基于空间计量模型的环境库兹涅茨曲线实证研究

基于空间计量模型的环境库兹涅茨曲线实证研究

一、环境因子的存在性研究近年来，随着我国经济的快速发展，能源供求关系更加紧张，环境污染加剧。近期一系列的环境污染事件(如2013年初影响我国东部大部分地区的严重雾霾天气)不仅严重威胁广大人民群众的身心健康,也引起了国际社会的广泛关注,对中国的国际形象造成了一定程度的负面影响。虽然大部分发达国家在发展得早期阶段也曾经历过环境污染、生态恶化等问题,但中国是否一定要步这些发达国家之后尘?换言之,中国是否一定要经历先污染后治理的发展之路?中国发展由污染到治理的“转折点”究竟会在何时、何种发展水平上出现?为了回答这些问题,目前通行的办法就是根据“环境库兹涅茨曲线(EKC)”的实证研究结果判断污染峰值是否存在以及出现的时间。EKC是由环境经济学家Grossman和Kruger(1991,1995)在其开创性研究中所提出的一种经验性假说,它描述了环境污染随经济发展先不断增加,在达到峰值后逐渐降低的一种倒U型曲线关系。迄今为止,已有很多学者对这一假说进行了实证检验,但并未得到一致的结论。正如Stern(2004)在一篇很有影响力的综述文章中所指出的,EKC假说的一个很重要的问题在于其实证研究的稳定性较弱。不同的研究者利用不同的回归方程,选择不同的污染指标和不同的控制变量,分析不同的国家甚至同一国家不同的时期,都有可能得出完全不同的结论。近年来已有很多学者对EKC在中国的存在性做了大量实证研究,同样得到了矛盾的结果。在支持中国EKC存在的研究中,SONG等(2008)发现废水、废气和固体废弃物都与人均GDP存在长期协整关系,且废水和废气排放与人均GDP间存在倒U型EKC关系。Auffhammer和Carson(2008)选取地区废气排放作为二氧化碳排放的代理变量,利用不同的回归模型验证了二氧化碳环境库兹涅茨曲线的存在。牛海鹏等(2012)利用中国长时间面板数据验证了人均废气、人均SO2和人均COD几种污染物EKC的存在性。然而同样也有大量的实证研究否定EKC曲线在中国的存在性或认为其仅在一定条件下存在,如林伯强和蒋竺均(2009)虽然从理论上能够计算二氧化碳库兹涅茨曲线的拐点,但在考虑到产业结构和城市化水平等因素后的实证结果却否定了二氧化碳环境库兹涅茨曲线的存在。包群等(2005)和宋涛等(2006)利用面板数据分析了各省水污染、大气污染与固体污染等多个代表性的污染指标,发现倒U型EKC关系很大程度上取决于污染指标以及估计方法的选取。李达和王春晓(2007)利用省级面板数据方法发现在3种大气污染物与经济增长之间不存在倒U型环境库兹涅茨曲线。许广月和宋德勇(2010)利用面板数据对中国东中西部的二氧化碳排放量分别进行了测算,发现倒U型的环境库兹涅茨曲线在中东部存在但在西部却不存在。回顾现有的研究,EKC实证结果不稳定的一个重要原因在于回归方程中作为因变量的污染物指标并不固定,而对不同污染物进行考察所得结果有可能大相径庭。以大气污染为例,从2003年到2011年,根据《中国统计年鉴》的主要城市空气质量指标统计,二氧化硫、氮氧化物以及PM10等常规污染物均呈逐年下降趋势,城市空气质量似有改善迹象。但加入PM2.5因素后,我国大部分城市空气质量指标明显下降。据2013年6月5日发布的《2012中国环境状况公报》,执行新的空气质量标准后,113个环保重点城市中,空气质量能达标的城市数量仅为23.9%,而如果按老标准考核,这一数字为88.5%。新老标准最大的差异为新标准中加入了PM2.5指标。因此,仅考察一种或若干种污染物很难全面准确地反映一个国家或地区的污染状况。鉴于大部分的空气污染物都与能源消费特别是煤和石油的消费直接相关,二氧化碳的排放量更与能源消耗量有明显的正相关关系,因此可以用能源消费量作为环境污染程度的一个代理变量。根据《2012BP能源统计年鉴》的统计结果,美国、德国、英国等工业化国家从2000年之后的一次能源消费总量及人均能源消费量已呈逐渐下降的趋势,因此我国人均能源消费也完全有可能在未来经济发展达到较高阶段时出现峰值。