近年来,重庆经济保持了持续较快增长,但同时也消耗了巨大能源,尤其是过度依赖化石能源(如煤炭),带来了诸如PM2.5浓度超标、工业粉尘大量排放等一系列的环境问题。在当前倡导绿色发展理念,推动低碳发展的背景下,建立清洁、高效、低碳的能源体系对于重庆经济发展十分重要[1-6]。因此,研究重庆能源利用效率、优化能源结构问题,对于提高能源利用水平、推进能源消费低碳化、绿色化、实现重庆市经济增长与环境保护协调发展具有重要意义。
要实现重庆经济可持续发展与能源绿色低碳高效利用问题,首要问题就是要解决基于经济、社会、人口、科技发展以及相应的环境(低碳)约束条件,能源投入产出的规模效应和技术效率评价问题。当前解决这一问题的主要方法有两种:一种是参数形式的随机前沿分析法(stochastic frontier analysis,SFA)[7-9],另一种是非参数的数据包络分析法(data envelopment analysis,DEA)[10-18],其中DEA无需建立变量之间的严格函数,无需对所有指标进行统一的量纲处理,无需事先估计任何参数和权重等特点,在多投入和多产出的效率评价方面具有优势[14-16]。现有的DEA研究,可以多达几十个研究对象作为决策单元(decision making unit,DMU)数,但涉及的投入产出因素较少,大多不超过10个[17-20]。文中采用DEA方法,将重庆1985—2014年30年的能源数据作为决策单元,将4个能源投入、18个经济社会等产出因素分组构建DEA模型,对重庆能源绿色低碳利用进行测度与实证研究;同时采用复合预测方案,对构建的能源需求结构方程得到的数据体系进行科学验证,揭示重庆能源投入产出规模效率在不同历史时期、不同阶段的变化规律,获取能源冗余投入(径向改进和松驰改进)值、规模效应值(scale efficiency score)、综合技术效率值(technical efficiency score,CRS)和纯技术效率值(pure technical efficiency score,VRS),确定DEA弱有效、DEA强有效、DEA完全有效的生产前沿面,探寻重庆30年间能源投入产出效率变化发展规律,为重庆未来5年能源需求结构优化和效率提高的问题提供科学依据,为重庆能源绿色低碳发展提供决策支撑。
1 CCR投入导向的重庆能绿色低碳发展DEA模型构建DEA是数学、运筹学、数理经济学和管理科学的一个新的交叉领域。该方法由美国人Chanrnes、Cooper和Rhodes(CCR模型)于1978年首先提出[21]。自DEA诞生以来,DEA理论与方法发展迅速,应用范围不断扩展深化,应用领域和数量持续加速增长。DEA方法采用数学规划模型进行评价,具有多个输入和多个输出单位间相对有效性的特点,采用DEA方法,可以有效解决能源多投入、多产出、很难统一量纲的数据采集问题、投入产出规模效应等问题,以及有效投入产出目标值与未达到目标值的比例改进值(或径向改进值)问题,获得规模效率与综合效率、纯技术效率及其之间的关系。
基于上述方法,建立重庆能源绿色低碳发展的DEA模型,其线性规划模型可表示为
$\left\{ \begin{align} & \text{max}\frac{\sum\limits_{r=1}^{q}{{{U}_{r}}{{Y}_{rk}}}}{\sum\limits_{i=1}^{m}{{{V}_{i}}{{X}_{rk}}}}, \\ & \text{s}\text{.t}.\frac{\sum\limits_{r=1}^{q}{{{U}_{r}}{{Y}_{rj}}}}{\sum\limits_{i=1}^{m}{{{V}_{i}}{{X}_{ij}}}}\le 1,其中,V\ge 0,U\ge 0,i=1,2,\ldots ,q;j=1,2,\ldots ,n, \\ \end{align} \right.$ | (1) |
式中:vi是投入指标权重;xij是投入因子(即指能源中煤碳、油料、天然气、电力消费4项主要指标);ur是产出指标权重;yrk是产出因子(即指:经济方面的GDP(gross domestic product)、第一产业增加值、第二产业增加值、第三产业增加值、工业总产值、社会消费零售总额、地方财政一般预算收入、城镇居民人均可支配收入、农村居民人均可支配收入;科学方面的R&D经费内部支出、R&D项目数、有效发明专利数;社会方面的全市常住人口、城镇化率;环境方面的工业废气排放总量、SO2放总量、工业烟粉尘排放量、煤矿事故死亡人数等18项指标)。
