智慧城市视角下电力消费的空间相关性与动态增长路径：基于长三角地区动态空间面板数据的实证研究

张振刚，丁 卓，田 帅



智慧城市视角下电力消费的空间相关性与动态增长路径：基于长三角地区动态空间面板数据的实证研究

张振刚1，丁 卓1，田 帅2

（1. 华南理工大学工商管理学院，广东广州，510641；2．广东省电力设计研究院，广东广州，510663）

本文从要素、空间和时间三个维度构建了智慧城市视角下电力消费的理论分析框架，从协整分析的角度引入了新的空间权重度量方法，考察电力消费的空间相关性与动态增长路径。研究发现：电力消费具有显著的空间溢出效应，生产要素的价值实现过程不仅显著促进本地区电力消费增长，还将通过要素融合与产业链延伸带动周边地区的电力消费增长。构建时间变化模型发现电力消费的增长路径具有动态演变特征，即空间溢出效应逐年增强，各要素对电力消费的长期贡献此消彼长。最后为构建动态调整、供需均衡的智慧型电力发展模式提供了相关政策建议。

智慧城市；电力消费；空间相关性；动态增长路径

0引言

智慧城市的概念最早源于智慧地球，其研究初衷是试图构建新的智慧型社会管理模式[1]。为此，各国政府对智慧城市建设展开了实践探索，我国浦东于2008年底在国内率先提出“智慧浦东”概念并渐进式推广到了上海全境，截止目前，我国已有十几个省市相继提出了智慧城市的建设目标，国家层面也开始编制智慧城市专项规划。理论界主要是对智慧城市的功能应用展开研究，能源电力是城市参与者（政府、企业、组织和个人）获取环境资源并从事各种社会活动的重要基础设施，能源电力的智慧型发展是智慧城市功能应用的关键[2]。作为我国最具活力的区域经济体之一，有着雄厚产业基础的长三角地区具备建设智慧城市的先行优势，截止目前，长三角地区的上海、南京、杭州、宁波、苏州等地已制定出台详细的智慧城市规划方案，随着规划的实施，将进一步提升长三角地区经济发展整体质量，也将带动该地区的能源消费特别是电力消费，2010年，长三角地区以占全国14.7%的工业用电消耗量（4593.47亿千瓦时）创造了占全国20.8%的规模以上工业总产值（147392.4亿元），电力利用效率持续优化。在此背景下，以长三角地区能源经济相关面板数据为例，将空间面板计量模型引入对智慧城市功能应用的实证研究中，将为构建跨区送电、动态配电的智慧型电力发展模式提供量化决策支持。

智慧型电力是指在城市发展过程中，地方政府充分行使经济调节和市场监督职能，系统地集成和分析城市所辖生产要素的存量和质量，据此智能地预测促进生产要素价值实现所需的电力消费量，动态地调控发电、输电、配电等环节，以建立动态调整、供需均衡的电力发展模式[2,3,4]。国内外学者对能源或电力消费的影响因素、分布特征、增长规律等问题进行了具有国别特征的相关研究，结果表明：即使是同一国家或地区，能源消费和经济增长之间的长、短期联动机制明显不同，这主要与其宏观经济调控政策变化有关[5]。发达国家和发展中国家，能源消费的主要影响因素与增长路径有着不同的内在机理[6,7]。但现有文献主要是研究电力消费在时间维上的演变规律或是在空间维上的分布规律，还没有一个揭示电力消费在空间维、时间维上双重发展特征的较为完整的理论分析框架，此外，在不同时期和阶段下，电力消费的影响因素、空间相关性与增长路径应该呈现时间动态性，但相关研究却鲜有涉及。近年来，国外学者已经逐步意识到宏观经济政策发展的不同阶段，应该分别构建能源或电力消费与其影响因素之间的量化关系模型以动态地揭示其增长路径[8]。

本文研究的重点是，在综合相关理论和文献基础上，从要素、空间和时间三个维度构建研究框架，辩证地研究我国电力消费的影响因素、空间相关性及其动态增长路径，以期为后续关于智慧城市功能应用的相关研究提供范式借鉴。

