基于空间计量的中国省域能源效率分布及其影响因素分析

刘建民 毛 军

(1.湖南大学经济与贸易学院，湖南长沙 410079;2.湖南财政经济学院，湖南长沙 410205)

一、引言

能源问题日益成为影响社会经济发展的瓶颈，突出体现在环境污染严重、能源利用效率低和能源供给不足等方面。中国既是一个发展中国家，又是世界最大的能源消费大国。据2013年BP能源统计，2012年中国占全球能源消费已达到20%。同时，我国幅员辽阔，各区域的能源发展极不平衡，深入分析中国省域能源效率的空间效应及其动态分布，探究影响省域能源效率的因素及其作用机理，对于缩小我国省域间能源效率差异、促进我国能源效率的快速提升具有重大现实意义。

目前，国内学者对于中国区域省域能源效率影响因素进行了大量研究。魏楚和沈满洪(2007)[1]根据各省1995－2004年的面板数据，运用DEA方法对能源效率进行了测算;李国璋、霍宗杰(2009)[2]研究指出我国 1995－2006年30个省域能源效率呈现出明显的收敛特征;邹艳芬、陆宇海(2005)[3]率先采用空间经济计量模型的横截面回归分析法研究了2005年我国30个省份能源效率空间演变问题，研究结果表明我国省域能源效率存在着空间正相关;沈能(2010)[4]运用超效率DEA模型测算了我国1992－2007年30个省的能源效率值，通过计算历年的Moran’s I值，显示我国省域能源效率在地理空间分布上具有空间依赖性。尽管如此，采用动态分布分析法研究我国地区能源效率分布的成果还很少，史丹、吴利学等(2008)[5]使用全国和东中西三大地带能源效率数据资料并结合核函数估计得到我国不同地区相对能源效率水平的密度分布图，研究发现中国各地区能源效率分布逐步从“单峰”向“双峰”转变，从而意味着改革开放地区能源效率差异确实呈现明显的分化趋势，从而出现了所谓的“俱乐部收敛(club convergence)”现象。对于中国区域能源效率影响因素问题，李治和李国平(2010)的研究表明城市资源丰裕程度与能源效率成正相关[6];成金华、李世祥(2010)的研究表明，产业结构对能源效率的负向作用明显[7];董利(2008)通过实证分析发现，能源效率随经济发展水平提高而上升，影响系数约为0.613－0.838[8]。这些研究丰富了对中国区域能源效率影响因素的认识。因此，笔者以中国2000－2012年29个省域能源数据为样本，通过空间计量分析中国省域能源效率的空间自相关性和空间分布的动态演变模式，并且通过空间滞后模型(SLM)和空间误差模型(SEM)分析资源禀赋水平、政府干预度和产业结构等因素对中国省域能源效率的影响。

二、中国省域能源效率空间相关性的统计描述

1、中国省域能源效率测度

笔者采用数据包络分析(Data Envelopment Analysis，简称DEA)方法评价29个省域能源效率，评价指标体系中有N个投入指标和M个产出指标，以xk，n表示第k城市的第n种投入量，yk，m表示第k城市的第m种产出量。λ表示每一个年份横截面观察值的权重。在规模报酬不变假设下，基于投入的Farrell技术效率的非参数线性规划模型如下:

由公式(1)计算出来的θc∈(0，1]①为所评价的省际能源效率，数值越接近于1，省域能源效率就越高，反之就越低。当θc=1则能源效率为最优，它运行在生产前沿面上，说明其产出相对于投入而言达到最优。根据投入导向的CRS模型，利用DEAP计量分析软件和中国能源数据可计算得到2000－2012年中国省域能源效率。

图1 中国四大区域能源效率测度值

2、能源效率Moran’s I空间自相关

其中，Yi为第i个地区的观测值，Wij为二阶进制的邻接空间权值矩阵。Moran’s I指数的取值范围为 [－1，1]。当Moran’s I指数大于0，说明能源效率在空间区位上具有正的相关性。当Moran’s I指数小于0，说明能源效率在空间区位上具有负的相关性;当Moran’s I指数等于0，说明能源效率在空间区位上无相关性。

