北京大学学报(自然科学版) 第60卷 第6期 2024年11月
Acta Scientiarum Naturalium Universitatis Pekinensis, Vol. 60, No. 6 (Nov. 2024)
doi: 10.13209/j.0479-8023.2024.079
国家自然科学基金(42371185)资助
收稿日期:2023–12–04;
修回日期:2024–05–22
摘要 使用 2011—2020 年中国省级面板数据, 基于 ESDA 模型和 GTWR 模型, 分析中国可再生能源发展水平的时空关联以及影响因素。结果表明, 2011—2020 年, 中国可再生能源发展水平总体上呈现上升趋势, 区域间差异及空间集聚程度逐渐减小, 各省份可再生能源发展水平表现出由低向高演变的格局, 空间分布上呈现“东–中–西”阶梯式递增的特征。与 GWR 模型相比, GTWR 模型能更好地拟合各影响因素对可再生能源发展的影响。电力消费量对可再生能源发展的正向影响最大, 研究与试验发展(R&D)经费对可再生能源发展的负向影响最大, 且各影响因素之间存在显著的空间异质性。
关键词 能源转型; 可再生能源发展水平; 时空分异; GTWR 模型
中国政府 2006 年 1 月 1 日颁布并施行《中华人民共和国可再生能源法》, 为提高我国能源供给保障、降低对化石能源进口和实现可持续发展提供了重要途径。目前, 许多国家提出发展可再生能源以及提高可再生能源占比的目标。例如, 欧洲国家预计实现 2020 年可再生能源占总能源需求的 20%、2050 年占 55%的目标。德国计划 2050 年将可再生能源的比例提高至 60%, 可再生能源电力提升至80%。美国计划 2050 年完成可再生能源发电量占总发电量 80%的目标。中国计划 2030 年实现 16%的可再生能源占比。研究表明, 到 2050 年, 中国应能达到 60%的可再生能源和 86%的可再生能源电 力[1]。迈入“十四五”的重要窗口期, 发展可再生能源成为推动我国能源结构转变的中心环节以及应对气候变化的重要手段, 中国作为最大的发展中国家, 对此也有更深刻的理解和认识。与此同时, 中国在联合国大会上提出的“双碳”目标为国家实现经济和能源转型提供了新的契机, 也向世界表明中国贯彻落实《巴黎协定》的决心。中国发展低碳经济, 可为其他发展中国家提供一条能源转型之路。党的“二十大”报告指出, 绿色化、低碳化是我国经济社会高质量发展过程中一个重要的环节。高质量发展是绿色成为普遍形态的发展。加快发展方式的绿色转型, 就是要转变过分依赖提高物质资源消耗的方式, 大力推动煤炭等矿物能源的清洁、低碳和高效利用。
在全球能源快速绿色化、低碳化的背景下, 可再生能源正逐步成为能源转型的关键[2]。能源转型是一次能源生产与消费结构的转变[3], 所以可再生能源的发展水平不能从单一维度进行分析, 而应该视为可再生能源生产和消费的复合体。我国的可再生能源发展起步较晚, 早期的可再生能源发展研究集中于可再生能源发展情景设计及评价[4]、发展现状[5–6]、潜力[7]和情景展望[8]等。当前, 国内外对可再生能源发展的研究更加宽泛, 从更多的视角(如太阳能[9–11]、风能[12–14]和水能[15]等)来评估研究区可再生能源的现状。通过文献梳理发现, 影响因素主要与经济发展[16–18]、科研投入[18]、环境规制[19]和能源效率[20–22]等有关。此外, 研究尺度不同, 各研究区的主导影响因素也不同。影响因素的研究方法主要有空间滞后模型(SLM)、空间误差模型(SEM)[19]以及地理加权回归模型[23]。空间滞后模型(SLM)与空间误差模型(SEM)仅能在全局空间尺度上获得结果, 不能体现影响因素在空间上的异质性; 地理加权回归模型(GWR)虽然更有利于探究影响因素的空间分布特征, 但缺乏时间尺度的分布特征, 导致中国各省市的能源转型规划存在不够科学、不合理的地方。中国作为世界上最大的能源消费国, 地域辽阔, 区域资源禀赋方面差异较大。通过对可再生能源时空分异格局的研究, 有助于诠释各类可再生能源的地理分布、发展潜力及利用现状, 从而有针对性地优化能源结构, 提高可再生能源在能源消费中的比例, 并发现各地区的优势和短板, 促进区域间的协调发展, 实现能源资源的优化配置。同时, 可再生能源的发展受到多种因素的影响, 包括技术水平、经济条件和政策环境等。通过对这些影响因素进行深入的分析, 可以为政府制定更加科学合理的能源政策提供依据, 推动可再生能源的快速发展与中国能源生产与消费的结构性转型。因此, 开展我国各省可再生能源时空分异及影响因素的研究十分必要。
鉴于此, 本文将可再生能源的产电量以及可再生能源消费量作为衡量可再生能源发展水平的标准, 揭示中国可再生能源的时空分异格局, 并对影响因素展开综合和定量的实证探讨。首先用熵值法, 测算可再生能源发展水平的综合得分, 然后采用探索性空间数据(ESDA)模型分析揭示中国可再生能源发展水平的时空分异格局, 并运用空间地理加权回归(GTWR)方法, 定量分析影响因素的时空差异, 希冀为中国可再生能源发展道路提供科学参考和实践指导。
