论文部分内容阅读
摘要：当下中国经济发展面临以节约能源消费和减少CO2排放作为主要目标的经济结构转型压力。在能源约束条件下如何提高能源效率实现经济可持续增長，能源效率问題作为研究中国经济可持续增长是必要的且具有十分重要的现实意义。本文基于Metafrontier GML指数方法，构建动态综合的污染强度指标作为非期望产出，测算中国地区2004—2013年28个省份的绿色能源效率，进而对中国区域之间与区域内部技术效应进行分解，并对其收敛性和影响因素进行分析。研究结果发现，中国东部地区技术赶超、创新和领先效应是显著的，东部地区辽宁省技术“领先效应”并不明显，导致该地区能源效率并未有提高；中部地区的技术创新效应不明显，但能源效率均有明显提高；而西部地区只存在技术创新效应，此地区的技术前沿与全国范围的共同技术前沿差距较大，特别是此地资源型地区的技术改进效率不高。其次，通过对能源效率的σ收敛和β收敛进行检验，发现中国地区能源效率在2004—2013年存在σ收敛但是不存在绝对β收敛。再次，对影响能源效率的因素进行回归分析，结果发现技术“赶超效应”、“创新效应”和“领先效应”均对能源效率的提高存在正向作用，产业结构升级和能源价格对能源效率的提高存在促进作用，但是增强环境规制强度会抑制能源效率的提高。这就意味着提高能源效率，对于不同地区需要“因地制宜”，特别是对于资源型地区，需加大促进技术创新政策力度，缩小地区技术前沿与全国技术前沿的距离，制定合理的环境规制政策，进而促进能源效率的提高。
关键词 ：环境约束；能源效率；Metafrontier GML指数
中图分类号：F062.1
文献标识码： A
文章编号： 1002-2104（2016）12-0147-10
中国作为世界上最大的能源生产国和消费国家，2014年能源消费占世界消费总量的46.9%，同时碳排放量占全球总排放的25.7%。而中国工业高速增长是以高能耗和高排放为代价，中国工业的未来的发展不可以忽视能源和环境因素的影响[1]。当下中国经济发展面临着经济结构转型的压力，经济结构转型必须将节约能源消费和减少CO2排放作为主要目标。那么，在能源约束条件下如何实现节能减排，提高能源效率实现经济可持续增长，是目前经济发展过程中不可忽视的一方面。能源与资本、劳动一样作为经济增长的投入要素[2]，而作为投入要素的能源会带来环境污染的非期望产出。因此，能源效率问题作为研究中国经济增长不可回避的问题具有十分重要的现实意义。
1 文献综述
近来关于能源效率测算方法众多，主要是从技术进步率角度进行分析，在传统的全要素生产率的基础上，将能源也作为投入要素，如师博和沈坤荣[3]、陈诗一[4]，以此突出能源作为经济增长的重要要素之一，分析物质资本、劳动力资本以及能源消费之间的关系，但是这种研究前提假设是厂商技术是有效的。关于测算效率的有效方法主要是传统的全要素生产效率指数（Malmquist or Fisher Index）、非参数数据包络分析（DEA）和参数随机前沿分析（SFA）。其中，非参数数据包络分析（DEA）是运用线性规划构建非参数前沿面来计算效率。关于能源效率测度研究具有代表性的是Hu and Wang[5]，基于DEA方法测算出潜在能源投入，其与实际能源投入的比值称为全要素能源效率。自此之后基于DEA方法计算能源效率文献众多，如Wei 等[6]利用中国钢铁业部门的面板数据，将能源效率通过Malmquist指数分解为技术进步率与技术变化率。
由于能源生产会带来污染产出，需要考虑加入非意愿产出因素，否则会扭曲对经济效率的评价。Chung 等[7]考虑非期望产出并结合Malmquist生产率指数（ML）和方向距离函数，构造MalmquistLuenberger指数（简称ML指数），将能源与环境因素综合起来考虑增加产出与减少污染。R Fre 等[8]、涂正革和肖耿[9]考虑污染作为“坏”产出条件下，基于ML指数的DEA方法计算全要素生产率；但是所用的方法未考虑跨期DEA，计算结果可能得到技术退步。因此，Shestalova[10]提出序列Malmquist指数（简称SM指数）计算方法。田银华等[11]以及王维国和范丹[17]基于SM指数方法，分析考虑环境约束下中国区域全要素生产率的变化；但是序列DEA存在不可传递性，此方法适合评价在理论上不存在技术退步的情况。而Pastor and Lovell[12]为了解决ML指数在跨期方向距离函数中测量存在不可以循环、计算混合方向性距离函数时线性规划出现不可行解以及不可传递性的问题，将各期的总和作为参考集建立全局域Malmquist指数（简称GM指数），但并未包含负外部性因素。Oh[13]建立了一种可选择的环境敏感生产增长指数，称为全局MalmquistLuenberger 指数（简称GML指数），此方法有效解决SM和ML指数方法存在的上述问题。赵良仕和孙才志[14]、柯孔林和冯宗宪[15]分别运用此方法计算中国水资源全要素生产率和商业银行的全要素生产率方面的问题。虽然GML指数具有传递性和解决无可行问题，但是如果考察不同经济体在不同技术水平情况下，还需要引入“共同前沿生产函数”（Metafrontier Production Function）。Oh and Lee[16]在全局域Malmquist指数基础上建立了Metafrontier GML指数（简称MGML指数），将不同的决策单元按照某种属性进行分类，分别计算各组内的GML指数和在不分组情况下的GML指数。
为此，本文首先在Oh and Lee[16]文献基础上，利用Metafrontier GML指数测度中国2004—2013年各地区能源效率及其分解效应，以及按照地区经济发展差异程度分组测度东中西三个区域能源效率和分解效应。其次，对能源效率的收敛性和影响因素进行了分析。 2 研究方法
2.1 关于MGML指数构建
将污染排放作为“非期望产出”纳入到生产率分析框架中，非对称处理包含期望与非期望产出，即达到最大化的增加意愿产出且同时减少非意愿产出目的。
3 数据与变量
3.1 数据来源
采用2004—2013年的年度数据，数据来自历年《中国统计年鉴》、《中国能源统计年鉴》、《中国价格统计年鉴》、《中国劳动年鉴》、《中国国内生产总值核算历史资料（1952—2004）》、《新中国60年统计资料汇编》、《中国环境统计年鉴》以及各省市历年统计年鉴和全国历年人口普查资料等。由于数据可获得性，本文研究中剔除西藏和海南省份地区，由于重庆1997年单独划分为直辖市，在本文分析中将重庆与四川进行合并，因此只选择保留28个省份地区作为研究对象。
3.2 指标选取
期望产出变量（Y）首先获得各省市名义人均国内生产总值GDP（亿元），以1952年为基期根据不变价计算的国内生产总值指数，计算得到各地区实际国内生产总值额（亿元），作为期望产出。
非期望产出污染排放强度指数（Poll）该指标作为非期望产出，根据数据可获得性和统计口径一致性，本文利用2004—2013年《中国环境统计年鉴》和各地区年统计年鉴，将各地区工业废水、废气、固体废物的污染排放量作为基础指标，再采用“纵横拉开檔次法”转化为动态综合性指标。
投入劳动资本（L）只考虑就业人员数量，并不能完全反映出劳动资本。本文采用各地区从业人员数量（万人）与平均受教育年限（平均受教育年限是不同阶段受教育层次人数与受教育年限的乘积再除以6岁以上受教育的总人数，公式为大专以上文化程度年数×16+高中文化程度年限×12+初中文化程度年限×9+小学文化程度年限×6）/6岁以上总受教育人口。单位为年）乘积作为劳动资本的代理量，数据来源各省市历年统计年鉴和人口普查数据整理而得。
