溫度變化與電力需求的關系
——基于2000—2014年中國城市面板數據的經驗證據

楊志明，李婉睿，鄢哲明

（1.北京科技大學 東凌經濟管理學院，北京 100083；2.中央財經大學 管理科學與工程學院，北京 100081；3.陜西師范大學 國際商學院，陜西 西安 710119）

清晰把握城市電力需求變化趨勢及影響因素，不僅有助于科學、合理地制定和實施電力系統計劃，也有益于保證國民經濟快速可持續發展。在城市電力需求的眾多影響因素中，溫度變化的影響雖然客觀存在，但卻較少獲得研究關注。隨著工業化和城市化進程的不斷加快，全球氣候也隨之發生改變，其中最為明顯的當屬全球氣候變暖，夏季高溫酷暑天數增加，冬季低溫雨雪天數增加。在全球變暖背景下，中國溫度變暖趨勢較為明顯，從1986年冬季開始至2007年，中國連續經歷了21個暖冬，2007年則成為近百年來最暖的一年。由于人類活動造成的大氣中溫室氣體持續增加，未來氣候也仍將保持變暖趨勢，而且變暖速率將會繼續增加[1][2]61-64。高溫酷暑天氣和低溫雨雪天氣加劇了人們對電力的需求，使得電力供求更加緊張[2]61-64。

關于溫度變化和電力需求的關系研究，已有研究取得了諸多具有前瞻性和指導性的結論，已有研究指出了溫度變化因素的重要性，但是仍然存在兩大亟待探討的問題：第一，溫度變化在多大程度上引起電力需求變化，包括居民生活用電和工業用電；第二，在上述影響關系中，對于不同的經濟增長水平、地理位置和季節特征，溫度變化對電力需求影響程度是否具有差異性。倘若無法回答上述問題，那么將難以科學、細致地評估全球氣候變化對能源系統可持續性的影響，也無法制定具有針對性的區域氣候變化應對策略。本文區別于已有研究，可能存在以下創新：首先，運用中國城市面板數據討論溫度變化對電力需求的影響，可避免傳統的特定國家或地區的截面數據集或時間序列數據集的弊端，較為廣泛的討論也有助于國家或地區間的比較；其次，從經濟增長水平、地理位置和季節特征角度討論影響的差異性，彌補溫度變化和電力需求的關系研究中差異性研究不足的問題，更有針對性地提出對策建議，有助于國家政策實施和電力企業投融資等規劃與決策。有鑒于此，本文將中國城市層面的氣象數據庫和能源經濟數據庫合并，構建溫度變化指標，分析其對電力需求的影響，并考察影響關系的差異性。

一、文獻綜述

隨著世界各國經濟快速發展和人口數量迅速增加，電力需求日益旺盛，準確地預測國家或地區的電力需求對其社會經濟發展至關重要。有關電力需求影響因素的研究已被提升至新的高度。目前，國內外學者關于電力需求影響因素的研究成果豐碩，然而研究對象主要集中在發達國家或地區，如美國、英國等，對于發展中國家研究卻相對較少，僅有少數學者關注沙特阿拉伯、土耳其等國家或地區。近年來，中國電力需求影響因素研究也逐漸豐富起來，但相比其重要意義，研究的數量和深度仍顯不足。

