中国绿色能源效率的地区分异与空间收敛性探究：基于多维度视角

中国绿色能源效率的地区分异与空间收敛性探究：基于多维度视角一、引言1.1研究背景与意义1.1.1研究背景在全球能源需求持续增长和气候变化问题日益严峻的大背景下，能源效率的提升已成为世界各国实现可持续发展的关键举措。中国作为全球最大的能源消费国之一，能源消费现状备受关注。近年来，中国能源消费总量持续攀升，尽管能源结构在不断优化，非化石能源占比逐渐提高，但煤炭等化石能源在能源消费结构中仍占据主导地位。根据《中国矿产资源报告（2024）》显示，2023年，煤炭消费占一次能源消费总量的比重为55.3%，这不仅带来了巨大的环境压力，也对能源安全构成了潜在威胁。提高能源效率对于中国实现经济可持续发展和“双碳”目标具有举足轻重的意义。从经济可持续发展角度来看，提升能源效率能够降低能源消耗成本，提高企业的生产效率和竞争力，进而推动整个经济的高质量发展。在当前国际经济形势复杂多变的情况下，提高能源效率有助于中国经济摆脱对能源的过度依赖，实现经济的稳定增长。从“双碳”目标角度而言，提升能源效率是减少碳排放的重要途径。通过提高能源利用效率，可以减少能源生产和消费过程中的碳排放，为中国在2030年前实现碳达峰、2060年前实现碳中和的目标做出重要贡献。中国地域辽阔，各地区在资源禀赋、经济发展水平、产业结构和技术水平等方面存在显著差异，这导致绿色能源效率在地区之间也呈现出明显的差异。一些经济发达的东部地区，如长三角、珠三角地区，凭借先进的技术和完善的产业体系，绿色能源效率相对较高；而一些中西部地区，由于经济发展相对滞后，产业结构偏重，绿色能源效率则较低。这种地区差异不仅影响了各地区的经济发展质量和可持续发展能力，也对全国能源资源的优化配置和“双碳”目标的实现带来了挑战。深入研究中国绿色能源效率的地区差异和空间收敛性，对于制定针对性的区域能源政策，促进区域能源协调发展，实现全国能源效率的整体提升具有重要的现实需求。1.1.2研究意义本研究在学术理论和实践应用方面都具有重要意义。在学术理论方面，尽管国内外学者对能源效率进行了大量研究，但对于绿色能源效率的地区差异和空间收敛性的研究仍存在一定的局限性。本研究通过综合运用多种研究方法，深入分析中国绿色能源效率的地区差异和空间收敛性，有助于丰富和完善能源经济学领域的相关理论。具体来说，本研究将考虑非期望产出的Super-SBM模型应用于绿色能源效率的测度，能够更准确地反映能源利用过程中的环境因素，弥补了传统能源效率测度方法的不足。同时，通过空间自相关分析和收敛性检验模型，揭示绿色能源效率的空间分布特征和收敛趋势，为进一步研究能源效率的空间关联和动态演化提供了新的视角。在实践应用方面，本研究的成果将为区域能源政策的制定和能源资源的优化配置提供重要的参考依据。通过对各地区绿色能源效率的深入分析，可以明确不同地区在能源利用方面的优势和不足，为各地区制定差异化的能源政策提供科学依据。对于绿色能源效率较高的地区，可以进一步加大对新能源技术研发和应用的支持力度，推动能源产业的升级和转型；对于绿色能源效率较低的地区，可以通过加强技术引进和合作，优化产业结构，提高能源利用效率。本研究还可以为能源资源的跨区域调配提供参考，促进能源资源向高效率地区流动，实现能源资源的优化配置，从而推动中国能源领域的可持续发展，助力“双碳”目标的实现。1.2国内外研究现状国内外学者对绿色能源效率的研究主要集中在测度方法、地区差异分析、空间收敛性研究及影响因素探讨等方面。在测度方法上，早期研究多采用单一指标法，如能源强度（单位GDP能耗）等，该方法简单直观，但无法全面反映能源利用效率。随着研究的深入，数据包络分析（DEA）及其扩展模型被广泛应用，DEA模型无需设定生产函数的具体形式，能够有效处理多投入多产出问题。考虑非期望产出的SBM模型克服了传统DEA模型无法处理非期望产出的缺陷，使测度结果更加符合实际情况。为了进一步区分有效决策单元的效率差异，Super-SBM模型被引入，其能对有效单元进行更精确的排序和评价。地区差异分析方面，众多研究表明，不同国家和地区的绿色能源效率存在显著差异。发达国家凭借先进的技术和完善的政策体系，绿色能源效率普遍较高；发展中国家由于经济发展水平和技术条件的限制，绿色能源效率相对较低。在国内，各省份之间的绿色能源效率也呈现出明显的地区差异，东部地区绿色能源效率较高，中西部地区相对较低，这种差异主要源于产业结构、技术水平、能源消费结构等因素的不同。空间收敛性研究中，部分学者运用空间计量模型对能源效率的收敛性进行检验，发现能源效率存在空间溢出效应，即一个地区的能源效率不仅受自身因素影响，还会受到周边地区的影响。一些研究表明，在考虑空间因素后，能源效率的收敛速度会发生变化，地区之间的能源效率差距可能会缩小或扩大，这与地区之间的经济联系、技术扩散等因素密切相关。影响因素探讨方面，产业结构被认为是影响绿色能源效率的重要因素，工业占比较高的地区，由于高耗能产业集中，能源效率往往较低；而服务业占比较高的地区，能源效率相对较高。技术进步能够推动能源利用技术的创新和升级，提高能源利用效率；能源消费结构中，非化石能源占比的提高有助于提升绿色能源效率；政策因素，如能源补贴政策、节能减排政策等，对绿色能源效率也有着重要的引导和促进作用。已有研究在绿色能源效率的测度方法、影响因素分析等方面取得了丰硕成果，但仍存在一些不足。在地区差异分析中，对空间因素的考虑还不够充分，未能深入挖掘地区之间绿色能源效率的空间关联和相互影响机制。在空间收敛性研究中，对于收敛机制的探讨还不够深入，缺乏对不同地区收敛路径和影响因素的细致分析。本研究将在已有研究的基础上，重点关注绿色能源效率的地区差异和空间收敛性，运用更完善的研究方法，深入分析其内在机制和影响因素，以期为相关研究提供新的思路和方法。1.3研究方法与创新点1.3.1研究方法本研究将综合运用多种研究方法，以确保研究的科学性和全面性。Super-SBM模型：在绿色能源效率测度方面，采用考虑非期望产出的Super-SBM模型。该模型能够有效处理多投入多产出且包含非期望产出（如碳排放、污染物排放等）的情况，克服了传统DEA模型在处理非期望产出时的局限性，从而更准确地测度各地区的绿色能源效率。通过构建合适的投入产出指标体系，运用该模型计算出各地区的绿色能源效率值，为后续的分析提供数据基础。空间自相关分析：为了探究绿色能源效率的空间分布特征，运用空间自相关分析方法。通过计算全局莫兰指数（GlobalMoran'sI）来衡量绿色能源效率在全国范围内的空间相关性，判断其是否存在空间集聚现象。利用局部莫兰指数（LocalMoran'sI）分析各地区绿色能源效率的局部空间关联模式，确定高值集聚、低值集聚以及空间异常值区域，直观地展示绿色能源效率在空间上的分布格局。收敛性检验模型：在研究绿色能源效率的空间收敛性时，运用绝对β收敛、条件β收敛和σ收敛等模型。绝对β收敛模型用于检验各地区绿色能源效率是否存在向同一稳态水平收敛的趋势；条件β收敛模型则在考虑控制变量（如产业结构、技术水平、能源消费结构等）的情况下，分析各地区绿色能源效率是否向各自的稳态水平收敛；σ收敛模型通过考察绿色能源效率的标准差随时间的变化情况，判断地区间绿色能源效率的差距是否逐渐缩小。计量回归模型：为了深入分析影响绿色能源效率地区差异和空间收敛性的因素，构建计量回归模型。