中国省际能源强度的分布动态演进及其成因

吴建新+贺佳瑶+钱晶晶

摘要采用加权的分布动态方法研究了1986—2014年中国30个省区能源强度的分布动态及其收敛性，并采用条件分布分析方法分析了空间区位、资本密集度和收入水平等对省区能源强度分布的影响。研究发现，整体上中国省区能源强度的变异系数存在增大的趋势，即趋向发散。就稳态分布来看，在1986—2005年期间，中国省区能源强度由单峰分布趋向非对称的二元俱乐部收敛，由于受2005年之后节能减排政策的影响，在2005—2014年期间趋向三元俱乐部收敛。经济和人口规模对省区能源强度的分布有重要影响，且其影响随时间的推进更加显著，忽略经济和人口规模的影响会导致对中国省区能源强度收敛性估计的偏误。条件分布分析表明，在1986—2014年期间，资本密集度对长期稳态分布的影响最大，收入水平影响次之，空间区位因素影响最小。但在2005—2014年期间，资本密集度对省区能源强度长期稳态分布中三峰分布的形成具有决定作用，空间区位也有显著的影响，但收入水平影响不明显。这一时期的区域发展战略对省区能源强度俱乐部的形成起到了关键作用。本文的结果具有重要的政策含义：省区能源强度发散表明促进区域间能源利用技术的溢出可以显著提高我国整体能源利用效率；区域发展战略与节能减排政策的结合能够更加有效地促进省区能源强度的收敛；由于人口和生产活动流向高能源效率的省区，因此促进要素流动有利于中国省区能源效率的提高。

关键词能源强度；分布动态；加权收敛；条件分布分析

中图分类号F062.1

文献标识码A文章编号1002-2104（2018）02-0036-12DOI：10.12062/cpre.20171007

改革开放以来，中国实现了持续的高速经济增长。然而，高速经济增长也伴随着能源消耗的快速增长，以制造业为主导的产业结构和能源利用效率低下加剧了这一状况。居高不下的能源消耗不但带来了能源安全问题，也导致了严重的环境问题。随着国民环保意识的提高以及对于更好生活质量的追求，中国政府开始致力于通过产业转型升级来促进经济和社会的可持续发展。作为世界上最大的能源消耗国和二氧化碳排放国，中国政府也面临严峻的国际碳减排压力。为了实现经济社会的可持续发展，中国政府制定了许多具体的节能减排目标，其中有些已经成功实现。例如，在“十一五”期间，实现能源强度下降了19.1%。在“十二五”期间，中国政府承诺进一步降低能源强度16%。

研究能源强度的收敛性对于预测未来能源消耗和制定环境政策具有重要意义。首先，能源消耗是决定温室气体排放和许多其他污染物（如二氧化硫和PM2.5等）排放的关键因素。与环境污染物排放相比，能源强度与经济活动有着更直接的关系。以能源强度为基础的环境政策会更加有助于平衡经济增长和环境保护的关系，这对于发展中国家来说尤为重要。其次，能源强度的空间分布动态性与能源利用技术的扩散紧密相关。能源强度的收敛意味着随着时间的推移，国家或区域之间技术差异的减小；而能源强度的发散表明政府和国际组织应该通过促进空间技术溢出来提高高能耗国家或地区的能源利用效率。第三，能源强度收敛的基本原理与环境库兹涅茨曲线理论一致。因此对于能源强度收敛的研究有助于深化环境库兹涅茨曲线存在性的讨论。

近年来国际上已经有许多文献研究国家间或地区间能源强度的收敛性，如Markandya、Ezcurra、Maza和Villaverde、Liddle、Herrerias、Mohammadi和Ram、Meng、Kiran、Mulder以及Duro等[1-11]。隨着近些年中国能源强度的持续下降，已经有相当多的文献研究中国的能源强度问题，例如Ma和Stern、Song 和Zheng以及Wu等[12-14]。但很少有文献研究中国能源强度的收敛性问题，仅有齐绍洲和李锴[15]、马晓钰等[16]、魏巍贤和王锋[17]、王春宝和陈迅[18]、Herrerias[19]、Zhang 和 Broadstock[20]等少数文献涉及该问题，且都采用了传统的参数收敛分析方法。中国省区之间在产业结构、技术水平、资源禀赋和气候等方面存在显著差异，从而导致省区能源强度的差别。因此，研究中国省区能源强度的空间分布演变及其决定因素对于我国节能减排和绿色转型具有重要的意义。

与现有研究不同，为了分析中国能源强度空间分布和演进的完整形态及其决定因素，为相关政策的制定和实施提供更加全面可靠的信息，本文采用了加权的连续性分布动态方法。首先，该方法完全由数据驱动，因此能够避免模型选择所带来的偏误；其次，考虑到中国省区之间巨大的规模差距，考虑经济和人口规模将会更加真实地反映中国能源强度演变的趋势，因此本文在分析中考虑了经济和人口规模对能源强度分布演进的影响；此外，条件分布分析能够为解释中国省区能源强度俱乐部收敛的形成提供重要证据。

