EN中文

资源科学 >

2024 , Vol. 46 >Issue 9: 1709 - 1722

DOI: https://doi.org/10.18402/resci.2024.09.04

能源转型与区域协同发展

中国能源转型的空间分异与内生驱动因素

  • 王琦 , 1, 2 ,
  • 马丽 , 1, 2
展开
  • 1.中国科学院地理科学与资源研究所 中国科学院区域可持续发展分析与模拟实验室，北京 100101
  • 2.中国科学院大学资源与环境学院，北京 100049
马丽，女，山西祁县人，副研究员，研究方向为经济地理、区域可持续发展。E-mail:

王琦，女，山东烟台人，硕士研究生，研究方向为区域可持续发展。E-mail:

收稿日期: 2024-05-31

  修回日期: 2024-08-27

  网络出版日期: 2024-10-29

基金资助

国家自然科学基金项目(42071158)

国家自然科学基金项目(72050001)

收起

Spatial differentiation and endogenous driving mechanisms of China’s energy transition

  • WANG Qi , 1, 2 ,
  • MA Li , 1, 2
Expand
  • 1. Key Laboratory of Regional Sustainable Development Modeling, Institute of Geographic Sciences and Natural Resources Research, CAS, Beijing 100101, China
  • 2. College of Resources and Environment, University of Chinese Academy of Sciences, Beijing 100049, China

Received date: 2024-05-31

  Revised date: 2024-08-27

  Online published: 2024-10-29

Fold

摘要

【目的】 为确保双碳目标的顺利推进，因地制宜地推动能源转型，明确中国省级层次的能源转型空间分异格局，识别影响其转型的内生驱动因素与作用差异至关重要。【方法】 本文以中国30个省份为研究对象，以清洁能源占地区能源消费的比重作为衡量指标，采用社会-技术系统多层次视角构建分析框架，运用重心模型、最小二乘法和地理时空加权回归的方法分析2000—2020年中国能源转型的格局及驱动因素。【结果】 ①尽管中国各省份在能源转型方面呈现出差异化推进态势，但随时间推移地域间差异正在逐步缩小。②在驱动因素方面，资源禀赋是驱动地区能源转型的核心主导因素，尤其是水能资源禀赋的托底和化石能源禀赋的锁定与保障作用。但区域碳减排压力与创新投入已成为新时期地区能源转型的重要驱动力量。③中国各省份能源转型的驱动因素及作用效果具有显著的时空异质性。2012年之前清洁能源生产力和区外电力调入量几乎是所有省份的主导因素。2012年后，区外电力调入的影响相对减弱，技术水平的影响加大。在空间分布上，资源禀赋对华北地区影响更为显著，经济发展水平对西北地区的转型影响更大。【结论】 随着中国能源转型的进程不断加快，地域差异逐步缩小，本文建议构建以煤电为支撑的风光水核储输一体化清洁能源供应体系，加大技术投入促进清洁能源高效利用，完善跨区域能源配置，以推动能源结构转型与可持续发展。

关键词： 能源转型; 社会-技术系统; 最小二乘回归; 地理时空加权回归; 多层次视角分析; 中国

本文引用格式

王琦 , 马丽 . 中国能源转型的空间分异与内生驱动因素[J]. 资源科学, 2024 , 46(9) : 1709 -1722 . DOI: 10.18402/resci.2024.09.04

Abstract

[Objective] To facilitate the achievement of China’s dual carbon goals and advance energy transitions tailored to local conditions across provinces, it is crucial to clarify the spatial differentiation patterns of energy transitions at the provincial level in China and identify the endogenous driving factors and their varying effects. [Methods] This study investigated 30 Chinese provinces, employing the proportion of clean energy in regional energy consumption as a metric. A multi-level analytical framework rooted in the sociotechnical systems perspective was constructed. The centroid model, ordinary least squares (OLS) method, and geographically and temporally weighted regression (GTWR) method were used to analyze the status and driving factors of China’s energy transition from 2000 to 2020. [Results] (1) Although the provinces exhibited differentiated progress in energy transitions, the regional disparities were gradually narrowing over time. (2) In terms of driving factors of regional energy transition,s resource endowments have been the core and dominant factor, particularly the underpinning role of hydropower resources and the locking-in and assurance role of fossil fuel endowments. However, regional carbon emission reduction pressures and innovation investments have become important driving forces for regional energy transition in the new period. (3) The driving factors and their effects on energy transitions in these provinces were characterized by significant spatial and temporal heterogeneity. Prior to 2012, clean energy production capacity and electricity imports from outside the region dominated almost all provinces. Post-2012, the influence of electricity imports weakened, while technological advancements gained greater influence. Spatially, resource endowments had a more significant impact on northern China, while economic development levels exerted a stronger influence on energy transitions in northwestern China. [Conclusion] As China’s energy transition accelerates, regional disparities are diminishing. This study recommends the construction of an integrated clean energy supply system of wind, light, water, and nuclear energy storage and transmission, supported by coal power; increasing technological investments to promote the efficient use of clean energy; and improving cross-regional energy allocation, thereby driving the transformation of energy structures and sustainable development.

Key words： energy transition; sociotechnical systems; LDSV; GTWR; multi-level perspective analysis; China

