碳锁定约束下的火力发电转型路径

刘明浩，陈宇航，韩中合，吴智泉

（1.华北电力大学，河北保定 071000；2.国家电投云南国际电力投资有限公司，云南昆明 650100）

1 研究背景

2020 年9 月22 日，习近平总书记提出我国二氧化碳排放量力争于2030 年达到碳达峰，努力争取2060 年前实现碳中和。电力行业作为最大的直接碳排放来源，亟需完成低碳转型。已有大量文献对电力行业低碳转型发展进行了深入研究。其中，对于火力发电退出问题的研究，白建华等［1］总结了国际能源署（IEA）和世界能源理事会(WEC)从气候变化约束对全球未来能源发展给出的不同情景预测情况；聂洪光等［2］设置了新能源补贴退坡的两种可能情景，分析了火电退出以及新能源并网等情况；Li等［3］从碳交易价格以及建设成本两个方面设置了5个情景，分析了中国能源的低碳转型路径；张倩倩［4］以《巴黎协定》的2℃为基准，设定了火电退出的目标；Xiao 等［5］基于现有的新能源政策（NEP）、碳税政策(CTP)以及综合政策，分析了中国能否完成火力发电平稳退出，实现电力行业低碳转型；蔡斌等［6］基于历史数据，预测了江苏省的新能源价格水平，并以此提出了低比例火力发电的发展路径。上述研究的方法主要集中在经验情景设置和历史数据预测等方面。尽管这些方法能够从侧面反映出火电的退出，但在一定程度上忽视了电力行业发展的动态效应，无法反映技术进步和新能源推广等变化带来的影响。在已有研究成果的基础上，引入“碳锁定”概念，将其纳入电力行业低碳路径规划的体系之中。“碳锁定”指在工业化发展进程中，形成的对碳基系统的“技术-制度”路径依赖［7］。电力行业作为以碳基技术为主要生产方式的典型代表，高度依赖火力发电，形成了电力行业发展的“碳锁定”现象，具有较高的沉没成本［8］。因此，为了更好地推动电力行业的低碳转型，有必要对电力行业的“碳锁定”现象进行量化分析，以期为火电退出速率的动态决策提供参考依据。

近年来，国内外学者对碳锁定的量化展开了一系列研究。如徐盈之等［9］运用投入产出的计量方法对碳锁定的关键影响因素进行了分析；牛鸿蕾等［10］构建碳锁定效应的测度指标体系，并运用RAGB-PP模型对碳锁定效应进行量化处理；孙丽文等［11］构建双重差分空间计量模型计算了中国碳锁定系数；陈赟等［12］利用熵值法和耦合理论模型分析了交通基础设施的碳锁定效应。国外研究更倾向于通过技术创新、替代式效应等来评估碳锁定。Van der Meijden等［13］将DNSS 与定向技术变革模型相结合，研究了化石能源与可再生能源同时发展时对碳锁定程度的影响；Xu 等［14］利用空间溢出与面板门槛模型对碳锁定的产业转移效应进行了计算。这些研究主要从替代效应测算和建立锁定程度模型两个角度对碳锁定进行量化分析，但这两种分析方法存在一定的局限性。替代效应测算通常基于静态假设，对技术进步和效率改进考虑较少；锁定程度模型建立存在主观性，对影响因素考虑不够全面。因此，选择了运筹学中常用的效率测度模型——数据包络分析（DEA）计算电力行业碳锁定程度。DEA 模型可以更全面地考虑多种输入输出因素，并将其转换成一个综合指标，从而避免了主观性。同时，可以计算各个决策单元的相对效率，寻找摆脱碳锁定的路径，并对效率测算结果进行动态分析。在此基础上，提出了“电力行业碳解锁效率”的概念，即在进行一定的制度和技术投入后，电力行业摆脱传统火力发电碳锁定状态的程度［15］，并进行了省域间电力行业碳解锁效率量化分析研究。具体地，采用了DEA模型的变体Super-SBM 模型，对2010—2020 年我国30 个省份（未含西藏和港澳台地区）的电力行业碳解锁效率进行了测算，并利用Malmquist 指数模型对碳解锁效率进行了效率分解和动态分析。最后，利用神经网络模型对火力发电退出速率与碳解锁效率之间的关系进行了拟合，为我国省级电力行业低碳转型路径规划提供了参考。

