旨在全面研究中国三大经济区域——东部、中部和西部地区的全要素能源效率。

通过运用超效率DEA模型和Malmquist指数方法，本文深入探讨了各区域能源利用效率的现状、动态变化及其影响因素，以期为中国能源政策的制定和实施提供科学依据。

本文明确了全要素能源效率的概念，它是指在给定投入要素条件下，能源投入与实际产出之间的比率。

这一比率反映了能源利用的经济效果和技术水平，是衡量一个国家或地区能源利用效率的重要指标。

本文介绍了超效率DEA模型和Malmquist指数方法的基本原理和应用优势。

超效率DEA模型能够克服传统DEA模型在评价效率时的局限性，更准确地反映各决策单元的效率水平。

而Malmquist指数方法则能够动态地分析各区域能源效率的变化趋势，揭示效率提升的源泉。

本文详细阐述了研究内容和方法。

通过对中国三大经济区域的能源利用数据进行收集和处理，运用超效率DEA模型和Malmquist指数方法对各区域的能源效率进行测算和分析。

结合区域经济、产业结构、技术进步等因素，探讨各区域能源效率差异的原因，并提出相应的政策建议。

本文的研究不仅有助于深入了解中国各区域的能源利用效率及其动态变化，还能为政府制定针对性的能源政策提供决策支持，推动中国能源利用效率的整体提升。

二、文献综述全要素能源效率（Total Factor Energy Efficiency, TFEE）作为一种评估能源使用效率和经济增长之间关系的重要工具，近年来在学术界和政策制定者中引起了广泛关注。

中国作为一个经济快速增长的发展中大国，其能源使用效率和经济增长之间的关系更是成为了研究的热点。

特别是对于中国的三大经济区域——东部、中部和西部，其经济发展水平、产业结构、能源结构等方面存在显著差异，因此，对这些区域的全要素能源效率进行研究具有重要的现实意义。

国内外学者在全要素能源效率的研究上已取得了一系列成果。

中国全要素能源效率及区域差异研究——基于BCC和Malmquist模型

中国全要素能源效率及区域差异研究
———基于ＢＣＣ和Ｍａｌｍｑｕｉｓｔ模型
范秋芳王丽洋（中国石油大学（华东）经济管理学院，青岛２６６５８０）
〔摘要〕中国各区域间能源经济发展不平衡。本文选用劳动力、资本存量、能源作为投入指标，各省实际ＧＤＰ和环境污染物作为期望产出和非期望产出，利用ＤＥＡ－ＢＢＣ模型和ＤＥＡ－Ｍａｌｍｑｕｉｓｔ指数对中国全要素能源效率进行测算，并对我国四大区域全要素能源效率进行对比分析。结果表明，考虑非期望产出的能源效率普遍低于不考虑非期望产出的能源效率，其测算结果更加准确；中国能源全要素生产率变化在整体上呈现递减趋势，相较于规模效率，技术效率对全要素生产率变化影响更加明显；能源效率在空间变动形式上呈现较大差异，由高到低依次为：东部沿海地区、东北地区、中部地区、西部地区。为提高中国整体能源效率，各区域必须根据其发展状况制定契合能源供给侧结构性改革的政策。
第１２期（总第３０２期）
工业技术经济
Ｎｏ�� １２（Ｇｅｎｅｒａｌ，Ｎｏ�� ３０２）
２０１８年１２月
ＪｏｕｒｎａｌｏｆＩｎｄｕｓｔｒｉａｌＴｅｃｈｎｏｌｏｇｉｃａｌＥｃｏｎｏｍｉｃｓ
Ｄｅｃ�� ２０１８
��

我国教育部直属高校资源投入产出效率综合评价研究——基于超效率DEA模型和Malmquist生产率指数

我国教育部直属高校资源投入产——基于超效率DEA模型和Malmquist生产率指数的测算包水梅　黄尧尧　彭万英一、问题的提出美国经济学家格里高利·曼昆（N. Gregory Mankiw）在其著作《经济学原理》中提出，资源的稀缺性决定资源使用效率的重要性[1]。

我国高等教育资源总量不足，优质资源稀缺，这一基本特征决定了如何有效提升资源的配置与使用效率至关重要。

然而，我国高等教育实际发展现状却并非如此：一方面，从资源配置模式来看，我国高等教育资源以行政性配置为主导[2]，政府依据国家发展需求，通过行政指令的方式实施刚性、计划性的资源分配，资源的配置效率如何、配置后的资源能否得到充分利用尚未引起足够重视；另一方面，从资源使用效果的评价方式来看，长期以来，我国对高校建设成效的评估表现为水平评估和成效评估两类，评估的依据是参评单位现有资源的多寡、建设周期内增量成果的绝对数量等内容，一定程度上忽视了对资源使用效率的评估。

随着资源投入力度的不断加大，我国高等教育取得的伟大成就世人瞩目。

然而，值得注意的是，大量的资源投入在造就我国高等教育事业“量”的伟大成就的同时，高等教育“质”的发展却未能实现同步协调[3]。

2011年世界经济论坛（World Economic Forum）发布的《2011-2012国际竞争力发展报告》将国家发展的主要动力划分为要素驱摘要: 基于我国58所教育部直属高校理、工、农、医学科的办学数据，运用超效率DEA模型和Malmquist生产率指数，对2008～2017年我国高等教育由“规模扩张”转向“质量提升”这一关键时段内高校资源投入产出效率进行综合评价，结果发现：（1）高校资源投入产出效率整体水平有较大提升空间，资源的配置与管理水平较高，但生产规模远未达到最优水平，增大资源投入力度能够有效提升多数高校的办学效益。

