鮮玉嬌，趙孟真

（1.中國礦業(yè)大學(xué)（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(yè)大學(xué)（北京）管理學(xué)院，北京 100083；3.中國礦業(yè)大學(xué)（北京）能源與礦業(yè)學(xué)院可持續(xù)發(fā)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(xiàn)電力行業(yè)的碳強(qiáng)度降低至關(guān)重要。首先，電力行業(yè)是我國最大的能源消費(fèi)部門和碳排放部門[1-2]，2020 年該行業(yè)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(yīng)以化石能源為主，2020 年我國超過60%的電力生產(chǎn)來自火力發(fā)電[4]。其次，自2013 年起我國開展了“以電代煤、以電代油、電從遠(yuǎn)方來”為核心內(nèi)容的電能替代工作，電力行業(yè)已成為我國能源系統(tǒng)的核心[5]。因此，定量評估我國碳強(qiáng)度減排目標(biāo)在電力行業(yè)的可達(dá)性，對國家控制CO2排放和實施碳減排政策及措施起著至關(guān)重要的作用[6]。

方向距離函數(shù)（DDF）方法因為可以區(qū)分期望產(chǎn)出和非期望產(chǎn)出，被廣泛應(yīng)用于效率及生產(chǎn)率分析中[7-10]。但是傳統(tǒng)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(xiàn)?re[13]、Hampf、Krüger[14]等提出了基于內(nèi)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(xiàn)有生產(chǎn)技術(shù)下期望產(chǎn)出增加和非期望產(chǎn)出下降的最大潛力。

此外，在對我國省域技術(shù)效率和生產(chǎn)率進(jìn)行測度時，大多研究假設(shè)所有省份具有相同的生產(chǎn)技術(shù)[15-17]。事實上，我國各省份的電力行業(yè)在地理位置、社會經(jīng)濟(jì)條件、政策環(huán)境、發(fā)電燃料結(jié)構(gòu)、以及發(fā)電技術(shù)水平等方面存在差異，不同省份電力行業(yè)所能達(dá)到的最優(yōu)生產(chǎn)技術(shù)水平也會不同。在測度碳生產(chǎn)率和碳強(qiáng)度下降潛力時如果不考慮省份之間的生產(chǎn)技術(shù)差異，可能會得到有偏的測度結(jié)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(chǎn)技術(shù)在時間和空間上的異質(zhì)性問題[18-20]。

綜上，本文在以往研究的基礎(chǔ)上，做了以下努力：首先，基于內(nèi)生DDF 方法，構(gòu)建碳強(qiáng)度最大下降潛力測度模型，通過識別碳強(qiáng)度下降的最大比例，為我國電力行業(yè)實現(xiàn)碳強(qiáng)度降低目標(biāo)提供更合理的評估。其次，基于共同生產(chǎn)前沿技術(shù)，考慮我國30 個省份電力行業(yè)在時間和空間上的技術(shù)異質(zhì)性，從技術(shù)效率變化、發(fā)電與控碳技術(shù)變革和最優(yōu)技術(shù)引進(jìn)角度為促進(jìn)我國電力行業(yè)碳生產(chǎn)率增長的驅(qū)動力提供了更科學(xué)的解釋。最后，分別對全國和省級層面“十四五”時期的碳強(qiáng)度目標(biāo)進(jìn)行了可達(dá)性評價，從宏觀和中觀的角度為制定我國電力行業(yè)差異化的減排目標(biāo)和政策提供參考。

1 研究方法與數(shù)據(jù)來源

1.1 共同生產(chǎn)前沿技術(shù)

假設(shè)生產(chǎn)系統(tǒng)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(chǎn)出向量和非期望產(chǎn)出向量。生產(chǎn)可能集T包含當(dāng)前生產(chǎn)技術(shù)下所有可行的投入產(chǎn)出組合，可以表示為：

利用傳統(tǒng)生產(chǎn)前沿技術(shù)測度效率和生產(chǎn)率時，通常會假設(shè)被評價的DMU 都是技術(shù)同質(zhì)的，也就是所有的DMU 具有類似的生產(chǎn)技術(shù)水平。然而，這種假設(shè)條件通常與實際生產(chǎn)過程相悖。為此，本文基于Hayami[21]提出的共同生產(chǎn)前沿技術(shù)，通過對我國電力行業(yè)30 個省份跨時空的面板數(shù)據(jù)進(jìn)行研究，構(gòu)造共同生產(chǎn)前沿和小組生產(chǎn)前沿，以識別不同省份之間電力行業(yè)存在的技術(shù)異質(zhì)性問題。

