我國省域新能源發電效率評估及其發展戰略研究

摘要：新能源發電效率評價是從管理決策視角解決當前中國新能源發電行業發展不充分、不平衡等問題的重要途徑。本文首先通過超效率DEA模型對中國31個省份2020年新能源發電效率進行實證分析研究，然后依據效率測算結果以及各省新能源消納完成情況，使用密度峰聚類方法將31個省份劃分為四類地區。研究發現：一類地區新能源發電效率較低，應該因地制宜發展海上風電、分布式光伏發電等；二類地區風電效率明顯低于光伏發電效率，因此該類地區應該發揮風力資源豐富的優勢，著重提高風力發電效率；三類地區風電效率高于光伏發電效率，應該聚焦于光伏發電效率的提升，注重分布式光伏發電的發展；四類地區新能源發電效率較高但消納完成度一般，需要合理增加新能源裝機容量，提高新能源消納水平。

關鍵詞：新能源；超效率DEA；密度峰聚類；新能源消納

中圖分類號：F407.2; F273.1 文獻標識碼：A文章編號：1008-2603（2023）02-0024-09

一、文獻綜述

2020年，電力行業的碳排放占全國碳排放總量的41%[1]，電力行業在中國碳減排、應對環境問題方面承擔著重要職責。與傳統火力發電相比，風力、光伏等新能源發電方式具有低碳、清潔、高效、可持續等優勢[2]，大力發展新能源已成為中國實現“碳達峰、碳中和”目標的重要策略。

“十三五”以來，在政策支撐、技術進步等因素推動下，光伏、風力發電成本持續下降，中國新能源即將進入“平價上網時代”，市場競爭力進一步增強，發電量及占比持續增加。依據中國電力行業“十四五”發展思路及新型電力系統建設要求，2035、2050年中國能源清潔化率（非化石能源占一次能源的比重）將達到35%、50%。因此，大力發展新能源將成為支撐中國新型電力系統建設、促進“雙碳目標”實現、推動能源清潔低碳轉型的關鍵舉措【3]。

截至2021年底，中國新能源裝機容量達6.8億千瓦、發電量1.3萬億千瓦時。近年來，中國新能源發電投入與產出均逐年增加，但產出增加的速率明顯低于投入，新能源發電效率并不理想。效率評價是從管理決策視角提升新能源發電效率的重要前提。目前廣泛應用于發電效率評價的方法有模糊綜合評價法[4]、TOPSIS模型[5]、隨機前沿法[6]、數據包絡分析法（Data Envelopment Analysis，DEA）[7]等，其中DEA具有指標不必統一、權重無需人為確定、投入與產出之間的函數關系不需要考慮等優點，因此在評價發電效率的研究中廣泛應用。

相關學者基于不同視角對發電部門的效率進行了評價研究，Xiec8]和龍如銀[9]考慮了各省份之間存在的競爭關系，用博弈交叉效率測算了各省的相對效率；Zhao[10]和Yu[11]】考慮了外生因素對省際發電部門相對效率的影響，分別用三階段DEA和隨即前沿分析法對省際相對發電效率進行測算；Shangc[12]和Yangc13]用基于松弛變量測度的非徑向和非角度的SBM（ Slacks-based Measure，SBM）模型測算省域發電效率時將非期望產出納入模型中。

效率評價的目的是尋求提高新能源發電效率的途徑，分析各區域新能源發展的相似點與不同點，并提出針對性的改進措施，為省域新能源發展戰略提供理論基礎。Yi應用DEA模型對中國光伏發電效率進行了評價，結果表明中國光伏發電效率存在明顯區域差異，通過實行差別電價政策、推進光伏精準扶貧等可以有效提高光伏發電效率[14]。Yang基于超效率松弛測量模型測算了中國30個省份的能源效率，研究發現中國各省之間的能源效率差距很大，東部的能源效率最高，而西部的能源效率相對較低，指出應當依據區域條件制定針對性的政策以提高整體能源效率[13]。閆慶友運用BCC模型、分地區AR模型對中國30家生物質發電項目進行評價，表明中國生物質能發電效率地區差異較大，西南、中南及華東地區由于市場及電網環境較好，因而區域效率較高[15]。Liang對中國30個省份的能源效率和地區差異進行了評估，發現不同地區影響其能源效率的主要因素不同，影響東部、中部和西部地區能源效率的因素分別是技術進步、能源價格水平和產業結構水平[16]。

