2015, Vol. 35
[PDF全文]
, 慈兆程2, 姚浩3 2. 东北财经大学金融学院, 大连 116025;
3. 大连理工大学运载工程与力学学部, 大连 116024
2. School of Finance, Dongbei University of Finance and Economics, Dalian 116025;
3. Faculty of Vehicle Engineer and Mechanics, Dalian University of Technology, Dalian 116024
改革开放30年以来，中国经济快速增长，GDP增长约80倍.然而，快速的经济增长也导致大量的能源消耗和CO2排放，如今，中国已经超越美国，成为世界上最大的能源消耗国和CO2排放国(BP，2011).为实现可持续发展、提高能源效率和控制温室气体排放，中国政府提出了建设环境友好型和资源节约型社会的战略目标.在“十一五”和“十二五”规划期间，中国政府都制定了“节约能源”和“环境保护”政策，能源强度(单位GDP的能耗)减少目标分别是20%和16%，主要污染物排放总量(二氧化硫等)减少目标分别是10%和8%(数据源于《国民经济和社会发展第十二个五年规划纲要》).此外，中国国务院还发布公告称，到2015年时，中国将使每单位GDP的能源消耗比2005年降低32%；到2020年时，中国将使每单位GDP造成的二氧化碳排放量比2005年降低40%~45%.为了实现上述目标，中国在过去的10年从国家和省级层面上，提出并实施了一系列针对能源利用和环境保护的政策、法律法规.根据2011年发布的官方报告，中国国家能源强度在“十一五”规划期间下降了19.1%，这表明碳减排目标整体上几乎实现.然而，在“十二五”规划前两年(2011—2012年)，国家能源强度分别下降了2.02%和3.62%，均低于为实现“十二五”减少目标的要求(3.7%)，因此，中国剩余的能源强度的减少负担仍然很重.
工业占据我国最大的能源终端消耗，2009年工业能源终端消耗占最终能源消耗总量的71%(国家统计局，2011).显然，评价中国的工业化石能源效率和节能减排潜力有利于实现中国节能减排目标，可以为政策制定者提供实证来评估能源效率政策和措施的有效性.在以往的研究中，研究人员提出了不同的指标来评价经济系统中的能源效率.如Ang(2006)基于良好的能源政策分析工具——指数分解分析(Index Decomposition Analysis，IDA)提出一个分析框架，用于追踪经济系统的能源效率趋势.以IDA为基础的分析框架已被许多国家，如加拿大、新西兰和美国等采用去追踪它们的经济系统的能源效率趋势(Ang et al., 2010).除以IDA为基础的能源效率指标，研究人员还采用数据包络分析(Data Envelopment Analysis，DEA)去评价一系列可比实体的能源效率.
DEA由Charnes等(1978)提出，它是一种非参数效率评价方法，运用数学规划模型来计算每个决策单元(Decision Making Unit，DMU)和由实践中表现最好的DMUs构成的生产前沿面之间的距离，据此计算出每个DMU的效率得分.随着方法的进步，DEA在能源和环境研究领域得到了越来越多的关注，测量能源效率已被确定为DEA的一个重要的应用领域(Zhou et al., 2008).早期Boyd等(2000)和Ramanathan(2000)在该领域进行了研究，随后Hu等(2006)提出了全要素能源效率指数并用它来评估中国地区的能源效率；Wei等(2007)通过运用Malmquist指数对我国钢铁行业的能源效率进行了实证分析；Honma等(2008)采用全要素能源效率模型评估了日本的地区能源效率；Zhang等(2011)使用DEA窗口分析研究了发展中国家的全要素能源效率的动态趋势.除了评估地区能源效率，一些研究人员也使用DEA去评价工业能源效率效能.如Mukherjee(2008a; 2008b)采用DEA评价美国和印度制造业的能源利用效率.上述研究的一个共同缺陷是在一个不考虑非期望产出的框架下评价能源效率.
