第一部分　行业能源发展和利用

第1章　重工业能源发展利用

1.1　重工业能源发展利用

1.1.1　重工业能源消费现状

重工业指为国民经济各部门提供物质技术基础的主要生产资料的工业。“重工业”是“轻工业”的对称，提供生产资料的部门称为重工业，生产消费资料的部门称为轻工业。重工业包括钢铁、冶金、机械、能源（电力、石油、煤炭、天然气等）、化学、材料学等工业，是为国民经济各部门提供技术装备、动力和原材料的基础工业。它为国民经济各部门（包括工业本身）提供原材料、燃料、动力、技术装备等劳动资料和劳动对象，是实现社会再生产和扩大再生产的物质基础。一个国家重工业的发展规模和技术水平，是体现其国力的重要标志。

从产业链的角度来讲，重工业在产业链中多为上游行业，主要为整体经济运行提供能源和原材料。这就意味着能耗高是重工业的主要特征。从统计数据来看，中国重工业的能源消费量占全国能源消费总量的比重接近65%，重工业终端电力消费量占全社会用电总量的比重也超过60%。

进入21世纪以来，伴随着经济的快速增长，中国一次能源消费总量也在迅速增长。2009年，中国正式超过美国，成为世界上最大的能源消费国。2015年，中国一次能源消费总量约为30.14亿吨油当量，占世界总量的22.92%。而美国的一次能源消费自2005年达到23.50亿吨油当量的峰值之后，整体上保持平稳并略微下降；与此同时，美国一次能源消费占世界的比重则自2000年以来一直保持快速下降的趋势。2016年美国一次能源消费总量约为22.80亿吨油当量，占世界总量的17.35%（图1-1）。

中国的能源消费以化石能源为主，迅速增长的能源消费和以化石能源为主的能源结构，导致中国因能源消费而产生的二氧化碳迅速增长。2015年，中国二氧化碳排放量约为91.54亿吨，占当年世界二氧化碳排放总量的27.3%。随着人们对全球气候变暖问题的日益关注，中国面临着巨大的节能减排压力。

中国的能源消费主要集中在重工业，重工业的能源消费占全国能源消费总量的65%以上。新中国成立以来，中国建成了门类齐全的工业体系，但行业之间的不同特点往往导致行业之间的能源消费和能源强度存在着巨大的差异。这就要求我们在制定节能减排政策的过程中，应该针对不同行业的不同特点做出对应的安排，不能一概而论。

近年来，能源替代被认为是解决人类发展过程中面临的资源约束与环境压力、实现可持续发展的重要途径之一。能源替代分为内部替代和外部替代：前者主要是能源结构优化，包括改变各能源品种在一次能源消费结构中的比重以及可再生能源的开发利用等；后者指包括能源、资本和劳动在内的社会资源有效配置，通常在能源相对价格变化的基础上，通过调节其他要素投入比重来实现能源投入的边际生产最优化进而达到节约能源的目的。由于内部替代受资源禀赋和技术成本等因素的影响较大，因而人们往往更关注于对能源与其他投入要素之间的外部替代问题。

1.1.2　重工业能源替代问题[1]

在大多数能源经济问题的实证研究中，采用技术进步中性假设的常替代弹性生产函数（Constant Elasticity of Substitution,CES）最为常见。但是考虑到实际经济系统中各种投入要素对产出的影响并不仅仅与该投入要素的变化相关，而且各种投入要素的技术进步也不相同。显然CES不能全面反映投入要素间的相互作用和关系。因此针对能源替代问题的研究大多采用超越对数生产函数来进行。

超越对数生产函数（Translog Production Function,TPF）是一种变弹性生产函数，可以视为任何形式生产函数的二阶泰勒级数近似。但是TPF和CES在估计能源与其他投入要素之间的替代关系时存在多重共线性的问题。因为TPF假设所有的投入要素都是内生的，这样在使用线性回归方法进行分析时会与其假设相冲突，进而导致对能源与其他要素之间的替代弹性的估计产生偏差。

从原理上来看，多重共线性并不影响最小二乘法估计量的无偏性和最小方差性（高斯马尔科夫定理，Gauss-Markov Theory），但是虽然最小二乘估计量在所有线性估计量中是方差最小的，但是这个方差却不一定小，而实际上可以找到一个有偏估计量，这个估计量虽然有较小的偏差，但它的精度却能够较大程度地高于无偏估计量。

岭回归分析就是根据这个原理，通过引入有偏常数而求得回归估计量的一种能统一诊断和处理多重共线性问题的特殊方法。在多重共线性问题十分严重的情况下，两个共线性的系数之间的二维联合分布是一个山岭状曲面，曲面上的每一个点均对应一种残差平方和，点的位置越高，相应的残差平方和越小，因此山岭的最高点和残差平方和的极小值相对应，相应的参数值便是参数的OLS估计值。

岭回归实质上是一种改良的最小二乘估计法，通过放弃最小二乘法的无偏性，以损失部分信息、降低精度为代价，获得回归系数更为符合实际、更可靠的回归方法，对病态数据的耐受性远远强于最小二乘法。

超越对数生产函数模型由克里斯滕森（Christensen et al.，1973）最早提出，一个包含两个投入要素的生产函数的超越对数生产函数形式为

ln（y）=θ0+θ1ln（x1）+θ2ln（x2）+θ3ln（x1）2+θ4ln（x2）2+θ5ln（x1）×ln（x2）（1-1）

超越对数生产函数属于变弹性生产函数模型，具有易估性和包容性两大优点。易估计的原因在于它是一个简单线性模型，可以直接采用单方程线性模型的估计方法进行估计。包容性则是指它可以近似任何形式的生产函数，如令θ3=θ4=θ5=0，可转化为Cobb-Douglas生产函数，再如令θ3=θ4=-0.5θ5，则可转化为常替代弹性生产函数。因此可利用超越对数生产函数有效研究生产函数中各个投入要素之间的相互影响以及各种技术进步的差异。

取中国重工业的年工业增加值（y）作为被解释变量，行业能耗（e）、资本存量（k）及全部从业人员数（l）作为解释变量，我们构建了如下模型：

ln（y）=θ0+θkln（xk）+θlln（xl）+θeln（xe）+θkkln（xk）2+θllln（xl）2+θeeln（xe）2+θklln（xk）×ln（xl）+θkeln（xk）×ln（xe）+θleln（xl）×ln（xk）（1-2）

要素产出弹性的定义是在技术水平和要素价格不变的前提下，某一要素投入量的相对变动所引起的产出量的相对变动。不同要素之间替代弹性的定义为：在技术水平和要素价格不变的前提下，边际技术替代率的相对变动所引起的生产要素投入比例的相对变动。在模型（1-2）的基础上，可以推算出不同要素间的替代弹性。

在经济增长、效率分析等方面的研究中，资本存量（k）十分重要，其质量对研究结论往往具有决定性的作用，特别是资本存量这种不可直接观察，只能通过估算获得的变量。目前学术界针对资本存量估算的研究十分丰富，这些研究主要基于戈德史密斯（Goldsmith，1951）开创的永续盘存法。

本文在研究过程中引用陈诗一（2011）的研究结果，根据前文中对重工业的定义，对其所包含的子行业数据加总进而得出重工业的资本存量，并基于同样的研究方法推算了2009—2014年的数据，从而得到完整的1990—2014年重工业资本存量数据，数据统一用1990年不变价表示。

重工业能源消费数据同样来自于对其所包含的子行业各自能源消费数据加总，1995—2011年各子行业的能源消费数据来自《中国统计年鉴》和《中国能源统计年鉴》。由于统计口径变化，1990—1994年统计年鉴中关于行业划分标准与1995年之后有所不同，1995年之后行业划分更加详细。因此1990—1994年重工业能源消费数据来自对区间内重工业所包含的两位数行业数据加总，缺失行业的能源消费数据已包含在其他行业当中。从数据平稳性来看这样的处理方式是合理的。

陈诗一（2011）对1980—2008年工业分行业的工业增加值及从业人员都有详细的统计，本文研究中所采用的工业增加值及从业人员数据同样来自其研究结果，并采用相同的方式对2009—2014年的相关数据进行了估算。

正如前文所述，超越对数生产函数的假设，给实证模型的参数估计带来了多重共线性的问题，导致普通最小二乘估计失效。从表1-1的检验结果来看，重工业的产出同资本、劳动和能源三种投入要素之间存在着显著的多重共线性问题。为了解决模型出现的多重共线性的问题，我们使用岭回归代替普通最小二乘法。

表1-1　多重共线性检验

注：**表示在1%水平下具有显著的多重共线性。表中各变量的含义依次为，y是重工业增加值，k是重工业资本存量，l是重工业劳动投入，e是重工业能源投入。

表1-2　不同k值下的可决系数以及系数估计结果

注：RSQ表示不同k值下的可决系数；lnk、lnl、lne分别表示资本存量、劳动投入和能源投入的对数形式。lnklnk、lnklnl、lnllne、lnllnl、lnllne、lnelne分别表示lnk、lnl、lne的乘积项。

敏感性分析表明，结果对于如何选择岭参数的值不是非常敏感。因此，本文通过曲线图和VIF来确定最佳k值。根据表1-2中不同k值的r2和岭回归系数的变化，当k介于0.30～0.40之间时，大多数值变得稳定。当k小于0.30时，系数值全部不稳定，随k变化而变化的幅度较大。

我们还可以从图1-2中的超越对数生产函数的变量的岭迹图中看出，当k到达0.35附近时，岭迹线变得稳定。

注：lnk、lnl、lne分别表示资本存量、劳动投入和能源投入的对数形式。

岭回归结果如表1-3所示。相关统计检验显示，岭回归模型结果显著。所有统计测试指标，如调整R2，标准误差（SE），回归方程的显著性水平（F和SigF的值）以及方差分析表都反映出它是一个合理的模型。更重要的是，这种模型是否良好不仅取决于岭回归是否有效地克服了多重共线性问题，还取决于估计参数是否合理。从表1-3可以看出，由于标准误差较小，系数的统计检验是理想的，其中66.7%小于0.01，且均小于0.10。因此，岭回归估计是合理的。

表1-3　岭回归结果

注：lnk、lnl、lne分别表示资本存量、劳动投入和能源投入的对数形式。

根据岭回归的结果，方程（1-2）可以重新表示为

ln（y）=1.48061+0.17954ln（xk）-0.04644ln（xl）+0.26951ln（xe）+0.00926ln（xk）2-0.00160ln（xl）2+0.02370ln（xe）2+0.01152ln（xk）×ln（xl）+0.01483ln（xk）×ln（xe）+0.01945ln（xl）×ln（xe）（1-3）

