碳达峰背景下中国电力行业碳排放因素和脱钩效应

摘要

探求电力行业CO2排放驱动因素和脱钩效应既能促进“双碳”目标实现，也有利于改善中国环境总体质量，极具现实意义。对2004—2020年中国电力行业CO2排放量进行测算，并采用LMDI模型和Tapio脱钩模型对电力行业CO2排放的驱动因素和脱钩状态进行研究，在此基础上基于SSA-LSSVM预测模型对中国电力行业2021—2030年CO2排放量和脱钩状态进行预测分析。研究结果表明：1）电力行业CO2排放影响因素中，经济增长是主要因素，电力生产结构效应和电力生产强度效应对电力行业CO2排放量起到明显的抑制作用；2）整个研究期内，电力行业CO2排放量与经济增长处于弱脱钩状态；3）从电力行业CO2排放预测值来看，基准情景、低碳情景、强低碳情景下电力行业CO2排放量均呈现上升趋势，2022—2030年电力行业CO2排放与经济增长均处于弱脱钩状态。基于研究结果，为降低中国电力行业CO2排放量，建议转变经济增长方式，实现经济绿色低碳增长；发展清洁能源，构建新型电力系统；推进低碳技术创新，实现电力行碳排放脱钩。

（来源：中国电力 作者：李旭东, 谭青博, 赵浩辰, 等）

01 模型构建

1.1 电力行业碳排放计算

本文采用IPCC（The Intergovernmental Panel on Climate Change）的方法估算中国电力行业CO2排放。由于水电、风电、光伏和核电几乎不产生碳排放，本文排放源主要考虑火力发电。由于各地区火力发电的能源投入仍以化石燃料为主，根据国家统计局公布的能源数据，本文选取了石油、煤炭、焦炭、原油、煤油、汽油、燃料油、柴油和天然气等9种化石燃料进行核算。电力行业碳排放量计算为

1.2.2 脱钩模型

基于上述分解因子得到电力行业碳排放与经济增长之间的脱钩指数和脱钩分解公式为

脱钩状态判别标准如表1所示。

表1 脱钩状态判别标准

Table 1 Decoupling status discrimination criteria

1.3 SSA-LSSVM预测模型

在LMDI模型分解电力行业碳排放影响因素的基础上，本文对碳达峰背景下电力行业碳排放进行预测。

在SSA方法中，樽海鞘群以目标F搜寻食物，根据该生物搜寻食物的行为，建立特定的优化步骤如下。

1）设置初始参数：在SSA算法中，主要的初始参数包括变量个数、初始种群个数、最大迭代次数、变量的上界和下界等5个参数。

2）构建适应度函数：通过构建适应函数计算每个樽海鞘的合适度，具有最佳适应度的樽海鞘将被视为目标F，适应度函数为

式中：sij为第i个樽海鞘群的第j个变量的数值。

3）进行迭代：为避免搜寻到的结果为局部最优，所有的樽海鞘均需要通过SSA方法更新自己的位置，其中领导者的位置更新方式为

1.4 数据来源

本文基于2004—2020年的《中国电力年鉴》获取各年度的火力发电量和发电量数据，并按照《中国能源统计年鉴》所附录的《各种能源折标准煤参考系数》计算各年度的电力行业能源标准煤消耗总量。按照式（1）计算电力行业碳排放。人口数据、各年度第二产业GDP数据、经济结构占比数据均来自《中国统计年鉴》。

02

实证结果分析

2.1 电力行业CO2排放量规模

根据上述分析方法和数据，可以计算得出2004—2020年中国电力行业产生的CO2排放量。如图1所示，从排放规模上看，中国电力行业CO2排放量从2004年的18.99968亿t增加至2020年的40.816 45亿t，增加了114.83%，呈现持续增长的状态。从增长趋势来看，仅在2014—2016年期间CO2年排放量处于负增长状态，电力行业CO2年排放量总体处于增长状态。随着经济的增长，电力需求不断上升，且中国电力结构依然以火力发电为主，导致火力发电量逐年增加，火力发电CO2排放量不断增加，随着清洁能源加速发展以及火电灵活性改造，2016—2020年电力行业CO2排放量总体处于低增长状态。

