EN中文

自然资源学报 >

2022 , Vol. 37 >Issue 5: 1338 - 1351

DOI: https://doi.org/10.31497/zrzyxb.20220516

“双碳”目标的实现路径

中国光伏发电的时空分布、竞争格局及减排效益

  • 韩梦瑶 , 1, 2, 3 ,
  • 熊焦 1, 2, 3 ,
  • 刘卫东 , 1, 2, 3
展开
  • 1.中国科学院地理科学与资源研究所,北京 100101
  • 2.中国科学院区域可持续发展分析与模拟重点实验室,北京 100101
  • 3.中国科学院大学资源与环境学院,北京 100049
刘卫东（1967- ）,男,河北隆化人,博士,研究员,研究方向为经济地理与区域发展。E-mail:

韩梦瑶（1989- ）,女,河北沧州人,博士,副研究员,研究方向为经济地理与区域发展。E-mail:

收稿日期: 2021-08-02

  修回日期: 2021-11-03

  网络出版日期: 2022-07-28

基金资助

国家自然科学基金项目(42042027)

国家自然科学基金项目(41701135)

中国科学院战略性先导科技专项(XDA20010102)

收起

Spatio-temporal distribution, competitive development and emission reduction of China's photovoltaic power generation

  • HAN Meng-yao , 1, 2, 3 ,
  • XIONG Jiao 1, 2, 3 ,
  • LIU Wei-dong , 1, 2, 3
Expand
  • 1. Institute of Geographic Sciences and Natural Resources Research, CAS, Beijing 100101, China
  • 2. Key Laboratory of Regional Sustainable Development Modeling, CAS, Beijing 100101, China
  • 3. College of Resources and Environment, University of Chinese Academy of Sciences, Beijing 100049, China

Received date: 2021-08-02

  Revised date: 2021-11-03

  Online published: 2022-07-28

Fold

摘要

随着中国碳达峰、碳中和目标的提出,光伏发电逐渐成为推动低碳转型的重要途径。通过开展中国光伏发电的时空分布、竞争格局及减排效益研究,本文力求为中国“双碳”目标的落实、光伏产业的可持续发展提供量化支撑及政策建议,得出主要结论如下：（1）2012—2020年,光伏装机总量从624.8万kW增长到25317.0万kW,以集中式电站为主导;（2）山东、江苏、安徽、河南、山西等地区呈现高—高自相关特征,贵州等地区呈现高—低自相关特征;（3）电力消费量、碳排放量、科研投入为装机量增加的正向驱动因素,科技投入对相邻省份的装机量增加同样具有正向驱动效应;（4）中国现有光伏装机的年均减排效益约为2.0亿t,到2030年累计可以达到19.2亿t,对碳达峰、碳中和目标的落实具有重要推动作用。

关键词： 光伏发电; 时空分布; 竞争格局; 减排效益

本文引用格式

韩梦瑶 , 熊焦 , 刘卫东 . 中国光伏发电的时空分布、竞争格局及减排效益[J]. 自然资源学报, 2022 , 37(5) : 1338 -1351 . DOI: 10.31497/zrzyxb.20220516

Abstract

Since China's carbon peak and carbon neutrality goals were put forward, photovoltaic power generation has gradually become one of the important fields to accelerate low carbon transition. Through the analysis of spatio-temporal distribution, competitive development and emission reduction of China's photovoltaic power generation, the main conclusions can be drawn as follows: (1) From 2012 to 2020, the total installed photovoltaic capacities increased from 6.25 million kW to 253.17 million kW, dominated by centralized power stations. (2) Regions including Shandong, Jiangsu, Anhui, Henan, and Shanxi showed a high-high autocorrelation, while regions such as Guizhou showed a high-low autocorrelation. (3) Electricity consumption, carbon emissions, and R&D investment were the positive driving factors for the growth of photovoltaic installed capacities, and R&D investment had a positive impact on the growth of photovoltaic installed capacities in neighboring provinces. (4) The potential emission reduction benefits per year of China's existing photovoltaic installations could almost reach 2.0E+08 tons and the accumulated emission reduction benefits could reach 19.2E+08 tons by 2030, revealing significant emission reduction potentials for promoting the achievement of carbon peak and carbon neutrality goals.