将绿色能源效率作为被解释变量，选取产业结构、技术水平、能源消费结构、经济发展水平、政策因素等作为解释变量，运用面板数据模型进行回归分析，确定各因素对绿色能源效率的影响方向和程度，为提出针对性的政策建议提供依据。1.3.2创新点本研究在研究视角、方法运用和数据处理方面具有一定的创新之处。研究视角创新：本研究将绿色能源效率的地区差异和空间收敛性纳入统一的研究框架，从空间维度全面分析绿色能源效率的分布特征和动态演化趋势。以往研究多侧重于单一地区或不考虑空间因素的能源效率分析，本研究强调地区之间的空间关联和相互影响，为深入理解绿色能源效率的形成机制和区域差异提供了新的视角，有助于制定更具针对性的区域能源协调发展政策。方法运用创新：综合运用多种前沿研究方法，将考虑非期望产出的Super-SBM模型与空间自相关分析、收敛性检验模型以及计量回归模型相结合。这种方法组合能够更全面、准确地测度绿色能源效率，深入分析其地区差异和空间收敛性以及影响因素。特别是在空间收敛性研究中，通过多种收敛模型的综合运用，能够更细致地刻画绿色能源效率的收敛特征和机制，弥补了以往研究在方法上的不足。数据处理创新：在数据收集和处理过程中，注重数据的全面性和准确性。收集了多维度的面板数据，包括各地区的能源消费、经济发展、产业结构、技术创新等方面的数据，并对数据进行了严格的筛选和预处理，以确保数据的质量和可靠性。在分析过程中，充分考虑数据的时空特征，运用空间计量方法处理空间数据，提高了研究结果的精度和可信度。二、相关概念与理论基础2.1核心概念界定2.1.1绿色能源效率绿色能源效率是在传统能源效率概念基础上，充分考虑能源利用过程中对环境产生影响的一种综合效率指标。传统能源效率主要关注能源投入与经济产出之间的关系，通常以单位能源消耗所产生的GDP等经济指标来衡量，侧重于能源在生产过程中的直接利用程度和经济回报。例如，在计算传统能源效率时，仅考虑煤炭、石油等能源投入量以及对应的工业增加值、国内生产总值等产出量，忽略了能源利用过程中产生的诸如二氧化碳、二氧化硫等污染物排放对环境造成的负面影响。而绿色能源效率则将环境因素纳入考量范畴，强调在实现经济产出目标的同时，尽可能减少能源消耗以及非期望产出（如污染物排放、碳排放等）对生态环境的破坏。从本质上讲，绿色能源效率追求的是经济、能源与环境三者之间的协调可持续发展。它不仅仅关注能源转化为经济价值的效率，更注重能源利用全过程的环境友好性。在能源生产环节，考量可再生能源（太阳能、风能、水能等）的利用比例，因为这些能源在使用过程中几乎不产生污染物，对环境影响较小；在能源消费环节，不仅关注能源的有效利用程度，还关注因能源消费所导致的温室气体排放、大气污染等环境问题。在具体测度上，绿色能源效率通常采用考虑非期望产出的数据包络分析（DEA）等方法进行评估。以考虑非期望产出的Super-SBM模型为例，该模型将能源投入、资本投入、劳动力投入等作为投入指标，将期望产出（如GDP）和非期望产出（如碳排放量、工业废气排放量等）同时纳入产出指标体系。通过该模型，可以计算出各决策单元（如地区、企业等）的绿色能源效率值，该值反映了在考虑环境约束下，各决策单元将能源等投入转化为期望产出并减少非期望产出的相对效率水平。如果一个地区在能源投入和其他投入一定的情况下，能够实现较高的经济产出，同时保持较低的污染物排放和碳排放，那么该地区的绿色能源效率就较高；反之，如果一个地区经济产出较低，且能源消耗大、污染物排放多，其绿色能源效率则较低。绿色能源效率的高低直接反映了一个地区在能源利用与环境保护方面的综合表现，对于评估地区可持续发展能力具有重要意义。2.1.2地区划分说明在本研究中，为深入分析中国绿色能源效率的地区差异，依据国家发展改革委的相关划分标准，将中国内地31个省级行政区划分为东部、中部和西部三大区域。这种划分方式既考虑了地理位置因素，又综合权衡了各地区的经济发展水平、产业结构特点以及资源禀赋状况等多方面因素，旨在更全面、准确地揭示不同区域在绿色能源效率方面的特征和差异。东部地区包括北京、天津、河北、辽宁、上海、江苏、浙江、福建、山东、广东和海南11个省（市）。这些地区地理位置优越，多处于沿海地带，交通便利，便于开展对外贸易和经济交流。经济发展水平较高，产业结构相对优化，服务业和高新技术产业占比较大，对能源的利用效率和清洁化程度要求较高。凭借雄厚的经济实力和先进的技术水平，在绿色能源开发利用和能源效率提升方面具有一定优势，如在太阳能、风能发电技术的应用和推广上处于领先地位，拥有较多的大型绿色能源项目和研发机构。中部地区涵盖山西、吉林、黑龙江、安徽、江西、河南、湖北、湖南8个省。该区域地处内陆，是连接东部和西部的重要纽带，在地理位置上具有承东启西的重要作用。经济发展水平处于中等层次，产业结构以制造业、农业和能源产业为主，部分省份是重要的能源生产和输出地，如山西的煤炭资源丰富，在能源产业方面占据重要地位。但由于产业结构相对偏重，能源消耗强度较大，在绿色能源效率提升方面面临一定挑战，需要在优化产业结构、提高能源利用技术水平等方面加大力度。西部地区包含内蒙古、广西、重庆、四川、贵州、云南、西藏、陕西、甘肃、青海、宁夏、新疆12个省（自治区、直辖市）。西部地区地域辽阔，资源丰富，尤其是矿产资源和可再生能源资源，如新疆的石油、天然气资源，以及西部地区丰富的太阳能、风能、水能资源等。然而，受地理位置、自然条件等因素影响，经济发展相对滞后，基础设施建设有待完善，技术水平和人才储备相对不足，导致绿色能源开发利用的速度和规模受到一定限制，绿色能源效率整体相对较低。但随着西部大开发战略的持续推进，在政策支持和资金投入的带动下，西部地区在绿色能源领域的发展潜力逐渐显现，正积极探索适合自身特点的绿色能源发展道路。这种东、中、西部的划分方式为后续研究不同地区绿色能源效率的差异及其影响因素提供了清晰的区域框架，有助于针对性地制定区域能源政策，促进各地区绿色能源效率的提升和能源的可持续发展。2.2理论基础2.2.1空间计量经济学理论空间计量经济学理论是在传统计量经济学基础上发展起来的，专门用于处理具有空间属性数据的经济学分支。该理论强调经济现象在空间上并非相互独立，而是存在着一定的空间依赖性和空间异质性。在分析绿色能源效率时，空间计量经济学理论具有重要的应用价值，能够深入揭示绿色能源效率在空间分布上的特征和规律。空间自相关是空间计量经济学理论中的一个核心概念，用于衡量变量在空间上的分布是否存在聚集或分散的趋势。在绿色能源效率研究中，通过计算全局莫兰指数（GlobalMoran'sI）和局部莫兰指数（LocalMoran'sI）来测度其空间自相关程度。全局莫兰指数从整体上反映绿色能源效率在全国范围内的空间相关性。若全局莫兰指数大于0，则表明绿色能源效率在空间上存在正相关，即高绿色能源效率的地区倾向于与高绿色能源效率的地区相邻，低绿色能源效率的地区倾向于与低绿色能源效率的地区相邻，呈现出空间集聚的特征；若全局莫兰指数小于0，则表示绿色能源效率在空间上存在负相关，即高绿色能源效率地区与低绿色能源效率地区相邻，呈现出空间分散的状态；若全局莫兰指数接近于0，则说明绿色能源效率在空间上呈随机分布，不存在明显的空间相关性。局部莫兰指数则进一步分析各地区绿色能源效率的局部空间关联模式，能够识别出具体的高值集聚（HH）、低值集聚（LL）以及空间异常值区域（HL或LH）。