张志雯，王子龙

(南京航空航天大学经济与管理学院，江苏 南京 210016)

碳约束下技术创新对能源效率影响的空间计量分析

张志雯，王子龙

(南京航空航天大学经济与管理学院，江苏 南京 210016)

基于处理非期望产出的SBM 模型，测算了2005—2014年中国30个省份碳约束下的能源效率值及节能减排潜力，并与非碳约束下能源效率值进行对比分析。运用空间滞后模型SLM和空间误差模型SEM对能源效率的影响因素进行估计分析，深入研究技术创新对能源效率的影响机理。结果表明：引入非期望产出会明显降低中国区域能源效率的平均水平，而各省份能源效率存在显著的空间相关性；研究认为，空间计量模型对中国能源效率分布特征解释力较强，能源技术创新对能源效率的提升作用显著。

碳约束；能源效率；技术创新；空间计量；SBM模型

1 引言

国外对能源效率的研究较早，积累了较为丰富的研究成果。Patterson[1]提出能源效率是指用更少的能源生产同样数量的服务或有用的输出。国内学者对能源效率的研究集中在两个方面：一是对能源效率的测算与评价；二是对能源效率的影响因素研究。早期有关能源效率的评价大多未考虑伴随着经济生产形成的污染物(CO2等)，这些污染物的排放会对环境造成污染，而环境污染的治理需要成本，为了反映真实的GDP，需要将这些污染物的影响扣除，但早期研究中所应用的传统DEA模型和SFA模型未考虑到非期望产出的影响，难以反映出真实的能源效率水平。针对这些问题，学者们提出了处理环境污染物等非期望产出下能源效率的方法，主要有将非期望产出转换为投入处理[2]或者进行逆指标和倒数处理方法[3]，超效率DEA方法[4]，方向距离函数法[5]以及构建处理非期望产出的SBM模型[6]等。

对于技术创新与能源效率关系的研究，Richard F G[7]在分析中国能源消费问题时提出技术创新对能源效率的提高具有重要作用。Fisher-Vanden等[8]研究了中国改革开放以来的技术变革，认为技术创新是能源效率提高的主要因素。国内学者主要采用非参数的方法对相关问题进行探讨，韩志勇等[9]将中国能源强度变化分解为结构份额和效率份额，通过实证研究表明效率份额来自于技术创新。部分学者将技术创新划分为几部分，从行业层面来研究其与能源效率之间的关系[10-13]。

综合国内外相关研究发现，大量文献采用时间序列或者静态的截面数据来分析能源效率的影响因素，其假设前提是区域之间的能源效率相互独立。而实际上，各区域间的经济联系，政策的外部性等因素会不断加强能源消费等活动的空间相关性，两者结合的空间数据模型更能够描述区域差异化。由此，本文的基本研究思路是：在全要素能源效率测度中，加入非合意产出：CO2排放量，构建考虑碳排放约束的SBM模型，对碳约束下省际能源效率值及节能减排潜力进行测度，然后运用空间计量模型估计能源技术创新对能源效率的影响，探讨中国不同区域间技术创新因素对能源效率影响的差异。

2 碳排放约束下能源效率的测算

2.1 数据来源及变量选择

本节选取2009—2014年中国30个省市自治区的数据进行能源效率测度(由于西藏自治区、 港澳台地区的数据不完整或指标统计口径不一致，暂不纳入分析范围)。选取的投入指标为能源E、资本K和劳动力H，期望产出为GDP值，非期望产出为CO2排放量。

(1)能源投入量E：各省的能源消费总量(单位：万吨标准煤)，数据来源于历年《中国能源统计年鉴》。

(2)资本投入量K：选取资本存量指标衡量资本投入(单位：亿元)，对于资本存量的统计分析通常采用“永续盘存法”PIM，借鉴单豪杰(2008)[14]对中国各省市地区的资本存量计算方法，以2000年为基年进行平减，测算2009～2014年中国各省的资本存量，其中固定资产投资额数据来源于历年《中国统计年鉴》。

(3)劳动力投入量H：各省当年就业人数(单位：万人)。计算公式为：当年就业人数=(当年年底就业人数+上一年年底就业人数)/2，数据来源于历年《中国统计年鉴》。

(4)期望产出：各省的实际GDP(单位：亿元)，本文以生产总值指数将2009—2014年名义GDP换算为2000年不变价GDP，数据来源于各年份《中国统计年鉴》。

