电网发展、清洁电源接入与地区能源效率

王永培++马丁++单葆国++晏维龙

摘要 鉴于我国已经建成全球规模最大的超高压和特高压电网，彻底弥补了电力跨区配置的电网基础设施短板，并且为清洁电源并入电网和跨区消纳提供了完善的基础设施，不仅克服我国电力负荷中心和能源基地的区域布局不协调，而且有益于缓解日益严峻的能源利用率低下和环境污染问题。本文利用1991—2012年全国29个省市面板数据实证研究了清洁电源并网对地区全要素能源效率的影响。为保证实证结果稳健性分别在线性和非线性实证框架下采用系统广义矩估计（SYSGMM）和面板平滑转换模型（PSTR）两种方法估计了清洁电源接入高压、超高压和特高压电网的地区全要素能源效率异质性效应。实证结果显示：①我国电网基础设施对地区全要素能源效率具有明显的增进效应，特别是超高压电网在促进全要素能源效率提升上表现的最为突出，在特高压骨干网架尚未形成的情况下起到了支柱性作用。②高压、超高压、特高压与清洁电源交互项的估计系数始终位于负数区间，反映清洁电源并网的能源效率绩效并不明显，受限于并网规模和机制缺陷，还没有发挥出全要素能源效率提升作用。③随着人均GDP的不断提高，各等级电网对地区能源效率的益处越来越明显，并且存在着门槛效应。④特高压电网对地区能源效率的积极作用主要表现在东部沿海高收入省份，这些省份作为电力消费负荷中心，大规模接入清洁电源对能源效率改善裨益明显。接下来，需要根据地区的能源禀赋结构选择清洁电源的并网模式，完善的电网基础设施、合理的电源结构还需要配置以高效的清洁电源并网机制才能不断增进地区全要素能源效率。

关键词 超高压；特高压；清洁电源；全要素能源效率

中图分类号F426文献标识码A文章编号1002-2104（2017）03-0039-10doi：10.3969/j.issn.1002-2104.2017.03.005

为防治大气污染、实现可持续发展，世界主要国家和地区纷纷不遗余力地根据自身的资源禀赋提升水电、风能、太阳能以及核能等清洁能源在终端能源消费中的比例，并将其视为新世纪本国和地区经济社会发展持续性的重要基石。在我国，以资源消耗和环境污染为代价的“经济增长奇迹”业已难以为继，为遏制大气环境的进一步恶化，同时克服能源资源负荷中心逆向分布的内在缺陷，政府越来越重视通过发展特高压电网，持续扩大水电、风电和光伏发电等清洁电源的并网规模。有关部门已将蒙西-天津南、锡盟-山东特高压交流以及宁东-浙江、锡盟-江苏特高压直流工程等12条输电通道列入大气污染防治行动计划，力争通过完善电网基础设施扩大东部沿海地区清洁电源的接入规模，提高地区能源效率和环境绩效。

由于早期国内外对“能源效率”的概念尚未形成统一的认识，评价方法和标准存在各自缺陷[1-2]。尽管大规模引入清洁能源是节能减排和应对温室效应的主要手段[3-5]，但清洁能源使用比例的提高并非意味着能源效率增进，一些有关清洁能源对全要素能源效率影响研究发现令人意外的经验证据。如Pang et al[6]通过研究2004—2010年全球87个国家清洁能源对其经济、能源和环境绩效的影响发现，虽然清洁能源消费对全要素效率的综合影响是正面的，清洁能源消费比例提高增进了减排效率和产出效率，但对全要素能源效率的影响却是负面的。Wei et al[7]在一个包括煤炭、石油和清洁能源消费量的全要素能源效率分析框架下，研究我国全要素能源效率的变动趋势以及清洁能源在其中发挥的作用。结果发现，1998—2010年我国全要素能源效率一直在较低的水平下没有得到显著改善，其中煤炭、石油能源效率略有提高，清洁能源效率却几乎没有变化，且对全要素能源效率的提升作用十分有限。在我国，过度依赖火电的电源结构降低了整体的能源利用效率[8]。电力作为工业粮食和经济社会运行发展不可或缺的终端能源，其电源结构清洁化是能源消费结构优化的重要标志。李兰冰[9]指出，管理无效率和环境无效率是我国全要素能源效率低下的共同成因，能源效率的根本性的提升有待于培育内源性的管理效率。师博和沈坤荣[10]从市场分割的角度研究我国全要素能源效率低下的原因，发现能源禀赋充裕地区全要素能源效率较低的深层原因在于市场分割导致的资源配置扭曲。魏楚和沈满洪[11]对全球38个主要国家和地区全要素能源效率的研究表明，全要素能源效率低下是由低水平的规模效率和要素配置效率所致。

