李少林
东北财经大学产业组织与企业组织研究中心,大连 116025

Research on calculation of new energy’s power generation efficiency and analysis on its driving factors

LIShaolin
Center for Industrial and Business Organization, Dongbei University of Finance and Economics, Dalian 116025, China
收稿日期:2015-05-5
修回日期:2015-09-20
网络出版日期:2016-02-01
版权声明:2016《资源科学》编辑部《资源科学》编辑部
基金资助:国家自然科学基金青年项目（71403041）.教育部人文社会科学研究青年基金项目（14YJC790068）.辽宁省教育厅人文社会科学研究一般项目（W2014212）
作者简介:
-->作者简介： 李少林,男,湖北襄阳市人,博士,助理研究员,主要研究方向为产业经济、政府规制与碳减排等。E-mail：lishaolin0506@163.com



展开

摘要
新能源替代化石能源发电,已成为“雾霾治理”的重要手段,并在世界各国节能减排政策制定上达成广泛共识。本文将新能源发电的投入细分为太阳能装机容量、风能装机容量、地热能装机容量和生物燃料产量等四种形式,以新能源发电量作为新能源发电的产出指标,基于2001-2012年全球23个国家的平衡面板数据,对新能源发电的综合效率进行了基于Bootstrap-DEA方法的纠偏测算,并运用面板Tobit模型实证研究了新能源发电综合效率的驱动因素。研究发现：全球新能源发电的综合效率均呈现逐年上升态势;各国碳排放量并未构成新能源发电效率提升的倒逼机制;自然资源租金比重的提高促进了新能源发电效率的提升;城镇化率提升阻碍了新能源发电效率提升;人均收入水平较高的国家新能源发电效率普遍较高。本文提出应当提高新能源装机容量扩张政策与发电量提升政策的协同性,着力提升新能源发电效率,增加储能技术的研发投入,充分发挥地区自然资源禀赋优势,以破解“弃风限电”、“弃光限电”等制约新能源发展的瓶颈。

关键词：新能源;发电效率;节能减排;驱动因素;Bootstrap-DEA模型;Tobit模型;全球
Abstract
The fossil energy substituted by new energy has become an important means of ‘fog and haze governance’, reaching broad consensus on energy saving and emission reduction policies around the world. Here we defined new energy generation inputs as four forms (installed capacity of solar energy, wind power, geothermal energy and biofuels production) and defined electricity from new energy as an output indicator. Based on balanced panel data from 2001 to 2012 for 23 countries we used the Bootstrap-DEA method to correctly calculate the comprehensive efficiency of new energy’s power generation, and used the Tobit Model to empirically analyze driving factors of efficiency. We found that the comprehensive efficiency of global new energy power generation is rising; carbon emissions do not constitute a forced mechanism of the efficiency of new energy power generation; the proportion of natural resource rent has positive effects on the efficiency of new energy power generation; the urbanization rate has hindered the efficiency of new energy power generation; and the higher the per capita income of a nation, the higher the efficiency of new energy power generation. Based on these findings we propose that more attention should be given to the coordination of policies between the expansion of installed capacity and acceleration of generating capacity in order to improve the power generation of installed capacity. Research and development should be increased for energy storage technology, giving full play to the advantage of regional natural resource endowments, in order to crack the bottlenecks of ‘abandoned wind power’ and ‘abandoned light power’.

Keywords：New energy;generation efficiency;energy saving and emission reduction;driving factors;Bootstrap-DEA Model;Tobit Model;Global

-->0
PDF (2997KB)元数据多维度评价相关文章收藏文章
本文引用格式导出EndNoteRisBibtex收藏本文-->
李少林. 2001-2012年全球23国新能源发电效率测算与驱动因素分析[J]. , 2016, 38(2): 321-332 https://doi.org/10.18402/resci.2016.02.14
LI Shaolin. Research on calculation of new energy’s power generation efficiency and analysis on its driving factors[J]. 资源科学, 2016, 38(2): 321-332 https://doi.org/10.18402/resci.2016.02.14

