政府雙重監管體制下可再生能源消納的演化博弈研究

李龍 聶龑 陟晶 張國興

摘要：日趨嚴峻的碳排放約束、急劇擴張的可再生能源裝機規模以及大規模的“棄風、棄光”行為間相互制約，嚴重阻礙了我國電力系統的低碳、智能轉型?；谡畬Πl電企業節能減排行為和電網企業可再生能源保障性收購的雙重監管，構建電網企業和發電企業間的演化博弈模型，分析三者間的利益沖突與合作過程，進而探究博弈影響因素和協作發展軌跡。研究發現：政府監管力度對企業達標行為具有直接影響，企業達標概率與政府設置的懲罰系數值正相關，其中電網企業對其敏感性更高;通過技術革新降低企業生產成本比單一地提高懲罰系數對提升企業達標積極性具有更好的激勵效果。為了強化能源規制政策效果，切實達成預期的減排和消納目標，我國需從制度上邁出“監管推動發展”的怪圈。政府應結合泛在電力物聯網激發企業的創新發展意識和自主達標意識，盡快建立完善的電力市場，并積極引入第三方以降低能源規制的監管成本，最終達到環境友好、能源清潔、智能高效的電力系統轉型目標。

關鍵詞：雙重監管體制;能源規制;可再生能源消納;演化博弈

一、引言

隨著經濟全球化的深入發展和《巴黎協定》碳減排壓力的逐步上升，全球電力系統都進入了轉型升級的新階段。[1]國際環境的變化及能源、資源的限制都極大地刺激了我國可再生能源的快速發展，《2018年度全國可再生能源電力發展監測評價報告》指出：截至2018年年底全國風電和光伏裝機量分別達到1.84億千瓦和1.75億千瓦，占全球裝機總量的33%和36%。但因資源稟賦、區域壁壘、機制缺陷以及主體間的利益沖突等問題，導致可再生能源的消納量遠不及裝機量，每年都會產生大量的“棄風、棄光”，2018年新疆和甘肅地區的“棄風、棄光”率總和高達38.4%和28.8%?？稍偕茉聪{不足會嚴重制約我國能源系統的轉型升級，進而危及國家能源安全，約束經濟和環境持續發展。

為了確保可再生能源的利用效率，有效協調區域能源發展，2016年國家發改委、能源局依照我國《可再生能源法》要求，核定了重點地區風電和光伏發電最低保障收購年利用小時數，提出全額保障性收購相關要求;2019年兩部門又印發了《關于建立健全可再生能源電力消納保障機制的通知》，要求各地電網企業按配額消納足量的可再生能源。因此，在節能減排政策約束和可再生能源保障性收購需求下，分析政府、電網企業和可再生能源發電企業之間的利益沖突與合作過程，揭示影響我國能源轉型、環境保護和經濟發展的關鍵因素，探究三者之間的演化策略和發展路徑就顯得至關重要。

碳排放量高會導致全球氣候變暖，大力發展可再生能源可以有效抑制碳排放總量。[2]因此，針對可再生能源的研究開始大規模涌現，研究內容主要集中在發電企業內部的技術創新[3]、企業生產結構調整[4]、宏觀政策驅動[5]以及體制層面構建碳市場[6，7]等，這些研究旨在通過降低可再生能源的生產成本來增強電力系統的安全性和穩定性。發展可再生能源“消納”才是決定電力系統可持續轉型的關鍵。電網企業通過天然氣發電（PTG）技術[8]、微網技術和儲能技術[9]等來均衡電網能量波動，提升可再生能源的消納率。但可再生能源消納不僅僅是技術問題，還涉及到區域協調發展的利益均衡以及政策協同等問題。[10，11]

Bhattacharya等[12]建議各國政府、能源規劃處、國際合作機構必須共同行動，增加可再生能源投資，以促進大多數經濟體的低碳增長。分析相鄰兩個地區可再生能源投資補貼博弈的福利效應可以獲得更優的合作策略。已有學者對此進行了探究，發現“利益歸屬”是制約可再生能源消納并網問題的關鍵，其中，影響消納的兩大責任主體——發電企業和電網企業之間的演化博弈狀態主導了可再生能源的發展和利用模式。[13-15]劉秋華等[16]基于貝葉斯博弈理論，提出了一種不完全信息市場交易下多個售電商博弈的定價模型，尋找發電集團間合作的最優策略。Naz等[17]在能源管理體系中制定了兩階段Stackelberg博弈，以協調傳統資源和可再生資源的管理。