高值集聚区域表示该地区及其周边地区的绿色能源效率都较高，形成了高效率的集聚中心，这些地区可能在技术创新、政策支持或产业结构等方面具有优势，从而带动了周边地区绿色能源效率的提升；低值集聚区域则表示该地区及其周边地区的绿色能源效率都较低，可能存在能源利用技术落后、产业结构不合理或缺乏有效的政策引导等问题；空间异常值区域（HL或LH）则反映出该地区的绿色能源效率与其周边地区存在较大差异，可能是由于特殊的资源禀赋、经济发展模式或政策因素导致的。空间滞后模型（SLM）是空间计量经济学中常用的模型之一，用于分析一个地区的绿色能源效率如何受到其相邻地区绿色能源效率的影响。该模型假设被解释变量（绿色能源效率）不仅取决于本地区的解释变量，还受到相邻地区被解释变量的影响。在模型中引入空间权重矩阵，用以刻画地区之间的空间邻接关系。空间权重矩阵通常根据地理距离或经济距离来构建，例如，基于地理距离的空间权重矩阵可以设定为：若两个地区相邻，则权重为1；若不相邻，则权重为0。通过估计空间滞后模型，可以得到空间滞后项的系数，该系数反映了相邻地区绿色能源效率对本地区绿色能源效率的影响程度和方向。如果空间滞后项系数为正且显著，则表明相邻地区绿色能源效率的提高会促进本地区绿色能源效率的提升，存在正向的空间溢出效应；反之，如果系数为负且显著，则表示存在负向的空间溢出效应。空间误差模型（SEM）则侧重于考虑误差项在空间上的相关性，即一个地区绿色能源效率的未被解释部分（误差）可能受到相邻地区误差的影响。该模型假设误差项存在空间自相关，通过引入空间自相关系数来衡量这种相关性。在实际应用中，空间误差模型能够捕捉到由于遗漏变量或测量误差等因素导致的空间相关性，从而更准确地估计模型参数。如果空间自相关系数显著，则说明误差项在空间上存在相关性，需要采用空间误差模型进行分析，以提高模型的估计精度和解释能力。空间杜宾模型（SDM）是空间滞后模型和空间误差模型的扩展，它同时考虑了被解释变量和解释变量的空间滞后效应。在绿色能源效率研究中，空间杜宾模型可以更全面地分析各种因素对绿色能源效率的直接影响、间接影响（空间溢出效应）以及总效应。通过估计空间杜宾模型，可以得到各个解释变量的直接效应系数和间接效应系数，直接效应系数表示本地区解释变量对本地区绿色能源效率的影响，间接效应系数表示相邻地区解释变量通过空间溢出效应对本地区绿色能源效率的影响，总效应则是直接效应和间接效应之和。这使得研究者能够深入了解不同因素在空间上对绿色能源效率的作用机制，为制定科学合理的区域能源政策提供更丰富的信息。2.2.2经济收敛理论经济收敛理论在研究地区经济发展差异及其演变趋势方面具有重要的理论和实践意义，同样适用于绿色能源效率的研究，有助于深入理解不同地区绿色能源效率的动态变化过程和发展趋势。σ收敛是经济收敛理论中的一种基本类型，主要通过考察各地区绿色能源效率的标准差随时间的变化情况来判断地区间绿色能源效率的差距是否逐渐缩小。若在一段时间内，各地区绿色能源效率的标准差呈现下降趋势，则表明存在σ收敛，意味着地区间绿色能源效率的差异在逐渐减小，各地区的绿色能源效率趋向于更加接近的水平；反之，如果标准差上升，则说明地区间绿色能源效率的差距在扩大，不存在σ收敛。在研究期间内，如果全国各省份绿色能源效率的标准差从初始值逐渐减小，这就表明中国各地区的绿色能源效率在整体上呈现出σ收敛的趋势，即各地区在绿色能源利用效率方面的差距正在逐渐缩小，这可能是由于技术扩散、政策引导或产业结构调整等因素导致各地区绿色能源效率逐渐趋同。β绝对收敛假设在没有其他因素影响的情况下，各地区绿色能源效率存在向同一稳态水平收敛的趋势。具体而言，就是初始绿色能源效率较低的地区，其增长速度会相对较快；而初始绿色能源效率较高的地区，其增长速度会相对较慢，最终各地区的绿色能源效率将趋向于一个共同的稳态值。在实证检验中，通常通过构建回归模型，将绿色能源效率的增长率对初始绿色能源效率水平进行回归。如果回归系数为负且显著，则支持β绝对收敛的存在，即表明初始绿色能源效率较低的地区在后续发展过程中，绿色能源效率的增长速度更快，从而逐渐缩小与初始绿色能源效率较高地区之间的差距。β条件收敛则考虑了除初始绿色能源效率之外的其他控制变量对收敛的影响，认为各地区绿色能源效率会向各自的稳态水平收敛，而这个稳态水平取决于地区的一系列特征因素，如产业结构、技术水平、能源消费结构、经济发展水平、政策因素等。在实证分析中，将这些控制变量纳入回归模型，通过估计模型参数来判断β条件收敛是否存在。如果在控制了相关变量后，初始绿色能源效率与绿色能源效率增长率之间仍然存在负相关关系，且控制变量对绿色能源效率增长率具有显著影响，则表明存在β条件收敛。不同地区由于产业结构不同，对绿色能源效率的影响也不同。工业占比较高的地区，往往能源消耗量大，绿色能源效率可能较低；而服务业占比较高的地区，能源消耗相对较少，绿色能源效率可能较高。在考虑产业结构这一控制变量后，各地区绿色能源效率会向基于自身产业结构等因素所决定的稳态水平收敛。技术水平的提高可以促进能源利用技术的创新和升级，从而提高绿色能源效率；能源消费结构中，非化石能源占比的增加有助于降低碳排放，提升绿色能源效率。这些因素都会影响各地区绿色能源效率的收敛路径和稳态水平。经济收敛理论为研究绿色能源效率的地区差异和动态变化提供了重要的理论框架，通过运用σ收敛、β绝对收敛和β条件收敛等概念和方法，可以深入分析绿色能源效率在地区间的收敛特征和影响因素，为制定促进区域绿色能源协调发展的政策提供理论依据。三、中国绿色能源效率的测度与地区差异分析3.1研究方法与数据来源3.1.1研究方法选择在绿色能源效率测度中，选用考虑非期望产出的Super-SBM模型，主要基于以下几方面原因。传统的数据包络分析（DEA）模型在处理多投入多产出问题时具有一定优势，但其在处理非期望产出（如碳排放、污染物排放等）时存在局限性。传统DEA模型往往将非期望产出视为期望产出的对立面，采用简单的倒数转换等方法将其纳入模型，这种处理方式违背了生产实际，无法准确反映能源利用过程中的真实效率。而SBM模型的出现有效弥补了这一缺陷，它将松弛变量直接纳入目标函数，通过非径向和非角度的方式处理投入产出的松弛问题，能够更准确地衡量决策单元的效率，尤其是在考虑非期望产出的情况下，能更真实地反映能源利用与环境之间的关系。然而，当多个决策单元的效率值都为1时，SBM模型无法进一步区分这些有效决策单元之间的效率差异，这在实际分析中不利于对各地区绿色能源效率进行细致比较和排序。Super-SBM模型则克服了这一问题，它在SBM模型的基础上进行改进，允许效率值大于1，通过对有效决策单元进行进一步的排序，能够更精确地区分不同地区绿色能源效率的高低，为研究地区差异提供更具区分度的数据基础。在处理多投入多产出及非期望产出问题时，Super-SBM模型的具体原理如下。假设存在n个决策单元（在本研究中为各地区），每个决策单元有m种投入、s_1种期望产出和s_2种非期望产出。用x_{ij}表示第j个决策单元的第i种投入，y_{rj}^{g}表示第j个决策单元的第r种期望产出，y_{rj}^{b}表示第j个决策单元的第r种非期望产出。