Key words： photovoltaic power generation; spatio-temporal distribution; competitive development; emission reduction

化石能源大规模开发利用带来的气候变化、环境污染、生态破坏等问题已经引起全社会关注[1,2]。2019年,中国碳排放总量约占全球29%,减排形势仍然严峻[3]。2020年 9月,中国正式提出“二氧化碳排放力争于2030年前达到峰值,努力争取2060年前实现碳中和”。在气候雄心峰会上,中国进一步提出“到2030年,风电、太阳能发电总装机容量将达到12亿kW以上”。作为可再生能源技术之一,光伏发电具有推进能源转型、保护生态环境、减缓气候变化的作用,是我国实现碳达峰、碳中和目标的重要途径[4,5]。在我国“富煤、缺油、少气”的格局下,提高可再生能源在一次能源中的占比,大幅发展以风、光为代表的可再生能源具有重要意义[6⇓-8]。
中国太阳能资源丰富,大多数地区的年平均日辐射量在4 kWh/m2以上,年日照时数大于2000 h的地区占2/3以上[9]。截至2019年底,中国可再生能源发电装机达到7.94亿kW,同比增长9%。其中,全国风电累计装机2.1亿kW,同比增长14.0%;光伏发电累计装机2.04亿kW,同比增长17.3%[10]。结合太阳能辐射潜力等指标[11],已有研究开展了青海、内蒙古等地区的光伏发电潜力评估[12,13]。与此同时,也有就光伏产业的发电功率预测[14]、发电成本分析[15]、能源结构预测[16]、储能容量优化[17]等方面开展了相关研究。
截至目前,光伏发电已应用于大多数国家及地区的不同领域,是推动能源转型的重要途径[18⇓-20]。经过政策激励、成本降低、补贴退坡、平价上网等阶段,中国的光伏产业发展经历了从无序到有序的过程,逐渐步入大规模并网发电阶段[21,22]。随着光伏发电市场的不断扩大,光伏扶贫也被列为精准扶贫的重要领域之一[23,24]。值得注意的是,现有研究针对集中式电站、光伏扶贫电站等不同类型光伏的分布格局及其社会效益进行了对应分析[25,26],也有研究结合灰色预测、神经网络等方法从分布模式、运行维护、配电改造等方面开展了光伏发电稳定性的优化研究[27,28]。
随着传统能源消费带来的气候变化效应越发显著,可再生能源发展在满足电力需求、缓解碳排放方面具有重要意义[29]。中国经济由高速增长向高质量发展的同时,以化石燃料为依托的碳锁定效应日益显著[30,31],各省份间低碳发展水平的差距逐渐扩大[32]。为了评估可再生能源对低碳转型的贡献,部分研究结合生命周期法及投入产出法测算了不同类型可再生能源替代传统能源的潜在减排效益[33⇓-35]。与此同时,也有研究将建设、运行及报废等阶段纳入分析范畴,基于单个或多个建造工程从全生命周期角度开展了碳排放量的对比评估[36]。
总体来看,现有研究主要聚焦于光伏发电的潜力评估、技术优化、成本测算、政策影响等领域[37⇓-39],并逐步拓展到清洁能源的减排潜力评估、不同国别的可再生能源合作、可再生能源的发展制约等方向[40,41]。随着中国陆续提出碳达峰、碳中和等低碳发展目标及12亿kW以上的风光装机规划,中国光伏发展逐渐呈现快速增长趋势,在时空分布特征、区域竞争格局、潜在减排效益等方面的相关研究亟待开展。由此,本文致力于刻画中国光伏发电的时空分布特征,揭示各省份间光伏装机的区域竞争格局,分析不同社会经济因素对光伏发展的驱动效应,测算现有光伏装机的潜在减排效益,力求为落实中国低碳发展目标、推动光伏产业的可持续发展提供量化支撑及政策建议。

