1、中国能源消费结构地域分布的时空分异及影响因素 周彦楠 何则 马丽 杨宇 张天媛 陈力原 中国科学院地理科学与资源研究所 中国科学院区域可持续发展分析与模拟重点实验室 中国科学院大学资源与环境学院 北京林业大学林学院 摘 要： 能源碳排放是全球温室效应最主要的贡献因素, 要实现低碳发展, 必须调整能源消费结构。本文基于分省能源终端消费数据, 采用 K-means 聚类法和STIRPAT 模型, 对中国省级层面四大类能源的消费比重、时空分异、演化及其影响因素的研究结果表明: (1) 19902014 年间, 各省煤炭消费比重不断降低, 不同省区在不同时段石油消费比重变化呈现多样性特征, 各省天然气
2、消费比重整体仍处在较低水平上, 电力与热力消费比重整体保持着持续增加的趋势;北京、天津、上海、江苏、广东、海南、甘肃、青海和宁夏处于相对较优的低碳能源消费结构; (2) 19902014 年期间, 中国能源终端消费结构呈现出不断改善的趋势, 其地域分布一方面呈现出明显的地带性分布特征, 同时也表现出一定的产地消费导向特征; (3) 能源消费强度、第二产业比重、能源生产结构和资本投入等依次对以煤炭为主的能源消费结构有正向促进作用;土地城市化、能源自给度、科技进步和进出口贸易等具有反向抑制作用;而人均 GDP、人口城市化和实际利用外商直接投资的作用不显著。建议在省区层面着力调整能源消费结构, 关注
3、河北、山西和贵州等地能源产地消费导向问题, 并通过加快推进产业结构高级化进程、合理安排城市化进程、提升科技创新能力和增强对外开放水平, 以有效改善各省能源消费结构、降低碳排放, 实现低碳发展。关键词： 能源消费结构; 地域分布; K-means; STRIPAT; 时空分异; 影响因素; 中国; 作者简介：周彦楠, 女, 河南信阳人, 硕士生, 从事能源地理与区域发展研究。E-mail:作者简介：杨宇, E-mail:收稿日期：2017-09-07基金：中华人民共和国科学技术部国家重点研发项目 (2016YFA0602800) Spatial and temporal differentiat
4、ion of Chinas provincial scale energy consumption structureZHOU Yannan HE Ze MA Li YANG Yu ZHANG Tianyuan CHEN Liyuan Institute of Geographic Sciences and Natural Resources Research, Chinese Academy of Sciences; College of Forestry, Beijing Forestry University; Abstract： Energy-related carbon emissi
5、ons are the most important contributor to the global greenhouse effect. Low-carbon development must begin with the adjustment of the energy consumption structure (ECT) . Based on four categories of provincial level energy terminal consumption data, using the K means clustering method and the STIRPAT
6、 model, we researched the geographical distribution pattern of ECT and spatial and time differentiation, evolution and influence factors. We found that from 1990 to 2014, the provincial coal consumption ratio decreased;oil consumption ratio changed in different periods in different provinces;natural
7、 gas consumption was at a low level and showed regional diversity;and power and heat consumption increased. Beijing, Tianjin, Shanghai, Jiangsu, Guangdong, Hainan, Gansu, Qinghai and Ningxia provinces are in a relatively low carbon ECT. Chinas energy terminal consumption structure showed a trend of