有學者認為，在電力需求影響因素研究中，地區經濟增長、城市化進程、工業化程度、人口增長、能源效率和電價等是至關重要的[4][5]57-65[6]201-224[7-8][9]118-130[10]。還有一些學者研究討論了社會經濟狀況指標之外的影響因素，如地區地理位置、住宅建筑面積與樓層、家用電器、節假日等[11]1855-1863[12]184-194[13]648657。事實上，電力需求除上述影響因素外，還會受到如溫度變化等氣候因素的影響?？梢钥隙ǖ氖?，溫度變化對電力需求具有顯著影響。Alzayer和AlIbrahim[14]建立計量經濟模型預測沙特阿拉伯東部的用電量，并研究以DDS表示溫度變化對用電量的影響，研究結果表明，溫度在電力需求中起著重要作用。Sailor和Mu?oz[15]提出構建CDD、HDD和ELD三個溫度變量，使用多元回歸分析方法討論并肯定了美國電力和天然氣消費受到溫度、相對濕度、風速等氣候變化因素影響。Ruth和Lin[16]2820-2833沿用該類指標構建方法，結果顯示構建的CDD和HDD兩個指標對美國馬里蘭州電力需求存在影響。Mirasgedis等[17]1737-1750、Psiloglou等[11]1855-1863和Ahmed等[18]376-383分別討論了希臘、雅典和英國、澳大利亞等國溫度變化與電力需求之間關系。溫度變化與中國電力需求關系的研究相對較少，如劉娟等[3]61-64使用多元線性回歸方法研究了溫度、濕度與相對風速對江蘇省電力需求的影響，結果表明，平均溫度是影響用電量最主要的因子，濕度與相對風速有一定的影響，劉健等[19]在此之前討論過氣候變化對江蘇省城市系統用電量變化趨勢的影響，吳向陽和張海東[20]531-538也運用計量分析模型討論北京市氣溫對電力負荷的影響?？傮w來看，已有研究認為，溫度變化與電力需求之間存在著非線性關系，即呈現典型的“U形”曲線關系[17]1737-1750[21-22]。當溫度較低時，由于需要加熱，電力需求隨著溫度降低而增加；當溫度較高時，由于需要冷卻，電力需求隨著溫度升高會增加[18]376-383[23]。學者一致地提出CDD和HDD兩個指標，用以描述閾值水平兩側溫度變化情況，即溫度升至閾值水平前，溫度升高，電力需求降低，當溫度越過閾值水平繼續攀升時，電力需求隨之增加，通常將閾值定義為平衡點溫度[13]648-657[24]278-286。

考慮到居民生活用電與工業用電存在差異性，針對居民生活用電重點討論，獲得了諸多對電力需求規劃和發展具有重要指導意義的研究成果。如Narayan和Smythl[25]、Eskeland和Mideksa[26]877-897、Blázquez等[13]648-657分別以澳大利亞、歐洲一些國家為研究對象討論居民用電需求影響因素，認為如溫度等氣候因素、收入水平、人口數量和電價等是影響居民電力需求重要因素。而工業用電則主要受到國內生產總值、產業結構和能源使用效率的影響[27][28]1-6，但其受溫度影響的敏感程度弱于居民生活用電[18]376-383。不同的經濟增長水平、地理位置和季節特征也有所差異，如胡軍峰等[29]討論中美不同發展水平國家的電力行業應對氣候變化的政策和措施的特色；Pilli-Sihvola等[30]2409-2419分析芬蘭、德國、荷蘭、法國及西班牙國家溫度變化對電力需求造成的影響，該影響程度取決于國家的地理位置；Günay[31]在研究土耳其電力需求影響因素的過程中發現，夏季和冬季的平均溫度對電力需求影響存在差異。

關于溫度變化對電力需求影響機制概括起來主要包括以下幾點：第一，轉移效應，隨著氣候變暖，消費者考慮環境因素會從石油、燃料等能源轉向電力能源，進而電力需求將有所增加[17]1737-1750；第二，制冷效應，當溫度升高，消費者具有降溫需求，將增加制冷用電量，尤其夏季表現得最為明顯，通常情況下北方降溫主要采用空調或風扇等方式，而南方雨水較多，且降溫方式選擇較多，相比較南方而言，北方對降溫度日數較為敏感[32]；第三，供暖效應，當溫度降低，消費者產生升溫需求，將提高取暖用電量，尤其冬季表現最為明顯，南方因無集中供暖，其電力供暖是最主要形式，而北方主要形式則是煤炭或天然氣供暖，電力供暖作為輔助，相比較北方而言，南方對升溫度日數較為敏感[20]531-538[33]21-27。最后，高溫抑制經濟效應，氣候變化背景下隨著溫度的升高，不同工業部門總產出有不同程度的減少，生產者會降低溫度而減少部門總產出損失，從而工業部門制冷的電力需求增加[34]。

綜上所述：（1）現有文獻較多討論局部國家或地區、特定城市的溫度變化與電力需求之間的關系，或是較多采用時間序列分析方法進行電力需求預測。一方面，僅考慮特定地區或城市的研究，難以獲得國家或地區層面的有益結論，對國家或地區電力規劃和發展的應用價值有限；另一方面，中國地區差異巨大，忽略地區差異性的研究難以準確衡量和刻畫溫度變化與電力需求之間的關系。相比之下，使用地理位置更廣泛和時間維度更長的面板數據，將有助于開展更加精確的電力需求影響因素分析和電力需求模擬預測，并有助于提出更加可靠有益的政策建議。（2）關于中國問題的研究，較多地忽略了溫度變化與電力需求之間可能存在的非線性關系特征，僅考慮單純的溫度或日照時數等氣象因素指標。為更加全面細致地探討溫度變化與電力需求的關系，滿足電力需求研究者和電力系統設計者對溫度變化影響作用研究的迫切需求，本文結合中國城市經濟社會數據與氣象數據，運用通用的降溫度日數（CDD）和升溫度日數（HDD）指標，構建更加豐富的面板數據，以期準確刻畫溫度變化與電力消費之間的關系。

