图表：我国发电装机突破40亿千瓦 位居全球首位

基于Hsieh & Klenow（2009）资本错配理论，若发电装机在省际完全按边际产出配置，各省单位装机发电量（利用小时数）应趋同。然而现实中，西部省份风光资源富集却面临弃风弃光，东部负荷中心装机不足依赖特高压远距离输电。由此提出：H1：中国发电装机空间错配程度在2015-2026年间先上升后下降，转折点与特高压密集投运和电力市场化改革节奏相关；H2：新能源装机占比提升短期内加剧空间错配（发电中心与负荷中心分离），长期随储能和跨区交易完善而缓解；H3：电力省间交易市场化程度每提高1个百分点，装机空间错配指数下降X%。

核心识别挑战：装机布局是政府规划与市场力量共同作用的结果，单纯回归面临严重内生性。采用两阶段识别策略：（1）以各省"十三五""十四五"电力规划中的计划装机目标与实际装机的偏差作为政策冲击的工具变量——规划目标外生于短期市场波动，但直接影响装机分布；（2）利用特高压线路投运的时序差异构造交错 DID，识别跨区输电能力改善对受端省份装机利用效率的外生影响。在空间杜宾模型中，以地理距离和经济距离双权重矩阵控制空间自相关。

基准技术效率测度采用 Battese & Coelli（1995）随机前沿模型：ln(Y_{it}) = β₀ + Σβ_k·ln(X_{kit}) + v_{it} - u_{it}，其中 Y 为发电量，X 包括装机容量、煤炭/水/风/光资源禀赋、劳动力投入，u_{it} 为非负技术无效率项。第二步配置效率回归：Dispersion_{t} = α + θ·RE_share_{t} + γ·Market_{t} + δ·Grid_{t} + μ_i + λ_t + ε_{it}，其中 Dispersion 为各省 TFPR（收入全要素生产率）的 90-10 分位差或变异系数，RE_share 为可再生能源装机占比，Market 为电力市场化交易电量占比，Grid 为跨省输电能力。空间杜宾模型引入 W·Dispersion 项捕捉邻省效率的空间溢出。

被解释变量：省内各类电源的年度利用小时数（发电量/装机容量），标准化为技术效率指数。核心解释变量：（1）空间错配指数=省际 ln(TFPR) 的标准差；（2）新能源渗透率=风光装机/总装机；（3）省间交易市场化指数=市场化交易电量/总用电量；（4）电网联通性=跨省输电容量/省内最大负荷。控制变量：煤炭价格、碳排放配额价格、第二产业占比、气温波动（制冷/采暖需求）。样本为31个省市区×2010-2026年面板。

（1）替换错配测度：以 Theil 指数和 Atkinson 指数替代离散度指标，检验不同不平等度量方法下结论的敏感度，同时计算 OP 协方差项分解以区分组内错配和组间错配；（2）排除直辖市样本：剔除北京、天津、上海、重庆四个产业结构特殊的直辖市，检验一般省份的配置效率规律是否一致；（3）样本分期检验：以 2020 年"双碳"目标提出为断点，分 2010-2020 和 2021-2026 两个子样本回归，考察碳约束前后装机配置效率的差异化特征；（4）安慰剂空间权重矩阵：随机置换各省地理位置生成伪空间矩阵后进行杜宾回归，若空间自相关项不再显著则验证空间依赖关系的真实性。

---

Aschauer（1989）开创性地证明公共基础设施投资对美国 TFP 有显著正向贡献，乘数约为 0.24-0.39。电力基础设施区别于一般公共投资的特性在于：建设期通过设备采购和施工拉动上下游产业；运营期作为全经济体中间投入品，降低所有下游行业的生产成本。不同电源技术存在乘数异质性——火电建设周期短、供应链本土化程度高，短期乘数较大；风光设备制造集中在外省，本地乘数可能外溢。据此提出：H1：电力投资累计乘数（5年累计产出增量/投资额）约为 1.2-1.8，高于一般基础设施投资乘数；H2：火电投资的短期（1年）乘数最大，但新能源投资的长期（5年）乘数因低边际发电成本而反超；H3：装机投资乘数在西部资源型省份显著大于东部负荷型省份，反映出投资对当地经济的不同拉动效应。

