杨慧慧

(1.首都经济贸易大学 经济学院，北京 100070；2.河南师范大学 商学院，河南 新乡 453007)

内容提要：环境管制作为政府环境管理的重要手段，其相关节能减排措施必然会影响到企业的能源使用效率。本文在微观经济理论分析的基础上，基于内生视角的PVAR数据模型，以2000-2016年中国省际面板数据实证检验环境管制与能源效率之间的长期均衡关系与变动效应。研究发现：命令控制型环境管制方式对能源效率有正向促进作用和较强的正向冲击，经济激励型环境管制方式对能源效率也有正向促进作用，但正向冲击强度不大，自愿意识型环境管制方式统计上不显著，且呈负向冲击；但从方差分解各种管制方式对能源效率增长的长期累积贡献来看，自愿意识型环境管制的贡献均高于其他两种方式。上述结论表明，环境管制对于能源效率提高有一定影响，未来管制方式要从命令控制到经济激励和自愿意识的多元化方向发展。

一、引言与文献综述

我国经济高速发展正面临日益严重的资源和环境约束问题。据2017《BP世界能源统计年鉴》和《全球碳项目》报告，我国是世界上最大的能源消费国，能源消费占世界总量的23%，煤炭仍然是中国能源消费中的主要燃料，占比62%，中国的碳排放占到了全球总量的28%。能源发展“十三五规划”提出：“深入推进能源革命，着力推动能源生产利用方式变革，建设清洁低碳、安全高效的现代能源体系，是能源发展改革的重大历史使命”。为加快生态文明体制改革，建设美丽中国，党的十九大报告也明确指出要推进绿色发展和着力解决突出环境问题，构建政府为主导、企业为主体、社会组织和公众共同参与的环境治理体系，积极参与全球环境治理，落实减排承诺。合适的环境管制方式和保障措施有助于环境的改善及能源消费的降低，2017年中国的煤炭产量下降了7.9%，创下自1981年开始追踪该数据以来最大降幅，中国的二氧化碳排放量也连续两年下降，降幅为0.7%。但环境管制同时也会影响能源使用效率，节能可能通过能源效率提高实现，也可能是单纯减少投入的结果。因此，深入研究环境管制与能源效率之间的关系以及二者之间的作用机理，对于政府采取合理的管制形式，促进能源效率提高，走持续健康的经济发展道路具有重要意义。

中国能源效率演化过程受到产业结构、技术进步、能源消费结构、对外开放程度和能源回弹效应等各因素的共同驱动[1]。由于环境污染的负外部性和环境资源的公共品特性，环境管制作为政府干预经济的一种方式，有助于相关利益群体在进行决策时能够考虑外部成本，使行为符合环境和经济协调发展的目的[2]。关于环境管制对能源效率的影响，有研究表明不同的环境规制变量对能源效率影响存在较大差异[3]。环境管制可以通过倒逼机制促进能源效率的提高，环境管制强度与能源效率之间存在一种“U”型关系[4]，环境管制对高、中、低耗能产业组能源效率均有正的直接效应[5]，它是各种直接和间接机制共同作用的结果，并且不同的管制方式影响结果差异较大[6]。

综上，环境管制对能源效率存在影响，且管制方式对于能源效率的提高具有不同的作用，但环境管制对能源效率是促进还是阻碍，尚没有一致的结论。本文拟运用熵值法，按环境管制方式构建命令控制型环境管制、经济激励型环境管制和自愿意识环境管制三个指标，采用面板向量自回归(panel VAR,PVAR)模型，基于中国30个省份的2000-2016年省际面板数据，从内生角度探讨其对能源效率的影响，并深入分析这些因素的变化对能源效率影响的动态效应。

二、理论分析与研究假设

根据微观经济学理论，厂商投入要素是否具有效率，只要第i种要素的使用量满足边际产量收益(marginal product revenue,MPR)等于边际要素成本(marginal factor cost, MFC),即可认为该要素的使用具有效率。为简化说明，假设产品市场与要素市场皆为完全竞争市场，则厂商能源要素的利润最大化一阶必要条件如下：

(1)

倘若，厂商的能源要素使用量不满足这一条件，则认为其不具有经济效率，所以我们可以用因能源使用缺乏效率所造成实际利润损失(Real profit loss,RPL)来反映能源效率。