王永培等：电网发展、清洁电源接入与地区能源效率中国人口·资源与环境2017年第3期 输电通道的升级和扩建以及由此带来的清洁电源并网规模的持续增加究竟对地区能源效率有何影响，目前尚難确定且鲜有研究涉及。鉴于此，本文试图依托主流方法测算省际全要素能源效率，并实证检验电网发展和清洁电源加速并网对地区全要素能源效率的内在影响，从而为优化电网基础设施建设和新一轮能效革命提供富有价值的启示。

1我国地区全要素能源效率测算

1.1测算方法

掌握我国地区全要素能源效率是本文研究主题顺利开展的前提。国内外相关研究工作提供了丰硕的理论支持和经验基础。对地区能源效率评估主要有三种常用的方法，即基于单一要素的指数分解法（IDA）、基于全要素生产率的数据包络分析法（DEA）和随机前沿函数法（SFA）。其中DEA和SFA两种方法被广泛应用于全要素能源效率的估算[12-15]。考虑到工业生产和其他社会经济活动中不仅能创造GDP等期望产出，还将产生工业废品、污染物等副产品，本文选择MalmquistLuenberger生产率指数方法测算省际全要素能源效率。假设任一地区k（k=1，…，K）在时期t（t=1，…，T）的社会再生产过程中将使用N种投入品x=（x1，x2，…，xN）R+N ，由此生产生M种期望产出y=（y1，y2，…，yM） R+M 并额外产生I种非期望产出b=（b1，b2，…，bI）R+I 。用Pt（xt）表示生产可行性集合，则在该生产可行性集合满足闭集且有界的假设下，可以运用DEA技术将生产可能性集模型化为：

其中，ztk为地区k在时期t的权重，非负的权重表明生产技术是规模报酬不变的。在生产可能性边界的基础上，基于产出的方向性距离函数表示如下：

其中，g=（gy，gb）是产出扩张的方向向量。环境管制的目标是为了增加期望产出，减少各类污染物排放等非期望产出。参照王宾等[16]的处理方法，假定期望产出的增加和非期望产出的减少是同比例增减的，即g=（gy，-gb），β为期望产出增加、非期望产出减少的最大可能量。通过求解以下的线性规划，求得方向性距离函数：

在方向性距离函数的基础上可以构造全要素生产率指数。依据Chung et al [17]的方法，构造的基于产出的MalmquistLuenberger生产率指数如下：

1.2数据来源

本文的研究涵盖我国除西藏自治区、台湾省、香港和澳门特别行政区之外的所有省级行政区域，并且考虑的数据统计口径的一致性，将四川省和重庆市的数据合并处理，共得到1991—2012年29个省级行政单位的面板数据。测算的地区全要素能源效率的投入指标有资本存量、劳动力和能源三类，产出指标期望产出GDP和非期望产出CO2排放量。其中，资本存量采用永续盘存法进行估算，2006年前的数据直接取自单豪杰[18]的研究成果，2006年后的数据根据《中国统计年鉴》相关数据推算，并且根据GDP平减指数据将资本存量换算成1978年不变价数据，以保证本文投入-产出相关数据统计口径一致。劳动力指标为年末从业人员，数据取自《新中国六十年统计资料汇编》和《中国统计年鉴》。1991—1994年各省、直辖市和自治区的能源消费数据来自《新中国六十年统计资料汇编》，其余各年数据来自历年《中国能源统计年鉴》，其中个别缺省数据采用两年平均的平滑处理方法加以处理。CO2排放量数据通过消耗的原煤、原油、焦煤、石油等化石燃料的总量估算而来。联合国政府间气候变化委员会IPCC（Intergovernmental Panel on Climate Change，IPCC）提供了各类化石燃料单位碳排放系数，本文依据IPCC提供的碳排放系数和历年《中国能源统计年鉴》提供的制造业化各类石燃料消耗量测算出其CO2排放量，具体计算公式如下：

其中，i表示各种类型的化石燃料以及热力、电力等能源消耗实物量；NCV为能源的平均低位发热量，即IPCC中的净发热值；CEF为单位热值当量的碳排放因子；COF为碳氧化因子，因为99%—100%的化石燃料在燃烧过程中均被氧化，故缺省值设置为1；44和12分别为CO2和C的分子量。

