改革开放以来,我国经济飞速发展,但是与此同时,也产生了环境污染、资源消耗严重等一系列问题。众所周知,我国过去的高速增长主要得益于粗放型的经济发展方式,使得我国发展中普遍存在能源利用效率低、能源消费结构不合理等问题,也造成了当下高污染、高排放、高耗能的局面。
中国的二氧化碳排放总量已经于 2008 年超过美国,成为世界二氧化碳排放量第一的国家。2009年的哥本哈根气候峰会,我国首次正式提出了2020 年碳排放强度比 2005 年下降 40% ~ 50% 的减排目标。从贵州省来看,虽然全省的单位能耗与污染物排放一直在逐年改善,但是环境保护治理工作还是需要继续加强,为此,省政府于 2008年出台《贵州省节能减排全民行动实施方案》旨在推动全省市民投入于环境保护中来。未来贵州省是否在经济发展的压力下权衡节能减排与发展间的矛盾,取决于能否又好又快地转变经济发展方式。正因如此,本文打算从能源效率这一方面入手来研究贵州省的节能减排绩效并探讨能源结构的改善方式。
早在 1995 年的全球峰会上,世界能源委员会就将“能源效率”明确定义为“减少提供同等能源服务的能源投入”,用以区别之前所谓的“节能”概念。早期只是一味强调能源使用数量的绝对减少,而现在则强调通过能源利用的技术进步来提高能源效率。但是,能源强度这个指标有一个明显的缺点即过于单一,所以目前越来越多的学者使用全要素能源效率作为衡量能源效率的指标,使得不同国家或地区间的能源效率比较更全面,其主要的测度方法有数据包络分析(DEA) 和随机边界分析(SFA) 。由于 DEA 具有不需要设定具体参数估计函数等优势,因此本文选用 DEA 方法来进行研究。数据包络分析(DEA) 最初由 Farrell(1957)建立,用数学线性规划方法比较决策单元(DMUs) 间的效率大小。经由 Charnes et al.(1978)的发展和改进,DEA 模型被广泛地应用于微观层面上生产部门和公共部门的效率比较,以及宏观层面上国家或地区间的效率对比。目前,国内外已有许多学者利用 DEA 模型研究能源效率,他们在各自研究的基础上,将污染物纳入DEA 模型进行能源效率的分析(赵金楼,李根,苏屹,2010; 孙广生、黄祎和田海峰,2012; 李涛,2013) 。
但是以上的文献大多数都是研究全国省际层面的节能减排绩效或者分行业来研究节能减排问题,而对于某一个省份的节能减排绩效研究却很少,我国幅员辽阔,每个省份经济发展与环境能源的利用效率情况都非常不同,基于此,本文利用贵州省地级市数据来单独研究贵州省节能减排绩效,不仅可以弥补这方面研究的空白,也能够为贵州省解决经济发展中的资源消耗与节能减排之间的矛盾提供政策建议。
一、贵州省能源消耗现状
贵州省在改革开放以来,经济发展迅速,但是经济发展方式相对落后,以粗放型发展为主,所以对于能源的消耗还是十分巨大(见图 1) 。
从图 1 我们可以看出,贵州省的能源消费从1995 年的 3000 吨标准煤左右提高到 2011 年的8000 多吨的标准煤,增加了 2 倍多,年增长率也超过 7%,其中,2003 年、2009 年的能源消耗量均比上一年度有比较大的增加。总体来看,贵州省的能源消费趋势可以分为三个阶段,第一阶段为1995 年 - 2002 年,贵州省的能源消费处于较低的水平,年均增长率也在 6% 左右,这一阶段全省的经济发展处于调整阶段,能源消耗量处于比较低的水平。第二阶段即 2003 - 2008 年,这段时间可以明显看出贵州省的能源消耗开始出现快速增长势头,这可能得益于中央政府实施的西部大开发战略,使得贵州省的各个产业出现蓬勃发展的良好势头,这也势必带动了能源的消费。第三个阶段为2009 年至今,这一阶段由于2008 年的金融危机所带来的全球经济不景气,使得贵州省的经济发展也处于相对停滞的阶段,从而能源消费量也保持在 2009 年 8000 多吨标准煤的水平。
另一方面,我们再来看一看贵州省近年来的能源消费增长率水平与能源消费弹性系数(能源消费增长率/GDP 增长率) ,能源弹性系数越大,这表示经济体的发展方式越依赖于能源消耗。从表1 可以看出,除了少数几个年份之外 (1996 年、2003 年、2009 年) ,贵州省的能源消费弹性系数总体上还是比较低的,而且最近 5 年来也处于历史的较低水平,可以说,这与贵州省政府近年来大力实施节能减排是密不可分的。
