城镇化与工业化对能源强度影响的实证研究——基于截面相关和异质性回归系数的非平衡面板数据模型

关和异质性回归系数的非平衡面板数据模型

王珂英;张鸿武

【摘 要】城镇化、工业化对中国能源强度的影响如何？如何在快速推进城镇化、工业化进程的同时确保节能减排目标的实现？论文以能源强度指标代替传统的能源消费指标来反映能源综会利用效率,并应用考虑截面相关性和异质性回归系数的非平衡面板数据模型,使用共同相关效应组均值(CCEMG)估计方法对中国1978-2014年城镇化、工业化与能源强度之间的关系进行分析.研究结果表明:人均实际GDP增长1％,能源强度将会降低0.412％,工业化水平增长1％,能源强度将会上升0.630％,而由于生产消费等经济活动的增加、高度集中化以及规模经济的综合作用,使得城镇化对能源强度的影响并不确定.联系研究结论,本文提出建议:我国应加快产业结构升级,转变经济增长方式;构建绿色制造体系,推进“五化”协同发展;推进绿色、循环、低碳发展的新型城镇化建设,提高城镇化质量,提升我国整体的能源效率,确保节能减排目标的实现,推动经济全面、协调、可持续发展. 【期刊名称】《中国人口·资源与环境》 【年(卷),期】2016(026)006 【总页数】8页(P122-129)

【关键词】能源强度;城镇化;工业化;非平衡面板数据 【作 者】王珂英;张鸿武

【作者单位】中南财经大学统计学博士后流动站,湖北武汉430073;湖北经济学院统计学院,湖北武汉430205;中南财经大学经济学院,湖北武汉430073 【正文语种】中 文

【中图分类】F062.1;F291.1

近年来，中国经济高投入低产出的粗放型经济增长方式使得经济发展与资源环境之间的矛盾愈发凸显，能源短缺、气候变化和环境污染已成为制约中国经济可持续发展的瓶颈，能源供需矛盾日趋尖锐，节约能源和提高能源综合利用效率越来越受到和企业的关注。2016年工作报告提出：“今后五年，我国单位国内生产总值能耗和二氧化碳排放量分别下降15%和18%，能源资源开发利用效率大幅提高，生态环境质量总体改善”。这充分体现了对能源问题的高度重视和提高能源使用效率的坚定决心。与此同时，中国目前正处于城镇化、工业化快速发展阶段，其主要特征之一是经济增长速度快、能源需求增长快且具有刚性，这显然会对节能减排目标的实现产生较大影响。如何在快速推进城镇化、工业化进程的同时确保节能减排目标的实现成为制定者和学术界关注的重要问题，而定量分析城镇化和工业化对能源强度的具体影响，可为制定经济和能源提供重要依据，因此研究城镇化、工业化与中国能源强度之间关系具有重要的现实意义。

作为学术界和关注的热点问题，国内外学者就城镇化、工业化对能源消费和能源强度的影响进行了深入研究，从国外研究来看，根据研究方法不同可归纳如下： 一是定性研究，侧重于分析城镇化、工业化影响能源消费的内在机理。Samouilidis & Mitropoulos认为现代工业活动会大幅增加能源消费[1]。Sathaye & Meyers认为城镇化影响了能源配置和消费方式，促进居民收入水平提高和生活方式转变，使居民实现了由传统能源向现代化能源的变迁，在提高能源使用效率的同时降低了能源消费总量，但城市居民家用电器的普及却增加了能源消费

总量[2]。Schneider & Enste认为城镇化影响能源消费的主要渠道是生产。伴随经济生产活动在城市区域的集中会产生规模经济，生产活动从低能源密集的农业向高能源密集的工业转变，同时能源从农村分散化使用的传统能源使用向城市集中化的现代能源使用转变[3]。Pachauri & Jiang的研究表明由于低效固态燃烧能源(如生物质和原煤)向清洁、高效能源(如天然气、电力等)的转变，使得城市的人均能源消费要低于农村[4]。