1理论与假设

1.1 要素维

电力是现代经济体系中必需的投入品，而不是普通的商品，影响电力消费的因素有许多，总体来说，影响经济、社会活动的因素都会对电力消费产生重要影响，主要的影响因素包括经济增长水平、产业结构特征、电力价格、人口增长等（Gellings, 1996）[9]，国内外许多学者从多个角度分析了电力消费系统：Kraft[10]开创性地发现在1947-1974年期间，美国GNP的增长是能源消费增加的单向格兰杰原因。Steenhof[11]引入单位产值耗电量概念，他认为在能源消费的长期演变过程中，单位产值耗电量的变化起着决定性的作用，而影响单位产值耗电量变化的主要因素包括产业结构的变化、能源结构的调整和能源效率的提高等。林伯强[12]认为影响中国电力消费的因素主要包括GDP、电价、人口增长、产业结构、能源使用效率等，且影响需求的各项因素之间存在稳定的长期关系且日益显著。陈文静[13]认为经济增长、人口因素和产业结构都是影响我国电力消费的重要因素，电力价格对电力消费需求的负向影响不足以抵消上述因素所带来的电力消费的快速增长。因此，本文假设：

H1a：经济增长与电力消费增长正相关；

H1b：电力价格与电力消费增长负相关；

H1c：人口增长与电力消费增长正相关；

H1d：产业结构优化与电力消费增长正相关；

1.2 空间维

在市场经济条件下，由于生产要素的可移动与可交换性，区域经济体内任何一个城市的能源经济发展都不可能自成系统，某市生产要素的价值实现过程除了带来本市电力消费增长之外，还将带动周边城市的电力消费增长，即产生空间溢出效应。产生这种溢出效应的原因包括：一是相邻地区一般具有相似的生产要素与经济环境，生产投入与生产产出之间的技术经济关系容易趋同，劳动力、资本、技术、信息等生产要素在地区间溢出的成本较低[14]；二是电能是集产、运、销为一体的二次能源，具有高流动性特征，电力消费很容易突破空间和行业的限制而产生扩散（溢出）效应。通过劳动力、资本、技术、信息等生产要素的融合与产业链在地区间的延伸，地区间的电力消费发生显著的空间积聚，某地区电力消费行为受到本地电力消费和相邻地区电力消费的共同影响[15,16]。因此，本文假设：

H2：空间相关性与电力消费增长正相关；

1.3 时间维

时间维主要是观察各变量的弹性系数随时间的变化情况，对此不作理论假设。

2研究方法

首先，利用空间相关性分析方法来测度整个研究区域内因变量空间相关模式的总体特征，即用来反映该区域是否具有整体上的空间相关性；随后，引入空间面板数据计量模型，分别从静态和动态两个维度来比较研究区域内因变量空间溢出效应的差异性。静态维度是仅考察外生解释变量对被解释变量的影响，动态维度是将一阶（或多阶）滞后的被解释变量作为解释变量纳入模型中，以充分考察模型中除解释变量之外的难以量化的其他因素对被解释变量的影响。

2.1空间自相关分析——指数

本文研究的目的是为了解释区域电力消费与其所处空间的联系，这首先需要了解电力消费的空间相关性与相关程度，需要运用相关统计量进行分析。因变量的空间相关性存在与否，空间统计学一般使用指数（Luc Anselin, 1988）[17]对其进行检验，该指数定义为：

指数用来测度空间相关模式的总体特征，而散点图可用来测度每一个空间单元与邻近单元的空间相关模式，散点图分别以、·为横、纵坐标，将局域空间相关性可视化图示，其四个象限分别对应于相邻空间单元的四种空间相关模式：第一象限内的点表示高观测值的单元被高值单元包围，命名为HH单元；第二象限中的点表示低观测值的单元被高值单元包围，命名为LH区域；第三象限中的点表示低观测值的单元被低值单元包围，命名为LL区域；第四象限中的点表示高观测值的单元被低值单元包围，命名为HL区域。显然，第一、三象限的点表示相邻空间单元空间正相关，而第二、四象限的点表示相邻空间单元空间负相关。

2.2空间面板计量模型

Luc Anselin（1988）[17]首先将经典计量经济学中忽略的空间因素纳入，定义了空间面板数据模型的一般形式，在此基础上通过改变模型参数衍生出其它模型。空间面板计量模型的衍生形式见表1。