二、實證方法與研究數據

（一）模型設定

本研究旨在利用氣象數據、城市電力需求和社會經濟數據考察溫度變化對電力需求的影響。參考Pilli-Sihvola等[30]2409-2419構建實證模型如下

其中，c和t代表第c城市和第t年；Ect代表第c城市第t年全社會用電量 （E0），包括城鄉居民生活用電量（E1）和工業用電量（E2）；Wct代表氣象指標，包括降溫度日數（CDD）、升溫度日數（HDD）和日照時數（SSD）；Zct代表一組其他影響城鄉居民生活用電或工業用電的控制變量，包括經濟增長水平（GDP）、人口數量（N）和液化石油氣家庭用量（GAS）、產業結構（Indstr）、工業電力使用效率（Efficiency）等；α和β分別代表氣象指標和控制變量的估計系數或向量；uc和vt分別代表不隨個體和時間而變化的個體和時間固定效應；ect代表隨機擾動項。

為刻畫溫度變化對電力需求影響所產生的經濟價值，參考Zhang等[35]、王兵和聶欣[36]類似于生活滿意度估值法（LSA），運用模型估計結果計算溫度變化對地區生產總值的彈性，以降溫度日數（CDD）為例

其中，αCDD和βGDP和分別代表CDD和ln GDP對ln E的估計系數。那么，CDD每增加1℃將帶來GDP增長，若以表示平均地區生產總值，意味著將帶來GDP增加。

依據數據結構特征，所有模型選擇面板數據模型估計，固定效應（FE）和隨機效應（RE）的選擇通過Hausman檢驗方法來確定?？紤]到經濟增長水平、地理位置和季節特征的不同將影響到溫度變化與電力需求的之間關系，采用分層回歸分析方法予以檢驗差異性。

（二）變量設計

1.因變量和控制變量指標選擇

因變量是電力消費，選擇全社會用電量（E0）表示，其中包括城鄉居民生活用電量（E1）和工業用電量（E2）?？紤]到收入水平、人口數量和替代能源消費影響到居民生活用電，而經濟增長水平、產業結構、工業電力使用效率影響工業用電，控制變量選擇經濟增長水平（GDP）、人口數量（N）、液化石油氣家庭用量（GAS）、產業結構（Indstr）、工業電力使用效率（Efficiency）等表示。具體指標構建如表1所示。

表1 變量說明

2.自變量指標構建

選擇降溫度日數（CDD）和升溫度日數（HDD）來討論溫度變化對電力需求的影響。依據已有研究，描繪出溫度與電力需求的關系，如圖1所示。圖1中，Tb表示平衡點溫度，當Tem＜Tb時，溫度對電力需求影響的斜率為負；當Tem＞Tb時，斜率為正。平衡點溫度Tb大小以及曲線斜率取決于具體研究對象、社會經濟增長水平、地理位置和季節特征等。本文參考Mideksa[24]278-286和Blázquez等[13]648-657等做法選擇以18℃作為平衡點溫度構建降溫度日數和升溫度日數指標。

圖1 電力需求與溫度之間的關系

降溫度日數（CDD）是一段時間內平均溫度高于平衡點溫度的累計度數，用以表示需要冷卻的程度?？梢允褂萌缦卤磉_式計算

其中，n代表一年中的樣本量；Tb代表平衡點溫度，數值識別運用模型估計的方法予以確定；Tcti代表第c城市第t年第i日的日平均溫度；a1代表CDD指標系數。

升溫度日數（HDD）是一段時間內平均溫度低于平衡點溫度的累計度數，用以表示需要加熱程度?？梢允褂萌缦卤磉_式計算

其中，a2代表HDD指標系數。

（三）樣本和數據來源

本文基于氣象數據、城市電力需求和社會經濟等數據來評估溫度變化對電力需求的影響。氣象數據來源于中國氣象科學數據共享服務網絡，中國地面氣候日報數據收集了1951—2017年839站日平均氣象資料，站點數據包括日平均溫度、平均日照時數等基礎數據。涉及區域廣泛，指標相對全面，該數據已被廣泛應用于各個領域研究。選擇基礎數據構建年日照時數（SSD）和年度或季度降溫度日數（CDD）和升溫度日數（HDD）。

