技術異質性下我國碳強度減排目標在電力行業的可達性研究

鮮玉嬌，趙孟真

（1.中國礦業大學（北京）煤炭資源與安全開采國家重點實驗室，北京 100083；2.中國礦業大學（北京）管理學院，北京 100083；3.中國礦業大學（北京）能源與礦業學院可持續發展與能源政策研究中心，北京 100083）

在我國控制CO2排放的努力中，實現電力行業的碳強度降低至關重要。首先，電力行業是我國最大的能源消費部門和碳排放部門[1-2]，2020 年該行業的碳排放量約占我國總排放量的41.1%[3]。同時，我國電力供應以化石能源為主，2020 年我國超過60%的電力生產來自火力發電[4]。其次，自2013 年起我國開展了“以電代煤、以電代油、電從遠方來”為核心內容的電能替代工作，電力行業已成為我國能源系統的核心[5]。因此，定量評估我國碳強度減排目標在電力行業的可達性，對國家控制CO2排放和實施碳減排政策及措施起著至關重要的作用[6]。

方向距離函數（DDF）方法因為可以區分期望產出和非期望產出，被廣泛應用于效率及生產率分析中[7-10]。但是傳統DDF 對效率的測算過度依賴于研究者對方向向量的選取，且研究者對方向向量的選擇大多是任意的，因此并不能保證得到最大的效率提升潛力[11-12]。為了避免以上問題，F?re[13]、Hampf、Krüger[14]等提出了基于內生模型的DDF 方法，將方向向量作為變量放入模型中，以同時識別現有生產技術下期望產出增加和非期望產出下降的最大潛力。

此外，在對我國省域技術效率和生產率進行測度時，大多研究假設所有省份具有相同的生產技術[15-17]。事實上，我國各省份的電力行業在地理位置、社會經濟條件、政策環境、發電燃料結構、以及發電技術水平等方面存在差異，不同省份電力行業所能達到的最優生產技術水平也會不同。在測度碳生產率和碳強度下降潛力時如果不考慮省份之間的生產技術差異，可能會得到有偏的測度結果。針對這一問題，本文嘗試用共同前沿分析框架來解決生產技術在時間和空間上的異質性問題[18-20]。

綜上，本文在以往研究的基礎上，做了以下努力：首先，基于內生DDF 方法，構建碳強度最大下降潛力測度模型，通過識別碳強度下降的最大比例，為我國電力行業實現碳強度降低目標提供更合理的評估。其次，基于共同生產前沿技術，考慮我國30 個省份電力行業在時間和空間上的技術異質性，從技術效率變化、發電與控碳技術變革和最優技術引進角度為促進我國電力行業碳生產率增長的驅動力提供了更科學的解釋。最后，分別對全國和省級層面“十四五”時期的碳強度目標進行了可達性評價，從宏觀和中觀的角度為制定我國電力行業差異化的減排目標和政策提供參考。

1 研究方法與數據來源

1.1 共同生產前沿技術

假設生產系統中有N個決策單元（DMU），對于每個DMU，j(j=1,...,N)，xj=(x1j,x2j,…,xij,…,xmj)∈Rm+，yj=(y1j,y2j,…,yij,…,ysj)∈Rs+，uj=(u1j,u2j,…,ufj,…,uhj)∈Rh+分別為其投入向量、期望產出向量和非期望產出向量。生產可能集T包含當前生產技術下所有可行的投入產出組合，可以表示為：

利用傳統生產前沿技術測度效率和生產率時，通常會假設被評價的DMU 都是技術同質的，也就是所有的DMU 具有類似的生產技術水平。然而，這種假設條件通常與實際生產過程相悖。為此，本文基于Hayami[21]提出的共同生產前沿技術，通過對我國電力行業30 個省份跨時空的面板數據進行研究，構造共同生產前沿和小組生產前沿，以識別不同省份之間電力行業存在的技術異質性問題。