RPL=π*-π0

(2)

而厂商在生产过程中不可能只投入一种要素，所以，影响能源效率来源主要有两个方面，一是能源要素本身缺乏技术效率与配置效率，二是其他投入要素缺乏技术效率和配置效率。则 RPL 可进一步分解如下：

(3)

从以上分解式可以看出，当厂商在面临不同的环境管制方式，即便所使用的要素组合相同，其隐含的效率程度却不一样，因为厂商在不同的制度环境下最有效率的要素使用量未必相同。为说明问题，我们考虑无管制、总量管制与排放交易三种环境管制方式，来比较厂商在这三种方式下使用同一要素组合所呈现的效率差异。

1.无管制下情形

在无任何排放管制政策之前，假设厂商利润最大化的能源使用量为E*，实际使用量为E0，因缺乏技术效率导致的损失TEL为图1中矩形barq区域，令其为TEL0，实际利润损失曲线为RPL*所示(当实际能源量越偏离E*，RPL*将越高)。

图1 不同环境管制方式下企业能源效率差异

2.总量管制下情形

maxπ=pf(x)-wx-c(a)

(4)

一阶必要条件：

VMPE(Ec)=ωE+c′(ac)*eE

(5)

那么在总量控制下，满足(5)式的一阶必要条件最合适的能源使用量Ec是图1中k点，此时，配置效率损失AELc可以用三角形bzk区域所示，而实际利润损失曲线如RPLc所示(当实际能源量越偏离Ec，RPLc将越高)。

3.排放交易情形

假设污染物排放许可证的价格为q, 排放许可交易量为m(m>0,表示买入量)，排放交易下利润最大化问题可表示为：

maxπ=pf(x)-wx-c(a)-qm

(6)

一阶必要条件：

VMPE(Ee)=ωE+c′(ae)*eE

c′(ac)=q

(7)

那么在排放交易情形下，最合适的能源使用量Ee(Ee>Ec)即图1中h点所示，实际利润损失曲线如RPLe。

综上，三种情形下(无管制、总量管制、排放交易)实际利润损失曲线分别如图1第四象限的RPL*、RPLc和RPLe所示，那么每单位能源用量的实际利润损失分别如A、B、直线的斜率绝对值所代表。由此可见，同一厂商在同一能源用量之下，当所面对环境管制方式不同时，该能源用量所隐含的能源效率并不相同。由此，我们可得到如下命题：

命题1：政府所设计的环境管制方式，对于厂商的能源效率是有影响的。

命题2：选择合适的环境管制方式也是提升能源效率的策略之一。

三、模型建立与变量说明

(一)模型设定

为进一步探讨环境管制对能源效率的影响，本文考虑内生性的PVAR(面板向量自回归)模型，通过脉冲响应函数和方差分解方法，分析环境管制各种方式对能源效率产生的动态效应。PVAR模型最早由Holtz-Eakin等(1988)提出[7]，后经Mccoskey和Kao(1999)[8]的逐步完善，兼有面板数据分析方法和VAR(向量自回归模型)的优点，同时，放松了对时间序列的长度要求和平稳性的假设，将所有变量视为内生变量，能更加真实地对向量自回归进行估计和检验。模型如下：

(8)

其中，command、market、aware分别代表命令控制型环境管制、经济激励性环境管制和自愿意识型环境管制三种管制方式；p为滞后阶数；lnEE表示能源效率；γ、f、d、e、Γ为待估参数、参数矩阵。

(二)变量说明与数据来源

本文的研究对象为我国从2000年到2016年各个省份(不包括香港、澳门、台湾和数据缺失比较严重的西藏)的省际面板数据，核心变量主要有两个，一是环境管制变量，二是能源效率变量，下面简单说一下这两个变量的来源和处理方法。