假設(shè)N個DMU 可以分為H個具有不同生產(chǎn)技術(shù)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(chǎn)技術(shù)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(chǎn)前沿是包絡(luò)該小組在研究期間內(nèi)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(chǎn)技術(shù)集可以表示為ThI={Th1∪Th2∪…∪ThT}。最后，為了找到所有小組的最優(yōu)技術(shù)水平，構(gòu)建包絡(luò)整個T時期所有組別的共同前沿生產(chǎn)技術(shù)集。該技術(shù)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(chǎn)前沿和2 種小組生產(chǎn)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?qū)⒚總€組各個時期的組內(nèi)生產(chǎn)前沿（GF）標(biāo)記為g1、g2、g3，分別將各個組的跨期生產(chǎn)前沿（IF）標(biāo)記為I1、I2，而共同邊界生產(chǎn)前沿（MF）包絡(luò)了這2 個IF，標(biāo)記為m。

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

1.2 基于內(nèi)生方向距離函數(shù)的碳強(qiáng)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(jìn)一步完善。該模型可以在保證期望產(chǎn)出增加的同時，減少非期望產(chǎn)出。DDF 模型一般有參數(shù)估計和非參數(shù)估計2 種形式，參數(shù)估計需要預(yù)先確定特定形式的生產(chǎn)函數(shù)，通常用于估計污染物的影子價格[23]。非參數(shù)估計如數(shù)據(jù)包絡(luò)分析（DEA）模型不需要提前確定生產(chǎn)函數(shù)的形式，被廣泛應(yīng)用于效率和生產(chǎn)率的分析[24]。

產(chǎn)出導(dǎo)向DDF 的定義如下：

假設(shè)生產(chǎn)技術(shù)中只有1 個期望產(chǎn)出和1 個非期望產(chǎn)出（即CO2），則測度DMUj0碳強(qiáng)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(chǎn)前沿技術(shù)模型后，使用式(4)測量被評估DMU 與第h組組內(nèi)生產(chǎn)前沿之間的距離，式(5)測量被評估DMU 與第h組組內(nèi)跨期生產(chǎn)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(chǎn)前沿之間的距離。

1.3 Luenberger 碳生產(chǎn)率指數(shù)及其分解

本文采用Luenberger 生產(chǎn)率指數(shù)（LLP）來表征我國不同省份電力行業(yè)碳生產(chǎn)率從t時期到t+1 時期變化的指標(biāo)。LLP＞0 表示生產(chǎn)率提高；LLP=0 表示生產(chǎn)率不變；LLP＜0 則表示生產(chǎn)率下降。將LLP引入共同生產(chǎn)前沿技術(shù)后，第h組DMU 在共同生產(chǎn)前沿技術(shù)下的生產(chǎn)率指數(shù)（LLPM）和在跨期小組生產(chǎn)前沿技術(shù)下的生產(chǎn)率指數(shù)（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(chǎn)率變化，式(8)衡量的則是第h組組內(nèi)t時期到t+1 時期的生產(chǎn)率變化。

本文為了識別碳生產(chǎn)率變化驅(qū)動因素，在Chambers[25]和F?re[26]等對Luenberger 生產(chǎn)率指數(shù)進(jìn)行效率變化和技術(shù)變化分解的啟發(fā)下，將碳生產(chǎn)率變化的驅(qū)動因素從空間維度和時間維度分解為技術(shù)效率變化（TEC）、發(fā)電與控碳技術(shù)變革（TP）和組間最優(yōu)技術(shù)進(jìn)步（TGC）3 個子指標(biāo)，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(shù)效率的追趕。TP 衡量組內(nèi)IF 和每個時期GF 的差距，為被評估樣本隨時間產(chǎn)生的發(fā)電與控碳技術(shù)變革。TP＞0 表示技術(shù)提高，TP＜0 表示技術(shù)下降。TGC反映了技術(shù)異質(zhì)性，表示小組在整個研究期間實現(xiàn)的最優(yōu)技術(shù)進(jìn)步（TGC＞0）或退步（TGC＜0）。