1 研究方法与数据来源

结合各省域的光伏累计装机及新增装机数据,本文利用空间自相关性分析开展中国省域光伏发电布局的时空演化研究。空间自相关性分析也称聚类检验,可以分析变量的空间分布特征,是用于确定空间邻域中变量的局部和全局关联的最常见方法之一。
（1）全域莫兰指数
Moran指数将相关系数推广到空间范畴考虑空间权重信息的相关系数,反映观测值在空间单元间的相似程度,以Moran指数测度空间自相关可以计算观测值与空间滞后变量的相关系数,采用空间邻接权重矩阵的全局Moran指数,将具有邻接关系的各省光伏装机量与全部样本点加权汇总值对比,检验全国范围内地区之间光伏装机量的相似或者变异程度。
全局Moran's I指数用于反映省域光伏装机量的空间依赖或空间差异等总体特征,即装机量水平相当的省域是否在地理空间上倾向于集聚,其计算公式如下：
G l o b a l M o r a n ' s I = n ∑ i = 1 n ∑ j = 1 n W i j ( Y i - Y - ) ( Y j - Y - ) ∑ i = 1 n ∑ j = 1 n W i j ( Y i - Y - ) 2
若全局Moran's I为正,说明整个研究地区存在空间正相关,取值越大则空间正相关性越强。
（2）局域莫兰指数
全局Moran指数反映整体空间存在自相关特征,其局限性在于如果全局中部分省市指标存在正相关,另一部分省市存在负相关,两者可能相互抵消,降低全局 Moran 指数。由此,Anselin[42]提出以局部Moran指数LISA（Local Indicators of Spatial Association）观察局部空间的不平稳特征,检验局部地区与周边地区是否存在相似或相异聚集。结合局部空间自相关集聚图（LISA）,可以分析全局空间的内部结构和局部空间的依赖性。局部Moran's I指数的计算公式为：
L o c a l M o r a n ' s I = ( Y i - Y - ) ∑ j = 1 n W i j ( Y j - Y - ) ∑ i = 1 n ( Y i - Y - ) 2
在给定的显著水平下,局部Moran's I > 0,表示观测省域光伏装机量与邻近省域光伏装机量相似,即高—高集聚或低—低集聚;局部Moran's I < 0,则表示观测省域与邻近省域光伏装机量相异,即低—高集聚或高—低集聚。
（3）空间杜宾模型
空间杜宾模型（Spatial Dubin Model,SDM）将被解释变量和解释变量的空间滞后项均考虑在内,是空间滞后模型（Spatial Lag Model,SLM）和空间误差模型（Spatial Error Model,SEM）的一般形式。通过Wald检验和LR检验,可以判断空间杜宾模型与空间滞后模型和空间误差模型对比的适用性。作为唯一能得到无偏系数估计的模型,能够较好地估计不同观测个体带动的溢出效应以及利用面板数据测算空间外溢效应。
空间杜宾模型的基本表达式为：
Y i t = α i + λ t + ρ W Y i t + X i t β + W X i t θ + ε i t
式中： Y i t和 X i t分别为被解释变量和解释变量; W Y i t和 W X i t分别为被解释变量和解释变量的空间滞后项; ε表示随机变量; α i和 λ t是个体和时期固定效应系数; ρ、 β和 θ表示参数。
光伏电站装机量的空间杜宾模型可以进一步表示为：
l n Y i t = α i + λ t + ρ W l n Y i t + β 1 l n X 1 i t + β 2 l n X 2 i t + β 3 l n X 3 i t + β 4 l n X 4 i t + β 5 l n X 5 i t + θ 1 l n X 1 i t + θ 2 l n X 2 i t + θ 3 l n X 3 i t + θ 4 l n X 4 i t + θ 5 l n X 5 i t + ε i t
在变量的选取方面,主要选取人均国内生产总值、碳排放量、电力消费量、火电装机容量、科技投入作为解释变量,变量描述与数据来源见表1。
表1 变量描述与数据来源