8、continuous improvement over 1990 to 2014. On the one hand, the geographical distribution of ECT shows obvious zonal distribution, while also showing certain characteristic of in-situ consumption orientation. The energy consumption intensity, industrial structure, energy production structure and capi
9、tal input, in turn, have positive promoting effects on ECT dominated by coal. The urbanization of land, rate of energy self-sufficiency, technology progress and import and export trade, have an inhibiting effect on ECT. GDP per capita, population urbanization and FDI of actual usage are not signific
10、ant for ECT. In order to effectively ameliorate the provincial energy consumption structure, reduce carbon emissions and achieve low carbon development, China should adjust ECT at the provincial level, focusing on Hebei, Shanxi and Guizhou energy insitu consumption status, and speed up the process o
11、f the fundamentals of industrial structure, advancing urbanization, enhancing the level of science and technology innovation and promoting an international focus.Keyword： energy consumption structure; geographical distribution; K-means; STRIPAT; spatiotemporal differentiation; influencing factor; Ch
12、ina; Received： 2017-09-071 引言全球变暖的客观事实要求各经济体必须走“低碳经济”发展之路, 降低碳排放、实现低碳发展是遏制全球气候变暖的重大战略举措1。中国是目前世界上最大的碳排放国, 作为一个负责任的发展中大国, 2015 年 6 月 30 日, 中国在向联合国气候变化框架公约秘书处提交的应对气候变化的国家自主贡献文件 (INDC) 中承诺:CO 2排放 2030 年左右达到峰值并争取尽早达峰, 碳排放强度与2005 年相比下降 60%65%, 非化石能源占一次能源消费比重达到 20%左右2。这一目标的实现有赖于全国层面社会经济和产业结构的实质性转型, 更有赖于省区
13、层面节能减排的具体行动3。国际研究表明, 影响碳排放的因素包括经济发展水平、产业结构、能源结构和能源强度等, 经济、人口、技术等领域的变化均可对碳排放量产生影响4。计量经济学的实证研究也证明, 人口增长与碳排放具有同向性, 人均碳排放与人均收入表现出明显的空间集聚特征且呈倒“U”型分布5,6;城市化是 CO2排放的重要影响因素, 固定资产投资对能源消费碳排放具有主导作用7。省级尺度的实证研究表明, 中国各省份的碳排放呈一定的空间正自相关性、各地碳强度存在显著的空间相关性8, 同时, 增强对外贸易水平在一定程度上可减少人均碳排放9, 外商直接投资能有效降低各地的碳强度10, 地区创新能力的提升对