核心挑战在于投资的内生性——经济增长好的省份可能投资更多电力项目，形成反向因果。识别策略：（1）利用国家发改委核准电源项目的行政时间滞后——从项目核准到实际投资启动平均间隔 18-24 个月，核准日的政策冲击相对于当前经济状况外生，以核准批复的装机量作为实际投资的工具变量；（2）以各省风能/太阳能资源禀赋（NREL 全球太阳辐射和风速网格数据）与全国新能源投资趋势的交乘项作为 BARTIK 型工具变量——资源禀赋外生给定，但通过国家新能源投资浪潮影响各省装机投资力度。排他性约束通过过度识别检验和弱工具变量 Cragg-Donald F 统计量验证。

局部投影法（Local Projections）设定：ΔY_{i,t+h} = α_i^h + β^h·Shock_{it} + γ^h·X_{it} + ε_{i,t+h}，其中 ΔY_{i,t+h} 为省份 i 在 t+h 年的 GDP 增长率（h=0,1,...,5），Shock_{it} 为装机投资的外生冲击（以工具变量替代），β^h 的序列即为脉冲响应乘数。动态面板 GMM 设定差分方程和水平方程联立估计，以投资变量的高阶滞后作为内部工具，克服弱工具变量问题。投入产出乘数分解基于 Ghosh 供给驱动模型：ΔX = (I-B)^(-1)·ΔV，以电力部门增加值变动 ΔV 追踪其对全体产业部门产出的前向联动效应。

被解释变量：省级实际 GDP 对数差分（增长率）和制造业增加值增长率。核心解释变量：省级电力固定资产投资完成额（亿元，2015 年不变价），按火电、水电、风电、光伏、核电五类细分。工具变量：国家能源局项目核准数据库中的核准装机（万千瓦）× 核准时间虚拟变量。控制变量：省级一般公共预算支出增长率、第二产业占比、城镇化率、开放度（进出口/GDP）、人力资本（高中学历以上人口占比）。数据跨度为 2005-2026 年 31 省份年度面板。

（1）替换乘数估计方法：以结构向量自回归（SVAR）替换局部投影法，通过 Cholesky 分解设定短期约束（投资对 GDP 的当期响应为零），对比两种方法下的脉冲响应路径；（2）替换投资度量：以"发电装机增量（万千瓦）"替代"投资完成额"重新估计，检验实物量视角下的乘数一致性——若乘数一致则说明投资成本变动不主导结果；（3）剔除"西电东送"通道省份样本：将新疆、内蒙古、甘肃、宁夏等纯送端省份和江苏、浙江、广东等纯受端省份分别排除，检验乘数估计对电力供需模式的敏感性；（4）安慰剂投资前置：将实际投资冲击时间分别前移 3 年和 5 年，若伪处理效应不显著则增强因果推断可信度。

---

格申克龙（Gerschenkron）认为后发国家可通过引进先进技术实现"蛙跳式"发展，不必重复先行者的渐进路径。中国电力行业正是后发追赶的典型案例：跨越了从煤电渐进扩张到直接大规模部署风光储的"跳跃"路径。Hidalgo & Hausmann 强调能力积累决定比较优势升级——新能源装备制造（光伏组件、风机、特高压设备）需要精密制造能力，这一能力可向其他高端制造业外溢。据此提出：H1：中国发电装机中新能源占比每提升 10%，出口技术复杂度（EXPY）提高 X%，该效应在新兴经济体中最大；H2：能源技术复杂度（定义基于新能源装备出口 RCA 加权）的提升先于制造业整体技术复杂度的提升，存在"能源牵引"效应；H3：与印度、越南等可比新兴经济体相比，中国的装机结构转型速度更快，且对制造业出口竞争力的促进作用更强。

