中國能源強度的空間分布與收斂研究

姜磊+柏玲

摘要：區域間的空間溢出和技術溢出效應日益顯著，在進行能源強度收斂研究時不可忽略空間依賴性和時間動態性。在考慮空間維度的地理鄰近性和時間維度的動態性的基礎上，采用動態空間面板模型分析中國29個省區能源強度的空間分布、動態變化趨勢以及收斂情況，研究表明：從中國能源強度的空間分布來看，呈現東低西高的格局，并且存在空間自相關現象；從動態趨勢看，能源強度的空間自相關指數在2005年之后趨于穩定，東、中、西部的能源強度均呈現持續下降的趨勢；從總體趨勢來看，能源強度存在絕對σ收斂，不存在絕對β收斂，但存在顯著的條件β收斂。提高能源效率以及縮小區域能源效率差異，應充分利用空間溢出效應，鼓勵能源強度低的地區的技術溢出到能源強度高的地區，從而加快全國區域間能源強度的收斂速度。

關鍵詞：能源強度；能源效率；收斂性；收斂速度；空間自相關；空間溢出效應；技術溢出效應；Moran指數；空間依賴性

中圖分類號：F062.5；F206文獻標志碼：A文章編號：16748131（2014）04006109

一、引言

1978年改革開放以來，中國經濟快速發展，能源消費量也迅速增長。尤其近十年來，中國能源消費量激增，已經成為世界上第一大能源消費國。與此同時，我國能源效率總體上有了明顯提高，但是與發達國家相比差距仍然比較明顯。而從全國各省區的能源強度指標來看，區域間的能源強度差距也是顯著的。

改革開放之后，東部沿海地區借助政策優勢、自然條件優勢、區位優勢以及歷史工業積淀，經濟得到了快速的發展，能源效率也居于全國領先水平。西部地區由于自然環境較差，經濟發展水平較低，技術水平落后，能源效率處在全國平均水平之下。但從1999年國家實施“西部大開發”戰略以來，西部地區經濟狀況有了明顯的改善，同時能源效率也有了相應的提高。目前，從空間維度來看，我國東、中、西部能源強度的空間差異性非常明顯；從時間維度來看，東、中、西部地區的能源強度也同時都在下降。那么，中國省區之間的能源強度是否會收斂于穩態？成為中國能源經濟學中一個重要的議題；同時，如何縮小東、西部能源強度之間的差異，也是研究中的一個熱點問題。

區域能源強度是否會收斂于穩態是近年來能源經濟學研究的一個焦點。自Barro et al（1992）提出了計算收斂的模型以來，很多學者利用該模型對區域能源強度（效率）收斂進行了研究。如Miketa et al（2005）利用面板數據研究了1971—1995年56個發達和發展中國家10個制造業部門能源生產率的收斂狀況。Markandya et al（2006）研究發現東歐12個處于經濟轉型的國家與歐洲5個國家之間的能源強度存在收斂現象。Mulder et al（2007）針對1970—1997年14個OECD國家間的能源和勞動力生產率的研究結果表明其存在收斂現象。Ezcura（2007）研究了1971—2001年98個國家的能源強度的空間分布，結果發現存在收斂現象。Liddle（2010）選用1971—2006年111個國家和1990—2006年134個國家的數據來研究能源強度收斂問題，兩個樣本的分析結果都表明存在持續的能源強度收斂現象。Sevi et al（2010）研究了1971—2003年97個國家的能源強度收斂，結果發現，在中東地區、OECD國家和歐洲一些國家內部存在收斂現象。Herrerias（2010）研究了1971—2008年83個國家的總能源強度、73個國家的化石燃料能源強度和7個國家的替代能源及核能強度的收斂狀況，發現發展中國家的能源強度收斂速率較快，發達國家存在俱樂部收斂。