投入物质资本（K）计算物质资本存量的关键有三点：①基年资本存量的确定；②固定资产投资的平减指数；③折旧率的问题。本文测算得到各地区基于1952年为基期的年均资本存量，先按照各地区的隐含平减指数将历年的固定资本形成额统一折算成1952 年不变价的数值， 然后根据所设定的折旧率和基期资本存量运用永续盘存法对历年资本存量进行估算[21]。
投入能源消费量（E）选择各地区能源消总量（万t标准煤），根据《中国能源统计年鉴》和各省市历年统计年鉴能源平衡表整理而得。
4 MGML指数测算结果与分解效应分析
首先，计算2004—2013年28个省份地区的能源全要素效率。另外，按照经济发展水平将能源消费分为三个区域：东部地区（北京、天津、河北、辽宁、上海、江苏、浙江、福建、山东、广东）、中部地区（山西、吉林、黑龙江、安徽、江西、河南、湖北、湖南和内蒙古）、西部地区（广西、四川重庆、贵州、云南、陕西、甘肃、青海、宁夏和新疆），计算在不分组和分组情况下的MGML指数以及分解效应。
4.1 三地区的能源效率指数比较
通过ML指数、GML指数和MGML指数进行比较（见表1），分别列出三种指数的年度地区几何平均值，从计算结果可以看出：从总体来看，三种指数均表明样本期内能源效率保持增速状态，但用ML指数测算的结果高于另外两种方法，因此ML指数可能高估效率值。另外，从平均意义来看，三种指数的中西部地区能源效率增加速度高于东部地区。从纵向时间维度来看，三地区的总体效率趋势保持提高状态，在2008—2009年期间MGML指数显示总体效率值达到顶峰。从横向的决策单元来看，使用ML指数进行估计的结果高于其他两种指数，因为ML指数计算方法并未考虑到跨期和不同技术水平下形成的共同前沿，会导致估计结果相对偏高。虽然GML指数考虑了跨期的共同前沿函数，但是未考虑到不同技术水平分组的共同技术前沿则会导致总体水平被拉低。因此，MGML指数在总体均值水平上可以客观反映此指标水平。
进一步分析采用MGML指数的适用性表明，偏度-峰度检验结果P值小于1%水平，显著拒绝正态性的原假设。可知，虽然可以将GML、MGML与ML作为配对样本，但它们均为非对称分布（正偏）。
由于使用Wilcoxon检验的前提是要求非正态但需对称分布，所以无法使用Wilcoxon符号秩检验其异质性。本文采用非参数方法进行差异性检验[22]，检验GML和MGML是否具有更高的精度来进行深入分析。通过对GML指数和MGML指数分别于ML指数进行差分，再与相应的中位数值进行比较，结果表明，MGML指数相比于GML指数提高了测算精度，从而证明了MGML指数适合后续的深入分析。
4.2 各区域MGML指数测度结果及其分解效应
按照发展水平全国分为东中西三个组别，MGML指數进行测度主要包括以下内容：进行分解得到组内技术效率变化（EC）、组内当期的前沿与组内共同前沿之间的差距变化（BPG）以及跨期各组技术前沿与共同前沿之间的差距变化率（TGC）。测度结果可见表2。①从总体上看，2004—2013年东部地区的能源全要素生产率（MGML）、技术效率变化率（EC）、当期技术前沿与组内共同技术前沿之间的差距变化率（BPC）年均增长率和跨期技术缺口变化率分别为7.74%、0.85%、4.87%和1.87%，表示东部地区各省份能源效率的增长由技术创新效应具有主导作用，其技术赶超效应和领先效应也显著；中部地区的能源全要素生产率、技术效率变化率和当期技术前沿与组内共同技术前沿之间的差距变化率年均增长率分别为7.47%、0.66%和6.9%，但是技术缺口变化率年均增长率为-0.012%，表示中部地区的能源效率提高也是由于技术创新效应，但是其技术领先效应并不显著；但是，西部地区的能源全要素生产率和当期技术前沿与组内共同技术前沿之间的差距变化率年均增长率分别为7.8%和9.78%，技术效率变化率和技术缺口变化率年均为-1.66%和-0.015%，可以看出西部地区的能源效率的提高主要是由于技术创新效应起主导作用，而技术赶超效应和领先效应呈现负向作用，表示作为资源型地区的西部地区可利用的技术创新能力的退步，只是通过更有效的投入效率来提高生产率，由于资源型地区生产初级产品而形成一定的技术依赖。②从纵向时间维度和横向决策单元来看，三地区的MGML指数均大于1，表明三地区在整体上呈现能源效率总体是提高趋势，但西部地区的增长速度略高于东部地区和中部地区；从分解效应上看，东部地区跨期之间的技术效率变化率从2005年增长率2.08%到2013年的3.29%，以及该地区与全局技术前沿之间的差距变化率从2005年的0.2%到2013年的4.98%，同样中部地区也呈现累积增长趋势。但是，对于西部地区来说，技术效率变化率指数在2004年到2013年增长率在大多数年份是负增长，如2007年至2011年之间呈现累积负增长趋势，表示西部地区技术赶超效应和领先效应并不显著且拉低总体的能源全要素生产率，但是西部地区从2005年增长率从13.54%到2013年的4.19%，在总体上的技术创新明显，表明对前沿技术的赶超速度较慢，这样技术效率的变化处在组内前沿技术内部，与全局的前沿技术差距扩大差距。 4.3 各省份的MGML指数及其分解效应
从整体不分组情况来看，从表3中可以看出，省份能源效率的分解效应存在着较大的差异。以全国能源效率的年均增长率为7.67%为基础参照，发现超过一半的省份（18个）高于均值。其中，从总体上看东部地区发达省份如北京、上海、江苏等处多居于技术领先和技术的前沿，而处于技术劣势和技术效率不明显的省份均是发展落后 且资源优势明显地区如云南、青海和新疆，这些省份的技术效率变化增长率均呈现负值；一些资源型重工业省份的技术领先效应低于全国平均值，如山西和黑龙江。从组内各决策单元来看，2004年到2013年东部地区辽宁省技术效率变化年均增长率为-1.16%，其技术领先效应拉低整体的能源效率增长率，导致该地区能源效率并未有提高；中部地区的省份来说，虽然大部分地区如河南、湖北、湖南和广西省份的技术“领先效应”呈现负向作用，但技术赶超和创新效应促进能源全要素生产率提高；对于西部地区的省份来说，能源全要素生产率有着明显提高，但各省份技术创新效应和领先效应呈现负向作用，如陕西、青海、宁夏和新疆地区，此地区的技术前沿与全国范围的共同技术前沿差距较大，在资源型省份如云南和新疆地区，技术“赶超效应”不显著，技术改进的效率不高。
5 关于能源效率的收敛性及影响因素分析
5.1 能源效率的收敛性
关于收敛性的研究主要分为σ收敛和β收敛，前者表示不同地区的能源效率的标准差会随着时间缩小；而后者表示不同地区能源效率具有相同的发展稳态，即是否存在追赶能源效率高的省份的趋势[23]。本文对三地区和整体进行能源全要素生产率σ收敛进行检验，见图1。从总体上看，2012年到2013年中部和西部地区的σ值低于2004年初期值，表明存在着σ收敛性；但是2009年以后东部地区的
图1 收敛性检验结果
Fig.1 Result of σ convergence test全要素生产率标准差变异较大，同时全国整体水平与东部地区的收敛趋势相似，说明东部地区的省份对全国能源收敛性存在主导作用。东部地区的σ值存在着先下降后反弹再下降的趋势，2008年到2009年的σ低于期初的2004年到2005年的值，表示在2009年之前东部地区存在σ收敛性。而在2009年之后，东部地区的σ值波动较大，由于东部地区包含了辽宁和河北两个省份，均属于重工业能源消耗的较大的地区，而东部地区省份经济发展容易受外部经济波动影响，特别是从“十一五”节能减排政策对此地区的影响较大。
