面板数据被广泛地应用于社会科学、经济学、医学等研究领域。传统的分析方法假设各截面间具有相同的斜率系数。但在实证分析中,面板数据通常包含来自不同地区、不同背景的研究个体,从而呈现出一定的异质性。此时斜率同质性假定不再成立,而完全的斜率异质性存在参数估计不精确、计算量大等问题。若无法识别个体间的异质性程度,将出现严重的模型设定偏误,同时对参数估计的一致性和统计推断的可靠性产生影响。假设面板数据个体间具有潜在的分组结构,同一组内斜率系数相同,不同组之间斜率系数不同。本文基于融合的最小绝对收缩和选择算子（Fused Lasso）思想提出了成对融合惩罚的分组结构识别方法。通过对个体斜率向量两两做差进行惩罚,将同一分组的个体斜率系数压缩成相同的值,最终形成个体分组。再使用交替方向乘子法（ADMM）对目标函数进行求解,在减少计算量的同时保证估计结果的一致性。考虑到参数的先验约束信息在实证分析中的重要性,本文将带有参数先验约束信息的凸集合纳入到模型估计的框架下,从而更加有效地利用样本信息。最后给出了算法的收敛性证明和参数估计量的渐近性质证明。相较于其他方法,本文提出的算法考虑了参数的约束条件,能够在参数估计的同时识别分组结构,且分组过程不依赖于任何的先验信息,是完全由数据本身驱动的。数值模拟部分给出了三个案例,分别考察分组数目、样本量分布、回归变量维度对算法的影响。结果表明本文提出的算法在识别面板数据个体分组结构上具有较好的准确性和稳定性。实证研究部分基于我国30个代表省份2001-2015年的面板数据,探讨各省用电量对省级GDP的异质性影响,结果显示30个省份按东北、中部、东南、西北的地理性质被划分为4组,电力消费对经济增长的影响大体上呈现东北地区、中部地区较高,东南地区、西北地区稍低的趋势。