碳鎖定約束下的火力發電轉型路徑

劉明浩，陳宇航，韓中合，吳智泉

（1.華北電力大學，河北保定 071000；2.國家電投云南國際電力投資有限公司，云南昆明 650100）

1 研究背景

2020 年9 月22 日，習近平總書記提出我國二氧化碳排放量力爭于2030 年達到碳達峰，努力爭取2060 年前實現碳中和。電力行業作為最大的直接碳排放來源，亟需完成低碳轉型。已有大量文獻對電力行業低碳轉型發展進行了深入研究。其中，對于火力發電退出問題的研究，白建華等［1］總結了國際能源署（IEA）和世界能源理事會(WEC)從氣候變化約束對全球未來能源發展給出的不同情景預測情況；聶洪光等［2］設置了新能源補貼退坡的兩種可能情景，分析了火電退出以及新能源并網等情況；Li等［3］從碳交易價格以及建設成本兩個方面設置了5個情景，分析了中國能源的低碳轉型路徑；張倩倩［4］以《巴黎協定》的2℃為基準，設定了火電退出的目標；Xiao 等［5］基于現有的新能源政策（NEP）、碳稅政策(CTP)以及綜合政策，分析了中國能否完成火力發電平穩退出，實現電力行業低碳轉型；蔡斌等［6］基于歷史數據，預測了江蘇省的新能源價格水平，并以此提出了低比例火力發電的發展路徑。上述研究的方法主要集中在經驗情景設置和歷史數據預測等方面。盡管這些方法能夠從側面反映出火電的退出，但在一定程度上忽視了電力行業發展的動態效應，無法反映技術進步和新能源推廣等變化帶來的影響。在已有研究成果的基礎上，引入“碳鎖定”概念，將其納入電力行業低碳路徑規劃的體系之中。“碳鎖定”指在工業化發展進程中，形成的對碳基系統的“技術-制度”路徑依賴［7］。電力行業作為以碳基技術為主要生產方式的典型代表，高度依賴火力發電，形成了電力行業發展的“碳鎖定”現象，具有較高的沉沒成本［8］。因此，為了更好地推動電力行業的低碳轉型，有必要對電力行業的“碳鎖定”現象進行量化分析，以期為火電退出速率的動態決策提供參考依據。

近年來，國內外學者對碳鎖定的量化展開了一系列研究。如徐盈之等［9］運用投入產出的計量方法對碳鎖定的關鍵影響因素進行了分析；牛鴻蕾等［10］構建碳鎖定效應的測度指標體系，并運用RAGB-PP模型對碳鎖定效應進行量化處理；孫麗文等［11］構建雙重差分空間計量模型計算了中國碳鎖定系數；陳赟等［12］利用熵值法和耦合理論模型分析了交通基礎設施的碳鎖定效應。國外研究更傾向于通過技術創新、替代式效應等來評估碳鎖定。Van der Meijden等［13］將DNSS 與定向技術變革模型相結合，研究了化石能源與可再生能源同時發展時對碳鎖定程度的影響；Xu 等［14］利用空間溢出與面板門檻模型對碳鎖定的產業轉移效應進行了計算。這些研究主要從替代效應測算和建立鎖定程度模型兩個角度對碳鎖定進行量化分析，但這兩種分析方法存在一定的局限性。替代效應測算通常基于靜態假設，對技術進步和效率改進考慮較少；鎖定程度模型建立存在主觀性，對影響因素考慮不夠全面。因此，選擇了運籌學中常用的效率測度模型——數據包絡分析（DEA）計算電力行業碳鎖定程度。DEA 模型可以更全面地考慮多種輸入輸出因素，并將其轉換成一個綜合指標，從而避免了主觀性。同時，可以計算各個決策單元的相對效率，尋找擺脫碳鎖定的路徑，并對效率測算結果進行動態分析。在此基礎上，提出了“電力行業碳解鎖效率”的概念，即在進行一定的制度和技術投入后，電力行業擺脫傳統火力發電碳鎖定狀態的程度［15］，并進行了省域間電力行業碳解鎖效率量化分析研究。具體地，采用了DEA模型的變體Super-SBM 模型，對2010—2020 年我國30 個省份（未含西藏和港澳臺地區）的電力行業碳解鎖效率進行了測算，并利用Malmquist 指數模型對碳解鎖效率進行了效率分解和動態分析。最后，利用神經網絡模型對火力發電退出速率與碳解鎖效率之間的關系進行了擬合，為我國省級電力行業低碳轉型路徑規劃提供了參考。

