中国工业领域能源生产力评价 Construction and case analysis of energy productivity uation system in industry field 上海交通大学 Shanghai Jiao Tong University 2017年6月20日 项目信息 项目资助号G-1509-23752 Grant Number G-1509-23752 项目期 09/01/2015 - 08/31/2016 Grant period 09/01/2015 - 08/31/2016 所属领域工业 Sector Industry 项目概述 针对中国工业能耗在国民经济总能耗占比大的特点，项目选择我国工业领域开展能源生产力指标体系研究。项目通过建立中国工业领域能源生产力评价体系，选择上海市作为城市代表进行工业领域能源生产力评价，并确定上海市工业领域2030能源生产力目标。以此为基础探索如何优化能源消费方式、提高能源生产力，促进经济的持续增长和能源可持续发展，形成上海市中长期能源生产力目标及实施途径政策建议。项目会选择典型工业园区进行案例分析以进一步在政府、企业、公众之中推广能源生产力这一概念。项目将对能源生产力评价在我国的推广、应用起到重要的促进作用，通过能源生产力这一评价体系的广泛应用全面综合的评价我国工业领域的能源使用状况，真正实现能源消耗降低、经济发展、环境排放降低、社会福利提高等多方的多赢结果。项目的实施不仅对我国工业领域能源生产力评价体系的应用以及节能减排将起到示范作用，从而促进工业领域提高能源生产力；同时将对能源生产力这一评价指标体系在全国乃至各地区、各个行业的应用起到重要引领作用。 Project Discription The assessment index and ology of energy productivity in Chinas industrial sectorwill be established in this project. Medium and long-term energy productivity targets and the implementation of the policy recommendations for Shanghai will be ed by using the assessment index and ology. On the basis of this, it explores how to optimize energy consumption patterns, increase energy productivity, promote sustainable economic growth and energy sustainable development. Case analysis of the typical industrial park, it can further promote the extention the concept of energy productivity in the government, enterprises and the public. Project cution play an important promoting role on the popularization and application of energy productivity assessment in China. Chinas industrial sector energy use status can be uated comprehensively be the energy productivity assessment system build in this project. And also truly realize the reduction of energy consumptionand environmental emissions, improving the economic development and social welfare, and harvest ther multi-party win-win results. Project implementation of the energy productivity uation in the popularization and application of our country to an important role in promoting, through energy productivity in the uation system of the widely used comprehensive uation of Chinas industrial sector energy use situation, the real energy consumption decreased, reduce the economic development, environmental emissions, improving social welfare and other multi-party win-win results. The implementation of the project will not only have a demonstration effect on the assessment system of energy productivity in the industrial field, but also can promote the industry to improve the energy productivity. At the same time, the assessment index system of energy productivity will play an important leading role in the industry sector and even the whole country. 项目成员黄震、谢晓敏、于立军、张庭婷、姚丽珍、李加良、钟蓉、王黎明、郝存、夏淳 Project team Zhen Huang, Xiaomin Xie, Lijun Yu, Tingting Zhang, Lizhen Yao, Jialiang Li, Rong Zhong, Liming Wang, Cun Hao, Chun Xia 关键词 能源生产力，工业领域，评价体系 Key Word Energy productivity, Industry field, uation system 本报告由能源基金会资助。 报告内容不代表能源基金会观点。 