根据公式（1-3）中的系数，可以得到各投入要素的产出弹性和投入要素之间的替代弹性。结果见表1-4。

表1-4　各要素的产出弹性和要素间替代弹性

重工业是能源密集型和资本密集型产业，部分行业也是劳动力密集型的，这已经被估计产出弹性的结果所证明。一般来说，重工业的生产高度依赖于能源投入和资本投入，而劳动投入的影响却相对较小。这些都是由重工业本身的特点决定的。另外，在重工业快速发展的时期，固定资产的能源消耗和投资将迅速增长。

从表1-4中的结果可以看出，1980—2014年，能源、劳动力和资本的产出弹性一直在增加，表明总体技术水平在不断进步。在所有三种产出弹性中，能源的产出弹性最大，其次是资本，劳动力的产出弹性最小（图1-3）。虽然劳动力的产出弹性最小，但劳动产出弹性的增长率最高。1980—2014年期间，资本产出弹性增长19.67%；能源产出弹性增长20.89%；劳动力产出弹性增长55.20%。

接下来是资本、劳动和能源之间的替代弹性。从图1-4可以看出，重工业的弹性估计值都是正的。根据方程式的定义，正的替代弹性意味着资本与劳动力、资本与能源以及劳动与能源之间的关系都是可以替代的。另外，资本与劳动力之间的替代弹性几乎和资本与能源之间的替代弹性相同，两者在1980—2014年间为0.94～0.96。结果表明，通过增加资本投入，可以有效节约中国重工业的能源消耗和劳动投入。

劳动力与能源之间的替代弹性相对较高，这意味着中国重工业的劳动和能源替代效率高。劳动和能源的替代性可以解释如下。如果一个工厂投入更多的机器，就会消耗更多的能源，而劳动者的投入可能会减少。随着自动化设备日益普及，能源和劳动力更具可替代性。过去几年来，特别是90年代以后，中国劳动力投入的价格相对较低，农民工的存在也导致了劳动力供给充足。重工业的工厂选择使用更多的劳动投入和较少的资本及能源投入。在这个意义上，中国的劳动力市场在减轻重工业的能源消耗方面发挥了积极的作用。资本与能源之间的可替代关系是相似的。更多的资本投入可以帮助投资更高效的机器，这可以降低给定产出的能源消耗。

近年来，随着劳动力成本和人口老龄化的增加，中国的人口红利逐渐消失，这也可以解释劳动与能源替代弹性的下降。随着资源约束和环境压力的增加，未来的能源替代品将主要依靠资本替代能源和劳动力。资本与能源、资本与劳动力之间略有上升的趋势表明，替代是有效的，这种替代的增加趋势也表明，在更多的资本贡献下，减少能源供应短缺的空间更大。

1.1.3　结论和政策建议

在本文中，建立了包括中国重工业的能源、资本和劳动力等输入因素的超越对数生产函数模型。通过使用岭回归的方法，分析了每个投入因子的输出弹性和输入因子之间的替代弹性。主要研究结果如下：

首先，能源、资本和劳动力的产出弹性都是正的，这意味着要素投入的增加将导致总产出的增加。此外，1980—2014年，三大产出弹性都在上升，其增长速度同步增长，表明中国重工业的效率提高。尽管如此，增长幅度相当温和，表明中国重工业的增长回报的影响正在逐渐消失。从绝对值的角度看，能源的产出弹性最大，其次是资本，劳动力的产出弹性最小，表明中国的重工业是能源密集型和资本密集型，而劳动的重要性是相对较小。由此可见，重工业发展与宏观经济环境高度相关，对能源消耗总量有明显的影响。

其次，能源、资本和劳动力之间的替代弹性都是正的，表明所有三个投入因素两两之间互为替代品。劳动和能源之间的替代弹性相对较高（1.0178～1.0125），而弹性绝对值正在下降。随着产业升级和自动化程度不断提高，劳动力成本上升，中国重工业的能源替代效应将在未来下降。资本与能源和劳动力之间的替代弹性在绝对值和趋势上是相似的。资本和能源是重工业的替代品，可以理解如下：当企业选择投入更多的资本来提高能源效率时，给定产出的能源消耗将会下降。但是值得注意的是，机械的运行将消耗能源，因此能源和资本可能是互补的，需要从节能减排的角度来避免。对于政策发展，能源和资本之间的可替代性取决于资本投入的方向，即节能或能源消耗。

第三，由于中国重工业能源消费占一次能源消费总量的60%以上，替代效应将带来巨大的节能减排。替代关系的存在表明，重工业面临的能源消耗约束可以通过增加资本投入来改善。通过更多的投资，可以应用节能技术，可以促进资本与能源之间的替代。资本与劳动力之间的替代是相似的。

总而言之，中国的重工业是能源密集型和资本密集型的。更多的资金投入有助于提高能源效率，从而达到节能目标。作为能源和劳动力资本的替代品，涉及中国重工业的更多资本投入。要了解能源与其他投入因素之间的替代关系，以提高中国重工业的发展质量，优化发展模式。

1.2　重工业——高耗能行业能源发展和利用[2]

1.2.1　高耗能行业的发展现状

根据《2010中国经济和社会发展统计公报》的统计数据显示，中国的高耗能行业主要包括六个，分别是石油加工、炼焦及核燃料加工业，化学原料和化学用品制造业，非金属矿物品制造业，黑色金属冶炼及压延加工业，有色金属冶炼及压延加工业以及电力热力的生产和供应业。作为生产基本材料的工业，高耗能行业对中国经济发展和人民生活水平的提高意义重大，其主要产品包括成品油、塑料、化肥、水泥、玻璃、钢、各种不同的有色金属，如铜、铅、锌、镁、铝等以及热力和电力。

中国高耗能行业的能源消耗和占比从1990年至2014年一直维持在较高水平，具体来说，1990年中国高耗能行业的能源消费量为3.96亿吨标准煤，占工业能源总消费量的58.49%以及全中国能源消费量的40%。2014年中国高耗能行业的能源消费量为21.69亿吨标准煤，占工业能源总消费量的73.34%，占全国能源消费量的50.93%。伴随着如此巨大的能源消费量，中国高耗能行业的二氧化碳排放量也居高不下，图1-5显示了1985—2014年中国高耗能行业单位工业增加值的能源消费量和二氧化碳排放量：其横坐标是年份，从1985年至2014年；主纵坐标是单位工业增加值的二氧化碳排放量，单位是万吨二氧化碳/万元；次纵坐标是单位工业增加值的能源消费量，单位是万吨标准煤/万元。可以看出，在分析区间1985—2014年间，中国高耗能行业单位工业增加值的二氧化碳和能源消费量均呈下降趋势。1995年和1996年分别是单位工业增加值的二氧化碳排放量和能源消费量的峰值年份，自那之后，两者均逐年下降。单位工业增加值的二氧化碳排放量的平均值为60.63吨/万元，年均增长率为-4.36%；单位工业增加值的能源消费量的平均值为18.26吨标准煤/万元，年均增长率为-4.41%。至2014年，中国高耗能行业的单位工业增加值能源消费量和二氧化碳排放量均达到历史最低值，分别为18.98吨/万元和5.8吨标准煤/万元。

能源被大量消费的同时，中国高耗能行业也排放了大量二氧化碳。2014年，中国二氧化碳排放总量为84.2亿吨，高耗能行业二氧化碳排放量为70.9亿吨，占总排放量的84.2%。所以如果想要实现二氧化碳减排的目标，就必须重视中国高耗能行业。

中国目前仍然处于工业化和城市化阶段，仍然需要高耗能行业来提供原材料产品和能源产品。例如，作为非金属矿物品制造业的子行业的水泥行业保证了城市公共基础设施建设的顺利进行。石油加工炼焦及核燃料加工业为现代工业的生产提供血液：石油。黑色金属冶炼及压延加工业生产的钢材是现代经济的基石。

总体来说，中国高耗能行业会继续保持一段快速发展时期，主要原因有：

（1）中国城市化和工业化还未完成，而城市化和工业化进程都需要大量原材料和能源产品作为基本支撑。近几年来，中国高层提出了“中国梦”的指导思想，社会保障型住房建设进程加快，这在一定程度上促进了非金属材料品制造业和黑色金属冶炼及压延加工业的发展。

（2）自2014年以来，中国提出了另一发展策略，即“一带一路”。“一带一路”沿线国家基础设施建设投资不足，由于财政约束导致基础设施建设落后。如果关注中国国内，与“一带一路”连接的中国西北部省份的铁路、公路建设远远落后于中国东部沿海地区。“一带一路”发展策略要求中国国内与中亚等国家的基础设施建设能够对接，这就给中国西北部地区的基础设施建设提供了较大空间。这一要求也将促进中国高耗能行业的发展，因为国内基础设施的建设需要高耗能行业的产品，尤其是黑色金属冶炼及压延加工业、有色金属冶炼及压延加工业以及非金属矿物品制造业。

（3）与发达国家相比，“一带一路”沿线国家的电力消费普遍较低，这给未来电力消费上涨腾出了较大空间。根据国际能源署（IEA）（International Energy Agency,IEA）的统计资料，非OECD国家的人均电力消费2013年仅为1655.52千瓦时；而OECD国家的人均电力消费2013年为7579.49千瓦时，是非OECD国家的4.58倍。这样看来，“一带一路”沿线的非OECD国家电力消费会显著增长。伴随电力消费量的增加，电力市场上的投资也会增加，这为中国电力热力的生产及供应业发展提供了机会。

正因为以上这些原因，有理由相信中国高耗能行业在未来一段时间内能源消费量会持续增加。而自1985年以来，煤炭成为中国高耗能行业最重要的能源消费品种。因为技术的限制，短时间内想要大规模用其他能源替代煤炭并不现实，所以未来一段时间内，煤炭仍将是中国高能耗行业最主要的能源消费品种。而煤炭又是所有化石能源中碳排放系数最高的，所以中国高耗能行业的二氧化碳排放量也将继续增加。

基于此，本报告认为有必要弄清影响中国高耗能行业二氧化碳排放的影响因素。这些因素与二氧化碳排放量的长期均衡关系是否存在？未来的二氧化碳减排潜力如何？中国高耗能行业的减排潜力如何？这些问题都将在本小节进行回答。

1.2.2　中国高耗能行业二氧化碳排放

基于Kaya恒等式，本小节将中国高耗能行业的二氧化碳排放量分为五个因素进行讨论，它们分别是：碳强度效应（CI）、能源结构效应（S）、能源强度效应（EI）、劳动生产率效应（LP）以及产业规模效应（IS）。