14、抑制碳排放存在积极影响与空间溢出效应11, 产业结构调整对能源消费碳排放强度时空格局演变具有重要影响12, 优化能源结构与控制人口增长能有效抑制碳排放13。总之, 学者们采用计量经济学模型在国家、省级和城市尺度, 基于经济与人口增长、城市化、工业化、对外开放水平等视角探讨了能源消费、碳排放和环境压力的影响因素, 其结果对于不同层次的能源消费结构调整与碳减排具有一定的指导意义。然而, 上述研究均相对地关注于碳排放, 而对能源结构的地域演化及其机理缺乏系统的探讨。本文重点关注中国省级尺度能源终端消费结构的演变及其影响因素。通过回溯1990 年以来中国各省区四大类能源 (煤、石油、天然气和电力热力)
15、 消费结构演变基本特征的基础上, 探讨了省级尺度上能源终端消费结构地域分布模式的时空分异及演进特征, 并通过 STIRPAT 面板计量模型探讨影响省级尺度上能源终端消费的因素。2 研究方法与数据来源2.1 K-means 聚类为研究一定时期内省级尺度能源消费结构演变及其地域分布模式的演变, 引入K-means 聚类算法。K-means 聚类虽然存在对初始点敏感度低的问题14, 但因其聚类结构明确而被广泛使用。一般而言, K-means 聚类是在给定的聚类数据和目标函数下, 通过多次迭代后, 当目标函数收敛至阈值时, 完成聚类方案。本研究中, 首先, 基于分省计算煤炭、石油、天然气和电力热力四类
16、能源消费占总能源消费比重;其次, 以 5 年为时段划分, 计算每 5 年的各省能源终端消费结构的均值;最后将各省的 5 年均值统一编号后进行 K-means 聚类, 多次计算后得到最终聚类结果, 以比较能源终端消费结构及其地域分布模式的时空演进特征。K-means 聚类算法的基本过程如下。(1) 随机选取 k 个聚类质心点为 u1, u2, , ukR;(2) 重复如下过程直到收敛:(1) 对每一个参与聚类的单位 i, 计算其与与质心点的距离, 以确定其所属的类:(2) 对于每一类 j, 重新计算质心:式中 k 为事先设定的聚类数, 一般根据经验或具体研究内容而定。经过多次计算, 发现当聚类结
17、果为 5 类时, 其结果既具有相对稳定的地域分布特征, 又有比较明确的能源消费特征指向性, 因此本研究中 k 取值为 5;c (i) 为参与聚类的单位 i 与 k 个类中距离最近的类;u j代表质心点。2.2 STIRPAT 模型Ehrlich 等于 1971 年首次提出“IPAT”方程以反映人口环境压力影响, 此后, Dietz 等于 1997 年在 IPAT 方程的基础上提出 STIRPAT 模型, 旨在改善原方程不能区分最主要因素的缺陷15。基于 IPAT 方程、STIRPAT 模型以及各同类该模型的拓展与变体进行能源消费与碳排放影响因素的探讨, 是目前被广泛用的一种研究模式16-19。
18、STIRPAT 模型的基本形式为:式中 I、P、A、T 分别为为环境、人口、富裕度和技术进步水平;a 为模型系数;b、c、d 为构建模型需要估计的指数;e 为误差项。将公式 (3) 两边分别取对数后, 将得到包括固定效应、混合效应和随机效应的模型:STIRPAT 模型由于其灵活性与开放性, 研究者可根据研究目的及需要来增加控制因素。采用 STIRPAT 模型分析中国省区尺度能源终端消费结构的影响因素, 除了考虑该模型的一般组成外, 仍需要考虑能源终端消费结构和社会经济发展状态。因此, 本研究的初始模型设计中包含六类影响因素 (表 1) : (1) 能源禀赋因素, 包含了能源生产结构和能源自给度
19、 2 项指标; (2) 城市化水平因素, 包含了人口城市化水平和土地城市化 2 项指标; (3) 工业化水平因素, 包含了人均国内生产总值 (人均 GDP) 和以第二产业比重 2 项指标; (4) 对外开放水平, 包含了货物对外和资本对外开放水平 2 项指标; (5) 资本投入因素, 为资本要求投入水平; (6) 技术进步因素, 包含了专利授权量和能源消费强度 2 项指标。拓展后的 STIRPAT 面板模型的表达式为:表 1 模型的因素与变量列表 Table 1 Factors and variables in the STIRPAT model 下载原表 式中因变量 ES 为能源终端消费结构
20、;i 为第 i 个省区;t 为时间;EPS 为能源生产结构;SR 为能源自给度;PU 为人口城市化;LU 为土地城市化;PGDP 为人均 GDP;IS为第二产业比重;TR 为货物对外开放水平;FDI 为资本对外开放水平;FA 为资本要素投入水平;PA 为专利授权量;EI 为能源消费强度; 1, 2, , 11为弹性系数, 表示当各因素变化 1%时, 其分别引起 ES 变化为 1%, 2%, , 11%。2.3 数据来源与处理研究所使用的数据来源于中国统计年鉴20、中国能源统计年鉴21、新中国六十年统一资料汇编22、中国城市统计年鉴23、中国科技年鉴24、中国对外经济统计年鉴25等。分省区数据中
