能源互联网建设对高耗能行业能源效率的影响研究——基于2014—2018 年的省际面板数据

李朋林，王小丹

（西安科技大学管理学院，陕西西安 710699）

能源利用效率低下的问题一直以来是我国能源革命中存在的一大难题。国家“十四五”规划中提出要建成清洁低碳、安全高效的能源体系的长期目标，其中的“高效”就是指能源生产、转化和利用的效率要更加高效，这充分表明了政府对于提高能源效率的重视。相对于其他行业而言，高耗能行业具有高能耗、高污染、高产能的特性［1］，表现出更为突出的能源利用效率低下的问题。根据《中国统计年鉴》数据，2017 年六大高耗能行业的能源消费量占到全国（未含港澳台地区。下同）能源消费总量的48.7%，占工业能源消费量的74.2%，高耗能行业的万元产值能耗达到0.61，高于全部行业的万元产值能耗0.59。此外，由于各地区的经济发展水平和能源技术效率的显著差异，高耗能行业呈现出区域发展不均衡的现状。高耗能行业的能源利用效率低下的问题不仅制约着行业的发展，还严重影响了我国能源目标的实现和经济社会的可持续发展，因此解决高耗能行业能源效率低下的问题势在必行。

2015 年李克强总理提出“互联网+”行动计划，明确了能源革命要与互联网技术相结合的方向，能源互联网的概念应运而生。能源互联网综合利用信息技术部门和生产部门的关联效应，打破了空间的局限，为推动高耗能行业在能源生产、传输、储存、消费过程中的能源优化集成，解决能源利用效率低下的问题提供了潜在的可能。然而，由于能源互联网处于初期建设阶段，运行时间较短，对于能源互联网的这种影响并没有定论，那么研究能源互联网是否在提高高耗能行业的能源效率水平、降低能耗方面发挥出它应有的作用，能源互联网的影响在全国不同地区间是否均衡具有重要的现实意义。

目前国内外关于能源互联网的影响研究主要集中在如下两个方面：第一，能源互联网对技术创新层面的影响。周孝信等［2］认为能源互联网发展的实现手段是信息物理能源系统，在能源互联网下,信息系统和物理系统可以通过信息共享的方式产生更大的价值。张俊等人［3］认为智能电网的发展为新一代电力供给侧、电能传输和电力需求侧提供了新的发展思路和技术路径。第二，能源互联网对产业发展效应的影响。刘强等人［4］认为能源互联网对落后产业、传统产业和新兴产业都产生了不同程度的带动效应，不仅加快了落后产业的转型、传统产业的升级，而且孕育了众多的战略性新兴产业。代红才［5］、左前明［6］、刘斌等人［7］认为能源互联网能够解决能源产业的整体效率问题和支撑能源转型发展,从而衍生出更多的能源应用场景。

现有文献研究主要集中在能源互联网对技术、产业层面的影响，并认为能源互联网通过这两个层面的影响与能源效率产生间接的关联，此外针对能源互联网的研究大部分基于定性分析和指标体系的建立，实证分析还很少见。因此本文将构建描述能源互联网建设水平的指标并测算高耗能行业的能源效率值，建立能源互联网对高耗能行业的能源效率影响的面板实证模型，研究二者之间的直接关联度。另外，目前关于能源互联网的影响研究只限于全国整体的框架内，地区差异的因素少有涉及，因此本文将比较东中西三大地区高耗能行业受能源互联网影响的区域差异，为提高各地区高耗能行业的能源效率，深入推进能源革命提供参考。

1 能源互联网对高耗能行业能源效率的影响机制分析

能源互联网是一个能连接能源市场各参与者的信息和服务系统，它综合利用先进的电力电子技术、信息数据处理技术和智能管理技术，与智能微电网、分布式能源负荷装置以及各类能源终端互联，从而实现能量信息双向流动的能量对等交换与共享网络［8-10］。能源互联网的内涵特征可以概括为以下几点：以能源信息交互为目标；以多样化能源服务为基础；以互联网技术为载体；以电力应用为保障。根据能源互联网的定义和内涵特征，结合文献综述，本文提出能源互联网直接或间接地影响高耗能行业能源效率的几个方面，具体的方面如下：