1.3测算结果分析

测算结果表明，1991—2012年间我国全要素能源效率年平均提高幅度为3.22%，累计共提高了98.11%。本文的测算结果与早期全要素能源效率的研究结论保持了总体上的一致性。如张少华和蒋伟杰[15]估算1986—2009年我国能源效率年平均增长率为2.89%；孙广生等[19]估算1986—2010年能源效率年平均提高幅度为3.73%。本文所测算的全要素能源效率增长并没有呈现规律性的变动，更无法判断所谓能源效率变动“拐点”的存在，尽管张少华和蒋伟杰[15]、史丹等[20]一些研究表明2002年是我国能源效率迈向加速增长的拐点。

ML指数分解指标测算结果表明，1991—2012年全要素能源效率提升的主要来源是技术进步，技术效率几乎没有发生变化，甚至略微所有下降。该结果与大多数的全要素能源效率分解结果的研究结论大致相同，即全要素能源效率变化的主要构成因素是技术进步。孙广生等[19]认为，导致这一现象的主要原因是出口导向型的发展模式使得我国中西部与东部沿海地区差距越来越大，部分地区背离前沿面的趋势越来越突出。以电力市场为例，“西电东送”工程建成了超高压骨干网架，而特高压电网更使得大规模清洁能源并网消纳和大范围、超远距离输电功能进一步增强，加上中央和地方政府基于环境绩效对风电、光伏发电的持续补贴，刺激了东部地区扩大清洁电力消费，但同时也造成了我国电力消费区域差距进一步扩大，从而阻碍了电力消费技术效率提高。在其他领域也有相似的特点，也就是说我国区域经济差距仍呈发散趋势，尚未进入收敛通道。

2实证分析I：清洁电源并网效应的线性估计框架2.1计量模型设定

在借鉴国内外关于能源效率影响因素的实证模型基础上[11，21]设置基准计量模型如下：

其中，i和t分别表示省份和年份，tfp表示全要素能源效率，即前文测算的省际全要素能源效率ML指数；grid和qjdy分别为电网发展和清潔电源变量；X表示一系列影响地区全要素能源效率的控制变量；ε为随机误差项。主要变量的具体情况如下：

电网发展变量。作为本文的核心解释变量，根据国内通用的高压、超高压和特高压电网划分标准，将不同电压等级的输电线路密度作为电网发展衡量指标，如高压电网密度（gymd）即用单位国土面积的电压等级为33—220 kV的交直流输电线路杆路长度表示；超高压电网密度（cgymd）用单位国土面积电压等级为330—700 kV的交直流输电线路杆路长度表示；特高压哑变量（tgy），即将±800 kV直流和1 000 kV交流特高压输电线路经过的省份设置为1，否则为0由于特高压直流工程是点到点输电工程项目，通过起点直接向落点输电不给沿途地区供电，所以本文特高压哑变量仅将特高压直流电网的起点和落点省份设置为1。如，向家坝—上海±800千伏特高压直流输电示范工程（简称“向上工程”），该工程起于四川宜宾复龙换流站，落于上海奉贤换流站，途经四川、重庆、湖北、湖南、安徽、浙江、江苏、上海等8省市，但直流工程不能给起点和落点外的地区供电，因此只将四川和上海2省市设置为1。。

清洁电源变量。清洁电源由水电、风电、太阳能发电和核电四种类型电源构成，并且为了能够更为全面地反映清洁能源快速发展态势对地区能源效率的影响，用清洁电源发电装机容量占该地区全部电源发电总装机容量的比重作为代理变量。