1 引言

21 世纪以来，全球极端气候事件增加，气候变化逐渐成为影响经济发展和社会稳定的潜在威胁[1]。IPCC第四次评估指出人类活动导致全球气候变暖的可能性达90%，最新发布的第六次报告再一次强调限制二氧化碳累积量，减少其他温室气体排放是减缓全球变暖的有效措施[2]。目前全球约3/4的温室气体排放来自能源的生产和使用，推动能源转型是应对气候变化的关键[3]。许多国家提出了能源转型的目标和要求。作为世界最大的二氧化碳排放国，中国承诺2030年碳排放将达到峰值，2060年实现碳中和，并设定了2030年和2060年非化石能源在一次能源消费中占比分别提高到25%和80%以上的转型目标[4]。在中央政府政策的主导下，地方各级政府均大力发展风光水等可再生能源，大力促进能源结构转型。但是由于中国能源资源禀赋、地方产业结构和发展水平的不均衡，其能源转型必然是不均衡的。因此，明确中国省级层次的能源转型空间分异格局，识别影响其转型的内生驱动因素与作用差异，对于因地制宜推进中国的能源转型具有重要意义。
能源转型最早出现在1982年出版的《能源转型：没有石油与铀的增长与繁荣》中，其将能源转型定义为从石油和核能向可再生能源过渡的过程。然而，随着气候变化成为全球性议题，能源转型的定义与内涵得到了极大丰富。学者们的观点虽各有侧重，但普遍认同能源结构与技术是转型的核心。Grubler等[5]强调能源转型的综合性，提出其应该包括“数量”“结构”和“质量”三大特征，即能源利用量的增长、能源类型的多元化以及能源利用对环境影响的减少，这一观点突出了能源转型的全面性和可持续性。相比之下，Fouquet和Kowsari等学者更侧重于能源转型的系统性和动态性。Fouquet[6]认为能源转型是经济体系对能源依赖模式和技术体系的根本性转变，而Kowsari等[7]则从能源阶梯的角度，将转型视为不同能源组合之间的替代与升级过程。这些观点强调了能源转型与经济、技术系统的紧密关联及其动态演变特性。还有学者将能源转型概括为能源结构调整与用能技术进步的双重过程，认为这两者是相辅相成的[8,9]。此外，随着可持续发展和低碳经济的理念深入人心，可持续能源转型[10,11] 和低碳能源转型[12,13]等术语也逐渐被广泛使用。尽管表述不同，但这些概念的核心内涵是一致的，即鼓励提高清洁可再生能源在能源结构中的占比，推动能源系统向更加绿色、低碳、高效的方向发展。
基于这些定义，学者们采用了单一指标或多维指标体系的方式测度能源转型。单一指标衡量方法更直观、易操作，能够清晰地解释传统能源向清洁能源过渡的趋势，主要有化石能源消费占比[9]、单位GDP能耗[14]等直接指标或家庭[15]、企业的能源消费数据[16]、能源消费碳排放量[17⇓-19]以及环境污染情况[20]等间接指标方式；而多维指标体系综合考虑了多个方面因素，能够更全面、深入地进行能源转型评估，主要运用数据包络分析模型[21,22]、结构方程模型[23]、指数分解模型[18,24]和综合指标赋权等[25,26]方法，从能源供给能力、能源消费结构、能源消费强度、技术研发强度、人口规模等层面选取指标。还有一些学者基于数学模型构建了能定量测度并预测能源转型程度的模型，如Wen等[12]提出了一种能源转型仿真的定量技术经济模型，分析预计了2016—2050年中国能源、经济和碳排放轨迹，表明中国有望在2030年实现碳达峰，进一步丰富了能源转型评估的手段和方法。
对于能源转型的影响因素，国内外学者在研究视角和方法选择上呈现出鲜明的差异性和互补性。国外学者倾向于从宏观层面出发，聚焦于政策偏好、社会公民参与度等软性要素，通过案例研究和对比分析，揭示了不同国家能源转型路径的独特性和共性。如Li等[27]对英国能源转型的社会和政治驱动作用进行分析，发现领导者的承诺和行为的一致程度是能源转型的重要因素。Hass[28]对比分析了德国和西班牙的能源转型进程，强调民众参与度在德国能源转型中的核心地位。相比之下，国内学者更加关注产业结构、经济发展、资源禀赋和技术创新等实际经济因素，运用多种定量分析方法，深入剖析这些因素对能源转型的驱动作用。如田原等[29]从经济增长、技术水平、产业结构等方面进行分析，明确资源型产业增长对能源转型具有负向作用，而技术进步和产业结构低碳规制能够有效促进能源转型。赵晓丽等[30]以资源禀赋、政策和技术条件作为解释变量并将经济、教育产业结构等变量作为控制变量进行分析，强调资源禀赋对城市能源转型的决定性作用。Yang等[10]研究表明可再生能源创新能显著提高可持续能源转型结构和效率。而在因素分析方法方面，国内外学者均采用了多样化的策略，但各有侧重。定性研究主要包括战略生态位管理（SNM）、转型管理（TM）和多层次分析视角（MLP）[31]，为理解能源转型的复杂性和动态性提供了独特的视角和理论框架。如李慧等[8]运用模糊集定性比较分析方法，基于社会技术转型理论分析了中国各省份能源转型的路径，明确居民环境诉求型是最主要的转型路径。Belaïd等[32]运用社会技术系统模型对沙特阿拉伯的能源转型进行定性分析，发现政府的体制和政策是主要制约因素。定量研究方法如静态面板回归[30]、可拓展的随机性环境影响评估模型[16]、双重差分法[33]、系统广义矩法[34]等通过统计分析和数据验证，为能源转型的影响因素的量化评估提供了有力支持。
现有研究阐明了能源转型的定义，明确了经济、社会政治和技术对大多数地区转型的作用，解释了部分要素对中国地区的能源转型作用机制，但也存在一些不足。Bridge 等[35]指出能源转型应当被视为一个地理过程具体分析，强调空间上的联系即强调区域的作用，现有相关研究对区域在能源转型影响中的作用讨论较少；同时能源转型是社会技术系统状态的变化，转型系统的长期结构变化是由系统要素之间的动态相互作用引起的，现有研究大多对转型系统各要素的动态和定量研究很少。
作为中国能源生产、调运和消费管理的重要行政单元，本文以中国省份为研究对象，以清洁能源占比衡量能源转型分析省级单元能源转型的空间格局，并融合定性和定量方法[36]，从环境-制度-技术角度建立能源转型驱动因素多层次分析框架。同时创新性地结合传统回归与地理时空加权回归，旨在确保分析结果的稳健性，并精准揭示各省份在能源转型过程中的独特性和互动机制，希望能因地制宜地指导和促进中国省级单元的能源转型。

2 研究方法与数据来源

2.1 能源转型的度量与测算

深入分析现有能源转型测度方法的多样性和复杂性后，本文考虑到数据可获得性、直观性以及政策导向性，以地区能源消费中清洁能源的比重来度量能源转型的水平。旨在以简洁明了方式直接反映地区能源消费结构的绿色化趋势，为政策制定和评估提供有力支持。由于中国能源统计年鉴缺少各省清洁能源消费占比指标，由此本文基于各省份能源平衡表，假设本地生产的水电、风电和光伏发电等一次电力优先在本省份消费，多余则外送。当本地能源消费不足时则从区外调入能源，基于消费者角度将其中电力净调入量也全部视为清洁能源，故得到如下公式：
E C c l e a n   i t = X i t + Z i t E i t
式中： E C c l e a n   i t为i省份t年能源消费中清洁能源比重； E i t为i省份t年的能源消费总量； X i t为i省份t年的本地一次电力生产量； Z i t为i省份t年从区外调入的电力。对于电力净调出的省份，如湖北、四川、云南、青海以水电调出为主，其净调入量以负值纳入计算，而山西、内蒙古、吉林、黑龙江、安徽等火电净调出省份，其清洁能源净调入量计为0。基于此计算得到2000—2020年中国30个省份的能源转型水平数据。

2.2 重心分析模型

根据区域经济学的观点，要素的分布重心与该要素空间取值有关，所以区域内某要素的重心位置可以精准研判要素的空间分布规律和演变态势[37]。因此，本文采用重心分析模型来度量能源转型的空间格局，其中重心偏向的地区对应的指标相对较高。重力模型相关参数计算公式如下。
X - t = ∑ i = 1 n Q i t × x i ∑ i = 1 n x i
Y - t = ∑ i = 1 n Q i t × y i ∑ i = 1 n y i
式中：（ X - t ,   Y - t）为t年空间重心的经纬度坐标； Q i t为i省份t年的能源转型水平；（ x i ,   y i）为i省份的经纬度坐标。

2.3 影响因素分析模型

2.3.1 最小二乘虚拟变量回归（LSDV）

本文选用最小二乘虚拟变量（LSDV）回归来研究各影响因素的作用效果，该方法可以解决时不变变量在传统固定效应回归中被忽略的现象。参考陈强[38]关于模型中存在时不变变量回归的论述，本文回归基准模型构建如下：
Y i t = α + β 1 X 1 i t + β 2 X 2 i t + β 3 X 3 i t + β 4 X 4 i t + β 5 X 5 i t + β 6 X 6 i t + β 7 X 7 i t + β 8   X 8 i t + μ i + γ t + ε i t
式中： Y i t为i省份t年的能源消费结构； X 1 - X 8为解释变量； α为常数项； β 1 - β 8为回归系数； μ i为省份固定效应； γ t为年份固定效应； ε i t为随机误差项。

