作者：赵丽霞,张文琪,白倩

单位：内蒙古农业大学经济管理学院

文章刊发：《煤炭经济研究》2023年第7期

基于我国“富煤”的基本能源国情,以煤为主的能源结构将长期存在。近年来,环境问题日益严峻,抓好煤炭清洁高效利用工作的重要性凸显。2021年12月召开的中央经济工作会议指出,实现碳达峰碳中和是推动经济高质量发展的内在要求,要立足以煤为主的基本国情,狠抓绿色低碳技术攻关,加快形成减污降碳的激励约束机制,加快建设能源强国。党的十九届六中全会中,习近平总书记也强调,实现“双碳”目标是实现经济绿色发展的重要标志,减碳、低碳与负碳是煤炭绿色利用效率提升空间布局的核心内容。面对我国能源消耗不断攀升的现状,如何在实现“双碳”目标下平衡经济增长与环境保护之间的关系,提升煤炭利用生态效率,进而推动生态文明建设是我国亟需解决的一项重要问题。

为实现经济社会发展预期目标,能源的消耗必不可少。在“双碳”背景下实现绿色发展,对能源生态效率的提升也提出了更高的要求;而当前对于能源生态效率的研究主要集中于特定区域,如黄河流域、淮河生态经济带、中国八大综合经济区等,较少关注省级领域。基于煤炭利用在能源消耗中的基础性地位,本研究重点对煤炭利用生态效率进行研究。当前关于煤炭利用生态效率的研究大多采用组合DEA的方法。

当前研究分别从不同角度克服了部分DEA测算的缺陷,但未将环境因素和随机误差对煤炭利用生态效率测算的影响考虑在内,使得测算结果的准确性有所偏颇。可将DEA模型与SFA模型有机结合,构建三阶段DEA模型来剔除上述因素的影响,借此增强效率测算的准确性;而Malmquist指数可以对多年连续数据进行动态测算。两者有效结合,能够更好地对全国30省市的煤炭利用生态效率进行评价。本研究构建的三阶段DEA-Malmquist模型既剔除了环境因素与随机误差的干扰,又可以从静态和动态2个角度对全国各省市的煤炭利用生态效率进行分析,剥离外界干扰,得到更加真实准确的生态效率评价结果,以便能够更好地厘清各省市生态效率差异的内在逻辑,更有针对性地提出提升生态效率的优化建议。

1)第1阶段:传统的DEA模型。第1阶段采用传统的DEA模型进行效率测算,相较于产出结果,各省市的投入指标更便于控制,故选取投入导向的可变规模报酬模型即BCC模型进行测算。

2)第2阶段:SFA模型。为剥离环境因素与随机误差的干扰,以各投入指标的松弛变量即投入指标的实际值与目标值的差为被解释变量,以环境因素为解释变量,对其构建SFA模型。

当γ接近1时,表示管理因素的干扰为影响煤炭利用生态效率的主要原因;当γ接近于0时,表示随机误差的干扰为主要原因。以SFA模型的回归结果对各投入指标进行如下调整:

3)第3阶段:调整后的DEA模型。将调整后的投入指标值与原始的产出指标值重新代入DEA-BCC模型进行测算,此结果剔除了环境因素与随机误差的干扰,更能真实地反映出各个决策单元的煤炭利用生态效率。

1.1.2  Malmquist指数模型

1.2  指标选取

1.2.1  投入产出变量

本研究选取煤炭消费量、工业污染治理完成投资、城镇单位就业人数,分别从资源、资本、劳动力3个角度,对煤炭利用生态效率的资源投入进行评价;选取二氧化碳排放量、二氧化硫排放量、废水处理化学需氧量排放量、烟粉尘颗粒物排放量作为环境污染具象指标,运用熵权法将各项指标进行整合归纳,得到资源投入指标与环境污染指标作为投入变量,产出指标选取各省市的地区GDP作为衡量标准。同时基于DEA模型中各投入与产出指标之间必须符合“正相关性”假设的即随着投入增加,产出不得减少,运用Stata16.0对投入和产出指标进行Pearson相关性检验,结果见表1。由表中可知,所选取的指标在1%的显著性水平下符合该要求,说明数据选取合理可行。