Table 1 Variable description and data sources

变量 指标 单位 数据来源 最大值 最小值 标准差
Y 光伏装机容量 万kWh 中国能源局 2275 0 439.8
X1 人均GDP（PGDP） 元 《中国统计年鉴》 167640 19786 27804.8
X2 碳排放量（CO2） 万t CEADs数据库、《中国统计年鉴》 912.2 37.3 204
X3 电力消费量(ECI) 亿kWh 《中国统计年鉴》《中国能源年鉴》 6939.8 27.8 1482.6
X4 火电装机容量（TIC） 万kW 《中国电力统计年鉴》 11135 12.0 13670.7
X5 科技投入（R&D） 亿元 《中国科技统计年鉴》 871144.7 1.8 55401.1
（4）碳排放等量替代
在中国现有光伏装机的减排潜力测算方面主要为量化光伏装机替代传统发电项目所带来的碳排放降低潜力。本文利用我国各省（市、自治区）的详细数据,结合日照强度和资源分区对照省级光伏装机情况。通过装机容量、单位发电量和年有效利用小时数可以计算得到年发电量,用于分析整个运行周期的发电情况和减排效益。碳边际减排量可以通过如下公式核算：
Δ E M = E M I P V - E M I T r
式中： P v和 T r分别表示光伏发电项目和传统发电项目; E M I P V是光伏发电项目单位发电量对应的碳排放量（ t C O 2 / M W h）; E M I T r是传统发电项目单位发电量对应的碳排放量（ t C O 2 / M W h）; Δ E M为两者之差（ t C O 2 / M W h）。
单位发电量对应的碳排放因子计算公式为：
E M I k = E C k × E F k / E I c k
式中： E M I k表示项目k单位发电量对应的碳排放量（ t C O 2 / M W h）; k = P v , T r; E C K和 E I c k分别表示项目k的能源类型和发电量（ M W h）; E F表示项目k单位能耗的碳排放系数（t CO2/toe）。
表2将我国不同区域根据日照条件进行区域分类。根据电网覆盖范围,中国区域电网可以划分为华北地区电网、东北地区电网、华东地区电网、华中地区电网、西北地区电网和华南地区电网。中国分省域的光伏装机容量来源于中国能源局,中国各省份国内生产总值（GDP）来源于中国统计年鉴,以2005年不变价进行计量。中国各省份的减排因子如表3所示。光伏电站的碳减排效益可以用潜在碳减排替代量表示,结合国家发展改革委员会气候司发布的边际减排因子进行计算。为分析中国光伏电站的时空分布特征、区域竞争格局及低碳减排效益,本文的主要研究范围为中国31个省（市、自治区）,并划分为华北、东北、华东、华中、华南、西南、西北区域,因原始数据限制,不含中国香港、澳门、台湾。
表2 中国区域光照强度等级分类

Table 2 Solar intensity classification levels in China

等级 区域
第一层级 宁夏,青海海西,嘉峪关,武威,张掖,酒泉,敦煌,甘肃金昌,哈密,塔城,阿勒泰,克拉玛依,内蒙古（除赤峰、通辽、兴安盟、呼伦贝尔）
第二层级 北京,天津,黑龙江,吉林,辽宁,四川,云南,赤峰,通辽,兴安盟,呼伦贝尔,承德,张家口,唐山,秦皇岛,大同,朔州,忻州,阳泉,榆林,延安,青海,甘肃,新疆第一层级以外的地区
第三层级 除第一层级和第二层级以外的地区

注：数据来源于国家发展改革委员会、国家能源局等。

表3 中国区域电网划分及碳减排因子

Table 3 China's regional grid division and carbon emission reduction factors

电网 覆盖省（市、自治区） 碳减排因子/(t CO2/MWh)
华北电网 北京,天津,河北,山西,山东,内蒙古 0.7119
东北电网 辽宁,吉林,黑龙江 0.6613
华东电网 上海,江苏,浙江,安徽,福建 0.5896
华中电网 河南,湖北,湖南,江西,四川,重庆 0.5721
西北电网 陕西,甘肃,青海,宁夏,新疆 0.6665
南方电网 广东,广西,云南,贵州,海南 0.5089

