制造业能源效率及其影响因素分析

制造业能源效率及其影响因素分析

一、引言

进入新世纪以来，随着我国工业化城市化进程的加快，国民经济逐步表现出对能源的高消费和强依赖的特点，能源巨额消耗对可持续发展施加越来越大的压力。作为应对措施，2005年，我国政府提出了“十一五”期间节能减排的约束性指标，即在五年间单位GDP能耗减排要比“十五”降低20%。2006~2008年单位GDP能耗累计共下降10.1％，五年即将过去，节能结果并不令人满意。原因在于现有的节能降耗指标是以行政区域为分解对象按单位GDP能耗为约束目标的，这是典型的区域治理方式，它的局限性在于分解对象没有直接针对能源消耗的行业或企业。为加大节能减排力度，我国在“十二五”期间有必要以行业或企业为约束对象并分解节能指标。有鉴于此,我们首先必须弄清楚各行业的能源效率状况、节能潜力以及影响因素,然后再在此基础上采取对策措施,以确保国家节能减排目标的实现。

为了弄清我国行业能源效率现状及其影响因素，众多学者主要以工业为对象展开研究。唐玲、杨正林（2009）利用DEA方法测算了1998~2007年中国工业行业能源效率,并利用Tobit模型探索工业经济转型对能源效率提升的影响机制。研究发现,中国工业能源效率的总体水平较低。开放程度高、竞争性强的行业能源效率较高,而开放程度低、垄断程度高的行业能源效率水平低;工业能源效率随着企业规模的扩大呈倒“U”形特征；李世祥、成金华（2008）采用DEA方法,应用不同目标的能源效率评价模型,评价了1990-2006年间中国的能源效率状况,并用“两步法”估计其影响因素。认为工业部门能源效率不高是由能源密集型的工业结构以及生产技术结构所决定的；王少平、杨继生（2006）研究了12个工业行业的能源消费与行业增长的综列协整关系,得出了我国工业各主要行业的能源消费与行业增长和能源效率之间存在长期均衡,且长期均衡具有显著短期调整效应的结论；庞瑞芝,王卢羡等（2009）采用数据包络分析法对经济转型期间工业部门全要素能源效率进行分析，指出中国工业部门增长以能源低效为特征,工业部门全要素能源效率和技术效率都偏低,工业增长模式依旧粗放,重化工业化发展水平较低；孙海、王元地等（2009）将能源消耗强度分解为结构份额和效率份额两个因素，分析了制造业产业结构调整和能源效率提高对能源消耗强度的影

2

响，发现我国制造业能源消耗强度在不断下降，原因是产业结构调整和能源使用效率提高的综合影响；周鸿和林凌(2005)、史丹(2006)、吴巧生和成金华(2006)认为产业结构变动对能源效率的影响并不显著,王玉潜(2003)则发现产业结构调整对能源效率的提升有负向作用；史丹(2002)研究认为对外开放通过强化资源配置效率提升了能源效率,魏楚和沈满洪(2007a)考察了产业结构、政府财政支出、进出口和国有经济比重对于能源效率的影响因素,师博和沈坤荣(2008)通过对能源消费结构、国内贸易比重、国有经济比重、FDI 和能源价格对于能源效率影响因素的考察,发现市场分割造成了全要素能源的损失。

以上研究把研究对象锁定在工业层面而不是省际区域，避免了使用省域宏观数据在加总过程中由于变量的波动性减少所导致严重的信息损失,及其所忽略的中国经济多层次性、复杂性等多元特征(涂正革, 2007)等问题。而以工业行业作为研究单位,信息量更丰富,比以省市作为基本研究单位更能发现能源效率影响因素的制度及行业环境因素（唐玲,杨正林，2009），这对本文研究提供了重要启示。但是，已有的以工业为对象的研究却也忽略了不同行业间要素配置的区别，缺乏对要素配置结构的认识。而要素使用结构是效率变动的起始点，目前方法的缺陷难以实现对不同类型行业的详细评价。另一方面，已有文献一般都是从国家宏观经济层面探讨能源效率的影响因素,鲜有从行业这一中观层面上的探讨，这就使得分析结论难免与行业实际之间存在差距。因此，本文从中观层面上选取不同要素密集度制造业作为研究对象，并在此层面上探讨能源效率变动的具体影响因素，这对于更准确地把握制造业能源效率及其根源，并倡导把原来以行政区域分解节能降耗指标的做法改变为以行业为单位来分解，更具针对性和实际意义。