假設N個DMU 可以分為H個具有不同生產技術的組別，每個組包括Nh個觀察值。其中=Nh。首先，可將第h個小組在t(t=1,2,…,T)時期的前沿生產技術集表示為Tht，包含了這個組t(t=1,2,…,T)時期的所有DMU。其次，小組跨期生產前沿是包絡該小組在研究期間內所有前沿面而形成的一個新前沿面，包含了這個組T時期的所有DMU，第h組在整個T時期的跨期小組前沿生產技術集可以表示為ThI={Th1∪Th2∪…∪ThT}。最后，為了找到所有小組的最優技術水平，構建包絡整個T時期所有組別的共同前沿生產技術集。該技術集包含了整個T時期所有組的DMU，表示為Tm={T1I∪T2I∪…∪THI}。

圖1 展示了共同生產前沿和2 種小組生產前沿。以包含2 個小組在t1、t2、t3時期的樣本為例，按時間順序將每個組各個時期的組內生產前沿（GF）標記為g1、g2、g3，分別將各個組的跨期生產前沿（IF）標記為I1、I2，而共同邊界生產前沿（MF）包絡了這2 個IF，標記為m。

圖1 共同生產前沿和小組生產前沿示意Fig.1 The joint production front and group production front diagram

1.2 基于內生方向距離函數的碳強度最大下降潛力測度模型

DDF 模型首先由Chambers 等人[22]提出并進一步完善。該模型可以在保證期望產出增加的同時，減少非期望產出。DDF 模型一般有參數估計和非參數估計2 種形式，參數估計需要預先確定特定形式的生產函數，通常用于估計污染物的影子價格[23]。非參數估計如數據包絡分析（DEA）模型不需要提前確定生產函數的形式，被廣泛應用于效率和生產率的分析[24]。

產出導向DDF 的定義如下：

假設生產技術中只有1 個期望產出和1 個非期望產出（即CO2），則測度DMUj0碳強度最大下降潛力的DEA 模型可表示為模型3：

將DDF 方法引入共同生產前沿技術模型后，使用式(4)測量被評估DMU 與第h組組內生產前沿之間的距離，式(5)測量被評估DMU 與第h組組內跨期生產前沿之間的距離，式(6)測量被評估DMU所在小組與共同邊界生產前沿之間的距離。

1.3 Luenberger 碳生產率指數及其分解

本文采用Luenberger 生產率指數（LLP）來表征我國不同省份電力行業碳生產率從t時期到t+1 時期變化的指標。LLP＞0 表示生產率提高；LLP=0 表示生產率不變；LLP＜0 則表示生產率下降。將LLP引入共同生產前沿技術后，第h組DMU 在共同生產前沿技術下的生產率指數（LLPM）和在跨期小組生產前沿技術下的生產率指數（LLPM,h）分別定義為：

使用式(7)測量t時期到t+1 時期組間的生產率變化，式(8)衡量的則是第h組組內t時期到t+1 時期的生產率變化。

本文為了識別碳生產率變化驅動因素，在Chambers[25]和F?re[26]等對Luenberger 生產率指數進行效率變化和技術變化分解的啟發下，將碳生產率變化的驅動因素從空間維度和時間維度分解為技術效率變化（TEC）、發電與控碳技術變革（TP）和組間最優技術進步（TGC）3 個子指標，具體可見式(9)和式(10)。

TEC 表示被評價DMU 朝向（TEC＞0）或者偏離（TEC＜0）GF 的變化，揭示出其對技術效率的追趕。TP 衡量組內IF 和每個時期GF 的差距，為被評估樣本隨時間產生的發電與控碳技術變革。TP＞0 表示技術提高，TP＜0 表示技術下降。TGC反映了技術異質性，表示小組在整個研究期間實現的最優技術進步（TGC＞0）或退步（TGC＜0）。

1.4 樣本與指標選取

本文為了分析我國“十四五”期間碳強度目標在電力行業的可達性，收集了2016—2019 年30 個省及自治區和直轄市電力行業的面板數據，以計算各省碳強度的最大減少百分比。西藏、香港、澳門和臺灣由于數據缺失且不參與我國節能減排政策，故不計入樣本。