上述研究利用演化博弈論動態分析發電主體、輸配電主體和用電主體之間的利益關系，發現政策補貼、發電配比、定價策略之間的最優組合可以促進可再生能源的發展。但從“減排”和“消納”兩個維度出發，基于能源規制動態分析電力系統演化發展過程中涉及到的多利益主體之間的博弈行為和演化路徑的研究還較少。探尋碳減排（“減排”）和可再生能源的保障性收購（“消納”）間的有效實施路徑可以推動國家能源政策的執行;厘清“減排”“消納”行為主體間的博弈過程和合作方式不僅可以促進電力企業的協同發展，還能加強我國能源系統的安全、穩定發展。

鑒于此，本文構建了一個“減排”“消納”雙重約束的可再生能源消納演化博弈模型，分析政府監管效力對發電企業和電網企業行為模式的影響。本文結合周德群等[18]和Korkas等[19]的研究引入電網消納可再生能源和發電企業節能減排的成本函數，并在一個統一的框架下分析了完成不同程度消納和減排配額對利益主體收益的影響，討論電網企業和發電企業之間的最優決策行為，以便為政府制定能源環境規制政策提供理論依據。

二、雙重監管體制下的博弈模型

在“減排”和“消納”的雙重監管體制下，政策、資源和社會環境都對發電企業和電網企業施加影響，使其在清潔發電和自身利益之間難以抉擇，企業很難準確地做出最佳決策。因此，本文利用演化博弈論方法對政府監管下電網企業和發電企業間的協同演化發展問題進行建模分析，將電網企業和發電企業之間的協同演化發展抽象為博弈主體間的利益沖突與合作過程，從而分析各方策略發展軌跡及其演化影響因素。

（一）模型假設與參數定義

考慮我國碳減排政策和可再生能源全額保障性收購政策的制定和執行的具體情形為：發電企業通過技術升級和產業重組來減少單位發電量所產生的二氧化碳，地方政府負責減排配額分配并進行監督檢查;政府核定重點地區風電和光伏發電最低保障收購年利用小時數，電網企業需要完成規定數量的可再生能源保障性消納，在執行期間政府會進行監督檢查。然而，地方政府會基于監管成本和自身利益考慮選擇監督管理行為的嚴苛程度，這又導致發電企業和電網企業會存有少減排、少消納等僥幸行為，若是僥幸行為被政府監察發現將會受到嚴重的違規經濟處罰。

根據上述情景模擬提出如下研究假設：假設電網企業的配額收購量為M1，發電企業的減排要求為M2;企業基于機會主義行為，都存有降低成本不愿達標的動機，電網企業不達標概率為1-α1，發電企業不達標概率為1-α2。假設政府監管部門對企業進行認真檢查就一定能夠獲得其真實的達標情況，其認真檢查的概率為θ，檢查成本為C（C>0）。γ1w1為電網企業消納不足時須繳納的罰金，其中w1為電網企業未消納電量，γ1為政府監管部門對電網企業未達標的懲罰系數（單位罰金）;同理，γ2w2為發電企業減排不足時須繳納的罰金，w2為發電企業未完成的減排量，γ2為政府監管部門對發電企業未達標的懲罰系數（單位罰金）。

電網企業和發電企業的正常收益分別為R1和R2。若在政府監管行為發生時雙方都未達標，企業除了承擔罰款外還需要支付政府監管部門的檢查成本，假設電網企業承擔比例為β，發電企業承擔比例則為1-β;若僅有單一企業未達標，則該企業支付所有檢查成本C。僅有單一企業達標，政府將給予達標企業R3獎勵;雙方企業都達標，政府將給予各R4獎勵金額，且R4>R3。不失一般性，假設上述各參數值均大于0。有關參數符號及含義見表1。