本研究以中国 30 个省市(因数据收集原因, 未包含港澳台地区和西藏自治区)为研究单元, 社会经济数据来自 2011—2020 年《中国统计年鉴》以及各省份统计年鉴, 能源数据来自《中国能源统计年鉴》, 环境数据来自中华人民共和国环境保护部数据中心, 电力数据来源于《中国电力年鉴》及各年份《中华人民共和国国民经济和社会发展统计公报》, 地图数据来源于中华人民共和国自然资源部官网。
1.2.1 熵权TOPSIS法
熵权 TOPSIS 法是将熵权法与 TOPSIS 法相结合, 熵权法可以通过测量数据的离散性来确定目标的客观权值, TOPSIS 法是对目标和期望点的距离进行量化排序。首先, 对组成可再生能源发展水平的可再生能源发电量及消费量进行极值标准化处理。本文采用的可再生能源发电量包括水能、风能和光伏发电量, 考虑到数据的可获取性, 未包括其他可再生能源的发电量。随后, 采用熵权 TOPSIS 法, 测算中国可再生能源发展水平, 计算步骤详见文献[24]。
1.2.2 基尼系数
基尼系数是一种能够全面反映收入分配不均状况的指标。本文在分析基尼系数内涵的基础上, 以行政分区为基本单元, 计算中国可再生能源发展水平的基尼系数。将 30 个省可再生能源发展综合得分占比作为纵坐标, 将人口的累计比例作为横坐标, 绘制洛伦茨曲线。本文利用阶梯面积法计算中国可再生能源发展水平的基尼系数[24], 计算公式为
其中, G 为基尼系数, Xi 为中国累计人口比例, Yi 为可再生能源综合得分占比, n 为测量单位数。目前国际上并没有一个最合适的基尼系数标准, 本文采用国家统计局的标准。G 越大, 表示地区的差异越大, 反之则越小。
1.2.3 探索性空间数据分析(ESDA)
探索性空间数据分析(ESDA)模型是对地理现象空间集聚分布格局的描述。本文运用 ESDA 模型来分析中国能源转型时空格局演变特征, 包括全局莫兰指数(Global Moran’s I)和 Getis-Ord Gi*指数。
1)全局莫兰指数描述空间属性数值之间的整体空间相关性, 计算公式为
其中, xi 和 xj 分别表示地区 i 和 j 的观测值, n 为地区数量, 为观测值的平均值。Moran’s I 的数值区间为[−1, 1], 正自相关时大于 0, 反之则负自相关。w为空间邻接权重矩阵, 通常用一个二元对称空间权重矩阵 w 来表达 n 个区域的邻近关系。
2)Getis-Ord Gi*指数可以反映可再生能源发展水平的冷点区和热点区, 用来表现中国可再生能源发展水平的空间聚类特征, 计算公式为
式中, 表示 Getis-Ord Gi*指数值, xi 为 i 地区的可再生能源发展水平, Wij(d)为权重矩阵。
1.2.4 时空地理加权回归模型(GTWR)
GTWR 模型是一种新型回归模型, 具有时空非平稳性的特征, 其主要原理是在空间地理加权模型中加入时间因素, 故在计算时空权重矩阵时需要加入时空坐标。该模型是对地理加权回归模型(GWR)的扩展与完善。相对于 GWR 模型, GTWR 模型不受截面数据样本量的限制, 在实际应用中不存在由于样本量对解释稳定性的限制而无法估计模型参数的问题。GTWR 模型的计算公式[25]如下:
式中, Y 和 X 分别为可再生能源发展水平及其影响因素变量; i 为样本地区; u 和 v 为样本地区坐标; t 为时间; β0(ui, vi, ti)为截距项; βk(ui, vi, ti)Xik 为解释变量估计系数; β>0 表示解释变量与被解释变量呈正相关, 反之则负相关; εi 为随机扰动项。
在 2011—2020 年中国 30 个省份可再生能源发展水平变化的基础上, 采用基尼系数法测算可再生能源发展的区域差异程度(图 1)。由图 1 可知, 2011—2020 年中国可再生能源发展水平呈现缓慢上升的趋势, 而基尼系数表现出与其相反的波动下降的趋势。具体来说, 可再生能源发展水平增长较缓慢, 从 2011 年的 0.24 增长到 2020 年的 0.3。尽管中国可再生能源利用总量逐渐增长, 但与一些发达国家相比, 仍然存在一定的差距, 增长速度较为缓慢。基尼系数由 2011 年的 0.048 降至 2020 年的0.419, 可以分为 3 个阶段。第一阶段为 2011—2012年, 这期间基尼系数有明显的上升趋势。2011 年是“十二五”开局之年, 7 个战略新兴产业发展规划全面启动, 全国各地的水电、风电、光电和核电建设投入分布不均, 导致基尼系数上升, 可再生能源发展差异较大。第二阶段是 2012—2015 年, 国家《能源发展“十二五”规划》明确提出要大幅度增加新能源占我国能源的消费比例, 要构建健全的可再生能源发展政策体系, 推动可再生能源科技创新与产业发展, 持续拓展其市场规模, 力争增加可再生能源在能源构成中的比例。在政策驱动作用下, 基尼系数从 2012 年的 0.527 波动下降到 2015 年的 0.524, 表明中国可再生能源发展水平差距较大。第三阶段为2015—2020 年, 该阶段的基尼系数急速下降。国家《能源发展“十三五”规划》提出“十三五”时期是我国能源低碳转型的关键期, 由于世界能源结构的重新调整, 将进入油气代替煤炭、非矿物能源代替化石能源的替代阶段。从“十三五”规划中可以看到, 与以往不同的是, 我国在能源转型发展的观念上, 已不再是不惜一切代价地追求清洁、低碳发展, 而是追求均衡的可持续发展。