1研究方法与数据说明

现有关于经济收敛的分析方法主要包括三种：一是σ收敛方法，主要研究能源强度的离散度（dispersion）随时间的变化。由于σ收敛能够提供的动态信息很少，所以一般把σ收敛分析和其他方法结合起来进行分析，如Ezcurra、Maza和Villaverde、Mulder、Duro等[2，3，10，11]。二是参数方法，即通过参数回归方法来研究国家或地区之间能源强度绝对收敛、条件收敛或随机收敛的存在性。由于许多计量软件都能够比较方便地实现参数分析方法，因此绝大多数文献都采用了这种方法。三是非参数的分布动态方法。分布动态方法的优势是不需要设定具体模型假设而是完全由数据驱动，且能够提供更多演变过程及其结果信息，特别是在分析俱乐部收敛的形态和形成原因方面具有其它方法无法比拟的优势，更重要的是该方法为实现加权收敛分析提高了可能。本文采用分布动态分析方法。

1.1非加权分布动态分析方法

如果用ft（x）表示能源强度在t时期的分布，ft+τ（y）表示能源强度在t+τ时期的分布，其中τ>0。同时假设能源强度在t+τ时期的分布只依赖于其在t时期的分布，则能源强度在t+τ时期的分布可以通过下面的公式来计算：endprint

ft+τ（y）=∫∞0gτ（y|x）ft（x）dx（1）

其中，条件概率密度函数gτ（y|x）表示能源强度从t时期到t+τ时期分布的转移概率。对任意x，有∫∞0gτ（y|x）dy=1（更详细的计算过程可参考Johnson[21]）。

为了估算条件概率密度，首先需要定义联合核密度估计量ft，t+τ（y，x）如下：

ft，t+τ（y，x）=1nhxhy∑ni=1Kx（x-xihx）Ky（y-yihy）（2）

其中，hx和hy表示x和y各自的带宽。xi和yi是t时期和t+τ时期省区的能源强度。借鉴多数研究（如Johnson等）[19-20]的做法，本文带宽的计算采取Silverman[22]提出的最优化方法。

同样地，x的边际核密度函数可以采用下面的公式来估计：

ft（x）=1nhx∑ni=1Kx（x-xihx）（3）

根据上面定义的联合和边际核密度函数，就可以采用下式来计算条件概率密度函数：

gτ（y|x）=ft，t+τ（y，x）ft（x）（4）

如果保持转移概率（即gτ（y|x））不变，则能源强度的分布会演变成为长期均衡状态，即遍历分布（ergodic distribution）。因此，与给定gτ（y|x）相对应的遍历分布（用f∞（y）表示）可以用下面的公式计算：

f∞（y）=∫∞0gτ（y|x）f∞（x）dx（5）

离散型分布动态方法一般采用转移概率矩阵和遍历分布矩阵来展示转移过程的动态性和长期分布。但连续性分布动态方法多采用三维图和等高线图来表示转移概率，用二维核密度图来表示遍历分布。为了更好地分析能源强度分布的收敛性，需要分析能源强度分布区间每一点的移动概率，本文采用净转移概率的概念来表示分布的转移动态，该方法能够精确地估计能源强度分布区间内每一点的净向上转移概率。净转移概率p（x）可由下面的公式来估计：

p（x）=∫∞xgτ（z|x）dz-∫x0gτ（z|x）dz（6）

本文中，净转移概率大于0表明能源强度有增加趋势，而净转移概率小于0表明能源强度有减少趋势。

1.2加权的分布动态分析方法

传统的收敛分析中一般都假设每个样本具有相同的规模大小。然而，中国省区间在规模上差别非常大。例如，2014年广东的经济规模（GDP）是西藏经济规模的73.6倍，而广东省的人口规模则是西藏的33.7倍。降低广东的能源强度对国家节能减排的作用显然远高于西藏。因此，未加权的分布动态方法无法展示中国省区能源强度分布动态演变的全部信息。为了理解省区规模对能源强度的影响，本文分别采用经济规模（GDP）和人口规模作为权重。根据Gisbert[23]，核密度函数的加权可以采用如下公式来计算：