然而，化石能源的使用将不可避免地产生非期望产出，如CO2(Guo et al., 2011).正如Zhou等(2008)及Mandal(2010)所讨论的，不考虑非期望产出分析能源效率可能导致效率得分的偏差.受该问题的启发，Zhou等(2008)第一次提出包含非期望产出的DEA模型来评价能源效率.随后，越来越多的研究在包括期望产出和非期望产出的联合生产框架内进行能源效率分析.例如，Mandal(2010)使用DEA评价了印度水泥行业的能源效率，发现忽视非期望产出会导致有偏差的能源效率分数.Shi等(2010)提出了扩展的DEA模型，通过把非期望产出作为投入来评估中国工业能源效率.Yeh等(2010)基于数据转换的包含非期望产出的DEA方法对比了中国大陆与台湾的全要素能源效率.Bian等(2010)基于环境DEA开发一种新型Shannon-DEA方法来分析能源和环境效率.Sueyoshi等(2010；2011)提出了一种考虑二氧化碳排放的DEA方法来测量化石燃料发电的统一效率.Wang等(2013)使用包含非期望产出的DEA窗口分析测量了中国各省的径向和非径向能源和环境效率.然而，上述文献也有一个共同缺陷就是不能将所有的决策单元能源效率进行全部排序，从而导致评价的结果不准确.
吴琦等(2009)基于超效率DEA方法建立了能源效率评价模型，对中国30个行政区域的能源效率进行实证研究，并结合主成分分析法建立了可处理非期望产出的DEA能源效率评价模型.刘海滨等(2011)在考虑环境因素的基础上，采用超效率DEA模型研究了我国区域能源效率.这些应用超效率模型研究能源排放效率的文献所采用的超效率DEA模型一般都是Super CCR模型，这是一个径向的DEA模型，Tone(2002)指出其没有考虑投入松弛变量，导致输入值减少不会增加超效率这一缺陷.
基于此，本文运用包含非期望产出的超效率SBM模型来评价中国各省的工业化石能源效率，以解决不考虑非期望产出导致的化石能源效率分数偏差和不能将所有决策单元化石能源效率全排列的问题.然后结合中国工业国情，通过Tobit回归模型从经济、工业和地理三方面对化石能源效率的影响因素进行深入探究，最后对工业的节能和减排潜力进行研究.
2 基于松弛变量的超效率DEA(A super slacks-based measure DEA)Tone(2002)提出了一种非径向DEA模型——基于松弛变量(Slacks-based Measure，SBM)评价DMUs效率的方法.与传统的CCR或BCC模型不同，SBM模型直接将松弛变量加入目标函数中，使得SBM模型的经济解释是使实际利润最大化，而不仅仅得到效益比例最大化.同时，Tone(2002)提出了超效率SBM模型，用于评价SBM有效的DMUs，弥补了不能将所有DMUs效率值计算出来的缺陷.超效率SBM评价时需要先对DMUs使用SBM模型评价，对SBM有效的DMUs再运用超效率SBM进行评价.
为了与实际生产情况相一致，本文将非期望产出引入超效率SBM中，这样能得到一个将非期望产出考虑在内的改良超效率SBM模型.考虑n个DMUs，每个DMU由投入m、期望产出r1和非期望产出r2 3个要素构成.向量形式分别表示为x∈ R m，yd∈ R r1，yu∈ R r2； X，Y d和Y u是矩阵，X = [x1，…，xn] ∈ R m×n，Y d= [yd1，…，ydn] ∈ R r1×n和Y u= [yu1，…，yun] ∈ R r2×n，我们假设这些数据都是正数.SBM模型表示如下：
当且仅当ρ=1，即w－=0，wd=0，wu=0时DMUk 为SBM有效.在讨论超效率SBM时，本文定义DMUk是SBM有效的.含有非期望产出的超效率SBM模型表示如下：
本文根据模型(1)和(2)计算中国30个省(直辖市、自治区)在2006—2011年间工业化石能源效率.本文工业化石能源效率是指工业投入的化石能源最优利用能力，用IFEE(Industrial Fossil Energy Efficiency)表示.由于模型的特点，IFEE是无量纲的.地区k在t年的工业化石能源效率为：
工业化石能源消耗的节能潜力和CO2排放的减排潜力根据模型(1)计算出来.地区k的节能潜力为地区k经过提升后达到生产前沿面时的能源轴上的投影与其实际能源投入之间的差值，在模型(1)中表示为能源约束中的w－.地区k的CO2减排潜力为地区k经过提升后达到生产前沿面时CO2轴上的投影与实际CO2排放之间的差值，在模型(1)中表示为wu.
