摘要:随着信息化进程的迅速推进,信息化对能源配置效率及能源利用效率的提升作用愈加明显。本文选择了信息量、信息装备水平及通信主体水平三个指标对信息化进行刻画,以北京市为例,对信息化与能源效率的相关性进行实证研究。研究证实信息化与能源效率存在明显的正相关性,企业信息化及国民经济信息化水平越高,越有利于能源效率的提升。
关键词:信息化;能源效率;相关性
一、引言
能源是人类社会发展的物质基础,是实现区域经济发展及国家安全的重要保障。改革开放以来,中国经济一直保持高速增长,经济建设取得举世瞩目的成就,但由于粗放型的经济增长方式,高能耗产业所占比重高居不下,能源需求量日益攀升,而我国能源资源相对缺乏,能源需求对外依存度较高且呈快速上升趋势,因此,如何以能源效率为突破口,提高能源配置效率和利用效率成为解决我国能源供需矛盾的关键。改革开放以来,我国能源效率有了较大提升,关于中国能源效率变化的动因成为国内外学者研究的热点。以往的研究主要以产业结构、能源消费结构、科技进步、能源价格、市场化程度等因素与能源效率之间的关系为切入点,寻求能源效率变动的主要影响因素,得出了许多有益的结论。但对于信息化与能源效率的研究甚少。21世纪是一个信息化时代,人民生活、经济发展、社会进步都与信息化息息相关。《2006-2020年国家信息化发展战略》提出:“利用信息技术改造和提升传统产业。促进信息技术在能源、交通运输、冶金、机械和化工等行业的普及应用,推进设计研发信息化、生产装备数字化、生产过程智能化和经营管理网络化。充分运用信息技术推动高能耗、高物耗和高污染行业的改造。”由此可见,信息化对能源效率的提升有着不可忽视的作用。北京市作为全国的政治、交通、文化中心,在国家的社会经济发展中具有极为重要的战略地位,其信息化水平及能源利用效率又居于全国前列,因此,研究北京市信息化与能源效率问题对北京市制定节能政策,实现信息化节能及低能耗可持续发展意义重大。
二、相关文献综述
目前关于信息化与能源效率问题的研究很少。魏楚(2010)对地区能源效率差异进行影响因素分析时引入了信息化作为解释变量,认为信息化对企业业务流程改善、资源配置效率及劳动生产率的提升有着极为重要的作用
[1]。宣能啸(2004)认为较低的信息化水平是造成能源管理、利用过程中无效低效的主要原因
[2]。其他学者也认为,以信息化带动工业化战略,有利于向低能耗的新型工业化阶段过渡
[3],并由此提高工业用能效率,进而实现“信息化节能”
[4]。同时,信息资源本身也具有生产要素的性质,并且在一定程度上可以代替各种能源、实物等要素投入,从而实现能源节约,提高能源效率
[5]。可以看出,以往的研究主要以定性研究为主,实证研究缺乏。魏楚虽然在研究中引入了信息化作为能源效率的一个解释变量,但单纯以“移动电话用户数”占地区人口比重这一简单的指标来诠释信息化程度说服力不够,信息化涉及信息量、信息装备水平及通信主体水平等多方面的因素,而“移动电话用户数”只是信息装备水平在某种程度上的体现。可见,寻求可以全面、合理的反映信息化指标,并以此为基础对信息化与能源效率的关系进行实证研究具有一定的创新性和必要性。
三、实证分析
(一)、变量选择与数据说明
1、能源效率
对于能源效率的测度指标及测度方法有很多。主要有能源宏观效率、能源实物效率、能源物理效率、能源价值效率、能源要素利用效率、能源要素配置效率及能源经济效率
[6]。目前能源宏观效率应用最为普遍,即单位能耗的GDP产出,本文也采用该指标测度能源效率。相应数据来自1980年—2008年《北京市统计年鉴》。
2、信息化水平
信息化的类型可以分为产品信息化、企业信息化、产业信息化、国民经济信息化及社会生活信息化。考虑到数据的可获取性,本文主要参考了国民经济信息化评价体系。对于国民经济信息化测度理论与方法,目前国际上比较认可的有三种——日本信息化指数模型、国际电联指标体系法及国际数据公司法。其中,以日本信息化指数模型最为科学合理,其侧重于社会信息活动相关方面,能够进行横向纵向比较,很好的反应的信息化发展进程,并且数据的获取相对容易。本文参考该模型选取了信息量、信息装备水平及通信主体水平三个指标对信息化进行诠释。信息量反映了地区整体通信规模,是地区信息化最为直接的表现,文本以邮电业务总量(亿元)来衡量;信息装备水平体现了地区通信设施水平,是地区信息化发展的基础和实物表现,本文以每百人彩色电视机拥有量(台/百人)来刻画该指标;通信主体水平反映了地区通讯主体的整体素质水平,直接或间接对地区信息化产生影响,本文以在校大学生人数(万人)来代替。相应数据来自1980年—2008年《北京市统计年鉴》。
(二)、模型设定及计量模型结果分析