第一，能源互联网推进产业重构。能源互联网拥有集成大量信息数据和运用先进互联网技术的能力，吸引能源企业外围相关联产业进入市场，以及使得部分传统优质能源企业向能源互联网企业转型发展，工业、服务业和高新技术行业深度融合。一些传统能源企业积极地与互联网公司、金融公司重组并购，新兴产业如能源电子商务平台运营商、能源云平台服务商、新能源设备开发商以及专业能源托管机构逐渐在能源市场中的生产、输配、消费的各个环节中发挥着重要作用，行业重组、产业重构推动专业化分工的加速实现，能源资源配置更加地高效，能源利用效率成为重要的监测指标，尤其是对于高耗能行业，在这一趋势下减少化石能源消耗量，提高能源效率是应对市场变化的关键。因此，能源互联网通过产业重构间接地影响高耗能行业的能源效率。

第二，能源互联网实现多能互补。不同于传统的能源系统只能提供一种或几种能源产品，供冷、供热、供电、供天然气系统相互独立运行，能源互联网可以将所有能源并入同一个系统，满足能源消费者用能的多样化需求。因此在能源互联网下可以实现同类型能源互联、不同类能源互联甚至是信息互联，还可以提供能源供应与用户之间的友好互动。而电力系统以其运行稳定性和安全性成为多能互补的最重要的载体，电力网络的应用实现了电能生产和消费的合理调配。因此，多能互补建立在多种能源尤其是可再生能源转化为电能的基础上，减少了太阳能、风能由于大幅波动而造成的损失，大大提高能源的利用效率。

第三，能源互联网突破技术瓶颈。高耗能行业现有的技术水平很大程度上制约了其能源效率的提高，能源互联网的出现是对技术的一次变革，使得在互联网技术支撑下的高耗能行业得到突破性发展。互联网技术在能源领域的应用不仅使得能源可以放在云平台进行交易，还包括运用大数据处理技术、智能管理技术为能源企业提供用能参考，最大程度地提高能源使用效率。此外，能源互联网的发展要求传统高耗能企业转型为综合能源服务商，综合能源服务商可以发挥技术优势构建“源-网-荷-储”一体的智能系统，为企业提供储能服务、大数据分析和需求侧管理，提高企业资源配置效率。能源互联网对高耗能行业能源效率的影响机制如图1所示。

图1 能源互联网对高耗能行业能源效率的影响机制

2 方法与数据

2.1 方法

2.1.1 熵权法

熵权法的基本思路是根据各变量的变异程度来确定各指标的权重，再通过修正，随之得到相对客观的权重。熵权法具有适用性广、准确度高、客观性强等特点，因此在工程或经济等各个领域获得广泛的应用［11］。

熵权设对象集X的初始数据矩阵为，其中包括n个待评价对象，m个评价指标［12］。则利用熵权法获取评价指标权重的具体步骤为：

对初始指标数据进行标准化处理,设各指标数据标准化后的值为则有：

计算各指标的信息熵值，第j组指标数据的信息熵值如式（2）所示：

计算指标权重向量如式（3）所示：

2.1.2 DEA-BBC 模型与Malmquist 指数

DEA 是根据多项投入指标和多项产出指标，对具有可比性的同类型决策单元(DMU)，进行相对有效性评价的一种非参数的线性规划方法。DEA 法通过数学规划确定决策单元的有效生产前沿面，并将决策单元投影到生产前沿面上，若决策单元在有效生产前沿面上，则称为DEA 有效，反之，则无效［13］。DEA 有两种基本模型，一种是基于可变规模报酬模式的BBC 模型，另外一种是基于不变规模报酬模式的CCR 模型。高耗能行业在工业化社会和能源革命的驱动下，产业规模还在扩张，因此本文选用可变规模报酬BBC 模型对高耗能行业能源效率进行评价。

