信阳师范学院商学院,信阳 464000
The spatial network structure of energy-environmental efficiency and its determinants in China
HUANGJie收稿日期:2017-03-13
修回日期:2017-10-6
网络出版日期:2018-05-02
版权声明:2018《资源科学》编辑部《资源科学》编辑部
基金资助:
作者简介:
-->
展开
摘要
关键词:
Abstract
Keywords:
-->0
PDF (887KB)元数据多维度评价相关文章收藏文章
本文引用格式导出EndNoteRisBibtex收藏本文-->
1 引言
能耗总量增加,环境污染加剧,已成为制约中国经济社会可持续发展的重要障碍。近年来,党和政府相继出台《关于加快推进生态文明建设的意见》[1]、《生态文明体制改革总体方案》[2]等重大纲领性文件,旨在建立起节约循环高效的资源利用体系,全面提升能源环境效率,推动经济发展方式转变,实现绿色发展,这不仅是中国长远发展的战略选择,也是解决资源环境问题、收获“金山银山”和“绿水青山”的必然要求。然而,中国省际能源环境效率在不同的经济结构、技术水平、能源消费模式等因素的共同作用下呈现出显著的区域差异[3,4,5,6,7],同时在区域协调发展战略以及市场机制双重力量的共同推动下,能源环境效率的空间关联已经呈现出系统的、复杂的网络结构形态,因此从网络视角重新审视中国能源环境效率的时空关系及其提升策略已成为学术界的未来研究趋势[8]。在此背景下,科学测度中国的能源环境效率,深入分析中国省际能源环境效率的空间关联网络结构及其影响因素,明确各地区在空间关联网络中的地位和作用,对新常态下构建中国能源环境效率的跨区域协同提升机制具有重要的理论意义和应用价值。学术界对能源效率的测度主要从单要素和全要素两种视角。由于单要素能源效率在测度过程中忽略了能源本身作为一种生产投入要素,并不能独立对经济增长产生作用的基本事实,****们逐渐倾向在全要素框架下对能源效率进行综合评价。如Hu等率先使用全要素能源效率指标对中国的能源环境效率展开分析,然而其并未把非期望产出考虑在内[9]。Wu等和Mandal等指出,忽略非期望产出的DEA模型将导致能源效率测度结果出现偏差[10,11]。Wang等在随后的研究中通过对比包含非期望产出的能源效率和不包含非期望产出的能源效率,证实了这种偏差的存在[12]。李兰冰在全要素和多产出框架下从静态和动态两个视角对中国区域能源效率进行测度发现,忽略非合意产出将导致中国全要素能源效率被高估[13]。朱德米等将工业“三废”以及烟(粉)尘等污染物作为环境因素纳入全要素能源效率框架下的DEA模型,对中国省际能源效率测度,发现环境因素是导致中国能源效率较低的重要因素[14]。此后,王娟等采用包含非期望产出的DEA模型对中国工业能源环境效率进行了测度[15]。
随着****们对空间因素的重视以及空间计量分析技术的发展,针对能源环境效率空间关联关系的研究也日渐增多。已有文献主要从能源效率的空间关联关系及时空收敛性两个维度展开。如余永泽等认为从本质上来看,效率属于“技术”范畴,而技术创新具有空间外溢效应[16]。徐盈之等研究证实中国区域能源效率之间存在显著的空间相关性,且有不断增强之势[17]。关伟等通过对中国能源生态效率的空间格局和空间效应研究发现,中国相邻地区之间的能源生态效率存在着明显的空间溢出效应[18]。潘雄锋等,于斌斌采用探索性空间分析方法证实了中国省际能源效率在空间上存在显著的相关性和依赖性[4,7]。Hu等研究发现,中国省际间能源效率的差异性在降低,能源效率存在着一定的趋同性[9]。师博等运用能源效率变异系数,考察发现中国整体的能源效率是趋异的,西部显示出发散的特征,东部表现出趋同的特征,而中部则有向东部收敛的态势[19]。
现有文献为本文的研究奠定了良好基础,但也存在着一些不足之处。一是传统的DEA模型只能测算出某一个时间点上的静态效率指数,无法对该效率指数进行动态对比[20]。二是已有研究多数认为能源环境效率的空间溢出关联关系主要来自于相邻地区能源环境效率的溢出影响,且溢出效应大小受地区间距离远近影响,缺少从更大范围、更广空间关联关系视角的定量测度和刻画。三是现有研究均是基于“属性数据”而非“关系数据”,“属性数据”只能反映各地区能源环境效率的现状,而无法准确刻画能源环境效率的空间关联“关系”的网络结构特征。
鉴于此,本文采用考虑环境约束的、非径向、非角度、双导向窗口DEA模型对中国1995—2015年省际能源环境效率进行测度,从“关系”角度出发,在VAR模型框架下利用格兰杰因果检验方法识别中国省际能源环境效率的空间关联关系,并以此为基础构建空间关联网络矩阵,借助社会网络分析(Social Network Analysis, SNA)方法对中国省际能源环境效率空间关联网络的结构特征及其影响因素进行分析,旨在从网络化视角为优化中国能源环境效率的整体空间格局、实现能源环境效率的跨区域协同提升提供对策建议。
2 研究方法与数据来源
2.1 能源环境效率的测度及空间分析
2.1.1 能源环境效率测度结合已有研究,本文将能源环境效率定义为在全要素框架下考虑环境约束时的能源效率。假设有
式中
式中各变量的含义与模型(1)相同,
2.1.2 能源环境效率空间关联网络的构建