5.2 影响因素的数据说明和指标选取
在分组的情况下能源效率主要是由技术变化变化率（EC）和组内当期前沿与全局前沿之间的差距的变化率（BPC）影响；而在不分组的情况下，MGML指数除了受到技术变化的变化率（EC）和以及两期内的当期前沿与全局前沿之间差距变化率（BPC）以外，还涉及到两期技术缺口比率的变化率（TGC）影响。另外，大多数集中在环境因素与政策对于能源效率的影响，如吴利学从波动理论分析影响能源效率的因素，研究发现存在能源价格、政府消费等外部冲击对能源效率的影响；杜克锐和林伯强研究发现要素扭曲抑制能源效率的提高；陈德敏和张瑞研究发现环境规制抑制能源效率且存在地域性差异[24-27]，现有的研究发现以下因素（见表5）会影响能源全要素生产率。
本文中指标的选取是基于2004—2013年为考察期，由于第三产业单位能源消耗较低，因此第三产业比例高则表示消费的能源量相对较少，选择第三产业占GDP比重作为产业结构的代理变量。由于对外开放度会影响能源效率，因为外商直接投资有利于本地企业生产率提高，但外商直接投资会导致双重效应即选择以外商直接投资占GDP比重作为外商直接投资代理变量。能源价格是中国能源强度下降的重要因素之一，因此本文以原材料、燃料、动力购进价格指数作为能源价格的代理变量。鉴于数据的可得性，本文利用《中国环境统计年鉴》和各地区年统计年鉴，由于从年鉴中只可获得工业污染源治理投资，将各地区实际工业污染源治理投资占实际GDP比重作为环境规制的替代变量。按照之前计算到的名义和实际国内生产总值，第三产业值、外商直接投资以及工业污染源投资均进行实际化处理，再对相应的指标进行计算。本文的分析主要在不分组和分组情况下，对影响能源效率的因素进行分析，其中被解释变量以2004年为基期的累积处理，将EC、BPC和TGC均进行累积处理[28]。各变量的統计性描述见表6所示。
5.3 影响因素实证初步结果
首先，模型（1）和（2）是在不分组的情况下进行面板固定效应和随机效应分析。其次，现有研究表明环境规制强度与FDI之间存在“U型”关系[29]，因此，模型（3）和模型（4）加入FDI二次项的形式进行面板固定效应和随机效应回归。再次，在一项政策的实施过程中存在着时滞效应，因此在模型（5）和（6）中采用以规制强度滞后期变量值作为环境规制政策的代理变量，进行面板固定效应和随机效应回归。通过对模型（1）-（6）进行Hausman检验，发现三组回归均拒绝原假设即代表个体异质性的不可观测的随机变量与所有的解释变量是相关的，因此应选择固定效应。
实证初步回归结果如表7所示，其中从模型（1）可以看出，在2004—2013年能源全要素生产整体上存在“技术赶超”、“技术创新”和“技术领先”效应正向关系，且在1%水平上十分显著。能源价格（lep）上升提高了能源效率，在1%水平上显著。由于能源价格的上升可能提高节能的意识，采取更加先进的技術来提高能源效率，这与林伯强和杜克锐结论一致[25]。同时，第三产业的比重（lis）增加会提高能源效率，在1%的水平上存在显著的正向关系。由于第三产业的能源消耗相对较少，单位耗能的减少
有利于能源效率的提高。但是，随着规制强度的增强降低能源效率，对于企业而言是为了获得更高的利润，污染强度作为一种负产出，环境规制增强则会使得企业必须投入更高的生产成本，进而会选择减少生产，进而会对能源效率的提高产生抑制作用。扩大对外开放程度（lfdi）回归结果在模型（1）中呈现正向关系。根据现有的研究，FDI对能源效率的影响要受到环境规制强度的限制，FDI由于环境规制对治污技术进步存在“挤出效应”和“补偿效应”，因此在模型（3）中加入了FDI的二次项（lfdi2），结果显示FDI对能源效率存在正“U型”关系，但是环境规制影响因素并不显著。由于政策的执行存在滞后的效应，因此在模型（5）加入环境规制的滞后一期，结果显示环境规制存在着对能源效率在1%的显著水平下呈现负向相关关系。 5.4 穩健性檢验
由于对固定效应模型（5）进行异方差检验，发现存在异方差问题。为了验证模型的稳健性和敏感度，因此模型（7）采用稳健的面板固定效应，控制各地区进行稳健性回归，避免异方差引起回归系数与标准误估计的不一致性。因为制度变量与相关的经济变量存在内生性问题，其中制度执行效率与FDI存在内生性问题[30]；而内生性问题存在导致最小二乘法估计结果有偏或不一致。因此，模型（8）进行工具变量进行两阶段回归并进行检验。
模型（7）进行稳健性回归分析，各个变量的符号没有变化。模型（8）结果显示各个变量符号没有变化，列出第一阶段的F值和partial R2，并进一步检验工具变量是否合适。第一阶段的F值大于10，表明工具变量和内生变量之间具有较强的相关性，且第二阶段的Partial R2达到了0.5以上，表明选取的工具变量和内生变量（环境规制）之间具有较强的相关性。
6 结 论
本文基于Metafrontier GML指数方法测度2004—2013年中国地区能源效率，并按照地区经济发展水平分为东中西三地区进行分析。研究发现，从总体上三地区的能源效率存在提高，其中东部地区技术“赶超效应”、“创新效应”和“领先效应”明显。但是，中部地区的技术“赶超效应”并不明显，西部地区技术“赶超效应”与技术“领先效应”均不明显。从横向各决策单元来看，东部地区内部的辽宁省技术“领先效应”并不明显，导致该地区能源效率并未有提高；中部地区大部分省份技术“领先效应”均不明显，但能源效率均有明显提高；而西部地区的省份来说，各省份技术“创新效应”和“领先效应”并不显著，可以看出西部地区各省技术落后，此地区的技术前沿与全国范围的共同技术前沿差距较大，特别是资源型省份技术“赶超效 应”不显著，技术改进的效率不高。其次，本文对地区的能源收敛性进行研究发现，总体上全国整体上不存在绝对β收敛，但中西部地区存在着“俱乐部收敛”。再次，本文对影响能源效率的因素进行分析，发现的主要结论：技术“创新效应”、“领先效应”和“赶超效应”对提高能源效率存在正向促进作用；产业结构升级对于能源效率的提高具有推动作用，而能源价格的变动的会影响到中国地区的能源效率，可以充分利用价格手段调节能源投入与其他要素的替代作用，也可以通过价格要素促使技术升级进而提高能源效率；环境规制对能源效率的提高存在着抑制效应，因此环境政策实施对技术溢出产生抑制作用，间接对能源效率产生抑制作用，政府应制定合理的环境政策，加大对清洁能源的研发抵消环境制度对技术创新的负相作用。
在本文中未分地区对能源效率的因素进行分析，而能源价格变动会导致对能源消费产生影响产生能源回弹效应，在分析中并未引入此方面的因素；另外，本文只是进行经验研究，而未建立影响能源效率的作用机制进行深入理论分析，此是本文的不足之处，也是未来值得研究的方向之一。
（编辑：李 琪）
参考文献（References）
[1]陈诗一. 能源消耗、二氧化碳排放与中国工业的可持续发展 [J]. 经济研究， 2009（4）： 41-55. [CHEN Shiyi. Energy consumption， CO2 emission and sustainable development in Chinese industry [J]. Economic research journal， 2009（4）： 41-55.]