城市層面的電力需求和社會經濟指標等來自于各年《中國城市統計年鑒》，因2000年以前基礎數據缺失嚴重，同時2000年國務院明確提出電力體制改革，因此選擇以2000年為研究起始時間。在氣象站點與城市進行匹配的過程中，較多的城市與氣象數據所匹配，僅有少數城市匹配不成功，選擇以距離城市最近的站點進行再度匹配，以實現最大樣本量的構建。因氣象數據2014年以后日平均溫度和平均日照時數站點數值缺失嚴重，選擇以2014年作為研究截止時間。最終形成2000—2014年255個城市共涉及3 825個樣本數據。

（四）統計描述和相關性分析

所需變量的統計描述如表2所示，包括2000—2014年中國255個城市的全社會用電量及城鄉居民生活用電量和工業用電量、溫度變化指標和社會經濟指標等。從統計結果可以看出，有效觀測樣本共有3 825個，全社會用電量平均值為547 018萬千瓦時，其中城鄉居民生活用電量平均值為81 225萬千瓦時，工業用電量平均值為465 792萬千瓦時。全社會用電量最小值為5 103萬千瓦時，最大值為1.00×107萬千瓦時，分別發生在2010年黑河市和2013年上海市。2000年全社會年均用電量335 947萬千瓦時，2014年增加至843 326萬千瓦時，增長率達到250%。不同年度和不同地區之間全社會用電量、居民和工業用電量均存在較大差異性。溫度數據方面，年平均溫度的平均值為14.84℃，年平均日照時數的平均值為5.40小時，以18℃為平衡點溫度構建的指標中，年升溫度日數平均值為2 217℃，年降溫度日數平均值為1 079℃，這些信息反映了溫度變化狀況在不同年度和不同地區之間也存在較大差異性。

表2 統計描述

模型估計之前，進行相關系數檢驗，結果如表3所示。由表3顯示，年平均溫度與降溫度日數和升溫度日數相關系數高達0.90以上，而本文關注降溫度日數和升溫度日數指標，因此在做模型估計時不予考慮將平均溫度與兩個指標同時放入模型。而日照時數與降溫度日數和升溫度日數相關系數相對較弱，同時放入模型以控制日照強度。其他社會經濟指標與兩種溫度變化指標相關性并不高，作為控制變量列示。

表3 相關性檢驗

三、實證結果

（一）溫度變化對全社會用電影響

模型估計結果如表4所示。模型1作為基礎模型包括了除氣候指標外的所有控制變量，模型2在此基礎上增加年平均日照時數 （SDD），模型3和模型4分別加入以18℃為平衡點溫度構造的年降溫度日數（CDD）和年升溫度日數（HDD）兩個溫度變化指標，模型5則同時加入兩個溫度變化指標。隨著逐漸加入年平均日照時數、年降溫度日數和年升溫度日數等指標后，溫度變化指標和控制變量的估計系數均未發生大幅度變化，同時顯著性也未發生改變，有理由相信估計結果的真實性和可靠性。模型5具有0.97的R2，表明自變量對因變量變動具有較強的解釋力度；Hausman檢驗的P值一致地小于0.01，表明使用固定效應模型估計更適合。

模型估計結果顯示，以18℃為平衡點溫度構建的溫度變化指標，僅有年降溫度日數（CDD）對全社會用電量（ln E0）的影響系數顯著為正，即估計系數為4.26×10-6且在1%顯著性水平下顯著，而年升溫度日數（HDD）并未對全社會用電量具有顯著的影響（如表4模型5所示）。這一結果與Eskeland和Mideksa[26]877-897的研究結果較為相似，即在控制收入、人口和能源效率等變量后，降溫度日數對歐洲電力消耗的影響是升溫度日數的4倍。也與Kavousian等[12]184-194的研究結果較為相似，認為降溫度日數是夏季電力消耗的主要因素，占據總電力消耗的38%，即使在冬季，升溫度日數也沒有對電力需求造成很大影響。但與Blázquez等[13]648-657的研究結果有所不同，西班牙在寒冷天氣里的電力需求相對高于在炎熱天氣里的電力需求，這可能與西班牙的地理位置和居民電力消費習慣有關。該結果意味著日平均溫度高于平衡點溫度的度數越高，全社會用電量增加的幅度將會越大。具體來講，以模型5為例，年降溫度日數每增加1℃，全社會用電量增加比例為0.000 426%，若以全社會年均用電量為547 018萬千瓦時計算，將增加2.33萬千瓦時（0.000 426%×547 018）。依據式（2）可獲得地區生產總值對年降溫度日數影響彈性，其彈性為3.98×10-6（4.26×10-6/1.07），即年降溫度日數每增加1℃時，將帶來地區生產總值增加比例0.000 398%，以城市年均地區生產總值為428.85億元計算，將為地區生產總值帶來17.07萬元（0.000 398%×428.85×10 000）的增長。