由于政府、發電企業和電網企業之間的博弈存在著相互之間的信息不對稱，且各自的策略是動態變化的，同時由于政府嚴苛的監督管理行為是建立在企業未達標的基礎上，企業的策略選擇也是博弈中要考慮的因素，故本研究的基礎模型為不完全信息下政府—電網企業—發電企業間的三方動態博弈，博弈三方通過不斷地獲取信息，逐步尋求最優策略。

（二）各方收益分析

綜合上述假設，考慮不同監管程度下電網企業和發電企業的收益情況。根據已有研究，設定電網企業可再生能源的消納成本函數為f（x1）=a1x1+b1[20]，電網企業的消納成本與其消納量呈線性關系。發電企業減排成本函數為f（x2）=a2x22+b2x2+c2[18]，鑒于“學習曲線”中知識積累、規模效應和投入產出要素價格變動等表現形式都會影響其減排成本，當積累到一定程度時減排成本會下降，發電企業的減排成本函數為開口向下的二次函數曲線。

在電網企業和發電企業都達標且政府監管部門進行認真檢查時，政府將自行承擔檢查成本C，電網企業和發電企業僅需要支付足額的消納成本a1M1+b1和減排成本a2M22+b2M2+c2，而且政府還會給予電網企業和發電企業各R4的獎勵。在僅單一企業達標時，政府會僅給予達標企業R3的獎勵（R4>R3），未達標的企業則承擔全部檢查成本C。結合上述分析，在“減排”“消納”雙重治理的監管體制下，當政府執行較為嚴苛的監管時，電網企業和發電企業的演化博弈收益矩陣如表2所示。[21]

三、博弈均衡分析

根據政府實施監察管理時電網企業和發電企業演化博弈的收益矩陣，計算電網企業達標和未達標狀態下的期望收益函數。電網企業達標狀態下的期望收益為dα1di表示在政府監管條件下隨著時間的變化，電網企業選擇消納行為達標概率的變化率，其值大于0表示電網企業消納行為達標的概率隨時間的變化不斷增加，反之減少。在政府執行較為嚴苛的監管時，電網企業決定足額消納時的收益高于其不達標行為的收益，同時高于電網企業的平均期望收益時，對電網企業而言，選擇足額消納策略是對其最為有利的決策行為。所以說，在可再生能源消納過程中，電網企業應逐漸改變自己的消納策略傾向足額消納，以獲得最大收益。

與公式（4）相似，dα2di>0表示在監管下，發電企業選擇足額減排行為的概率隨時間變化不斷增加。在政府執行較為嚴苛的監管時，當發電企業選擇足額減排行為時的收益高于其減排不達標時的收益，同時高于其平均期望收益時，對電網企業而言，選擇節能減排策略是對自身企業最為有利的行為。所以說，在電力系統節能減排演化過程中，發電企業理應改變策略努力實現足額減排，以獲得最優收益。

（一）監管條件下電網企業足額消納行為的演化穩定性分析

電網企業完成的消納量與額定量之間的差值越小，且電網企業的懲罰系數大于等于其消納成本系數值時，電網企業有參與足額消納演化策略的積極性;完成消納的量越大，未達標的懲罰系數越高，電網企業完成足額消納演化策略的積極性越強烈，但當完成消納的數量遠小于額定數量，且懲罰系數遠低于消納成本系數時，電網企業就會由積極參與轉為消極應對。

（二）監管條件下發電企業足額減排策略的演化穩定性分析

（三）政府監管下電網企業與發電企業的演化穩定分析

根據電網企業和發電企業演化博弈的復制動態方程（4）和（8），組合得到雙重監管體制下的電力系統協同演化策略的動態系統，其中

根據表3分析得出，兩個漸近穩定點A和B是該動態系統的演化穩定策略，分別對應于電網企業和發電企業選擇（不足額消納演化策略，不足額減排演化策略），以及電網企業和發電企業選擇（不足額消納演化策略，足額減排演化策略）兩種情況。局部穩定點C、D、E反映出系統處于暫時穩定的狀態，一旦有擾動因素影響，則會偏離這種暫時穩定的狀態。進一步，我們用坐標軸來表示電網企業和發電企業這兩個博弈方的演化穩定趨勢，如圖5所示。