其中，碳强度效应等于二氧化碳排放量与化石能源消费总量的比值，表示单位化石能源消费量的二氧化碳排放，因为不同种类的化石能源碳排放系数不一样，化石能源消费量的变化将会导致碳强度的变化；能源结构效应等于化石能源消费量与能源消费总量的比值；能源强度效应等于能源消费总量与工业增加值的比值，表示单位工业增加值的能源消费量，它的变化可以一定程度上反映技术水平的变化；劳动生产率效应等于工业增加值与工作人数的比值，表示单位工作人员带来的工业增加值，它的变化可能从两个不同方向影响二氧化碳排放，即增加或减少，这取决于劳动生产率提高的方式；产业规模效应用工作人数来表示，通常情况下，雇佣的人数越多，表示生产规模越大，二氧化碳排放量也越高。

用对数平均迪氏分解法对中国高耗能行业二氧化碳排放量进行分解，我们以中国每个五年计划为一个时间段，即把分析区间分成1986—1990年，1991—1995年，1996—2000年，2001—2005年，2006—2010年以及2011—2014年。根据政府间气候变化委员会（IPCC）提供的二氧化碳排放计算方法，我们计算了中国高耗能行业由于能源使用所排放的二氧化碳。具体的分解分析结果如图1-6所示。

从图1-6中看出，从1986年到1990年，二氧化碳排放增加了3.26亿吨，碳强度效应、能源强度效应和产业规模效应是导致排放量上升的主要因素，分别使二氧化碳排放量上涨0.63亿吨、1.64亿吨和1.25亿吨。能源结构效应和劳动生产率效应是导致二氧化碳排放量下降的主要因素，分别使其下降了0.24亿吨和0.019亿吨。所以，在这一时期内导致二氧化碳排放上升的主要原因是产业规模的扩张和能源强度的增加。能源强度从1986年的4.23百万吨标准煤每十亿元工业增加值增加至1990年的4.62百万吨标准煤每十亿元工业增加值。在所有上涨因素中，碳强度效应的影响不显著。

从1991年到1995年，二氧化碳排放增加了5.82亿吨，劳动生产率效应和产业规模效应是导致其上升的最重要因素，前者使其增加了4.82亿吨，后者使其增加了2.13亿吨。能源强度效应和碳强度效应对二氧化碳排放量的上升起到了抑制作用，其中前者使其下降0.64亿吨，后者使其下降0.66亿吨。能源结构效应的影响不显著。

注：1.ΔC CI，ΔC S，ΔC EI，ΔC LP和ΔC IS分别表示由于碳强度效应、能源结构效应、能源强度效应、劳动生产率效应以及产业规模效应引起的二氧化碳排放量；2.ΔC表示二氧化碳排放量。

在1996年到2000年这一区间内，二氧化碳排放量增加0.045亿吨，这一增加量减少主要是因为这一时期大量小型私人企业和国企破产或倒闭，高耗能行业的生产规模下降。在所有影响因素中，劳动生产率效应的影响最大，使排放量增加了14.07亿吨。碳强度、能源强度和产业规模效应也是使排放量上涨的因素，而后两者的影响又比较大，分别使其上涨了5.22亿吨和7.66亿吨。

从2001年到2005年，二氧化碳排放总量增加18.48亿吨，是6个考查时间段内增加量最大的时期。因为自2002年后城市化进程加快，需要大量的原材料，如建材和钢材等，这促进了中国高耗能行业的发展。从工业增加值大幅度上升也可以看出这一点。2001年中国高耗能工业增加值为3660.2亿元，2005年增加到8675.6亿元，增长了1.37倍。劳动生产率效应使二氧化碳排放量增加了23.12亿吨，行业规模效应和碳强度效应也使其上涨，但增加幅度没有劳动生产率效应大。能源强度效应使二氧化碳排放量下降8.30亿吨，能源结构效应也使其下降，但下降幅度很小。

从2006年到2010年，二氧化碳排放总量增加了约10.32亿吨。同样的，劳动生产率效应是使其上升的最重要因素，它导致排放量增加约26.07亿吨，行业规模效应紧随其后，导致排放量增加约10.63亿吨。能源强度效应是使其下降的最重要因素，它导致排放量下降约25.26亿吨，这一下降可以归因于能源强度的下降，能源强度从2006年的2.09百万吨标准煤每十亿工业增加值下降至2010年的1.25百万吨标准煤每十亿工业增加值。可能的原因有两个：一是“十一五规划”提出要使能源强度与2005年相比下降20%；二是2008年的金融危机对能源强度下降也起到了一定的促进作用。金融危机发生的时候，一些落后技术的工厂会先关闭，继续生产的企业往往具有更先进的生产技术，它们也往往有更低的能源强度。很多落后产能也在这一时期内被淘汰，这也提高了能源效率。能源结构效应和碳强度效应的影响很小，前者使排放量增加了0.62亿吨，后者使排放量减少了1.73亿吨。

最后，从2011年到2014年，二氧化碳排放量增加了约9.70亿吨，劳动生产率效应和产业规模效应使其上升了约16.25亿吨和7.89亿吨。能源强度效应、能源结构效应和碳强度效应分别使其下降了约13.01亿吨、0.46亿吨和0.97亿吨。

通过以上分时间段的分析，可以发现：劳动生产率效应和产业规模效应是中国高耗能行业二氧化碳排放量增加的最重要因素，能源强度的下降是二氧化碳排放量下降的最重要因素。如果在1996—2000年，2000—2005年，2006—2010年以及2011—2014年没有能源强度的显著下降，中国高耗能行业二氧化碳排放总量将会上升更多。在1996—2000区间段内，行业规模效应使二氧化碳排放总量下降，但在其他时间区间内，行业规模使二氧化碳排放总量上升。能源结构效应对二氧化碳排放的影响也不稳定，总体来看，它还是增加了二氧化碳排放量。这是因为中国以煤为主的能源结构在过去这些年并没有得到改变。为了保持经济的高速增长，煤炭具有储量大、价格低的先天优势，成为最理想的化石能源种类。所以能源结构效应的影响可以被忽略，因为其基本保持不变。碳强度效应在1991—1995年，1996—2000年，2006—2010年以及2011—2014年使二氧化碳排放总量下降，但在其他两个时间区间，即1986—1990年和2001—2005年使二氧化碳排放总量上升。所以我们认为碳强度效应是使二氧化碳排放总量上升的原因。

在分析了中国高耗能行业二氧化碳排放量变化的影响因素后，我们进一步用协整理论分析二氧化碳排放量与这些影响因素之间的长期关系，并最终估算未来的节能潜力。之前的分析可以得到劳动生产率、产业规模以及能源强度是最重要的三个影响因素，所以建立这三者与二氧化碳排放量之间的长期均衡关系。最终得到的关系式如下：

ln（CO2）=1.209542lnEI+1.126516lnLP+0.410858lnIS-0.33814（1-4）式中：CO2表示二氧化碳排放量，EI表示能源强度，LP表示劳动生产率，IS表示产业规模。把lnCO2，lnLP,lnIS和lnEI的历史数据代入方程（1-4）后，可以得到中国高耗能行业二氧化碳排放量的模拟排放量，把这一排放量与真实排放量进行对比，可以得到图1-7。可以看出，二氧化碳排放量的真实值与模拟值之间误差较小，方程（1-4）的拟合效果较好。

为了进一步估算中国高耗能行业未来的二氧化碳减排潜力，需要进行情景设置。通常来说，情景设置包括对问题边缘进行定义，对驱动因素进行描述并对未来的不确定性进行刻画。我们以2020—2030年作为研究区间，因为中国的工业化和城市化进程将在2020年基本结束，而在《中美气候变化联合声明》中，中国承诺到2030年左右达到二氧化碳排放峰值。

我们设置了三类不同情景，分别是常规情景（情景1），中等减排情景（情景2）和激进减排情景（情景3）。在情景1中，所有影响因素的增长率与历史相同，在情景2中，很多中等减排措施将被采纳；在情景3中，激进减排措施将被采纳。从1985年到2014年，能源强度平均下降率为4.23%，尤其是在2000—2014年和2005—2014年间，能源强度的平均下降率更是达到了6.63%和8.52%。能源强度的下降有利于二氧化碳的减排，所以在情景1中能源强度的增长率被设定为-4.23%，在情景2中被设定为-6.63%，在情景3中被设定为-8.52%。劳动生产率在1985—2014和2000—2014年间的增长率分别为11.43%和16.21%，但是，随着中国经济从粗放式发展模式向集约式发展模式转变，未来劳动生产率不太可能再维持如此高的增长率，所以在2020年前，我们设定劳动生产率的增长率为11.43%，2021—2025年为10.93%，2025—2030年为10.43%（每个时期平均下降0.5%）。产业规模在1985—2014年间的平均增长率为2.39%，考虑到中国已经进入工业化进程后期阶段，对高耗能行业的产品需求将会下降，我们设定产业规模在情景1中为2.39%，情景2中为2.19%，情景3中为1.99%（每个情景下降0.2%）。情景设置具体见表1-5。

表1-5　三种情景中各变量增长率的设置

根据各变量历史数据和未来增长率的设定，可以计算未来中国高耗能行业的二氧化碳排放量，具体结果为：2020年，情景1中二氧化碳排放量为114.9亿吨，情景2中为95.1亿吨，情景3中为81.6亿吨。2030年，情景1中二氧化碳排放量为235.9亿吨，情景2中为142.5亿吨，情景3中为94.7亿吨。可以发现在各情景中，中国高耗能行业的二氧化碳排放量都非常高，这说明必须采取减排措施来减少二氧化碳排放。二氧化碳排放潜力是由不同情景下的二氧化碳排放量的差值计算出来的，在中等减排情景下，中国高耗能行业二氧化碳减排潜力2020年为19.8亿吨，2030年为93.4亿吨，这与中国2013年的二氧化碳排放总量差不多。在激进减排情景下，中国高耗能行业二氧化碳减排潜力2020年为33.3亿吨，接近欧盟2013年排放总量；2030年为141.2亿吨，高于中国2013年排放总量。具体如表1-6所示。

表1-6　2020和2030年中国高耗能行业二氧化碳减排潜力

中国高耗能行业未来二氧化碳减排潜力巨大，从上面的分析可以看出，能源强度是可以减少二氧化碳排放的最重要因素，未来要采取更多的政策措施来减小中国高耗能行业的能源强度。具体的政策建议包括：

