中國礦業能源生態效率差異及動態演進

王向前，夏詠秋，李慧宗，吳鑫雨

（1.安徽理工大學 經濟與管理學院，安徽 淮南 232001；2.南陽師范學院 計算機與信息技術學院，河南 南陽 473061）

采礦業是中國國民經濟中一個重要的先導性、基礎性的產業，為其他行業的發展提供能源、金屬及非金屬原材料，在國民經濟中的地位不言而喻。自然資源部中國地質調查局發布的《全球礦業發展報告2019》數據顯示，2018 年我國礦業產值占GDP 比例達7%，高于全球礦業產值占GDP 的比例6.9%。改革開放40 多年來，我國的經濟社會發展水平令世界矚目，這些都離不開采礦業的有力支撐，采礦業已經成為促進經濟發展的重要引擎。然而，伴隨著采礦業快速發展的同時，一系列的能源環境問題也日益凸顯。我國采礦業發展主要存在能源消費高、資源利用率低、開發集約化規模化程度不夠、碳排放量大、環境破壞嚴重等問題。據統計，我國小型及以下礦山占比88.4%，但產能占比不足40%，這些都與資源約束型發展模式背道而馳。《全國礦產資源規劃2016—2020》明確提出要加強礦產資源節約力度，提高其綜合使用水平。據《能源發展“十三五”規劃》指示，2020 年我國能源消費總量要控制在500 千萬標煤以下，并且單位GDP 能耗比規劃初年下降15%。為保障礦產資源生產供應集成優化，將傳統的粗放型發展模式轉變為效益型，實現我國采礦業的健康持續綠色發展的需要已經非常迫切。為此，對我國采礦業能源生態效率的探究和有效測度并挖掘行業差異，正確處理能源 經濟 環境之間的關系，幫助相關部門有針對性的制定對策，加快形成采礦業綠色生產體系，是當前需要展開系統研究的重要課題。

一、文獻綜述

能源生態效率意指在促進經濟增長的同時，以最少的能源投入和環境投入獲得最大的經濟產出。能源生態效率的測度方式通常有兩種：單要素能源生態效率和全要素能源生態效率。前者僅考慮經濟體的單個產出和能源投入的關系，后者是考慮多個產出（其中包含環境污染）與所有要素投入之間的關系，能更加全面地度量能源效率，因而被廣泛認可并使用。DEA（數據包絡分析）是衡量全要素能源效率的典型方法，由于其無需設定參數，能夠有效地將投入和產出指標多樣化等優點被廣泛應用于能源生態效率評價之中［14］。現有研究多是基于徑向、角度的DEA 模型測算各行業、各地區的能源生態效率，忽略了投入產出變量的松弛性問題，會造成測算結果誤差。為了克服徑向和角度帶來的結果不準確這一問題，Tone［5］在2001 年提出考慮松弛變量的非徑向、非角度的SBM 模型，在2003 年又擴展出可以處理非期望產出的SBM 模型［6］。較之一般的DEA 模型，該模型既可以解決投入產出要素中的松弛性問題，又可以較好地避免因為角度選擇帶來的測算結果不準確。李根等［7］、周敏等［8］、Flavia 等［9］、Li 和Lin［10］均使用SBM 模型研究各行業的能源生態效率。Malmquist 指數是常用的動態效率測算方法，但是Malmquist 指數法會受到徑向和角度的限制，并且不能處理“壞”產出。為此，Chung 等［11］基于DDF 提出了Malmquist Luenberger（ML）生產率指數。路小靜等［12］使用ML指數測度長江經濟帶旅游業的綠色生產率，發現技術進步貢獻了綠色生產率的提升；孟祥海等［13］利用基于非期望產出的ML 方法探究中國29 個省份的農業綠色全要素生產率動態演變及構成分析；馬駿等［14］運用ML指數分析江蘇省13 個城市的動態環境效率，研究發現技術進步促進了動態環境效率提升。這些研究都體現出運用Malmquist Luenberger 指數可以有效地探究中國能源生態生產率問題。