式(1) 为一个非线性规划模型,其含义在于:在使所有DMU(决策单元)的效率值都不超过1的条件下,要使被评价DMU的效率值最大化。因此模型确定的权重u和v是对被评价DMUk最有利,从这个意义上讲,CCR模型是对被评价DMU的无效率状况作出的一种保守的估计,因为它采用的权重是最有利于所评价对象,采用其他权重得出的效率值都不会超过这组权重得出的效率值。
式(1) 所示的CCR模型存在的问题是它属于非线性规划,并且存在无穷多个最优解。假设向量u*和v*是模型(1) 的一个最优解,则tu*和tv*肯定也是模型(1) 的最优解(t>0) 。
由于
令
$\text{max}t\sum\limits_{r=1}^{q}{{{u}_{r}}{{y}_{rk}}}=\sum\limits_{r=1}^{q}{t{{u}_{r}}{{y}_{rk}}}$ | (2) |
再令μ=tu,v=tv,则非线性模型(1) 变换为如下等价的线性规划模型
$\left\{ \begin{align} & \text{max}t\sum\limits_{r=1}^{q}{{{u}_{r}}{{y}_{rk}}}, \\ & \text{s}\text{.t}.\sum\limits_{r=1}^{q}{{{u}_{r}}{{y}_{rj}}}-\sum\limits_{i=1}^{m}{{{u}_{i}}{{y}_{ij}}}\le 0, \\ & \sum\limits_{i=1}^{m}{{{v}_{i}}{{x}_{ir}}}=1, \\ & 其中,v\ge 0;u\le 0,i=1,2,\ldots ,m;r=1,2,\ldots ,q;j=1,2,\ldots ,n \\ \end{align} \right.$ | (3) |
模型(3) 即为文中采用的DEA模型,以DMUk为例来表达投入导向CCR模型的线性规划,对于每个DMU都要分别建立规划。通过该模型,可以对重庆能源利用现状进行客观分析,对重庆能源结构进行优化,从而实现重庆经济、社会、人口、环境、科技等协调、可持续发展。
2 重庆能源低碳高效利用的DEA实证分析 2.1 重庆能源低碳利用的DEA效率测度分析为考察重庆能源现阶段的投入产出效率状况,文中采取对投入导向规模收益不变(CCR)假设条件下的DEA模型进行实证分析研究,以弄清重庆能源投入与经济、社会、人口、环境可容忍的“三废”排放,以及科技成果诸多产出之间的比例关系,在此基础上,提出效率提升的努力方向。文中相关数据资料均来源于《重庆市统计年鉴》和《中国能源统计年鉴》。鉴于目前公开资料均无CO2排放历史数据,根据废气排放中SO2与CO2排放量的相关关系,CO2的排放数据采用统计年鉴上SO2排放的数据替代,输入MaxDEA5.l软件,选择“包络模型”、“混合 (径向和非径向)”、“投入导向”、“不变”运行后,得到运算DEA结果(如表 1所示)。从表 1中可以看出,在投入导向规模收益不变假设条件下,效率值从1985—1995年的0.487上升到0.965,而1996年、2003年、2008年、2009年及2011—2014年效率值均为1,其中1997—2002年、2004—2007年、2010年这11年DEA强有效(如图 1)。
从图 1可以看出,煤炭消费占能源消耗比重半数以上,从1985—1995年径向改进值+松驰改进值(即为冗余投入)这11年总计达到7048.6万t,平均每年可达640.78万t。其中:1985年冗余投入为737.09万t,占实际消耗量938万t的78.58%;1986年冗余投入为750.13万t,占当年煤炭实际消耗量939万t的79.89%;1987年冗余投入为815.68万t,占当年煤炭实际消耗量1 036万t的78.73%;1988年冗余投入为904.54万t,占当年煤炭实际消耗量1 157万t的78.18%;1989年冗余投入为906.29万t,占当年煤炭实际消耗量1194万t的75.9%;1990年冗余投入为792.67万t,占当年煤炭实际消耗量1 131万t的70.09%;1991年冗余投入为765.83万t,占当年煤炭实际消耗量1 152万t的66.48%;1992年冗余投入为707.49万t,占当年煤炭实际消耗量1 173万t的60.27%;1993年冗余投入为593.94万t,占当年煤炭实际消耗量1 195万t的49.7%;1994年冗余投入为372.26万t,占当年煤炭实际消耗量1 217万t的30.59%;1995年冗余投入为153.41万t,占当年煤炭实际消耗量1 240万t的12.37%。