上海市全要素能源效率分析
周 童
(上海对外经贸大学 统计与信息学院, 上海 201620)
[摘 要] 近年来，能源消费、经济增长和环境保护之间的矛盾被广泛关注。文章旨在分析上海市能源的使用情况。运用单要素能源效率估计上海市能源效率在全国所处的位置；对1996—2017年的上海市数据应用带非期望产出的SBM模型进行全要素能源效率分析，发现2013年后的上海全要素能源效率处于历史时期的前沿面，并通过ARIMA模型预测未来三年的能源消费量仍会上涨，但年增长率明显低于2010年前。
[关键词] 能源效率；环境保护；SBM模型；ARIMA模型
如何实现最优能源配置是现代人类长久以来的话题，“十三五”规划纲要中强调要坚持绿色发展，并要综合考虑安全、资源、环境、技术、经济等因素，而现如今的煤、石油等非清洁能源使用量仍占我国能源总消费量的大部分比重，且《中国能源发展报告2017》中指出，煤炭消费自2013年以来再次出现增长，由此导致的生态问题也不容小视。
能源作为生产和生活中重要的必需品，面对经济增长的需求与有限的资源、保护生态环境之间的矛盾，对其利用效率的分析与改变“高耗低产”的经济增长方式也显得尤为重要。上海市作为我国经济发展的领头羊之一，在经济发展的同时，也应在平衡资源、环境、经济等中成为典范。由此，深入探索其能源利用效率也具有重要意义。
1 文献综述
目前，关于能源效率的研究成果比较多样。首先，对于能源效率的定义有多种，但大多数学者采用的是Patterson[1]较早提出的关于能源效率的定义，即能源效率(Energy Efficiency)一般是指，用较少的能源去生产同样数量的服务或有用产出。到现在为止，研究能源效率的方法也已比较丰富，张少华等[2]归纳并对比了现有的一些方法，并指出，尽管如今的方法很多，但是也因方法之间的差异，造成得到的结论之间差异较大。
其次，绝大多数研究根据考虑因素的多少将能源效率分为单要素和全要素能源效率。魏楚[3]将单要素能源效率依照投入和产出的不同分为热力学、物理-热量、经济-热量以及纯经济四种指标。单要素能源效率虽方便可行，但因未考虑到其他投入要素对于产出的影响，且忽略了投入要素之间的替代作用，因而，学者们提出了全要素能源效率。
本文建立了多个处理器的试验环境，对并行算法的效果进行实证。试验中，路径初始化参数、路网出发点、目标点的设置采用上述串行蚁群算法的设定，基于多处理器环境下执行并行运算。设置不同数量的处理器，多次试验和记录，分析不同数量处理器下的算法收敛值、计算所花费的时间。将不同数量处理器下的算法收敛值、计算所花费的时间作图分析，直观显示如图5和图6所示。
运用上述两种类型测度的实例分析都不在少数。如韩智勇等[4]分析了中国能源强度这个单要素能源效率的变化，并将其分解为结构和效率份额进行定量分析，并且他们认为能源强度本质上可以体现技术进步、管理水平的提高等结果。王兆华等[5]基于省际面板数据，运用四阶段全局DEA和方向距离函数，得出2003—2010年间中国区域全要素能源效率下降的原因是行业内部效率的总体下降。随着环境问题的突出，逐渐有学者在此基础上考虑环境污染因素，如袁晓玲等[6]利用超效率DEA模型，测算出包含非合意产出环境污染的中国省际全要素能源效率。张伟等[7]运用DEA模型，以环境生产函数和方向距离函数为基础，对长三角都市圈能源效率进行测度。
综上，目前关于能源效率的有关文献中，主要内容多关于以下方面：首先是关于能源效率测度的探究，从单要素、全要素能源效率探索新的方法等；再者是能源效率的实例分析，在实例分析中，不同文献基本有以下方面：一是研究对象的不同，多数学者是基于全国的角度，围绕不同行业间的探究；二是探究方法上的不同，基于单要素、全要素能源效率以及对效率的分解；三是指标选取和运算上的不同。