关系的确定是网络分析的关键[26]。现有文献主要采用引力模型和VAR格兰杰因果检验方法来确定变量之间的关系,本文选择VAR格兰杰因果检验方法来确定中国省际能源环境效率之间的关联关系,以此构建空间关联网络矩阵。首先,定义两个地区的能源环境效率时间序列分别为
式中
2.1.3 网络结构特征的刻画
本文以“关系数据”为基础,采用网络密度、网络关联度、网络等级度和网络效率四个指标对中国省际能源环境效率空间关联网络结构的整体特征进行衡量[27]。其中,网络密度是衡量能源环境效率空间关联效应大小的重要指标,密度越大,说明能源环境效率的空间关联关系越紧密。网络关联度主要用来衡量能源环境效率空间关联网络的稳健性,如果关联度等于1,说明所有省份均处于整体网络当中,网络的稳健性较强,否则认为至少有一个省份游离于整体网络之外,网络缺乏稳健性。网络等级度是用来描述网络节点中的非对称可达程度,等级度越高,反映出各省份在能源环境效率空间关联网络中的地位差异越大,少数省份在网络中处于核心地位,而其余省份则在能源环境效率空间关联网络中处于边缘地位。网络效率主要用来反映能源环境效率空间关联渠道的多少,效率越低,能源环境效率空间关联渠道就越多,空间关联网络就越稳定。
中国省际能源环境效率空间关联网络的个体特征主要从度数中心度、接近中心度和中介中心度三个维度来刻画[27]。其中,度数中心度可以反映出各省份在空间关联网络中的地位,度数越高,说明该省份在网络中与其他省份之间的联系就越紧密,同时反映出该省份在能源环境效率空间关联网络中处于的核心地位。接近中心度主要用来刻画各省份能源环境效率“不受其他省份控制”的程度,度数越高,说明该省份与网络中其他省份的“距离”越短,该省份就更容易与其他省份产生直接关联,是空间关联网络中的中心行动者。中介中心度主要用来反映某个省份在多大程度上控制其他省份之间的关联关系,度数越高,说明该省份越能控制其他省份在能源环境效率方面的空间关联关系,即,该省份在省际能源环境效率的空间关联网络的形成中,起着关键的桥梁中介作用。
2.1.4 块模型分析
块模型是社会网络空间聚类分析的重要手段。通过块模型分析,可以揭示和刻画出能源环境效率空间关联网络的内部结构状态以及各节点(省份)在板块中的位置和作用,进而可以对各板块之间的关联关系展开深入分析。参考刘华军等的研究[28],本文将能源环境效率空间关联网络中的板块划分为四种类型。一是净溢出板块,此类板块对其他板块发出的关系远多于其接收来自其他板块的溢出关系;二是双向溢出板块,此板块成员既发出关系也接收来自其他板块的溢出关系,而来自板 块内部成员的联系相对较多;三是净受益板块,此板块中的成员既接收来自其他板块成员的溢出关系同时也接受来自板块内部关系的溢出,而接收来自板块外部的关系明显多于他对其他板块的溢出关系;四是经纪人板块,此板块既对外产生联系也接收来自其他板块的溢出,且该板块与其他板块成员之间的联系要多于该板与板块内部成员之间的联系。
2.2 能源环境效率空间关联的影响因素分析
影响能源环境效率的因素很多,主要涉及结构因素、行为主体因素和外部冲击三个方面。其中结构因素包括产业结构、产权结构和能源消费结构及内生禀赋结构(资本-劳动比)等方面[29-31,7];行为主体因素包括政府对环境的影响(环境规制)和企业生产的环境自控能力等方面[32,33,34];外部冲击因素包括对外开放程度、技术进步和经济发展水平等方面[35,36,37,38]。潘文卿和刘华军等指出区域差异是影响空间关联紧密程度的重要因素[39,28],据此推测能源环境效率影响因素的区域差异对中国省际能源环境效率的空间关联效应具有重要影响。借鉴已有文献,本文将能源环境效率空间关联关系的影响因素设定如下:① 经济发展水平的地区差异。在市场机制的作用下,生产要素更容易在经济发展水平相近的区域流动,因此能源环境效率在经济发展水平相近的区域间更容易产生关联;② 能源消费结构的地区差异。能源消费结构的差异主要表现在化石燃料的使用上,在不同能源消费结构下,能源环境效率具有较大差异,这种差异可能更有利于能源环境效率空间关联关系的形成;③ 产业结构的地区差异。能源环境效率与第三产业的发展密切相关,第三产业的迅速发展有利于强化能源环境效率空间关联关系;④ 环境规制的地区差异。省际环境规制的差异越大,环境规制较高省份的企业则有向环境规制强度低的地区转移,从而引起生产要素的流动,会增强能源环境效率在省际间的关联效应;⑤ 技术创新水平的地区差异。省际间技术创新水平的差异可能会阻碍新技术在区域间的转移吸收,不利于能源环境效率在省际间关联作用的形成。基于上述影响因素,构建模型如下:式中被解释变量D是指根据VAR格兰杰因果检验确定的省际能源环境效率空间关联关系的二值网络矩阵;PGC为经济发展水平的差异矩阵;ESC为能源消费结构的差异矩阵;ISC产业结构的差异矩阵;ERC环境规制强度的差异矩阵;TIC为技术创新水平的差异矩阵。除D外,其余指标数据均是由1995—2015年各省份均值的绝对差异构成。由于本文采用的是“关系数据”,解释变量之间具有较高的相似性,为避免多重共线性带来的测量误差,本文采用社会网络分析中的非线性二次指派程序(Quadratic Assignment Procedure, QAP)方法对中国省际能源环境效率空间关联网络的影响因素进行实证考察。
2.3 数据来源及处理