对于时间序列的估计方法以最小二乘估计方程最为普遍,本文采用多元线性最小二乘估计模型对上述变量进行参数估计。估计方程如下:
LNEE = C(1) + C(2)*LNXXL + C(3)*LNZB1 + C(4)*LNZT (1)
其中变量LNEE、LNXXL、LNZB、LNZT分别为能源效率、信息量、信息装备水平及通信主体水平。
表1 各变量的统计性描述
|
能源效率
LNEE |
信息量
LNXXL |
信息装备水平
LNZB |
通信主体水平
LNZT |
Mean |
-1.076833 |
3.719161 |
4.429540 |
3.004366 |
Median |
-1.085189 |
3.734746 |
5.175019 |
2.863360 |
Maximum |
0.494296 |
6.685630 |
5.657040 |
4.052896 |
Minimum |
-2.618125 |
1.100184 |
0.470004 |
2.116641 |
Std. Dev. |
1.035522 |
1.872164 |
1.684887 |
0.622395 |
Skewness |
-0.007442 |
0.049343 |
-1.525381 |
0.479638 |
Kurtosis |
1.577349 |
1.535088 |
3.847065 |
1.926166 |
注:为了减弱模型中数据的异方差性,对各变量取对数进行估计。
表2 模型回归分析结果
|
|
|
|
|
|
|
|
|
|
Variable |
Coefficient |
Std. Error |
t-Statistic |
Prob. |
|
|
|
|
|
|
|
|
|
|
C |
-3.428144 |
0.099493 |
-34.45617 |
0.0000 |
LNXXL |
0.483465 |
0.019088 |
25.32766 |
0.0000 |
LNZB |
0.040611 |
0.008761 |
4.635188 |
0.0001 |
LNZT |
0.124265 |
0.051754 |
2.401059 |
0.0241 |
|
|
|
|
|
|
|
|
|
|
R-squared |
0.998150 |
Mean dependent var |
-1.076833 |
Adjusted R-squared |
0.997928 |
S.D. dependent var |
1.035522 |
S.E. of regression |
0.047131 |
Akaike info criterion |
-3.144323 |
Sum squared resid |
0.055534 |
Schwarz criterion |
-2.955731 |
Log likelihood |
49.59269 |
Hannan-Quinn criter. |
-3.085258 |
F-statistic |
4497.126 |
Durbin-Watson stat |
1.141948 |
Prob(F-statistic) |
0.000000 |
|
|
|
|
|
|
|
|
|
|
|
|
|
LNEE = -3.42814440586 + 0.483465080479*LNXXL + 0.0406110263249*LNZB + 0.124265350925*LNZT
从回归结果可以看出,可决系数R
2为0.9981,调整后为0.9979,说明方程的拟合度很好,C、LNXXL、LNZB均在1%的显著水平下通过了检验,LNZT在5%的显著水平下通过了检验,F统计量为4497.126通过检验,DW统计量为1.14,残差序列可能存在序列相关,对其进行LM检验(P=2),检验结果如下:
表3 LM检验结果
|
|
|
|
|
|
|
|
|
|
F-statistic |
8.232878 |
Prob. F(2,23) |
0.0020 |
Obs*R-squared |
12.09927 |
Prob. Chi-Square(2) |
0.0024 |
|
|
|
|
|
|
|
|
|
|
LM统计量显示,拒绝原假设,说明方程残差序列存在相关性,因此回归方程的估计结果不再有效,必须采取相应的方程修正残差的自相关性。本文采用AR(P)模型对回归方程残差序列的自相关性进行修正。模型如下:
LNEE = C(1) + C(2)*LNXXL + C(3)*LNZB1 + C(4)*LNZT + [AR(3)=C(5)] (2)
表4 修正后回归方程分析结果
|
|
|
|
|
|
|
|
|
|
Variable |
