中国工业行业能源强度异质性特征诊断及其影响机制的实证研究
开篇：润墨网以专业的文秘视角，为您筛选了一篇中国工业行业能源强度异质性特征诊断及其影响机制的实证研究范文，如需获取更多写作素材，在线客服老师一对一协助。欢迎您的阅读与分享！
摘要：本文采用动态面板数据诊断理论对中国工业行业能源强度异质性特征进行诊断，在此基础上重新归类出无异质性差异的工业行业，并对其行业能源强度影响机制进行实证检验，结果发现：在所采用的中国37个工业行业中，有6个行业能源强度存在着显著的异质性差异，其余的31个行业可以由共同一致的动态面板模型进行理论分析和实证检验，由此可见，如果不加区别地简单将中国所有工业行业组合在一起进行能源强度的理论机制分析将会产生错误的研究结论；消除异质性工业行业对中国工业能源强度的理论机制分析的干扰后，经济变量的动态惯性、行业经营情况、科技研发水平、行业结构以及行业规模对工业行业能源强度具有显著影响。
关键词：工业行业；产业政策；能源强度；异质性；动态面板模型
中图分类号：F015 文献标识码：A
一、引言
近十年以来，得益于经济的高速增长，人民生活水平普遍提高，但大众对于提升生活质量的诉求与生活环境不断恶化（如时常超过警戒线的雾霾指数）相互背离。降低能源消耗已经成为我国经济长期可持续发展的重要途径和目标。在这种现实背景下，“十一五”和“十二五”特别强调将节能减排作为政府工作的重心，并依据节能减排的完成情况制定了严格的奖惩标准。具体来看，“十一五”时期要求我国单位GDP能耗（简称能源强度，能源强度越高意味着能源效率越低）降低20%，“十二五”时期要求单位GDP能耗降低16%。于是，各级政府纷纷加大对高耗能行业的监测、管理力度和对高耗能企业的整改、惩罚力度。
对能源强度的研究随着数据的完善，逐渐从以国家能源强度作为研究对象的宏观层面，转到以省际能源强度为研究对象的中观层面，再到以行业为研究对象的较微观层面（已有的公开数据没有企业能耗的数据，致使以企业为研究对象的微观层面研究难以开展）。因此，目前与能源强度有关的实证研究可分为三类：第一类以全国能源强度为研究对象。杭雷鸣和屠梅曾（2006）分析了能源价格对能源强度的影响；Yuan et al （2008） 研究了我国产出增长和能源消费及分类能源消费之间的关系，发现经济增长和能源消费之间的因果关系在短期和长期上表现不同；樊茂清等（2010）认为技术变化、要素替代、贸易、一次能源结构和部门结构变化是引起能源强度变化的重要因素；邵帅等（2013）在能源效率内生化条件下，利用时变参数状态空间模型测算了我国宏观经济的长短期回弹效应，发现改革开放前能源回弹效应总体上表现为逆反效应，而改革开放期间则表现为部分回弹效应。第二类以省份、区域能源强度为研究对象。张贤和周勇（2007）采用空间回归模型在省际层面分析了FDI对能源强度的影响；齐绍洲等（2007）通过分析1995-2002年我国西部和东部省份的能源消费强度差异与人均GDP差异之间的关系，发现东部地区与西部地区的人均GDP差异存在收敛关系，而且随着人均GDP差异的收敛，西部与东部地区的能源消费强度差异也是收敛的；吴巧生等（2008）选取我国各省1986-2005年的数据，运用面板模型重新检验我国能源消费和GDP的关系，结果发现：从长期来看，我国总体存在能源消费与GDP的双向因果关系，但东部地区只存在从能源消费到GDP的单向因果关系，而中西部地区则存在从GDP到能源消费的单向因果关系；就短期而言，我国总体及东西部地区的能源消费与GDP无因果关系，而中部地区则存在能源消费和GDP之间的双向因果关系；俞毅（2010）通过我国省级面板数据的实证发现，当GDP总量超过一定的门限值时，能源消耗所导致的废气排放就会越高，污染就会越严重；GDP超过门限值的省份大多集中于我国的东部发达地区，中部次之，西部最少；Herreriasel （2013）分析我国28个省域1985-2008年的数据发现，外商投资和民间投资在降低能源强度上发挥了主导作用，而国有投资在降低能源强度上却没起到正向引导作用。第三类以工业行业能源强度为研究对象。