張吉崗楊紅娟

中國火電企業(yè)生產(chǎn)效率評價與影響因素研究

張吉崗1,2楊紅娟1*

(1.昆明理工大學管理與經(jīng)濟學院,云南 昆明 650093；2.昆明理工大學城市學院,云南 昆明 650051)

基于2008~2017年省級統(tǒng)計數(shù)據(jù),研究中國火電企業(yè)生產(chǎn)效率與影響因素.首先,運用Bootstrap方法修正的DEA模型研究火電企業(yè)靜態(tài)效率;其次,結(jié)合全局參比Malmquist指數(shù)的可傳遞性研究火電企業(yè)動態(tài)效率;最后,運用Tobit模型研究火電企業(yè)生產(chǎn)效率影響因素,基于穩(wěn)健性考慮運用固定效應(yīng)模型驗證檢驗結(jié)果的可靠性.效率評價實證結(jié)果顯示:2008~2017年無一省(自治區(qū)、直轄市)的火電企業(yè)生產(chǎn)效率處于生產(chǎn)前沿面,也無一省(自治區(qū)、直轄市)的火電企業(yè)生產(chǎn)效率持續(xù)提高. 2008~2013年全國火電企業(yè)生產(chǎn)效率比較平穩(wěn),2013~2016年呈下降趨勢且省際差異逐步擴大,2017年有所回升.2008~2017年東中西三大地帶火電企業(yè)效率和平穩(wěn)性呈現(xiàn)東部最優(yōu)、中部次之、西部最差的格局.影響因素實證結(jié)果顯示:設(shè)備性能、經(jīng)濟發(fā)展速度、市場競爭程度是火電企業(yè)生產(chǎn)效率的顯著影響因素;政府對環(huán)境污染重視程度和碳排放權(quán)交易市場對火電企業(yè)生產(chǎn)效率影響有限.

火電企業(yè)；Bootstrap方法；DEA-Tobit模型；生產(chǎn)效率；影響因素

據(jù)國研網(wǎng)統(tǒng)計數(shù)據(jù)顯示,中國火電企業(yè)發(fā)電設(shè)備容量由2008年的59675萬kW增長到2017年的110604萬kW,增幅高達85.34%,而發(fā)電設(shè)備平均利用小時卻由2008年的4885h降至2017年的3939h,降幅為19.37%,火電行業(yè)產(chǎn)能過剩問題突出.隨著清潔能源的開發(fā)利用,2008年中國火電企業(yè)發(fā)電量占總發(fā)電量的比例為82.98%,2017年下降至71.73%,電力供給市場競爭日趨激烈.為有效應(yīng)對全球氣候變化,2013年中國開始在北京等七省市開展碳排放權(quán)交易試點,2017又啟動全國碳排放權(quán)交易市場建設(shè),火電行業(yè)將面臨更加嚴峻的減排壓力.在火電行業(yè)面對產(chǎn)能過剩、供給市場競爭加劇、減排壓力上升等多重不利因素的背景下,研究中國省級火電企業(yè)生產(chǎn)效率并分析其影響因素具有較強的現(xiàn)實意義.

已有研究火電企業(yè)生產(chǎn)效率或能源利用效率的方法主要有隨機前沿分析模型(Stochastic Frontier Analysis, SFA)[1-2]、數(shù)據(jù)包絡(luò)分析模型(Data Envelopment Analysis, DEA)[3-6]及其擴展模型(Slacks Based Measure, SBM)[7-8].SFA模型的優(yōu)點是可以對模型本身和模型中的參數(shù)進行統(tǒng)計檢驗且前沿面是隨機的,研究結(jié)論更加接近實際;其缺點是生產(chǎn)函數(shù)的具體表達式難以確定且不適用于多輸出的效率評價.DEA模型的優(yōu)點是作為非參數(shù)模型無需考慮具體生產(chǎn)函數(shù)形式,評價過程不受主觀因素的影響,是研究多投入多產(chǎn)出問題比較理想的方法,其缺點是效率值存在偏差且忽略統(tǒng)計檢驗.SBM模型解決了傳統(tǒng)DEA模型中投入產(chǎn)出松弛的問題且非徑向非角度的效率評估值更加準確,但是很難用經(jīng)濟學解釋其內(nèi)涵.火電企業(yè)生產(chǎn)過程難以用具體的函數(shù)形式表達且文章研究多投入多產(chǎn)出問題,故選擇Bootstrap方法修正的DEA模型研究其生產(chǎn)效率.火電企業(yè)生產(chǎn)效率的影響因素主要采用Tobit回歸模型,DEA-Tobit兩階段模型也廣泛用于能源[9-10]、環(huán)境[11-12]、水資源[13-14]、金融[15-16]等領(lǐng)域的效率測度及影響因素分析.目前,對省級火電企業(yè)生產(chǎn)效率與影響因素研究得出的主要結(jié)論是:中國部分省(自治區(qū)、直轄市)的火電企業(yè)效率到達了有效生產(chǎn)前沿面,但平均效率不高且地域差異較大[4],火電行業(yè)效率的分布呈現(xiàn)北部和東部較高、西北和南部次之、中部和東北部最低的格局[2].地區(qū)經(jīng)濟發(fā)展水平、資源稟賦、發(fā)電設(shè)備利用率、環(huán)境規(guī)制與火電企業(yè)效率顯著正相關(guān),自用電率與火電企業(yè)效率顯著負相關(guān)[2,4].上述研究不足之處主要體現(xiàn)在三方面,一是火電企業(yè)效率的研究對象無論是省域?qū)用孢€是上市公司層面都屬于小樣本,而在小樣本情況下,運用DEA及其擴展模型評價火電企業(yè)效率會導致效率評價值存在偏差且忽略統(tǒng)計檢驗問題;二是由于基期不同,不同年份的Malmquist指數(shù)直接比較無實際意義;三是Tobit模型源于對受限的調(diào)查數(shù)據(jù)分析,而DEA模型得出的效率值在內(nèi)涵上是否屬于受限因變量仍存有爭議.因此,本研究的創(chuàng)新點主要體現(xiàn)在,借鑒Bootstrap方法修正傳統(tǒng)DEA模型評價火電企業(yè)生產(chǎn)效率值的偏差并進行統(tǒng)計檢驗;利用全局參比的Malmquist指數(shù)的可傳遞性修正不同時期Malmquist指數(shù)的不可比性;基于穩(wěn)健性考慮運用固定效應(yīng)模型驗證Tobit模型的影響因素檢驗結(jié)果.本文以2008~2017年統(tǒng)計數(shù)據(jù)為基礎(chǔ),以省級火電企業(yè)為研究對象,運用Bootstrap方法修正的DEA-Tobit模型研究其生產(chǎn)效率與影響因素,以期為火電企業(yè)未來的發(fā)展方向提供決策支撐.