1.4 樣本與指標(biāo)選取

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

根據(jù)本文采用的技術(shù)方法，模型包含3 個投入指標(biāo)（勞動人口數(shù)量、燃料消耗量、裝機(jī)容量）、1 個期望產(chǎn)出指標(biāo)（總發(fā)電量）和1 個非期望產(chǎn)出指標(biāo)（CO2排放）。表1 是對各個指標(biāo)的描述。

表1 2016—2019 年我國30 個省份電力行業(yè)投入產(chǎn)出數(shù)據(jù)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(shù)量整理自《中國工業(yè)統(tǒng)計年鑒》（2017—2020）；發(fā)電量、裝機(jī)容量和燃料消費(fèi)量數(shù)據(jù)來自wind 數(shù)據(jù)庫；CO2排放是根據(jù)《中國能源統(tǒng)計年鑒》（2017—2020）中地區(qū)能源平衡表里火電發(fā)電與供熱消耗的各種能源消費(fèi)量計算得到，其中碳排放系數(shù)來自聯(lián)合國政府間氣候變化專門委員會（IPCC）[27]。

1.5 組別劃分

根據(jù)各省經(jīng)濟(jì)發(fā)展水平、碳強(qiáng)度目標(biāo)水平、發(fā)電量以及化石能源消耗占發(fā)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(fā)電低占比區(qū)、化石能源發(fā)電中占比區(qū)、化石能源發(fā)電高占比區(qū)以及化石能源發(fā)電主導(dǎo)區(qū)，并將其簡稱為組1、組2、組3 和組4。各組化石能源在發(fā)電總能耗中的占比區(qū)間分別是(0,55%]、(55%,75%]、(75%,90%]、(90%,100%]。分類的主要原因是由于生產(chǎn)技術(shù)上的異質(zhì)性：一方面，不同的能源類型有不同的碳排放系數(shù)，因此發(fā)電過程中的能耗結(jié)構(gòu)會直接影響CO2排放量；另一方面，每種能源類型都有其相應(yīng)的發(fā)電機(jī)組和技術(shù)能力，這種分組可以區(qū)分不同發(fā)電技術(shù)下的不同發(fā)電機(jī)組。圖2 展示了4 個組發(fā)電量和碳排放的關(guān)系。由圖2 可以看到，2016—2019年期間各組生產(chǎn)技術(shù)確實存在顯著差異。圖3 呈現(xiàn)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(qū)的發(fā)電技術(shù)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(qū)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(qiáng)度減排目標(biāo)的可達(dá)性分析

《中華人民共和國國民經(jīng)濟(jì)和社會發(fā)展第十四個五年規(guī)劃和2035 年遠(yuǎn)景目標(biāo)綱要》將“單位GDP 二氧化碳排放降低18%”作為全國經(jīng)濟(jì)發(fā)展的主要指標(biāo)之一，為了探究該目標(biāo)在我國電力行業(yè)完成的可能性，本文將該目標(biāo)與GF、IF 和MF 代表的3 種生產(chǎn)技術(shù)下組內(nèi)和全國平均的CO2強(qiáng)度下降最大百分比進(jìn)行比較，結(jié)果見表2。

表2 3 種生產(chǎn)技術(shù)下碳強(qiáng)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(shù)據(jù)計算過程如下：

首先，第h(h=1,2,3,4)組在每年的組內(nèi)生產(chǎn)前沿（GF）包絡(luò)第h組在當(dāng)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(qiáng)度最大下降百分比，再通過4 年的結(jié)果得出各省2016—2019 年的年均碳強(qiáng)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(nèi)生產(chǎn)前沿（IF）包絡(luò)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(qiáng)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(qiáng)度最大下降百分比以及該組均值，再通過合并4 組結(jié)果得到全國均值。

最后，2016—2019 年間的共同生產(chǎn)前沿（MF）包絡(luò)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(qiáng)度最大下降百分比，以計算30 個省2016—2019 年的年均碳強(qiáng)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(qū)在3 種生產(chǎn)技術(shù)下的碳強(qiáng)度下降潛力均大于0，說明各地區(qū)電力行業(yè)2016—2019 年的生產(chǎn)技術(shù)和生產(chǎn)效率均得到提高。在GF 生產(chǎn)技術(shù)下，各地區(qū)的碳強(qiáng)度下降潛力有限，全國電力行業(yè)的碳強(qiáng)度最大下降百分比平均值為1.94%，說明只通過提升發(fā)電廠的技術(shù)效率遠(yuǎn)不能完成國家碳排放降低目標(biāo)。