其他控制变量，主要包括：①厂网分离（cwfl）。以2002年国务院发布的《电力体制改革方案》为标志的电力体制改革，为电力市场带来的最突出的变化是将国家电力公司拆分为两大电网公司、五大发电集团和四大辅业集团，在1997年推动的政企分离的基础上进一步实现了发电和输配电业务环节的垂直分离，即“厂网分离”。因此，本文引入厂网分离哑变量以控制电力体制改革因素的影响，2002年“5号文”出台后设置为1，2002年前设置为0。②产业结构（struc）。相关研究分别以第三产业占GDP比重、用第三产业增加值和第二产业增加值比值作为产业结构优化的代理变量，实证发现它们都对全要素能源效率起到促进作用[11，21]。考虑到通过从业人员能够更准确反映第三产业发展状况，本文的产业结构变量用第三产业从业人员数占全国总就业人员比重表示。③对外开放度（open）。对外开放度对我国全要素能源效率的影响已被众多研究所证实[11，16，21-22]，因此将对外开放度作为地区能源效率的控制变量，具体数值为省市的对外贸易总额占当年GDP比重。④外商直接投资（fdi）。本文的外商直接投资变量为各省市当年外商直接投资流量占其GDP的比重。国内外相关研究发现外商直接投资通过技术外溢效应等作用机制显著地促进能源效率提升[23-24]；长三角城市群FDI和全要素能源效率关系的实证检验则得出相反的结论[25]。⑤金融发展（fir）。金融发展水平是能源效率重要的影响因素[21]，以年末金融机构人民币存款余额占GDP比重表示金融发展。⑥制度变量（inst）。不同于魏楚和沈满洪[11]把国有工业总产值占比表示制度变量，本文选择年度固定资产投资中非国有企业投资占比作为制度变量的衡量指标。⑦基础设施（infr）。除电网基础设施之外，交通、电信、水利等基础设施也是影响地区能源效率的重要因素。本文以地区每万人公路里程作为基础设施的代理变量。⑧政府干预（gov）。政府干预程度在较大程度上影响着地区能源效率[11，21，25]。地方政府干预能力的衡量指标较为一致，使用地方政府财政支出占GDP比重表示。

为防止可能存在的内生性导致估计结果有偏，采用Arellano和Bover[26]、Blundell和Bond[27]提出的系统广义矩估计（SYSGMM）方法进行参数估计。这种估计方法的优点是通过将水平方程和差分方程结合起来进行估计，并把被解释变量的一阶差分作为其滞后变量的工具变量，从而解决了弱工具变量问题。借鉴Andersen和Dalgaard[28]的方法，将地区各年平均地闪密度作为电网密度的工具变量地闪密度原始测试数据来源于美国全球水文资料中心（GHRC）提供的卫星观测的包括云闪次数和地闪次数在内的总闪次数。该总闪次数由美国卫星光学瞬态探测器（OTD）、闪电成像传感器（LIS）获取，可以根据各省区所在的纬度折算为地闪次数，并根据各省区国土面积得到地闪密度，即每年每km2遭雷击次数。由于OTD观测时间为1995年4月到2000年3月，LIS观测时间为1997年12月到2005年12月，本文采用该期间各省区平均每年的地闪密度作为工具变量。。计量模型如下：

清洁电源需要接入电网才能转换为终端能源进行消费，它是通过与各等级电网交互作用才能发挥对地区全要素能源效率的影响。因此，本文将电网密度和清洁电源交互项引入式（8）的模型，得到如下的静态计量模型：

2.2实证分析结果

首先利用双固定效应最小二乘法分别估计高压、超高压和特高压电网对地区全要素能源效率的影响，然后利用系统广义矩估计（SYSGMM）方法估计了式（9）的动态面板模型。除特高压电网密度估计结果外，Sargan test都无法拒绝过度识别限制是有效的原假设，即地闪密度作为高压和超高压电网密度的工具变量是有效的。与此同时，AR（2）检验也无法拒绝一阶差分方程的随机误差项中不存在二阶序列相关的原假设，估计结果不存在二阶序列相关问题。

双向固定效应模型中高压和超高压电网密度估计系数满足了显著性要求，并且估计系数为正，说明各省份高压、超高压电网密度增加对其全要素能源效率的提升具有显著的促进作用。特高压电网哑变量的估计系数没有满足显著性，主要原因是在2013年之前我国仅有晋东南-南阳-荆门、向家坝-上海和楚雄-广州等少数几条特高压输电线路处于建成运行状态，对地区能源效率的影响尚不明显。SYSGMM估计结果与FE估计结果保持了基本一致。首先，高压和超高压电网密度估计系数显著为正，它们对地区能源效率提升均起到促进作用；特高压哑变量估计系数没有达到显著性要求，且Sargan test检验拒绝了工具变量的有效性。其次，比较各电压等级电网估计系数可知，超高压电网密度对地区能源效率的促进效果最佳，每提高1个单位的超高压电网密度提高地区能源效率的水平是高压电网的4.5倍多。已经建成的超高压骨干网架形成的“西电东送、南北互供、全国联网”的电网初步格局，不仅弥补了东部地区的电力缺口，对于电力资源跨区优化乃至地区全要素能源效率的提升都有显著的正面作用。

