《Energy Economics》：Deconstructing energy inefficiency in China's manufacturing enterprises: Evidence from a machine learning evaluation method
编辑推荐：
•ML-DEA模型扩展了现有的效率评估框架。•所提出的方法构建了更为严格的效率前沿，提升了企业间的区分度。•企业层面的能源效率评估为能源利用提供了微观层面的洞见。•多维度异质性分析为制定差异化的能源效率政策提供了支撑。•无效性分解为企业的精准改进提供了指导。引言制造业是经济增
- •
ML-DEA模型扩展了现有的效率评估框架。
- •
所提出的方法构建了更为严格的效率前沿，提升了企业间的区分度。
- •
企业层面的能源效率评估为能源利用提供了微观层面的洞见。
- •
多维度异质性分析为制定差异化的能源效率政策提供了支撑。
- •
无效性分解为企业的精准改进提供了指导。
引言
制造业是经济增长的核心驱动力（Brandt等，2026），因其在促进就业和保障社会稳定方面发挥着至关重要的作用（Dwivedi等，2023）。然而，传统制造模式具有高能耗和高排放的特征，不仅破坏了生态平衡，还提高了环境治理的社会成本，使这一模式日益不可持续（Mortha和Arimura，2024）。在绿色转型的背景下，实现经济效益与环境成本之间的平衡以提升能源效率（EE）已成为国际社会关注的焦点（Aftab和Veneziani，2024）。
中国制造业的"固有"复杂性，以及由排放问题带来的"后天"压力，使得提升能源效率面临的挑战和不确定性更加复杂（Deng等，2025）。一方面，中华人民共和国工业和信息化部官方统计数据显示，中国制造业连续15年位居全球第一，2024年增加值达33.6万亿元，约占全球的30%。中国拥有世界上最为完整的制造业产品体系，在504种主要工业产品的产量上位居全球前列，形成了庞大而多元的产业结构，这构成了巨大的"固有"复杂性（Zhao等，2024）。另一方面，中国制造业长期依赖高投入和高能耗的生产模式，导致污染排放持续处于高位，这种生产模式产生了相当程度的"后天"排放压力（Deng等，2022）。因此，科学测算中国制造业的能源效率、制定精准的减排路径、推动制造业绿色转型已成为国家层面的迫切需求（Wu等，2025）。
现有研究大多采用传统效率评估方法在区域层面评估能源效率，但仍存在若干局限性。首先，许多研究仍依赖传统效率评估方法，如数据包络分析（DEA）（Sim?es等，2025），这类方法对极端值和异常值较为敏感，可能导致效率估计偏差，削弱能源效率测量的可靠性（?ak?r，2024）。其次，文献主要关注区域层面的能源效率，对企业层面的效率差异关注较少，因此难以捕捉不同企业在资源配置和能源利用行为方面的异质性（Yajima和Arimura，2022；Christou等，2025）。第三，尽管对能源效率的整体演变给予了广泛关注，但从更宏观的分析视角出发的研究，如对能源效率提升潜力的评估，仍有待深入。
在此背景下，本研究旨在回答若干研究问题。第一，如何将机器学习（ML）方法融入传统效率评估框架，以构建更为可靠和稳健的效率评估方法？第二，企业层面的能源效率总体表现如何，以及这种表现在不同企业之间存在怎样的差异？第三，能否从多维度进一步分析企业层面的能源效率，以识别潜在的提升路径？
据此，本研究开发了一种创新的ML-DEA框架，用于评估中国制造业的能源效率。首先，构建基于机器学习的决策单元（ML-DMUs），并将其纳入传统效率评估框架。其次，利用所提出的模型测量企业层面的能源效率，并通过与传统DEA模型的比较进一步检验该模型的有效性。第三，考察跨行业、跨区域的能源效率异质性，并将无效性进一步分解为内部和外部组成部分。
本研究的主要贡献如下。第一，传统DEA完全基于当前样本构建经验前沿，使得效率估计高度依赖样本，可能缺乏稳健性（He等，2025）。本研究通过将投影输入与机器学习预测的输出相整合来构建ML-DMUs，并将这些ML-DMUs与观测到的DMUs一起纳入评估框架，以建立扩展的效率前沿。在此前沿下的效率评估提供了更为严格的基准，增强了能源效率测量的稳健性和区分能力。第二，以往研究大多强调区域层面的能源效率，对企业层面的效率评估关注不足（Zhang等，2022；Edziah和Opoku，2024）。本研究通过运用ML-DEA框架，利用扩展的效率前沿更可靠地评估企业层面的能源效率。所提出的方法增强了能源效率测量的稳健性，并为效率提升提供了启示。第三，现有研究主要关注能源效率水平的测量，对不同维度上的能源效率异质性关注不足。为弥补这一空白，本研究进一步考察了企业、行业和区域之间的能源效率异质性，并将能源效率无效性分解为内部和外部组成部分，以识别效率损失的来源，并为能源效率提升提供差异化方向。
本文其余部分组织如下：第2节回顾能源效率测量和ML-DEA方法的相关文献。第3节构建ML-DEA模型。第4节利用2007—2022年中国上市制造业企业数据进行实证分析。第5节总结研究发现并讨论政策启示。
各章节摘要
文献综述
制造业生产的复杂性要求能源效率评估框架纳入异质性投入（如资本、劳动和能源），并捕捉生产过程中产生的经济收益和环境影响（Hadi-Vencheh等，2024）。作为非参数线性规划方法，DEA可以在不需要预设函数形式的情况下有效评估相对效率（Emrouznejad等，2025）。因此，DEA被广泛认为是一种
包含非期望产出的SBM-DEA模型
能源消耗通常伴随着非期望产出，尤其是污染物排放，这违反了传统DEA模型中产出应最大化的基本假设。因此，在构建能源效率测量模型时需要对非期望产出进行适当处理。根据Song等（2012）的研究，已开发出多种DEA方法来处理非期望产出问题。首先，一些研究者将非期望产出纳入投入
样本选择与指标
构建投入-产出框架以评估制造业企业的能源效率。在投入变量方面，采用固定资产（I1）作为资本投入的代理变量，以反映企业在生产过程中的资本存量与生产能力（Tajudeen，2021），固定资产也是生产能力的物质基础。劳动投入则通过应付职工薪酬（I2）来衡量，该指标反映了企业的劳动投入及相关生产成本（Haider等，2019
结论
本研究通过将ML-DMUs纳入DEA模型，开发了一种ML-DEA框架，用于评估2007至2022年中国制造业企业的能源效率。研究发现得出以下几项主要结论。首先，ML-DEA-EE与DEA-EE之间存在显著差异，证实了ML-DEA方法在提供更严格效率评估方面的方法论优势。其次，中国制造业企业能源效率的总体水平呈现出明显的金字塔形
CRediT作者贡献声明
孙嘉森：写作-审阅与编辑，写作-原始草稿，方法论，形式分析。蒋宇辰：写作-审阅与编辑，指导，软件，数据整理，概念构思。吴杰：写作-审阅与编辑，指导，调查，概念构思。
利益冲突声明
作者声明，不存在已知可能影响本文所报告工作的经济利益冲突或个人关系。
致谢
本研究得到了国家自然科学基金（72371179）和江苏省社会科学基金（25GLB009和25ZXZD010）的资助。
Jiasen Sun|Yuchen Jiang|Jie Wu