2 电力行业碳解锁效率测算的理论模型

DEA（data envelopment analysis）模型是一种评估单元效率的方法，由Charnes 等［16］于1978 年首次提出。主要应用于生产、服务、医疗等各个领域的效率评估，尤其在公共事业和经济学中广泛应用。自提出以来，DEA 模型经历了多个版本的改进，其中包括CCR 模型、BCC 模型、SBM 模型、Malmquist指数模型、DSBI 模型、EBM 模型、DDM 模型等。随着DEA 模型的长期发展，已经形成了一个较为成熟的效率测度流程，该流程包括以下4 个主要步骤：（1）问题定义并选择要分析的决策单元（DMU）；（2）选择合适的DEA 模型；（3）选取合适的投入和产出指标；（4）进行效率计算并对结果进行分析。

2.1 基于Super-SBM 电力行业碳解锁效率测定模型

鉴于电力行业碳解锁效率测算所需考虑的因素比较复杂，除了生产经营活动中利用投入指标要素的效率外，还需要对获取的非期望产出，即对获取期望产出而牺牲的生态环境效益进行考量。为此，选择了Tone［17］提出的基于松弛变量的SBM 模型进行测算。该模型不仅能够同时考虑期望产出与非期望产出，还能够处理非径向、非角度的数据，以更准确地反映电力行业的碳解锁效率。其中，非径向表示评价效率时，投入与产出不必同比例变动。非角度指在评价效率时不会做出产出不变或是投入不变的假设。克服了投入过度或者不足，以及由于忽视投入或者产出变动时误差较大的问题，假设有n个决策单元，每个决策单元使用m种投入要素x，s1种期望产出y与s2种非期望产出b，具体模型如式（1）所示。

此外，由于模型（1）测算效率时可能存在多个有效前沿面，导致多个DMU 的效率值都为1，难以有效区分。参考Tone［18］于2002年提出的超效率模型，对模型（1）计算的有效率决策单元进行后续的区分计算，可以显著提高有效前沿面的区分度，即非角度非期望Super-SBM 模型，具体模型如式（2）所示。

2.2 基于全局Malmquist 指数的碳解锁效率动态分析模型

Malmquist 指数模型是社会科学领域中常用的评估生产效率变化的方法。该模型主要用于测量不同时间点或不同地区的生产效率变化，并探讨其背后的原因。本文借鉴了Pastor 等［19］在2005 年提出的全局Malmquist 指数分解模型，旨在研究各省份解锁效率的动态机制，以深入探究碳解锁效率变化的原因。该模型计算的指数可分解为技术效率变化指数与技术差距变动指数通过该模型，能够更加准确地揭示各省份解锁效率的演变情况及其背后的动态机制，具体如式（3）至式（5）所示。

2.3 基于BP 神经网络理论的火电退出速率拟合模型

为了对电力行业的低碳路径规划中的火电退出速率进行量化分析，需要建立碳解锁效率与火电退出速率之间的联系。为此，引入BP 神经网络拟合模型，对电力行业的火电退出速率进行预测，从而实现更加可靠的低碳火力发电规划路径决策。BP 神经网络是一种前馈神经网络，通常用于拟合非线性函数和解决分类问题。BP 代表反向传播，是指通过不断调整网络权重和偏差来最小化损失函数（即预测输出与实际输出之间的误差），从而训练神经网络。该模型包括一个输入层、一个或多个隐藏层和一个输出层［20］，其神经网络拓扑如图1 所示。

图1 BP 神经网络模型拓扑结构

每个层都由多个神经元组成，其中每个神经元都有一个激活函数，用于将其输入加权和转换为输出。其最常用的激活函数为sigmoid 函数，常用的函数形式如式（6）所示。

3 电力行业碳解锁效率计算指标选取

计算碳解锁效率应从投入和产出的角度出发，追求社会经济效益和生态环境效益的平衡［21］。这意味着既要考虑投入指标获取期望产出的能力，同时要关注获得期望产出时可能会牺牲的生态环境。随着工业化进程的推进，碳基技术产业在社会生产中逐渐占据重要地位，并与相应的技术行动者和规则体系相结合，逐步构成了一个多重锁定的碳基技术系统［7］，具体如图2 所示。在产业、技术、系统、制度的多重锁定下，现有产业受到严重的发展惯性和路径依赖制约［22］。要打破碳锁定，需要从自上而下的社会技术景观和自下而上的产业技术创新两方面入手。在大多数情况下，外部冲击被认为是打破碳锁定的主要方式，同时也不能忽视技术系统内部实现碳解锁的可能性。

