1、DOI:10.14092/11-3956/c.2023.02.004能源与环境问题研究我国省域新能源发电效率评估及其发展战略研究董福贵，杨玉桂，李婉莹（华北电力大学经济与管理学院,北京102206）摘要：新能源发电效率评价是从管理决策视角解决当前中国新能源发电行业发展不充分、不平衡等问题的重要途径。本文首先通过超效率 DEA 模型对中国 31 个省份2020 年新能源发电效率进行实证分析研究，然后依据效率测算结果以及各省新能源消纳完成情况，使用密度峰聚类方法将 31 个省份划分为四类地区。研究发现：一类地区新能源发电效率较低，应该因地制宜发展海上风电、分布式光伏发电等；二类地区风电效率明显低于
2、光伏发电效率，因此该类地区应该发挥风力资源丰富的优势，着重提高风力发电效率；三类地区风电效率高于光伏发电效率，应该聚焦于光伏发电效率的提升，注重分布式光伏发电的发展；四类地区新能源发电效率较高但消纳完成度一般，需要合理增加新能源装机容量，提高新能源消纳水平。关键词：新能源；超效率 DEA；密度峰聚类；新能源消纳中图分类号：F407.2;F273.1文献标识码：A文章编号：1008-2603(2023)02-0024-09一、文献综述2020 年，电力行业的碳排放占全国碳排放总量的 41%1，电力行业在中国碳减排、应对环境问题方面承担着重要职责。与传统火力发电相比，风力、光伏等新能源发电方式具有
3、低碳、清洁、高效、可持续等优势2，大力发展新能源已成为中国实现“碳达峰、碳中和”目标的重要策略。“十三五”以来，在政策支撑、技术进步等因素推动下，光伏、风力发电成本持续下降，中国新能源即将进入“平价上网时代”，市场竞争力进一步增强，发电量及占比持续增加。依据中国电力行业“十四五”发展思路及新型电力系统建设要求，2035、2050 年中国能源清洁化率（非化石能源占一次能源的比重）将达到 35%、50%。因此，大力发展新能源将成为支撑中国新型电力系统建设、促收稿日期：20220310基金项目：北京社科基金项目“碳达峰碳中和”目标下京津冀地区新能源发展战略研究（21JJB012）。作者简介：董福贵，
4、男，华北电力大学经济与管理学院教授，博士，研究方向：能源管理理论与方法；杨玉桂，女，华北电力大学经济与管理学院硕士研究生；李婉莹，女，华北电力大学经济与管理学院博士研究生。2023年第2期华北电力大学学报（社会科学版）No.22023 24 进“双碳目标”实现、推动能源清洁低碳转型的关键举措3。截至 2021 年底，中国新能源装机容量达 6.8 亿千瓦、发电量 1.3 万亿千瓦时。近年来，中国新能源发电投入与产出均逐年增加，但产出增加的速率明显低于投入，新能源发电效率并不理想。效率评价是从管理决策视角提升新能源发电效率的重要前提。目前广泛应用于发电效率评价的方法有模糊综合评价法4、TOPSIS
5、 模型5、随机前沿法6、数据包络分析法（DataEnvelopmentAnalysis，DEA）7等，其中 DEA 具有指标不必统一、权重无需人为确定、投入与产出之间的函数关系不需要考虑等优点，因此在评价发电效率的研究中广泛应用。相关学者基于不同视角对发电部门的效率进行了评价研究，Xie8和龙如银9考虑了各省份之间存在的竞争关系，用博弈交叉效率测算了各省的相对效率；Zhao10和 Yu11考虑了外生因素对省际发电部门相对效率的影响，分别用三阶段 DEA 和随即前沿分析法对省际相对发电效率进行测算；Shang12和 Yang13用基于松弛变量测度的非径向和非角度的 SBM（Slacks-base
6、dMeasure，SBM）模型测算省域发电效率时将非期望产出纳入模型中。效率评价的目的是寻求提高新能源发电效率的途径，分析各区域新能源发展的相似点与不同点，并提出针对性的改进措施，为省域新能源发展战略提供理论基础。Yi 应用 DEA 模型对中国光伏发电效率进行了评价，结果表明中国光伏发电效率存在明显区域差异，通过实行差别电价政策、推进光伏精准扶贫等可以有效提高光伏发电效率14。Yang 基于超效率松弛测量模型测算了中国30 个省份的能源效率，研究发现中国各省之间的能源效率差距很大，东部的能源效率最高，而西部的能源效率相对较低，指出应当依据区域条件制定针对性的政策以提高整体能源效率13。闫庆友运