1 火電企業(yè)生產(chǎn)效率評價

1.1 火電企業(yè)生產(chǎn)效率評價模型

1.1.1 DDF-DEA模型 DEA模型[17-18]從生產(chǎn)函數(shù)角度對多個決策單元的投入和產(chǎn)出數(shù)據(jù)綜合分析,利用線性規(guī)劃方程確定有效生產(chǎn)前沿面,把決策單元與有效生產(chǎn)前沿面進行比較,計算決策單元的相對效率.傳統(tǒng)DEA模型中的產(chǎn)出一般為期望產(chǎn)出,越多越好,然而在實際生產(chǎn)過程中既有期望產(chǎn)出也有非期望產(chǎn)出.因此,借鑒方向距離函數(shù)(Directional Distance Function, DDF)模型[19],將期望產(chǎn)出和非期望產(chǎn)出進行區(qū)分.模型表達式為:

1.1.2 Malmquist指數(shù)模型 通常采用Malmquist全要素生產(chǎn)率(Total Factor Productivity, TFP)指數(shù)分析法[20-21]反映決策單元的生產(chǎn)效率隨時間變化情況.文章采用全局參比Malmquist模型[20],該模型以各期的總和作為參考集,即任一時期任一決策單元參考同一前沿面.共同的參考集為:

全局參比Malmquist模型中,決策單元期相對+1期的Malmquist指數(shù)計算公式:

式中:表示全局參比;x和x+1分別表示決策單元第期、第+1期的投入;y和y+1分別表示決策單元第期、第+1期的產(chǎn)出;E(x,y)和E(x+1,y+1)分別表示決策單元基于全局參比的第期、第+1期的相對效率.

將Malmquist指數(shù)分解為技術(shù)效率變化(Technical Efficiency Change, EC)和生產(chǎn)技術(shù)變化(Technological Change, TC)解釋決策單元生產(chǎn)效率變化的內(nèi)部原因[21].全局參比Malmquist模型中EC和TC的計算公式如下:

式中:E表示決策單元基于當期參比的相對效率,其他參數(shù)與式(2)中相同.

1.1.3 Bootstrap修正模型 Bootstrap方法修正的DEA模型在效率測度上得到應(yīng)用[23-25],其基本思想是運用 Bootstrap方法獲得的樣本分布可以模擬原始樣本估計量的分布,通過擴大樣本量糾正效率評價值的偏差并給出效率測度的置信區(qū)間[25-27]. Bootstrap-DEA模型計算步驟如下:

(3)獲得模擬樣本

1.2 指標選擇與數(shù)據(jù)來源

根據(jù)火電企業(yè)的生產(chǎn)工藝,選取機器設(shè)備、原材料和生產(chǎn)工時作為投入指標;選取發(fā)電量作為期望產(chǎn)出指標,自身用電量作為非期望產(chǎn)出指標,投入產(chǎn)出指標具體如表1所示.鑒于數(shù)據(jù)的完整性和可獲得性,剔除數(shù)據(jù)缺失的新疆、重慶、西藏、寧夏四個省(自治區(qū)、直轄市),選取2008~2017年中國大陸27個省(自治區(qū)、直轄市)的6000kW以上火電企業(yè)作為考察對象,數(shù)據(jù)均來源于國研網(wǎng)數(shù)據(jù)庫.

表1 火電企業(yè)生產(chǎn)效率評價模型投入產(chǎn)出指標

1.3 模型參數(shù)設(shè)置

生產(chǎn)過程中有規(guī)模報酬可變和規(guī)模報酬不變兩種情況,選擇何種假設(shè)直接影響DEA測算效率的結(jié)果.文章基于省級層面研究火電企業(yè)的生產(chǎn)效率,采用馮蕾等[28]的觀點,選擇規(guī)模報酬不變模型.DEA模型中選擇投入導向和產(chǎn)出導向并無實質(zhì)差異,本研究選擇DEA規(guī)模報酬不變的產(chǎn)出導向模型.DDF模型中投入產(chǎn)出指標的方向向量為被評價決策單元的投入和期望產(chǎn)出值,非期望產(chǎn)出的方向向量為非期望產(chǎn)出值的負數(shù).Bootstrap迭代次數(shù)越多,效率值的計算結(jié)果越準確,置信度越小,置信區(qū)間上下限之間的跨度越小.多數(shù)文獻迭代次數(shù)的取值均超過2000次,通過敏感測試,本文Bootstrap迭代次數(shù)取值為5000次,置信度設(shè)置為95%.以上參數(shù)設(shè)置適用于文章中Bootstrap-DDF-DEA靜態(tài)效率和全局參比Bootstrap- DDF-Malmquist動態(tài)效率評價模型.