2.3.2 地理时空加权回归（GTWR）

为对比不同省份能源转型影响因素的作用机制，采用时空地理加权回归模型，将数据的时空特性纳入回归模型中，即将地理位置和观测时刻的任意函数纳入线性回归模型。该模型在2010年由Huang等提出[39]，是在地理加权模型（GWR）基础上进行的扩展与完善。模型构建如下：
Y i = β 0 μ i ,   γ i ,   t i + ∑ k = 1 m β k μ i ,   γ i ,   t i X i k + ε i
式中： Y i为i省份的被解释变量值（ i = 1 ,   2 ,   … ,   30）；m为解释变量个数；ti为i省份的时间坐标； β 0 μ i ,   γ i ,   t i为i省时空截距项； X i k为i省份 R k的第k个解释变量值； β k μ i ,   γ i ,   t i为第k个解释变量的回归系数，是时空坐标的函数； ε i为误差项。
运用GTWR模型分析前需对解释变量进行共线性检验，确保模型准确。计算公式如下[29]：
V I F k = 1 1 - R k 2
式中： R k 2为解释变量 x k与其他解释变量之间的线性相关度，在0~1之间。VIF越大说明共线性越强，当0<VIF<10表明不存在多重共线性。

2.4 影响因素选取

任何一种变革都在一定的技术经济和体制变迁之上。Geels[31]在2002年提出了可持续转型的多层次多主体“社会-技术”变迁机制，从微观尺度的技术创新利基、中观尺度的体制变迁以及宏观尺度的景观变化阐述了转型发生的动力机制。基于此，本文认为能源转型可被视为体制突破转型的过程，该过程是景观层的社会经济环境变化的压力与利基层面技术和市场创新因子积聚的动力共同驱动的。即在景观层和利基层的双重作用下，体制层会响应其变化，实现“社会-技术”体制转型，推动能源消费结构变迁；同时新体制的形成对景观层也会带来影响。基于此，本文建立能源转型驱动因素分析框架，如图1所示。
图1 多层动态分析框架下能源转型驱动因素分析示意图

Figure 1 Schematic diagram of the energy transition evaluation indicator system under the multi-layer dynamic analysis framework

景观层即宏观外部环境，主要考虑驱动中国省份能源转型的缓慢、长期的外部冲击因素。结合能源系统发展特征以及各省份能源发展差异，以转型资源条件、转型政策环境、转型经济基础和产业结构[30,40]进行刻画（表1）。其中转型资源条件因素表明了转型的资源基础或阻力。中国能源资源禀赋空间分布极不均匀，并呈现“富煤、贫油、少气”的特征。煤炭是中国能源生产和消费的主体资源，主要分布在西部和北部省份；水能集中在西南的四川、云南等省份，而太阳能和风能资源则主要集中分布在西北省份。地区不同能源品种的差异禀赋决定了地区能源生产与消费结构，从而成为地区能源转型的重要环境因素。在转型资源条件方面本文综合考虑了化石能源和清洁能源的资源禀赋分区、生产能力和区外输入能力[41]。鉴于资源储量年度数据获取难度较大且相较于年度能源消费数据而言储量数据年际变化较小，故以各省份年鉴中可获取的煤炭、石油、天然气资源储量按照标准煤折算系数获得各省份化石能源储量并分级赋值，以各省份统计年鉴中水能禀赋以及中国气象局发布的《2021太阳能和风能年景公报》中的100 m平均风功率和水平面总辐照量均值数据分级赋值，以反映2000—2020年各省份的化石能源和非化石能源资源禀赋情况。
表1 变量定义及数据来源

Table 1 Variable definition and data sources

变量分类 变量维度 变量名称 变量含义/单位 变量代号 数据来源
被解释变量 体制层 能源消费结构转型程度 清洁能源占能源消费比重 ECclean 中国能源统计年鉴
解释变量 景观层 资源禀赋 清洁能源禀赋分区 Reswater
Resclean		 中国统计年鉴
化石能源禀赋分区 Resfossil
资源本地生产能力 清洁能源生产能力（生产量）/t标准煤 Proclean 中国能源统计年鉴
化石能源生产能力（生产量）/t标准煤 Profossil
资源区外输入能力 区外电力输入量（净调入量）/t标准煤 Esoelec
区外化石能源输入量/t标准煤 Esofossil
环境规制 工业排放二氧化硫、烟尘和PM2.5浓度
综合计算指数		 ER 中国环境部数据保护中心、各省统计年鉴
经济水平 人均GDP/万元 PCDI 各省统计年鉴
产业结构 高能耗产业产值占工业产值比重 IShigh
利基层 技术水平 万元GDP能耗/（t标准煤/万元） Techec
外部投资 风电光伏投资额占总投资额比重 Techinvest 各省统计年鉴
大量化石能源消费导致中国大气环境污染严重，并在北方多地形成“雾霾”等污染性事件，由此也促进了西北多省份清洁能源基地建设和防治大气污染的特高压输送走廊建设。因此本文对于转型的政策环境因素以促进中国能源转型的环境规制来表征。参考孙振清等[42]的做法，以单位工业产值二氧化硫排放量、单位工业产值烟尘量以及空气中PM2.5的浓度，按照式（7）计算环境规制强度综合指数，考虑到前1年的环境状况会对后1年的能源转型产生影响，因此环境规制指数进行滞后一期处理。
E R i = 1 3 ∑ p = 1 3 W p U E i p s
式中： E R i为i省份的环境规制强度综合指数； U E i p s为i省份p污染物的单位产值排放量的归一化标准化值； W p为p污染物的系数，按照 W p = U E i p / U E i p ¯算得， U E i p是i省份p污染物的单位产值排放量， U E i p ¯是样本期间i省份p污染物单位产值排放的全省平均水平。
影响能源转型的宏观经济环境因素主要考虑了地区经济水平和产业结构。其中较高的经济水平意味着地区可以承受相对较高的清洁能源开发和利用成本，主要以各省份GDP总量来衡量；而产业结构则反映了地区工业发展对能源的依赖度，尤其是高耗能产业比重过高的地区会更依赖于相对低廉的传统化石能源，进而延缓地区能源转型的进程。因此本文主要以高耗能工业部门在地区工业总产值中的比重来衡量。
利基层是打破既有社会技术体制进程和束缚的重要刺激因素，多依赖技术创新和外部投资等因素进入来打破原有路径依赖和锁定，以实现新的路径创造[41]。本文选用万元GDP能耗来表示地区用能效率的技术水平对能源转型的支撑性。考虑21世纪以来风电、光电的迅速发展，以风电和光电投资额占能源建设总投资额的比重表示资金因素对清洁能源发展的支撑力度。其中由于2000—2004年相关统计中该投资额数据无法获取且当时中国风电和光伏发电发展缓慢，故赋值为0。进而依据层次之间的互动关系解释转型机制，得到中国能源转型影响因素的指标体系。