（2）高校质量型产出效率小于数量型产出效率，两类效率对整体效率的贡献度的变化趋势证实了学科评估的“指挥棒”效应。

基于DEA交叉评价的中国省际能源效率研究

基于DEA交叉评价的中国省际能源效率研究中国作为世界上最大的能源消费国之一，能源效率的提高一直是国家发展的重要课题。

省际能源效率研究对于促进中国能源的可持续利用和发展具有重要意义。

本文将基于DEA交叉评价方法对中国省际能源效率进行研究，并分析其结果。

首先，我们需要了解DEA交叉评价方法。

DEA（Data Envelopment Analysis）是一种非参数评价方法，可以在多个输入和输出指标之间进行有效评价和比较。

它通过将每个评价单元视为一个生产者来衡量其效率，并将其与其他评价单元进行比较。

交叉评价是DEA的一个重要扩展，可以对不同评价单元之间的效率进行比较。

本文选择了中国31个省级行政单位作为评价单元，考虑了能源消耗总量、经济产出、人口规模等指标作为输入和输出指标。

通过构建DEA模型，计算得出各个省级行政单位的能源效率得分，并将其进行比较和分析。

研究结果显示，中国各省际能源效率存在着明显的差异。

以2024年为例，北京、上海、广东等东部沿海省份的能源效率得分较高，而西部地区的新疆、青海等省份的能源效率相对较低。

这一差异主要受到地理位置、经济发展水平和能源产业结构等因素的影响。

进一步分析发现，能源效率与经济发展密切相关。

东部沿海省份由于经济发展较早，技术水平较高，能源效率得分相对较高。

而西部地区由于地理条件限制和经济发展相对滞后，能源效率得分较低。

同时，能源产业结构也对能源效率产生了影响。

传统能源的大量消耗导致能源效率较低，而新能源和清洁能源的发展可以提高能源效率。

基于这些研究结果，我们可以得出一些政策建议。

首先，应加大对西部地区的支持力度，促进其经济发展和能源效率的提高。

其次，应加强技术创新，推动传统能源的转型升级，加大清洁能源和新能源的开发和应用。

此外，还应加强各省之间的合作与交流，共同推进能源效率的提升。

综上所述，基于DEA交叉评价的中国省际能源效率研究对于促进中国能源的可持续利用和发展具有重要意义。

中国区域能源效率比较——基于DEA-Malmquist和聚类分析

中国区域能源效率比较——基于DEA-Malmquist和聚类分
析
李金铠;沈波;韩亚峰;张孟豪
【期刊名称】《北京理工大学学报：社会科学版》
【年(卷),期】2012(14)6
【摘要】将工业污染物排放作为非期望产出,以2001—2010年30个省际的数据为基础,采用DEA-Malmquist生产效率指数测算中国省际全要素能源效率,结果表明:东部全要素能源效率一直处于效率前沿面上,中西部地区则远离前沿面。

为了寻求提高中西部地区的全要素能源效率的途径和方法,根据技术进步、纯技术效率和规模效率等三个指标对不同类型区域的全要素能源效率差异和特征进行聚类和分析,并提出针对不同地区提高全要素能源效率的对策建议。

【总页数】6页(P1-6)
【关键词】全要素能源效率;技术进步;技术效率;聚类分析
【作者】李金铠;沈波;韩亚峰;张孟豪
【作者单位】北京大学光华管理学院;美国能源部劳伦斯伯克利国家实验室;西安交通大学经济与金融学院;中国矿业大学管理学院
【正文语种】中文
【中图分类】F205;C936
【相关文献】
1.中国区域能源效率及其影响因素分析——基于DEA-Malmquist模型 [J], 陈海跃;
2.中国区域能源效率及其影响因素分析r——基于DEA-Malmquist模型 [J], 陈海跃
3.基于DEA-Malmquist指数的我国区域全要素能源效率分析 [J], 陈忠;钟杭州
4.中国工业行业全要素能源效率的变动分析--基于DEA-Malmquist指数方法 [J], 罗文娟
5.中国工业行业全要素能源效率的变动分析——基于DEA-Malmquist指数方法[J], 罗文娟;
因版权原因，仅展示原文概要，查看原文内容请购买。

基于超效率DEA的能源效率评价模型研究

ＤＡ方法建立了能源效率评价模型，对２０Ｅ并０６年我国３０个区域进行了实证研究；后，过最通
规模收益分析和能源效率影响因素分析，探讨了我国区域能源效率的改进途径。关键词：源效率；超效率ＤＡ；价模型能Ｅ评中图分类号：９；１４文献标识码：文章编号：１７ —８Ｘ（０９１－４００Ｃ３Ｆ２Ａ６２８４２０）１１６— ６
ｖｌｓｏｕｐｕａｕｅａｔｔ．ＡｎｅａｕｔｏｄｅｎｒｆｉｉｎｙｉｓａｌｓｅｓｄｏｎＳｕｐｒＥｆｉｉｎｙ— ｖｌａｉｎｍｏｌｏｆｅｅｇｙｅｆｃｅｃｓｅｔｂｉｈｄｂａｅｅ－ｆｃｅｃ — ＤＥＡｎｄａｍｐｒｃｌｓｕｆ３ｅｏｓｉａｎｅｉｉａｔｄｙｏ０ｒｇｉｎｎＣｈｉａｉｏｕｃｅｎｓｃｎｄｔｄ．Ｆｉａｌｙ，ａｒｃｅｏｉｒｅｅｎｌｐｐｏａｈｓｔｍｐｏｖｍｎｔｏｎｅｇｆｉｉｎｃｅｏｒｒｇｉｓｉｆｅｒｙｅｆｃｅｉｓｆｅｏｎｎＣｈｉｒｎｖｓｉａｅｈｒｕｇｅｕｎｏｓａｅａｌｓｓａｄｉｆｕ— ｎａａｅｉｅｔｇｔｄｔｏｈｒｔｒｓｔｃｌｎａｙｉｎｎｌ
（ｌｎＵｎｖｒｉｙｏｃｎｌｇＤａｉｉｅｓｔｆＴｅｈｏｏｙ，Ｄａｉｎ，Ｌｉｏｉｇ，Ｃｉａａｌａａｎｎｈｎ）