表4 溫度變化對全社會用電量影響

控制變量對全社會用電量也具有不同的顯著性水平。具體來看，經濟增長水平 （ln GDP）、產業結構（Indstr）、人口數量（ln N）的估計系數均顯著為正，表明經濟增長水平提高、工業占地區生產總值比重增加和人口數量增長都會帶來全社會用電量需求的增長，這與討論社會經濟狀況與電力需求兩者關系的研究文獻的結論較為一致[6]201-224[9]118-130。工業電力使用效率（ln Efficiency）的估計系數顯著為負，表明電力使用效率越高，全社會用電需求越低[5]57-65。液化石油氣家庭用量（ln GAS）的估計系數顯著為正，表明液化石油氣與用電需求共同作為能源消費具有共同趨勢[37]45-60。

（二）溫度變化對城鄉居民生活用電量和工業用電量影響

城鄉居民生活用電量（E1）和工業用電量（E2）是全社會用電量（E0）的兩個方面，考慮到不同部門的溫度變化對電力需求的影響機制不同，分別以城鄉居民生活用電量和工業用電量作為因變量，選擇氣象因素和不同控制變量進行實證分析。

模型估計結果如表5所示。模型1～模型3表示溫度變化對城鄉居民生活用電量（ln E1）影響的估計結果，模型4～模型6表示溫度變化對工業用電量（ln E2）影響的估計結果。其中，模型1～模型2和模型4～模型5表示分別加入年降溫度日數（CDD）和年升溫度日數（HDD）兩個溫度變化指標，而模型3和模型6表示同時加入兩個溫度變化指標。因城鄉居民生活用電受到收入、人口和替代能源消費的影響，模型1～模型3僅控制了地區生產總值（ln GDP）、人口數量（ln N）和液化石油氣家庭用量（ln GAS）三個變量；而工業用電受到經濟增長、產業結構和電力使用效率影響，模型4～模型6則控制了地區生產總值（ln GDP）、產業結構（Indstr）和工業電力使用效率（ln Efficiency）3個變量。R2均較高，表明自變量對因變量變動具有較強的解釋力度；Hausman檢驗的P值均小于0.01，表明選擇使用固定效應模型更適合。

模型1～模型3估計結果顯示，年降溫度日數和年升溫度日數均顯著增加了城鄉居民生活用電量，表明當溫度高于或低于平衡點溫度時，城鄉居民將會擁有制冷和取暖的需求，居民生活用電量隨之增加；模型4～模型6結果顯示，僅有年降溫度日數顯著增加了工業用電量，表明當溫度高于平衡點溫度時，工業企業將會擁有制冷的需求，工業用電量隨之增加，這一結果與Ahmed等[18]376-383研究較為一致，工業生產過程中有持續冷卻的需求，因此年降溫度日數會顯著增加工業用電量。以模型3和模型6為例，年降溫度日數每增加1℃，城鄉居民生活用電量和工業用電量增加比例分別為0.003 390%和0.000 369%，若以城鄉居民生活用電量和工業用電量年平均值分別為81 225萬千瓦時和465 792萬千瓦時計算，將分別增加2.75萬千瓦時（81 225×0.003 390%）和1.72萬千瓦時（465 792×0.000 369%）。估計結果顯示，城鄉居民生活用電敏感性強于工業用電，與Ahmed等[18]376-383的研究結論保持一致。對于日照時數（SSD）而言，對城鄉居民生活用電量影響的估計系數顯著為負，而對工業用電量影響的估計系數顯著為正，意味著隨著日照時數增加，城鄉居民生活用電量降低、工業用電量增加，與Ruth和Lin[16]2820-2833的研究結論保持一致。城鄉居民生活用電中照明用電會因日照時數增加而減少，工業用電則因日照時數增加而延長開工時間，進而提高工業用電量。