2 電力行業碳解鎖效率測算的理論模型

DEA（data envelopment analysis）模型是一種評估單元效率的方法，由Charnes 等［16］于1978 年首次提出。主要應用于生產、服務、醫療等各個領域的效率評估，尤其在公共事業和經濟學中廣泛應用。自提出以來，DEA 模型經歷了多個版本的改進，其中包括CCR 模型、BCC 模型、SBM 模型、Malmquist指數模型、DSBI 模型、EBM 模型、DDM 模型等。隨著DEA 模型的長期發展，已經形成了一個較為成熟的效率測度流程，該流程包括以下4 個主要步驟：（1）問題定義并選擇要分析的決策單元（DMU）；（2）選擇合適的DEA 模型；（3）選取合適的投入和產出指標；（4）進行效率計算并對結果進行分析。

2.1 基于Super-SBM 電力行業碳解鎖效率測定模型

鑒于電力行業碳解鎖效率測算所需考慮的因素比較復雜，除了生產經營活動中利用投入指標要素的效率外，還需要對獲取的非期望產出，即對獲取期望產出而犧牲的生態環境效益進行考量。為此，選擇了Tone［17］提出的基于松弛變量的SBM 模型進行測算。該模型不僅能夠同時考慮期望產出與非期望產出，還能夠處理非徑向、非角度的數據，以更準確地反映電力行業的碳解鎖效率。其中，非徑向表示評價效率時，投入與產出不必同比例變動。非角度指在評價效率時不會做出產出不變或是投入不變的假設。克服了投入過度或者不足，以及由于忽視投入或者產出變動時誤差較大的問題，假設有n個決策單元，每個決策單元使用m種投入要素x，s1種期望產出y與s2種非期望產出b，具體模型如式（1）所示。

此外，由于模型（1）測算效率時可能存在多個有效前沿面，導致多個DMU 的效率值都為1，難以有效區分。參考Tone［18］于2002年提出的超效率模型，對模型（1）計算的有效率決策單元進行后續的區分計算，可以顯著提高有效前沿面的區分度，即非角度非期望Super-SBM 模型，具體模型如式（2）所示。

2.2 基于全局Malmquist 指數的碳解鎖效率動態分析模型

Malmquist 指數模型是社會科學領域中常用的評估生產效率變化的方法。該模型主要用于測量不同時間點或不同地區的生產效率變化，并探討其背后的原因。本文借鑒了Pastor 等［19］在2005 年提出的全局Malmquist 指數分解模型，旨在研究各省份解鎖效率的動態機制，以深入探究碳解鎖效率變化的原因。該模型計算的指數可分解為技術效率變化指數與技術差距變動指數通過該模型，能夠更加準確地揭示各省份解鎖效率的演變情況及其背后的動態機制，具體如式（3）至式（5）所示。

2.3 基于BP 神經網絡理論的火電退出速率擬合模型

為了對電力行業的低碳路徑規劃中的火電退出速率進行量化分析，需要建立碳解鎖效率與火電退出速率之間的聯系。為此，引入BP 神經網絡擬合模型，對電力行業的火電退出速率進行預測，從而實現更加可靠的低碳火力發電規劃路徑決策。BP 神經網絡是一種前饋神經網絡，通常用于擬合非線性函數和解決分類問題。BP 代表反向傳播，是指通過不斷調整網絡權重和偏差來最小化損失函數（即預測輸出與實際輸出之間的誤差），從而訓練神經網絡。該模型包括一個輸入層、一個或多個隱藏層和一個輸出層［20］，其神經網絡拓撲如圖1 所示。

圖1 BP 神經網絡模型拓撲結構

每個層都由多個神經元組成，其中每個神經元都有一個激活函數，用于將其輸入加權和轉換為輸出。其最常用的激活函數為sigmoid 函數，常用的函數形式如式（6）所示。

3 電力行業碳解鎖效率計算指標選取

計算碳解鎖效率應從投入和產出的角度出發，追求社會經濟效益和生態環境效益的平衡［21］。這意味著既要考慮投入指標獲取期望產出的能力，同時要關注獲得期望產出時可能會犧牲的生態環境。隨著工業化進程的推進，碳基技術產業在社會生產中逐漸占據重要地位，并與相應的技術行動者和規則體系相結合，逐步構成了一個多重鎖定的碳基技術系統［7］，具體如圖2 所示。在產業、技術、系統、制度的多重鎖定下，現有產業受到嚴重的發展慣性和路徑依賴制約［22］。要打破碳鎖定，需要從自上而下的社會技術景觀和自下而上的產業技術創新兩方面入手。在大多數情況下，外部沖擊被認為是打破碳鎖定的主要方式，同時也不能忽視技術系統內部實現碳解鎖的可能性。