This report is funded by Energy Foundation. It does not represent the views of Energy Foundation. i 摘 要 节能减排，实现低碳经济发展，已经成为当前国际社会应对气候变化所关注的焦点。2015年中国政府提出了明确的节能减排目标，并承诺到2030年使单位国内生产总值二氧化碳排放比2005年下降60～65。要实现已制定的节能减排目标，需要在科学分析中国经济发展、能源消费与排放的特征及其区域差异的基础上，制定科学的区域节能减排发展战略。工业在产业结构中虽然占据的比例不是最高，但其能源消耗占比却是最高的。囿于传统能源强度、能源效率等指标在评价行业发展的局限性，本研究以工业领域为研究对象，提出用能源生产力来衡量工业经济发展，旨在最大化工业产出的同时，还能减少投入、降低排放。 为此，本研究基于数据包络分析（DEA）和随机前沿（SFA）的方法，建立了基于全要素理论的能源生产力评价方法，并用该方法分别对“十五”、“十一五”和“十二五”期间中国各省区工业领域以及上海市各类工业行业的能源生产力变动及其影响因素进行了研究。所考虑的投入要素包括资本、劳动力、能源，产出要素包括期望产出工业增加值以及非期望产出CO2。在对比不同方法的基础上，本报告选用合适的方法对上海市某一工业园区的能源生产力进行了典型性分析。最后，报告还预测了2030年上海市工业能源生产力，并预测了达到该能源生产力下上海市的工业领域CO2排放量。 DEA方法下得到的有关结果如下 首先，规模效益不变（CRS）假设下的工业生产效率小于或等于规模效应变化（VRS）假设下的工业生产效率；非期望产出CO2作为投入处理时的工业生产效率小于或等于作为副产出处理时的工业生产效率。 其次，对中国各省市工业能源生产力的实证结果表明中国工业领域能源生产力的提高受技术进步的驱动，当CO2作为投入时，碳排放-能源比对能源生产力的提高起抑制作用；从地区分布来看，中国东部沿海地区工业能源生产力相对较高，西部地区则相对较低，并且在“十二五”期间这种差距有拉大的趋势，反映出中国地区发展的不均衡性；从影响因素分解结果可知，资本投入对中国能源生产力的提高也有重要的促进作用；能源投入在“十一五”期间对所有经济区域工业能源生产力提高表现为ii 抑制作用，但到“十二五”期间这种抑制作用减小，并且部分地区表现为促进作用。 再者，从上海市各类工业行业的能源生产力变动结果可知技术进步和资本投入对上海能源生产力的提高都起到了促进作用，当CO2作为投入处理时，碳排放-能源比在一定程度上限制了能源生产力的提高；劳动力投入和产出结构对上海市工业能源生产力的影响较小；能源投入对上海工业中的制造业从2009年以来起到重要的促进作用，但对电力、热力、燃气及水生产和供应业起抑制作用。此外，从能源生产力水平方面来看，工业产业附加值越高，其能源生产力也越高。能源密集型工业产业能源生产力提高的主要阻力来源于能源结投入和碳排放。 SFA得到的主要结果如下 首先，采用参数法中的随机前沿分析法对我国各省市工业领域的能源生产力进行了实证研究。结果表明，资本和劳动力是我国工业能源生产力的驱动性因素，而能耗和碳排放则是抑制因素；在“十五”到“十二五”三个时期里，我国工业领域的平均生产技术效率水平较高，实际产出接近最佳前沿面产出，其中，平均技术效率水平最高的是上海，其次为北京。 其次，基于随机前沿分析法对上海市工业领域33个子行业进行了能源生产力实证分析。结果表明，资本是上海市工业能源生产力增长的主要驱动因素，而能耗和碳排放是抑制因素；相对于生产前沿面来说，上海市工业领域的经济产出还有19的提升空间；电力、热力、燃气及水生产和供应业的技术无效率程度极高，生产点严重滞后于最优产出。 DEA和SFA两种方法的对比结果表明 两种不同的方法带来的结果不尽相同，DEA在处理面板数据时，表现出了该法的缺陷和不足。相对于SFA，DEA在处理不同行业时，有很大的局限性。SFA较为合适，可用作对能源生产力进行分解。 2030年上海市工业能源生产力和碳排放 基于索洛余值总量生产函数，采用回归预测法，预测了2020年上海市工业领域的能源生产力及碳排放情况。预测结果显示，按照当前的发展情形，到2020年，上海市工业领域的能源生产力将达到1.09，相比于2013年增长了37；碳排放强度将为0.97万吨/亿元，相比于2013年下降13.4。 2030年上海市工业可为国家实现二氧化碳减排承诺作出贡献。情景一中2030年iii 上海市工业领域的能源生产力为1.47亿元/吨标煤，相比2013年提高了83.8，碳排放为8063.31万吨，相比2013年增加了42.6，单位生产总值碳排放为0.82万吨/亿元，相比2013年减少了26.8；情景二中，2030年上海市工业领域的能源生产力为1.21亿元/吨标煤，相比2013年提高了51.3，碳排放为3619.59万吨，相比2013年减少了36.0，单位生产总值碳排放为0.53万吨/亿元，相比2013年减少了52.6。 iv Abstract To achieve low carbon economic development, energy saving and emission reduction has become the focus of the current international community to deal with climate change. In 2015, the Chinese government put forward a clear goal of energy conservation and emission reduction, and promised to make the carbon dioxide emissions per GDP decreased by 6065 by 2030 compared with that of 2005. To achieve the goal, a scientific energy conservation and emission reduction development strategy should be developed based on the scientific analysis of Chinas economic development. Although the proportion of industry in the industrial structure is not the highest, but its energy consumption accounts the highest of the total energy consumption. Due to the limitations of traditional uation index such as energy intensity, energy efficiency