这11年重庆市煤炭消耗量无效率消耗需改进的值下降速度相当快,从1985年需改进的78.58%到1986年需改进的79.89%、1987年需改进的78.73%到1988年的78.18%逐渐下降到1990的70.09%,再到1992年的60.27%→1993年的49.7%→1994年的30.59%→1995的12.37%,这3年成倍数的下降,说明煤炭的无功消耗大大降低。油料、天然气的冗余投入有不同程度的改善,但都与能源投入产出比例关系的趋势相一致;经济产出GDP还存在较大的增长空间,一些年份SO2等工业废气排放超出了DEA结果的目标值。
2.2 重庆能源低碳高效利用的结构优化定量分析为定量解决重庆能源结构优化问题,根据重庆直辖以来的能源消耗数据,用非线性回归、灰色系统GM(1,1) 模型、灰色神经网络模型分别预测了重庆未来5年煤炭、油料、天然气、电力的消耗量,结合重庆实际状况,采用层次分析法(analytic hierarchy process,AHP),确定权重进行3种方法的复合预测,获取重庆市2015—2020年能源消耗预测量,在此基础上进行能源消耗内部结构优化。
根据相关资料得到的各项能源折合为标煤的系数,确定能源消耗所产生的CO2排放量技术指标如下:
1) 由于1 t标煤燃烧产生CO2是为2.688 531 9 t,所以煤炭燃烧CO2排放系数λ1=2.688 531 9。
2) 重庆油料消耗的CO2排放量计算。根据《中国能源统计年鉴》提供的2001—2013年重庆油料消耗中的柴油、汽油和煤油、重油和燃料油各自比重的数据资料,依国家有关部门测算的柴油、汽油和煤油、重油和燃料油燃烧产生的CO2的系数分别为3.115、2.574 5、3.366,再根据2001—2013年油料消耗结构变化趋势,以2013年为基点,汽油和煤油每年比重平均上升0.05%、柴油每年比重平均下降0.024%、重油和燃油比重平均每年下降0.026%,测算2014—2020年每万t(折标煤)油料消耗排放CO2的综合数λ2,根据这个系数,推算2001—2020年消耗油料的CO2排放数量。
3) 天然气消耗过程CO2排放技术指标的确定。根据天然气主要成份CH4燃烧的化学性质知,1 M3 CH4可产生1 M3 CO2,常温下1 M3天然气等于0.714 kg,1 M3天然气折合标准煤为1.33 kg,则1 kg天然气折算标准煤为1.862 744 8 kg,所以1 t天然气折标煤为1.862 744 8 t;则1 t标准煤的天然气燃烧产生CO2系数λ3=0.536 844。
4) 电力消耗统计数值中不包括火电用煤量,在此,电力使用不计CO2排放,因此λ4=0。
根据前述各种能源消耗预测、数据包络分析结果,结合重庆2020年GDP预测数据以及重庆每亿元GDP的CO2排放目标必须达到下降近20%的要求,来计算2020年CO2排放量及能源内部结构优化预测值,建立以下约束方程
$\left\{ \begin{align} & {{E}_{1}}+{{E}_{2}}+{{E}_{3}}+{{E}_{4}}={{E}_{}}, \\ & {{E}_{1}}{{\lambda }_{1}}+{{E}_{2}}{{\lambda }_{2}}+{{E}_{3}}{{\lambda }_{3}}+{{E}_{4}}{{\lambda }_{4}}=B, \\ & {{E}_{1预}}-E1+{{E}_{2预}}-{{E}_{2}}={{E}_{3}}-{{E}_{3预}}+{{E}_{4}}-{{E}_{4预}}, \\ & 1\%\frac{{{E}_{1预}}-{{E}_{1}}}{{{E}_{1预}}}<10\%, \\ & 1\%\frac{{{E}_{2预}}-{{E}_{2}}}{{{E}_{2预}}}<10\%, \\ & \frac{{{E}_{3}}-{{E}_{3预}}}{{{E}_{3预}}}<15\%, \\ & \frac{{{E}_{4}}-{{E}_{4预}}}{{{E}_{4预}}}<15\% \\ \end{align} \right.$ | (4) |
