基于CGE 模型的可再生能源綠證交易機制模擬及其經濟影響

張寧 龐軍 王琦瑤 陳暉

摘要 綠證交易機制是中國推動能源結構和電力結構轉型升級的重要經濟手段。該研究構建了具有電力部門細分特征的中國“能源-環境-經濟”遞推動態CGE模型，模擬了在可再生能源電力消納保障機制框架下實行強制性綠證交易的經濟影響。研究發現：強制性綠證交易能夠替代電價補貼政策促進新能源電力行業的發展，但所能實現的碳減排效果有限，2030年相比基準情景最高僅可削減3. 804%的全國碳排放總量。可再生能源電力消納保障機制的約束目標將對綠證交易機制的運行效果產生直接影響，有針對性地提高風電消納目標，可以有效促進風電行業發展，但存在扭曲綠證交易市場、降低資源配置效率的風險。提高新能源電力的消納責任權重需要以犧牲一定的經濟發展為代價，但整體來看模擬期內對經濟造成的負面沖擊幅度較小，各類政策情景下實際GDP下降率不超過0. 8%。在保證綠證真實綠色屬性的前提下，具有較高靈活性的代理模式綠證交易可以緩解風、光電力消納目標對用電行業生產成本和GDP造成的壓力，更具成本有效性。擴大綠證交易市場行業覆蓋范圍能夠激發綠證交易市場活力，進一步緩解強制性新能源電力消納目標對經濟發展造成的不利影響，但所能實現的碳減排效果也相對較弱。基于上述結論，該研究提出相應政策建議：通過完善獎懲機制強化可再生能源電力消納保障機制的強制約束效力，保障綠證交易機制的實施效果；在保證綠證真實綠色屬性的前提下可以選擇更為靈活的綠證交易模式；為風電消納責任權重設定適當的下限，適當引導資金流向海上風電等新興可再生電力行業，更有效地利用可再生能源資源。

關鍵詞 綠證交易機制；可再生能源配額；CGE模型；經濟影響

中圖分類號 F062. 1 文獻標志碼 A 文章編號 1002-2104（2023）02-0051-12 DOI：10. 12062/cpre. 20221012

中國高度重視并積極參與全球氣候治理行動，已經向國際社會做出了碳達峰、碳中和的減排承諾。2021年中國“雙碳”政策體系關鍵文件相繼發布，明確了2025、2030、2060年非化石能源消費比重須分別達到20%左右、25%左右和80%以上的發展目標。為實現上述目標，解決中國可再生能源電力發展過程中現存的“棄風棄光”問題，從需求側保障新能源電力消納是關鍵。為此，中國開始推動可再生能源電力消納保障機制和綠證交易市場的建立與運行。2017年中國開始在全國范圍內試行綠證的核發與自愿認購工作，并于同年7月正式開展綠證交易。但目前中國尚未展開真正意義上的強制性綠證交易，用電行業缺乏參與綠證交易的動力，雖然綠證核發量和掛牌量較大，但成交量較低，且市場機制并未真正發揮作用，綠證市場表現低迷。在這一現實背景下，需要實行可再生能源電力消納保障機制框架下的強制性綠證交易以確保國家政策目標的實現，但目前中國的綠證交易制度還處于建設時期，許多關鍵機制問題還需進一步探討，機制運行帶來的實施效果和經濟影響也需要進一步明確。該研究以強制性綠證交易機制為研究對象，對機制設計及經濟影響的討論可以為繼續完善中國綠證交易機制提供參考，對于促進中國能源結構與電力結構轉型升級具有重要意義。

1 文獻綜述

迄今為止，已有較多文獻對綠證交易機制的實施效果進行了驗證，其有效性得到大多數學者的認同。部分學者從生產端角度，證實了綠證交易機制對可再生能源電力行業的促進作用［1-4］；亦有研究成果從需求側驗證了綠證交易機制在促進可再生能源電力消納方面的積極作用［5-7］。作為可再生能源配額制度的市場化配套措施，綠證交易制度成本有效性也是一個值得關注的研究問題，已有學者針對綠證交易機制的成本有效性進行了驗證，所得研究結論普遍認同綠證交易機制在降低可再生能源配額制度成本方面的積極作用［8-15］。

除實施效果外，辨別綠證交易機制的關鍵要素，分析不同機制設計的經濟影響，是完善中國綠證交易機制需要重點關注的研究問題。中國綠證交易起步較晚，相關研究成果相對較少，且主要集中在對綠證價格機制的分析上。有學者認為在競爭性的綠證市場中，基于市場定價的綠證交易機制難以有效促進尚未完全成熟、存在較大技術改進和成本下降空間的新興可再生能源電力行業發展［16］。還有部分學者對可再生能源配額制度下的綠證價格進行了預測［1，17-20］。除價格機制外，部分學者通過模擬可再生能源配額制度和綠證交易機制下電力市場各個主體的行為決策，對綠證交易機制的影響傳導鏈條進行了分析［6，21-29］，識別出可再生能源配額制度的約束方式、綠證交易模式等關鍵機制要素。可再生能源配額制度作為綠證交易機制的框架性制度，能夠對綠證交易起到激勵作用［30］，且差異化的可再生能源電力消納目標將對綠證交易價格與交易量產生顯著影響［3-4，6，27-29，31-32］。由于綠電資源分布的空間差異性，靈活度和流動性不同的綠證交易方式也將對風、光電力消納效果及綠證交易市場的運行效率產生影響［6］。此外，碳交易與綠證交易共同服務于中國碳減排，部分學者利用CGE模型圍繞碳配額市場機制設計（覆蓋行業范圍［33-35］、初始碳配額分配方式［35-37］等）及其經濟影響［34-35，38］等研究問題展開討論，亦有部分學者對碳交易和綠證交易的兼容性展開了討論［39-44］，并針對如何實現兩種機制的有機耦合進行了探討［14，45-46］。