目前学者对能源消费量和人均收入进行EKC实证检验的研究还很缺乏,因此用能源消费作为污染程度的一个综合性指标分析EKC曲线的存在性,这是本文的一个主要贡献。在具体指标选取方面,本文选取人均能源消费总量以及人均电力消费量两个能源指标进行考察。这一方面是因为能源消费与电力消费的相关性很高,对两个指标的EKC实证测算结果可以互相印证以说明结果的合理性和稳健性。另一方面,电力消费量是“克强指数”的一个重要参考依据,数据可靠性较高,而能源消费总量是由各类能源消费量按一定权重进行加总得到,数据精确性和可靠程度不如电力消费量(1)。由于数据可靠性是长期困扰中国问题研究的一个重要问题),电力消费量的EKC曲线测算结果从某种程度上可以视为能源消费量EKC曲线的精确测算。在测算方法的选择上,回归方法已由早期的时间序列、截面数据方法演进到了面板数据方法。常用的估计方法包括普通最小二乘法(OLS)和面板数据的固定效应(FE)和随机效应(RE)等。然而迄今为止还很少有学者将空间因素融合进实证研究中。换言之,在目前已有的研究中,影响某一地区环境状况的因素一直被假设为仅限于该地区内。而这样的假设明显与现实不符,因为地区能源/电力消费量很有可能存在空间相关性,理由有如下几点。一是能源作为国民经济运行的一项重要投入,其消费不可避免地会具有一定的空间依赖性。如能源大省山西、内蒙古由于地处北部,其煤炭资源更方便满足北方地区重化工行业发展的需要。二是由于我国区域发展不平衡,东、中、西部的经济发展有各自的特点,形成了多个“趋同俱乐部”。由于经济结构、工业布局(特别是高能耗重化工企业的分布)和能源消费结构和都存在较强的区域聚集性,污染排放和能源/电力消费量很可能存在一定的空间相关性。因此,如果忽略能源/电力消费的空间特性,计量方法得出的结论很有可能是有偏的,当空间偏误足够大时甚至可能会使得对EKC的存在性的判断产生错误(即有可能将存在倒U型EKC关系判断成不存在,反之亦然)。而这也可能是EKC实证研究结果不稳定的原因之一。处理具有空间相关性数据时应使用空间计量经济学分析方法。空间计量经济学摒弃了传统计量经济学的空间无关联和匀质性假设,通过引入空间结构权重充分考虑了空间相关性对经济活动的影响,以消除测算结果中的空间偏误。然而,迄今为止利用空间计量经济学方法对EKC问题的研究还相对较少。Rupasingha等(2004)和Madddison(2006)分别利用空间误差模型(SEM)和空间滞后模型(SLM)分析了美国县域污染和国别污染的EKC曲线。两者均使用横截面数据,且均发现空间计量模型结果更加合理也更加稳健,忽略空间相关性会使回归结果产生显著偏欹。近年来,有部分学者开始利用空间计量方法对我国EKC曲线进行测算,如黄莹等(2009)、朱平辉等(2010)以及Guo和Zheng(2012)利用不同的空间固定效应模型对各种工业污染物排放进行了EKC实证分析,发现中国经济增长与环境质量作用关系之间存在明显的空间相关性,且多数工业污染物排放与人均收入都符合“倒U型”EKC关系。另外,吴玉鸣(2012)对区域能源消费行为的空间溢出效应进行了实证分析,发现能源利用效率等因素对邻近区域的能源消费行为具有很强的溢出效应。这些研究基本上使用的都是空间滞后面板和空间误差面板模型等直接测算方法,但这些估计方法对空间面板数据可能并不是最合适的。一方面,正如Lee和Yu(2010)所指出的,对于大多数学者使用的大截面短时间的中国省级面板数据(区域数目N约为30,时间T一般小于15),直接利用空间计量经济学数据所得到回归系数的方差估计量(σ2)是不一致的。另一方面,现存的研究忽略了对空间滞后影响直接和间接效应的测算,并且在具体的计量模型的选择上还存在值得商榷之处。鉴于这些原因,本文借鉴Lee和Yu(2010)所提出的误差修正方法,利用综合了空间滞后和空间误差模型特点的的空间Durbin模型对能源/电力消费的EKC曲线进行测算,并充分考虑各解释变量空间滞后的直接和间接效应,以更合理、更准确地评估能源/电力消费与中国经济增长之间的关系。因此,采用更合理的空间计量经济学分析方法测算能源/电力消费的EKC曲线,是本文的另一个主要贡献。