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

在MF 生產(chǎn)技術(shù)下，可以看到，通過共同提升發(fā)電廠的技術(shù)效率以及進(jìn)行發(fā)電和控碳技術(shù)升級，同時進(jìn)行組間的技術(shù)引進(jìn)，全國平均碳強(qiáng)度下降44.75%，超額完成國家碳強(qiáng)度降低目標(biāo)。同時，4 種地區(qū)的碳強(qiáng)度下降百分比均大大超過國家碳減排目標(biāo)：高化石能源區(qū)達(dá)到最大的碳強(qiáng)度下降百分比，為65.89%；低化石能源區(qū)最低，但也能達(dá)到30.18%。

2.2 省級層面碳強(qiáng)度減排目標(biāo)的可達(dá)性分析

截至目前，各省“十四五”時期的碳強(qiáng)度目標(biāo)大部分還未發(fā)布?？紤]到全國層面“十四五”時期的碳強(qiáng)度目標(biāo)與“十三五”時期保持一致，本文沿用各省“十三五”時期的碳強(qiáng)度目標(biāo)來分析省級層面碳強(qiáng)度目標(biāo)的可達(dá)性。

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

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

首先，有11 個地區(qū)（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(chǎn)技術(shù)下達(dá)到的碳強(qiáng)度下降百分比均低于省目標(biāo)。原因可能有2 種：1）有些省份電力行業(yè)產(chǎn)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(shù)和效率產(chǎn)生的減排量就會較小；2）這些省份大部分經(jīng)濟(jì)發(fā)展水平較高，發(fā)電行業(yè)原本就處于較高的技術(shù)水平和生產(chǎn)效率減排潛力較小，如浙江、廣東、江蘇、山東。

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

最后，有13 個地區(qū)（湖南、重慶、河北、內(nèi)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(chǎn)技術(shù)下完成省目標(biāo)。這表明，為了實現(xiàn)碳強(qiáng)度下降的省目標(biāo)，這些地區(qū)不僅要在中長期提升效率和升級技術(shù)，還需要省間技術(shù)轉(zhuǎn)移和發(fā)電能源結(jié)構(gòu)優(yōu)化。

2.3 不同組別的碳生產(chǎn)率變化及其驅(qū)動因素分析

在本文中碳生產(chǎn)率表征既定投入下的碳強(qiáng)度。為了幫助各地區(qū)制定更加合理的CO2減排目標(biāo)和政策，有必要評估區(qū)域技術(shù)異質(zhì)性下的我國電力行業(yè)碳生產(chǎn)率變化，并依據(jù)方法部分介紹的碳生產(chǎn)率分解對碳生產(chǎn)率變化的驅(qū)動因素進(jìn)行分析。

圖5 展示了4 組地區(qū)的生產(chǎn)技術(shù)差距（TG），分別用每個組的跨期生產(chǎn)前沿到共同前沿的距離表示。由圖5 可以看到，4 種地區(qū)的技術(shù)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(yōu)技術(shù)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(fā)電低占比地區(qū)就擁有最優(yōu)的生產(chǎn)技術(shù)，是共同生產(chǎn)前沿的主要支撐。這意味著新能源發(fā)電為發(fā)電技術(shù)調(diào)整的方向，各地區(qū)的電力行業(yè)為了提升碳生產(chǎn)率，會將發(fā)電結(jié)構(gòu)向新能源轉(zhuǎn)變。

圖5 4 組地區(qū)的組間技術(shù)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(chǎn)率指數(shù)LLPM在2016—2019 年的變化趨勢及其驅(qū)動因素。對于全國來講，LLPM在研究期內(nèi)結(jié)果均大于0，即存在連續(xù)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(dá)到0.404；2018—2019 年期間僅增長0.054。通過其驅(qū)動因素分解可以看到，TGC（組間最優(yōu)技術(shù)的引進(jìn)）對2016—2017 年全國平均LLPM的增長起主導(dǎo)作用，可能的原因是2016—2017 年為我國“十三五”規(guī)劃執(zhí)行首期，政府通過宏觀政策調(diào)控使先進(jìn)的發(fā)電與控碳技術(shù)在地區(qū)間交流，從而帶來全國平均碳生產(chǎn)率的明顯增長。但隨著時間的推移，各地發(fā)電效率和技術(shù)都得到不同程度的提升，地區(qū)之間的技術(shù)差距越來越小，因此TGC對LLPM的促進(jìn)作用也隨時間呈現(xiàn)減緩趨勢。到2018—2019 年，TP 和TGC 的增長效應(yīng)相當(dāng)，共同主導(dǎo)了LLPM的小幅提升。