f^t（x）=1nhx∑ni=1ωiK（x-xihx）（7）

其中ωi是某省区产出或者人口的权重份额。为了便于比较，本文分别采用加权的和未加权的分析方法来分析中国城市能源强度分布的动态演变信息。

1.3条件分布分析

传统的俱乐部收敛分析常常人为地将省区划分为东、中、西部三大地区进行分析，然而，这样的划分存在很大的主观性。为了研究空间区位因素对能源强度分布的影响，本文采用了条件分布分析方法。除了空间区位因素之外，资本密集度（资本存量除以GDP）和收入水平（人均GDP）对能源强度具有重要的影响，因此本文在条件分布分析中考虑了空间区位、资本密集度和收入水平等三个变量。为了进行条件分布分析，需要对能源强度数据进行预处理。具体来说，空间条件分布分析就是将每个省区的能源强度除以其相邻省区能源强度的平均值，然后进行分布动态分析。这样，能源强度的空间条件分布可以被看作是没有被空间区位因素解释的部分。如果空间区位因素对能源强度分布的影响越小，那么非条件分布和条件分布将越相似。相反，空间区位因素对能源强度的影响越大，两个分布就越不相同。对以资本密集度和收入水平为条件变量的能源强度数据进行预处理的方法相对比较简单，即直接采用每个省区的能源强度除以该省区的资本密集度或收入水平。在对数据预处理之后，条件分布分析中转移概率和遍历分布的估计方法与普通分布动态方法相同。

1.4数据来源和处理

由于1986年之前的中国省区能源数据缺失较多，因此本文采用了1986—2014年期间除西藏、香港、澳门、台湾之外的中国30个省区（包括22个省、4个自治区和4个直辖市）的能源强度面板数据。能源消耗数据主要来自各年度《中国能源统计年鉴》和《新中国六十年统计资料汇编》，名义GDP数据和人口数据来自《新中国六十年统计资料汇编》和各年度《中国统计年鑒》，名义GDP数据采用分省的GDP平减指数折算为以1986年为基期的实际GDP数据。资本存量数据来自Wu[24]，缺失年份的数据作者采用相同方法即永续盘存法加以补齐。有了能源消耗、实际GDP、人口和资本存量数据，我们就可以很容易计算出本文研究所需要的能源强度、收入水平、资本密集度等变量。由于分布动态方法主要研究相对位置的变化，借鉴现有分布动态方法研究的常规做法，本文在研究中采用相对能源强度数据，即用每个省区的能源强度除以该年全部省区能源强度的平均值。

2中国省区能源强度的分散度和当期分布

2.1中国省区能源强度的分散度分析

为了对中国省区能源强度的离散性有个基本的把握，图1展示了1986—2014年期间中国省区能源强度的变异系数和东、中、西部三大地区间能源强度的比率。由图1可见，中国省区能源强度的变异系数除个别年份外一直呈现升高的趋势，表明中国省区能源强度从整体上来看趋向发散。就地区间比率来看，中部与东部之间的比率相对比较稳定，但西部省区对东部省区的能源强度比率持续升高，表明西部省区能源利用效率相对于东部出现了显著的恶化，政府需要重点关注西部省区的节能减排工作。同时，可以看出变异系数的变化趋势与西部/东部能源强度比率的变化趋势非常相似，可以判断中国省区能源强度的发散与西部省区的能源强度相对于中、东部省区快速增加有很大的关系。变异系数分析虽然能够提供中国省区能源强度的离散度度量，但并不是真正意义上的收敛分析，也不能提供中国省区能源强度空间分布演变的具体形态。endprint

2.2关键年份能源强度的分布分析

在分析中国省区能源强度的分布动态过程和长期稳态分布之前，首先需要对当期的分布形态有个基本的把握。图2是本文研究样本期间一些关键年份（1986、1995、2005、2014年）的核密度分布图。其中，关键年份的选择一是需要将样本大致分为相等的时间段，二是能源政策的变化时间，如2005年。从图中可以看到，在1986年和1995年，省区能源强度的分布基本都为右偏的单峰分布（rightskewed unimodality），即除了个别省区以外大多数省区位于平均能源强度（相对能源强度值为1）的波峰；但2005和2014年省區能源强度的分布为明显的非对称多峰分布（asymmetric multimodality），大部分省区位于平均能源强度以下的主峰，少数省区在高于平均能源强度的位置形成多个小波峰。这表明就当前中国能源强度的分布演变趋势来看，俱乐部收敛的形态比较明显。动态地看，从1986—2014年，主峰的高度开始时（1986—1995年）变化较小，随后（1995—2014年）开始大幅升高。就分布范围来看，这一时期随着时间的演变，能源强度分布的左边呈现收缩趋势，而右边呈现发散趋势，表明低能源强度省区向平均能源强度收敛，但部分中高能源强度省区也向高能源强度端移动。从整体看，相对能源强度的分布范围有扩大的趋势，表明中国省区能源强度的分布存在发散的倾向。这与前文变异系数的结果相似。

图3是1986、1995、2005和2014年中国省区能源强度的产出和人口加权的核密度分布与非加权核密度分布的比较图。由图可见，加权和非加权的省区能源强度的核密度分布差别很大，加权后能源强度分布的主峰显著升高且偏向低能源强度端。特别是产出加权的能源强度分布，其分布更加偏向低能源强度端，表明中国的经济活动和人口分布主要集中在能源强度较低的地区，而经济活动则更加偏向低能源强度省区。从时间的变化趋势来看，由于自改革开放以来中西部和东北地区的人口持续流向东部较发达省区，因此随着中国省区人口和经济活动分布不均衡现象的加剧，加权与非加权的能源强度分布之间的差别也显著加大。可以预期，随着近年来城市入户政策的放宽，人口的流动速度将会加快，而区域人口不均衡对节能减排的

