张吉岗杨红娟

中国火电企业生产效率评价与影响因素研究

张吉岗1,2杨红娟1*

(1.昆明理工大学管理与经济学院,云南 昆明 650093；2.昆明理工大学城市学院,云南 昆明 650051)

基于2008~2017年省级统计数据,研究中国火电企业生产效率与影响因素.首先,运用Bootstrap方法修正的DEA模型研究火电企业静态效率;其次,结合全局参比Malmquist指数的可传递性研究火电企业动态效率;最后,运用Tobit模型研究火电企业生产效率影响因素,基于稳健性考虑运用固定效应模型验证检验结果的可靠性.效率评价实证结果显示:2008~2017年无一省(自治区、直辖市)的火电企业生产效率处于生产前沿面,也无一省(自治区、直辖市)的火电企业生产效率持续提高. 2008~2013年全国火电企业生产效率比较平稳,2013~2016年呈下降趋势且省际差异逐步扩大,2017年有所回升.2008~2017年东中西三大地带火电企业效率和平稳性呈现东部最优、中部次之、西部最差的格局.影响因素实证结果显示:设备性能、经济发展速度、市场竞争程度是火电企业生产效率的显著影响因素;政府对环境污染重视程度和碳排放权交易市场对火电企业生产效率影响有限.

火电企业；Bootstrap方法；DEA-Tobit模型；生产效率；影响因素

据国研网统计数据显示,中国火电企业发电设备容量由2008年的59675万kW增长到2017年的110604万kW,增幅高达85.34%,而发电设备平均利用小时却由2008年的4885h降至2017年的3939h,降幅为19.37%,火电行业产能过剩问题突出.随着清洁能源的开发利用,2008年中国火电企业发电量占总发电量的比例为82.98%,2017年下降至71.73%,电力供给市场竞争日趋激烈.为有效应对全球气候变化,2013年中国开始在北京等七省市开展碳排放权交易试点,2017又启动全国碳排放权交易市场建设,火电行业将面临更加严峻的减排压力.在火电行业面对产能过剩、供给市场竞争加剧、减排压力上升等多重不利因素的背景下,研究中国省级火电企业生产效率并分析其影响因素具有较强的现实意义.

已有研究火电企业生产效率或能源利用效率的方法主要有随机前沿分析模型(Stochastic Frontier Analysis, SFA)[1-2]、数据包络分析模型(Data Envelopment Analysis, DEA)[3-6]及其扩展模型(Slacks Based Measure, SBM)[7-8].SFA模型的优点是可以对模型本身和模型中的参数进行统计检验且前沿面是随机的,研究结论更加接近实际;其缺点是生产函数的具体表达式难以确定且不适用于多输出的效率评价.DEA模型的优点是作为非参数模型无需考虑具体生产函数形式,评价过程不受主观因素的影响,是研究多投入多产出问题比较理想的方法,其缺点是效率值存在偏差且忽略统计检验.SBM模型解决了传统DEA模型中投入产出松弛的问题且非径向非角度的效率评估值更加准确,但是很难用经济学解释其内涵.火电企业生产过程难以用具体的函数形式表达且文章研究多投入多产出问题,故选择Bootstrap方法修正的DEA模型研究其生产效率.火电企业生产效率的影响因素主要采用Tobit回归模型,DEA-Tobit两阶段模型也广泛用于能源[9-10]、环境[11-12]、水资源[13-14]、金融[15-16]等领域的效率测度及影响因素分析.目前,对省级火电企业生产效率与影响因素研究得出的主要结论是:中国部分省(自治区、直辖市)的火电企业效率到达了有效生产前沿面,但平均效率不高且地域差异较大[4],火电行业效率的分布呈现北部和东部较高、西北和南部次之、中部和东北部最低的格局[2].地区经济发展水平、资源禀赋、发电设备利用率、环境规制与火电企业效率显著正相关,自用电率与火电企业效率显著负相关[2,4].上述研究不足之处主要体现在三方面,一是火电企业效率的研究对象无论是省域层面还是上市公司层面都属于小样本,而在小样本情况下,运用DEA及其扩展模型评价火电企业效率会导致效率评价值存在偏差且忽略统计检验问题;二是由于基期不同,不同年份的Malmquist指数直接比较无实际意义;三是Tobit模型源于对受限的调查数据分析,而DEA模型得出的效率值在内涵上是否属于受限因变量仍存有争议.因此,本研究的创新点主要体现在,借鉴Bootstrap方法修正传统DEA模型评价火电企业生产效率值的偏差并进行统计检验;利用全局参比的Malmquist指数的可传递性修正不同时期Malmquist指数的不可比性;基于稳健性考虑运用固定效应模型验证Tobit模型的影响因素检验结果.本文以2008~2017年统计数据为基础,以省级火电企业为研究对象,运用Bootstrap方法修正的DEA-Tobit模型研究其生产效率与影响因素,以期为火电企业未来的发展方向提供决策支撑.