1 引言

为应对石油危机与全球气候变化,世界各国在目标引导、政策激励、产业扶持、资金支持等方面对新能源发电领域给予了高度重视。《全球新能源发展报告2015》的相关数据显示^[1],2014年全球总发电量为23 131.2TWh,同比增长3.2%。其中,新能源发电量呈现高速增长态势,比2013年增长19%,占全球总发电量的6.2%。从装机容量来看,全球新能源装机容量达到653GW,占全球发电装机容量的比重为10.9%,比2013年增长了1.4个百分点;从新能源细分行业发电量的构成来看,风能、生物能和太阳能光伏发电占全球新能源发电量比重分别为50%、29%、15%,地热能、海洋能和聚光太阳能合计占比为6%,世界新能源发电日益成为替代化石能源发电的重要力量。需要说明的是,由于新能源与可再生能源在概念分类上有诸多的重叠部分,且通常将水能归为可再生能源（常规能源）而非新能源,本文按照开发利用状况将新能源界定为除水能以外的可再生能源,加之现有资料和文献大多针对可再生能源进行分析,为此,本文在评述新能源发展现状、问题、挑战和相关文献时,仍采用可再生能源的表述形式。
全球新能源发电面临着重要机遇,以新能源发电最为成功的德国为例^[2],德国可再生能源单日发电量曾达到单日总用电量的78%,在没有光伏发电的情形下,风能、生物能与水电等可再生能源甚至能够在夜间为德国提供大约25%的电力,作为工业大国的德国而言,年均28%的电力来自于可再生能源,对于推动低碳能源转型提供了重要抓手。与此同时,太阳能发电成本不断下降^[3],2015年,中国太阳能板平均1 W发电量卖61美分,比2008年下降了86.4%,而且随着太阳能和风能大规模进入供电网络,将大幅降低工业和居民用电价格。
然而,新能源发电领域普遍存在的弃风、弃光现象与政府补贴政策波动并存,成为新能源发电面临的严峻挑战。以中国为例,截止到2015年6月底,风电累计并网装机容量达到1.06亿kW,同比增长27.6%,2015年上半年风电弃风量为175亿kWh,平均弃风率是15.2%,表明在半年中有近175亿kWh的风电由于被限制发电而浪费掉,同比翻了一倍多,按照2014年的供电标准煤耗计算,浪费的电量折合标准煤556万t左右;与此同时,累计光伏发电量为190亿kWh,弃光率为9.47%,18亿kWh电量被浪费。一方面,可再生能源限电接近200亿kWh;另一方面,中国可再生能源补贴拖欠同样创新高,截至2015年6月,可再生能源基金补贴企业拖欠累计大约近200亿元^[4]。中国可再生能源“两个200亿”的严峻现实,使得可再生能源融资难、技术进步缓慢,恶化了产业发展环境,可再生能源发展规划目标实现的难度陡然增加。
每年世界可再生能源生产总量（太阳能、风能、生物燃料等）被耗尽的当天被称为“地球生态超载日”,据国际民间组织“全球足迹网络”的测算认为,从1987年12月19日（人类第一个生态超载日）开始,地球的生态超载日一年比一年早,1992年、2002年、2012年、2013年、2014年分别提前至10月21日、10月3日、8月22日、8月20日和8月19日,2015年地球生态超载日则比2014年提前了6天至8月13日。从20余年的趋势来看,每隔10年,地球生态超载日将早一个月出现,世界各国将进入越来越严重的“生态赤字”状态。新能源发电的弃风、弃光等现象与世界新能源“生态赤字”形成强烈反差,“弃风”、“弃光”现象越严重,反映出在新能源装机容量（投入）一定的情况下,新能源发电量（产出）越低,亦即新能源发电效率越低,因此,表明进行新能源发电效率的驱动因素研究是十分必要的,对于推动新能源发电效率与比重提升、应对全球气候变化具有重要的现实意义。
这里有两点需要说明。第一,本文研究对象亦即新能源发电的范围界定方面,广义上的新能源是指包括太阳能、风能、热能、生物质能、海洋能、潮汐能在内的能够循环再生的能源,新能源的开发利用分为用于直接发电、热利用、制作燃料等,其中新能源发电是对新能源利用的最主要形式,限于研究数据的可获得性和指标的对应性,本文所研究的新能源发电界定为太阳能、风能、地热能、生物燃料四种形式（新能源发电的主要来源）。第二,新能源发电效率的概念界定,现有文献针对发电效率的研究分为两大领域：一是不可再生能源（主要是煤炭行业）发电效率的测算与影响因素分析,通常是比较成熟的传统方法,以劳动力、资本、燃煤消耗、装机容量等指标作为投入,发售电量作为产出,基于DEA、SFA、Malmquist生产率指数和随机前沿生产函数模型进行技术效率的测算与分析^[5-12];二是基于新能源技术层面的发电效率计算、影响因素分析与提升策略,主要集中在如何最大限度利用新能源发电的原理与机制的研究。
现有关于新能源发电效率的研究文献主要是从技术层面展开,计算太阳能、风能、地热和生物质能利用的发电效率、分析影响因素,并提出提升措施。
作为最广泛的新能源发电形式,光伏发电效率的相关研究最为常见,如许晖等认为光伏发电最大的瓶颈是其效率问题,提高效率的关键是最大限度利用太阳能,他们将光伏电站划分为光伏阵列、汇流箱、逆变器和升压变压器等四个环节,光伏发电最终的效率是经过上述四个环节能量损失之后的效率,在分析了各环节工作原理后,甄别出损耗的来源,对整体发电效率进行了计算,并认为光伏发电效率受到天气、环境、负载等多因素的影响,且是处于不断变化中,在计算太阳能光伏发电效率时,每个光伏电站工程的实际情况都需要考虑在内,计算会相对复杂很多^[13]。针对太阳能光伏发电效率的影响因素研究文献大多从光能有效利用的技术特征方面入手。如尚华等对包括太阳光辐射量、光伏组件特性、最大功率峰值跟踪等因素进行了解剖,并厘清了影响太阳能光伏发电效率的机制,分别从提高电池光电转换效率、跟踪太阳光最大功率、优化电池阵列、提升软并网技术等四个方面提出了提升太阳能光伏发电效率的建议^[14]。李思琢等采用一维稳态传热模型,分析了太阳能PV板水平倾角、空气温度等对PV板发电效率的影响机制,研究结果表明,PV板水平倾角增长的过程中,发电效率呈现出先降后升的趋势,当达到45°的倾角时,发电效率降到最低;空气温度与发电效率呈现此增彼减的线性关系^[15]。史君海等认为光伏发电效率是决定电站优劣的关键指标,从组件安装、逆变器效率、系统结构等层面对太阳能光伏发电效率的影响因素进行了分析,从优选设备、集成研发和效率监测等方面提出了促进光伏电站效率提升的措施^[16]。
风力发电效率的相关研究主要集中在风力发电系统的改进。如刘吉臻等通过对风力发电系统的工作原理进行分析,采用梯度估计的风力发电系统最优转矩最大功率点追踪进行效率优化,研究结果表明,通过梯度估计设计的最优转矩补偿器,能够有效提高系统的动态特性,且算法简单,对于提高风力发电效率具有较高的应用价值^[17]。地热能发电效率的研究主要是针对地热发电热力循环效率影响因素的分析,如卢志勇等通过对地热系统循环过程的计算,研究了冷凝水温度、氨的质量浓度对循环效率的影响,结果表明,系统循环效率与氨的质量浓度呈现正相关关系,但氨浓度过高将导致系统的整体经济性下滑^[18]。生物质发电效率的研究主要包括效率评价、影响因素分析和效率提升对策,如闫庆友等系统整理并筛选了2010年以来具有代表性的30家生物质发电项目,使用BC2模型、AR模型与分地区的AR模型进行评价,结果表明,中国生物质能的分布存在明显的区域差异性,西南、中南和华东地区的生物质发电效率普遍较高,提升市场和产业环境对于北方的生物质发电效率提高具有重要作用^[19]。黄少鹏以五河凯迪生物质能发电厂的调研为基础,研究了秸秆发电产业所存在的问题,研究表明,资产专用性限制、运输成本、国家补贴缺口等因素是导致农业秸秆发电受到制约的重要原因,提出惩罚与激励相结合、加强循环产业链建设、适度提高上网电价等有利于生物质发电的政策措施^[20]。
针对新能源发电效率驱动因素的分析,主要分为四大类。一是新能源发展评价,主要是针对新能源发展规划进行研究。如李虹等通过层次分析法和线性规划模型分析,在2020年中国可再生能源比重为15%的目标设定下,对水电、风能、太阳能等可再生能源的最优比例进行了计算,目的是为可再生能源的发展规划和政策制定提供参考^[21];陈艳等从技术锁定、资源赋存、制度安排等角度分析了可再生能源替代化石能源的路径选择问题,研究认为短期内可再生能源的发展不具备价格优势,且不能确保经济的可持续增长,为制定可再生能源发展规划和政策扶持提供了一些政策建议^[22]。二是如何对新能源的发展进行政策激励,重点是光伏发电产业的激励机制问题。如肖兴志等在对中国光伏发电相关政策进行系统梳理的基础上,基于政府补贴、研发激励与上网电价制定等维度剖析了产业链不同环节激励机制所存在的问题,在吸取德国经验基础上,提出须从上网电价的合理制定、优化补贴方式和加强发输电与计量的研发激励等层面重构中国的光伏发电激励机制^[23];俞萍萍认为中国的可再生能源激励适宜采取固定上网电价模式,政策制定需考虑能源禀赋和技术水平^[24];苏竣等的研究认为中国可再生能源的技术创新主要是以国家科技计划为主导,而企业的参与度不高,且技术推广相对来讲不足^[25]。三是可再生能源替代不可再生能源方面的研究。如孙鹏等从能源替代视角分析了能源企业之间的动态博弈,研究结论认为,只有在可再生能源企业不断投入研发经费的前提下,可再生能源产出增长率恒为正且不断地提高,而不可再生能源恒为负且呈现出不断地下降趋势,只有当技术知识积累大于市场博弈效应时,能源总产出增长率才会恒为正^[26];宋辉等通过系统动力学模型分析了可再生能源对化石能源资源的替代潜力与预期^[27];赵新刚等采用1994-2010年中国的可再生能源发电和火电时间序列数据,运用LVC模型研究了两者技术的替代关系,研究发现具有相互的促进作用^[28]。四是可再生能源投资行为的分析。如Masini等的研究认为,尽管投资者在可再生能源技术投资上起着重要作用,但经验证据显示投资者并不愿意去投资,虽然清晰明确的政策能够刺激可再生能源投资,但是收效甚微,原因在于没能深入理解投资者行为,以至于并未有效驱动和影响投资者的决策过程^[29]。
从上述文献梳理可以看出,关于新能源发电效率与驱动因素研究的局限性主要体现在以下三个方面：第一,从研究视角来看,现有文献的研究主要从技术层面研究如何最大限度提高新能源发电的利用效率,尚未考虑政府补贴政策因素的影响;第二,从研究范式上来看,主要属于规范研究,实证研究不足;第三,从研究方法上来看,通常采用传统的DEA、SFA等方法进行测算,效率值的估计存在高估的缺陷。
区别于现有文献的研究,本文将传统能源技术效率测算的方法进行基于Bootstrap-DEA方法的改进,然后应用于经济层面（区别于现有文献的“技术层面”）的新能源发电效率测算。具体而言,本文将细致分类的新能源装机容量作为新能源发电的投入,新能源发电量作为新能源发电的产出,实际上,在投入与产出的两端,政府补贴政策通过作用于设备投入使得新能源装机容量得以扩张,而通过作用于上网电价间接使得发电量得以提升,基于世界各国新能源投入产出数据测算出的效率即为经济层面的新能源发电效率,该经济层面的新能源发电效率是基于政府补贴政策下的新能源投入（装机容量）与产出（发电量）效率,全面涵盖了世界各国新能源发展政策实践和技术层面的信息。因此,本文所研究的新能源发电效率的内涵更为丰富,对于准确衡量经济层面的新能源发电效率和优化政策扶持方向具有重要的理论与应用价值。