影响也将更加显著。由此可见，忽略中国省区人口和经济规模的差异可能会对中国省区能源强度分布的动态演变发生误判。

3中国省区能源强度的分布动态性分析

3.11986—2014年期间中国省区能源强度的分布动态性

图4是中国省区能源强度的分布动态估计结果。其中图4（a）和（b）分别是1986年至2014年转移概率的三维分布图和对应的等高线图。为了对两图有直观的解释，假设t期时某一省区的能源强度为均值的2倍（即相对能源强度值为2），从t轴上值为2的点平行于t+1轴作切面，则这一切面即是该省区由t期向t+1期转移的概率分布。由图可见，在低能源强度区域，转移概率基本分布在对角线两侧；而在高能源强度区，转移概率的分布偏离对角线较多。上述分布表明在低能源强度端的省区相对能源强度的变动较小，而在高能源强度端省区相对能源强度的变动相当大。

图4（c）是净转移概率曲线图，该图对判断收敛与否具有重要作用。如果净转移概率曲线与零轴有一个交点（该交点一般位于均值附近），且在相对能源强度低于交点区间的净转移概率大于零，而在高于交点区间的净转移概率小于零，则意味着能源强度将收敛于交点。图3（c）显示，在1.8～2.1倍均值区间的省区存在正的净转移概率，表明位于这一区间的省区的能源强度存在较强的增加趋势，而非收敛于均值。

图4（d）是当转移概率保持不变时，中国省区能源强度的长期稳态分布（即遍历分布）图。该图呈现明显的双峰分布，多数省区将收敛于均值处的主峰，只有少数省区收敛于2倍均值附近的小波峰。这意味着就整个样本时期来看，中国省区能源强度长期将形成非对称的二元俱乐部收敛。考虑到中国省区之间存在巨大的经济和人口规模差异，本文也估算了产出和人口加权的净转移概率和遍历分布（图4（c）和（d）中的短划线和点虚线）。由图可见，产出和人口加权的遍历分布虽然没有改变二元俱乐部收敛的趋势，但与非加权的遍历分布相比，产出和人口加权的遍历分布更加偏向低能源强度端。表明加权以后，更多的经济活动将会趋向低能源强度省区，忽略经济和人口规模的影响将会导致对中国能源强度空间分布演变趋势的估计产生偏误。

由于中国在2005年之前采取的是比较宽松的能源和环境政策，但2005年之后采取了较强的环境规制和节能减排政策（见“十一五”、“十二五”规划）。因此可能会导

致2005年前后能源强度演变趋势的差异。本文以2005

年为界将样本分为1995—2005年和2005—2014年两个时期，并分别估算其分布动态性。结果发现1995—2005年期间省区能源强度的分布动态结果与1995—2014年的结果非常相似，为简略起见不再报告。而2005—2014年的结果与全部样本时期的结果差别非常大，表明2005年后采用的能源和环境政策对省区能源强度的分布产生了重要的影响。

3.22005—2014年期间中国省区能源强度的分布动态性

图5展示了离目前最近的2005—2014年期间中国省区能源强度的分布动态性。图5（a）和（b）分别是转移概率的三维图和等高线图，由图可见转移概率密度主要分布在对角线两侧，且沿对角线形成多个波峰，表明相对位置的变动较小且预示着存在俱乐部收敛的可能性。图（c）的净转移概率分布表明，除了低于0.8倍均值的区间外，区间[1.6， 1.8]和[2.5， 2.9]内的净转移概率也为正值，表明相对能源强度位于该区间的省区存在能源强度相对增加的趋势。比较来看，区间[1.6， 1.8]内的省区相对能源强度升高的概率较小，而在区间[2.5， 2.9]内的省区相对能源强度具有非常强烈的升高趋势，因此在将来国家节能减排计划中应该重点关注上述省区的节能减排。endprint

与1986—2014年整个样本时期的演变趋势显著不同，图5（d）显示基于2005—2014年样本时期计算的长期稳态分布呈现明显的三峰分布状态，三个波峰分别位于0.8、1.8和2.9倍均值处，前两个波峰较大，而第三个波峰相对较小，表明中国省区能源强度存在非对称三元俱乐部收敛现象。图5（c）、（d）也显示了产出、人口规模加权的净转移概率和遍历分布，作为比较，在图中也加入了非加权的净转移概率和遍历分布。由图可见，加权对遍历分布有比较明显的影响。人口加权显著降低了1.8倍均值处的波峰，但提升了0.8倍均值处的波峰；产出加权降低了1.8倍均值处的波峰，但提高了位于2.9倍均值处的波峰。这表明收敛于高能源强度的省区具有较大的经济规模，而收敛于低能源强度的省区具有较大的人口规模，而收敛于1.8倍均值波峰的省区经济和人口规模都小于平均值。由此可见，这一时期中国人口和经济活动空间分布的不均衡状态较前一时期发生了较大的变化。