综上发现：上海市作为我国经济发展的领头羊之一，但鲜有文献对上海市的能源效率进行评测，而对于上海市的全要素能源效率进行评测的文献未考虑非期望性指标污染排放，因此本文选取上海市的能源效率为研究对象，运用SBM模型对考虑非期望产出的上海市全要素能源效率进行系统分析；利用自回归求和移动平均模型，对上海市能源消费量进行预测。
2 研究方法与数据说明
2.2.2 变量选择与数据来源
实验组妊娠期糖尿病患者孕期体重增长为（8.4±2.5）kg，引起妊娠高血压的患者有2例，发生早产的患者有7例，产程异常的患者有3例，引起产后感染的患者有1例，发生胎膜早破的患者有20例。对照组妊娠期糖尿病患者孕期体重增长为（13.1±5.2）kg，引起妊娠高血压的患者有5例，发生早产的患者有7例，产程异常的患者有6例，引起产后感染的患者有3例，发生胎膜早破的患者有23例。
2.1 省际分析
能源消费量呈现逐年增长的趋势，由于数据较大，故以下分析均基于对数序列进行分析。
本文所运用的单要素能源效率指标是能源的经济-热量指标中的能源生产率指标。所谓能源生产率，是指在一定时间内，每向某系统投入一单位的能源要素，给该系统创造的价值，在一定程度上仍可以反映能源使用技术的进步等因素给经济产出带来的影响，计算公式如下：
一是水资源总量的约束日趋突出。我国目前的年用水总量已经突破6 000亿m3，约占水资源可开发利用量的74%。前面已谈到，很多地方水资源的形势十分严峻，水资源过度开发，已经接近或者突破水资源可以支撑的限度，如果不采取强有力的刚性措施，就难以扭转水资源严重短缺和日益加剧的被动局面。
(1)
其中，e i,t ，E i,t ，GDP i,t 分别是地区i 第t 年的单要素能源效率值，能源消费总量和生产总值。
2.1.2 变量选择与数据来源
本节的探究覆盖1995—2017年，我国除西藏自治区、香港特别行政区、澳门特别行政区以外的29个省份(为保持数据统一，将重庆市的数据纳入四川省)的数据。其中地区生产总值为使各时间段有较强的可比性，均以1978年为基期，数据来自《新中国六十年统计资料汇编》和《中国统计年鉴》；地区能源消费总量1995—2016年来自1996—2017的《中国能源统计年鉴》，2017年数据来自国家统计局和各地区的统计年鉴。对各地区的生产总值及能源消费总量的描述性统计如表1所示。
表1 生产总值及能源消费总量的描述性统计
2.2 上海市全要素能源分析
2.2.1 带非期望产出的SBM模型
数据包络分析[8](Data Envelopment Analysis，DEA)是一种非参数的评价方法，主要解决“多投入-多产出”的系统评价问题。因为是不带量纲的衡量方式，所以在使用上有一定的便捷度。
在生产生活的过程中，能源总会伴着资本、劳动等要素共同投入生产，所以在探究能源效率时，需将资本、劳动等要素同能源共同作为投入要素进行分析。在使用能源的生产的过程中，非期望产出总会伴随着期望产出的产生而产生，如今我国对于环境的要求日渐增加，重视绿色发展，而非期望产出对于环境的影响是不可忽视的，所以在评价能源效率的过程中，将非期望产出纳入评价体系中是十分必要的。
由Tone[9]提出的冗余变量模型(Slack-Based Measure，SBM)是处理非径向的数据包络法，即考虑投入或者产出不是同比例减少或增加的情况。本文基于Tone提出的带有非期望产出的SBM模型[9]，进行效率的测算，模型如下：
假设有K 个决策单元，每个决策单元有N 种投入要素，M 种期望产出和I 种非期望产出，则第k 个决策单元的投入，非期望产出，期望产出分别为：x k =(x 1k ,…,x Nk )，x nk >0、y k =(y 1k ,…,y Mk )，y mk >0、u k =(u 1k ,…,u Ik )，u ik >0。
x no ,n =1,…,N ，y mo ,m =1,…,M ，u io ,i =1,…,I 分别为被测算决策单元的投入值、期望产出值、非期望产出值，则SBM效率值如下：
(2)
式(2)为基于规模报酬不变(CRS)包含非期望产出的SBM模型，其中ρ 为效率评价标准，
为投入产出的松弛向量，