21、, 重庆并入四川计算。由于数据获取困难, 本次研究不包括香港、台湾、澳门和西藏。涉及的指标主要有年末总人口 (万人) 、国内生产总值 (GDP, 亿元) 、三次产业产值 (亿元) 、固定资产投资 (亿元) 、城市建设用地面积 (km) 、能源生产总量 (万 tec) 和能源消费总量 (万 tec) 、进出口总额 (万美元) 、实际利用外商直接投资 (万美元) 、专利申请授权量 (项) 等。能源类型分为煤炭、石油、天然气、电力与热力, 单位为万 tec。数据获取时间长度为 19902015 年, 但因能源数据缺少 19911994 年和 2015 年, 为统一分析时段, 并考虑到中国能源消费的实
22、际演变轨迹与特征, 本研究中的分析时段为 19902014 年 (不包含 19911994 年) 。GDP 采用价格指数换算为以 1990 年为基础的不变价格。进出口总额与实际利用外商投资总额, 以当年汇率统一换算为人民币。少量缺失数据, 以插值法补齐。3 省级尺度能源消费结构时空分异及其演变3.1 各省能源消费结构差异及其时空分异3.1.1 能源消费结构的相对比重分级为评价各省区各类能源终端消费相对比重的时空分异及其演变, 将 19902014年各省区四类能源比重以 5 年时间为间隔, 进行分时段计算, 然后在 SPSS 中对四类能源消费比重逐项进行 K-means 聚类, 得到 5 类聚类
23、结果及其聚类质心, 并将其按照质心分布递增原则分为 5 级 (表 2) 。聚类结果显示, 煤炭消费比重分级的聚类中心由低到高分别是 18.79%、37.14%、51.31%、63.89%和 75.15%;石油消费比重分级的聚类中心由低到高依次是 10.84%、19.61%、27.95%、36.96%和 49.19%;天然气消费比重分级的聚类中心由低到高分别是1.76%、9.50%、17.73%、25.49%和 35.50%;电力与热力的消费比重分级的聚类中心由低到高依次是 12.85%、18.24%、23.71%、29.56%和 38.64%。表 2 19902014 年中国分省各类能源终端消
24、费比重分级 (K-means 聚类中心) Table 2 Classification of consumption proportion of various energy in China from 1990 to 2014 (K-means cluster center) (%) 下载原表 3.1.2 各类能源消费比重时空演化根据中国各省四大类能源消费比重演变图谱 (图 1) , 19902014 年期间, 各省煤炭消费比重皆呈现出降低特征;不同省区在不同时段石油消费比重的增、降与保持不变的变化, 呈现多样性特征;天然气消费比重整体处在低水平上, 但局部省区近年来消费比重增加明显;电力与
25、热力消费方面, 整体保持着持续增加的趋势, 部分省份增加明显。综合来看, 北京、天津、上海、江苏、广东、海南、甘肃、青海和宁夏处于相对较优的低碳能源消费结构。从煤炭的消费比重变化来看, 河北、山西、内蒙古和贵州省尽管消费比重呈下降趋势, 但仍占 60%左右的消费比重;而北京、上海、浙江和广东省自 1990 年以来, 煤炭消费比重下降明显, 目前均处于低消费比重状态, 比重在 20%左右;天津、辽宁、黑龙江、江苏、安徽、福建、湖北、湖南、广西、四川、甘肃、青海、宁夏和新疆等省份煤炭消费比重相对下降, 目前基本处于较低或中等水平。山东自 1990 年以来, 煤炭消费比重一直处于中等水平未变;而海南
26、省则一直处于低水平, 目前比重为 10.13%, 显示出较优的能源消费结构。从石油的消费比重变化来看, 上海 (49.25%) 、广东 (36.22%) 和海南 (37.14%)的石油消费比重在各省处于相对较高的水平, 其中, 广东和海南近年来略有下降。河北、山西、内蒙古、安徽、河南、四川、贵州、云南、青海和宁夏等省份处于较低水准, 目前处在 10%20%的比重水平, 尤其是河北、山西、内蒙古和贵州呈现出明显的“重煤轻油”的消费状态。北京、辽宁、山东和新疆等地的石油消费比重略有上升。天津、吉林、江苏、福建、江西、湖北和山西等地在 19902014 年期间, 石油消费比重呈现出先升后降的趋势,
27、目前大多处于较低或中等水平, 比重大致处在 20%30%之间。图 1 19902014 年中国各省各类能源消费比重演变图谱 Figure 1 The map of proportion of energy consumption in various provinces in China from 1990 to 2014 下载原图从天然气的消费比重来看, 北京, 天津、上海、海南、陕西、青海、宁夏、新疆等省区表现增高特征, 海南比重为 35.5%, 青海比重为 21.04%, 其余省区在10%左右;而黑龙江和四川省则表现为降低的特征, 目前比重分别为 4.45%和11.01%;其他省份基本保