姜磊，柏玲:中國能源強度的空間分布與收斂研究我國學者也對中國的區域能源強度收斂問題進行了研究。姜雁斌和朱桂平（2007）研究發現，我國東部地區的能源強度存在絕對β收斂，中、西部省區能源消耗的技術無效性將在一定時期內持續降低。師博和張良悅（2008）通過計算變異系數的分析表明：從整體視角看我國的能源效率是趨異的；其中，西部能源效率表現出發散的跡象，東部顯示出趨同的特征，而中部則呈現出逐漸向東部收斂的態勢；在西部地區，西北能源效率具有明顯的發散特征，西南能源效率的變異系數處于頻繁波動狀態；進一步通過經典收斂回歸模型的檢驗分析發現，中部能源效率和經濟發展水平越低，其能源效率向東部水平收斂的速度越快，具有β收斂的特征。楊正林和方齊云（2008）對中國地區間能源生產率的差異進行σ收斂和β收斂分析，結果表明：能源生產率的總體差異并沒有呈現出顯著的σ收斂，而是表現為不同階段性特征；東部地區差異縮小且較為穩定，中部地區經過小幅波動后也趨于收斂，而西部地區差異呈現出三個先擴大后縮小的“倒U形”特征；絕對β收斂和條件β收斂模型的分析結果表明，中國地區間能源生產率總體差異正在逐步縮小。

上述研究皆采用傳統的計量方法進行研究。然而，地理學第一定律使得經典統計學中有關測量值相互獨立的基本假設不再有效，空間依賴性或者空間相關性成為一種常態（David et al, 2005）。中國地域廣闊，空間集聚性和空間異質性等地理現象十分明顯，因此在研究能源強度收斂問題時不能忽視空間因素。空間依賴性表現為技術溢出和空間溢出等空間效應，具體來說，由于地理空間單元（如省域）之間不是割裂孤立的，相鄰的地理單元會有技術溢出。有鑒于此，本文不僅考慮了空間維度的空間溢出效應，也考慮了時間維度的動態變化因素，從時空雙維度出發，利用動態空間面板數據模型來研究中國省級區域能源強度的收斂性，以拓展和豐富相關研究，并為縮小我國能源強度差異的政策研究提供參考和經驗依據。

二、理論模型與數據處理

1．收斂理論

“收斂”一詞最初用于研究地區間或國家間的收入差距是否會隨時間的推移而逐步減少，根據“收斂”的含義，國內外學者將其引申其用于研究能源強度收斂等其他問題上。理論上存在三種收斂概念，分別是σ收斂、絕對β收斂和條件β收斂。應用到能源強度收斂上，σ收斂指的是各地區間的能源強度水平的差異隨著時間的推移而趨于減少，一般用標準差等來衡量；絕對β收斂是指所有的地區最終將收斂于同一個穩態，σ收斂和絕對β收斂都屬于絕對收斂；條件β收斂則放棄了各個地區具有完全相同的經濟特征的假定，考慮了各個地區不同的特征和條件，也就是地區差異，認為不同的地區也具有不同的穩態。

2．面板數據收斂的研究方法

（1）σ收斂

通常根據標準差來檢驗是否存在σ收斂，計算公式如下：

VOC=(Ni=1(EIi－EI)2)/N（1）

其中，VOC表示標準差，N為樣本數，下標i表示各個地區，EI為能源強度的觀測值，EI為樣本平均值。

（2）絕對β收斂

絕對β收斂系數需要通過建立回歸方程來進行估算，具體模型設定如下：

d(LnEIi,t+1)=LnEIi,t+1－LnEIi,t

=α+βLnEIi,t+εi,t （2）

其中，d表示差分，Ln表示自然對數；下標t+1為某一時段的期末年，下標t為某一時段的基年；α為截距項，ε為誤差項，滿足零均值同方差。若β<0且在統計上顯著，則表明存在絕對β收斂。

（3）條件β收斂

檢驗條件β收斂的一個簡潔方法是運用面板數據的固定效應（Miller et al, 2002）。固定效應考慮了不同個體有不同穩態值，也考慮了個體自身穩態值隨時間的變化而變化，它的最大優點是能夠避免遺漏解釋變量，并且避開對解釋變量的選擇問題。條件收斂的模型設定如下（齊紹洲 等，2010）：

d(LnEIi,t+1)=LnEIi,t+1－LnEIi,t

=βLnyi,t+μi+εi,t（3）

其中，μ表示固定效應。如果β<0且在統計上顯著，則表明存在條件β收斂。

為了檢驗條件收斂的存在性，也可以通過在面板回歸模型中添加若干個控制變量來實現。然而，在添加控制變量時，往往需要考慮控制變量的內生性問題。在處理內生性問題方面，應用較為廣泛的是廣義矩估計方法（Generalized Method of Moments，GMM）。本文考慮了空間依賴性因素以及時間動態性因素，利用GMM方法來估算中國29個省區能源強度的條件收斂，具體的模型設定如下：