为投入冗余，
为非期望产出过多，应当减少的数量，
为产出不足数量，代表应该增加的数量。
假设最优值为ρ *(0<ρ *≤1)，最优解为(z *,s x* ,s y* ,s u* )。若s x* =0，s y* =0 ，s u* =0同时成立，即ρ *=1时，表示该决策单元的活动是有效率的；若ρ *<1，表示该决策单元是相对无效率的，若要变成有效率的，需做出如上所述的改变。本文运用Charnes和Cooper[10]提出的Charnes-Cooper变换将其转化为线性规划进行求解。
本文首先运用单要素能源效率和描述性统计分析方法对上海市能源效率概况做了分析；其次运用“多投入-多产出”的数据包络分析对能源利用进行具体分析；最后，使用ARIMA模型对上海市能源消费情况进行预测。
活性炭的吸附性能在很大程度上取决于孔结构特征。根据用途和应用领域的要求对活性炭的孔结构进行调控，定向制备活性炭，已成为目前活性炭领域研究的热点。
本节的研究专注于上海市的能源效率探究，采用年度数据，样本区间为1996—2017年，即共有22个决策单元。因能源不能独自投入生产，故假设生产要素为能源、资本、劳动力，产出为期望产出GDP、非期望产出为环境污染排放和温室气体排放。
(1)能源指标。运用能源消费总量作为能源投入的衡量指标，其中1996—1999年的数据来自《2016上海统计年鉴》，2000—2016年来自《2017上海统计年鉴》，单位为“万吨标准煤”。
根据Lakoff（1987）、Lakoff&Turner（1989）、Radden&Kövecses（1999）等人的观点，ICM 是指我们组织百科知识所依托的结构，它是我们通过自然、社会和文化活动从其一个特定领域的各种体验中抽象出来的心理表征。Radden&Kövecses（1999：21）认为，一切事物经过概念化后都有ICM，从这个意义上说，ICM涉及现实、概念和语言这三个不同的维度；而且，只要有ICM就会出现转喻，因此，转喻可谓无处不在。
j =1,…,n
据国家甘薯产业技术体系产业经济固定观察点2017年调查,当前我国鲜食型、淀粉型和紫薯型等3种类型甘薯的种植面积比例大约为48∶47∶6．各地区甘薯类型差异明显,南方薯区以鲜食型甘薯为主,鲜食型甘薯和紫薯型甘薯占比分别约为70%和10%,淀粉型占比仅为20%左右;而长江中下游薯区淀粉型比例则超过50%;北方薯区淀粉型甘薯与鲜食型甘薯占比大体相当．
其中K t ,δ t ,I t ,PIF t 分别为第t年的资本存量，折旧率，投资以及投资价格指数。由于基期选择得越早，对基期资本存量估计存在的误差对的越后的年份的影响越小，所以采用的基年为1952年，并采用张军等[11]对基期资本存量以及折旧率的估计数值。投资数据及投资价格指数数据运用《2018上海市统计年鉴》中的固定资本形成总额及固定资产投资价格指数衡量，最终得出1996—2017年的资本存量数据。
(3)劳动力。本文利用全社会从业人员总量作为劳动力的衡量指标，数据来自历年的《上海市统计年鉴》。
(4)期望产出。运用1995年的不变价格计算的实际生产总值代表上海市能源生产的期望产出，数据来自《2018上海统计年鉴》。
学习支持：酌情减免进修费用，赠送秦泗河主编出版的代表性著作。进修最后3个月，可以在上级医师指导下主持实施部分矫形外科手术。进修一年者，秦泗河联系俄罗斯国家Ilizarov科学中心去学习、考察，并减免俄方收取的学习费用。回到本单位后，秦泗河团队在临床、学术、科研等方面给予支持。
(5)非期望产出。鉴于本文探究上海市能源利用的效率，所以污染排放物以能源使用对环境影响的排放为主，基于此，本文以1996—2017年的工业废气排放总量、烟尘排放总量、废水排放总量、工业固体废弃物生产量、二氧化碳排放量作为原始指标。其中二氧化碳排放量以煤炭、焦炭、原油、汽油、煤油、柴油、燃料油、天然气的消耗，根据《2006年IPCC国家温室气体清单指南》的测算方法进行估计，公式如下：