基于上述分析，可以发现中国省区能源强度的分布动态性在整个样本时期1986—2014年和2005—2014年期间有着较大的差异。整个样本时期趋向双峰收敛，后一阶段趋向三峰收敛。造成这一差别的主要原因可能是2005年之后实施的严格节能减排政策。由于各个省区面临的节能减排任务差别较大，因此导致各个省区的演变路径发生了变化，因此从双峰收敛变成了三峰收敛。这一结果与

Zhang和Broadstock[20]的结果相似，他们也发现中国省区能源强度存在三个俱乐部。

4条件分布分析

采用条件分析方法分析中国省区能源强度分布的影响因素。由于地理位置的邻近性会影响相邻省区的产业结构，因此许多文献都将空间区位作为形成俱乐部收敛的重要因素[20]。此外，资本密集度和收入水平也是可能影响省区能源强度的重要因素[13，14，16]。一般来说，资本密集度较高的省区重化工業所占的比重较高，因此具有较高的能源强度。根据环境库兹涅茨曲线理论，在经济发展的开始阶段能源强度随着收入水平的提高而增加，但达到一定阶段后将会下降，即二者之间表现为倒“U”型曲线的关系。此外，收入水平还可以通过能源回弹效应来影响能源强度[25]。因此，本节将通过分析能源强度对空间区位因素、资本密集度和收入水平的条件分布来研究三者对中国省区能源强度分布动态性的影响。与前文相同，我们也针对两个子时期分别做了分析，由于1986—2005年期间的结果与整个样本时期的结果相似，所以本节只报告整个样本时期和2005—2014年期间的分析结果。

4.11986—2014年的条件分布分析

图6（a）和（b）展示了中国省区能源强度对空间条件分布的净转移概率和遍历分布，为便于比较，这里也将相应的非条件分布估计结果置于图中。相对于非条件处理的省区能源强度净转移概率曲线，空间条件处理后的净转移概率曲线（图6（a））显示，相对能源强度大于平均值区间具有正的净转移概率的区域及其高度显著缩小，说明空间条件处理后该区间省区能源强度相对增加的趋势减弱，从整体看中国省区能源强度的收敛性增强。由（图6（b））可见，省区能源强度的空间条件遍历分布与非条件遍历分布虽然存在一些差别，但仍然保持了双峰分布的基本形状，表明空间区位因素虽然对中国省区能源强度的分布有一定影响，但不是中国省区能源强度俱乐部收敛的原因。

图7（a）和（b）是以资本密集度作为条件变量处理后的省区能源强度的净转移概率和遍历分布图。由图7（a）可见，经过资本密集度条件处理后的净转移概率曲线在大于均值端的正转移概率区间相对缩小且其高度下降，说明资本密集度条件处理后的省区能源强度具有较强的收敛趋势。投资是驱动中国能源强度发散的原因，这也意味着投资均等化将有利于省区能源强度的收敛。图7（b）显示，资本密集度条件处理后的遍历分布基本上呈现为右偏的单峰分布，其双峰分布的形态不再明显，位于高能源强度端的小波峰显著缩小并分化为两个很小的波峰，但没有完全消失。上述结果说明，就整个样本时期来看，资本密集度对中国省区能源强度有显著的影响，但只能部分解释中国省区能源强度俱乐部收敛的现象。

图8展示了1986—2014年期间中国省区能源强度对收入水平条件分布的估计结果。图8（a）的净转移概率表明，去除收入水平因素之后，净转移概率曲线与0概率轴只有一个交点，而且在小于交点区间皆为正值，而在大于交点区间皆为负值，这表明收入条件处理后的省区能源强度严格收敛。图8（b）的遍历分布表明，长期来看，收入条件处理后的省区能源强度分布双峰之间的界限变得非常模糊，似乎更趋向单峰分布。可见就所研究的样本时期来看，收入水平对省区能源强度的俱乐部收敛有一定的影

响，但不能完全解释俱乐部收敛。

4.22005—2014年期间的条件分布分析

图9（a）、（b）是2005—2014年期间空间条件处理后的净转移概率和遍历分布。由图可见，经过空间条件处理后中国省区能源强度的净转移概率和遍历分布都发生了显著变化。空间条件处理后的净转移概率收敛性显著变差，有更多的省区存在相对增加能源强度的倾向；与没有处理的遍历分布相比，空间条件处理后的遍历分布其俱乐部收敛的基本形态不太明显，未经处理前位于较低能源强度端的两个波峰几乎消失，这表明空间区位因素是这一时期中国省区能源强度俱乐部收敛的重要原因。这可能与中国在这一时期实施的西部大开发、中部崛起和振兴东北的区域发展战略密切相关。由于上述区域发展战略是以特定区域为范围实施的，因此可能会使得同一区域内各省区之间的经济结构趋同，从而形成俱乐部收敛。