表1 环境管制指标体系

1.环境管制

环境管制变量的选取直接关系到实证结果的差异。目前，理论界关于环境管制强度的测度主要有两种方式：单一指标和综合指标。单一指标的选取比较多样性，主要有：环保支出总额、环境稽查次数、污染税、工业污染治理完成投资额、污染物排放量、SO2去除率、工业废水达标率等[6]。但囿于各地经济发展方式、产业结构和环境状况等因素的不同，单一指标并不能准确反映各地的实际环境管制强度，比如，经济不发达地区工业污染治理投资额虽然较小，但不代表其管制的力度低。综合指标则从多角度选取两个甚至多指标，相对能全面地反映各地的综合管制水平。比如，陈德敏和张瑞(2012)用环境规制法律体系、环境规制支撑体系和环境规制监督体系来反映综合规制水平[3]； 张崇辉等(2013)构建的规制体系包含四个方面：命令型指数、激励性指数、自愿性指数和意识型指数[9]。环境规制本来就是政府通过命令控制、市场化激励及自愿参与等方式协调各利益主体实现资源节约与环境改善的工具与手段[10]。所以，本文借鉴张崇辉的做法，考虑到数据的易得性和连贯性，构建如下环境管制指标体系，如表1所示。

其中，命令控制型环境管制主要体现了政府命令的强制性，受理环境行政处罚案件数可以体现政府对违反环境相关法律法规的处治力度，“三同时”环保投资额和执行“环评”建设项目数可以体现政府在环保方面对企业的强制性要求。经济激励型环境管制主要特点是政府利用市场机制来引导企业降低污染水平，本文选取的排污费征收额和可交易的排污许可证指标可以体现为污染付费的市场特点。而自愿意识型环境管制主要特点是通过提高大家的环保意识来自愿遵守环境保护的承诺，废水和废气运行费用可以反映企业在处理污染方面的自觉性，信访来信数则体现了公众的环保意识强度。文中主要数据均来源于2001-2017年《中国环境年鉴》和《中国环境统计年鉴》。

2.能源效率

能源效率测度也是本文一项重要的基础性工作，选择合适的方法对于计量分析是非常重要的。能源效率测算大概经历了从单要素能源效率到全要素能源效率的过程，由于全要素能源效率方法随着假定的放松和新技术的应用，越来越贴近现实的生产情况，且政策含义明确，越来越多地被应用到“节能减排”问题的研究上[11]。故本文采用非期望产出的Super-SBM来进行能源效率测算。然而，全要素能源效率测度只是一种静态分析，不能反映效率值的动态变化[12]，为此，在全要素能源效率测算后，另进行考虑非期望产出的Malmquist-Luenberger生产率指数计算，以考察同比例增加期望产出和减少非期望产出能源技术效率(EFFCH)和能源技术进步增长率(TECH)的变化。另外，构建合理的投入和产出指标体系是全要素能源效率的有效评价的前提[13]，本文在参考相关文献的基础上选择我国各地区(不包括西藏)的劳动力、资本存量和能源消费量作为投入指标，产出指标有两个，一个是非期望产出，用工业废气排放量表示，另一个是期望产出，用国内生产总值GDP代替。具体说明如下：

(1)劳动力(Labor)。采用各省份的年末从业人员总数代替，数据来源于2001-2017年《中国人口和就业统计年鉴》。

(2)资本存量(Capital)。由于资本存量在统计年鉴中没有直接的数据，本文参考张军(2007)、单豪杰(2008)的做法，运用永续盘存法来计算资本存量：

Kit=Kit-1(1-δ)+Iit

(9)

Kit、Kit-1为第i个地区t年和t-1年资本存量，δ为资本折旧率，统一取10.96%，Iit为t年实际的资本投资，本文用各年的固定资产投资总额代替。统一计算之后，为与国内生产总值统计口径相一致，又以2000年为基期，用GDP平减指数进行了平减。固定资产投资数据来源于历年《中国固定资产投资统计年鉴》。

(3)能源消费量(energy)。能源消费量以各地方能源消费总量表示(统一折为标准煤)，数据来源于历年《中国能源统计年鉴》。

(4)国内生产总值(GDP)。选取各地GDP作为合意产出，为避免价格波动因素影响，以2000年为基期用GDP平减指数进行平减，数据来源于各省统计年鉴。

(5)工业废气排放量(gas)。能源消耗带来的主要污染是大气污染，本文选取各地的SO2排放量作为非合意产出，数据来源于历年《中国环境年鉴》。

四、实证结果分析

(一)环境管制情况分析

在前文环境管制指标构建的基础上，进一步运用熵值法对2000-2016年各省份的环境行政处罚案件数、“三同时”环保投资额、执行“环评建设项目数”合并为命令控制型环境管制指标，将排污费征收额合并为经济激励型环境管制指标，将废水、废气运行费用和信访来信合并为自愿意识型环境管制指标，并将三类指标再归并为统一的环境管制指数。表2列出了2000-2016年各省份的三类及综合平均环境管制水平。