3 数据和变量描述(Variables and data description)本文将工业劳动力数目(Industrial labor，IL)和工业固定资产投资(Industrial investment in fixed assets，IFA)作为两个非能源投入，煤碳(Coal)、油品(Oil)和天然气(Natural gas，NG)作为3个能源投入.工业增加值(Industrial added value，IAV)作为期望产出，二氧化碳(CO2)排放量作为非期望产出.
每年的工业劳动力数目由采矿业、制造业、电力燃气及水的生产和供应业从业人员构成，由年初数和年末数求均值作为每年的工业劳动力数目投入；每年的工业固定资产投资由采矿业、制造业、电力燃气及水的生产和供应业的固定资产投入构成，按照地区固定资产投资指数折算成以2006年为基期的不变价；每年的工业增加值按照工业产品价格指数折算成以2006年为基期的不变价；每年的煤、油品和天然气是能源终端消费中的工业消费量，分别折算成标煤；每年的CO2排放量可以通过化石燃料的消耗计算得出，IPCC(2006)提供了各类化石燃料的CO2排放因子.能源投入数据从《中国能源统计年鉴》(2007—2012年)获得，其他数据从《中国统计年鉴》(2007—2012年)获得.
表 1列出了本文研究时间段内各地区投入和产 出变量数据，由于数据的限制，本文忽略了西藏、香港、台湾和澳门地区的数据，最终研究30个地区并将其分为3个区域.如表 2所示，东部地区包括8个沿海省份和3个直辖市，该地区在过去的30年里经历了经济的迅速发展，区域每年的工业增加值约占全国工业增加值的60%，能源消耗约占全国的45%，但两者都有逐年下降的趋势；中部地区包括8个内陆省份和1个自治区，每年的工业增加值约占全国工业增加值的24%，介于东部和西部中间，能源消耗约占30%，有逐年上升的趋势；西部地区包括6个省份、1个直辖市和3个自治区，工业增加值约占全国工业增加值的16%，能源消耗约占全国的25%，有逐年升上的趋势.
| 表 1 研究时段内的投入与产出变量数据特征 Table 1 Data characteristics of inputs and outputs during study phase |
 |
| 表 2 分区域统计数据 Table 2 Areal statistic data |
|
表 3给出了各投入与产出之间的相关系数.由于Coal、Oil和NG均表示能源，在进行相关性检验时，将这3个能源变量合为一个变量IE(Input Energy).如表 3所示，各变量之间相关系数大于0.7，检验结果显著，各变量之间呈现正相关，说明本文选择的数据是可行的.