分析圖5（a）可知，當電網企業不積極參加足額消納策略時，對電網企業的懲罰系數小于等于其消納成本的系數值，同時滿足發電企業的懲罰系數無限接近于其減排成本時，系統將收斂于A（0，0），即兩個企業均不參加“消納”和“減排”策略時，整體電力系統的低碳、智能化程度較低。

圖5（b）和（c）表明，當發電企業的懲罰系數遠小于其減排成本時，無論系統如何演化，最終都將收斂于B（0，1），即發電企業均會選擇積極參加協同演化策略。這種情況一般出現在電力系統轉型的初始階段和中期階段。根據發電企業節能減排成本函數可知，在系統轉型初期，其學習曲線帶來較高的技術成本，政府給予發電企業的政策支撐較弱時，發電企業的成本將遠高于其懲罰系數，為了促進發電企業的節能減排，技術升級和政策支撐是最有效的手段。電力系統逐漸演化，發電企業的減排成本逐漸接近其懲罰系數，整體系統的低碳、智能演化穩步推進。

以上分析表明，可再生能源發電大規模并網的初期，由于相關制度規范缺失，技術、人才配套不到位等原因，生產出的可再生能源電力很難被積極消納掉。隨著電力系統的演化發展，可再生能源電力并網技術逐漸突破瓶頸，電源結構逐步優化，電力市場開始改革，電力政策進一步進行引導監管，最終增加了可再生能源的保障性消納數量。[22]但是，可再生能源發電大規模并網依然是一個十分復雜的過程，而且在相當長的一段時間內可再生能源電力上網和電網企業之間依然會存在博弈關系。最終可再生能源電力并網將進入協同發展階段，[23]電網企業借助市場調節機制，優先消納可再生能源電力;發電企業在節能減排的前提下，還要從內部進行清潔發電技術改革。相關市場機制逐步完善，國家策略從最初的強勢控制和補貼引導轉變為提供更加完善的市場服務。

四、數值模擬與分析

通過構建政府雙重監管體制下電網企業和發電企業之間的博弈模型，分析可再生能源消納規劃和節能減排策略對電網企業和發電企業演化行為的影響方式，得到了兩者行為與模型參數間的關聯關系。但是，我國尚未對未完成消納和減排的企業實施具體罰款，也沒有形成有效的監管體系，因此，本文對政府監管力度以及懲罰系數的設定進行模擬仿真分析，進一步分析模型的解釋意義。

（一）電網企業的消納成本和懲罰系數分析

根據上述電網企業和發電企業的演化穩定性分析可知，電網企業的收益函數為f（α1）=α1（1-α1）θ{α2（R4-R3+C）+（M1-w1）（γ1-a1）+[R3+（1-α2）βC]}，為了方便對比分析電網企業消納成本和懲罰系數之間的關系，我們假設α1=β=0.5，θ=1。根據上述假設，可以得到圖6所示的電網企業收益與消納懲罰系數之間關聯關系的算例分析圖。

如圖6所示，隨著政府消納懲罰系數逐漸增大，電網企業的收益率也會逐漸增大。這表明，高比例的懲罰系數對企業行為具有相當大的影響，因此在高比例的懲罰系數下，電網企業更愿意積極消納可再生能源，完成消納任務。當消納懲罰系數與電網消納成本系數相等時，γ1=a1，電網企業的收益值為32，電網收益達到均衡狀態。但在提高懲罰系數的同時，也要考慮電網企業消納成本系數值，兩者之間的差值越小，其收益越低。鑒于此，應通過技術升級和區域電力協調調配來主動提高電網消納可再生能源電力的靈活性和安全性。綜上，在政府較為嚴苛的監管下，提升電網企業的消納懲罰系數，同時通過技術創新升級來降低電網消納成本，可以有效提高電網企業的消納積極性。

（二）發電企業的減排成本和懲罰系數分析

根據上述電網企業和發電企業的演化穩定性分析可知，發電企業的收益函數為g（α2）=α2（1-α2）θ{α1（R4-R3+C）+（M2-w2）[γ2-b2-a2（M2+w2）]+R3+（1-β）（1-α1）C}。為了方便對比兩個企業的成本系數和懲罰系數，我們假設α2=β=0.5，θ=1，根據上述假設，可以得到圖7所示的發電企業收益與減排懲罰系數之間關聯關系的算例分析圖。