在能源环境效率测度方面,根据能源环境DEA窗口模型的要求,本文选择能源投入、非能源投入(资本和劳动力)、合意产出和非合意产出作为投入产出数据,各指标的计算法见表1。在能源环境效率空间关联影响因素分析方面,参考前人研究,本文主要考虑经济发展水平、能源消费结构、产业结构、环境规制和技术创新水平5种因素的地区差异对我国省际能源环境效率空间关联关系的影响,各影响因素的测度见表2。根据数据的可获得性,本文选择1995—2015年中国30个省份(不包含港澳台和西藏)的为样本,数据主要来源于1996—2016年《中国统计年鉴》[42]、《中国环境年鉴》[43]、《中国能源统计年鉴》[44]、《中国人口和就业统计年鉴》[45]和《新中国六十年统计资料汇编》[46]。Table 1
表1
表1DEA模型投入产出因素与变量说明
Table 1Input-output factors and variables in the DEA model
投入产出要素 | 变量 | 定义 |
---|---|---|
能源投入 | 能源消费总量/万 tec | 各省按标准煤折算的能源消费总量 |
非能源投入 | 资本投入/亿元 | 参考单豪杰的研究[40]采用“永续盘存法”计算 |
劳动力投入/万人 | 各省份年底就业人数数据 | |
合意产出 | 地区生产总值/万亿元 | 以1978年为基期计算出的各省份实际地区生产总值 |
非合意产出 | 二氧化碳排放量/万t | 根据《国家温室气体排放清单指南》[41]提供方法计算 |
二氧化硫排放量/万t | 二氧化硫排放总量 |
新窗口打开
Table 2
表2
表2能源环境效率空间关联影响因素与变量说明
Table 2Factors and variables of energy-environmental efficiency spatial correlation
影响因素 | 变量 | 定义 |
---|---|---|
经济发展水平 | 人均GDP地区差异(PGC) | 以1978年为基期计算的各省份实际人均GDP的地区差异 |
能源消费结构 | 能源消费结构地区差异(ESC) | 煤炭消费量占能源消费总量之比的地区差异 |
产业结构 | 产业结构地区差异(ISC) | 第三产业占GDP之比的地区差异 |
环境规制 | 环境规制强度地区差异(ERC) | 污染治理投资占工业增加值之比的地区差异 |
技术创新水平 | 技术创新地区差异(TIC) | 每百名科技人员拥有的授权专利数量的地区差异 |
新窗口打开
3 省际能源环境效率的空间关联网络特征
3.1 空间分布格局
中国省际能源环境效率的测度结果如表3所示,在样本考察期内,东部地区的能源环境效率均值在0.681~0.726之间,中部地区在0.343~0.497之间,西部地区在0.333~0.402之间,东中西三大区域间的能源环境效率呈现出显著差异。为进一步了解中国能源环境效率的省域和区域差异,本文以2015年为例,利用ArcGIS中的趋势分析工具对中国省际能源环境效率的空间分布趋势进行可视化描述,如图1所示,Z轴代表省际能源环境效率值,X为西东方向,Y为南北方向。倒“U”型趋势线表明,中国省际能源环境效率在空间上存在显著的区域差异,在东西方向上,东部地区要高于西部地区;在南北方向上,南部地区要高于北部地区,呈现出显著的空间非均衡特征。Table 3
表3
表31995—2015年中国省际能源环境效率
Table 3Energy-environmental efficiency of China from 1995 to 2015
年份 | 1995 | 2000 | 2005 | 2010 | 2015 | 年份 | 1995 | 2000 | 2005 | 2010 | 2015 |
---|---|---|---|---|---|---|---|---|---|---|---|
北京 | 0.735 | 0.810 | 1.000 | 0.976 | 1.000 | 江西 | 1.000 | 0.903 | 0.836 | 0.717 | 0.654 |
天津 | 0.597 | 0.609 | 0.744 | 0.610 | 0.562 | 河南 | 0.463 | 0.461 | 0.354 | 0.329 | 0.309 |
河北 | 0.433 | 0.435 | 0.346 | 0.331 | 0.309 | 湖北 | 0.466 | 0.524 | 0.331 | 0.340 | 0.355 |
辽宁 | 0.433 | 0.447 | 0.348 | 0.325 | 0.340 | 湖南 | 0.418 | 0.488 | 0.316 | 0.274 | 0.286 |
上海 | 0.981 | 1.000 | 0.949 | 0.961 | 0.976 | 中部均值 | 0.497 | 0.511 | 0.440 | 0.368 | 0.343 |
江苏 | 0.682 | 0.964 | 0.664 | 0.806 | 0.942 | 广西 | 0.491 | 0.496 | 0.401 | 0.329 | 0.283 |
浙江 | 0.734 | 0.757 | 0.595 | 0.568 | 0.571 | 重庆 | 0.460 | 0.385 | 0.376 | 0.323 | 0.345 |