如表1所示，当=0，=0时为非空间静态面板模型，=0，≠0时为静态空间面板模型，≠0，≠0时为动态空间面板模型。对于空间计量模型的形式选择，本文利用拉格朗日乘数形式LMLAG、LMERR及其稳健形式R-LMLAG、R-LMERR检验[18]。对于动态空间面板模型的估计，由于因变量的滞后项作为解释变量，这可能引起解释变量与随机扰动项相关，如果继续使用传统的估计方法，将导致参数估计的非一致性，估计结果的经济含义也会发生扭曲[19]。

为了解决动态面板数据模型中解释变量与随机扰动项相关的问题，理论界分阶段地提出了几种代表性的估计方法：工具变量法先采用一阶差分消除不随时间变化的个体固定效应，然后用滞后两期的因变量或其差分项作为滞后一期的因变量的工具变量来消除异质性，这些工具变量将不再与随机扰动项的差分项相关[20]。然而，工具变量法得出的估计量虽然是一致的但未必是有效的，因为该方法没有利用所有的矩条件，也没有利用随机扰动项的所有差分结构[21]，另外，差分转换会导致一部分样本信息的损失，工具变量的有效性将减弱，将直接影响估计结果的渐近效率，有待利用更多的矩条件提高估计结果的渐近效率[22]；差分GMM的思路是先用一阶差分去掉固定效应的影响，然后用滞后的变量作为差分方程中相应变量的工具变量，系统GMM在差分GMM的基础上引入了水平方程，并增加了滞后的差分变量作为水平方程相应变量的工具变量，大大提高了估计结果的有效性和一致性[23]。检验系统GMM参数估计的有效性主要有两种方法：Sargan过度识别检验，用于检验估计过程中样本矩条件工具变量的总体有效性；差分误差项的序列相关检验，用于检验是否存在序列相关，系统GMM估计允许误差项的差分项存在一阶序列相关，但不允许存在二阶序列相关[24]。

表1 空间面板计量模型的衍生形式

3变量与数据

3.1变量选择

各影响因素对电力消费可能会有滞后的影响，因此本文将滞后一期的被解释变量作为解释变量纳入模型，以探究这种滞后效应的内在机理。基于上文文献研究的成果和理论假设，则区域经济体内各市的电力消费函数可以用下式表示：

EC=（EC,GDP,EP,PG,Ⅱ,Ⅲ,） （2）

式（2）中，EC表示各市的电力消费，考虑到数据的官方统计口径和可得性，本文用全社会用电量表征电力消费，EC表示各市电力消费的一阶滞后；GDP表示各市的经济增长；EP表示各市的电力价格，本文采用由相关省份统计局公布的原材料、燃料购进价格指数代表电力价格；PG表示各市的人口增长，鉴于人口自然增长率数值相对较小，本文采用由相关省份公布的各个地级市的每年年末人口总数相对增长量表示（1995年为基期）；Ⅱ表示各市的重工业增加值占比重，Ⅲ表示各市的第三产业增加值占比重，二者共同构成表征产业结构的变量；表示随机干扰项。

3.2空间权重矩阵的构建

各地区电力消费还会受到其它难以量化因素的影响，例如用电效率、政策调控等，当外生冲击对某市的电力消费造成影响时，往往也会波及到临近地区。我们无法将全部影响城市电力消费的因素列悉，但我们可以通过引入空间权重矩阵来表征相关各市的空间相关性，因此，选择合适的空间权重矩阵对于提高电力消费预测的精度至关重要。

目前已有的许多基于空间邻近的权重矩阵显得比较牵强，另外，基于经济关联的权重矩阵只能反映各市电力消费量的相对大小，并不能反映各市间电力消费结构的差异。于是，本文需要进一步考虑各市电力消费间协整关系的强弱，提出一种新的基于变量长期均衡关系的权重度量方法[25]。

变量EC、EC分别是,地区同一时期内的电力消费量，两者之间的相互关系如下式：

若,地区的电力消费相关关系越强，则式（3）的拟合效果越好，残差波动越小，于是空间权重系数ω越大。同时，如果,地区的电力消费相关关系比较弱，则式（3）的拟合效果就不好，残差波动也较大，则空间权重系数ω会变小。