例如李未无（2008）分析了1999-2005年我国35个工业行业的能源效率与对外开放的关系，结果支持对外开放能提高能源效率；孔婷等（2008）运用1995-2005年的数据分析了制造业24个重要行业的能源价格与能源强度的关系，结果表明，对大多数行业，能源价格的提升并未明显降低能源强度，能源价格对于技术进步对能源强度影响的调节效应不显著，能源价格的调节效应更多地表现为促进能源消费结构转化来降低行业能源强度；郝新东（2011）运用我国工业36个行业1999-2009年的面板数据，选取工业行业的主营业务成本和主营业务收入两个变量来解释工业行业能源强度的变化情况；滕玉华（2011）运用1998-2007年我国工业32个行业面板数据，研究了自主研发、国外技术引进、国内技术转移、能源相对价格、FDI 的进入程度和工业内部行业结构等因素对行业能源强度的影响；呙小明和张宗益（2012）对1985-2008年我国交通运输业能源强度的影响因素进行了实证分析；李锴和齐绍洲（2013）运用1999-2008年我国36个工业行业的面板数据，分析了FDI影响中国工业能源效率的传导渠道。
以上三大类研究在运用计量模型分析省份、区域、行业能源强度时，都默认所选取的省份、区域、行业具有相同的斜率参数（截距参数可因面板模型的基本设定表现为不相同的个体异质性），但这样的设定显然不合理。以高耗能的工业行业为例，其下属的37个子行业发展不均衡，国家行业政策扶持倾向不一致且各行业基本属性（劳动密集型或资本密集型、重工业或轻工业等）差异度较大，如果简单将37个行业进行平均意义上的回归分析没有太多的实际意义。因此，在理论分析和实证检验时，如果不事前经过细致诊断研究就简单地将所有工业行业组织在一起进行建模分析，将得到有偏误甚至是错误的研究结论。针对这一问题，本文将从行业的角度来进行中国工业行业的能源强度影响因素分析，具体研究两个密切相关的问题：（1）中国工业行业的能源强度是否存在异质性差异？如果存在，哪些行业存在？对这个问题的研究，本文将以中国工业行业2001-2011年所组成的面板数据为研究对象，采用动态面板数据诊断理论对其能源强度异质性特征进行检验，以便识别出中国工业行业能源强度的差异性规律，从而为深刻认识和分析中国工业能源强度的理论决定机制提供重要的基础和前提性保障。（2）在第一个问题研究基础上，本文将重新归类出经过理论分析和实证检验的无异质性差异的工业行业，并基于这些具有一致性参数形成机制的行业对中国工业行业能源强度影响因素进行分析。
二、工业行业能源强度特征描述
本文之所以选择工业行业下属的37个子行业作为研究对象①，一是因为“十一五”《单位GDP能耗监测体系实施方案》中要求对主要耗能行业节能降耗进展情况进行监测，其中，主要耗能行业包括煤炭、钢铁、有色、建材、石油、化工、火力发电、造纸、纺织等，而这些行业属于工业行业的范畴，即高耗能行业主要集中在工业行业；二是因为我国现有关于能源消耗的统计数据包括全国能耗数据、省级能耗数据以及两位代码行业的能耗数据，因此工业行业下属的37个子行业能耗数据是目前能收集到的在行业层面最微观的数据。
若要在行业层面测算单位增加值能耗，需要各行业的工业增加值数据，而现实情况却是从2008年开始我国统计局不汇报工业增加值的数据，仅汇报工业总产值，依据现有数据无法测算工业行业在2008年以后的单位增加值能耗，故我们选择构建单位工业总产值能耗指标来进行分析。
仿照能源强度的定义（单位GDP的能源消耗总量），我们将行业能源强度定义为：
行业能源强度=行业能源消费总量/行业工业生产总值
其中，工业生产总值用分行业工业品出厂价格指数（PPI）进行平减处理计算得出。
表1所列的是2005年与2010年各行业能源强度，以及2010年能源强度相对2005年下降的幅度。可以看出，行业能源强度总体呈现下降趋势，即随着时间推移，各行业能源效率提高了，其中有15个工业行业的能源强度下降幅度超过50%。进一步，以“十一五”规划提出的2010年单位GDP能耗比2005年降低20%为参考值，我们发现有三个行业的单位生产总值能耗降幅小于20%，分别是石油和天然气开采业，石油加工、炼焦及核燃料加工业，水的生产和供应业，它们的能源强度分别下降4%、9%和12%。燃气生产和供应业、黑色金属矿采选业、非金属矿采选业三个行业能源强度下降幅度最大，分别下降73%、67%、67%。由此可见，虽然中国工业行业的能源强度都出现了一定程度的下降，但是下降幅度和趋势在行业之间存在着一定程度的差异性特征，不能简单地将所有行业组合在一起作为样本来进行中国工业能源强度的理论机制分析。