中国现有区域分类大多是根据地理区位划分的，但这种方法存在一定的缺陷，难以精准而合理地体现不同区域能源效率的差异性。因此，笔者借鉴潘雄锋等(2012)[9]的区域划分思路，使用2000－2012年中国29个省域能源效率值计算相关的Moran’s I值，运用空间关联的局部指标(local indicators of spatial association，LISA)考察中国省域能源效率的空间相关性，刻画中国区域经济空间差异的变化趋势。使用STATA11.0并结合空间计量软件包测算出中国省域能源效率的Moran’s I值，采用Moran’s I指数来检验中国省域能源效率的空间分布是否存在相关特征。由表1可知，2000－2012年中国省域能源效率的Moran’s I指数均为正，Moran’s I的正态统计量Z值都通过了在0.01水平下的临界值(1.96)，这说明我国29个省域能源效率并非表现出完全随机的状态，而是呈现出显著的地区间空间依赖性。

表1 2000－2012年中国省域能源效率Moran’s I值

2000－2012年中国省域能源效率的Moran’s I指数均为正，且通过1%的显著性检验，说明我国29个省域能源效率具有显著空间相关性。2012年的Moran’s I值(0.485)要高于2000年(0.320)，说明2012年中国省域能源效率的空间依赖性要比2000年有所增强。能源效率高(能源效率低)的省份和能源效率高(能源效率低)的省份相邻近的趋势越发明显。随着时间的推移，能源效率局域集群对其相邻省份强化自我的空间效应(极化效应和扩散效应)，凭借自身优势并通过空间溢出效应带动了周围省份能源效率的普遍增强。从2000－2012年的Moran’s I散点图可以看出，中国省域能源效率水平的空间局域差异性和依赖性是同时存在的。

图2 中国省域能源效率水平分位图(2000)

图3 中国省域能源效率水平分位图(2012)

由图2可知，2000年中国省份能源效率主要位于第一象限，说明中国大多数省份是高能源效率水平的省份，并且这些高能源效率的省份周围被高能源效率的其他省份所包围(High－High)。然而这些省份能源效率水平高，其空间滞后性也高。第三象限也存在较多省份，并且这些低能源效率省份周围被低能源效率的其他省份所包围(Low－Low)。第二象限的省份有海南和宁夏，与能源效率水平相对较高的省份在地理位置上相近，并且这些省份自身能源效率水平不高(Low－High)。第四象限内的省份比较少，包括湖北、新疆、甘肃和广东。虽然这些省份能源效率水平是全国最高的，但其空间滞后性并不高，表明这些省份周边省份能源效率水平与之还有较大的差距(High－Low)。由图3可知，2012年，从中国省域能源效率区域划分上看，经济相对发达的沿海地区能源效率处于“高高”象限，经济相对落后的西部地区处于“低低”象限，而中部地区大多处于“高低”象限和“低高”象限。“高高”象限有11个省市，包括天津、北京、山东、江苏、上海、浙江、福建、安徽、江西、湖南、海南。“高低”象限有5个省市，包括黑龙江、辽宁、四川、湖北、广东。“低高”象限有3个省市，包括吉林、广西、河北。 “低低”象限有10个省市，包括内蒙古、山西、陕西、河南、宁夏、青海、新疆、甘肃、贵州、云南。属于“高高”类型和“低低”类型的区域单元较多，约为总数72.41%，表现出正的空间自相关。2012年第一象限的省份都是2000年就已经位于第一象限的，说明这些省份经过12年的发展，依然对其相邻省份产生很强的空间效应，凭借自身优势并通过空间溢出效应带动了周围省份能源效率的普遍提高;处于第一象限的省份主要位于东部沿海地区，还包括了很多工业化省份和资源型省份，这说明中国省域能源效率的提高除了和本省份自身经济发展水平相关外，还和省份产业结构、资源禀赋和技术进步等息息相关，并保证正外部性的效果得以进一步发挥[10]。

三、中国省域能源效率变动的空间分布演进分析

笔者根据分布动态法这种非参数估计方法(Quah，1997)[11]，结合 Aroca 等(2005)[12]的研究思路，同时结合数据序列的离散状态或连续状态的不同设定，采用Kernel核密度函数考察2000－2012年中国省域能源效率空间分布的动态演变模式。

1、中国省域能源效率分布动态模型的估计方法

Kernel密度估计是一种用于估计随机变量的概率密度的非参数的估计方法，Kernel密度估计通过平滑方法描述随机变量的分布形态。设随机向量X的密度函数为f(x)=f(x1，x2．．．xn)，X1、X2…Xn为独立分布的样本，则点x的Kernel概率密度估计为:

公式(3)中N为观测值的总数，h代表带宽(bandwidth);K()是核函数，核密度函数是一种平滑函数;当kernel density estimation采用平滑核时，估计出的概率密度函数也是平滑的，其中估计密度曲线的平滑程度很大程度上由带宽bandwidth所决定，bandwidth的值越大，所估计密度曲线的平滑程度越大。