二是进行实证研究。前期的研究主要基于截面数据或时间序列数据。Jones使用59个发展中国家1980年的截面数据进行分析，得出城镇化水平每增长1%，能源强度增长0.35%的结论[5]。Pachauri通过分析印度1993—1994年的微观数据，发现由于商业性燃料使用的增加，印度城市居民的人均能源消费低于农村居民[6]。Holtedahl & Joutz使用1955—1995年数据，通过协整分析发现城镇化与人均能源消费之间正相关[7]。Mishra et al.通过对太平洋岛国的研究，发现城镇化对不同国家人均能源消费的影响并不相同[8]。目前的实证研究中应用最为广泛的方法是基于面板数据模型的分析。Parikh & Shukla使用发展中国家和发达国家1965—1987年数据，发现能源消费的城镇化弹性大致在0.28—0.47之间[9]。York分析了欧盟国家1960—2005年能源消费的决定因素，发现能源消费的城镇化弹性大致在0.29—0.56之间，收入弹性在0.52—0.69之间[10]。Liddle & Lung使用STIRPAT模型和17个发达国家在1960—2005年数据，发现城镇化与居民生活能源消费呈正相关[11]。Poumanyvong & Kaneko使用99个国家1975—2005年数据，发现城镇化对能源消费的影响随经济发展阶段不同呈现不同特征[12]。Sadorsky通过使用76个发展中国家1980—2010年的数据，发现能源强度的工业化弹性在0.05—0.06之间，而城镇化对能源强度的影响并不显著[13]。

随着中国城镇化进程的快速推进和能源消费的快速增长，国内学者也逐渐关注中国

城镇化、工业化对能源消费和能源强度的影响，马珩建立多元线性回归模型，估算中国城市化和工业化对能源消费的影响[14]。胡宗义等基于2007年的截面数据进行研究，发现投资水平、工业结构和能源消费结构是造成能源效率地区差异显著的主要因素[15]。王晓岭等基于1990—2009年时间序列数据发现城市化水平的提高对能源强度的下降具有较强的促进作用[16]。毕军贤构建了县域工业化和市区产出与县域城镇化关系模型、城镇化和工业化与能源销量的模型，运用中部地区的面板数据进行了实证分析[17]。成金华和基于面板数据实证研究了中国城市化进程中的能源消费区域差异[18]。阚大学和罗良文利用面板数据和空间计量经济学方法对城市化水平与能源强度进行了实证研究[19]。张瑞和丁日佳、周少甫和王亚南分别以不同时期省际面板数据为基础分析工业化、城镇化对能源强度的影响[20-21]。李标等构建静态和动态面板模型，实证分析城镇化、工业化与信息化与能源强度之间的关系[22]。

综合来看，目前的研究呈现三个特点：一是在研究对象上，较多关注城镇化、工业化与能源消费量之间的关系，而较少关注城镇化、工业化与能源强度之间的关系。二是在研究方法上，面板数据因具有更多的信息和更大的变异等优点，成为主要的分析方法。三是在研究结论上，研究者均认为工业化导致了能源强度的提高，但关于城镇化对能源强度影响还存在分歧。文章认为在当前新型城镇化建设和节能减排的大背景下，还需要对工业化特别是城镇化对能源消费的影响进行深入的研究，而提高能源综合利用效率是缓解能源短缺和环境污染的途径之一，相对于需求比较刚性的能源消费而言，研究能源强度也更有意义。从研究方法来看，目前绝大多数的研究都是基于“平衡面板”进行的，即每个时期在样本中的个体完全一样，但在现实中常面临某些个体或者某些时期数据缺失的情况，即“非平衡面板数据”，在非平衡面板数据中提取平衡数据，通常会损失样本容量，降低估计效率。另一方面，目前研究中通常假定城镇化和工业化对能源强度的影响在所有个体间都是相同的，

从而建立同质性回归系数面板数据模型，而很少考虑影响在不同个体间的差异性，考虑面板数据个体间存在截面相关性而进行研究的就更少了。但是在本文问题的研究中，面板数据的个体通常是针对区域的，因此截面间往往会存在相关性。在研究中如果不考虑平衡面板数据导致的信息量缺失和估计效率问题以及个体间的截面相关性，难免会影响估计方法的严谨性和估计的准确性。综上所述，论文拟采用中国1978-2014年省际水平的非平衡面板数据，运用考虑截面相关的异质性回归系数面板数据模型，深入分析中国城镇化、工业化对能源强度的影响，并在研究基础上提出相关建议。