三、工业行业异质性特征的统计诊断
综合了截面数据和时间序列数据双重优势的面板数据不仅能体现变量在时间维度上的变化趋势，而且还能体现变量在个体维度上的差异性，从而可以显示总体数据所隐藏的个体差异性。现有以能源强度面板数据为研究对象的文献一般采用静态面板模型，没有考虑经济变量的动态变化特征，然而在经济系统中，当期的决策往往会受到前期决策的影响，忽略经济变量的惯性特征可能出现遗失变量的问题致使回归结果不可靠。因此，在实证分析中采用动态面板模型比静态面板模型更具有一般性、稳健性。故本文采用动态面板模型分析中国工业行业的异质性特征和理论机制。在行业异质性特征诊断的基础上，本文将从动态惯性、行业经营情况、科技研发水平、行业结构和行业规模五个方面对行业能源强度的影响因素进行分析。
（一）变量选取与数据来源
本文以2001-2011年37个工业行业的能源强度为研究对象，选取的变量如下：
单位工业总产值能耗（万吨标准煤/亿元，变量名为eiit），代表行业能源强度；
上一期单位工业总产值能耗（变量名为eiit-1），代表经济变量动态惯性；
行业规模以上工业企业工业总产值（亿元，变量名为igv），代表企业经营状况；
行业规模以上工业企业的研究与试验发展支出（R&D）（万元，变量名为rd）、有效发明专利数（项，变量名为paten），代表科技研发水平；
国有及国有控股工业企业总产值占规模以上工业企业总产值的比重（国资产值比重，变量名为sown）、外商投资和港澳台商投资工业企业总产值占规模以上工业企业总产值的比重（外资产值比重，变量名为sf），代表行业结构②；
行业规模以上工业企业的企业单位数（个，变量名为inum）、全部从业人员年均人数（万人，变量名为labor），代表行业规模。
工业总产值和R&D数据经过数据平减处理。数据来源于《中国统计年鉴》、《中国科技统计年鉴》、《中国工业统计年鉴》和《中国能源统计年鉴》。
（二）行业离散程度分析
在实证中为避免异常数据对整体回归结果的影响，常用的方法是删除最大、最小5%的极端数据。为了衡量行业数据的极端程度，我们分别计算了37个工业行业的8个变量（ei、igv、rd、paten、sown、sf、inum和labor）的变异系数，再对每一个变量的变异系数按37个行业降序排序。定义单个变量的序数指标为rij（其中下标i代表行业，j代表变量，变异系数越大对应的rij越小，即数据离散程度越大），所有变量的序数指标为Ri（Ri=∑8j=1rij，i=1，…，37），Ri越小代表行业总体相对变异程度越大。行业总体变异程度由大到小的顺序排列见表2。
从表2可以看出，石油加工、炼焦及核燃料加工业，纺织服装、鞋、帽制造业，饮料制造业，电气机械及器材制造业，石油和天然气开采业等行业的数据整体离散程度较大。数据变异程度排序靠前的那些行业是异质性行业的可能性相对更大，在节能减排过程中可能表现出不一样的行为模式，但具体哪些行业具有异质性特征还需依靠更为严谨的统计诊断。下文采用个体异质性诊断统计量IPH对行业异质性做进一步分析。
（三）行业系数异质性诊断检验
根据IPH统计量服从χ2（T-1）分布，我们得到IPH在1%、5%和10%的显著性水平下的临界值，分别为χ2001（9）=209，χ2005（9）=333，χ201（9）=417。由表3可以看出，在1%和5%的显著性水平下，有6个行业拥有异质斜率参数（在10%的显著性水平下有5个行业拥有异质斜率参数），即交通运输设备制造业，石油加工、炼焦及核燃料加工业，电气机械及器材制造业，石油和天然气开采业，电力、热力的生产和供应业和饮料制造业具有各不相同的数据生成机制。因此，这6个行业能源强度有着其自身的异质性特征。由于样本数据有限，每一个行业只有10年的数据，在数据量少的情况下做计量回归分析难以准确得出影响系数，所以在后文中将不对这6个行业进行分析。