本文其余部分结构如下:第二部分简要介绍实证部分所采用的数据及采用的空间计量经济学方法;第三部分在验证样本的空间自相关性的基础上,根据假设检验的结果选择合理的空间计量经济学模型进行回归分析,并分析回归结果特别是各解释变量的直接和间接空间效应,并在此基础上测算人均能源/电力消费的峰值对应的人均GDP水平;第四部分总结全文并根据实证分析的结果提出相应政策建议。二、数据来源和证明方法1.研究设计与变量选取由于面板数据相较横截面数据具有样本量大及可以控制不同个体/地区之间异方差性及修正忽略变量引起的偏误等问题,因此本研究选用中国省级面板数据。时间区间为1995到2011年,包括除西藏外的中国全部30个省级行政单位(1)。如前文所述,本研究选用的两个能源指标为省级能源消费总量和省级电力消费量,为了消除规模影响,实证研究中采用省级人均能源消费量和省级人均电力消费量作为因变量。由于要测算EKC,本文选取实际人均GDP(按1978年价格折算)及其平方项和三次方项作为解释变量。参考其他EKC实证研究,本文选择人口密度和城镇化率两个指标作为控制变量(2)。所有数据均来自于各年《中国统计年鉴》、《中国能源统计年鉴》及各省省级统计年鉴。表1列出本文所用主要指标的描述性统计结果。2.空间自相关模型本文采用对数三次方的方程作为回归方程的基准形式:其中,eit表示第i个省在第t年的人均能源/电力消费量,yit表示第i个省份在第t年的人均GDP,zit表示其他控制变量,αi表示不随时间变化的省级截面效应,γt表示时序效应,εit为服从经典计量经济学假设的独立同分布(i.i.d)的随机扰动项。采用对数形式的回归可以降低数据的波动程度以及降低可能的异方差问题。采用到三次方的人均GDP项,是为了使模型估计得更加精确。因为仅包含二次方人均GDP项时,测算出的环境污染达到峰值对应的人均收入水平有可能过高。实际上,很多学者已经采用包含三次方人均GDP的EKC回归方程并得到了较为合理的估计结果,如包群等(2005)以及许广月和宋德勇(2010)(1)。回归方程(1)是未考虑空间效应的普通回归方程。根据前文讨论,省域间经济发展与能源消费的空间效应很可能是存在的。空间经济计量学中的空间效应包括空间自相关和空间非匀质性。空间自相关指的是某一或多个变量在一个地区的观察值与其他地区的观察值相关,因而从空间维度上看这些观察值缺乏独立性。例如某一地区如果经济发展较快,相邻地区可能会模仿该地区的经济发展模式和产业结构布局,从而使得相邻地区的能源消费和环境质量受到该地区发展与环境政策的影响(或称为政策外溢或模式转移)。空间自相关的程度及性质由地区间的绝对位置和相对位置(包括产业布局、空间距离和接邻性等因素)决定。空间非匀质性是指由于空间单位的异质性而产生的空间效应在区域层面上的非均一性,如地区间在经济结构、资源禀赋、政策方针等方面的差异。空间非匀质性也是不同空间区域间异方差性的一个重要来源。目前空间计量模型主要针对空间自相关问题在普通回归模型基础上进行修正。空间自相关性可以用空间自相关指数MoranI来测度。MoranI指数的范围在-1到1之间。如果测算出的MoranI介于0和1之间,那么存在正的空间自相关,即目标变量在不同区域之间是一种正向的相互反馈;如果MoranI介于-1和0之间,说明空间自相关是负的,相邻区域体现出某种程度的“竞争”关系。传统上MoranI是基于横截面数据测算的,本文利用何江和张馨之(2006)的测算方法,利用克罗内克积计算分块对角矩阵C=IT(W,代替MoranI统计量计算公式中的空间权值矩阵W,这样就可以将相应的假设检验方法应用到面板数据中。具体地,面板数据的MoranI统计量计算公式为:其中,e为普通最小二乘回归(OLS)得到的残差项;IT为T维单位时间矩阵;W为n*n阶空间权重矩阵。根据经典的空间计量经济学的研究范式,本文设定W为邻接空间权值矩阵,即若空间地区i与j相邻则对应的权值矩阵的元素wij=1,否则wij=0。具体计算时先对W做行标准化处理。近年来,一些学者指出空间邻接矩阵虽然简单易行,但并未真实反映不同区域之间的空间自相关性的影响。Keller(2002)和符森(2009)等研究指出R&D活动的空间相关性和技术溢出随着区域间地理距离的增大而减弱,因而地理距离接近但非相邻区域之间也可能存在相互影响和辐射作用。