则Super-SBM模型的目标函数为：\min\rho=\frac{1+\frac{1}{m}\sum_{i=1}^{m}\frac{s_{i}^{-}}{x_{ik}}}{1-\frac{1}{s_1+s_2}(\sum_{r=1}^{s_1}\frac{s_{r}^{g}}{y_{rk}^{g}}+\sum_{r=1}^{s_2}\frac{s_{r}^{b}}{y_{rk}^{b}})}\text{s.t.}\sum_{j=1}^{n}\lambda_{j}x_{ij}-s_{i}^{-}=x_{ik},i=1,\cdots,m\sum_{j=1}^{n}\lambda_{j}y_{rj}^{g}-s_{r}^{g}=y_{rk}^{g},r=1,\cdots,s_1\sum_{j=1}^{n}\lambda_{j}y_{rj}^{b}+s_{r}^{b}=y_{rk}^{b},r=1,\cdots,s_2\lambda_{j}\geq0,j=1,\cdots,n;s_{i}^{-}\geq0,i=1,\cdots,m;s_{r}^{g}\geq0,r=1,\cdots,s_1;s_{r}^{b}\geq0,r=1,\cdots,s_2其中，\rho为决策单元的绿色能源效率值，当\rho=1且松弛变量s_{i}^{-}=s_{r}^{g}=s_{r}^{b}=0时，决策单元为有效单元；当\rho\lt1时，决策单元存在效率改进空间，需要通过调整投入产出，减少投入冗余和非期望产出，增加期望产出，以提高绿色能源效率。该模型通过对投入、期望产出和非期望产出的松弛变量进行优化，能够有效处理多投入多产出及非期望产出问题，准确测度各地区的绿色能源效率。3.1.2数据来源与处理本研究数据涵盖全国31个省（自治区、直辖市），时间跨度为2010-2023年，数据主要来源于权威的官方统计数据库和专业报告，以确保数据的可靠性和准确性。能源投入数据取自《中国能源统计年鉴》，该年鉴详细记录了各地区各类能源的消费情况，包括煤炭、石油、天然气、电力等能源的消费量。在处理能源投入数据时，将不同种类的能源按照标准煤系数进行统一换算，以实现能源投入的标准化计量，便于后续分析。由于部分年份个别地区存在数据缺失情况，对于缺失值，采用移动平均法进行补充，即根据该地区前后年份的数据，计算其平均值来填补缺失值，以保证数据的完整性。资本投入数据来源于《中国统计年鉴》和各地区的统计年鉴，以各地区的固定资产投资存量来衡量资本投入。在计算固定资产投资存量时，采用永续盘存法，利用基期固定资产投资和各年的固定资产投资增长率进行估算，以消除价格因素的影响。对于个别年份固定资产投资数据异常的地区，通过对比相邻年份数据以及参考其他相关经济指标进行修正，确保资本投入数据的准确性。劳动力投入以各地区年末就业人员数来衡量，数据同样来源于《中国统计年鉴》和各地区统计年鉴。由于就业人员数统计相对稳定，对于个别存在数据波动异常的年份，结合当地经济发展情况和就业政策进行分析判断，对异常数据进行调整，以保证劳动力投入数据能够真实反映各地区的劳动力投入情况。期望产出以各地区的国内生产总值（GDP）来表示，为消除价格因素对GDP的影响，以2010年为基期，利用各地区的GDP平减指数对历年GDP数据进行平减处理，换算为不变价GDP，从而使不同年份的GDP数据具有可比性。GDP数据主要来源于国家统计局发布的统计数据和各地区统计年鉴，对于部分统计口径不一致或存在疑问的数据，通过多方对比核实，确保期望产出数据的可靠性。非期望产出选择碳排放量作为衡量指标，由于目前国内尚未有权威的各地区碳排放量统计数据，本研究采用IPCC（政府间气候变化专门委员会）推荐的碳排放系数法进行估算。根据《中国能源统计年鉴》中各地区各类能源的消费量以及对应的碳排放系数，计算出各地区的碳排放量。在计算过程中，充分考虑了能源的加工转换过程以及能源的净进口等因素，以提高碳排放量估算的准确性。在数据清洗和标准化处理方面，首先对收集到的原始数据进行异常值检测。通过绘制箱线图和散点图，识别出可能存在的异常数据点。对于异常值，仔细分析其产生的原因，如统计误差、特殊事件影响等。对于因统计误差导致的异常值，通过查阅相关资料或与其他数据源进行比对，进行修正或剔除；对于因特殊事件影响导致的异常值，在分析中予以说明，并根据实际情况进行合理处理。为消除不同变量之间量纲和数量级的差异，对数据进行标准化处理。采用Z-score标准化方法，对于变量x，其标准化公式为：x^{*}=\frac{x-\overline{x}}{\sigma}其中，x^{*}为标准化后的数据，\overline{x}为变量x的均值，\sigma为变量x的标准差。通过标准化处理，使各变量的数据处于同一数量级，便于后续模型的计算和分析，同时也能提高模型的稳定性和准确性。3.2中国绿色能源效率的测度结果运用Super-SBM模型对2010-2023年中国31个省（自治区、直辖市）的绿色能源效率进行测算，得到各地区历年的绿色能源效率值。从全国整体来看，2010-2023年期间，中国绿色能源效率呈现出波动上升的趋势。2010年，全国绿色能源效率平均值为0.652，到2023年，这一数值上升至0.728，表明在过去十几年间，中国在能源利用和环境保护方面取得了一定的成效，绿色能源效率得到了逐步提升。从各地区的情况来看，绿色能源效率存在明显的地区差异。东部地区的绿色能源效率整体较高，2023年，北京、上海、广东等省市的绿色能源效率均超过0.8，其中北京的绿色能源效率达到0.925，在全国处于领先地位。这主要得益于东部地区经济发达，科技水平高，在能源利用技术创新和产业结构优化方面具有优势。以北京为例，近年来大力发展高新技术产业和服务业，减少了对高耗能产业的依赖，同时加大对新能源技术的研发和应用，提高了能源利用效率，降低了碳排放，从而使得绿色能源效率显著提升。中部地区的绿色能源效率处于中等水平，2023年，山西、河南等省份的绿色能源效率在0.6-0.7之间。中部地区作为中国重要的能源生产和制造业基地，产业结构相对偏重，能源消耗强度较大，在一定程度上制约了绿色能源效率的提升。然而，随着中部地区经济的快速发展和对节能减排的重视，近年来通过加大技术改造投入，推进产业结构调整，绿色能源效率也呈现出稳步上升的趋势。西部地区的绿色能源效率相对较低，2023年，部分省份如新疆、青海等的绿色能源效率低于0.6。西部地区地域辽阔，资源丰富，但经济发展相对滞后，能源开发利用技术水平较低，且产业结构中高耗能产业占比较大，导致能源利用效率不高，碳排放相对较高。不过，随着西部大开发战略的深入实施和对绿色发展理念的贯彻落实，西部地区在绿色能源领域的投入不断增加，积极引进先进技术和管理经验，绿色能源效率也在逐步改善。为更直观地展示中国绿色能源效率的时间变化趋势和空间分布特征，分别绘制时间序列图和空间分布图（图1和图2）。在时间序列图中，可以清晰地看到全国及各地区绿色能源效率随时间的变化情况，各地区的绿色能源效率曲线虽有波动，但整体上都呈现出上升的趋势。在空间分布图中，通过不同的颜色和标注，直观地展示了各地区绿色能源效率的高低分布，东部地区颜色较深，代表绿色能源效率较高；西部地区颜色较浅，代表绿色能源效率较低；中部地区颜色适中，处于中间水平，空间分布特征一目了然。（此处插入时间序列图和空间分布图）3.3地区差异分析3.3.1总体差异采用泰尔指数来衡量中国绿色能源效率的总体差异。