从表2中可以看出，综合规制水平较高的地区有广东、江苏、浙江、辽宁、山东、河北，几乎全部集中于东部地区，而规制水平较低的地区有青海、海南、宁夏、甘肃、天津、吉林、新疆。除天津和海南之外，都属于中西部地区。这充分说明环境规制水平在空间分布上具有较大的异质性，而且经济越发达地区，环境问题愈发严重，相应环境规制力度也较大，而经济相对欠发达的中西部，环境规制情况则正好相反。

另外，从各地区三种环境管制方式的管制水平来看，广东、江苏、浙江、山东排名仍比较靠前，而甘肃、宁夏、青海、海南排名仍比较靠后，与综合管制水平情形基本一致。除海南是因为环境污染问题不严重各方面管制水平都较低以外，充分说明经济发展水平较高的地区，无论是政府的强制性命令管制，还是市场机制激励制度，以及民众的环保意识都要比其他地区强。但是，从中间区域的分布来看，三类管制水平还是有较大差异的。比如，命令控制管制强度相对也较高的地区有辽宁、黑龙江、河北、福建、北京，经济激励型管制水平相对较高的地区有河北、四川、广西、辽宁、山西，自愿意识型管制水平相对较高的地区有河北、辽宁、上海、四川、河南。这说明在环境管制方式上各个地方有很大的异质性，有的偏向于政府的强制性干预，有的靠排污费征收和可交易排污许可证等市场机制来调节，有的则靠公众监督和公众意识的提高来实现。

表2 各省份2000-2016年平均环境规制水平

注：表中数据作者计算所得。

表3 各省份2000-2016年平均能源效率

注：表中数据使用MAXDEA Pro软件计算所得。

(二)能源效率分析

根据前文所介绍的方法和投入产出数据，本文运用MAXDEA Pro软件对我国30个省份2000-2016年全要素能源效率进行了测算，具体测算结果如表3所示，能源效率变动趋势如图2所示。从结果可以看出：

(1)我国整体能源效率2000-2016年平均水平仅为0.776，处于一个相对较低的水平，说明还有很大的提升空间。另根据图2平均能源效率变动趋势可以看出，总体能源效率除2006年有一个小幅上升外，整体呈下降趋势，这与采用单要素能源效率测算方式即能源强度(单位GDP能耗)的结果有很大差异，说明在考虑多要素投入和环境污染的非期望产出后，能源效率的衡量更为客观准确。

(2)从各省全要素能源效率平均值来看，处于生产前沿面的地区仅有北京、上海、广州、青海、海南，其值分别为1.282、1.241、1.155、1、1。江苏、天津、浙江虽然不在生产前沿面，但也相对效率较高，在平均值之上，其值分别为0.981、0.907、0.893，而中西部的大部分省份能源效率值都较低，排名靠后的几个省份有山西、内蒙、贵州、甘肃、新疆、陕西，其能源效率值处在0.57-0.6之间。这充分说明能源效率在空间上存在较大异质性，北上广和江浙一带，因为其经济发展水平和科技研发投入都比较高，产业结构也较合理，所以，能源效率水平也相对其他地方要高很多，而大部分中西部省份如山西和内蒙，能源产业一直是经济发展的支柱产业，能耗高且污染严重，而且产业结构中第一和第二产业占比较高，产业结构的不合理也是造成能源效率不高的原因。

图2 平均能源效率变动趋势

(3)从ML生产率指数分析来看，我国2000-2016年平均ML指数为1.007，说明全要素平均能源效率增长率增长0.7%，效率变化EFFCH的影响为-1.1%，技术变化TECH的影响为1.8%。从各地区具体情况来看，除江苏外，效率变化的影响为正值1.9%，其他省份皆为零或负值，负影响较大的地区有甘肃、贵州、山西、安徽、云南、新疆、重庆，大部分处于中西部地区，说明这些地区能源效率的提高还有很大空间。而从技术进步影响来看，排名比较靠前的地区有山东、天津、福建、江苏、浙江，贡献率分别为8.08%、5.39%、5.36%、4.5%、4.37%。大部分处于东部地区，说明依靠技术进步依然是提高全要素能源效率的有效手段。