鉴于此,一些学者已开始尝试选择不同形式的空间权重矩阵,如Madariaga和Poncet(2007)用两区域i和j间地理距离的倒数作为空间权重矩阵元素wij的值,即wij=1/dij。然而,因为采用不同形式的空间权重矩阵并不会从本质上改变空间计量回归的结果,本文中仍然采用传统的空间邻接矩阵为空间权重矩阵的具体形式。在通过MoranI统计量分析确定空间自相关存在后即可在基准模型式(1)中引入空间自相关因素而生成空间计量经济学分析模型。到目前为止常用的空间计量经济学模型包括空间滞后模型(SpatialLagModel,SLM)和空间误差模型(SpatialErrorModel,SEM),这两类模型的主要区别在于空间自相关性是以什么形式引入回归方程的。两种模型的具体形式如下:空间滞后模型(SLM):空间误差模型(SEM):在式(3)、式(4)中的λ和ρ分别为空间回归系数和空间误差系数。λ反映了样本观察值的空间依赖性,即相邻地区的能源需求量对本地区能源需求的影响程度。ρ为被解释变量的空间自相关系数,反映了邻接地区残差项对于本地区残差项的影响程度。注意到在空间误差模型(SEM)之中空间自相关性表现在残差项中。νit为服从正态分布的随机误差项。在式(3)、式(4)两式中的wij即为空间权重矩阵W的第i行第j列的元素。其他变量和参数的含义与式(1)中相同。LeSageandPace建议采用一个综合的空间Durbin模型将SLM和SEM两模型的特点整合起来。具体地,空间Durbin模型的具体形式为:这里xit为方程(1)中等式右侧的所有解释变量构成的向量,β为这些解释变量的系数构成的向量。因此Durbin模型式(5)实际上是将各解释变量的空间滞后项引入了SLM中。因而,若θ=0,则空间Durbin模型退化为SLM;若θ+λβ=0,则空间Durbin模型简化为SEM。在实证分析中,可以利用不同种类的LM统计量来检验应使用哪种空间计量模型进行估计(1)。SLM和SEM测算的空间自相关都是全局性的。由于在解释变量或残差项中引入了空间加权项,如果仍然用OLS估计将导致回归系数有偏(对SLM)或无效(对SEM)。根据Elhorst(2011)最近的总结,目前估计空间计量模型的常用方法有三类,分别是Aselin(1988)开创的极大似然估计法(ML)及在此基础上发展的准极大似然法(QML);工具变量(IV)或广义矩方法(GMM);以及贝叶斯马尔科夫链蒙特卡洛方法(MCMC)。后两类方法与第一类方法的最大区别在于其不需要依赖残差项为正态分布的这一假设条件。这些估计方法的细节可以参考Aselin(1988),Kelejian和Prucha(1998),Lee(2004)以及LeSage和Pace(2009)等学者的研究。如Kelejian和Prucha(1998)指出利用两阶断最小二乘(2SLS)这一工具变量(IV)估计方法的计算过程虽然比ML简单,但其统计性质要逊于ML估计结果。GMM可以实现高阶空间自回归模型估计,但在残差项为正态分布的情况下ML要更有效率。对于空间面板数据,Elhorst(2003,2011)提出了固定效应及随机效应之下SLM和SEM两模型的ML估计方法。由于Lee和Yu(2010)已指出对N大T小的面板数据采用Elhorst(2003,2011)的估计方法会产生偏误,本文中采用Elhorst(2012)提出的修正ML估计方法来进行测算。具体选择哪一个模型以及使用何种面板数据测算方法(固定效应或随机效应)需要根据一系列假设检验的结果进行判断,这些检验方法将在下一部分具体阐述。三、基于能源消费函数的研究1.均能源/电力消费的morani自相关性分析参照空间计量经济学的标准实证方法,本文采用MoranI指数来表现空间自相关性程度。对省级面板数据的人均能源消费量与人均电力消费量分别计算MoranI指数,在1995-2011年的17年间这两个指标的MoranI指数均为正值,且所有的计算结果均在0.10的显著性水平之下显著。