根据式(4) ,采用等可能准则预测得到的2015年重庆CO2排放测算值为
B2015=E1λ1+E2λ2+E3λ3+E4λ4=4 714.99×2.688 531 9+1 120.53×2.945 225+1 127.76×0.536 84+1 105.07×0=166 33.91。
2015年GDP为15 546.23亿元,则每亿元GDP排放CO2量为1.069 964 23万个单位,比2014年降低3.86%(2014年每亿元GDP排放CO2量为1.112 912 09万个单位),这一结果表明2015年等可能准则预测的方案达到国家下达的CO2排放要求,2015年不再优化,并以此为基础作等可能准则预测方案的结构优化。
采用插值法解上述联立方程,可依次计算得到2016—2020年的能源煤炭、油料减少用量,以及天然气、电力增加用量后产出CO2的数量,计算得到2015—2020年重庆煤炭、油料、天然气、电力结构优化后的需求量如表 2所示。从表 2可以看出,优化后2020年煤炭消耗量在复合预测值基础上降低5%,油料降低5%,天然气在其预测值上提高10%,电力提高12.4%(结构优化所需的电力供应主要考虑清洁电力,由长江上游的水电和其他省份的风电、太阳能发电、垃圾焚烧发电等补充,即2020年的电耗在1589.88万t标准煤基础上增加的197.16万t标准煤电力不排放CO2)。
将重庆2001—2014年各能源实际消耗量、DEA测度结果的目标值分别作为结构未优化和优化后的数据填入表 3中,2015—2020年的能源消耗未优化数据取实际与复合预测数据、优化数据取2表中数据,2001—2020年的CO2排放数据按式(2) 求得,详见表 3。
通过表 4能源投入与GDP为代表的经济发展产出,及以CO2为代表的环境可承受的废弃物排放所得的CCR投入导向型DEA结果表明,重碳含量的化石能源煤炭和油料的冗余消耗量,经过结构优化后,煤炭消耗仅2006年和2011年有很小的冗余消耗量4.15万t、2.45万t,低碳较清洁的天然气只有2011年有冗余消耗量65.97万t,这一结果表明结构优化是有效的。
表 5的综合技术效率、纯技术效率和规模效应值表明:从2001—2020年重庆市能源结构优化的综合技术效率、纯技术效率、规模效应值都是处于DEA分析强有效和完全有效的技术测度范围内;综合技术效率和技术规模效应值保持递增变化趋势,即除DEA完全有效外,2002年规模效应从0.999 827增至2019年的0.999 99。再到2020年规模效应值1,完全达到DEA测度的目标值。
以重庆1985—2014年30年间能源数据作为决策单元,将4个能源投入、18个经济社会等产出因子进行科学分组构建了DEA模型,对重庆能源绿色低碳利用进行测度,结合复合预测方案和构建的能源需求结构方程,揭示了重庆能源投入产出规模效率在不同历史阶段的变化规律、找到了改进能源冗余投入(径向改进和松驰改进)和提高能源规模效率、综合技术效率和纯技术效率的努力方向。
重庆能源投入产出的DEA效率分析结果表明:1985—1994年间重庆市能源投入产出DEA弱有效,能源消耗冗余消耗量在80年代非常严重;90年代中期至20世纪末,重庆能源消耗的冗余投入逐渐变低,投入产出的比例关系逐渐趋于DEA强有效,这与逐步淘汰与关停高耗低产企业等措施的实施有关,2011年后,投入产出DEA达到生产前沿面上,CO2排放强度虽然在减弱,但排放压力依然存在。为实现亿元GDP的CO2减排任务,探索能源绿色低碳高效利用、进行能源结构的优化十分必要。
为降低能源的无效消耗,提高能源投入产出效率,在重庆未来的能源结构调整与能源规划发展战略中,应结合实际优化能源消费结构,大幅度降低煤炭和油料的消费比重,提高天然气和电力消费比重,加大页岩气勘探开发力度,促进能源消费向低碳化发展。
[1] | Markandya A, Arto I, González-Eguino M, et al. Towards a green energy economy? Tracking the employment effects of low-carbon technologies in the European Union[J]. Applied Energy, 2016, 179: 1342–1350. DOI:10.1016/j.apenergy.2016.02.122 |