1 火电企业生产效率评价

1.1 火电企业生产效率评价模型

1.1.1 DDF-DEA模型 DEA模型[17-18]从生产函数角度对多个决策单元的投入和产出数据综合分析,利用线性规划方程确定有效生产前沿面,把决策单元与有效生产前沿面进行比较,计算决策单元的相对效率.传统DEA模型中的产出一般为期望产出,越多越好,然而在实际生产过程中既有期望产出也有非期望产出.因此,借鉴方向距离函数(Directional Distance Function, DDF)模型[19],将期望产出和非期望产出进行区分.模型表达式为:

1.1.2 Malmquist指数模型 通常采用Malmquist全要素生产率(Total Factor Productivity, TFP)指数分析法[20-21]反映决策单元的生产效率随时间变化情况.文章采用全局参比Malmquist模型[20],该模型以各期的总和作为参考集,即任一时期任一决策单元参考同一前沿面.共同的参考集为:

全局参比Malmquist模型中,决策单元期相对+1期的Malmquist指数计算公式:

式中:表示全局参比;x和x+1分别表示决策单元第期、第+1期的投入;y和y+1分别表示决策单元第期、第+1期的产出;E(x,y)和E(x+1,y+1)分别表示决策单元基于全局参比的第期、第+1期的相对效率.

将Malmquist指数分解为技术效率变化(Technical Efficiency Change, EC)和生产技术变化(Technological Change, TC)解释决策单元生产效率变化的内部原因[21].全局参比Malmquist模型中EC和TC的计算公式如下:

式中:E表示决策单元基于当期参比的相对效率,其他参数与式(2)中相同.

1.1.3 Bootstrap修正模型 Bootstrap方法修正的DEA模型在效率测度上得到应用[23-25],其基本思想是运用 Bootstrap方法获得的样本分布可以模拟原始样本估计量的分布,通过扩大样本量纠正效率评价值的偏差并给出效率测度的置信区间[25-27]. Bootstrap-DEA模型计算步骤如下:

(3)获得模拟样本

1.2 指标选择与数据来源

根据火电企业的生产工艺,选取机器设备、原材料和生产工时作为投入指标;选取发电量作为期望产出指标,自身用电量作为非期望产出指标,投入产出指标具体如表1所示.鉴于数据的完整性和可获得性,剔除数据缺失的新疆、重庆、西藏、宁夏四个省(自治区、直辖市),选取2008~2017年中国大陆27个省(自治区、直辖市)的6000kW以上火电企业作为考察对象,数据均来源于国研网数据库.

表1 火电企业生产效率评价模型投入产出指标

1.3 模型参数设置

生产过程中有规模报酬可变和规模报酬不变两种情况,选择何种假设直接影响DEA测算效率的结果.文章基于省级层面研究火电企业的生产效率,采用冯蕾等[28]的观点,选择规模报酬不变模型.DEA模型中选择投入导向和产出导向并无实质差异,本研究选择DEA规模报酬不变的产出导向模型.DDF模型中投入产出指标的方向向量为被评价决策单元的投入和期望产出值,非期望产出的方向向量为非期望产出值的负数.Bootstrap迭代次数越多,效率值的计算结果越准确,置信度越小,置信区间上下限之间的跨度越小.多数文献迭代次数的取值均超过2000次,通过敏感测试,本文Bootstrap迭代次数取值为5000次,置信度设置为95%.以上参数设置适用于文章中Bootstrap-DDF-DEA静态效率和全局参比Bootstrap- DDF-Malmquist动态效率评价模型.