BBC 基本线性规划模型为：

Malmquist 指数模型是DEA 模型中的一种，它的优势是可以分析面板数据，并且能够反映投入产出效率动态的变化趋势，因此本文选用DEAMalmquist 模型测度效率值。依据Pastore 等［14］的分析，Malmquist 指数可以分解为：

2.1.3 面板数据模型

根据上述研究分析和指标体系，构建高耗能行业综合效率值的影响因素模型：

IS 表示产业结构，GC 表示核能、风能、太阳能等清洁能源发电量，RD 表示高耗能行业的研发投入，FI 表示高耗能行业的固定资产投资规模,EIC 表示能源互联网发展水平。

将综合效率值CRSTEit作为被解释变量，能源互联网发展水平EICit作为主要解释变量，其他作为控制变量，在这里本文选择Pool 模型，即个体、时点截距均不变的混合面板数据模型，如式（7）所示：

Controlit为影响高耗能行业能源效率的控制变量，EICit表示能源互联网发展水平，c为截距项，μit为误差项。为了减少数据的波动幅度，对解释变量和被解释变量进行对数处理，如式（8）所示：

2.2 指标选取与数据来源

2.2.1 衡量能源效率的指标

六大高耗能行业包括化学原料及化学制品制造业、非金属矿物制品业、黑色金属冶炼及压延加工业、有色金属冶炼及压延加工业、石油加工炼焦及核燃料加工业、电力热力的生产和供应业。下文所介绍的高耗能行业的指标均为六大细分行业的加总，部分缺失数据由比例计算代替。参考研究能源效率的文献，发现投入指标最多选用的是劳动力，资本存量和能源消费量，而地区生产总值作为产出指标居多。因此基于参考文献和考虑到数据可得性和完整性，本文选择的指标如下：

第一，投入指标。

（1）劳动力投入。选取高耗能行业的年平均从业人数。

（2）能源投入。选取高耗能行业消耗最多的7种能源品种，统一转换为标准煤后加总得到行业能源消耗总量。

（3）资本投入。采用Goldsmith 提出的永续盘存法计算2014—2018 年各省份高耗能行业的实际资本存量［15］。计算公式如下：

第二，产出指标。将高耗能行业的工业总产值作为产出指标。

2.2.2 衡量能源互联网发展水平的指标

能源互联网发展水平的指标存在定性和定量指标之分。康重庆等［17］以及《国家能源互联网发展白皮书2018》提出从政策、产业、技术、创新、建设、公众生态6 个方面构建国家能源互联网发展的指标体系。其中定性指标包括能源互联网典型技术、能源互联网示范项目等，定量指标包括能源互联网科研基金、能源互联网标准数量、能源互联网政府文件数量、能源互联网金融投资金额、能源互联网搜索热度等。

马君华等［18］指出能源互联网评价指标体系的定量结果，包括能量品质指标、经济性指标、社会性指标、能量结构优化指标、交互友好性指标、组织管理与商业模式指标等。蒋菱等［19］综合考虑能源生产方、服务方、消费方以及国家社会多方利益，建立了经济、能源、环境、社会和工程5 个角度的智能电网创新示范区能源互联网评价指标体系。

本文对上述指标进行综合梳理，着重选取了可获取的定量指标，并且本文侧重于研究能源互联网在高耗能行业中的能源利用和合理配置的作用，所以针对数十条指标进行筛选，最后选择四项最能够反映这一作用的指标，具体如表1 所示。

表1 能源互联网定量指标

2.2.3 控制变量

为了更全面地反映能源互联网发展水平对高耗能行业能源效率的影响，结合能源互联网指标体系与上文的影响机制分析，本文将产业、技术、多能互补、基础设施建设相关的指标放入控制变量，如表2 所示。

