3.1 能源效率的研究背景

能源效率是能源消费行为研究中的重要部分，它帮助我们从深层次了解资源的利用情况，并为政策的制定提供更多可靠信息。能源效率的相关政策在国际能源署（International Energy Agency）与能源信息部门（Energy Information Administration）中均备受关注，并且进一步引起人们对能源可持续问题和社会可持续发展的关注。从宏观背景层面，政府和社会意在减少单位能源投入产生的污染排放量。能源效率的提升对经济产出和环境保护都有不可忽视的作用。

现有能源效率的文献梳理主要注重效率的度量方法，不同度量方法根据产出与投入不同得到能源效率的不同形式。本节从经济学的研究范式以及能源效率的发展历程进行文献梳理，兼顾能源效率的研究方法和技术手段。

3.1.1 能源效率研究的起源

能源效率最早起源于能源需求函数，因此本节将梳理早期能源需求的相关文献。电力需求的研究最早出现在20世纪的西方国家。Houthakker（1951）运用英国42镇的数据，对19世纪30年代的用电情况及其月度变化进行统计与分析；Mount等（1973）研究美国48个州的居民用电行为，提出影响美国电力需求的五大因素分别是人口、收入、价格弹性、替代能源和互补能源。他们的研究将工具变量纳入对弹性的估算中，该方法在某些情况下弥补了最小二乘法的估算偏差。作为从微观视角研究能源需求的早期代表，Baker等（1989）主要基于英国家庭对天然气和电能的需求，并且扩展理论模型观测样本间弹性的差异，他们提出了家庭特征、收入、价格在微观家庭研究中的重要性。

除了以上对电能需求的早期研究以外，Halvorsen（1972,1975）的研究成果作为研究能源需求的经典文献，其最大贡献是通过构建能源需求函数估算商品长期的需求价格弹性，但是该文并没有直接提及能源效率。Hartman（1979）最早讨论能源效率的重要性和与技术相关的效率问题，并且明确给出前沿能源需求模型（Frontier Energy Demand Model）的定义，但是该文所提出的前沿模型并未直接运用到之后的研究中。因此该文仅作为能源效率理论开启的标志，此时对能源效率的分析尚缺乏实证研究及数据支持。

随后涌现了能源效率的定量研究，这些早期文献着眼不同视角的效率估算。其中大多数运用在不同国家的不同行业，并大多运用生产函数建模。在研究方法方面，这个时期的代表作主要有以下3篇文章：Aigner等（1977）通过定义一系列正态、半正态分布的变量，用计量模型系统归纳随机前沿函数方法；Jondrow等（1982）将随机项分解为两部分，从而运用随机前沿估计样本的非效性；Cornwell（1990）在模型中加入工具效率变量对美国航空行业的异质性进行非效率估算。

能源效率的研究对象在19世纪80年代开始扩展到世界各国，包括Battese等（1988）研究澳大利亚农村奶制品的生产效率函数；Pitt等（1981）估算印度尼西亚数据研究纺织业的平均效率为60%～70%，该文发现公司成立时间、规模和所有权是决定效率的重要因素。除了随机前沿函数在效率中得到运用以外，非参方法也开始涌现，例如数据包络分析（Data Envelopment Analysis）。

Patterson（1996）开始系统探索能源效率的概念和方法，该文认为能源效率可由一系列指数量化。本书主要包括4个研究角度，即热力学理论、物理热力学、经济热力学和经济学，并通过公式和理论比较多个指标的优劣。例如，研究发现热力学指数定义的能源效率在宏观领域的研究中非常有限；物理热力学仅局限于同一单位的能源效率之间的比较；经济热力学在宏观政策分析上虽然存在一定优势，但是当考虑一些技术因子时，该计算方式仍然有局限性。总体上，该文仅针对能源效率的概念、方法和计算公式，并没有相应的实证研究。不过，这篇文章在较早研究中首次给出能源效率的不同研究视角，并系统地提出能源效率概念，即表示用更少的能源投入生产相同的产品或者服务。

3.1.2 宏观视角的能源效率研究

继古典文献之后，能源效率的研究视角主要集中在国家和行业层面。能源经济学家很快将商品生产过程与经济学中的产出与投入模型相联系。据此，能源作为投入要素之一加入生产函数，并由投入-产出比值定义能源效率的高低。根据能效指标，大体上可将能源效率的研究归为单要素能源效率和全要素能源效率。前者仅仅计算能源投入与最终产出的比值，后者则将多个投入要素考虑在内，更适合于微观经济学研究。另外，全要素能源效率的优势主要是可以精确反映能源使用效率，因此我们发现大多文献考虑多要素的投入。当然全要素方法估计出的效率值具有相对性而非绝对性（杨红亮等，2008）。

