李存斌，董佳

(華北電力大學 經(jīng)濟與管理學院，北京 102206)

0 引言

在碳減排的大背景下，世界各國都在積極發(fā)展風電等可再生能源，風能已經(jīng)成為世界能源體系中重要的組成部分[1-4]。在中國，風力發(fā)電是可再生能源發(fā)電的主要來源，是推動能源生產(chǎn)和消費革命的關(guān)鍵因素[5-9]。中國風能資源豐富，受補貼退坡刺激及海上風電發(fā)展提速的雙重影響，2019年，中國風電市場新增吊裝容量達到歷史第二高水平，中國風電裝機容量急劇增長的同時，也伴隨著較嚴重的棄風現(xiàn)象發(fā)生，造成大量風電資源的浪費[10-12]。研究風力發(fā)電績效的區(qū)域差異及影響因素，有利于合理規(guī)劃風電資源的開發(fā)，實施有區(qū)域特色的可再生能源政策，因地制宜采取相應的風電建設和管理措施，從而推動中國風力發(fā)電的發(fā)展。

目前，關(guān)于風電績效的研究包括多個維度。一些學者選擇對某一地區(qū)的風電績效進行測算和評價。文獻[13]對巴基斯坦風電績效進行評估和測算。文獻[14]對北京的風電績效進行評估。一些學者探索不同區(qū)域之間的風電效率差異。文獻[15]評估了中國內(nèi)陸、沿海和海上風電性能，并分析發(fā)現(xiàn)內(nèi)陸和沿海風電場具有相似的能源性能，與海上風電場存在顯著差異。文獻[16]以中國610個風電場為例，分析了不同?。ㄗ灾螀^(qū)、直轄市，以下簡稱“省域”）之間風電場績效的差異。目前對風力發(fā)電績效的空間分布狀況進行分析的文獻尚少，而準確把握風力發(fā)電績效在各省域的分布格局和集群狀態(tài)有利于更有針對性的提升風力發(fā)電績效，因此，本文選擇對中國各個省域的風電績效差異及空間分布情況進行分析。

學者們采用多種評價方法對風電績效展開了廣泛而深入的研究，包括熵權(quán)法[17]、數(shù)據(jù)包絡分析（data envelopment analysis，DEA）[18]、演化博弈模型[19]、面板回歸模型[20]等。文獻[21]采用DEA模型測算中國風電公司的技術(shù)效率，但經(jīng)典的DEA模型無法進一步比較分析有效決策單元，通常結(jié)果中存在多個有效決策單元。DEA和TOPSIS的互補性正好可以彌補這一缺陷，兩者的結(jié)合應用已經(jīng)較為成熟。文獻[22]綜合運用DEA模型和TOPSIS方法對中國醫(yī)療衛(wèi)生資源配置效率進行評估。也有部分學者采用超效率DEA模型來解決這一缺陷，文獻[23]基于超效率DEA模型測算中國區(qū)域科技創(chuàng)新效率。但關(guān)于測算風電績效，上述何種模型更適合、更有效仍有待驗證。因此，本文使用DEA-TOPSIS模型測算風電績效，并將結(jié)果與超效率DEA模型結(jié)果對比分析。

此外，學者們多采用傳統(tǒng)的面板模型分析不同因素對風力發(fā)電績效的影響，鮮有文獻引入空間面板模型進行分析。傳統(tǒng)的面板回歸模型通常假定各個地區(qū)的風力發(fā)電績效是相互獨立的，這顯然與現(xiàn)實存在偏離。因此，空間面板模型更能準確地把握各個因素對風力發(fā)電績效的空間沖擊，從空間角度探究不同因素的影響程度。為了彌補現(xiàn)有研究的不足，本文引入空間面板模型，分析風電績效的驅(qū)動因素，為政府優(yōu)化風電建設和管理提供理論支持和決策依據(jù)。

本文借助DEA模型對2013—2019年中國30個省域的風電績效進行測算，對績效結(jié)果為1的數(shù)據(jù)采用TOPSIS模型進行二次評價，得出其績效優(yōu)劣程度，并根據(jù)績效結(jié)果進行排序。接著，運用全域空間相關(guān)性指數(shù)Moran’s I對各省域的風電績效在空間上是否存在相關(guān)性進行檢驗。最后，建立空間面板模型對風電績效影響因素進行分析，比較幾種空間面板模型結(jié)果并選取最優(yōu)模型探究各因素對風電績效的影響程度和方向。

