基于LMDI中国地区电力消费影响因素空间分解研究

武兰玉

（1.临沂大学 商学院，山东 临沂276005；2.南京航空航天大学 经济学院，江苏 南京 211106）

电力消费是目前中国最主要的能源消费种类之一，它对经济发展具有重要影响。我国电力消费量2000年为1.35万亿千瓦时，到2017年达到6.48万亿千瓦时，年均增速超过9.6%。电力消费的快速增长促进了经济的持续高速发展，但是中国30个省、市、自治区的电力消费效率有较大差异。因此对全国30个省、市、自治区的电力消费效率进行研究，识别和量化电力消费的影响因素，并对30个省、市、自治区的电力消费效率高低进行排序具有重要意义。

1 文献回顾

1989年日本学者Kaya提出了经典的KAYA恒等式[1]，这一恒等式建立了关于经济、人口、能源消费和碳排放的经典框架。在研究能源消费和碳排放问题时，多数以KAYA恒等式为基础，使用指数分解法（IDA）和结构分解法（SDA）进行分析。其中，Ang and Zhang(2000)[2]对IDA方法进行了详细介绍，Ang(2004)[3]介绍了IDA的几种算法，Xu and Ang(2013)[4]对IDA方法进行了详细评述，Ang(2015)[5]概述了2005年至2014年期间的IDA方法。在这些文献中，IDA通常用经济效应、结构效应和能源强度等指标来分析一个国家的能源消费情况。Su and Ang(2012)[6]对SDA方法进行了详细评述并对IDA和SDA方法进行了比较。SDA方法是建立在投入—产出模型上来分析直接和间接效应，对数据要求较高；IDA对数据要求较低，应用比较灵活（Wang等，2018）[7]。

在各类IDA分解的计算方法中，LMDI具有独特优势（Ang2005）[8]：首先，能完美分解，结果不包含无法解释的残差项，可简化结果解释；其次，乘法分解结果可以通过取对数获得加法特性，乘法分解与加法分解结果很容易联系起来；再次，分解结果可以构成一个整体，子区域进行汇总可以分析整个区域的影响。因此，LMDI方法非常适合做能源消费和碳排放等方面的分解分析。

LMDI指数分解法可分为两类：一类是将能源消费或者碳排放的影响因素按照时间进行指数分解，用来研究同一地区不同年份各影响因素的累积效应，如Zha D（2009）[9]、Karmellos M（2016）[10]、Reuter M（2017）[11]、Van Megen B（2019）[12]。多层指数分解可以研究不同产业、部门、地区能源消费碳排放的影响因素，如鲁万波等（2013）[13]、潘文卿等（2017）[14]。对单个地区能源消费或碳排放影响因素按时间进行指数分解后，可以比较不同地区随时间发展不同影响因素之间的差异，这类研究包括Vinuya等(2010)[15]、Zhang等(2011)[16]、Chong等(2012)[17]。另一类是对不同地区的能源消费或碳排放的影响因素进行分解，以分析两个或两个以上地区同一时间段内对能源消费的区别，称为“空间指数分解法”。空间指数分解法最早是由Ang&Zhang（1999）[18]用于分析三个地区间（一般称为B-R模型）能源消费引起的碳排放问题。其他学者如Lee&Oh(2006)[19]、Bartoletto&Rubio(2008)[20]、Gingrich(2011)[21]、李玉敏等（2016）[22]也用空间分解的方法进行了相关研究。

当研究的国家或地区数量较多的时候，对不同国家或地区间进行两两比较是不切实际的。所以Sun(2000b)[23]选择了一个特定的国家作为基准国，用空间分解分析的方法将其他国家分别与基准国做比较以研究不同国家碳排放强度的区别。Schipper(2001)[24]、Bataille(2007)[25]用空间指数分解（一般称为R-R模型）分别分析了14个国家和7个国家的碳排放，这两位学者的“基准国”是指除去被比较国以外的所有国家的平均数。