在分析城镇化、工业化对能源强度的具体影响时，论文采用Jones的经验模型进行实证研究[5]，模型设定为：

式(1)中：EI表示能源强度，Y表示经济发展水平，IND表示工业化水平，URB表示城镇化水平；下标i表示省份，t表示时间，vi为不可观测的地区效应，用以控制个体固定效应，εit为随机扰动项。所有变量均以自然对数的形式进入模型，因此估计的系数可解释为弹性。各变量的设定和具体说明如下：

(1)能源强度(EI)。该指标是对比不同国家或地区能源综合利用效率的常用指标之一，体现了能源使用的经济效益。常用计算方法有两种：一种是单位国内生产总值(GDP)所消耗的能源；另一种是单位产值所消耗的能源。本文采用第一种方法，即以单位GDP能耗来反映能源强度，其量纲为“tec/万元GDP”。

(2)经济发展水平(Y)。研究表明：随着经济发展水平的提高，能源强度会呈现规律性变化，如Bernardini & Gali就发现随着收入的增加，能源强度会降低[23]。本文以人均实际GDP来衡量经济发展水平，单位为万元。

(3)工业化水平(IND)。与传统农业生产或制造业相比，工业活动的增多会导致更多的能源使用，提高能源强度。本文采用经验研究中常用的工业增加值占GDP的比重来衡量工业化水平。

(4)城镇化水平(URB)。城镇化过程中，与消费和生产相关的经济活动高度集中于城市，从而增加了能源的使用，但同时这种生产活动的集中又存在规模经济，从而提高了能源的使用效率，两方面的作用导致城镇化对能源强度的影响不易预测。本文用城镇人口占该地区总人口的比重来衡量城镇化水平。

研究表明：在使用面板数据模型进行计量分析时，某些情形下各截面间会存在较强的相关关系，其判断依据是误差项之间存在截面相关性。其原因在于影响因变量的共同经济冲击(如能源价格波动等)和未识别成分(如变化等)没有作为自变量引入，而成为了误差项的组成部分，这会导致通常的固定效应和随机效应模型估计量是有偏且非一致估计量，因而，在对模型进行估计前，需进行截面相关性(Cross-Sectional Dependence)检验。面板数据分为平衡和非平衡两种类型，类型不同，采用的截面相关性检验也有所差异。 考虑平衡面板数据模型的检验式：

式(2)中：xit是K×1维自变量，β是待估参数，αi为时不变个体效应。原假设是对所有样本和时期uit为同分布，可表示为：H0:ρij=ρji=cor(uit,ujt)=0,对i≠j；备择假设为uit存在截面相关，但不存在序列相关，可表示为：H1:ρij=ρji≠0，对某些i≠j。式中ρij是扰动项的积差相关系数，表达式为： 在此基础上，Pesaran提出截面相关性检验式[24]： 在N→∞,T足够大时，不存在截面相关的零假设为N(0,1)。

对非平衡面板数据而言，Pesaran提出了修正的CD检验，如式(5)所示[24]： 式(5)中：Tij=#(Ti∩Tj)为个体i与个体j共同观测值的个数，由式(6)得出： 式(6)中ij是残差样本成对相关系数，it是式(2)中uit的估计值。在N→∞,T足够大时，不存在截面相关的零假设为N(0,1)。

对面板数据模型进行估计时，不同假定下模型的估计方法存在较大差异。若待估参数满足同质性假定(即有β1i=β1，β2i=β2，β3i=β3，β4i=β4)，模型估计可使用

标准面板数据模型估计方法，如混合回归法(Pooled OLS，简称POLS)，或固定效应(FE)模型。如果待估参数各不相同(即为β1i，β2i，β3i，β4i)，即异质性斜率面板数据模型，可使用组均值(Mean Group，简称MG)来进行估计[25]。异质性斜率系数面板数据模型估计是当前计量经济学研究比较活跃的领域[26]。

组均值(MG)估计中假定所有的系数和扰动项在所有面板间是不同的，并将最小二乘估计法应用于每个个体，得到回归系数，最后将所有回归系数求平均值。当时期T和样本N较大时，组均值估计量为一致估计量。虽然组均值估计可以对异质性斜率系数面板数据模型进行估计，但是该方法没有考虑截面相关性，即没有考虑面板数据模型中影响各个体的共同因素的作用，如能源价格波动、技术进步以及经济周期影响等，该类共同因素与特定时期相关联并对各个体的影响是相同的，从而使得个体之间存在一定的截面相关性。