表5 溫度變化對城鄉居民生活用電量和工業用電量的影響

除此之外，其控制變量的估計系數與全社會用電量為因變量的估計結果基本保持一致，說明結果具有穩健性。模型1～模型3討論的對城鄉居民生活用量影響，表征收入的經濟增長水平、人口數量的估計系數顯著為正，表明因經濟增長帶來的收入提高、人口數量增加，均會使得城鄉居民生活用電量提高；液化石油氣家庭用量的估計系數也顯著為正，表明液化石油氣家庭用量增加，居民生活用電量也會提高。模型4～模型6討論的對工業用電量影響，地區生產總值和第二產業占地區生產總值比重的估計系數顯著為正，表明經濟增長、工業化程度越高，相應地會促進工業用電量的提高；工業電力使用效率的估計系數顯著為負，表明電力使用效率提高會帶來工業用電量大幅減少。

（三）溫度變化對全社會用電量的差異性影響

1.經濟增長水平的差異性影響。溫度變化與電力需求的關系與經濟增長水平有關，采用分層回歸分析方法予以討論。統計描述結果顯示，地區生產總值平均值為428.85億元，以此為標準，城市年均地區生產總值高于該均值的城市被定義為高收入組，城市年均地區生產總值低于該數值的城市被定義為低收入組。

模型估計結果如表6所示。模型1～模型3和模型4～模型6分別報告了高地區生產總值組和低地區生產總值組的估計結果。其中，模型1～模型2和模型4～模型5表示分別加入年降溫度日數和年升溫度日數兩個溫度變化指標，而模型3和模型6則表示同時加入兩個溫度變化指標。R2均較高，并且Hausman檢驗結果選擇固定效應模型。

模型估計結果顯示，無論高還是低地區生產總值組，年降溫度日數一致地對全社會用電量具有顯著的正向影響。從估計系數大小來看，與低地區生產總值組的城市比較，年降溫度日數對高地區生產總值組城市的影響較大。以模型3和模型6為例，年降溫度日數每增加1℃，高地區生產總值城市的全社會用電量增長0.000 936%，而低地區生產總值城市的全社會用電量增長0.000 316%，若以高和低地區生產總值城市的全社會用電量平均值702 461萬千瓦時和132 950萬千瓦時計算，將分別增加6.58萬千瓦時（702 461×0.000 936%）和0.42萬千瓦時（132 950×0.000 316%）。依據式（2）計算相應地區生產總值對年降溫度日數彈性依次為8.83×10-6（9.36×10-6/1.06）和 2.95×10-6（3.16×10-6/1.07）。 年降溫度日數每增加 1℃，高地區生產總值城市和低地區生產總值城市的GDP分別增加比例0.000 883%和0.000 295%，若以高和低地區生產總值城市的GDP的462.87億元和338.23億元計算，城市地區生產總值分別增加40.87萬元 （462.87×0.000 883%×10 000）和9.98萬元（338.23×0.000 295%×10 000）。面對高溫，高地區生產總值組的居民和工業企業擁有較高的電力需求，將更多地使用制冷和照明等電力設備，因此溫度變化對該類型城市的電力需求影響程度較大。林伯強[5]57－65研究結果也證明了地區生產總值與電力消費之間存在著顯著且穩定的正相關關系。

表6 地區生產總值影響的差異性結果

2.地理位置的差異性影響。

中國地域廣茂，經緯度跨度較大，溫度變化與電力需求的關系與地理位置有關。因此，分層回歸分析方法估計時，以“昆侖—秦嶺—淮河”為界劃分南北區域[38]，分界線以北視為北方，分界線以南視為南方。

模型估計結果如表7所示。模型1～模型3和模型4～模型6分別報告了北方組和南方組的估計結果。其中，模型1～模型2和模型4～模型5表示分別加入年降溫度日數（CDD）和年升溫度日數（HDD）兩個溫度變化指標，而模型3和模型6表示同時加入兩個溫度變化指標。R2均較高，并且Hausman檢驗結果選擇固定效應模型。

表7 地理位置影響的差異性結果

模型估計結果顯示，北方組的年降溫度日數對全社會用電量具有顯著的正向影響，而南方組的年升溫度日數對其具有顯著的正向影響。以模型3為例，年降溫度日數每增加1℃，北方城市的全社會用電量增長0.000 922%，若以全社會用電量平均值599 997萬千瓦時計算，城市全社會用電量增加5.53萬千瓦時。依據式（2）計算地區生產總值對年降溫度日數彈性為9.60×10－6。年降溫度日數每增加1℃，北方城市地區生產總值增長0.000 960%，若以北方城市年均地區生產總值419.94億元計算，城市地區生產總值增加40.31萬元。以模型6為例，年升溫度日數每增加1℃，南方城市的全社會用電量增長0.000 608%，若以全社會用電量平均值581 217萬千瓦時計算，城市全社會用電量增加3.53萬千瓦時。依據式（2）計算地區生產總值對年降溫度日數彈性為5.38×10－6。年降溫度日數每增加1℃，南方城市地區生產總值增長0.000 538%，若以南方城市年均地區生產總值466.19億元計算，城市地區生產總值增加25.08萬元。