图10（a）、（b）分别是2005—2014年期间资本密集度条件处理后的净转移概率和遍历分布。与空间条件处理后的净转移概率不同，经过资本密集度条件处理后的净转移概率曲线与0概率轴只有一个交点，且位于均值处，小于均值区间的净转移概率为正值，大于均值区间的净转移概率为负值，表明资本密集度条件处理后的省区能源强度将会严格收敛于均值处。从长期稳态来看，资本处理后的遍历分布呈现明显的单峰分布，且位于均值附近，资本密集度条件处理前位于高能源强度区域的两个波峰彻底消失。这一结果表明如果保持转移概率不变，则资本密集度条件处理后的省区能源强度将会收敛于均值处。资本密endprint

集度是造成中国省区能源强度俱乐部收敛的主要原因。结合空间区位因素对俱乐部收敛的影响，可以判断在这一

时期空间区位因素和资本密集度因素存在较强的关联性，而在前一时期则较弱或不存在。考虑到这一时期正在实施的三大区域发展战略（西部大开发、中部崛起和振兴东北等）主要是通过大规模的投资政策和产业转移政策来实现的，因此可以理解资本密集度和空间区位成为2005—2014年期间中国省区能源强度俱乐部收敛的主要决定因素。

图11展示了2005—2014年期间以收入水平作为条件变量处理后的中国省区能源强度的净转移概率和遍历分布。由图11（a）的净转移概率曲线可见，去除收入水平因素之后，净转移概率曲线与0概率轴仍然有多个交点，且在大于第一个交点区间有一个相当大的区域存在正的净转移概率，且概率值较高，表明相对能源强度位于这一区间的省区具有较强的相对增加能源强度的倾向。可见，2005—2014年期间经过收入水平条件处理后的中国省区能源强度的收敛性与1986—2005年期间相比变差。图11（b）的遍历分布中仍然可以清晰地看到三个波峰，表明从长期来看，经过收入条件处理后的中国省区能源强度仍然趋向三元俱乐部收敛。由此可见，这一时期收入水平对省区能源强度俱乐部收敛的影响不明显。

综上，资本密集度是影响我国省区能源强度收敛的最主要因素，收入水平虽然有影响，但影响较小，空间区位因素的影响最小。本文的结论与现有研究不同，如马晓钰等[16]发现省区能源强度俱乐部收敛基于收入水平，而Zhang和Broadstock[20]发现省区能源强度俱乐部主要由区域因素决定。与上述需要进行模型设定的参数方法研究相比，本文的分析结果更加直观和清晰。

5主要结论和政策启示

本文采用加权的分布动态方法研究了1986—2014年期间中国除香港、澳门、台湾和西藏外30个省区能源强度的收敛性及其决定因素。与传统的参数收敛分析方法不同，本文采用了加权的连续性分布动态方法。该方法不但能够分析省区能源强度分布的形态、动态演进过程和长期稳态分布，还能够检验经济和人口规模差异对能源强度收敛的影响，同时可以通过条件分布分析方法进一步研究形成俱乐部收敛的原因，因此能够提供比传统方法更多关于收敛过程和结果的信息。本文的主要结论如下：

首先，在1986—2014年期间，中国省区能源强度存在发散的趋势，且由单峰分布趋向多峰分布。需要说明的是，发散是指样本变异系数的增高，也即样本的分布更加分散，是分布的极化现象（polarization）。俱乐部收敛是指中国各省区能源强度的分布形成不同能源强度水平的群组，即分层（stratification）。因此二者并不矛盾。从长期稳态分布来看，中国省区能源强度将趋向非对称二元俱乐部收敛，即大多数省区收敛于均值附近的主峰，但也有少数省区收敛于约2倍均值处的小波峰。经济和人口规模对省区能源强度的分布有重要的影响，随着近年来经济活动和人口空间分布不均衡状态的加剧，其影响随着时间的推进更加显著，忽略经济和人口规模的影响会导致对中国省区能源强度收敛性判断的偏误。考虑到2005年前后中国能源与环境政策的变化，本文将样本分为1986—2005年和2005—2014年两个子时期后，发现1986—2005年的估计结果与整个样本时期基本一致，但2005—2014年期间的遍历分布更加发散，且演变为三元俱乐部收敛。

其次，为了研究空间区位因素、资本密集度和收入水平对省区能源强度分布的影响，本文进行了条件分布分析。研究发现，就整个研究时期（1986—2014年）来看，空间区位因素对长期稳态分布的影响较小，收入水平对长期稳态分布的影响次之，资本密集度对长期稳态分布的影响最大，能够部分解释省区能源强度的俱乐部收敛。就2005—2014年期间来看，收入水平对中国省区能源强度长期稳态分布中三峰分布的影响不明显。经过空间区位处理后的长期稳态分布基本为单峰分布，多峰特征虽然没有完全消失但已经不明显，而经过资本密集度处理后的长期稳态分布完全为单峰分布。表明资本密集度和空间区位因素是省区能源强度长期稳态分布中三峰分布形成的决定性因素。其背后原因则是以投资驱动的三大区域发展战略，即西部大开发、中部崛起和振兴东北等。