d(LnEIi,t+1)=α+γtk=1dLnEIi,t－k+βLnEIi,t+ρWLnEIi,t+δWLnEIi,t－1+μLnXi,t+εi,t（4）

其中，W表示非負對角線元素為0的空間鄰近權重矩陣，在本文中，采用的是rook一階規則；WLnEIt為空間滯后項，表示的是當期周圍地區能源強度對中心地區能源強度的影響；X表示模型中的控制變量。之所以采用基于空間滯后模型擴展的動態空間面板模型，是因為通過Lagrange Multiplier檢驗之后發現應當包含被解釋變量的空間滯后項。

3．變量選擇和數據來源

盡管采用固定效應來分析條件收斂是一種較好的方法，但是為了穩健起見，本文同時也采用了將外生解釋變量添加到收斂模型中的方法，用以比較估算出的收斂結果。影響中國地區能源強度的因素很多，根據相關研究結論，本文選擇了經濟水平、產業結構、技術進步、外商直接投資和能源價格5類工具變量來分析地區能源強度的收斂問題。

（1）能源強度（EI）。能源效率的測度有多種指標，魏一鳴和廖華（2010）總結為七類指標：能源宏觀效率、能源事物效率、能源物理效率、能源價值效率、能源要素利用效率、能源要素配置效率和能源經濟效率。本文選用是最為常用的單位GDP能耗這一宏觀指標，通常也定義為“能源強度”。計算公式為：能源強度=能源消費量/GDP。其中，GDP以1998年為基期折算為實際GDP。

（2）經濟水平（GDP）。經濟水平通常是影響能源強度最主要的因素（史丹 等，2008）。從中國能源效率分布圖來看，東部沿海地區經濟最為發達，其能源效率也最高。以北京、上海和廣東為例，這三個地區是環渤海灣、長三角和珠三角的核心地區，經濟最為發達，其能源效率也居于全國首位。而欠發達地區，尤其是西北地區，經濟發展最為落后，相應的能源效率也最低。由此可見，中國的區域能源強度與經濟發展水平是密切相關的。

（3）產業結構（第二產業比重Second，第三產業比重Tertiary）。從已有的研究結果來看，第二產業比重與能源強度一般為正相關關系，即第二產業比重的增加加劇了能源強度的上升。很多學者認為第三產業比重與能源強度為負相關關系（邱靈 等，2008；張少華 等，2009），這是由于第三產業附加值高，能源消耗強度較小，第三產業比重的提高會降低能源強度。

（4）技術進步（研發投入RD，科研人員Personnel）。一般來說，技術進步帶來了工藝水平的提高，能改善能源效率。通常采用研發投入來表示技術進步變量。R&D投資通過兩個方面來促進技術進步：一是可以生產新的技術和信息，二是可以增強企業吸收現有技術和信息的能力，促進知識和技術的外溢；即R&D投資具有提高創新能力和吸收能力的兩面性（張海洋，2005）。Keller（2002）認為，R&D投入越多，有效的研發勞動也越多，對技術進步的促進能力也越強。同時，R&D投入越多，有關能源利用的先進設備、技術與管理的有效的研發勞動也越多（江錦帆，2004）。本文也采用R&D支出作為衡量技術進步的指標，同時為了進一步證實技術進步對能源強度的影響，還選用了另一個較為常用的變量來表示技術進步，即研究與開發機構科技活動人員數。

（5）外商直接投資（FDI）。FDI是影響能源強度的重要因素之一，大量的外資流入產生了顯著的溢出效應。在開放經濟條件下，外商直接投資是技術進步的重要來源之一。改革開放使得國外先進的技術設備以外商直接投資的形式進入了我國，直接提高了我國能源效率（謝志軍 等，1996），張賢和周勇（2007）也驗證了外商直接投資對能源效率的影響。本文對外商直接投資的衡量選用的實際利用外資金額，數據來自于CEIC中國經濟數據庫。