空间指数分解分析在比较不同地区能源消费影响因素方面特别有效，不同地区可以按照其能源消费总效应进行排序，并探讨各地区的节能潜力。传统的时间分解使用一个地区的时间序列数据或者不同年份的数据，指数分解的影响因素之间差异不大。空间分解分析使用的是不同地区的数据，不同地区指数分解的影响因素往往差别很大。为了适应这一特性，Ang(2015)[5]在选择指数分解法的时候设立了两个标准：因子反转测试和目标反转测试，通过这两个测试可以确保获得完美和对称的空间分解结果。由于LMDI方法计分解结果可通过因子和目标反转测试，计算结果具有稳健性，并且加法和乘法分解结果的一致性和使用的简便性，所以本文选取LMDI方法做中国地区电力消费影响因素的空间分解分析。

2 数据来源及模型构建

2.1数据来源

本文选取了2017年中国各地区的电力消费量和地区生产总值及各地区各行业产值来进行研究。各地区生产总值及各行业产值数据来源于2018年《中国统计年鉴》，各地区电力消费量和各行业用电量数据来源于2018年《中国能源统计年鉴》。

2.2模型构建

KAYA恒等式提供了将能源消费分解为不同影响因素的良好方法，由于LMDI具有的良好性质，我们使用LMDI方法对中国30个省、市、自治区的电力消费进行分解，公式如下：

各变量含义及单位如表1所示，其中，i分别表示农林牧渔业，工业，建筑业，交通运输、仓储和邮政业，批发零售和住宿餐饮业，其他第三产业。

表1 因素分解模型中各变量含义及单位

Ang(2015)[5]提出将每个地区与参考地区（参考地区的各项指标是所有地区各项指标的平均值）进行比较的空间比较方法，这种方法可以避免多地区空间指数分解的偏差。本文将采用中国各地区与参考地区进行比较的空间指数分解模型，这种模型称为多地区（M-R）空间指数分解分析模型，如图1。

图1 多地区（M-R）空间指数分解分析模型

在图1中，实线表示任意一个地区与参考地区的直接分解分析关系，虚线表示任意两个地区之间电力消费的分解分析是通过各自与参考地区之间分解分析结果间接得到的。在本文中，一共有30个地区，每个地区与参考地区进行空间分解比较，一共有30个直接分解比较结果。不同地区与参考地区之间的比较，选取参考地区作为基准比较地区进行空间分解分析，两个地区之间电力消费总效应：

其中Rx和Ry表示30个地区中的任意两个地区，Ru表示参考地区。M-R模型①不同地区之间电力消费效率的差别比较公式如下：

研究能源消费影响因素的指数分解法主要有拉氏指数分解法和迪氏指数分解法，根据Ang(2015)[5]的研究，对数平均数迪氏指数分解法I（LMDI-I）因为没有残余项且其分解的残差项能被完全解释（Ang(2003)[26]）而得到广泛应用，本文采用LMDI-I的方法分析中国各地区电力消费的空间特征。

每个地区与参考地区之间的分解公式可以分别表示为：

3 中国地区间电力消费影响因素空间分解结果的实证分析

我们使用M-R空间分解模型分析中国30个省、市、自治区电力消费的影响因素。电力消费的总效应可以分解为人口效应、经济效应、经济结构效应、电力强度效应。各地区电力消费的业绩之间的排序会根据前文所列公式计算得出。

3.1各地区电力消费效率

电力消费强度是指单位GRP所消费的电量，电力消费效率是各省、市、自治区电力消费带来的产出，通常用电力消费强度的倒数来表示。30个地区的电力消费效率是该地区单位电力消费带来的地区产值增值，计算公式为I=GRP/E，I表示电力消费效率，单位为元/千瓦时。

在2017年度，电力消费效率超过均值的有14个地区。其中，电力消费效率超过20元/千瓦时的地区有6个，分别是北京、湖南、天津、吉林、上海和重庆。北京电力消费效率最高，达28.03元/千瓦时。电力消费效率在10-20元/千瓦时之间的地区有18个。低于10元/千瓦时的地区有6个，其中最低的是青海和宁夏，分别是3.95元/千瓦时和3.61元/千瓦时，这些地区的电力消费效率有较大的提升空间。

3.2各地区用电量与参考地区用电量差值分解结果

将中国30个省、市、自治区的电力消费量与其平均值进行比较，以了解各地区电力消费与均值的差异。然后对各省市电力消费量和均值进行因素分解，将电力消费的影响因素分解为人口效应、经济效应、经济结构效应和电力强度效应，从而确定影响电力消费的各因素对各地区电力消费的影响程度，以便有针对性的提高电力消费效率。