綜上所述，相關學者在新能源發電效率的研究中指出了中國新能源發電效率存在區域性差異，不同地區的新能源發展有其自身特點，應當根據區域條件制定針對性發展策略。然而，在研究提高新能源發電效率的策略時并未對中國各省份進行分類研究，或者只是簡單地依據地理位置進行分類。因此，本文創新性地將效率評價和聚類分析相結合，辨識各省份之間新能源發展的相似性與差異性，依據效率測評和聚類結果為各類地區新能源發電效率的提升提出相應建議。可促進同類省份間新能源發展模式、政策互相借鑒，探尋同類省域新能源可復制、可推廣效率提升方案。

二、研究方法

（一）超效率DEA

本文采用數據包絡分析的方法測算省域新能源發電效率，DEA的原理是基于邊際效益理論和線性規劃理論，界定具有相同投入和產出的各個決策單元（ Decision Making Unit，DMU）是否位于生產前沿面來比較各DMU之間的相對效率值。

最基礎的DEA模型是CCR模型，它是以規模報酬不變為前提進行評估，然而在實際生產過程中，許多生產單位可能處于規模報酬遞增或規模報酬遞減的情形下。因此，CCR模型所得出的技術效率包含了規模效率的成分。

（二）密度峰聚類

本文借助密度峰聚類方法對全國31個省域進行聚類分析，該算法基于兩個重要的假設：一是聚類中心點的局部密度大于其周圍相鄰點的局部密度；二是聚類中心點與其他具有較高密度的中心點之間有著相對較大的距離。基于此，對于每個數據點，需要計算兩個變量：局部密度Pi和距離δi，通過對每個數據點這兩個變量的比較分析，算法可以很好地找出聚類中心點并將不同密度大小的區域劃分為不同的類簇。

假設有n個數據點，dij表示數據點i與數據點，之間的距離，數據點i的局部密度Pi可以理解

若數據點i非局部密度最大點（即存在數據點，的局部密度大于i的局部密度，Pjgt; Pi），首先找到所有局部密度比i點高的數據點，距離δi表示i點與最近的高局部密度點的距離值。若數據點i是局部密度最大點，不存在比i點局部密度更高的數據點，距離δi表示該點與最遠點之間距離值。

為了選取合適的聚類中心點，可以借助決策圖（ Decision Graph）人工選取聚類中心點。決策圖有兩個變量：局部密度Pi和距離6i。通過對所有數據點局部密度Pi和距離δi的計算，可以得到相應數據集的決策圖。將具有較大局部密度Pi和較大距離畫的數據點選作聚類中心點，簡而言之就是手動選擇決策圖右上方的數據點為聚類中心。Pi較小δi較大的數據點通常會被認為是異常點。

確定聚類中心后，其它數據點按照與聚類中心的距離就近進行分類，也可以按照密度可達的方法進行分類。接著為每一個類簇確定邊界區域，保留分配到該類且距離小于等于截斷距離de的數據點，其他距離較大的數據點作為噪音點從該類別中去除。

二、實證研究

（一）指標選取與數據來源

如前文所述，本文選取SE-DEA模型測算新能源發電效率，因此選取的投入產出指標應當遵循以下標準：首先投入和產出變量必須為正值；其次投入和產出指標具有較強的相關性；最后決策單元的數量至少是投入產出指標的兩倍。鑒于數據的可得性，本文分別測算中國31個省份（港澳臺除外）2020年風力和光伏的發電效率。新能源發電效率的投入主要體現在裝機容量，本文選取累計裝機容量（萬kW）和新增裝機容量（萬kW）作為投入變量，其中某些地區的新增裝機容量為0，將其處理為10-15萬kW帶入模型計算。投人數據來源于中電聯發布的《中國電力統計年鑒2021》。新能源發電的產出主要是發電量（億kW-h），此外，考慮到新能源發電過程中出現的棄風棄光問題，本文另外選取了利用電量（發電量減去棄風、棄光電量，億kW．h）作為產出指標。產出數據來源于《中國電力統計年鑒2021》和全國新能源電力消納檢測預警平臺。

本文用密度峰聚類的方法對中國31個省份進行區域劃分，選取風力發電效率、光伏發電效率和新能源消納完成度（2020年實際完成/2022年預計完成）作為聚類的指標。其中，發電效率來源于DEA模型的計算結果，新能源消納數據來源于國家發展改革委和國家能源局發布的《關于建立健全可再生能源電力消納保障機制的通知》。

（二）效率估計

考慮到新能源發電投入變量（累計裝機容量）不會減少，應在考慮理想投入的基礎上，積極尋求最大的產出，所以基于產出的DEA模型更加適用于本文，因此本文采用Output-BCC模型分別測算2020年31個省份風力和光伏發電的綜合效率、技術效率和規模效率。鑒于傳統的BBC模型并不能對DEA有效的省份進行進一步排名和分析，本文運用SE-DEA模型對綜合效率值為1的省份進行進一步計算，測算結果如表1-2所示。

