基于面板数据的中国能源强度演变区域影响因素研究

周 恒，石 时，刘洪涛

(1.西安交通大学经济与金融学院，陕西西安，710049;2.陕西西咸新区发展集团有限公司，陕西咸阳，712000;3.苏州大学商学院，江苏苏州，215006)

一、引 言

随着中国经济的高速发展，我国的能源消费量也随之增加。尽管我国在降低能源强度上取得了显著的成就，2008年的能源强度相对于1980年降低76%，但2007年中国已经成为世界第二大能源消费国和最大二氧化碳排放国(EIA，2008)。面对全球气候变化的威胁，尽管作为发展中国家我国目前没有减排义务，我国也已向国际社会自主承诺到2020年单位GDP碳强度相对2005年降低40-45%。如何进一步降低能源强度就成为我国是否能实现该目标的关键。值得注意的是，我国经济高速增长的同时也带来了严重的环境污染和区域发展不平衡。2008年，单位GDP能耗最高的省份宁夏的能源强度是最低的省份(广东)的6倍。因此，在科学制定区域节能减排和低碳经济发展战略的过程中，必须考虑到各省区能源强度的巨大差异和区域能源强度影响因素的作用。

二、文献综述

对中国能源强度变化的影响因素，国内外学者采用不同的方法进行了很多研究，但结论不尽相同［1］。Zhang对中国工业部门的能源消费变化做了研究，其结果表明效率变化是关键因素［2］。Metcalf在国家层面分析了能源强度降低的主要因素［3］。Fisher-Vanden等发现产业结构的变化和企业生产力的提升都可以用来解释中国2000年之前的能源强度降低现象，但后者是更为重要的驱动因素［4］。Compton和Wo也发现最终需求结构的变化，也就是在能源消费下降情形下的结构转变，并不如效率提升因素一样能导致能源强度大幅下降［5］。Liao等指出高能源消费部门的过度扩张和高的投资率是2003年到2005年中国能源强度反弹的主要动因［6］。Ma和Stern的分析指出，技术革新是中国能源强度降低的首要因素，而消极的技术导致了2000年以后中国能源强度的反弹［7］。国内学者对此问题的看法主要分为两种，史丹［8］，韩智勇等［9］，齐志新和陈文颖［10］认为我国能源强度的降低主要来自能源效率的提升;而王建海［11］，李国璋和王双［12］则分别认为我国能源强度下降过程中，经济结构变化和区域结构因素起到正面的影响。

上述研究均是基于全国数据进行分析，没有考虑到区域因素对能源强度变动的作用。Auffhammer和Carson利用省级的能源消费面版数据，发现了中国各省间能源强度变动的显著异质性［13］。Hu和Wang研究发现，地区的全要素能源效率和人均收入之间存在一个U型关系［14］。以上研究均得出了能源强度变动存在显著区域效应的结论［15］。但是，对于进一步系统分析能源强度变动在区域层面的影响因素，国内研究鲜有涉及［16］。我国的一个省的面积差不多就与欧洲一个国家一样，加上我国能源资源分布不均、经济结构各异。因此，本文将基于全国29个省区(除西藏)1990年到2008年的面板数据，对我国能源强度变化在区域层面的主要影响因素进行系统深入分析，试图为节能减排政策的制定和实施提供有力的理论支持与实践指导。

三、面板回归分析

1.数据收集与变量描述性统计

为了找出影响能源强度变化的原因，借鉴Boyd and Roop(2004)和Metcalf(2008)的研究，我们使用的面板数据包含了对29个省市的一系列观察项目。每个省包括19个观察项目(自1990年到2008年)，观察项目总共有29*19=551个。本文研究因素包括:燃料价格(fuel)，人均收入(pci)，人均收入的平方(pci2)，热度日(hdd)，冷度日(cdd)，时间趋势(time)，时间趋势的平方(time2)，资本劳动比率(kl)，资本劳动比率的平方(kl2)，投资资本比率(ik)，投资资本比率的平方(ik2)。每个省1990年到2008年的经济数据和能源数据分别来自于历年的《中国统计年鉴》［17］和《能源统计年鉴》［18］。我们用对数线性回归以期找出与数据匹配度最高的对数线性模型。