通過上述分析可以發現，現有對中國綠證交易機制進行定量分析的文獻未能對綠證交易機制的多個關鍵要素進行較為全面的討論，尚不能為中國綠證交易機制的建立健全提供全面的參考。在研究方法方面，已有文獻對綠證交易機制實施效果及影響的討論多從電力市場角度切入，利用機會約束規劃法、系統動力學等研究方法，重點分析其對電力市場主體的影響。需要注意到，雖然綠證交易機制直接作用于電力市場，但是通過行業間的經濟關聯，最終將對經濟體各個方面產生擾動，上述研究方法難以全面評估綠證交易機制帶來的經濟影響。CGE模型作為典型的宏觀經濟政策影響綜合評估模型，不僅可以對綠證交易及碳交易-綠證交易耦合機制進行全面細致的刻畫，而且可以用于分析不同機制設計對電力行業及宏觀經濟各方面產生的影響，相比其他研究方法在對國民經濟系統的整體模擬分析中更具優勢，但是目前利用CGE模型對綠證交易機制進行討論的文獻較少。該研究構建的“能源-環境-經濟”遞推動態CGE模型可以對綠證交易機制的核心要素展開較為全面的討論，并對其經濟影響進行定量模擬評估，從而為進一步完善中國的綠證交易機制提供依據。此外，由于風電和光伏電力在取得對應數量的綠證后不再享受可再生能源電價補貼，該研究對中國綠證交易機制的討論建立在取消可再生能源電價補貼的背景下，所得研究結論將更具現實意義。

2 研究方法

該研究構建的中國“能源-經濟-環境”遞推動態CGE模型，包括政府、居民戶、企業和世界其他地區4個經濟主體，并將整個經濟體分為22個生產部門，其中包括火力發電、核能發電、水力發電、風力發電、光伏發電和其他電力6個電力部門。模型包含生產模塊、貿易模塊、收入支出模塊、要素模塊、宏觀經濟模塊、均衡與閉合模塊、動態模塊、碳排放模塊及綠證交易模塊，分別對生產決策、貿易行為、經濟主體收入與支出、勞動與資本流動、宏觀經濟水平、各市場出清、動態機制、碳排放情況及綠證交易機制進行模擬仿真。圖1為模型的分析框架圖，對各模塊間的邏輯關聯進行了展示。

2. 1 生產模塊

生產模塊采用6層嵌套的CES生產函數對各行業的生產決策進行刻畫。除了非能源中間投入合成及電力投入合成使用Leontief函數外，其余投入合成均使用CES函數。在能源投入方面，借鑒文獻［47］的做法，將煤炭、成品油、原油、天然氣、燃氣及電力作為特殊的要素投入。為模擬綠證交易機制，該研究所建CGE模型具有電力部門細分的特征，共包括6種電力投入，并參照文獻［47］的做法，將新能源電力（風電和光伏電力）視為傳統電力（火力發電、核能發電、水力發電、其他電力）的不完全替代。

2. 2 貿易模塊

模型遵循“小國假設”原則，假設中國是世界市場價格的接受者，國內生產活動的總產出在國內消費與出口間進行分配，并利用CET函數描述二者間的不完全替代關系；根據Armington條件，國內商品市場上的總供給由國內生產國內消費商品和進口商品CES合成，并最終用于生產環節中間投入、居民消費、政府消費、投資及增加存貨。

2. 3 收入支出模塊

收入支出模塊主要描述居民、企業、政府收入支出情況。居民收入由要素報酬（勞動力和資本）、政府轉移支__付和國外轉移支付構成，居民支出包括商品消費和個人所得稅，居民收支差值為居民儲蓄。居民消費需求由可支配收入與邊際消費傾向決定，在預算約束下最大化柯布-道格拉斯效用函數得到。企業收入包括資本要素報酬和政府轉移支付，企業支出為企業所得稅，收支差值為企業儲蓄。政府收入包括稅收收入和國外轉移支付，其中稅收收入包括間接稅、進口關稅、居民和企業所得稅收入，政府支出包括政府消費和對居民、企業和世界其他地區的轉移支付，模型假定政府對不同商品的消費支出在政府收入中所占比例固定，政府收支的差值為政府儲蓄。

2. 4 動態模塊

CGE模型采用遞推動態機制，基準年為2017年，以1年作為時間間隔，逐步遞推至2030年。模型依靠勞動力增長率、資本存量積累等設置實現動態驅動。

2. 5 可再生能源電價補貼模塊

在模型中可再生能源電價補貼對象為風電和光伏發電，補貼額計算公式如下：

式中：Sc 為可再生能源電力c 的補貼額（億元）；sc 為可再生能源電力c 的補貼率；Pc 為商品c 的相對價格；Qc 為商品c 在國內市場上的需求（億元）。同時，在貿易模塊中需要將可再生能源電價補貼率納入可再生能源電力商品形成過程的價格函數，并且在收入支出模塊中需要在政府支出中增加可再生能源電價補貼額。