该权重矩阵最大的一个优点是客观性强，在尚不知道,地区电力消费间具体的关系时，直接通过,地区电力消费的协整分析得到相关关系，不仅能够反映地理距离、经济距离等传统因素的影响，而且可以反映用电效率、政策调控等不确定因素的影响，该空间权重矩阵能更加客观地度量各地区电力消费间的相关关系。

3.3数据来源

为了加强参数估计的有效性，面板数据分析依赖于较大规模的样本，因此本文将利用长三角16市作为面板数据的横截面，时间维度为1995 -2010年之间，所有数据来源于1996-2011年的《上海统计年鉴》、《江苏统计年鉴》、《浙江统计年鉴》。同时，运用国内生产总值指数和商品零售价格指数（1995=100）分别对名义电价进行换算，得到消除价格因素的可比较的和电价，然后再对各变量进行对数变换，这样做的目的在于更易得到平稳序列和消除观察数据的异方差问题，但不会改变数据的原有性质。

4实证研究

4.1电力消费的空间自相关性检验

区域电力消费的指数用以解释长三角地区各市电力消费的空间相关性，图1显示了1995-2010年长三角地区电力消费指数的变动情况，历年统计值均通过了5%显著性概率检验。

图1 1995-2010年长三角电力消费Moran's I指数

图2 2010年长三角电力消费Moran's I散点图

图1所示的统计值总体上不断增大，表明长三角地区电力消费显示出强烈的全局空间正相关，意味着电力消费量大的城市在空间上相互集聚，电力消费量小的城市同样在空间上相互集聚，长三角地区电力消费出现日益显著的集聚效应。同时，我们注意到：在03年，统计值出现结构性突变，电力消费的空间集聚性骤降，这主要因为突如其来的“非典”极大地降低了生产要素的流动性，电力消费的空间集聚效应减弱；在07-09年间，统计值出现阶段性起伏过程，这主要因为工业仍是长三角地区用电增长的主力，金融危机的蔓延导致长三角地区工业产量增速放缓，进而导致电力消费量下降和空间集聚效应减弱，表现为：2009年1月开始，长三角地区每月的累计工业用电量同比下降，降幅最大曾达12.5%，直到2009年11月，长三角地区每月的累计工业用电量开始同比上升①。后金融危机时期，工业复苏又带来电力消费的总量回升和空间集聚效应增强。

接下来用散点图进一步说明长三角地区电力消费的局部空间相关性，我们将散点图直观地表示在地图上，如图2所示。结果表明，长三角地区电力消费的空间分布规律比较明显，对比各市电力消费的空间自相关模式，大致可分为4类地区：上海和南京之间城市带（上海市、苏州市、嘉兴市、南京市、镇江市、无锡市、常州市），该地区电力消费表现为HH集聚；杭州及其周边地区（杭州市、湖州市、绍兴市），其中杭州市电力消费明显高于相邻各市，表现为HL集聚，其余各市为LH集聚；宁波及其周边地区（宁波市、台州市、舟山市），其中宁波市电力消费明显高于相邻各市，表现为HL集聚，其余各市为LL集聚；苏北地区（扬州市、泰州市、南通市），该地区电力消费表现为LL集聚。其原因大概包括以下两个方面：第一，长三角地区的上海、南京、杭州和宁波的经济总量大且增速快，这四个城市较高的社会流动性引起外部生产要素流入，自身电力消费在实现总量增长的同时，通过要素融合与产业链延伸带动周边城市的电力消费增长；第二，长三角欠发达地区，较慢的经济增长导致其对生产要素的承接能力较弱，未能有效地利用各项生产要素，进而造成地区电力消费相对较低，再加上周边地区生产要素环境欠佳，对本地区的经济增长和电力消费也没有起到有益作用。

4.2电力消费的动态增长路径

4.2.1静态与动态模型的对比

由电力消费的指数及散点图可以看出长三角地区电力消费存在显著为正的空间自相关性，因此，必须考虑空间因素建立计量模型。本文用滞后一期的电力消费变量衡量除、电力价格、人口增长、产业结构等解释变量之外的其它诸如用电效率、政策调控等潜在因素的影响，最终建立长三角地区电力消费的空间面板计量模型如下：