由表1可知，中國風力發電效率存在明顯區域差異。其中云南和海南兩地DEA有效，北京、上海和福建的綜合效率較高，多數省份的綜合效率值較低，效率值低于0.6的省份超過半數。其中，多數省份因為其技術效率低導致綜合排名較低，天津、安徽、江西、重慶、陜西、青海、寧夏的規模效率值均在0.8以上，但由于技術效率較差，導致綜合排名在20名以外。而山西、江蘇、山東、河南都是風電大省，但其技術效率和規模效率都表現一般，所以其綜合排名也較低。各省份的規模效率值普遍較高，除內蒙古和西藏以外的省份規模效率值均在0.7以上。內蒙古和西藏分別是全國風力發電規模最大和最小的省份，內蒙古處于規模報酬遞減階段，而西藏處于規模報酬遞增階段，但其技術效率都達到了DEA有效，因此規模效率制約了兩省的綜合效率。

中國光伏發電效率測算結果如表2所示，其中內蒙古、海南、四川三個地區達到了DEA有效，華北、東北、西北地區以及云南省的綜合效率值相對較高。技術效率是影響很多區域光伏發電效率排名較低的主要因素，華中、兩廣地區以及上海、福建、山東的規模效率值均在0.9以上，但其技術效率極大地制約了其綜合效率。與之相反，河北、山東、重慶、北京的技術效率值很高，但其規模效率相對較低，導致其綜合排名較低。其中河北和山東省是全國規模最大的光伏發電省份，處于規模報酬遞減階段，而重慶和北京的光伏發電規模很小，處于規模報酬遞增階段。

（三）區域劃分

基于上文各省份新能源發電效率測算結果，本文以風力、光伏發電效率以及新能源消納完成度作為聚類指標，使用密度峰聚類法對中國31個省份進行區域劃分。其中當截斷距離dc設定為0.05時，決策單元可分為4類，分類結果如圖1所示：

一類地區包括河北、江蘇、浙江、安徽、江西、山東、湖北、湖南、廣東、廣西、重慶和貴州。該類地區風力、光伏發電效率值較低，分別集中在0.56、0.57附近，新能源消納完成度在0.8左右。因此，該類地區需采取相應措施，通過增加風、光發電量以提升其發電效率，并促進新能源消納完成度提升。具體來看，山東、江蘇等沿海地區，海域風能資源豐富，應著力開發海上風電的發展潛力，增加資金、技術、人力的投入。河北等中國北方地區風能資源富集，電網架構良好，但其風電行業發展中還存在著技術落后、人力資源不足、缺少長遠規劃等問題。其他地區風力資源較少，盲目投資風電場可能會造成效率降低，應當進一步加快技術進步，降低發電成本。此外，華東、華中以及華南等地區可以著重發展分布式光伏發電，充分利用當地太陽能資源，提高光伏發電量。

二類地區包括天津、山西、內蒙古、遼寧、吉林、黑龍江、河南、四川、西藏、陜西、甘肅、青海、寧夏和新疆。該類地區風電效率明顯低于光伏發電效率，分別在0.57、0.85左右，新能源消納完成度較高，在0.9左右；因此，該類地區應該聚焦于提高風力發電效率。山西、內蒙古、東北三省、西北地區等風能資源豐富，但經濟發展水平較低，人口密度小，電力需求小。因此存在棄風限電、人才稀缺和技術落后等問題，制約了風力發電效率。該類地區應當充分發揮風力資源優勢，引進高新技術、人才等，降低發電成本，提高發電量。此外，可以通過建設特高壓提升電網的輸送能力，將電力資源輸送東部發達地區，并發展儲能技術，有效減少棄風電量，提高新能源消納水平。

三類地區包括北京、上海、福建和云南。該類地區風電效率高于光伏發電效率，分別在1.02、0.68左右，新能源消納完成度在0.9左右；因此，該類地區應該聚焦于光伏發電效率的提升。這些地區風力發電技術較為成熟、發展模式科學、電力需求大、棄風率低、風電消納水平高，因此風力發電效率較高。但由于其太陽能資源不豐富，且可建造光伏發電廠的土地資源較少，對光伏發電的發展不夠重視，因此光伏發電效率還有待提升。該類地區可以聚焦于分布式光伏發電的開發，合理利用城市建筑物屋頂，在滿足當地用電需求的基礎上就近并網，提高光伏發電量及其利用率。