基于超效率DEA模型的能源效率评价方法及其应用

基于超效率DEA模型的能源效率评价方法及其应用概述：能源效率评价是指对能源利用情况进行定量评估的过程。

随着能源资源的日益减少和环境污染的加剧，提高能源效率成为各国政府的重要任务。

超效率数据包络分析（DEA）模型是一种常用的能源效率评价方法，它可以根据输入产出数据计算出单位能源投入所创造的经济产出，从而评估能源利用的效率。

本文将介绍基于超效率DEA模型的能源效率评价方法及其应用。

方法：超效率DEA模型是一种非参数评价方法，它能够充分利用每个单元的最佳实践经验，评估单位的能源效率水平。

具体而言，该模型根据输入输出数据构建出一个包络表面，可以用来衡量各个单位的相对效率水平。

在计算超效率DEA模型时，首先需要确定输入和输出变量，并计算各个单位的相对权重。

然后通过最大化包络表面上的超效率得分，可以得到各个单位的相对效率评价。

应用：1.制造业能源效率评价：超效率DEA模型可以用来评估制造业企业的能源利用情况。

通过对各个企业的输入输出数据进行分析，可以找出效率最高的企业，并运用其最佳实践经验指导其他企业提高能源效率。

2.建筑行业能源效率评价：通过基于超效率DEA模型的能源效率评价方法，可以对建筑物的工程设计和施工过程进行优化，提高能源利用效率，降低能源消耗。

3.交通运输行业能源效率评价：超效率DEA模型可以用来评估不同交通工具和运输方式的能源利用效率。

通过评估各个交通工具和运输方式的优劣，可以制定相应的政策和措施，促进能源节约和环境保护。

4.农业能源效率评价：超效率DEA模型可以应用于评估农业生产中的能源利用情况。

通过评估不同农业系统和技术的能源效率，可以优化农业生产方式，实现可持续发展。

结论：基于超效率DEA模型的能源效率评价方法是一种有效的评估能源利用情况的手段。

通过该方法，可以找出效率最高的单位，促进能源利用的优化和提高。

在实际应用中，可以根据不同行业和领域的需求，针对具体问题进行相应的优化和改进。

在未来，基于超效率DEA模型的能源效率评价方法将继续得到广泛应用，并为实现可持续能源发展做出贡献。

中国三大经济区域全要素能源效率研究_基于超效率DEA模型和Malmquist指数

［14 ］
Fig． 1
图 1 投入导向的超效率 DEA Super efficiency DEA based on inputoriented
其线性规划公式可表述如下：假设有 n 个决策单元，利用 m 种输入变量，得到了 s 种产出，线性规划方程为： min [ θ － ε（ ∑s i－ + ∑s r+ ] i =1 r =1 s． t． ∑λ j x ij + s i－ = x ik0 θ； ∑λ j x rj － s r+ = y rk ； λ j ， s i－， s r+ 0 （ 1 ）
j =1 j≠k j =1 j≠k n n m s
提出基于全要素生产率框架的全要素能源
本文试图从以下几个方面突破： ① 按照效率指标。因此，全要素能源效率思路，使用超效率 DEA 方法，测量并比较三大经济区域的全要素能源效率； ② 使用 Malmquist 指数测算三大经济区域的全要素生产率及其分解情况，并判断能源效率改善与全要素生产率增长的关系； ③ 回归分析全要素生产率分解的各指标对能源效率的影响，从而判断技术效率和技术进步对能源效率影响的大小。
收稿日期：2011 － 07 － 16 作者简介：马海良，博士生，讲师，主要研究方向为能源与环境经济。
分析其效率改善原因，并为我国域的能源效率展开研究，中西部地区节能工作提供有益借鉴，从而圆满完成“十二五” 规定的各项指标。
1
文献综述
学术上首先对能源效率的概念意见不一致。
“江苏发展低碳经济研究” （编号： 10EYC023 ）；中央高校基本科研基金项目 “长三角能源效率影响因素和节基金项目：江苏社科基金项目（编号： 10B101 － 027 ）。能政策研究”

基于超效率DEA的中国区域能源利用效率研究_蔡晓春

代表性文献有ea方法的几种线性规划模型测度了在开放经济条件下能源利用效率的状况议在不同的环境下采用一种基于多因素混合方式的规模报酬可变的环境数据包络分析技术来进行能源与环境之间的研究mukherjee应用法分析了美国制造业能源利用效率在新兴经济背景下应用ea方法测度了印度制造业的能源利用效率lihuchuanwang产出指标基于ea方法构建起了一个相对前沿的能源技术效率指标计算了中国29个省份19952002年的能源利用效率得到中国西部中部东部的能源利用效率呈倒ea方法计算了省际层面19952004年间的数据全国能源利用效率变动趋势在这10年间符合倒型大多省份能源利用效率符合先上升再下降ea方法对中国能源利用绩效进行了分析他们都认为传统的计算方法过于简单对各个地区之间的差异不够敏感而利用数据包络分析ea来分析地区能源利用效率更具有科学性并基于ea方法建立了不同的能源效率评价模型12
＊＊其中 , 当 θ < 1 , 表示实际投入可以依 θ 的比 r ＊ r -
穷小如 ε= 10-8 。如果式( 2) 中加上条件 ∑ λ j =1 ,
j =1
就是在规模报酬可变条件下的模型。对于多个同时有效的决策单元( 即效率评价值为 1) , 以上模型往往无法做出进一步的评价与比较。利用超效率 DEA 模型 , 能够对 DEA 有效单元进一步排序。这个模型的基本思路是 : 在评估决策单元时 , 将该决策单元本身排除在决策单元的集合之外。超效率 DEA 模型的形式如下 :
[ 1]
。 Ang B W 利用
IDA ( index decomposition analy sis )方法和 L IA ( Laspeyres index approach) 方法得到了能源利用效率指标 — — — 基于对数平均的迪维西亚指数的 LMDI ( Logarithmic mean Divisia index method ) 方法和基于算术平均的迪维西亚指数 AMDI( arithmetic mean Divisia index methods) 方法[ 2 -3] 。到目前为止 , 这些方法不仅可以研究能源需求 , 而且可以研究与能源相关的废气排放问题。 Ang B W 等在一系列的能

基于超效率DEA和Malmquist指数的中国农业生产效率分析

基于超效率DEA和Malmquist指数的中国农业生产效率分析侯琳;冯继红【摘要】Using the super-efficiency DEA model and the Malmquist index,this paper analyzes the agricultural production efficiency of 29 provincial regions in China from 1990 to 2016. The results are as follows: (1) The super-efficiency DEA analyzing result shows that the agricultural efficiency in eastern regionis the highest,and the efficiency in the western and central regions are lower than the efficiency mean of the whole country. Compared with the central and western regions,the eastern region has stronger economic strength and relatively more mature agricultural development models and plans,so the agricultural production efficiency in the eastern region is higherand less affected by the national agricultural policy. (2) The Malmquist index analyzing result shows that the agricultural total factor productivity (TFP) and technological progress in the eastern,central and western regions have achieved positive growth, but only the technical efficiency in the eastern region appears positive growth; Technological progress is the main driving force for TFP growth. The decline of technical efficiency is the main obstacle to TFP growth. The decline of scale efficiency is the main reason for the decline of technical efficiency.%采用超效率DEA模型和Malmquist指数,对1990—2016年中国29个省级地区的农业生产效率进行分析,结论如下: (1) 超效率DEA分析表明,东部地区的农业生产效率最高,中、西部地区效率低于全国平均水平.相较于中、西部地区,东部地区具有较强的经济实力和较为成熟的农业发展模式与规划,使其农业生产效率呈现较高水平且效率变化受国家农业政策的影响较小.(2) Malmquist指数分析表明,中国东、中、西部地区农业全要素生产率(TFP) 和技术进步都实现了正增长,但是只有东部地区的技术效率实现了正增长; 技术进步是TFP增长的主要动力,技术效率下降是TFP增长的主要障碍,规模效率下降是导致技术效率下降的主要原因.【期刊名称】《河南农业大学学报》【年(卷),期】2019(053)002【总页数】9页(P316-324)【关键词】超效率DEA模型;Malmquist指数;农业生产效率【作者】侯琳;冯继红【作者单位】河南农业大学经济与管理学院,河南郑州 450046;河南农业大学经济与管理学院,河南郑州 450046【正文语种】中文【中图分类】F323.32017年中央一号文件提出深入推进农业供给侧结构性改革，要在确保国家粮食安全的基础上，紧紧围绕市场需求变化，从供给侧着手，提高农业供给体系质量和效率，合理利用农业资源，优化要素配置，缓解生态环境压力，促进农民增收、农业增效、农村增绿。

基于超效率SBM模型的中国区域全要素能源效率评价

基于超效率SBM模型的中国区域全要素能源效率评价作者：吴家红段永瑞来源：《上海管理科学》2020年第01期摘要：建立了基于DEA模型的全要素能源效率評价指标体系，运用考虑非期望产出的超效率SBM模型，对我国30个省（直辖市、自治区） 2007—2016年的能源效率进行了测度，将测度结果按照东部、中部、西部三个区域进行了时空差异分析，并对各区域的全要素能源效率变化趋势进行收敛性检验。

结果显示：2007—2016年我国全要素能源效率整体呈现下降趋势，从三个区域的对比研究可以看出，我国区域能源效率存在明显差异，具体表现为东部能源效率最高、中部次之、西部最差，与我国区域经济发展水平的梯度相一致。