福建 | 0.910 | 1.000 | 0.455 | 0.376 | 0.344 | 四川 | 0.329 | 0.392 | 0.287 | 0.263 | 0.290 |
山东 | 0.492 | 0.526 | 0.409 | 0.444 | 0.450 | 贵州 | 0.298 | 0.290 | 0.241 | 0.278 | 0.290 |
广东 | 0.987 | 1.000 | 1.000 | 0.975 | 1.000 | 云南 | 0.447 | 0.454 | 0.333 | 0.282 | 0.254 |
海南 | 1.000 | 1.000 | 1.000 | 1.000 | 1.000 | 陕西 | 0.366 | 0.432 | 0.365 | 0.332 | 0.314 |
东部均值 | 0.726 | 0.777 | 0.683 | 0.670 | 0.681 | 甘肃 | 0.440 | 0.651 | 0.794 | 0.466 | 0.618 |
山西 | 0.308 | 0.285 | 0.294 | 0.263 | 0.231 | 青海 | 0.350 | 0.339 | 0.350 | 0.350 | 0.350 |
内蒙古 | 0.447 | 0.518 | 0.702 | 0.425 | 0.350 | 宁夏 | 0.420 | 0.326 | 0.474 | 0.381 | 0.289 |
吉林 | 0.435 | 0.487 | 0.416 | 0.356 | 0.352 | 新疆 | 0.418 | 0.418 | 0.378 | 0.348 | 0.292 |
黑龙江 | 0.512 | 0.509 | 0.379 | 0.313 | 0.279 | 西部均值 | 0.402 | 0.418 | 0.400 | 0.335 | 0.333 |
安徽 | 0.421 | 0.426 | 0.327 | 0.295 | 0.271 | 全国均值 | 0.541 | 0.569 | 0.507 | 0.458 | 0.452 |
新窗口打开
显示原图|下载原图ZIP|生成PPT
图11995—2015年中国省际能源环境效率的演变趋势
-->Figure 1Evolution trend of energy-environmental efficiency of China from 1995 to 2015
-->
3.2 空间关联网络结构特征
通过VAR格兰杰因果检验构造出中国省际能源环境效率的空间关联关系矩阵,基于Ucinet可视化工具Netdraw绘制出中国30个省份的空间关联网络,如图2所示。结果表明,中国省际能源环境效率空间关联关系总数为236,整体网络密度是0.275。这说明在样本考察期内中国省际能源环境效率呈现出显著的空间关联关系,但从数值上看中国省际能源环境效率的空间关联关系的紧密程度并不高,30个省份之间的最大关系数为870(30×29),而格兰杰因果检验识别的实际关系数只有236。因此,加强中国省际能源环境效率之间的空间关联关系,提升空间关联网络的稳定性还存在较大空间。显示原图|下载原图ZIP|生成PPT
图21995—2015年中国省际能源环境效率空间关联网络
-->Figure 2Spatial network structure of energy-environmental efficiency of Chian from 1995 to 2015
-->
整体网络特征的其余指标显示,中国省际能源环境效率之间存在显著的空间关联溢出效应。其中,网络关联度为1,说明所有省份均处于能源环境效率的空间关联网络当中,网络节点间具有较好的联通性,即中国各省份能源环境效率之间存在显著的空间溢出效应。网络等级度为0.025,这说明中国省际能源环境效率空间关联网络中的各个省份之间并不存在明显的等级性,在各个层次上的能源环境效率均有可能对其他省份产生溢出效应。网络效率为0.544,表明该网络当中存在较多的冗余连线,同时也反映出中国省际能源环境效率之间的空间溢出效应存在显著的多重叠加现象,增强了网络的联通性和稳定性。上述结果产生的可能原因在于,随着市场化进程的加快,各省份之间的行政壁垒逐渐被打破,市场在资源配置过程中开始发挥主导作用,从而强化了各地区之间在能源、贸易、技术方面的交流与合作,增加了省际能源环境效率的空间关联渠道络,增强了网络的稳定性。
为揭示各省份在能源环境效率空间关联网络中的地位和作用,本文对中国30个省份的个体网络特征进行测度,如表4所示,在全国30个省份中,度数中心度均值为45.977,超过均值且位居前五的省份分别为上海、江苏、浙江、天津和安徽,这些省份主要集中于东南沿海地区,经济发展水平较好、能源环境效率较高,较高的点出度和较低的点入度则反映出这些省份主要是对其他省份的能源环境效率产生溢出效应,在省际能源环境效率空间关联网络中处于核心位置,原因在于这些省份主要位于东南沿海地区,经济发达、技术先进,从技术溢出的角度看,这些地区更容易向能源环境效率较低地区产生技术外溢效应。排名居于后五位的省份是贵州、黑龙江、陕西、内蒙古和青海,这些省份主要集中于东北和西北地区,较低的点出度和较高的点入度则反映出这些省份在中国省际能源环境效率空间关联网络中主要以接收来自其他省份的溢出关系为主,受其他省份的影响较大,原因可能是这些省份的经济发展相对落后、能源环境效率较低以及它们所处的地理位置相对偏远,从而导致这些省份的能源环境效率与其他省份之间的空间关联较弱。全国30个省份能源环境效率空间关联网络的溢出与接收关系,如图3所示,东南沿海地区各省份的能源环境效率对外发出的溢出关系大都高于其所接收的关系,而西部省份与其他省份的关联关系大都以接收其他省份的效率溢出为主。