我们从统计年鉴的燃料零售指数中得到燃料价格。当燃料价格上涨，能源强度将下降。这是因为居民和工业将更加高效地使用燃料。从另一方面讲，燃料零售价格并不能反映部分国有企业的实际支付价格。尽管如此，价格指数是唯一易得到并可用的数据。我们用人均收入及其二次方来反映能源强度与个人收入间的非线性效应。当居民收入增加，他们会从生物质能源(如秸秆、柴火等)的使用转向高效化石能源的使用，从而在前期降低能源强度。当收入持续增加，电气设备使用的扩张又会反过来抬高能源强度。从总体来看，收入和能源强度之间的关系将呈现“U”型。从回归结果的系数中看，线性项和二次项结合的极值(拐点)的数值可以通过计算获得。我们可以确定pci对能源强度的效应是一直正相关，负相关或是在有意义的区间内有变化，而这一切取决于拐点相对于人均收入样本区间的位置。

气候是一个影响能源使用的重要因素。热度日和冷度日是用来反映加热或冷却一座建筑物所需要的能量的量化指标。我们将对热度日和冷度日的计算作出如下调整，我们给计算中添加一个乘积项——人口权重因子，以反映气候对能源使用量的影响。例如，作为中国最大的省之一的青海省只有500万人口，而北京却拥有1600万人口。假设这两个地区的气候一样，我们肯定要使用人口因子来反映其不同的能源使用量。

我们还包含了时间趋势及其二次方，这是因为创新和技术进步将驱动能源效率显著提升，即时间趋势效应是一个反映技术进步对能源使用影响的因素。我们的研究进一步包含了资本劳动比率及其二次方。我们通过永续存盘法从固定资产投资数据集中获取了资本存量数据。资本劳动比率对能源强度的影响是双向的，我们既可以解释为显示在资本密集的重工业中不断增加的能源强度的正相关指标，也可以解释为显示类似电子产品和计算机产品生产商的向高科技产业过渡的负相关指标。最后，我们还引入固定资产的投资资本比率。这是一个综合性的指标，用以反映固定资产投资的规模、结构、增长，和为观察工程进度与评估投资结果提供基础。我们用地区固定资产投资的价格指数(现行价格)对投资数据进行平价处理。Ik比率预期将与能源强度变化呈正相关关系，因为国家通过大规模投资增加设备、机器和基础设施，而这些体现了更多的能源消费。对这些变量的描述性统计如下:总体标准差(stdev)测度了在整个跨省和跨时间数据集的变化。组间标准差测度29个省之间的变化，而组内标准差测度省级数据在时间跨度上的变化。例如，对于冷度日，组内标准差是0.19，低于值为1.44的组间标准差。这是因为天气在一个省在各年间的变化不大，但在同一年不同省之间的变化较大。从另一个例子来看，对于零售燃料价格，组间标准差低于组内标准差，这意味着各年间燃料价格变化较大，而在同年各省之间却变化不大。

基于29个省19年的数据，我们设计了“大N小T”的面板模型，在该模型中我们用大量的个体来构建大样本近似。小T对可估计项目作了限定。对于所有的变量，组内标准差是非零的，这意味着所有变量都不是时间不变变量。可能存在能解释能源强度及其组成的时间不变特征，将被归属到省级固定效应中。

2.固定效应回归及其结果

面板数据集就同一经济单位进行多重观测。在本文中，我们对跨时间的能源强度进行了多重观测的数据收集。在得到的数据中，每个数据都包含有跨地区和跨时间的双重属性。因此，面板数据可以拥有时间效应或者群体效应，有时两者兼有。针对面板数据，我们从最一般的线性表示来定义模型:

i=1，……，N

t=1，……，T

其中，N表示省的数目(29)，T表示时间周期数(19年)，K 是鉴别出的变量数目(例如 pci，i/k，ratio等)。在本文中，线性表示为:log(E/Y)it=α1+