图1 2004—2020年中国电力行业排放规模变化

Fig.1 China's electric power industry emissions change in 2004-2020

2.2 LMDI分析

根据上文所列的模型对2004—2020年电力CO2排放量进行指数分解，分解结果如表2所示，2004—2020年经济发展对电力行业CO2排放量增长的贡献度大多超过100%，只有2014—2015年和2015—2016年的贡献度分别为–83.40%和–37.20%，这表明已有的电力结构下，经济增长仍是电力行业CO2排放量增长的主要因素。电力生产结构效应和电力生产强度效应对电力行业CO2排放量增长的贡献度大多为负值，年平均贡献度分别为–30.25%和–57.71%，对电力行业CO2排放量起到明显的抑制作用，这意味着随着清洁能源大规模发展以及电力利用效率的提高，传统火电将逐步退出发电主体，起到辅助调控作用，电力行业整体碳排放水平降低。碳排放系数效应和燃料转化率效应对电力行业CO2排放量的影响处于波动状态，但整体而言对其起到抑制作用，年平均贡献度分别为–0.70%和–2.41%，这表明随着技术进步和燃料利用效率提高，电力行业CO2排放量将逐步降低。

表2 2004—2020年中国电力行业排放规模分解因素影响率

Table 2 China's electric power industry emissions decomposition factor impact rate for 2004-2020

2004—2005年间，CO2排放增加2.137044亿t，对此时期电力行业CO2排放起抑制作用的驱动因素为碳排放系数效应、燃料转化率效应、电力生产结构效应、电力生产强度效应，其贡献度分别为–1.57%、–0.27%、–10.97%、–48.32%；起促进作用的驱动因素为经济发展效应，其贡献度为163.13%。

“十一五”期间，CO2排放增加8.093384亿t，对此时期电力行业CO2排放起抑制作用的驱动因素为碳排放系数效应、燃料转化率效应、电力生产结构效应、电力生产强度效应，其贡献度分别为–8.44%、–384.66%、–135.67%、–863.55%；起促进作用的驱动因素为经济发展效应，其贡献度为1865.32%。

“十二五”期间，CO2排放增加2.699652亿t，对此时期电力行业CO2排放起抑制作用的驱动因素为碳排放系数效应、电力生产结构效应、电力生产强度效应，其贡献度分别为–0.26%、–122.98%、–145.62%；起促进作用的驱动因素为燃料转化率效应和经济发展效应，其贡献度分别为270.36%和498.50%。

“十三五”期间，CO2排放增加8.886695亿t，对此时期电力行业CO2排放量起抑制作用的驱动因素为碳排放系数效应、电力生产结构效应，其贡献度分别为–0.89%和–214.40%；起促进作用的驱动因素为燃料转化率效应、电力生产强度效应、经济发展效应，其贡献度分别为75.98%、107.21%、532.10%。

2.3 Tapio分析

整个研究期内，电力行业CO2排放量与经济增长的脱钩状态多处于弱脱钩的状态下，也存在部分年份出现增长负脱钩和扩张连接等较差的情况，具体情况如表3所示。从时间维度上表现出从好到差的状态，2013年之前，电力行业CO2排放量以弱脱钩为主。2013—2015年，电力行业CO2排放量以强脱钩为主，在“十一五”和“十二五”期间，中国出台一系列节能减排政策，能源行业消费增速明显下缓，电力行业碳排放增速下降，电力行业CO2排放与经济增长出现弱脱钩效应，在“十二五”后半期，即2013—2015年之间，中国出台《煤电节能减排升级与改造行动计划（2014—2020年）》等政策，同时伴随着产业结构调整和经济增长动力转换，电力行业CO2排放量与经济增长实现强脱钩。在“十三五”期间，随着电力市场改革和经济快速发展，发电量快速增长，电力行业CO2排放量与经济增长表现出增长连接和增长负脱钩效应，经济增长与碳排放之间表现出正相关关系。

表3 2004—2020年中国电力行业排放与经济之间脱钩状态

Table 3 Decoupling status between emissions and economy in China's electric power industry, 2004-2020

为寻找电力行业CO2排放与经济增长脱钩状态的驱动因素，计算各驱动因素的脱钩指数，结果如表4所示，其中各驱动因素的脱钩指数之和为表3中的脱钩指数。在2019—2020年期间之前，经济效益指数是促进电力行业CO2排放与经济增长脱钩的主要因素，贡献比占到80%。在2019—2020年，随着电力消费强度指数和燃料转换指数快速提升，电力行业CO2排放与经济增长脱钩状态指数也快速提升，从0.9635提升至13.3877，电力行业CO2排放与经济增长的相关性增强，造成这种趋势的原因是：一方面，伴随国际经济萎靡和贸易战的加剧，中国经济增速放缓，同比仅增加2%；另一方面，这一时期煤炭消耗量和发电量增加，伴随着电力市场改革深化、电能替代推进以及产业结构调整，2019年全国煤炭消费小幅增长。基于上述因素，电力行业CO2排放与经济增长脱钩状态表现为增长负脱钩。

表4 2004—2020年中国电力行业排放各驱动因素脱钩指数分解

Table 4 Decoupling index decomposition for each driving factor of emissions in China's electric power industry, 2004-2020