孙琪航　武兰玉

摘要：电力消费效率对经济发展和节能减排具有重要意义。文章基于2019年山东省16个地级市的电力消费数据，在KAYA恒等式的基础上利用LMDI分解法，从空间维度将山东省16地市电力消费影响因素分解为经济效应、结构效应和强度效应三方面。研究表明，经济效应对电力消费量具有规模效果，地区间的强度效应大于结构效应，强度效应越大则电力消费效率越低，针对研究结果，提出了相关政策建议。

关键词：电力消费；LMDI；空间分解

一、引言

我国政府高度重视电力消费问题，在“十四五”规划中明确提出“能源资源配置更加合理、利用效率大幅提高”。改革开放以来，我国用40多年的时间走完了西方发达国家200多年才走完的工业化道路，经济高速发展水平下不乏粗犷式发展模式，伴随而来的是电力消费效率低下的问题。作为全国唯一拥有41个工业大类的省份，山东省近年来GDP一直居于全国第三的位置。但在经济社会高速发展的同时，山东省也出现了电力消费效率低下及本省各地市间电力消费效率相差过大的问题。当前山东省积极制定相关政策，致力于实现碳达峰和碳中和，这对山东省16地市的电力消费有了新的要求。因此，研究山东省16地市电力消费有着重要的现实意义。

二、文献综述

（一）IDA分解法由来及其实用性

1989年，日本学者Kaya提出了碳排放与人口、经济、能源消费相关联的KAYA恒等式。此后，在能源消费和碳排放领域，众多学者基于KAYA恒等式展开了一系列的研究。目前，在能源消费和碳排放领域及其影响因素的研究方面，研究者大多采用指数分解法（IDA）和结构分解法（SDA）来进行研究分解。SDA方法最早是由印度学者Debesh Chakraborty發表出来的，该方法是建立在投入产出模型之上的用以分析直接效应和间接效应的分解方法。但是SDA对数据要求较高，因此很少使用。相比之下，IDA仅基于各个量的总值，对数据要求较低，应用较为灵活，实际中更具可行性，因而受到诸多研究者的青睐。

（二）LMDI分解法的优势与应用

2004年，Ang介绍了IDA的多种算法，主要包括算术平均迪氏指数法（AMDI）和对数平均迪氏指数法（LMDI）。由于LMDI能够完全分解余项，其结果不含无法解释的残差项，而且可以系统地分析变化原因，因此LMDI广泛应用于能源消费和碳排放等领域的分解分析。

当前，LMDI在能源消费和碳排放领域的分解分析主要分为两种：一种是将影响因素按时间进行分解，以此研究同一地区不同时间段各类影响因素的效应大小，如宋杰鲲（2012）将山东省碳排放分解为人口、人均财富、产业结构、能源消费强度和能源消费结构五方面因素，鲁万波等（2013）将中国碳排放分解为能源结构、能源强度、产业结构、总产值四方面因素，赵选民等（2015）将山西省碳排放分解成人口、人均GDP、产业结构、能源消费结构、能源消费强度五方面因素，马晓君等（2018）将东北三省碳排放分解为能源结构、能源强度、产业结构、经济产出、人口规模五方面因素。

第二种方法是将影响因素按空间进行分解，以此研究不同地区同一时间段内的差异情况，如马丽（2014）对中国29个省区及其三大产业的电力消费变化量进行分解，结果表明，东部和东北部地区的电力消费效率高于中部和西部地区，李玉敏等（2016）对中国30个省区的碳排放影响因素进行空间分解分析，孔翠婷（2018）利用M-R空间分解模型对中国30个省区的二氧化碳排放差异影响因素进行空间分解，黄天铭等（2020将全国划分为六大地理区域进行空间分解，得出我国居民电力消费增长的主要地区是华东和中南地区。

（三）M-R空间分解模型的演变

相比之下，能源消费和碳排放领域的空间分解研究远远少于时间分解研究，并且空间分解往往存在地区之间比较不连续的情况。为此，Ang&Zhang（1999）提出了双边空间分解模型（B-R模型），即通过各地区两两依次比较进而分析空间差异，但是当研究地区数量增多时，比较的次数随之增多，计算难度也随之增大。基于此，有学者提出了放射性空间分解模型（R-R模型）和多地区分解模型（M-R模型）。R-R模型是选择一个地区作为基准地区，所有参与地区都与该基准地区进行比较，因此在基准地区的选择上存在着主观性。而M-R模型以所有参考的地区的平均值作为比较基准，将所有参与地区与基准地区进行比较，在一定程度上改善了B-R模型和R-R模型的缺陷。