1 模型

1.1 DEA

（1）DEA模型。

本文采用DEA模型來評價30個省域的風電績效，設有m個被評價的省域，即決策單元（decision making units，DMU），每個決策單元有T個輸入，表示資源的消耗，產(chǎn)生S個輸出，表示資源的產(chǎn)出。構(gòu)建模型如下。

式中： θ 為效率評價值；Xi、Yi分別為決策單元DMUi的輸入和輸出數(shù)據(jù)； λi為決策單元的參變量；s+、s?分別為投入、產(chǎn)出松弛冗余變量；Xi0、Yi0分別為被評價決策單元DMUi0的輸入和輸出數(shù)據(jù)。

輸出的效率指標包括綜合效率、純技術(shù)效率和規(guī)模效率，分別表示在一定（最優(yōu)規(guī)模時）投入要素的生產(chǎn)效率、由于管理和技術(shù)等因素影響的生產(chǎn)效率和由于規(guī)模因素影響的生產(chǎn)效率。

（2）超效率DEA模型。

由于DEA模型無法對同時有效決策單元（效率值為1的決策單元）進行比較和深入分析，文獻[24]提出了超效率DEA模型。通過將評價的決策單元排除在外，對有效前沿上的評價對象進行重新測算，從而實現(xiàn)對有效決策單元的進一步比較和排序。構(gòu)建模型如下。

輸出的效率指標為超效率值，對于無效決策單元，其超效率值和綜合效率值相等；對于有效決策單元，其超效率值大于1，能夠體現(xiàn)其生產(chǎn)效率之間的差異。

1.2 TOPSIS

本文采用TOPSIS法來計算各個方案與理想解的相對貼近度，從而對績效結(jié)果為1的省域風力發(fā)電績效進行二次評價，并根據(jù)評價結(jié)果進行排序。

1.3 空間自相關(guān)分析

1.4 空間面板模型

2 實例分析

2.1 風力發(fā)電績效測算及動態(tài)化分析

通過DEA模型對全國30個省域的風力發(fā)電績效進行測算，在測算過程中，選取風電累計裝機容量、風電年投資成本作為投入要素指標，選取風電年發(fā)電量、風電年利用小時數(shù)作為產(chǎn)出要素指標。本文選取2013—2019年全國30個省域的有關(guān)數(shù)據(jù)作為樣本，由于西藏及港、澳、臺地區(qū)部分數(shù)據(jù)缺失，因此不納入考察范圍。

通過收集到的面板數(shù)據(jù)，采用deap2.1軟件，采用投入導向可變規(guī)模報酬對中國30個省域每一年的風力發(fā)電投入產(chǎn)出數(shù)據(jù)進行測算，得出綜合效率（ET）、純技術(shù)效率（EPT）、規(guī)模效率（ES）以及規(guī)模收益狀態(tài)，具體結(jié)果如表1所示。其中：ET為1表示該省風電的投入產(chǎn)出是綜合有效的；EPT為1表示在目前的技術(shù)水平下，該省風電的投入產(chǎn)出是有效的；ES反映實際規(guī)模與最優(yōu)生產(chǎn)規(guī)模的差距。

表1 2013—2019年中國各省域風力發(fā)電績效整體分析Table 1 Overall performance analysis of wind power generation of various provinces in China from 2013 to 2019

由表1可知，2013—2019年全國各省域風力發(fā)電績效整體有上升趨勢，平均綜合效率值偏低和規(guī)模收益遞減的省域數(shù)整體呈現(xiàn)遞減趨勢。具體表現(xiàn)在以下幾個方面。

（1）從時間維度來看，2013—2019年，每年大概5個省域處于綜合效率最佳和規(guī)模最佳的最優(yōu)狀態(tài)，投入的資源和成果的產(chǎn)出基本上保持一致；但每年處于最優(yōu)狀態(tài)的省域數(shù)量較少，主要集中在北京、天津、上海及福建。

（2）從效率分解維度來看，2013—2019年的平均規(guī)模效率為0.930，平均純技術(shù)效率為0.810，平均綜合效率為0.750。顯而易見，綜合效率最低，從綜合效率的維度來看，在這7年全國各省域風力發(fā)電平均綜合效率并不高，說明其上升空間還很大；而各省域的純技術(shù)效率并沒有規(guī)模效率那么高，說明各省域的風電技術(shù)水平還有很大的提升空間，投入資金沒有被有效使用從而達到資源的合理配置，因此，各省域的風電相關(guān)管理制度需要不同程度的進一步完善，投入和產(chǎn)出結(jié)構(gòu)需要優(yōu)化調(diào)整，技術(shù)水平才能進一步提高。