泰尔指数是一种常用的衡量区域差异的指标，它能够综合考虑区域内和区域间的差异情况，通过对各地区绿色能源效率的加权计算，反映出全国绿色能源效率的总体离散程度。泰尔指数的计算公式为：T=\sum_{i=1}^{n}\frac{E_{i}}{E}\ln(\frac{E_{i}/P_{i}}{E/P})其中，T为泰尔指数，E_{i}为第i个地区的能源消费总量，E为全国能源消费总量，P_{i}为第i个地区的人口数量，P为全国人口数量。泰尔指数的值越大，表明绿色能源效率的总体差异越大；反之，泰尔指数的值越小，表明总体差异越小。计算2010-2023年中国绿色能源效率的泰尔指数，结果显示，泰尔指数在这期间呈现出先上升后下降的趋势。2010-2015年，泰尔指数从0.085上升至0.102，表明这一阶段中国绿色能源效率的总体差异逐渐扩大，各地区之间的绿色能源效率差距在不断增加。这可能是由于在经济发展过程中，各地区在能源政策、产业结构调整和技术创新投入等方面存在差异，导致绿色能源效率的提升速度不同，从而使得地区间的差距逐渐拉大。2015-2023年，泰尔指数从0.102下降至0.078，说明这一时期中国绿色能源效率的总体差异开始缩小，各地区之间的绿色能源效率逐渐趋同。这得益于国家在节能减排和绿色发展方面政策的不断加强和完善，推动了各地区在能源利用技术、产业结构优化等方面的交流与合作，促进了绿色能源效率的整体提升，缩小了地区间的差距。3.3.2区域间与区域内差异分别计算东部、中部和西部三大区域间以及各区域内的绿色能源效率差异。在计算区域间差异时，将三大区域视为三个独立的单元，采用泰尔指数公式计算区域间的泰尔指数T_{b}；在计算区域内差异时，分别计算每个区域内各省份的泰尔指数，然后根据各区域的能源消费总量和人口数量进行加权平均，得到区域内的泰尔指数T_{w}。计算结果表明，区域间差异在绿色能源效率总体差异中占据较大比重。2023年，区域间泰尔指数为0.045，而区域内泰尔指数总和为0.033，区域间差异对总体差异的贡献率达到58.4%。这说明东部、中部和西部三大区域之间的绿色能源效率存在显著差异，这种差异是导致中国绿色能源效率总体差异的主要原因。从区域内差异来看，东部地区的区域内差异相对较小，2023年泰尔指数为0.012。东部地区经济发展水平和技术水平较为接近，产业结构也相对相似，在绿色能源利用方面的政策和措施也较为一致，使得区域内各省份的绿色能源效率差异不大。中部地区的区域内差异次之，2023年泰尔指数为0.010。中部地区虽然在产业结构和能源利用方面具有一定的相似性，但由于各省份在经济发展阶段和资源禀赋等方面存在一定差异，导致绿色能源效率在区域内也存在一定的离散程度。西部地区的区域内差异最大，2023年泰尔指数为0.011。西部地区地域广阔，各省份之间在自然条件、经济发展水平、资源禀赋和产业结构等方面存在较大差异，使得绿色能源效率在区域内的差异较为明显。例如，四川和重庆等省市在经济发展和能源利用技术方面相对较为先进，绿色能源效率较高；而新疆、青海等部分省份由于经济发展相对滞后，产业结构偏重，绿色能源效率较低，从而导致西部地区区域内差异较大。3.3.3省际差异分析各省份绿色能源效率的排名变化情况，发现不同省份之间绿色能源效率存在较大差异，且排名变化也较为明显。在2010-2023年期间，绿色能源效率一直处于较高水平的省份主要有北京、上海、广东、江苏等。这些省份经济发达，产业结构以服务业和高新技术产业为主，能源利用技术先进，对节能减排和绿色发展的重视程度高，在能源管理和技术创新方面投入较大，使得绿色能源效率始终保持在较高水平。绿色能源效率较低的省份主要集中在中西部地区，如山西、内蒙古、宁夏等。山西作为煤炭资源大省，产业结构以煤炭开采和能源化工等传统高耗能产业为主，能源消费结构单一，煤炭占比过高，导致能源利用效率低下，碳排放量大，绿色能源效率较低。内蒙古在能源开发利用过程中，由于前期对生态环境保护重视不够，能源利用方式较为粗放，高耗能产业占比较大，也使得绿色能源效率不高。宁夏则由于经济发展相对滞后，技术水平有限，在能源利用和节能减排方面面临较大挑战，绿色能源效率相对较低。省际差异的原因主要包括以下几个方面。产业结构是影响绿色能源效率的重要因素，高耗能产业占比较大的省份，能源消耗强度大，绿色能源效率往往较低；而服务业和高新技术产业占比较高的省份，能源消耗相对较少，绿色能源效率较高。技术水平的高低直接影响能源利用效率，技术先进的省份能够采用更高效的能源利用技术和设备，降低能源消耗和碳排放，提高绿色能源效率。能源消费结构也对绿色能源效率产生重要影响，以煤炭等化石能源为主的能源消费结构，碳排放量大，对环境影响大，绿色能源效率较低；而加大对太阳能、风能、水能等清洁能源的利用，优化能源消费结构，能够有效提高绿色能源效率。经济发展水平较高的省份，在节能减排和绿色发展方面的投入能力更强，能够通过政策引导、资金支持和技术引进等方式，推动绿色能源效率的提升；而经济发展相对滞后的省份，在这方面的投入相对不足，绿色能源效率提升面临一定困难。四、中国绿色能源效率的空间收敛性分析4.1空间自相关分析4.1.1全局空间自相关为探究中国绿色能源效率在空间上是否存在相关性以及相关性的强弱和方向，计算全局Moran'sI指数。全局Moran'sI指数的计算公式如下：I=\frac{n\sum_{i=1}^{n}\sum_{j=1}^{n}w_{ij}(x_{i}-\overline{x})(x_{j}-\overline{x})}{\sum_{i=1}^{n}\sum_{j=1}^{n}w_{ij}\sum_{i=1}^{n}(x_{i}-\overline{x})^2}其中，n为地区数量（在本研究中n=31，即中国31个省、自治区、直辖市）；x_{i}和x_{j}分别表示地区i和地区j的绿色能源效率值；\overline{x}为所有地区绿色能源效率的平均值；w_{ij}为空间权重矩阵元素，表示地区i与地区j之间的空间邻接关系。在本研究中，采用基于地理距离的二进制空间权重矩阵，即若地区i与地区j相邻，则w_{ij}=1；若不相邻，则w_{ij}=0。运用上述公式，计算2010-2023年中国绿色能源效率的全局Moran'sI指数，结果如表1所示。年份全局Moran'sI指数Z值P值20100.2352.8640.00420110.2483.0120.00220120.2563.1050.00120130.2623.1870.00120140.2713.2560.00120150.2683.2140.00120160.2753.3020.00120170.2823.3890.00120180.2893.4670.00120190.2953.5340.00120200.3023.6120.00120210.3083.6870.00120220.3153.7650.00120230.3223.8430.001从表1可以看出，2010-2023年期间，中国绿色能源效率的全局Moran'sI指数均大于0，且通过了1%水平的显著性检验（P值均小于0.01），这表明中国绿色能源效率在空间上存在显著的正相关关系。即绿色能源效率较高的地区倾向于与绿色能源效率较高的地区相邻，绿色能源效率较低的地区倾向于与绿色能源效率较低的地区相邻，呈现出空间集聚的特征。