1.2.2  环境变量

影响煤炭利用生态效率的环境变量主要包括结构性因素、城镇化率、研发强度、受教育程度、制度因素等。

1)结构性因素。用第二产业占比即第二产业GDP占地区GDP的比例来衡量。

2)城镇化率。用城镇人口占地区总人口的比重这一指标表示。。

3)研发强度。选取规模以上工业企业R&D经费占工业增加值的比重来衡量。

4)受教育程度。用大专及以上人数占地区总人数的比重来衡量。

5)制度因素。用工业污染治理投资占地区GDP的比重来衡量。

各指标汇总见表2。

1.3  数据来源

本研究目的为检验“十二五”规划以来各省市的煤炭利用生态效率,故选取2011—2019年为研究年度;同时结合数据的有效性和可得性,剔除西藏自治区、台湾省、香港特别行政区以及澳门特别行政区4组数据,选取剩余的30个省市为研究对象。本研究所涉及的相关数据均来源于国家统计局官网、中国经济社会大数据研究平台以及相关统计年鉴。

2.1  三阶段DEA模型分析

1)第1阶段传统DEA分析。第1阶段运用DEAP2.1,对30个省市2011—2019年的数据采用投入导向的BCC模型进行分析,在不考虑环境因素和随机误差的影响下,测度出综合效率、纯技术效率、规模效率以及规模收益,见表3。为更好地研究地区间的差异,以东部、中部、西部三大经济带为“黄金分割点”进行划分。

表3中,在省市视角下,忽略环境因素和随机误差的影响后,仅北京一地的综合效率值为1,达到前沿面有效;其余省市均为弱有效。其中天津、上海、江苏、浙江、福建、广东、海南、重庆、四川九地综合效率得分超过均值,而剩余20个省市则处于较低水平。值得注意的是,除北京外,广东、海南两省的纯技术效率为1,表明这两地可从规模效率入手,提升综合效率,而剩余27个省市则需要从纯技术效率与规模效率两方面同时着力提升。从三大经济带区域的视角来看,东部地区在煤炭利用生态效率的评估中多处于领先地位;中部地区的纯技术效率为0.201,显著低于全国均值,这表明技术利用率是桎梏中部地区煤炭利用生态效率的主要因素;而西部地区在技术效率上未占据明显优势,在规模效率上又存在显著不足,导致其综合效率在三者中处于最低水平。但各省市的发展不仅受到各项投入指标的影响,还会被环境因素和随机误差所干扰,因此所得到的数据结果并不能真实反映各省市的煤炭利用生态效率,还需要在第2阶段利用SFA模型剥离环境因素和随机误差的影响,对数据进行进一步测算,以得出更为贴合实际的结论。

2)第2阶段SFA回归分析。利用第1阶段得出的煤炭资源投入指标与环境污染指标的投入目标值,将目标值与原始投入值做差计算出两项的投入松弛变量。在第2阶段,将煤炭资源投入指标与环境污染指标的投入松弛变量作为因变量,以第二产业占比、城镇化率、研发强度、受教育程度、政策实施强度5项作为自变量,建立SFA回归模型。为保证模型影响方向的一致性,本研究对2011—2019年数据统一回归,运用Frontier4.1软件进行运算,SFA模型回归结果见表4。

从表4可知,2个模型的单边误差似然比检验值均大于临界值,拒绝原假设,结果在1%水平下显著,说明模型适合采用SFA分析,且σ2和γ值均在1%水平下显著,其中γ值分别为0.83和0.95,说明2个模型中环境因素和随机误差均会对各项投入松弛变量造成不同程度的影响,因此模型设计合理。此外大部分的环境因素都通过了5%显著性水平下的检验,说明环境因素会对煤炭资源投入指标和环境污染指标的投入冗余产生显著影响,同时也印证了环境因素选取的相对合理性。

结构性因素的第二产业占比系数均为正,说明第二产业占比越高,所造成的煤炭资源投入指标和环境污染指标的冗余就会越多,这也是因为第二产业数量增多会带来煤炭资源需求量以及相关从业人员数量的同比增加。城镇化率对两项投入松弛变量的系数均为负值,说明城市版图的扩张在一定程度上会限制煤炭资源的投入浪费。在科技研发方面,研发强度和受教育程度的系数均为正,表明在研发期间,需要投入大量的人力、物力和财力,但缺乏规范化的体系管理则会加速各项投入的无效率化。政策实施强度是两项投入影响程度最大的因素,且其系数也为正。这一方面说明制度因素是影响资源投入与环境污染变化的关键性因素,在影响两者变化的作用因素中,政府的宏观调控占据主导地位;另一方面政府在资源配置方面若没有及时跟进,就会造成政府各项投入资源的浪费及冗余,且迫于政府对经济目标要求的压力,部分产业可能会由追求质量向追求数量转变,忽视环境整治所带来的长期效益而追求短期成果,导致环境污染加剧,从而降低其煤炭利用生态效率。