二、能源效率的研究方法

（一）DEA 模型介绍与全要素能源效率定义

数据包络分析(DEA)是由美国著名运筹学家Charnes 和 Cooper 等于1978年提出的,是在 Farrell 测度基础上发展起来的一种评价决策单元(decision making unit,DMU )相对业绩的非参数方法,其中应用最普遍的模型是C 2R 模型。假设有n 个决策单元（DMU ），每个决策单元（j D M U ）都有m 种输入和s 种输出，其中T mj j j j x x x x ),...,,(21=，T sj j j j y y y y ),...,,(21=,0>ij x 为第j 个决策单元j DMU 的第i 种输入类型的输入量；0>rj y 表示j DMU 的第r 种输出类型的输出量（),...,2,1;,...,2,1;,...,2,1s r m i n j ===。0000,j j y y x x ==分别为决策单元0j DMU 的输入和输出。对于选定的0j DMU ,判断其有

效性的径向DEA 模型可以表示为:

⎥⎦

⎤⎢⎣⎡+-∑∑==+-)(min 11m i s r r i s s εθ

3 01

.

.ij n j i ij j x s x t s θλ=+∑=-，m i ,..,2,1= 01rj n j r rj j y s y =-∑=+λ

，s r ,..,2,1=

,0≥j λ ;,...,2,1n j = 0≥-i s ，0≥+r s

其中-i s 和+r s 分别为剩余变量和松弛变量，ε为非阿基米德无穷小量，

一般取6

10-=ε，θ为该决策单元0j DMU 的有效值，当1=θ时，称0j DMU 为DEA 有效，当1<θ时，称0j DMU 为DEA 无效。DEA 方法正是通过一系列线性规划的计算来识别处于效率前沿的点,以此作为非效率决策单元的改进目标(Coelli, 1996)的。最优前沿由有效率的决策单元构成（决策单元的最大化产出已经标准化为1），非效率点相对于最优前沿上有效点而言存在过度投入,即实现同样产出需要更多的资源。按照Farrell(1957)的解释，相对于在效率前沿上的参照点，无效点的无效损失包括两个部分:一部分是由于技术无效率而导致的所有投入过量,这一部分可以通过径量调整来减少投入量;另一部分是由于资源配置不当导致的松弛投入量,这一部分可以通过松弛调整来减少。因此, 在计算效率的时候,必须同时考虑径向调整量和非零投入松弛量。径向调整量与松驰量之和即为无效点为达到处于最优前沿上的目标点所可能实现的 “节约”数量。

正是基于以上方法，Hu 和Wang(2006)提出了全要素能源效率(total factor energyefficiency,TFEE)的概念,并将其定义为在其他要素保持不变的前提下,按照最佳生产实践,一定的产出所需的最少能源投入量与实际投入量的比值。即:/P O TFEE E E =，其中O E 为实际投入量，P E 为目标投入量。调整量adj O P E E E =-。该定义包含了除能源要素投入以外的其他要素(资本和劳动力)对能源效率的影响。其中,能源投入的目标就是最佳实践的能源投入最低水平。由于实际能源消费总是大于或者等于目标值,所以TFEE 的值在0、1之间。当TFEE 指数越接近于1,说明其效率越高,需要的调整量越小;反之,若TFEE 指数近于0,表明其能源消费的低效率,需要的调整量也就越大。上述目标值与调整值都可以由输入导向型的DEA 模型计算获得。

本文的主要工作在于沿袭Hu 和Wang (2006)的思路,基于DEA 方法测算中国1995~2008年28个制造行业的能源效率,分析中国不同要素密集制造业能源效率的特征,并使用Tobit 模型探讨能源效率的影响因素。

(二)投入产出变量的选取、数据来源与处理

行业划分：国民经济行业分类标准GBT4754-2002将制造业门类分成30个2位码的大类