北方組，僅有年降溫度日數的估計系數顯著，表示該組的電力需求對高溫更為敏感，而對低溫并不敏感，因為北方炎熱更多地采用電力設備制冷；而北方寒冷供暖較多的以燃煤集中供暖或天然氣自采暖，電力供暖只是輔助作用[20]531－538。南方組，僅有年升溫度日數估計系數顯著，表示該組的電力需求對低溫更為敏感，而對高溫并不敏感，因為南方無集中采暖裝置，只能采用空調或電暖爐等電力設備取暖，而南方地區雨水充沛，且降溫不只有空調或風扇等制冷的用電方式。這與Pilli-Sihvola等[30]2409－2419對歐洲電力需求的研究結果有一定的差異，總體而言，歐洲的電力需求對溫度升高更為敏感，分區域存在異質性，如在北歐和中歐，溫度升高減少了供暖需求，從而降低了電力需求；對于南歐來說，氣溫升高帶來制冷需求的增加，提高了電力需求。研究結論的差異可能來自國別經緯度，以及供暖和制冷方式等不同。

3.季節的差異性影響。

溫度變化與電力需求的關系與季節因素有關。因此，構建季度降溫度日數 （第1—4季度依次為CDD_1quater、CDD_2quater、CDD_3quater和 CDD_4quater） 和季度升溫度日數 （第 1—4季度依次為HDD_1quater，HDD_2quater，HDD_3quater和HDD_4quater），分析不同季節的溫度變化指標對電力需求的影響。

模型估計結果如表8所示。其中，模型1和模型2是分別加入季度降溫度日數和季度升溫度日數兩個溫度變化指標，而模型3是同時加入兩個溫度變化指標。R2均較高，并且Hausman檢驗結果選擇固定效應模型。

模型估計結果顯示，第3季度升溫度日數的估計系數為負；第2季度降溫度日數的估計系數為負，第3季度降溫度日數的估計系數為正。以模型3為例，第3季度的升溫度日數每增加1℃，則全社會用電量降低0.002 390%，以全社會年均用電量為547 018萬千瓦時計算，用電量降低13.07萬千瓦時。依據式（2）計算地區生產總值對第3季度升溫度日數彈性為-2.23×10－5。 季度升溫度日數每增加 1℃，城市地區經濟增長降低0.002 230%，若城市年均地區經濟增長428.85億元計算，城市地區生產總值降低95.63萬元。第2季度和第3季度的降溫度日數分別每增加1℃，其全社會用電量分別降低0.001 340%和增加0.001 510%，用電量分別降低7.33萬千瓦時和增加8.26萬千瓦時。依據式（2）計算地區生產總值對第2季節和第3季節降溫度日數彈性依次為-1.25×10－5和 1.41×10－5。季節降溫度日數每增加1℃，城市地區生產總值分別降低0.001 250%和增加0.001 410%，城市地區生產總值分別降低53.61萬元和增加60.47萬元。

第3季度的升溫度日數的估計系數為負，表明在7—9月溫度逐漸降低，但仍然未達到增加加熱的平衡點溫度，升溫度日數增加會降低加熱的電力需求。第2季度的降溫度日數的估計系數為負，表明在4—6月溫度逐漸回升，但未達到或接近增加制冷的平衡點溫度，降溫度日數增加降低制冷的電力需求，而第3季度的降溫度日數的估計系數為正，表明在7—9月時間內平均溫度高于平衡點溫度的累計溫度越高，天氣炎熱也會增加制冷的電力需求。這些結論與客觀現實保持一致。對于季節的影響，Ahmed等[18]376－383根據研究結果估計，未來夏季和春季的人均電力需求量將可能分別增長6.14%和11.3%，但是冬季和秋季的電力需求可能分別下降4.11%和0.45%，平均溫度的上升將在夏季和春季帶來電力需求量的上升，影響的差異可能與不同國家的氣候差異和電力消費習慣、指標構建和估計方法選擇等因素有關。