3)第3阶段调整后DEA分析。依据第2阶段SFA模型调整的结果来确定新的投入指标数值;依旧用原始的产出指标数值,采用投入导向的BCC模型进行测算;剔除环境因素与随机误差之后的综合效率、纯技术效率、规模效率与规模收益见表3。

对上述数据做符号秩检验,结果见表5,证明在10%的显著性水平下,调整前后的数据存在显著性差异,故采用SFA模型剥离环境因素与随机误差是必要的。

在剔除了环境因素与随机误差之后,全国30省市的煤炭利用生态效率的均值由0.219升至0.495,增幅明显,这主要得益于纯技术效率的大幅度提升,说明较差的外部环境与坏运气使得各省市的纯技术效率被显著低估,先前的测算并没有体现出其真实水平。而纯技术效率均值飙升至0.958则表明,在剔除一系列环境因素的影响之后,各省市的煤炭利用生态效率的相关技术处理已发展得相对完善,具有明显的技术优势。各省市的规模效率下降了0.112,说明我国30个省市的煤炭利用生态效率尚处于初级阶段,规模效率不高是阻碍各省市发展的主要原因。经过调整后,东中西部在综合效率上均实现了提升,三地区的纯技术效率更是达到了0.9以上,说明之前较低的误判是因为低估了技术利用率。但剥离外部因素后,东部地区规模效率仅上浮0.04,而中部和西部地区则有明显下降,分别降低了0.279和0.146,表明经过调整的三地区省市大多处于规模收益递增阶段,位于发展初期,尚未形成成熟的规模集群。

各省市综合效率对比如图1所示。调整后,广东省的综合效率达到前沿面,而在第1阶段达到有效的北京市却有所下降,这是由于北京的规模效率在好的环境和运气加持下被高估。身为首都,北京在科技研发方面辐射更广,能够吸引更多的人才,使科学技术得到相对集中的发展,实现煤炭利用技术在空间上的集聚,因此可能会导致发展阶段的定位出现偏颇,进而引起规模效率被高估。在综合效率上有所下降的还有海南和青海两地,但两地出现下降的原因却截然不同,前者是由于纯技术效率下降所导致的,而后者则是由规模效率降低所引起的。值得注意的是,仅有海南省在纯技术效率上是降低的,而其他省市在此方面均有提升,北京、广东依旧保持在纯技术效率为1的前沿面上,天津、安徽、福建、江西、青海、宁夏6个省市也达到了1。在剔除外部环境因素的影响之后,海南省的纯技术效率从第1阶段测算的1下降到了0.997。这番下降与海南省独特的地理位置有一定的关系,其煤炭利用的总体规模偏小,而整体绿化生态程度偏高,以煤炭利用为主的第二产业所占比例较小等问题对技术的测算均存在一定的影响。规模效率大部分呈下降态势,说明本研究所关注的环境因素对30个省市的煤炭利用生态效率测算有显著影响。剔除环境因素与随机误差后,在第1阶段规模收益达到递减的11个省市均回到规模收益递增阶段,表明外部环境可以提升规模扩张所带来的边际收益,使整个社会处于发展增速阶段。

2.2  基于Malmquist指数模型分析

三阶段DEA从静态角度分析了全国30个省市的煤炭利用生态效率。为更深入地对煤炭利用生态效率进行分析,引入Malmquist模型,从动态角度进行讨论。同时为保证结果的客观性和准确性,选取剔除了环境因素与随机误差的投入指标值与原始产出值进行测算。

各省市Malmquist模型下全要素生产率变化指数及分解见表6。从各省份来看,全国30个省市全要素生产率指数均大于1,处于增长趋势,这主要归功于技术进步,但目前各省市并未将技术的使用效率发挥到极致。尽管北京、河南、湖北、湖南、广东、重庆、四川、贵州、云南九地的技术效率超过1,但其增幅也处于较低水平,且发展会受到一定规模效率的影响,这两者共同限制了煤炭利用生态效率的进一步提升。分区域来看,东部地区各效率变动指数均处于中间位置,表明其新技术的利用率较低且处于规模发展初期阶段,年增长10.4%的全要素增长率还有提升空间。中部地区在技术效率和规模效率变化指数方面处于领先地位,且只有中部地区规模效率年变动为正,每年增幅约为0.3%,这也符合中部地区以煤炭为主要动力源的工业发展现状,其借助新技术的学习转化和当地产业集群发展,促使地区全要素生产率呈上升态势。西部地区技术进步效率提升最快,每年平均超过其他两区域约2%,说明尽管西部地区在资源配置和内部管理水平方面稍显欠缺,但其突出的创新效应催生了最大的全要素生产率变动幅度。