为深入探究可再生能源发展水平的空间集聚和分异特征, 在 2011—2020 年可再生能源综合得分基础上, 计算 Moran’s I 指数, 并对其进行局部冷热点分析。
Moran’s I指数均在1%水平下显著
图1 2011—2020年中国可再生能源发展水平、基尼系数及其莫兰指数变化趋势
Fig. 1 Development level, Gini coefficient and Moran index of renewable energy in China from 2011 to 2020
2.2.1 总体空间关联
采用全局空间自相关分析方法, 得到 2011—2020 年可再生能源发展水平的全局 Moran’s I 值(图1), Moran’s I 值均为正, 在 95%的显著性水平下通过检验, 且 Z(I)值均大于 2.58。Moran’s I 值由 2011年的 0.301 波动上升到 2015 年的 0.404, 再波动下降至 2020 年的 0.359, 表现出显著的空间正相关, 同类型地区趋于空间集聚, 空间集聚性增强后又不断减弱。
2.2.2 空间格局特征
对可再生能源发展水平的计算结果, 使用自然断点法, 截取其中 2011, 2015 和 2020 年的得分, 以2011 年为基期划分阈值, 界定出中国可再生能源发展水平高、较高、中等、较低和低的 5 个等级区域, 并对其进行可视化分析, 从而揭示中国可再生能源发展水平的空间分异规律(图 2)。
由图 2 可知, 不同等级的中国可再生能源发展水平空间分布差异较大, 2011—2020 年期间呈现由低向高的趋势, 2011 年呈现“东–中–西”阶梯式递增的空间分异特征。2011—2020 年高水平地区主要分布在西部地区, 如青海、云南、贵州和四川地区。我国九大清洁能源基地中, 有 7 个位于西部地区。因此, 西部地区具有较好的资源条件, 70%以上的存量是可再生能源。其中, 西部拥有 85%的风能资源和 90%的太阳能资源。较高水平地区, 2011 年时只存在于西南地区以及甘肃宁夏地区, 随着时间的推移, 至 2020 年, 大量集中分布于南方地区。较低及低水平类型地区在此期间逐渐减少, 集中于华北和环渤海部分省市。在中国的工业化进展过程中, 华北地区占据着十分重要的位置, 目前还有不少省市以资源开发为主, 这些省市的发展都以传统能源为主导。环渤海地区是 21 世纪中国最具发展潜力的都市圈, 同时也是我国大气污染最为严重的地区之一, 生产总值能耗显著下降, 能源使用效率仍然有提高的余地。从可再生能源发展水平空间分布结果来看, 西部地区的可再生能源产出比较多, 但是能源运输的成本较高; 东北地区电网是短板, 应因地制宜地完善农村电网网架结构; 中部地区则需推进输配电网协调发展, 提升供电质量。《“十四五”现代能源体系规划》中明确提出“建立源网荷储一体化和多能互补项目协调运营和利益共享机制”。内蒙古和山东等地区的模式较为成熟, 甘肃和青海的项目数量比较多, 江苏和上海等地区在“源网荷储”示范项目建设方面也积累了丰富的实践经验。
基于自然资源部标准地图服务网站下载的标准地图(审图号 GS(2020)4630 号)制作, 底图无修改。下同
图2 2011—2020年中国可再生能源发展水平空间格局
Fig. 2 Spatial pattern of China’s renewable energy development level from 2011 to 2020
2.2.3 空间关联特征
为了进一步表明中国可再生能源发展水平的局部关联特征, 揭示省份之间的空间集聚格局, 利用Getis-Ord G*指数绘制可再生能源发展水平的冷热点演变趋势(图 3)。
2011—2020 年, 冷热点分区逐渐明显。稳定的热点区集中于西部地区, 稳定的冷点区集中在中部地区。分布在西南地区的次热点区逐渐扩散到南方省市; 次冷点区最初呈带状分布于北方地区, 之后扩散到东北地区; 冷点区范围逐渐缩小, 由开始的15 个省份逐渐减少到 5 个省份。总体来看, 2011—2020 年可再生能源发展水平的东西部冷热点区存在显著的地域分异, 总体上呈现从西到东由热点向冷点过渡的趋势, 且各省市之间的地域分异和空间集聚都呈现递减的态势。
图3 2011—2020年中国可再生能源发展水平冷热点演变趋势
Fig. 3 Evolution trend of hot and cold spots in China’s renewable energy development level from 2011 to 2020