如圖7所示，隨著政府減排懲罰系數的增加，發電企業的收益率也出現了增大的趨勢。高比例的懲罰系數對發電企業減排行為具有較大影響，在高比例的懲罰系數下，發電企業更愿意積極配合政策引導進行自身節能減排。發電企業的減排成本Cg=a2w22+b2w2+c2，因其具有的學習效應呈現出拋物線的特征，前期0

（三）政府監管力度

我們假設電網企業和發電企業的懲罰系數都取中間值，政府監管力度θ取值區間為[0，0.25，0.5，0.75，1]，可以得到圖8和圖9所示的電網企業收益和發電企業收益與政府監管力度之間的關系分析圖示。

由算例分析可以發現，隨著政府監管力度的加大，電網企業和發電企業足額完成消納和減排的行為都更為積極，相應的企業收益都會變大。這表明，政府監管力度對電力系統低碳、智能轉型行為具有更為直接的影響，可以通過加大政府的監管行為來提升企業的環保創新能力。對比圖8和圖9可知，電網企業的收益值變化對政府監管力度更為敏感，但發電企業具有更大的收益均值。這表明，電網企業對政府監管行為的反應度更靈敏，對其施加政府監管獲取的收益值更大。綜上，提高政府的監管力度，對雙方企業節能減排行為均有影響，其中對電網企業的影響力度更大。

五、研究結論與建議

基于節能減排和能源消納的雙重監管體制，本文構建出電網企業和發電企業間的演化博弈模型，結合監管力度、懲罰系數和成本控制系數等博弈影響因素，分析了雙重監管體制下電網企業和發電企業之間的利益沖突與合作過程及其策略發展軌跡。模型均衡分析和仿真研究發現：政府監管力度對企業達標行為具有直接影響，監管力度越大企業達標概率越高;企業的足額達標概率都與其懲罰系數正相關，其中電網企業對懲罰系數的敏感性更高，這與電網企業的成本函數呈現出線性特征緊密相關;在提高懲罰系數的同時降低電網消納成本和清潔發電成本也可以有效提升企業消納減排的積極性。

根據以上結論，為促進電網企業和發電企業完成消納減排任務，進而實現整體電力系統的低碳、智能轉型，本文提出如下政策建議：

（1）雙重監管體制下，企業節能減排和能源消納達標的概率與政府對企業行為的檢查概率正相關，與政府對其的經濟懲罰和激勵系數正相關。政府對企業的經濟激勵與經濟懲罰相結合可以有效提升其達標的積極性;而且設置階梯式懲罰模式比單一標準懲罰系數具有更好的監管效用，這不僅可以減低政府的監管成本，還能從根本上提高企業達標的積極性。

（2）實施技術革新降低成本比單一地提高懲罰系數對提升電網企業和發電企業達標的積極性具有更好的激勵效果，因此，技術創新、成本優勢依然是促進系統轉型的重要途徑。但是，隨著電力改革縱向推進，配電和用電側市場競爭日益激烈，電網企業的發展道路愈發狹窄。在此背景下，電網企業的技術創新不能僅從企業自身出發，應結合科技革命和產業變革、并聯互聯技術，推進“三型兩網”建設;強化能源規制政策效果，切實達成預期的減排和消納目標，從體制上邁出“監察推動發展”的怪圈，通過完善電力市場制度和電網改革來激發企業的創新發展意識和自主達標意識。

（3）降低能源規制的監管成本，通過引入社會公眾參與和第三方參與、增加資金投入和人員配備、借助泛在電力物聯網技術和大數據技術等手段，提高能源環保部門的監管能力和監管水平，降低企業不達標的預期。

參考文獻：

[1] Mcmeekin A， Geels F W， Hodson M. Mapping the Winds of Whole System Reconfiguration： Analysing Low-carbon Tansformations across Production， Distribution and Consumption in the UK Electricity System （1990—2016）[J]. Research Policy， 2019，48（5）：1216-1231.

[2] Stram B N. Key Challenges to Expanding Renewable Energy[J]. Energy Policy，2016，96：728-734.

[3] Verdolini E， Vona F， Popp D. Bridging the Gap： Do Fast-reacting Fossil Technologies Facilitate Renewable Energy Diffusion？[J]. Energy policy， 2018，116：242-256.