通过收敛性检验可以看出2007—2016年，我国全要素能源效率呈发散趋势，即地区之间的差距在逐渐增大。

关键词：数据包络分析（DEA）;全要素能源效率;超效率SBM模型;收敛性检验中图分类号： F 224文献标志码： AAbstract： In this paper， a system of total factor energy efficiency （TFEE） evaluation indices based on DEA model is established. The energy efficiency of 30 provinces （municipalities，autonomous regions） in China from 2007 to 2016 is measured by using the super-efficiency SBM model and considering undesired output. The spatial and temporal differences are analyzed for the eastern， central and western regions， and the convergence of TFEE trends in each region is tested. The results show that the TFEE of China has shown a downward trend from 2007 to 2016. The comparative study of the three regions shows that there are significant differences in regional energy efficiency in China. The eastern region has the highest energy efficiency， followed by the central region and the western region ranks the last，which is consistent with the gradient of China′s regional economic development level. It can be seen from the convergence test that China′s t otalfactor energy efficiency is diverging between 2007 and 2016， and the gap between regions is gradually increasing.Key words： data envelopment analysis （DEA）; total factor energy efficiency; super-efficiency SBM model; convergence test改革开放以来，中国经济建设取得了巨大成就。

基于超效率DEA和Malmquist指数的国家级产粮大县农业生产效率分析

素生产率增幅最大；从各个县（来看，区）武功县的农业生产综合效率和全要素生产率均领先于其他县（）区；从全要素生产率的增长结构来看，０５２０２０－０９年问１６个县（的全要素生产率的增长主要来自于农业技术区）进步，而不是技术效率和规模效率的提高。关键词：超效率ＤＡ；ｌｑｉ指数；ＥＭａｕｓｍｔ农业生产效率
王桂波，玉婷，韩南灵
（西北农林科技大学经济管理学院，陕西杨凌７２０）１１０
摘
要：综合运用超效率ＤＡ模型和曼奎斯特（ｌｕｓ）ＥＭａｉ指数法从静态和动态两个角度，ｍｑｔ对陕西省１国６个
家级产粮大县（）区农业生产效率进行了分析。研究发现：从整体上来看，６个县（）０７２０１区２０－０８年的全要
ｆｎａ：ｕｇｇｆｍｔｅｗｏ，ｈｔｃｒｒｄｃｉｔｈｄｔｅｆｓｓｇｏｔｓｅｄｄｒｇ２０ｏ２０；ｎｄｔｔｊｄｉｏｈｌｔｅｔａｆｔｏｕｔｉａｈｔｔｒｈｐｅｕｉ０７ｔ０８ｕｈｎｒｈｅｏｌａｏｐｖｙａｅｗｎ
ｇｏｈｏｅｔｔｌａｔｒｐｏｕｔｉｆｈｉｔｅｏｎｉｓｗｓｍａｎｙｆｏａｒｃｌｒｃｎｌｇｒｇｅｓｅｔｅｒｗｔｆｔｏａｆｃｏｒｄｃｉｔｏｅｓｘｅｎｃｕｔａｉｌｍｇｉｕｔａｔｈｏｏｙｐｏｒｓ，ｎｉｒｈｖｙｔｅｒｕｌｅｈｒｆｍｈｍｐｏｅｎｆｔｃｎｃｌｅｃｅｃｏｃｌｆｃｅｃｕｉｇ２０ｏ２０．ｏｔｅｉｒｖｍｅｔｏｈｉａｆｉｎｙｎｒｓａｅｅｉｎｙｄｒ０５ｔ０９ｅｉｉｎＫｅｒｓｕｅ — ｆｃｅｃＥＡ；Ｍａｍｑｉｔｎｅｙｗｏｄ：ｓｐｒｅｆｉｎｙＤｉｌｕｓｉｄｘ；ａｉｕｔｒｌｐｏｕｔｉｒｇｃｌａｒｄｃｉｔｕｖｙ

我国西部地区政府审计揭示效率实证分析——基于DEA和M aIm quist指数

我国西部地区政府审计揭示效率实证分析——基于DEA和M aIm quist指数模型的研究作者：贺宝成王家伟来源：《财政监督》 2018年第20期【摘要】政府审计效率对于保障地区经济健康发展具有重要作用，而西部地区审计效率鲜有关注。

本文选择我国西部地区审计机关为研究对象，运用DEA—BCC模型及Malmquist指数研究政府审计揭示效率。

研究发现西部地区审计揭示效率整体欠佳，但审计全要素实现年均6.9%的增长，增长主要源于技术进步。

基于审计揭示效率静态与动态双维分析结果，提出提升审计揭示效率的四种路径。

【关键词】政府审计揭示效率DEA—BCC模型Malmquist指数审计全要素一、引言审计揭示效率影响国家审计“免疫系统”揭示功能的发挥效果，审计全覆盖是充分发挥政府审计“免疫系统”作用的必要前提（迟国华，2016），对于审计揭示效率提出更高要求。

我国西部地区是“西部大开发”和“一带一路”两个国家级战略叠加区，面临着前所未有的政策红利和发展机遇，是机遇同时也是挑战。

西部大开发战略的实施使得新型、复杂的经济问题不断涌现，审计任务日益繁重，“一带一路”扩大和延伸了审计内容和范围，二者共同加剧了审计工作的难度和强度，对审计机关提出了严峻考验。

西部地区面临经济发展基础薄弱与资源要素制约的双重困境，审计资源受限，审计力量捉襟见肘，审计全覆盖要求使得审计力量不足与审计工作量不断加大的矛盾更为突出。

在审计资源短缺的背景下，提升政府审计效率才能从根本上解决审计资源短缺问题（公彦德，2014）。

地方审计机关作为经济发展的“护航员”，负有揭示问题、强化管理、防范风险的职责，然其审计揭示效率一直缺乏应有关注。

新形势下，优化资源结构，合理配置资源，提高审计揭示效率已然成为解决矛盾问题、保障发展质量的重要突破口与着力点，因而，对于我国西部地区政府审计揭示效率的研究具有较强的理论和现实意义。