可再生能源的发展水平受诸多因素影响, 本文从经济发展水平、科技创新水平和能源消费等方面揭示我国可再生能源发展水平的内在机理。经济发展对可再生能源发展水平具有重要影响[26–28], 碳排放量的高低既体现人类对能源的利用程度, 还表征人类社会的经济发展模式[29–30]。能源技术的突破将带动中国产业升级, 实施四大能源科技创新工程有助于突破可再生能源发展的新瓶颈[31–32]。电力行业是我国重要领域, 其发展对于我国可再生能源发展有着至关重要的影响[33]。促进煤炭消费率先达峰, 也是实现低碳转型发展的可行路径[34]。
本文使用 2011—2020 这 10 年的面板数据, 选取 OLS 模型、GWR 模型和 GTWR 模型进行对比, 从中选取最优模型。首先, 使用普通最小二乘法OLS 模型进行多重共线性的诊断, 避免由变量之间多重共线性导致的模型误差问题。将涉及的 7 个解释变量进行数据标准化, 最小二乘法的结果表明碳排放量的方差膨胀系数远大于 7.5, 未通过共线性检验, 因此剔除该变量。最后的解释变量中人均GDP、研究与试验发展(R&D)经费、煤炭消费量、能源利用效率、能源强度和电力消费量 6 个变量(表 1)通过 95%的显著性检验, 其余解释变量不参与后续模型分析计算。
接下来, 分别运用 GWR 和 GTWR 模型, 考虑空间效应和时空效应对自变量的影响, 选择 AICC准则确定最优带宽, 得到两个模型估计的结果(两种模型的计算结果在统计学上都具有显著性), 如表 2 所示。
表1 解释变量
Table 1 Explanatory variables
影响因素解释变量(单位) 计算公式 经济发展人均GDP (元)GDP总量/年平均人口 科技创新R&D经费(元)— 能源消费煤炭消费量(万吨标准煤)— 电力消费量(亿千瓦)— 能源利用效率(%)有效使用能源消费量/地区实际消耗能量 能源强度(吨标准煤/万元)地区能源消费量/地区实际GDP
模型的拟合优度和结实程度可以用 R2 和 AICC来解释。对比两个模型的回归分析结果可以发现, GTWR 模型的 R2 和 AICC 值分别为 0.876 和 355.878,优于 GWR 模型, 说明 GTWR 模型的拟合效果更好。因此, 利用 GTWR 模型来研究各个影响因子在时空上的异质性, 将会更有解释力。
利用 GTWR 模型, 对中国各省市不同地区可再生能源发展水平的影响因子进行回归分析, 得到不同时空位置上影响因子对中国可再生能源发展的贡献系数, 显示各影响因素在 2011—2015 年和 2016— 2020 年两个时期内对中国再生能源发展影响的时空差异, 结果如图 4 和 5 所示。
3.2.1 人均GDP影响的时空差异
人均 GDP 对可再生能源发展水平的贡献显而易见, 经济发展水平所产生的正面效应大部分体现在北部地区(图 4(a))。在经济发展水平不断提高的同时, 逐步优化经济发展模式, 制订低碳经济战略, 正面效应逐渐扩散到东北省份, 可再生能源发展水平得到加强, 人均 GDP 的影响程度逐渐上升。
表2 GWR和GTWR模型的估计结果
Table 2 Estimation results of GWR and GTWR models
参数GWRGTWR R20.8640.876 Adj-R20.8610.874 Bandwidth0.1180.115 Sigma0.3700.352 AICC369.383355.878
说明: 回归分析结果由 ArcGIS10.8 软件结合 GTWR 工具箱计算得到。
尽管影响因子呈现高值的西北部地区和部分西南地区人均 GDP 较低, 但是通过发展可再生能源产业, 能够更好地利用自己的自身优势, 尤其是政府将可再生能源列为国家战略新兴产业, 并出台一系列鼓励政策(包括给予财政支持), 因此西部地区在清洁领域方面相较于 GDP 较高的东部沿海地区, 领先地位更明显。
3.2.2 R&D经费影响的时空差异
R&D 经费对可再生能源发展水平的影响呈现出明显的东西分化(图 4(b)), 与 2011—2015 年相比, 2016—2020 年 R&D 经费对东部地区的影响更显著。2011—2015 年期间, 虽然影响系数东高西低, 但整体上处于负值。这是由于早期的可再生能源发展较慢, 高度依赖传统的化石能源[35], 在经费分配中更侧重传统能源行业, 使可再生能源的发展与开发受到不同程度的阻碍。在高新技术产业集聚的东部地区, 科技创新投入对促进能源高效利用、加速能源结构转变具有重要意义。在产业规划设计和支持体系不健全的情况下, 西部地区的科技自立自强能力较弱, 营商环境不佳, 产业发展处在初级阶段, 因此新能源产业的技术发展较慢, 总体上处在产业链的底端。2016—2020 年期间, 影响系数高的两档分布在东部地区, 尽管深灰色的区域阈值内存在负数, 但多数地区的 R&D 经费对可再生能源发展水平的影响是正向的。东部地区凭借自己发达的高新技术产业和优于西部地区的产业基础及产业链, 推动可再生能源的发展。另外, 东部地区的污染较严重, 对可再生能源的需求也更大, 推动了政府及企业对可再生能源产业的技术研发。