1.4 火電企業(yè)生產(chǎn)效率實證結(jié)果分析

1.4.1 火電企業(yè)靜態(tài)效率評價實證結(jié)果 文章以2008年靜態(tài)效率值為例說明運用Bootstrap方法修正的必要性.如表2所示,2008年北京、江蘇、遼寧、山東、上海、吉林、陜西等7個省(直轄市)的火電企業(yè)效率值為1,即達到有效生產(chǎn)前沿面,而在95%的置信度下,Bootstrap方法迭代5000次后,無一省(自治區(qū)、直轄市)的火電企業(yè)效率達到有效生產(chǎn)前沿面,傳統(tǒng)DEA模型測度的27個省(自治區(qū)、直轄市)火電企業(yè)效率值均處于置信區(qū)間外且修正后的效率值均低于原始效率,說明傳統(tǒng)DEA模型測度的效率值有偏且存在不同程度的高估,修正后的效率更能反映實際效率值.其他年份的實證結(jié)果與2008年的保持一致.

表3為基于規(guī)模報酬不變且考慮非期望產(chǎn)出的Bootstrap-DDF-DEA模型評價2008~2017年27個省(自治區(qū)、直轄市)火電企業(yè)的靜態(tài)效率,由MAXDEA軟件實現(xiàn).實證結(jié)果表明,2008~2017年,27個省(自治區(qū)、直轄市)修正后的火電企業(yè)生產(chǎn)效率均未達到生產(chǎn)前沿面,僅北京、江蘇、山東、浙江、安徽5省(直轄市)火電企業(yè)效率一直高于全國平均水平,而黑龍江、湖南兩省火電企業(yè)效率一直低于全國平均水平.從火電企業(yè)生產(chǎn)效率排名情況分析,黑龍江省火電企業(yè)的生產(chǎn)效率表現(xiàn)最差,2009~2015年連續(xù)6年效率值排名最后.值得注意的是廣西、四川、云南3個省(自治區(qū))在2016年火電企業(yè)生產(chǎn)效率均出現(xiàn)斷崖式下跌,特別是云南省下跌了59.80%.從27個省(自治區(qū)、直轄市)的火電企業(yè)生產(chǎn)效率均值分析,最高值是2010年的0.938,2016年跌至0.797,跌幅高達15.03%.從標準差分析,最小值是2011年的0.037,2016年高達0.122,提高212.82%.2008~2013年中國火電企業(yè)生產(chǎn)效率總體平穩(wěn),2013~2016年呈下降趨勢且省際差異擴大,2017年開始回升.

表2 2008年火電企業(yè)生產(chǎn)效率的偏差和置信區(qū)間

表3 火電企業(yè)2008~2017年靜態(tài)效率

續(xù)表3

按照傳統(tǒng)三大地帶分區(qū)方法,把27個省(自治區(qū)、直轄市)劃分到東部地帶、中部地帶、西部地帶.如圖1所示,2008~2017年東部地帶的平均效率一直高于中部地帶和西部地帶且高于全國平均水平,而西部地帶的平均效率除2009年外均低于全國平均水平.2008~2015年中部地帶與西部地帶火電企業(yè)的生產(chǎn)效率無顯著差異且低于全國平均水平,2016~ 2017年略高于全國平均水平.2016年三大地帶的平均效率均大幅度下跌,特別是西部地帶下降幅度高達20%.2008~2017年三大地帶平均效率的變動情況為東部地帶平穩(wěn),中部地帶次之,西部地帶變動幅度最大.

1.4.2 火電企業(yè)動態(tài)效率評價實證結(jié)果 運用全局參比Bootstrap-Malmquist模型評價決策單元考察期內(nèi)的生產(chǎn)效率變化情況,同樣由MAXDEA軟件實現(xiàn).27個省(自治區(qū)、直轄市)的Malmquist指數(shù)在2008~2017年期間都出現(xiàn)了小于1的情況,說明無一省(自治區(qū)、直轄市)火電企業(yè)生產(chǎn)效率持續(xù)提高.按照傳統(tǒng)三大地帶分區(qū)的東中西部的均值也無顯著差異,其原因在于全局參照的Malmquist指數(shù)是各期基于同一生產(chǎn)前沿面下當期效率與上期效率的比值,不同時點的Malmquist指數(shù)的基期不同,故直接比較不同時點的Malmquist指數(shù)無實際意義,限于篇幅具體數(shù)據(jù)未列出.根據(jù)全局參照Malmquist指數(shù)的可傳遞性,為更好的分析各省(自治區(qū)、直轄市)生產(chǎn)效率變化情況,將2008~2017年當期與上期比較的Malmquist指數(shù)轉(zhuǎn)化為以2008年為基期的Malmquist指數(shù).轉(zhuǎn)化方法如以下公式:

以2008年為基期,各省(自治區(qū)、直轄市)的Malmquist指數(shù)如表4所示.只有安徽、河南、湖北、內(nèi)蒙古4省(自治區(qū))火電企業(yè)生產(chǎn)效率一直保持在2008年水平之上,占比僅為14.81%,遼寧、吉林、甘肅3個省的生產(chǎn)效率一直低于2008年水平.從27個省(自治區(qū)、直轄市)的Malmquist指數(shù)變化情況的均值分析,最高值是2011年的1.077,比2008年提高了7.7%,2013年以后呈下降趨勢,2016年跌至最低點,僅為0.936,比2008年降低了6.4%,2015~2017連續(xù)三年低于2008年水平.從標準差分析,2013年以后27個省(自治區(qū)、直轄市)的Malmquist指數(shù)變化情況之間的差距整體呈上升趨勢,2017年高達0.142,比2008年提高了61.36%,說明27個省(自治區(qū)、直轄市)的Malmquist指數(shù)在2013年以后呈下降趨勢且省際差距逐漸擴大,與靜態(tài)效率評價的結(jié)論基本保持一致.2008~2017年期間東部、中部、西部三大地帶的Malmquist指數(shù)變化情況與全國基本保持一致,中部地帶的Malmquist指數(shù)整體高于東西部地帶,與中部地帶2008年生產(chǎn)效率低有一定關(guān)系.

表4 火電企業(yè)Malmquist指數(shù)(以2008年為基期)

1.4.3 火電企業(yè)技術(shù)效率和生產(chǎn)技術(shù)變化結(jié)果 借鑒Fare R等[21]提出的分解方法,為進一步分析Malmquist指數(shù)變化的內(nèi)部原因,把修正后的Malmquist指數(shù)分解為技術(shù)效率變化(EC)和生產(chǎn)技術(shù)變化(TC).文章中技術(shù)效率變化主要是指決策單元在現(xiàn)有發(fā)電技術(shù)下,通過管理水平的改進優(yōu)化機器設(shè)備、原材料、生產(chǎn)工時等投入要素的資源配置水平以提高生產(chǎn)效率,生產(chǎn)技術(shù)的變化主要是指決策單元在現(xiàn)有管理水平下,通過生產(chǎn)工藝的改進和設(shè)備性能的提升降低資源消耗以提高生產(chǎn)效率.表5為以2008年為基期,2008~2017年技術(shù)效率和生產(chǎn)技術(shù)的平均變動情況.如前所述,2008~2017年期間東部、中部、西部三大地帶Malmquist指數(shù)變化趨勢基本保持一致,2008~2013年呈上升趨勢,2013~ 2016年不同程度的下降,根據(jù)分解的技術(shù)效率和生產(chǎn)技術(shù),發(fā)現(xiàn)技術(shù)效率的提高和生產(chǎn)技術(shù)的進步共同推動了2008~2013年生產(chǎn)效率的上升,而技術(shù)效率下降是導致2013~2017年生產(chǎn)效率下降的主要原因.生產(chǎn)技術(shù)也有一定的波動,除個別年份退步到2008年水平以下外,總體高于2008年水平.

表5 2008~2017年火電企業(yè)技術(shù)效率和生產(chǎn)技術(shù)變化的地區(qū)差異(以2008年為基期)

2 火電企業(yè)生產(chǎn)效率影響因素實證研究

2.1 火電企業(yè)生產(chǎn)效率影響因素模型

DEA模型把各決策單元與有效生產(chǎn)前沿面進行比較,判斷各決策單元的相對效率,決策單元的效率值介于[0,1]之間,效率值為1的決策單元并非無差異.因此,在回歸模型中把決策單元的效率值作為因變量,則因變量是部分連續(xù)和部分離散分布的數(shù)據(jù),采用普通最小二乘法(Ordinary Least Square, OLS)不再適用于估計回歸系數(shù),需建立受限因變量模型(Limited Dependent Variable Models),利用最大似然法(Maximum Likelihood, ML)估計回歸系數(shù)是較為合適的選擇.受限因變量模型一般表達式為:

DEA-Tobit兩階段模型在諸多領(lǐng)域的效率評價及影響因素分析中得到廣泛運用,但受限因變量模型源于對受限的調(diào)查數(shù)據(jù)分析,而DEA模型得出的效率值在內(nèi)涵上是否屬于受限因變量仍存有爭議.基于回歸結(jié)果穩(wěn)健性考慮,文章又以2008~2017年火電企業(yè)生產(chǎn)效率為因變量,采用最小二乘法估計回歸系數(shù),以檢驗Tobit模型回歸系數(shù)的可靠性.

2.2 指標選取與數(shù)據(jù)來源

影響火電企業(yè)生產(chǎn)效率的因素包括內(nèi)部因素和外部因素兩個方面,基于數(shù)據(jù)的可獲得性,文章選取以下幾個指標檢驗內(nèi)外部因素對火電企業(yè)生產(chǎn)效率的影響.(1)設(shè)備性能.設(shè)備性能越好,燃料利用率越高且非正常停工損失越少. (2)經(jīng)濟發(fā)展速度.經(jīng)濟發(fā)展速度越快對電力的需求越大,火電企業(yè)的設(shè)備利用率越高.(3)市場競爭程度.隨著清潔能源的開發(fā)利用,電力供應(yīng)市場競爭程度加劇,市場競爭越大,火電企業(yè)開工率越低.(4)政府對環(huán)境污染的重視程度.火電企業(yè)是環(huán)境污染的重要排放源,政府越重視環(huán)境問題,資金投入越多,有利于改進火電企業(yè)的生產(chǎn)技術(shù)水平.(5)碳排放權(quán)交易市場.碳排放權(quán)交易市場建立后,火電企業(yè)碳排放壓力增加,作為二氧化碳主要排放單位需要承擔更多的環(huán)境成本,火電企業(yè)需要在技術(shù)創(chuàng)新成本和環(huán)境成本之間決策,選擇技術(shù)創(chuàng)新可能提高生產(chǎn)效率,反之降低生產(chǎn)效率.火電企業(yè)生產(chǎn)效率影響因素及衡量指標具體描述如表6所示,原始數(shù)據(jù)來源于國研網(wǎng)數(shù)據(jù)庫.