二、文献综述审计效率的测度研究始于民间审计。

全要素视角下中国西部地区能源效率及影响因素

全要素视角下中国西部地区能源效率及影响因素刘丹丹;赵颂扬旸;郭耀【摘要】将非期望产出纳入到投入产出指标体系中,运用超效率DEA方法测算出2003～2012年中国29省区的全要素能源效率,利用Malmquist指数对西部地区全要素能源效率变动进行分解,并应用Tobit模型研究了西部地区全要素能源效率的影响因素.结果表明:西部地区全要素能源效率远低于东部地区,也略低于中部地区,说明西部地区整体能源利用效率较低;西部地区省际间全要素能源效率存在明显差异,但这种内部差异近年来逐步缩小;西部地区全要素能源效率在样本期间整体呈下降趋势,技术进步、纯技术效率变化、规模效率变化对全要素能源效率都有显著影响,技术退步是导致西部地区全要素能源效率下降的主要原因;产业结构优化和技术进步对提高全要素能源效率有积极作用,而能源价格和煤炭消费比重对全要素能源效率有负向影响.【期刊名称】《中国环境科学》【年(卷),期】2015(035)006【总页数】10页(P1911-1920)【关键词】全要素能源效率;超效率DEA;Malmquist指数;Tobit模型;中国西部地区【作者】刘丹丹;赵颂扬旸;郭耀【作者单位】东北财经大学统计学院,辽宁大连116025;大连理工大学管理与经济学部,辽宁大连116024;东北财经大学统计学院,辽宁大连116025;东北财经大学统计学院,辽宁大连116025【正文语种】中文【中图分类】X24世界能源委员会将能源效率定义为“减少提供同等能源服务的能源投入”，具体可用某一生产过程中的有用产出与能源投入之比来计算.Patterson［1］基于帕累托效率对能源效率进行了定义，即使用较少的能源创造出相同数量的服务或者其他有价值的产出，这也是目前学术界较为认可的定义.早期研究多用一个指标来反映能源效率，随着研究的深入，学者们逐渐达成共识，即能源效率是一个指标群而非单一指标.王庆一［2］将能源效率分为物理能效和经济能效两部分，并进一步将物理能效指标分解为热效率以及单位产品或者服务的能耗，将经济能效指标分解为能源成本效益以及单位产值能耗.魏楚等［3］参考投入产出的度量指标，把能源利用效率归为4类：热力学指标、物理-热量指标、经济-热量指标、纯经济指标.魏一鸣等［4］整合了多数研究者的观点，将能源效率指标分为7类，并系统剖析了各类指标的理论依据、假设前提以及适用范围.这7类指标分别是：能源宏观效率、能源实物效率、能源物理效率、能源价值效率、能源要素利用效率、能源要素配置效率、能源经济效率.对于一个国家或地区，能源经济效率是相对理想的能源效率测度指标.目前关于能源效率的研究主要集中在能源效率的测算、影响因素及收敛性等方面.能源效率的测算包括单要素能源效率和全要素能源效率两种思路，单要素能源效率属于较为传统的能源效率测算方法，由于不能反映潜在的能源技术效率而逐渐被摒弃.全要素能源效率基于生产函数理论，把参与生产过程的所有要素均纳入到测算体系中，能够更准确地反映能源效率.全要素能源效率测算方法主要包括参数法和非参数法两类.参数法是利用事先设置函数形式的办法进行参数估计，能够作为参数法先验函数的有C-D函数、CES函数、Translog函数、随机前沿函数等.史丹等［5］利用随机前沿生产函数的区域能源效率差异分析模型分析了造成我国1980～2005年间能源效率差异的因素，并取得了理想的效果.但参数法的缺陷是有时会出现预设生产函数与现实不符的情况，并且利用随机前沿法解决多产出问题往往存在一定的困难.非参数法的原理为利用数据驱动得到一条线性的包络凸面，将该凸面作为生产前沿，从而避免参数函数的估计.最常用的非参数法是数据包络分析（DEA），它是把投入产出点映射到空间内，将最小投入以及最大产出作为效率边界，然后基于此测算其他点与边界之间的离差程度.Hu等［6］首次将全要素能源效率指数引入能源效率评价，将资本存量、劳动力、能源等因素作为多元投入，应用DEA方法测算了中国1995～2002年29省的全要素能源效率.Chang［7］对Hu等的模型进行了改进，以非产出增长模型来计算全要素能源效率.魏楚等［8］使用DEA方法测算出中国各省的能源效率，并分析了各省之间能源效率差异的影响因素.师博等［9］在传统生产函数中增加了知识存量，然后通过超效率DEA模型测算出中国不同地区的能源效率.屈小娥［10］基于超效率DEAMalmquist生产率指数测算了1990～2006年全国30个省份的全要素能源效率及技术进步、技术效率指数.曾贤刚［11］基于DEA方法构建出一个包含CO2排放量的综合能源效率指标，利用2000～2007年省际面板数据计算了中国30个省市的综合能源效率.王维国［12］基于序列DEA的方向性距离函数及Malmqulist-Luenberger 指数测度了1999～2010年我国 28 个省区市及东、中、西三大区域的全要素能源效率的动态变化及其分解变量.徐丽萍等［13］基于隐含能思想提出了行业完全能源效率的概念，并将投入产出模型与DEA方法相结合建立模型，对北京市42个行业的完全能源效率进行了评价.关于能源效率的影响因素，大多数学者认为能源效率改善的重要原因是技术进步以及产业结构调整.关于产业结构对能源效率的影响，Denison［14］和Maddison［15］指出，如果能源要素从生产率较低的部门向生产率较高的部门转移，经济实体的整体能源效率就会有所改善，反之亦然.关于技术进步对能源效率产生的影响，Khazzoom［16］指出，由于技术进步存在“回弹效应”，即技术进步虽然能够提高能源效率，减少能源消耗，但同时也会提高生产率，促进经济增长，从而增加能源需求，抵消部分能源消费减少，因此无法准确估计出技术进步指数.除了上述两个因素，Renshaw［17］指出能源价格也是引起能源效率变化的重要因素.相关研究表明，影响中国能源效率的因素有技术进步、产业结构、所有权结构等，但某些因素的影响方向和程度还存在争议，这可能是由于能源效率的定义、分析层面、时间段及研究方法不同造成的.吴巧生等［18］的研究表明，中国能源消耗强度减小的原因主要是各部门能源利用率提高，这其中最关键的因素是技术进步.王群伟等［19］利用Malmquist 指数对1993～2005年我国28个省区的全要素能源效率变动进行了分解，证明技术效率对能源效率的影响程度甚至超过了技术进步，原因是技术进步会产生回弹效应.袁晓玲等［20］指出，产业结构、所有权结构、能源消费结构以及能源禀赋等因素与能源效率呈显著负相关关系，能源价格则与能源效率呈弱正相关关系.但是，也存在着一些其他的看法，如史丹［21］认为产业结构对能源效率有影响并不是因为第二产业在国民经济中的比重，而可能是因为第二产业尤其是工业的技术水平.李廉水等［22］认为技术效率比技术进步更有利于提高工业部门的能源效率.关爱萍等［23］发现，能源价格对提高能源效率有抑制作用.Li等［24］利用SBM模型研究了2005～2009年中国的全要素能源效率及其影响因素，发现研发投入和外贸依存度对能源效率有正向影响，第二产业比重和政府对工业污染的补贴对能源效率有负向影响.