虽然 R&D 经费经常被认为是推动技术与创新的重要因素, 但也会对可再生能源的发展产生负面影响, 西部地区的 R&D 经费对可再生能源发展水平的影响系数呈负值, 主要是因为可再生能源产业技术的创新与研发需要长期的投入, 西部地区长期承接东部地区一些技术含量较低、资源消耗大的产业, 对传统能源的依赖惯性大, 且对可再生能源发展技术的研究开发投入不够, 反而延缓了西部地区可再生能源的发展。
图4 人均GDP、R&D经费和煤炭消费量对中国可再生能源发展水平影响的GTWR回归系数变化
Fig. 4 Changes in GTWR regression coefficients of the impact of per capita GDP, R&D funding, and coal consumption on China’s renewable energy development level
图5 能源利用率、能源强度和电力消费量对中国可再生能源发展水平影响的GTWR回归系数变化
Fig. 5 Changes in GTWR regression coefficients of the impact of energy utilization rate, energy intensity, and electricity consumption on China’s renewable energy development level
3.2.3 煤炭消费量影响的时空差异
煤炭消费量的空间格局呈现由北向南、由东向西递减的格局, 时间上没有呈现出特别的差异(图4(c))。北方地区影响系数较大, 是因为中国“富煤、少油、少气”的资源特征决定了煤炭在中国能源消耗中的占比一直保持在 70%以上。
煤炭消费量对可再生能源发展水平影响系数最大的是一些资源开发型省份。《国务院关于印发全国资源型城市可持续发展规划(2013—2020)的通知》中指出, 资源枯竭型城市的历史遗留问题得到有效的解决, 其可持续发展的能力得到明显的提升, 转型工作已接近尾声。在资源丰富的区域, 已初步形成资源利用与经济社会发展和生态环境保护的协调发展格局, 能源发展模式的转变取得显著成效。另外, 尽管广东省煤炭消费量对中国可再生能源发展水平的影响系数处于最高等级, 但仍然为负值。作为南方沿海城市的发达省份, 广东省也是能源消费大省, 2020 年的煤炭消费占比达 33.4%, 低于全国平均水平。广东省在核电、海上风电、太阳能和氢能等方面发展迅速, 还明确了核能、风能、天然气及其水合物、太阳能、氢能、生物质能、地热能、海洋能、智能电网和储能等 10 个领域五年内的发展目标、推进路径和重点任务。因此, 广东省对可再生能源发展水平的贡献系数高于其他地区, 但依然呈现负相关的态势。
3.2.4 能源利用效率影响的时空差异
2011—2015 年能源利用率影响系数较高的地区在东南地区, 2016—2020 年分布于我国东南–西北地区的分界线上(图 5(a))。东南地区的省市具有发达的制造业和服务业, 相比于其他发展重工业及能源密集型产业的省市, 东南地区拥有发展良好的高科技产业, 以此推动能源技术的创新, 更好地提升能源利用率。另外, 东南沿海地区致力于积极推动海上风电集群化开发, 集中式光伏发电可开发潜力近 9 亿千瓦, 加上生物质能、地热能以及东部沿海地区特有的海洋能, 可再生能源资源相当丰富, 为东部能源的高比例自给提供了资源基础。西北新能源产业链则逐渐迈向中高端, 不仅能够充分满足自身使用的需求, 也能够通过大规模输送和调度, 在一定程度上解决我国其他地区能源短缺问题。
3.2.5 能源强度影响的时空差异
能源强度影响程度在空间上呈现以博台线为分界, 向两侧递增的格局, 总体上能源强度的影响系数逐渐下降(图 5(b))。在经济迅速发展的同时, 我国的一次能源消耗量也不断地增长。将一次能源消费增速与国内生产总值增速进行对比, 可见多数年份我国能耗增速低于 GDP 增速。国家统计局和国家能源局公布的数据显示, 我国单位 GDP 能源消耗从 2015 年的 0.624 吨标准煤/万元吨标准标准煤降至 2020 年的 0.491 吨标准煤/万元①单位GDP能耗(吨标准煤/万元)根据国家统计局的测算公式计算得到。。东南地区社会经济发展水平高, 对能源消费的要求高, 国民生产总值居全国前几位, 能源强度相对较差。西北地区环境相对闭塞, 经济发展缓慢, 能耗需求小, 呈现能源强度较低的局面。
3.2.6 电力消费量影响的时空差异