Coefficient |
Std. Error |
t-Statistic |
Prob. |
|
|
|
|
|
|
|
|
|
|
C |
-3.399484 |
0.060778 |
-55.93305 |
0.0000 |
LNXXL |
0.490988 |
0.011271 |
43.56360 |
0.0000 |
LNZB |
0.035677 |
0.006174 |
5.778687 |
0.0000 |
LNZT |
0.113902 |
0.029762 |
3.827044 |
0.0010 |
AR(3) |
-0.675591 |
0.171220 |
-3.945757 |
0.0007 |
|
|
|
|
|
|
|
|
|
|
R-squared |
0.998687 |
Mean dependent var |
-0.902967 |
Adjusted R-squared |
0.998437 |
S.D. dependent var |
0.947002 |
S.E. of regression |
0.037444 |
Akaike info criterion |
-3.560886 |
Sum squared resid |
0.029443 |
Schwarz criterion |
-3.318945 |
Log likelihood |
51.29152 |
Hannan-Quinn criter. |
-3.491216 |
F-statistic |
3992.463 |
Durbin-Watson stat |
1.894570 |
Prob(F-statistic) |
0.000000 |
|
|
|
|
|
|
|
|
|
|
|
|
|
Inverted AR Roots |
.44-.76i |
.44+.76i |
-.88 |
|
|
|
|
|
|
|
|
|
|
LNEE = -3.3995 + 0.491*LNXXL + 0.03568*LNZB + 0.1139*LNZT + [AR(3)=-0.6756]
从修正结果可以看出,可决系数R
2为0.9987,调整后为0.9984,说明方程的拟合度很好,C、LNXXL、LNZB、LNZT均在1%的显著水平下通过了检验,F统计量为4497.126通过检验。再次对方程的残差序列进行LM检验(P=2),
表5 LM检验结果
|
|
|
|
|
|
|
|
|
|
F-statistic |
1.492734 |
Prob. F(2,19) |
0.2500 |
Obs*R-squared |
3.530613 |
Prob. Chi-Square(2) |
0.1711 |
|
|
|
|
|
|
|
|
|
|
检验结果不能再拒绝原假设,说明修正后回归方程的残差序列不存在自相关性。从修正后回归方程结果可以看出,信息量、信息装备水平及通信主体水平与能源效率存在明显的正向相关关系,说明信息量越大,信息装备水平及通信主体水平越高能源效率越高,即信息化水平越高,能源效率越高。
四、结论
信息化对能源效率的影响主要体现在对能源配置效率及能源利用效率两方面。能源配置效率方面,企业可以通过信息技术提高管理水平及监控水平,实现企业能源和其他资源管理的数字化、企业经营数字化和管理数字化,以此提升能源配置效率。
能源利用效率方面,对于企业而言,一是通过信息技术对传统生产设备进行技术改造,利用高能效设备取代低能耗设备。二是通过信息技术改造传统产品,提高传统产品质量,逐步使传统资源密集型产品变成高技术集约的新型产品,实现产品设计数字化、生产过程数字化。对于政府而言,建设节能减排检测、监控、举报等相关信息系统和信息平台,完善以信息化促进节能减排有关申报、引导与考核等有效机制,引导企业提高自身能源利用效率。
另外,信息资源本身也具有生产要素的性质,并且在一定程度上可以代替各种能源、实物等要素投入。因此,努力寻求信息资源对各种能源的代替途径,并且提高信息资源与各种能源的替代水平,以更少的能源投入实现更多的经济产出,以此提高能源利用效率。
参考文献:
[1]魏楚.工业能源效率、节能潜力与影响因素——基于浙江省的实证分析.学习与实践,2010(3),16-25
[2]宣能啸.我国能源效率问题分析.国际石油经济,2004(9),35-38
[3]蒋金荷.提高能源效率与经济结构调整的策略分析.数量经济技术经济研究,2004(10),16-23
[4][5]白泉、佟庆.信息化提高工业用能效率从何处做起.节能与环保,2004(2) 11-14
[6]魏一鸣、廖华.能源效率的七类测度指标及其测度方法.中国软科学,2010(1),128-137