（3）從規(guī)模收益來看，全國各省域風力發(fā)電的投入與產(chǎn)出資源的配置有待進一步提高，全國風電規(guī)模收益呈現(xiàn)不變狀態(tài)平均省域數(shù)有6個，占省域總數(shù)的五分之一，規(guī)模收益遞減的省域平均數(shù)量有17個，而處于規(guī)模收益遞增的省域平均數(shù)量為7個，仍有少數(shù)省域處于規(guī)模收益增加階段，這部分省域的個數(shù)有逐漸減少的趨勢，雖然中國處于棄風現(xiàn)象較為嚴重的環(huán)境下，但不同地區(qū)仍應區(qū)別處理，在風能資源匱乏的地區(qū)應當適當增加資源投入，從而使得這部分省域風電績效得到提高，產(chǎn)生更多風力發(fā)電成果。

根據(jù)DEA模型測算結(jié)果，將全國30個省域分為東部地區(qū)、中部地區(qū)和西部地區(qū)，可以得到2013—2019年東、中、西部三大區(qū)域的風力發(fā)電績效，如圖1所示。從全國總體來看，2013—2015年之間風電績效略有下降趨勢，但從2016年開始，風電績效開始明顯上升。從三大區(qū)域歷年的風電績效值來看，區(qū)域之間的風電績效存在一定的差異，由圖1可知，東部最高、西部次之、中部最低。東部地區(qū)風電績效整體上得到了改善，技術(shù)效率和規(guī)模效率的提高均對風電績效的改善起到了推動作用。中部地區(qū)風電績效整體呈上升趨勢，但波動較大，較不穩(wěn)定，規(guī)模效率的不斷提高對風電績效的改善起到了積極作用。西部地區(qū)風電績效總體來看也是上升趨勢，與技術(shù)效率和規(guī)模效率的提高均有關(guān)。東、中、西三大區(qū)域風電績效的差異主要來自于規(guī)模效率的差距。

圖1 三大區(qū)域風力發(fā)電績效Fig. 1 Performance of wind power generation in three major regions

以2019年數(shù)據(jù)為例，結(jié)果顯示北京、天津、內(nèi)蒙古、上海、四川和云南共6個省域的風力發(fā)電綜合效率為1，績效排名最優(yōu)。對30個省域的風力發(fā)電績效進行排序，將綜合意義最強的綜合效率作為第一排序規(guī)則，綜合效率值越大排名越優(yōu)。在“碳達峰·碳中和”目標下，中國明確了風電、太陽能的“碳達峰”貢獻度，未來十年風電規(guī)模將大幅增長，因此，規(guī)模效率更應被關(guān)注，將其作為第二排序規(guī)則，而純技術(shù)效率作為第三排序規(guī)則，即綜合效率值相同時規(guī)模效率值越大排名越優(yōu)，綜合效率值、規(guī)模效率值相同時純技術(shù)效率值越大排名越優(yōu)。

經(jīng)典的DEA模型無法實現(xiàn)對效率值為1的DMU的進一步比較，為了解決此問題，已經(jīng)有學者采用超效率DEA模型[25]。為了驗證本文采用的DEA-TOPSIS模型對于風電績效評價的有效性和適用性，分別采用超效率DEA和DEA-TOPSIS模型評價2013—2019年中國各省域風電績效，將結(jié)果進行比較，并結(jié)合各省域?qū)嶋H風電發(fā)展情況，判斷哪個方法的結(jié)果更為貼近實際情況，即哪個方法更適合用于評價中國各省域風電績效。