2.5 数据来源及处理

本文以中国30个省份（因数据缺失，未含西藏和港澳台地区）为研究对象，各指标数据主要来源于《中国统计年鉴》《中国能源统计年鉴》、中国环境部数据保护中心以及各地方政府官网和统计年鉴。考虑到数据的可获得性，研究范围设定为2000—2020年，为消除量纲不同产生的误差和异方差，对原始数据进行归一化处理，对各省份地理坐标进行地理投影坐标转化。

3 结果与分析

3.1 中国能源转型格局与时空演化特征

3.1.1 中国能源转型的整体特征

中国是世界上最大的能源消费国，但能源消费结构与发达国家相比存在一定差距。2020年中国能源消费中煤炭占比达56.9%，显著高于全球水平（27.2%）以及美国（10.5%）、德国（15.2%）、日本（26.9%）等国家。而石油和天然气在能源消费中的占比仅为19.6%和8.2%，低于全球水平（21.2%，24.7%）。随着经济快速发展以及对生态环境的日益重视，中国加大了水电、风光等清洁能源的开发，能源消费结构不断优化。特别是2000年西部大开发后，随着西南地区大型水电基地和西北地区大型风电、光伏发电基地的建设，清洁能源在中国消费结构中的比重大幅度上升。1980—2020年，水、风、光等清洁能源在能源消费中的占比已从4.0%快速增加到15.9%，石油和天然气等优质能源的消费占比也有所提升，而煤炭在能源消费中的占比则从72.2%大幅下降到56.9%，能源转型趋势明显（图2）。
图2 2000—2020年中国能源消费结构及消费总量图

Figure 2 China’s energy consumption structure and total consumption, 2000-2020

3.1.2 中国能源转型的时空演进特征

在推进中国整体能源转型的过程中，各省进展各异。运用重心模型对省份能源转型的时空格局进行刻画，计算得到中国2000—2020年能源转型分布重心，表2表明中国能源转型程度的重心位于中国偏西南方向，大致在陕西、湖北和重庆的交界处移动，表明中国的能源转型空间格局呈现显著的西南高东北低特点。21世纪初期中国的清洁能源主要以水电为主，因此2006年之前鄂西南成为转型重心；之后随着新疆、甘肃、青海、内蒙古等省份多个百万千瓦级的新能源基地建设，这些省份清洁能源在能源消费中比重的大幅度升高，中国能源转型的重心大幅北移到鄂西北地区；2010年之后，东部省份加大了屋顶、山区等光伏资源的开发区，使东部省份新能源在能源消费中的占比提高较快，又推动了2010—2015年期间能源转型重心从鄂陕边界向东转移；之后随着东西部省份新能源发展的此消彼长，重心呈现波动移动状态。从省际差异来看，在国家政策和新能源价格补贴等政策激励作用下各省份新能源开发加快，2020年的变异系数仅为2000年的1/2，能源转型水平的省际差异显著缩小。
表2 2000—2020年中国能源转型重心分布经纬度及其变化

Table 2 Latitude and longitude of the center of gravity of China’s energy transition and its changes, 2000-2020

年份 经度 纬度 重心所在省份 变化方位 变异系数 年份 经度 纬度 重心所在省份 变化方位 变异系数
2000 108.461 30.392 湖北 1.022 2011 109.169 32.108 陕西 西北 0.873
2001 109.389 30.121 湖北 东南 0.916 2012 109.601 31.918 陕西 东南 0.787
2002 109.163 30.164 湖北 西北 0.936 2013 109.602 32.248 湖北 东北 0.747
2003 109.259 30.418 湖北 东北 0.926 2014 109.604 31.788 陕西 东南 0.731
2004 109.205 30.933 重庆 东北 0.949 2015 109.727 31.496 重庆 东南 0.683
2005 109.631 31.242 重庆 东北 0.911 2016 110.041 31.724 湖北 东北 0.644
2006 109.853 31.421 重庆 东北 0.890 2017 110.098 31.665 湖北 东南 0.582
2007 110.010 31.567 湖北 东北 0.846 2018 110.065 31.872 湖北 东北 0.565
2008 109.973 30.992 重庆 西南 0.817 2019 110.176 31.862 湖北 西北 0.544
2009 110.098 31.589 湖北 东北 0.781 2020 110.162 31.909 湖北 东北 0.535
2010 109.535 31.987 陕西 西北 0.848

3.2 能源转型影响因素及空间异质性分析

3.2.1 影响因素的回归结果

为保证回归结果有效，先对所有被解释变量和解释变量进行共线性检验，检验结果见表3，各解释变量的VIF值均小于5，表明各指标之间不存在共线性，模型估计结果稳定可靠。
表3 共线性检验结果

Table 3 Results of collinearity test

变量 VIF 1/VIF
Profossil 4.27 0.234
Resfossil 3.31 0.302
Esofossil 2.65 0.377
PCDI 2.40 0.416
Resclean 2.27 0.440
Reswater 2.13 0.471
Techec 2.01 0.498
Proclean 1.90 0.525
IShigh 1.79 0.557
Esoelec 1.39 0.721
Techinvest 1.38 0.727
ER 1.14 0.876
Mean VIF 2.22
由于关键解释变量资源禀赋（Res）为虚拟变量，故采用最小二乘虚拟变量回归的方法按照式（4）进行回归分析，回归结果见表4，其中固定个体和时间的回归拟合系数最高R2=0.9276，表明该模型结果可以解释92.76%的能源转型信息，模型基本可靠。
表4 回归结果

Table 4 Results of regression

解释变量 双固定效应 固定省份 固定时间
Resfossil -0.341*** -0.332*** 0.016***
Reswater 0.681*** 0.674*** 0.026***
Resclean 0.188*** 0.177*** -0.031***
Proclean 0.082*** 0.093*** 0.123***
Profossil -0.016*** -0.023*** -0.039***
Esoelec 0.023*** 0.021*** 0.063***
Esofossil -0.004 -0.013** -0.012
ER 0.019*** 0.007* -0.038***
PCDI 0.044*** 0.055*** 0.108***
IShigh 0.015*** 0.008 0.088***
Techec -0.030*** -0.020*** -0.027***
Techinvest 0.009** 0.014*** 0.030**
R2 0.9287 0.9181 0.6195