图2 碳基技术的多重锁定与碳解锁路径

因此，从碳锁定的多重锁定视角出发，明确碳解锁的目的是保护生态环境和促进经济发展，对碳解锁的投入指标、期望产出指标和非期望产出指标进行确定。从产业锁定的角度来看，生产部门90%以上的碳排放集中在第一和第二产业［23］，而高碳产业的投资扩张会对碳解锁产生不利影响。为了确保数据的可获取性和连续性，选用地区第三产业增加值占地区生产总值比重作为衡量碳解锁投入的一个指标，以反映地区经济结构和转型发展水平。从技术锁定的角度来看，增加低碳技术研究和实验的经费已成为近年来实现碳解锁的重要手段［24］。尽管低碳技术受到现有碳基技术路径依赖的制约，但仍是实现最终碳解锁的首要因素。因此，选取技术研究和实验经费占GDP 比重作为第二个碳解锁投入指标，以衡量在技术领域低碳化投入的力度。从系统锁定的角度来看，物质资产和基础设施中嵌入的技术状态和财务价值，对于制度行动者采用替代技术或处置资产的能力产生了影响［25］。化石能源主导的技术在早期进行了基础设施与物质积累，相对于清洁能源，后来者更可能加入到碳基技术系统中［26］。因此，将高技术产业固定资产投资占总固定资产投资比例被选作系统解锁的关键指标，以反映新能源的物质与基础设施积累。在碳解锁的过程中，制度锁定是一个多方参与的问题，中央政府、地方政府、企业和消费者等都扮演着重要角色。其中，地方政府在多方博弈中扮演着关键的角色，其对于碳解锁的重视程度在一定程度上决定了中央政府政策的实施效率和地方企业的发展策略，故选择地方环境污染治理支出占GDP 比重作为制度解锁的指标［27］。另外，选择地区人均GDP 占全国人均GDP 之比作为期望产出，二氧化碳排放强度作为非期望产出。最终确定的电力行业碳解锁效率投入产出指标体系如表1 所示。

表1 碳解锁效率评价指标体系

4 电力行业碳解锁相关数据计算与结果分析

4.1 碳解锁效率与松弛变量计算结果

为了更好地比较不同省域和不同年份的碳解锁效率，使用全局参考前沿面，具体的计算过程如图3 所示。基于碳锁定的多重锁定理论，构建了全面的碳解锁效率评价指标体系后，利用式（1）的全局非期望非角度SBM 模型进行计算，并记录下所有非有效DMU 单元的效率值。然后，利用式（2）的Super-SBM 模型对有效DMU 进行区分，并将式（1）与式（2）的计算结果汇总到表2 中。

图3 基于全局Super-SBM 模型的电力行业碳解锁效率计算流程

综合2011—2020 年各省份的数据结果来看，电力行业碳解锁效率普遍较低，总平均值为0.502，这表明各省份在电力行业碳解锁方面的势头相对较弱，解锁水平亟待提高，这对于在保证经济效益的前提下，有序推进传统化石能源发电的转型提出了挑战。从时间演进的角度看，年均电力行业碳解锁效率在起初下降后呈波动上升趋势。这与国家在“十二五”时期（2011—2015 年）和“十三五”时期（2016—2020 年）先后实施的新能源产业优化转型和提质升级策略是相符的［28］。如图4 所示，国家在发展战略初期推出了大量新能源相关政策和资金补贴，使得碳解锁制度的投入水平上升。然而，由于没有达到预期的产出水平，导致该时期的碳解锁效率陡然下降。之后，随着制度投入水平的不断合理化调整，“十三五”时期的年均碳解锁效率已呈现出逐渐上升的趋势。