由表2可知，石油加工、炼焦及核燃料加工业，饮料制造业，电气机械及器材制造业，石油和天然气开采业，电力、热力的生产和供应业、交通运输设备制造业这6个行业的数据总体变异程度在37个行业分别位列第1、3、4、5、8和11位，故通过行业异质性诊断得出的6个异质性行业属于数据总体相对离散程度较大的行业；但反过来看，数据离散程度较大的行业却不一定拒绝IPH诊断统计量的原假设。
表4为IPH统计量的稳健性检验。我们把6个具有异质斜率参数的行业删除，将剩下的31个具有相同斜率参数的行业作为一个整体重新计算每个行业的IPH统计量，可以发现在1%的显著性水平下这31个行业都接受了参数同质性的假设，再次验证了这31个行业具有相同的数据生成机制，适合用同系数动态面板模型进行分析。
四、参数回归结果比较
在前文对中国工业行业异质性特征诊断基础上，本文对具有一致性参数形成机制的31个工业行业进行能源强度的理论机制分析。
表5中M1、M2和M3为37个行业数据的回归结果，M4、M5和M6为31个行业数据的回归结果。其中，M1和M4对应的模型为动态面板模型，且出于稳健性的考虑同时对工业总产值（lnrigv）作了内生性处理，选取工业总产值的滞后值作为工具变量。 M2 、M3和M4、M5对应的模型都是不含能源强度动态项的普通面板模型，它们之间的区别在于M3和M6没有考虑lnrigv的内生性问题。因此，对于模型M1和M4我们采用动态面板模型GMM估计，对于模型M2和M4我们采用面板数据模型IV估计方法，对于模型M3和M6我们采用面板固定效应模型的估计方法（FE）。
表5中M1和M4分别为37个和31个工业行业的动态面板模型的GMM估计的回归结果。我们采用Pagan-Hall统计量检验含有内生变量的模型是否存在异方差，结果显示M1和M4两个模型的Pagan-Hall统计量都小于5%显著性水平下的临界值，接受扰动项不存在异方差的原假设；自相关检验采用Arellano-Bond统计量，其作用是检验动态面板模型的一阶差分扰动项是否存在自相关，结果显示M1和M4两个模型的Arellano-Bond AR（1） 统计量都接受一阶差分扰动项存在一阶自相关的原假设，而Arellano-Bond AR（2） 统计量都拒绝一阶差分扰动项具有二阶自相关的原假设，因此可认为M1和M4两个模型的扰动项不存在自相关。
由于M2、M3、M5和M6模型设定不同，因此在检验各个模型扰动项的异方差性和自相关性时，采取了不同的检验统计量，其中M2和M5的异方差检验采用Pagan-Hall统计量，M3和M6的异方差检验采用Modified Wald统计量； M2、M3、M5和M6的自相关检验均采用Wooldridge统计量。检验结果显示M2、M3、M5和M6四个模型都存在异方差和自相关。由此可见，设定的模型若忽略了动态效应将会导致回归结果缺乏可靠性和有效性。从回归系数也可以发现，模型M2、M3、M5和M6的显著性变量个数比M1和M4少，且部分变量的符号与M1和M4相反。
比较M1和M4两个模型的参数回归结果，可发现：（1）31个工业行业的能源强度动态项的系数比37个行业的系数小（由0652变为0424），而其他所有变量的系数却变大了；（2）总体上来看，31个行业的工业总产值的回归系数比37个行业的更显著，尤其是31个行业的实际R&D和企业单位数这两个变量的回归系数是显著的（其中，实际R&D的回归系数在10%的显著性水平下显著，企业单位数的回归系数在1%的显著性水平下显著），然而在37个行业中这两个变量的回归系数却是不显著的；（3）31个行业回归的R2变大了（由0996变为0997），表明31个行业数据的动态面板模型拟合效果比37个行业数据更好，进一步说明个体异质性除了表现在不可观测的截距项上，还可能表现在斜率系数上。
