田偉榮，溫雪山，趙多平

（1.寧夏大學地理科學與規(guī)劃學院，寧夏銀川 750021；2.寧東能源化工基地環(huán)境監(jiān)測站，寧夏銀川 754100）

寧夏寧東能源化工基地（以下簡稱“寧東基地”）位于寧夏中東部，是寧夏經濟發(fā)展的“火車頭”，也是國家產業(yè)轉型升級和國家能源“金三角”重要一極[1]。寧東基地入園企業(yè)150 余家，涉及煤化工、精細化工、新材料、新能源、節(jié)能環(huán)保等產業(yè)，石化工業(yè)[2]。因此，寧東基地的能源消費具有總量大、強度高等特點，分析能源利用效率，剖析能源消耗水平和利用效果利用狀況與節(jié)能效果之間的關系對整個寧東基地的發(fā)展具有重要意義[3]。

工業(yè)節(jié)能潛力分析是尋找和開拓節(jié)能途徑的基礎[4]。目前寧東基地工業(yè)能耗，無論是單位產值能耗還是單位產品能耗，與發(fā)達省區(qū)相比都有較大差距，在工業(yè)領域展開節(jié)能工作有很大的發(fā)展?jié)摿Α１狙芯坎捎脭祿j分析方法，選取能源消費量、勞動力人口為投入指標，工業(yè)總產值為期望產出指標、工業(yè)SO2排放量為非期望產出指標、資本投入為結轉變量，對2010-2018 年寧東基地的能源效率進行測算；運用非參數Super-SBM 方法測算寧東基地2010-2018 年的綠色能源效率；運用Elman 神經網絡模型對寧東基地2021-2035 年節(jié)能潛力進行預測，更深一步地幫助寧東基地挖掘節(jié)能潛力，提升基地競爭力。

1 研究方法

1.1 數據包絡分析法

數據包絡分析方法（Data Envelopment Analysis，DEA）在國內外被廣泛用來測定特定過程的效率，主要應用于工業(yè)、經濟、農業(yè)以及生態(tài)等領域[5]。DEA 是針對同類部門或單位的決策單元（Decision Making Unit，DMU），基于帕累托最優(yōu)解的概念，利用線性規(guī)劃來評估決策單元（DMU）的相對效率。

為了獲得含多個連續(xù)時期的DMU 的整體效率和各時期效率，引入結轉變量作為不同時間段的連接變量，建立了考慮非期望產出的動態(tài)DEA 模型，用來計算群組前沿技術效率（GFTE）和共同前沿技術效率（MFTE）[6]。本研究選取了5 個指標對2010-2018 年寧東基地的能源效率進行測算，其中2 個投入指標（勞動力和能源消費量），2 個產出指標（期望產出工業(yè)總產值和非期望產出工業(yè)SO2排放量），1 個結轉變量（資本）。

1.2 改進的共同前沿動態(tài)SBM 模型

運用改進的共同前沿動態(tài)SBM 模型對寧東基地節(jié)能潛力進行測算。數據包絡法是一種對多投入、多產出的多個決策單元的效率評價方法，改進的共同前沿動態(tài)SBM 模型屬于其中的一種改進方法，在解決投入冗余、產出不足以及包含非期望產出的問題時具有一定的優(yōu)勢[7]。

結合環(huán)境約束下改進的共同前沿動態(tài)SBM 模型，可以測出能源消費投入冗余量，進而整理得到2010-2019 年環(huán)境約束下寧東基地節(jié)能潛力，計算方法見公式（1）：

式中：LEI 表示能源消費投入冗余量，即能源消費投入松弛量；TEI 表示能源消費最優(yōu)投入量；EU 表示能源消費實際投入量；t 代表年份。

1.3 Elman 神經網絡

由于節(jié)能潛力較一般時間序列數據變化規(guī)律更復雜，選用簡單、傳統(tǒng)的預測模型難以保證預測結果的科學性。Elman 神經網絡是通過大量的、簡單的神經元互相連接而形成的具有記憶功能的復雜網絡，特別適合處理多因素、多條件、非線性和非局限性信息問題，另外，Elman 神經網絡在結構上增加了用于構成局部反饋的關聯(lián)層，在解決時間序列模擬與預測方面具有一定的優(yōu)勢[8]。因此，運用Elman 神經網絡模型對寧東基地2021-2035 年節(jié)能潛力進行預測。

1.4 Tobit 回歸

在總結節(jié)能潛力影響因素相關研究與結合寧東基地實際經濟發(fā)展狀況的基礎上，運用Tobit 模型對寧東基地產業(yè)結構、環(huán)境政策、技術創(chuàng)新、能源結構和經濟增長與節(jié)能潛力之間的影響關系進行測算，建立標準面板Tobit 回歸方程，具體見公式（2）：