从图 2 我们也可以看出,2012 年我国西部省份之间能源消耗强度的区别还是比较大的,贵州省总的来说在西部省份表现不算太好,只是好于宁夏和青海,处于西部省份的下游水平,而能源消耗小的省份比如陕西省只有 0. 873 吨标准煤/万元 GDP。
通过上述数据我们可以发现,目前贵州省的经济发展还是建立在能源消耗、资源消耗上,属于比较依赖资源的粗放型发展方式。
二、实证研究方法
DEA 模型通常由两部分构成,即技术约束(reference technology) 和效率测度(efficiency meas-ures) 。技术约束包括生产函数的规模报酬以及投入、产出变量的可处置性,而效率测度包括测算方式和目标函数(Zhou et al,2008) 。传统的 DEA -CCR 模型(Charnes,Cooper and Rhodes,1978) 假设所有投入和产出变量均为强可处置性,并采用径向 DEA 效率测算方法(radial efficiency measures,产出与投入同比例变化) 在规模报酬不变(CRV)的条件下测度决策单元的效率。但现在越来越多的学者发现该模型中的假设与实际情况不符合,特别是在对能源效率进行相关研究时,因为这其中存在“坏”的产出———污染物,所以现在有学者将这种“坏”的产出纳入模型中,方法大致分为两类: 一是将非此类产出转换为投入变量,依旧采用强可处置性假设; 二是利用环境 DEA 方法,设定弱可处置性条件。
其中效率测度类型主要分为五种: 径向 DEA(radial) 、非径向 DEA(non -radial) 、松弛变量 DEA (slacks - based ) 、双曲线DEA(hyperbolic) 和方向距离函数 DEA(directionaldistance function) 。其中,松弛变量 DEA 既有非径向 DEA 的各类要素不同比例变化的优点,又克服了方向距离函数 DEA 中方向向量设定的主观性,可以较好地反应经济活动的真实情况。
本文所使用的 RAM - DEA 模型就属于松弛变量 DEA 方法中的一种,模型的具体形式如下:
(一) 技术约束
技术约束 T 将“坏”产出与投入变量相结合,考虑节能减排绩效。式(1) 中包含投入变量和“坏”产出的技术约束,x 代表资本和劳动投入,e代表能源投入,b 代表“坏”产出。其中,Sx和 Sb分别代表资本、劳动以及坏产出的松弛变量,在生产过程中需要减少投入与坏产出才能达到最优边界。传统 DEA 方法中能源投入的技术约束与资本、劳动的技术约束相同,只有在减少能源投入的情况下才能达到最优边界。Sueyoshi et al. (2011)对能源投入的技术约束进行了优化,从减少污染物排放的角度出发,考虑不同类别能源之间的替代效应,即某种能源投入的增加不一定意味着效率恶化,反而有可能会提高效率。
约束条件中用两组能源松弛变量来刻画能源投入之间的替代效应,Se -代表需要减少的能源投入,Se +代表需要增加的能源投入。如图 3 所示,横坐标表示能源投入,纵坐标表示污染物排放,弧线 ABC 表示“坏”产出与能源的最优边界。而由于可再生电力等清洁能源没有二氧化碳排放,因此清洁能源边界与 X 轴重合。若决策单位沿着JA 方向到达边界,则表示该决策单位通过能源缩减实现减排,即所谓“自然减排”; 若沿着 JC 方向达到边界,则表示该决策单位通过能源扩张实现减排,即所谓“管理减排”。清洁能源虽然没有二氧化碳排放,但其与化石能源之间的替代效应将影响节能减排绩效。
VRS) ,松弛变量的正数约束保证了决策单位的各变量向最优边界靠近。另外,能源投入的非线性约束确保一种能源只能有一种改进方向。
(二) 效率测度
RAM - DEA 是基于松弛变量的非径向 DEA,其目标函数具有可加性。因此本文选择“坏”产出与投入变量的松弛变量构成目标函数来测算贵州省各个地级市的节能减排绩效。在技术约束下求解最大化目标函数 Max()? ∈ [ 0,1 ],用来表示决策单位 J 在 T 时期的无效率。
公式(2) 中 R 为各产出、投入变量的权重,由该变量的调整区间来确定,即变量极差 Max(xnj)- Min(xnj) 。由于松弛变量介于 0 到调整区间之间(公式 3) ,因此 Max()? ∈ [ 0,1 ]。若 Max(?)= 0 则表示效率最优,若 Max(?) = 1 则表示最无效率。