[2]ROMER P M. The origins of endogenous growth [J]. Journal of economic perspectives， 1994， 8（1）： 3-22.
[3]师博， 沈坤荣. 市场分割下的中国全要素能源效率：基于超效率DEA方法的经验分析 [J]. 世界经济， 2008（9）： 49-59.[SHI Bo， SHEN Kunrong. Under the market segmentation of china’s total factor of energy efficiency： empirical analysis based on super efficiency DEA method [J]. The journal of world economy， 2008（9）： 49-59.]
[4]陈诗一. 中国工业分行业统计数据估算：1980—2008 [J]. 经济学（季刊）， 2011（3）： 735-76. [CHEN Shiyi. Reconstruction of subindustrial statistical data in China （1980-2008） [J]. China economic quarterly， 2011（3）： 735-76.]
[5]HU J L， WANG S C. Totalfactor energy efficiency of regions in China [J]. Energy policy， 2006， 34（17）： 3206-17.
[6]WEI Y M， LIAO H， FAN Y. An empirical analysis of energy efficiency in China’s iron and steel sector [J]. Energy， 2007， 32（12）： 2262-70.
[7]CHUNG Y H， F Re R， GROSSKOPF S. Productivity and undesirable outputs： a directional distance function approach [J]. Microeconomics， 1995， 51（3）： 229-40. [8]F Re R， GROSSKOPF S， PASURKA C A. Pollution abatement activities and traditional productivity [J]. Ecological economics， 2007， 62（3-4）： 673-82.
[9]涂正革， 肖耿. 环境约束下的中国工业增长模式研究 [J]. 世界经济， 2009（11）： 41-54. [TU Zhengge， XIAO Geng. Under the restriction of environment China’s industrial growth pattern research [J]. The Journal of world economy，2009（11）： 41-54.]
[10]SHESTALOVA V. Sequential malmquist indices of productivity growth： an application to oecd industrial activities [J]. Journal of productivity analysis， 2003， 19（2）： 211-26.
[11]田银华， 贺胜兵， 胡石其. 环境约束下地区全要素生产率增长的再估算：1998—2008[J]. 中国工业经济， 2011（1）：47-57.[TIAN Yinhua， HE Shengbing， HU Shiqi. Reestimation of China’s regional total factor productivity growth under environment regulation：1998-2008 [J]. China industrial economics， 2011（1）： 47-57.]
[12]王维国， 范丹. 中国区域全要素能源效率收敛性及影响因素分析——基于MalmqulistLuenberger指数法 [J]. 资源科学， 2012（10）： 1816-24. [WANG Weiguo， FAN Dan. Influential factors and convergence of total factor energy efficiency in China based on the MalmqulistLuenberger index [J]. Resources science， 2012（10）： 1816-24.]
[13]OH D H. A global MalmquistLuenberger productivity index [J]. Journal of productivity analysis， 2010， 34（3）： 183-97.
[14]赵良仕， 孙才志. 基于GlobalMalmquistLuenberger指数的中国水资源全要素生产率增长评价 [J]. 资源科学， 2013（6）：1229-1237. [ZHAO Liangshi， SUN Caizhi. Water resource total factor productivity efficiency in China using the GlobalMalmquistLuenberger index [J]. Resources science， 2013（6）： 1229-1237.]
[15]柯孔林， 冯宗宪. 中国商业银行全要素生产率增长及其收敛性研究——基于GML指数的实证分析 [J]. 金融研究， 2013（6）： 146-59. [KE Konglin， FENG Zongxian. The commercial bank of China total factor productivity growth and its convergence： the empirical analysis based on GML index [J]. Journal of financial research， 2013（6）： 146-59.]
[16]OH D H， LEE J D. A metafrontier approach for measuring Malmquist productivity index [J]. Empirical economics， 2009， 38（1）： 47-64.
[17]杨万平. 中国省际环境污染的动态综合评价及影响因素 [J]. 经济管理， 2010（8）： 159-65.[YANG Wanping. Dynamic comprehensive evaluation of China’s provincial pollution and research on influencing factors [J]. Economic management journal， 2010（8）： 159-65.]
[18]熊艷. 基于省际数据的环境规制与经济增长关系 [J]. 中國人口·资源与环境， 2011（5）： 126-131. [XIONG Yan. Research on the relationship between environmental regulation and economic growth based on the provincial data in China [J]. China population， resources and environment， 2011（5）： 126-131.]
[19]郭亚军. 综合评价理论、方法及应用 [M]. 科学出版社， 2007.[GUO Yajun. Comprehensive evaluation theory， method and application [M]. Science Press， 2007.] [20]郭亚军， 马凤妹， 董庆兴. 无量纲化方法对拉开档次法的影响分析 [J]. 管理科學学报， 2011（5）： 19-28. [GUO Yajun， MA fengmei， DONG Qingxing. Analysis of influence of dimensionless methods on deviation maximization method [J]. Journal of management sciences in China， 2011（5）： 19-28.]
[21]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. [SHAN HaoJie. Reestimating the capital stock of China： 1952-2006 [J]. The journal of quantitative & technical economics， 2008（10）： 17-31.]
[22]赵楠， 李江华. 中国农业信贷效率及其影响因素研究 [J]. 数量经济技术经济研究， 2015（4）： 22-37，70. [ZHAO Nan， LI Jianghua. Study on China’s agricultural credit efficiency and influence factors [J]. The journal of quantitative & technical economics， 2015（4）： 22-37，70.]
[23]孙传旺， 刘希颖， 林静. 碳强度约束下中国全要素生产率测算与收敛性研究 [J]. 金融研究， 2010（6）： 17-33. [SUN Chuanwang， LIU Xiying， LIN Jing. Carbon intensity of China under the restriction of total factor productivity calculation and convergence study [J]. Journal of financial research， 2010（6）： 17-33.]
[24]吴利学. 中国能源效率波动：理论解释、数值模拟及政策含义 [J]. 经济研究， 2009（5）： 130-42，60. [WU Lixue. The fluctuations of China’s energy efficiency： theoretical explains， numerical simulations and policy experiments [J]. Economic research journal， 2009（5）： 130-42，60.]
[25]林伯强， 杜克锐. 要素市场扭曲对能源效率的影响 [J]. 经济研究， 2013（9）： 125-136. [LIN Boqiang， DU Kerui. The energy effect of factor market distortion in China [J]. Economic research journal， 2013（9）： 125-136.]
[26]陈德敏， 张瑞. 环境规制对中国全要素能源效率的影响——基于省际面板数据的实证检验 [J]. 经济科学， 2012（4）： 49-65. [CHEN Demin， ZHANG Rui. Environmental regulation of China’s total factor of energy efficiency： the influence of empirically based on provincial panel data [J]. Economic science， 2012（4）： 49-65.]
[27]王群伟， 周德群. 中国全要素能源效率变动的实证研究 [J]. 系统工程， 2008（7）： 74-80. [WANG Qunwei， ZHOU Dequn. An empirical study on the change of total factor energy efficiency in China [J]. Systems engineering， 2008（7）： 74-80.]