2 研究方法与数据来源

2.1 研究方法

由于传统DEA估计出来的效率仅是相对意义上的“效率”概念,一般情况来看,真实的效率值不大于DEA方法所估计出来的效率值,本文采取Bootstrap纠偏技术,运用Simar等提出的Bootstrap-DEA方法,以实现对全球不同国家新能源发电投入产出效率进行精确测度的目标^[30]。该方法近年来在投入产出效率的测算研究中得到广泛运用,方创琳等运用Bootstrap-DEA方法对中国城市群的投入产出效率进行了综合测度,研究发现基于Bootstrap-DEA方法纠偏后的中国城市群投入产出效率较低,但是更加可靠有效^[31]。周江等使用Bootstrap-DEA方法估计了中国煤炭工业的区际发展效率和置信区间,给出了中国能源生产布局的准确估计^[32]。王亚华等运用Bootstrap-DEA方法对1980-2005年中国交通运输行业技术效率进行了测评,结论认为Bootstrap纠偏的效率值低于未纠偏的效率值,原因在于Bootstrap方法将前沿面的非效率因素也考虑在内^[33]。
Bootstrap-DEA方法的原理在于通过不断地重复抽样模拟数据的生成过程,并将原始的估计量应用在所模拟的样本里,目标是可近似得到原始估计量的样本分布。其优点在于能够不断修正效率评价值的偏误,且能够提供置信区间。假设真实的数据生成过程是 P,经过重复抽样得到的数据生成过程的合理估计是 P^,这样通过Bootstrap就能够产生原始统计量的样本分布情况。对于给定的一组投入产出（ xm,ym）效率测度对应于 em（Efficiency Measurement）,那么可以得到公式（1）：
(e^m*-e^m)P^~(e^m-em)P（1）
式中 em、 e^m和 e^m*分别表示真实Farrel、数据生成过程 P下和数据生成过程 P^下的效率测度值,由此能够估计出 e^m的偏误。具体估算方法可分为5步：
（1）对于一组投入产出（ xm,ym）,求解线性规划得出式（2）的 e^m：
e^=mmine≤∑i=1nγiyi;exm≥∑i=1nγixi;∑i=1nγi=1;e>0(γi≥0,i=1,2,3,?,n)（2）
（2）运用Bootstrap方法,基于 e^m(m=1,2,3,?,n)产生一组式（3）所示的随机样本： e*1b,e*2b,e*3b,?,e*nb
（3）计算：
X*b=(x*ib,yi)(i=1,2,3,?,n)x*ib=(e^m/e*ib)xi(i=1,2,3,?,n)（3）
（4）利用式（4）计算 e^m的Bootstrap估计值 e*mb(m=1,2,3,?,n)计算公式如下：
（4）
（5）重复以上步骤 N次,以确保置信区间的覆盖面,最终得到一组估计值：
e^m,b*(b=1,2,3,?,N)
本文选择Bootstrap-DEA方法不仅可以对小样本量的传统DEA估计结果进行纠偏,而且针对不同新能源投资的计量单位不同,该方法可为测算不同类型新能源发电的技术效率提供可行的思路。测算新能源发电效率所用的指标包括4个投入指标和1个产出指标,限于数据的可得性,着重界定了新能源发电量、太阳能容量和风电装机容量的国家。基于选择新能源发展较为成功的国家以及数据可得性原则,选取了23个样本国家,分别是：加拿大、墨西哥、美国、奥地利、比利时、丹麦、芬兰、法国、德国、希腊、意大利、荷兰、挪威、葡萄牙、西班牙、瑞典、土耳其、英国、中国、日本、印度、韩国和澳大利亚。由于部分国家还尚未开发地热能和未统计生物燃料产量的数据（产量很低,可忽略不计）,因此将这些国家的这两个指标值作为零来处理。从选取的研究区间来看,本文只选择了2001年以后的数据,因为2000年以前,新能源尚未得到大规模的重视和发展;此外,限于数据可得性,最新数据截至2012年,所以研究的样本区间为2001-2012年,其少量缺失的样本数据以该指标近两年数据的加权平均代替,最后得到23个国家12年的平衡面板数据,共计276个样本点。