三、变量选取及实证结果分析
(一) 变量选取
本文选取的指标包括“坏”产出变量: 每平方公里工业二氧化硫排放量(吨) 和其他经济、能源消费指标。研究对象选取了贵州省 4 个地级市:贵阳市、六盘水市、遵义市、安顺市。各指标的具体情况如下:
1. 坏产出: 由于本文侧重于能源消费与工业二氧化硫排放量(吨) 减排的绩效分析,因此选择每平方公里工业二氧化硫排放量(吨) 作为 DEA模型的坏产出。
2. 经济指标: 本文选取各个地级市的人均GDP 和人口数量作为该地区的经济指标。
3. 能源: 能源使用指标包括用电总量(千瓦小时) 、煤气家庭用量(万立方米) 、液化石油家庭用量(吨) 。
4. 资本投入: 本文以限额以上工业企业年度总产值(万元) 表示。
5. 劳动投入: 本文以统计年鉴中的单位从业人员人数(万人) 表示。
(二) 简单回归分析
我们首先对二氧化硫排放进行简单的面板数据回归分析:lnSO2= α + β1E + β2lnG + β3lnP + σ (5)E 代表能源消费,即包括上述用电总量(千瓦小时) 、煤气家庭用量(万立方米) 、液化石油家庭用量(吨) 等变量; G 代表人均 GDP,用来控制城市经济发展情况; P 代表人口总数,控制城市的人口数量。回归结果(固定效应模型) 如表 2 所示:
从结果看,首先,电力作为清洁能源,它的消费越多,则可以一定程度的限制二氧化硫的排放,而对于煤气和液化石油的家庭用量虽然在数值上与二氧化硫排放量成负相关,但是却不是显著的。其次,人均 GDP 反映了该市的总体经济发展水平,地区经济越发达,其产能和消费潜力都相对更大,因此会造成更多的能源消耗即二氧化硫的排放。最后,人口总数反应了一个地区的消费需求,结果上看其也与该地区二氧化硫排放成正相关。
(三) 节能减排绩效分析
根据上文中的方法,我们根据数据构造了最优边界,每个地级市的具体节能减排效率情况如表 3 所示:
表 3 为节能减排绩效的年度均值比较情况,其中减排潜力、资本优化潜力和劳动优化潜力由相应变量的松弛量除以当年的实际量得到。结果可以看出,节能减排绩效最好的地区是六盘水市、其次为遵义市、安顺市和贵阳市。而其中六盘水市的减排潜力最大(70. 91%) ,意味着六盘水市需要减少其实际二氧化硫排放的 70. 91% 才能达到最优。资本优化潜力最大的是贵阳市(16. 74%) ,这说明贵阳市将近 20%的资本存量存在无效率的情况。而劳动潜力最大的是安顺市,说明安顺市有 93. 99%的劳动投入是无效率的。图 4 即各个年份所对应的效率指数。
(四) 无效率来源分析
RAM - DEA 通过将模型变量的松弛量加权求和得到决策单位的无效率值,因此按照不同模型变量对无效率值进行分解,可以得出产出、投入各自的无效率值及其贡献比例。从表 4 可知,总体来说无效率贡献最大的是电力(12. 43%) ,其次是天然气(5. 93%) ,资本的无效率贡献最小(2.30% ) 。由此可见,电力与天然气作为清洁能源在减少二氧化碳排放,提高能源利用效率方面起到十分积极的作用。总的来说,我们认为改善节能减排绩效最有力的方式是优化能源结构。
结论
本文通过利用 RAM - DEA 模型对贵州省 4个地级市 2000 年 - 2012 年的节能减排绩效进行测算,并在此基础上进行相关的分析研究。最后,针对本文的研究,我们为贵州省提高节能减排绩效提出以下几个方面的政策建议:
1. 减少资本投入,优化资本结构。本文的研究结果表明,资本投入的不断扩大导致了能源消耗和污染的日益严重。随着技术提高和产业升级,资本构成逐渐从高污染、高排放、高耗能的工业产业转型为污染较少、耗能较低的技术密集型产业,由此提高能源利用效率。
2. 提高劳动投入效率,减少劳动投入。本文研究发现,随着经济发展,各地区的劳动力成本必将上升,减少劳动力投入是必然趋势。劳动投入的减少也意味着产业资本密集化程度的提高,从而可以间接提高能源利用效率。
3. 开发新能源,优化能源结构。从本文的研究可以看出,优化能源结构是提高能源利用效率的最有效的解决途径,贵州省不仅仅是单位能源消耗量非常大,能源弹性系数比较大,而且长期以来能源主要依靠煤炭资源,众所周知,煤炭资源在所有的能源中是污染排放最大的资源,所以要解决污染物的排放贵州省势必要开放一些新能源、加大对于清洁能源的使用,这样既做到了能源之间的替代效应,又达到了节能减排的效果。