2、中国省域能源效率发展演进的空间特征分析

笔者采用非参数的高斯正态Kernel分布曲线对中国邻区相对能源效率进行核密度估计。由图4可知，我国省域能源效率水平分布在横轴上的投影接近1，表明了中国大多数省域能源效率处于接近相邻省域平均能源效率水平。比较不同年份邻区相对能源效率的Kernel密度曲线可知，我国省域能源效率的峰值随着时间的推移，主峰上升且向右侧移动，说明我国省域能源效率水平在这期间有了很大的提升，而且省际之间的差异呈现出缩小趋势;另一个特征就是我国省域能源效率分布由2000年的“双峰”状逐步演变到2012年的“多峰”状，2000年、2006年和2012年相对能源效率的分布呈现3个峰，表明中国省域能源效率分布呈“多极化”，一个省域的能源效率在很大程度上会受到相邻省域能源效率的影响，相邻省域之间的能源效率组成空间上邻近的收敛俱乐部，近邻效应对能源效率分布演进的影响越来越明显。此外，值得注意的是，2012年的中国省域能源效率分布形态图形在3.2处凸起，如果这种趋势继续，预示着未来中国省域能源效率的分布将继续向多极化方向发展。

青海云杉(Picea crassifolia kom)是祁连山东端林区建群树种，分布面积132806.8hm2，占林区乔木的69.67%，对维护林区及周边林区生态平衡具有举足轻重的作用。森林可燃物、气象条件和火源是森林火灾“三大要素”，在有火源的条件下，森林可燃物能否燃烧、燃烧速度快慢是当地气象因子综合作用的结果[1]。研究气象因子与祁连山保护区东端青海云杉林火险等级之间的相关性，揭示气象因子与青海云杉林火险等级之间的规律，可为有效防范森林火灾提供重要参考依据，对科学预防森林火灾，保护祁连山青海云杉林和整个祁连山林区生态环境都具有十分重要的意义。

图4 中国邻区相对能源效率分布的Kernel密度估计

下面进一步从空间Markov链上进行分析。由Kernel密度曲线可知，中国省域能源效率空间分布演进受到自身地理相邻省域能源效率高低的影响。自身能源效率较低的省域，如果邻近能源效率较高的地区，将有利于该省域向较高的能源效率等级转变;反之，如果一个省域邻近能源效率低的省域，则该省域极有可能因为近邻效应向较低的能源效率等级转变。Kernel密度曲线分析结果说明中国省域能源效率分布演进受到空间因素的影响，空间Markov链分析方法说明不同的地理相邻关系的能源效率演进或状态转移存在多大的差异，考察近邻效应对中国省域能源效率空间转移概率的影响大小。首先根据2000年中国省域能源效率空间滞后项的能源效率值，将29个省域能源效率样本划分为相应的L个组，构建了L个转移概率矩阵，即空间Markov转移概率矩阵。转移概率矩阵被分解为L个以相邻省域能源效率为条件的条件转移概率矩阵(L·L维)。

表2给出了2000－2012年中国相对省域能源效率的空间Markov转移概率矩阵。主对角线上的元素表示中国省域能源效率类型没有发生变化的概率，非对角线上的元素表示在不同省域之间转移的概率。中国相对省域能源效率的空间Markov链概率矩阵的特征如下:第一，空间Markov转移概率矩阵非主对角线上的元素都要比主对角线上的值小得多，主对角线上的元素一般都是比较大，这表明不同能源效率状态的组间流动性较低，在一定时期后省域能源效率所属能源效率类型的稳定性很强。第二，不同类型之间的转移概率相对较小。非对角线元素在数值上要小于对角线元素，而且越偏离主对角线，数值越低。总的来说，中低水平省域向上转移的概率要大于向下转移的概率，中高水平省域向上转移的概率小于向下转移的概率。第三，中国省域能源效率存在低水平和高水平两个集聚区。相对于低能源效率水平和高能源效率水平而言，中低水平和中高水平省域向上和向下转移的概率稍大。而且那些大于0的元素基本位于对角线两侧，表明中国省域能源效率实现跨越式发展(向上转移一种以上能源效率类型，如从低水平到中高水平)的可能性并不存在。第四，中国省域能源效率存在比较明显的近邻效应。如果一个省域的周围省域能源效率水平较高，则对该省域能源效率状态向上转移会产生积极的影响;如果一个省域的周围省域能源效率水平较低，则对该省域能源效率状态转移会产生负向的影响。