在此基础上，研究行业的能源效率成为最主要的关注话题。国内外文献从生产角度探讨能源效率的论文包括（Battese et al., 1995; Boyd et al., 2000; Hu et al., 2006；史丹，2006；张伟等，2011）。值得一提的是，Boyd等（2000）率先实证研究能源效率。该文通过数据包络分析方法（DEA）对玻璃行业的生产效率进行深入考察，得出的结论是生产率与能源效率的紧密关系，并且每单位能源投入量的变化将引起产量和其他经济指标的变化。该论文标志着前沿生产函数成功运用到行业数据中。研究者假设高能耗企业的能源效率更低，在实证检验中发现虽然高能耗与低能源效率不完全等同，但是两者仍然有很强的相关性。随后，Buck等（2006）通过随机前沿的测算，关注加拿大商业大厦的能源效率。Boyd（2007）运用随机前沿生产函数获得玉米精炼工业的能源效率。Zhou等（2012）通过前沿生产函数估计OECD成员国的能源效率，发现参数估计相比非参数估计有更高的识别度。Hernandez-Sancho等（2011）则采用非参方法测量西班牙污水厂的能源效率并挖掘其效率决定因素，发现污水厂的能源效率仅为10%，并从经济学角度和二氧化碳排放形式估算提升能源效率带来的能源节省量。

与此同时，除了上面提及的生产角度的能源效率研究，还有从需求角度估算不同国家和行业的能源效率的，如Filippini等（2011,2012）从宏观数据出发研究能源效率。这两篇文章运用随机前沿函数分别计算美国和欧洲地区的能源消费额度，通过能源的额外耗费量估算能源使用效率。Filippini等（2013）研究发现中国29省1996—2008年的平均能源效率为0.78。Filippini等（2011）用参数随机前沿模型追踪经济合作与发展组织（OECD）中29个国家近30年的能源效率。这篇文章以传统计量方法及实证需求函数为基础，从最小化家庭能源需求的角度介绍能源需求函数的概念，即给定现有资源（包括收入、价格、各国气候、地域、工业结构和潜在能源需求），用前沿需求函数定义家庭合理范围内的最小能源消费量，并且确保该值不大于实际能源消费值。Zhou等（2008）采用DEA线性模型，将不同能源视为不同投入，测量21个OECD成员国的综合能源效率。Honma等（2007）研究日本全要素的能源效率，研究发现内陆地区和沿海地区的能源效率最高，并且能源效率与人均收入在日本呈U形关系。

近年来，随着国民收入和能源消费的大幅度提升，我国成为能源效率研究的焦点。然而中国长期面临高能耗和低产出的增长模式，有研究表明中国能源效率低于世界平均水平，而能耗量却是日本的7～9倍，是世界平均水平的3～4倍（魏楚等，2009）。能源的大量消耗和低效使用容易导致严重的环境污染和对能源的高度依赖，因此提高能源效率是保持我国经济稳健发展的关键。

现有文献中不乏宏观领域的中国能源效率研究：Zhou等（2012）, Wang等（2013）, Zhang等（2013）, Zhang等（2014）, Yao等（2015）。具体而言，Wei等（2007）考察了中国钢铁行业1994—2003年的能源效率变化，并发现不同省份在该行业的发展有其自身规律。他们得出的结论是中国钢铁行业在这十年间平均提升了60%的能效，然而省份间的能效差异变大。如主要为国有钢铁厂所在省份的能源效率提升缓慢且技术有下降趋势；相反，最大的私有钢铁厂所在的省份（河北和江苏）的能源效率显著提高。Chen等（2008）研究了中国农业的技术效率和技术差距。按照经济发展水平将样本分为四个区域，结果发现东北地区在共同前沿函数中的效率最高，然而该地区的效率平均值很低，这表明技术和知识在组内存在差异并对农业产出产生影响。Hu等（2006）同样采用DEA方法模拟水厂前沿线，从而探讨该行业1995—2002年的全要素能源效率。该文将能源作为继资本、劳动的第三大投入，分析中国29省的水能效率。研究结果表明，全要素的能源效率与人均纯收入存在U形关系，并且中国中部地区的能源消费总额超过全国总能源消费的一半，然而中部地区的能源效率最低。他们发现能源效率的提升与经济发展现状紧密相关，并指出提高水能效率的政策建议——引进核心技术。