對綜合效率值為1的省域，通過TOPSIS模型按步驟進行仿真計算，根據(jù)2019年各省域的風力發(fā)電績效值及其分解結(jié)果，計算得出風電累計裝機容量權(quán)重為0.281，風電年投資成本權(quán)重為0.165，風電年發(fā)電量權(quán)重為0.390，風電年利用小時數(shù)權(quán)重為0.164。通過式（5）～（17）計算貼近度，結(jié)果如表2所示。按照上述排序規(guī)則，對績效優(yōu)劣程度進行排序如下：內(nèi)蒙古＞云南＞四川＞上海＞天津＞北京。通過超效率DEA模型對2019年各省域的風電績效進行評價，并按照評價結(jié)果進行排序，效率值小于1的省域的排序與DEA-TOPSIS模型計算結(jié)果的排序相同，但效率值為1的6個省域的排序為：內(nèi)蒙古＞北京＞云南＞四川＞上海＞天津，兩者的區(qū)別在于北京的排名。2019年北京的風電累計裝機容量僅為19萬kW，而云南、四川、上海和天津分別達863萬、325萬、81萬、60萬kW，北京實際風電整體發(fā)展情況，包括風電資源和風電發(fā)展?jié)摿?，比云南、四川、上海和天津薄弱許多。但超效率DEA模型的計算結(jié)果顯示，北京的風電績效結(jié)果高于這4個省域。因此，DEA-TOPSIS模型的計算結(jié)果更符合風電實際發(fā)展情況。采用DEATOPSIS模型對2013—2018年風力發(fā)電績效進行評價，各省每年風力發(fā)電績效排名如表3所示。

表2 2019年TOPSIS模型結(jié)果Table 2 Results of the TOPSIS model in 2019

表3 2013-2019年中國各省域風力發(fā)電績效排名Table 3 Wind power performance ranking of various provinces in China from 2013 to 2019

由表3可知，2013—2019年，北京、天津、上海、福建等省域的風力發(fā)電績效排名靠前且較穩(wěn)定，因為這些地區(qū)的風力發(fā)電技術(shù)比較成熟，風電消費水平高，棄風率較低，風力發(fā)電發(fā)展科學且快速。然而，湖北、貴州等省域的風力發(fā)電績效較低，主要是因為這些地區(qū)的風能資源匱乏，風力發(fā)電發(fā)展滯后，導致其純技術(shù)效率和規(guī)模效率較低，整體排名較落后。其中，貴州的風力發(fā)電績效排名有略微上升趨勢。這可能是因為貴州曾經(jīng)是以惡劣的氣候條件和崎嶇的地形而被認為是一個無“風”的省域，但截至2016年5月，貴州根據(jù)當?shù)氐匦魏蜌夂驐l件，已建成了66座風電場，裝機容量327.8萬kW，形成了中國高原風電的貴州特色。

中國風能資源開發(fā)的重點區(qū)域為東北三省、內(nèi)蒙古、甘肅、新疆等，但這些省域的排名卻并不理想。截至2014年，內(nèi)蒙古風電裝機容量達到全國風電總裝機容量的1/4，但績效排名卻不盡人意，是由于當?shù)貤夛L現(xiàn)象較為嚴重，風電性能較差。但從2017年開始，內(nèi)蒙古的排名開始上升，這可能是因為內(nèi)蒙古不斷優(yōu)化電網(wǎng)運行方式，提高風電調(diào)度管理水平，積極開發(fā)風電供熱項目，從而提高電網(wǎng)吸納風電比例，最大限度減少“棄風”現(xiàn)象。

2.2 風力發(fā)電績效的空間集群狀況分析

為了進一步探究中國各省域風電績效的空間分布格局和集群情況，通過以選取的30個省域為空間單元，選取2013年和2019年2年各省域的風電績效值作為衡量指標，運用全域空間相關(guān)性指數(shù)Moran’s I及Moran’s I散點圖對各省域的風力發(fā)電在空間上是否存在自相關(guān)進行檢驗。

通過計算得出2013年和2019年Moran’s I指數(shù)值分別為0.207和0.282，并繪制出Moran’s I散點圖，如圖2和圖3所示?？梢钥闯?，中國各省域的風電績效在空間上呈現(xiàn)出正的自相關(guān)性，表明風力發(fā)電績效的分布并不是隨機的，而具有空間上的依賴性。Moran’s I散點圖將30個省域的風電績效分為四個象限的空間相關(guān)模式，用以識別各個省域與其他鄰近省域之間的相互關(guān)系。

圖2 2013年風電績效Moran’s I散點圖Fig. 2 Moran’s I scatter plot of wind power performance in 2013

圖3 2019年風電績效Moran’s I散點圖Fig. 3 Moran’s I scatter plot of wind power performance in 2019

根據(jù)圖2和圖3可以發(fā)現(xiàn)2013年有21個省域表現(xiàn)出正向的空間相關(guān)關(guān)系，占樣本總數(shù)的70%，反映出風力發(fā)電績效具有高水平區(qū)域集中、低水平區(qū)域分散的特點。2019年有22個省域表現(xiàn)出正向的空間相關(guān)關(guān)系，集中在第一、三象限的省域占樣本數(shù)的73.3%，表明風力發(fā)電績效水平高的地區(qū)在空間上相互聚集，風力發(fā)電績效水平低的地區(qū)也形成了低水平的聚集圈。Moran’s I散點圖再次證明了風力發(fā)電績效存在顯著的空間依賴性。