2.2 指标选取与数据来源

2.2.1 新能源发电效率测算指标选取与数据来源
新能源的投入主要体现在装机容量或产量的扩张上,限于数据可得性,本文主要考虑了四类新能源,分别是太阳能容量、风能装机容量、地热能装机容量和生物燃料产量。原始数据来源于BP能源,EPS全球统计数据/分析平台中的《世界能源数据库》（2001-2012年）。新能源发电的产出可用发电量来表示,数据来源于世界银行,EPS全球统计数据/分析平台中的《世界经济发展数据库》（2001-2012年）。其中,2012年的少量缺失数据以近两年的加权平均代替。在对各国碳排放量影响因素进行实证研究的设计中,将基于Bootstrap-DEA方法纠偏的新能源发电综合效率作为自变量,并选取影响新能源发电综合效率的驱动因素进行实证研究,为提高新能源发电综合效率的政策制定提供定量依据。
2.2.2 新能源发电效率驱动因素指标选取与数据来源
为甄别新能源发电效率是否受到环境污染倒逼的压力,采用各国二氧化碳排放量作为环境污染的代理变量。为避免由于数据的换算加工和计算所带来的偏差,各国二氧化碳排放量的原始数据来源于BP能源,EPS全球统计数据/分析平台中的《世界能源数据库》（2001-2012年）,并对其取自然对数。此外,影响新能源发电综合效率的因素主要包括资源禀赋、人口分布和经济发展水平等方面,因此,驱动因素变量主要选取了自然资源租金总额占GDP的比重、城镇化率和人均GDP等变量作为衡量指标。
采用自然资源（包括森林、矿产、煤炭、石油、天然气）租金总额占GDP的比重表示自然资源开采对新能源发电效率影响的代理指标。假定一国能源结构禀赋决定其消费结构,因此,自然资源租金总额占GDP比重亦可近似代表世界各国对新能源的需求结构。自然资源对经济增长的贡献指标的原始数据来源于《世界经济发展数据库》（2001-2012年）。城镇化的推进不断改变着城镇居民的能源消费习惯,因此对碳排放量具有直接的影响。当前中国部分大中城市雾霾天气的日益加重引起了针对城镇化质量的高度关切,因而考虑这一影响因素则具有现实意义。世界各国城镇化率指标采用城镇人口占总人口的比重代表,数据来源于《世界经济发展数据库》（2001-2012年）。人均GDP可用来衡量经济发达程度,因此采用世界各国按照美元不变价的人均国内生产总值表示,原始数据来源于《世界宏观经济数据库》（2001-2012年）,并对其进行取自然对数处理。所搜集和整理的上述各个变量指标的描述性统计参见表1所示。
Table 1
表1
表1变量的描述性统计
Table 1Descriptive statistics of variables

变量	变量涵义	样本量	均值	标准误	最小值	最大值
solar	太阳能容量/MW	276	920.799	3 168.056	0.000	32 643.000
wind	风能装机容量/MW	276	4 779.489	9 855.664	3.000	75 372.000
geothermal	地热能装机容量/MW	276	221.529	599.277	0.000	3386.000
biofuel	生物燃料投入/万toe	276	90.879	3 482.530	0.000	28 250.840
electricity	新能源发电量/亿kWh	276	190.216	314.618	1.070	2387.430
carbon	二氧化碳排放量（万t,取自然对数）	276	578.400	139.000	372.300	912.800
proportion	自然资源租金总额占GDP的比重/%	276	2.560	3.922	0.021	21.907
city	城镇化率/%	276	74.495	14.788	27.981	97.515
pgdp	人均国内生产总值（不变价美元,取自然对数）	276	10.050	1.047	6.156	11.505

新窗口打开

3 结果及分析

3.1 基于Bootstrap-DEA纠偏测算的新能源发电综合效率

根据前文对于投入产出指标的界定,使用R3.1.2软件版本,采用Benchmarking包里的DEA-boot命令进行新能源发电的综合效率纠偏测算。基于规模报酬不变的投入导向模型,设定抽样次数为200次,估算结果见表2。其中,“综合效率 em”代表的是新能源发电投入产出综合效率的原始DEA估计量,“综合效率 e^m”代表的是经过Bootstrap纠偏之后的DEA估计量,“偏误”代表的是Bootstrap纠偏之后得到的DEA偏差估计量,满足等式：综合效率 e^m（纠偏）=综合效率 em-偏误;置信区间的上下界代表的是“综合效率 e^m（纠偏）”的95%Bootstrap置信区间的上下界;根据此方法,计算得到了2001-2012年23个国家新能源发电的投入产出综合效率原始值和纠偏值。
Table 2
表2
表22012年23国新能源发电原始效率值与Bootstrap-DEA纠偏效率估计值比较
Table 2The original efficiency values of new energy power generation compared with the Bootstrap-DEA correction efficiency estimation of 23 countries in 2012

国家	综合效率		偏误	置信区间
	em		e^m（纠偏）	下界（2.5%）	上界（97.5%）
加拿大	1.000	0.996	0.004	0.990	0.999
墨西哥	0.997	0.993	0.004	0.987	0.997
美国	0.994	0.990	0.004	0.984	0.993
奥地利	0.991	0.987	0.003	0.981	0.990
比利时	0.988	0.984	0.003	0.978	0.987
丹麦	0.985	0.981	0.003	0.975	0.984
芬兰	0.981	0.978	0.003	0.972	0.981
法国	0.978	0.975	0.003	0.969	0.978
德国	0.975	0.972	0.003	0.966	0.975
希腊	0.972	0.969	0.003	0.963	0.972
意大利	0.969	0.966	0.003	0.960	0.969
荷兰	0.966	0.963	0.003	0.957	0.966
挪威	0.963	0.960	0.003	0.954	0.962
葡萄牙	0.959	0.957	0.003	0.951	0.959
西班牙	0.956	0.953	0.003	0.948	0.956
瑞典	0.953	0.950	0.003	0.944	0.953
土耳其	0.950	0.947	0.003	0.941	0.950
英国	0.947	0.944	0.003	0.938	0.947
中国	0.943	0.941	0.003	0.935	0.943
日本	0.940	0.937	0.003	0.932	0.940
印度	0.937	0.934	0.003	0.929	0.937
韩国	0.934	0.931	0.003	0.926	0.934
澳大利亚	0.931	0.928	0.003	0.922	0.930
平均值	0.966	0.963	0.003	0.957	0.965

新窗口打开
从表2可以看出,经过纠偏测算的新能源发电综合效率值基本上要比原始的DEA效率值低,原因在于Bootstrap方法将前沿面的非效率因素也考虑在内,所以基于规模报酬不变的传统DEA方法高估了效率得分;经过纠偏后的综合效率恰好落在置信区间的下界与上界之间,修正了传统DEA方法通常将无效单元判断为DEA有效的缺点,符合真实效率值通常小于等于传统DEA效率值的观点,表明引入Bootstrap纠偏技术所得出的结论是可靠的。

