基于LMDI的山東省16地市電力消費影響因素空間分解

孫琪航　武蘭玉

摘要：電力消費效率對經濟發展和節能減排具有重要意義。文章基于2019年山東省16個地級市的電力消費數據，在KAYA恒等式的基礎上利用LMDI分解法，從空間維度將山東省16地市電力消費影響因素分解為經濟效應、結構效應和強度效應三方面。研究表明，經濟效應對電力消費量具有規模效果，地區間的強度效應大于結構效應，強度效應越大則電力消費效率越低，針對研究結果，提出了相關政策建議。

關鍵詞：電力消費；LMDI；空間分解

一、引言

我國政府高度重視電力消費問題，在“十四五”規劃中明確提出“能源資源配置更加合理、利用效率大幅提高”。改革開放以來，我國用40多年的時間走完了西方發達國家200多年才走完的工業化道路，經濟高速發展水平下不乏粗獷式發展模式，伴隨而來的是電力消費效率低下的問題。作為全國唯一擁有41個工業大類的省份，山東省近年來GDP一直居于全國第三的位置。但在經濟社會高速發展的同時，山東省也出現了電力消費效率低下及本省各地市間電力消費效率相差過大的問題。當前山東省積極制定相關政策，致力于實現碳達峰和碳中和，這對山東省16地市的電力消費有了新的要求。因此，研究山東省16地市電力消費有著重要的現實意義。

二、文獻綜述

（一）IDA分解法由來及其實用性

1989年，日本學者Kaya提出了碳排放與人口、經濟、能源消費相關聯的KAYA恒等式。此后，在能源消費和碳排放領域，眾多學者基于KAYA恒等式展開了一系列的研究。目前，在能源消費和碳排放領域及其影響因素的研究方面，研究者大多采用指數分解法（IDA）和結構分解法（SDA）來進行研究分解。SDA方法最早是由印度學者Debesh Chakraborty發表出來的，該方法是建立在投入產出模型之上的用以分析直接效應和間接效應的分解方法。但是SDA對數據要求較高，因此很少使用。相比之下，IDA僅基于各個量的總值，對數據要求較低，應用較為靈活，實際中更具可行性，因而受到諸多研究者的青睞。

（二）LMDI分解法的優勢與應用

2004年，Ang介紹了IDA的多種算法，主要包括算術平均迪氏指數法（AMDI）和對數平均迪氏指數法（LMDI）。由于LMDI能夠完全分解余項，其結果不含無法解釋的殘差項，而且可以系統地分析變化原因，因此LMDI廣泛應用于能源消費和碳排放等領域的分解分析。

當前，LMDI在能源消費和碳排放領域的分解分析主要分為兩種：一種是將影響因素按時間進行分解，以此研究同一地區不同時間段各類影響因素的效應大小，如宋杰鯤（2012）將山東省碳排放分解為人口、人均財富、產業結構、能源消費強度和能源消費結構五方面因素，魯萬波等（2013）將中國碳排放分解為能源結構、能源強度、產業結構、總產值四方面因素，趙選民等（2015）將山西省碳排放分解成人口、人均GDP、產業結構、能源消費結構、能源消費強度五方面因素，馬曉君等（2018）將東北三省碳排放分解為能源結構、能源強度、產業結構、經濟產出、人口規模五方面因素。

第二種方法是將影響因素按空間進行分解，以此研究不同地區同一時間段內的差異情況，如馬麗（2014）對中國29個省區及其三大產業的電力消費變化量進行分解，結果表明，東部和東北部地區的電力消費效率高于中部和西部地區，李玉敏等（2016）對中國30個省區的碳排放影響因素進行空間分解分析，孔翠婷（2018）利用M-R空間分解模型對中國30個省區的二氧化碳排放差異影響因素進行空間分解，黃天銘等（2020將全國劃分為六大地理區域進行空間分解，得出我國居民電力消費增長的主要地區是華東和中南地區。

（三）M-R空間分解模型的演變

相比之下，能源消費和碳排放領域的空間分解研究遠遠少于時間分解研究，并且空間分解往往存在地區之間比較不連續的情況。為此，Ang&Zhang（1999）提出了雙邊空間分解模型（B-R模型），即通過各地區兩兩依次比較進而分析空間差異，但是當研究地區數量增多時，比較的次數隨之增多，計算難度也隨之增大。基于此，有學者提出了放射性空間分解模型（R-R模型）和多地區分解模型（M-R模型）。R-R模型是選擇一個地區作為基準地區，所有參與地區都與該基準地區進行比較，因此在基準地區的選擇上存在著主觀性。而M-R模型以所有參考的地區的平均值作為比較基準，將所有參與地區與基準地區進行比較，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，本文將在KAYA恒等式的基礎上，利用LMDI空間分解法，在M-R模型的框架內對山東省16地市2019年的電力消費及其影響因素進行空間分解分析，為提高山東省電力消費效率，早日實現碳達峰和碳中和，提振經濟發展新動能提供參考依據。