2011—2019年全要素生产率变化情况如图2所示。从年份上来看,全要素生产率变化指数均大于1,呈上升态势,与技术进步的变化趋势基本一致,说明全要素生产率的变化主要是由技术进步引起的。而技术效率变化起伏相对较小,在研究期间内,仅有2个年度超过1。2011—2012年度的上升可能源于国家“十二五”规划的初步实施,其中环境保护与绿色发展的提出使得国家资源的节约和管理倍受关注。作为煤炭大国,如何将煤炭利用与生态清洁融合发展是实现整体发展目标的关键。因此各省市争先引入先进的科学技术,以降低煤炭消耗量与环境污染物的排放量,在此基础上,整体的技术效率得到有效提升。另一年度是在2017—2018年间。在此之前,国家能源局出台《能源发展“十三五”》《煤炭清洁高效利用行业行动计划 (2015—2020)》等相关政策文件,指导煤炭利用与生态清洁相结合。由于政策实施效果存在滞后性,技术效率在整个规划表现为先上升、后下降,并在中期达到最高点。

3.1  结论

本研究通过对2011—2019年全国30个省市的煤炭利用相关数据构建三阶段DEA-Malmquist模型,对其煤炭利用生态效率进行测算评价,得出如下结论:从SFA模型分析结果可知,外部因素对煤炭利用生态效率的评价有显著影响。从三阶段DEA模型来看,剥离环境因素与随机扰动之后,绝大多数省市的综合效率得到提升。这主要是源于在之前的坏环境与坏运气影响下,纯技术效率被严重低估;剔除后,除纯技术效率显著增强外,30个省市多回归到规模收益递增阶段,规模效率则成为当前影响综合效率的关键因素。经过调整后,区域之间煤炭利用生态效率差异显著,东部>中部>西部。此外,西部地区纯技术效率在经过调整之后,由原先的0.322提升至0.968,为三大区域最高。对Malmquist指数分解后,进行2个层面的分析,从省市来看,所有省市均处于增长趋势,但技术的使用效率不高,致使技术效率总体增幅仍处于较低水平,且发展也会受到规模效率的影响。此外,技术进步变化显著的西部地区在全要素生产率变化中增幅最大,这也与前期三阶段DEA测算结果相一致。从年份来看,全要素生产率变化指数与技术进步基本保持同频,反映出技术已逐渐成为影响煤炭利用生态效率的关键,技术效率提升的关键节点大多与国家政策调控有关。

3.2  建议

1)加强省际之间的要素流动与信息共享。先进地区优势辐射,扩大技术影响力,对落后地区进行技术帮扶,形成良性互动,破解不同地区之间煤炭利用生态效率差距大的问题。同时政府助力搭建交流平台,成立专门的行业协会组织,定期举办交流研讨会,打破“信息孤岛”,加强跨地域之间的技术交流与先进实例分享工作,借此提升整体煤炭利用生态效率。

2)推进工业企业煤炭绿色技术创新。加强专利保护,提高技术使用率,发展产业循环经济,强化污染物过滤、废弃物循环再利用等减排技术,实现全阶段全链条绿色化发展。完善硬件设施、基础设施的建设。例如搭建人才平台实验室,校企协同培养人才,制定相关的人才创新激励政策,提高工作效率;加大科技研发投入,破解技术难关,解决资源投入冗余的问题,加快科技成果转化,促进产学研用一体化发展。

3)调整产业结构,促进产业结构化升级。规划建立试验发展点,强化工业园区规模效应,促进相关工业企业集群发展,形成规模效益。针对煤炭资源丰富的特色地区,应加强产业扶持相关工作,设置专项资金补贴,优化资源配置,提高市场自由度,开拓创新产业发展新道路。除政府补贴外,引入社会资本、民间资本等,拓宽融资渠道。

4)加强国家立法的执行和监管强度。成立专门的管理部门,规范管理程序,加强政府的政策导向作用;同时对相关人员进行绿色理念普及教育工作,提升整体素质水平。在工作中,要坚决执行排污许可门槛制度,征收环境税,加强媒体监督与信息公开,成立举报专线,对不符合要求的工业企业及部门进行约谈,定期核验减污降碳成果,提升其煤炭利用的绿色化管理水平,对工业企业从源头缩减污染。