Pesaran提出的共同相关效应组均值估计量(Common Correlated Effects Mean Group Estimator，简称CCEMG)同时考虑了截面相关性和异质性斜率系数[27]。CCEMG估计量对截面相关的处理是通过因变量和自变量的截面平均值来实现，该截面平均值解释了未知的共同因素，可能是非线性或非平稳的。与组均值估计量相似，斜率系数也是通过面板平均求得。研究表明：CCEMG估计量对于结构突变、无协整关系和部分序列相关性问题都是稳健的[28]。 对异质性面板数据模型，假定模型形式为：

式(7)中，i=1,…，N，t=1,…,T,xit、yit分别为自变量、因变量的观测值，βi为个体特定的自变量回归系数，uit包含未观测部分和误差项εit。式(8)中的未观测部分由三部分构成：描述组间时不变异质性的组固定效应α1i、描述时变异质性的未察共同因素ft和描述截面相关的异质性负荷因子λi。因子ft、gt可能是非线性、非平稳的。由于自变量可能由某些共同因素驱动：式(8)、式(9)中包含ft导致估计方程中存在内生性问题[26]。εit、eit假定为白噪声。为简单起见，上述模型中只

包含一个自变量和一个未观测共同成分。

所有组均值类(MG)的估计量通过下面的基本步骤求得： (1)对N个组分别用最小二乘法估计方程； (2)计算各组估计系数的平均值。

Pesaran & Smith提出的组均值估计量并没有涉及截面相关，因而假定没有λi ft或用线性趋势来描述未察部分[29]。因而估计式(7)时，对于每一面板个体i，包含截距项描述固定效应、线性趋势项描述时变的未察值，估计的系数i随后在所有个体间求均值。

就Pesaran提出的CCEMG估计量而言，模型设定如式(7)、(8)、(9)，模型设定中包含截面相关、时变的未察成分对面板个体的不同影响，存在当包含ft时无法识别βi的问题[27]。CCEMG通过增加组特定方程来解决这一问题：除了自变量xit和截距项，方程包括因变量和自变量的截面均值t和t作为自变量。t可用于解释未察共同因素ft。由于对每组个体都地估计该方程，因而可得出异质性影响λi。对所有观测变量，计算截面均值t和t，并用作N个回归方程中的解释变量。随后，估计系数i在所有面板间求均值。

论文选取中国30个省市自治区(港澳台和除外)1978-2014年数据进行实证分析，由于部分省份某些年份缺损变量，即并不是所有省份在所有年份都有数据，因此本文得到的是非平衡面板数据，共803个观测值。为剔除价格因素影响，各省份各年实际GDP以2005年为基期根据相应经济增长率计算求得，能源强度为万吨标准煤与实际GDP比值，人均实际GDP为各省实际GDP与当年年底人口数比值，工业化水平是名义工业增加值与名义GDP比值，城镇化水平是各省城镇人口占总人口比重，数据来源于《中国能源统计年鉴》、《中国统计年鉴》、《新中国60年统计资料汇编》及各省市自治区的统计年鉴。

图1直观地反映了全国1978-2014年的能源强度(吨标准煤/万元GDP)、人均实

际GDP(万元)、城镇化水平(%)、工业化水平(%)等变量随时间变化的趋势，表1是各变量间的相关系数。

由图1可知：自1978年以来，人均实际GDP快速增加，城镇化水平呈稳步上升态势，而能源强度在不断下降，同时，工业化水平的变化却呈现先下降后上升的近似U形变化。而由表1可知，能源强度与人均实际GDP呈较强负相关、与城镇化水平呈高度负相关、与工业化水平呈较强正相关，而人均实际GDP与城镇化水平高度正相关。

通常情况下，单位根检验会假定截面之间不存在相关性，一旦序列存在截面相关，单位根检验会无效。因此，首先采用Pesaran的CD检验对截面相关性进行检验[24]，检验结果见表2的(2)-(5)列。CD检验表明：在1%的显著性水平下，拒绝序列lnEI、lnY、lnIND、lnURB在截面之间不相关的假定，因而各序列截面间均存在截面相关。同时，采用考虑截面相关的Pesaran提出的CIPS检验))对序列的平稳性进行检验，检验时除lnY包含常数项、趋势项和一阶滞后项外，其他序列都采用包含常数项和一阶滞后项的方程进行估计[30]，检验结果见表2的(6)和(7)列。CIPS检验表明每个序列都包含单位根，由此，我们可以推断，各序列存在截面相关性且全部为非平稳序列，因而面板数据模型估计中常用方法得出的估计量存在一定的偏误。