跨国面板面临的主要威胁是国家异质性带来的遗漏变量：文化、制度、地理等不可观测因素同时影响能源政策和出口竞争力。采用合成控制法（Abadie & Gardeazabal, 2003; Abadie et al., 2010）：以中国 2006 年《可再生能源法》实施或 2015 年巴黎协定签署作为"处理时间"，以巴西、印度、印尼、墨西哥、土耳其、越南等 20 个新兴经济体作为"捐助池"，通过经济规模、工业化率、研发支出、初始能源结构等预测变量加权合成"反事实中国"。处理效应即为实际中国与合成中国在经济复杂度指标上的差异轨迹。

基准跨国面板回归：EXPY_{it} = α + β·RE_Share_{it} + γ·Controls_{it} + μ_i + λ_t + ε_{it}，其中国家固定效应 μ_i 吸收不随时间变化的国情特征，年份固定效应 λ_t 吸收全球共同冲击。解释变量滞后 2-3 期以缓解反向因果。产品空间密度指标构建：Density_{ict} = Σ_k φ_{ikc}·RCA_{kt}/Σ_k φ_{ikc}，其中 φ_{ikc} 为产品 i 与 k 的邻近性（基于全球贸易网络中两种产品的共出口概率），RCA_{kt} 为 k 产品在 t 年的显性比较优势，密度衡量一国在某一产品上的"潜在比较优势"。面板门槛回归检验新能源装机占比是否存在"临界规模效应"——仅当装机超过某一阈值后技术外溢才显著。

被解释变量 EXPY（出口技术复杂度）参照 Hausmann 等（2007）两步法构造：第一步，PRODY_k = Σ_j (x_{jk}/X_j)/(Σ_j x_{jk}/X_j)·GDPpc_j，以各国人均 GDP 加权产品 k 的世界出口份额得到产品的"收入含量"；第二步，EXPY_i = Σ_k (x_{ik}/X_i)·PRODY_k，以各产品的 PRODY 加权该国出口份额。核心解释变量：RE_Share = 风光水核装机/总装机（IRENA 统一口径）。控制变量：人均 GDP、研发支出/GDP、FDI/GDP、中学入学率、制度质量（WGI 法治指数）。样本为 60 个新兴和发展中经济体 × 2000-2026 年。

（1）替换技术复杂度度量：以 MIT 经济复杂度指数（ECI）替换 EXPY，检验"能源转型→能力多样性"的联动逻辑是否同样成立；（2）剔除中国断点检验：在跨国面板中剔除中国后重新回归，检验能源装机-出口复杂度关系的普遍性——若剔除中国后系数方向一致但幅度减小，说明中国作为最大观测值放大了效应但规律普遍成立；（3）安慰剂处理时间：将中国的"处理时间"分别前移至 2000 年和后移至 2020 年，若合成控制法仅在真实处理时间点及之后才出现实际-合成的显著分叉，则证明可再生能源法的政策冲击效应；（4）替换能源转型度量：以单位 GDP 碳排放或清洁能源发电量占比替代装机占比，检验不同转型度量下结论的稳健性。

---

Williamson（1975, 1985）强调当交易涉及高度资产专用性时，市场治理（竞价上网）可能不如层级治理（垂直一体化）有效——发电资产具有极高的地点专用性和物理专用性，这一特性决定了电力市场不能简单套用一般商品市场的竞争逻辑。Coase 定理指出，在交易成本为零时产权初始分配不影响最终效率，但电力交易的正交易成本（电网阻塞、辅助服务定价困难、长期合约不完全）意味着产权安排至关重要。据此提出：H1：2015 年"中发 9 号文"启动的新一轮电改显著降低了发电企业的非效率投资（过度投资+投资不足），但改革效应在国有与民营发电商之间存在显著异质性；H2：省级电力市场交易中心设立后，民营发电企业的利用小时数提升幅度大于同地区国有企业，源于民营企业的成本控制和竞价灵活性优势；H3：发电资产的专用性越强（煤电机组、核电机组），企业越倾向于签订长期购电合约而非参与现货市场，与交易成本经济学的预测一致。