——近日，《人民日报》发表评论指出，在乡土社会，人情尽管是构成人与人之间交往的重要因素，但产业扶贫却必须和所谓的“人情往来”划清界限。这样的“往来”早已超出人情范畴，走入违规乱纪的禁区，对此要采取零容忍态度。（《人民日报》11月14日）
其中i 为第i 种能源，E i 为能源消耗量，NCV i 为能源净发热值，CEF i 为能源的净排放系数，COF i 为碳氧化率。
上述各种排放的数据及二氧化碳计算原始数据主要来源于《2018上海统计年鉴》、历年的《中国能源统计年鉴》、《2006年IPCC国家温室气体清单指南》、《省级温室气体清单编制指南》。由于数据包络分析中投入产出指标数量不宜过多，故用熵值法将上述指标合成为环境污染指数，计算方法如下：
数字中频信号u(n)进入FPGA后，使用FFT对数字中频信号进行实时的载波频率估计，用载波频率估计的结果驱动数控振荡器（NCO）产生两路正交的本振信号cos(ω0n)和sin(ω0n)，将这两路本振信号分别与数字中频信号u(n)混频，再通过后续的数字滤波器h(n)和数字下变频得到零频附近的I，Q两路基带信号。基带信号可表示为复数形式：
设x ij 为第i 年的第j 项污染指标，i =1,…,m ,j =1,…,n 。 ①计算所占第j 项污染指标的比重：
②第j 项污染指标的熵值：
(2)资本。依照张军[11]的思路采用Goldsmith在1951年开创的永续盘存法估计的资本存量作为资本投入的衡量指标，计算公式如下：
③第j 项污染指标的权重：
由表3可知，在对上海市这22年间与自身的对比而言，2007年、2013年、2014年、2015年、2016年、2017年是相对于其他年份实现了对能源、资本和劳动力较充分的利用，其中2015年为最优状态。
对各投入产出指标的描述性统计如表2所示：
表2 投入产出指标的描述统计分析
2.3 上海市能源消费量预测
2.3.1 ARIMA模型简述
K t =K t-1 (1-δ t )+I t /PIF t
本文利用自回归求和移动平均(Autoregressive Integrated Moving Average, ARIMA)模型，对上海市2018—2020年的能源消费总量进行预测，ARIMA (p ,d ,q )模型的一般表达式如下[12]：
[91] 葛红亮、鞠海龙：《“中国-东盟命运共同体”构想下南海问题的前景展望》，《东北亚论坛》2014年第4期，第29-30页。
其中B 为滞后算子，{a t }为白噪声序列。
口语交际是指交际者出于某种社交需要，运用连贯标准的有声语言传递信息、表情达意的社会活动。口语交际作为一种有目的的、有实效的人与人之间的语言沟通活动，其实质是一种双向的社会活动。它以人类的语言能力为前提，强调实际情境中交际对象之间的交流与互动， 在动态的语境中运用口头语言接收对方信息，同时把自己的思想情感传递给对方的过程。
2.3.2 变量选择与数据来源
本节利用能源消费总量(单位：万吨标准煤)对上海市的能源使用情况进行概述，采用年度数据，时间序列区间为：1985—2017年(数据来自《新中国55年统计资料汇编》及《上海统计年鉴》)。绘制对数时序图如图1所示。
图1 上海市对数能源消费量时序
2.1.1 单要素能源效率
首先对该对数序列进行扩展的DF单位根(Augmented Dickey-Fuller, ADF)检验，基于差分样本PACF，选择p =1，选用其他p 的值也未能改变检验结论，ADF检验统计量为-1.0829，P值为0.6488，故不能拒绝单位根假设，即说明有单位根。结合图1和单位根检验，可知该序列是不平稳的，需进行差分处理。在后续实证章节将进行模型定阶和运用模型进行能源消费量的预测。
3 实证分析
3.1 省际分析
依照前文所述的方式计算出1995—2017年29个省份的单要素能源效率如图2所示，其中粗实线为上海市的结果。