三、數據來源和模型構建

（一）數據來源

本文選取了2019年山東省16地市的電力消費量和地區生產總值及各行業產值進行研究。各地市電力消費量、地區生產總值以及各行業產值的數據均來源于《山東統計年鑒-2020》。

（二）模型構建

本文將山東省16地市電力消費影響因素歸納為經濟效應、結構效應、強度效應，根據LMDI模型，山東省16地市電力消費的分解公式如下：

式（1）中，E為各地市電力消費總量，i分別表示第一產業、第二產業、第三產業， Ei為第i產業的電力消費量，GR為各地市生產總值，GRP■為第產業的產值，stri為第i產業的產值占該地區總產值的比重，即為產業結構，inti表示第i產業單位產值的電力消費量，即為電力強度。

按照M-R模型，本文以山東省所有地市的平均值作為基準地區，將山東省16地市與基準地區進行空間分解分析，得到任意一個參與地區x與基準地區μ之間電力消費總效應的公式如下：

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參與地區與基準地區在電力消費總效應、經濟效應、結構效應、強度效應之間的差異；公式（3）是乘法分解形式，其中，D ，Dgrp，Dstr，Dint分別表示乘法分解下的電力消費總效應、經濟效應、結構效應、強度效應。具體表示公式如表1。

四、山東省16地市電力消費影響因素的實證分析

運用上述LMDI和M-R空間分解模型，以山東省所有地市的平均值作為基準地區，對山東省2019年16地市電力消費進行空間分解，得到經濟效應、結構效應、強度效應的加法分解結果和乘法分解結果，見表2。

（一）總效應

根據公式（2）可知，總效應指的是各地區電力消費量同基準地區電力消費量之差。總效應為正，表示參與地區高于基準地區的電力消費量，反之則低于。如表2所示，總效應為正的地區一共有5個，分別是青島、煙臺、濰坊、臨沂和濱州。各地電力消費量平均值，即基準地區的電力消費量為343.47億千瓦時。其中，超過電力消費量平均值最多的是濱州，超出809.55億千瓦時；低于電力消費量平均值最多的是威海，達到231.91億千瓦時。

（二）經濟效應

經濟效應的加法分解為正表示該參與地區的生產總值高于基準地區的地區生產總值（即全省地區生產總值的平均值），進而表示經濟效應導致該參與地區的電力消費量高于基準地區。如表2所示，經濟效應為正的地區有5個，按效應程度，由大到小依次為青島、濟南、煙臺、濰坊、臨沂，這個順序恰好也是山東省2019年各地區生產總值前5名的順序。進一步，將山東省16地市的電力消費經濟效應與2019年地區生產總值進行排序，見表3。通過表3，不難發現諸如青島等地區生產總值排名前8的城市，以及排名靠后的日照，其經濟效應排名的位次與地區生產總值排名位次相同。其他的城市即使兩者位次不一致，其浮動值也在3之內。總體上看，各市電力消費的經濟效應排名與地區生產總值排名幾乎相吻合。

（三）結構效應和強度效應

結構效應反映經濟結構對電力消費的影響，結構效應為正，表示該參與地區的電力消費密集度高于比較參考地區，反之則低于。強度效應反映地區電力消費效率的高低，強度效應為正，表示該參與地區的電力消費效率低于比較參考地區，反之則高于。圖1描繪的是加法分解下各地結構效應和強度效應的散點圖（該圖中的序號同表2中的地區序號），其中橫軸表示結構效應，縱軸表示強度效應。根據圖1，可以看出有10個地區的電力消費密集度高于比較參考地區，有5個地區的電力消費效率低于比較參考地區。在圖1中屬于右上象限的濱州和日照，屬于高電力消費密集度、低電力消費效率區，說明這兩地與基準地區相比是高電力消耗地區，同時也表明這兩地具有較高的節能潛力；屬于左下象限的濟南和青島屬于低電力消費密集度、高電力消費效率區，說明這兩地與基準地區相比是低電力消耗地區。