[2] | European Commission. A Roadmap for moving to a competitive low carbon economy in 2050[J]. Communication from the Commission to the European Parliament, http://eurlex.europa.eu/LexUriServ/LexUriServ.do?uri=COM:2011:0112:FIN:EN:PDF, 2011. |
[3] | Liu X, Fan Y, Li C. Carbon pricing for low carbon technology diffusion:A survey analysis of China's cement industry[J]. Energy, 2016, 106: 73–86. DOI:10.1016/j.energy.2016.03.044 |
[4] | Mundaca L, Markandya A. Assessing regional progress towards a ‘Green Energy Economy’[J]. Applied Energy, 2016, 179: 1372–1394. DOI:10.1016/j.apenergy.2015.10.098 |
[5] |
杜祥琬.
对中国绿色低碳能源战略的探讨[J]. 太原理工大学学报, 2010, 41(5): 453.
DU Wanxiang. An exploration of China's green and low carbon energy development strategy[J]. [J] Journal of Taiyuan University of Technology, 2010, 41(5): 453. (in Chinese) |
[6] | Price L, Zhou N, Fridley D, et al. Development of a low-carbon indicator system for China[J]. Habitat International, 2012, 37(1): 4–21. |
[7] |
孙焱林, 何莲, 温湖炜.
异质性视角下中国省域碳排放效率及其影响因素研究[J]. 工业技术经济, 2016, 35(4): 117–123.
SUN Yanlin, HE Lian, WEN Huwei. Research on inter-provincial carbon emissions efficiency and its determinants in china based on provincial heterogeneity perspective[J]. Journal of Industrial Technological Economics, 2016, 35(4): 117–123. (in Chinese) |
[8] |
王雄, 岳意定, 刘贯春.
基于SFA模型的科技环境对中部地区能源效率的影响研究[J]. 经济地理, 2013, 33(5): 37–42.
WANG Xiong, YUE Yiding, LIU Guanchun. The impact of technological environment on energy efficiency of central region based on a stochastic frontier analysis model[J]. Economic Geography, 2013, 33(5): 37–42. (in Chinese) |
[9] | Lundgren T, Marklund P O, Zhang S. Industrial energy demand and energy efficiency-evidence from sweden[J]. Resource & Energy Economics, 2016, 43: 130–152. |
[10] |
续竞秦, 杨永恒.