3.2 测算结果分析

从表3可以看出,23个国家的新能源发电效率在2001-2012年间中除了2011年出现小幅下降以外（可能的原因在于2011年全球新能源发电新增装机容量迅猛增长,已超过化石燃料和核电的总和）,其余年份均呈现出明显的上升趋势,尤其是2001年中国新能源发电效率仅为0.453,2011年上升为0.941;加拿大、美国、法国、德国的新能源发电效率位列世界前列;意大利、日本和英国的新能源发电综合效率偏低,原因可能在于意大利和日本的能源高度依赖于进口,加之政府频繁更迭和能源政策的“模棱两可”使得新能源发展相对滞后;英国新能源发电效率位居23个国家的第18位,原因可能在于其能源结构是以化石燃料为主（石油和天然气占主导地位）,短期内难以通过实现新能源发展来带动能源综合效率的提升。此外,2002年和2003年的效率测算结果出现较大幅度的下跌甚至出现个别负值,可能的原因在于这两年全球新能源投资规模呈现“井喷”,而储能技术则尚未达到同步提高,因此导致如表3所示的测算结果;2004年以后,新能源发电的综合效率测算结果较好地反映了发电技术和储能技术的稳步提升。
Table 3
表3
表32001-2011年23个国家新能源发电Bootstrap-DEA纠偏效率估计值
Table 3The Bootstrap-DEA rectification efficiency estimated values of new energy’s power generation of 23 countries between 2001 and 2011

年份	2001	2002	2003	2004	2005	2006	2007	2008	2009	2010	2011
加拿大	0.608	-0.035	0.676	0.928	0.975	0.920	0.914	0.939	0.983	0.996	0.996
墨西哥	0.736	0.029	0.675	0.790	0.979	0.896	0.891	0.930	0.979	0.994	0.993
美国	0.874	0.097	0.679	0.857	0.976	0.871	0.868	0.918	0.974	0.993	0.990
奥地利	0.879	0.172	0.085	0.920	0.978	0.846	0.846	0.904	0.970	0.991	0.987
比利时	0.483	0.260	0.132	0.775	0.936	0.819	0.824	0.890	0.964	0.989	0.984
丹麦	0.578	0.367	0.182	0.846	0.940	0.794	0.802	0.874	0.959	0.988	0.981
芬兰	0.695	0.506	0.235	0.916	0.937	0.768	0.780	0.858	0.953	0.986	0.978
法国	0.833	0.682	0.290	0.766	0.938	0.743	0.759	0.840	0.947	0.984	0.975
德国	0.833	0.654	0.355	0.839	0.898	0.718	0.737	0.822	0.941	0.982	0.972
希腊	0.531	0.645	0.430	0.913	0.902	0.693	0.716	0.942	0.935	0.981	0.969
意大利	0.646	0.676	0.516	0.817	0.897	0.668	0.695	0.930	0.929	0.979	0.966
荷兰	0.757	-0.110	0.609	0.699	0.899	0.928	0.674	0.917	0.984	0.977	0.963
挪威	0.761	-0.046	0.510	0.757	0.859	0.898	0.654	0.901	0.979	0.975	0.960
葡萄牙	0.412	0.021	0.507	0.804	0.863	0.870	0.634	0.885	0.975	0.973	0.957
西班牙	0.496	0.093	0.510	0.680	0.858	0.840	0.614	0.868	0.970	0.971	0.954
瑞典	0.596	0.175	0.014	0.742	0.859	0.811	0.595	0.850	0.964	0.969	0.951
土耳其	0.703	0.270	0.059	0.797	0.820	0.782	0.576	0.833	0.959	0.967	0.948
英国	0.702	0.386	0.106	0.669	0.824	0.754	0.557	0.815	0.953	0.965	0.945
中国	0.453	0.511	0.155	0.731	0.818	0.727	0.539	0.797	0.947	0.963	0.941
日本	0.554	0.477	0.203	0.789	0.819	0.700	0.521	0.779	0.941	0.961	0.938
印度	0.636	0.464	0.257	0.705	0.781	0.674	0.502	0.761	0.935	0.958	0.935
韩国	0.639	0.497	0.315	0.607	0.785	0.648	0.843	0.744	0.929	0.956	0.932
澳大利亚	0.338	-0.197	0.372	0.654	0.779	0.849	0.781	0.726	0.923	0.945	0.929
均值	0.641	0.287	0.342	0.783	0.883	0.792	0.710	0.858	0.956	0.976	0.963

新窗口打开

3.3 基于面板Tobit模型的新能源发电效率驱动因素研究

根据新能源发电的技术经济特征,新能源发电的综合效率驱动因素包括地区自然资源禀赋、经济发展水平和人口分布等。现有文献主要是研究新能源发电绩效评价与碳减排效率的驱动因素。如蔡立亚等对主要工业化国家的新能源与新能源发电绩效的评价结果表明,新能源及新能源比较丰富国家的发电绩效总体来看要低于资源匮乏的国家,发达国家的发电绩效绝对水平高于发展中国家,但增速低于发展中国家^[34];刘婕等基于城镇化率和要素禀赋对全要素碳减排效率影响的实证结果表明,城镇化率的提升使得碳减排效率呈现出“U”型特征,政府应从地区间要素禀赋的差异性着手,基于碳市场的建立来控制能源型省份的城镇化进程^[35]。
由于新能源发电综合效率值基本上均介于0~1之间,属于受限因变量,若直接采用OLS回归,将导致有偏估计或者不一致^[36]。针对数据观测值受限或者被截断所提出的Tobit模型可解决此类问题,对于包含世界各国新能源发电效率及其驱动因素的面板数据而言,固定效应Tobit模型一般得不到一致的估计值,因此,采用随机效应Tobit模型进行分析,Tobit模型的具体形式如下：
Yi*=X′iα+εiεi~N0,σ2)(i=1,2,?,N)（5）
当 Yi*>0时：
Yi=Yi*=X′iα+εi（6）
当 Yi*≤0时：
Yi=0（7）
式中 Yi、 Yi*、 Xi和 α分别表示不可观测的真实情况、可观测的因变量、自变量向量、相关系数变量; εi独立且服从于正态分布;将数据在0处进行左端的截取,当 Yi*>0时,观测值取的是实际的观测值,当 Yi*≤0时,观测值取0;采用最大似然估计方法对模型估计得到的系数 α与 σ2是一致的。世界各国新能源发电效率驱动因素的面板Tobit回归模型如公式（8）所示：
EEit=β+X′α+εit（8）
式中等号左边代表新能源发电效率; X表示驱动因素指标的向量; α表示系数向量; εit表示随机误差项。
新能源发电效率驱动因素的指标选取与数据的描述性统计参见2.2.2章节和表1。受限随机效应面板Tobit模型估计结果见表4。从表4可以看出,个体效应标准差和随机干扰项标准差均比较小;RHO的值在0.620以上,表明个体效应的变化在较大程度上解释了世界各国新能源发电效率的变化,对数似然值表明模型的拟合优度比较好。碳排放量对新能源发电效率影响的作用机制是：为应对全球气候变化的严峻形势和保障能源安全,碳排放量越大的国家,由于肩负着更多的碳减排责任,寄希望于新能源越多的期待,在出台众多支持新能源发电政策与装机容量扩张的基础上,可能更关注于新能源发电效率的提升。为此,本文选择世界各国碳排放总量作为可能影响新能源发电效率的因素,验证新能源发电补贴政策的实施与装机容量扩大的背后,以控制碳排放为目标的倒逼机制是否有效驱动了新能源发电效率的提升。表4的回归结果显示,碳排放量对新能源发电综合效率的影响为正,但在5%的显著性水平上不显著,表明各国碳排放水平未能倒逼新能源技术升级,严峻的碳减排压力并未有效驱动新能源发电效率提升。
Table 4
表4
表4面板Tobit模型估计结果
Table 4The tobit model estimation results