海南省屬于四類區域，其風力、光伏發電效率均較高，都達到了DEA有效，新能源消納完成度為0.8。海南省風能資源較少，太陽能資源較多，地理面積較小，且山地多，因此可以建設發電廠的土地資源較少。海南省新能源發電效率較高，需充分利用土地資源，增加新能源裝機容量，發展分布式光伏發電，以提高新能源的發電量，完成新能源消納任務。

四、結語

本文旨在通過中國風力和光伏發電效率的測算和區域的聚類分析，為各類地區新能源發展提出針對性建議，促進同類省份間新能源發展模式、政策互相借鑒，探尋各類省份因地制宜的新能源發展戰略。本研究的主要工作和結論如下：

（1）構建了中國新能源發電效率投入產出評估指標體系，分別測算中國31個省份2020年風力和光伏發電綜合效率、技術效率和規模效率，并運用SE-DEA模型對綜合效率值為1的省份進一步計算和排名。評估結果顯示，兩種新能源發電行業普遍存在效率低下、區域發展不平衡現象，風能、太陽能資源優越的地區發電效率不一定很高，例如中國西北地區的風力發電效率還有待進一步提高。

（2）采用密度峰聚類法將31個省份劃分為四類，分別考察各省份的風力、光伏發電效率和新能源消納完成水平，為四類地區分別提出新能源發展的建議，例如一類地區應該因地制宜發展海上風電、分布式光伏發電，增加資金、技術、人力的投入，制定新能源長遠發展規劃等。

[參考文獻]

[1]國網能源研究院有限公司，中國能源電力發展展望2020 [R]．北京：國網能源研究院有限公司，2020.

[2]王雄飛，魯恒聰，李根柱，等．泛在電力物聯網背景下微網參與調峰輔助服務研究[J]．智慧電力，2019，47（09）：1-9.

[3] Qin J X.The status and prospect of new energy and renewable energy in China [J]. AIP Conference Proceedings， 2018， 1971 （01）： 030021.

[4] Yang J， Yang C H，Wang X J，et al.Efficiency measurement and factor analysis of China's solar photovoltaic power generation considering regional differences based on a FAHP-DEA model[J].Energies， 2020， 13 （08）： 19368.

[5]張協奎，王德磊，劉偉，西部地區可再生能源發電績效評價研究[J]．學習與探索，2021（04）： 128-135.

[6]Xu X L，Qiao S，Chen H H.Exploring the efficiency of new energy generation： evidence from OECD and non- OECD countries [J]. Energyamp; Environment， 2020. 31 （03）： 389-404.

[7]Maradin D，Cerovic L，Segota A.The efficiency of wind power companies in electricity generation EJl. Energy Strategy Reviews， 2021， 37： 100708.

[8]Xie B C，Gao J， Zhang S， et al.The environmental efficiency analysis of China's power generation sector based on game cross-efficiency approach[J].Structural Change and Economic Dynamics， 2018， 46： 126-135.

[9]龍如銀，劉爽，王佳琪，環境約束下中國省際能源效率評價——基于博弈交叉效率和Malmquist指數模型 [J]．中國礦業大學學報（社會科學版），2021，23（ 01）：75-90.

[10]Zhao H R，Guo S，Zhao H R.Provincial energy efficiency of China quantified by three-stage data envelopment analysis[J].Energy， 2019. 166： 96-107.

[11]Yu B L，Fang D B，Meng J X.Analysis of the generation efficiency of disaggregated renewable energy and its spatial heterogeneity influencing factors：a case study of China [J]. Energy， 2021， 234： 121295.

[12]Shang Y， Liu H B， Lv Y. Total factor energy efficiency in regions of China： an empirical analysis on SBM-DEAmodel with undesired generation [J] . Journal of King Saud University-Science. 2020， 32（03） ： 1925-1931.

[13] Yang T， Chen W， Zhou K L， et al. Regional energy efficiency evaluation in China： a super efficiency slack-based measure model with undesirable outputs[ J ] . Joumal of Cleaner Production， 2018， 198： 859-866.

[14]Yi T， Tong L， Qiu M H， et al. Analysis of driving factors of photovoltaic power generation efficiency： a casestudy in China [J] . Energies， 2019. 12（03） ： 355.

[15] 閆慶友，陶杰，中國生物質發電產業效率評價 cJ] .與， 2015， 24（01）： 173-178+208.

[16] Liang H J， Liu J S. Wang R， et al. Research on China's regional energy efficiency evaluation and influencingfactors based on the DEA-Tobit model E Jl . Polish Joumal of Environmental Studies， 2020. 29（05） ： 3691-3701.