第一，改进中国高耗能行业的生产技术。高耗能行业主要为其他行业提高生产原材料，在产业链中属于上游产业。根据一些专家的估计，中国电机的效率比发达国家要低20%左右（龚炳林，2006），中国每单位GDP所消耗的能源大约为日本和巴西的2倍，英国的3倍（牛东晓和劳咏昶，2014）。火力机组的平均能源效率仅为33.8%，比世界先进水平低6%到7%（王昕，2008）。能源效率低意味着能源强度高，先进的生产技术不仅要在终端生产上使用，而且要在中间环节使用，比如说，生产过程中的热力利用设备要更新。在化学原料及化学用品制造业中，存在大量的热力浪费，然而，传统的热力系统如酒精灯加热、电力加热、蒸气加热、水加热、油加热和砂浴加热效率不高，在生产过程中产生了一些副产品，导致能源浪费。微波加热是一种新型加热方式，因为它会大量降低加热时间和消耗的能源，提高了热力传输效率，满足低碳经济的要求（郑凌玲，2015）。劳动生产率与二氧化碳排放量正相关，说明中国高耗能行业中劳动生产率的提高并不是使用绿色技术实现的，而用绿色技术来实现劳动生产率的提高却是未来减少二氧化碳排放的主要趋势，所以要加大对绿色生产技术研发的支持力度。

第二，有必要对中国高耗能行业的资源进行有效配置，应该根据原材料和能源的分布以及市场需求来配置高耗能行业的资源。这样有可能解决产能过剩问题并减少交通运输成本。

第三，优化高耗能行业企业的内部管理。比如，要建立高耗能行业企业的淘汰机制，达不到排放标准的企业要进行淘汰。能源合同管理也可以逐步使用，这同时可以提高能源效率。

对产业规模来说，它会增加二氧化碳排放，然而，因为中国进入了工业化进程后期，产业规模并不会跟以前一样迅速扩张。高耗能行业会雇佣越来越少的工作人员，但是其产品仍然要满足经济发展的需求，这就要求高耗能行业进行技术的更新。产能过剩是当前中国高耗能行业面临的一个严重问题，所以未来政府要控制高耗能行业的盲目扩张，提高行业准入标准，并对相关行业设立排放限度。

1.2.3　中国高耗能行业能源强度的进一步分解分析

根据上文的分析，能源强度的下降是能够使中国高耗能行业二氧化碳排放量减少的最重要原因，但是并不清楚能源强度下降的深层原因，本小节将进一步对此问题作出回答。

我们将使用将对数平均迪氏分解法（Logarithmic Mean Divisia Index,LMDI）与生产分解分析法（Production Decomposition Analysis,PDA）相结合的方法。实施过程分为两步：第一步，使用LMDI方法将中国高耗能行业的能源强度分解为能源结构效应、产业结构效应和部门能源强度效应三个因素；第二步，使用PDA方法将部门能源强度效应分解为技术效率效应、技术进步效应、资本能源替代效应和劳动能源替代效应。

对全中国高耗能行业能源强度的分解结果中，除了上述效应外，还多一个地区产出结构效应（在分省分析中，不包括西藏、海南和港澳台）。主要结果如下：

表1-7　中国高耗能行业能源强度变化的主要因素分解

表1-7第2列是能源强度的变化值，如果该值小于1，则意味着能源强度下降。除了云南省，其他省的该值都小于1，这说明高耗能行业在除了云南省的其他地方能源强度均下降。对其他各效应来说，如果该值大于1，则说明其导致能源强度上升；如果该值小于1，则说明其导致能源强度下降。

在其他所有效应中，技术进步效应是对能源强度下降最显著的效应，其在所有省都小于1。分区域来看，技术进步效应使得东部地区高耗能行业能源强度下降70.76%，中部地区下降66.50%，西部地区下降69.14%。

对技术效率效应来说，其值在12个省大于1，在其他19个省小于1，这说明在这12个省中，技术效率下降，在另外19个省中，技术效率上升。这个发现与孙广生等（2012）的结论相一致，他们也是发现在1986—2010年间，有12个省的技术效率下降，且这些省份与本报告省份基本相一致。但幸运的是，对三大区域而言，技术效率效应的平均值小于1，说明对三大区域而言，技术效率还是使高耗能行业能源强度下降，且下降幅度在西部地区最大，为13.22%，中部地区为1.25%，东部地区为1.60%。一个可能的原因在于，西部地区最初的技术效率远低于中东部，这使得其有很大的提升空间，所以由技术效率效应导致的能源强度下降幅度最大。

对资本能源替代效应来说，其导致能源强度在20个省下降，这说明用更多的资本替代能源可以使能源强度下降。在中东部地区，资本能源替代效应使得能源强度下降，但是在西部地区，资本能源替代效应使得能源强度上升，这说明在中东部地区，资本替代了能源，但是在西部地区，能源替代了资本。西部地区能源资源丰富，能源价格也相对较低，所以西部地区的高耗能行业选择在生产过程中投入相对更多的能源。在未来，节能意识在西部地区有待加强，倒逼西部地区加快生产设备的更新，在生产中投入能源效率更高的生产设备。

劳动能源替代效应几乎在所有省都大于1，这说明该效应不利于能源强度的下降。可能的原因在于，近些年劳动价格一直呈现上涨趋势，但劳动力的供给却在减少，使企业劳动力成本大幅度增加，很多企业选择用能源来替代劳动，这对能源强度的下降不利。各能源品种之间的替代效应与1的差别不大，说明其对能源强度的影响几乎可以忽略。在生产一定量的产品过程中，如果用热值更高的能源品种替代热值较低的能源品种，能源强度将会下降，但是这种情况在中国高耗能行业中并没有发生。中国近些年在逐渐降低煤炭使用量，但是对高耗能行业来说，因为煤炭拥有成本低的优势，以其他能源来替代煤炭这一现象并不十分明显。

行业结构效应在中东部地区小于1，在西部地区大于1，这说明高耗能行业在中东部地区逐渐向低能源强度的高耗能子行业集中，在西部地区并没有如此。

地区产出效应测度的是高耗能行业是否向能源强度较低的地区集中。东部和西部地区这一效应大于1，但是中部地区小于1，说明东部和西部地区的高能耗行业在考查区间内向能源强度较低的地区集中，但在中部地区并没有如此。

分析完各区域高耗能行业能源强度下降的原因后，我们接着分析高耗能子行业能源强度下降的原因。如表1-8所示，非金属制品制造业的年平均能源强度最高，黑色金属冶炼及压延加工业其次，化学原料及化学用品制造业再次，有色金属冶炼及压延加工业最低。能源强度的变化这一列都小于1，说明能源强度在四个子行业都下降了。除了黑色金属冶炼及压延加工业外，技术效率导致能源强度在其他三个子行业都上升。也就是说，技术效率在其他三个子行业并没有上升，这可能与其粗放式发展相关。技术进步效应使得四个子行业的能源强度都下降了，说明四个子行业的技术都有进步。劳动能源替代效应都大于1，说明四个子行业都在生产过程中用能源替代劳动。除了化学原料及化学用品制造业外，其他三个子行业都用资本替代能源，但是这一替代效应对能源强度的下降作用有限，因为资本能源替代效应值与1相当接近。

表1-8　PDA方法分解分析高耗能子行业能源强度变化

为了使分析更加全面准确，我们接着以1年为单位分时间区间分析高能源行业能源强度变化的影响因素。从表1-9中可以看出，除了2007—2008年以外，能源强度在其他所有年份都有所下降。金融危机导致大量工厂关闭，中国东部地区受到的影响最大，而东部地区又是生产技术最先进的地区。中西部地区受到影响的时间相对滞后，所以中西部地区的工厂可以维持相对较长的生产时间，这会对能源强度的下降产生不利影响。技术效率的下降，用能源替代劳动以及能源结构的变化是2008年能源强度上升的主要原因。总体而言，2000—2013年能源强度下降，下降的年均速度是7.58%，技术进步效应、技术效率效应、资本能源替代效应和部门产出结构效应是使其下降的因素，而地区产出结构效应、劳动能源替代效应和能源结构效应是使高耗能行业能源强度上升的因素。

表1-9　以1年为单位的高耗能行业能源强度下降因素分解分析

技术进步效应是导致能源强度下降的最重要因素，共导致能源强度下降68.71%，年均下降8.63%。用资本替代能源是影响第二大的因素，共导致能源强度下降14.35%，年均下降1.35%。2004年以前，更多的能源来替代资本，但是从2005年开始，这一现象反转过来，即对节能的投资开始变得司空见惯。技术效率效应和行业结构效应的影响非常接近。它们分别导致能源强度下降6.14%和5.32%，年均下降0.33%和0.17%。技术效率得到了改进，这说明资源在高耗能行业中越来越被充分利用，尤其是2010年以后。行业结构效应的影响说明高耗能行业在逐渐向能源强度较低的子行业集中。从表1-10中可以看出，化学原料及化学用品制造业的产出在四个子行业总产出中的比重下降但是其他三个子行业的比重上升。非金属制品制造业的能源强度低于化学原料及化学用品制造业。劳动能源替代效应不利于能源强度的下降，即存在用能源替代劳动的现象，其平均每年使能源强度上升3.03%。能源结构效应的影响很小甚至可以忽略。受限于资源禀赋，煤炭在中国一次能源结构中扮演着最重要角色，其占比一直维持在70%左右，在高耗能行业中也是如此。Ma和Stern（2008）的研究结论与此类似。

表1-10　高耗能子行业平均能源强度及产出占比变化

图1-8描述了各省（不包括香港、澳门、台湾、西藏和海南）对高耗能行业能源强度下降的贡献度。可以看出，除了新疆做出了负贡献以外，其他各省的贡献均为正。分区域来看，东部地区辽宁省的贡献最大，其贡献度为9.83%，河北、上海紧随其后，贡献度分别为9.14%和9.01%。天津、福建和北京的贡献度最小。在中部地区，山西、河南和吉林的贡献度排名前三，贡献度分别为7.28%、5.63%和3.48%。在西部地区，贡献度第一和第二的省份之间的差距比另外两个地区大。甘肃和四川排名第一和第二。云南省的贡献度最小，为0.05%。贡献度小于1%的省份全部位于西部，分别为宁夏、内蒙古、青海和云南。相应地，这些省份的高耗能行业能源强度下降幅度很小，而云南省是唯一一个能源强度上升的省份。主要原因是这些省份用能源替代资本。西部能源成本相对劳动成本较低。辽宁、河北和上海的贡献度大于9%，主要原因是由技术进步和用能源替代劳动。三大地区的平均贡献度分别为5.56%、3.60%和1.42%。

根据上文的分析，为了使中国高耗能行业能源强度继续下降，提出以下政策建议：第一，继续保持技术进步趋势。中国高耗能行业的生产规模已经很大，例如，2015年中国生产了8.04亿吨粗钢，排名世界第一，占全球钢铁生产量的几乎一半。但是，没有一家中国钢铁企业能够在钢铁企业竞争力方面排名进入世界前十，说明中国钢铁企业生产高质量材料的能力有限。所以，要加强对中国高耗能行业生产技术研发的投资，只有生产技术持续进步，才有可能使其能源强度持续下降。第二，高耗能行业技术效率在有些省份没有得到提高，这与生产要素没有得到充分利用有关，价格扭曲是一重大原因，根据林伯强和杜克锐（2013）的研究，能源价格扭曲使能源效率下降了约10%，所以高耗能行业要逐渐转向集约式发展，能源价格也要逐渐由市场决定。尤其对西部地区而言，要停止用能源替代资本，而提高能源价格是个不错的选择。第三，用资本替代能源，加强对节能设备的投入和节能技术的开发。例如，废热利用技术和废物利用技术要在高耗能行业生产过程中采用，用二氧化碳作为中间生产过程中的原材料来合成其他种类的化工品这一技术要在化学原料和化学用品制造业中推广。第四，高耗能行业的地区布局要合理化。重点发展能源强度较低的高耗能子行业。每个省的生产优势不一样，未来要不断引导一些省生产其自己能源强度最低的高耗能子行业产品。