显示原图|下载原图ZIP|生成PPT
图31995—2015年中国30个省份能源环境效率的溢出与接收关系
-->Figure 3The spillover and receive relationship of energy-environmental efficiency of China from 1995 to 2015
-->
Table 4
表4
表41995—2015年中国省际能源环境效率空间关联网络的中心性
Table 4Network centrality of energy-environmental efficiency of China from 1995 to 2015
省份 | 度数中心度 | 接近中心度 | 中介中心度 | |||||||
---|---|---|---|---|---|---|---|---|---|---|
点出度 | 点入度 | 中心度 | 排序 | 中心度 | 排序 | 中心度 | 排序 | |||
北京 | 15 | 4 | 55.172 | 10 | 69.048 | 10 | 3.713 | 6 | ||
天津 | 16 | 7 | 65.517 | 4 | 74.359 | 4 | 5.772 | 4 | ||
河北 | 6 | 3 | 31.034 | 23 | 59.184 | 23 | 0.858 | 16 | ||
山西 | 5 | 5 | 31.034 | 24 | 59.184 | 24 | 0.698 | 21 | ||
内蒙古 | 6 | 4 | 27.586 | 27 | 55.769 | 28 | 0.510 | 23 | ||
辽宁 | 6 | 10 | 51.724 | 11 | 67.442 | 11 | 0.960 | 15 | ||
吉林 | 10 | 8 | 58.621 | 7 | 70.732 | 7 | 3.719 | 5 | ||
黑龙江 | 5 | 4 | 20.690 | 29 | 55.769 | 29 | 0.214 | 27 | ||
上海 | 10 | 1 | 86.207 | 1 | 87.879 | 1 | 8.376 | 2 | ||
江苏 | 14 | 5 | 82.759 | 2 | 85.294 | 2 | 8.460 | 1 | ||
浙江 | 19 | 5 | 72.414 | 3 | 78.378 | 3 | 6.356 | 3 | ||
安徽 | 15 | 11 | 65.517 | 5 | 74.359 | 5 | 3.379 | 7 | ||
福建 | 11 | 5 | 62.069 | 6 | 72.500 | 6 | 2.052 | 8 | ||
江西 | 8 | 8 | 44.828 | 14 | 64.444 | 14 | 0.478 | 24 | ||
山东 | 10 | 10 | 48.276 | 13 | 65.909 | 13 | 0.978 | 14 | ||
河南 | 9 | 5 | 41.379 | 15 | 63.043 | 15 | 0.266 | 26 | ||
湖北 | 9 | 7 | 51.724 | 12 | 67.442 | 12 | 1.313 | 10 | ||
湖南 | 9 | 5 | 58.621 | 8 | 70.732 | 8 | 1.694 | 11 | ||
广东 | 15 | 3 | 58.621 | 9 | 70.732 | 9 | 1.778 | 9 | ||
广西 | 2 | 9 | 37.931 | 18 | 61.702 | 18 | 0.836 | 17 | ||
海南 | 2 | 10 | 41.379 | 16 | 63.043 | 16 | 1.105 | 13 | ||
重庆 | 2 | 7 | 31.034 | 25 | 58.000 | 26 | 0.207 | 29 | ||
四川 | 3 | 8 | 34.483 | 19 | 60.417 | 19 | 0.746 | 19 | ||
贵州 | 1 | 15 | 20.690 | 30 | 54.717 | 30 | 0.159 | 30 | ||
云南 | 6 | 14 | 34.483 | 20 | 60.417 | 20 | 1.143 | 12 | ||
陕西 | 5 | 4 | 24.138 | 28 | 56.863 | 27 | 0.209 | 28 | ||
甘肃 | 5 | 15 | 41.379 | 17 | 63.043 | 17 | 0.782 | 18 | ||
青海 | 3 | 16 | 31.034 | 26 | 59.184 | 25 | 0.561 | 22 | ||
宁夏 | 2 | 13 | 34.483 | 21 | 60.417 | 21 | 0.733 | 20 | ||
新疆 | 7 | 15 | 34.483 | 22 | 60.417 | 22 | 0.320 | 25 | ||