圖2 碳基技術的多重鎖定與碳解鎖路徑

因此，從碳鎖定的多重鎖定視角出發，明確碳解鎖的目的是保護生態環境和促進經濟發展，對碳解鎖的投入指標、期望產出指標和非期望產出指標進行確定。從產業鎖定的角度來看，生產部門90%以上的碳排放集中在第一和第二產業［23］，而高碳產業的投資擴張會對碳解鎖產生不利影響。為了確保數據的可獲取性和連續性，選用地區第三產業增加值占地區生產總值比重作為衡量碳解鎖投入的一個指標，以反映地區經濟結構和轉型發展水平。從技術鎖定的角度來看，增加低碳技術研究和實驗的經費已成為近年來實現碳解鎖的重要手段［24］。盡管低碳技術受到現有碳基技術路徑依賴的制約，但仍是實現最終碳解鎖的首要因素。因此，選取技術研究和實驗經費占GDP 比重作為第二個碳解鎖投入指標，以衡量在技術領域低碳化投入的力度。從系統鎖定的角度來看，物質資產和基礎設施中嵌入的技術狀態和財務價值，對于制度行動者采用替代技術或處置資產的能力產生了影響［25］。化石能源主導的技術在早期進行了基礎設施與物質積累，相對于清潔能源，后來者更可能加入到碳基技術系統中［26］。因此，將高技術產業固定資產投資占總固定資產投資比例被選作系統解鎖的關鍵指標，以反映新能源的物質與基礎設施積累。在碳解鎖的過程中，制度鎖定是一個多方參與的問題，中央政府、地方政府、企業和消費者等都扮演著重要角色。其中，地方政府在多方博弈中扮演著關鍵的角色，其對于碳解鎖的重視程度在一定程度上決定了中央政府政策的實施效率和地方企業的發展策略，故選擇地方環境污染治理支出占GDP 比重作為制度解鎖的指標［27］。另外，選擇地區人均GDP 占全國人均GDP 之比作為期望產出，二氧化碳排放強度作為非期望產出。最終確定的電力行業碳解鎖效率投入產出指標體系如表1 所示。

表1 碳解鎖效率評價指標體系

4 電力行業碳解鎖相關數據計算與結果分析

4.1 碳解鎖效率與松弛變量計算結果

為了更好地比較不同省域和不同年份的碳解鎖效率，使用全局參考前沿面，具體的計算過程如圖3 所示。基于碳鎖定的多重鎖定理論，構建了全面的碳解鎖效率評價指標體系后，利用式（1）的全局非期望非角度SBM 模型進行計算，并記錄下所有非有效DMU 單元的效率值。然后，利用式（2）的Super-SBM 模型對有效DMU 進行區分，并將式（1）與式（2）的計算結果匯總到表2 中。

圖3 基于全局Super-SBM 模型的電力行業碳解鎖效率計算流程

綜合2011—2020 年各省份的數據結果來看，電力行業碳解鎖效率普遍較低，總平均值為0.502，這表明各省份在電力行業碳解鎖方面的勢頭相對較弱，解鎖水平亟待提高，這對于在保證經濟效益的前提下，有序推進傳統化石能源發電的轉型提出了挑戰。從時間演進的角度看，年均電力行業碳解鎖效率在起初下降后呈波動上升趨勢。這與國家在“十二五”時期（2011—2015 年）和“十三五”時期（2016—2020 年）先后實施的新能源產業優化轉型和提質升級策略是相符的［28］。如圖4 所示，國家在發展戰略初期推出了大量新能源相關政策和資金補貼，使得碳解鎖制度的投入水平上升。然而，由于沒有達到預期的產出水平，導致該時期的碳解鎖效率陡然下降。之后，隨著制度投入水平的不斷合理化調整，“十三五”時期的年均碳解鎖效率已呈現出逐漸上升的趨勢。