发电效率	系数	标准误差	Z值	双尾检验概率	95%置信区间
					下限	上限
碳排放	0.065	0.041	1.590	0.112	-0.015	0.145
租金比重	1.588	0.902	1.760	0.078	-0.180	3.356
城镇化率	-1.548	0.496	-3.120	0.002	-2.519	-0.576
人均收入	0.469	0.063	7.400	0.000	0.345	0.594
常数项	-3.218	0.572	-5.620	0.000	-4.339	-2.096
个体效应标准差	0.265	0.065	4.100	0.000	0.139	0.392
随机干扰项标准差	0.206	0.010	20.910	0.000	0.187	0.226
RHO	0.624	0.122			0.376	0.828

注：模型估计的对数似然值为2.38。
新窗口打开
自然资源租金比重对新能源发电效率影响的作用机制是：由于自然资源租金总额包括石油、天然气、煤炭、矿产和森林的租金之和,这些自然资源大部分属于不新能源,且在消耗中会产生大量的碳排放。当严重依赖于不新能源的国家想要完成碳减排任务,就必须更多地依赖于新能源发电,在装机容量扩张的同时,自然资源租金比重较高的国家就可能更倾向于在发电效率上加大研发投入,从而使得新能源发电效率高于自然资源租金比重较低的国家。因此,从理论上讲,自然资源租金比重提高对新能源发电效率具有促进作用。表4的回归结果显示,自然资源租金比重对新能源发电综合效率的影响为正,且在5%的显著性水平上显著,说明自然资源租金比重较大的地区,新能源发电综合效率较高,这恰恰与蔡立亚等的研究结论相反^[34]。原因在于他们将新能源发电绩效定义为各国新能源及新能源装机容量占新能源及新能源资源的比例,实质上是衡量新能源及新能源资源的开发程度,而本文的新能源发电综合效率则指的是在装机容量一定时所能够产出的最大发电量,反映的是投入产出的效率。
城镇化率的提高显著降低了新能源发电的综合效率,其传导机制是：一方面,城镇化率提高显著带动能源消耗增长,据国务院发展研究中心的相关测算数据^[37],城镇化率每提高1%,将大约增加6 000万t标煤的能源消费,而由于短期内以煤炭为主导的能源格局难以得到根本改观,新能源也难以成长为能源消费的主力军,城镇化所面临的“高碳锁定”的局面难以破解,加之城镇化率提升引起财政资金吃紧,而对新能源政府补贴则始终存在较大缺口,因此城镇化率提升可能进一步恶化新能源发电的财政补贴缺口,导致新能源发电效率难以提升;另一方面,随着城镇化率的提高,大量城市建设用地将会侵蚀太阳能等新能源发电的占地规模,新能源发电的储能技术尚未得以突破,加之大规模的城市分布式发电系统尚未构建,城镇化率的提升短期内将可能阻碍新能源发电效率提升。人均收入水平对新能源发电效率影响的作用机制是：一方面,人均收入水平越高的国家是相对比较发达的国家,这些国家往往注重在各领域的研发投入,因此在新能源发电储能技术的研发上也会投入较多的政策与资金支持;另一方面,人均收入水平越高的国家,物质水平更加丰富,居民对环境质量的要求就会更高,公众对高环境质量的诉求在推动新能源发电方面起到更大的影响力,从而可能促进新能源发电效率提升。表4的回归结果显示,人均收入的系数在1%的显著性水平上显著,意味着经济越发达的地区,新能源发电效率越高,表明人均收入对新能源发电效率影响的作用机制是成立的。

4 结论与政策启示

4.1 结论

全球石油危机与气候变化的严峻形势,日益倒逼世界各国积极探索新能源发电,以寻求破解“全球生态赤字”的僵局,由于新能源发电的技术经济特征与政府相关补贴政策的波动,使得新能源发电效率的提升成为世界各国关注的焦点,当前文献着重从技术层面研究了如何最大限度提升新能源利用的发电效率,本文区别于现有文献的研究,基于投入产出视角的Bootstrap-DEA方法,对世界各国新能源经济层面（涵盖技术层面与政府补贴等政策层面）的发电效率进行了纠偏测算,并采用面板随机效应Tobit模型实证研究了新能源发电效率的驱动因素影响方向与程度。
本文的主要贡献体现在：一是首次界定了新能源经济层面的发电效率概念,将技术层面和政府补贴层面的信息一并纳入考虑,测算出经济层面的新能源发电效率,该发电效率全面涵盖了技术经济与相关财税政策支撑、大规模储电技术及装置和电网的“冗余技术”能力、电网规模与输变电距离等影响新能源发电效率的因素;二是系统整理和采用2001-2012年世界上23个国家分类细致的新能源投入数据,将各类新能源的装机容量或产量作为新能源发电的投入,将新能源发电量作为产出数据,利用Bootstrap-DEA纠偏方法测算出经济层面的新能源发电投入产出综合效率;三是对新能源发电效率的驱动因素进行了基于面板随机效应Tobit模型的实证分析,为促进新能源并网发电的综合效率和节能减排绩效提升提供稳健的实证依据和政策意涵。
研究结果表明,传统DEA测算方法高估了效率得分,经过Bootstrap-DEA方法纠偏的新能源发电效率更接近于真实效率,纠偏后的全球新能源发电的综合效率呈现出逐年上升态势,尤其是中国的新能源发电效率在研究样本区间内得到较大幅度的改善。研究显示,加拿大、墨西哥、美国等主要发达国家的新能源发电综合效率高于其他国家。基于面板随机效应的Tobit模型对驱动因素的研究结果表明,碳排放量倒逼新能源发电效率的机制在世界各国尚未普遍形成,丰富的自然资源有利于促进新能源发电效率提升,其对新能源发电效率的弹性系数为1.588;城镇化率提升一方面限制了部分新能源发电规模,另一方面导致财政补贴资金吃紧,加之大规模的城市分布式发电系统尚未建立,进而影响了新能源发电效率的提升;由于经济发展水平提升引致的环境偏好增强,研究结果还印证了人均收入水平较高的国家新能源发电综合效率普遍较高的结论。

4.2 政策启示

本文研究结论对于以新能源替代促进碳减排的政策制定或调整优化提供了有益的经验证据和思路启发,具体来说有以下几点：
（1）新能源开发利用应当以发电效率提升作为基本标准,避免过多的政策刺激仅作用于装机容量提升等投资领域,政策应准确定位于提升单位装机容量的发电量,提高装机容量扩张政策与发电量提升政策的协同性。
（2）充分利用新能源资源的地区禀赋优势,加快推进大型新能源发电的基础设施建设,尤其是储能技术的研发投入。
（3）着力推进新能源城市建设,实施绿色屋顶工程。本文研究的局限性体现在新能源发电的产出衡量较为单一,本文也尚未构建各国针对新能源发展政策的量化指标。这些不足之处将是本研究进一步拓展的方向。
The authors have declared that no competing interests exist.