1.2.4　小结

本节用对数平均迪氏分解法和Kaya恒等式对中国高耗能行业二氧化碳排放变化进行分析，并得到影响其变化的最重要的三个因素，即能源强度效应，劳动生产率效应和产业规模效应。基于此，用协整理论建立了中国高耗能行业二氧化碳排放量与这三个因素的长期均衡关系，并进一步用情景分析法预测了未来的二氧化碳排放量和节能潜力。结果显示能源强度下降是中国高耗能行业二氧化碳排放量减少的最重要原因，产业规模和劳动生产率的提高是中国高耗能行业二氧化碳排放量增加的重要因素。这与Alves和Moutinho（2013）、Inglesi-Lotz和Pouris（2012）、Kumbarog.lu（2011）的研究结论相一致，从而在一定程度上佐证了我们结果的合理性。为了进一步探讨高耗能行业能源强度下降的深层次原因，我们进一步结合LMDI方法和PDA方法对能源强度做了分解分析，结果表明中国高耗能行业能源强度除了在云南省有所上升外，在其他各省份均有所下降，在中国东部、中部和西部地区的下降幅度分别为70.92%、61.26%和46.58%。技术进步效应是导致能源强度下降的最重要因素，高耗能行业的技术在各省都在不断进步，技术进步使高耗能行业能源强度在东中西部下降幅度分别为70.74%、64.26%和69.16%。技术效率在一些省得到了改进，在另一些省没有得到改进。资本替代能源在东部地区和中部地区有发生，有利于能源强度下降，但是用能源替代资本却在西部地区发生，不利于能源强度下降。部门产出结构效应的影响同资本能源替代效应的影响类似，在东部和中部地区，高耗能行业在逐渐向低能源强度的高耗能子行业集中。劳动能源替代效应不利于高耗能行业能源强度的下降，说明几乎所有省用能源替代劳动，这与劳动力成本高息息相关。在西部地区，能源替代劳动使高耗能行业能源强度上升约79.02%。能源结构效应的影响几乎可以被忽略，因为中国以煤为主的能源结构在短时间内不会改变。最后，除了新疆外，其他各省对中国高耗能行业能源强度下降做出正向贡献，云南省的贡献最小，辽宁、河北和上海的贡献度最大。

1.3　重工业——有色金属工业能源发展和利用[3]

1.3.1　有色金属工业背景介绍

经过三十多年的飞速发展，中国已然成为世界第二大经济体。伴随着经济的快速发展，中国亦于2010年超越美国成为世界上最大的能源消费国，到2015年中国的能源消费总量已占世界的22.9%。能源驱动作为经济发展的助推器，一方面给人类社会带来了繁荣和日新月异的发展，但是另一方面大量化石能源的使用又无疑造成了大量温室气体的排放和环境的污染。

能源对于人类生存和社会发展尤为重要，在中国经济和工业的发展中，能源消费大量增长。其中，中国总的能源消费量从2000年的14.6940亿吨标煤增长到了2014年的42.5806亿吨标煤，增长了近190%。工业部门的能源消费量从10.3773亿吨标煤增长到了2014年的29.5686亿吨标煤，工业部门能源消费在中国能源总消费占比在2014年接近70%，并且能源消费总量仍呈上升趋势。中国的能源消费量不仅非常大，而且与其他国家相比，中国有着高碳的能源结构。在一次能源消费结构中，中国在2014年的煤炭消费占比为66%，而同期世界平均水平为30%，美国为19.7%，中国的煤炭消费占比要远高于美国和世界平均水平。对于石油消费量，中国在2014年的占比为17.5%，世界平均水平为32.6%，美国的石油消费占比为36.4%，中国的石油消费比例要低于美国和世界平均水平。同时，中国的清洁能源消费占比却远远地低于美国和世界平均水平，中国清洁能源占比仅为16.5%，美国清洁能源占比为43.9%，世界平均水平为37.4%。中国传统化石能源在能源消费结构中的占比非常高并预计在今后很长时间内仍将不低。中国面对当前的国际国内生态形势和减排承诺，挑战无疑是巨大的。

能源消费的组成与工业经济发展的结构相关，在近几十年中，中国为发展工业耗费了大量的能源与资源。中国当前高能耗、高排放的工业产业结构是在不断发展中所形成的，工业结构的调整与转型也并不能在短时间内改变当前的能源消费结构。在经济和工业发展的限制下，产业结构和工业生产投入结构以及与工业发展所匹配的能源消费结构并不能在短时间内进行调整。中国传统化石能源在能源消费结构中的占比在未来很长时间内仍然会很高，能源消费所带来的碳排放也并不会迅速下降。

有色金属工业是我国重要的工业部门之一，产业关联度高，是其他工业部门不可替代的，在经济建设、国防建设、社会发展等诸多方面发挥重要作用。有色金属工业包括有色金属采选业、有色金属冶炼和压延加工业。有色金属是国民经济发展的重要材料，其在工业化和科学技术发展的过程中比如在航空、航天、汽车、机械制造、建筑等绝大多数的行业必不可少。

中国有色金属行业在改革开放后迅猛发展，特别是2000年后发展更为迅猛，中国成为世界上最大的有色金属生产及消费国。据中国有色金属工业协会统计，2016年，中国10种常用有色金属[4]产量达5283.2万吨，占全球总产量的40%以上。1980—2016年，中国十种常用有色金属产量从124.79万吨增至5283.2万吨，年均增长10.96%（如图1-9所示）。伴随有色金属高产量的必然是高的能源消费量，中国有色金属工业2014年消费18790.31万吨标准煤，占全国能源消费总量的4.41%，相当于比利时和瑞士两个国家（2014年）的能源消费总量。

数据来源：中国有色金属工业协会.

有色金属工业较高的能源消费量加之较为粗放的能源使用，引起了大量温室气体的排放。有色金属生产过程中温室气体的排放主要通过与生产过程相关的非能源的排放、生产过程中直接地化石燃料的使用和生产过程中电力使用所引起的间接排放三种途径形成。该行业的主要排放途径是生产过程中的化石燃料的使用和电力使用引起的间接的排放，又由于火电占中国电力结构的高比例（2014年火力发电占总发电量的75.2%），这直接决定了中国有色金属工业的高能耗和高排放。中国有色金属工业部门的二氧化碳排放在2000—2014年间增长了4～5倍，并且主要能源消费品种的二氧化碳排放量在2014年突破了3万吨。其中在2014年，有色金属工业二氧化碳排放量最多的省份是河南省，超过了6000万吨，约占全国该行业二氧化碳排放量的20%，另外，内蒙古、山西、山东、青海、陕西、甘肃、云南、广西的二氧化碳排放量也非常多，均超过了1000万吨。北京、上海、河北、天津、黑龙江、吉林、湖北等省份的二氧化碳排放量则相对较少。

中国近几十年的快速发展得益于工业部门的快速发展。但是中国工业部门对GDP的贡献却与其所消费能源、产生的碳排放量不相称。工业部门的发展，消费了大量的能源，由于过多的能源消费，中国工业部门自然就成为了最主要的碳排放与污染物排放源。其中，中国工业部门的二氧化硫排放和烟尘排放占比就达到了总排放的80%和70%。从中国的改革开放政策实施以来，中国工业部门对中国GDP平均贡献了40%，但是却消费了近80%的能源以及85%的二氧化碳排放（Zhou et al.，2016），这都表现了中国较高的能源消费以及碳排放。化石能源的消费和所产生的碳排放，给中国带来了严重的环境问题。尤其是在近几年中，中国各大城市雾霾频发，环境质量指数急剧下降。根据耶鲁大学在2012年发布的环境表现指数，中国在132个国家中排名116位，并且在全球10个污染最严重的城市中，中国就占了7个（Zhou et al.，2016）。为缓解当前生态环境所面临的巨大压力，国际各方应该共同努力来应对气候和环境变化。为了约束各个国家在节能减排与环境保护方面能够做出承诺并付诸实践，在2015年召开的巴黎气候大会中，100多个国家经过协商缔约了巴黎气候协定。其中，巴黎气候大会制定了具体目标：到本世纪末地球温度与19世纪工业革命前相比温度上升控制在2℃以内，并为将其控制在1.5℃内而努力。中国中央政府也承诺将于2030年左右使二氧化碳排放达到峰值，并承诺2030年单位GDP二氧化碳排放比2005年下降60%～65%。

总体来看，中国有色金属工业产业规模庞大并存在产能过剩，我国有色金属精深加工产品总体处于国际产业链中低端，产品精度、一致性、稳定性较差，部分电子、海洋工程、航空用高端有色金属产品还依赖进口。中国有色金属工业行业的产品多是产业链中上游的中低端制造，而许多技术要求较高的产品还需要通过进口来满足。例如在2016年，我国进口集成电路芯片2271亿美元，进口额已连续四年超过2000亿美元，是进口额最大的商品，集成电路材料中70%是有色金属，这说明中国有色金属工业的技术创新能力有待加强。同时，初级产品加工的能耗占整个产业链能耗相当大的比例，产品结构也是行业高能耗的主要原因。面对当前的经济发展形势，中国中央政府提出供给侧结构性改革。通过供给侧改革来解决供给体系生产要素低效率、低质量的“错配”。对供给侧的结构进行深入调整，能够矫正并优化产业投入的要素配置，提高供给结构的适应性和灵活性，提高全要素生产率。针对当前严峻形势，有色金属工业可以通过供给结构的调整来化解过剩产能并推动有色金属工业的规模经济，促进行业加快技术创新，优化资本能源、劳动能源投入要素的配置结构。为了行业健康发展、有效降低行业的能耗并提升效率，有必要加快相关节能生产技术研发和设备的升级改造。

1.3.2　有色金属工业的能源利用

图1-10是中国有色金属工业在2000—2014年间分地区的工业总产值（基期=2000年）及其全国占比。在此期间，三个地区的工业总产值增长迅速，东部地区的工业总产值由2000年的1132.29亿元上升到2014年的13797.3亿元，中部地区由723.66亿元上升到11468亿元，西部地区由725.97上升到7492.04，三个地区的工业总产值分别上升了11.18倍、14.84倍和9.32倍。通过对比三个地区的全国占比可以发现，东、西部地区的占比下降，中部地区的工业总产值占比明显上升。到2014年，东中西部三个地区的工业总产值占比分别为42.1%、35.0%和22.8%。