清洁电源只有通过各电压等级的输电线路才能送达终端用户进行消费。鉴于电网设施对清洁电源消纳的基础性作用，清洁电源消费对地区能源效率的偏效应还将取决于电网设施状况。为验证清洁电源消费与各等级电网设施的交互效应，本文在式（8）和（9）的基础上引入清洁电源和电网设施交互项，分别得到式（10）的静态模型和式（11）的动态模型，估计结果如表1所示。

高压电网密度和清洁电源交互项的估计系数显著为负，意味着高压电网密度越高清洁电源对地区全要素能源效率的促进作用越弱。高压电网输电线路占比较高是我国电网结构的主要特点，虽然近几年高压电网输电线路占比略有下降，可仍接近70%，高压电网已经能够满足城镇配网的总体需求，甚至部分城市的配网建设已经有所超前，过高比重的高压电网减弱了清洁电源消纳对全要素能源效率的提升效应。超高压电网密度和清洁电源交互项的估計系数显著为正，也就是说，超高压电网密度越高清洁电源消纳对地区全要素能源效率促进作用越明显，超高压电网密度扩大了清洁电源对地区全要素能源效率的偏效应。超高压电网密度和清洁电源的交互效应在很大程度上取决于我国独特的清洁能源地区分布特征。我国风电基地集中于华北、西北和东北等“三北”地区，由于输电通道建设不足造成风电无法消纳，“三北”地区弃风率普遍偏高，甚至辽宁、吉林两省份弃风率分别高达35%和

58%。超高压电网主要用于跨省区输电，其与清洁电源正向的交互效应反映了清洁电源消纳带来的能源效率增进机制迫切需要输电通道。

3实证分析II：清洁电网并网效应的非线性估计框架 3.1计量模型

前文基于一个基本的假设是电网发展、清洁电源接入与地区能源效率之间的关系是线性的，对应的计量模型都是不变系数模型，无法通过估计系数的非线性变化来描述截面异质性。Hansen[29]提出的面板门限模型，使得估计系数在外生的转换变量达到门槛值的情况下出现转折性变化。然而，PTR模型估计系数在两种体制之间的转换是

突发和跳跃性的，这并不符合经济社会现象渐进式、连续性的发展规律和运行特点。González et al[30]在假设估计系数是转换变量的连续函数的基础上扩展了Hansen[30]的面板门限模型，建立了面板平滑转换模型（Panel Smooth Transition Regression，PSTR）。PSTR模型能够更有效地用于描述估计系数随个体和时间变化的异质性特征，其最突出的贡献是实现了两体制或多体制间由突发、跳跃式的转换模式过渡到渐进、连续的转换模式。本文的PSTR模型如下：

其中，qit为转换变量，γ为决定机制转换速度的斜率参数，m表示位置参数个数，c为反映门槛值的位置参数。gj（·）表示平滑转换函数，它是一个关于转换变量qit的、取值范围为（0，1）的连续变化的有界函数。j=1，…，r表示第j种转换机制。转换函数gj（·）通常采用如下的Logistic函数形式：

3.2实证结果

利用Rats软件的非线性最小二乘法（Nonlinear Least Squares，NLS）方法分别针对高压、超高压和特高压电网估计式（12）和（13）两种模型的相关参数，估计结果如表2所示。首先分别通过LM、LMF和LRT三类统计量判断模型是否满足非线性检验，结果表明各统计量均在显著性要求下拒绝了线性原假设，说明通过PSTR模型进行参数估计是合理和可识别的；再利用AIC和BIC准则确定转换函数中位置参数个数，结果表明除不含交互项的特高压模型和含交互项的超高压模型位置参数个数m=2之外，其他模型均为m=1。参数估计结果显示，引入非线性机制后高压和超高压估计系数满足显著性要求、特高压估计系数未能满足显著性要求的特征没有变化，高压、超高压和特高压估计系数将随转换变量，即人均GDP的不断增加而呈现非线性的变化，具体变化特点集中体现于图1和图2之中。