圖6 2016—2019 年期間全國和4 組地區(qū)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(qū)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(xiàn)了約0.015 的下降，其他組研究期內(nèi)的LLPM均大于0，且各組均在2016—2017 年期間增長最多。組3 實現(xiàn)了2016—2019 年整個研究期間LLPM累計最高的增長，達(dá)到0.75；其余3 組地區(qū)增長水平相當(dāng)，范圍從0.42 到0.47。

其次，對于各組的TEC，化石能源發(fā)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(fā)電主導(dǎo)的地區(qū)在效率追趕效果上表現(xiàn)最好，能夠帶來最多的發(fā)電效率提升，可能原因是這些地區(qū)更加重視電力生產(chǎn)效率提升。

最后，各組的TP 均呈現(xiàn)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(yù)計，隨著時間推移，TP 帶來的碳生產(chǎn)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(dǎo)了當(dāng)期LLPM的增加，說明新能源發(fā)電資源稟賦高的地區(qū)在電力生產(chǎn)和控碳技術(shù)改造和設(shè)備升級方面有更加明顯的優(yōu)勢。除此之外，各組在所有時期均是TGC 主導(dǎo)了各期的LLPM的增加。除了2018—2019 年期間組1 的TGC 出現(xiàn)0.008 的下降，其他組別在各期都會產(chǎn)生組間最優(yōu)技術(shù)進(jìn)步。小組結(jié)果再一次說明了跨區(qū)域的發(fā)電技術(shù)和控碳技術(shù)引進(jìn)是碳生產(chǎn)率提高的最大驅(qū)動力。

表3 將30 個省份按照化石能源發(fā)電能耗占發(fā)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(chǎn)率指數(shù)及分解因素。首先，海南、江蘇、北京的LLPM在研究期內(nèi)均無變化。其次，全國只有陜西出現(xiàn)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(nèi)可能出現(xiàn)由技術(shù)效率下降和最優(yōu)技術(shù)退步導(dǎo)致的碳生產(chǎn)率下降。最后，對26個LLPM實現(xiàn)增長的地區(qū)分析可以看到，各地區(qū)LLPM增長范圍從0.003 3 到0.454 0，內(nèi)蒙古實現(xiàn)了所有省份LLPM最高增長。接著在對LLPM進(jìn)行分解時發(fā)現(xiàn)，TEC 變化范圍從-0.027 2 到0.055 7，數(shù)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(qū)均是只由TGC 的增長引起，因此想要碳生產(chǎn)率增長必須通過跨區(qū)域的發(fā)電技術(shù)和控碳技術(shù)引進(jìn)來實現(xiàn)。四川、湖北、福建、新疆、內(nèi)蒙古和上海等6 個地區(qū)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(xiàn)了平均發(fā)電與控碳技術(shù)退步（TP＜0），但是都被TGC 帶來碳生產(chǎn)率增長所抵消，即TGC是LLPM增長的主要驅(qū)動因素，且呈現(xiàn)串聯(lián)變化。這一結(jié)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(chǎn)率變化及分解Tab.3 Change and decomposition of average carbon productivity in 30 provinces from 2016 to 2019