[28]原毅军， 谢荣辉. FDI、环境规制与中国工业绿色全要素生产率增长——基于Luenberger指数的实证研究 [J]. 国际贸易问题， 2015（8）： 84-93. [YUAN Yijun， XIE Ronghui. FDI， environmental regulation and green total factor productivity growth of China’s industry： an empirical study based on Luenberger index [J]. Journal of international trade， 2015（8）： 84-93.]
[29]蔣伏心， 王竹君， 白俊红. 环境规制对技术创新影响的双重效应——基于江苏制造业动态面板数据的实证研究 [J]. 中国工业经济， 2013（7）： 44-55. [JIANG Fuxin， WANG Zhujun， BAI Junhong. The dual effect of environmental regulations’ impact on innovation： an empirical study based on dynamic panel data of Jiangsu manufacturing [J]. China industrial economics， 2013（7）： 44-55.]
关键词 ：环境约束；能源效率；Metafrontier GML指数
中图分类号：F062.1
文献标识码： A
文章编号： 1002-2104（2016）12-0147-10
中国作为世界上最大的能源生产国和消费国家，2014年能源消费占世界消费总量的46.9%，同时碳排放量占全球总排放的25.7%。而中国工业高速增长是以高能耗和高排放为代价，中国工业的未来的发展不可以忽视能源和环境因素的影响[1]。当下中国经济发展面临着经济结构转型的压力，经济结构转型必须将节约能源消费和减少CO2排放作为主要目标。那么，在能源约束条件下如何实现节能减排，提高能源效率实现经济可持续增长，是目前经济发展过程中不可忽视的一方面。能源与资本、劳动一样作为经济增长的投入要素[2]，而作为投入要素的能源会带来环境污染的非期望产出。因此，能源效率问题作为研究中国经济增长不可回避的问题具有十分重要的现实意义。
1 文献综述
近来关于能源效率测算方法众多，主要是从技术进步率角度进行分析，在传统的全要素生产率的基础上，将能源也作为投入要素，如师博和沈坤荣[3]、陈诗一[4]，以此突出能源作为经济增长的重要要素之一，分析物质资本、劳动力资本以及能源消费之间的关系，但是这种研究前提假设是厂商技术是有效的。关于测算效率的有效方法主要是传统的全要素生产效率指数（Malmquist or Fisher Index）、非参数数据包络分析（DEA）和参数随机前沿分析（SFA）。其中，非参数数据包络分析（DEA）是运用线性规划构建非参数前沿面来计算效率。关于能源效率测度研究具有代表性的是Hu and Wang[5]，基于DEA方法测算出潜在能源投入，其与实际能源投入的比值称为全要素能源效率。自此之后基于DEA方法计算能源效率文献众多，如Wei 等[6]利用中国钢铁业部门的面板数据，将能源效率通过Malmquist指数分解为技术进步率与技术变化率。
由于能源生产会带来污染产出，需要考虑加入非意愿产出因素，否则会扭曲对经济效率的评价。Chung 等[7]考虑非期望产出并结合Malmquist生产率指数（ML）和方向距离函数，构造MalmquistLuenberger指数（简称ML指数），将能源与环境因素综合起来考虑增加产出与减少污染。R Fre 等[8]、涂正革和肖耿[9]考虑污染作为“坏”产出条件下，基于ML指数的DEA方法计算全要素生产率；但是所用的方法未考虑跨期DEA，计算结果可能得到技术退步。因此，Shestalova[10]提出序列Malmquist指数（简称SM指数）计算方法。田银华等[11]以及王维国和范丹[17]基于SM指数方法，分析考虑环境约束下中国区域全要素生产率的变化；但是序列DEA存在不可传递性，此方法适合评价在理论上不存在技术退步的情况。而Pastor and Lovell[12]为了解决ML指数在跨期方向距离函数中测量存在不可以循环、计算混合方向性距离函数时线性规划出现不可行解以及不可传递性的问题，将各期的总和作为参考集建立全局域Malmquist指数（简称GM指数），但并未包含负外部性因素。Oh[13]建立了一种可选择的环境敏感生产增长指数，称为全局MalmquistLuenberger 指数（简称GML指数），此方法有效解决SM和ML指数方法存在的上述问题。赵良仕和孙才志[14]、柯孔林和冯宗宪[15]分别运用此方法计算中国水资源全要素生产率和商业银行的全要素生产率方面的问题。虽然GML指数具有传递性和解决无可行问题，但是如果考察不同经济体在不同技术水平情况下，还需要引入“共同前沿生产函数”（Metafrontier Production Function）。Oh and Lee[16]在全局域Malmquist指数基础上建立了Metafrontier GML指数（简称MGML指数），将不同的决策单元按照某种属性进行分类，分别计算各组内的GML指数和在不分组情况下的GML指数。
为此，本文首先在Oh and Lee[16]文献基础上，利用Metafrontier GML指数测度中国2004—2013年各地区能源效率及其分解效应，以及按照地区经济发展差异程度分组测度东中西三个区域能源效率和分解效应。其次，对能源效率的收敛性和影响因素进行了分析。 2 研究方法
2.1 关于MGML指数构建
将污染排放作为“非期望产出”纳入到生产率分析框架中，非对称处理包含期望与非期望产出，即达到最大化的增加意愿产出且同时减少非意愿产出目的。
3 数据与变量
3.1 数据来源
采用2004—2013年的年度数据，数据来自历年《中国统计年鉴》、《中国能源统计年鉴》、《中国价格统计年鉴》、《中国劳动年鉴》、《中国国内生产总值核算历史资料（1952—2004）》、《新中国60年统计资料汇编》、《中国环境统计年鉴》以及各省市历年统计年鉴和全国历年人口普查资料等。由于数据可获得性，本文研究中剔除西藏和海南省份地区，由于重庆1997年单独划分为直辖市，在本文分析中将重庆与四川进行合并，因此只选择保留28个省份地区作为研究对象。
3.2 指标选取
期望产出变量（Y）首先获得各省市名义人均国内生产总值GDP（亿元），以1952年为基期根据不变价计算的国内生产总值指数，计算得到各地区实际国内生产总值额（亿元），作为期望产出。
非期望产出污染排放强度指数（Poll）该指标作为非期望产出，根据数据可获得性和统计口径一致性，本文利用2004—2013年《中国环境统计年鉴》和各地区年统计年鉴，将各地区工业废水、废气、固体废物的污染排放量作为基础指标，再采用“纵横拉开檔次法”转化为动态综合性指标。
投入劳动资本（L）只考虑就业人员数量，并不能完全反映出劳动资本。本文采用各地区从业人员数量（万人）与平均受教育年限（平均受教育年限是不同阶段受教育层次人数与受教育年限的乘积再除以6岁以上受教育的总人数，公式为大专以上文化程度年数×16+高中文化程度年限×12+初中文化程度年限×9+小学文化程度年限×6）/6岁以上总受教育人口。单位为年）乘积作为劳动资本的代理量，数据来源各省市历年统计年鉴和人口普查数据整理而得。
投入物质资本（K）计算物质资本存量的关键有三点：①基年资本存量的确定；②固定资产投资的平减指数；③折旧率的问题。本文测算得到各地区基于1952年为基期的年均资本存量，先按照各地区的隐含平减指数将历年的固定资本形成额统一折算成1952 年不变价的数值， 然后根据所设定的折旧率和基期资本存量运用永续盘存法对历年资本存量进行估算[21]。