对于式（4），首先建立静态空间面板模型（=0,≠0）以考察电力消费的空间相关性，然后建立动态空间面板模型（≠0,≠0）以考察电力消费的空间相关和时间滞后的双重特性。当回归分析针对一些特定个体时，应选择固定效应模型（Baltagi, 2001）[26]，因此，对于长三角各市电力消费的空间计量而言宜选择固定效应模型。

对于动态空间面板模型的估计，先对式（4）进行差分处理：

其中，Δ=-1，其它差分变量亦为类似形式。式（5）已经消除了不随时间变化的个体固定效应，但是因变量一阶差分的滞后项Δln-1依然与残差Δ相关，为克服所有解释变量的内生性问题，我们使用系统广义矩估计方法，即：将包含水平值的式（4）和经差分处理后的式（5）构成一个系统。在估计过程中，式（4）中解释变量的滞后值，如ln-1、ln-1、ln-1、ln-1、lnⅡ-1、lnⅢ-1等，作为式（5）相应变量的工具变量，而式（5）中解释变量一阶差分的滞后值，如Δln-1、Δln-1、Δln-1、Δln-1、ΔlnⅡ-1、ΔlnⅢ-1等，作为式（4）相应变量的工具变量。这些工具变量都符合下述条件：与所替代的解释变量高度相关、与目标方程中的随机误差项不相关、与目标方程中的其它解释变量不相关。另外，由于空间误差模型的拉格朗日乘数及其稳健形式更大且显著，本文选择空间误差模型（SEM）。长三角地区电力消费的静态和动态空间面板计量模型的参数估计和显著性检验见表2。

表2 长三角地区电力消费的静态和动态空间面板模型估计结果

注：方括号内为检验统计量值对应的 P 值，“*”、“* *”和“* * *”分别表示置信水平为10%、5%和1%下显著。

由表2的显著性检验可知：动态空间面板模型的Sargan检验统计量不显著，接受系统GMM估计工具变量有效的原假设，且AR(1)、AR(2)检验统计量表明模型回归估计的残差序列一、二阶不相关，动态空间面板模型在统计上具有有效性和一致性。

式（4）所示单因素误差模型中的异方差（如有）来自于个体特殊效应(v)或剩余误差项(ε)。为使异方差检验更客观真实，我们主要考虑一般形式异方差（Lejeune, 1996）[27]，即：

其中，2、2是不同外生变量Z、F的函数，h是严正定的二次可微函数，满足ε(0)=1、hε(0)≠0、hε(0)≠0，h具有同样的性质。相应地选择联合LM检验，原假设H0：1=2=0，H0成立时，联合LM检验统计量可以近似地认为是两个边际LM检验统计量之和（Baltagi等, 2006）[28]，即：

其中，两个边际LM检验统计量分别服从自由度为k2、k1的2分布，联合LM检验统计量服从自由度为k2+ k1的2分布，k2、k1为约束条件个数。在静态、动态空间面板模型中，分别得到联合LM检验值为12.398、10.742，均小于相应的χ2临界值（见表2），接受原假设，说明两种模型均不存在异方差。

对比表2中静态和动态空间面板模型的估计结果，所得结论如下：

用滞后一期的电力消费作为自变量，其系数为正（0.3408），说明了除、电力价格、人口增长、产业结构等之外的外在环境因素（诸如用电效率、政策调控等）对长三角电力消费产生了显著正向的贡献。事实上，电力消费作为一个动态、连续的系统性活动，其前一期（或多期）的电力投入与消费必然会通过效率改进、政策调控等途径表现出来，并且作用于后一期（或多期）的电力消费活动。

动态空间面板模型的空间相关系数（0.2798）较静态模型（0.3866）有所降低，这可能是由于静态空间面板模型仅仅考虑外生变量而没有考虑其他潜在因素对电力消费的影响，以至于将用电效率、政策调控等其他因素的影响笼统地归结为空间相关性。而在动态模型中，用电力消费的一阶滞后项表征这些潜在因素，将其影响作用分离出以后，便于更加客观地衡量出长三角地区电力消费的长效影响因素及其贡献。