3 結(jié)論與政策建議

3.1 結(jié)論

在我國，電力行業(yè)在能源消耗和CO2排放中占了相當(dāng)大的比重，是我國實現(xiàn)碳減排目標(biāo)最重要的部門之一。本文通過技術(shù)異質(zhì)性下的內(nèi)生DDF 模型，基于2016—2019 年的省級面板數(shù)據(jù)探討了我國電力行業(yè)能否實現(xiàn)“十四五”規(guī)劃中提出的全國和省級碳強(qiáng)度降低目標(biāo)。結(jié)果發(fā)現(xiàn)，即使所有發(fā)電機(jī)組都處于效率最高的生產(chǎn)前沿，只在短期和中期通過提高技術(shù)效率或升級發(fā)電與控碳技術(shù)，各組實現(xiàn)“十四五”時期國家CO2強(qiáng)度降低目標(biāo)都是不可行的。但在長期通過區(qū)域間的技術(shù)轉(zhuǎn)讓和發(fā)電燃料結(jié)構(gòu)的有效調(diào)整，4 個組的平均最大碳強(qiáng)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(yuǎn)高于全國碳強(qiáng)度降低目標(biāo)。此外，從省份角度來看，不同地區(qū)對碳強(qiáng)度的最大減排潛力也有所不同，因此各個地區(qū)應(yīng)該根據(jù)自身情況制定差異化的減排目標(biāo)和政策法規(guī)。本文還采用了Luenberger 生產(chǎn)率指數(shù)評估了各組及其所含省份的碳生產(chǎn)率變化，并將其進(jìn)一步分解為技術(shù)效率變化、發(fā)電與控碳技術(shù)變革和組間最優(yōu)技術(shù)引進(jìn)，這有助于識別出碳生產(chǎn)率增長的主要驅(qū)動因素。最終結(jié)果表明：

1）在共同邊界生產(chǎn)前沿面上，化石能源發(fā)電低占比區(qū)和化石能源發(fā)電主導(dǎo)區(qū)的減排潛力要小于其他地區(qū)?？赡艿脑蛟谟诨茉窗l(fā)電低占比區(qū)的可再生能源發(fā)電占比相對較高，在發(fā)電量相同的情況下，產(chǎn)生CO2排放量較少。而化石能源發(fā)電主導(dǎo)區(qū)主要依靠火力發(fā)電，因此技術(shù)較先進(jìn)，單位發(fā)電量煤耗降低空間相對較小。

2）全國平均碳生產(chǎn)率在各期均實現(xiàn)增長，但增長速度隨時間減緩。從省份來看，除了陜西省出現(xiàn)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(fā)電高占比區(qū)的碳生產(chǎn)率增長最為明顯，研究期內(nèi)平均每年增加0.248 9。

3）通過對碳生產(chǎn)率驅(qū)動因素的分解發(fā)現(xiàn)，化石能源發(fā)電主導(dǎo)區(qū)的技術(shù)效率追趕效應(yīng)最明顯，只有化石能源發(fā)電低占比區(qū)表現(xiàn)出了發(fā)電與控碳技術(shù)變革進(jìn)步，而化石能源發(fā)電高占比區(qū)的組間最優(yōu)技術(shù)引進(jìn)高于其他組別。對所有群組和地區(qū)而言，跨區(qū)域的發(fā)電和控碳技術(shù)轉(zhuǎn)移產(chǎn)生的組間最優(yōu)技術(shù)引進(jìn)是對其碳生產(chǎn)率增長起主要驅(qū)動作用的因素。

3.2 政策建議

基于上述結(jié)論，本文提出以下建議：

首先，政府在制定電力行業(yè)減排目標(biāo)時應(yīng)充分考慮不同地區(qū)碳強(qiáng)度的最大減排百分比各不相同，各個地區(qū)應(yīng)該根據(jù)自身情況制定差異化的減排政策法規(guī)?；茉窗l(fā)電低占比區(qū)應(yīng)大力推動煤炭和新能源優(yōu)化組合，加強(qiáng)煤電兜底保障功能?；茉窗l(fā)電主導(dǎo)區(qū)在提升火力發(fā)電效率和技術(shù)的同時，也要進(jìn)行發(fā)電能源結(jié)構(gòu)向可再生能源調(diào)整。

其次，由于短期內(nèi)各群組和整體碳生產(chǎn)率進(jìn)步的潛力有限，可以在長期通過區(qū)域間技術(shù)轉(zhuǎn)讓、引進(jìn)更多的可再能源以及淘汰落后的發(fā)電機(jī)組，來實現(xiàn)有效的碳排放控制和技術(shù)進(jìn)步。

最后，推進(jìn)利用政策控制與市場調(diào)控相結(jié)合的方式促進(jìn)電力行業(yè)節(jié)能減排。2021 年全國碳排放權(quán)交易市場（ETS）在電力行業(yè)啟動，共納入發(fā)電行業(yè)2 100 多家企業(yè)，覆蓋CO2排放量約45 億t。因此應(yīng)盡快完善相關(guān)的交易制度和法律法規(guī)，積極利用ETS 的市場激勵作用，促進(jìn)電力行業(yè)的能源效率提高和能源結(jié)構(gòu)轉(zhuǎn)型。