电力体制改革的准自然实验特征提供了因果识别的可行路径。具体识别策略：（1）以新一轮电改的核心事件——2015 年"中发 9 号文"、2017 年首批 8 个省级电力现货市场试点、2021 年全面取消煤电标杆电价——构造渐进 DID，利用试点省份分批推广的时间差异识别政策效应；（2）以"厂网分开"时期（2002 年 5 号文）各发电集团从原省电力公司分割获得的初始装机容量作为当前投资行为的历史工具变量——遗传性的资产结构外生于当前投资决策，但通过路径依赖影响当前投资惯性；（3）Sun & Abraham（2021）方法诊断渐进DID中因处理效应异质性导致的"坏比较"问题，并以 Goodman-Bacon 分解修正。

企业层面投资效率测度参照 Richardson（2006）期望投资模型：Inv_{it} = α + β₁·Q_{i,t-1} + β₂·Lev_{i,t-1} + β₃·Cash_{i,t-1} + β₄·Size_{i,t-1} + β₅·Age_{i,t-1} + β₆·Ret_{i,t-1} + μ_i + λ_t + ε_{it}，残差为正表示过度投资、为负表示投资不足，取绝对值度量非效率投资程度。DID 设定：IneffInv_{it} = α + θ·Treat_i × Post_t + γ·X_{it} + μ_i + λ_t + ε_{it}，Treat_i 为是否位于电力现货市场试点省份的虚拟变量，Post_t 为试点启动年份及之后的虚拟变量。交互项 Treat_i × Ownership_i（所有权属性）识别制度效应的产权异质性。标准误聚类在企业层面。

核心被解释变量"发电投资效率"：以 Richardson 模型残差绝对值度量。核心解释变量"电改政策冲击"：以各省电力现货市场试点、售电侧放开、增量配电网改革三个维度的启动时间构造政策虚拟变量。产权属性分类：央企发电集团（五大电力+国投电力+中广核+三峡）、地方国有发电企业、民营独立发电商、外资发电商共四类。构建"资产专用性指数"= 1 -（机组退役后的残值/建设成本），以机组设计使用寿命、改造灵活性、区位可替代性三个维度加权。控制变量：企业资产负债率、净资产收益率、上网电价水平、煤炭价格指数、所在省份电力供需比。样本为 2010-2026 年沪深两市及港股上市发电企业年度数据。

（1）替换投资效率度量：以 Biddle et al.（2009）的企业成长性预期投资模型替换 Richardson 模型，检验两种期望投资基准下非效率投资度量的稳健性；（2）替换 DID 识别策略：以 Cengiz et al.（2019）的堆叠 DID（Stacked DID）替换传统渐进 DID，将每个试点批次的事件窗口标准化为 [-4, +4] 年后合并面板，排除"坏比较"干扰；（3）排除最大发电企业样本：剔除国家能源集团、华能集团旗下上市公司，检验结果是否被行业巨头所驱动——若核心结论不变，说明改革效应具有普遍性；（4）安慰剂政策时间置换：将各省电力现货市场试点时间均提前 2 年，若伪政策冲击对投资效率无显著影响，则验证真实政策效应的排他性。

