我国电力产业技术效率剖析.docVIP

我国电力产业技术效率剖析 　　[提要] 本文运用三阶段DEA模型对我国电力产业技术效率及其影响因素进行实证分析。研究结果表明：在不考虑外部环境和随机因素情况下会高估我国电力产业技术效率。在剔除外部环境和随机因素影响后，多数地区电力产业技术效率值呈现下降趋势且多处于规模报酬递增阶段，通过扩大规模有利于电力产业效率提高。 　　关键词：电力产业；三阶段DEA；技术效率；纯技术效率；规模效率 　　中图分类号：F270 文献标识码：A 　　收录日期：2018年3月9日 一、引言 　　电力产业技术效率研究领域使用较多的方法是Chernes A和Aigner D J等提出的数据包络分析（DEA）和随机前沿方法（SFA）等分析方法。国外学者分别从产权结构、市场结构、价格规制等方面分析了电力产业的技术效率变化情况。国内学者自2002年电力改革以来，也对电力行业效率问题开展相关研究。Lam and Shiu最早使用DEA模型对我国1995～2000年火力发电产业的技术效率进行了研究。陶锋等与张各兴和夏大慰分别采用DEA和SFA分析方法，对我国电力产业技术效率进行了研究。 　　本文拟采用Fried等提出的三阶段DEA模型来评价我国区域电力产业技术效率，为我国电力产业改革提出更合理的建议。 二、三阶段DEA模型原理 　　第一阶段：传统DEA模型分析初始效率。将每个地区视为一个决策单元（DUM），选取一定的投入产出指标，利用投入导向的BCC模型，得出各DUM的效率值和投入松弛变量。 　　第二阶段：相似SFA分析模型。Fried等认为，通过传统DEA模型分析得到的松弛变量会受到来自外部环境、随机扰动和管理无效率三个因素的影响。为剥离以上影响因素，可以通过建立SFA模型来进行分析。 　　第三阶段：调整后的DEA效率分析。运用调整后的投入产出变量再次带入BCC模型，测算各决策单元的效率，此时的效率已经剔除环境因素和随机因素影响的真实效率状况。 三、变量选取和数据来源 　　（一）投入与产出变量的选取。在投入变量上选取资本、人力和?Y源作为三大投入要素。劳动力投入用当年年末电力生产行业就业人数表示，单位为人；资源投入选取电力生产标准煤耗表示，单位为万吨；资本投入采用各省（直辖市，自治区）的电力生产行业资本存量来表示，本文借鉴实证研究领域常用的“永续盘存法”来估计年末的实际资本存量，其中折旧率参考杨钟馗等的研究，选取5%作为电力产业固定资产折旧率，单位为亿元。产出变量选取各省（直辖市，自治区）发电量作为产出变量，单位为亿千瓦时。 　　（二）环境变量的选取。本文综合宏观和微观层面的影响，选取了以下三个环境变量： 　　1、技术进步，即各省火力发电量与各省发电总量之比。在环境规制愈发严格且清洁能源技术不断发展的环境下，分析电力生产的能源结构对于电力产业的技术效率影响尤为重要。 　　2、环境规制，即各地区工业二氧化硫排放量。由于目前我国火电仍占据相当比例，以减少二氧化硫排放为主要目标的环境规制，会影响到电力产业成本，进而对电力产业技术效率产生影响。 　　3、产业结构，即第二产业增加值占地区生产总值GDP的比重。由于第二产业为高耗能产业，其在各地区的发展将会对电力产业的效率产生影响。 　　（三）数据来源。本文选取2015年我国30个省、直辖市、自治区的数据作为样本（其中，西藏由于数据不完整未纳入样本范围）。依照传统的区域分类方法，本文将我国划分为东、中、西三大区域。数据来源于《中国统计年鉴2016》、《中国能源统计年鉴2016》、《中国劳动统计年鉴2016》、《中国电力统计年鉴2016》。 四、实证分析 　　第一阶段，传统DEA实证结果。本文第一阶段通过运用DEA2.1软件进行数据分析，得到各省市2015年电力产业技术效率值。在不考虑外部环境和随机误差的情况下，我国30个地区平均技术效率为0.87，平均纯技术效率为0.892，平均规模效率为0.974。为进一步确定纯技术效率是否为制约电力产业技术无效率的主要因素，本文将通过SFA回归分析，剔除外部环境和随机误差的影响，确定纯技术效率是否被低估，规模效率是否被高估。 　　第二阶段，SFA回归分析。通过第一阶段获得的投入变量理想值计算的投入变量的松弛变量，将三个环境变量作为自变量，代入frontier4.1软件进行回归分析，结果如表1所示。可以看出，通过第二阶段的SFA回归分析验证，三个外部环境变量对三个投入松弛变量LR值均通过了单边检验（临界值为7.045）。技术进步和产业结构对资本、劳动力和资源投入松弛变量均通过了显著性水平为1%的检验；环境规制对资本和资源投入松弛变量通过了显著性水平为1%的检验，对劳动力松弛变量通过了显著性水平为5%的检验。因此，有必要对外部环境变量和随意误差进行剔除，