（6）能源價格（Price）。能源價格也是影響能源強度的一個重要因素，從經濟學的需求定理來看，能源價格越高，對于能源消費的傾向就越少，也激勵經濟主體提高能源效率。因此，能源價格與能源強度之間理應表現出負相關關系。由于沒有直接表示能源價格的指標，本文借用各個地區原材料、燃料、動力購進價格指數替代能源價格。

本文研究對象為中國內地的省級區域，由于西藏的能源消費數據缺乏，海南個別數據缺失海南省是一座島嶼，在地理空間上不與任何地區有邊界。由于我們采用rook一階規則定義空間權重，根據該定義海南沒有任何鄰居，如果強制海南與廣東或者廣西鄰近也是違背客觀事實的。 ，研究中未包含西藏和海南，共計29個省區。本文所用的數據來自歷年《中國能源統計年鑒》《中國統計年鑒》《中國工業經濟統計年鑒》以及《中國城市（鎮）生活與價格年鑒》。

三、實證分析

1．能源強度的時空分析

在進行能源強度收斂研究之前，首先對29個省區能源強度的空間分布和空間分布的動態變化趨勢進行分析，為后面的實證做一個初步的判斷。

由圖1可以觀測到，中國29個省區的能源強度在空間上的分布并非均衡，東部沿海地區普遍較低，中部地區和西部地區逐漸升高，呈現階梯狀分布。尤其要指出的是，西北地區的能源強度呈現為高強度集中，而東南沿海地區能源強度則普遍較低。從全國總體分布來看，明顯表現出能源強度的空間不均衡性，即空間異質性；從局部來看，又有低能源強度集中區（東南地區）和高能源強度集中區（西北地區），所以初步可以判斷存在空間自相關性。因此，本文采用Moran指數方法定量檢測全域能源強度的空間自相關現象（見圖2），分析結果表明我國能源強度在空間分布上并非完全隨機，而是存在明顯的空間趨同。

圖2表明中國29個省區之間能源強度在空間分布上具有明顯的正自相關關系（空間依賴性），說明能源強度在空間分布上并不是隨機的，而是表現出某些省區能源強度的相似值在空間上趨于集群的現象。在圖2中，位于第一象限的省區有內蒙古、新疆、甘肅、山西、陜西、寧夏、青海和云南，其含義為能源強度高的省區被能源強度同樣高的省區所包圍（HighHigh，高—高集聚），可以發現這些省區主要在經濟欠發達的西部地區，尤其是西北地區居多；位于第二象限的省區有黑龍江、吉林、河南、四川、重慶、廣西和遼寧，其含義為能源強度低的省區被能源強度高的省區所包圍（LowHigh，低—高集聚）；位于第三象限的省區有北京、天津、河北、山東、安徽、湖北、湖南、江西、福建、廣東、江蘇、上海和浙江，其含義為能源強度低的省區被能源強度同樣低的省區所包圍（LowLow，低—低集聚）；位于第四象限的只有貴州，其含義為能源強度高的省區被能源強度低的省區所包圍（HighLow，高—低集聚）。由此可見，中國各個省區能源強度的空間集聚性非常明顯，正向局域相關和集聚的典型特征非常顯著。

圖2只能描述一年的能源強度的Moran指數，圖3則反映了1998—2010年源強度空間分布的動態變化。我國能源強度的空間分布并非是固定的，而是隨著時間動態變化：1998年Moran指數達到了0.54以上，說明各地區能源強度空間自相關現象十分明顯；在2000年，Moran指數突然下降到0.5左右，然后直至2010年，Moran指數一直處于波動上升狀態。在2005年之后，盡管Moran指數處于小幅波動狀態，但能源強度空間聚集性明顯有了更為有序的發展。圖12010年中國29個省區能源強度分布圖

圖22010年中國29個省區能源強度Moran

散點圖對應的地區分類詳情

圖4進一步揭示了我國東部、中部和西部地區能源強度的變化趨勢東部地區包括北京、天津、河北、遼寧、山東、江蘇、上海、浙江、福建和廣東，中部地區包括黑龍江、吉林、山西、河南、湖北、湖南、江西和安徽，西部地區包括四川、重慶、云南、廣西、貴州、青海、寧夏、陜西、甘肅、內蒙古和新疆。 ：能源強度最高的為西部地區，1998—2001年能源強度不斷走低，但2001—2010年呈現“倒U形”趨勢；能源強度居中的為中部地區，雖然個別年份有波動，但總體上看1998—2010年能源強度不斷向下；能源強度最低的為東部地區，發展態勢與中部地區類似，能源效率不斷提高。從圖形可以有一個直觀的判斷：西部地區雖然波動，但是能源強度下降的趨勢明顯；中部地區也有較為明顯下降；而東部地區雖然也在下降，但是變化幅度較小。由此可以直觀地判斷，我國29個省區的能源強度有可能存在收斂現象，但是仍然需要定量方法予以確定。