| 表 3 2006—2011年投入和产出的相关系数矩阵 Table 3 Correlation matrix for inputs and outputs from 2006 to 2011 |
|
本文利用包含非期望产出的超效率SBM模型，对中国30个地区2006—2011年间工业化石能源效率进行评价，发现中国各地区IFEE差距明显(表 4).根据各省的IFEE得分情况，将中国30个地区分为3组：第一组包括北京、天津、内蒙古、上海、江苏、浙江、广东、广西和重庆，这9个地区每年的IFEE均高于1，远远领先于其他省份，政府对这些地区的工业政策导向是保持现在的状态进行发展；第二组包含河北、福建、江西、河南、山西、陕西、安徽、湖南、云南和海南这10个地区，其IFEE值均存在大于1的年份，表明这些地区都具有很大的效率提升潜力，政府实施政策时可以首先从这些地区进行考虑，可以在短期内达到效果；第三组包括剩下的11个地区，这些地区的IFEE值均较低，而且没有超过1的年份，是我国实现“十二五”规划提出的能源强度减少3.7%的瓶颈地区，应该受到重视，在制定政策时应该着眼长远，不能期望一蹴而就.从各地区6年的IFEE值变化趋势来说，无论现在效率情况如何，大部分地区工业化石能源效率保持稳定或上升趋势，如北京、天津、内蒙古、辽宁、吉林和安徽等，但也有部分地区能源效率出现下降的趋势，如福建、云南、海南和陕西等.
| 表 4 中国各省IFEE Table 4 Regional IFEE of China |
|
图 1为中国30个地区的IFEE箱图.由图可知，各省的IFEE方差情况差别很大，方差较大的地区有广西、云南、陕西、福建和山西，说明这些地区的IFEE值在2006—2011年不稳定，各年之间差距较大；方差较小的地区有北京、天津、内蒙古、黑龙江等地区，说明这些地区IFEE值稳定，各年之间相差较小.对于IFEE值高的地区来说(如北京、天津和上海等)，保持效率稳定说明该地区保持良好发展的状况；但对于效率值低的地区(如贵州、陕西、宁夏和新疆等)，保持效率稳定说明该地区的能源效率提升缓慢，我国对这些地区的能源政策效果不明显，需要进行调整.
 |
| 图 1 中国各省工业化石能源效率箱图 Fig. 1 Boxplots of China′s regional industrial energy efficiency |
由于经济发展和地理上的因素，本文将30个地区分为东部、中部和西部3个区域，这3个区域的工业化石能源效率值如图 2所示.从研究结果来看，东部和中部、西部区域的工业化石能源效率相差远比其他文献(Pan et al., 2013;Shi et al., 2010)中明显，其原因在于相比其他两个区域，东部区域DEA有效的决策单元较多，传统的DEA不能对DEA有效的决策单元进行更进一步的效率评价，从而导致效率值高于1的部分被忽略，在最终结果体现为差距不明显.中部和西部区域之间工业化石能源效率值差距较小，且出现西部区域工业化石能源效率值高于中部区域的情况，其原因是虽然大部分中部地区工业化石能源效率值比西部地区高，但西部地区存在如广西这样的能源效率值非常高的地区，从而使西部区域整体能源效率值出现高于中部区域的情况.
 |
| 图 2 各区域能源效率 Fig. 2 Areal energy efficiency |
东部区域能源效率值以明显的优势高于中部和西部区域，其工业化石能源效率指数在0.84~0.98之间波动，呈现波动下降趋势.中部区域工业化石能源效率值在2010年以前排在东都和西部区域之后，在2011年超越中部区域排在第2位，其工业化石能源效率值在0.56~0.75之间波动上升.西部区域工业化石能源效率值比较平稳，介于0.65~0.70之间.
图 2中右上角的箱图显示出东部、中部和西部区域工业化石能源效率的统计特征，东部区域的分位数居首，其次是中部区域，最后是西部区域，但中部区域和西部区域的差距非常小.3个区域的方差也呈现不同的特征，中部区域方差最小，代表中部区域所包含的各地区工业能化石源效率值比东部和西部区域集中，西部区域工业化石能源效率方差最大，表示其内部各地区效率值具有较大的差异，而实际情况也是这样，效率值最高的广西(6年均值为1.538)较效率值最低的宁夏(6年均值为0.26)高出5倍.
通过对3个区域工业化石能源效率的比较发现，东部区域由于其优越的地理位置，政策优势和较高的技术水平，使得其工业化石能源效率位居首位，如果以东部区域为理想的投入和产出对象，那么中部和西部区域可以有30%和20%的节能空间.西部区域自实施“西部大开发”战略后，经济发展状况得以改善，工业化石能源效率整体得以提高，一直保持在0.7的水平，但内部各区域差异很明显，政策制定时要对这一现状加以考虑.中部区域的工业化石能源效率水平在本文的研究期间内保持上升的趋势，证明国家对中部区域实施的能源政策是有效的.