投入能源消费量（E）选择各地区能源消总量（万t标准煤），根据《中国能源统计年鉴》和各省市历年统计年鉴能源平衡表整理而得。
4 MGML指数测算结果与分解效应分析
首先，计算2004—2013年28个省份地区的能源全要素效率。另外，按照经济发展水平将能源消费分为三个区域：东部地区（北京、天津、河北、辽宁、上海、江苏、浙江、福建、山东、广东）、中部地区（山西、吉林、黑龙江、安徽、江西、河南、湖北、湖南和内蒙古）、西部地区（广西、四川重庆、贵州、云南、陕西、甘肃、青海、宁夏和新疆），计算在不分组和分组情况下的MGML指数以及分解效应。
4.1 三地区的能源效率指数比较
通过ML指数、GML指数和MGML指数进行比较（见表1），分别列出三种指数的年度地区几何平均值，从计算结果可以看出：从总体来看，三种指数均表明样本期内能源效率保持增速状态，但用ML指数测算的结果高于另外两种方法，因此ML指数可能高估效率值。另外，从平均意义来看，三种指数的中西部地区能源效率增加速度高于东部地区。从纵向时间维度来看，三地区的总体效率趋势保持提高状态，在2008—2009年期间MGML指数显示总体效率值达到顶峰。从横向的决策单元来看，使用ML指数进行估计的结果高于其他两种指数，因为ML指数计算方法并未考虑到跨期和不同技术水平下形成的共同前沿，会导致估计结果相对偏高。虽然GML指数考虑了跨期的共同前沿函数，但是未考虑到不同技术水平分组的共同技术前沿则会导致总体水平被拉低。因此，MGML指数在总体均值水平上可以客观反映此指标水平。
进一步分析采用MGML指数的适用性表明，偏度-峰度检验结果P值小于1%水平，显著拒绝正态性的原假设。可知，虽然可以将GML、MGML与ML作为配对样本，但它们均为非对称分布（正偏）。
由于使用Wilcoxon检验的前提是要求非正态但需对称分布，所以无法使用Wilcoxon符号秩检验其异质性。本文采用非参数方法进行差异性检验[22]，检验GML和MGML是否具有更高的精度来进行深入分析。通过对GML指数和MGML指数分别于ML指数进行差分，再与相应的中位数值进行比较，结果表明，MGML指数相比于GML指数提高了测算精度，从而证明了MGML指数适合后续的深入分析。
4.2 各区域MGML指数测度结果及其分解效应
按照发展水平全国分为东中西三个组别，MGML指數进行测度主要包括以下内容：进行分解得到组内技术效率变化（EC）、组内当期的前沿与组内共同前沿之间的差距变化（BPG）以及跨期各组技术前沿与共同前沿之间的差距变化率（TGC）。测度结果可见表2。①从总体上看，2004—2013年东部地区的能源全要素生产率（MGML）、技术效率变化率（EC）、当期技术前沿与组内共同技术前沿之间的差距变化率（BPC）年均增长率和跨期技术缺口变化率分别为7.74%、0.85%、4.87%和1.87%，表示东部地区各省份能源效率的增长由技术创新效应具有主导作用，其技术赶超效应和领先效应也显著；中部地区的能源全要素生产率、技术效率变化率和当期技术前沿与组内共同技术前沿之间的差距变化率年均增长率分别为7.47%、0.66%和6.9%，但是技术缺口变化率年均增长率为-0.012%，表示中部地区的能源效率提高也是由于技术创新效应，但是其技术领先效应并不显著；但是，西部地区的能源全要素生产率和当期技术前沿与组内共同技术前沿之间的差距变化率年均增长率分别为7.8%和9.78%，技术效率变化率和技术缺口变化率年均为-1.66%和-0.015%，可以看出西部地区的能源效率的提高主要是由于技术创新效应起主导作用，而技术赶超效应和领先效应呈现负向作用，表示作为资源型地区的西部地区可利用的技术创新能力的退步，只是通过更有效的投入效率来提高生产率，由于资源型地区生产初级产品而形成一定的技术依赖。②从纵向时间维度和横向决策单元来看，三地区的MGML指数均大于1，表明三地区在整体上呈现能源效率总体是提高趋势，但西部地区的增长速度略高于东部地区和中部地区；从分解效应上看，东部地区跨期之间的技术效率变化率从2005年增长率2.08%到2013年的3.29%，以及该地区与全局技术前沿之间的差距变化率从2005年的0.2%到2013年的4.98%，同样中部地区也呈现累积增长趋势。但是，对于西部地区来说，技术效率变化率指数在2004年到2013年增长率在大多数年份是负增长，如2007年至2011年之间呈现累积负增长趋势，表示西部地区技术赶超效应和领先效应并不显著且拉低总体的能源全要素生产率，但是西部地区从2005年增长率从13.54%到2013年的4.19%，在总体上的技术创新明显，表明对前沿技术的赶超速度较慢，这样技术效率的变化处在组内前沿技术内部，与全局的前沿技术差距扩大差距。 4.3 各省份的MGML指数及其分解效应
从整体不分组情况来看，从表3中可以看出，省份能源效率的分解效应存在着较大的差异。以全国能源效率的年均增长率为7.67%为基础参照，发现超过一半的省份（18个）高于均值。其中，从总体上看东部地区发达省份如北京、上海、江苏等处多居于技术领先和技术的前沿，而处于技术劣势和技术效率不明显的省份均是发展落后 且资源优势明显地区如云南、青海和新疆，这些省份的技术效率变化增长率均呈现负值；一些资源型重工业省份的技术领先效应低于全国平均值，如山西和黑龙江。从组内各决策单元来看，2004年到2013年东部地区辽宁省技术效率变化年均增长率为-1.16%，其技术领先效应拉低整体的能源效率增长率，导致该地区能源效率并未有提高；中部地区的省份来说，虽然大部分地区如河南、湖北、湖南和广西省份的技术“领先效应”呈现负向作用，但技术赶超和创新效应促进能源全要素生产率提高；对于西部地区的省份来说，能源全要素生产率有着明显提高，但各省份技术创新效应和领先效应呈现负向作用，如陕西、青海、宁夏和新疆地区，此地区的技术前沿与全国范围的共同技术前沿差距较大，在资源型省份如云南和新疆地区，技术“赶超效应”不显著，技术改进的效率不高。
5 关于能源效率的收敛性及影响因素分析
5.1 能源效率的收敛性
关于收敛性的研究主要分为σ收敛和β收敛，前者表示不同地区的能源效率的标准差会随着时间缩小；而后者表示不同地区能源效率具有相同的发展稳态，即是否存在追赶能源效率高的省份的趋势[23]。本文对三地区和整体进行能源全要素生产率σ收敛进行检验，见图1。从总体上看，2012年到2013年中部和西部地区的σ值低于2004年初期值，表明存在着σ收敛性；但是2009年以后东部地区的
图1 收敛性检验结果
Fig.1 Result of σ convergence test全要素生产率标准差变异较大，同时全国整体水平与东部地区的收敛趋势相似，说明东部地区的省份对全国能源收敛性存在主导作用。东部地区的σ值存在着先下降后反弹再下降的趋势，2008年到2009年的σ低于期初的2004年到2005年的值，表示在2009年之前东部地区存在σ收敛性。而在2009年之后，东部地区的σ值波动较大，由于东部地区包含了辽宁和河北两个省份，均属于重工业能源消耗的较大的地区，而东部地区省份经济发展容易受外部经济波动影响，特别是从“十一五”节能减排政策对此地区的影响较大。
5.2 影响因素的数据说明和指标选取