---

参考文献文献选项 原文顺序
文献年度倒序
文中引用次数倒序
被引期刊影响因子

[1]	贾科华. 2014年全球新能源发电量同比增19%[N]. 中国能源报, 2015-4-20(3). [本文引用: 1] [JIA Kehua. Global new energy power generation increased by 19% in2014[N]. China Energy News, 2015-4-20(3)] [本文引用: 1]
[2]	马晓舫. 德国可再生能源发电比例再破记录 [EB/OL]. (2015-08-05) [2015-09-20]. .URL [本文引用: 1] [Ma X H. Ratio of Renewable Energy Power Generation in German beating the Record [EB/OL]. (2015-08-05) [2015-09-20]. .URL [本文引用: 1]
[3]	吴新竹. 可再生能源领域面临不堪重负的市场 [EB/OL]. (2015-08-03)[2015-09-20]. .URL [本文引用: 1] [Wu X Z. Renewable Energy Field Facing Overwhelmed Market [EB/OL]. (2015-08-03) [2015-09-20]. .]URL [本文引用: 1]
[4]	连振祥, 张玉洁. 国家能源局: "两个200亿"成为中国可再生能源发展的最大问题 [EB/OL]. (2015-08-08) [2015-09-20]. .URL [本文引用: 1] [Lian Z X, Zhang Y J. National Energy Administration: "Two of 20 Billion" Becoming the Largest problem of Renewable Energy Development in China [EB/OL]. (2015-08-08) [2015-09-20]. .]URL [本文引用: 1]
[5]	Fare R, Yoon B J.Returns to scale in U.S. surface mining of coal [J]. Resources & Energy, 1985, 7(4): 341-352. [本文引用: 1]
[6]	Coelli T J.Total Factor Productivity Growth in Australian Coal-fire Electricity Generation: A Malmquist Index Approach[R]. Sydney: Paper Presented at the International Conference on Public Sector Efficiency, 1997.
[7]	Knittel C R.Alternative regulatory methods and firm efficiency: Stochastic frontier evidence from the U.S. electricity industry [J]. Review of Economics & Statistics, 2002, 84(3): 530-540.
[8]	刘新梅, 刘博. 发电企业基于AHP的DEA效率研究 [J]. 生产力研究, 2006, (3): 244-245. [Liu X M, Liu B.Research on the Data Envelopment Analysis efficiency of power generation enterprises based on the Analytic Hierarchy Process [J]. Productivity Research, 2006, (3): 244-245.]
[9]	白雪洁, 宋莹. 中国各省火电行业的技术效率及其提升方向-基于三阶段DEA模型的分析 [J]. 财经研究, 2008, 34(10): 15-25. [Bai X J, Song Y.Technical efficiency and its upgrade orientation of thermal power industry in provinces of China-based on the analysis of three-stage DEA model [J]. Journal of Finance and Economics, 2008, 34(10): 15-25.]
[10]	陶锋, 郭建万, 杨舜贤. 电力体制转型期发电行业的技术效率及其影响因素 [J]. 中国工业经济, 2008, 22(1): 68-76. [Tao F, Guo J W, Yang S X.Technical efficiency of Chinese power generation and its determinants in the period of electric-system transition [J]. China Industrial Economics, 2008, 22(1): 68-76.]
[11]	张各兴, 夏大慰. 所有权结构、环境规制与中国发电行业的效率 [J]. 中国工业经济, 2011, (6): 130-140. [Zhang G X, Xia D W.Ownership structure, environment regulation and efficiency of Chinese power generation industry [J]. China Industrial Economics, 2011, (6): 130-140.]
[12]	李宏舟, 邹涛. 我国电力行业发电技术效率及影响因素: 2000-2009年 [J]. 改革, 2012, (10): 44-50. [本文引用: 1] [Li H Z, Zou T.The efficiency and influencing factors of power generation industry in China during 2000-2009 [J]. Reform, 2012, (10): 44-50.] [本文引用: 1]
[13]	许晖, 尹忠东. 光伏发电的效率计算 [J]. 科技视界, 2014, (9): 262-262. [本文引用: 1] [Xu H, Yin Z D.The efficiency of photovoltaic power generation [J]. Science Technology Vision, 2014, (9): 262-262.] [本文引用: 1]
[14]	尚华, 王惠荣. 太阳能光伏发电效率的影响因素 [J].宁夏电力, 2010, (5): 48-50. [本文引用: 1] [Shang H, Wang H R.Analysis on the factors affecting the efficiency of solar energy photovoltaic power generation [J]. Ningxia Electric Power, 2010, (5): 48-50.] [本文引用: 1]
[15]	李思琢, 陈红兵. 自然冷却下太阳能PV板发电效率的影响研究 [J]. 山西建筑, 2014, 40(14): 138-139. [本文引用: 1] [Li S Z, Chen H B.Research on the influence of solar PV board power generation efficiency under natural cooling [J]. Shanxi Architecture, 2014, 40(14): 138-139.] [本文引用: 1]
[16]	史君海, 孙丽兵, 张丽莹. 提高并网光伏发电效率分析与建议 [J].电力与能源, 2013, 34(4): 402-404. [本文引用: 1] [Shi J H, Sun L B, Zhang L Y.Analysis and suggestion on improving efficiency of photovoltaic power generation [J]. Power Energy, 2013, 34(4): 402-404.] [本文引用: 1]
[17]	刘吉臻, 孟洪民, 胡阳. 采用梯度估计的风力发电系统最优转矩最大功率点追踪效率优化 [J]. 中国电机工程学报, 2015, 35(10): 2367-2374. [本文引用: 1] [Liu J Z, Meng H M, Hu Y.Efficiency optimization of optimum torque maximum power point tracking based on gradient approximation for wind turbine generator system [J]. Proceedings of the CSEE, 2015, 35(10): 2367-2374.] [本文引用: 1]
[18]	卢志勇, 朱家玲, 张伟, 等. Kalina地热发电热力循环效率影响因素分析 [J].太阳能学报, 2014, (2): 326-331. [本文引用: 1] [Lu Z Y, Zhu J L, Zhang W, et al.Analysis of influencing factors on Kalina cycle geothermal power plant [J]. Acta Energiae Solaris Sinica, 2014, (2): 326-331.] [本文引用: 1]
[19]	闫庆友, 陶杰. 中国生物质发电产业效率评价 [J]. 运筹与管理, 2015, (1): 173-178. [本文引用: 1] [Yan Q Y, Tao J.Evaluation of China biomass power generation industry efficiency [J]. Operations Research and Management Science, 2015, (1): 173-178.] [本文引用: 1]