4.3 基于Tobit回归分析能源效率影响因素在上述研究中，我们使用带有非期望产出的超效率SBM模型来计算中国30个地区和3大区域2006—2010年工业化石能源效率，并分析每个省和区域的差异及它们的不同趋势.为了进一步探索工业化石能源效率的影响因素，根据现有可查数据、现有的理论和文献，本文将使用Tobit回归模型从经济、工业和地理方面来分析相关变量对工业化石能源效率的影响.
4.3.1 影响变量的选择在经济方面，本文选取经济规模、经济结构和外资依赖作为3个影响变量.经济规模包括地区生产总值和地区人均生产总值，经济结构用工业增加值占各地区GDP比例表示，外资依赖用各地区外资直接使用占各地区GDP比例表示.在工业方面，本文将产业结构和新建项目作为两个影响变量.产业结构用各地区重工业生产总值占各地区工业生产总值比例表示，新建项目用各地区工业新增固定资产占各地区工业固定资产比例表示.地理方面选用两个虚拟变量：如果地区在东部，East=1，否则East=0；如果地区在中部，Central=1，否则Central=0.上述各因素(产业结构除外)数据来自《中国统计年鉴》(2007—2012年)，产业结构数据来自《中国工业经济统计年鉴》(2007—2012年).表 5给出了变量的具体定义和相关的符号.
| 表 5 相关影响因素及表示符号 Table 5 Related factors and symbol |
|
考虑影响因素变量和Tobit回归模型，工业化石能源效率和影响因素之间的关系如下：
式中，IFEEit表示第t年第i地区的工业化石能源效率，β0，β1，…，β8是未知的相关系数，εit是随机误差.Tobit回归结果可以用STATA软件中最大似然估计进行计算，结果见表 6.
| 表 6 区域IFEE的Tobit回归结果 Table 6 Tobit regression results of regional IFEE |
|
首先，地区GDP对工业化石能源效率有积极的影响，地区GDP反映地区的经济活动水平，经济活动越频繁的地区其工业化石能源效率也就越高，因此，政府可以通过增加地区经济活动量提升该地区工业化石能源效率.地区人均GDP对工业化石能源效率没有显著性影响，从整体上反映出人们在追求经济发展的同时忽略了对环境的保护，所以人们的环保意识还有待提高.经济结构对工业化石能源效率有积极的影响，说明形成一定的工业规模对于提高工业化石能源效率是有帮助的，根据其他学者的研究发现，工业在中国的发展已经带来严重的负面环境影响，主要归咎于对CO2和SO2等污染物处理不够，如果地区工业发展形成规模，可以在处理污染方面进行规范化，降低污染物的处理成本.外商直接投资对工业化石能源效率有积极影响，外商投资是国外先进技术转移到国内的快捷通道，改革开放以来，我国与其他国家的合作更加密切，外资的注入和外企的建立导致先进的技术向我国扩散，增加了工业化石能源的利用效率，对环境有积极的影响.
其次，地区重工业所占比例对工业化石能源效率有消极的影响，重工业对化石能源依赖非常严重，化石能源在工业终端消费中以原材料或者直接燃烧的方式进行消耗，这两种方式都会直接产生大量的CO2等污染物，因此，重工业集中的地区工业化石能源效率会很低，如甘肃(89%)、青海(93%)和新疆(88%)等，相反如广西(71%)、上海(61%)和重庆(69%)等工业化石能源效率较高(括号中数据为2006—2011年间地区重工业总产值占工业总产值比例的均值，数据来源于《中国工业经济统计年鉴》(2007—2012年)).工业新增固定投资对工业化石能源效率有积极的影响，其原因在于新增的固定投资在很大程度上能够代表工业设备的更新，意味着化石能源利用效率的提高，如吉林(73%)、安徽(62%)和广西(57%)每年的工业化石能源效率都在逐渐提高(括号中数据为2006—2011年间地区工业新增固定资产占工业固定资产比例的均值，数据来源于《中国统计年鉴》(2007—2012年)).我国的经济发展是以破坏生态环境为代价，因此，我国政府在推出“十一五”和“十二五”规划时都高度重视工业结构的转型.