研究聚焦中國采礦業能源生態效率問題，目前學界已有一些關于采礦業能源 環境 經濟的研究。Zhu等［15］使用全球數據包絡分析探索了中國采礦業的綠色全要素生產率，得到結論技術進步是采礦業綠色全要素生產率增長的最大貢獻者，而規模效率和管理效率阻礙采礦業綠色全要素生產率增長；Wu 等［16］運用DEA討論了中國工業各個部門的能源環境效率，其中采礦業組未實現投入產出有效，并且各細分行業之間差異顯著，煤炭開采與洗選業效率最低；Li 和Lin［10］使用共同前沿SBM 分析法測量了比較了2003—2012 年中國22個重工業和12 個輕工業的能源生態效率，得到結論重工業的能源生態效率低于輕工業，其中煤炭開采和洗選業效率和非金屬礦物產品制造業最差。通過梳理相關文獻發現，當前從中國采礦業視角系統研究能源 經濟 生態問題的較少，而將采礦業劃分為6 個細分行業探究各個細分行業能源生態效率的研究更是少見。僅有的研究雖然具有一定的開拓性，可是仍然存在以下不足：一是采礦業的細分行業偏少，以往研究運用的方法難以解決決策單元（decision making unit，DMU）數量不足導致的效率評價失真問題，且沒有充分考慮到投入產出的松弛量問題；二是未能有效地考察采礦業能源生態效率的動態演進及影響機制。

基于此，本文在以下3 個方面進行了拓展：①數據相對較新，能夠更好地反映中國采礦業能源生態效率的近期發展；②以我國采礦業2007—2016 年的面板數據為樣本，引入SBM 模型將其與DEA 窗口分析法結合，較好地解決決策單元數量偏少和松弛變量影響的問題，測算我國采礦業的靜態能源生態效率；③將非期望產出CO2納入評價體系，構建Malmquist Luenberger 指數分析，考察我國采礦業能源生態效率的動態趨勢特征。

二、研究方法和指標說明

（一）非期望產出SBM 模型

非參數DEA 模型在測度效率方面應用廣泛，目前DEA 方法主要有CCR、BCC、SBM 等多種模型，而傳統的徑向模型設定投入或產出按照等比例進行縮減或者增加［17］，在評價決策單元效率時未考慮松弛量，且忽略了非期望產出的影響，會使得決策單元的真實效率值被高估［18］。Tone［5］提出SBM 模型，解決了松弛變量和非期望產出存在下的效率評價問題。假定有n個DMU，每個經濟主體利用m項投入（i=1，2，…，m）取得s項產出（r=1，2，…，s），投入和產出矩陣分別為X=(xij)∈Rm×n，Y=(yij)∈Rs×n。若本文的決策單元是DMU0，規模報酬可變，那么建立投入導向型的SBM 模型如下：

其中：p0表示效率值；λ=(λ1，λ2，…，λn)T為權重向量；為第i個投入的松弛量。p0取值在0～1。當p0=1 時，說明被評價DMU 強有效，位于效率前沿面，各投入松弛量為0。當p0接近于0 時，則說明被評價DMU 效率很低。

（二）DEA 窗口分析法

運用DEA 方法一般要求決策單元數是投入產出指標乘積的兩倍及以上，并且依據截面DEA 評價所獲得的效率值不能進行跨期比較。為了解決以上問題，Charnes 等［19］提出DEA 窗口分析法（DEA window analysis），不僅可以解決DMU 數量不足的問題，還將同一個決策單元的不同時期作為不同的決策單元，進而可以獲得更加真實的效率評價。本文的決策單元是采礦業整體及其6 個分行業，而投入指標有3 個，產出指標有2 個，決策單元數量偏少，運用窗口分析法可以解決DMU 數量不足導致的效率評價失真問題。