2．絕對收斂分析

由圖5可知，1998—2010年29個省區能源強度的標準差發展趨勢明顯分為兩個階段：第一階段為1998—2001年，標準差不斷降低，即存在絕對收斂；第二階段為2001—2010年，標準差先上升，在2004年達到峰值，然后明顯地下降，呈現“倒U”形趨勢。盡管在樣本期內存在變化，但是從總體趨勢而言，依然是呈現收斂趨勢，即存在絕對σ收斂。值得注意的是，圖5的總體變化與圖4相呼應。

根據絕對β收斂的公式，可以計算出中國29個省區能源強度絕對β收斂的情況（表1）：估計出的β值沒有通過10%顯著性水平的檢驗，R2也極小；從F統計量和其伴隨概率來看，模型的擬合程度極差，也沒有通過檢驗。因此，可以判斷，中國29個省區能源強度不存在絕對β收斂的情況。

表1中國29個省區能源強度絕對β收斂檢驗結果

變量系數標準差t統計量概率值β-0.007 40.008 0-0.924 40.355 9常數項-0.021 50.005 6-3.835 40.000 1R20.002 5F統計量0.854 5P值 (F統計量)0.355 9圖31998—2010年中國29個省區能源效率Morans I動態趨勢圖

圖41998—2010年東部、中部和西部地區能源強度趨勢圖

圖51998—2010年中國29個省區能源強度標準差趨勢圖3．條件β收斂分析

由于固定效應允許未觀測效應與解釋變量可以存在相關關系（Wooldridge，2002），同時利用固定效應可以考慮到截面之間的差異性，因此運用固定效應進行條件收斂檢驗是一種不同于傳統的加入控制變量的檢驗方法。但是，為了進行比較，也需要添加控制變量以估計出條件β收斂的情況。本文分別采用了固定效應、加入控制變量的固定效應、系統差分法和加入控制變量的系統差分法四種方法，對中國29個省區能源強度的條件β收斂進行估計，計算結果如表2示。

表2固定效應和系統GMM估計的條件β收斂檢驗結果

〖XB，HT5”SS，J*2；D*2<續表>〗變量固定效應加入控制變量的固定效應系統差分加入控制變量的系統差分β-0.186 4***(0.031 1)-0.292 5***(0.037 7)-0.247 2***(0.034 9)-0.348 8***(0.044 7)常數項0.072 7***(0.016 7)-0.837 9(0.807 7)-0.050 3***(0.009 5)0.576 3(0.594 2)Ln GDP-0.101 9**(0.049 5)-0.078 3*(0.043 7)Ln Second0.230 6**(0.098 6)-0.088 6(0.100 7)Ln Tertiary0.041 0(0.096 7)-0.107 2 (0.067 5)Ln RD0.038 3(0.025 5)0.015 0(0.011 0)Ln Personnel-0.017 2(0.026 4)-0.043 0***(0.013 1)Ln FDI-0.016 8*(0.008 8)-0.009 5(0.009 1)Ln Price-0.012 5(0.057 7)0.061 3**(0.024 1)ΔLn EIt-10.095 1***(0.016 8)0.058 0**(0.027 0)ΔLn EIt-2-0.151 0***(0.029 0)-0.088 2**(0.039 9)ΔLn EIt-3-0.024 3* (0.013 4)0.015 3(0.022 0)ΔLn EIt-4-0.050 9***(0.018 0)0.013 6(0.038 7)W×Ln EI0.604 7***(0.038 5)0.342 0***(0.117 8)W×Ln EIt-1-0.292 4***(0.058 2)-0.152 8(0.106 1)F統計量35.9610.14P值（F統計量）0.000 00.000 0AR(1)-2.304 5-2.302 8概率值0.021 20.021 3AR(2)0.838 60.205 8概率值0.401 70.837 0Sargan檢驗23.000 717.817 6概率值0.999 91.000 0注：***表示通過1%顯著性水平，**表示通過5%顯著性水平，*表示通過10%顯著性水平，括號內為標準差。