上述研究在全要素能源效率领域进行了有价值的探索，但总体而言仍然存在以下两点不足：（1）大部分研究沿用“多投入-单产出”方式测算能源效率，鲜有人将环境污染带来的“负产出”效应纳入指标体系，少数考虑环境因素的研究中，也仅仅考虑了二氧化碳排放量等单一指标；（2）现有研究主要针对全国、行业、个别省份，针对某一区域能源效率的研究很少，且为某一时期的平均值，无法反映能源效率的变动趋势.中国西部地区包括四川、广西、贵州、陕西、云南、内蒙古、甘肃、青海、宁夏、新疆、重庆、西藏共十二个省区，疆域辽阔，资源丰富，截至2012年年底，西部地区石油基础储量占全国基础储量的37.65％；天然气基础储量占全国基础储量的84.80％.但是，西部地区丰富的自然资源不仅没有促进经济发展，反而对经济增长产生了负效应，2012年西部地区GDP仅占全国的19.76％，全国大部分贫困人口也都分布于西部地区.学术界将这种“富裕的贫困”现象称为“资源诅咒”效应［25］.近年来，随着西部大开发的深入实施，西部地区经济增长步伐明显加快，但是过度能源消耗和污染严重等问题始终是制约西部地区经济发展的重要因素.为了帮助西部地区破解“资源诅咒”，提高能源利用效率，充分发挥能源对经济发展的推动作用，本文将非期望产出纳入到能源效率评价体系中，用主成分分析法将5种污染物排放量综合成为一个污染排放指标，建立“多投入-多产出”模型，运用超效率DEA 方法测算出2003～2012年中国29省区的全要素能源效率，利用Malmquist指数将西部地区全要素能源效率变动分解为技术进步、纯技术效率变动和规模效率变动，并采用Tobit模型对影响能源效率的因素进行研究，以期为提高西部地区能源效率提供有价值的参考.1.1 超效率DEA方法假设有n个决策单元（j=1，2，…，n），每个决策单元都有m种输入xj=（x1j，x2j，…，xmj）T及s种输出yj=（y1j，y2j，…，ysj）T，u=（u1，u2，…，us）T和v=（v1，v2，…，vm）T分别为投入和产出权向量，令，ω=tv，μ=tu，则对第j0个决策单元效率进行评价的C2R模型可以表示为：引入松弛变量s-和剩余变量s+，可以得到其对偶线性规划式中：θ为决策单元的有效值.但是传统C2R模型不能进一步区分多个同时处于生产前沿面的DMU（决策单元）的相对效率，针对上述情况，Anderson等［26］提出了超效率（Super-Efficiency）DEA模型.与传统DEA模型相比，超效率DEA模型主要考虑被评价DMU相对于其他DMU的效率，测算时将效率得分为1的DMU（即有效DMU）从参考效率前沿面分离出去，因而能够进一步区分出有效DMU之间的相对效率差异，可对所评价的DMU进行有效的比较与评价.面向投入的超效率DEA模型可表示为［27］：其对偶模型可以表示如下：超效率DEA模型构造参考集时，排除了被评价DMU原来的投入和产出，用其他DMU的投入和产出的线性组合代替其投入和产出.因此，在超效率DEA模型中，无效DMU的效率值与C2R模型一致，而有效DMU的效率值有可能大于1.1.2 Malmquist指数Malmquist指数最早由瑞典统计学家Malmquist于1953年提出，目前普遍采用的是Fare等构建的基于DEA方法的Malmquist指数.以t时期技术为参照，基于产出角度的Malmquist指数可以表示为：同理，以t+1时期技术为参照，基于产出角度的Malmquist指数可以表示为：为避免时期选择的随意性所造成的差异，Caves等［28］仿照Fisher理想指数的构造方法，取二者的几何平均数作为衡量从t期到t+1期生产率变化的Malmquist指数，即：式中（xt+1，yt +1）、（xt，yt）分别表示t+1期和t期的投入和产出向量；和分别表示以t时期技术为参照，t+1期和t期的距离函数.Malmquist指数可以分解为纯技术效率变动，技术进步以及规模效率变动，即：式中：PTEC（Pure technical efficiency change）表示纯技术效率变动，指不同时期决策单元相对于生产前沿的距离的比值；TC（Technical change）表示技术进步，即生产前沿的移动对生产效率变化的影响程度；SEC（Scale efficiency change）表示规模效率变动，通过比较在同一生产前沿上的不同时期投入的规模效率，反映规模经济变动对生产效率变动的作用.利用Malmquist指数，可以对全要素能源生产率变动及其分解因素进行研究.1.3 投入产出指标及数据来源选取2003～2012年除西藏自治区、台湾省、重庆市、香港和澳门特别行政区以外的29个省、直辖市、自治区（以下称为省区）的数据作为能源效率评价的决策单元，从模型结果中选出西部10省区1本文中西部地区包括内蒙古、广西、四川、贵州、云南、陕西、甘肃、青海、宁夏、新疆等10个省区，西藏和重庆由于数据不全而不包括在内.的结果进行分析.本文参考Rashe［29］建立的3要素生产函数，选取能源、人力和资本作为投入要素.（1）能源投入本文选取各省当期能源消费总量作为能源投入指标，由于各种类型能源的量纲及单位能源热值的不同，采用统一折算为“万吨标准煤”的能源消费总量指标.数据来源于《中国能源统计年鉴》［30］.（2）人力资源投入现有研究大多采用当期从业人员数量作为人力资源投入，该指标仅反映了劳动力数量的变化，没有反映劳动者素质的差异.为了综合反映劳动力数量的变化与劳动力素质的差异，本文将年末社会从业人员总数与15岁以上人口的平均受教育年限的乘积作为人力资源投入总量.数据来源于第六次人口普查数据和《中国统计年鉴》［31］.（3）资本投入大多数学者认为资本存量可以较为精确地代表生产过程中的资本投入，但目前从统计年鉴中无法直接获取资本存量数据，本文参照多数学者的做法，采用张军等［32］对中国各省2000年资本存量现值的测算结果，以此为基准推算得到2003～2012年的资本存量，并用2000年不变价格进行缩减.产出指标同时考虑期望产出与非期望产出，以反映经济发展质量与节能减排成效. （1）期望产出——经济产出本文采用GDP作为期望产出指标.数据来自《中国统计年鉴》［31］，以2000年不变价格进行了缩减.（2）非期望产出——污染物排放本文将二氧化碳排放量、二氧化硫排放量、烟尘排放量、氮氧化物排放量、化学需氧量排放量这5个指标作为污染物产出原始指标，并利用主成分分析法将5个指标合成为一个污染物排放指标.主成分分析法是因子分析法的一种，也是应用最广泛的一种.主成分分析法通过坐标变换对原有变量进行线性组合，选取前几个方差较大的主成分来反映原有变量的绝大部分信息，从而有效降低变量维数.本文采用主成分分析法求解初始公共因子特征值、方差贡献率及累计方差贡献率，计算结果表明各年度特征值大于1的公共因子累计方差贡献率均在70％以上，能够反映原始数据平均72.96％的信息，具有较好的代表性.根据公共因子载荷矩阵计算各年度各省的综合得分，即为污染物排放综合指数WR.DEA模型包含一个基本假定，即以尽可能小的投入提供尽可能多的产出，而污染物排放表现为负的社会效应，其值应该是越小越好，因此需要转换后才能代入模型.本文采用线性函数WR′=WR+v 对其进行转换，其中v是一个足够大的正数，根据WR的值取v=5.二氧化碳排放量由来计算［32］，其中Ei为能源i可供本地区的消费量.Ai为能源i的二氧化碳排放系数，由各类能源的燃料净发热值和燃料碳含量计算得到.