DEA 窗口分析法利用移動平均方法將樣本區間分為若干個窗口，計算同一時間點的同一決策單元在不同窗口下的效率值并將各窗口下的效率值進行算術平均，以此作為對應決策元的效率值。假設被研究對象有n個，研究的總時間長度為T，參考大多數研究，設定視窗寬度r為3，通過移動平均法建立T-r+1 個窗口，那么每一個窗口內有n×r個DMU。本文的觀察期為2007—2016 年，根據式（2），第1 個窗口w1為（2007，2008，2009），第2 個窗口w2為（2008，2009，2010），第3 個窗口w3為（2009，2010，2011），第4 個窗口w4為（2010，2011，2012），第5 個窗口w5為（2011，2012，2013），第6 個窗口w6為（2012，2013，2014），第7 個窗口w7為（2013，2014，2015），第8 個窗口w8為（2014，2015，2016）。窗口分析方法的計算公式如下：

（三）Malmquist Luenberger 指數

根據方向距離函數來定義Malmquist luenberger 生產率指數，Malmquist luenberger 需要定義相鄰兩個不同時期的方向性距離函數：

其中：x、y和b分別表示投入、期望產出和非期望產出；p(x)為產出集；g為方向向量。

根據Chung 和Fare［20］定義：關于t～t+1 期的ML 生產率指數為

（四）投入產出指標和數據處理

基于數據可得性，本文的樣本時間為2007—2016 年，研究對象為采礦業整體及6 個細分行業。根據中華人民共和國國家統計局（NBSC）的行業分類，中國采礦業主要包含煤炭開采和洗選業、石油和天然氣開采業、黑色金屬礦采選業、有色金屬礦采選業、非金屬礦采選業、開采輔助活動和其他采礦業。由于2012 年才公布開采輔助活動的官方統計數據，為了數據統計的連貫性，所以不考慮開采輔助活動。因此，本文的采礦業包括6 個細分行業：煤炭開采和洗選業（DMU1）、石油和天然氣開采業（DMU2）、黑色金屬礦采選業（DMU3）、有色金屬礦采選業（DMU4）、非金屬礦采選業（DMU5）及其他采礦業（DMU6）。投入產出變量及數據處理見表1。

通過以上方法獲得了2007—2016 年采礦業分行業能源生態效率分析所需要的關鍵指標和數據，進行簡單的描述統計，具體結果見表2。從表2 中可以看出各行業之間的投入產出變量存在較大差異，兩極分化現象明顯。CO2指標的離散程度較大，工業銷售產值、能源消費總量和固定資產凈值3 個指標的離散程度相近，而從業人員平均人數指標的離散程度最小。

表1 中國礦業能源生態效率投入產出指標

表2 樣本投入產出變量描述性統計（2007—2016 年）

三、實證分析

（一）采礦業靜態能源生態效率分析

基于非期望產出的窗口分析SBM 模型，對我國2007—2016 年的采礦業及其6 個細分行業在8 個窗口下的能源生態效率及其歷年均值進行具體測算，各個細分行業的能源生態效率是其在重疊視窗內的能源生態效率均值。鑒于篇幅有限，本文以黑色金屬礦采選業為例，計算結果見表3，采礦業其他細分行業的計算結果與表3 類似。

從表3 可以看出，2007—2016 年間，黑色金屬礦采選業的能源生態效率值較高，2007—2012 年在波動式上升，2013 年開始實現了DEA 有效，表現出黑色金屬礦采選業在資源與環境的約束下實現了經濟效益和生態效益的平衡發展。表4 進一步分析了礦業整體及其6 個細分行業的能源生態效率水平，以評價礦業發展的投入產出效益。