(三)环境管制方式对能源效率的变动效应分析

根据前文(8)式构建的面板向量自回归(PVAR)模型和相关变量数据获得的基础上，本文进一步探讨环境管制对能源效率影响。

1.平稳性检验

由于面板数据兼有时间序列的性质，所以在估计时需要考虑序列的平稳性，不平稳的序列有可能导致虚假回归。根据各面板数据平稳性检验方法的适用条件进行选择，本文选择LLC检验、HT检验、IPS检验、费雪式检验和Hadri LM 检验。具体检验结果如表4所示，各变量时间序列至少在10%显著性拒绝存在单位根的原假设，证明其都是平稳的。

表4 各变量时间序列平稳性检验

注：表中数字为各种检验统计量，*、**和***分别代表在1%、5%和10%置信水平上显著(下同)。

2.PVAR模型的GMM估计结果

由于构建模型中包含个体固定效应和时间效应，在进行估计时会因为个体效应和解释变量相关而使得估计的系数有偏，所以，本文借鉴Holtz-Eakin等(1999)的做法，首先通过差分运算消除个体效应，再在横截面上采用均值差分去除时间效用，最后以自变量的滞后项作为工具变量，用系统GMM进行系数估计。具体采用Stata 13.0软件来实现，另外，在估计之前还需进行滞后阶数的确定，本文利用连玉君pvar2命令进行判断，最后确定最优滞后阶数为2阶。

表5是具体的GMM估计结果，从中可以看出，被解释变量为h_EE方程，滞后一期L.h_command前面系数为正，滞后二期L2.h_command系数为负，说明命令控制型环境管制方式对全要素能源效率的提高先是起到促进作用，后逐渐减弱，变为限制作用；滞后一期L.h_market前面系数为负，滞后二期L2.h_market前面系数为正，说明经济激励型环境管制方式对全要素能源效率影响不像命令控制型管制方式能起到立竿见影的效果，但随着时间的推移，其正向促进作用逐渐显现；滞后一期L.h_aware和滞后二期L2.h_aware前面系数都为负，但并不显著，说明依靠企业自愿和提高公众环保意识来提高能源效率作用还没有显现出来；L.h_EE和L2.h_EE前面系数都显著为正，能源效率的提高具有自我增强的作用。

3.波动传导机制分析

PVAR模型的脉冲响应函数能够分析相关变量在当期和未来受到随机扰动项冲击的影响，所以我们可以进一步利用其来探讨环境管制对能源效率影响的波动传导机制。为避免随机扰动项同期相关问题，按照“相对外生性”Cholesky分解原则，本文选取的变量顺序是：command、market、aware、EE。

表5 GMM估计结果

注：表中数字为估计系数值，括号内数字为t检验值，h表示前向差分，L、L2表示滞后一阶和二阶。

图3 command对EE的正交化脉冲响应 图4 market对EE的正交化脉冲响应

图5 aware对EE的正交化脉冲响应 图6 EE对EE 的正交化脉冲响应注：图中上下曲线代表了脉冲响应函数水平为90%的置信上下限(蒙特卡洛模拟500次得到)

(1)各种环境管制方式对能源效率的直接影响。图3-图6给出了命令控制型环境管制变量(command)、经济激励性环境管制变量(market)、自愿意识性环境管制变量(aware)和全要素能源效率(EE)变量PVAR脉冲响应图，其描绘了各影响因素一个标准差的冲击对能源效率增长当前和未来的影响。通过分析可知，对于一个标准差命令控制型环境管制变量(command)的冲击，全要素能源效率增长率初始为负值，之后迅速转为正值，到第1期达到最高点，之后逐渐下降，虽第3期有一个小幅的升高，但总体趋于下降趋势(见图3)。对于一个标准差经济激励性环境管制变量(market)的冲击，全要素能源效率增长率初始为正值0.010，之后开始下降，第1期变为负值，之后又开始上升，第2期达到第二个高峰点0.004，从第2期之后逐渐下降，到第6期趋于0(见图4)。对于一个标准差自愿意识性环境管制变量(aware)的冲击，全要素能源效率增长率从第1期到第10期都为负值，第2期达到最低点-0.14，之后逐渐上升(见图5)。而全要素能源效率(EE)自身对自身的冲击总体表现为正的影响，初始就达到最高点0.09，之后急剧下降，第2期和第4期虽有小幅的上升，总体呈下降趋势，到第10期逐渐趋于0(见图6)。