7、用 BCC 模型、分地区 AR 模型对中国 30 家生物质发电项目进行评价，表明中国生物质能发电效率地区差异较大，西南、中南及华东地区由于市场及电网环境较好，因而区域效率较高15。Liang 对中国 30 个省份的能源效率和地区差异进行了评估，发现不同地区影响其能源效率的主要因素不同，影响东部、中部和西部地区能源效率的因素分别是技术进步、能源价格水平和产业结构水平16。综上所述，相关学者在新能源发电效率的研究中指出了中国新能源发电效率存在区域性差异，不同地区的新能源发展有其自身特点，应当根据区域条件制定针对性发展策略。然而，在研究提高新能源发电效率的策略时并未对中国各省份进行分类研究，或者只是
8、简单地依据地理位置进行分类。因此，本文创新性地将效率评价和聚类分析相结合，辨识各省份之间新能源发展的相似性与差异性，依据效率测评和聚类结果为各类地区新能源发电效率的提升提出相应建议。可促进同类省份间新能源发展模式、政策互相借鉴，探寻同类省域新能源可复制、可推广效率提升方案。二、研究方法（一）超效率 DEA本文采用数据包络分析的方法测算省域新能源发电效率，DEA 的原理是基于边际效益理论和线性规划理论，界定具有相同投入和产出的各个决策单元（DecisionMakingUnit，DMU）是否位于生产前沿面来比较各 DMU 之间的相对效率值。最基础的 DEA 模型是 CCR 模型，它是以规模报酬不变
9、为前提进行评估，然而在实际生产过程中，许多生产单位可能处于规模报酬递增或规模报酬递减的情形下。因此，CCR 模型所得出的技术效率包含了规模效率的成分。董福贵等：我国省域新能源发电效率评估及其发展战略研究 25 kd=1d=1在 CCR 模型的基础上，设定，其作用是使投影点的生产规模与被评价决策单元的生产规模处于同一水平，由此形成了 BCC 模型。BBC 模型的前提是规模效率可变，可以有效地测算DMU 的综合效率、技术效率及规模效率。DMUdXd=(X1d,X2d,.,Xmd)TYd=(Y1d,Y2d,.,Ymd)TXidDMUdYjdDMUdd假 设 有 k 个 决 策 单 元，每 个 DMU
10、 有 m 项 投 入 和 n 项 产 出，的 投 入 向 量 为，产 出 向 量 为，其 中为的 第 i 项 投 入，为的第 j 项产出，为第 d 个决策单元的组合比例。BCC 模型的线性规划模型如下：min|mi=1Si+nj=1S+j|s.t|kd=1dXid+Si=Xs(i=1,2,.,m)nd=1dYjdS+j=Ys(j=1,2,.,n)kd=1d=1(d=1,2,.,k)S 0,S+0（1）传统的 DEA 模型将被评价单元分为两个部分：一个是效率值小于 1 的部分，视为 DEA 无效；另一个是效率值等于 1 的部分，视为 DEA 有效。然而，对于效率值为 1 的决策单元难以排序，但其
11、实效率值为 1 的决策单元之间也是存在差别的。针对这种情况，本文采用超效率 DEA 模型（Super-Efficiency，SE-DEA）再对效率值为 1 的有效决策单元进行深入研究，对 DEA 有效的 DMU 进一步排序。DMUsDMUsDMUs当处于生产前沿面（即效率值为 1），在计算的超效率时，将其排除在参考集合之外，从生产前沿面分离出去，的效率值会大于等于 1。SE-DEA 的数学模型如下：min|mi=1Si+nj=1S+j|s.t|kd1,dsdXid+Si=Xs(i=1,2,.,m)nd1,dsdYjdS+j=Ys(j=1,2,.,n)d 0(d=1,2,.,k)S 0,S+0（