图1和图2展示了清洁电源接入电网对地区全要素能源效率的非线性影响效应。图1分别报告了在以人均GDP为转换变量情况下高压、超高压和特高压电网估计系数随人均GDP的变化趋势。可以看出，随着人均GDP不断提高高压电网密度对地区能源效率的促进作用越来越明显，人均GDP为12 888元/人（1978年价，下同）时估计系数最终由负转正，说明只有当人均GDP达到较高的水平高压电网对地区能源效率的密度经济才能显示出来。超高压电网密度的估计系数为正，并且随着人均GDP增加估计系数呈扩大趋势，人均GDP的门槛值为10 228元/人，超过该水平超高压电网密度估计系数显著增加，意味着当人均GDP超过10 228元/人超高压电网密度能够起到突出的增进地区能源效率的作用。特高压电网哑变量的估计系数显示特高压电网对地区能源效率影响随着人均GDP变化呈现两种“极端”情况。在人均GDP小于4 865元/人时，特高压估计系数为负，地区的特高压电网项目不利于其能源效率的提高；在人均GDP大于4 865元/人时，特高压估计系数由负转正，地区的特高压项目能够促进其能源效率的提高。

但必须指出的是，特高压电网哑变量估计系数没有满足显著性要求，说明由于2012年前特高压仅在少数几个 省份建成投运，它促进地区能源效率提升的作用尚不具有普遍意义。比较而言，三种类型电网中具有最突出的促进地区能源效率作用的应属超高压电网，这显然符合我国电网发展的主体特征。

图2分别汇报了在人均GDP为转换变量情况下高压、超高压和特高压电网与清洁电源占比交互项估计系数随人均GDP变化的趋势。

首先，高压电网密度与清洁电源占比交互项的估计系数随人均GDP提高不断缩小，表明高压电网密度越大清洁电源接入电网对地区全要素能源效率的促进作用越明显，但这种作用边际随着人均GDP提高呈现明确的递减效应。也就是说，对于处于高收入组的地区，提高高压电网密度并不能明显地提升清洁电源并网的能源效率增进效应，因为我国处于高收入组的地区普遍是东部沿海省份，这些省份基本都是能源净输入的电力受端地区，主要依赖的是超高压、特高压电网组成的远距离输电通道，实现“三北”风电和西南水电等清洁电源大规模输入，以提高清洁能源消费比例。

其次，超高压电网密度与清洁电源占比交互项的估计系数随人均GDP提高呈现深“V”型的变动趋势。同时，由于该估计系数为负数，意味着提高超高压密度有损于清洁电源占比提高对地区能源效率的促进作用，但深“V”型变动趋势说明在人均GDP不断提高的情况下超高压电网密度的负面影响逐步减弱。为什么超高压电网密度增加反而妨碍了清洁电源并网消纳对地区能源效率的增进效应？深究其原因，根本上是由错综复杂的发供电运行体制造成的，同时超高压电网的风电、光伏发电远距离输电效率以及电网布局不合理等因素也助长了这种负面影响，导

致出现“窝电”和输电通道利用率不足并存的现象，“弃风、弃光和弃水”问题比较普遍。例如，2012年我国风电平均利用小时1 890 h，弃风率达到20%；美国风电平均利用小时超过2 500 h，弃风率仅为2.7%。

再次，特高压电网哑变量与清洁电源占比交互项的估计系数随人均GDP提高呈“Z”型波动趋势。由于估计系数始终处于负数的區间，意味着对于存在特高压电网的地区，清洁电源并网消纳对地区能源效率促进作用将所有减弱，并且在高收入地区特高压电网抑制清洁电源并网消纳的全要素能源效率增进效应的作用更为突出。高收入地区多属于东部沿海电量净输入的电力受端省份，特高压消纳清洁电源的能源效率增进作用很可能被消纳传统火电的能源效率抑制作用抵消，东部沿海地区有待进一步提高清洁电源比例，使得清洁电源对地区能源效率提升具备规模优势。

4結论

本文利用1991—2012年29个省、直辖市和自治区面板数据，在运用MalmquistLuenberger生产率指数测算省际全要素能源效率的基础上，在线性和非线性实证框架下分别评估了清洁电源接入高压、超高压和特高压电网对地区能源效率的影响。首先，在电网发展、清洁电源接入与地区能源效率线性关系假设前提下，分别采用FE和SYSGMM估计方法检验了高压、超高压、特高压电网以及它们与清洁电源占比交互作用对地区能源效率提升的促进效应。然后，在电网发展、清洁电源接入与地区能源效率非线性关系假设前提下，采用PSTR模型对这种非线性关系进行了估算。LM、LMF和LRT三种统计量的非线性检验显示电网发展和清洁电源接入对地区能源效率影响是非线性的。最终的实证结果表明，通过清洁电源接入超高压骨干网架是当前增进地区能源效率的最佳途径；由于高压电网远距离输电的技术局限，高压电网密度提高并不能增强我国东部高收入地区的清洁电源并网的能源效率增进作用；特高压电网仍处于起步阶段，尚未形成全国联网的骨干网架，对地区能源效率的促进作用并不明显。超高压电网密度和清洁电源占比交互项的估计系数始终处于负数区间，充分暴露了我国比较普遍的“弃风、弃光和弃水”问题，清洁电源并网面临着通道不足和电力市场体制缺陷等众多障碍。