and others, the index of energy productivity EP was proposed in this study to measure the development of industrial economy, for the purpose of maximizing industrial output, reducing , and reducing emissions. Therefore, this study established an uation system of total factor energy productivity by using envelopment analysis DEA and stochastic frontier analysis SFA . Empirical analysis were conducted with this to uate the EP and related influence factors of industry in China and Shanghai during “10th Five-Year”, “11th Five-Year”, and “12th Five-Year”. In this model, the factors considered include capital, labor, energy, while the output factors include the expected output value like industrial added value and the unexpected output of CO2. Based on the comparions of different , a typical analysis was conducted on an industrial park in Shanghai as well. Besides, the energy productivity and carbon emission for Shanghai’s industry in 2030 were also predicted. Results from DEA analysis The results of the energy productivity uation model showed that the energy production efficiency under assumption of constant return to scale CRS is less than or equal than that of variable return to scale; the industrial production efficiency under the condition of treating undesirable output CO2 as is less than or equal than that of treating it as byproduct. v The empirical analysis on China’s provincial industrial energy productivity showed that technical change was the main driving force to the EP improvement, while the ratio of carbon emission to energy inhited the EP improvement when CO2 was treated as . From the point of regional distribution, industrial EP in eastern coastal area of China was relatively high, while in the western region, EP was relatively low. Meanwhile, the gap is widening during the “12th Five-Year“ period, which reflecting the imbalance of regional development China. The influence factor decomposition results showed that the capital has important promoting role to the EP, energy showed inhibitory effect to all the regional industrial EP in the “11th Five-Year“ period, but in the “12th Five-Year“ period, it showed promoting effects for some region. The Shanghai’s EP results showed that technical change, and capital have positive role to the EP change, while the ratio of carbon esmission to energy has negative role to the EP change. Labor and output structure have little effect on Shanghais industrial energy productivity. Energy structure was positive to Shanghai’s manufacturing industry since 2009, but inhibit to electricity, heat, gas and water production and supply industry. In addition, from the perspective of EP levels, the higher the industrial added value, the higher its energy productivity. The main resistances to EP increase of energy intensive industries were attributed to energy structure, and carbon emissions. Results from SFA analysis Firstly, the stochastic frontier analysis is used