1.4 火电企业生产效率实证结果分析

1.4.1 火电企业静态效率评价实证结果 文章以2008年静态效率值为例说明运用Bootstrap方法修正的必要性.如表2所示,2008年北京、江苏、辽宁、山东、上海、吉林、陕西等7个省(直辖市)的火电企业效率值为1,即达到有效生产前沿面,而在95%的置信度下,Bootstrap方法迭代5000次后,无一省(自治区、直辖市)的火电企业效率达到有效生产前沿面,传统DEA模型测度的27个省(自治区、直辖市)火电企业效率值均处于置信区间外且修正后的效率值均低于原始效率,说明传统DEA模型测度的效率值有偏且存在不同程度的高估,修正后的效率更能反映实际效率值.其他年份的实证结果与2008年的保持一致.

表3为基于规模报酬不变且考虑非期望产出的Bootstrap-DDF-DEA模型评价2008~2017年27个省(自治区、直辖市)火电企业的静态效率,由MAXDEA软件实现.实证结果表明,2008~2017年,27个省(自治区、直辖市)修正后的火电企业生产效率均未达到生产前沿面,仅北京、江苏、山东、浙江、安徽5省(直辖市)火电企业效率一直高于全国平均水平,而黑龙江、湖南两省火电企业效率一直低于全国平均水平.从火电企业生产效率排名情况分析,黑龙江省火电企业的生产效率表现最差,2009~2015年连续6年效率值排名最后.值得注意的是广西、四川、云南3个省(自治区)在2016年火电企业生产效率均出现断崖式下跌,特别是云南省下跌了59.80%.从27个省(自治区、直辖市)的火电企业生产效率均值分析,最高值是2010年的0.938,2016年跌至0.797,跌幅高达15.03%.从标准差分析,最小值是2011年的0.037,2016年高达0.122,提高212.82%.2008~2013年中国火电企业生产效率总体平稳,2013~2016年呈下降趋势且省际差异扩大,2017年开始回升.

表2 2008年火电企业生产效率的偏差和置信区间

表3 火电企业2008~2017年静态效率

续表3

按照传统三大地带分区方法,把27个省(自治区、直辖市)划分到东部地带、中部地带、西部地带.如图1所示,2008~2017年东部地带的平均效率一直高于中部地带和西部地带且高于全国平均水平,而西部地带的平均效率除2009年外均低于全国平均水平.2008~2015年中部地带与西部地带火电企业的生产效率无显著差异且低于全国平均水平,2016~ 2017年略高于全国平均水平.2016年三大地带的平均效率均大幅度下跌,特别是西部地带下降幅度高达20%.2008~2017年三大地带平均效率的变动情况为东部地带平稳,中部地带次之,西部地带变动幅度最大.

1.4.2 火电企业动态效率评价实证结果 运用全局参比Bootstrap-Malmquist模型评价决策单元考察期内的生产效率变化情况,同样由MAXDEA软件实现.27个省(自治区、直辖市)的Malmquist指数在2008~2017年期间都出现了小于1的情况,说明无一省(自治区、直辖市)火电企业生产效率持续提高.按照传统三大地带分区的东中西部的均值也无显著差异,其原因在于全局参照的Malmquist指数是各期基于同一生产前沿面下当期效率与上期效率的比值,不同时点的Malmquist指数的基期不同,故直接比较不同时点的Malmquist指数无实际意义,限于篇幅具体数据未列出.根据全局参照Malmquist指数的可传递性,为更好的分析各省(自治区、直辖市)生产效率变化情况,将2008~2017年当期与上期比较的Malmquist指数转化为以2008年为基期的Malmquist指数.转化方法如以下公式:

以2008年为基期,各省(自治区、直辖市)的Malmquist指数如表4所示.只有安徽、河南、湖北、内蒙古4省(自治区)火电企业生产效率一直保持在2008年水平之上,占比仅为14.81%,辽宁、吉林、甘肃3个省的生产效率一直低于2008年水平.从27个省(自治区、直辖市)的Malmquist指数变化情况的均值分析,最高值是2011年的1.077,比2008年提高了7.7%,2013年以后呈下降趋势,2016年跌至最低点,仅为0.936,比2008年降低了6.4%,2015~2017连续三年低于2008年水平.从标准差分析,2013年以后27个省(自治区、直辖市)的Malmquist指数变化情况之间的差距整体呈上升趋势,2017年高达0.142,比2008年提高了61.36%,说明27个省(自治区、直辖市)的Malmquist指数在2013年以后呈下降趋势且省际差距逐渐扩大,与静态效率评价的结论基本保持一致.2008~2017年期间东部、中部、西部三大地带的Malmquist指数变化情况与全国基本保持一致,中部地带的Malmquist指数整体高于东西部地带,与中部地带2008年生产效率低有一定关系.