火電企業(yè)生產(chǎn)效率影響因素回歸模型表達式:

式中,表示估計系數(shù);表示第幾個決策單元;表示時期;表示隨機誤差項.

表6 火電企業(yè)生產(chǎn)效率影響因素與衡量指標

2.3 火電企業(yè)生產(chǎn)效率影響因素實證結(jié)果

2.3.1 Tobit模型實證結(jié)果 2008~2017年27個省(自治區(qū)、直轄市)火電企業(yè)生產(chǎn)效率影響因素Tobit模型檢驗結(jié)果如表7所示,由EVIEWS8.0軟件實現(xiàn).從系數(shù)結(jié)果分析,自變量的系數(shù)符號均與預(yù)期一致.XN和虛擬變量系數(shù)為負,說明設(shè)備性能越差和建立碳排放權(quán)交易市場的試點省市火電企業(yè)生產(chǎn)效率越低;GDP、JZ、ZS系數(shù)為正,說明經(jīng)濟發(fā)展速度越快、市場競爭程度越低、政府越重視環(huán)境污染問題,火電企業(yè)生產(chǎn)效率越高.從統(tǒng)計值和顯著性水平值分析,XN、GDP、JZ的統(tǒng)計值在1%的水平上顯著,說明設(shè)備性能、經(jīng)濟發(fā)展速度、市場競爭程度是火電企業(yè)生產(chǎn)效率的顯著影響因素.ZS和的系數(shù)未通過顯著性檢驗,說明政府對環(huán)境重視程度和碳排放權(quán)交易市場的建立對火電企業(yè)生產(chǎn)效率有影響但不顯著.

2.3.2 面板數(shù)據(jù)固定效應(yīng)模型實證結(jié)果 Hausman檢驗用于確定面板數(shù)據(jù)回歸采用固定效應(yīng)模型還是隨機效應(yīng)模型.固定效應(yīng)模型中最小二乘虛擬變量法(LSDV)估計量無偏,廣義最小二乘法(GLS)估計量有偏.隨機效應(yīng)模型中LSDV和GLS估計量都無偏,但LSDV估計量有較大方差[29]. Hausman檢驗中原假設(shè)為采用隨機效應(yīng)模型,結(jié)果顯示,卡方檢驗(Chi-Sq.)統(tǒng)計值為23.041,自由度為5(自變量個數(shù))在1%的水平下顯著,拒絕采用隨機效應(yīng)模型.特別說明的是,王宇等[30]認為內(nèi)生性問題是所有科學研究領(lǐng)域都無法避免的問題,而對管理學來講幾乎不可能使用任何統(tǒng)計手段真正解決內(nèi)生性問題.研究火電企業(yè)生產(chǎn)效率影響因素時可能因遺漏變量導致內(nèi)生性問題,文章采用固定效應(yīng)模型可以消除不隨時間變化的遺漏變量,對其他內(nèi)生性問題修正有限,這也是文章研究的局限性.

表7 火電企業(yè)生產(chǎn)效率的影響因素-Tobit模型檢驗結(jié)果

注:*** 表示統(tǒng)計值在1%的水平上顯著.

固定效應(yīng)模型檢驗結(jié)果如表8所示,回歸方程的統(tǒng)計量在1%水平上顯著,說明模型中解釋變量聯(lián)合起來對被解釋變量有顯著影響.-squared值為0.413,說明模型中五個影響因素可以解釋41.3%的火電企業(yè)效率變異,擬合效果較好.與Tobit模型檢驗結(jié)果相比,僅虛擬變量系數(shù)的顯著性存在較大差異,可能與建立碳排放權(quán)交易市場的試點省市數(shù)量少、時間短有一定關(guān)系,隨著全國碳排放權(quán)交易市場的建立和時間的推移,碳排放權(quán)交易市場對火電企業(yè)的節(jié)能效率影響程度需要進一步驗證;固定效應(yīng)模型檢驗的其他變量的系數(shù)方向和顯著性與Tobit模型結(jié)果基本一致,說明設(shè)備性能、經(jīng)濟發(fā)展速度、市場競爭程度是火電企業(yè)生產(chǎn)效率的顯著影響因素,而政府對環(huán)境污染的重視程度影響火電企業(yè)生產(chǎn)效率但不顯著.結(jié)合靜態(tài)效率結(jié)論,選取具有典型性的云南省為例,進一步驗證影響因素實證結(jié)果的可靠性.2008~2017年云南省火電企業(yè)效率最高值為2009年的0.961,最低值為2016年的0.367.2009年云南省火電企業(yè)自用電率、GDP增長速度、火電企業(yè)發(fā)電量占比分別是6.52%、12.10%、48.85%,考察期內(nèi)排名分別為1、4、1,而2016年三項指標分別是7.77%、8.70%、7.71%,排名均為第9,較直觀的解釋了設(shè)備性能、經(jīng)濟發(fā)展速度、市場競爭程度對火電企業(yè)生產(chǎn)效率的影響.