2. 6 綠證交易模塊

研究對象是可再生能源電力消納保障機制框架下的強制性綠證交易，因此需要在CGE模型中分別對可再生能源電力消納保障機制和綠證交易進行模擬。2021年出臺的《綠色電力交易試點工作方案》提出了2種綠色電力產品的交易方式，包括直接交易購買（以下簡稱“直購模式”）和向電網企業購買（以下簡稱“代理模式”）。前者主要面向省內區域市場，由用電企業或電網公司以直接交易的方式從省內綠色電力企業處購買綠電；在省內綠電無法滿足綠電消費需求時，用電行業可以選擇“代理模式”，即向電網企業購買其保障收購的綠色電力產品達成綠證交易。綠證交易模塊核心方程如下，涉及對生產模塊相關方程的修改參見文獻［48］。

2. 6. 1 模擬可再生能源電力消納保障機制

各個時期風電和光伏電力在全社會總電力消費中所占比重需要滿足可再生能源電力消納保障機制提出的政策目標要求。對新能源電力總消納責任權重進行約束時，需要滿足公式（2）和公式（3）：

對參與綠證交易的用電行業而言，由于需要為購買綠證付費，還需調整生產模塊第二層生產函數中的價格關系公式，增加綠證購買支出。此外，在代理模式綠證交易機制下，用電行業可以基于成本最小化原則，通過購買綠證和使用綠電的方式共同完成消納目標要求：以持有綠證的方式完成部分消納責任，可以降低強制性風、光電力消納目標對該行業在確定各類電力投入量時的所受限制，因此還需要對參與代理模式綠證交易的用電行業涉及傳統電力投入和新能源電力投入的相關生產函數方程進行修正。此外，風電和光伏發電行業將通過出售綠證獲得收入，因此其生產模塊第二層生產函數中的價格關系公式需要分別增加綠證交易收入。

2. 7 均衡與閉合模塊

模型均衡條件包括商品市場出清、勞動力市場出清、資本市場出清、國際收支平衡及投資儲蓄平衡。該模型采用新古典主義宏觀閉合，要素和商品價格由模型內生決定，勞動力和資本要素供給外生給定，要素得到充分利用。另外，考慮到中國實行的是有管理的浮動匯率制度，該模型匯率外生固定，國外儲蓄由模型內生決定。

2. 8 行業劃分

該模型以2017年為基準年，通過對2017年投入產出表中149個生產部門分類合并且對電力部門進一步細分，該模型將經濟體劃分為22個生產部門。其中，火力發電、水力發電、核能發電、其他電力、風力發電、光伏發電這六個電力生產部門是在原“電力、熱力的生產和供應”的基礎上拆分得到，具體拆分方法參見文獻［35］。

2. 9 數據來源與動態基準

在CGE模型運行之前，需要構建社會核算矩陣（以下簡稱SAM表）并用于參數校準，該模型以2017年作為基年編制SAM 表，主要數據來源是《中國投入產出表2017》［49］、《中國財政年鑒2018》［50］、《中國統計年鑒2018》［51］、《中國統計年鑒2019》［52］等。模型中規模參數及份額參數由SAM 表校準得到，替代彈性取值參見文獻［53］。碳排放系數由IEA發布的中國2017年分品種化石能源碳排放量［54］和該模型SAM表中分品種化石能源總需求計算得到。非水可再生能源電價補貼率基于文獻［55-57］得到。由于全國碳市場未來有望擴展到石化、化工、建材、鋼鐵、有色金屬、造紙、電力、航空等重點行業［35］，該研究設定的控排行業集合涵蓋上述重點行業。在所有政策情景下初始碳配額均按照“標桿法則”免費分配給控排行業。

實施政策情景模擬之前，首先需要利用該研究構建的中國“能源-經濟-環境”遞推動態CGE模型模擬出動態基準情景，即沒有實施政策情景下中國2017—2030年的發展趨勢，模型依靠全要素生產率增長、勞動力增長及資本積累等方式實現模型的動態驅動，并通過提高全要素生產率、引導資本和勞動要素流向風電和光伏行業來近似模擬風電和光伏行業的技術進步，最終使得風電和光伏的規模達到預期。其中：2017—2021年基準情景相應數據直接來自各年統計年鑒；在2022—2030年基準情景所需數據中，GDP增長率參考“十四五”規劃綱要和《世界經濟展望》［58］，勞動力增長率來自《國家人口發展規劃（2016—2030年）》［59］，能源消費結構變化參考《2050年世界與中國能源展望（2020 版）》［60］、《中國能源展望2030》［61］等報告。該研究僅考慮煤炭、成品油和天然氣3種化石能源燃燒產生的碳排放，動態基準情景下全國碳排放總量于2030年達到峰值。

2. 10 政策情景設計

可再生能源電力消納保障機制的約束方式、綠證交易模式及綠證交易市場覆蓋行業范圍是綠證交易機制中的關鍵要素。

在可再生能源電力消納保障機制的約束方式方面，目前中國可再生能源電力消納保障機制僅對全部可再生能源電力，及非水可再生能源電力的總消納權重提出了目標，并未對風電或者光伏電力占比提出具體要求。取消電價補貼后，風電及光伏電力的度電成本將成為影響新能源電力行業和綠證交易市場發展的重要因素。在既定的風、光電力總消納責任權重下，有針對性地提高風電或光伏的消納目標，可以定向促進風電或者光伏行業發展，但這一約束方式將帶來怎樣的影響還需要進一步討論。因此該研究設置了對風、光電力總消納責任權重進行總體約束（不同時期的約束強度根據2021年中國國家能源局發布的《關于征求2021年可再生能源電力消納責任權重和2022—2030年預期目標建議的函》中公布的非水可再生能源電力消納責任權重預期目標設定），以及分別對風電和光伏電力的消納目標進行約束（該研究共設置了風電消納責任權重占風、光電力總消納責任權重的比重為45%、50% 和55% 三類不同的方案）兩大類政策情景。