2.3 風力發(fā)電績效的影響因素分析

由風力發(fā)電績效測算結(jié)果及空間自相關(guān)性檢驗可知，2019年風力發(fā)電的Moran’s I值為0.282，且通過了1%水平的顯著性檢驗，表明全國各省風力發(fā)電績效水平存在區(qū)域差異性，在構(gòu)造模型時，有必要納入空間因素。以前文測算的中國各省風力發(fā)電績效為被解釋變量，從GDP、RWC、PPOW、CNWPP和PA5個維度出發(fā)，收集中國各省域2013—2019年的相關(guān)數(shù)據(jù)，對風力發(fā)電績效影響因素進行研究。

首先通過LM檢驗和穩(wěn)健LM檢驗判斷適合的模型，結(jié)果如表4所示。SEM的LM檢驗和穩(wěn)健LM檢驗均通過了1%水平的顯著性檢驗，但SLM的LM檢驗和穩(wěn)健LM檢驗均未通過1%水平的顯著性檢驗，因此，選擇SEM更合理，說明各省域的風電績效除了受自身要素影響，還受鄰近省域風電發(fā)展的影響?？臻gHausman檢驗通過了1%水平的顯著性檢驗，說明空間面板固定效應模型更合適。因此，分別采用混合OLS、SEM模型（包括時間固定、空間固定和雙固定）來分析影響各省域風電績效的主要因素，結(jié)果如表5所示。

表4 模型的LM檢驗結(jié)果Table 4 LM test results of the model

表5 2013-2019年風電績效影響因素空間計量結(jié)果Table 5 Spatial econometric results of influencing factors in wind power performance from 2013 to 2019

由表5可知，不包含空間權(quán)重矩陣的普通最小二乘法（OLS）的擬合度沒有考慮了空間地理因素影響的SEM模型的擬合度好，這與本文空間自相關(guān)性檢驗的結(jié)果一致。根據(jù)SEM模型的結(jié)果，可以發(fā)現(xiàn)時間固定模型的Log-Likelihood值和Ajust-R2值最大，模型擬合效果最優(yōu)，因此選擇時間固定的SEM模型來分析風電績效影響因素。

（1）地理近鄰性對中國風電發(fā)展具有正向影響，模型結(jié)果顯示中國風電績效SEM模型影響系數(shù)為0.285 8，在1%顯著性水平下通過了檢驗。造成這種情況的原因主要包括兩方面。1）鄰近省域之間的技術(shù)交流合作加強，有利于風電核心技術(shù)知識溢出和區(qū)域內(nèi)創(chuàng)新資源的整合和利用，從而提高風電技術(shù)創(chuàng)新水平。2）鄰近省域風電先結(jié)合，再將電力輸送到電力負荷需求中心，能夠大大降低風電整合的成本。因此，應增加省域之間的風電技術(shù)和特高壓建設的聯(lián)系，解決跨省跨區(qū)可再生能源交易壁壘。

（2）GDP與風力發(fā)電績效有較強的正向相關(guān)性，GDP的回歸系數(shù)是1.198 1，說明區(qū)域經(jīng)濟發(fā)展水平每提升1%，風力發(fā)電績效將提升1.198 1%。現(xiàn)階段中國經(jīng)濟增長仍非常依賴非可再生能源發(fā)電，風電還無法在電源供應方面占據(jù)重要地位，但是國家仍然大力鼓勵和扶持風電項目投資，在經(jīng)濟政策、財政政策等在出臺并實施的過程中，風力發(fā)電項目的發(fā)展受經(jīng)濟因素影響較大。

（3）RWC和PA對風力發(fā)電績效有一定的負向作用，RWC的影響作用更大些，其影響系數(shù)為-0.803 2，在1%顯著性水平下通過了檢驗，足以說明其對風電績效的負向影響。棄風現(xiàn)象嚴重影響風電企業(yè)的經(jīng)濟利益，制約風電經(jīng)濟效益的發(fā)揮，降低風電產(chǎn)業(yè)的積極性，尤其在風能資源充足的省域，如新疆、吉林、內(nèi)蒙古等。中國已經(jīng)采取了很多措施，包括加快特高壓技術(shù)的研究和應用，加強長距離特高壓送電通道的建設。PA的空間相關(guān)系數(shù)不顯著，說明PA對風電的集聚影響較小。但電價上網(wǎng)政策下對風電資源的盲目投資和開發(fā)也是造成棄風的主要原因，風電電價的幅度調(diào)整和不統(tǒng)一直接影響風電項目投資和風電市場經(jīng)濟水平的提高。因此，應當合理管控風電市場，避免造成盲目投資的現(xiàn)象，對于曾經(jīng)風電產(chǎn)能過熱的地區(qū)，采取保守政策。