（编辑：刘呈庆）

参考文献（References）

[1]PATTERSON M G. What is energy efficiency？ concepts， indicators and methodological issues[J].Energy policy，1996，24（5）：377-390.

[2]魏楚，沈满洪. 能源效率及其影响因素：基于DEA的实证分析[J].管理世界，2007（8）：66-76.[WEI Chu， SHEN Manhong. Energy efficiency and its influencing factors： an empirical analysis based on DEA [J]. Management world， 2007 （8）：66-76.]

[3]林伯强，孙传旺. 如何在保障中国经济增长前提下完成碳减排目标[J].中国社会科学，2011（1）：64-76. [LIN Boqiang， SUN Chuanwang. How can China achieve its carbon emission reduction target while sustaining economic growth？ [J].Social sciences in China， 2011 （1）：64-76.]

[4]PAO H T， LI Y Y， FU H C. Clean energy， nonclean energy， and economic growth in the MIST countries[J].Energy policy，2014，67：932-942.

[5]SAIDI L， FNAIECH F. Experiences in renewable energy and energy efficiency in Tunisia： case study of a developing country[J].Renewable sustainable energy reviews，2014，32：729-738.

[6]PANG R Z， DENG Z Q， HU J L. Clean energy use and totalfactor efficiencies： an international comparison [J]. Renewable and sustainable energy reviews，2015，52：1158-1171.

[7]WEI X，SHENG P F， GUO X H. Coal， oil， or clean energy： which contributes most to the low energy efficiency in China？[J].Utilities policy，2015，35：67-71.

[8]杨妍，孙涛.电力能源生产可持续发展的政策分析[J].科学管理研究，2008，26（6）：50-53.[YANG Yan， SUN Tao. Policy analysis on sustainable energy development of electric power production [J].Scientific management research， 2008，26 （6）：50-53.]

[9]李兰冰.中国全要素能源效率评价与解构：基于“管理-环境”双重视角[J].中国工业经济，2012，29（6）：57-69. [LI Lanbing. Evaluation on regional energy efficiency in China： based on managerial and environmental viewpoints [J].China industrial economics， 2012， 29（6）：57-69.]

[10]师博，沈坤荣.市场分割下的中国全要素能源效率：基于超效率DEA方法的经验分析[J].世界经济，2008（9）： 49-59. [SHI Bo， SHEN Kunrong. Total factor energy efficiency in China under market segmentation： an empirical analysis based on the super efficiency DEA method[J].The journal of world economy， 2008 （9）：49-53.]

[11]魏楚，沈满洪.规模效率与配置效率：一个对中国能源低效的解释[J].世界经济，2009（4）：84-96. [WEI Chu， SHEN Manhong. Scale efficiency and allocation efficiency： an interpretation of Chinas energy efficiency [J].The journal of world economy， 2009 （4）：84-96.]

[12]HU J L， WANG S C. Totalfactor energy efficiency of regions in China[J].Energy policy， 2006，34：3206-3217.

[13]MUKHERJEE K. Energy use efficiency in US manufacturing： a nonparametric analysis [J].Energy economics，2008，30：76-96.

[14]史丹，吴利学，傅晓霞，等.中国能源效率地区差异及其成因研究：基于随机前沿生产函数的方差分解 [J].管理世界，2008（2）：35-43. [SHI Dan， WU Lixue， FU Xiaoxia， et al. Research on regional differences of energy efficiency in China and its causes： variance decomposition based on stochastic frontier production function [J]. Management world， 2008 （2）：35-43.]

[15]张少华，蒋伟杰.基于ISP指数的中国能源生产率再测度与分解研究[J].数量经济技术经济研究，2014（6）：55-73.[ZHANG Shaohua， JIANG Weijie. Reestimating and decomposing of energy productivity[J].The journal of quantitative & technical economics， 2014 （6）：55-73.]