由图2可知，大多数省份都具有上升的趋势，少部分地区的上升趋势不太明显。其中上海市一直处于上升的状态，在2004年以后领先其他地区，在全国中处于明显的优势地位，上海市的经济在这23年间快速发展，地区生产总值的增速比能源消费量的增速平均每年高五个百分点。由此可估计上海的能源效率在全国内处于领先地位，即每一单位的能源可创造出较多甚至最多的经济效益。
图2 各省单要素能源效率
3.2 上海市全要素能源分析
使用带非期望产出的SBM模型，将分式规划转换为线性规划后使用MATLAB对数据进行计算，测算出上海市1996—2017年的能源效率如表3所示。
④第i 年的环境污染指数：
观察到这二十几年间整体呈现上升的趋势，而2007年则背离了这个趋势，突然出现整体能源效率的较高值。从投入产出的原始数据分析，投入要素及期望产出均逐年上升，非期望产出呈现无趋势波动。2007年的非期望产出的数值处于中下水平，地区生产总值的年增长率最大，能源消费和劳动力的年增长率较小，故导致2007年的能源效率接近于效率前沿面。根据2007年的政策和实际情况分析，此现象产生具有极大的偶然性。
表3 上海市全要素能源效率
2013年及以后上海市的能源效率基本处于前沿面或极接近前沿面，说明这几年的能源使用情况在这22年中是最好的，并且长时间持续该种状态。在2011年后，污染排放量也开始呈现波动下降的趋势。
3.3 能源消费量预测
3.3.1 模型的定阶及模型估计
2.5 饮食护理 告知患者饮食需定时、定量和定餐，每日需限制饮食中总热量的摄入，宜低脂饮食，以清淡、易消化食物为主，避免进食碳酸饮料等产气食物，忌食过冷、过热、刺激性强、油炸等不易消化的食物。
由2.3.1节可知，需进行一阶差分，下述分析基于图3，根据一阶差分序列(diff(e_log))的ACF图和PACF图进行定阶。观察经过一阶差分后的对数序列的自相关函数图(Series diff(e_log)-ACF)和偏相关函数图(Series diff(e_log)-PACF)可以得出：
(1)自相关函数在滞后阶数为1时，数值显著较大。
(2)样本偏自相关函数在1时是显著的。
由上述分析，结合一般性指导原则，并经过反复筛选之后给该对数序列建立ARIMA (1,1,1)模型，即：
(1-φ 1B )(1-B )x t =(1-θ 1B )a t
经过反复拟合得到较理想的模型如下：
(1-0.9657B )(1-B )x t =(1-0.6051B )a t
σ a 2=0.001209
3.3.2 模型的检验
图4为拟合模型的诊断图，从上至下分别是残差序列时序图、标准化残差序列的ACF图以及标准化残差序列的Ljung-Box统计量的P值图。
图3 样本自相关函数(ACF)和偏自相关函数(PACF) 图4 模型诊断
由诊断图可知，标准化残差围绕零水平线上下波动的无明显趋势，自相关函数趋近零，即残差序列没有明显的自相性；由第三幅图，Ljung-Box测试显示，所有的p -value >0.1,与1十分接近，则说明不能拒绝序列变量间的相关系数为零(认为该序列是白噪声序列)的原假设。综上所述，该模型是充分的。
图5 上海市能源消费量的样本外点预测和区间预测
3.3.3 上海市能源消费量的预测
运用上述构建的ARIMA (1,1,1)模型以及1985—2017年的数据(2018年的数据尚未公示，故也对2018年的能源消费量进行预测)对2018—2020年上海市的能源消费量进行预测，数值分别为12036.23、12209.95、12380.10万吨标准煤，实际值及预测值如图5所示，其中预测点值用黑点标识，虚线表示95%的区间预测。由图5所示，可得2018—2020年上海市的能源消费量与之前相比会上升，但其趋势也将会明显低于2010年前的上升趋势。
4 结 论
本文首先运用1995—2017年中国29个省份的面板数据，通过单要素能源效率得出大多数省份的能源使用效率在这23年间均有一定程度的提高。其中上海的提高幅度最大，并且在2004年后已领先其他省份。