基于上述研究，本文将在KAYA恒等式的基础上，利用LMDI空间分解法，在M-R模型的框架内对山东省16地市2019年的电力消费及其影响因素进行空间分解分析，为提高山东省电力消费效率，早日实现碳达峰和碳中和，提振经济发展新动能提供参考依据。

三、数据来源和模型构建

（一）数据来源

本文选取了2019年山东省16地市的电力消费量和地区生产总值及各行业产值进行研究。各地市电力消费量、地区生产总值以及各行业产值的数据均来源于《山东统计年鉴-2020》。

（二）模型构建

本文将山东省16地市电力消费影响因素归纳为经济效应、结构效应、强度效应，根据LMDI模型，山东省16地市电力消费的分解公式如下：

式（1）中，E为各地市电力消费总量，i分别表示第一产业、第二产业、第三产业， Ei为第i产业的电力消费量，GR为各地市生产总值，GRP■为第产业的产值，stri为第i产业的产值占该地区总产值的比重，即为产业结构，inti表示第i产业单位产值的电力消费量，即为电力强度。

按照M-R模型，本文以山东省所有地市的平均值作为基准地区，将山东省16地市与基准地区进行空间分解分析，得到任意一个参与地区x与基准地区μ之间电力消费总效应的公式如下：

公式（2）是加法分解形式，其中，ΔE ，ΔE ，ΔE ，E 分別表示加法分解下参与地区与基准地区在电力消费总效应、经济效应、结构效应、强度效应之间的差异；公式（3）是乘法分解形式，其中，D ，Dgrp，Dstr，Dint分别表示乘法分解下的电力消费总效应、经济效应、结构效应、强度效应。具体表示公式如表1。

四、山东省16地市电力消费影响因素的实证分析

运用上述LMDI和M-R空间分解模型，以山东省所有地市的平均值作为基准地区，对山东省2019年16地市电力消费进行空间分解，得到经济效应、结构效应、强度效应的加法分解结果和乘法分解结果，见表2。

（一）总效应

根据公式（2）可知，总效应指的是各地区电力消费量同基准地区电力消费量之差。总效应为正，表示参与地区高于基准地区的电力消费量，反之则低于。如表2所示，总效应为正的地区一共有5个，分别是青岛、烟台、潍坊、临沂和滨州。各地电力消费量平均值，即基准地区的电力消费量为343.47亿千瓦时。其中，超过电力消费量平均值最多的是滨州，超出809.55亿千瓦时；低于电力消费量平均值最多的是威海，达到231.91亿千瓦时。

（二）经济效应

经济效应的加法分解为正表示该参与地区的生产总值高于基准地区的地区生产总值（即全省地区生产总值的平均值），进而表示经济效应导致该参与地区的电力消费量高于基准地区。如表2所示，经济效应为正的地区有5个，按效应程度，由大到小依次为青岛、济南、烟台、潍坊、临沂，这个顺序恰好也是山东省2019年各地区生产总值前5名的顺序。进一步，将山东省16地市的电力消费经济效应与2019年地区生产总值进行排序，见表3。通过表3，不难发现诸如青岛等地区生产总值排名前8的城市，以及排名靠后的日照，其经济效应排名的位次与地区生产总值排名位次相同。其他的城市即使两者位次不一致，其浮动值也在3之内。总体上看，各市电力消费的经济效应排名与地区生产总值排名几乎相吻合。

（三）结构效应和强度效应

结构效应反映经济结构对电力消费的影响，结构效应为正，表示该参与地区的电力消费密集度高于比较参考地区，反之则低于。强度效应反映地区电力消费效率的高低，强度效应为正，表示该参与地区的电力消费效率低于比较参考地区，反之则高于。图1描绘的是加法分解下各地结构效应和强度效应的散点图（该图中的序号同表2中的地区序号），其中横轴表示结构效应，纵轴表示强度效应。根据图1，可以看出有10个地区的电力消费密集度高于比较参考地区，有5个地区的电力消费效率低于比较参考地区。在图1中属于右上象限的滨州和日照，属于高电力消费密集度、低电力消费效率区，说明这两地与基准地区相比是高电力消耗地区，同时也表明这两地具有较高的节能潜力；属于左下象限的济南和青岛属于低电力消费密集度、高电力消费效率区，说明这两地与基准地区相比是低电力消耗地区。

图1反映的是加法分解下各地结构效应和强度效应所贡献的绝对用电量。而分析结构效应和强度效应贡献的相对用电量和电力消耗需要利用乘法分解的结果。如图2所示，该图反映的是乘法分解下各地结构效应和强度效应的电力消耗与基准地区之间的偏差的相对幅度（该图中的序号同表2中的地区序号）。例如，乘法分解下济南的结构效应和强度效应分别是0.9146、0.5063，这表示乘法分解下济南的结构效应和强度效应均导致其电力消耗小于基准地区，济南属于低能耗地区。