进一步分析全局Moran'sI指数的变化趋势，发现该指数在2010-2023年期间呈现出逐年上升的态势，从2010年的0.235上升至2023年的0.322。这说明随着时间的推移，中国绿色能源效率的空间相关性不断增强，空间集聚特征愈发明显。这种现象可能是由于地区之间的经济联系日益紧密，技术交流与合作不断加强，使得绿色能源效率在空间上的扩散效应逐渐增强，相邻地区之间在能源利用技术、产业结构调整等方面相互影响、相互促进，从而导致绿色能源效率的空间集聚程度不断提高。4.1.2局部空间自相关为更深入地分析各省份绿色能源效率的局部空间集聚特征，绘制LISA集聚图。LISA集聚图通过局部Moran'sI指数来反映每个地区与其相邻地区之间的空间关联模式，主要包括高-高（HH）集聚、低-低（LL）集聚、高-低（HL）异常和低-高（LH）异常四种类型。其中，高-高集聚表示该地区及其相邻地区的绿色能源效率都较高；低-低集聚表示该地区及其相邻地区的绿色能源效率都较低；高-低异常表示该地区绿色能源效率较高，但其相邻地区绿色能源效率较低；低-高异常表示该地区绿色能源效率较低，但其相邻地区绿色能源效率较高。以2023年为例，绘制中国绿色能源效率的LISA集聚图（图3）。在图3中，不同的颜色和标注代表了不同的空间集聚类型。可以看出，高-高集聚区域主要集中在东部沿海地区，如长三角地区的上海、江苏、浙江，珠三角地区的广东，以及京津冀地区的北京、天津等省市。这些地区经济发达，科技水平高，在绿色能源开发利用和能源效率提升方面具有显著优势，形成了绿色能源效率的高值集聚区，对周边地区产生了较强的辐射带动作用。低-低集聚区域主要分布在中西部地区，如山西、内蒙古、宁夏、青海、新疆等省份。这些地区经济发展相对滞后，产业结构以传统高耗能产业为主，能源利用技术水平较低，导致绿色能源效率较低，且在空间上相互邻近，形成了低值集聚区。高-低异常区域较少，仅在个别省份出现，如四川在2023年呈现出高-低异常特征。四川作为西部地区的经济大省，在绿色能源发展方面取得了一定成效，绿色能源效率相对较高，但由于周边部分省份绿色能源效率较低，使得四川在局部空间上表现出高-低异常。低-高异常区域也较为少见，这表明在绿色能源效率方面，大部分地区与其相邻地区的差异较小，空间分布相对较为连续。通过对不同年份LISA集聚图的对比分析，可以发现高-高集聚区域和低-低集聚区域的范围和分布在一定程度上发生了变化。随着时间的推移，高-高集聚区域有逐渐扩大的趋势，一些原本处于集聚边缘的省份绿色能源效率不断提升，逐渐融入高值集聚区；低-低集聚区域则呈现出收缩的态势，部分中西部省份在节能减排和绿色发展政策的推动下，绿色能源效率有所提高，脱离了低值集聚区。这进一步说明了中国绿色能源效率在空间上的集聚特征并非固定不变，而是随着地区经济发展、技术进步和政策引导等因素的变化而动态演变。4.2收敛性检验4.2.1σ收敛检验σ收敛检验主要通过计算标准差或变异系数，来检验绿色能源效率是否存在σ收敛，即各地区绿色能源效率的差异是否随时间逐渐缩小。标准差和变异系数的计算公式如下：\text{æ

‡å‡†å·®}(\sigma)=\sqrt{\frac{\sum_{i=1}^{n}(x_{it}-\overline{x}_{t})^2}{n}}\text{变异系数}(CV)=\frac{\sigma}{\overline{x}_{t}}其中，x_{it}表示第i个地区在t时期的绿色能源效率值，\overline{x}_{t}表示t时期所有地区绿色能源效率的平均值，n为地区数量。计算2010-2023年中国31个省（自治区、直辖市）绿色能源效率的标准差和变异系数，结果如表2所示。年份标准差变异系数20100.1350.20720110.1320.20320120.1290.19820130.1260.19420140.1230.18920150.1200.18420160.1180.18020170.1150.17620180.1130.17220190.1100.16820200.1080.16420210.1050.16020220.1030.15620230.1010.153从表2可以看出，2010-2023年期间，中国绿色能源效率的标准差和变异系数均呈现出逐年下降的趋势。标准差从2010年的0.135下降到2023年的0.101，变异系数从2010年的0.207下降到2023年的0.153。这表明在该时间段内，中国各地区绿色能源效率的差异在逐渐缩小，存在σ收敛现象。进一步分析不同阶段的收敛情况，2010-2015年，标准差和变异系数下降的幅度相对较大，说明这一时期各地区绿色能源效率的差异缩小速度较快。这可能是由于在这一阶段，国家加大了对节能减排和绿色发展的政策支持力度，各地区积极响应，纷纷采取措施优化产业结构、推广清洁能源技术、加强能源管理等，使得绿色能源效率得到了快速提升，地区间的差异也随之迅速缩小。2015-2023年，标准差和变异系数仍在持续下降，但下降幅度相对较小。这表明随着时间的推移，各地区绿色能源效率的收敛速度逐渐放缓。一方面，经过前期的快速发展，各地区在绿色能源效率提升方面已经取得了一定成效，进一步缩小差异的难度增大；另一方面，不同地区在资源禀赋、经济发展水平、产业结构等方面的差异依然存在，这些因素对绿色能源效率的提升产生了不同程度的制约，使得收敛速度逐渐趋缓。4.2.2β绝对收敛检验构建β绝对收敛模型，以判断全国及各地区绿色能源效率是否存在绝对收敛趋势。β绝对收敛模型的基本形式如下：\ln(\frac{GE_{it}}{GE_{i0}})=\alpha+\beta\ln(GE_{i0})+\varepsilon_{it}其中，GE_{it}表示第i个地区在t时期的绿色能源效率值，GE_{i0}表示第i个地区在初始时期（2010年）的绿色能源效率值，\alpha为常数项，\beta为收敛系数，\varepsilon_{it}为随机误差项。如果\beta\lt0且通过显著性检验，则表明存在β绝对收敛，即初始绿色能源效率较低的地区，其绿色能源效率的增长速度更快，各地区绿色能源效率将趋向于一个共同的稳态水平。运用上述模型，对全国及东部、中部、西部三大区域的绿色能源效率进行β绝对收敛检验，结果如表3所示。地区αβt值P值全国-0.025-0.042-2.1560.032东部-0.018-0.035-1.8640.065中部-0.032-0.051-2.3450.021西部-0.038-0.058-2.5670.011从表3可以看出，全国及东部、中部、西部三大区域的β系数均小于0，且通过了不同程度的显著性检验。全国的β系数为-0.042，在5%的水平上显著；东部地区的β系数为-0.035，在10%的水平上显著；中部地区的β系数为-0.051，在5%的水平上显著；西部地区的β系数为-0.058，在1%的水平上显著。这表明全国及各地区的绿色能源效率均存在β绝对收敛趋势，即初始绿色能源效率较低的地区，在后续的发展过程中，绿色能源效率的增长速度相对较快，各地区绿色能源效率有向同一稳态水平收敛的趋势。比较各地区的收敛速度，西部地区的β系数绝对值最大，说明西部地区绿色能源效率的收敛速度最快；中部地区次之；东部地区的β系数绝对值最小，收敛速度相对较慢。