表2 2000－2012年中国相对省域能源效率的空间Markov链转移概率矩阵

四、中国省域能源效率差异影响因素的空间计量分析

1、中国省域能源效率空间计量模型设定

通过空间滞后模型(SLM)和空间误差模型(SEM)两种形式来检验中国省域能源效率及其影响因素的空间自相关和空间异质性。在空间自回归模型中，用于考察中国省域能源效率分布的空间自回归模型(SLM模型)表达式为:

检验中国省域能源效率区位分布的空间误差模型(SEM模型)表达式为:

式中下标i为省份，t为年份，W为n×n阶空间权重矩阵，βi(i≥1)为变量系数，β0和εit分别代表常数项和随机误差项。式(3)中，WEit为空间滞后因变量，ρ为空间自回归系数。式(4)中，β0为截距项，Wεit为空间滞后误差项，λ为空间误差自相关系数。

笔者选择了以下变量:Endowit为资源禀赋水平，这里以i省能源生产量与本省能源消费量的比值来近似替代;Govit为政府干预度，使用财政支出与GDP的比值来表示;Indit为产业结构，使用第二产业中的工业总产值占GDP比重来表示;Ecoit为经济发展水平，使用第三产业占国民经济比例来表示;Instiit为市场化水平变量，选择各省份非国有工业总产值占规模以上工业企业工业总产值比重来表示;Openit为对外开放程度，选择各省份进出口贸易总额占GDP比重来表示;Priceit为能源价格，笔者以2000年原材料、燃料、动力价格指数为基期，使用燃料、动力价格指数近似衡量能源价格;Techit为技术水平，用FDI占省域GDP的比值代替;Tempit为中国各省域平均气温值。

2、实证分析及估计结果

在对模型进行回归估计之前，通过对模型做空间依赖性检验，研究结果发现空间依赖性检验呈显著状态。从估计结果的调整R－squared可知，中国省域能源效率在地区分布确实存在空间自相关性。由于空间自回归系数(ρ)和空间误差自相关系数(λ)均为正值，其显著水平均达到1%，说明中国邻近省域能源效率水平对本省域能源效率水平有正向影响。从SEM模型来看，相邻省域能源效率水平的提高将有助于本省域能源效率水平的提高，且本省域能源效率还会将空间效应传递给其他相邻地区能源效率。

从各种观测因素分析来看:第一，资源禀赋变量在SLM模型和SEM模型中都呈现出显著负相关，表明资源禀赋越充裕的省份能源效率越低，拥有丰富能源资源的中西部省份在保持能源粗放式消费上具有低成本的优势与较强的消费惯性，形成了地区经济发展过程中的“资源诅咒”，对提高能源效率缺乏积极性。第二，政府干预对中国省域能源效率具有负面影响，但这种影响程度在逐渐减少。原因在于能源效率的提升是一个长期过程，官员升迁更注重短期目标，在能源效率提升等问题上容易形成“感染”，很多省份容易成为跟随者，而不愿充当开拓者。第三，产业结构在两种模型中都通过了1%的显著性检验，系数为正值，说明空间相关性因素在产业结构对能源效率的影响上可能扮演正面的角色。第四，经济发展水平与省域能源效率存在正相关关系，经济水平越发达的地区，地方政府对能源效率提高的驱动力越强。第五，市场化水平变量与省域能源效率存在正相关关系，说明市场化水平上升会显著提高中国省域能源效率。第六，对外开放程度与省域能源效率的相关性在不同固定效应条件下回归结果并不一致，对外招商引资的过程中地方政府对“质”的忽视，使得我国能源效率的提升面临较大的现实差距。第七，能源价格在SLM和SEM模型中在10%水平上显著，但是不具备明显的空间差异。近年来虽然国家逐步在推进能源的市场化改革，放松了对能源价格的管制，但由于对于主要的能源产业的价格干预仍然过多，导致短期内能源价格无法真正反映出能源生产和消费过程中的全部成本，所以目前的能源价格无法体现出对能源效率的提升作用。第八，技术水平的提高与中国省域能源效率存在正相关关系。由于技术水平存在长期的技术扩散性效应，有助于改进能源直接消耗技术，从而提高省域能源效率。第九，平均气温在SLM模型和SEM模型中都通过在1%的显著性检验，且呈现出正向作用，说明平均气温的升高会影响政府、企业和居民的生产活动和消费行为，从而迫使能源效率的提高。