根據本文采用的技術方法，模型包含3 個投入指標（勞動人口數量、燃料消耗量、裝機容量）、1 個期望產出指標（總發電量）和1 個非期望產出指標（CO2排放）。表1 是對各個指標的描述。

表1 2016—2019 年我國30 個省份電力行業投入產出數據Tab.1 The input and output data of power industry of 30 provinces in China from 2016 to 2019

本文中用到的勞動人口數量整理自《中國工業統計年鑒》（2017—2020）；發電量、裝機容量和燃料消費量數據來自wind 數據庫；CO2排放是根據《中國能源統計年鑒》（2017—2020）中地區能源平衡表里火電發電與供熱消耗的各種能源消費量計算得到，其中碳排放系數來自聯合國政府間氣候變化專門委員會（IPCC）[27]。

1.5 組別劃分

根據各省經濟發展水平、碳強度目標水平、發電量以及化石能源消耗占發電總能耗的百分比，把30 個省份分成了4 組，分別是化石能源發電低占比區、化石能源發電中占比區、化石能源發電高占比區以及化石能源發電主導區，并將其簡稱為組1、組2、組3 和組4。各組化石能源在發電總能耗中的占比區間分別是(0,55%]、(55%,75%]、(75%,90%]、(90%,100%]。分類的主要原因是由于生產技術上的異質性：一方面，不同的能源類型有不同的碳排放系數，因此發電過程中的能耗結構會直接影響CO2排放量；另一方面，每種能源類型都有其相應的發電機組和技術能力，這種分組可以區分不同發電技術下的不同發電機組。圖2 展示了4 個組發電量和碳排放的關系。由圖2 可以看到，2016—2019年期間各組生產技術確實存在顯著差異。圖3 呈現了各個組別所包含的省份在地理上的分布。

圖2 2016—2019 年期間4 組地區的發電技術差異Fig.2 The differences in power generation technologies among the four groups of regions during 2016—2019

圖3 4 組地區在地理位置上的分布Fig.3 The geographical distribution of four groups of regions

2 實證分析

2.1 國家層面碳強度減排目標的可達性分析

《中華人民共和國國民經濟和社會發展第十四個五年規劃和2035 年遠景目標綱要》將“單位GDP 二氧化碳排放降低18%”作為全國經濟發展的主要指標之一，為了探究該目標在我國電力行業完成的可能性，本文將該目標與GF、IF 和MF 代表的3 種生產技術下組內和全國平均的CO2強度下降最大百分比進行比較，結果見表2。

表2 3 種生產技術下碳強度的最大下降百分比 單位：%Tab.2 The maximum percentage reduction of CO2 emission intensity with three production technologies

表2 數據計算過程如下：

首先，第h(h=1,2,3,4)組在每年的組內生產前沿（GF）包絡第h組在當年的7（或8）個省份，基于模型3 可以計算出這7（或8）個省每年的碳強度最大下降百分比，再通過4 年的結果得出各省2016—2019 年的年均碳強度最大下降百分比，并得出各組均值和全國均值。

其次，第h(h=1,2,3,4)組在2016—2019 年間的組內生產前沿（IF）包絡第h組涵蓋省在4 年間觀測值（共28 或32 個DMU），基于模型3 可以計算出這28（或32）個DMU 的碳強度最大下降百分比，并得到第h組涵蓋各省2016—2019 年的年均碳強度最大下降百分比以及該組均值，再通過合并4 組結果得到全國均值。

最后，2016—2019 年間的共同生產前沿（MF）包絡4 個組在4 年間的120 個觀測值，基于模型3可以計算出120個DMU 的碳強度最大下降百分比，以計算30 個省2016—2019 年的年均碳強度最大下降百分比，并計算各組均值和全國均值。

由表2 可見，4 類地區在3 種生產技術下的碳強度下降潛力均大于0，說明各地區電力行業2016—2019 年的生產技術和生產效率均得到提高。在GF 生產技術下，各地區的碳強度下降潛力有限，全國電力行業的碳強度最大下降百分比平均值為1.94%，說明只通過提升發電廠的技術效率遠不能完成國家碳排放降低目標。