均值 | 7.8 | 7.8 | 45.977 | - | 65.681 | - | 1.946 | - |
新窗口打开
接近中心度的全国均值为65.681,超过均值 且位居前五的省份分别为上海、江苏、浙江、天津和安徽,说明这些省份在省际能源环境效率空间关联网络中与其他省份之间的距离较短,能够与其他 省份快速发生关联,在网络中具有“引领”作用。其原因在于上述省份主要位于东南海地区与内陆地区经贸联系较为密切,所以这些省份与其他省份 之间关联效率更高,同时也具有较强的能源环境效率提升能力。贵州、黑龙江、内蒙古、陕西和重庆、等省份的接近中心度较低,这些省份受其能源环境效率较低及其地理位置的限制,在网络中处于边缘地位。
中介中心度的全国均值为1.964,超过均值且位居前五的省份分别为江苏、上海、浙江、天津和吉林,说明在中国省际能源环境效率空间关联网络中,上述地区对省际间能源环境效率空间关联关系的形成起“桥梁”中介作用,对整个网络的形成具有较强控制力,是网络中的关键节点。原因可能是随着上海、江苏、浙江等地在金融服务、物流航运、能源技术、信息服务等方面的中心地位进一步确立,这些省份对我国能源环境效率空间关联网络的控制和支配能力显著提升。贵州、重庆、陕西、黑龙江、河南等省份的中介中心度远低于全国均值,这些省份经济发展相对迟缓、地理位置较偏、能源环境效率较低等,在中国省际能源环境效率空间关联网络中很难影响和控制其他省份。
3.3 块模型分析
采用Ucinet软件中的CONCOR模块,以深度为2、集中度为0.2的标准,并结合各节点接收和发出的关系总数及其期望比例与实际比例的大小对中国省际能源环境效率的整体网络进行板块划分,即聚类分析。结果显示,第一板块由北京、天津、江苏、广东、内蒙古、上海、浙江7省份构成;第二板块由江西、辽宁、湖北、山东、安徽、福建6省份构成;第三板块由吉林、贵州、湖南、广西、海南、四川、重庆7省份构成;第四板块由青海、黑龙江、河南、河北、云南、山西、甘肃、宁夏、新疆、陕西10省份构成。区域板块划分结果显示,在第一板块中除内蒙古外,其他节点均来自于以溢出关系为主的东部地区,而在第四板块中除了河南、山西两省外,其余节点均来自于以接收关系为主的西部地区。块模型分析结果如表5所示:在中国省际能源环境效率空间关联网络中,各个板块内部间共有49条空间关联关系,占到关系总数的20.8%。板块间的空间关联关系共有187个占到关系总数的79.2%,这说明省际能源环境效率的空间溢出效应主要以区域间溢出为主。其中,第一板块内部的关系总数为7个,来自其他板块的溢出关系总数高达16个,向其他板块溢出关系总数为52个,期望内部比例关系为21%,大于实际内部比例关系12%,属于“净溢出板块”,该板块的成员主要来自能源环境效率较高的东部地区,对其他地区有显著的空间外溢效应,在中国能源环境效率提升中扮演“发动机”角色。第二板块内部的关系总数为20个,来自其他板块的溢出关系为40个,向其他板块溢出关系总数为40个,期望内部比例关系为17%,小于实际内部比例关系33%,属于“双向溢出板块”。第三板块内部的关系总数为7个,来自其他板块的溢出关系为41个,向其他板块溢出关系总数为55个,期望内部比例关系为31%,大于实际内部比例关系11%,属于“经纪人板块”,该板块成员的能源环境效率大都居于中等水平,在省际能源环境效率空间关联网络中起着“承上启下”的“桥梁”中介作用。第四板块内部的关系总数为15个,来自其他板块的溢出关系为90个,向其他板块溢出关系总数为40个,期望内部比例关系为21%,小于实际内部比例关系27%,属于“净受益板块”,该板块成员主要来自西部地区,其能源环境效率相对较低,主要以接收其他板块的效率溢出为主。
Table 5
表5
表51995—2015年中国省际能源环境效率板块间空间关联关系
Table 5Spatial correlation of China’s energy-environmental efficiency among different blocks from 1995 to 2015
板块 | 接收关系数合计/个 | 发出关系数合计/个 | 期望内部 比例关系/% | 实际内部 比例关系/% | |||
---|---|---|---|---|---|---|---|
板块内 | 板块外 | 板块内 | 板块外 | ||||
第一板块 | 7 | 16 | 7 | 52 | 21 | 12 | |
第二板块 | 20 | 40 | 20 | 40 | 17 | 33 | |
第三板块 | 7 | 41 | 7 | 55 | 31 | 11 | |
第四板块 | 15 | 90 | 15 | 40 | 21 | 27 |
新窗口打开
为进一步考察能源环境效率板块之间的空间关联关系以及各板块在整体网络空间中所扮演的角色,本文利用中国省际能源环境效率的空间关联网络密度(0.275),将各板块的网络密度矩阵转化为像矩阵如表6所示,并利用Netdraw工具画出各板块间的空间关联关系图,如图4所示。
Table 6
表6
表6中国能源环境效率的板块间密度矩阵与像矩阵
Table 6The density matrix and image matrix of energy environmental efficiency of China
板块 | 密度矩阵 | 像矩阵 | |||||||