这种效应可以用固定效应模型或随机效应模型来分析，我们通过豪斯曼检验来确定用哪个模型。豪斯曼检验结果表明省级个体效应确实显现出与回归矩阵相关。我们决定选择固定效应模型。表2中的结果显示，R2为0.799，这表明数据对能源强度变化的解释度较高。Rho的估计结果表明能源强度的所有变化都与省间能源强度价值差异有关。F检验说明确实存在显著的个体(省级)效应。正如我们所观察到的，corr(u_i，xb)值为 -0.80，表示模型中ui与回归矩阵有着很高的相关度。使用固定效应模型是正确的。除时间趋势以外，所有的系数都能表示出弹性。例如，当人均收入增加1%，能源强度将下降1.68%。

表1 描述性统计分析结果

燃料价格系数为正并在1%的水平上显著。在正常的市场情况下，燃料价格的上涨会促进节能，从而导致能源强度的降低。对于模型结果，一个可能的解释是存货管理行为可能导致这种情况。同样，前文已经提过，一些国有企业的非市场效应可能会导致能源消费方式对价格并不敏感。

人均收入与能源强度负相关，并且很显著，而其二次项为正。拐点值为37.5，远远大于样本范围(最大为4.03)。因此，pci的影响效应与能源强度的变化一直保持负相关。前文已经提到，在个人收入增加时，人们会从生物质能转向燃料能源，因而导致能源强度的降低。收入的影响效果与Metcalf(2008)通过美国数据研究所得出的结论是一致的。不同点在于，用中国数据得出的收入所影响的能源强度变化的速度是递减的，而基于美国数据研究的该结论为递增的。这个截然相反的结论告诉我们，两个国家正处于不同的发展阶段。例如，从使用煤到使用电会导致能源强度的降低，但并不如从使用电转变为使用绿色技术所带来的能源强度的降低幅度大。

表2 固定效应模型下的面板回归分析

类似的，资本劳动比率的系数为正，而其二次项为负，图形开口向下。拐点值为2.43，超出了均值1.11。对能源强度变化的影响效果总是正向的。中国是一个发展中国家，并正处于工业化进程的中期，大多数固定资产投资存在于建设、扩大公用设施。当这个比率上升时，说明累积的固定资产资本在增加，从而导致能源强度的增加。

正如所预期的，热度日和冷度日的系数都为正。尽管t指数表明冷度日并没有显著的影响，当热度日增加，能源强度升高。从总体上来说，这是有意义的，因为中国的大多数地方室内取暖是普遍存在的，但空调却不是。根据最新调查，在每100户农村家庭中，只有7户拥有空调设备。这就意味着能源消费与冷天的相关度要高于热天。

投资资本比率的估计结果似乎与预期相同。这里的投资指的是用于固定资产的投资。拐点值为-2.38，超出了均值-1.91。当投资增加，整个国家的设备、建筑及基础设施数量增加，这就意味着更多的能源消费。时间趋势的系数为负，与预期一致。随着时间逐步发生的技术进步和创新对能源强度变化的影响效果是十分明显的。但t指数很大让我们怀疑回归的正确性。当变量表现为有类似“趋势”的特征时，传统的回归技术是不适用的，因为这种技术是为静态变量所设计的。尽管如此，本文所用的数据却类似非静态的时间序列。在进行了第一次估计后，由于冷度日的效果并不显著，我们将其去掉了。同时，为了避免寄生效应，我们在去掉了时间趋势及其二次项对模型进行了修正，修正后的分析结果见表3。