除了以上行业方面的能源效率研究以外，地域的相关研究也层出不穷。魏楚等（2009）沿用了Hu等（2006）的研究方法，分别从产出和成本两个维度将35个国家的能源经济效率进行国际比较。他们得出的结论是中国属于能源效率相对低效的国家，其原因是因为中国的配置效率和规模效率较低。该文在跨国能源效率的研究中采用全要素生产率和DEA计算效率，并且提及运用微观数据的相关研究将更加精确。Wei等（2009）运用DEA分析1997—2006年中国各省份的能源效率，并进一步揭示能源效率与宏观经济的关系：发现效率与工业产值占GDP的份额显著负相关。该文还发现东部发达地区的能源效率远远高于中西部，以上差异的主要原因是工业结构、政府干预、能源结构和技术支持的区域差异。Lin等（2015）采用共同前沿函数的方法探索中国省份的能源效率，并且对能源效率的测量作了定量分析。该文将能源投入、资本和劳动力作为生产要素，然后通过推算得到影响能源的表达式，最终通过最优求解获得共同前沿函数和能源使用效率。该文估算出中国省份的能源效率平均值约为0.62，并发现东部省份的能源效率明显高于中部和西部地区，不过中部和西部的能源效率在逐年提升，并且与东部地区的差距在逐渐缩小。另外，东部省份能源效率相对较高的重要原因是技术支持，然而东部地区在如何有效使用技术方面的能力逐年下降。这篇文章将各省的生产要素考虑入内，从而更加精确地估算了能源效率。

以上研究给政策制定提供了多方面的重要建议，然而从家庭能源消费的角度探讨中国能源效率的研究几乎没有。

3.1.3 能源强度与能源效率

由于能源效率在行业研究中的复杂性，能源强度（Energy Intensity）的计算常见于能源效率评估中，即定义为能源投入与行业产出比。该方法需要以宏观产出作为分母以及准确的能源投入量作为分子。一般情况下，能源强度指数的降低意味着能源效率的提高（Liu et al., 1992; Ang et al., 2001; Boyd et al., 2004）。

一系列研究探讨能源强度的估算及其与效率的关系（Freeman et al., 1997;Greening et al., 1997; Worrell et al., 1997）。林伯强和杜克锐（2014）挖掘影响中国能源强度变化的驱动因素。周五七（2016）基于对工业能源强度的研究得出的结论是能源效率的增长对能源强度的下降有最直接的影响。Geller等（2006）采用同样能源强度指标衡量能源效率，这篇文章分析了过去30年OECD成员国在能源效率方面的提高，得出能源效率对政策的指导作用，其中美国在2002年因为能源效率提高节省了11%的能源消耗量。

然而有不少研究提出能源强度指标并不能很好地估算能源效率。Boyd（2007）在能源效率研究中不再简单描述能源产出比率，而是给能源效率制定某一基准，并将该基准理解为最优能源消费量。其中，基准的决定因素主要包括影响能源产出的物品或者服务。Filippini等（2011）指出能源效率与能源强度有明显的区别，两者在一些情况下相似，然而当环境发生变化时有可能变得截然相反。例如意大利的能源强度在1978—2006年有降低趋势，即从能源强度的角度理解为能源效率提高；然而通过潜在能源效率估算出意大利的能源效率在该时段持续下降。另外，根据能源强度的计算公式，意大利的能源效率一度领先其他国家，然而通过潜在能源效率计算其能源效率仅排第9。Filippini等（2012）从宏观角度估算美国48州居民的能源需求函数，从他们的研究结果中得出潜在的能源效率，同样也指出能源强度与能源效率有本质差别。该文明确地提出能源强度不能作为能源效率的代理变量，其原因是能源强度的多种测量方法可以用于估算能源效率，然而能源强度的变化趋势很多情况下是受其他因素影响而与效率无关。Boyd（2008）也指出能源强度在衡量效率中的类似不足，并将能源强度指数拆分为三部分，包括系统影响、非效率项和随机扰动项。不过，该研究其并非从能源产出比率的角度定义效率，而是寻找可观测的成功案例作为能源高效的标杆。

3.1.4 前沿函数的效率估算方法

Battese等（1995）, Zhou等（2008）, Zhou等（2012）的研究均通过构建前沿函数分析能源效率。其核心思路是计算样本到前沿线的距离，距离越远则表明该点离最优标杆越远，这也表示能源效率越低。概括起来主要包括以下能源效率前沿函数的研究方法：一种是参数法，例如限制最小二乘回归（Constrained OLS）和在20世纪80年代出现的随机前沿函数（Stochastic Frontier Analysis）；另一种是非参方法的线性编程，其代表方法为数据包络分析（Data Envelopment Analysis）。

Aigner等（1977）最早采用随机前沿函数（SFA）方法估算生产函数的投入效率。在计量模型中，将误差项分为干扰项和无效项两部分。随后，Jondrow等（1982）继续将SFA中的误差项分为两部分，进一步解决如何分解误差项的问题，主要采取通过整体误差项决定估算的无效项。Battese等（2002）也运用SFA的方法构建共同前沿函数。Boyd（2007）表示，当存在多个投入和产出时，首选SFA分析距离函数。