在綠證交易模式方面，該研究根據《綠色電力交易試點工作方案》，分別對直購模式綠證交易和代理模式綠證交易進行討論，以對比分析不同交易模式帶來的經濟影響。在綠證交易覆蓋行業范圍方面，根據國家發展和改革委員會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》中相關規定，電力用戶是承擔消納責任的重要市場主體。考慮到不同用電行業的能源投入結構存在較大差異，不同的市場覆蓋行業范圍將對綠證交易市場運行和宏觀經濟變量產生差異化影響，因此該研究設置了全部用電行業均可參與綠證交易及僅有高耗能用電行業可以參與綠證交易兩大類情景。

綜上所述，該研究共設置了12種差異化的綠證交易機制情景（表1），并利用“能源-環境-經濟”遞推動態CGE模型對各類機制的經濟影響進行了定量模擬評估。

3 模擬結果分析

3. 1 綠證價格

由于涉及12 種政策情景、10 年時間及兩種類型綠證，受篇幅限制，此處以2021年、2025年和2030年的數據為例對風電及光伏綠證價格進行動態分析，不同政策情景下的綠證價格見表2。

從時間角度看，隨著可再生能源電力消納保障機制規定的風、光電力消納目標逐年提高，各用電行業對綠證的需求隨之提升，綠證價格被不斷推高，基本呈現出逐年上漲的變化趨勢。從比價關系角度看，在未對風電和光伏電力各自的消納目標分別進行干預的情景下，總體看風電綠證價格水平高于光伏綠證；以SIM1 情景為例，2030 年風電和光伏綠證價格分別為401. 5元（/ MWh）和250. 3元（/ MWh）。究其原因，取消電價補貼后，風電和光伏的度電成本將成為影響綠證價格的關鍵因素。2019年起中國光伏度電成本已經低于風電，因此光伏綠證價格將比風電綠證更具市場競爭力。

不同機制情景下的綠證價格存在顯著差異。在綠證交易模式方面，相比直購模式，代理模式綠證交易機制將在提高光伏綠證價格的同時降低風電綠證價格，縮小兩種綠證的價格差。以2030年為例，在直購模式的SIM1情景下，風電綠證價格高出光伏綠證價格151. 2元（/ MWh），__而在代理模式的SIM5情景下，風電和光伏綠證的價格差縮小至85. 0元（/ MWh）。這是由于直購模式綠證交易機制下各用電行業的綠證交易決策受制于自身的能源投入結構，綠證交易市場的靈活性和自由度較低；而代理模式綠證交易可以突破這一限制，各用電行業更加傾向購買價格更為優惠的光伏綠證，因此會在推高光伏綠證價格的同時降低風電綠證價格，最終兩種綠證價格更加趨近。在可再生能源電力消納保障機制的約束方式方面，風、光電力總消納目標既定時，隨著對風電占比要求的逐步提高（對光伏占比的要求相應降低），全社會將在增加風電綠證需求的同時減小對光伏綠證的需求，進而導致風電綠證價格不斷攀升而光伏綠證價格將有所回落。此外，當綠證交易市場覆蓋行業范圍由高耗能用電行業擴展至全部用電行業時，綠證交易市場靈活性更高，綠證價格也相對較低。以2030 年為例，全部用電行業參與綠證交易的SIM5 情景下，風電和光伏綠證價格分別為373. 8 元/（MWh）和288. 8元（/ MWh），而僅有高耗能用電行業參與綠證交易的SIM9情景下，二者的價格分別上升至842. 0元（/ MWh）和615. 2元（/ MWh）。

3. 2 綠證交易量

此處以2030年為例，對不同機制情景下的綠證交易量情況進行展示，見表3。以SIM1情景為例，風電和光伏綠證購買量分別為68 274. 9×104 MWh 和103 288. 0×104 MWh，對比兩種綠證的交易量可以發現，度電成本和綠證價格相對較低的光伏發電行業相比風電行業更具市場競爭力，用電行業對光伏綠證的需求高于風電綠證。在綠證購買決策更加自由的代理模式下，用電行業對光伏綠證的需求將進一步提升：SIM5情景下光伏綠證購買量相比SIM1 情景提高了6 748. 5×104 MWh。在既定的風、光電力總消納責任權重下，如果分別對風電和光伏電力的消納責任提出要求，隨著風電消納目標的不斷提高，全部用電行業對風電綠證的需求總量將有所提升，同時光伏綠證購買量有所回落。這一結果說明對風電消納占比提出要求能夠避免競爭性的綠證交易市場過度傾向未來度電成本更低的光伏電力行業，從而可以發揮綠證交易機制對諸如海上風電行業等具有發展前景、但成本相對較高的新能源電力行業的促進作用。允許更多的用電行業參與綠證交易可以更好地激發市場活力，風電及光伏綠證的購買量都有所提高：在僅允許高耗能用電行業參與綠證交易的SIM9情景下，風電和光伏綠證購買量相比SIM5情景分別下降了26 721. 7×104 MWh和62 875. 2×104 MWh。