表4 火电企业Malmquist指数(以2008年为基期)

1.4.3 火电企业技术效率和生产技术变化结果 借鉴Fare R等[21]提出的分解方法,为进一步分析Malmquist指数变化的内部原因,把修正后的Malmquist指数分解为技术效率变化(EC)和生产技术变化(TC).文章中技术效率变化主要是指决策单元在现有发电技术下,通过管理水平的改进优化机器设备、原材料、生产工时等投入要素的资源配置水平以提高生产效率,生产技术的变化主要是指决策单元在现有管理水平下,通过生产工艺的改进和设备性能的提升降低资源消耗以提高生产效率.表5为以2008年为基期,2008~2017年技术效率和生产技术的平均变动情况.如前所述,2008~2017年期间东部、中部、西部三大地带Malmquist指数变化趋势基本保持一致,2008~2013年呈上升趋势,2013~ 2016年不同程度的下降,根据分解的技术效率和生产技术,发现技术效率的提高和生产技术的进步共同推动了2008~2013年生产效率的上升,而技术效率下降是导致2013~2017年生产效率下降的主要原因.生产技术也有一定的波动,除个别年份退步到2008年水平以下外,总体高于2008年水平.

表5 2008~2017年火电企业技术效率和生产技术变化的地区差异(以2008年为基期)

2 火电企业生产效率影响因素实证研究

2.1 火电企业生产效率影响因素模型

DEA模型把各决策单元与有效生产前沿面进行比较,判断各决策单元的相对效率,决策单元的效率值介于[0,1]之间,效率值为1的决策单元并非无差异.因此,在回归模型中把决策单元的效率值作为因变量,则因变量是部分连续和部分离散分布的数据,采用普通最小二乘法(Ordinary Least Square, OLS)不再适用于估计回归系数,需建立受限因变量模型(Limited Dependent Variable Models),利用最大似然法(Maximum Likelihood, ML)估计回归系数是较为合适的选择.受限因变量模型一般表达式为:

DEA-Tobit两阶段模型在诸多领域的效率评价及影响因素分析中得到广泛运用,但受限因变量模型源于对受限的调查数据分析,而DEA模型得出的效率值在内涵上是否属于受限因变量仍存有争议.基于回归结果稳健性考虑,文章又以2008~2017年火电企业生产效率为因变量,采用最小二乘法估计回归系数,以检验Tobit模型回归系数的可靠性.

2.2 指标选取与数据来源

影响火电企业生产效率的因素包括内部因素和外部因素两个方面,基于数据的可获得性,文章选取以下几个指标检验内外部因素对火电企业生产效率的影响.(1)设备性能.设备性能越好,燃料利用率越高且非正常停工损失越少. (2)经济发展速度.经济发展速度越快对电力的需求越大,火电企业的设备利用率越高.(3)市场竞争程度.随着清洁能源的开发利用,电力供应市场竞争程度加剧,市场竞争越大,火电企业开工率越低.(4)政府对环境污染的重视程度.火电企业是环境污染的重要排放源,政府越重视环境问题,资金投入越多,有利于改进火电企业的生产技术水平.(5)碳排放权交易市场.碳排放权交易市场建立后,火电企业碳排放压力增加,作为二氧化碳主要排放单位需要承担更多的环境成本,火电企业需要在技术创新成本和环境成本之间决策,选择技术创新可能提高生产效率,反之降低生产效率.火电企业生产效率影响因素及衡量指标具体描述如表6所示,原始数据来源于国研网数据库.

火电企业生产效率影响因素回归模型表达式:

式中,表示估计系数;表示第几个决策单元;表示时期;表示随机误差项.