表3 2000－2012年中国省域能源效率影响因素的空间计量估计结果

五、结论与政策建议

1、结论

笔者以中国2000－2012年29个省域能源数据为样本，通过空间计量模型分析中国省域能源效率变化特征及其影响因素，得出以下结论:(1)通过Moran’s I发现中国省域能源效率变化存在集聚与空间差异格局两种情况;Kernel密度估计结果表明中国省域能源效率差距不断加大、高低能源效率俱乐部之间的差距趋于深化。(2)通过对中国29个省份2000－2012年的空间面板数据分析表明中国省域能源效率与其影响因素存在显著的空间趋同效应。(3)从影响中国省域能源效率因素的估计结果可知，产业结构、经济发展水平、技术水平、平均气温对中国省域能源效率存在显著的正向推动作用，资源禀赋水平、政府干预度与中国省域能源效率间存在负相关关系，市场化水平、对外开放程度、能源价格对中国省域能源效率的促进作用并不明显。

2、政策建议

基于中国省域能源效率影响因素关系的实证分析，在考虑空间效应的情况下，资源禀赋型省域能源效率比较低，而技术水平则可以显著提高能源效率，产业结构显著地提高了中国省域能源效率，同时能源价格的上升会降低中国省域能源效率。总的来看，我国产业分工格局的优化、区域良性互动合作的深化，对提升我国省域的能源效率产生了重要影响。要进一步提升中国省域能源效率，必须做到:一是国家在对地区进行财政科技投入时，应充分考虑地区能源发展结构、资源优化效率等外部因素，使得国家科技投入在最大程度上提高省域技术发展水平从而达到提高我国省域能源效率的目的[13]。二是加快产业结构调整，促进经济发展方式的根本转变，在能源产业发展和承接外来产业转移过程中，应控制高耗能、高污染的产业并加快发展低能耗产业[14]。三是必须减小政府对能源市场的干预度，继续深化能源市场改革，使得能源价格真正反映出能源的负外部成本;调整引资策略，注重能源利用各环节的技术创新，促进能源利用效率的提高，避免制度因素所造成的资源配置扭曲[15]。

【注 释】

①θ∈(0，1]表示θc的取值范围在0～1之间，取值不包括0，但包括1。

[1]魏 楚，沈满洪.能源效率及其影响因素:基于DEA的实证分析 [J].管理世界，2007，(8):66－76.

[2]李国璋，霍宗杰.中国全要素能源效率、收敛性及其影响因素 [J].经济评论，2009，(6):101－109.

[3]邹艳芬，陆宇海.基于空间自回归模型的中国能源利用效率区域特征分析[J].统计研究，2005，(6):67－71.

[4]沈 能.能源投入、污染排放与我国能源经济效率的区域空间分布研究[J].财贸经济，2008，(2):35－43.

[5]史 丹，吴利学，傅晓霞，吴 滨.中国能源效率地区差异及其成因研究[J].管理世界，2010，(1):17－23.

[6]李 治，李国平.中国城市能源变化趋势特征及影响因素分析 [J].产业经济研究，2010，(2):25－30.

[7]成金华，李世祥.结构变动、技术进步以及价格对能源效率的影响[J].中国人口·资源与环境，2010，(4):35－42.

[8]董 利.我国能源效率变化趋势的影响因素分析[J].产业经济研究，2008，(1):8－18.

[9]潘雄锋，李良玉，杨越.我国能源效率区域差异的时空格局动态演化研究[J].管理评论，2012，(11):13－19.

[10]沈 能，刘凤朝.空间溢出、门槛特征与能源效率的经济增长效应[J].中国人口·资源与环境，2012，(4):73－84.

[11]Quah，D.T.Regional Convergence Clusters Across Europe[J].European Economic Review，1996，(40):1951 －1958.

[12]Aroca P，Bosch M，Maloney WF.Spatial dimensions of trade liberalization and economic convergence:Mexico 1985－2002[J].The World Bank Economic Review，2005，(3):345.

[13]李 玲等.协同创新定位对新余国家新能源科技城影响分析[J].新余学院学报，2013，(6):51－54.

[14]何燕子，朱佳力.低碳转型中株洲战略性新兴产业集群发展研究[J].中南林业科技大学学报(社科版)，2013，(1):27－29.

[15]许涤龙等.经济发展阶段对能源消耗与经济增长的协同影响分析[J].湖湘论坛，2012，(2):85－89.

(编辑:余华;校对:周亮)