3.2.1 总效应

总效应是指各地区电力消费量与参考地区电力消费量之差。根据《中国能源统计年鉴》数据，由公式（2）计算得出的各地区电力消费量与参考地区电力消费量之差如表3所示。

表3 2017年各地区电力消费效率及与参考地区加法乘法和分解效应

《中国能源统计年鉴》数据显示，2017年电力消费量超过5000亿千瓦时的地区有3个，分别是山东、江苏、广东，其中广东电力消费量最多。有8个地区的电力消费量不足1000亿千瓦时，其中海南电力消费量最少，只有286.3亿千瓦时。

各地区的电力消费平均值为2059.46亿千瓦时，电力消费量超过均值的地区有11个。其中超过均值用电量最多的是广东省，超出3672.67亿千瓦时，其次为江苏和山东。电力消费量低于均值的地区有19个，最低的是海南省，比均值低1773.16亿千瓦时，其次为青海和吉林。

3.2.2 人口效应

各地区用电量与每个地区人数多少密切相关，人口数量和人口效应基本一致。人口效应导致的用电量超过参考地区的地区有13个。其中，广东省和山东省人口均超过1亿，这两个省的人口效应导致的用电量也最高。广东省、山东省电力消费量比参考地区分别多3163.71亿千瓦时、2719.49亿千瓦时。其余高于参考地区用电量的地区，其人口数量与人口效应也基本一致，其中浙江人口效应导致的用电量与其他地区相比略高一些，四川导致的用电量比其他地区略低一些。人口效应导致的用电量低于参考地区的地区有17个。其中最低的是宁夏，其次是青海和天津。

3.2.3经济效应

各行各业纷纷摆拍出“不小心摔了一跤”的“炫富照”， 这些照片，虽是摆拍，却不失为他们的真实状态。年轻一代敢于表达自我，他们因爱岗而炫，因奉献而“富”！

每个地区人口和地理面积不一样，因此更能衡量一个地区经济发展水平的是人均地区生产总值。人均地区生产总值超过10万元的地区有4个，北京市人均地区生产总值最高为12.90万元，其次分别为为上海、天津、江苏。人均收入超过7万元的地区有4个，从高到低分别为浙江、福建、广东和山东。其余地区人均收入超过6万元的有3个，超过5万元的有4个，超过4万元的地区最多，有11个，超过3万元的有3个。人均地区生产总值最低的是甘肃，只有2.85万元。

经济效应导致电力消费量高于参考地区电力消费量的地区有10个，最高的是江苏，其电力消费量比参考地区电力消费量高1980.38亿千瓦时。由经济效应导致的电力消费量低于参考地区电力消费量的地区有20个，最低的是甘肃，低于参考地区电力消费量1166.93亿千瓦时。

3.2.4 经济结构效应和部门电力强度效应

各地区电力消费量分解结果中，经济结构效应和电力强度效应能衡量不同产业电力消费带来的经济效益，因此经济结构效应和电力强度效应数据更有意义。如图2所示，横轴代表经济结构效应，纵轴代表电力强度效应。经济结构效应大于0的地区表示该地区工业结构的电力消费密集度高于均值，从图中可以看出有14个地区的电力消费密集度高于均值。而电力强度效应大于0的地区表示该地区的电力消费效率低于均值，总共有15个地区的用电效率低于均值。基于经济结构效应和电力强度效应分解结果，在图2中处于右上象限的地区河北、山西的经济结构效应和电力强度效应均大于0且距离0值较远，说明这两个地区与均值相比是高电量消费地区。这两个地区应采取适当的结构调整措施、提高电力消费效率，具有较高的节能潜力。位于左下象限的地区北京、上海、四川等与均值相比，属于低电力消费密集度并具有较高的电力消费效率的地区。

图2 各地区加法模式分解的经济结构效应和电力强度效应

图2是加法分解结果，显示的是不同地区经济结构效应和电力强度效应贡献的绝对电力消费量。相同的电力消费量在不同地区的相对贡献不同，电耗率也不同，要分析相对贡献和电耗率需要使用乘法分解结果。乘法分解是以比率形式表示的经济结构效应和电力强度效应来估算，其分解结果由表2中的乘法分解公式计算得出，分解结果以指数表示，如图3所示。纵轴刻度是对数刻度显示，该图显示了各地区电力消费与均值之间偏差的相对幅度。例如北京的经济结构效应是0.80、电力强度效应是0.61，这表示按指数分解的北京的经济结构效应和电力强度效应导致北京的电力消耗都低于均值，相对差距如图3所示。