---

周黎安（2007）的"晋升锦标赛"理论认为，中国地方官员围绕 GDP 增长展开竞争，基础设施投资是锦标赛中最重要的"得分手段"。但在"双碳"目标提出后，中央将碳排放强度纳入地方考核体系，官员面临"增长 vs. 减碳"的双重目标约束。Oi（1992）的"地方国家法团主义"强调地方政府具有企业化行为特征，直接参与和推动地方经济发展——发电装机投资既是经济增长工具，也是调控碳排放的关键抓手。据此提出：H1：在"双碳"目标前（2010-2020），地方官员晋升概率与火电装机增幅正相关，与新能源装机关联不显著或为负（新能源对短期 GDP 贡献较小）；H2："双碳"目标后（2021-2026），官员晋升激励与新能源装机的正相关性显著增强，呈现"绿色晋升锦标赛"的初步特征；H3：省长（主管经济）与省委书记（主管党务）在装机偏好上存在分工差异——省长对火电装机更敏感（短期经济增长），书记对新能源装机更敏感（政治正确信号）。

官员晋升激励与装机投资之间的核心识别问题在于：可能有更高政治能力的官员同时做到"多建装机"和"获得晋升"，而非装机投资本身带来晋升。识别策略：（1）以官员年龄是否超过 58 岁（省级官员提名年龄红线）作为晋升激励的外生断点——接近年龄红线的官员晋升激励更强，更倾向于在短期内扩大投资，而超过红线的官员晋升激励骤降；（2）利用市委书记/市长非正常更替（因腐败调查等外生原因被调离或免职）造成的政策不确定性冲击，观察新任官员上任后装机投资结构的变化——新任官员在"试用期"（任期首 2 年）内更倾向于推动可见的、短周期成果（如分布式光伏）而非长周期项目（如核电、大型水电）；（3）省政府工作报告中能源关键词的情感分析（NLP）作为官员能源偏好的文本度量，将其与随后年份的实际装机行为回归。

官员特征回归：ΔCapacity_{it}^{coal/wind/solar} = α + β₁·Promotion_Incentive_{it} + β₂·Tenure_{it} + β₃·Age_{it} + β₄·Education_{it} + γ·X_{it} + μ_p + λ_t + ε_{it}，其中 Promotion_Incentive 为晋升激励虚拟变量（以年龄是否在"可晋升窗口"内、前任官员是否升迁定义），μ_p 为省份固定效应。双碳政策冲击的 DID 设定：Capacity_Structure_{it} = α + θ·Post_DualCarbon_t × Promotion_Incentive_{it} + γ·X_{it} + μ_i + λ_t + ε_{it}，交互项 Post_DualCarbon × Promotion_Incentive 检验"双碳"是否改变了晋升激励与装机结构的关联方向。进一步以官员个人固定效应替换省份固定效应，识别官员个人风格对装机偏好的影响。

核心解释变量：（1）晋升激励强度：年龄≤55 且前任升迁=高激励，年龄≥58=低激励，构造 0-1 虚拟变量及连续型激励指数（以同行省份 GDP 排名相对变化衡量晋升压力）；（2）官员任期（年）：区分正任期和倒计时（距年龄红线的剩余年数）；（3）省政府工作报告文本中"能源""电力""新能源""碳排放""火电""煤炭"等关键词的 TF-IDF 加权频率。被解释变量：分电源类型的年度新增装机容量（万千瓦）和装机结构指数（清洁能源装机/总装机）。控制变量：省 GDP 增长率、第二产业占比、煤炭资源禀赋虚拟变量、中央转移支付依赖度、电力外送占比。样本：31 省市区 × 2005-2026 年。

（1）替换晋升激励度量：以官员任期内所在省份 GDP 增长率的全国排名变化替代年龄基准的晋升激励度量，检验经济绩效压力的投资效应是否稳健——两者正相关支持锦标赛理论；（2）排除换届年份数据：剔除党代会（逢 2、逢 7）和全国两会次年（官员大范围调整年），仅保留政治稳定年份重新回归，检验政治周期波动的干扰程度；（3）安慰剂官员轮换：随机置换各省官员的任职时间和个人特征，生成伪面板后重复回归 500 次，以系数分布检验真实估计是否显著偏离随机分布；（4）Heterogeneous DID 稳健诊断：以 de Chaisemartin & D'Haultfoeuille（2020, 2024）方法诊断并修正渐进 DID 中因处理效应异质性导致负权重问题。

---