圖4 電力行業碳解鎖效率與制度投入水平的年均變化曲線

從各省份的角度分析，北京市、云南省以及東南沿海地區（上海、浙江、福建、廣東、海南）的碳解鎖效率表現出了相對較高的水平。具體而言，北京市作為國家的政治文化中心，在碳解鎖上得到了較強的政策支持。單從制度解鎖的投入產出水平來看，北京市比排名第二的上海市高出16.18%，表明其對碳解鎖的重視程度遠超其他省份。此外，北京市的產業、技術和系統投入水平也在各決策單元的前五之列，故最終表現出的碳解鎖水平較高。云南省的高碳解鎖效率主要得益于其優越的地理位置和適宜的氣候條件。首先，云南省地形復雜，有許多山脈和河流湖泊，擁有大量的水電資源，這為云南省的電力行業提供了豐富的清潔能源；其次，云南位于南亞熱帶區域，年平均日照時間較長，日照光照強度高，這為云南省的光伏發電提供了良好的條件；此外，云南省大部分地區地勢較高，風能資源豐富，有大量適合進行風電開發的風場。在模型計算中，云南省在總體投入低于平均水平的51.31%的情況下，碳排放強度較均值低29.26%，豐富的水能、光能和風能資源為云南省電力行業碳解鎖提供了良好的條件和優勢。另外，東南沿海地區依托于長江、珠江等大型河流流域，具有良好的水力發電潛力，亦有豐富的海域風能資源。同時，該地區較為發達的經濟與科技水平，為研發和應用相關新能源技術提供了可能，使其碳解鎖效率維持了一個相對較高的水平。值得注意的是，絕大部分具有較高水力發電潛力的省份都表現出較高的電力行業碳解鎖效率水平。而風電與光伏發電潛力較大的區域，例如內蒙古自治區、新疆維吾爾自治區，遼寧、吉林、甘肅省等，它們的碳解鎖效率都較低，這可能與風力和光伏發電的不穩定性有關。綜上所述，可以看出，新能源資源的多樣性和可靠性對碳解鎖效率具有重要影響。

松弛變量計算結果如表3 所示，其中，投入指標與非期望產出的松弛變量為冗余量，表示減少多少投入或非期望產出可達到生產前沿面效率；期望產出的松弛變量為產出不足量，表示增加多少產出可以達到生產前沿面效率。從總體上看，一些省份的碳解鎖效率較低，主要原因在于政府過度關注生態環境的改善，導致制度投入存在冗余量，且期望產出的不足量相對較多。如果這些資源被用于發展當地經濟，可能會有更好的效果。因此，需要在政策制定中更加注重平衡經濟和環境的關系，充分考慮碳解鎖效率的整體性和長遠性，避免在生態環境改善和經濟發展之間的取舍上出現偏差。

表3 2011—2020 年非有效DMU 省份松弛變量平均值

4.2 全局Malmquist 指數模型計算結果

為了進一步研究影響電力行業碳解鎖的主要因素，對碳解鎖效率進行動態分析，利用全局Malmquist 指數模型計算碳解鎖的全要素生產率可以分解為技術效率變化指數與技術差距變動指數，詳見式（3），計算結果如表4 所示。

表4 電力行業碳解鎖效率TFP 指數及其分解結果

5 基于BP 神經網絡擬合的火力發電變化速率擬合

5.1 火力發電變化速率擬合數據準備

為了為電力行業低碳轉型路徑研究的火電退出速率提供動態定量參考，采用BP 神經網絡擬合模型，探究火力發電變化速率與碳解鎖效率指數之間的內在聯系。其中，指數能夠更好地反映時期變化時碳解鎖效率的動態趨勢和規律，與火力發電變化速率在理論上具有更高的相關性。因此，以指數為X 軸，火力發電變化速率為Y 軸，繪制了歸一化數據的散點圖，如圖5 所示。可以看出，散點圖的數據分布比較均勻，且異常點與離群點較少。總體來看，指數與火電變化速率負有較強的負相關性，可以考慮采用非線性擬合方法進行擬合。