在近些年的有色金属工业生产中，资本、劳动和能源作为最主要的生产要素支撑了有色金属工业的生产发展。投入要素（资本、劳动和能源）呈现出明显的上升趋势。如图1-11所示，固定资产净值代表资本，在2014年达到了9031.37亿元人民币，相比2000年上升了5.22倍。能源消耗在2014年达到了9656.49万吨标煤，相比2000上升了3.05倍。劳动人口在2014年达到了262.34万人，相比2000年上升了0.70倍。有色金属工业是资本密集型产业，需要高资本、高能源投入。在2000—2014年的投入产出要素变化趋势上看，资本一直呈现上升趋势，但是能源消耗在2008年有上升放缓趋势，表现出了资本与能源之间在一定程度上的替代。

有色金属工业的技术进步使得产品生产能耗得到部分降低，但是有色金属工业作为重工业部门，能源消耗一直在上升。图1-12是中国有色金属工业在2000—2014年间主要能源品种的消费情况。有色金属工业生产中，电力是最主要的能源品种。有色金属工业的电力消费是继黑色金属工业和化工业之后最多的行业，占了全国电力消费量的7.58%（2014年中国统计年鉴）。该行业电力消费占比很高且在近些年大幅上升，这与产品生产特性有关，部分产品的电解工艺需要电力。电力消费量从2000年的956.62万吨标煤上升到2014年的5839.18万吨标煤，电力消耗从2000年的40.2%上升到2014年的60.46%。煤炭也是有色金属工业生产中的重要能源品种，煤炭消费从2000年的694.35万吨标煤上升到2014年的1653万吨标煤，但是消耗占比却出现了下降，从29.19%下降到了17.12%。其他能源消费品种的占比变化不大，电力与煤炭之间的替代比较明显。

数据来源：中国能源统计年鉴、中国工业统计年鉴、各省市统计年鉴.

数据来源：中国能源统计年鉴.

图1-13则是中国有色金属工业在2014年不同能源消费品种的占比。电力占比最高，达到了60.64%，其次是煤炭占比为17%，焦炭和天然气占比则在6%左右，油品和天然气的占比则为4%左右，其他能源消费品种2%。

不同地区展现了不同的产业结构，有色金属工业在不同地区的能源消费趋势也不尽相同。图1-14是中国有色金属工业在2000—2014年间三个地区的能源消费情况。中国东、中、西部地区的能源消耗均呈现出了上升的趋势，其中西部地区的能源消耗在2008年超过中部地区。结合图1-10来看，东部地区贡献了有色金属工业最高的工业总产值，能源消耗占比相对中、西部地区却是最低的。中西部地区在高能耗特征下的工业总产值占比贡献却相对较低。造成这种情况的原因主要是不同地区的产业结构不同。有色金属资源主要分布于中西部地区，并且主要是高能耗的初中级加工，而东部地区相对于中西部地而言则以中高级加工为主，东部地区得到了更多的产品附加值。

数据来源：中国能源统计年鉴.

数据来源：中国能源统计年鉴.

中西部地区的能源消耗占比较东部地区高。图1-15则展现了2014年中国有色金属工业各省的能源消费量情况。其中河南省的能源消费量最高，达到了2246.077万吨标煤，其次为内蒙古1505万吨标煤，山西、山东、陕西等省份的能源消耗也非常高。能源消耗最低的省市为北京市，其次为黑龙江、河北、上海、天津、吉林和安徽等。通过省份能源消耗的对比来看，中西部地区的省份较为集中地消耗了有色金属工业的能源。东部地区省份的能源消耗则相对较少。

数据来源：中国能源统计年鉴、各省市统计年鉴.

能源强度可以作为评价能源效率的一个单要素指标。图1-16则是中国2000—2014年间中国有色金属工业分地区能源强度[5]变化趋势。从总体上来看，中国整体以及东、中、西部三个地区的能源强度均呈现了下降趋势。东部地区的能源强度最低，并由2006年的0.37吨/万元下降到2014年的0.13吨/万元。中部地区的能源强度下降趋势最明显，由2006年的1.10吨/万元下降到2014年的0.36吨/万元，中部地区的能源强度在2007年以前与西部地区比较接近，之后，能源强度便迅速下降，到2009年接近于全国水平。对于西部地区而言，能源强度最高，但也呈下降趋势，从2006年的1.25吨/万元下降到2014年的0.74吨/万元。在此期间，东、中、西部三个地区的能源强度分别下降了63.4%、66.7%和40.5%。但是在2014年时，三个地区的能源强度差距仍然明显。其中，西部地区的能源强度是中部地区的2.02倍，是东部地区的5.43倍。通过能源强度这个指标以及以上的各种分析我们可以得知，中国有色金属工业不同地区间存在明显的能源消费差异。

数据来源：中国能源统计年鉴、各省市统计年鉴.

有色金属工业作为高能耗、高排放行业，是中国供给侧改革狠抓的重点。为了履行国际减排任务以及促进环境绿色发展，中国政府将节能减排列为中国社会经济发展的重要课题。

以上从不同角度详细分析了中国有色金属工业不同地区的能源结构和能源消费等静态的指标。在下文中，笔者将会构造动态的指标来分析中国有色金属工业能源生产率指标。这个指标可以详细描述能源生产率的变动情况，并且可以将其分解为三个指标来解释引起能源生产率变动的主要原因，分别为技术效率、技术进步和追赶效应。

对于中国有色金属工业，针对其高能耗的特征，我们有必要提升中国有色金属工业的能源生产率。中国的有色金属工业无论是在产品产量还是在能源消费方面的体量都是非常大的，在当前的低碳发展的大背景下，对有色金属工业进行动态能源生产率的研究对于了解行业的能源效率变化趋势有比较重要的意义。

1.3.3　有色金属工业Malmquist能源生产率指数

1.Malmquist能源生产率指数介绍

Malmquist指数最早是由Malmquist于1953年提出。1982年，Cavesetal将Shephard距离函数引入到Malmquist指数中。Malmquist指数在许多学者的研究下不断完善。Malmquist指数方法通过结合Shephard距离函数可以来计算投入产出效率。下式描述了Malmquist指数：

其中，IN表示投入，OUT表示产出，D表示Shephard距离函数。

作为非参数方法，Malmquist指数方法有很多优点。首先Malmquist指数方法的计算只需要量化的投入产出数据，而不需要价格数据。其次Malmquist指数方法可以很容易地分解为多种要素，以便于区分并分析影响要素的变化。再者，向Malmquist指数方法中添加投入或者产出数据时不需要考虑使用权重比例问题。

根据以能源消费为导向的Shephard距离函数，可以构建Malmquist能源生产率指数（MEPI）。我们可以根据在t期的生产技术集T（t）以及在t+1期的生产技术集T（t+1）来构造两期Malmquist指数。当MEPI＞1时，则表示决策单元t+1期相对于t期的能源生产率变好，MEPI值越大，则表示变好程度越高；若MEPI＜1时，则表示决策单元t+1期相对于t期的能源生产率变差。

式中：K代表资本存量，L代表劳动人口，E代表能源消费，Y代表总产出，k表示第k个决策单元，分别表示为不同的省市。

Malmquist指数的一个优点就是可以将这个指数分解为研究所需要的要素，根据Zhouetal（2010）的分解方式，可以将Malmquist分解为两项，分别为技术效率（EFFCH）和技术进步（TECCH）。在这里，组群前沿表示由决策单元组成的一个组群的最优的能源生产率水平，即将中国东、中、西部地区分别作为不同的组群。基于组群前沿，Malmquist能源生产率的分解过程为

在这里，EFFCH表示的是在t和t+1期的决策单元技术可行性前沿的比值，表示的是决策单元t+1期相对于t期的技术效率变化。TEECH表示的则是决策单元t+1期和t期相对的技术进步变化。当EFFCH＞1时，表示的是决策单元在t+1期相对于t期的技术效率上升，当EFFCH＜1时，则表示的是决策单元的技术效率下降；当TEECH＞1时，表示决策单元在t+1期相对于t期存在技术进步，当TECCH＜1时，则表示决策单元的技术退步。

共同前沿表示的是所有决策单元中最优的能源生产率，即将中国所有省份的最优能源生产指数作为共同前沿。共同前沿Malmquist能源生产率的分解过程为

在组群前沿和共同前沿下，两种情况下的前沿技术面不同，组群前沿面表示的是区域能源生产率的前沿，共同前沿面是组群前沿面的包络线，决策单元可以通过提高技术水平和技术效率使组群前沿面更接近于共同前沿面。即与之间存在技术追赶效应，Fare et al.（1994）首次提出追赶效应，

根据技术差距率的概念

我们可以将CATCHUP转变为技术差距率的几何平均数，表示为

那么，对于决策单元k，共同前沿能源生产率指数可以分解为

技术追赶效应（CATCHUP）表示了组群前沿面向共同前沿面的移动，当CATCHUP＞1时，表示组群前沿面向共同前沿面靠近，当CATCHUP＜1时，表示组群前沿面远离共同前沿面。

2.中国Malmquist能源生产率指数

通过计算能源生产率指数以及其分解的技术效率、技术进步和追赶效应指标可以分析有色金属工业2006—2014年的能源生产率指数动态变动情况，以对有色金属工业的能源生产率深入分析。

表1-11为中国有色金属工业各省市在2006—2014年的平均能源生产率、技术效率、技术进步及追赶效应。关于能源生产率指数，除上海和浙江外，其平均数均大于1，说明从整体上看，中国各个省市的能源生产率在2006—2014年间是上升的。黑龙江能源生产率指数平均值最高，其次为湖南及湖北，上海和浙江的能源生产率指数最低且小于1，说明这两个省份的能源生产率下降。

表1-11　中国有色金属各省市2006—2014年平均能源生产率、技术效率、技术进步和技术追赶效应

通过分解能源生产率指数得到技术效率、技术进步和追赶效应指标。对于技术效率指标，从各省份来看，上海、浙江、江苏、山西、河南、云南及青海的值小于1，说明这些省份的技术效率使得能源生产率下降，其余省份的技术效率值大于1，说明其余省份的技术效率使得能源生产率上升，其中内蒙古的技术效率最高。对于技术进步指标，只有河南省的技术进步指标小于1，为0.992，其余省份的技术进步指标均大于1，这说明了技术进步在各个省份提升有色金属工业能源生产率中的重要作用，其中内蒙古的技术进步指标最高。对于追赶效应指标，大部分省份均小于等于1，说明追赶效应并没有明显提升能源生产率。河南省的技术追赶效应最高。

图1-17展示的是2006—2014年中国有色金属工业东、中、西部地区能源生产率指数。从全国平均水平来看，每年的能源生产率指数均大于1，说明能源生产率逐年上升。中部地区的能源生产率指数也都大于1。东部地区在2007年和2010年的能源生产率指数小于1，说明当年的能源生产率较上年有稍微下降。而西部地区的能源生产率指数变动较为明显。

数据来源：本文计算.