28、持未变且比重相差不大, 基本不足 10%。从电力与热力的消费比重来看, 整体上各省在 1990 年以来, 电力热力消费比重均有不同程度的增长, 其中, 江苏、上海、广东、青海和宁夏自 1990 年以来, 电力热力消费比重增长明显, 目前处于高消费水平, 比重大多超过 30%;北京、天津、内蒙古、福建、山东、河南、甘肃和新疆等省份也表现出较好的增长趋势, 但目前的消费水平次于前述省份;而海南、四川、贵州等地电力热力消费比重略有增长, 目前处于较低水平, 电力热力消费比重不足 20%。3.2 各省能源消费结构合理型的地域分布及演变3.2.1 能源消费结构的合理性分型为评价各省区能源终端消费结构的合
29、理性, 以低碳消费为目标导向, 以单位能源消费排放碳比重递减原则, 首先将各省不同时段的四大类能源消费结构统一进行 K-means 聚类;其次, 依据聚类质心的结果分布, 乘以各类能源的碳排放系数, 将 5 个聚类转为 5 个合理性分型。计算所采用的碳排放系数, 以各权威部门公布数据为基础取均值26,27 (表 3) , 煤炭取 0.7329, 石油取 0.5574, 天然气取 0.4226。需要说明的是, 根据生产电力和热力时的一次能源消费结构、消耗量和电力调配分摊等因素, 核算出的电力热力的碳排放系数, 属于电力生产碳排放系数;一般认为, 电力和热力在终端消费的碳排放系数近乎为零, 因此本
30、文中电力和热力的碳排放系数取值为 0。五类能源消费结构合理性分型结果如表 4 所示。经计算, 最优型能源消费结构的碳密度 (单位折标后能源消耗的碳排放量) 为 0.43t 碳/t 标准煤, 次优型、一般型、较差型和最差型能源消费结构的碳密度分别为 0.44t C/tec、0.46t C/tec、0.53t C/tec 和 0.59t C/tec。表 3 各种能源碳排放系数 Table 3 Carbon emission coefficient of various types of energy 下载原表 最优型的电力热力消费比重较高, 占比 32.05%;煤炭消费比重为 39.72%, 石油
31、消费比重为 15.50%, 天然气比重的为 12.74%。次优型与最优型相比, 其煤炭和电力消费重较低, 而石油和天然气消费比重较高, 根据碳密度计算, 次优型比最优型仅差 0.01t C/tec;次优型煤炭消费占比为 15.79%;石油消费比重较高, 占比为 46.91%, 天然气、电力和热力的消费比重分别为 15.53%和 21.77%。一般型煤炭和石油消费比重相当且较低, 煤炭消费比重为 34.01%, 石油比重为35.36%, 天然气、电力和热力的消费比重分别为 3.59%和 27.04%。与一般型相比, 较差型的煤炭消费比重较高, 为 53.38%, 石油、天然气、电力与热力的消费比
32、重分别为 22.40%、3.10%和 21.11%。最差型煤炭消费比重最高, 为 70.38%;其他类型能源消费比重都相对较低, 石油、天然气、电力与热力消费比重分别为11.85%、1.88%和 15.89%。表 4 19902014 年中国分省能源终端消费合理性分型 Table 4 Rational classification of energy consumptions in China from 1990 to 2014 下载原表 3.2.2 能源消费结构地域分布及时空分异从能源终端消费结构时段演化特征看, 19902014 年期间, 中国能源终端消费结构呈现出不断改善的趋势 (图 2
33、, 图 3) 。总体上, 能源终端消费结构不合理的省区逐渐减少, 最差型省区的数量从 19901995 年期间的 16 个减少到20112014 年期间的 3 个, 即山西、河北和贵州, 煤炭消费比重均在 60%以上;较差型的省区数量不断波动, 在 19962000 年上升峰值后开始下滑, 随后逐渐上升值 20112014 年有 12 个, 相较于 19901995 增加了 1 个;一般型的省区呈先上升后下降的趋势, 从 19901995 年的 1 个 (广东) 在 20012005 年达到峰值后开始下降, 在 20112014 年降至 6 个;次优型省区由 19901995 年的1 个 (海