表3 2007—2016 年我國黑色金屬礦采選業8 個窗口能源生態效率

表4 2007—2016 年我國礦業能源生態效率

由表4 可見，2007—2016 年，我國采礦業整體的能源生態效率水平不高，離最優生產前沿還有47.3%的改進空間，各行業均值依次為0.651、0.724、0.923、0.915、0.839、0.793，6 個細分行業差異顯著。從6 個行業來看，研究期內黑色金屬礦采選業能源生態效率最高，并且逐年接近有效生產前沿面，2013 年之后實現了DEA有效，表明黑色金屬礦采選業生產規模合理、技術水平較高，各項投入要素實現了最優產出。這可能由于近些年黑色金屬礦采選業內企業兼并重組活動較為活躍以及得益于鋼鐵行業產能去化的緣故。其次是有色金屬礦采選業、非金屬礦采選業，二者能源生態效率每一年都高于采礦業行業整體水平。進入21 世紀以來，我國有色金屬礦采選業快速發展，加大了技術方面的投資，積極響應國家去產能的政策，實現了高效率的資源開發利用，而2008 下半年國際金融危機的爆發使有色金屬行業下調產品價格，減少產量，國家出臺《有色金屬產業調整和振興規劃》推進產業整合提高有色金屬產業的資源配置效率。非金屬礦采選業在2007—2009年間能源生態效率較低，表明該段期間內我國非金屬礦物深加工能力較弱，產品附加值極低。2010 年之后一直處于較高前沿，一方面是由于行業投資規模的擴大使得非金屬礦產業新技術和新設備日臻成熟，提高了產業技術含量；另一方面是由于我國鼓勵建材行業綜合利用各種固體廢棄物代替天然礦物，促進了節能減排。排名第四的是其他采礦業，能源生態效率值波動幅度較大。其他采礦業指對地熱資源、礦泉水資源以及其他未列明的自然資源的開采活動。我國地熱資源開采與管理水平較高。礦泉水資源十分豐富且開采條件優越，產品生產技術起點高，但是由于企業規模小，行業集中度低、資源整合不完善等問題造成了嚴重的資源浪費。排名最后的是石油和天然氣開采業以及煤炭開采和洗選業，二者的能源生態效率值總體水平在采礦業中最低。多年來，我國采取的是“有油快流”的油氣資源開發政策，導致油氣產業重產量輕質量效益。煤炭行業長期的粗放式開采不僅造成了資源的浪費還帶來了嚴重的環境污染問題。盡管中國政府出臺了一系列有針對性的文件明確提出加強煤炭綠色開發和高效利用，但是煤炭開采和洗選業由于行業去產能、企業科研實驗室等研發機構技術產出的時滯等原因尚未實現高效的投入產出。

（二）投入產出冗余率分析

表5 給出了我國礦業整體及6 個細分行業投入和非期望產出的冗余率，可以為提高采礦業的能源生態效率提供參考。從行業整體來看，冗余率最高的是勞動投入，達到49.3%，能源投入和資本投入的冗余率也較高，均為46.3%。相比之下，CO2排放的冗余率較低，僅為8.2%。分行業來看，煤炭開采和洗選業的能源投入冗余率最高，達到了41.5%，是整個礦業行業中最高的。煤炭開采和洗選業是高耗能行業，重型工業結構還未徹底實現轉型。但煤炭開采和洗選業的CO2排放冗余率是礦業中最低的，僅為3.6%，說明煤炭開采和洗選業能源生態效率值低下的主要原因是投入過高，存在嚴重的資源浪費。石油和天然氣開采業的變量冗余率與礦業整體類似，勞動投入、能源投入、資本投入和CO2排放的冗余率分別為41.8%、11.8%、29.1%和10.5%，其勞動投入冗余率在分行業中最高，2012 年開始處于高冗余率，介于68%～80%。黑色金屬礦采選業是6 個行業中表現最好的行業，投入產出冗余率都不高，能源投入冗余率最低，高質量的人力資本配置和能源利用水平使黑色金屬礦采選業成為我國采礦業綠色可持續發展的示范行業。緊隨其后的是有色金屬礦采選業，勞動投入和資本投入的冗余率在各行業中最低，分別是2.2%和4.2%，但CO2排放的冗余率在各行業中排名第二（16.1%），能源投入的冗余率在各行業中排名第三（18.8%），說明有色金屬礦采選業能源投入過剩，未實現充分利用，存在大量的浪費。非金屬礦采選業投入產出變量的冗余率在6 個細分行業中都不高，其中勞動投入冗余最低，僅有2.7%，自2010 年起連續7 年實現了勞動力零冗余。其他采礦業的資本投入和CO2排放冗余率在整個行業中最高，并且可以通過表4 可見，在2011 年、2013 年和2016 年這3 個年份，二者的冗余率幾乎接近100%，由此可見，其他采礦業存在著大量的資本閑置或者未能實現充分有效利用，由此節能減排技術和產品沒有投入到生產中，造成大量的CO2排放。從動態變化來看，我國采礦業投入和“壞”產出的冗余率在2007—2010 年呈現下降趨勢，2010—2014 年呈現上升趨勢，2014—2016 年呈現下降趨勢，這與前面得到的采礦業能源生態效率值變動情況保持一致。政府應根據各行業的情況制定差別化政策，有望提高我國礦業的能源生態效率水平。