注：*、**、***表示回归系数在10%、5%、1%的水平上统计显著，下同。

从回归结果看，相较于利基层的资金和技术刺激，景观层的因素是影响中国能源转型的主要驱动力量。资源条件的回归系数最高，水资源禀赋和化石能源禀赋是决定地区能源转型幅度和速度的最关键因素。经济水平及地区能源利用效率是影响能源转型的重要因素，环境规制、产业结构和外部投资的作用相对较小。
具体而言，地区资源禀赋及其生产能力依旧是影响中国能源转型的主要资源因素。尽管清洁能源匮乏地区可通过从外部输入清洁能源或者提高能源利用率的方式弥补清洁能源不足，但资源禀赋的直接影响更为显著。水能和风、光等清洁能源禀赋对能源转型正向作用明显，而化石能源禀赋则产生负向影响。清洁能源的生产量和净调入量对能源转型的促进作用显著，化石能源的生产量对能源转型呈现负向作用但其净调入量影响不显著，这表明化石能源促进了所在地区火电产业的发展，导致了地区能源消费对化石能源的依赖程度提高，延缓了区域能源转型进程；而清洁能源的禀赋、生产及调入对地区能源转型有较强的促进作用，可以削减地区对化石能源的依赖性[42]。
环境规制和经济水平对能源转型具有促进作用。当前1年的环境规制指数较高时，促使所在省份加大对清洁能源的开发力度，由此对第2年的能源转型有正向促进作用。高水平经济为清洁能源开发提供资金与市场需求支持，所在省份有更多资金投入成本相对较高的风光等清洁能源开发，也能支付得起相对较高的风电和光伏发电的电价，从而也对能源转型形成正向促进效应。产业结构方面，高耗能产业产值比重较高会带动清洁能源在能源消费中比重的提升。这可能是因为自2004年起中国政府对6个高耗能产业相关的企业试行差别电价政策以遏制高耗能产业盲目扩张，由此促进其向中西部清洁能源富集省份集聚，形成高耗能产业与清洁能源空间耦合的格局，由此体现出与能源结构转型的正向关联关系。利基层面上，技术条件是关键因素。各地区万元GDP能耗对能源转型的负向影响较为显著。高万元GDP能耗意味着低的能源利用效率，清洁能源比重亦低，表明提高区域能源利用效率可有效刺激地区的能源转型。清洁能源投资的回归系数为正值，表明增加对清洁能源的投资能有效促进能源转型。但回归系数数值较小，作用相对不明显，表明在中国随着各地政府对清洁能源发展的重视与加大投入，资金已非影响中国清洁能源发展的限制性因素。

3.2.2 稳健性检验

相关学者研究表明非平衡面板和平衡面板结果存在差异，为检验回归结果的有效性，考虑本文对2006年之前缺失的光电风电投资数据进行了处理，为避免处理后数据影响回归结果，参考李卫兵等[43]的研究对2006—2020年各省能源转型的平衡面板数据依据式（4）进行回归，结果如表5，回归系数的正负与表4一致，表明结果稳健性高。
表5 稳健性检验结果

Table 5 Results of robustness test

解释变量 回归系数 解释变量 回归系数
Resfossil -0.347*** Esofossil -0.006
Reswater 0.704*** ER 0.016***
Resclean 0.140*** PCDI 0.020**
Proclean 0.087*** IShigh 0.011*
Profossil -0.018** Techec -0.019
Esoelec 0.007 Techinvest 0.008*

3.2.3 能源转型影响因素的时空异质性分析

中国各省份能源资源禀赋、经济发展水平不同，影响其能源转型的因素也不同。依据各影响因素对中国能源转型作用的回归结果，剔除不显著的化石能源净调入量和不随时间变化的资源禀赋两个指标，依据式（6）对各指标进行共线性检验，得到的VIF值均小于5，表明指标不存在多重共线性。进而按照AICC法则、自适应带宽依据式（5）进行地理时空加权回归，探讨影响中国能源转型因素的省级差异性。模型调整后R2值为0.861，拟合效果较好。
为更清楚地分析各省影响因素差异及时段变化，鉴于2012年之后中国经济增速和发展模式调整进入“新常态”，以及随之发生的各类基础原材料部门产能过剩现象，本文将研究期分成2000—2011年、2012—2020年两个时段，参考相关学者研究，以各时段的均值作为模型回归系数，研究不同省份不同因素对能源转型的作用及其时空分异[44]。结果表明，大多数影响因素的空间分布具有空间集聚性和省际溢出效应，但在不同时期表现强度不同（图3）。
图3 2000—2020年不同时期各地区能源转型影响因素排序

注：从左至右依次为：北部、东北、东部、中部、南部、西北。

Figure 3 Ranking of influencing factors of energy transition in different regions, 2000-2020

（1）景观层
从拟合结果来看，清洁能源生产能力对各省能源转型的影响较大，环境规制、经济水平和产业结构对不同省份的影响存在较大差异。但总体上，各变量回归系数的绝对值随时间推移有所下降，表明其对能源转型的影响逐渐减弱。
两个时段内清洁能源生产量和电力净调入量对各省的能源转型具有较强的正向促进作用。本地发展清洁能源和通过调入外地电力的方式都有助于提高本地能源消费中的清洁能源比重而促进能源转型。但受制于资源禀赋或者外供资源能力限制，后期这两部分的增幅空间有限，系数绝对值降低。化石能源生产量对各省份的影响作用差别较大，2012年之前其在华北、东北、华中、西南以及大多数华东、华南地区负向作用十分明显，2012年之后随着京津冀、辽吉等地区产业转型、高耗能产业落后产能淘汰、部分企业的关停并转以及地区清洁能源的开发，这些地区化石能源生产量对能源转型的抑制作用减弱，甚至作为风电调峰的配置能源而对能源转型具有促进作用；而华东、华中和西南地区化石能源生产量依旧对能源转型呈现负向作用，但强度有所减弱。
2012年前，环境规制只对华南地区的能源转型呈现正向影响；但2012年后，随着北方地区多次大型雾霾事件的发生以及国家《大气污染防治计划》的出台，大气环境治理力度加大，环境规制几乎在所有省份转为负向影响，但强度相对较弱。这可能是因为2012年之后各省以环境污染指标衡量的环境规制指数差异缩小，趋于一致所致。
经济发展水平对能源转型具有显著的地域差异。2012年前，以京津冀为核心的“三北”地区，作为国家可再生能源的重要发展地区，风能、光伏资源丰富且地区经济发展对煤炭煤电经济的依赖程度较高，煤电的调峰作用有助于风光等清洁能源的开发，故这些地区的经济发展水平对能源转型有正向促进作用。而在华南、西南以及华东和西北的部分省份，由于清洁能源禀赋与经济发展水平不匹配，呈现负向关联。2012年之后随着清洁能源开发技术水平的不断提高，各地区尤其是东部地区山区和屋顶光伏、海上风光等开发，以及西北地区综合能源基地的建设，中国大部分省份经济发展水平均对能源转型呈现促进作用，只有广西、重庆、四川、贵州和青海呈负向作用。
以高耗能产业产值占比来表征的产业结构对能源转型作用的省际差异更为显著，空间分布格局与经济发展水平基本相似：2012年前高耗能产业产值占比对华北地区能源转型呈正向促进作用，而在化石能源匮乏的华东、东北、华中、华南和西南地区呈现负向影响。2012年后随着高耗能产业向能源资源富集地区集聚，新疆、甘肃等传统能源和清洁能源双富集地区高耗能产业发展迅速，其对能源转型的正向影响更为明显。而在黑龙江、吉林、重庆、贵州等地依旧呈现负向作用。
（2）利基层
不同时期利基层因素在不同省份的作用和方向不同。总体上随时间推移，以清洁能源电源建设投资为表征的资金投入指标的负向影响减弱并多转为正向促进作用；而以单位GDP能耗表征的技术水平指标的影响增强，逐渐成为影响各省能源转型的主要利基因素。具体而言，万元GDP能耗的回归系数随时间推移有所增大。在华北、东北和西南化石能源丰富地区其负向作用明显，而在华东、华南、华中地区以及西北地区的新疆和青海，回归系数多为正值。新疆、青海等省份是风光等清洁能源富集地区，但受制于区位和经济发展水平导致产业相对初级化，能源利用效率相对较低；而华东、华南和华中地区，则受资源和土地限制，清洁能源发展空间相对有限，能源转型在很大程度上需要依托外部能源输入的方式推动，降低万元GDP能耗对其能源转型的作用不明显。清洁能源投资占比对能源转型的影响地域性和时间性明显。2000—2011年由于中国风光等新能源发展处于起步阶段，投资规模小且对地区能源消费结构调整的促进效应尚未凸显，故只在水能资源丰富的广西、海南、贵州和云南等省份以及风电开发较早的内蒙古和吉林等北方省份呈现正向影响；2012年后随着“三北”地区多个百万千瓦级风光基地的建设和装机入网规模的大幅度提升，甘肃、四川、青海等清洁能源丰富但经济水平相对较差的地区清洁能源投资对能源转型的促进作用最为明显。