表6 火电企业生产效率影响因素与衡量指标

2.3 火电企业生产效率影响因素实证结果

2.3.1 Tobit模型实证结果 2008~2017年27个省(自治区、直辖市)火电企业生产效率影响因素Tobit模型检验结果如表7所示,由EVIEWS8.0软件实现.从系数结果分析,自变量的系数符号均与预期一致.XN和虚拟变量系数为负,说明设备性能越差和建立碳排放权交易市场的试点省市火电企业生产效率越低;GDP、JZ、ZS系数为正,说明经济发展速度越快、市场竞争程度越低、政府越重视环境污染问题,火电企业生产效率越高.从统计值和显著性水平值分析,XN、GDP、JZ的统计值在1%的水平上显著,说明设备性能、经济发展速度、市场竞争程度是火电企业生产效率的显著影响因素.ZS和的系数未通过显著性检验,说明政府对环境重视程度和碳排放权交易市场的建立对火电企业生产效率有影响但不显著.

2.3.2 面板数据固定效应模型实证结果 Hausman检验用于确定面板数据回归采用固定效应模型还是随机效应模型.固定效应模型中最小二乘虚拟变量法(LSDV)估计量无偏,广义最小二乘法(GLS)估计量有偏.随机效应模型中LSDV和GLS估计量都无偏,但LSDV估计量有较大方差[29]. Hausman检验中原假设为采用随机效应模型,结果显示,卡方检验(Chi-Sq.)统计值为23.041,自由度为5(自变量个数)在1%的水平下显著,拒绝采用随机效应模型.特别说明的是,王宇等[30]认为内生性问题是所有科学研究领域都无法避免的问题,而对管理学来讲几乎不可能使用任何统计手段真正解决内生性问题.研究火电企业生产效率影响因素时可能因遗漏变量导致内生性问题,文章采用固定效应模型可以消除不随时间变化的遗漏变量,对其他内生性问题修正有限,这也是文章研究的局限性.

表7 火电企业生产效率的影响因素-Tobit模型检验结果

注:*** 表示统计值在1%的水平上显著.

固定效应模型检验结果如表8所示,回归方程的统计量在1%水平上显著,说明模型中解释变量联合起来对被解释变量有显著影响.-squared值为0.413,说明模型中五个影响因素可以解释41.3%的火电企业效率变异,拟合效果较好.与Tobit模型检验结果相比,仅虚拟变量系数的显著性存在较大差异,可能与建立碳排放权交易市场的试点省市数量少、时间短有一定关系,随着全国碳排放权交易市场的建立和时间的推移,碳排放权交易市场对火电企业的节能效率影响程度需要进一步验证;固定效应模型检验的其他变量的系数方向和显著性与Tobit模型结果基本一致,说明设备性能、经济发展速度、市场竞争程度是火电企业生产效率的显著影响因素,而政府对环境污染的重视程度影响火电企业生产效率但不显著.结合静态效率结论,选取具有典型性的云南省为例,进一步验证影响因素实证结果的可靠性.2008~2017年云南省火电企业效率最高值为2009年的0.961,最低值为2016年的0.367.2009年云南省火电企业自用电率、GDP增长速度、火电企业发电量占比分别是6.52%、12.10%、48.85%,考察期内排名分别为1、4、1,而2016年三项指标分别是7.77%、8.70%、7.71%,排名均为第9,较直观的解释了设备性能、经济发展速度、市场竞争程度对火电企业生产效率的影响.

表8 火电企业生产效率影响因素-固定效应模型检验结果

注:*** 、**分别表示统计值在1%和5%的水平上显著.

3 结论与不足之处

3.1 结论

3.1.1 静态效率评价结果 2008~2017年,27个省(自治区、直辖市)修正后的火电企业生产效率均未达到生产前沿面,仅北京、江苏、山东、浙江、安徽5省(直辖市)火电企业效率一直高于全国平均水平,而黑龙江、湖南两省火电企业效率一直低于全国平均水平;全国火电企业生产效率2008~2013年总体平稳,2013~2016年均值呈下降趋势且省际差异有扩大趋势,2017年开始回升;2008~2017年东中西三大地带火电企业效率和平稳性呈现东部最优、中部次之、西部最差的格局.