---|---|---|---|---|---|---|---|---|---|
板块一 | 板块二 | 板块三 | 板块四 | 板块一 | 板块二 | 板块三 | 板块四 | ||
板块一 | 0.300 | 0.714 | 0.112 | 0.420 | 1 | 1 | 0 | 1 | |
板块二 | 0.186 | 0.381 | 0.179 | 0.314 | 0 | 1 | 0 | 1 | |
板块三 | 0.087 | 0.179 | 0.232 | 0.150 | 0 | 0 | 0 | 0 | |
板块四 | 0.100 | 0.143 | 0.325 | 0.150 | 0 | 0 | 1 | 0 |
新窗口打开
显示原图|下载原图ZIP|生成PPT
图41995—2015年四个能源环境效率板块间的相关关系
-->Figure 4Energy environmental efficiency inter-satellite correlation chart of China from 1995 to 2015
-->
4 能源环境效率空间关联网络结构的影响因素分析
4.1 QAP相关性分析
本文首先采用QAP相关性分析来检验省际能源环境效率空间关联网络与上述影响因素之间的相关关系,相关系数的大小反映出该变量对能源环境效率空间关联网络结构影响的大小。其中最大值和最小值分别为重复抽样1万次过程中出现的最大值与最小值;P≥0、P≤0为抽样过程中每一次得到的相关系数大于等于、小于等于最终相关系数的概率。相关性分析结果如表7所示,经济发展水平差异、能源消费结构差异、产业结构差异、环境规制差异和技术创新水平差异与省际能源环境效率空间网络结构的相关系数都在1%的水平上显著不等于零,说明这五种因素对能源环境效率空间关联网络的形成均具有重要影响。其中,经济发展水平差异、产业结构差异和技术创新水平差异这3个变量的相关系数为负,说明相似的发展阶段和产业结构以及相近的技术水平是中国省际能源环境效率产生空间关联和空间外溢的重要因素;能源消费结构和环境规制两个变量的相关系数为正,说明省际间能源消费结构和环境规制的区域差异有利于中国省际能源环境效率空间关联网络的形成。Table 7
表7
表7中国能源环境效率空间关联影响因素的相关性分析
Table 7Correlation analysis of spatial correlation factors of energy environmental efficiency of China
变量名 | 实际相关系数 | 显著水平 | 系数均值 | 标准差 | 最小值 | 最大值 | ||
---|---|---|---|---|---|---|---|---|
-0.035 | 0.000 | -0.001 | 0.011 | -0.210 | 0.225 | 1.000 | 0.000 | |
0.358 | 0.002 | 0.000 | 0.034 | -0.251 | 0.356 | 0.002 | 0.998 | |
-0.106 | 0.005 | -0.003 | 0.113 | -0.225 | 0.228 | 0.995 | 0.005 | |
0.119 | 0.000 | 0.001 | 0.051 | -0.265 | 0.259 | 0.000 | 1.000 | |
-0.082 | 0.003 | -0.000 | 0.032 | -0.214 | 0.273 | 0.998 | 0.002 |
新窗口打开
4.2 QAP回归分析
QAP回归结果如表8所示,经过1万次随机置换所计算出的调整后可决系数为0.268,这说明地区经济发展水平的差异、能源消费结构的差异、产业结构的差异、环境规制的差异和技术创新水平的差异所构成的差异矩阵大约可以解释中国能源环境效率空间关联网络结构变化的27%,其中概率Table 8
表8
表8中国能源环境效率空间关联影响因素的回归分析
Table 8Regression analysis of influencing factors of China’s energy environmental efficiency
变量 | 非标准化 回归系数 | 标准化 回归系数 | 显著性 概率 | 概率A | 概率B |
---|---|---|---|---|---|
截距项 | 0.561 | 0.000 | - | - | - |
-0.026 | -0.751 | 0.002 | 0.998 | 0.002 | |
0.031 | 0.657 | 0.128 | 0.128 | 0.872 | |
-0.005 | -0.063 | 0.054 | 0.946 | 0.054 | |
0.003 | 0.216 | 0.223 | 0.223 | 0.777 | |
-0.012 | -0.085 | 0.014 | 0.986 | 0.014 |
新窗口打开
5 结论与建议
5.1 研究结论
在对中国省际能源环境效率进行科学测度的基础上,通过VAR格兰杰因果检验模型识别中国省际能源环境效率的空间相关关系,依此构建空间权重矩阵,采用社会网络分析方法揭示中国省际能源环境效率的空间关联网络结构特征,并对其影响因素进行实证考察,得到如下结论:(1)中国省际能源环境效率的空间关联关系呈现出较为复杂的网络结构,所有省份均处于空间关联网络当中,网络整体具有较强的稳定性,各省份的能源环境效率均存在对外溢出的可能。其中,上海、浙江、江苏、天津、安徽等省份在网络中处于主导地位,在全国能源环境效率优化中扮演“发动机”角色,是提升中国能源环境效率的主要驱动力量;贵州、陕西、云南、甘肃、青海等省份在网络中处于边缘地位。