表2 控制变量

2.2.4 数据范围和来源

本文选取了中国30 个省级行政单位（西藏和港澳台地区由于数据缺失不包括在内）的各项指标，并按照我国经济区域的划分将其分为东部地区、中部地区、西部地区三大区域。由于能源互联网发展发展时间较短，因此数据范围选到2014—2018 年这一时间区间。原始数据来源于各期的《中国统计年鉴》、各省份的统计年鉴、《中国电力年鉴》、《中国能源统计年鉴》、《中国工业统计年鉴》以及政府文件等。

3 实证分析

3.1 DEA-BBC 模型测算综合效率值

本文采用投入导向规模效率可变BCC 模型，运用DEAP2.1 软件，对2014—2018 年我国三大区域进行高耗能行业能源效率评价，结果见表3。综合效率可以反映决策单元在资源投入的规模、比例以及资源使用效率和配置的能力。在BCC 模型条件下，当综合效益指数越接近1 时，表明其综合效率越优。当综合效率指数为1 时，表示该评价单元处于最优生产前沿面，其投入相对于产出而言达到最大化利用［20］。

如表3 所示，在不考虑随机误差影响的条件下，三大区域的综合效率值均值由高到低为中部地区、西部地区、东部地区。总体来看，中部地区的综合效率值保持相对平稳的状态，西部地区呈现先下降后增长的趋势，东部地区的综合效率值呈现小幅下降的趋势。分别来看，东部地区的综合效率值在2014 年最接近最优生产前沿面，在2014—2016 年综合效率值持续下降，接着在2016 年出现小幅增长，2017 年以后又呈现了下降的趋势；中部地区综合效率值在2014 年最接近最优生产前沿面，2016—2017年出现下降的趋势，在2017 年之后又增长，2017 年为综合效率值最低点；西部地区综合效率值在2016年之前持续下降，2016 年之后开始增长。

表3 2014—2018 年中国三大区域高耗能行业综合效率值

3.2 基于Malmquist 指数的效率分析

利用DEAP2.1 软件包计算了三大区域的2014—2018 年的技术效率指数、技术进步指数、纯技术效率指数、规模效率指数和全要素生产率指数，结果如表4 所示。

表4 东中西部地区2014—2018 年高耗能行业的全要素生产率指数及整体分析

从表4 中可以看到，2014—2015 年间，西部地区和中部地区的高耗能行业的全要素生产率指数分别上升4.2%和1.1%，而东部地区的全要素生产率指数下降了4.4%，东中西部地区都依靠技术进步来拉动全要素生产率的增长；2015—2016 年间，西部地区的高耗能行业的全要素生产率指数上升了1.7%，能源效率的增长主要依靠技术进步和纯技术效率指数的带动，东部地区和中部地区分别增长了0.2%和1.2%，且均依靠技术进步来拉动全要素生产率的增长；2016—2017 年三个地区的高耗能行业的全要素生产率都呈现出不同程度的增长，中部地区增长了1.4%，西部地区增长了7.6%，东部地区增长了6.6%，且三大地区均依靠纯技术效率指数拉动全要素生产率的增长；2017—2018 年三大地区的全要素生产率指数均呈现下降的态势。

3.3 模型设定检验与结果分析

运用熵权法计算各区域每年的能源互联网发展水平指标EICit，同时将高耗能行业综合能源效率值CRSTEit和其他控制变量一并代入式（8）进行检验。

由于本文所选择的数据年限较短，变量的单位根检验不具有有效性，因此直接对模型设定进行检验和估计结果分析。采用计量分析软件 EViews10 对2014—2018 年30 个省份建立面板模型，考虑到样本数和参数的数量关系，随机效应并不适用，因此比较双固定效应模型和混合面板数据模型的显著性，检验结果显示，模型在混合面板数据下显著性结果更优，因此本文选择用混合面板数据模型对全样本进行估计。估计结果如表5 所示。