to study the industrial energy productivity of provinces and cities in China. The results show that capital and labor force are the driving factors of industrial energy productivity in China, while energy consumption and carbon emission are the inhibitory factors. During the three period, 10th Five-Year, 11th Five-Year and 12th Five-Year, the average level of Chinas industrial technical efficiency is high, the actual output is close to the frontier output. What’s more, Shanghai has the highest average level of technical efficiency, followed by Beijing. Secondly, based on the stochastic frontier analysis, this paper analyzes the energy productivity of 33 sub-sectors in Shanghais industrial sector. The results show that capital is the main driving force of industrial energy productivity in Shanghai, while energy consumption and carbon emission are the inhibiting factors. Compared with the frontier of production, there are still 19 improvement in space for Shanghai’s industrial economic vi output. Electricity, heat, gas and water production and supply industries have a high degree of technical inefficiency, and their productive points seriously lag behind the optimal output. The comparison of results between DEA and SFA The results fo the two s are different. DEA shows the defects and shortcomings when dealing with the panel data. Compared SFA, DEA has great limitations in dealing with different industries. SFA is appropriate and can be used to decompose energy productivity in this study. Energy productivity and carbon emission for Shanghai industry in 2030 Based on the Solow residual value production function, the energy productivity and carbon emission of Shanghai industry in 2020 are forecasted by regression . The forecast results show that, according to the current development, Shanghais industrial energy productivity will reach 1.09 in 2020, a 37 increase compared to 2013. By 2020, carbon intensity will be 0.97 10000t per 0.1billion yuan, down 13.4 compared to 2013. In 2030, Shanghais industry could contribute to the countrys commitment to achieve carbon dioxide reduction. The results in Scenario 1 showed that the energy productivity and carbon emission were 83.8 and 42.6 higher than that in 2013, while carbon emission per GDP were 26.8 lower. In Scenario 2, the energy productivity was 51.3 higher than that in 2013, while the carbon emission and carbon emission per GDP were 36.0 and 52.6 lower than that in 2013, respectively. I 目 录 摘 要 i Abstract iv 目 录 . I 主要缩略词说明 V 第一章 绪论 . 1 1.1 引言 . 1 1.1.1 中国工业领域取得的成就 1 1.1.2 中国工业发展带来的环境问题 2 1.1.3 经济新常态下的工业发展目标 3 1.2 中国工业能源消耗与污染物排放 . 4 1.2.1 中国主要能源消耗现状 4 1.2.2 工业能源消耗 7 1.2.3 工业污染物排放 9 1.3 上海市工业能源现状 . 11 1.3.1 工业发展规模 11 1.3.2 工业能源消耗 12 1.3.3 工业污染物排放 14 1.4 能源生产力研究现状 . 15 1.4.1 能源生产力概念 15 1.4.2 能源生产力国际比较 17 1.4.3 主要国家能源生产力发展 18 1.5 本报告工作简介 . 20 1.5.1 研究意义 20 1.5.2 研究内容 21 第二章 研究方法与文献综述 . 23 2.1 相关文献综述 . 23 2.1.1 能源生产力研究方法 23 2.1.2 DEA方法国内外工作综述 . 