在分组的情况下能源效率主要是由技术变化变化率（EC）和组内当期前沿与全局前沿之间的差距的变化率（BPC）影响；而在不分组的情况下，MGML指数除了受到技术变化的变化率（EC）和以及两期内的当期前沿与全局前沿之间差距变化率（BPC）以外，还涉及到两期技术缺口比率的变化率（TGC）影响。另外，大多数集中在环境因素与政策对于能源效率的影响，如吴利学从波动理论分析影响能源效率的因素，研究发现存在能源价格、政府消费等外部冲击对能源效率的影响；杜克锐和林伯强研究发现要素扭曲抑制能源效率的提高；陈德敏和张瑞研究发现环境规制抑制能源效率且存在地域性差异[24-27]，现有的研究发现以下因素（见表5）会影响能源全要素生产率。
本文中指标的选取是基于2004—2013年为考察期，由于第三产业单位能源消耗较低，因此第三产业比例高则表示消费的能源量相对较少，选择第三产业占GDP比重作为产业结构的代理变量。由于对外开放度会影响能源效率，因为外商直接投资有利于本地企业生产率提高，但外商直接投资会导致双重效应即选择以外商直接投资占GDP比重作为外商直接投资代理变量。能源价格是中国能源强度下降的重要因素之一，因此本文以原材料、燃料、动力购进价格指数作为能源价格的代理变量。鉴于数据的可得性，本文利用《中国环境统计年鉴》和各地区年统计年鉴，由于从年鉴中只可获得工业污染源治理投资，将各地区实际工业污染源治理投资占实际GDP比重作为环境规制的替代变量。按照之前计算到的名义和实际国内生产总值，第三产业值、外商直接投资以及工业污染源投资均进行实际化处理，再对相应的指标进行计算。本文的分析主要在不分组和分组情况下，对影响能源效率的因素进行分析，其中被解释变量以2004年为基期的累积处理，将EC、BPC和TGC均进行累积处理[28]。各变量的統计性描述见表6所示。
5.3 影响因素实证初步结果
首先，模型（1）和（2）是在不分组的情况下进行面板固定效应和随机效应分析。其次，现有研究表明环境规制强度与FDI之间存在“U型”关系[29]，因此，模型（3）和模型（4）加入FDI二次项的形式进行面板固定效应和随机效应回归。再次，在一项政策的实施过程中存在着时滞效应，因此在模型（5）和（6）中采用以规制强度滞后期变量值作为环境规制政策的代理变量，进行面板固定效应和随机效应回归。通过对模型（1）-（6）进行Hausman检验，发现三组回归均拒绝原假设即代表个体异质性的不可观测的随机变量与所有的解释变量是相关的，因此应选择固定效应。
实证初步回归结果如表7所示，其中从模型（1）可以看出，在2004—2013年能源全要素生产整体上存在“技术赶超”、“技术创新”和“技术领先”效应正向关系，且在1%水平上十分显著。能源价格（lep）上升提高了能源效率，在1%水平上显著。由于能源价格的上升可能提高节能的意识，采取更加先进的技術来提高能源效率，这与林伯强和杜克锐结论一致[25]。同时，第三产业的比重（lis）增加会提高能源效率，在1%的水平上存在显著的正向关系。由于第三产业的能源消耗相对较少，单位耗能的减少
有利于能源效率的提高。但是，随着规制强度的增强降低能源效率，对于企业而言是为了获得更高的利润，污染强度作为一种负产出，环境规制增强则会使得企业必须投入更高的生产成本，进而会选择减少生产，进而会对能源效率的提高产生抑制作用。扩大对外开放程度（lfdi）回归结果在模型（1）中呈现正向关系。根据现有的研究，FDI对能源效率的影响要受到环境规制强度的限制，FDI由于环境规制对治污技术进步存在“挤出效应”和“补偿效应”，因此在模型（3）中加入了FDI的二次项（lfdi2），结果显示FDI对能源效率存在正“U型”关系，但是环境规制影响因素并不显著。由于政策的执行存在滞后的效应，因此在模型（5）加入环境规制的滞后一期，结果显示环境规制存在着对能源效率在1%的显著水平下呈现负向相关关系。 5.4 穩健性檢验
由于对固定效应模型（5）进行异方差检验，发现存在异方差问题。为了验证模型的稳健性和敏感度，因此模型（7）采用稳健的面板固定效应，控制各地区进行稳健性回归，避免异方差引起回归系数与标准误估计的不一致性。因为制度变量与相关的经济变量存在内生性问题，其中制度执行效率与FDI存在内生性问题[30]；而内生性问题存在导致最小二乘法估计结果有偏或不一致。因此，模型（8）进行工具变量进行两阶段回归并进行检验。
模型（7）进行稳健性回归分析，各个变量的符号没有变化。模型（8）结果显示各个变量符号没有变化，列出第一阶段的F值和partial R2，并进一步检验工具变量是否合适。第一阶段的F值大于10，表明工具变量和内生变量之间具有较强的相关性，且第二阶段的Partial R2达到了0.5以上，表明选取的工具变量和内生变量（环境规制）之间具有较强的相关性。
6 结 论
本文基于Metafrontier GML指数方法测度2004—2013年中国地区能源效率，并按照地区经济发展水平分为东中西三地区进行分析。研究发现，从总体上三地区的能源效率存在提高，其中东部地区技术“赶超效应”、“创新效应”和“领先效应”明显。但是，中部地区的技术“赶超效应”并不明显，西部地区技术“赶超效应”与技术“领先效应”均不明显。从横向各决策单元来看，东部地区内部的辽宁省技术“领先效应”并不明显，导致该地区能源效率并未有提高；中部地区大部分省份技术“领先效应”均不明显，但能源效率均有明显提高；而西部地区的省份来说，各省份技术“创新效应”和“领先效应”并不显著，可以看出西部地区各省技术落后，此地区的技术前沿与全国范围的共同技术前沿差距较大，特别是资源型省份技术“赶超效 应”不显著，技术改进的效率不高。其次，本文对地区的能源收敛性进行研究发现，总体上全国整体上不存在绝对β收敛，但中西部地区存在着“俱乐部收敛”。再次，本文对影响能源效率的因素进行分析，发现的主要结论：技术“创新效应”、“领先效应”和“赶超效应”对提高能源效率存在正向促进作用；产业结构升级对于能源效率的提高具有推动作用，而能源价格的变动的会影响到中国地区的能源效率，可以充分利用价格手段调节能源投入与其他要素的替代作用，也可以通过价格要素促使技术升级进而提高能源效率；环境规制对能源效率的提高存在着抑制效应，因此环境政策实施对技术溢出产生抑制作用，间接对能源效率产生抑制作用，政府应制定合理的环境政策，加大对清洁能源的研发抵消环境制度对技术创新的负相作用。
在本文中未分地区对能源效率的因素进行分析，而能源价格变动会导致对能源消费产生影响产生能源回弹效应，在分析中并未引入此方面的因素；另外，本文只是进行经验研究，而未建立影响能源效率的作用机制进行深入理论分析，此是本文的不足之处，也是未来值得研究的方向之一。
（编辑：李 琪）
参考文献（References）
[1]陈诗一. 能源消耗、二氧化碳排放与中国工业的可持续发展 [J]. 经济研究， 2009（4）： 41-55. [CHEN Shiyi. Energy consumption， CO2 emission and sustainable development in Chinese industry [J]. Economic research journal， 2009（4）： 41-55.]
[2]ROMER P M. The origins of endogenous growth [J]. Journal of economic perspectives， 1994， 8（1）： 3-22.
[3]师博， 沈坤荣. 市场分割下的中国全要素能源效率：基于超效率DEA方法的经验分析 [J]. 世界经济， 2008（9）： 49-59.[SHI Bo， SHEN Kunrong. Under the market segmentation of china’s total factor of energy efficiency： empirical analysis based on super efficiency DEA method [J]. The journal of world economy， 2008（9）： 49-59.]