基于SFA的地区能源效率评价方法研究[J]. 煤炭经济研究, 2013, 32(6): 37–42.
XU Jingqin, YANG Yongheng. Study on evaluation method of regional energy efficiency base on SFA[J]. Coal Economic Research, 2013, 32(6): 37–42. (in Chinese) |
[11] | Robaina-Alves M, Moutinho V, Macedo P. A new frontier approach to model the eco-efficiency in European countries[J]. Renewable and Sustainable Energy Reviews, 2014, 39: 403–411. DOI:10.1016/j.rser.2014.07.018 |
[12] |
石旻, 张大永, 邹沛江, 等.
中国新能源行业效率——基于DEA方法和微观数据的分析[J]. 数量经济技术经济研究, 2016(4): 60–77.
SHI Min, ZHANG Dayong, ZOU Peijiang, et al. Efficiency in the renewable energy sector in china[J]. Journal of Research on quantitative economic technology and economy, 2016(4): 60–77. (in Chinese) |
[13] | Mishra S, Singh H. Do macro-economic variables explain stock-market returns? Evidence using a semi-parametric approach[J]. Journal of Asset Management, 2012, 13(2): 115–127. DOI:10.1057/jam.2011.11 |
[14] | Wilson P W. FEAR:A software package for frontier efficiency analysis with R[J]. Socio-Economic Planning Sciences, 2008, 42(4): 247–254. DOI:10.1016/j.seps.2007.02.001 |
[15] |
罗艳. 基于DEA方法的指标选取和环境效率评价研究[D].安徽:中国科学技术大学, 2012. LUO yan. Research on the index selection and environmental efficiency evaluation based on DEA method[D]. Anhui:University of Science and Technology of China, 2012. (in Chinese) |
[16] |
黄德春, 董宇怡, 刘炳胜.
基于三阶段DEA模型中国区域能源效率分析[J]. 资源科学, 2012, 34(4): 97–104.
HUANG Dechun, DONG Yuyi, LIU Bingsheng. Research on regional energy efficiency in china based on three-stage DEA model[J]. Resources Science, 2012, 34(4): 97–104. (in Chinese) |
[17] |
钟华, 安新颖, 汪凌勇, 等.
国家R&D;投入产出效率评价的实证分析——DEA方法[J]. 重庆大学学报(社会科学版), 2011, 17(1): 72–79.
ZHONG Hua, AN Xinying, WANG Lingyong. Applications of DEA method into the evaluation of R&D performance[J]. Journal of Chongqing university (Social Science Edition), 2011, 17(1): 72–79. (in Chinese) |
[18] | Zha Y, Zhao L, Bian Y. Measuring regional efficiency of energy and carbon dioxide emissions in China:A chance constrained DEA approach[J]. Computers & Operations Research, 2015, 66: 351–361. |
[19] | Wang J, Zhao T. Regional energy-environmental performance and investment strategy for China's non-ferrous metals industry:a non-radial DEA based analysis[J]. Journal of Cleaner Production, 2016, 13: 1–15. |
[20] |
李雪松.
中国农业生产效率变动的驱动因素研究[J]. 重庆大学学报(社会科学版), 2015, 21(4): 37–46.
LI Xuesong. A study of the driving factors of agricultural production efficiency in China[J]. Journal of Chongqing University(Social Science Edition), 2015, 21(4): 37–46. (in Chinese) |
[21] |
易丽蓉.
基于结构方程模型的区域旅游产业竞争力评价[J]. 重庆大学学报, 2006, 29(10): 154–158.
YI Lirong. Evaluation of regional tourism competition base on SEM[J]. Journal of Chongqing University(Natural Science Edition), 2006, 29(10): 154–158. (in Chinese) |
[22] | Charnes A, Cooper W W, Rhodes E. Measuring the efficiency of decision making units[J]. European Journal of Operational Research, 1978, 2(6): 429–444. DOI:10.1016/0377-2217(78)90138-8 |