电力消费量影响程度空间上呈现由西向东递减的格局, 时间尺度上表现得更为明显(图 5(c))。从清洁能源发电量占总发电量的比例看, 青海、四川及云南等省市均达到 85%以上。在可再生能源电力消纳保障机制中, 按省级行政区域对电力消费规定应达到的可再生能源电量占比, 青海、四川及云南等省市所需消纳责任权重均远高于东部地区。到2020 年为止, 我国 30 个省市已实现全社会 80%以上的可再生能源电力消纳。青海、四川及云南等可再生能源资源丰富的西部省市遥遥领先, 对可再生能源发展水平的贡献系数更甚于东部地区。
本文以可再生能源消费及生产作为衡量可再生能源发展水平的标准, 综合测度 2011—2020 年中国 30 个省份的可再生能源发展水平, 探究中国可再生能源发展水平的时空格局演变特征及其影响因素, 得到如下主要结论。
1)2011—2020 年期间, 中国可再生能源发展水平逐渐上升, 各省份之间的可再生能源发展水平差异逐渐降低。
2)2011—2020 的 10 年间, 各省份可再生能源发展呈现由低水平逐渐转向高水平格局, 空间上呈现“东–中–西”阶梯式递增的格局。
3)2011—2020 年, 各省份可再生能源发展水平的空间集聚程度逐渐减小, 可再生能源发展水平的冷点区减少, 次热点区和次冷点区向全国蔓延。
4)GTWR 模型较 GWR 模型能更好地拟合各因素对可再生能源发展水平的影响。从整体情况看, 电力消费量对可再生能源发展的正向影响最大, R&D 经费对可再生能源发展的负向影响最大, 且各影响因素之间存在显著的空间异质性。
《中华人民共和国可再生能源法》2006 年实施, 2009 年全国人大常委会予以修改, 迄今已有 15 年。随着产业的发展, 该法规在取得积极成效的同时, 也存在约束漏洞。2023 年 9 月, 十四届全国人大常委会立法规划发布, 明确三类立法项目。其中, 《可再生能源法》(修改)被列入第一类项目, 即“条件比较成熟、任期内拟提请审议”的法律草案。第十四届全国人大二次会议也提交了关于修改《中华人民共和国可再生能源法》的议案。当前, 中国可再生能源发展水平呈现波动上升的趋势。影响因素分析结果表明, 东部地区应承担比中西部地区更多的经济责任。东部地区可以通过调整产业结构、大力发展新兴产业和现代服务业等方式来提高能源利用率, 降低能源消耗, 还应充分发挥较强的科技水平和创新能力, 增强新能源技术研发。东部应与西部可再生能源储量丰富的地区进行合作, 共同开展新能源技术研发, 提升全国整体的可再生能源能源技术水平, 平衡东西部水平差异。同时在提升可再生能源发展水平的过程中, 加强对环境污染的监管, 减少颗粒物排放, 减少对环境的污染。西部地区在经济发展水平不断提高的同时, 也需继续逐步优化经济发展模式。中西部地区应加强与东部地区在新能源技术研发和人才培养方面的合作, 提高自主创新能力。在发展的同时, 也应加大环保投入, 减轻污染压力。
另外, 可再生能源发展在不同阶段面临的挑战不尽相同, 主要表现在以下几方面。1)社会公众认知欠缺。大众仍然秉持“地大物博”的传统观点, 对可再生能源研发与利用必要性和迫切性的认可度有待提高, 影响了可再生能源在大众层面的进一步推广和深层次应用。2)技术障碍。国外的可再生能源发展已有较多的技术与经验积累, 然而, 近年来我国可再生能源产业的迅猛发展是建立在国内外资金快速投入和技术引进的基础上, 缺乏国内长期基础性的技术研发支撑。3)经济成本障碍。迄今, 太阳能、波浪能、潮汐能和地热能等都是新兴的可再生能源。然而, 此类能源在目前能源利用结构中的占比很小, 且在开采过程中需要高昂的初期成本投入, 与传统能源相比, 平均每单位的产出–投入比较低。
本研究尚存在不足之处。可再生能源发展水平是一个涉及多维度多层面的复杂概念, 本文仅考虑生产和消费两个维度, 未来应从更多维度和更详细的层面来描述可再生能源发展水平。另外, 本文以省份为单位进行研究, 缺乏更小尺度的时空演化研究。在时间尺度上, 限于数据可获取性, 只选取 10年的面板数据。未来可考虑扩大时间样本, 空间多尺度探讨中国可再生能源的时空异质性。
参考文献
[1] Yang J X, Hu H, Tan T, et al. China’s renewable energy goals by 2050. Environmental Development, 2016, 20: 83–90
[2] 陈思梦, 郇志坚, 王勇. 可再生能源发展推动能源转型的现状、问题与路径研究——以新疆为例. 金融发展评论, 2022(11): 51–63
[3] 史丹. 全球能源转型特征与中国的选择[N]. 经济日报, 2016–08–18(14)
[4] 刘贞, 张希良, 高虎. 可再生能源发展情景设计及评价研究. 中国人口·资源与环境, 2011, 21(7): 28–32
[5] 韩芳. 我国可再生能源发展现状和前景展望. 可再生能源, 2010, 28(4): 137–140
[6] 孔继君, 郎南军, 和丽萍, 等. 我国可再生能源 的发展现状和策略. 安徽农业科学, 2009, 37(16): 7581–7584
[7] 李景明, 王红岩, 赵群. 中国新能源资源潜力及前景展望. 天然气工业, 2008(1): 149–153