[20]	黄少鹏. 影响秸秆发电产业发展的制约因素分析-基于五河凯迪生物质能发电厂调研 [J].再生资源与循环经济, 2014, 7(8): 17-19. [本文引用: 1] [Huang S P.Analysis on the restricting factors for future development of straw power industry [J]. Recyclable Resources and Circular Economy, 2014, 7(8): 17-19.] [本文引用: 1]
[21]	李虹, 董亮, 段红霞. 中国可再生能源发展综合评价与结构优化研究 [J].资源科学, 2011, 33(3): 431-440. [本文引用: 1] [Li H, Dong L, Duan H X.On comprehensive evaluation and optimization of renewable energy development in China [J]. Resources Science, 2011, 33(3): 431-440.] [本文引用: 1]
[22]	陈艳, 朱雅丽. 新能源产业发展路径: 基于制度变迁的视角 [J].资源科学, 2012, 34(1): 50-57. [本文引用: 1] [Chen Y, Zhu Y L.Industry development path of renewable energy from perspectives of institutional transition [J]. Resources Science, 2012, 34(1): 50-57.] [本文引用: 1]
[23]	肖兴志, 李少林. 光伏发电产业的激励方式、他国观照与机制重构 [J]. 改革, 2014, (7): 75-86. [本文引用: 1] [Xiao X Z, Li S L.Incentives of photovoltaic industry, other country’s experience and mechanism reconstruction [J]. Reform, 2014, (7): 75-86.] [本文引用: 1]
[24]	俞萍萍. 国际碳贸易价格波动对可再生能源投资的影响机制-基于实物期权理论的分析 [J]. 国际贸易问题, 2012, (5): 94-104. [本文引用: 1] [Yu P P.Evaluating renewable energy investment options with uncertainty under volatile international carbon prices: A real options approach [J]. Journal of International Trade, 2012, (5): 94-104.] [本文引用: 1]
[25]	苏竣, 眭纪刚, 张汉威, 等. 中国政府资助的可再生能源技术创新 [J]. 中国软科学, 2008, (11): 34-44. [本文引用: 1] [Su J, Sui J G, Zhang H W, et al.Government funded renewable energy innovation in China [J]. China Soft Science, 2008, (11): 34-44.] [本文引用: 1]
[26]	孙鹏, 聂普焱. 动态视角下可再生对不新能源的替代 [J]. 系统工程, 2014, (3): 92-98. [本文引用: 1] [Sun P, Nie P.The substitution of renewable energy for depletable energy under dynamic perspective [J]. Systems Engineering, 2014, (3): 92-98.] [本文引用: 1]
[27]	宋辉, 魏晓平. 我国可再生能源替代的动力学模型构建及分析 [J]. 数学的实践与认识, 2013, 43(10): 58-70. [本文引用: 1] [Song H, Wei X P.Research on renewable energy substitute model based on system dynamics in China [J]. Mathematics in Practice and Theory, 2013, 43(10): 58-70.] [本文引用: 1]
[28]	赵新刚, 刘平阔, 刘璐, 等. 中国可再生能源发电对火力发电技术替代的实证研究-基于LVC模型 [J]. 技术经济, 2011, 30(10): 40-44. [本文引用: 1] [Zhao X G, Liu P K, Liu L, et al.Empirical analysis on technological substitution of electric power generation of renewable energy for thermal power generation in China: Based on Lotka-Volterra competition model [J]. Technology Economics, 2011, 30(10): 40-44.] [本文引用: 1]
[29]	Masini A, Menichetti E.The impact of behavioural factors in the renewable energy investment decision making process: Conceptual framework and empirical findings [J]. Energy Policy, 2012, 40(1): 28-38. [本文引用: 1]
[30]	Simar L, Wilson P.Sensitivity analysis of efficiency scores: How to bootstrap in nonparametric frontier models [J]. Management Science, 1998, 44(1): 49-61. [本文引用: 1]
[31]	方创琳, 关兴良. 中国城市群投入产出效率的综合测度与空间分异 [J]. 地理学报, 2011, 66(8): 1011-1022. [本文引用: 1] [Fang C L, Guan X L.Comprehensive measurement and spatial distinction of input-output efficiency of urban agglomerations in China [J]. Acta Geographica Sinica, 2011, 66(8): 1011-1022.] [本文引用: 1]
[32]	周江, 李成东, 张鋆. 基于Bootstrap-DEA方法的我国区际能源生产效率分析 [J]. 财经科学, 2014, (5): 124-130. [本文引用: 1] [Zhou J, Li C D, Zhang J.China’s inter-regional energy production efficiency: Based on Bootstrap-DEA method [J]. Finance＆Economics, 2014, (5): 124-130.] [本文引用: 1]
[33]	王亚华, 吴凡, 王争. 交通行业生产率变动的Bootstrap-Malmquist指数分析(1980-2005) [J].经济学(季刊), 2008, 7(3): 891-912. [本文引用: 1] [Wang Y H, Wu F, Wang Z.Productivity in China’s transportation sector: A Malmquist Index and Bootstrap Approach(1980-2005) [J]. China Economic Quarterly, 2008, 7(3): 891-912.] [本文引用: 1]
[34]	蔡立亚, 郭剑锋, 姬强. 基于G8与BRIC的可再生能源及新能源发电绩效动态评价 [J]. 资源科学, 2013, 35(2): 250-260. [本文引用: 2] [Cai L Y, Guo J F, Ji Q.Evaluation of new and renewable energy power generation performance in G8 and BRIC Nations [J]. Resources Science, 2013, 35(2): 250-260.] [本文引用: 2]
[35]	刘婕, 魏玮. 城镇化率、要素禀赋对全要素碳减排效率的影响 [J]. 中国人口·资源与环境, 2014, 24(8): 42-48. [本文引用: 1] [Liu J, Wei W.Impact of urbanization level and endowment disparity on carbon reduction efficiency [J]. China Population, Resources and Environment, 2014, 24(8): 42-48.] [本文引用: 1]
[36]	肖兴志, 姜莱. 战略性新兴产业发展对中国能源效率的影响 [J]. 经济与管理研究, 2014, (6): 83-92. [本文引用: 1] [Xiao X Z, Jiang L.The effect of the development of strategic emerging industries on China’s energy efficiency [J]. Research on Economics and Management, 2014, (6): 83-92.] [本文引用: 1]
[37]	李伟. 城镇化率每增加1%, 需6000万吨标煤的能源消耗 [EB/OL]. (2014-02-12)[2015-09-20]. .URL [本文引用: 1] [Li W. 1% of Increase in Urbanization Rate needs 60 Million Tons of Standard Coal [EB/OL]. (2014-02-12) [2015-09-20]. .]URL [本文引用: 1]