从以上分析结果可以看出，各类环境管制方式变量对全要素能源效率的冲击响应并不相同，究其原因还是各种管制方式的内涵不同所造成的。命令控制型管制方式体现了政府在治理环境污染问题的强制性，企业为完成规定的节能减排任务，不得不进行相应的生产方式的调整，虽然短期可以立刻显现出管制的效果，但从长期来看，如果企业的创新成本不能弥补遵循成本，能源效率将不会有实质性的提高，从而导致政府的管制效果逐渐减弱。而以可交易的排污许可证和排污费征收的经济激励性环境管制方式，由于相应的市场机制还不完善，许多企业虽然为污染付了费，但并没有实质性措施去提高能效，降低能耗和降低污染，所以其影响也是暂时的。自愿意识型环境管制则更多地依靠企业的自觉性和公众的监督，虽大家的环保意识在增强，但总体水平还不是太高，而公众的监督作用也非常有限，许多企业可能会被眼前的经济利益所蒙蔽，而忽视能耗和环境问题，所以造成其对能源效率增加值的负影响。

(2)各种环境管制方式对能源效率的间接影响。按照前文Cholesky分解选取的变量顺序，环境管制方式对能源效率的影响还可按如下路径传递：command→market→EE、command→aware→EE、market→aware→EE，即命令控制型环境管制会影响经济激励型管制水平和自愿意识型管制水平，进而影响能源效率；经济激励型环境管制也会影响自愿意识型管制水平，进而影响能源效率。具体冲击影响如图7-图9。

从图7可以看出，命令控制型环境管制对经济激励型环境管制最初的冲击响应虽然为负，但很快趋向于0，所以，其影响几乎是可以忽略的，结合图3，命令控制型环境管制对能源效率增长率的冲击始终是正向的，因此，其通过经济激励型环境管制对能源效率增加值间接影响基本是正向的。图8显示命令控制型环境管制对自愿意识型管制的冲击影响是先升后降，但始终是正向的，而由前面图5，自愿意识型管制对能源效率的冲击影响始终为负向，所以，命令控制型环境管制通过自愿意识型管制对能源效率增加值的冲击影响为负向。图9显示，经济激励型环境管制对自愿意识型管制的冲击最初为负向，但很快转为正向，从第1期之后这种正向影响都比较平稳，但同样因为自愿意识型管制对能源效率的冲击影响始终为负向的，所以，经济激励型环境管制通过自愿意识型管制对能源效率增加值的冲击影响为负向。

图7 command对market的正交化脉冲响应

图8 command对aware的正交化脉冲响应

图9 market 对aware的正交化脉冲响应

4.环境管制方式对能源效率变动贡献效应分析

由上述脉冲响应分析结果可知，三类环境管制方式在一定程度对全要素能源效率均是有影响的，为进一步评价其对能源效率变动的重要性，可利用PVAR模型的方差分解来分析各类管制方式的贡献度。表6给出了具体的方差分解结果。

表6 方差分解结果

从表6可看出，命令控制型环境管制最初的贡献率为0，第3期就迅速上升为1.2%，后逐年提升，到第8期稳定保持在2%。经济激励型环境管制贡献率从最初的1.1%，后逐年下降，从第6期基本保持在0.5%。自愿意识型环境管制最初的贡献率为0.8%，其后逐步地上升，到第10期上升为6.6%。而能源效率自身对自身的贡献一直居于主要方面，不过随着环境管制的作用显现，其贡献率从98%降到了90.9%。综上可以看出，三类环境管制方式对能源效率的贡献是不一样的，目前，命令控制型环境管制虽然仍为主要的管制手段，但长期来看贡献率并不高。经济激励型环境管制由于相应的市场机制还不是很完善，其贡献率也处于一个较低的水平，而相反自愿意识型环境管制的贡献度处于三类管制方式的首位。这说明在未来进一步完善市场机制和加强宣传教育来提高公众的环保意识，才是促进能源效率提高的长久之计。