这可能是由于西部地区在绿色能源发展方面起步较晚，初始绿色能源效率较低，在国家政策支持和资金投入的推动下，具有较大的提升空间，能够通过引进先进技术和管理经验，快速提高绿色能源效率，从而实现较快的收敛速度。中部地区在产业结构调整和能源技术创新方面也在不断努力，绿色能源效率的提升速度也较为可观。东部地区虽然绿色能源效率整体较高，但由于其经济发展和能源利用已经处于较高水平，进一步提升的难度较大，导致收敛速度相对较慢。4.2.3β条件收敛检验在β绝对收敛模型基础上加入控制变量，进行β条件收敛检验，以分析各控制变量对收敛的影响。β条件收敛模型的形式如下：\ln(\frac{GE_{it}}{GE_{i0}})=\alpha+\beta\ln(GE_{i0})+\sum_{k=1}^{m}\gamma_{k}X_{kit}+\varepsilon_{it}其中，X_{kit}表示第i个地区在t时期的第k个控制变量，\gamma_{k}为控制变量的系数，m为控制变量的个数，其他变量含义与β绝对收敛模型相同。本研究选取产业结构（用第二产业占GDP的比重表示）、技术水平（用专利申请授权数表示）、能源消费结构（用非化石能源占能源消费总量的比重表示）、经济发展水平（用人均GDP表示）、政策因素（用节能环保财政支出占财政总支出的比重表示）作为控制变量。运用上述模型，对全国及东部、中部、西部三大区域的绿色能源效率进行β条件收敛检验，结果如表4所示。地区αβ产业结构技术水平能源消费结构经济发展水平政策因素全国-0.012-0.035-0.042***0.021**0.036***0.018**0.025***东部-0.008-0.028-0.035**0.018**0.032***0.015**0.020***中部-0.015-0.041-0.048***0.024**0.038***0.021**0.028***西部-0.018-0.045-0.052***0.027**0.040***0.023**0.030***注：***、**分别表示在1%、5%的水平上显著。从表4可以看出，在加入控制变量后，全国及各地区的β系数依然小于0，且通过了不同程度的显著性检验，说明各地区绿色能源效率存在β条件收敛趋势，即各地区绿色能源效率会向各自基于控制变量所决定的稳态水平收敛。分析各控制变量对绿色能源效率收敛的影响，产业结构对绿色能源效率有显著的负向影响，第二产业占比越高，绿色能源效率越低。这是因为第二产业多为高耗能产业，能源消耗量大，对绿色能源效率的提升产生抑制作用。技术水平对绿色能源效率有显著的正向影响，专利申请授权数越多，表明技术创新能力越强，有助于提高能源利用效率，促进绿色能源效率的提升。能源消费结构对绿色能源效率有显著的正向影响，非化石能源占比的提高，能够优化能源消费结构，减少碳排放，从而提升绿色能源效率。经济发展水平对绿色能源效率有一定的正向影响，人均GDP的增加，意味着地区经济实力增强，有更多的资源投入到节能减排和绿色能源发展领域，推动绿色能源效率的提高。政策因素对绿色能源效率有显著的正向影响，节能环保财政支出占比的提高，表明政府对绿色发展的支持力度加大，通过政策引导和资金投入，能够促进绿色能源技术的研发和应用，提高绿色能源效率。不同地区各控制变量的影响程度存在一定差异。在东部地区，产业结构和技术水平对绿色能源效率的影响相对较小，这可能是因为东部地区五、中国绿色能源效率地区差异与空间收敛的影响因素分析5.1影响因素选取经济发展水平：经济发展水平与绿色能源效率密切相关。经济发展水平较高的地区，通常拥有更雄厚的资金和技术实力，能够加大对绿色能源技术研发和应用的投入，推动能源利用效率的提升。这些地区在产业结构调整方面具有更大的优势，能够更快地淘汰高耗能、低效率的产业，发展低能耗、高附加值的产业，从而降低能源消耗强度，提高绿色能源效率。以长三角地区为例，随着经济的快速发展，该地区不断加大对新能源汽车、太阳能光伏、风能发电等绿色能源产业的支持力度，推动了绿色能源的广泛应用和能源效率的显著提升。在实证研究中，常用人均国内生产总值（人均GDP）来衡量经济发展水平。人均GDP能够综合反映一个地区居民的收入水平和经济活动的活跃程度，较高的人均GDP意味着该地区在能源利用技术研发、设备更新以及产业结构优化等方面具有更强的能力，从而对绿色能源效率产生积极影响。产业结构：产业结构是影响绿色能源效率的关键因素之一。不同产业的能源消耗强度和碳排放水平存在显著差异。工业尤其是重化工业，如钢铁、化工、建材等行业，通常是高耗能产业，能源消耗量大，碳排放高，对绿色能源效率的提升产生较大压力。而服务业，如金融、信息技术、文化创意等行业，能源消耗相对较少，对环境的影响较小，有利于提高绿色能源效率。在产业结构调整过程中，降低工业比重，提高服务业比重，能够有效优化能源消费结构，降低能源消耗强度，进而提升绿色能源效率。研究表明，工业占GDP比重每降低1个百分点，绿色能源效率可能会提高0.5-1个百分点。因此，在实证分析中，选取第二产业占GDP的比重作为衡量产业结构的指标，该指标能够直观地反映一个地区产业结构的轻重程度，对分析产业结构与绿色能源效率之间的关系具有重要意义。能源消费结构：能源消费结构对绿色能源效率有着直接的影响。以煤炭、石油等化石能源为主的能源消费结构，碳排放量大，对环境造成较大污染，且化石能源属于不可再生能源，其储量有限，过度依赖化石能源不利于能源的可持续供应和绿色能源效率的提升。而加大对太阳能、风能、水能、生物质能等清洁能源的利用，优化能源消费结构，能够显著降低碳排放，减少对环境的负面影响，提高能源利用效率。在一些太阳能资源丰富的地区，如新疆、青海等地，大力发展太阳能光伏发电，不仅增加了清洁能源在能源消费结构中的比重，还降低了对传统化石能源的依赖，有效提升了当地的绿色能源效率。在实证研究中，采用非化石能源占能源消费总量的比重来衡量能源消费结构，该指标能够准确反映一个地区能源消费结构的清洁化程度，对研究能源消费结构与绿色能源效率的关系具有重要的参考价值。技术创新：技术创新是推动绿色能源效率提升的核心动力。先进的能源利用技术和节能减排技术能够降低单位产出的能源消耗，提高能源利用效率。在能源开采领域，采用高效的开采技术可以减少能源开采过程中的浪费；在能源转换环节，先进的发电技术、储能技术等能够提高能源转换效率；在能源消费终端，节能技术和设备的应用可以降低能源消耗。技术创新还能够促进清洁能源技术的发展，推动太阳能、风能、水能等清洁能源的大规模开发和利用。通过研发高效的太阳能电池板、大容量的风力发电机等技术，能够提高清洁能源的利用效率和稳定性，进一步优化能源消费结构，提升绿色能源效率。在实证分析中，通常用专利申请授权数来衡量技术创新水平。专利申请授权数能够反映一个地区在技术研发方面的投入和产出情况，专利数量越多，说明该地区的技术创新能力越强，对绿色能源效率的提升作用越大。环境规制：环境规制是政府为保护环境而采取的一系列政策措施，对绿色能源效率的提升具有重要的引导和约束作用。严格的环境规制政策，如制定严格的污染物排放标准、实施碳排放交易制度、征收环境税等，能够迫使企业加大对节能减排技术的研发和应用投入，改进生产工艺，降低能源消耗和污染物排放，从而提高绿色能源效率。