圖5 火力發電變化速率與指數散點

5.2 BP 神經網絡擬合結果

采用Matlab 內置神經網絡擬合模型工具箱對數據進行擬合。其中，預測變量為碳解鎖效率，響應變量為火力發電變化速率；中間層設置為4 層；隨機選擇15%的數據進行驗證和測試；在訓練次數達到1 000 次或偏差小于0.001 時結束訓練。經過回歸分析，絕大多數誤差落在零誤差附近，誤差大的實例數量較少。全部回歸r值為0.65，總體在可接受范圍。得出了火力發電變化速率與碳解鎖效率的最佳擬合結果，可以通過此結果得出不同指數下的火電變化速率參考值，具體數據與擬合結果可見圖6 至圖8。根據擬合結果，發現火電變化速率隨著指數的增加呈現波動式下降，同時其斜率逐漸減小，這表明隨著指數數量級的提高，其對火電變化速率的影響效果逐漸降低。因此，可以考慮更多注重低碳解鎖效率地區的技術水平和技術效率等發展，以此來更快地推進火電合理退出，實現減排目標。

圖6 火力發電變化速率與指數擬合的誤差直方

圖7 火力發電變化速率與指數擬合的回歸r 值

圖8 火力發電變化速率與指數神經網絡擬合結果

5.3 基于擬合結果的火電退出路徑決策實例

從量化低碳路徑優化中火電退出速率的角度出發，使用神經網絡擬合模型得出了不同指數下的火電變化速率參考值。為了進一步將該結果應用于實踐并提供決策參考，本研究繪制了如圖9 所示的火電退出規劃指導流程圖。該流程圖旨在為電力行業的決策者提供指導和幫助，以推動實現低碳路徑規劃的目標。

圖9 火電退出規劃指導流程

以河北省為例，假設該省計劃在2021 年減少5%的火力發電。根據神經網絡擬合模型的結果，該省需要在次年使指數接近1.144，以盡可能減少對經濟和環境的不利影響。然而，該省在2019—2020年的指數為0.959 8，故需要對下一年的投入與產出進行調整。由于該省為非有效單元，按照火電退出規劃指導流程圖，進行松弛變量分析，以調整次年的投入產出指標。再考慮實際情況，按照松弛變量的20%進行調整，具體調整數值見表5。在這種投入產出比例下，河北省2021 年的指數達到了1.172，符合擬合結果要求。因此，政府可以考慮將來年的投入產出比例向調整值靠近，以更好地實現低碳火力發電規劃路徑決策。

表5 投入產出比例調整方案

6 結論

本文采用全局非期望非角度Super-SBM 模型與Malmquist 指數模型，從產業、技術、系統和制度的多重鎖定視角，確立電力行業碳解鎖的投入指標，并以經濟水平與碳排放強度作為期望產出和非期望產出，基于2011—2020 年我國30 個省份的面板數據，測算碳解鎖效率、指數及其分解項。同時，運用神經網絡模型擬合了指數與火力發電退出速率之間的關系，得出以下結論：

（1）超過90%省區市的碳解鎖效率并不理想，2011—2020 年的各省份平均碳解鎖效率不超過0.6，較為依賴上層規劃或是發展戰略進行支持，難以自發“碳解鎖”。電力行業的碳解鎖效率存在著明顯的提升空間，需要加強政策引導和制度設計，促進新能源產業的快速發展。同時，應該加強對碳解鎖效率的監測和評估，確保政策的有效實施。

（2）北京市、云南省以及東南沿海地區的碳解鎖效率表現出相對較高的水平。其中，北京市得到了較強的政策支持，且在產業、技術和系統投入方面表現也較為突出；云南省則由于其地理位置和氣候條件的優越性，在水能、光能和風能資源方面具有優勢；而東南沿海地區則依托于大型河流流域和較為發達的經濟與科技水平。另外，具有較高水力發電潛力的省份大多表現出較高的碳解鎖效率水平，而風電和光伏發電潛力較大的省份則表現出較低的碳解鎖效率水平，這與風力和光伏發電的不穩定性有關。即新能源的多樣性和可靠性對碳解鎖效率具有重要影響。

（3）通過松弛變量計算發現政府對生態環境的過度關注導致了一些省份在碳解鎖效率方面的相對不足，在制定政策時，需要更加注重經濟與環境之間的平衡，同時充分考慮碳解鎖效率的整體性和長遠性。通過Malmquist 指數模型研究發現，技術效率低下在一定程度上制約了電力行業的碳解鎖，需要從源、網、荷、儲、數字化、市場機制等方面進行改動，提高技術效率，從而提高碳解鎖效率，打破碳鎖定。