有很多研究在能源生产领域中运用到数据包络分析（DEA）方法，例如Byrnes等（1987）在煤矿开采业的研究；Coggins等（1996）与Yaisawarng等（1994）在电能和相关污染领域的探索；Pacudan等（2002）在电力分布领域的分析；Kashani（2005）在石油生产方面的研究；Huntington（1995）讨论DEA在能源效率领域中的实证模拟过程；Hu等（2010）用DEA方法估计全要素能源生产率，并且提出将能源生产指数分解为能源效率和可用能源技术部分。

数据包络分析（DEA）方法的优势主要体现在模拟过程中对产出值的多样性要求较低，并且可以通过技术效率更加精确地获得能源效率，但是由于计算过程非常烦琐和结果不够稳定，某种程度上限制了该方法在效率研究中的运用（魏楚等，2009）。另外，DEA方法对数据准确性有更高的要求。特别是在中国能效问题的研究中，由数据误差引起错误结果，因此DEA方法需要依赖更加严格的检验（杨红亮等，2008）。相比，SFA在微观领域更受青睐，因为随机前沿方法除了可以计算效率，还可以清晰描绘前沿线本身的特征和走向。不仅如此，SFA可以准确获取哪些因素引起样本效率的变化，从而避免像能源强度指数那样用整体产出代理能源效率。

在效率估算的实证方法背后存在分组估计效率的深层次原因。其主要缘由归根于样本间的异质性。这里以企业层面的数据为例，不同行业、地域和国家有完全不相同的生产函数，并且企业在不同的投入-产出集合中做出各自的最优选择。技术集合的不同作为不同行业和地域的最明显差异，其中包括资本、人力的不同，经济基础的不同，社会环境和客观情况的不同。以上的不同点促使研究者分别估计各组的前沿函数。相关文献包括Glass等（1995）, Lovell等（1997）, O'Donnell等（2002）。

在估测宏观能源需求函数时另一个可能存在的问题是GDP有内生性，特别是在研究发展中国家的能源消费，内生性存在的可能更大（Filippini et al.，2013）。Greene（2011）与Mutter等（2013）指出在SFA模型中内生性是很难估算的，特别是在非线性模型中的估算更加不易。SFA正是因为没有系统的办法检测内生性，从而在随机前沿的研究过程中很少考虑内生性问题。继而，Mutter等（2013）找出内生性在用SFA效率估测中的影响。该文的研究结果表明内生性问题的严重性取决于不同模型和数据，在宏观模型与非线性模型中存在的可能性更大。本章主要采用微观数据的线性模型估算能源效率，因此没有过分担忧SFA模型的内生性。然而本书的研究并非忽视内生性问题，而是从以上文献中找到了无须过度考虑内生性的证据。我们发现随机前沿函数方法在微观数据中运用时，内生性的可能性较少，即使存在，当前也没有有效办法解决此问题。对此，我们将运用更加严格的稳健性检验确保结果的准确性。

3.1.5 全样本的能源效率估算方法

在子样本估算的基础上，能源效率的研究仍然具备全样本估算的必要性和可能性。Battese等（2002）率先运用类似随机前沿函数的方式获得共同前沿函数，并分析可观测的产出与在共同函数中产出的差异。这种方法的一个弊端在于可能出现样本在共同函数下方的情况，从而与效率最大值为1的定义相悖。Battese等（2004）随后解决了以上问题。他们通过单一数据生成的办法将共同函数制定为各组前沿函数的下包络线。不过该文仍然只考虑随机前沿方法构建共同前沿函数。O'Donnell等（2008）的研究有重要意义：他们认为在子样本的前沿线基础上存在额外一条共同前沿函数作为所有分组前沿函数的下包络线。这篇文章运用数据包络分析（DEA）和随机前沿（SFA）的方法分别构建共同前沿函数，从而实现企业的前沿比较和异质性探索。Chen等（2008）在此基础上进一步通过共同前沿函数比较不同子样本之间的效率。Wang等（2013）将共同前沿函数的思想运用在中国的能源效率研究中，他们采用DEA模拟共同前沿函数，从而获得中国省份的能源效率。

跨组比较是否可行呢？外溢理论回答了以上问题（Coe et al., 1995;Audretsch et al., 1996; Cohen et al., 2002）。以上文章均表明存在一些不可观测的因素（例如生活方式、社会习俗和文化等）并且可以进行比较。计量经济学中证明除了各组的随机前沿函数之外，存在一条共同的前沿函数实现整体样本研究的可能。Bernstein（1998）展示加拿大行业内和行业间的研发外溢现象，发现行业间的外溢引起成本的减少量高于行业内的外溢，而且研发资本的需求受到外溢的影响。该文证实了行业间的显著外溢现象，此结论也证明组间存在可比性。