因篇幅所限,这里仅给出始、末两个年份1995和2011年的人均能源消费与人均电力消费的MoranI散点图,分别在图1和图2中显示出来。MoranI散点图将平面空间分为四个象限,一、三象限体现出正的空间自相关性,二、四象限体现出负的空间自相关性。如图所示,在人均能源消费量MoranI散点图中,30个有数据的省市中1995年和2011年分别有22个、23个省处于一、三象限;在人均电力消费量的MoranI散点图中则分别有23个、19个省处于一、三象限。因此,人均能源/电力消费量的空间自相关性特征还是比较明显的。另外比较有趣的一个现象是从1995年到2011年,人均能源和电力消费量的MoranI指数出现了一定程度的下降,说明区域间能源/电力消费的空间相关程度随时间变化有所降低,这可能是由于地方能源政策的溢出效应有所减弱。换言之,地方政府的发展政策和能源政策越来越表现出一定的“独立性”,而不再互相攀比,彼此模仿。2.能源和电力消费的空间效应分析基于MoranI指数分析可知省级人均能源/电力消费的空间自相关性都十分明显,因此有必要将其引入计量模型并用合理的空间计量经济学模型进行估算,以消除空间自相关性可能引起的测算偏误。本节中我们采用Elhorst(2012)所采用的步骤,首先测算未考虑空间相关性因素的普通面板数据模型,再根据每一种模型相应的LM统计量判断应使用何种面板计量经济学模型(SLM、SEM或空间Durbin模型)来进行估计,之后在面板计量模型的估计的基础上计算人均能源消费及人均电力消费的拐点(若存在),并将其与未考虑空间因素时的拐点相比较,以评估考虑空间相关性后对拐点的测算是否有所改善。首先,我们分别用混合OLS(pooledOLS)、空间固定效应、时间固定效应和空间时间双固定效应估计式(1),其结果在表2中显示(1)。从表2中我们可以清晰地看出,无论对于能源消费还是电力消费,时间空间双固定效应模型的估计结果都是这一组估计方法中最好的。因时间空间双固定效应的回归结果有最高的R2值,两个控制变量人口密度和城镇化率的估计量都显著为正,接近于2的D-W统计量表明序列相关问题并不显著。并且根据LR统计量的结果,可以判断出对于能源消费和电力消费两个因变量,截面固定效应和时间固定效应确实是存在的(1)。由于解释变量中引入了lny的三阶形式,因此得到的EKC曲线实际上是“倒N型”的,有向上和向下两个拐点。对于人均能源消费,向下拐点出现在人均GDP为13284元(1978年不变价,下同)到29549元之间;而对于人均电力消费,向下的拐点出现在人均GDP22348元到34386元之间。注意到对于能源和电力消费两种因变量,采用双固定效应模型时计算得出的向下拐点对应的人均GDP水平是最高的。接下来我们将空间因素引入回归方程中。表2的回归结果表明空间Durbin模型是最适合的测算能源/电力消费量EKC的空间计量经济学模型(2)。表3和表4种分别给出了人均能源消费量和人均电力消费量的空间Durbin模型估计结果。由于空间Durbin模型同时包括因变量的空间滞后性和自变量的空间滞后性,因此它比SLM和SEM能更好更全面地反映空间自相关性对回归结果的影响。比较表3和表4中因变量的空间滞后项的系数,可以看出能源消费与经济增长间的空间效应确实存在,但这一效应对能源消费总量和电力消费量的表现形式并不相同。W*lnenergy的系数为负,说明区域间人均能源消费总量总体上呈现出一种竞争关系,某地区较高的能源消费需求可能会抑制临近地区的能源消费。考虑到我国当前一次能源消费仍然以煤炭为主导,受制于交通运输能力相对较慢增长的限制,不同区域的若干相邻省份时常不得不互相“争夺”有限的能源供应特别是煤炭资源,人均能源消费量的负的空间相关性有一定的合理性。与此相反,人均电力消费量的空间相关性为显著的正值,说明电力消费的空间影响更多地体现为一种趋同效应,即临近地区的电力需求量大会导致本地区的电力需求量也相应增加。这可能一方面是因为电力的运输要比煤炭、石油等化石燃料的运输更加方便快捷,另一方面与电力消费量数据可信度更高有一定关系。空间Durbin模型引入的解释变量与空间权重矩阵W的乘积项体现了相邻地区的这些解释变量是如何影响本地区能源/电力消费量的。