表5 全样本估计结果

从表5 可以看出，能源互联网发展水平在全样本下呈现与高耗能行业能源效率的负相关关系，相关系数为-0.174，即高耗能行业的能源效率在能源互联网建设的初期会随之有一定程度的降低。出现这种结果的原因可能是由于2014—2018 年，能源互联网正处于兴起的阶段，众多的能源互联网有关企业和项目投入市场，聚集了大量的资金、设备，但能源市场的需求方并没有及时与供给方建立密切的联系，能源互联网项目和企业还未形成有效的盈利模式和商业模式，导致能源互联网前期的建设得不到预期的回报。此外市场中监管不到位，相关的政策和机制不完善。另外随着电力市场化改革，能源互联网市场更加开放，也会出现鱼龙混杂的现象。行业固定资产投资总额与高耗能行业的能源效率呈现显著的负相关关系，说明投资总额的增长并没有带来能源效率的提高。产业结构与能源效率之间不存在显著的相关关系，说明第三产业产值的增加、产业结构的优化升级并没有直接带动能源产业尤其是高耗能行业的效率提高。核能、太阳能、风能发电与高耗能行业的能源效率也不存在显著的相关关系，出现这种结果是由于我国的清洁能源消纳机制不健全，清洁能源波动性大、不易储存的特征使得我国常年的弃风率和弃光率都很高，没有发挥出清洁能源对能源效率的影响作用。研发投入的增加有利于提高能源效率，相关系数为0.131，说明能源互联网在技术创新、专业人才中的投入能够发挥出显著的正向影响，技术突破是能源互联网建设的关键一环，能有效地提高能源利用效率。

为了进一步研究各区域能源效率受能源互联网建设影响的差异，本文继续对东中西地区的面板数据模型估计结果进行分析比较，结果如表6 所示。为了使结果可比且显著，东部地区的综合效率值以全要素生产率指数替代。

表6 各区域的估计结果

从表6 可以看出，东部地区的能源互联网发展水平在1%的显著性水平上为负数，说明东部地区2014—2018 年能源互联网的发展会降低能源效率值。固定资产投资额在1%的显著性水平上为正数，说明东部地区的投资额增加能提高高耗能行业的能源效率，东部地区对资金的吸引力较足。而研究开发与投入在5%的显著性水平下为负数，说明东部地区在提高高耗能行业的能源效率时已经不能再单纯地依靠技术创新的拉动作用，需要统筹协调系统内部的各方面因素来发挥作用。

中部地区的能源互联网发展水平对高耗能行业的能源效率呈现负向影响，负相关系数为-0.354，且在5%的水平上显著。原因可能是中部地区对传统能源工业的依赖性较强，能源互联网的发展触及到了传统能源企业的利益，加之这些企业具有能源垄断的能力，因此能源互联网的发展受到一定的阻碍和制约，能源效率反而会下降。另外，研究与开发投入对能源效率产生正向影响，相关系数分别为0.257，说明技术创新投入的增长会提高高耗能行业的能源效率。而高耗能行业的固定资产投资额不利于提高能源效率，出现这样的结果可能是由于中部地区的经济发展水平不足以有效吸纳地区的资金投入，外部因素的影响不能够带动更深层次的能源变革。

西部地区的能源互联网发展水平与高耗能行业的能源效率呈现负相关关系，说明能源互联网在西部地区的发展不够充分，不仅没有发挥对工业部门的辐射带动作用或改造升级作用，反而拉低了高耗能行业的能源效率。根据检验结果，核能、风能、太阳能发电量在1%的显著水平上为0.071，研究开发与投入在5%的显著水平上为0.074，说明西部地区的核能、风能、太阳能发电量和研发投入的增加均有利于高耗能行业能源效率的提高，西部地区的风能、太阳能等清洁能源资源比较丰富,因此提高清洁能源利用比例能显著提高高耗能行业的能源利用效率，增加研发投入也是西部地区转变高耗能行业的粗放式增长方式、提高能源效率的有效途径。