本文的结果对预测未来能源消耗的区域演进和制定环境政策具有重要的意义：

首先，本文发现中国省区能源强度存在显著发散的趋势。这意味着中国各省区在能源利用技术上的差距不但没有缩小，甚至还存在继续扩大的趋势。当然，能源强度的发散也表明中国在通过促进技术溢出来降低能源消耗方面存在巨大的潛力，这就要求政府在促进地区之间的技术溢出上制定相应的政策，消除区域间技术溢出的障碍，通过促进能源强度的收敛来实现节能减排。

其次，本文的研究表明中国省区能源强度趋向俱乐部收敛，虽然在1986—2014年期间，这种俱乐部收敛并不具有明显的区域特征，但2005年以来则表现为强烈的区域特征，且由区域性的投资驱动。这一结果表明区域发展战略应该和节能减排政策结合起来，不能只注重发展而忽视了环境保护。就当前来看，应该针对不同区域实施差别化的节能减排政策。特别是那些能耗较高且具有正的转移

概率的省区应该受到更加严格的节能减排政策约束。当然，也可以采用一些新思路，如采用转移支付来分担环境成本或者是采用更加市场化的机制如碳交易等措施。

第三，本文的研究发现经济和人口规模对能源强度的收敛具有重要的影响，更多的生产活动和人口都集中在能源强度较低的省区，而高能耗省区一般都是经济和人口小省，而且这一不平衡趋势还在持续扩大。这意味着人口等要素的自由流动将会使更多的生产活动和人口流向能源强度更低、环境更好的省区，考虑到能源强度是能源效率的有效度量，经济活动向低能源强度省区移动有利于我国总体能源效率的提高。因此，从政策方面来看，进一步促进生产要素的流动将有利于中国的节能减排。endprint

第四，资本密集度和收入水平是决定省区能源强度收敛的重要因素。我国各省区在资本密集度和收入水平上也存在较大的差距，经济发展的目的是实现收入和环境的综合发展，通过加大投资促进低收入省区的发展是我国区域协调发展的重要条件，而高收入省区应该承担更多的节能减排任务，调整高能耗的产业结构和消费习惯。

（编辑：刘照胜）

参考文献（References）

[1]MARKANDYA A， PEDROSOGALINATO S， STREIMIKIENE D. Energy intensity in transition economies： is there convergence towards the EU average？[J]. Energy economics， 2006， 28（1）： 121-145.

[2]EZCURRA R. Distribution dynamics of energy intensities： a crosscountry analysis[J]. Energy policy， 2007， 35（10）： 5254-5259.

[3]MAZA A， VILLAVERDE J. The world per capita electricity consumption distribution： signs of convergence？[J]. Energy policy， 2008， 36（11）： 4255-4261.

[4]LIDDLE B. Electricity intensity convergence in IEA/OECD countries： aggregate and sectoral analysis[J]. Energy policy， 2009， 37（4）： 1470-1478.

[5]LIDDLE B. Revisiting world energy intensity convergence for regional differences[J]. Applied energy， 2010， 87（10）： 3218-3225.

[6]HERRERIAS M J， LIU G. Electricity intensity across Chinese provinces： new evidence on convergence and threshold effects[J]. Energy economics， 2013， 36： 268-276.

[7]MOHAMMADI H， RAM R. Crosscountry convergence in energy and electricity consumption， 1971-2007[J]. Energy economics， 2012， 34（6）： 1882-1887.

[8]MENG M， PAYNE J E， LEE J. Convergence in per capita energy use among OECD countries[J]. Energy economics， 2013， 34（3）： 536-545.

[9]KIRAN B. Energy intensity convergence in OECD countries[J]. Energy exploration & exploitation， 2013， 31（2）： 237-247.

[10]MULDER P， DE GROOT H L F， PFEIFFER B. Dynamics and determinants of energy intensity in the service sector： a crosscountry analysis， 1980-2005[J]. Ecological economics， 2014， 100： 1-15.

[11]DURO J A. On the automatic application of inequality indexes in the analysis of the international distribution of environmental indicators[J]. Ecological economics， 2012， 76（1）： 1-7.

[12]MA C， STERN D I. Chinas changing energy intensity trend： a decomposition analysis[J]. Energy economics， 2008， 30（3）： 1037-1053.

[13]SONG F， ZHENG X. What drives the change in Chinese energy intensity： combining decomposition analysis and econometric analysis at the provincial level[J]. Energy policy， 2012， 51： 445-453.

[14]WU Y. Energy intensity and its determinants in Chinas regional economies[J]. Energy policy， 2012， 41（c）： 703-711.