[8] 赵勇强, 时璟丽, 高虎. 中国可再生能源发展状况、展望及政策措施建议. 中国能源, 2011, 33(4): 5–9
[9] 王鑫淼, 马志勇, 周旺潇, 等. 光伏发电系统碳中和及其影响因素. 资源科学, 2022, 44(8): 1735–1744
[10] 姚玉璧, 郑绍忠, 杨扬, 等. 中国太阳能资源评估及其利用效率研究进展与展望. 太阳能学报, 2022, 43(10): 524–535
[11] 孙峰, 毕文剑, 周楷, 等. 太阳能热利用技术分析与前景展望. 太阳能, 2021(7): 23–36
[12] 李正泉, 宋丽莉, 马浩, 等. 海上风能资源观测与评估研究进展. 地球科学进展, 2016, 31(8): 800–810
[13] 朱蓉, 王阳, 向洋, 等. 中国风能资源气候特征和开发潜力研究. 太阳能学报, 2021, 42(6): 409–418
[14] 周丹丹, 胡生荣. 内蒙古风能资源及其开发利用现状分析. 干旱区资源与环境, 2018, 32(5): 177–182
[15] 张玺国, 周雄冬, 徐梦珍, 等. 西藏地质灾害易发性及对水能开发适宜度影响. 地理学报, 2022, 77 (7): 1603–1614
[16] Chen Y. Factors influencing renewable energy con-sumption in China: an empirical analysis based on pro-vincial panel data. Journal of Cleaner Production, 2018, 174: 605–615
[17] 仇焕广, 严健标, 江颖, 等. 中国农村可再生能源消费现状及影响因素分析. 北京理工大学学报(社会科学版), 2015, 17(3): 10–15
[18] Yadong W, Delu W, Lan Y, et al. What really influences the development of renewable energy? A systematic review and meta-analysis. Environmental Science and Pollution Research International, 2023, 30(22): 62213– 62236
[19] Jie X, Tao L, Xiaoran H, et al. Spatiotemporal charac-teristics and influencing factors of renewable energy production in China: a spatial econometric analysis. Energy Economics, 2022, 116: 106399
[20] Dzwigol H, Kwilinski A, Lyulyov O, et al. The role of environmental regulations, renewable energy, and energy efficiency in finding the path to green economic growth. Energies, 2023, 16(7): 3090
[21] Abraham D, Yakubu S B, Huseyin O, et al. The impact of energy efficiency in reducing environmental degra-dation: does renewable energy and forest resources matter?. Environmental Science and Pollution Resear-ch International, 2023, 30(37): 86957–86972
[22] Byron Q, Cruz L D M R D, José G Á, et al. Spatiotem-poral influencing factors of energy efficiency in 43 Eu-ropean countries: a spatial econometric analysis. Rene-wable and Sustainable Energy Reviews, 2023, 182: 113340
[23] 刘司乐, 王芳, 冯艳芬, 等. “双碳”目标下中国能源绿色消费转型的时空格局及影响因素. 资源开发与市场, 2023, 39(4): 408–416
[24] 叶礼奇. 基尼系数计算方法. 中国统计, 2003(4): 60