3.1.2 动态效率评价结果 2008~2017年,27个省(自治区、直辖市)的Malmquist指数都出现小于1的情况,说明无一省(自治区、直辖市)火电企业生产效率持续提高;以2008年为基期,只有安徽、河南、湖北、内蒙古4省(自治区)火电企业生产效率一直保持在2008年水平之上,而辽宁、吉林、甘肃3省的生产效率一直低于2008年水平;技术效率的提高和生产技术的进步共同推动了2008~2013年生产效率的上升,而技术效率下降是导致2013~2017年生产效率下降的主要原因.

3.1.3 影响因素实证结果 设备性能、经济发展速度、市场竞争程度是火电企业生产效率的显著影响因素;政府对环境污染重视程度和碳排放权交易市场对火电企业生产效率影响有限;基于稳健性考虑,运用普通最小二乘法估计回归系数的固定效应模型检验结果与运用最大似然法估计回归系数的Tobit模型检验结果基本一致.

3.2 研究不足之处

火电企业的生产效率与影响因素研究存在不足之处:①鉴于数据获取的局限性,火电生产效率模型中投入指标没有考虑全部生产要素,产出指标未考虑二氧化碳排放量;②由于量化难度,火电生产效率影响因素模型中未考虑其他因素,可能因遗漏变量导致模型存在内生性问题,而面板数据内生性检验和修正存在局限性.全国碳排放权交易市场正式运营后,火电企业二氧化碳排放量将会公布,二氧化碳排放量作为非期望产出纳入效率评价体系可以更全面的反映火电企业的经济效益和环境效益.随着时间推移和覆盖范围的扩大,碳排放权交易市场对火电企业生产效率的影响也值得持续关注.

4 建议

4.1 政府层面

当前火电行业严重产能过剩,而火力发电设备容量仍在逐年上升,因此必须严控新增火电企业或机组的审批,对有电力缺口的省份,优先发展清洁能源发电项目,进一步完善跨省区电力互济、电量短时互补机制.同时,应当挖掘新的经济增长点带动电力需求的上升,特别是中西部地区需进一步优化产业结构,把发展第二产业特别是现代制造业作为重中之重,即化解产能过剩问题又带动经济发展,而不是盲目发展第三产业,无第二产业的支撑,第三产业如同无源之水无本之木.

4.2 企业层面

设备性能老化、开工率不高的火电企业尽早摆脱政策性依赖,主动谋求出路或尽早关停.清洁能源丰富的地区市场竞争大,火电企业应尽快转型升级,比如配套发展现代制造业以解决发电量过剩问题.火力发电依赖程度高的地区在全国碳排放权交易市场开市前,应做好碳排放量摸底工作,加大对已有机组的环保改造投资力度,提高机组的环境友好性,实现经济效益和环境效益双赢.

[1] 李 眺.生产要素投入、电价规制改革与火电企业的效率-来自A股上市公司的随机前沿证据 [J]. 财经研究, 2009,35(4):107-118. Li T. Productive factors, power price regulation reform and the efficiency of thermal power enterprises: stochastic frontier evidence from A-share listed companies [J]. Journal of finance and economics, 2009,35(4):107-118.

[2] 李 姝.基于随机前沿生产函数和省际面板数据的火电行业技术效率分析 [J]. 宏观经济研究, 2015,(10):14-23. Li S. Technical efficiency analysis of thermal power industry based on stochastic frontier production function and provincial panel data [J]. Macroeconomics, 2015,(10):14-23.

[3] Vaninsky A. Efficiency of electric power generation in the United States: analysis and forecast based on data envelopment analysis [J]. Energy Economics, 2006,28(3):326-338.

[4] 白雪洁,宋 莹.环境规制、技术创新与中国火电行业的效率提升 [J]. 中国工业经济, 2009,(8):68-77. Bai X J, Song Y. Environment regulation, technology innovation and efficiency improvement of Chinese thermal power industry [J]. China Industrial Economy, 2009,(8):68-77.

[5] 李 姝.基于Malmquist指数方法的火电上市公司全要素生产率增长来源分析 [J]. 宏观经济研究, 2016,(10):112-120. Li S. Analysis of total factor productivity growth of thermal power listed companies based on Malmquist index method [J]. Macroeconomics, 2016,(10):112-120.