3.2.4 能源转型主导驱动因素的时空分异规律

为更好地研究能源转型驱动因素的区域分异性，综合地理时空加权回归结果，依据影响因素的回归系数绝对值排前3位指标的相似性对各省份能源转型的驱动因素进行分类（图4）。总体来看，相邻省份能源转型的主导驱动因素具有明显的趋同性，不同区块单元的主导因素也趋于一致。2012年之前，以清洁能源生产能力和区外电力调入量为表征的清洁能源供应能力几乎是所有省份的主导因素；而2012年之后技术水平和经济水平的影响不断加大，部分省份的主导影响因素转变为技术和经济水平，区外电力调入的影响程度下降，而本地清洁能源生产能力占据主导地位。
图4 不同时期各地区主导因素分类示意图

注：该图基于自然资源部标准地图服务网站下载的审图号为GS2019（1838）号的标准地图制作，底图无修改。

Figure 4 Schematic diagram of classification of dominant factors in different regions and periods

2012年之前，30个省份的能源转型根据主导因素可分为6种类型：①东北三省和华北的津冀鲁等省份受化石能源和风光能源资源禀赋丰富影响，能源转型主导驱动因素为清洁能源生产能力、化石能源生产能力和区外电力调入量，属于资源供给驱动型。②华东、华中地区则以清洁能源的生产、调入和投资为主导驱动因素，属于清洁能源产能驱动型。③新疆和宁夏在清洁能源生产能力和区外电力调入量的驱动下，同时受到地区单位GDP能耗的显著影响，属于资源与效率双重驱动型。④贵州和云南在能源转型中既受本地经济水平影响，也受清洁能源生产能力和投资水平制约，属于典型的经济制约型。⑤甘肃和青海则主要以清洁能源生产能力和调入量以及环境规制为主导因素，属于绿色生产与规制驱动型。⑥山西、陕西、内蒙古、广西、广东、海南、四川、重庆等主要受到清洁能源供应和地区经济水平影响，属于资源与经济驱动型。
2012年后，各省份能源转型的主导因素发生明显变化，除景观层的清洁能源生产能力依然作为主导因素外，单位GDP能耗、人均GDP、环境规制指数等也逐步成为主导驱动力量。这些变化不仅揭示了中国能源转型整体驱动环境的变化，也体现了中国能源结构调整发展进入了新的发展阶段。相较于2012年之前，该时期各省份能源转型主导因素的空间分异更为破碎。京津冀地区和东北三省的能源转型驱动因素分异，前者受资源禀赋限制，更着重了提升能源利用效率、调整产业结构等“节流”措施，而后者则与广东、广西、海南以及上海、福建等省份一起，依然是注重“开源”增加清洁能源生产能力和“提效节流”提高能源利用效率两手抓。湖北、四川、重庆和贵州则在原有的主导因素之上，更受到了环境规制因素的影响。新疆和宁夏地区的人均GDP作用提升，预示着能源转型和经济发展形成了协同驱动。甘肃和青海地区经济水平对其能源转型的作用提升，需进一步加快发展。而江苏、河南、安徽以及山西、陕西、内蒙古、山东等传统能源优势地区的主导因素则没有发生较大的变化。这些主导因素的变化，不仅反映了中国各地区能源结构和经济发展的差异，也预示了未来区域发展的新趋势和新挑战。

4 结论与政策建议

4.1 结论

本文基于中国30个省份2000—2020年的能源相关数据，从能源需求侧入手定量核算了能源转型水平，构建能源转型驱动的社会-技术系统框架，从资源条件、环境规制、经济水平、产业结构、技术水平和外部投资入手，分析了影响中国各省份能源结构转型的主导因素。得到如下结论：
（1）随着中国清洁能源技术的迅猛发展与清洁能源基地的持续投入，能源转型水平逐年提高。尽管不同省份转型不均，西南和西北地区是能源转型的重点地区，但随着时间变化这种地域间的能源结构转型差异正在逐渐减小。资源禀赋，尤其是水能资源的稳固支撑，与化石能源禀赋在能源系统中的锁定与调峰功能，是决定地区能源转型幅度和速度的最关键因素，地区经济发展水平的差异与能源利用效率亦具有重要作用，相比之下资金和技术因素作用略微薄弱。
（2）中国各省份的资源禀赋和发展条件不同，其能源转型路径呈现出显著的时空异质性。转型初期（2012年之前），清洁能源生产能力和区外电力调入量几乎是所有省份的主导因素。然而随着技术不断革新和经济水平的持续提升，2012年后部分省份的主导影响因素从资源条件转变为技术和经济水平，区外电力调入的影响相对减弱。具体而言，对于主要依赖化石能源的华北、东北地区，提升科技创新水平，以技术驱动降低能耗成为推动这些地区能源转型的迫切需求和核心策略。而在华东地区，清洁能源相关指标对能源转型影响显著，因此需进一步加大清洁能源的投资与开发力度，加速高耗能产业结构的转型升级，以实现能源体系绿色化；华中、华南地区则以清洁能源生产量为重点，通过加大清洁能源投资，开发更多可用的清洁能源，有效促进能源转型；西南地区需在经济发展与环境保护之间找到平衡点；西北地区需加快发展，强化能源基础设施，确保清洁能源高效外送。同时，探索本地多元化应用，提升清洁能源自我利用，促进能源转型深化。

4.2 政策建议

基于以上研究结论，本文提出以下政策建议：
（1）稳固煤基综合系统，保障能源平稳供应。鉴于中国煤炭资源和风光资源空间分布的耦合性，以及风光发电的不稳定、电力供给间歇性、随机性和波动性等特征，需应逐步建立以煤电为支撑，融合风光水核储一体化的能源供应体系，充分发挥煤炭的支撑调节和保障功能，平稳推进中国能源转型[45]。
（2）强化技术驱动与资金投入，稳步推进能源结构优化。加大对清洁能源开发、能源效率的提升和资金投入，根据地区经济与技术水平差异化推进“清洁化改造”与“新能源替代”，逐步实现能源结构由传统“三大一小”（煤炭、石油、天然气占比较大，新能源占比较小）向“三小一大”转变。
（3）完善能源供给体系，促进能源跨区域优化配置。优化能源输送网络建设和西部风光能源基地的储能设施建设，构建更加完善的能源供给体系。完善能源交易相关制度，打破地域壁垒，提高能源配置效率，以更好地满足全国范围内的能源需求。针对本文研究中发现的高耗能产业对能源结构转型的正向影响及环境规制的复杂作用机制等问题还需要通过更多实证研究深入探讨。未来研究应细化分析不同区域、不同时期的能源转型特征，以及环境规制等政策的具体影响机制，以科学指导中国能源转型向更加清洁、高效、可持续的方向发展。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
Caldeira K, Brown P T. Reduced emissions through climate damage to the economy[J]. Proceedings of the National Academy of Sciences, 2019, 116(3): 714-716.