(5)非期望产出：各省CO2排放量(单位：万吨)。目前尚未有统计年鉴或权威机构对中国各省市CO2排放量直接进行统计，而CO2主要来源于煤、石油和天然气等各种化石能源的燃烧，在研究中常以能源消耗量来估算CO2的排放量。本文采用碳排放系数法，通过各种能源的碳排放系数来估算CO2排放量，计算公式为：

(1)

其中，i表示能源种类，包括原煤、焦炭、汽油、煤油、天然气等；Ei为各省第i种能源终端消费量，数据来源于历年《中国能源统计年鉴》中各省能源终端平衡表；NCVi为2015年《中国能源统计年鉴》附录4中各能源的平均低位发热量；CFi为《2006年IPCC国家温室气体清单指南》中每种能源的CO2排放系数，即各能源通过燃烧或使用的单位热值对应的CO2排放量；COF为碳氧化因子。将各种能源的相关数值带入公式(1)，可得到2009—2014年每年各省份的CO2排放量。

2.2 能源效率的具体测算

能源效率的衡量方式较多，一类是单要素能源效率指标，如Patterson提出的热力学、物理—热量、纯经济和经济—热量四种单要素指标，这类指标只进行能源要素与某种变量的比较，而未考虑到其他要素的替代作用，存在一定的局限性。鉴于此，学者们在研究中多采用全要素能源效率指标。Hu等[15]基于DEA的方法提出全要素能源效率指标，将能源、资本、劳动力等因素的替代作用考虑在内，采用DEA模型来进行效率测度。但传统径向DEA模型无法考虑“松弛量”对效率评价的影响，即该DEA模型假设要素投入只有单一的期望产出，如GDP，而并未考虑到生产过程中的污染物排放，称之为非期望产出。如何评价非期望产出下能源效率值呢？Tone[16]提出非径向、非角度的SBM模型可用于解决该问题。SBM模型是以松弛变量测度为基础的DEA效率分析方法，通过非射线方式，同时考虑差额来估计效率值，一方面解决了投入产出松弛性问题，另一方面也解决了非期望产出下的效率评价问题。

假设生产系统中，K个生产决策单位(DMU)使用N种投入要素x1,x2,…,xn，生产出M种期望产出y1,y2,…,ym和I种非期望产出b1,b2,…,bi。基于松弛的效率评价模型(SBM)可表示为：

(2)

根据上述模型，利用MaxDEA软件分别计算各省SBM非合意模型和合意模型下全要素能源效率(TFEE)值，对能源投入冗余量和二氧化碳过度排放量进行测算，以节能和减排的冗余率作为度量维持一定产出条件下的节能减排潜力指标。计算公式为：

(3)

(4)

其中，LEIit表示第i个省份在t时期相对于最优生产前沿的能源过度投入，即能源投入冗余量；APit表示第i个省份的实际CO2排放量；TPit表示第i个省份在最优生产前沿点的CO2排放量。SPE和App值越大，说明该省的节能减排潜力越大，需对其进行重点治理。根据SBM模型和上述公式，计算结果如表1所示。

通过表1可以看出：①考虑碳排放约束后，上海、北京、广东和湖南省的TFEE均值仍为1，即能源效率是有效的，表明即使考虑了碳排放污染，它们依然处于有效前沿面。其他大部分省份的TFEE值距离有效生产前沿面仍存在不小的距离，说明投入产出存在一定的改进空间，河南、陕西、内蒙古、甘肃、新疆、青海、山西、贵州、宁夏等省份的TFEE值低于0.40，说明这些省份改进的空间非常大；②除去能源有效的省份，大部分省份的能源效率是低于考虑碳排放约束后效率值的，这说明若不考虑碳排放等非期望产出因素的影响，分析结果可能会存在误差和不准确性；③由节能减排的估算结果可知，各地区和省份的节能减排潜力相差较大。宁夏、贵州、青海、新疆、甘肃、云南、内蒙古和山西、河北等省份的潜力值均已超过50%，说明这些地区在经济生产过程中有超过一半的能源资源被浪费，CO2排放有很大的改善空间，这些区域主要集中在西部地区。从节能减排量的角度来看，山东、河北、河南、山西、内蒙古等地区的可减排量较大，也是节能减排需重点考虑的省份；④处在生产有效前沿面上的省份可节能减排量为零，并不说明这些地区不存在能源过度投入的现象，而是指在现有的技术条件下，很难实现能源投入的进一步节约。