[6] 邵留国,何莹莹,张仕璟,等.基于网络DEA的中国火电行业循环经济效率及影响因素研究 [J]. 资源科学, 2016,38(10):1975-1987. Shao L G, He Y Y, Zhang S J, et al. Circulation economic efficiency and its influence factors of China's thermal power industry based on network DEA model [J]. Resources Science, 2016,38(10):1975-1987.

[7] Barros, Pestana C, Wanke, et al. Efficiency in Angolan thermal power plants: evidence from cost structure and pollutant emissions [J]. Energy, 2017,130(4):129-143.

[8] 闫 丹.中国省域火电行业碳排放效率评价及空间相关性研究 [D]. 北京:中国地质大学(北京), 2018. Yan D. Study on the evaluation and spatial correlation of carbon emission efficiency in China's provincial thermal power industry [D]. Beijing: China University of Geosciences (Beijing), 2018.

[9] 李 峰,何伦志.碳排放约束下我国全要素能源效率测算及影响因素研究 [J]. 生态经济, 2017,33(5):35-41. Li F, He L Z. Research on total factor energy efficiency measurement and its influential factors in China under the constraint of carbon emission [J]. Ecological Economy, 2017,33(5):35-41.

[10] Beyzanur C E, Selim Z, Dursun D. A two-stage analytical approach to assess sustainable energy efficiency [J]. Energy, 2018,164(8):822-836.

[11] 胡 妍,李 巍.区域用水环境经济综合效率及其影响因素—基于DEA和Malmquist指数模型 [J]. 中国环境科学, 2016,36(4):1275- 1280. Hu Y, Li W. A study of water environment-economy integrated efficiency and its driving factors for regional water use based on a combination of DEA and Malmquist index [J]. China Environmental Science, 2016,36(4):1275-1280.

[12] 李淑莹,俞雅乖.我国环境规制效率的动态演变及影响因素分析—基于超效率DEA-Tobit的研究 [J]. 科技与管理, 2018,20(3):79-85. Li S Y, Yu Y G. Research on environment regulation tendency and its influencing factors in China: Based on super- efficient DEA-Tobit [J]. Science-Technology and Management, 2018,20(3):79-85.

[13] 俞雅乖,刘玲燕.中国水资源效率的区域差异及影响因素分析 [J]. 经济地理, 2017,37(7):12-19. Yu Y G, Liu L Y. Regional differences and influence factors of water resource efficiency in China: based on super efficiency DEA-Tobit [J]. Economic Geography, 2017,37(7):12-19.

[14] 邓光耀,张忠杰.基于网络SBM-DEA模型和GML指数的中国各省工业用水效率研究 [J]. 自然资源学报, 2019,(7):1457-1470. Deng G Y, Zhang Z J. Study on industrial water use efficiency of Chinese provinces based on network SBM-DEA model and GML index [J]. Journal of Natural Resources, 2019,(7):1457-1470.

[15] 刘贯春,张 军,丰 超.金融体制改革与经济效率提升—来自省级面板数据的经验分析 [J]. 管理世界, 2017,(6):9-22/187. Liu G C, Zhang J, Feng C. Financial system reform and economic efficiency improvement in China: Some evidence from provincial panel data [J]. Management World, 2017,(6):9-22/187.

[16] 粟 芳,初立苹.中国银行业资金使用效率的测度及改进分析 [J]. 金融研究, 2015,(1):150-165. Li F, Chu L P. Efficiency of Chinese banking capital measurement and improvement of analysis [J]. Journal of Financial Research, 2015,(1): 150-165.

[17] Charnes A, Coopre W W, Rhodes E. Measuring the efficiency of decision-making units [J]. European Journal of Operational Research, 1978,6(2):429-444.

[18] Farrell M J. The measurement of productive efficiency [J]. Journal of the Royal Statistical Society, 1957,120(3):253-290.

[19] Chung Y H, Fare R, Grosskopf S. Productivity and undesirable outputs: A directional distance function approach [J]. Journal of Environmental Management, 1997,51(3):229-240.

[20] Malmquist S. Index numbers and indifference surfaces [J]. Trabajos de Estadística y Investigación Operativa, 1953,4(2):209-242.

[21] Fare R, Grosskopf S, Lindgren B, et al. Productivity changes in Swedish pharmacies 1980~1989: A non-parametric Malmquist approach [J]. Journal of Productivity Analysis, 1992,3(1/2):85-101.