在IF 生產技術下，本文可在2016—2019 年研究期內的任意年間實現中期提升發電廠的技術效率并對發電技術進行改進，同時也可以實現控碳技術的進步。此時全國電力行業最大碳強度下降百分比的平均值為10.14%，與GF 技術相比有很大提升，但是仍達不到碳強度下降18%的國家目標。4 種地區的碳強度下降效果差距不大，范圍在7.68%～12.13%；且隨著化石能源發電占比的增加，碳強度下降的百分比反而降低：這意味著中期非化石能源發電技術的效率提升和改進會對碳強度下降有較大的貢獻。

在MF 生產技術下，可以看到，通過共同提升發電廠的技術效率以及進行發電和控碳技術升級，同時進行組間的技術引進，全國平均碳強度下降44.75%，超額完成國家碳強度降低目標。同時，4 種地區的碳強度下降百分比均大大超過國家碳減排目標：高化石能源區達到最大的碳強度下降百分比，為65.89%；低化石能源區最低，但也能達到30.18%。

2.2 省級層面碳強度減排目標的可達性分析

截至目前，各省“十四五”時期的碳強度目標大部分還未發布。考慮到全國層面“十四五”時期的碳強度目標與“十三五”時期保持一致，本文沿用各省“十三五”時期的碳強度目標來分析省級層面碳強度目標的可達性。

圖4 顯示了3 種生產技術下30 個省份的最大碳強度下降百分比。各省目標比較可以看出，在不同技術下碳強度最大下降百分比差異很大，但是總體上均是在MF 生產技術下碳強度下降得最多且遠高于IF 和GF 生產技術。

圖4 中從云南到上海是按照化石能源發電能耗占發電總能耗的比例從小到大依次排序的。從區域角度可以看到，碳強度降低潛力最多的地區集中在組3，表明這部分地區有良好基礎來實現化石能源到新能源發電的過渡。具體而言：

首先，有11 個地區（云南、四川、青海、湖北、福建、海南、廣東、浙江、江蘇、山東、北京）在3 種生產技術下達到的碳強度下降百分比均低于省目標。原因可能有2 種：1）有些省份電力行業產生的CO2排放量相對較少，如北京、青海、海南、云南、四川，因此提升技術和效率產生的減排量就會較小；2）這些省份大部分經濟發展水平較高，發電行業原本就處于較高的技術水平和生產效率減排潛力較小，如浙江、廣東、江蘇、山東。

其次，有6 個地區（廣西、甘肅、遼寧、貴州、黑龍江、山西）碳強度的降低潛力在IF 生產技術下和MF 生產技術下均高于其省份目標，說明它們可以通過效率提升，以及發電與控碳技術的升級和組內中短期技術轉移來實現“十四五”省份碳強度減排目標。

最后，有13 個地區（湖南、重慶、河北、內蒙古、吉林、江西、陜西、寧夏、新疆、天津、上海、安徽、河南）只能在MF 生產技術下完成省目標。這表明，為了實現碳強度下降的省目標，這些地區不僅要在中長期提升效率和升級技術，還需要省間技術轉移和發電能源結構優化。

2.3 不同組別的碳生產率變化及其驅動因素分析

在本文中碳生產率表征既定投入下的碳強度。為了幫助各地區制定更加合理的CO2減排目標和政策，有必要評估區域技術異質性下的我國電力行業碳生產率變化，并依據方法部分介紹的碳生產率分解對碳生產率變化的驅動因素進行分析。

圖5 展示了4 組地區的生產技術差距（TG），分別用每個組的跨期生產前沿到共同前沿的距離表示。由圖5 可以看到，4 種地區的技術差距在研究期間均有下降的趨勢，說明隨著時間的推移，各組的最優技術都有所提升，組間差距逐漸縮小。從2016 年起，組1 代表的化石能源發電低占比地區就擁有最優的生產技術，是共同生產前沿的主要支撐。這意味著新能源發電為發電技術調整的方向，各地區的電力行業為了提升碳生產率，會將發電結構向新能源轉變。