表2 LMDI分解公式汇总

图3 各地区乘法模式分解的经济结构效应和电力强度效应

图3的地区分布与图2类似。两者的信息可以相互补充并且一起使用来对各地区用电效率情况进行解释。例如在图2中位于右上象限的地区是具有高节能潜力的地区，其相对于全国平均水平的节能潜力以绝对值给出。图3中显示的是各地区占全国平均电力消费的百分比。两个图的数据结果显示，地区间电力强度效应大于经济结构效应。

3.3各地区电力消费强度和各影响因素乘法分解结果排序

各地区电力消费效率除了可以通过各地区电力消费强度进行排序之外，还可以用乘法分解结果中的经济结构效应和部门电力强度效应对各地区电力消耗的贡献不同进行排序。如表4所示，各地区电力消费强度排序是按照每个地区单位地区生产总值所耗费电量值高低来排的，排名比较靠前的地区说明每单位地区产值耗费电量较低，总体效率较高。其他效应排序是按照乘法分解的效应数值来排的，排名靠前说明在这方面该地区表现较好。比如海南的经济结构效应排名第一，说明海南具有最低电力强度效应的工业结构；吉林的电力强度效应排名第一，说明吉林是电力效率最高的地区。总的来说，我们可以认为，那些在列表中排名比较靠后的地区具有较高的节能减排潜力。

表4 各地区总电力消费强度和乘法分解结果排序

4 结论和政策建议

（1）各地区电力消费量与人均地区生产总值趋势大体一致，大多数人均地区生产总值较高的地区电力消费效率也较高；但也有一些例外，如福建省在地区产值中处于较高地区范围，但是电力消费效率却偏低，这说明福建省的经济发展处于较粗放发展阶段，技术水平相对较低，因此电力消费效率低。其次宁夏、青海、新疆等地区人均地区生产总值不属于最低的地区，但电力消费效率是所有地区中最低的。这是因为这些地区面积较大，经济总量水平较高，但是技术水平低于其他地区，所以电力消费效率最低。这些地区的电力消费效率有较大的提升空间，政府应采取措施提高电力利用效率。

（2）人口数量与用电量成正比，各地区人口效应带来的用电量差异与人口数量的差异基本一致。各地区经济效应导致的用电量变化趋势与各地区人均生产总值变化趋势基本一致，也就是说人均收入越高的地区用电量越多。

（3）分解结果中经济结构效应和电力强度效应能更好地衡量各地区的电力消费效率。其中电力强度效应影响要高于经济结构效应。分解结果显示河北、山西两个省份不同产业的电力消费密度和电力消费强度均大幅度高于均值。说明这两个地区如果采取合适的产业结构调整措施、提高电力消费效率，会具有较高的节能减排潜力。经济结构效应和电力强度效应来衡量电力消费效率，表现较好的地区是北京、上海、四川等地。这些地区产业电力消费密度与电力消费强度均低于均值，说明电力消费效率较高，是其他地区借鉴的榜样。

（4）本文根据电力消费强度和LMDI分解效应对中国30个地区进行了排序，排序结果见表4。总体电力消费效率北京排序最高，人口效应青海排序最高，经济效应甘肃排序最高，经济结构效应海南排序最高，电力强度效应吉林排序最高。排序较低的地区可以有针对性的借鉴排序较高地区的措施来提高本地区的电力消费效率。

注释：

①M-R模型比B-R模型和R-R模型更加适合一些，主要在于：（1）在图1中我们可以看出，每个地区与参考地区进行比较，每个地区只需要进行一次比较计算，因此需要进行分解计算的数量大大少于B-R模型。该地区与其他地区的比较结果都可以通过各地区与参考地区的分解比较结果中间接得出。（2）选取所有地区的平均值作为参考地区，降低了参考地区选择的主观性，而且所有地区都可以有一个统一的参考标准。（3）所有地区跟参考地区进行比较，可以对所有地区的电力消费效率进行业绩排序并得出一般结论，这个排序可以为政策分析和决策提供有一定价值的信息。（4）各地区间存在一一对应的间接关系，间接比较的结果没有冲突，满足地区循环的要求。