[22] Pastor J T, Lovell C A K. A global Malmquist productivity index [J]. Economics Letters, 2005,(88):266-271.

[23] 李少林.2001~2012年全球23国新能源发电效率测算与驱动因素分析 [J]. 资源科学, 2016,38(2):321-332. Li S L. Research on calculation of new energy's power generation efficiency and analysis on its driving factors [J]. Resources Science, 2016,38(2):321-332.

[24] 周 江,李成东,张 鋆.基于Bootstrap-DEA方法的我国区际能源生产效率分析 [J]. 财经科学, 2014,(5):124-130. Zhou J, Li C D, Zhang J. China's inter-regional energy production efficiency: based on bootstrap-DEA method [J]. Finance & Economics, 2014,(5):124-130.

[25] Simar L, Wilson P W. Sensitivity analysis of efficiency scores: how to bootstrap in nonparametric frontier models [J]. Management Science, 1998,44(1):49-61.

[26] Kneip A, Simar L, Wilson P W. Asymptotic and consistent bootstraps for DEA estimators in nonparametric frontier models [J]. Econometric Theory, 2008,24(6):1663-1697.

[27] Efron B. Bootstrapping methods: another look at the jackknife [J]. Breakthroughs in Statistics, 1979,(7):243-267.

[28] 冯 蕾.2005~2007年我国省际能源效率研究—基于DEA方法非意愿变量CRS模型的测度 [J]. 统计研究, 2009,26(11):31-35. Feng L. Study on China's energy efficiency of 2005~2007: a measure using DEA nondiscretionary CRS model [J]. Statistical Research, 2009,26(11):31-35.

[29] 李子奈,叶阿忠.高级应用计量经济学 [M]. 北京:清华大学出版社, 2012. Li Z N, Ye A Z. Advanced applied econometrics [M]. Beijing: Tsinghua University Press, 2012.

[30] 王 宇,李海洋.管理学研究中的内生性问题及修正方法 [J]. 管理学季刊, 2017,2(3):20-47. Wang Y, Li H Y. Endogenous problems and corrections in management research method [J]. Quarterly Journal of Management, 2017,2(3):20- 47.

Study on production efficiency evaluation and influencing factors of China's thermal power enterprises.

ZHANG Ji-gang1,2, YANG Hong-juan1*

(1.Faculty of Management and Economics, Kunming University of Science and Technology, Kunming 650093, China；2.City College, Kunming University of Science and Technology, Kunming 650051, China)., 2019,39(11)：4910~4920

Based on provincial statistical data from 2008 to 2017, the production efficiency evaluation and influencing factors of China's thermal power enterprises were studied. Firstly, the DEA model modified by Bootstrap method was employed to study the static efficiency of thermal power enterprises; Secondly, the dynamic efficiency of thermal power enterprises by integrating the transitivity of the global reference Malmquist index was studied; Finally, Tobit model was used to study the factors affecting the production efficiency of thermal power enterprises, and the fixed effect model was used to verify the reliability of test results in consideration of robustness. The empirical results of efficiency evaluation show that neither was a single province's (autonomous region or municipality) production efficiency of thermal power enterprises at the production frontier from 2008 to 2017, nor did it continue to improve. The production efficiency of China’s thermal power enterprises was relatively stable from 2008 to 2013, it presented a downward trend and the inter-provincial differences were gradually amplified from 2013 to 2016, and it rebounded in 2017. From 2008 to 2017, the efficiency and stability of thermal power enterprises in Eastern, Central, and Western China presented that the best in the east, followed by the central, and the worst in the west. The empirical results for influencing factors indicated that equipment performance, economic development speed and degree of market competition were three key factors determining the production efficiency of thermal power enterprise; government's emphasis on environmental pollution and the carbon emission trading market had limited impact on it.

thermal power enterprise；bootstrap method；DEA-Tobit model；production efficiency；influencing factor

X321

A

1000-6923(2019)11-4910-11

张吉岗(1984-),男,山东聊城人,昆明理工大学讲师,昆明理工大学博士研究生,研究方向为可持续发展.

2019-04-24

国家自然科学基金资助项目(71463034);云南省院省校合作项目(SYSX201702)

*责任作者, 教授, 939738277@qq.com