表5 采礦業能源生態效率投入產出變量冗余率（2007—2016 年） 單位：%

（三）采礦業動態能源生態效率分析

基于SBM 模型的Malmquist Luenberger 指數分解法測算2007—2016 年我國礦業能源生態效率的變動情況及因素分解，結果如圖1 和圖2 所示，其中ML 代表動態能源生態效率變化指數；EC 代表技術效率變化指數；TC 代表技術進步變化指數。

2007—2016 年，我國采礦業整體動態能源生態效率的平均值為1.08，即能源生態效率年均增長8%，技術效率和技術進步分別增長-2%和11%，采礦業能源生態效率呈現上升趨勢是由于技術進步的促進作用大于技術效率的阻礙作用。從單個行業來看，研究期內6 個細分行業的能源生態效率都在上升，但程度不同，表明自國家提倡高效清潔綠色開采以來，各行業都在努力踐行節能減排的綠色發展模式。在驅動效率提升方面，煤炭開采和洗選業、石油和天然氣開采業的能源生態效率的變化與整個礦業走勢較為一致，均是由于技術進步的促進作用大于技術效率的阻礙作用。需要說明的是，技術效率增長率為負并非資源配置效率、管理能力退步，而是資源配置效率、管理能力速度有所減慢。黑色金屬采選業、有色金屬采選業、非金屬礦采選業和其他采礦業均是由于技術進步和技術效率的共同促進作用而實現能源生態效率增長。

圖1 我國礦業分行業能源生態效率動態變化及分解指數（2007—2016 年）

圖2 采礦業動態能源生態效率及分解指數的變動趨勢（2007—2016 年）

由圖2 可知，研究期內采礦業能源生態效率一直是增長狀態，根據因素分解情況可分為4 個階段。第一個階段為2007—2010 年，此階段的EC 一直小于1 但在逐漸增長，TC 一直大于1，技術進步的促進作用大于技術效率的抑制作用，所以采礦業能源生態效率實現增長。2008 年爆發國際金融危機，國家投資4 萬億刺激經濟，之后一段時間我國采礦業技術進步得到顯著提升，但忽視了資源有效利用和節能減排。第二個階段是2010—2011 年，這個階段的TC 和EC 都大于1，兩者共同促進了采礦業能源生態效率進步。第三個階段是2011—2013 年，這個階段的TC 依然一直大于1，EC 小于1，技術進步的促進作用大于技術效率的抑制作用，所以采礦業能源生態效率實現增長。第四個階段是2013—2016 年，這個階段的TC 和EC 都大于1，兩者共同促進了采礦業能源生態效率進步。其主要原因在于“十二五”規劃前期，國家大力發展采礦業，這一時期強調經濟發展速度從而忽視了規模效益問題，因此采礦業技術效率出現下降態勢。2013 年之后，經濟發展進入“新常態”時期，面對資源環境壓力以及經濟實力增強，開始轉變發展理念，加強資源節約和環境保護，采礦業的發展開始注重質量和效益。再加上國家近些年來出臺的相關政策《礦產資源開發規劃》，加快采礦業產業結構調整，關停一些資源利用率低的企業，加大環境污染治理力度，促使采礦業技術效率的進步。