由表2可知，四個模型中，所有的β系數的統計量都通過了1%顯著性水平的檢驗，但各個系數的估計值不同，變化范圍由-0.186 4到-0.348 8，固定效應估計的系數最小，而加入控制變量后的系統GMM估計的系數最大。盡管Islam（1995）和Miller et al（2002）等都直接用固定效應來估計條件β收斂，彭國華（2005）也認為加入額外的控制變量是多余的，但是從本文的估計結果來看，是否加入控制變量，參數的估計結果并不完全一樣。表2中第二列與第一列的β估計值差異較大，由此可見，加入一些控制變量后，對參數估計的影響是存在的。在實際分析中，假設沒有任何解釋變量的模型也是非常不完善的。表2的第三列是系統GMM方法估計的結果，但是并沒有包含控制變量，β值為-0.247 2，介于第一個和第二個模型估計的參數值之間；表2的第四列為加入控制變量后的系統GMM方法估計出的收斂情況，從估計的參數值β來看，系數最大，也就是說，與不考慮是時空因素（空間依賴性和時間動態性）的模型以及不考慮控制變量的模型相比，該模型估計的收斂速度是最快的。可見，如果忽略了時空因素和控制變量，可能會低估能源強度的收斂速度，而在考慮時空因素及其控制變量后，可以得出更為穩健的結論。

四、結論與啟示

本文在考慮空間維度的地理鄰近性和時間維度的動態性的基礎上，分析中國29個省區能源強度的空間分布和動態變化趨勢以及收斂情況，結果表明：從能源強度的空間分布來看，呈現東低西高的格局，并且存在空間自相關現象；從Moran指數的動態變化來看，能源強度的空間集聚狀態基本在2005年之后趨于穩定，東、中、西部的能源強度均呈現持續下降的趨勢；從總體趨勢來看，中國能源強度存在絕對σ收斂，不存在絕對β收斂，但存在條件β收斂。

從本文的研究中還可以發現，由于空間鄰近性的客觀事實，區域間的空間溢出和技術溢出效應是十分明顯的，空間效應是在分析能源強度收斂時必須考慮的重要因素。在中國，能源強度低的省區在空間上趨于集中于東南地區以及沿海地帶，而能源強度高的省區集中在西北地區。這也給我們一個很重要的啟示：一個地區能源效率的提高勢必會通過技術溢出效應等促進鄰近地區能源效率的改善。

目前，中國政府十分重視能源效率的提高。在制定提高能源效率以及縮小區域能源效率差異的有關政策時，需要從時空角度進行考慮。一方面，要考慮到區域之間的聯系，不能割裂地區來制定能源政策。要從大局出發，充分考慮技術溢出的客觀事實，鼓勵能源強度低的東部地區的技術溢出到能源強度較高的中、西部地區，從而加快全國區域間能源強度收斂速度，促使中、西部地區能源強度迅速降到與東部地區相近的水平。另一方面，從時間維度上看，政府在制定能源政策之時，需要考慮該政策對未來的影響。目前，我國各地區能源強度均不斷降低，但經濟系統通常存在時間滯后效應，良好的政策對未來有較強的持續性的促進作用，而不夠穩妥的政策同樣也會損害現已經取得的成績。此外，經濟發展水平、技術水平、產業結構、外資投入以及能源價格等因素對能源強度的收斂也有很大的影響，而且從根本上講，縮小東、西部經濟發展水平差異以及技術水平差異是縮小東、西部能源強度差異的最主要路徑。

參考文獻：

江錦凡.2004.外國直接投資在中國經濟增長中的作用機制［J］.世界經濟（1）：310.

姜雁斌，朱桂平.2007.能源使用的技術無效性及其收斂性分析［J］.數量經濟技術經濟研究（10）：108119.

彭國華. 2005.中國地區收入差距、全要素生產率及其收斂分析［J］.經濟研究（9）：1929.

齊紹洲，李鍇.2010.發展中國家經濟增長與能源消費強度收斂的實證分析［J］.世界經濟研究（2）：813.