式中：節(jié)能潛力（ECP）為被解釋變量，產業(yè)結構（IS）、環(huán)境政策（EP）、技術創(chuàng)新（TI）、能源結構（ES）和經濟增長（GDPI）為解釋變量；ε 是隨機誤差項；t 代表年份，以節(jié)能潛力為被解釋變量，以產業(yè)結構、環(huán)境政策、技術創(chuàng)新、能源結構和經濟增長為因變量，運用STATA 軟件計算Tobit 回歸結果。

2 結果與討論

本研究以寧東基地每年的能源消費總量來衡量能源投入。數據來源于2010-2018 年各年度《寧夏統(tǒng)計年鑒》。

由表1 可知寧東基地能源消費量在逐年升高，這與煤化工項目陸續(xù)上馬相符。勞動投入2010 年至2014 年逐年增多，2014 年達到峰值，自2014 年后勞動投入人數趨于穩(wěn)定，這與企業(yè)提高生產效率，能源結構轉型升級有關。寧東基地工業(yè)總產值呈逐年上升趨勢，其中煤化工、煤炭開采和電力產值占比85%以上，是寧東基地產業(yè)的“支柱”。工業(yè)SO2產生量呈螺旋式上升狀態(tài)，但SO2排放量在2014 年達到峰值后就逐年下降，這與國家環(huán)保政策及企業(yè)環(huán)保投資及技術進步相關。

運用MaxDEA 軟件測算寧東基地2011-2018 年的共同前沿能源效率和群組前沿能源效率，結果（見圖1）。從時間變化來看，寧東基地前沿能源效率和群組能源效率呈逐年提升狀態(tài)。

圖1 寧東基地能源效率

3 節(jié)能效果與節(jié)能潛力分析

在對寧東基地的能源效率評估的基礎上，測算出2010-2018 年寧東基地節(jié)能潛力均值為0.59，存在巨大節(jié)能降耗空間，與2010-2018 年全國節(jié)能潛力0.42的均值也有較大差距。從節(jié)能潛力變化趨勢來看，寧東能源化工基地節(jié)能潛力呈下降趨勢，由于國家相繼出臺了相關文件，對環(huán)境保護、節(jié)能降耗提出了明確、具體的要求，寧東能源化工基地資源配置有所改善，技術水平進一步提高，使得能源利用效率逐步提高（見圖2）。

圖2 寧東能源化工基地2010-2018 年節(jié)能潛力

在Elman 神經網絡測試和檢驗工作完成后，將多份測試樣本歸入訓練樣本，進一步對網絡進行完善訓練，最后整理計算得出2021-2035 年寧東能源化工基地節(jié)能潛力的預測結果。具體結果（見圖3）。

圖3 寧東基地2021-2035 年預測節(jié)能潛力

按照Elman 神經網絡測試分析，“十四五”以后，寧東基地節(jié)能潛力由2021 年的0.51 下降至2035 年的0.31，總體呈現(xiàn)下降趨勢。與“十一五”、“十二五”、“十三五”相比，“十四五”以后的節(jié)能潛力下降趨勢非常明顯?；匕l(fā)展方式進一步由粗放式過渡至集約式，新能源技術的發(fā)展和應用基本成熟，清潔低碳、安全高效的現(xiàn)代能源體系逐步建立，能源產業(yè)結構轉換基本完成，一些傳統(tǒng)能源的使用被新能源替代，能源效率將迅速提高。在未來產業(yè)結構和能源技術升級后，能源效率的提升將更加明顯，節(jié)能潛力將出現(xiàn)大幅度下降趨勢。

Tobit 回歸結果表明除了產業(yè)結構（IS）和技術創(chuàng)新（TI）在4%的水平上顯著外，在能源結構（ES）、環(huán)境政策（EP）、經濟增長（GDPI）均在1%的水平上顯著，因變量與自變量之間存在顯著的線性關系，回歸擬合較好。因此，調整產業(yè)結構和加大技術創(chuàng)新在提升節(jié)能潛力方面具有重要的作用。

4 結論及建議

本文在共同前沿模型框架下，寧東基地前沿能源效率和群組能源效率呈逐年提升狀態(tài)，2010-2018 年寧東基地節(jié)能潛力均值為0.59，存在巨大節(jié)能降耗空間，寧東基地2021-2035 年節(jié)能潛力由2021 年的0.51下降至2035 年的0.31，節(jié)能潛力下降趨勢明顯。其中產業(yè)結構和技術創(chuàng)新對群能源效率均有較大的促進作用?；诜治鼋Y果提出一些政策性建議：在寧東基地第二產業(yè)內部合理化的影響下，資源密集型工業(yè)的占比可逐漸減少，技術密集型工業(yè)的占比應逐漸提高，可促進寧東基地能源效率的提升。另外，要大力提升技術創(chuàng)新能力，推動企業(yè)生產效率的優(yōu)化，使企業(yè)減少了商品的單位生產成本，進而促進了企業(yè)能源消耗的減少，在促進環(huán)境污染治理和能源高效使用的前提下，有利于實現(xiàn)寧東基地經濟發(fā)展和節(jié)能降耗雙重目標。