具体分析31个行业的回归结果可发现：（1）工业行业能源强度具有正向动态惯性特征，上一期能源强度对于下一期具有显著的正向影响，其弹性系数为0424，即上一期能源效率提高1%会使下一期能源效率提高0424%，但31个行业所表现出的动态效应弱于37个行业。（2）31个工业行业的产值规模效应强于37个行业的产值规模效应，31个工业行业的总产值提高1%可以使能源强度显著降低0127%。（3）如果忽略了参数异质性，37个行业的数据不能支持R&D支出对提高行业能源效率具有正面作用，然而在考虑了参数异质性后，31个行业数据显示R&D支出对提高行业能源效率起到显著的正面作用，并且放大了这种作用。（4）作为具有科技实践作用的有效专利数呈现出与R&D支出一样的特征，各行业有效专利数增加可以有效提高行业能源效率。（5）行业结构对能耗强度具有显著影响，综合31个行业的数据表明国有及国有控股产值比重（lnsown），以及外商投资和港澳台商投资产值比重（lnsf）对能源强度的平均影响为正。因此，适当降低国有及国有控股产值比重，增大外商投资和港澳台商投资在能源强度较低行业的比重对降低工业行业能源强度具有正向作用。（6）从行业规模来看，行业内企业数量、行业平均从业人员数量与能源强度呈负相关关系。这表明，通过扩大行业内企业数量以及从业人员数量，形成行业规模效应和集聚效应可达到降低能源强度的效果。
五、结论及启示
本文首次采用动态面板数据诊断理论对中国工业行业能源强度异质性特征进行了诊断，在此基础上重新归类出无异质性差异的工业行业，进一步对中国工业行业能源强度影响因素进行了实证检验，得到如下主要结论：（1）中国工业行业能源存在着显著的异质性差异。在本文所采用的中国37个工业行业中，有6个行业（交通运输设备制造业，石油加工、炼焦及核燃料加工业，电气机械及器材制造业，石油和天然气开采业，电力、热力的生产和供应业和饮料制造业）能源强度存在着显著的异质性差异，其余的31个行业可以由共同一致的动态面板模型进行理论分析和实证检验。这表明，在研究中国工业行业能源强度理论分析和影响机制时，如果简单地像已有文献那样将已有的37个能源行业直接合并在一起进行计量经济建模处理，将会产生严重的计量分析偏误，从而得到不准确甚至是错误的能源经济政策研究结论。（2）动态面板模型的回归残差接受了扰动项同方差和没有自相关的原假设，而非动态面板模型不能接受以上原假设，表明动态面板模型在拟合工业行业数据时效果好于非动态面板模型。比较37个行业和31个行业的动态面板回归结果可发现，31个工业行业的能源强度动态项的系数比37个行业的系数小，但是31个工业行业对应的其他变量的回归系数变大了；31个行业的工业总产值的回归系数比37个行业的更显著，同时31个行业的R2也增大了（由0996变为0997），进一步说明个体异质性除了表现在不可观测的截距项上，还可能表现在斜率系数上。（3）对具有一致性参数形成机制的31个工业行业的动态面板数据实证分析表明，经济变量的动态惯性、行业经济状态、科技研发水平、行业结构以及行业规模对工业行业能源强度都具有显著影响。
上述结论启示我们：经济变量的自调整过程使得行业能源强度具有下降的倾向；工业行业的产值规模效应将引发行业能源强度的降低；代表科技水平的R&D支出和有效专利数对降低行业能源强度具有正面影响，应适当提高研发投入较少的工业行业的R&D支出；适当降低国有及国有控股产值比重，增大外商投资和港澳台商投资在能源强度较低行业的比重对降低工业行业能源强度具有正向作用；31个工业行业应当进一步整合资源，形成有适度企业数量和就业人数等合理规模的行业状态是降低能源强度的重要途径。
注释：
① 工业行业下属39个子行业，由于其他采矿业、废弃资源和废旧材料回收加工业缺失了太多数据，因此本文分析工业行业的能源强度基本特征以及行业异质性诊断和影响因素分析时不考虑这两个行业。又由于分行业出厂价格指数只能追溯到2001年，因此本文采用的数据的时间维度从2001年开始。
② 由于缺乏2001-2004年私营工业企业总产值数据，因此没有私营工业企业总产值比重这一变量。
参考文献：
[1] 樊茂清，任若恩，陈高才.技术变化、要素替代和贸易对能源强度影响的实证研究[J].经济学（季刊），2010（1）：237-258.