3. 3 綠證交易支出

2030年不同綠證交易機制情景下用電行業的綠證交易支出情況見表4。如前文所述，按照代理模式進行綠證交易時，用電行業更加傾向通過購買價格更為優惠的光伏綠證完成風、光電力消納目標，因此綠證交易支出相對較低，生產成本上行壓力得以緩解：以SIM1和SIM5情景為例，相比直購模式，實行代理模式綠證交易時綠證交易總支出下降9. 34億元。就可再生能源電力消納保障機制的約束方式而言，在既定的總消納目標中提高風電占比，將導致風電綠證價格及需求的提升，最終用電行業的綠證交易支出也相應越高。以SIM2至SIM4情景為例，隨著風電消納責任權重占比的不斷提高，綠證交易總支出分別為5 455. 46億元、5 678. 36億元和5 905. 33億元。在綠證交易市場覆蓋行業范圍方面，僅有高耗能用電行業參與綠證交易時綠證價格較高，這些行業的綠證交易支出也相應越高。雖然此時不參與交易的非高耗能用電行業無綠證交易支出，但是從總支出的角度看，全部用電行業需要為綠證交易付出的總成本仍相對較高。以SIM5和SIM9情景為例，綠證交易總支出分別為5 317. 46億元和5 471. 72億元。這一結果表明，擴大綠證交易市場覆蓋行業范圍可以減緩參與行業的生產成本上行壓力，降低綠證交易總成本。

3. 4 綠證交易規模

以2030年為例，不同政策情景下綠證交易市場的交易額及交易量數據見表5。模型數據結果顯示，直購模式和代理模式交易機制下綠證交易市場總規模相近，但是代理模式下用電行業對光伏綠證需求的提高能夠更好地激發光伏綠證市場活力，光伏綠證的交易量和交易額均相對更高。以SIM1和SIM5情景為例，相比直購模式，代理模式下光伏綠證交易量和交易額分別提升6 748. 5×104 MWh和591. 65億元。相比僅對風、光電力總消納目標進行約束，分別對風電和光伏消納進行約束能夠定向刺激某一綠證市場的發展、改變兩種綠證所占市場份額：提高風電消納占比一方面可以增加風電綠證的交易量與交易額，風電綠證市場的活躍度得以提升，但同時也意味著光伏電力消納責任權重的降低，光伏綠證市場規模會有所回縮。以SIM2至SIM4情景為例，隨著風電消納責任權重占比的提高，風電綠證交易量由73 108. 5×104 MWh 提升至89 509. 6×104 MWh，交易額由3 017. 53 億元提升至3 985. 84 億元；同時，光伏綠證的交易量則由97 789. 1×104 MWh下降至79 211. 9×104 MWh，其交易額由2 437. 94 億元下降至1 919. 49 億元。此外，擴大綠證市場覆蓋行業范圍將顯著提高交易活躍度，綠證市場交易總量表現出明顯增長趨勢，以SIM5和SIM9情景為例，全部用電行業參與綠證交__易時的綠證交易總量為167 283. 7×104 MWh，而僅允許高耗能用電行業參與綠證交易時，綠證交易總額僅為77 686. 9×104 MWh。

3. 5 電力需求變化率

2030年各類機制情景下不同發電技術的電力需求相比基準情景的變化情況見表6。模型數據結果顯示，強制性綠證交易機制能夠在促進電力行業整體發展的同時，替代電價補貼政策改善電力結構。究其原因，可再生能源電力消納保障機制對風、光電力消納提出了強制性約束，新能源電力行業得到較為顯著的促進，各類政策情景下新能源電力總需求相比基準情景增加了35. 660% 至37. 677%；在完全競爭市場背景下，全社會對各類傳統電力的需求相比基準情景下則均有所降低，降幅范圍在6. 224%至7. 541%之間。從整體角度看，電力總需求水平將因可再生能源電力消納保障機制和綠證交易政策有所提升，各類政策情景下的增幅水平在10. 916% 至12. 531%區間范圍內。

相比直購模式，實行代理模式綠證交易時用電行業更加傾向增加對光伏綠證的需求，因此光伏行業將受到更加明顯的促進作用；由于模型建立在完全競爭市場背景下，風電需求的增幅則相應有所回落。以SIM1和SIM5情景為例，實行直購模式綠證交易時風電和光伏電力需求相比基準情景分別提升28. 577%和42. 226%；采取代理模式時，二者需求變化率則相應變為15. 305% 和56. 378%。而提高對風電消納責任權重的要求，全社會將增加對風電綠證的需求、風電綠證價格也有所提升，因此能夠有針對性地促進風電行業的發展；在既定的總消納責任下，光伏行業則會呈現出反向變動趨勢。相比僅覆蓋高耗能用電行業的綠證交易市場而言，允許全部用電行業參與綠證交易時，光伏發電行業可以憑借更高的綠證需求實現更大幅度的增長，同時政策對風電行業的激勵作用相對減弱。

3. 6 GDP變化率

此處以2021、2025和2030年為例，分析綠證交易機制對GDP造成的動態影響，結果見表7。模型結果顯示，提高新能源電力的消納責任權重需要以犧牲一定的經濟發展為代價，但整體看模擬期內對經濟造成的負面沖擊幅度較小，各類政策情景下實際GDP 下降率不超過0. 8%；期間，隨著風、光電力消納目標的逐年提高，強制性綠證交易對實際GDP造成的負面沖擊也相應增強。