[16]王宾，吴延瑞，颜鹏飞. 环境管制与全要素生产率增长：APEC的实证研究 [J].经济研究，2008（5）：19-32. [WANG Bin， WU Yanrui， YAN Pengfei. Environmental regulation and total factor productivity growth： an empirical study of the APEC economies [J].Economic research journal， 2008 （5）：19-32.]

[17]CHUNG Y R， FARE R， GROSSKOPF S. Productivity and undesirable outputs： a directional distance function approach[J].Journal of environmental management，1997，51：229-240.

[18]单豪杰.中国资本存量 K 的再估算：1952—2006年 [J].數量经济技术经济研究，2008（10）：17-31. [SHAN Haojie. Reestimating the capital stock of China：1952-2006 [J].The journal of quantitative & technical economics， 2008（10）：17-31.]

[19]孙广生，黄祎，田海峰，等.全要素生产率，投入替代与地区间的能源效率 [J].经济研究，2012（9）：99-112.[SUN Guangsheng， HUANG Yi， TIAN Haifeng， et al. Total factor productivity， inputs substitution and regional energy efficiency disparity [J].Economic research journal， 2012 （9）：99-112.]

[20]史丹.我国经济增长过程中能源利用效率的改进[J].经济研究，2002（9）：49-56. [SHI Dan. The improvement of energy consumption efficiency in Chinas economic growth [J].Economic research journal， 2002 （9）：49-56.]

[21]师博，沈坤荣.政府干预、经济集聚与能源效率[J].管理世界，2013（10）： 6-20.[SHI Bo， SHEN Kunrong. Government intervention， economic agglomeration and energy efficiency[J].Management world， 2013 （10）：6-20.]

[22]张兵兵，朱晶.出口对全要素能源效率的影响研究：基于中国37个工业行业视角的经验分析[J].国际贸易问题，2015（4）：56-65. [ZHANG Bingbing， ZHU Jing. Study on influence of export on total factor energy efficiency： an empirical analysis from perspective of 37 industrial sectors in China [J].Journal of international trade， 2015 （4）：56-65.]

[23]FISHERVANDEN K G， JEFFERSON H， HONGMEI L， et al. What is driving Chinas decline in energy intensity？[J]. Resource and energy economics，2004，26：77-97.

[24]尹宗成，丁日佳， 江激宇. FDI、人力资本、R&D与中国能源效率[J].财贸经济，2008（9）：95-98.[YIN Zongcheng， DING Rijia， JIANG Jiyu. FDI， human capital， R&D and Chinas energy efficiency[J].Finance & trade economics， 2008 （9）：95-98.]

[25]杨莉莉，邵帅，曹建华，等.长三角城市群工业全要素能源效率变：基于随机前沿生产函数的经验研究 [J].上海财经大学学报，2014（3）：95-102.[YANG Lili， SHAO Shuai， CAO Jianhua， et al. Decomposition and influencing factors of changes in industrial total factor energy efficiency of urban agglomeration in the Yangtze River Delta in China： an empirical analysis based on stochastic frontier production function [J].Journal of Shanghai University of Finance and Economics， 2014 （3）：95-102.]

[26]ARELLANO M， BOVER O. Another look at the instrumental variable estimation of error components models[J].Journal of economentrics，1995，68（1）：29-51.

[27]BLUNDELL R， BOND S. Initial conditions and moment restrictions in dynamic panel data models[J].Journal of econometrics，1998，87：115-143.

[28]ANDERSEN T B， DALGAARD C J. Power outages and economic growth in Africa[J].Energy economics，2013，38：19-23.

[29]HANSEN B E. Threshold effects in nondynamic panels： estimation， testing and inference[J]. Journal of econometrics， 1999， 93： 345-368.

[30]GONZLEZ A， TERSVIRTA T， VAN DIJK D. Panel smooth transition regression model[R]. 2005.

收稿日期：2016-11-25

作者簡介：王永培，博士，高级经济师，主要研究方向为资源环境经济、区域经济与公共政策。Email：wang_yongpei@139.com。

基金项目：国家电网公司科技项目“中国区域经济与电力发展格局演变及国际比较研究”（批准号：B3670215A），“两个替代潜力评估研究”（批准号：GS176215C），“新型城镇化与能源电力供需影响机理研究”（批准号：GS321214A）。