表8 火電企業(yè)生產(chǎn)效率影響因素-固定效應(yīng)模型檢驗結(jié)果

注:*** 、**分別表示統(tǒng)計值在1%和5%的水平上顯著.

3 結(jié)論與不足之處

3.1 結(jié)論

3.1.1 靜態(tài)效率評價結(jié)果 2008~2017年,27個省(自治區(qū)、直轄市)修正后的火電企業(yè)生產(chǎn)效率均未達到生產(chǎn)前沿面,僅北京、江蘇、山東、浙江、安徽5省(直轄市)火電企業(yè)效率一直高于全國平均水平,而黑龍江、湖南兩省火電企業(yè)效率一直低于全國平均水平;全國火電企業(yè)生產(chǎn)效率2008~2013年總體平穩(wěn),2013~2016年均值呈下降趨勢且省際差異有擴大趨勢,2017年開始回升;2008~2017年東中西三大地帶火電企業(yè)效率和平穩(wěn)性呈現(xiàn)東部最優(yōu)、中部次之、西部最差的格局.

3.1.2 動態(tài)效率評價結(jié)果 2008~2017年,27個省(自治區(qū)、直轄市)的Malmquist指數(shù)都出現(xiàn)小于1的情況,說明無一省(自治區(qū)、直轄市)火電企業(yè)生產(chǎn)效率持續(xù)提高;以2008年為基期,只有安徽、河南、湖北、內(nèi)蒙古4省(自治區(qū))火電企業(yè)生產(chǎn)效率一直保持在2008年水平之上,而遼寧、吉林、甘肅3省的生產(chǎn)效率一直低于2008年水平;技術(shù)效率的提高和生產(chǎn)技術(shù)的進步共同推動了2008~2013年生產(chǎn)效率的上升,而技術(shù)效率下降是導致2013~2017年生產(chǎn)效率下降的主要原因.

3.1.3 影響因素實證結(jié)果 設(shè)備性能、經(jīng)濟發(fā)展速度、市場競爭程度是火電企業(yè)生產(chǎn)效率的顯著影響因素;政府對環(huán)境污染重視程度和碳排放權(quán)交易市場對火電企業(yè)生產(chǎn)效率影響有限;基于穩(wěn)健性考慮,運用普通最小二乘法估計回歸系數(shù)的固定效應(yīng)模型檢驗結(jié)果與運用最大似然法估計回歸系數(shù)的Tobit模型檢驗結(jié)果基本一致.

3.2 研究不足之處

火電企業(yè)的生產(chǎn)效率與影響因素研究存在不足之處:①鑒于數(shù)據(jù)獲取的局限性,火電生產(chǎn)效率模型中投入指標沒有考慮全部生產(chǎn)要素,產(chǎn)出指標未考慮二氧化碳排放量;②由于量化難度,火電生產(chǎn)效率影響因素模型中未考慮其他因素,可能因遺漏變量導致模型存在內(nèi)生性問題,而面板數(shù)據(jù)內(nèi)生性檢驗和修正存在局限性.全國碳排放權(quán)交易市場正式運營后,火電企業(yè)二氧化碳排放量將會公布,二氧化碳排放量作為非期望產(chǎn)出納入效率評價體系可以更全面的反映火電企業(yè)的經(jīng)濟效益和環(huán)境效益.隨著時間推移和覆蓋范圍的擴大,碳排放權(quán)交易市場對火電企業(yè)生產(chǎn)效率的影響也值得持續(xù)關(guān)注.

4 建議

4.1 政府層面

當前火電行業(yè)嚴重產(chǎn)能過剩,而火力發(fā)電設(shè)備容量仍在逐年上升,因此必須嚴控新增火電企業(yè)或機組的審批,對有電力缺口的省份,優(yōu)先發(fā)展清潔能源發(fā)電項目,進一步完善跨省區(qū)電力互濟、電量短時互補機制.同時,應(yīng)當挖掘新的經(jīng)濟增長點帶動電力需求的上升,特別是中西部地區(qū)需進一步優(yōu)化產(chǎn)業(yè)結(jié)構(gòu),把發(fā)展第二產(chǎn)業(yè)特別是現(xiàn)代制造業(yè)作為重中之重,即化解產(chǎn)能過剩問題又帶動經(jīng)濟發(fā)展,而不是盲目發(fā)展第三產(chǎn)業(yè),無第二產(chǎn)業(yè)的支撐,第三產(chǎn)業(yè)如同無源之水無本之木.

4.2 企業(yè)層面

設(shè)備性能老化、開工率不高的火電企業(yè)盡早擺脫政策性依賴,主動謀求出路或盡早關(guān)停.清潔能源豐富的地區(qū)市場競爭大,火電企業(yè)應(yīng)盡快轉(zhuǎn)型升級,比如配套發(fā)展現(xiàn)代制造業(yè)以解決發(fā)電量過剩問題.火力發(fā)電依賴程度高的地區(qū)在全國碳排放權(quán)交易市場開市前,應(yīng)做好碳排放量摸底工作,加大對已有機組的環(huán)保改造投資力度,提高機組的環(huán)境友好性,實現(xiàn)經(jīng)濟效益和環(huán)境效益雙贏.