[25] Huang B, Wu B, Michael B. Geographically and tem-porally weighted regression for modeling spatio-tem-poral variation in house prices. International Journal of Geographical Information Science, 2010, 24(3): 383–401
[26] 李娜, 石敏俊, 袁永娜. 低碳经济政策对区域发展格局演进的影响——基于动态多区域CGE模型的模拟分析. 地理学报, 2010, 65(12): 1569–1580
[27] 邬彩霞. 中国低碳经济发展的协同效应研究. 管理世界, 2021, 37(8): 105–117
[28] 陈金晓. “双碳”目标下的经济循环: 循环低碳化与低碳循环化. 经济学家, 2022(9): 78–87
[29] 鲍健强, 苗阳, 陈锋. 低碳经济: 人类经济发展方式的新变革. 中国工业经济, 2008(4): 153–160
[30] 张维阳, 段学军. 经济增长、产业结构与碳排放相互关系研究进展. 地理科学进展, 2012, 31(4): 442–450
[31] 邹才能, 马锋, 潘松圻, 等. 世界能源转型革命与绿色智慧能源体系内涵及路径. 石油勘探与开发, 2023, 50(3): 633–647
[32] 蒋莉萍. “双碳”背景下我国能源转型中的技术要素. 电气时代, 2023(4): 38–39
[33] 喻小宝, 郑丹丹, 杨康, 等. “双碳”目标下能源电力行业的机遇与挑战. 华电技术, 2021, 43(6): 21–32
[34] 张华, 魏晓平. 绿色悖论抑或倒逼减排——环境规制对碳排放影响的双重效应. 中国人口·资源与环境, 2014, 24(9): 21–29
[35] 马丽梅, 王俊杰. 能源转型与可再生能源创新——基于跨国数据的实证研究. 浙江社会科学, 2021(4): 21–30
Spatio-Temporal Differentiation Characteristics and Influencing Factors of China’s Renewable Energy Development Level
Abstract Using China’s provincial panel data from 2011 to 2020, the temporal and spatial correlation relationship and influencing factors of China’s renewable energy development level were analyzed based on ESDA model and GTWR model. The results show that from 2011 to 2020, China’s renewable energy development level showed an upward trend, and regional differences gradually decreased. The level of renewable energy development of provinces was promoted from low level to high level. The spatial pattern of China’s renewable energy development level showed the characteristics of “east, middle and west” stepwise increase. The spatial agglomeration degree of renewable energy development level between provinces gradually decreased. Compared with the GWR model, the GTWR model can better fit the impact of various influencing factors on renewable energy development. Overall, electricity consumption has the most positive impact on the development of renewable energy. R&D funding has the most negative impact on renewable energy development, and there is significant spatial heterogeneity between the influencing factors.
Key words energy transition; renewable energy development level; spatio-temporal differentiation; GTWR model