本文共选取17类化石能源，Ei的数据来源于《中国能源统计年鉴》［30］各省能源平衡表（实物量），各省二氧化硫排放量、氮氧化物排放量、化学需氧量排放量、烟尘排放量数据均来自《中国统计年鉴》［31］.考虑非期望产出的全要素能源效率能更客观地反映能源投入与产出之间的关系，由于产出指标中包含非期望产出，计算的全要素能源效率值预计比不包含非期望产出的效率值低.2.1 西部地区省际全要素能源效率测算本文关注的是能源作为区域经济增长的一种投入要素，因此选取基于投入导向的超效率DEA模型，利用EMS软件，得到2003～2012年中国各省的全能要素效率值，从中选出西部10省的数据进行分析（表1）.表1的数据显示，2003～2012年，我国东部、中部和西部三大区域全要素能源效率呈现出“东—中—西”由高到低的格局，东部地区的平均能源效率为0.8572，明显高于全国整体水平和中部、西部地区；西部地区的平均能源效率最低，为0.7641，中部地区的平均能源效率为0.7643，略高于西部地区，且二者之间的差距逐渐缩小.由于引入了非期望产出指标，本文计算的全要素能源效率值比其他类似研究计算的数值要低，且各地区的能源效率都呈现出比较明显的下降趋势，这说明如果不考虑环境因素的确会导致能源效率的高估.从全要素能源效率的变动趋势来看，2003～2012年，西部地区各省区的能源效率都呈现出下降趋势，其中内蒙古、广西、云南、甘肃几个省区的下降趋势比较明显，其余各省区的下降趋势相对平缓.西部地区各省区的全要素能源效率存在显著差距，能源效率最高的省份是四川和青海，2003～2012年间两省的全要素能源效率始终为1左右，这表明与其他省区相比，四川和青海的能源得到了较为充分的利用，资源配置也相对比较合理，从而在相同的产出水平下实现了最小的能源投入，达到相对能源效率最优.内蒙古、广西、陕西、宁夏、甘肃5省区的全要素能源效率值在0.7～0.8之间，说明这些省份的能源效率仍有提升空间，需要在技术水平和资源配置方面加以改进.云南、贵州、新疆3省区的全要素能源效率值在0.6～0.7之间，说明这3省区与生产前沿面的距离较远，能源利用效率较低.整体而言，西部10省区的全要素能源效率仍不高，主要原因是西部地区目前的经济增长方式仍以“高投入、高消耗”的粗放式增长为主，同时有些地区环境保护意识薄弱、观念落后，忽略了环境保护，在经济发展的同时对生态环境造成了破坏.2.2 基于Malmquist指数的全要素生产率分析为了进一步分析西部地区全要素能源效率的变动情况，利用Malmquist指数对西部10省区分年和分省的全要素能源效率变动进行分解，Deap2.1软件的计算结果详见表2和表3.由表2可知，2003～2012年，西部地区全要素能源效率平均下降了4.29％，各年的全要素能源效率变动均小于1，表明西部地区全要素能源效率整体呈现下降趋势.从Malmquist指数的分解结果来看，各年的技术进步指数TC和纯技术效率指数PTEC均小于1，规模效率指数SEC则在1附近上下波动，有的年份大于1.技术进步指数的值最小，说明这10年间出现了较为明显的技术退步，这也是导致西部地区全要素能源效率下降的主要原因.表3的分省Malmquist指数分解结果显示了与表2类似的趋势，各省区的全要素能源效率都有不同程度的下降，且技术退步是导致全要素能源效率下降的主要原因.2.3 全要素能源效率的计量分析Hu等［6］认为技术进步、纯技术效率和规模效率的改善有助于能源效率的提高.为深入研究技术进步、纯技术效率和规模效率对全要素能源效率的影响，以各省的纯技术效率指数、规模效率指数和技术进步指数作为解释变量，全要素能源效率作为被解释变量，构建计量分析回归模型.因为Malmquist 指数表示的是与上一年相比的变化情况，因而将被解释变量全要素能源效率也转化为与上一年的比值.构建的回归模型表达式如下：0.6357，表明这3个指数每提高1％，可以分别引起全要素能源效率平均提高0.4350％、0.9512％、0.6357％.技术进步指数的系数最小，表明技术进步对全要素能源效率的贡献最小；纯技术效率指数的系数最大，超过了技术进步指数的系数，这也印证了技术进步存在回弹效应的猜想.式中：i代表第i个地区；t代表第t年；Eechit、Techit、Pechit和 Sechit分别代表全要素能源效率的变动率、技术进步指数、纯技术效率指数、规模效率指数，εit为随机扰动项；C为常数项.采用Eviews8.0估计模型参数，首先对各变量进行单位根检验，结果表明Eechit、Techit、Pechit和 Sechit均为平稳序列.Hausman检验与似然比检验结果均表明应该建立随机效应模型，为了消除异方差和序列自相关的影响，采用横截面加权的GLS法进行估计，回归结果见表4.从计量回归结果可以看出，模型整体的拟合优度为0.6345，截距项以及各解释变量系数所对应的P值均小于0.05，表明技术进步、纯技术效率及规模效率的变化对全要素能源效率变动都有显著影响.技术进步指数、纯技术效率指数及规模效率指数的系数分别为0.4350、0.9512、3.1 影响因素的确定根据相关理论，同时考虑数据的可获得性，选取产业结构、能源消费结构、技术进步、对外开放程度、能源价格等影响因素进行分析.数据来源于《中国能源统计年鉴》［30］、《中国统计年鉴》［31］、《中国科技统计年鉴》［34］等.（1）产业结构.以各省第二产业增加值比重（GC）和第三产业增加值比重（FC）来反映产业结构.（2）能源消费结构.目前西部地区能源消费以煤炭为主，因此采用各省原煤消费量占全省能源消费总量的比重（CC）来衡量能源消费结构.（3）技术进步.采用R&D 经费支出（RD）作为衡量技术进步的指标.（4）对外开放程度.选取进口额比重（IC）和出口额比重（OC）两个指标，分别从进口和出口两个角度衡量对外开放程度.（5）政府影响力.选取财政支出占GDP比重（MC）和污染治理支出占GDP比重（WC）来衡量政府影响力.（6）能源价格（JG）.以原材料、燃料、动力购进价格指数反映能源价格（该指数从2011年1月起改称为“工业生产者购进价格指数”），以2000年的能源消费价格指数为基准.3.2 模型选择本文测得的各省区全要素能源效率取值均大于0，表明只能从“掐头”的连续区间随机抽取被解释变量的样本观测值，即数据被截断.对于包含截断被解释变量的模型，若采用OLS法进行估计，会导致参数估计量的偏误，在不了解解释变量分布的情况下，要估计出偏误的程度非常困难.因此，本文运用Tobit 模型对数据进行检验，以克服一般线性回归参数估计有偏且不一致的问题.Tobit模型又称为删截回归模型，是一种被解释变量受限的模型，适用于解决效率分布问题且能得出效率改进的方向和途径.Tobit 模型的一般形式如下：式中为被解释变量，即全要素能源效率；是解释变量，即各影响因素；σ是尺度参数，是确定值，需要和参数β一同估计；εi～N（0，σ2），其中被解释变量的值由下式确定：不失一般性，设a为0，这是Tobit模型的标准形式.在Tobit模型标准形式中，当yi＞0时，被解释变量取无限制的实际观测值；当yi≤0时，被解释变量受限制，均截取为0表示.3.3 回归结果及分析对2003～2012年西部地区10省的面板数据，以各省全要素能源效率为被解释变。