对比图1与图2发现，图2的地区分与图1相类似。例如，在图1中位于右上象限高电力消费密集度、低电力消费效率区的地区，在图2中依旧位于右上象限，其电力消耗高于基准地区，因此属于高能耗区，具有高节能潜力。图1和图2的数据显示，地区间的强度效应大于结构效应。

五、结论和政策建议

本文通过采用LMDI分解法，对山东省16地市的电力消费影响因素进行空间分解，将其分解为经济效应、结构效应、强度效应，得出如下结论：

第一，山东省16地市经济发展水平高低与电力消费量的高低大体一致，经济效应导致的电力消费差异同经济发展水平的差异基本上一致。经济效应越高的地区，经济发展水平越高，其电力消费量越多。

第二，结构效应和强度效应分别反映电力消费密集度的高低和电力消费效率的高低，因此结构效应和强度效应能更好地衡量电力消耗的高低。其中，分解结果显示潍坊、日照、滨州属于高电力消费密集度、低电力消费效率区，因此三地属于高电力消耗地区，同时表明三地具有较高的节能潜力；济南、青岛、济宁、泰安属于低电力消费密集度、高电力消费效率区，因此属于低电力消耗地区。

基于上述结论，结合实现碳达峰和碳中和的议题，为提升山东省经济发展质量，提高山东省16地市电力消费效率，提出如下政策建议：

第一，对于低电力消耗地区，应继续做好节能减排的示范工程，持续优化电力消费结构，做大做强高新技术产业，走出一条经济发展与电力消费共赢的道路，为山东省其他地区走绿色低碳发展路径提供借鉴。

第二，对于电力消费密集度较高、电力消费效率较低的高耗能地区，应大力推进新旧动能转换，在高耗能产业内部加大绿色技术投入研发和成果转化，通过技术创新等一系列路径推动传统的高耗能产业向新型绿色环保产业转变。同时也要向低能耗地区借鉴发展成果，大力引进符合本地区发展的先进生产技术，提高能源利用和电力消费效率。

参考文献：

[1]Kaya Y.，Impact of carbon dioxide emission control on GNP growth：interpretation of proposed scenarios[J].Intergovernmental Panel on Climate Change/Response Strategies Working Group，1989，May.

[2]Sikdar C，Raa T T，Mohnen P，et al.Bilateral trade between India and Bangladesh：a general equilibrium approach [J].Economic Systems Research，2006，18（03）：257-279.

[3]Ang，B.W.Decomposition analysis for policymaking in energy：which is the preferred method？[J].Energ Policy，2004，32（09）：1131-1139.

[4]宋杰鲲.基于LMDI的山东省能源消费碳排放因素分解[J].资源科学，2012，34（01）：35-41.

[5]鲁万波，仇婷婷，杜磊.中国不同经济增长阶段碳排放影响因素研究[J].经济研究，2013，48（04）：106-118.

[6]赵选民，卞腾锐.基于LMDI的能源消费碳排放因素分解——以陕西省为例[J].经济问题，2015（02）：35-39.

[7]马晓君，董碧滢，于渊博，王常欣，杨倩.东北三省能源消费碳排放测度及影响因素[J].中国环境科学，2018，38（08）：3170-3179.

[8]马丽.我国省域电力消费特征及影响因素研究[D].天津：天津大学，2014.

[9]李玉敏，张友国.中国碳排放影响因素的空间分解分析[J].中国地质大学学报（社会科学版），2016，16（03）：73-85.

[10]孔翠婷.基于时空分解的中国省域CO2排放影响因素研究[D].北京：北京理工大学，2018.

[11]黄天铭，张新华.基于LMDI模型的居民电力消费影响因素研究[J].长沙理工大学学报（社会科学版），2020，35（04）：119-128.

[12]Ang，B.W.，Zhang，F.Q.Interregional comparisons of energy-related CO2emissions using the decomposition technique[J]. Energy，1999，24：297-305.

[13]Ang B W，Xu X Y，Su B.，2015， Multi-country comparisons of energy performance：the index decomposition analysis approach[J].Energy Economics，47：68-76.

[14]姚晔，夏炎，范英，蒋茂荣.基于空间比较路径选择模型的碳生产率区域差异性研究[J].中国管理科学，2018，26（07）：170-178.

[15]柳瑞禹，叶子菀.我国高耗能行业电力消费中长期发展潜力预测[J].技术经济，2012，31（02）：93-98.

＊基金項目：临沂大学大学生创新创业训练计划项目“基于 LMDI 临沂电力消费碳排放影响因素分解”（202110452128 国家级）。

（作者单位：临沂大学）