在数据处理并进行检验基础上，为对比起见，依据不同的假设条件，我们对面板数据进行了一系列的估计，分别有混合最小二乘估计(POLS)、固定效应模型(FE)、组均值估计(MG)、共同相关效应组均值估计(CCEMG)，估计结果及模型拟合效果的相关检验见表3。采用Pesaran的CD检验对各回归方程估计所得残差进行截面相关性检验[24]，通常情况下，残差的平稳与否是计量模型拟合优度判断的一个重要标准，本文采用Pesaran的CIPS检验对残差进行平稳性检验[30]，另外表3将各方程的均根方误差(RMSE)一并列出。

从表3的结果可以得到以下几点结论：

(1)就混合最小二乘估计(POLS)来看，在1%的显著性水平上，拒绝各回归系数为0的假设，各系数显著成立。从系数值来看，人均实际GDP每增加1%，能源强度下降0.711%，同时，能源强度的工业化水平弹性和城镇化水平弹性分别为0.602和0.562。但对估计残差截面相关性进行的CD检验表明，在1%的显著性水平下，拒绝残差序列不相关的假设；进一步，对残差序列平稳性进行的CIPS检验表明，残差序列非平稳，意味着混合最小二乘估计的模型拟合优度较差。 (2)在混合最小二乘估计的基础上，采用固定效应模型(FE)进行估计，人均实际GDP、工业化水平、城镇化水平及常数项的系数仍然显著。然而，对残差序列进行的检验同样表明：残差序列仍然存在截面相关性且是非平稳的，这里的固定效应模型由于没有考虑截面之间的相关性，仍然没有较好的拟合数据。

(3)考虑到在前两个模型估计中，残差序列都存在截面相关性和非平稳性，因而我们采用异质性回归系数模型进行估计。采用组均值估计(MG)方法，可得出人均实际GDP、工业化水平和常数项的系数仍然显著，城镇化水平的系数变得不显著。对残差序列进行的检验再次表明：残差序列的截面相关性并没有消除，但残差序列是平稳的，通过异质性面板数据回归虽然没有消除截面相关性，但模型拟合效果相对有所改进。

(4)最后，采用共同相关效应组均值(CCEMG)方法进行估计，即同时考虑了截面相关性和异质性回归系数的模型。从回归系数来看，除城镇化水平系数外，各系数的符号及显著性与固定效应模型、MG模型相一致，系数值也比较接近。对残差序列进行的检验表明：残差序列不存在截面相关性，同时残差序列是平稳的，表明模型的拟合优度较好，而且该模型中的均方根误差(RMSE)也是最小的。

根据对残差检验的结果、各均方根误差(RMSE)大小的变化以及模型拟合度的判断，我们认为CCEMG模型较好的拟合了非均衡面板数据，因而随后的结论与分

析主要以该模型结果为基础。

与现有研究城镇化与能源消费之间关系的文献不同，本文以反映能源综合利用效率的能源强度指标替代传统的能源消费总量指标，以考虑截面相关性和异质性斜率系数的非平衡面板数据建立模型，使用共同相关效应组均值(CCEMG)方法进行估计，对城镇化、工业化与能源强度之间关系进行了深入研究。研究结果表明： (1)随着收入水平的提高，能源强度呈降低的趋势。能源强度的人均实际GDP弹性为-0.412，该系数在各回归模型中均显著成立，且数值变化较小，说明该值比较稳健。同时，实证研究发现：如果在面板数据回归中不考虑截面相关的影响，会倾向于高估收入水平提高对能源强度的影响。收入水平对能源强度的影响可以归结为经济增长和社会进步的结果，在经济增长和社会进步的过程中，往往伴随着技术进步和技术创新，而这会导致生产效率和能源综合利用效率的提高，从而有助于能源强度的降低，与此同时，能源相关的技术进步亦使得低能源强度的替代产品得到广泛应用，进一步降低能源强度。