圖1反映的是加法分解下各地結構效應和強度效應所貢獻的絕對用電量。而分析結構效應和強度效應貢獻的相對用電量和電力消耗需要利用乘法分解的結果。如圖2所示，該圖反映的是乘法分解下各地結構效應和強度效應的電力消耗與基準地區之間的偏差的相對幅度（該圖中的序號同表2中的地區序號）。例如，乘法分解下濟南的結構效應和強度效應分別是0.9146、0.5063，這表示乘法分解下濟南的結構效應和強度效應均導致其電力消耗小于基準地區，濟南屬于低能耗地區。

對比圖1與圖2發現，圖2的地區分與圖1相類似。例如，在圖1中位于右上象限高電力消費密集度、低電力消費效率區的地區，在圖2中依舊位于右上象限，其電力消耗高于基準地區，因此屬于高能耗區，具有高節能潛力。圖1和圖2的數據顯示，地區間的強度效應大于結構效應。

五、結論和政策建議

本文通過采用LMDI分解法，對山東省16地市的電力消費影響因素進行空間分解，將其分解為經濟效應、結構效應、強度效應，得出如下結論：

第一，山東省16地市經濟發展水平高低與電力消費量的高低大體一致，經濟效應導致的電力消費差異同經濟發展水平的差異基本上一致。經濟效應越高的地區，經濟發展水平越高，其電力消費量越多。

第二，結構效應和強度效應分別反映電力消費密集度的高低和電力消費效率的高低，因此結構效應和強度效應能更好地衡量電力消耗的高低。其中，分解結果顯示濰坊、日照、濱州屬于高電力消費密集度、低電力消費效率區，因此三地屬于高電力消耗地區，同時表明三地具有較高的節能潛力；濟南、青島、濟寧、泰安屬于低電力消費密集度、高電力消費效率區，因此屬于低電力消耗地區。

基于上述結論，結合實現碳達峰和碳中和的議題，為提升山東省經濟發展質量，提高山東省16地市電力消費效率，提出如下政策建議：

第一，對于低電力消耗地區，應繼續做好節能減排的示范工程，持續優化電力消費結構，做大做強高新技術產業，走出一條經濟發展與電力消費共贏的道路，為山東省其他地區走綠色低碳發展路徑提供借鑒。

第二，對于電力消費密集度較高、電力消費效率較低的高耗能地區，應大力推進新舊動能轉換，在高耗能產業內部加大綠色技術投入研發和成果轉化，通過技術創新等一系列路徑推動傳統的高耗能產業向新型綠色環保產業轉變。同時也要向低能耗地區借鑒發展成果，大力引進符合本地區發展的先進生產技術，提高能源利用和電力消費效率。

參考文獻：

[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]宋杰鯤.基于LMDI的山東省能源消費碳排放因素分解[J].資源科學，2012，34（01）：35-41.

[5]魯萬波，仇婷婷，杜磊.中國不同經濟增長階段碳排放影響因素研究[J].經濟研究，2013，48（04）：106-118.

[6]趙選民，卞騰銳.基于LMDI的能源消費碳排放因素分解——以陜西省為例[J].經濟問題，2015（02）：35-39.

[7]馬曉君，董碧瀅，于淵博，王常欣，楊倩.東北三省能源消費碳排放測度及影響因素[J].中國環境科學，2018，38（08）：3170-3179.

[8]馬麗.我國省域電力消費特征及影響因素研究[D].天津：天津大學，2014.

[9]李玉敏，張友國.中國碳排放影響因素的空間分解分析[J].中國地質大學學報（社會科學版），2016，16（03）：73-85.

[10]孔翠婷.基于時空分解的中國省域CO2排放影響因素研究[D].北京：北京理工大學，2018.

[11]黃天銘，張新華.基于LMDI模型的居民電力消費影響因素研究[J].長沙理工大學學報（社會科學版），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]姚曄，夏炎，范英，蔣茂榮.基于空間比較路徑選擇模型的碳生產率區域差異性研究[J].中國管理科學，2018，26（07）：170-178.

[15]柳瑞禹，葉子菀.我國高耗能行業電力消費中長期發展潛力預測[J].技術經濟，2012，31（02）：93-98.

＊基金項目：臨沂大學大學生創新創業訓練計劃項目“基于 LMDI 臨沂電力消費碳排放影響因素分解”（202110452128 國家級）。

（作者單位：臨沂大學）