邱靈，申玉銘，任旺兵，嚴婷婷.2008.中國能源利用效率的區域分異與影響因素分析［J］.自然資源學報23（5）：920928.

師博，張良悅.2008.我國區域能源效率收斂性分析［J］.當代財經（2）：1721.

史丹，吳利學，傅曉霞，吳濱.2008.中國能源效率地區差異及其成因研究——基于隨機前沿生產函數的方差分解［J］.管理世界（2）：3543.

魏一鳴，廖華.2010.能源效率的七類測度指標及其測度方法［J］.中國軟科學（7）：128137.

謝志軍，莊幸.1996.宏觀經濟結構與能源密度的變化［J］.中國能源（5）：1317.

楊正林，方齊云.2008.能源生產率差異與收斂——基于省際面板數據的實證分析［J］.數量經濟技術經濟研究（9）：1730.

張海洋.2005. R&D兩面性、外資活動與中國工業生產率增長［J］.經濟研究（5）：107117.

張少華，陳浪南.2009.經濟全球化對我國能源利用效率影響的實證研究——基于中國行業面板數據［J］.經濟科學（1）：102111.

張賢，周勇.2007.外商直接投資對我國能源強度的空間效應分析［J］.數量經濟技術經濟研究（1）：101108.

BARRO R J. SALAIMARTIN X X. 1992. Convergence ［J］. Journal of Political Economy，100：223251.

DAVID W S，WONG J L. 2005. Statistical Analysis of Geographic Information with Arc View GIS and Arc GIS ［M］. John Wiley & Sons.

EZCURRA R. 2007. Distribution Dynamics of Energy Intensities： A CrossCountry Analysis ［J］. Energy Policy，35（10）： 52545259.

HERRERIAS M J. 2012. World Energy Intensity Convergence Revisited： A Weighted Distribution Dynamics Approach ［J］. Energy Policy，49：383399.

ISLAM N. 1995. Growth Empirics： a Panel Data Approach ［J］. The Quarterly Journal of Economics，110（4）：11271170.

KELLER W. 2002. Geographic Localization of International Technology Diffusion ［J］. American Economic Review，92（1）：120142.

LE PEN Y. SéVI B. 2010. On the NonConvergence of Energy Intensities：Evidence from a Pairwise Econometric Approach ［J］. Ecological Economics，69（3）：641650.

LIDDLE B. 2010. Revisiting World Energy Intensity Convergence for Regional Differences ［J］. Applied Energy，87（10）：32183225.

MARKANDYA A. PEDROSOGALINATO S. STREIMIKIENE D. 2006. Energy Intensity in Transition Economies：Is There Convergence towards the EU Average? ［J］. Energy Economics，28（1）：121145.

MIKETA A，MULDER P. 2005. Energy Productivity across Developed and Developing Countries in 10 Manufacturing Sectors：Patterns of Growth and Convergence ［J］. Energy Economics，27（3）：429453.

MILLER S M，UPADHYAY M P. 2002. Total Factor Productivity and the Convergence Hypothesis ［J］. Journal of Macroeconomics，24（2）：267286.

MULDER P. DE GROOT H L F. 2007. Sectoral Energy and Labor Productivity Convergence ［J］. Environmental & Resource Economics，36：85112.

WOOLDRIDGE J. 2002. Econometric Analysis of Cross Section and Panel Data ［M］. MIT Press.

Study on Spatial Distribution and Convergence of

Chinas Energy Intensity

—Analysis Based on Dynamic Spatial Panel ModelJIANG Lei1, 2, BAI Ling2

(1. Department of Economic Geography, Faculty of Spatial Sciences, University of Groningen, 9747 AD,

Groningen, The Netherlands; 2.The Key Lab of Geographic Information Science of Chinese Ministry of Education,