[4] Peng X， Tao X. Decomposition of Carbon Intensity in Electricity Production： Technological Innovation and Structural Adjustment in China's Power Sector[J]. Journal of Cleaner Production， 2018， 172（PT.1）：805-818.

[5] Bataille C， Ahman M， Neuhoff K， et al. A Review of Technology and Policy Deep Decarbonization Pathway Options for Making Energy-intensive Industry Production Consistent with the Paris Agreement[J]. Journal of Cleaner Production， 2018，187：960-973.

[6] Zhang S， Andrews-Speed P， Li S. To What Extent Will China's Ongoing Electricity Market Reforms Assist the Integration of Renewable Energy？[J]. Energy Policy， 2018，114：165-172.

[7] Brown M A， Li Y. Carbon Pricing and Energy Efficiency： Pathways to Deep Decarbonization of the US Electric Sector[J]. Energy Efficiency， 2019，12（2）：463-481.

[8] Collet P， Flottes E， Favre A， et al. Techno-economic and Life Cycle Assessment of Methane Iroduction via Biogas Upgrading and Power to Gas Technology[J]. Applied Energy， 2017，192：282-295.

[9] 李美成，梅文明，張凌康，等.基于可再生能源不確定性的多能源微網調度優化模型研究[J].電網技術，2019，43（4）：1260-1270.

[10] Hua Y， Oliphant M， Hu E J. Development of Renewable Energy in Australia and China： A Comparison of Policies and Status[J]. Renewable Energy， 2016，85：1044-1051.

[11] Felix Christian Matthes. Energy Transition in Germany： a Case Study on a Policy-driven Structural Change of the Energy System[J]. Evolutionary and Institutional Economics Review，2017，14（1）：141-169.

[12] Bhattacharya M， Paramati S R， Ozturk I， et al. The Effect of Renewable Energy Consumption on Economic Growth： Evidence from Top 38 Countries[J]. Applied Energy， 2016，162：733-741.

[13] Yang Y， Nie P， Liu H， et al. On the Welfare Effects of Subsidy Game for Renewable Energy Investment： Toward a Dynamic Equilibrium Model[J]. Renewable Energy， 2018，121：420-428.

[14] 李宏仲，王磊，林冬，等.多主體參與可再生能源消納的Nash博弈模型及其遷移強化學習求解[J].中國電機工程學報，2019，39（14）：4135-4150.

[15] Wang L， Zheng J. Research on Low-carbon Diffusion Considering the Game among Enterprises in the Complex Network Context[J]. Journal of Cleaner Production， 2019，210：1-11.

[16] 劉秋華，何曉敏，馮奕，等.售電側放開模式下售電商定價方法研究——基于貝葉斯博弈模型分析與應用[J].價格理論與實踐，2018（7）：115-118.

[17] Naz A， Javaid N， Rasheed M B， et al. Game Theoretical Energy Management with Storage Capacity Optimization and Photo-Voltaic Cell Generated Power Forecasting in Micro Grid[J]. Sustainability， 2019，11（10）：2763.

[18] 周德群，許晴，馬驥，等.基于演化博弈的光伏產業支持政策研究[J].技術經濟與管理研究，2018（3）：114-119.

[19] Korkas C D， Baldi S， Michailidis I， et al. Occupancy-based Demand Response and Thermal Comfort Optimization in Microgrids with Renewable Energy Sources and Energy Storage[J]. Applied Energy， 2016，163：93-104.

[20] 舒康安，張昌，艾小猛，等.基于分段電價的跨區風電消納[J].電工技術學報，2017，32（S1）：39-49.

[21] 吳士健，孫向彥，楊萍.雙重治理體制下政府碳排放監管博弈分析[J].中國人口·資源與環境，2017，27（12）：21-30.

[22] 趙昕，朱連磊，丁黎黎.能源結構調整中政府、新能源產業和傳統能源產業的演化博弈分析[J].武漢大學學報（哲學社會科學版），2018，71（1）：145-156.

[23] Nie Y， Lv T， Gao J. Co-evolution Entropy as a New Index to Explore Power System Transition： A Case Study of China's Electricity Domain[J]. Journal of Cleaner Production， 2017，165：951-967.

責任編輯：曲 紅