就綠證交易模式而言，相比直購模式，代理模式綠證交易突破了用電行業能源投入結構的限制，擴大了交易范圍，可以更好地配置綠證資源，因此全社會能夠以更低的總成本實現既定的風、光電消納目標，對宏觀經濟發展造成的負面影響相對更小。以2030年為例，在實行直購模式綠證交易的SIM1 情景下，實際GDP 變化率為-0. 584%，而在采取代理模式的SIM5 情景下，實際GDP所受負面影響的幅度縮小至0. 505%。在可再生能源電力消納保障機制的約束方式方面，相比僅對風、光電力總消納責任權重進行整體約束的政策情景，分別對風電和光伏的消納占比提出要求時，綠證交易政策實施對實際GDP造成的負面沖擊更大：以2030年為例，SIM1情景下的實際GDP 變化幅度小于SIM2 至SIM4 情景。究其原因，在完全競爭市場背景下，僅對風、光電力總消納責任權重進行約束時，各用電行業將基于成本最小化原則做出電力投入和綠證購買決策，因而能夠在綠證市場均衡時以更小的社會總成本實現既定的可再生配額目標。而利用政策手段對風電和光伏消納占比進行干預時，存在扭曲綠證市場、降低資源配置效率的風險，對經濟的負面影響更大。允許全部用電行業參與綠證交易可以進一步緩解強制性綠證交易機制對GDP的負面沖擊，這是由于擴大綠證交易覆蓋市場范圍能夠提升市場靈活性、降低綠證價格，減輕強制性綠證交易對用電行業造成的成本上行壓力，全社會總成本降低。

3. 7 碳減排效果

此處同樣以2021、2025和2030年為例，不同綠證交易機制情景下全國碳排放總量相比基準情景的變化情況見表8。模型結果顯示，可再生能源電力消納保障機制框架下的強制性綠證交易機制可以促進碳減排，且隨著新能源電力消納責任權重的逐年提高，政策所能實現的碳減排效果也相應不斷增強。但是由于可再生能源電力消納保障機制和綠證交易政策并未直接抑制各生產行業的碳排放活動，因此政策所能實現的碳減排效果有限，在該研究構建的模型中各類綠證交易政策情景下最優碳減排效果也僅能實現相比基準情景削減3. 804%的全國碳排放總量（參見2030年SIM4政策情景），因此單純依靠通過可再生能源電力消納保障機制和綠證交易政策提高新能源電力消費占比并不能完成中國的碳減排目標。

在綠證交易模式上，直購模式綠證交易對用電行業造成的生產成本上行壓力更大，因此能夠實現更優的碳減排效果；相比對風、光電力總消納目標進行約束的政策情景，分別約束風電和光伏消納責任權重時，經濟發展所受負面影響更大，對化石能源的需求相應降低，全社會碳排放總量也相對更低；就綠證交易市場的覆蓋行業范圍而言，僅允許高耗能用電行業參與綠證交易時，可以通過進一步提高生產成本更大程度地抑制其發展，因而能夠實現更高的碳減排效果。

4 結論與政策建議

該研究發現：強制性綠證交易可以替代電價補貼政策促進新能源電力行業的發展，并能夠實現一定的碳減排效果，但由于并未對生產行業的碳排放行為產生直接約束，其所能實現的碳減排效果也相對較弱，單獨依靠可再生能源電力消納保障機制及綠證交易政策并不能完成碳減排任務。可再生能源電力消納保障機制是綠證交易的框架性制度，在既定的風、光電力總消納責任權重下，有針對性地提高對風電消納的要求，能夠有的放矢地促進風電行業及其綠證交易市場的發展。但利用政策手段對風電或光伏電力的消納進行干預，存在扭曲綠證交易市場、降低市場資源配置效率的風險，綠證交易機制對實際GDP造成的負面影響相對更大。在保證綠證真實綠色屬性的前提下，代理模式綠證交易受用電行業自身能源投入結構的限制較小，相比直購模式具有更高的市場靈活性，用電行業將傾向度電成本相對更低的光伏綠證，為光伏發電行業及其綠證交易市場帶來更大幅度促進作用，并降低用電行業的綠證交易支出，減輕強制性的風、光電力消納責任目標對其生產成本造成的上行壓力，并最終緩解實際GDP所受不利影響。允許更多用電行業參與綠證交易可以降低綠證價格、激發綠證交易市場活力，對經濟發展造成的不利影響也相對更小；但由于減輕了高耗能用電行業的綠證交易成本，綠證交易機制對這些行業的抑制作用被削弱，所能實現的碳減排效果也相對較弱。

提高非化石能源消費占比是實現中國“雙碳”目標的關鍵實現路徑，而實行可再生能源電力消納保障機制框架下的強制性綠證交易是確保風、光電力消納的重要政策手段。基于此，該研究的政策含義包括：建議未來進一步增強可再生能源電力消納保障機制的強制約束效力，通過完善獎懲機制實行強制性綠證交易，從而提高用電行業參與綠證交易的積極性，確保非化石能源消費占比目標的實現。在設定可再生行業電力消納保障機制的風、光電力消納約束目標時，為降低對經濟發展造成的不利影響，建議將風、光電力總消納責任權重作為強制約束條件。同時，考慮到不同新能源發電技術在度電成本上存在的較大差異，可以為風電消納責任權重設定適當的下限，引導資金適度流向度電成本較高的海上風電項目，以激勵海上風電實現技術突破，更加充分地利用廣闊的海上風電資源。考慮到不同用電行業差異性的能源投入結構及風電和光伏資源在空間分布上的不平衡，在保證綠證真實綠色屬性的前提下，建議采取更為靈活的代理模式進行綠證交易，并允許更多用電行業參與綠證交易，以更好地激發綠證交易市場活力，提高綠證交易機制的成本有效性。考慮到綠證交易機制所能實現的碳減排效果并不理想，建議綠證交易機制與碳定價機制有機結合，共同助力中國碳減排目標的實現。

參考文獻

［1］ 趙新剛， 馮天天， 楊益晟. 可再生能源配額制對我國電源結構的影響機理及效果研究［J］. 電網技術， 2014， 38（4）： 974-979.