12、2）（二）密度峰聚类Pii本文借助密度峰聚类方法对全国 31 个省域进行聚类分析，该算法基于两个重要的假设：一是聚类中心点的局部密度大于其周围相邻点的局部密度；二是聚类中心点与其他具有较高密度的中心点之间有着相对较大的距离。基于此，对于每个数据点，需要计算两个变量：局部密度和距离，通过对每个数据点这两个变量的比较分析，算法可以很好地找出聚类中心点并将不同密度大小的区域划分为不同的类簇。dijPi假设有 n 个数据点，表示数据点 i 与数据点 j 之间的距离，数据点 i 的局部密度可以理解华北电力大学学报（社会科学版）26 为以数据点 i 为中心、以截断距离为半径的区域内数据点的数量，具体计算公
13、式如下：Pi=nj=1,ji(dijdc)(i=1,2,.,n)（3）其中，(t)=1,t Pidj,if j,s.tPj Pimaxj=Pf Piii若数据点 i 非局部密度最大点（即存在数据点 j 的局部密度大于 i 的局部密度，），首先找到所有局部密度比 i 点高的数据点，距离 表示 i 点与最近的高局部密度点的距离值。若数据点i 是局部密度最大点，不存在比 i 点局部密度更高的数据点，距离 表示该点与最远点之间距离值。PiiPiiPiiPii为了选取合适的聚类中心点，可以借助决策图（DecisionGraph）人工选取聚类中心点。决策图有两个变量：局部密度和距离。通过对所有数据点局部密
14、度和距离 的计算，可以得到相应数据集的决策图。将具有较大局部密度和较大距离 的数据点选作聚类中心点，简而言之就是手动选择决策图右上方的数据点为聚类中心。较小 较大的数据点通常会被认为是异常点。dc确定聚类中心后，其它数据点按照与聚类中心的距离就近进行分类，也可以按照密度可达的方法进行分类。接着为每一个类簇确定边界区域，保留分配到该类且距离小于等于截断距离的数据点，其他距离较大的数据点作为噪音点从该类别中去除。三、实证研究（一）指标选取与数据来源如前文所述，本文选取 SE-DEA 模型测算新能源发电效率，因此选取的投入产出指标应当遵循以下标准：首先投入和产出变量必须为正值；其次投入和产出指标具有
15、较强的相关性；最后决策单元的数量至少是投入产出指标的两倍。鉴于数据的可得性，本文分别测算中国 31 个省份（港澳台除外）2020 年风力和光伏的发电效率。新能源发电效率的投入主要体现在装机容量，本文选取累计装机容量（万 kW）和新增装机容量（万 kW）作为投入变量，其中某些地区的新增装机容量为 0，将其处理为 10-15万 kW 带入模型计算。投入数据来源于中电联发布的中国电力统计年鉴 2021。新能源发电的产出主要是发电量（亿 kWh），此外，考虑到新能源发电过程中出现的弃风弃光问题，本文另外选取了利用电量（发电量减去弃风、弃光电量，亿 kWh）作为产出指标。产出数据来源于中国电力统计年鉴
16、2021和全国新能源电力消纳检测预警平台。本文用密度峰聚类的方法对中国 31 个省份进行区域划分，选取风力发电效率、光伏发电效率和新能源消纳完成度（2020 年实际完成/2022 年预计完成）作为聚类的指标。其中，发电效率来源于 DEA 模型的计算结果，新能源消纳数据来源于国家发展改革委和国家能源局发布的关于建立董福贵等：我国省域新能源发电效率评估及其发展战略研究 27 健全可再生能源电力消纳保障机制的通知。（二）效率估计考虑到新能源发电投入变量（累计装机容量）不会减少，应在考虑理想投入的基础上，积极寻求最大的产出，所以基于产出的 DEA 模型更加适用于本文，因此本文采用 Output-BCC 模型分别测算 2020 年 31 个省份风力和光伏发电的综合效率、技术效率和规模效率。鉴于传统的 BBC 模型并不能对 DEA 有效的省份进行进一步排名和分析，本文运用 SE-DEA 模型对综合效率值为 1 的省份进行进一步计算，测算结果如表 12 所示。由表 1 可知，中国风力发电效率存在明显区域差异。其中云南和海南两地 DEA 有效，北京、上海和福建的综合效率较高，多数省份的综合效率值较低，