表1 各地区全要素能源效率值(2009—2014年平均)

3 碳约束下技术创新对能源效率影响的空间计量分析

3.1 空间自相关检验

(5)

对得到的空间权重矩阵W(30×30)进行标准化处理，得到标准空间加权矩阵C(30×30)。可采用Z分数对Moran’sI值的显著性进行检验，在1%的显著水平下Z(I)的临界值为1.96，若Z(I)>1.96，则说明通过显著性检验。通过全局Moran’s I测算，可得到2009—2014年各地区能源效率Moran’s I值，如表2所示。

表2 2009—2014年各地区能源效率的Moran’s I 值

从表2计算结果可知，2009—2014年各省份地区能源效率的Moran’s I值均为正，且其正态统计量Z值均大于1%显著水平下的临界值1.96，这说明区域能源效率的地理空间分布存在正空间相关性，具有较强的空间聚类特征。因此若采用一般的回归模型来描述能源效率会存在误差，有必要在模型中引入空间变量。

3.2 理论模型及数据来源

空间计量模型主要解决回归模型中复杂的空间相互作用与空间依存性结构问题。空间计量经济学理论认为地区空间单元上的某种经济地理现象或某一属性值与邻近地区空间单元上同一现象或属性值是相关的，而几乎所有的空间数据都具有空间依赖性或空间自相关性。空间自回归模型的一般形式为：

Y=ρW1Y+Xβ+ξ

(6)

ξ=λW2ξ+ε

式中，Y为因变量；X为解释变量矩阵(n×k)；ρ为空间自相关系数，反映样本观测值中的空间依赖作用；W1是因变量空间权重矩阵，W2是残差空间权重矩阵；参数β反映了自变量X对因变量Y的影响，为随机误差项向量；ξ为误差向量(n×1)；λ为截面因变量的空间误差系数，反映相邻地区的观察值对本地区观察值的影响方向和程度；ε为正态分布的随机误差向量，ε～N(0,σ2In)。

这里采用空间计量方法对传统模型的估计误差进行修正，选取适用于截面数据的空间常系数回归模型，分为空间滞后模型(SpatialLagModel)和空间误差模型(SpatialErrorModel)两大类。可由空间自回归模型的一般形式引出：

(1)空间滞后模型SLM(ρ≠0，β≠0，λ=0)。

SLM模型主要探讨各变量在一个地区是否有扩散现象或溢出效应，相应的表达式为：

Y=ρW1y+Xβ+ε

(7)

(2)空间误差模型SEM(ρ=0，β≠0，λ≠0)。

SEM模型的空间依赖作用存在于扰动误差之中，其度量相邻地区关于因变量的误差冲击对本地区观察值的影响程度，表达式为：

Y=Xβ+ξ

(8)

ξ=λW2ξ+ε

基于前文研究分析，可知能源效率的影响因素众多，研究技术创新对能源效率的影响，需要考虑到多种因素的共同作用。本文选取能源专利授权量PAT、人力资本HC、能源固定投资EI和地区R&D投入RD这四个解释变量。一般来说，产业结构对能源效率的影响作用明显，第二产业占重比越大，能耗越大，则能源效率越低。因此，本文纳入产业结构作为控制变量，能源技术创新对能源效率影响因素变量指标如表3所示。

表3 能源技术创新对能源效率影响因素变量指标

表3中能源技术专利的测算包括能源产业和能源使用部门的能源技术创新，根据所选择关键词在国家知识产权局网站进行检索。选取的能源技术领域包括：煤、石油、天然气、汽油、柴油和太阳能、风能、海洋能、地热能等；选取的有关节能减排关键词包括：水力发电、核能、发热、发电、节能、节电等。结果表明，各省的能源技术专利申请授权数基本呈逐年增长趋势，从区域来看，东部地区的专利授权数明显高于中部和西部，高于全国平均水平，区域能源技术专利授权数如图1所示。

图1 区域能源技术专利授权数(2009—2014)

基于整理得到的数据，利用cobb-douglas 生产函数作为技术创新影响能源效率的回归模型，公式可表示为：

Y=EE=ε×PATβ1×HCβ2×EIβ3×RDβ4×eβ5IS

(9)