[2]
高启慧, 秦圆圆, 梁媚聪, 等. IPCC第六次评估报告综合报告解读及对我国的建议[J]. 环境保护, 2023, 51(Z2): 82-84.

[Gao Q H, Qin Y Y, Liang M C, et al. Interpretation of the main conclusions and suggestions of IPCC AR6 synthesis report[J]. Environmental Protection, 2023, 51(Z2): 82-84.]

[3]
王兵, 陆峰, 管欣梦, 等. 保供降碳目标下能源转型模式及转型时点分析[J]. 中国煤炭, 2024, 50(7): 8-18.

[Wang B, Lu F, Guan X M, et al. Analysis of energy transition mode and time node under the goals of energy supply guarantee and carbon emission reduction[J]. China Coal, 2024, 50(7): 8-18.]

[4]
Mao Z Q, Bai Y, Meng F Y. How can China achieve the energy and environmental targets in the 14th and 15th five-year periods? A perspective of economic restructuring[J]. Sustainable Production and Consumption, 2021, 27(3): 2022-2036.

[5]
Grubler A. Transitions in Energy Use[A]. Encyclopedia of Energy[M]. New York: Elsevier, 2004.

[6]
Fouquet R. The demand for environmental quality in driving transitions to low-polluting energy sources[J]. Energy Policy, 2012, 50: 138-149.

[7]
Kowsari R, Zerriffi H. Three dimensional energy profile: A conceptual framework for assessing household energy use[J]. Energy Policy, 2011, 39(12): 7505-7517.

[8]
李慧, 涂家豪, 郭丕斌. 社会-技术景观驱动能源系统低碳转型的机理研究[J]. 软科学, 2023, 37(12): 57-64.

[Li H, Tu J H, Guo P B. Mechanism of socio-technical landscape driving low-carbon transitions of energy system[J]. Soft Science, 2023, 37(12): 57-64.]

[9]
Voigt S, de Cian E, Schymura M, et al. Energy intensity developments in 40 major economies: Structural change or technology improvement?[J]. Energy Economics, 2014, 41: 47-62.

[10]
Yang G L, Zhang G X, Cao D Q, et al. China’s provincial-level sustainable energy transition requires accelerating renewable energy technological innovation[J]. Energy, 2024, DOI: 10.1016/j.energy.2023.129672.

[11]
Bhattarai U, Maraseni T, Apan A. Assay of renewable energy transition: A systematic literature review[J]. Science of the Total Environment, 2022, DOI: 10.1016/j.scitotenv.2022.155159.

[12]
Wen Y, Cai B, Yang X X, et al. Quantitative analysis of China’s low-carbon energy transition[J]. International Journal of Electrical Power & Energy Systems, 2020, DOI: 10.1016/j.ijepes.2020.105854.

[13]
Tian J F, Yu L G, Xue R, et al. Global low-carbon energy transition in the post-COVID-19 era[J]. Applied Energy, 2022, DOI: 10.1016/j.apenergy.2021.118205.

[14]
张寅浩. 能源消费强度的区域差异及其影响因素分析[J]. 宏观经济研究, 2022, (10): 129-142.

[Zhang Y H. An analysis of regional differences and influencing factors in energy consumption intensity[J]. Macroeconomics, 2022, (10): 129-142.]

[15]
周婷, 王强, 党牛, 等. 青藏高原少数民族聚居区家庭能源转型效应及其影响因素研究: 基于青海省1188户家庭的问卷调查[J]. 地理科学进展, 2023, 42(10): 1921-1932.

DOI

[Zhou T, Wang Q, Dang N, et al. Effects of household energy transition and its influencing factors in ethnic minority areas of the Tibetan Plateau: Based on a questionnaire survey of 1188 households in Qinghai Province[J]. Progress in Geography, 2023, 42(10): 1921-1932.]

DOI

[16]
Guo P B, Kong J, Guo Y S, et al. Identifying the influencing factors of the sustainable energy transitions in China[J]. Journal of Cleaner Production, 2019, 215: 757-766.

[17]
Shen X B, Lin B Q. Does industrial structure distortion impact the energy intensity in China?[J]. Sustainable Production and Consumption, 2021, 25: 551-562.

[18]
陈军华, 李乔楚. 成渝双城经济圈建设背景下四川省能源消费碳排放影响因素研究: 基于LMDI模型视角[J]. 生态经济, 2021, 37(12): 30-36.

[Chen J H, Li Q C. Research on the influencing factors of energy consumption carbon emission in Sichuan Province under the background of the construction of Chengdu-Chongqing double city economic circle: From the perspective of LMDI method[J]. Ecological Economy, 2021, 37(12): 30-36.]

[19]
王青, 傅莉媛, 孙海添. 中国工业生产能源消费碳排放的区域差异、动态演进与影响因素[J]. 资源科学, 2023, 45(6): 1239-1254.

DOI

[Wang Q, Fu L Y, Sun H T. Regional differences, dynamic changes, and influencing factors of carbon emissions from industrial production energy consumption in China[J]. Resources Science 2023, 45(6): 1239-1254.]

DOI

[20]
杨玺, 孙奕生, 常世彦, 等. 加速能源转型与产业结构调整的环境健康协同效益评估: 以京津冀鲁地区为例[J]. 环境科学, 2023, 44(7): 3627-3636.

[Yang X, Sun Y S, Chang S Y, et al. Assessing the environmental and health co-benefits of accelerated energy transition and industrial restructuring: A case study of the BTHS region[J]. Environmental Science, 2023, 44(7): 3627-3636.]

[21]
冯超, 赵军, 卿苗, 等. 城市活力视角下全国地级资源型城市转型效率评价研究[J]. 资源开发与市场, 2022, 38(9): 1043-1051.

[Feng C, Zhao J, Qing M, et al. Evaluation of the transformation efficiency of national prefecture-level resource-based cities from the perspective of urban vibrancy[J]. Resource Development & Market, 2022, 38(9): 1043-1051.]

[22]
封亦代, 刘耀彬, 程风雨. 中国城市绿色全要素能源效率的区域差异及空间收敛[J]. 地理研究, 2023, 42(9): 2343-2368.

[Feng Y D, Liu Y B, Cheng F Y. Regional differences and spatial convergence of green total-factor energy efficiency in Chinese cities[J]. Geographical Research, 2023, 42(9): 2343-2368.]

[23]
李顺成, 肖卫东, 王志宝. 家庭部门能源消费影响因素及碳排放结构研究: 基于PLS结构方程模型的实证解析[J]. 软科学, 2020, 34(2): 117-123.