［2］ PINEDA S，BOCK A. Renewable?based generation expansion undera green certificate market［J］. Renewable energy，2016，91：53-63.

［3］ 李雅超，撖晨宇，肖艷煒，等. 基于可再生能源經濟調度時序模擬的綠色證書市場交易研究［J］. 智慧電力，2021，49（4）：58-65.

［4］ 嚴旭，李明，梁志飛，等. 基于系統動力學模型的可再生能源消納保障機制效果模擬［J］. 南方電網技術，2021，15（3）：39-46.

［5］ 張洪秩. 基于可計算一般均衡模型的綠證交易制度影響研究［D］. 北京：華北電力大學，2018.

［6］ 王輝，陳波波，趙文會，等. 可再生能源配額制下跨省區電力交易主體最優決策［J］. 電網技術，2019，43（6）：1987-1995.

［7］ 董福貴，時磊. 可再生能源配額制及綠色證書交易機制設計及仿真［J］. 電力系統自動化，2019，43（12）：113-121.

［8］ LANGNISS O，WISER R. The renewables portfolio standard in Texas：an early assessment［J］. Energy policy，2003，31（6）：527-535.

［9］ 秦玠衡，楊譞. 綠色證書交易機制對可再生能源發展的積極作用分析［J］. 金融經濟，2009（6）：93-94.

［10］ SINGH A. A market for renewable energy credits in the Indianpower sector［J］. Renewable and sustainable energy reviews，2009，13（3）：643-652.

［11］ AUNE F R，DALEN H M，HAGEM C. Implementing the EU renewabletarget through green certificate markets［J］. Energy economics，2012，34（4）：992-1000.

［12］ YIN H T，POWERS N. Do state renewable portfolio standards promotein?state renewable generation［J］. Energy policy，2010，38（2）：1140-1149.

［13］ WANG G，ZHANG Q，LI Y，et al. Corrective regulations on renewableenergy certificates trading：pursuing an equity?efficiencytrade?off［J］. Energy economics，2019，80：970-982.

［14］ 蔣軼澄，曹紅霞，楊莉，等. 可再生能源配額制的機制設計與影響分析［J］. 電力系統自動化，2020，44（7）：187-199.

［15］ 劉秋華，袁浩，楊爭林，等. 可再生能源配額制下綠色證書補償輔助服務方案探討［J］. 電力系統自動化，2020，44（6）：1-8.

［16］ RESCH G， RAGWITZ M， HELD A， et al. Feed?in tariffs andquotas for renewable energy in Europe［J］. CESifo DICE report，2007，5（4）：26-32.

［17］ 趙新剛，王曉永. 基于雙邊拍賣的可再生能源配額制的綠色證書交易機制設計［J］. 可再生能源，2015，33（2）：275-282.

［18］ 劉文平. 綠色電力證書交易機制研究［J］. 工程技術研究，2017（ 8）： 16-27.

［19］ 王強，譚忠富，譚清坤，等. 基于優惠價格的綠色電力證書交易模型［J］. 中國電力，2018，51（6）：172-177.

［20］ 王強，譚忠富，譚清坤，等. 我國綠色電力證書定價機制研究［J］. 價格理論與實踐，2018（1）：74-77.

［21］ BARINGO L，CONEJO A J. Strategic offering for a wind power producer［J］. IEEE transactions on power systems，2013，28（4）：4645-4654.

［22］ KAZEMPOUR S J， ZAREIPOUR H. Equilibria in an oligopolisticmarket with wind power production［J］. IEEE transactions on powersystems， 2014， 29（2）： 686-697.

［23］ DELIKARAOGLOU S，PAPAKONSTANTINOU A，ORDOUDISC， et al. Price?maker wind power producer participating in a jointday?ahead and real?time market［C］//2015 12th International Conferenceon the European Energy Market （EEM）. Lisbon， Portugal：IEEE，2015.

［24］ DAI T， QIAO W. Optimal bidding strategy of a strategic windpower producer in the short?term market［J］. IEEE transactions onsustainable energy， 2017， 6（3）： 707-719.

［25］ DAI T， QIAO W. Finding equilibria in the pool?based electricitymarket with strategic wind power producers and network constraints［J］. IEEE transactions on power systems， 2017， 32（1）：389-399.

［26］ GUO H Y， CHEN Q X， XIA Q， et al. Modeling strategic behaviorsof renewable energy with joint consideration on energy andtradable green certificate markets［J］. IEEE transactions on powersystems， 2020， 35（3）： 1898-1910.

［27］ 梁吉， 左藝， 張玉琢， 等. 基于可再生能源配額制的風電并網節能經濟調度［J］. 電網技術， 2019， 43（7）： 2528-2534.［28］ 王輝， 張芮丹， 王軍杰， 等. 可再生能源配額制下電力市場多主體交易決策優化模型［J］. 科學技術與工程， 2020， 20（6）：2292-2298.

［29］ 彭謙， 周曉潔， 楊睿. 國家綠色電力證書交易市場與省級日前電力市場協調均衡機制設計［J］. 電網技術， 2020， 44（7）：2565-2571.