图1-18展示的是中国有色金属工业2006—2014年分地区的能源生产率指数累加图。从图中可以看出，中部地区的能源生产率上升最为明显，说明在此期间内中部地区的能源生产率得到了最为明显的提升。其次为中国东部地区和西部地区，可以发现，中西部地区的能源生产率指数要低于全国平均水平。

数据来源：本文计算.

3.中国能源生产率指数及其分解结果

表1-12和图1-19表示的是中国有色金属工业能源生产率指数分解情况。促使能源生产率上升的主要因素是技术进步，其次为技术效率。对于技术效率，在2009—2010年间的值小于1，其余年份均大于1。对于技术进步，各个年份间的值均大于1。对于追赶效应指标，从图1-19上可以看出，在2006—2014年间，追赶效应并没有明显提升中国有色金属工业的能源生产率。

表1-12　中国有色金属工业能源生产率指数及其分解因素变动

数据来源：本文计算.

4.中国东部地区能源生产率指数及其分解结果

对于东部地区的能源生产率及其分解情况，通过表1-13和图1-20可以得知，促进东部地区能源生产率上升的因素是技术效率和技术进步。对于技术效率指标，除了2007，2010和2014年的技术效率值小于1外，其他年份的值均大于1。对于技术进步指标，各个年份的值均大于1，说明在各年中技术进步都促使能源生产率提升。对于追赶效应，各个年份间的值均为1。由于东部地区的组群前沿和共同前沿下的能源生产率相同，所以追赶效应并没有体现在东部地区能源生产率的提升上。

表1-13　中国有色金属工业东部地区能源生产率指数及其分解因素变动

数据来源：本文计算.

5.中国中部地区能源生产率指数及其分解结果

对于中部地区能源生产率及其分解情况，通过表1-14和图1-21可知，促使中部地区能源生产率上升的主要因素是技术进步，其次是技术效率和追赶效应。对于技术效率指标，在2008年小于1，技术效率下降，其余年份均大于1。对于技术进步指标，各年的值均大于1，说明技术进步明显促进了中部地区的能源生产率。对于追赶效应指标，在2008年明显提升了能源生产率。

表1-14　中国有色金属工业中部地区能源生产率指数及其分解因素变动

数据来源：本文计算.

6.中国西部地区能源生产率指数及其分解结果

对于西部地区的能源生产率及其分解情况，通过表1-15及图1-22可知，促进西部地区能源生产率上升的最主要的因素是技术进步，其次是技术效率。追赶效应并没有提升西部地区的能源生产率。技术效率上升的幅度接近于能源生产率上升幅度。对于技术进步，西部地区的技术水平相对于中东部地区较低，有很大的技术进步上升空间，通过各年分解结果，技术进步均大于1，技术进步对西部地区的能源生产率的提升最为明显。对于追赶效应，仅在2010和2014年大于1，其余年份均小于1，从累加结果上来看，追赶效应没有提升能源生产率。

表1-15　中国有色金属工业西部地区能源生产率指数及其分解因素变动

数据来源：本文计算.

7.中国有色金属工业主要政策建议

中国有色金属工业是高能耗、高排放的行业。该行业近些年中经历了快速的扩张，投入了较大的资本，并且消耗了大量的能源。近些年有色金属工业的能源强度有了明显的下降，但是不同区域间的能源强度差异仍然非常大。中国东部地区具有最低的能源强度并且贡献了最高比例的总产值。中国中西部地区资源丰富，有色金属初级加工占比较高，有较高的能源强度，贡献了相对较低的总产值。其中，由于技术和设备的提升，中部地区的能源强度下降最为明显。通过构造能源生产率指数，考察能源生产率的动态变化，发现在2006—2014年间的能源生产率指数呈明显的上升趋势。分地区来看，中部地区的能源生产率指数上升最为明显，其次为东部地区，西部地区的能源生产率指数上升幅度最少。通过能源生产率指数的分解结果来看，对于全国以及不同的地区，技术进步都是促使能源生产率指数上升最主要的因素。其次为技术效率变动，而追赶效应对能源生产率的提升没有表现出明显的促进作用。

通过分析中国有色金属工业的现状以及从多个角度分析不同地区的能源消费以及能源生产率，在当前的大背景下，本文提出以下关于中国有色金属工业发展的政策建议：

第一，中国有色金属工业东部地区的技术水平最高，能源强度最低，能源生产率上升最明显，东部地区具备较好的区位优势以及便利的资金支持，在这种形势下，东部地区应继续保持当前的技术发展趋势并加大对产业链末端的高端产品技术的研发。政府应加大对相关有色工业技术和产品的研发扶持，如航空航天、精密仪器所用材料。东部地区企业在自身区位和技术优势下，由高能耗的初级产品加工向低能耗的深加工转型，突破绿色壁垒以保证国际竞争力。

第二，中部地区在2006—2014年间能源生产率指数上升最为明显，能源强度也最为显著。自2006年《中共中央国务院关于促进中部地区崛起的若干意见》起，中部地区有色金属工业在相关多项政策扶持下展现强劲发展势头。中部地区自然资源丰富，应利用好该优势，在提升技术水平和产业装备的同时提高资源利用率。西部地区的能源强度和能源生产率表现都很差，西部地区企业应引进中东部先进生产技术和管理经验，在国家供给侧改革的大背景下，对于落后产能和高耗能企业，地方政府应加强监管，在不影响经济发展的情况下应对相关企业予以关停或者转型。

第三，清洁电力引入。中国有色金属工业在2014年消耗电力4708亿千瓦时，占了全国电力消费的8.5%。中国的中西部地区风电、光电以及西南地区水电特别丰富，有色金属工业企业可以提高使用相关的清洁能源电力的比例并降低火电的使用比例，一方面可以降低有色金属工业生产中的碳排放，另一方面也可以缓解中国的“弃风、弃光”问题。

第四，有色金属产品循环利用和产能转移。有色金属产品属于高载能物质，产品生产高能耗、高排放。国家政策应强化并推广有色金属的再生利用技术及其应用，这样可以大量节能减排。在国家供给侧改革的背景下，可以考虑转移有色金属产能到资源丰富的国家。比如中国当前的铜富氧熔炼技术和电解铝新型结构电解槽技术国际领先，具备出口技术的条件，国家以及相关企业可以在政治和投资环境允许的情况下向资源富裕地区转移技术和产能，优化国内产业结构并实现有色金属产业的节能减排与健康发展。

1.4　重工业——机械工业的能源发展利用

1.4.1　机械工业的发展现状

机械工业是重工业的重要组成部分。为国民经济各部门提供设备的机械工业是制造业的重要基础。根据《中国机械工业年鉴》，机械工业主要包括“非金属矿产品制造业，金属制品制造业，通用机械制造业，专用机械制造业，运输设备制造业，电气机械设备制造业，文化活动和办公室测量仪器和机械制造业”七个子行业。机械生产在工业化、城镇化进程中的经济发展和能源消耗中起着重要的作用。高耗能、重污染、低效率是机械行业的主要特点。中国机械工业的能源消费是近年来促进中国能源总需求快速增加的一个重要组成部分。节能是中国乃至全世界一项长期又紧迫的战略方针。而机械工业因高能耗、高污染，一直在可持续发展方面备受诟病。

21世纪，中国机械工业产值（增加值）从2000年的1308.88亿元增长到2014年的4909.35亿元（以1990年为基准）。这一部门的能源消耗也从2000年的14969.3万吨标准煤升至2014年的54074.3万吨标准煤（见图1-23）。中国积极推进节能减排，是确保机械工业可持续发展的关键。

数据来源：中国机械工业年鉴，中国统计年鉴.

自引入市场经济和实行改革开放政策以来，中国机械工业的能源投入急剧增加。2014年，中国机械行业的能源消费约为540.743亿吨，约占中国能源消费总量的12.7%。其中，在2014年，煤炭的消耗量约为27307万吨标准煤，油品的消耗量约为889万吨标准油，天然气的消费量约为156.1亿立方米，电力消费量约为7362.4亿千瓦时（见图1-24）。

随着工业化和城镇化的逐步推进，中国机械工业的能源消耗量可能在未来十年甚至更长时间内将保持较高水平。由于使用较多的化石燃料，节能已成为一个非常重要的课题。在本节中，我们试图用更多的资本或劳动力，对能源进行替代来解决这个问题，探索机械行业的能源替代。

数据来源：中国统计年鉴.

由于能源是生产要素之一，能源和非能源按照一定的比例投入生产，可以在一定程度上替代。在可替代性的前提下，通过改变能源和非能源投入因素的结合，实现经济增长和节能的双重目标是有可能的。因此，在机械行业生产中需要进行两点分析。首先，其他投入因素在多大程度上替代能源？其次，替代效果对机械行业的发展和节能有何影响？

在可持续经济发展和环境污染日益加剧的背景下，中国的机械行业面临着能源消耗的制约。在机械行业发展中如何优化资源配置，提高能源效率，降低能源强度已成为关键。本节试图研究1980—2014年期间中国机械工业的能源与资本和劳动力之间的替代效应。

1.4.2　机械工业的资本、劳动和能源之间的替代

目前，众多学者通过实证考察能源与非能源要素之间的替代弹性，对上述两个问题进行了积极地探索。一般认为：能源与非能源要素之间主要存在替代、互补、不确定三种相互作用关系，即在保持同样的经济发展水平下，增加非能源要素投入对能源消费量产生三种不同的作用，分别为减少、增加和不确定。

本文利用超越对数生产函数对中国机械工业在1980—2014年间能源与资本、劳动之间的替代关系进行了研究，并据此给出了相应的政策建议。

Translog函数属于二次响应面函数，具有易于估计的优点。首先，可以通过使用线性模型方法来估计基于输入输出（或价格）数据的超文本函数模型，这比非线性CES函数更容易处理。其次，在多因素情况下，各种因素之间的替代弹性由数据完全确定，没有任何其他限制。相反，一级CES生产函数假定任何一对元素之间的替代弹性是相同的。多级CES生产函数可以放宽这一假设，但是以引入嵌套结构为代价，并大大增加了模型的复杂性。第三，过时序功能可以是诸如Cobb-Douglas或CES生产函数的任意函数的二阶泰勒近似。第四，可以通过实际数据估计的产出弹性和替代弹性等具体参数而不需要先行假设。因具有上述优点，泛函函数被广泛用于揭示投入要素的替代效应。