表3 2003-2010 年各变量弹性系数估计结果

注：“*”、“* *”和“* * *”分别表示置信水平为10%、5%和1%下显著。

4.2.2时间变化模型

在表2所示动态空间面板模型估计结果的基础上，本节建立时间变化模型以进一步探究各变量的弹性系数随时间的变化情况，为满足模型估计所需的样本量，将 1995-2003年的样本数据作为基础数据，以一年为步进期作连续回归，观察 2003-2010 年各变量弹性系数随时间变化情况，如表3、图3所示。

从表3可以看出，除电力价格变量估计结果不显著外，其它变量估计结果的显著性水平不断提升，表现出明显的动态演变特征。图3所揭示的电力消费的动态增长路径表现在：

图3 2003-2010 年各变量弹性系数变化趋势图

（1）各变量对电力消费的贡献在大小和显著性两个方面发生连续性改变，电力价格对电力消费的负向贡献变小且不显著，重工业占比对电力消费的正向贡献变小且不显著。、人口增长和第三产业占比对电力消费的正向贡献变大且显著，这说明：一方面，长三角处于工业化后期的后半阶段[29]，高新技术制造业已代替高耗能工业成为电力消费的主体，重工业对电力消费的边际贡献降低。同时，长三角地区旺盛的电力需求对电价的反应并不灵敏，没有形成电价引导电力消费的长效机制；另一方面，随着长三角区域经济的持续增长，产业的转型升级成为电力消费的新引擎，不仅带来对当年电力消费的拉动，更多地通过时滞效应拉动来年电力消费的持续增长。同时，人口增长导致居民消费潜力增大，消费结构也逐步向房产、汽车等高耗能产品转移，居民生活用电量的增长将成为带动电力消费的长期力量。

（2）空间相关性变量对于长三角地区电力消费的贡献进一步增强，空间相关性的弹性系数在 2004 年后开始稳定上升，这说明：在区域经济一体化进程加快背景下，长三角地区生产要素的自发流动、自发融合不断增强，产业链的整合延伸更加促进了生产要素在某些地区间融合共享，进而使得电力消费在相应地区发生空间集聚，这些地区电力消费的边际成本下降，在生产不变的情况下所获得的边际收益相对增加，促进生产要素创造出更多的价值并获得规模效应，这种规模效应又将进一步吸引新的生产要素定向流入，如此便循环地带来电力消费空间溢出效应的显著增强。另外，时间变化模型回归结果显示空间相关性的弹性系数在2008年出现骤降，这也与上文中空间自相关性检验的结果相一致。

5结论与建议

本文从要素、空间和时间三个维度构建了智慧城市视角下电力消费的理论分析框架，将动态空间面板模型引入能源经济的实证研究中，考察电力消费的空间相关性与动态增长路径，主要结论如下：

（1）对比静态、动态空间面板模型的估计结果发现，分离出用电效率、政策调控等难以量化的影响因素之后，、人口增长、产业转型升级等对电力消费的正向作用更显著，电力价格对电力消费可微小地负向调节，因此，控制经济过热增长、促进产业转型升级、坚持计划生育政策，再辅之以地域差异化的价格调控机制，可有效促进各个地区节能降耗。

（2）电力消费具有显著的空间溢出效应，生产要素的价值实现过程不仅显著促进本地区电力消费增长，还将通过要素融合与产业链延伸带动周边地区的电力消费增长，电力消费空间溢出效应的产生及增强与生产要素在地区间自发流动、产业链跨地区整合延伸、生产要素的边际收益递增关系密切。

（3）电力消费的动态增长路径表现在各变量对电力消费的长期贡献此消彼长，电力价格和重工业比重对电力消费的长期贡献逐步减弱，相反，、人口增长和第三产业比重对电力消费的长期贡献却进一步增强。

因此，政府决策部门在制定长三角地区城市发展战略、电力消费政策和价格调控措施时，应充分考虑空间作用机制对电力消费的差异化作用，在发挥市场对生产要素配置的导向作用的同时，根据各地市的城市功能定位和产业发展特点调控要素流动方向，以建立动态调整、供需均衡的智慧型电力发展模式；相关调度部门基于时间序列数据预测未来电力消费需求时，应充分认清本地区工业化所处发展阶段，厘清特定阶段影响电力消费需求的关键因素及其贡献大小，把握关键因素的变化趋势以提高长期预测的精度和跨区送电、动态配电的效度。