在表3中只有城镇化率与W乘积项的系数是显著的,说明临近地区加快城镇化可能通过吸引外来人口流入以及工业企业向这一区域集中而引发本地区能源消费量的升高。在表4中考虑时间和空间双固定效应时,人均GDP及其的幂和人口密度与W乘积项的系数显著,说明临近地区的收入与人口因素的外溢效应会显著影响本地区的电力消费量。对于两种因变量,Wald和LR两种检验都说明空间滞后与空间误差两种效应同时存在,再一次验证了我们使用空间Durbin模型的合理性。Baltagi(2005)构建了一个参数phi来检验应该使用固定效应还是随机效应模型。在表3和4中的phi值对应的p值都低于0.01,说明固定效应与随机效应的估计结果有较大差异,因此选用固定效应模型来进行测算更加合理。下文中我们就仅针固定效应模型的结果来测算能源EKC的转折点。应当注意,虽然空间Durbin模型中给出了各个解释变量系数的估计值,但不能像处理非空间计量模型那样直接用这些估计值来测算EKC曲线的拐点,因为这些系数并不直接反映解释相应变量与因变量之间的边际变化关系。我们需要计算解释变量在空间计量经济学模型计算中的直接效应和间接效应,两者加总得到的总效应全面反映了解释变量与因变量之间的相互关系,才能与非空间计量模型得到的结果进行比较(1)。表中给出了人均能源消费量和人均电力消费量作为因变量时利用考虑时间空间双固定效应的空间Durbi模型测算结果中的lny、(lny)2和(lny)3的直接效应、间接效应和总效应,并根据总效应计算EKC曲线的拐点。注意到lny、(lny)2和(lny)3的直接效应的系数与空间Durbin模型估计出的系数不同,这是因为直接效应考虑到了相邻省份对该地区的影响,同时直接效应还包括从本地区到相邻地区最后再返回本地区的这样一种反馈效应。这些空间因素的影响既通过空间滞后因变量W*lnenergy或W*lnelectri产生作用,也通过空间滞后自变量自身发生作用。从表5中可以看出,在考虑空间计量模型的间接效应后,根据总效应算出的能源/电力的向下拐点处的人均GDP水平都要明显低于只考虑直接效应计算出的向下拐点的人均GDP:人均能源消费量的向下拐点处的人均GDP将从2.6万元左右降低到1.5万元左右,而人均电力消费量的向下拐点处的人均GDP将从2.3万元左右降低到5000元左右。在2011年全国人均GDP(1978年价格)为6098元,已高于根据总效应算出的电力峰值时的人均GDP。然而由于人均电力消费量的间接效应和总效应都不显著,根据总效应计算得到的EKC拐点在统计意义上的可信度不高。因此,对于人均电力需求,我们采信根据直接效应算出的峰值对应的人均GDP(1978年不变价)为2.3万元左右。对于人均能源消费,在充分考虑了空间效应之后,取直接效应和总效应的平均值,可知人均能源消费峰值对应的人均GDP(1978年价格)约为2万元。与不含空间因素的普通双固定效应模型求得的能源/电力消费的向下拐点人均GDP相比较(表2第4列和最后一列),充分考虑空间相关性后求出的能源/电力峰值对应的人均GDP相对较低,这可能是因为随着收入的提高,不仅本地区对环境改善和减少能源/电力消费的压力增大,相邻地区居民的压力也会通过某种机制传导到本地区,从而使得本地区的能源/电力消费峰值较快出现。需要注意的是,由于本研究利用了中国30个省级行政区的面板数据,根据模型计算出的人均能源/电力消费峰值所对应的人均GDP实际上是全国层面的平均水平,而不一定是某一具体省份达到该省人均能源/电力消费拐点时的人均GDP水平。对于人均GDP最高的京、沪和东部沿海省市,人均能源/电力消费量峰值的出现时间会更早,而对于西部欠发达地区,峰值的出现时间可能要更晚,能源/电力的消耗还可能在较长时间随人均GDP的提高而不断升高。四、能源/电力消费空间关系分析本文选取中国30个省市1995-2011年的面板数据,通过空间Durbin模型对人均能源消费量和人均电力消费量的环境库兹涅茨曲线(EKC)进行了测算。结果显示,我国省级人均能源/电力消费量存在着较强的空间相关性,且人均GDP、人口密度和城镇化率等解释变量的空间滞后性对人均能源/电力消费量也有一定的影响。与现有EKC实证研究相比,