Translog生产功能作为Cobb-Douglas或CES生产功能的延伸，在演示后很快变得流行起来。核心改进在于，它允许替代弹性随投入要素的比例而变化，而不同投入对之间的替代弹性可能不同。另外，放松均匀性和输入分离性也是一个重要的优点。

替代弹性是测量投入对之间替代关系的关键指标。替代弹性定义为投入对比率的百分比变化，对应于技术替代边际率比率的1%变化。Lerner指出，替代弹性的直观含义是等量曲率。

我们可以计算每年投入要素诸如资本，劳动力和能源的产出弹性，绘制这些产出弹性如图1-25所示，这表明资本的产出弹性最高，能量的产出弹性最低。所有输入因素的输出弹性一般呈上升趋势。资本的平均产出弹性约为0.517，劳动和能源的平均产出弹性分别约为0.487和0.443。它揭示了中国机械工业的能源投入大大增加，其产出弹性是所有三个投入因素中最低的。伴随着高能耗的经济增长模式并没有从根本上扭转。与资本和劳动力相比，有可能降低能源强度并提高能源效率。

我们计算资本、劳动和能源之间的替代弹性（见表1-16），它们的变化非常温和。实证结果如下：首先，资本、劳动和能源之间的替代弹性都是正的，相对稳定的，这表明任何两个投入之间的关系是替代效应，而不是互补。其次，所有的替代弹性略大于1，这表明这些投入要素之间的替代效应相对较强。第三，资本与能源之间的替代弹性约为1.0295，劳动和能源的弹性约为1.0296。增加资本或劳动力，但减少能源投入是可行的。第四，目前中国正处于环境退化和雾霾严重的阶段，用资本或劳动力代替能源可以促进节能减排和环境保护。

表1-16　1980—2014年期间资本、劳动和能源之间的替代弹性

注：K-L,K-E,L-E分别表示资本劳动，资本能源，劳动能源之间的替代弹性。

为了分析中国机械行业的能源替代效应，我们计算不同替代情景下的能源消耗。如果产量保持不变，提高资本或劳动力投入可以有效降低中国机械行业的能源消耗和二氧化碳排放量。

根据替代弹性，能源消耗结构和二氧化碳排放系数，我们估计2014年不同替代情景下能源消耗和二氧化碳排放量是相应减少的（IPCC 2006）[6]。

表1-17　2014年不同情景下的能源节约和二氧化碳减排

根据表1-17可以得到以下结果：

（1）在情景1中，如果劳动投入保持不变，资本投入增加5%将节约能源2774.2万吨标准煤，减少排放6455.3万吨二氧化碳；如果资本投入不变，劳动力投入增加5%将节约能源2773.8万吨，减少排放6454.3万吨二氧化碳。

（2）在情景2中，如果劳动投入保持不变，资本投入增加10%将节约能源5548.3万吨标准煤，减排12910.5万吨二氧化碳；如果资本投入不变，劳动力投入增加10%将节约能源5547.5万吨标准煤，减少排放量12908.7万吨二氧化碳。情景分析结果表明，中国机械行业的能源投入可能被资本或劳动力有效地替代。

1.4.3　机械工业不同能源品种之间的替代

通过投入使用更多的资本或劳动，可以减少对能源的消耗。接下来，我们继续讨论不同能源品种之间的替代可能性。不同的能源品种产生的污染排放程度是有一定差异的。煤炭的污染排放最大，油品其次，天然气和电力相对清洁，因此，探索不同能源品种之间的替代是具有重要的现实意义的。

本节从能源的要素属性出发，认为不同的能源品种之间有共同的能源属性，且受要素稀缺性和技术水平进步的影响，不同的能源品种在一定程度上可以相互替代。据此，在考察不同能源品种之间替代性难易程度的基础上，通过改变不同能源品种的投入比例，实现经济增长与节能降耗的双重目标。由此产生两个问题：在经济生产活动中，不同的能源品种在多大程度上存在替代性？且这种替代效应对未来经济发展以及能源节约将产生何种程度的影响？

在中国机械工业的能源消耗中，煤炭、石油、天然气和电力的产出弹性如图1-26所示，其中煤炭的产出弹性为0.2195，石油的产出弹性为0.1765，天然气的产出弹性为0.0718，电力的产出弹性为0.2803。可以看出，电力的产出弹性最高，煤炭的产出弹性次高，石油的产出弹性较低，天然气的产出弹性最低。但这些能源品种的产出弹性总体上差别并不大。

替代弹性指的是，在其他条件保持不变的情况下，由xi与xj的边际产量之比（xi与xj之间的边际技术替代率MRTS）的1%的变化所引致的投入比例xj/xi的百分比变化。

两种投入之间的替代弹性，衡量的是一种投入对另一种投入进行替代的难易程度。因此，替代弹性越大意味着一种投入对另一种投入替代的可能性越大。

图1-27给出了中国机械工业煤炭、石油、天然气、电力两两之间的替代弹性，从中可以发现：①煤炭石油、煤炭天然气、煤炭电力、石油天然气、石油电力的替代弹性相对平稳，说明煤炭石油、煤炭天然气、煤炭电力、石油天然气、石油电力之间存在着稳定的替代关系。②煤炭和石油的替代弹性是1.0352，煤炭与天然气之间的替代弹性在1.0239，可以用天然气对煤炭进行有效的替代；煤炭与电力之间的替代弹性在1.0286左右，也可以用电力对煤炭进行有效的替代。石油与天然气之间的替代弹性在1.0407左右，也可以用天然气对石油进行替代。石油与电力的弹性系数在1.0114左右，可以用电力对石油进行替代。天然气和电力的替代弹性是1.0163。③在当前中国能源资源紧张，环境恶化，雾霾严重的情况下，机械工业又是高耗能、高污染、高排放的行业，因此用天然气、电力对煤炭进行替代，可以达到减少能源消耗，降低排放，保护环境的目的。

从图1-28能够看出，不同能源品种之间的使用的技术进步存在一定的相对差异，煤炭的技术进步要高于石油和天然气，但低于电力。石油的技术进步低于天然气和电力。天然气的技术进步低于电力。

1.4.4　小结

本节分析了所有投入对之间的资本、劳动和能源的产出弹性和替代弹性。结果表明：

（1）在1980—2014年期间，研究中使用的所有投入的产出弹性是正的。资本的产出弹性为0.468～0.579，劳动和能源的产出弹性分别为0.426～0.553和0.397～0.498。总体而言，它们呈现出相对平缓的增长趋势。说明中国机械行业投入产出的利用效率一直在提高，虽然增幅不算太大。与资本或劳动力的产出弹性相比，能源的产出弹性最低；因此，它有更多的提高的余地。

（2）1980—2014年期间，资本和劳动力之间的替代弹性约为1.0268，资本能源和劳动能源的替代弹性分别约为1.0295和1.0296。所有替代弹性均被发现略大于1。这表明，用资本或劳动代替能源是可行的。

在分析了资本劳动能源之间的替代弹性以后，我们又建立了一个以资本、劳动、煤炭、石油、天然气、电力为投入要素的中国机械工业超越对数生产函数模型，分析研究了各主要能源品种的产出弹性和煤炭石油、煤炭天然气、煤炭电力、石油天然气、石油电力、天然气电力的替代弹性，结论如下：

（1）在1980—2014年期间，中国机械工业的能源投入要素中，煤炭、石油、电力、天然气的产出弹性均为正，煤炭的产出弹性在0.2195，石油的产出弹性在0.1765，天然气的产出弹性在0.0718，电力的产出弹性在0.2803，且都呈现逐年递增趋势，增长率比较平缓，说明中国机械工业的各品种能源投入要素的利用效率在不断提高，但幅度不是很大。天然气与电力的产出弹性最高，石油的产出弹性其次，煤炭的产出弹性最低。

（2）在1980—2014年期间，煤炭与石油的替代弹性在1.0352左右，煤炭与天然气的替代弹性在1.0239左右，煤炭与电力的替代弹性在1.0286左右，石油与天然气的替代弹性在1.0407左右，石油与电力的替代弹性在1.0114左右，天然气与电力的替代弹性在1.0163左右，这说明在中国的机械工业，可以用石油对煤炭进行替代，用天然气或电力对煤炭进行替代，用相对清洁的能源对高排放高污染的能源进行替代，减少环境污染和温室气体排放。

（3）通过分析不同能源品种之间的技术进步的相对差异，可以知道，由于中国的富煤贫油少气的资源禀赋，煤炭的利用技术相对较高，电力又是以火电为主，电力的利用技术也是相对很高的，石油和天然气的利用技术相对较低。由于中国的机械工业是高耗能的，大量的能源消耗无疑会对环境污染产生严重影响，石油比煤炭相对清洁，天然气污染较小，因此，应大力提高石油和天然气的利用技术，逐步加大石油和天然气的使用量，减少对环境的污染。

基于以上结论，本文给出如下政策建议：

首先，由于能源消耗高，二氧化碳排放量较高，中国机械行业应加大资本密集度，加大人力资源开发力度，加快产业结构调整步伐。中国政府应积极引导机械工业从能源密集型转向技术密集型。中国机械工业本身也应该利用当前有利的国际环境，引进发达国家节能技术，提高全要素生产率，促进发展方式的根本转变。资源消耗过剩，环境污染严重的传统开发模式，应逐步转变。鼓励和支持机械工业企业升级兼并重组。应该消除能源强度过高的机械企业。改善中国机械行业的管理和能源效率，降低成本是非常重要的。

其次，在中国机械工业，煤炭、石油、天然气、电力之间存在替代关系，那么就可以在给定机械工业产出水平的前提下，对机械工业企业施加能源总量控制和约束，并提高煤炭价格和税率，倒逼机械工业加大技术研发的资本投入和人力资源投入，促进节能技术水平的上升，提高能源利用效率，加快清洁能源对煤炭的替代，降低机械工业对能源的消耗水平，提高机械工业的全要素生产率，减少温室气体排放。

再次，从1980年到2014年，在中国机械工业，煤炭与石油、煤炭与天然气、煤炭与电力、石油与天然气、石油与电力之间的替代弹性均在1左右。并且，煤炭、石油、天然气、电力的产出弹性不同，煤炭与石油的产出弹性相对较低，尤其是煤炭的产出弹性最低。然而煤炭是高污染高排放的，石油次之，天然气与电力相对清洁。既然如此，政府可以通过价格、财政、税收等手段鼓励机械企业减少煤炭与石油的消耗，用天然气与电力对煤炭与石油进行替代，提高机械工业的能源使用效率，增加使用煤炭和石油的成本，有效降低机械工业的能源强度，减少机械工业的二氧化碳排放。