24 2.1.3 SFA方法国内外工作综述 29 II 2.1.4 国内外研究评述 30 2.2 研究理论基础 . 31 2.2.1 参数法 31 2.2.2 非参数法 34 2.2.3 参数法和非参数法对比 34 2.2.4 本报告研究方法概述 36 2.3 SFA方法介绍 . 37 2.3.1 能源生产力模型设定 37 2.3.2 SFA实证模型 39 2.4 DEA方法介绍 40 2.4.1生产技术集合理论 . 41 2.4.2考虑副产出的Shephard产出距离函数 . 42 2.4.3考虑副产出的PDA数学模型 45 2.5 小结 . 55 第三章 基于DEA的工业能源生产力实证分析 56 3.1 全国各地区工业能源生产力分析 . 56 3.1.1 数据处理 56 3.1.2 能源生产力计算结果 57 3.1.3 不考虑副产出CO2的影响因素分解结果 58 3.1.4 考虑副产出CO2时的能源生产力分析 60 3.1.5 全国各省市工业能源生产力影响因素分析 73 3.2 上海市工业各行业能源生产力分析 . 78 3.2.1 数据处理 78 3.2.2 能源生产效率结果 81 3.2.3 工业分行业影响因素分解结果 84 3.2.4 一类行业影响因素分解结果 86 3.2.5 二类行业影响因素分解结果 93 3.3 小结 . 94 第四章 基于SFA的工业能源生产力分析 . 96 4.1 全国各地区工业能源生产力分析 . 96 4.1.1 随机前沿生产函数估计 96 III 4.1.2 无效率模型估计 98 4.1.3 中国工业领域技术效率分析 98 4.2 上海市工业各行业能源生产力分析 . 101 4.2.1 随机前沿生产函数估计 101 4.2.2 无效率模型估计 102 4.2.3 行业技术效率分析 103 4.3 上海市闵行区工业企业案例分析 . 105 4.3.1 SFA和DEA方法对比 . 105 4.3.2 上海市闵行工业园区案例分析 106 4.4 小结 . 110 第五章 上海市工业能源生产力及碳排放预测 . 112 5.1 预测模型设定 . 112 5.2 数据搜集与整理 . 114 5.2.1 能源生产力及能源输入 114 5.2.2 资本存量 115 5.2.3 劳动力投入与技术进步表征量 115 5.2.4 上海市工业领域碳排放 116 5.3 索洛余值模型估计与分析 . 116 5.3.1 模型估计结果 116 5.3.2 各投入要素对能源生产力的贡献率分析 117 5.4 2030年上海市工业领域相关指标预测 . 118 5.4.1 常用预测方法介绍 119 5.4.2 2020年上海市工业能源生产力预测 120 5.4.3 2020年上海市工业碳排放预测 121 5.4.4 2030年上海市工业能源生产力和碳排放预测 123 5.5 小结 . 125 第六章 主要结论与政策建议 . 127 6.1 主要结论 . 127 6.2 工作展望 . 130 6.3 政策建议 . 131 附录一 133 IV 参考文献 135 致谢 139 V 主要缩略词说明 Btu 英热单位（British Thermal Unit） CRS 规模效益不变（constant return to scale） DEA 数据包络分析（Data Envelopment Analysis） GDP 国民生产总值（Gross Domestic Product） GHG 温室气体（Greenhouse gases） IEA 国际能源署（International Energy Agency） Mt 百万吨（Million tonnes） Mtoe 百万吨石油当量（Million tonnes oil equivalent） PDA 生产理论分解解析（production-theoretical decomposition analysis） SBM 松弛变量测量（slacks-based measure） SFA 随机前沿分析（Stochastic Frontier Analysis） VRS 规模效益可变（variable return to scale） WRI 世界资源研究所（World Resources Institute） 1 第一章 绪论 1.1 引言 1.1.1 中国工业领域取得的成就 改革开放的三十多年以来，中国经济进入高速发展通道。近几年，中国经济一直保持持续快速发展，经济总量稳居世界第二位。国家统计局数据显示，1978年至2014年的37年间，中国国内生产总值（Gross Domestic Product，GDP）以年均9.48的速度增长，国内生产总值由1978年的3650.2亿元增长到2014年的636138.7亿元[1]。经济的发展是以能源作为巨大的推动力。统计数据可知，中国能源消费总量也从1978年的57144万吨标煤增加到2014年的425806万吨标煤[1]，相比1978年增加了6.5倍。图1-1表示了中国近15年来能源利用的相关情况。图中可以看出，以2000年的GDP为1，中国GDP指数呈现快速上升的趋势。随着能源利用技术的提高，尽管单位GDP能源消耗从1978年的15.5吨标煤/万元降低到2000年的1.47吨标煤/万元，再到2014年的0.66吨标煤/万元，但能源消费总量仍在持续增加。据预测，中国能源消费总量还将持续增长，预计2050年的能源消费总量在61.91108121.33108 tce，而峰值年份则出现在2035～2045 年[2]。 图1-1 中国近几年能源生产、能源生产、GDP指数及单位GDP能耗 中国工业领域取得成就也有目共睹。自改革开放以来，中国工业化进程可分为两个阶段第一阶段，1978年～1999年的结构纠偏、轻重工业同步发展阶段；第二阶0.240.681.24.601234567 单位GDP能源消耗（吨标煤/万元）指数 能源生产指数能源消费指数GDP指数单位能源消耗2 段，1999年至今，重化工业加速发展、产业结构高度化阶段。目前，中国已经进入工业化中后期阶段。从统计数据来看，1978年至2014年间，中国工业增加值占国内生产总值的平均比重约为39.61，其中比重最高的时期是1980年，为43.75，比重最低的时期是2014年，为35.87[1]。可见中国工业领域对中国国内生产总值有着巨大的贡献，中国工业在整个国民经济中占绝对主体地位。从GDP 增速来看，20102014 年中国GDP 的增长速度分别是9.2，7.8，7.7，7.3，而工业在20102014年间的平均增速是8.3，工业仍是拉动经济增长的主要动力之一。 工业经济腾飞不仅仅表现在规模上的壮大，技术进步也得到质的提升，技术结构由改革开放之初严重依赖技术引进发展至技术引进与自主创新并重。我国已拥有39 个工业大类，191个种类，525 个工业小类，按照联合国产业分类来看，中国也是全世界唯一拥有全部工业门类的国家，已经形成种类齐全的工业体系。近十年来制造业的快速发展，直接促进了我国经济发展的速度