其次，结合其他学者的省际间全要素能源效率对比的研究成果，上海市一直处于效率前沿。故本文运用带非期望产出的SBM模型，专注探究1996—2017年间上海能源的全要素能源效率，得出如下结论：①2007年、2013—2017年是相对于其他被探究年份而言，已接近或达到效率前沿，即已对能源、资本和劳动力进行了相对充分的利用；②2007年接近效率前沿，具有极大的偶然性；③排除2007年的奇异值后，上海市的全要素能源效率具有逐年上升的趋势，并且2013年后稳定接近效率前沿。
试验田采用实收测产，每处理取3点，每点取67 m2实收测产，按14%标准水分计产。每处理中间取1行连续取20穗考种。
最后，根据1985—2017年的时间序列运用ARIMA (1,1,1)模型，对2018—2020年的上海市能源消费量进行预测，预测值分别为12036.23、12209.95、12380.10万吨标准煤。
尽管上海市的能源效率在全国范围内处于前列，但是在能源的利用上还存在可改进的空间，需要淘汰落后产能并发展先进产能，提高能源的利用率；再者煤炭的使用率还较高，提高对环保问题的重视，坚持推进清洁能源的适用范围，可有效提高能源效率，达到绿色发展。
参考文献：
[1]PATTERSON M G. What is energy efficiency?[J]. Energy policy, 1996, 24(5):377-390.
[2]张少华, 蒋伟杰. 能源效率测度方法:演变、争议与未来[J]. 数量经济技术经济研究, 2016(7):3-24.
[3]魏楚. 中国能源效率问题研究[D]. 杭州：浙江大学, 2009.
[4]韩智勇, 魏一鸣, 范英. 中国能源强度与经济结构变化特征研究[J]. 数理统计与管理, 2004, 23(1):1-6.
[5]王兆华, 丰超. 中国区域全要素能源效率及其影响因素分析——基于2003—2010年的省际面板数据[J]. 系统工程理论与实践, 2015, 35(6):1361-1372.
[6]袁晓玲, 张宝山, 杨万平. 基于环境污染的中国全要素能源效率研究[J]. 中国工业经济, 2009(2):76-86.
[7]张伟, 吴文元. 基于环境绩效的长三角都市圈全要素能源效率研究[J]. 经济研究, 2011(10):95-109.
[8]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.
[9]TONE K. Dealing with undesirable outputs in DEA : A slacks-based measure (SBM) approach(DEA(1))[J].日本オペレーションズ·リサーチ学会春季研究発表会アブストラクト集, 2004, 2004:44-45.
[10]CHARNES A, COOPER W W. Programming with linear fractional functionals[J]. Naval research logistics, 2010, 9(3-4):181-186.
[11]张军, 吴桂英, 张吉鹏. 中国省际物质资本存量估算:1952—2000[J]. 经济研究, 2004(10):35-44.
[12]蔡瑞胸.金融数据分析导论:基于R语言[M]. 李洪成，尚秀芬，郝瑞丽，译.北京：机械工业出版社，2013：28-82.
[DOI ] 10.13939/j.cnki.zgsc.2019.30.014
[基金项目] 2018年上海市大学生创新创业训练计划项目“上海市全要素能源效率分析”(项目编号：201810273129)。
[作者简介] 周童(1998—)，女，壮族，广西南宁人，就读于上海对外经贸大学统计与信息学院，研究方向：应用统计学。
标签：能源效率论文; 环境保护论文; SBM模型论文; ARIMA模型论文; 上海对外经贸大学统计与信息学院论文;