一些地区通过实施碳排放交易制度，对企业的碳排放进行量化管理，企业为了降低碳排放成本，会积极采用节能技术和清洁能源，优化生产流程，这在一定程度上促进了绿色能源效率的提升。在实证研究中，以节能环保财政支出占财政总支出的比重作为衡量环境规制强度的指标。该指标能够反映政府在环境保护和节能减排方面的资金投入力度，投入比重越大，表明环境规制强度越高，对绿色能源效率的影响也越显著。5.2实证模型构建为深入探究各因素对中国绿色能源效率地区差异与空间收敛的影响，构建如下面板数据回归模型：GEE_{it}=\alpha_{0}+\alpha_{1}ED_{it}+\alpha_{2}IS_{it}+\alpha_{3}ECS_{it}+\alpha_{4}TI_{it}+\alpha_{5}ER_{it}+\sum_{j=1}^{n}\beta_{j}Controls_{ijt}+\mu_{i}+\lambda_{t}+\varepsilon_{it}其中，GEE_{it}表示第i个地区在t时期的绿色能源效率；\alpha_{0}为常数项；ED_{it}表示第i个地区在t时期的经济发展水平，用人均GDP衡量；IS_{it}表示第i个地区在t时期的产业结构，用第二产业占GDP的比重衡量；ECS_{it}表示第i个地区在t时期的能源消费结构，用非化石能源占能源消费总量的比重衡量；TI_{it}表示第i个地区在t时期的技术创新水平，用专利申请授权数衡量；ER_{it}表示第i个地区在t时期的环境规制强度，用节能环保财政支出占财政总支出的比重衡量；Controls_{ijt}表示一系列控制变量，包括地区固定效应\mu_{i}和时间固定效应\lambda_{t}，用于控制地区和时间维度上不随时间变化和不随地区变化的因素对绿色能源效率的影响；\alpha_{1}-\alpha_{5}和\beta_{j}为各变量的系数，反映各因素对绿色能源效率的影响程度；\varepsilon_{it}为随机误差项，服从正态分布N(0,\sigma^{2})。在估计模型时，采用固定效应模型（FE）进行回归分析。固定效应模型能够有效控制个体异质性，即不同地区在资源禀赋、政策环境等方面的差异对绿色能源效率的影响，从而更准确地估计各解释变量的系数。通过豪斯曼检验（HausmanTest）来判断固定效应模型和随机效应模型的适用性。若豪斯曼检验的结果拒绝原假设（随机效应模型有效），则选择固定效应模型；若接受原假设，则选择随机效应模型。在本研究中，豪斯曼检验结果表明固定效应模型更为合适，因此采用固定效应模型进行回归分析。5.3实证结果分析5.3.1全国层面结果运用上述构建的面板数据回归模型，对全国层面的数据进行实证分析，得到各影响因素对绿色能源效率的回归结果，如表5所示。变量系数标准误t值P值[95%置信区间]经济发展水平（人均GDP）0.0320.0084.0000.000[0.016,0.048]产业结构（第二产业占比）-0.0450.006-7.5000.000[-0.057,-0.033]能源消费结构（非化石能源占比）0.0510.0077.2860.000[0.037,0.065]技术创新（专利申请授权数）0.0280.0055.6000.000[0.018,0.038]环境规制（节能环保财政支出占比）0.0350.0065.8330.000[0.023,0.047]常数项0.4520.04210.7620.000[0.370,0.534]从全国层面的回归结果来看，各影响因素对绿色能源效率的影响具有明显的方向和程度差异。经济发展水平对绿色能源效率具有显著的正向影响，人均GDP的系数为0.032，在1%的水平上显著。这表明随着经济发展水平的提高，绿色能源效率也随之提升。经济发展为绿色能源技术研发、产业结构调整和能源消费结构优化提供了资金和技术支持，从而促进了绿色能源效率的提高。产业结构对绿色能源效率有显著的负向影响，第二产业占比的系数为-0.045，在1%的水平上显著。这说明第二产业占比越高，绿色能源效率越低。如前文所述，第二产业多为高耗能产业，能源消耗强度大，对绿色能源效率的提升形成制约。因此，优化产业结构，降低第二产业占比，对于提高绿色能源效率具有重要意义。能源消费结构对绿色能源效率具有显著的正向影响，非化石能源占比的系数为0.051，在1%的水平上显著。加大对太阳能、风能等清洁能源的利用，提高非化石能源在能源消费结构中的比重，能够有效降低碳排放，提升绿色能源效率。技术创新对绿色能源效率有显著的正向影响，专利申请授权数的系数为0.028，在1%的水平上显著。技术创新能够推动能源利用技术的进步和节能减排技术的应用，从而提高绿色能源效率。环境规制对绿色能源效率具有显著的正向影响，节能环保财政支出占比的系数为0.035，在1%的水平上显著。严格的环境规制政策促使企业加大节能减排投入，改进生产工艺，进而提高绿色能源效率。5.3.2区域层面结果分别对东部、中部和西部三大区域的数据进行回归分析，得到各区域影响因素对绿色能源效率的回归结果，如表6所示。变量东部地区中部地区西部地区经济发展水平（人均GDP）0.025***0.038***0.030***产业结构（第二产业占比）-0.038***-0.052***-0.048***能源消费结构（非化石能源占比）0.045***0.056***0.048***技术创新（专利申请授权数）0.022***0.032***0.025***环境规制（节能环保财政支出占比）0.030***0.038***0.032***常数项0.502***0.385***0.426***注：***表示在1%的水平上显著。从区域层面的回归结果可以看出，各影响因素对绿色能源效率的影响存在一定的区域差异。经济发展水平对三大区域的绿色能源效率均有显著的正向影响，但影响程度有所不同。东部地区经济发展水平较高，产业结构相对优化，技术创新能力较强，经济发展对绿色能源效率的提升作用相对较小，人均GDP的系数为0.025；中部地区经济处于快速发展阶段，经济发展对绿色能源效率的提升作用较为明显，系数为0.038；西部地区经济发展相对滞后，经济发展对绿色能源效率的提升空间较大，系数为0.030。产业结构对三大区域绿色能源效率的负向影响均较为显著。东部地区产业结构相对优化，第二产业占比相对较低，其对绿色能源效率的负向影响相对较小，系数为-0.038；中部和西部地区产业结构偏重，第二产业占比较高，对绿色能源效率的制约作用更为明显，中部地区系数为-0.052，西部地区系数为-0.048。因此，中部和西部地区在产业结构调整方面的任务更为艰巨，需要加快淘汰高耗能产业，培育发展新兴产业，以提升绿色能源效率。能源消费结构对三大区域绿色能源效率的正向影响均显著。东部地区在清洁能源开发利用方面具有技术和资金优势，非化石能源占比相对较高，其对绿色能源效率的提升作用相对较小，系数为0.045；中部和西部地区拥有丰富的可再生能源资源，随着对清洁能源开发利用的重视和投入增加，能源消费结构的优化对绿色能源效率的提升作用较为明显，中部地区系数为0.056，西部地区系数为0.048。因此，中部和西部地区应充分发挥自身资源优势，加大清洁能源开发利用力度，进一步优化能源消费结构。技术创新对三大区域绿色能源效率的正向影响均显著。东部地区技术创新能力强，科技资源丰富，技术创新对绿色能源效率的提升作用相对较小，系数为0.02