[15]齊绍洲，李锴.区域部门经济增长与能源强度差异收敛分析[J].经济研究， 2010， 45（2）：109-122.[QI Shaozhou， LI Kai. Convergence analysis of regional economic growth and energy intensity difference[J]. Economic research journal， 2010， 45（2）：109-122.]endprint

[16]马晓钰，李强谊，韩源源.中国能源强度收敛性的理论与实证分析[J].科技管理研究， 2015， 35（21）：229-235.[MA Xiaoyu， LI Qiangyi， HAN Yuanyuan.Theoretical and empirical analysis of convergence of energy intensity in China[J]. Science and technology management research， 2015， 35（21）：229-235.]

[17]魏巍贤，王锋.能源强度收敛： 对发达国家与发展中国家的检验[J].中国人口·资源与环境，2010，20（1）： 4-10.[WEI Weixian， WANG Feng. Energy intensity convergence： the inspection of developed and developing countries[J]. China population， resources and environment， 2010， 20（1）： 4-10.]

[18]王春宝，陈迅.技术进步、经济结构调整与能源强度收敛性[J].山西财经大学学报， 2017， 39（4）：76-87.[WANG Chunbao， CHEN Xun. Technological progress， economic structural adjustment and energy intensity convergence[J]. Journal of Shanxi University of Finance and Economics， 2017， 39（4）：76-87.]

[19]HERRERIAS M J. World energy intensity convergence revisited： a weighted distribution dynamics approach[J]. Energy policy， 2012， 49（10）： 383-399.

[20]ZHANG D， BROADSTOCK D C. Club convergence in the energy intensity of China[J]. Energy journal， 2016， 37.

[21]JOHNSON P A. A continuous state space approach to‘convergence by parts[J]. Economics letters， 2005， 86（3）： 317-321.

[22]SILVERMAN B W. Density estimation for statistics and data analysis[M]. Boca Raton： CRC Press， 1986.

[23]GISBERT F J G. Weighted samples， kernel density estimators and convergence[J]. Empirical economics， 2003， 28（2）： 335-351.

[24]WU Y. Chinas capital stock series by region and sector[M]. Perth： University of Western Australia， 2009.

[25]邵帥，杨莉莉，黄涛. 能源回弹效应的理论模型与中国经验[J].经济研究，2013，48（2）：96-109.[SHAO Shuai， YANG Lili， HUANG Tao. The theoretical model of energy rebound effect and Chinese experience[J]. Economic research journal，2013，48（2）：96-109.]

[26]HUANG J B， YU S W. Effects of investment on energy intensity： evidence from China[J]. Chinese journal of population， resources and environment， 2016， 14（3）： 197-207.

[27]QUAH D T. Empirics for growth and distribution： stratification， polarization， and convergence clubs[J]. Journal of economic growth， 1997， 2（1）：27-59.

[28]LIU Y， ZHOU M F， FENG S H， et al. Rebound effect and its decomposition： an analysis based on energy types in China[J]. Chinese journal of population， resources and environment， 2016， 14（4）： 245-252.

[29]QUAH D T. Twin peaks： growth and convergence in models of distribution dynamics [J].The economic journal， 1996， 106：1045-1055.

AbstractThis paper examined the convergence of energy intensity across 30 Chinese provincial units for the period 1986-2014 by using a weighted distribution dynamics approach. Moreover， we also analyzed how spatial location， capital intensity and income level influence the distribution dynamics of provincial energy intensity with a conditional distribution approach. The results show that the coefficient of variation keeps an increasing trend in the research period， implying that the energy intensity across Chinese provinces has a dispersing trend in general. The longrun stationary distribution of energy intensity across Chinese provinces converges into asymmetric bimodality for the period 1986-2005. However， due to the change in the environmental and energy reduction policy after 2005， the distribution converges into trimodality for the period 2005-2014. Economic and population size have significant influence on the distribution of energy intensity across Chinese provinces. Moreover， the influence increases over time. This implies that neglecting economic and population scale may lead to biased estimation on the convergence of energy intensity. The conditioning analysis indicates that spatial location is the most important determinant among the three factors in the sample period， followed by income level， while geographical location has the least impact. However， in the most recent period of 2005-2014， capital intensity is the determinant factor in the formation of trimodality in the longrun steady distribution. Geographical location also has important impact on the formation of trimodality in the longrun stationary distribution for the period 2005-2014. On the contrary， income level has no significant influence on the trimodality in the longrun steady distribution in this period. Our results have important policy implications. First， the dispersion in energy intensity indicates that encouraging interregional energy technological spillover may improve energy efficiency in China. Second，the combination of regional development program and energy conservation and CO2 emission reduction policy may be more efficient in promoting the convergence in energy intensity. Third， as population and economic activities are moving toward high energy efficiency provinces， thus encouraging factor mobility may improve the energy efficiency in Chinese provinces.

Key wordsenergy intensity； weighted convergence； distribution dynamics； conditional distribution analysisendprint