4 结论和建议

4.1 结论

本文通过对我国2014—2018 年30 个省级行政单位的高耗能行业能源效率值进行测算，并建立了能源互联网建设对该行业能源效率影响的面板数据模型，得出了能源互联网建设在这一阶段并不能有效地提高高耗能行业能源效率的结论。进一步地，本文通过区域细分，刻画了国内东中西不同地区受能源互联网影响的情况。具体来讲，本文的结论归纳如下：

第一，三大区域的综合效率值均值由高到低为中部地区、西部地区、东部地区。总体来看，中部地区的综合效率值保持相对平稳的状态，西部地区呈现先下降后增长的趋势，东部地区的综合效率值呈现小幅下降的趋势。分别来看，东部地区的综合效率值在2014 年最接近最优生产前沿面，在2014—2016 年综合效率值持续下降，接着在2016 年出现小幅增长，2017 年以后又呈现了下降的趋势；中部地区综合效率值在2014 年最接近最优生产前沿面，2017 年为综合效率值最低点；西部地区综合效率值在2016 年之前持续下降，2016 年之后开始增长。

第二，从30 个省份范围来看，能源互联网发展水平和高耗能行业的能源效率呈现负向影响，说明能源互联网前期的建设不够全面深入，不足以影响深层次的能源利用效率低下的问题。增加研发投入有利于提高能源效率，能源互联网在技术创新、专业人才中的投入能够发挥出积极的正向影响，技术突破是能源互联网建设的关键一环。核能、太阳能、风能发电量增加不能显著地提高能源效率，出现这种现象是由于我国的清洁能源消纳机制不健全，清洁能源波动性大，不易储存的特征使得我国常年的弃风率和弃光率都很高，没有发挥出清洁能源对能源效率的影响作用。

第三，从各区域来看，东中西地区的能源互联网发展水平和高耗能行业的能源效率均呈现负向影响，但原因各有不同。东部地区的能源互联网的发展水平在现阶段不利于高耗能行业能源效率的提高，可能是由于东部地区项目进度和质量相差较大，相当一部分项目因为政策原因进展缓慢，或是由于投资主体尚未确定、与当地计划冲突短期内难以取得进展，导致东部地区的高耗能行业的能源效率并未因能源互联网的建设而得到提高。中部地区的能源互联网发展水平对高耗能行业的能源效率呈现负向影响，可能是由于中部地区对传统能源工业的依赖性较强，而新兴的能源互联网企业在建设初期受到一定的阻碍和制约，能源效率反而会下降。西部地区能源互联网发展水平对高耗能行业的能源效率存在负向影响，可能是由于能源互联网在西部地区的发展不够充分，没有形成对工业部门的辐射带动作用或改造升级作用。

4.2 建议

根据以上结论本文提出以下建议：

第一，能源互联网建设要继续加大在科研方面的投入力度。用技术打破各种能源间的壁垒，实现能源和技术的深度融合，使得智能微电网、分布式能源负荷装置等设备能有效地在能源企业尤其是高耗能企业中落地，从而更高效精准地解决能源利用效率低下的问题。

第二，我国的清洁能源消纳机制尚未完善和健全，因此需要优化能源结构，提高清洁能源的利用比例，降低弃风率和弃光率，同时需要利用能源互联网的多能互补的作用来提高能源的利用率，提高电力系统的灵活性，合理调度和输配多样化的能源品种。

第三，各地区的经济结构不同，高耗能行业的行业标准参差不一，能源互联网实施进度和政策制定也不尽相同，因此政府部门应因地制宜制定相关政策，为能源互联网的建设营造良性互动的竞争环境和制定规范的市场准入机制。例如，东部地区的招商引资能力强，能源互联网试验项目多，但项目进度和质量相差较大，应在能源互联网的前期项目审查阶段制定严格的准入标准，避免出现鱼龙混杂的现象；中部地区是传统能源工业企业聚集的地区，改变其粗放型的增长方式应发挥技术创新对高耗能行业的转型升级作用，加大对研发人员、研发项目的投入力度，加快能源企业的转型升级；西部地区应充分利用丰富的风能、太阳能等清洁能源，将其并入能源互联网的整体系统中统筹规划。