（4）PPOW對風力發(fā)電績效有正向相關(guān)性。與水電、火電等傳統(tǒng)發(fā)電方式相比，風電競爭力薄弱，較難實現(xiàn)大規(guī)模發(fā)展。CNWPP的增加在一定程度上也能夠促進風電的發(fā)展，但其影響程度弱于PPOW。因此，應當加強財政投入和政策扶持，支持貧困地區(qū)發(fā)展風電，進而促進風電發(fā)展。

3 結(jié)論與建議

伴隨著全球?qū)ι鷳B(tài)環(huán)境保護的堅決態(tài)度的不斷加深，在國內(nèi)碳減排的背景下，大力發(fā)展風電項目，成為中國資源有效開發(fā)并利用的重要發(fā)展方針。本文采用DEA-TOPSIS法對全國各省的風力發(fā)電績效進行測算，并與超效率DEA模型的測算結(jié)果對比發(fā)現(xiàn)DEA-TOPSIS法的結(jié)果更符合各省風電發(fā)展情況，然后分析了風力發(fā)電績效的空間集群狀況，最后基于空間面板模型對風力發(fā)電績效的影響因素進行分析和研究，探究影響中國風電發(fā)展的主要因素，從宏觀的角度分析中國風力發(fā)電發(fā)展的現(xiàn)狀，并提出相應的政策建議，對于解決中國風力發(fā)電目前面臨的瓶頸具有重要意義。本研究主要得出以下結(jié)論和建議。

（1）2013—2019年，中國各省域風力發(fā)電績效整體有上升趨勢，處于最優(yōu)狀態(tài)的省域主要集中在福建、天津、北京和上海。各省域的純技術(shù)效率整體低于規(guī)模效率，說明風電技術(shù)水平有很大提升空間，投入資金沒有被合理使用從而達到資源的最優(yōu)配置，各省域應當根據(jù)當?shù)厍闆r“差別化”地完善風電相關(guān)管理制度，優(yōu)化調(diào)整投入和產(chǎn)出結(jié)構(gòu)，進一步提高技術(shù)水平，進而使中國風電從粗放式的數(shù)量擴張，向提高質(zhì)量、降低成本的方向轉(zhuǎn)變。

（2）棄風限電是制約風電發(fā)展的重要因素。棄風現(xiàn)象較嚴重的地區(qū)，如新疆、吉林、內(nèi)蒙古、甘肅等，風能資源十分豐富且開發(fā)良好，風電績效排名卻差強人意。對于這些地區(qū)，應當挖掘系統(tǒng)調(diào)峰能力，例如，充分發(fā)揮抽水蓄能電站作用服務風電消納，加快消納平臺建設進而提高風電各環(huán)節(jié)的積極性，還可以加快推進風電清潔供熱等，最大限度減少“棄風”現(xiàn)象。此外，電力傳輸通道建設也是避免風電資源浪費的有效措施。

（3）由空間誤差模型結(jié)果可知，地理近鄰性對風電發(fā)展有正向影響，主要是因為鄰近省域之間的技術(shù)交流有利于風電核心技術(shù)知識溢出和風電技術(shù)創(chuàng)新水平的提高，并且鄰近省域之間先將風電結(jié)合再輸送到電力負荷需求中心將大大降低風電整合成本。因此，應增加省域之間的風電技術(shù)和特高壓建設的聯(lián)系，解決跨省跨區(qū)可再生能源交易壁壘。

（4）各省風力發(fā)電績效影響因素排名為：PGD（1.198 1）＞RWC（-0.803 2）＞PPOW（0.461 1）＞CNWPP（0.324 8）＞PA（-0.258 5）。PGD對風電發(fā)展有正相關(guān)作用，而RWC對風電發(fā)展有負向作用，PPOW和CNWPP對風電績效也有一定正向作用，對于風能資源匱乏地區(qū)，如湖南、貴州等，應當加強財政投入和政策扶持，推動當?shù)氐娘L電發(fā)展。