圖5 4 組地區的組間技術差距Fig.5 Technology gap between the four groups of regions

圖6 展示了全國平均和各組平均碳生產率指數LLPM在2016—2019 年的變化趨勢及其驅動因素。對于全國來講，LLPM在研究期內結果均大于0，即存在連續增長；但隨著時間推移增長速度減緩，2016—2017 年期間LLPM增幅最大，達到0.404；2018—2019 年期間僅增長0.054。通過其驅動因素分解可以看到，TGC（組間最優技術的引進）對2016—2017 年全國平均LLPM的增長起主導作用，可能的原因是2016—2017 年為我國“十三五”規劃執行首期，政府通過宏觀政策調控使先進的發電與控碳技術在地區間交流，從而帶來全國平均碳生產率的明顯增長。但隨著時間的推移，各地發電效率和技術都得到不同程度的提升，地區之間的技術差距越來越小，因此TGC對LLPM的促進作用也隨時間呈現減緩趨勢。到2018—2019 年，TP 和TGC 的增長效應相當，共同主導了LLPM的小幅提升。

圖6 2016—2019 年期間全國和4 組地區LLPM 變化及分解Fig.6 Change and decomposition of LLPM in China and four groups of regions during 2016—2019

對4 個組別的LLPM及其驅動因素而言：

首先，對于各組的LLPM，除了組2 在2017—2018 年期間的LLPM出現了約0.015 的下降，其他組研究期內的LLPM均大于0，且各組均在2016—2017 年期間增長最多。組3 實現了2016—2019 年整個研究期間LLPM累計最高的增長，達到0.75；其余3 組地區增長水平相當，范圍從0.42 到0.47。

其次，對于各組的TEC，化石能源發電占比最高的組4 在2017—2018 年期間增幅最大，為0.044；其他組別各期的TEC 變化對其LLPM的影響可忽略不計。這表明化石能源發電主導的地區在效率追趕效果上表現最好，能夠帶來最多的發電效率提升，可能原因是這些地區更加重視電力生產效率提升。

最后，各組的TP 均呈現隨時間增加的趨勢，這與全國平均TP 的變化趨勢相符。可以預計，隨著時間推移，TP 帶來的碳生產率增長作用會愈加明顯。組1 和組2 在2018—2019 年期間TP 分別增加了0.025 和0.060，主導了當期LLPM的增加，說明新能源發電資源稟賦高的地區在電力生產和控碳技術改造和設備升級方面有更加明顯的優勢。除此之外，各組在所有時期均是TGC 主導了各期的LLPM的增加。除了2018—2019 年期間組1 的TGC 出現0.008 的下降，其他組別在各期都會產生組間最優技術進步。小組結果再一次說明了跨區域的發電技術和控碳技術引進是碳生產率提高的最大驅動力。

表3 將30 個省份按照化石能源發電能耗占發電量總能耗的比值從低到高依次排序，并列出了各省2016—2019 年平均碳生產率指數及分解因素。首先，海南、江蘇、北京的LLPM在研究期內均無變化。其次，全國只有陜西出現了LLPM的下降，通過分解可以看到，是由于TEC 和TGC 均小于0，即陜西在研究期內可能出現由技術效率下降和最優技術退步導致的碳生產率下降。最后，對26個LLPM實現增長的地區分析可以看到，各地區LLPM增長范圍從0.003 3 到0.454 0，內蒙古實現了所有省份LLPM最高增長。接著在對LLPM進行分解時發現，TEC 變化范圍從-0.027 2 到0.055 7，數值和波動都很小，對LLPM的影響微弱。云南、青海、廣東、浙江、吉林、江西、寧夏、山東和天津等9 個地區均是只由TGC 的增長引起，因此想要碳生產率增長必須通過跨區域的發電技術和控碳技術引進來實現。四川、湖北、福建、新疆、內蒙古和上海等6 個地區的LLPM是由TP 和TGC 的共同增長引起的。甘肅、遼寧、黑龍江、河北、山西等地出現了平均發電與控碳技術退步（TP＜0），但是都被TGC 帶來碳生產率增長所抵消，即TGC是LLPM增長的主要驅動因素，且呈現串聯變化。這一結論還可被各組平均值中TGC與LLPM的比值印證。