表8 季節因素影響的差異性結果

（四）穩健性檢驗

穩健性檢驗主要考察到控制變量改變對于回歸估計系數的影響。第一，不同部門電力需求的影響因素存在不同，全社會用電量（ln E0）是由城鄉居民生活用電量（ln E1）和工業用電量（ln E2）組成，穩健性檢驗中分別控制不同部門用電量的影響因素；第二，控制變量選擇中使用的是工業電力使用效率（ln Efficiency）和液化石油氣家庭用量（ln GAS）進行回歸分析，穩健性檢驗中選擇整體電力使用效率（第二產業產值與全社會用電量，ln Efficiency1）和天然氣家庭用量（ln GAS1）來替代。其中，天然氣家庭用量因樣本缺失較為嚴重，采用不平衡面板估計方法進行回歸分析。

穩健性估計結果如表9所示。以全社會用電量為因變量，模型1和模型2分別表示僅考慮城鄉居民生活用電量影響因素和僅考慮工業用電量影響因素的估計結果；模型3是改變控制變量，以整體電力使用效率和液化石油氣家庭用量作為替代指標的估計結果。R2均較高，并且Hausman檢驗結果選擇固定效應模型。

模型估計結果顯示，自變量估計系數與表4中模型5果結論保持一致，即僅有年降溫度日數對全社會用電量的影響系數顯著為正，如經濟發展水平等其他控制變量結果也較為相似。其中，值得注意的是，穩健性檢驗中構建的整體電力使用效率的估計系數為負，意味著電力使用效率提升會降低用電量，這與主結果影響方向是一致的；而以天然氣家庭用量表征的其他替代能源消費的估計系數卻為負，這顯示了居民家庭天然氣與電能需求具有明顯的替代關系。

表9 穩健性檢驗

四、結論與啟示

本文基于2000—2014年中國255個城市氣象站點數據，運用日平均溫度基于平衡點溫度構建降溫度日數（CDD）和升溫度日數（HDD）兩個指數用以表征溫度變化，隨后評估其對全社會用電量（ln E0）、城鄉居民生活用電量（ln E1）和工業用電量（ln E2）的影響，并討論地區經濟增長、地理分布和季節特征等差異性。

本文的主要結論如下：（1）以18℃為平衡點溫度標準構建的降溫度日數對全社會用電量具有顯著的促進作用。更進一步，基于研究對象和樣本，在其他條件不變的前提下，降溫度日數平均每增加1℃，全社會用電量增加2.33萬千瓦時，地區生產總值增加17.07萬元。除此之外，經濟發展水平、產業結構、工業電力使用效率、人口數量和液化石油氣家庭用量均是電力需求的重要影響因素。（2）全社會用電量具體細分為城鄉居民生活用電量和工業用電量兩類，溫度變化對其影響機理各有差異，研究結論也有所不同。降溫度日數和升溫度日數對城鄉居民生活用電量具有顯著的促進作用，而僅有降溫度日數對工業用電量具有顯著的促進作用。（3）經濟增長水平、地理位置和季節特征影響溫度變化和電力需求二者之間的關系。

依據研究結論提出以下建議：首先，電力網絡擴張投資和電力行業發展規劃需充分考慮到電力需求變化趨勢及其影響因素，可保證電力行業健康平穩發展和經濟可持續增長；其次，量化溫度變化對電力需求影響程度，可為電力相關政策制定提供直觀且客觀理論參考；最后，有必要針對不同部門的電力需求，制定差異化的電力系統規劃和電力供應政策。在特定溫度變化情況下，科學預測不同主體的電力需求，相應地改變或制定電力供給，從而保證電力系統的供需匹配。

盡管獲得了上述有益結論，但是本文仍然存在以下兩點可深入探討之處。第一，本文使用了2000—2014年255個城市的面板數據，雖然克服了時間序列存在的問題，但是因面板數據限制，無法獲得更細致的季度、月度和每天的電力需求數據，未來可嘗試應用高頻率的數據結構，從而更加精確地探討溫度變化與電力需求之間的關系。第二，平衡點溫度選擇或因時間和空間而有所差異，而本文的選擇借鑒已有研究結論刻畫平衡點溫度，該選擇是建立在整體性討論層面基礎上，后續研究可以擴充時間維度數據，考察不同城市平衡點溫度，從而獲得更加細致的討論。

在此感謝廈門大學杜克銳和匿名評審專家對本文提出的寶貴修改意見，當然，文責自負。