[1] 李 眺.生產(chǎn)要素投入、電價規(guī)制改革與火電企業(yè)的效率-來自A股上市公司的隨機前沿證據(jù) [J]. 財經(jīng)研究, 2009,35(4):107-118. Li T. Productive factors, power price regulation reform and the efficiency of thermal power enterprises: stochastic frontier evidence from A-share listed companies [J]. Journal of finance and economics, 2009,35(4):107-118.

[2] 李 姝.基于隨機前沿生產(chǎn)函數(shù)和省際面板數(shù)據(jù)的火電行業(yè)技術(shù)效率分析 [J]. 宏觀經(jīng)濟研究, 2015,(10):14-23. Li S. Technical efficiency analysis of thermal power industry based on stochastic frontier production function and provincial panel data [J]. Macroeconomics, 2015,(10):14-23.

[3] Vaninsky A. Efficiency of electric power generation in the United States: analysis and forecast based on data envelopment analysis [J]. Energy Economics, 2006,28(3):326-338.

[4] 白雪潔,宋 瑩.環(huán)境規(guī)制、技術(shù)創(chuàng)新與中國火電行業(yè)的效率提升 [J]. 中國工業(yè)經(jīng)濟, 2009,(8):68-77. Bai X J, Song Y. Environment regulation, technology innovation and efficiency improvement of Chinese thermal power industry [J]. China Industrial Economy, 2009,(8):68-77.

[5] 李 姝.基于Malmquist指數(shù)方法的火電上市公司全要素生產(chǎn)率增長來源分析 [J]. 宏觀經(jīng)濟研究, 2016,(10):112-120. Li S. Analysis of total factor productivity growth of thermal power listed companies based on Malmquist index method [J]. Macroeconomics, 2016,(10):112-120.

[6] 邵留國,何瑩瑩,張仕璟,等.基于網(wǎng)絡(luò)DEA的中國火電行業(yè)循環(huán)經(jīng)濟效率及影響因素研究 [J]. 資源科學, 2016,38(10):1975-1987. Shao L G, He Y Y, Zhang S J, et al. Circulation economic efficiency and its influence factors of China's thermal power industry based on network DEA model [J]. Resources Science, 2016,38(10):1975-1987.

[7] Barros, Pestana C, Wanke, et al. Efficiency in Angolan thermal power plants: evidence from cost structure and pollutant emissions [J]. Energy, 2017,130(4):129-143.

[8] 閆 丹.中國省域火電行業(yè)碳排放效率評價及空間相關(guān)性研究 [D]. 北京:中國地質(zhì)大學(北京), 2018. Yan D. Study on the evaluation and spatial correlation of carbon emission efficiency in China's provincial thermal power industry [D]. Beijing: China University of Geosciences (Beijing), 2018.

[9] 李 峰,何倫志.碳排放約束下我國全要素能源效率測算及影響因素研究 [J]. 生態(tài)經(jīng)濟, 2017,33(5):35-41. Li F, He L Z. Research on total factor energy efficiency measurement and its influential factors in China under the constraint of carbon emission [J]. Ecological Economy, 2017,33(5):35-41.

[10] Beyzanur C E, Selim Z, Dursun D. A two-stage analytical approach to assess sustainable energy efficiency [J]. Energy, 2018,164(8):822-836.

[11] 胡 妍,李 巍.區(qū)域用水環(huán)境經(jīng)濟綜合效率及其影響因素—基于DEA和Malmquist指數(shù)模型 [J]. 中國環(huán)境科學, 2016,36(4):1275- 1280. Hu Y, Li W. A study of water environment-economy integrated efficiency and its driving factors for regional water use based on a combination of DEA and Malmquist index [J]. China Environmental Science, 2016,36(4):1275-1280.

[12] 李淑瑩,俞雅乖.我國環(huán)境規(guī)制效率的動態(tài)演變及影響因素分析—基于超效率DEA-Tobit的研究 [J]. 科技與管理, 2018,20(3):79-85. Li S Y, Yu Y G. Research on environment regulation tendency and its influencing factors in China: Based on super- efficient DEA-Tobit [J]. Science-Technology and Management, 2018,20(3):79-85.

[13] 俞雅乖,劉玲燕.中國水資源效率的區(qū)域差異及影響因素分析 [J]. 經(jīng)濟地理, 2017,37(7):12-19. Yu Y G, Liu L Y. Regional differences and influence factors of water resource efficiency in China: based on super efficiency DEA-Tobit [J]. Economic Geography, 2017,37(7):12-19.

[14] 鄧光耀,張忠杰.基于網(wǎng)絡(luò)SBM-DEA模型和GML指數(shù)的中國各省工業(yè)用水效率研究 [J]. 自然資源學報, 2019,(7):1457-1470. Deng G Y, Zhang Z J. Study on industrial water use efficiency of Chinese provinces based on network SBM-DEA model and GML index [J]. Journal of Natural Resources, 2019,(7):1457-1470.

[15] 劉貫春,張 軍,豐 超.金融體制改革與經(jīng)濟效率提升—來自省級面板數(shù)據(jù)的經(jīng)驗分析 [J]. 管理世界, 2017,(6):9-22/187. Liu G C, Zhang J, Feng C. Financial system reform and economic efficiency improvement in China: Some evidence from provincial panel data [J]. Management World, 2017,(6):9-22/187.