(2)块模型分析表明,北京等7省份属于“净溢出板块”,在网络中处于核心地位,起“引领”作用;江西等6省份属于“双向溢出板块”,在网络中处于中心地位,在板块内外起双向“引领”作用;吉林等7省份属于“经纪人板块”,在网络中处于关键地位,起“桥梁”中介作用;青海等10省份属于“净受益板块”,在网络中处于边缘地位,主要扮演“跟随者”角色。
(3)QAP相关性分析结果表明,能源消费结构差异和环境规制强度差异与中国省际能源环境效率空间关联网络结构呈现出显著的正相关关系;区域经济发展差异、产业结构差异和技术创新水平差异与中国省际能源环境效率空间关联网络结构呈现出显著的负相关关系。QAP回归分析结果表明,相近的经济发展水平和技术水平以及相仿的产业结构均有利于中国省际能源环境效率的空间关联网络结构的形成,而能源消费结构和环境规制的差异对省际能源环境效率空间关联网络的形成影响较小。
5.2 政策建议
(1)不断优化中国省际能源环境效率的空间关联网络结构,促进能源环境效率空间关联网络的形成,实现能源环境效率的跨区域协同提升。一方面,积极探寻促进能源环境效率空间关联的有效途径,增加省际能源环境效率的空间关联关系,为能源环境效率的跨区域协同提升创造更多的通道;另一方面在制定和实施能源环境效率的提升策略时,不仅要关注“属性数据”的大小,也要重视“关系数据”的高低,逐步形成“数量-结构”驱动型的跨区域协同提升机制。(2)充分把握中国省际能源环境效率空间关联网络结构的板块特征,依据不同板块的社会经济发展特点,制定具有差异化的区域能源环境效率提升策略。一方面,对于经济发达、能源环境效率较高的“净溢出板块”和“双向溢出板块”,要充分利用自身技术和管理方面的优势,加大清洁能源的研发和利用,积极调整板块内部的能源消费结构,减少化石能源的消耗,推动经济绿色发展,以提高能源环境效率;另一方面对于能源环境效率相对不高且经济基础较差的“经纪人板块”和“净收益板块”,在保障经济增长的同时,要制定更为严格的环境规制措施,积极引入“净溢出板块”和“双向溢出板块”的先进能源技术和能源管理手段以提高其能源环境效率。
(3)全面考虑中国省际能源环境效率空间关联网络的影响因素,发挥政府宏观调控和市场机制两种力量对能源环境效率空间关联的促进作用。一方面,政府要通过“有形的手”,积极采取措施提高处于边缘地位省份的能源环境效率,不断缩小能源环境效率空间关联网络中各省份在经济、技术、产业发展等方面的差距,强化省际能源环境效率互联互通,促进中国能源环境效率的整体提升;另一方面,还要充分发挥市场“看不见的手”,减少政府行政干预,利用竞争、供求等市场机制强化核心区域与边缘区域的相互交流,促进边缘地区能源环境效率的提升,以降低中国省域能源环境效率的空间非均衡性。
The authors have declared that no competing interests exist.
参考文献 原文顺序
文献年度倒序
文中引用次数倒序
被引期刊影响因子
[1] | [EB/OL]. ( [EB/OL]. ( |
[2] | [EB/OL]. ( [EB/OL]. ( |
[3] | [J]. , [J]. , |
[4] | [J]. , [J]. , |
[5] | [J]. , [J]. , |
[6] | [J]. , |
[7] | [J]. , [J]. , |
[8] | [J]. , [J]. , |
[9] | [J]. , |
[10] | [J]. , |
[11] | [J]. , |
[12] | [J]. , |
[13] | [J]. , [J]. , |
[14] | [J]. , [J]. , |
[15] | [J]. , [J]. , |
[16] | [J]. , [J]. , |
[17] | [J]. , [J]. , |
[18] | [J]. , [J]. , |
[19] | [J]. , [J]. , |
[20] | [J]. , |
[21] | [R]., No. |
[22] | [J]. , |
[23] | [J]. , |
[24] | [J]. , |
[25] | [J]. , [J]. , |
[26] | [M]. , |
[27] | |
[28] | [J]. , [J]. , |
[29] | [J]. , [J]. , |
[30] | [J]. , [J]. , |
[31] | [J]. , [J]. |
[32] | [J]. , [J]. , |
[33] | [J]. , [J]. , |
[34] | [J]. , [J]. , |
[35] | [J]. , |
[36] | [J]. , [J]. , |
[37] | [J]. , [J]. , |
[38] | [J]. , |
[39] | [J]. , [J]. , |
[40] | [J]. , [J]. , |
[41] | . , |
[42] | |
[43] | |
[44] | |
[45] | |
[46] |