表3 2016—2019 年30 個省份平均碳生產率變化及分解Tab.3 Change and decomposition of average carbon productivity in 30 provinces from 2016 to 2019

3 結論與政策建議

3.1 結論

在我國，電力行業在能源消耗和CO2排放中占了相當大的比重，是我國實現碳減排目標最重要的部門之一。本文通過技術異質性下的內生DDF 模型，基于2016—2019 年的省級面板數據探討了我國電力行業能否實現“十四五”規劃中提出的全國和省級碳強度降低目標。結果發現，即使所有發電機組都處于效率最高的生產前沿，只在短期和中期通過提高技術效率或升級發電與控碳技術，各組實現“十四五”時期國家CO2強度降低目標都是不可行的。但在長期通過區域間的技術轉讓和發電燃料結構的有效調整，4 個組的平均最大碳強度下降潛力分別為30.18%、50.03%、65.89%和32.09%，全國平均下降44.75%，遠高于全國碳強度降低目標。此外，從省份角度來看，不同地區對碳強度的最大減排潛力也有所不同，因此各個地區應該根據自身情況制定差異化的減排目標和政策法規。本文還采用了Luenberger 生產率指數評估了各組及其所含省份的碳生產率變化，并將其進一步分解為技術效率變化、發電與控碳技術變革和組間最優技術引進，這有助于識別出碳生產率增長的主要驅動因素。最終結果表明：

1）在共同邊界生產前沿面上，化石能源發電低占比區和化石能源發電主導區的減排潛力要小于其他地區。可能的原因在于化石能源發電低占比區的可再生能源發電占比相對較高，在發電量相同的情況下，產生CO2排放量較少。而化石能源發電主導區主要依靠火力發電，因此技術較先進，單位發電量煤耗降低空間相對較小。

2）全國平均碳生產率在各期均實現增長，但增長速度隨時間減緩。從省份來看，除了陜西省出現了微弱下降，其余各省份在2016—2019 年期間平均每年得到范圍在0～0.454 的不同程度的提升。從組別來看，化石能源發電高占比區的碳生產率增長最為明顯，研究期內平均每年增加0.248 9。

3）通過對碳生產率驅動因素的分解發現，化石能源發電主導區的技術效率追趕效應最明顯，只有化石能源發電低占比區表現出了發電與控碳技術變革進步，而化石能源發電高占比區的組間最優技術引進高于其他組別。對所有群組和地區而言，跨區域的發電和控碳技術轉移產生的組間最優技術引進是對其碳生產率增長起主要驅動作用的因素。

3.2 政策建議

基于上述結論，本文提出以下建議：

首先，政府在制定電力行業減排目標時應充分考慮不同地區碳強度的最大減排百分比各不相同，各個地區應該根據自身情況制定差異化的減排政策法規。化石能源發電低占比區應大力推動煤炭和新能源優化組合，加強煤電兜底保障功能。化石能源發電主導區在提升火力發電效率和技術的同時，也要進行發電能源結構向可再生能源調整。

其次，由于短期內各群組和整體碳生產率進步的潛力有限，可以在長期通過區域間技術轉讓、引進更多的可再能源以及淘汰落后的發電機組，來實現有效的碳排放控制和技術進步。

最后，推進利用政策控制與市場調控相結合的方式促進電力行業節能減排。2021 年全國碳排放權交易市場（ETS）在電力行業啟動，共納入發電行業2 100 多家企業，覆蓋CO2排放量約45 億t。因此應盡快完善相關的交易制度和法律法規，積極利用ETS 的市場激勵作用，促進電力行業的能源效率提高和能源結構轉型。