[1] 【美】IBM商业价值研究院．智慧的城市在中国[R]．IBM公司官方网站，2009．

[2] 史璐．智慧城市的原理及其在我国城市发展中的功能和意义[J]．中国科技论坛，2011, (5): 97-102．

[3] 李德仁，龚健雅，邵振峰．从数字地球到智慧地球[J]．武汉大学学报（信息科学版），2010, 35(2): 127-132．

[4] 张永民．解读智慧地球与智慧城市[J]．中国信息界，2010, (10): 23-29．

[5] Eden S.H. Yu and Been-Kwei Hwang．The Relationship between Energy and GNP: Further Results[J]．Energy Economics, 1984, 6(3): 186 - 190．

[6] Yu E.S.H. and Choi J.Y.．Causal Relationship between Energy and GNP: An International Comparison [J]．Journal of Energy and Development, 1985, 10(2): 249 - 272．

[7] R.W. Bacon and J. Besant-Jones．Global Electric Power Reform, Privatization, and Liberalization of the Electric Power Industry in Developing Countries[J]．Annual Review of Energy and the Environment, 2001, 26(11): 331-359．

[8] James E. Payne．Survey of the International Evidence on the Causal Relationship between Energy Consumption and Growth[J]．Journal of Economic Studies, 2010, 37(1): 53-95．

[9] Gellings G.．Demand Forecasting in the Electric Utility (Second Edition) [M]．Oklahoma: PennWell Publishing Company, 1996．

[10] Kraft J. and Kraft A.．On the Relationship between Energy and GNP[J]．Journal of Energy and Development, 1978, 3(2): 401-403．

[11] Paul A. Steenhof．Decomposition of Electricity Demand in China's Industrial Sector[J]．Energy Economics, 2006, 28(3): 370-384．

[12] 林伯强．结构变化、效率改进与能源需求预测——以中国电力行业为例[J]．经济研究，2003, (5): 57-65．

[13] 陈文静，何刚．电力消费及其影响因素：基于非参数模型的研究[J]．系统工程理论与实践，2009, 29(5): 92-97．

[14] 王火根，沈利生．中国经济增长与能源消费空间面板分析[J]．数量经济技术经济研究，2007, (12):98-107．

[15] 吴玉鸣，李建霞．中国省域能源消费的空间计量经济分析[J]．中国人口．资源与环境，2008, 18(3): 93-98．

[16] 赵湘莲，李岩岩，陆敏．我国能源消费与经济增长的空间计量分析[J]．软科学，2012, 26(3): 33-38．

[17] Luc Anselin and D. Griffith., 1988, “Do spatial effects really matter in regression analysis?” Papers of the Regional Science Association, 65: 11-34.

[18] Luc Anselin, Julie Le Gallo and Hubert Jayet．The Econometrics of Panel Data[J]．Advanced Studies in Theoretical and Applied Econometrics, 2008, 46: 625-660．

[19] 张振刚，田帅，陈志明．科技投入与经济增长的互动机制研究——基于珠三角地区静态和动态面板数据的实证研究[J]．科学管理研究，2010, 28(5): 89-93．

[20] T.W. Anderson and Cheng Hsiao．Formulation and Estimation of Dynamic Models Using Panel Data[J]．Journal of Econometrics, 1982, 18: 47-82．

[21] Seung C. Ahn and Peter Schmidt．Efficient Estimation of Dynamic Panel Data Models: Alternative Assumptions and Simplified Estimation[J]．Journal of Econometrics, 1997, 76: 309-321．

[22] Cheng Hsiao．Analysis of Panel Data (Second Edition) [M]．Cambridge University Press, 2003, 69-111．

[23] Manuel Arellano and Olympia Bover．Another Look at the Instrumental Variable Estimation of Error Components Models[J]．Journal of Econometrics, 1995, 68(1): 29-51．

[24] Stephen Bond．Dynamic Panel Data Models: a Guide to Micro Data Methods and Practice[J]．Portuguese Economic Journal, 2002,1: 141-162．

[25] 张嘉为，陈曦，汪寿阳．新的空间权重矩阵及其在中国省域对外贸易中的应用[J]．系统工程理论与实践，2009, 29(11): 84-92．

[26] Badi H. Baltagi and Chihwa Kao．Nonstationary Panels, Cointegration in Panels and Dynamic Panels: A Survey[M]．Emerald Group Publishing Limited, 2001, 7-51．

[27] Bernard Lejeune．A full heteroscedastic one-way error components model for incomplete panel: maximum likelihood estimation and Lagrange multiplier testing, CORE Discussion Paper 9606, Universite Catholique de Louvain, 1996, 1-28.