(2)工业化水平的提高不利于能源强度的降低。从各模型来看，该系数一直显著为正且变化不大，在CCEMG模型中，能源强度的工业化弹性约为0.630。在推进工业化的过程中，不仅大量的工业企业和工业基础设施建设需要耗费大量的能源资源，而且随着工业化水平的提高，工业也倾向于使用更多的能源来进行生产活动。同时工业化的发展也带动了人民生活水平的大幅提升，刺激了对能源消费的需求。而我国现有工业生产的技术水平和设备使用现状还相对比较落后，工业粗放型增长方式并没有得到根本性的改变，致使能源利用效率较低，浪费比较严重，因而，工业化进程的推进使得能源强度不降反升。

(3)城镇化对能源强度的影响不确定。在上述四个模型中，混合最小二乘法、固定效应模型中城镇化的系数均显著为正，而组均值估计和共同效应组均值估计模型中，该系数均不显著，可见城镇化影响能源强度的方向和大小难以确定，因而，根据现

有研究，尚无法判定城镇化对能源强度的影响，这与目前相关实证研究中得出的结论比较一致。其深层次原因在于：城镇化的主要特征表现为农村人口转为城市人口并集中居住，在城镇化过程中，人口密度逐步增加，促使了能源密集型基础设施的增加，同时城镇化导致居民收入增加和生活方式改变，交通通讯等活动对能源的消耗也会增加，这意味着生产和消费类等经济活动在城市区域的高度集中，导致了能源消费的增加和能源强度的上升。但另一方面，城镇化也意味着生产和消费中规模经济和产业集聚效应的出现，以及对优化产业组织结构、产品结构、技术进步的促进，因此城镇化又有助于降低能源消费和提高能源综合利用效率。正是这些因素的综合作用，以及中国正处于快速城镇化发展阶段的现实背景，使得中国目前城镇化发展对能源强度的影响并不确定。

基于以上结论，似乎陷入了相互冲突的两难处境：提高人均收入水平有利于降低能源强度，因而保持经济的持续增长，提高城镇化水平就成为的必然选择。然而，为了实现经济的持续增长和城镇化水平的提高，往往倾向于采取推动工业发展的路径和方式，毕竟工业化是经济增长和发展的主要动力源泉，而且城镇化与工业化两者间又存在相互促进的发展关系，但工业化水平的提升又提高了能源强度。因此在目前促进经济发展、提高城镇化水平和收入水平，同时节能减排又面临较大压力的情况下，措施的选择与配合就显得尤为重要，具体可从以下几方面进行：

首先，加快产业结构升级，转变经济增长方式。技术进步是产业结构优化升级的直接动力，要采取有效措施，促进企业提高自主创新能力，带动产业结构优化升级，扭转我国粗放型经济增长方式，促进高附加值、低能耗的产业增长，实现集约型经济增长。从长远来看，推动技术进步，加强我国的自主创新能力，实现经济增长方式由粗放型向集约型转变，才能最终提升我国整体的能源效率，确保节能减排目标的实现。

其次，构建绿色制造体系，推进“五化”协同发展。工业的过快发展不仅会加大能源需求的压力，而且以资源大量投入为特征的粗放型发展还会导致能源效率降低。因此应加快构建以高效、清洁、低碳、循环为特征的绿色制造体系，推进新型工业化、信息化、城镇化、农业现代化和绿色化的协同发展。同时需充分考虑不同地区、不同行业和不同规模企业的差异和发展情况，研究制定工业节能减排差异化。对于工业结构重化短时间内难以快速调整的局面，严格新项目能评环评，降低重化工业比重，减少能源消耗和环境污染，降低能源强度。

再次，推进绿色、循环、低碳发展的新型城镇化建设。我国已进入城镇化快速发展时期，同时又面临着能源相对不足、生态环境比较脆弱的严峻制约，因此，走具有中国特色的绿色、循环、低碳发展的城镇化道路，是我国在众多约束条件下的必然选择。应充分利用城镇化发展的机遇，加速包括工业、建筑物、交通运输等终端耗能领域的能源低碳转型。在推进城镇化的进程中，同步规划适应当地情况的区域型能源利用系统，加强能源结构调整，建立和完善以清洁、可再生替代能源为规模利用，以传统能源的减量化、集约化、循环利用为特征的城市能源系统，不断促进能源强度的下降和能源利用综合效益的上升，在更大程度上降低经济社会发展对能源的依赖程度，实现经济全面、协调、可持续发展。