34、南) 逐渐增加值 20112014 年的 3 个省区;最优型变动较为明显, 尤其是 19902000 年间最优型数量一直为 0, 直到 20012005 年首次出现, 继而在 20062010 年增加到 4 个, 20112014 年又增加了甘肃, 总量为 5 个。从能源消费结构的地域分布来看, 中国能源终端消费一方面呈现出明显的地带性分布特征, 同时也表现出一定的产地消费导向特征。地带性分布特征方面, 2000 年以前东部沿海省区与西部部分省区, 如新疆和甘肃, 呈现较差状态;而中部地区与西部部分省区则为最差型, 能源消费结构存在严重的煤消费取向。2000 年后, 内蒙古、云南和河南等省区陆
35、续由最差型转为较差型, 能源消费结构得到一定程度的优化。值得一提的是, 青海在 2000 年后能源消费结构转变为最优型, 此后一直保持在最优型;新疆和甘肃在 2006 年与 2011 年陆续成为最优型, 海南一直保持在次优型, 广东则一直保持在一般型;此外, 江苏、上海和北京能源消费结构不断优化, 近年来, 基本保持在最优型或次优型。产地消费导向特征方面, 以天然气消费为例, 在 20012005 年之前主要集中在西南、东北和西北地区及部分沿海地区, 即四川、黑龙江、辽宁、新疆、海南;20012005年后, 随着中国西气东输、中西部鄂尔多斯 (陕甘宁) 盆地天然气勘探取得较大进展并已形成一定储
36、量规模以及海域油气的开放, 中国中部和东部天然气终端消费在能源消费中占比增加, 因此能源消费结构的优化特征随之显现。20112014 年能源消费仍处于最差型的省区为山西、河北和贵州 3 个, 其中山西和贵州是中国重要的产煤区。4 能源消费结构影响因素的面板计量分析4.1 单位根检验及模型选择(1) 数据是否平稳是数据回归估计的前提, 为避免伪回归, 对面板数据进行单位跟检验。综合使用 LLC 检验28、IPS29、ADF30和 PP31,32检验方法对数据进行单位根检验, 在结论不一致时, 则认为变量为非平稳, 继续进行差分检验, 直至平稳。通过一阶差分, 所有变量均具有平稳性, 为一阶单整,
37、 因此可以对涉及到的变量进行数据协整检验。通过 Kao 检验, ADF 统计值为-4.3881, p=0.0000, 拒绝无协整性原假设。综上, 各变量间存在协整关系, 可以纳入模型分析。(2) 在建立面板模型前, 要对模型的类型进行判别。Hausman 检验用于判别应建立个体随机效应模型还是固定效应模型, 该检验的原假设是应建立个体随机效应模型, 备择假设是应建立个体固定效应模型, 结果显示 P 值小于 0.01, 所以拒绝原假设, 即所建立的个体固定效应模型是合适的。F 检验用于判别模型中是否存在个体固定效应, 该检验的原假设是真实模型是混合模型, 备择假设是真实模型是个体固定效应模型。经
38、检验, p 值小于 0.01, 所以拒绝原假设, 即所建立的个体固定效应模型是合适的。图 2 19902014 年中国各省能源消费结构合理型的数量分布 Figure 2 The distribution of energy consumption structure in the provinces in China from 1990 to 2014 下载原图图 3 19902014 年中国分省能源终端消费合理性分型 Figure 3 The distribution of energy consumption structure in the provinces in China from
39、 1990 to 2014 下载原图4.2 能源消费结构影响因素分析面板模型结果显示 (表 5) , 能源生产结构、能源自给度、能源强度、第二产业比重、全社会固定资产投资总额、进出口贸易总额、土地城市化和专利授权量对煤炭的终端消费结构具有显著影响。影响煤炭在能源消费中占比的因素中, 正向影响因素依次从高到低为能源消费强度第二产业比重能源生产结构资本投入, 而土地城镇化能源自给度科技进步进出口贸易等对以煤炭为主的能源消费结构具有反向抑制作用。表 5 模型的面板计量结果 Table 5 Results of panel measurement model 下载原表 各因素的具体影响如下:(1) 能源禀赋。能源禀赋的各项指标均通过 1%的显著性水平检验, 但两项指标对煤炭在终端消费比重影响方向不一致;其中, 能源生产结构具有显著的正向影响, 每提高 1%, 煤炭在终端消费比例将提升 0.0911%;能源自给度与能源终端消费结构呈负相关, 其每提高 1%, 煤炭在终端消费比重将降低 0.0605%。(2) 城市化水平。土地城市化通过 5%的检验水平而人口城市化对煤炭在终端消费比重影响不显著, 土地城市化有利于降低煤炭的终端使用比例, 每提高 1%, 煤炭在能源终端消费比重将降低 0.0641%。