East China Normal University, Shanghai 200241, China）

Abstract: The effect of spatial spillover and technical spillover between regions is increasing daily, and the study on energy intensity convergence should not overlook spatial dependence and time dynamics. Based on considering the geographic neighborhood of spatial dimension and the dynamics of timedimension, this paper uses dynamic spatial panel model to analyze the spatial distribution, dynamic change trends and convergence of the energy intensity in 29 provinces and municipalities of China, and the research shows that the spatial distribution of energy intensity of China demonstrates the pattern with low intensity in the east and high intensity in the west and has spatial autocorrelation phenomenon, that the dynamic trends indicates that the spatial autocorrelation index of energy intensity is inclined to be stable after 2005, that the energy intensity in the east, in the middle area and in the west of China demonstrates declining trend, that in overall trend, there is an obviously absolute σ convergence and no absolute β convergence but there is a significant conditional β convergence. In order to raise energy efficiency to shrink regional energy efficiency gap, China should sufficiently make use of spatial spillover effect, encourage the technical spillover from the regions with low energy intensity to the areas with high energy intensity so that the convergence speed of energy intensity between regions of China can be accelerated.

Key words:energy intensity; energy efficiency; convergence; convergence speed; spatial autocorrelation; spatial spillover effect; technical spillover effect; Moran index; spatial dependence

CLC number：F062.5；F206Document code：AArticle ID：16748131（2014）04006109

（編輯：夏冬）

(1. Department of Economic Geography, Faculty of Spatial Sciences, University of Groningen, 9747 AD,

Groningen, The Netherlands; 2.The Key Lab of Geographic Information Science of Chinese Ministry of Education,

East China Normal University, Shanghai 200241, China）

Abstract: The effect of spatial spillover and technical spillover between regions is increasing daily, and the study on energy intensity convergence should not overlook spatial dependence and time dynamics. Based on considering the geographic neighborhood of spatial dimension and the dynamics of timedimension, this paper uses dynamic spatial panel model to analyze the spatial distribution, dynamic change trends and convergence of the energy intensity in 29 provinces and municipalities of China, and the research shows that the spatial distribution of energy intensity of China demonstrates the pattern with low intensity in the east and high intensity in the west and has spatial autocorrelation phenomenon, that the dynamic trends indicates that the spatial autocorrelation index of energy intensity is inclined to be stable after 2005, that the energy intensity in the east, in the middle area and in the west of China demonstrates declining trend, that in overall trend, there is an obviously absolute σ convergence and no absolute β convergence but there is a significant conditional β convergence. In order to raise energy efficiency to shrink regional energy efficiency gap, China should sufficiently make use of spatial spillover effect, encourage the technical spillover from the regions with low energy intensity to the areas with high energy intensity so that the convergence speed of energy intensity between regions of China can be accelerated.

Key words:energy intensity; energy efficiency; convergence; convergence speed; spatial autocorrelation; spatial spillover effect; technical spillover effect; Moran index; spatial dependence

CLC number：F062.5；F206Document code：AArticle ID：16748131（2014）04006109

（編輯：夏冬）

(1. Department of Economic Geography, Faculty of Spatial Sciences, University of Groningen, 9747 AD,

Groningen, The Netherlands; 2.The Key Lab of Geographic Information Science of Chinese Ministry of Education,

East China Normal University, Shanghai 200241, China）

Abstract: The effect of spatial spillover and technical spillover between regions is increasing daily, and the study on energy intensity convergence should not overlook spatial dependence and time dynamics. Based on considering the geographic neighborhood of spatial dimension and the dynamics of timedimension, this paper uses dynamic spatial panel model to analyze the spatial distribution, dynamic change trends and convergence of the energy intensity in 29 provinces and municipalities of China, and the research shows that the spatial distribution of energy intensity of China demonstrates the pattern with low intensity in the east and high intensity in the west and has spatial autocorrelation phenomenon, that the dynamic trends indicates that the spatial autocorrelation index of energy intensity is inclined to be stable after 2005, that the energy intensity in the east, in the middle area and in the west of China demonstrates declining trend, that in overall trend, there is an obviously absolute σ convergence and no absolute β convergence but there is a significant conditional β convergence. In order to raise energy efficiency to shrink regional energy efficiency gap, China should sufficiently make use of spatial spillover effect, encourage the technical spillover from the regions with low energy intensity to the areas with high energy intensity so that the convergence speed of energy intensity between regions of China can be accelerated.

Key words:energy intensity; energy efficiency; convergence; convergence speed; spatial autocorrelation; spatial spillover effect; technical spillover effect; Moran index; spatial dependence

CLC number：F062.5；F206Document code：AArticle ID：16748131（2014）04006109

（編輯：夏冬）