[28] Badi H. Baltagi, Georges Bresson and Alain Pirotte．Joint LM test for homoskedasticity in a one-way error component model[J]．Journal of Econometrics, 2006, 134: 401-417．

[29] 陈佳贵，黄群慧，钟宏武，王延中．中国工业化进程报告[R]．北京：社会科学文献出版社，2007．

Spatial Correlation and Dynamic Growth Path of the Power Consumption in Perspective of Smart Urban：Empirical Research Based on the Dynamic and Spatial Panel Data in Yangtze River Delta Area

ZHANG Zhen-gang1, DING Zhuo1, TIAN Shuai2

(1. School of Business and Management, South China University of Technology, Guangzhou 510641, China; 2. Guangdong Electric Power Design Institute, Guangzhou 510663, China)

Energy source is essential to sustaining economic growth in China. Understanding energy sources' development pattern is critical to shifting the growing path of China's economy. Therefore, an increasing number of researchers have started paying attention to the regulation of electricity consumption. Currently, the existing literature has discussed the features of electricity consumption mainly from either the aspect of temporal evolution or spatial distribution. However, there is a lack of comprehensive framework combining these two dimensions to explain the features of electricity consumption.Through literature review, this paper proposes the concept of intelligent power to construct a new framework integrating the time, space and elements. This framework can be applied in electricity consumption's spatial correlation and its dynamic growth path in China.This paper can provide theoretical support for constructing the patterns of intelligent power's development.The research uses the dynamic spatial panel econometric model based on energy economics panel data from 16 cities in Yangtze River Delta Area from year 1995 to 2010. This study assumes that spatial correlation and its dynamic growth path of electricity consumption occur linearly through GDP, electricity price, population growth, industry structure and others. Spatial correlation mainly discusses the correlation between electricity consumption with its location and the contribution of related elements. This study further discusses temporal evolution in size and the significance of electricity consumption's spatial correlation.The research compares the estimated results of static spatial panel model with that of dynamic spatial panel model. Moreover, this study separates the elements which is difficult to quantify, such as power-using efficiency and policy regulation, GDP, population growth and industry structure upgrade. As a result, this study can make more significant positive contribution to electricity consumption, and electricity price can be used to reduce electricity consumption. There are significant spatial spillover effects in electricity consumption. The process in which the value of production factors has been achieved can not only significantly promote electricity consumption growth in this region, but also promote electricity consumption of surrounding areas by integrating production factors and extension of industrial chain. Through building the time-varying model, this study finds dynamic evolution characteristics in the growth path of electricity consumption. One of major characteristics is that the spatial spillover is enhanced annually, and the long-term contribution that electricity price and heavy industry percentage makes to the electricity consumption declines annually. In addition, the long-term contribution that GDP, population growth, and tertiary industry percentage makes to the electricity consumption is further enhanced.To sum up, when formulating the city development strategy, electricity consumption policy and price regulation measures of Yangtze River Delta Area, the government should consider differential effect of spatial mechanism on electricity consumption, guide the market in the production factors allocation, and regulate flow direction of production factors according to city function orientation and industrial development features of each city. Thus, the government can establish the intelligent power development mode of dynamic adjustment and supply-demand equilibrium.

smart urban; power consumption; spatial correlation; dynamic growth path

中文编辑：杜 健；英文编辑：Charlie C. Chen

F206

A

1004-6062(2016)03-0099-07

10.13587/j.cnki.jieem.2016.03.012

2012-02-29

2014-04-25

国家社会科学基金重大资助项目（11&ZD154）

张振刚（1963—），男，广东南海人，华南理工大学党委副书记，教授，博士生导师，研究方向：产业与系统复杂性研究、区域发展战略管理、技术创新。

① 数据说明：根据“上海统计网http://www.stats-sh.gov.cn/column/csj_sjxx.html”收集、计算得出。