四、結論與啟示

本文利用中國采礦業2007—2016 年的面板數據，基于SBM 窗口分析法測算我國采礦業的靜態能源生態效率，通過Malmquist Luenberger 指數分析我國采礦業能源生態效率的動態演進特征，得出兩個主要結論。

（1）研究期內我國采礦業整體能源生態效率水平偏低，離最優生產前沿還有47.3%的改進空間，6 個細分行業差異顯著，能源生態效率排名依次是黑色金屬礦采選業、有色金屬礦采選業、非金屬礦采選業、其他采礦業、石油和天然氣開采業以及煤炭開采和洗選業。投入的冗余率較高，礦業優化資源利用的潛力巨大。

（2）2007—2016 年，我國采礦業整體動態能源生態效率的平均值為1.08，即能源生態效率年均增長8%，技術效率和技術進步分別增長-2%和11%。從單個行業來看，研究期內6 個細分行業的能源生態效率都在上升，但程度不同。在驅動效率提升方面，煤炭開采和洗選業、石油和天然氣開采業的能源生態效率的變化與整個礦業走勢較為一致，均是由于技術進步的促進作用大于技術效率的阻礙作用。黑色金屬采選業、有色金屬采選業、非金屬礦采選業和其他采礦業均是由于技術進步和技術效率的共同促進作用而實現能源生態效率增長。

本研究既彌補了我國礦業能源生態效率研究的不足，有助于相關部門針對性地制定對策，加快形成采礦業綠色生產體系，拓展了窗口分析DEA 模型測算、分析效率值的研究成果，為促進其他行業進行能源生態效率分析做出了適宜的參考。據此，提出如下政策建議。

（1）我國礦業勞動力已嚴重冗余，礦企要著力精簡機構人員，完善人力制度建設。在礦業4.0 時代，緊跟“一帶一路”礦業高校聯盟的步伐，儲備具有國際視野的高素質復合型人才，探索跨國跨境流動人才培養機制，培養一批礦業精英人才隊伍。

（2）礦業投資未能充分有效地發揮作用，對此，礦業部門應該將投資部分轉移到生態創新領域，擴大綠色開采、環境治理技術資本的使用規模。實行第三方監督制度，落實資金的每一項用處，監督礦企務必落實R&D 投入大于上年度主營業務收入的1.5%的政策要求。

（3）礦業各行業需要探索循環 綠色 綜合的資源開發與使用模式，在全面考慮了能耗、人力、環境等要素之后探索效益型開采模式，提高能源利用效率。開拓新的礦產品品種，實現由初級產品向高級產品的延伸。對于綠色可循環使用的優質礦產品，政府可以通過減免稅收、申報專利等手段鼓勵企業開發。

（4）環境保護需要協調各方力量，統籌兼顧每一份子。一方面，政府通過出臺環境規制政策、建立環境監管機構等手段督促企業落實綠色礦業的要求；另一方面，企業應當在礦山所在地宣傳共建、共享的辦礦理念，與當地居民加強合作，建立礦區資源環境管理共贏模式。

（5）針對礦業能源生態效率差異顯著日趨嚴重這一現實，政府應采取個體扶持、重點突破的策略，集中改進非金屬礦采選業、有色金屬礦采選業等碳排放較高的行業，加大行業間的能源技術交流，通過技術優勢互補、管理優化學習實現礦業整體共同進步。

（6）目前礦業行業“信息孤島”、重硬件輕軟件的現象異常突出，這些都阻礙了行業資源配置效率和管理能力水平的進步，為此，礦企需要與管理研究機構加大合作，定期組織管理人員參加綠色礦山培訓，大力發展互聯網+礦業，實現管理創新，比如，由企業牽頭，與高校、科研院校共同承擔綠色技術研發項目，促使資源的合理配置，改變目前過分依賴技術進步的經濟模式，最終推動礦業能源生態效率提高。