如表3所示，时间趋势可能导致了寄生效应。对比现在的和表3中的结果，我们发现回归的结果有所改进:燃料价格显著性降低(对之前的结论我们就持有怀疑态度);热度日的效果在5%的水平上显著;其他变量的t指数在1%的水平上显著。对于有二次项的变量来说，拐点值并未发生大的变化。对各个变量的解释同前。

表3 固定效应模型下的面板回归分析(修正后模型)

3.对三个经济和地理地区的回归分析

根据中央政府的规定，中国被划分为省、自治区和直辖市。如表1所示，六个变量中的四个都有着更大的组间方差，而不是组内方差。为了描述经济和地理方面的变化，并将北部与南部，东部与西部的差异等因素考虑在内，我们将29个省分为3个主要地区。北部地区包括辽宁、吉林、黑龙江、北京、天津、河北、山东、河南、山西、陕西、内蒙古。南部地区包括上海、江苏、浙江、福建、广东、广西、海南、湖北、湖南、江西、安徽。西部地区包括四川和重庆，贵州、云南、甘肃、青海、宁夏、新疆。

为避免寄生效应，我们去掉时间趋势及其二次项，增加了地区虚拟变量，回归结果如表5所示:

与使用总体数据相反，当使用区域数据时，所有燃料价格系数均为负，并且只有区域1(北部地区)在1%水平上显著，区域2在20%水平上显著。这里的价格数据是指零售燃料价格指数数据，其主要包括两个组成部分:工业燃料价格和用于运输的天然气价格。北部地区拥有着全国最大的工业企业集聚地，例如与最大的煤生产基地山西齐名的“东北铁三角”——吉林、黑龙江和辽宁。相反的，区域2包括了许多南方的以农业和纺织业贸易为主的省份，而区域3则是不发达地区，几乎没有重工业。此外，区域1和2拥有大多数的私有和工业车辆，这与不发达的中国西部地区大不相同。基于以上讨论，北部地区似乎对燃料价格更加敏感。

表4 区域数据集的描述性统计

对于三个地区来说，能源强度显现为人均收入的二次函数，呈现为先降后升的图像。二次项系数为正，展现出一个凸关系，即下降速度随着时间推移也在减缓。这与总体水平上的结论是一致的。中国仍然是一个发展中国家，不发达的农村地区占到55%。收入的影响效应有两个阶段，当个人收入增加时，居民从消耗生物质能转为电力，因此能源效率提高。在某个特定的点，人均收入将与能源强度正相关。这是因为当收入进一步增加，居民将加大对电器的使用，从而导致了更多的能源消费。收入因素的影响效果是由两个阶段共同构成的。对区域2和3来说，阶段1占主要地位，这也是在1%水平上显著的原因。然而，区域1是两个阶段共同作用的，这是数据结果不显著的原因，同时其系数是最小的也证明了这点。

对于气候因素，只有区域2，也就是中国南部地区显著。冷度日的系数要高于热度日系数，这说明前者的弹性更大。这一点是有意义的，因为这说明了在中国温暖的南部地区，对制冷系统的需求大于制热系统。对于热度日的显著性难以解释，因为在在中国南部地区的房地产开发中，由于冷天数很少，制热系统并未广泛使用。

资本劳动比率与能源强度正相关，而且在三个地区都显著。能源强度显现为二次函数，先升后降。三个地区拐点值都大于均值，所以可以假定能源强度在所有地区所有时段内都随着资本劳动比率的增加而增大。这一点与之前的结论相同。最后，能源强度与投资资本比率正相关，同时只有地区1和3分别在1%和15%的水平上显著。重工业企业集聚的中国北部能吸引更多的国家固定资产投资，这些投资可以有效率效应或活动效应，这取决于其所处的阶段。在建设阶段，企业几乎没有生产能力，所以活动效应占主要地位，这将导致高能耗。在稳定阶段，新增投资(例如新扩建的工厂，新设备等)将比旧资产更有效率，则效率效应主导，能源消耗降低。因此，表6中的系数是混合作用的结果。在地区1因为活动效应大于效率效应，所以其系数更大。在地区2因为效率效应已经赶上了活动效应，所以其系数较小。与对人均收入因素的解释类似，当一个地区发生混合作用时，数据的显著性将降低。