最后，地理位置对工业化石能源效率有显著性影响.地理位置位于东部对工业化石能源效率有积极的影响，东部地区占据有利的地理位置，是我国经济最发达的地区，也是我国最开放的区域，在工业设备和工业企业管理方面领先于中部和西部，在化石能源产出方面(如原油占43%和焦炭占36%，数据源于《中国能源统计年鉴》(2012))都具有优势，因此，会对工业化石能源效率产生积极的影响.地理位置位于中部区域对工业化石能源效率有消极的影响，主要原因在于中部地区不仅没有如东部区域设备方面和管理方面的优势，而且在化石能源产量方面(如原油产量占26%、天然气产量只占5%)都排在三大区域之末，只有焦炭产量(37%)略占上风，因此，对工业化石能源效率有消极的影响.
4.4 区域节能减排潜力 4.4.1 区域节能减排潜力区域的节能减排潜力是国家从宏观上对不同区域制定能源政策的重要依据，因此，对各区域节能减排潜力的研究是十分必要的.本文所研究的工业上的3种化石能源(即煤炭、油和天然气)投入，由于在东部、中部和西部各区域的能源效率不同，所以其节能的潜力也就不同.为了有针对性地提高能源效率，本文对这3个区域3种化石能源的节能潜力(均以标准煤计)进行研究，结果见图 3.
 |
| 图 3 区域煤炭、油品、燃气节能潜力 Fig. 3 Areal conservation potential of coal，oil and gas |
由图 3a可知，中部区域的煤炭节能潜力最大，其次是西部区域，最后是东部区域.由图 3b可知，2009年之前，中部区域的油品节能潜力最大，东部和西部区域相差很小；但在2009年之后，东部区域的油品节能潜力转为最大，中部区域次之，西部区域最后.然而由图 3c又可知，对于天然气节能潜力西部区域一直最大；2009年之前，中部区域次之，西部区域最后；2009年之后，东部区域的天然气节能潜力跃居第二，中部区域最后.因此，对东部实施工业能源政策时应偏重油品和天然气，对于中部实施能源政策时应侧重煤炭，然而对西部实施能源政策时应主要侧重于煤炭和天然气.
由图 4可知，中部区域的CO2减排潜力最大；2009年之前，西部区域次之，东部区域最后；2009年之后东部区域的减排潜力超越西部区域.从目前发展来看，西部区域的CO2减排工作初显成效但仍需加强，但主要的减排政策要从中部着手兼顾东部才能取得理想的效果.
 |
| 图 4 各区域CO2减排潜力 Fig. 4 Areal emission reduction potential of CO2 |
1)中国各地区工业化石能源效率差距明显，北京、天津、内蒙古、上海、江苏、浙江、广东、广西和重庆这9个地区每年的IFEE均高于1，远远领先于其他省份；河北、福建、江西、河南、山西、陕西、安徽、湖南、云南和海南这10个地区，其IFEE值均存在大于1的年份，具有很大的效率提升潜力；剩下的11个地区的IFEE值均较低，是我国实现“十二五”规划提出的能源强度减少3.7%的瓶颈地区.
2)不同区域工业化石能源效率值有较大差异，东部区域能源效率值以明显的优势高于中部和西部区域，中部和西部区域排名各有先后.箱图结果显示，东部区域IFEE值方差较小，中部区域方差最小，西部区域IFEE方差最大.