[16] 粟 芳,初立蘋.中國銀行業(yè)資金使用效率的測度及改進分析 [J]. 金融研究, 2015,(1):150-165. Li F, Chu L P. Efficiency of Chinese banking capital measurement and improvement of analysis [J]. Journal of Financial Research, 2015,(1): 150-165.

[17] Charnes A, Coopre W W, Rhodes E. Measuring the efficiency of decision-making units [J]. European Journal of Operational Research, 1978,6(2):429-444.

[18] Farrell M J. The measurement of productive efficiency [J]. Journal of the Royal Statistical Society, 1957,120(3):253-290.

[19] Chung Y H, Fare R, Grosskopf S. Productivity and undesirable outputs: A directional distance function approach [J]. Journal of Environmental Management, 1997,51(3):229-240.

[20] Malmquist S. Index numbers and indifference surfaces [J]. Trabajos de Estadística y Investigación Operativa, 1953,4(2):209-242.

[21] Fare R, Grosskopf S, Lindgren B, et al. Productivity changes in Swedish pharmacies 1980~1989: A non-parametric Malmquist approach [J]. Journal of Productivity Analysis, 1992,3(1/2):85-101.

[22] Pastor J T, Lovell C A K. A global Malmquist productivity index [J]. Economics Letters, 2005,(88):266-271.

[23] 李少林.2001~2012年全球23國新能源發(fā)電效率測算與驅(qū)動因素分析 [J]. 資源科學, 2016,38(2):321-332. Li S L. Research on calculation of new energy's power generation efficiency and analysis on its driving factors [J]. Resources Science, 2016,38(2):321-332.

[24] 周 江,李成東,張 鋆.基于Bootstrap-DEA方法的我國區(qū)際能源生產(chǎn)效率分析 [J]. 財經(jīng)科學, 2014,(5):124-130. Zhou J, Li C D, Zhang J. China's inter-regional energy production efficiency: based on bootstrap-DEA method [J]. Finance & Economics, 2014,(5):124-130.

[25] Simar L, Wilson P W. Sensitivity analysis of efficiency scores: how to bootstrap in nonparametric frontier models [J]. Management Science, 1998,44(1):49-61.

[26] Kneip A, Simar L, Wilson P W. Asymptotic and consistent bootstraps for DEA estimators in nonparametric frontier models [J]. Econometric Theory, 2008,24(6):1663-1697.

[27] Efron B. Bootstrapping methods: another look at the jackknife [J]. Breakthroughs in Statistics, 1979,(7):243-267.

[28] 馮 蕾.2005~2007年我國省際能源效率研究—基于DEA方法非意愿變量CRS模型的測度 [J]. 統(tǒng)計研究, 2009,26(11):31-35. Feng L. Study on China's energy efficiency of 2005~2007: a measure using DEA nondiscretionary CRS model [J]. Statistical Research, 2009,26(11):31-35.

[29] 李子奈,葉阿忠.高級應(yīng)用計量經(jīng)濟學 [M]. 北京:清華大學出版社, 2012. Li Z N, Ye A Z. Advanced applied econometrics [M]. Beijing: Tsinghua University Press, 2012.

[30] 王 宇,李海洋.管理學研究中的內(nèi)生性問題及修正方法 [J]. 管理學季刊, 2017,2(3):20-47. Wang Y, Li H Y. Endogenous problems and corrections in management research method [J]. Quarterly Journal of Management, 2017,2(3):20- 47.

Study on production efficiency evaluation and influencing factors of China's thermal power enterprises.

ZHANG Ji-gang1,2, YANG Hong-juan1*

(1.Faculty of Management and Economics, Kunming University of Science and Technology, Kunming 650093, China；2.City College, Kunming University of Science and Technology, Kunming 650051, China)., 2019,39(11)：4910~4920

Based on provincial statistical data from 2008 to 2017, the production efficiency evaluation and influencing factors of China's thermal power enterprises were studied. Firstly, the DEA model modified by Bootstrap method was employed to study the static efficiency of thermal power enterprises; Secondly, the dynamic efficiency of thermal power enterprises by integrating the transitivity of the global reference Malmquist index was studied; Finally, Tobit model was used to study the factors affecting the production efficiency of thermal power enterprises, and the fixed effect model was used to verify the reliability of test results in consideration of robustness. The empirical results of efficiency evaluation show that neither was a single province's (autonomous region or municipality) production efficiency of thermal power enterprises at the production frontier from 2008 to 2017, nor did it continue to improve. The production efficiency of China’s thermal power enterprises was relatively stable from 2008 to 2013, it presented a downward trend and the inter-provincial differences were gradually amplified from 2013 to 2016, and it rebounded in 2017. From 2008 to 2017, the efficiency and stability of thermal power enterprises in Eastern, Central, and Western China presented that the best in the east, followed by the central, and the worst in the west. The empirical results for influencing factors indicated that equipment performance, economic development speed and degree of market competition were three key factors determining the production efficiency of thermal power enterprise; government's emphasis on environmental pollution and the carbon emission trading market had limited impact on it.

thermal power enterprise；bootstrap method；DEA-Tobit model；production efficiency；influencing factor

X321

A

1000-6923(2019)11-4910-11

張吉崗(1984-),男,山東聊城人,昆明理工大學講師,昆明理工大學博士研究生,研究方向為可持續(xù)發(fā)展.

2019-04-24

國家自然科學基金資助項目(71463034);云南省院省校合作項目(SYSX201702)

*責任作者, 教授, 939738277@qq.com