五、结论与建议

在相关文献梳理的基础上，本文从理论上探讨不同的环境管制方式对能源效率的影响机制。采用熵值法构建综合性的环境管制指标体系，采用非期望产出的Super-SBM和Malmquist-Luenbergerjin法分析我国2000-2016年各省份环境管制水平和全要素能源效率及生产率指数，并运用内生性的PVAR(面板向量自回归模型)进行GMM估计、脉冲响应和方差分解，实证检验各类环境管制方式对能源效率的长期均衡关系、波动传到机制和变动效应贡献度。得出以下结论：

(1)从理论上，政府所设计的环境管制方式对于厂商的能源效率是有影响的，且合适的环境管制方式也是提升能源效率的策略之一。

(2)环境规制水平呈现较大的空间差异性，综合规制水平东部地区普遍高于中西部地区，而从具体管制指标来看，有的地方命令控制型水平较高，而有的地方经济激励型和自愿意识型水平较高。这说明我国环境管制方式多元化发展进程中，各地的情况并不一致。

(3)在考虑非期望产出的我国整体全要素能源效率水平还处于一个比较低的水平，且在空间上也有很大的差异性，除青海和海南外，北上广和江浙一带的能源效率要高于其他地区，而从ML生产率指数来看，技术进步依然是提高全要素能源效率的有效手段。

(4)从GMM估计系数来看，命令控制型环境管制对能源效率的影响先是正向促进，然后转为负向抑制，经济激励型环境管制则是先负向抑制后转为正向促进，自愿意识型环境管制为负向作用。这说明各类管制方式对能源效率的影响各不相同，且管制效果随着时间的变化也在发生改变。

(5)从脉冲响应强度来看，命令控制型环境管制对能源效率的正向冲击影响最大，经济激励型环境管制只在个别时期呈现正向冲击，而自愿意识型环境管制负向冲击最大。说明我国命令控制型环境管制还是主要手段，其效果最为明显，而经济激励型和自愿意识型管制手段还没有真正地发挥作用。另外，从各种环境管制方式之间的脉冲响应来看，命令控制型环境管制对经济激励型管制几乎无影响，但这两种管制方式却对自愿意识型管制有明显的正向冲击，表明在提高能源效率上，政府的强制性命令并不能取代市场机制的作用，但二者却有助于提高公众的节能环保意识。

(6) 从方差分解结果看，虽然自愿意识型环境管制估计系数和脉冲响应都为负值，但长期对能源效率增加值贡献度最大，占6.6%，命令控制型和经济激励型贡献度只占到2.5%。说明在未来依靠公众的自愿和意识的提高才是解决环境和能源问题的最有效手段。

根据以上结论，本文提出如下建议：第一，管制方式要从“控制”走向“激励和自愿”，命令控制型管制主要通过“政府控制企业”的二元关系格局来实现环境治理，二者之间是“命令-服从、标准-遵循、违法-惩罚”的关系[14]，虽表面上有执行效果，并不能从根本上实现环境治理的有效性和真正实现能源效率的提高，长此以往还可能对市场机制和公众参与产生“挤出效应”。而激励和自愿型管制工具则可以从根本上激发企业的节能减排和保护环境的积极性，对实现能源效率的提高是有促进作用的，所以，管制方式要从控制到经济激励和自愿意识的多元化发展。第二，完善市场激励机制、鼓励公众参与。经济激励和自愿意识型管制工具的作用在实证结论中之所以没有命令控制型强，还是因为相应的市场机制不够完善和公众参与度不高造成的，政府应加大政府扶持力度，推广新能源和节能环保技术，完善排污权交易，开展绿色信贷和绿色保险，引入“第三方治理制度”，推行环保税等政策，让企业能够有渠道、有保障、有支持来完成政府的节能减排任务，并从中得到提高和收益。第三，加强宣传教育，提高公众环保意识。企业和公众的环保意识的提高是环境治理及能效提高的根本性手段，政府要加大宣传和教育，提供畅通的参与渠道，合理处置民众诉求，营造全民监管的氛围，督促企业进行行为纠偏，自觉自愿地进行环境保护和能源节约。第四，加大科研力度，实现产业结构升级。科技进步依然是提高能源效率的最有效手段，政府要加大环保科研投入，鼓励创新，逐步升级改造和淘汰“高能耗、高污染、低产出”产业，积极发展绿色环保的现代产业体系。