图4 电力行业碳解锁效率与制度投入水平的年均变化曲线

从各省份的角度分析，北京市、云南省以及东南沿海地区（上海、浙江、福建、广东、海南）的碳解锁效率表现出了相对较高的水平。具体而言，北京市作为国家的政治文化中心，在碳解锁上得到了较强的政策支持。单从制度解锁的投入产出水平来看，北京市比排名第二的上海市高出16.18%，表明其对碳解锁的重视程度远超其他省份。此外，北京市的产业、技术和系统投入水平也在各决策单元的前五之列，故最终表现出的碳解锁水平较高。云南省的高碳解锁效率主要得益于其优越的地理位置和适宜的气候条件。首先，云南省地形复杂，有许多山脉和河流湖泊，拥有大量的水电资源，这为云南省的电力行业提供了丰富的清洁能源；其次，云南位于南亚热带区域，年平均日照时间较长，日照光照强度高，这为云南省的光伏发电提供了良好的条件；此外，云南省大部分地区地势较高，风能资源丰富，有大量适合进行风电开发的风场。在模型计算中，云南省在总体投入低于平均水平的51.31%的情况下，碳排放强度较均值低29.26%，丰富的水能、光能和风能资源为云南省电力行业碳解锁提供了良好的条件和优势。另外，东南沿海地区依托于长江、珠江等大型河流流域，具有良好的水力发电潜力，亦有丰富的海域风能资源。同时，该地区较为发达的经济与科技水平，为研发和应用相关新能源技术提供了可能，使其碳解锁效率维持了一个相对较高的水平。值得注意的是，绝大部分具有较高水力发电潜力的省份都表现出较高的电力行业碳解锁效率水平。而风电与光伏发电潜力较大的区域，例如内蒙古自治区、新疆维吾尔自治区，辽宁、吉林、甘肃省等，它们的碳解锁效率都较低，这可能与风力和光伏发电的不稳定性有关。综上所述，可以看出，新能源资源的多样性和可靠性对碳解锁效率具有重要影响。

松弛变量计算结果如表3 所示，其中，投入指标与非期望产出的松弛变量为冗余量，表示减少多少投入或非期望产出可达到生产前沿面效率；期望产出的松弛变量为产出不足量，表示增加多少产出可以达到生产前沿面效率。从总体上看，一些省份的碳解锁效率较低，主要原因在于政府过度关注生态环境的改善，导致制度投入存在冗余量，且期望产出的不足量相对较多。如果这些资源被用于发展当地经济，可能会有更好的效果。因此，需要在政策制定中更加注重平衡经济和环境的关系，充分考虑碳解锁效率的整体性和长远性，避免在生态环境改善和经济发展之间的取舍上出现偏差。

表3 2011—2020 年非有效DMU 省份松弛变量平均值

4.2 全局Malmquist 指数模型计算结果

为了进一步研究影响电力行业碳解锁的主要因素，对碳解锁效率进行动态分析，利用全局Malmquist 指数模型计算碳解锁的全要素生产率可以分解为技术效率变化指数与技术差距变动指数，详见式（3），计算结果如表4 所示。

表4 电力行业碳解锁效率TFP 指数及其分解结果

5 基于BP 神经网络拟合的火力发电变化速率拟合

5.1 火力发电变化速率拟合数据准备

为了为电力行业低碳转型路径研究的火电退出速率提供动态定量参考，采用BP 神经网络拟合模型，探究火力发电变化速率与碳解锁效率指数之间的内在联系。其中，指数能够更好地反映时期变化时碳解锁效率的动态趋势和规律，与火力发电变化速率在理论上具有更高的相关性。因此，以指数为X 轴，火力发电变化速率为Y 轴，绘制了归一化数据的散点图，如图5 所示。可以看出，散点图的数据分布比较均匀，且异常点与离群点较少。总体来看，指数与火电变化速率负有较强的负相关性，可以考虑采用非线性拟合方法进行拟合。