3)Tobit回归分析结果表明，地区GDP、经济结构、外商直接投资、工业新增固定投资和地理位置位于东部对地区工业化石能源效率有积极影响；地区产业结构和地理位置位于中部对地区工业化石能源效率有消极的影响；地区人均GDP对地区工业化石能源效率没有显著性影响.
4)东部区域的油品和天然气节能潜力较大，中部区域煤炭的节能潜力较大，西部区域煤炭和天然气节的能潜力较大；中部和东部区域是工业CO2减排的重点.
6 建议(Suggestions)我们对提升中国工业化石能源效率和环境保护提出以下几点建议：
1)提升效率水平较低地区的经济活动总量.根据把本文的研究结论，地区经济活动总量对工业化石能源效率具有促进作用，因此，政府在考虑投资大型项目、引进国外大型项目或者举办大型活动等能够显著增加一个地区的经济活动总量的地区选址时，应该着重考虑在能源效率水平较低的地区进行，带动当地的工业进一步发展.
2)根据能源产出特点调整工业结构.根据本文的研究结论，重工业所占比例对工业化石能源效率有消极的影响，因此，政府可以从产业结构导致效率水平低的地区(如东三省)率先进行工业结构的调整.在调整工业结构时也要注意结合区域化石能源产出的特点，即东部区域原油产出多，中部区域煤炭产出多，西部区域天然气产出多.根据能源优势调整有利于形成同质工业产业群，形成良性竞争，对于污染物的治理形成规范，同时也节省能源运输的消耗.实际上在我国的“十一五”和“十二五”规划中对工业结构调整都有体现，政府正在逐步实施工业调整计划.
3)加强人们环保意识和规范企业环保责任.本文的研究结果显示，人们对环境的保护意识还不够，仍处于追求经济发展为主导的模式中，因此，需要加强环保的宣传.对于企业的环保责任要加以明确，定量化碳排放份额，并开放碳排放权交易，引导企业从被动减排向主动减排转变.
本文也有不足之处，在统计能源投入时没有统计电力的投入，工业劳动力投入只统计劳动力数目没有考虑劳动力质量，在分析过程中没有针对一个工业行业进行能效分析.以上这三方面不足都可以作为进一步研究的方向.
| [1] | Ang B W. 2006. Monitoring changes in economy-wide energy efficiency: from energy-GDP ratio to composite efficiency index [J]. Energy Policy, 34(5): 574-582 |
| [2] | Ang B W, Mu A R, Zhou P. 2010. Accounting frameworks for tracking energy efficiency trends[J]. Energy Economics, 32(5): 1209-1219 |
| [3] | BP. 2011. Statistical Review of World Energy : http://www.bp.com/statisticalreview |
| [4] | Bian Y W, Yang F. 2010. Resource and environment efficiency analysis of provinces in China: a DEA approach based on Shannon's entropy [J]. Energy Policy, 2010, 38(4): 1909-1917 |
| [5] | Boyd G A, Pang J X. 2000. Estimating the linkage between energy efficiency and productivity [J]. Energy Policy, 28(5): 289-296 |
| [6] | Charnes A, Cooper W W, Rhodes E. 1987. Measuring the efficiency of decision making units [J]. European Journal of Operational Research, 2(6): 429-444 |
| [7] | Cooper W W, Seiford L M, Tone K. 2007. Data Envelopment Analysis: A Comprehensive Text with Models, Applications, References and DEA-Solver Software (2nd ed.)[Z]. Springer Science + Business Media, LLC. |
| [8] | Färe R, Grosskopf S, Lovell C A K, et al. 1989. Multilateral productivity comparisons when some outputs are undesirable: a nonparametric approach [J]. The Review of Economics and Statistics, 71(1): 90-98 |
| [9] | 国家统计局.2011.中国能源统计年鉴(2010)[OL]. 北京:中国统计出版社 |
| [10] | Guo X D, Zhu L, Fan Y, Xie B C. 2011. Evaluation of potential reductions in carbon emissions in Chinese provinces based on environmental DEA [J]. Energy Policy, 39(5): 2352-2360 |
| [11] | Honma S, Hu J L. 2008. Total-factor energy efficiency of regions in Japan [J]. Energy Policy, 36(2): 821-833 |
| [12] | Hu J L, Wang S C. 2006. Total-factor energy efficiency of regions in China [J]. Energy Policy, 34 (17): 3206-3217 |
| [13] | IPCC. 2006. 2006 IPCC Guidelines for National Greenhouse Gas Inventories: Volume II Energy[M]. Japan: Institute for Global Environmental Strategies |