[4]陈诗一. 中国工业分行业统计数据估算：1980—2008 [J]. 经济学（季刊）， 2011（3）： 735-76. [CHEN Shiyi. Reconstruction of subindustrial statistical data in China （1980-2008） [J]. China economic quarterly， 2011（3）： 735-76.]
[5]HU J L， WANG S C. Totalfactor energy efficiency of regions in China [J]. Energy policy， 2006， 34（17）： 3206-17.
[6]WEI Y M， LIAO H， FAN Y. An empirical analysis of energy efficiency in China’s iron and steel sector [J]. Energy， 2007， 32（12）： 2262-70.
[7]CHUNG Y H， F Re R， GROSSKOPF S. Productivity and undesirable outputs： a directional distance function approach [J]. Microeconomics， 1995， 51（3）： 229-40. [8]F Re R， GROSSKOPF S， PASURKA C A. Pollution abatement activities and traditional productivity [J]. Ecological economics， 2007， 62（3-4）： 673-82.
[9]涂正革， 肖耿. 环境约束下的中国工业增长模式研究 [J]. 世界经济， 2009（11）： 41-54. [TU Zhengge， XIAO Geng. Under the restriction of environment China’s industrial growth pattern research [J]. The Journal of world economy，2009（11）： 41-54.]
[10]SHESTALOVA V. Sequential malmquist indices of productivity growth： an application to oecd industrial activities [J]. Journal of productivity analysis， 2003， 19（2）： 211-26.
[11]田银华， 贺胜兵， 胡石其. 环境约束下地区全要素生产率增长的再估算：1998—2008[J]. 中国工业经济， 2011（1）：47-57.[TIAN Yinhua， HE Shengbing， HU Shiqi. Reestimation of China’s regional total factor productivity growth under environment regulation：1998-2008 [J]. China industrial economics， 2011（1）： 47-57.]
[12]王维国， 范丹. 中国区域全要素能源效率收敛性及影响因素分析——基于MalmqulistLuenberger指数法 [J]. 资源科学， 2012（10）： 1816-24. [WANG Weiguo， FAN Dan. Influential factors and convergence of total factor energy efficiency in China based on the MalmqulistLuenberger index [J]. Resources science， 2012（10）： 1816-24.]
[13]OH D H. A global MalmquistLuenberger productivity index [J]. Journal of productivity analysis， 2010， 34（3）： 183-97.
[14]赵良仕， 孙才志. 基于GlobalMalmquistLuenberger指数的中国水资源全要素生产率增长评价 [J]. 资源科学， 2013（6）：1229-1237. [ZHAO Liangshi， SUN Caizhi. Water resource total factor productivity efficiency in China using the GlobalMalmquistLuenberger index [J]. Resources science， 2013（6）： 1229-1237.]
[15]柯孔林， 冯宗宪. 中国商业银行全要素生产率增长及其收敛性研究——基于GML指数的实证分析 [J]. 金融研究， 2013（6）： 146-59. [KE Konglin， FENG Zongxian. The commercial bank of China total factor productivity growth and its convergence： the empirical analysis based on GML index [J]. Journal of financial research， 2013（6）： 146-59.]
[16]OH D H， LEE J D. A metafrontier approach for measuring Malmquist productivity index [J]. Empirical economics， 2009， 38（1）： 47-64.
[17]杨万平. 中国省际环境污染的动态综合评价及影响因素 [J]. 经济管理， 2010（8）： 159-65.[YANG Wanping. Dynamic comprehensive evaluation of China’s provincial pollution and research on influencing factors [J]. Economic management journal， 2010（8）： 159-65.]
[18]熊艷. 基于省际数据的环境规制与经济增长关系 [J]. 中國人口·资源与环境， 2011（5）： 126-131. [XIONG Yan. Research on the relationship between environmental regulation and economic growth based on the provincial data in China [J]. China population， resources and environment， 2011（5）： 126-131.]
[19]郭亚军. 综合评价理论、方法及应用 [M]. 科学出版社， 2007.[GUO Yajun. Comprehensive evaluation theory， method and application [M]. Science Press， 2007.] [20]郭亚军， 马凤妹， 董庆兴. 无量纲化方法对拉开档次法的影响分析 [J]. 管理科學学报， 2011（5）： 19-28. [GUO Yajun， MA fengmei， DONG Qingxing. Analysis of influence of dimensionless methods on deviation maximization method [J]. Journal of management sciences in China， 2011（5）： 19-28.]
[21]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. [SHAN HaoJie. Reestimating the capital stock of China： 1952-2006 [J]. The journal of quantitative & technical economics， 2008（10）： 17-31.]
[22]赵楠， 李江华. 中国农业信贷效率及其影响因素研究 [J]. 数量经济技术经济研究， 2015（4）： 22-37，70. [ZHAO Nan， LI Jianghua. Study on China’s agricultural credit efficiency and influence factors [J]. The journal of quantitative & technical economics， 2015（4）： 22-37，70.]
[23]孙传旺， 刘希颖， 林静. 碳强度约束下中国全要素生产率测算与收敛性研究 [J]. 金融研究， 2010（6）： 17-33. [SUN Chuanwang， LIU Xiying， LIN Jing. Carbon intensity of China under the restriction of total factor productivity calculation and convergence study [J]. Journal of financial research， 2010（6）： 17-33.]
[24]吴利学. 中国能源效率波动：理论解释、数值模拟及政策含义 [J]. 经济研究， 2009（5）： 130-42，60. [WU Lixue. The fluctuations of China’s energy efficiency： theoretical explains， numerical simulations and policy experiments [J]. Economic research journal， 2009（5）： 130-42，60.]
[25]林伯强， 杜克锐. 要素市场扭曲对能源效率的影响 [J]. 经济研究， 2013（9）： 125-136. [LIN Boqiang， DU Kerui. The energy effect of factor market distortion in China [J]. Economic research journal， 2013（9）： 125-136.]
[26]陈德敏， 张瑞. 环境规制对中国全要素能源效率的影响——基于省际面板数据的实证检验 [J]. 经济科学， 2012（4）： 49-65. [CHEN Demin， ZHANG Rui. Environmental regulation of China’s total factor of energy efficiency： the influence of empirically based on provincial panel data [J]. Economic science， 2012（4）： 49-65.]
[27]王群伟， 周德群. 中国全要素能源效率变动的实证研究 [J]. 系统工程， 2008（7）： 74-80. [WANG Qunwei， ZHOU Dequn. An empirical study on the change of total factor energy efficiency in China [J]. Systems engineering， 2008（7）： 74-80.]
[28]原毅军， 谢荣辉. FDI、环境规制与中国工业绿色全要素生产率增长——基于Luenberger指数的实证研究 [J]. 国际贸易问题， 2015（8）： 84-93. [YUAN Yijun， XIE Ronghui. FDI， environmental regulation and green total factor productivity growth of China’s industry： an empirical study based on Luenberger index [J]. Journal of international trade， 2015（8）： 84-93.]
[29]蔣伏心， 王竹君， 白俊红. 环境规制对技术创新影响的双重效应——基于江苏制造业动态面板数据的实证研究 [J]. 中国工业经济， 2013（7）： 44-55. [JIANG Fuxin， WANG Zhujun， BAI Junhong. The dual effect of environmental regulations’ impact on innovation： an empirical study based on dynamic panel data of Jiangsu manufacturing [J]. China industrial economics， 2013（7）： 44-55.]