[Li S C, Xiao W D, Wang Z B. Study on factors affecting energy consumption and CO2 emissions structure in household sector: An empirical analysis based on mode of PLS-SEM[J]. System Soft Science, 2020, 34(2): 117-123.]

[24]
刘玉珂, 金声甜. 中部六省能源消费碳排放时空演变特征及影响因素[J]. 经济地理, 2019, 39(1): 182-191.

[Liu Y K, Jin S T. Temporal and spatial evolution characteristics and influencing factors of energy consumption carbon emissions in six provinces of central China[J]. Economic Geography, 2019, 39(1): 182-191.]

[25]
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[J]. 资源开发与市场, 2023, 39(4): 408-416.

[Liu S L, Wang F, Feng Y F, et al. Spatial-temporal patterns and influencing factors of energy green consumption transformation under the double carbon goals in China[J]. Resource Development & Market, 2023, 39(4): 408-416.]

[26]
Bai W, Zhang L, Lu S F, et al. Sustainable energy transition in Southeast Asia: Energy status analysis, comprehensive evaluation and influential factor identification[J]. Energy, 2023, DOI: 10.1016/j.energy.2023.128670.

[27]
Li F G N, Strachan N. Take me to your leader: Using socio-technical energy transitions (STET) modelling to explore the role of actors in decarbonisation pathways[J]. Energy Research & Social Science, 2019, 51: 67-81.

[28]
Haas T. Comparing energy transitions in Germany and Spain using a political economy perspective[J]. Environmental Innovation and Societal Transitions, 2019, 31: 200-210.

[29]
田原, 孙慧, 李建军. 中国资源型产业低碳转型影响因素实证研究: 基于STIRPAT模型的动态面板数据检验[J]. 生态经济, 2018, 34(8): 14-18.

[Tian Y, Sun H, Li J J. Study on the influencing factors and mechanism of low carbon transformation of resource-based industries: Empirical analysis of dynamic panel data based on STIRPAT model[J]. Ecological Economy, 2018, 34(8): 14-18.]

[30]
赵晓丽, 张钰琛, 杨曦. 中国城市能源转型的特征及影响因素分析: 基于中国131个城市的经验证据[J]. 技术经济, 2022, 41(4): 130-140.

[Zhao X L, Zhang Y C, Yang X. Characteristics and influencing factors of urban energy transition in China: Based on empirical evidence from 131 cities in China[J]. Journal of Technology Economics, 2022, 41(4): 130-140.]

[31]
Geels F W. Technological transitions as evolutionary reconfiguration processes: A multi-level perspective and a case-study[J]. Research Policy, 2002, 31(8): 1257-1274.

[32]
Belaïd F, Al-Sarihi A. Saudi Arabia energy transition in a post-paris agreement era: An analysis with a multi-level perspective approach[J]. Research in International Business and Finance, 2024, DOI: 10.1016/j.ribaf.2023.102086.

[33]
Yao Y, Jiao J L, Han X F, et al. Can constraint targets facilitate industrial green production performance in China? Energy-saving target vs emission-reduction target[J]. Journal of Cleaner Production, 2019, 209: 862-875.

[34]
Chen J Y, Luo Q, Tu Y, et al. Renewable energy transition and metal consumption: Dynamic evolution analysis based on transnational data[J]. Resources Policy, 2023, DOI: 10.1016/j.resourpol.2023.104037.

[35]
Bridge G, Bouzarovski S, Bradshaw M, et al. Geographies of energy transition: Space, place and the low-carbon economy[J]. Energy Policy, 2013, 53: 331-340.

[36]
邹瞳, 郭丕斌, 吴青龙. 中国能源绿色消费水平的时空演化特征及驱动因素: 基于“社会-技术”系统转型视角[J]. 科技管理研究, 2022, 42(22): 191-198.

[Zou T, Guo P B, Wu Q L. Spatial and temporal evolutionary characteristics and driving factors of energy green consumption levels in China: Based on the perspective of social-technology system transition[J]. Science and Technology Management Research, 2022, 42(22): 191-198.]

[37]
梁龙武, 先乐, 陈明星. 改革开放以来中国区域人口与经济重心演进态势及其影响因素[J]. 经济地理, 2022, 42(2): 93-103.

DOI

[Liang L W, Xian L, Chen M X. Evolution trend and influencing factors of regional population and economy gravity center in China since the reform and opening-up[J]. Economic Geography, 2022, 42(2): 93-103.]

DOI

[38]
陈强. 高级计量经济学及STATA应用[M]. 北京: 高等教育出版社, 2014.

[Chen Q. Advanced Econometrics with STATA Applications[M]. Beijing: Higher Education Press, 2014.]

[39]
Huang B, Wu B, Barry M. Geographically and temporally weighted regression for modeling spatio-temporal variation in house prices[J]. International Journal of Geographical Information Science, 2010, 24(3): 383-401.

[40]
李慧, 涂家豪. 多层级视角下能源低碳转型因素组态研究: 基于我国30个省域的模糊集定性比较分析[J]. 技术经济, 2020, 39(8): 152-160.

[Li H, Tu J H. Research on the configuration of energy low-carbon transformation factors from the multi-level perspective: Based on 30 provinces in China through fsQCA[J]. Journal of Technology Economics, 2020, 39(8): 152-160.]

[41]
胡晓辉, 董柯. 可持续性转型研究动态与经济地理学展望[J]. 地理研究, 2022, 41(1): 18-33.

DOI

[Hu X H, Dong K. A review on sustainability transitions and its research agendas in economic geography[J]. Geographical Research, 2022, 41(1): 18-33.]

[42]
孙振清, 成晓斐, 谷文姗. 中国环保投资效率的空间差异及影响因素研究: 基于差异化环境规制工具视角[J]. 生态经济, 2022, 38(4): 170-176.

[Sun Z Q, Cheng X F, Gu W S. Study on spatial difference and influencing factors of environmental protection investment efficiency in China: Based on the perspective of differentiated environmental regulation tools[J]. Ecological Economy, 2022, 38(4): 170-176.]

[43]
李卫兵, 张凯霞. 空气污染对企业生产率的影响: 来自中国工业企业的证据[J]. 管理世界, 2019, 35(10): 95-112.

[Li W B, Zhang K X. The effects of air pollution on enterprises’ productivity: Evidence from Chinese industrial enterprises[J]. Journal of Management World, 2019, 35(10): 95-112.]

[44]
万世龙, 杨海楠, 马丽, 等. 黄河流域城市群水生态系统服务与城镇化权衡协同关系[J]. 资源科学, 2024, 46(3): 505-523.

DOI

[Wan S L, Yang H N, Ma L, et al. Trade-offs/synergistic relationship between water ecosystem services and urbanization in the Yellow River Basin urban agglomeration[J]. Resources Science 2024, 46(3): 505-523.]

DOI

[45]
王国法, 刘合, 王丹丹, 等. 新形势下我国能源高质量发展与能源安全[J]. 中国科学院院刊, 2023, 38(1): 23-37.

[Wang G F, Liu H, Wang D D, et al. High-quality energy development and energy security under the new situation for China[J]. Bulletin of Chinese Academy of Sciences, 2023, 38(1): 23-37.]

Options
文章导航

/

〈 〉