图5 火力发电变化速率与指数散点

5.2 BP 神经网络拟合结果

采用Matlab 内置神经网络拟合模型工具箱对数据进行拟合。其中，预测变量为碳解锁效率，响应变量为火力发电变化速率；中间层设置为4 层；随机选择15%的数据进行验证和测试；在训练次数达到1 000 次或偏差小于0.001 时结束训练。经过回归分析，绝大多数误差落在零误差附近，误差大的实例数量较少。全部回归r值为0.65，总体在可接受范围。得出了火力发电变化速率与碳解锁效率的最佳拟合结果，可以通过此结果得出不同指数下的火电变化速率参考值，具体数据与拟合结果可见图6 至图8。根据拟合结果，发现火电变化速率随着指数的增加呈现波动式下降，同时其斜率逐渐减小，这表明随着指数数量级的提高，其对火电变化速率的影响效果逐渐降低。因此，可以考虑更多注重低碳解锁效率地区的技术水平和技术效率等发展，以此来更快地推进火电合理退出，实现减排目标。

图6 火力发电变化速率与指数拟合的误差直方

图7 火力发电变化速率与指数拟合的回归r 值

图8 火力发电变化速率与指数神经网络拟合结果

5.3 基于拟合结果的火电退出路径决策实例

从量化低碳路径优化中火电退出速率的角度出发，使用神经网络拟合模型得出了不同指数下的火电变化速率参考值。为了进一步将该结果应用于实践并提供决策参考，本研究绘制了如图9 所示的火电退出规划指导流程图。该流程图旨在为电力行业的决策者提供指导和帮助，以推动实现低碳路径规划的目标。

图9 火电退出规划指导流程

以河北省为例，假设该省计划在2021 年减少5%的火力发电。根据神经网络拟合模型的结果，该省需要在次年使指数接近1.144，以尽可能减少对经济和环境的不利影响。然而，该省在2019—2020年的指数为0.959 8，故需要对下一年的投入与产出进行调整。由于该省为非有效单元，按照火电退出规划指导流程图，进行松弛变量分析，以调整次年的投入产出指标。再考虑实际情况，按照松弛变量的20%进行调整，具体调整数值见表5。在这种投入产出比例下，河北省2021 年的指数达到了1.172，符合拟合结果要求。因此，政府可以考虑将来年的投入产出比例向调整值靠近，以更好地实现低碳火力发电规划路径决策。

表5 投入产出比例调整方案

6 结论

本文采用全局非期望非角度Super-SBM 模型与Malmquist 指数模型，从产业、技术、系统和制度的多重锁定视角，确立电力行业碳解锁的投入指标，并以经济水平与碳排放强度作为期望产出和非期望产出，基于2011—2020 年我国30 个省份的面板数据，测算碳解锁效率、指数及其分解项。同时，运用神经网络模型拟合了指数与火力发电退出速率之间的关系，得出以下结论：

（1）超过90%省区市的碳解锁效率并不理想，2011—2020 年的各省份平均碳解锁效率不超过0.6，较为依赖上层规划或是发展战略进行支持，难以自发“碳解锁”。电力行业的碳解锁效率存在着明显的提升空间，需要加强政策引导和制度设计，促进新能源产业的快速发展。同时，应该加强对碳解锁效率的监测和评估，确保政策的有效实施。

（2）北京市、云南省以及东南沿海地区的碳解锁效率表现出相对较高的水平。其中，北京市得到了较强的政策支持，且在产业、技术和系统投入方面表现也较为突出；云南省则由于其地理位置和气候条件的优越性，在水能、光能和风能资源方面具有优势；而东南沿海地区则依托于大型河流流域和较为发达的经济与科技水平。另外，具有较高水力发电潜力的省份大多表现出较高的碳解锁效率水平，而风电和光伏发电潜力较大的省份则表现出较低的碳解锁效率水平，这与风力和光伏发电的不稳定性有关。即新能源的多样性和可靠性对碳解锁效率具有重要影响。

（3）通过松弛变量计算发现政府对生态环境的过度关注导致了一些省份在碳解锁效率方面的相对不足，在制定政策时，需要更加注重经济与环境之间的平衡，同时充分考虑碳解锁效率的整体性和长远性。通过Malmquist 指数模型研究发现，技术效率低下在一定程度上制约了电力行业的碳解锁，需要从源、网、荷、储、数字化、市场机制等方面进行改动，提高技术效率，从而提高碳解锁效率，打破碳锁定。