表5 区域数据的面板回归分析

四、结 论

我们基于我国29个省市自1990年到2008年的区域面板数据，对省级的气候和经济相关的因素进行了回归分析，并在国家和地区层面上分析了能源强度变化的原因。研究结果发现燃料价格与能源强度变化呈负相关关系，热度日和冷度日的影响效果只有在南部地区显著，人均收入、投资资本比率等因素在不同阶段对能源强度有着不同的影响。

本文研究结果表明，针对各地区间能源强度的差异及影响因素的不同，在后续节能工作中应结合国家能源发展“十二五”规划，制定相应的区域能源发展策略，从而解决我国能源发展中提高能源效率以及降低资源约束等问题。促进在西部大开发过程中的节能工作，同时还应依照科学发展观要求，积极实现我国能源战略的推进与实施，加强能源发展与其他方面发展的利益协调机制，最终实现我国的可持续发展。

［1］ Hang Leiming，Tu Meizeng.The impacts of energy prices on energy intensity:Evidence from China［J］.Energy Policy，2007，35:2978-2988.

［2］ Zhang Zhong xiang.Why did the energy intensity fall in China′s industrial sector in the 1990s?The relative importance of structural change and intensity change［J］.Energy Economics，2003，25:625-638.

［3］ Metcalf G E.An empirical analysis of energy intensity and its determinants at state level［J］.The Energy Journal，2008，29:1-26.

［4］ Fisher-Vanden K，Jefferson G H，Liu Hong mei，et al.What is driving China′s decline in energy intensity?［J］.Resource and Energy Economics，2004，26:77-97.

［5］ Crompton P，Wu Yan rui.Energy consumption in China:Past trends and future directions［J］.Energy Economics，2005，27:195-208.

［6］ Liao Hua，Fan Ying，Wei Yi ming.What induced China′s energy intensity to fluctuate:1997-2006?［J］.Energy Policy，2007，35:4640-4649.

［7］ Ma Chun bo，Stern D I.China’s changing energy intensity trend:A decomposition analysis［J］.Energy Economics，2008，30:1037-1053.

［8］ 史丹.我国是如何以较低的能源消费实现高速的经济增长［J］.中国能源，2002，12(8)-11.

［9］ 韩智勇，魏一鸣，焦建玲等.中国能源消费与经济增长的协整性与因果关系分析［J］.系统工程，2004，22(12):17-21.

［10］ 齐志新，陈文颖.结构调整还是技术进步?——改革开放后我国能源效率提高的因素分析［J］.上海经济研究，2006(6):8-16.

［11］ 王海建.经济结构变动与能源需求的投入产出分析［J］.统计研究，1999，16(6):30-32.

［12］ 李国璋，王双.中国能源强度变动的区域因素分解分析——基于 LMDI分解方法［J］.财经研究，2008，34(8):52-62.

［13］ Auffhammer M，Carson R T.Forecasting the Path of China′sCO2 Emissions Using Province Level Information［J］.Journal of Environmental Economics and Management，2008，55(3):229-247.

［14］ Hu J L，Wang S C.Total-factor energy efficiency of regions in China［J］.Energy Policy，2006，34(17):3206-3217.

［15］ 邱寿丰.福建对国家能源强度变化的贡献分析［J］.发展研究，2008(8)93-97

［16］ 韦兰幸，赵晓芳.论我国能源强度区域差异及影响因素--基于计量模型的实证分析［J］.现代商贸工业，2008(12)53-55.

［17］ 中国统计局编.中国统计年鉴2010［M］.北京:中国统计出版社，2010:30-76.

［18］ 中国统计局编.中国能源统计年鉴2010［M］.北京:中国统计出版社，2010:51-89.