式中，β1、β2、β3、β4和β5分别表示四个解释变量和控制变量对被解释变量的影响系数。为简化运算，取自然对数，得到：

lnEE=ε+β1×lnPAT+β2×lnHC+β3×lnEI+β4×lnRD+β5×IS+C

(10)

根据SLM和SEM建立的基本形式，构造模型分别为：

Y=ε+ρW1·lnEE+β1×lnPAT+β2×lnHC+β3×lnEI+β4×lnRD+β5×IS+C

(11)

Y=β1×lnPAT+β2×lnHC+β3×lnEI+β4×lnRD+β5×IS+λW2ξ+ε+C

(12)

3.3 实证分析

由于无法预估模型中是否存在空间相关性，在进行空间计量模型估计之前，需要对SLM和SEM进行最优选择。根据Anselin(1998)提出的判别准则：在空间相关性的检验中，如果拉格朗日乘数LMLAG检验更显著而R-LMERR不显著，则SLM是合适的模型；如果LMERR检验更显著而R-LMLAG不显著，则SEM更合适。通过Geoda软件测算拉格朗日乘数LM统计量，如表4所示。

表4 能源效率空间相关性检验

在表4中，LMLAG、R-LMLAG均通过5%水平下的显著性检验，而R-LMERR不显著(0.16564)，LMLAG大于LMERR值，R-LMLAG大于R-LMERR值，说明空间滞后比空间误差自相关更明显，SLM模型更优。

由于各地区能源效率值之间存在空间相关性，采用最小二乘参数估计将会失去有效性及一致性。基于前文分析结果，这里优先选择SLM模型进行模拟，采用最大似然估计方法来估计SLM和SEM模型，并进行比较，相关计算结果如表5所示。

表5 解释能源效率的模型估计结果

注：**代表5%显著性水平；*代表10%显著性水平。

能源效率空间估计的回归结果如表5所示：对比三个模型的对数似然值、AIC值和SC值可以发现，SLM模型的对数似然值最大，AIC值和SC值均为最小，SEM模型的值处于SLM和OLS之间，说明SLM模型模拟最优，SEM优于OLS模型。

在SLM模型中，能源技术专利与碳约束下能源效率在10%的显著水平下存在显著正相关关系，说明能源技术专利的投入使用会提高能源效率水平；人力资本的系数为正，说明科研人才的引进可以实现企业技术创新能力的提高，能够间接提升能源效率；能源固定资产的系数为0.1099，说明对能源行业的资金投入有助于能源效率值的增加；R&D经费支出系数与能源效率负相关，这可能是因为虽然科技研发投入的增多会提高技术创新水平，促进经济增长，但迅速增长的经济会产生更多的能源需求，从而会部分抵消能源效率提高所节省的能源，又或者当该技术创新运用于高耗能产业时，将会引起在高耗能产业局部能源效率提高，但整体经济产出的能源效率却降低的现象；产业结构的系数为-1.2133，即第二产业比重每提高一单位，能源效率值降低1.2133单位，这与预估结果是一致的，第二产业主要是工业，其占重比越大，能耗越大，能源效率越低。

4 研究结论与政策建议

本文得到的主要结论如下：

(1)与非碳约束下能源效率相比，碳排放约束下能源效率值普遍较低，说明若未考虑碳排放等非期望产出因素的影响，能源效率测度结果将会产生误差。中国各省市地区的能源效率与节能减排潜力差距较大。

(2)运用空间自相关指数Moran’s I证明了中国省际能源效率存在显著的正空间相关性，地区能源效率值会受到相邻地区的显著作用，研究说明使用传统的计量模型误差较大，有必要在模型中引入其他空间变量。

(3)通过SLM和SEM模型对能源效率影响因素进行回归估计的结果表示，SLM模型更优，模拟结果更加显著。能源技术专利是能源技术创新的重要衡量指标，专利数的增长对中国能源效率的提高有显著影响。

本文提出以下节能减排政策建议：

(1)考虑到中国能源效率存在空间相关性，在制定地区政策时，需要关注空间效应的影响，即不仅要考察本地区的现实情况，还需要考虑相邻地区发展水平对其影响，进一步加强省际之间的经济联系和相互合作，使得相邻省份的能源效率值共同提高。

(2)优化地区产业结构，提高能源效率。针对能源效率值较低，节能减排潜力较大的省份，可以通过降低高耗能、高污染产业的生产强度，大力发展环保产业及高新技术产业，增加对低耗能、高效率产业的研发资金投入，从而达到提高省域能源效率水平，推进节能减排任务的目的。