［30］ HELGESEN P I，TOMASGARD A. An equilibrium market powermodel for power markets and tradable green certificates，includingKirchhoffs Laws and Nash?Cournot competition［J］. Energy economics，2018，70：270-288.

［31］ 張浩， 趙清松， 石建磊， 等. 中國綠色電力證書交易定價決策研究［J］. 價格理論與實踐， 2019（9）： 42-45.

［32］ 林曉凡， 曾佳妮， 馮冬涵. 可再生能源消納責任權重制下電力市場優化決策模型［J］. 電力系統自動化， 2021， 45（6）：158-168.

［33］ LIN B Q，JIA Z J. The impact of Emission Trading Scheme （ETS）and the choice of coverage industry in ETS：a case study in China［J］. Applied energy，2017，205：1512-1527.

［34］ MU Y Q， EVANS S， WANG C， et al. How will sectoral coverageaffect the efficiency of an emissions trading system： a CGE?basedcase study of China［ J］. Applied energy， 2018， 227： 403-414.

［35］ 肖謙，龐軍，許昀，等. 實現國家自主貢獻目標背景下我國碳交易機制研究［J］. 氣候變化研究進展，2020，16（5）：617-631.

［36］ 袁永娜，石敏俊，李娜，等. 碳排放許可的強度分配標準與中國區域經濟協調發展：基于30省區CGE模型的分析［J］. 氣候變化研究進展，2012，8（1）：60-67.

［37］ TANG L， SHI J R， BAO Q. Designing an emissions tradingscheme for China with a dynamic computable general equilibriummodel［ J］. Energy policy， 2016， 97： 507-520

［38］ LI J F， WANG X， ZHANG Y X， et al. The economic impact ofcarbon pricing with regulated electricity prices in China： an applicationof a computable general equilibrium approach ［J］. Energypolicy， 2014， 75： 46-56

［39］ HUANG J，XUE F，SONG X F. Simulation analysis on policy interactioneffects between emission trading and renewable energy subsidy［J］. Journal of modern power systems and clean energy，2013，1（2）：195-201.

［40］ LINARES P，JAVIER S F，VENTOSA M， et al. Incorporating oligopoly，CO2 emissions trading and green certificates into a powergeneration expansion model［J］. Automatica，2008，44（6）：1608-1620.

［41］ TSAO C C，CAMPBELL J E，CHEN Y. When renewable portfoliostandards meet cap?and?trade regulations in the electricity sector：market interactions，profits implications，and policy redundancy［J］. Energy policy，2011，39（7）：3966-3974.

［42］ 劉文君， 張莉芳. 可再生能源配額制下的電力市場優化策略研究［J］. 南華大學學報（社會科學版）， 2021， 22（1）： 71-80.

［43］ 劉文君，張莉芳. 綠色證書交易市場、碳排放權交易市場對電力市場影響機理研究［J］. 生態經濟，2021，37（10）：21-31.

［44］ 薛英杰，趙書強，張現，等. 考慮綠證-碳交易機制的含風電電力系統優化調度［J］. 太原理工大學學報，2018，49（5）：785-792.

［45］ SUWA A，JUPESTA J. Policy innovation for technology diffusion：a case?study of Japanese renewable energy public support programs［J］. Sustainability science，2012，7（2）：185-197.

［46］ WANG G，ZHANG Q，SU B，et al. Coordination of tradable carbonemission permits market and renewable electricity certificates marketin China［J］. Energy economics，2021，93：105038.

［47］ CAO J， HO M S， TIMILSINA G R. Impacts of carbon pricing inreducing the carbon intensity of Chinas GDP［R］. WashingtonDC： World Bank， 2016.

［48］ 張寧. 我國碳定價與綠證交易機制設計及經濟影響研究： 基于遞推動態CGE模型的分析［D］. 北京：中國人民大學， 2022.

［49］ 國家統計局. 2017年中國投入產出表［M］. 北京： 中國統計出版社， 2019.

［50］ 中國財政年鑒編輯委員會. 中國財政年鑒［M］. 北京： 中國統計出版社， 2018.

［51］ 國家統計局. 中國統計年鑒［M］. 北京： 中國統計出版社，2018.

［52］ 國家統計局. 中國統計年鑒［M］. 北京： 中國統計出版社，2019.

［53］ 肖謙，陳暉，張宇寧， 等. 碳稅對中國宏觀經濟及可再生能源發電技術的影響： 基于電力部門細分的CGE模型［J］. 中國環境科學， 2020， 40（8）： 3672-3682.

［54］ IEA. CO2 emissions from fuel combustion 2019： highlights［R］.2019.

［55］ NEA，IEA，OECD. Projected costs of generating electricity 2015［M］. Paris： OECD Publishing， 2015.

［56］ NEA， IEA， OECD. Projected costs of generating electricity 2020［M］. Paris： OECD Publishing， 2020.

［57］ OUYANG X L，LIN B Q. Levelized cost of electricity （LCOE） ofrenewable energies and required subsidies in China［J］. Energypolicy，2014，70：64-73.

［58］ IMF. World economic outlook［R］. Washington， DC： IMF， 2021.

［59］ 國務院. 國家人口發展規劃（2016—2030年）［ EB/OL］. 2017-01-25［2021-12-16］. http：//www. gov. cn/zhengce/content/2017-01/25/content_5163309. htm.

［60］ 中國石油經濟技術研究院. 2050年世界與中國能源展望［R］.北京： 中國石油經濟技術研究院， 2020.

［61］ 中國能源研究會. 中國能源展望2030［R］. 北京： 中國能源研究會， 2016.