中国省际要素投入结构绩效评价研究——基于超效率DEA模型和Malmquist指数法

中国省际要素投入结构绩效评价研究——基于超效率DEA模型和Malmquist指数法张珍花; 曾志康【期刊名称】《《华东经济管理》》【年(卷),期】2018(032)004【摘要】文章基于"十二五"规划期间中国31个省区市的面板数据,首先采用超效率DEA模型对各省市生产效率进行测算,其次利用Malmquist指数法对各省市综合生产率指数进行计算及分解,最后通过Tobit模型对中国生产效率进行环境影响因素分析。

研究结果表明:从静态分析结果来看,2011-2015年中国生产效率逐步提升,各省市要素投入结构缺乏合理性,且存在区域差异;从动态分析结果来看,技术落后是导致中国各省市综合生产率普遍下降的主要原因;从影响因素分析结果来看,交通便利程度对提升生产效率具有显著的推动作用,受教育程度、市场开放程度和居民收入水平对提升生产效率均具有显著的制约作用。

【总页数】7页(P55-61)【作者】张珍花; 曾志康【作者单位】江苏大学财经学院江苏镇江212000【正文语种】中文【中图分类】F061.5; F222.33【相关文献】1.省际全要素生产率的测算与分解——基于DEA的非参数Malmquist指数法 [J], 陈秋明;苟娟2.基于DEA-Malmquist指数法的供电企业绩效评价研究 [J], 雍浩;杨少华;杨颖;赵萌萌;唐平舟3.基于DEA-Malmquist指数法的供电企业绩效评价研究 [J], 雍浩;杨少华;杨颖;赵萌萌;唐平舟;4.我国不同区域高校科研绩效评价——基于超效率DEA模型和Malmquist指数法 [J], 赵庆国;何佳5.中国省际高技术产业创新效率评价研究——基于超效率DEA模型和Malmquist 指数法 [J], 张月明;蒋元涛因版权原因，仅展示原文概要，查看原文内容请购买。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

Ｆｅｂ．２Ｏ１４
份的全要素能源效率变动进行分解，这是首次从动态视角研究中国全要素能源效率，结果表明，技术效率比技术进步更有助于能源效率的改善［引。屈小娥基于ＤＥＡ—Ｍａｌｍｑｕｉｓｔ指数，实证测算了
经济发展具有典型意义。本文首先采用超效率
一
３２ —
第２期（总第２４４期）２０１４年２月
工业技术经济
ＪｏｕｒｎａｌｏｆＩｎｄｕｓｔｉｒａｌＴｅｃｈｎｏｌｏｇｉｃｌａＥｃｏｎｏｍｉｃｓ
Ｎｏ．２（Ｇ既Ｉ，Ｎｏ．２４４）
基金项目：教育部人文社会科学研究规划项目（项目编号：１２ＹＪＣＺＨ２８２）；国家自然科学基金项目（项目编号：７１２６３０４５）；西北师范大学 “ 知识与科技创新工程 ” 科研骨干培育项目（项目编号：ＮＷＮＵ—ＫＪＣＸＣ．Ｃ—ＳＫ０３０３ —１４）ｏ作者简介：关爱萍，西北师范大学商学院副教授，经济学博士后。研究方向：资源环境经济、评价理论与方法。师军，西北师范大学商学院硕士研究生。研究方向：区域经济。张强，西北师范大学商学院副教授，博士后，硕士生导师。研究方向：资源环境管理、系统建模仿真。
国内生产总值能耗要比２０１０年下降１６％，单位国内生产总值二氧化碳排放比２０１０年下降１７％，西部地区由于经济发展落后、技术水平低下等原因，将面临更大的节能减排压力。因此，探讨西部各省能源效率的差异和变化趋势，以及能源效率的影响因素对西部地区实施可持续发展有重要意义。
Ｆｅｂ．２Ｏ１４
中国西部地区省际全要素能源效率研究
— —
基于超效率ＤＥＡ模型和Ｍａｌｍｑｕｉｓｔ指数
关爱萍师军张强
（西北师范大学，兰州
［摘
７３００７０）
要］本文基于超效率ＤＥＡ模型，测算出２０００～２０１１年中国西部ｌ１个省考虑环境效应的全要
［中图分类号］Ｆ４１６．２［文献标识码］Ａ
引言
当前中国西部地区能源问题不容乐观，一方面，随着经济快速发展，能源需求日趋增加，另
一
对能源效率的传统定义产生质疑，认为传统定义只是衡量能源投入与产出之间关系的一个比例，
而没有考虑其他投人要素对生产的影响。鉴于此，Ｈｕ等学者引入了全要素能源效率指标，该指标不仅能反映投入产出关系，而且能反映生产要素的替代关系，因此，全要素能源效率更加科学精确。
能源效率是指用较少的能源生产同样数量的
服务或有用的产品… ，这是能源效率的传统定义。
随着能源效率研究的深人，越来越多的学者开始
收稿日期：２０１３ — 。王群伟等采用Ｍａｌｍｑｕｉｓｔ指数对１９９３ —２００５年中国２８个省
部地区能源效率提升有促进作用，能源价格、煤炭消费以及区际产业转移的上升对西部地区能源效率提升
有抑制作用。
［关键词］全要素能源效率
超效率ＤＥＡＭａｌｍｑｕＪｓｔ指数Ｔｏｂｉｔ模型
ＤＯＩ：１０．３９６９／ｉ，ｉｓｓｎ．１００４—９１０Ｘ，２Ｏ１４．０２．ＯＯ４
在全要素能源效率框架下，数据包络分析
（ＤＥＡ）得到广泛的应用。Ｈｕ等选择资本、劳动力、能源消耗量和农作物的种植面积作为投入指标，以国内生产总值作为产出指标，利用Ｃ２Ｒ— ＤＥＡ模型对中国省际全要素能源效率进行研究，这是首次运用ＤＥＡ方法研究中国省际能源效率的探索之作【２Ｊ。魏楚、沈满洪基于投入导向的ＤＥＡ模型测算了中国各省的能源技术效率，并利用产业结构、政府影响和对外贸易等变量对省际能源
第２期（总第２４４期）２０１４年２月
工业技术经济
ＯＵｌ－ｎａｌｏｆＩｎｄｕｓｔｒｉａｌＴｅｃｈｎｏｌｏｇｉｃｌａＥｃｏｎｏｎｉｆｃｓ
Ｎｏ．２（Ｃ－ｅｎｅｒａｌ，Ｎｏ．２４４）
素能源效率，并运用ＭａｈｒＴｕｉｓｔ指数法将全要素能源效率指数分解为技术进步指数和技术效率指数，最后
利用Ｔｏｂｉｔ模型对全要素能源效率影响因素进行了分析。结果表明：西部各省能源效率差距较大，其中，
内蒙古、重庆和青海的能源效率较高，广西、贵州、云南和甘肃的能源效率比较低；样本期间，西部地区平均全要素能源效率下降了０．４％，技术进步是能源效率变动的主要因素；第二产业和第三产业发展对西
但是使用传为环境影响因素选取基于投入导向的bc2一dea统的dea评价决策单元的效率时会出现多个决模型测算了2006年中国省际全要素能源效率而策单元都处在前沿面上从而无法判断其优劣且分别以经济产出和环境污染作为产出指标测因而andersn建立了基于投入导向的超效率dea算出2006年中国省际能源经济效率和环境效率模型使相对有效的决策单元之间也能进行效率并对能源系统经济产出和环境影响进行综合分高低的比较原理如图1所示在计算c点效率析
方面，能源利用效率同中东部地区相比差距较
大，仍沿袭着 “ 高能耗、低产出 ” 的发展模式，
而且，能源消耗所产生的二氧化碳等温室气体对
气候的影响也越来越引起了人们的关注。政府在
“ 十二五 ”规划中明确规定，到２０１５年我国单位