[2] 郝新东.中国工业能源消耗强度的效益分析――以36个工业行业面板数据为例[J].经济问题探索，2011（8）：43-47.
[3] 杭雷鸣，屠梅曾.能源价格对能源强度的影响――以国内制造业为例[J].数量经济技术经济研究，2006（12）：93-100.
[4] 孔婷，孙林岩，何哲，等.能源价格对制造业能源强度调节效应的实证研究[J].管理科学，2008（3）：2-8.
[5] 李未无.对外开放与能源利用效率：基于35个工业行业的实证研究[J].国际贸易问题，2008（6）：7-15.
[6] 李锴，齐绍洲.FDI影响中国工业能源效率的传导渠道分析――基于水平、前向和后向关联[J].中国地质大学学报：社会科学版，2013（4）：27-33.
[7] 齐绍洲，罗威.中国地区经济增长与能源消费强度差异分析[J].经济研究，2007（7）：74-81.
[8] 邵帅，杨莉莉，黄涛.能源回弹效应的理论模型与中国经验[J].经济研究，2013（2）.
[9] 滕玉华.自主研发、技术引进与能源消耗强度――基于中国工业行业的实证分析[J].中国人口・资源与环境，2011（7）：169-174.
[10]呙小明，张宗益.我国交通运输业能源强度影响因素研究[J].管理工程学报，2012（4）：90-99.
[11]吴巧生，陈亮，张炎涛，成金华.中国能源消费与GDP关系的再检验――基于省际面板数据的实证分析[J].数量经济技术经济研究，2008（6）：27-40.
[12]俞毅.GDP增长与能源消耗的非线性门限――对中国传统产业省际转移的实证分析[J].中国工业经济，2010（12）：57-65.
[13]张贤，周勇.外商直接投资对我国能源强度的空间效应分析[J].数量经济技术经济研究，2007（1）：101-108.
[14]Bun，Maurice J.G.and Kiviet，Jan F. The Accuracy of Inference in Small Samples of Dynamic Panel Data Models.Tinbergen Institute Discussion Paper，2011.
[15]Herrerias ，M.J. and Cuadros，A.，V.Orts. Energy intensity and investment ownership across Chinese provinces[J].Energy Economics，2013，36：286-298.
[16]Yuan ，J.H.and Kang ，J.G.and Zhao ，C.H.and Hu，J.G. Energy consumption and economic growth： Evidence from China at both aggregated and disaggregated levels[J].Energy Economics，2008，30：3077-3094.
[17]Zhou，J.，Chen ，J.and Zhang，D.Y. A Method to Diagnose Individual Parametric Heterogeneity with Dynamic Panel Data Models ，Working paper，2014.
Abstract：Based on testing heterogeneity of China′s industrial energy intensity by using diagnosis theory of dynamic panel data， this paper reclassifies the industries without heterogeneity and makes empirical analysis of industrial energy intensity， and then we obtain the following conclusions. Firstly， 6 in 37 industries have significant heterogeneity of energy intensity， therefore the rest of the 31 industries can be theoretically analyzed and empirically tested by the same dynamic panel model. Thus， we will obtain the wrong conclusions if we analyze energy intensity by using all industrial data without classification. After eliminating the interference of the heterogeneity industry on theoretical mechanism analysis of China′s industrial energy intensity， the inertial of economic variable， industrial state of operation， technology level， industrial structure and industrial scale have significant influence on energy intensity.
Key words：industry； industrial policy； energy intensity； heterogeneity； dynamic panel model