| [14] | Li L B, Hu J L. 2012. Ecological total-factor energy efficiency of regions in China [J]. Energy Policy, 46: 216-224 |
| [15] | Mandal S K. 2010. Do undesirable output and environmental regulation matter in energy efficiency analysis? Evidence from Indian cement industry [J]. Energy Policy, 38(10): 6076-6083 |
| [16] | 刘海滨, 郭正权. 2011. 基于环境因素的我国区域全要素能源效率分析[J]. 统计与决策, (6): 86-88 |
| [17] | Mukherjee K. 2008a. Energy use efficiency in the Indian manufacturing sector: an interstate analysis [J]. Energy Policy, 36(2): 662-672 |
| [18] | Mukherjee K. 2008b. Energy use efficiency in U. S. manufacturing: a nonparametric analysis [J]. Energy Economics, 30(1): 76-96 |
| [19] | Pan H F,Zhang H Y,Zhang X L.2013.China's provincial industrial energy efficiency and its determinants[J].Mathematical and Computer Modelling, 58: 1032-1039 |
| [20] | Ramanathan R. 2000. A holistic approach to compare energy efficiencies of different transport modes [J]. Energy Policy, 28(11): 743-747 |
| [21] | Shi G M, Bi J, Wang J N. 2010. Chinese regional industrial energy efficiency evaluation based on a DEA model of fixing non-energy inputs [J]. Energy Policy, 38(10): 6172-6179 |
| [22] | Song M L, Zhang L L, An Q X, et al. 2013. Statistical analysis and combination forecasting of environmental efficiency and its influential factors since China entered the WTO: 2002-2010-2012[J]. Journal of Cleaner Production, 42: 42-51 |
| [23] | Sueyoshi T, Goto M. 2010. Should the US clean air act include CO2 emission control?: Examination by data envelopment analysis [J]. Energy Policy, 38(10): 5902-5911 |
| [24] | Sueyoshi T, Goto M. 2011. DEA approach for unified efficiency measurement: assessment of Japanese fossil fuel power generation [J]. Energy Economics, 33(2): 292-303 |
| [25] | Tone K. 2002. A slacks-based measure of super-efficiency in data envelopment analysis [J]. European Journal of Operational Research, 143 (1): 32-41 |
| [26] | Wang K, Yu S W, Zhang W. 2013. China's regional energy and environmental efficiency: a DEA window analysis based dynamic evaluation [J]. Mathematical and Computer Modelling, 58(5/6): 1117-1127 |
| [27] | Wei Y M, Liao H, Fan Y. 2007. An empirical analysis of energy efficiency in China's iron and steel sector [J]. Energy, 32: 2262-2270 |
| [28] | 吴琦, 武春友. 2009. 基于DEA的能源效率评价模型研究[J]. 管理学报, 22(1): 103-112 |
| [29] | Yeh T L, Chen T Y, Lai P Y. 2010. A comparative study of energy utilization efficiency between Taiwan and China [J]. Energy Policy, 38: 2386-2394 |
| [30] | Zhang X P, Cheng X M, Yuan J H, et al. 2011. Total-factor energy efficiency in developing countries [J]. Energy Policy, 39(2): 644-650 |
| [31] | Zhou P, Ang B W. 2008. Linear programming models for measuring economy-wide energy efficiency performance [J]. Energy Policy, 38(8): 2911-2916 |