(3)提高能源技术创新能力。目前，中国在能源核心技术、产学研结合、技术创新体制等方面与世界能源科技强国存在一定差距。为了缩小这些差距，一方面需要不断增强自主创新能力，提高R&D人员和资金的投入强度，特别是对节能减排等能源领域的技术研究；另一方面，需加强对能源行业的战略布局，全面部署能源领域科技创新战略，推进能源技术领域不断发展。

[1]MURRAY G Patterson.What is energy efficiency? Concepts，issues and methodological issues[J].Energy policy，1996，24(5):377-390.

[2]MANDAL S K.Do undesirable output and environmental regulation matter in energy efficiency analysis？Evidence from indian cement industry[J].Energy policy,2010,38(10):6076-6083.

[3]YEH T L，CHEN T Y，LAI P Y.A comparative study of energy utilization efficiency between Taiwan and China[J].Energy policy，2010，38(5):2386-2394.

[4]王群伟，周德群，王思斯.考虑非期望产出的区域能源效率评价研究[J].中国矿业，2009，18(9):36-40.

[5]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.

[6]范丹，王维国.中国区域全要素能源效率及节能减排潜力分析—基于非期望产出的SBM模型[J].数学的实践与认识，2013，43(7):12-21.

[7]GARBACCIO R F，JORGENSON D W.Why has the energy-output ratio fallen in China?[J].The energy journal，1999，20(3):63-92.

[8]FISHER-Vanden K，JEFFERSON G H，Ma J，et al.Technology development and energy productivity in China[J].Energy economics，2006，28(5-6):690-705.

[9]韩智勇，魏一鸣，范英.中国能源强度与经济结构变化特征研究[J].数理统计与管理，2004，23(1):1-6.

[10]周勇，李廉水.中国能源强度变化的结构与效率因素贡献——基于AWD的实证分析[J].产业经济研究，2006(4):68-74.

[11]王群伟，周德群，陈洪涛.技术进步与能源效率——基于ARDL方法的分析[J].数理统计与管理，2009，28(5):913-920.

[12]董锋，谭清美，周德群,等.技术进步对能源效率的影响——基于考虑环境因素的全要素生产率指数和面板计量分析[J].科学学与科学技术管理，2010，31(6):53-58.

[13]武春桃,陈志伟.外商直接投资技术溢出对工业能源效率的影响[J].中国科技论坛,2014(9):52-57.

[14]单豪杰.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(10):17-31.

[15]HU J L，WANG S C.Total-factor energy efficiency of regions in China[J].Energy policy，2006，34(17):3206-3217.

[16]TONE K.A slacks-based measure of efficiency in data envelopment analysis[J].European journal of operational research，2001，130(3):498-509.

(责任编辑 刘传忠)

Spatial Econometric Analysis of the Impact of Technology Innovation on Energy Efficiency Under the Constraint of Carbon

Zhang Zhiwen，Wang Zilong

(College of Economics and Management，Nanjing University of Aeronautics& Astronautics，Nanjing 210016,China)

This paper estimated the energy efficiency value under the restriction of carbon of China’s 30 provinces from 2005 to 2014，based on the undesirable output of SBM model，and then had a comparison analysis with non-carbon.The article used SLM and SEM to estimate the influence factors of energy efficiency and had a further study of technological innovation’s influence on energy efficiency.The results show that the introduction of the undesirable output can obviously reduce the average level of regional energy efficiency in China，and there is significant spatial correlation in the energy efficiency in the provinces.Studies suggest that spatial econometric model’s explanatory power in Chinese energy efficiency distribution is strong，the energy technology innovation to promote the efficiency of energy effect is remarkable.

Carbon constraint；Energy efficiency；Technology innovation；Spatial econometric；SBM model

国家自然科学基金(71373005),教育部人文社会科学基金(15YJAZH093),中央高校基本科研专项基金(NR2015002，NP2016302)，南京航空航天大学教学改革建设项目(201501JG09004)，南京航空航天大学研究生创新基地(实验室)开放基金(kfjj20160910)。

2016-06-28 作者简介：张志雯(1994-)，女，安徽天长人，南京航空航天大学经济与管理学院硕士；研究方向：能源经济管理。

F205

A