注：数据来源于生态环境部应对气候变化司。

2 结果分析

2.1 中国光伏发电的时空分布格局

根据中国各省域光伏电站的装机容量及其运行情况,可以分析光伏发电的时空分布特征与变化趋势。图1刻画了中国光伏装机总量的时空分布格局。2012—2020年,中国光伏装机总量从624.8万kW增长到25317.0万kW,集中式和分布式光伏电站分别从394.9万kW和230.0万kW增长到17484.0万kW和7833.0万kW,年均增长率分别为60.61%、55.43%。光伏装机增长量最多的省份分别为山东、河北、江苏、浙江、青海,与光伏发电累计装机量分布基本一致。山东和河北为光伏装机增长量最大的省份,分别为2250.8万kW和2171.5万kW。江苏、浙江、青海紧随其后,光伏装机增长量分别为1635.2万kW、1491.0万kW、1367.0万kW。其中,安徽、山西、新疆、内蒙古、河南、宁夏、陕西、贵州等地区的光伏装机增长量均超过了1000万kW。整体来看,全国各省份累计光伏发电装机量均实现正增长,贵州、吉林、重庆实现了零的突破,分别增长至1057.0万kW、338.0万kW、67.0万kW。
图1 中国光伏装机总量的时空演化格局

注：本图基于自然资源部标准地图服务系统下载的标准地图制作,底图无修改,下同。

Fig. 1 Spatio-temporal evolution of China's photovoltaic installed capacities

截至2020年,全国累计装机量达25317.0万kW,以集中式电站数量占主导,占全国光伏累计装机量的69.06%。华北、华东地区集中式电站和分布式电站的装机量均位于全国前列,西北地区以集中式电站为主。在青海、新疆、内蒙古、宁夏等地区,集中式电站占比超过90%,约占全国集中式光伏电站装机量的1/3以上。分布式电站装机量最多的地区为华东地区,包括山东、浙江、江苏等省份,分别为1465.0万kW、1067.0万kW、787.0万kW,约占全国分布式光伏电站装机量的1/2以上。具体到各省份,光伏发电累计装机量最高的省份分别为山东、河北、江苏、青海、浙江,山东和河北的累计装机量分别为2275.0万kW和2189.0万kW,江苏、青海、浙江紧随其后,累计装机量分别为1683.0万kW、1581.0万kW、1517.0万kW。其中,北京、重庆、上海、西藏、海南累计装机量相对较低,分别为61.0万kW、67.0万kW、137.0万kW、137.0万kW、140.0万kW。

2.2 中国光伏发展的区域竞争格局

通过对各省区光伏电站总装机量、新增光伏电站装机量和不同类型电站装机量进行全局空间自相关分析,得到全局Moran's I为：0.127、0.094、0.433、-0.085、-0.185、0.246。图2展示了中国光伏装机容量的空间自相关分析结果。总体来看,2020年总装机量、集中式、分布式电站全局莫兰指数均为正,表明各省光伏电站布局并非随机分布,呈现一定的空间关联特征,即空间上存在集聚分布特征。2020年新增装机量、新增集中式电站全局莫兰指数为负,呈现负的空间自相关特征,即在空间上为离散分布特征;新增分布式电站全局莫兰指数为正,且在显著水平a=0.05的情况下显著,说明新增分布式电站存在显著的空间正相关,存在区域竞争格局。
图2 中国光伏装机容量的空间自相关分析

Fig. 2 Spatial autocorrelation of China's photovoltaic installed capacities

LISA集聚图在显著性水平P≤0.05下绘制,能够展示通过显著性水平检验的局部空间自相关地区。图3为中国光伏装机容量的LISA聚集图。从2020年总装机量来看,山东、江苏、安徽、河南、山西等省份与其周围地区呈现显著的高—高空间自相关特征,即为热点区域,说明上述省份的装机量较高,存在区域竞争格局,尤其分布在华东、华中地区;贵州与其周围地区呈现显著的高—低空间自相关特征,说明贵州与其周围地区（四川、重庆、云南、湖南等）装机量差别较大,即贵州光伏装机量相对高于周边地区。
图3 中国光伏装机容量的LISA聚集图

Fig. 3 LISA cluster distribution of China's photovoltaic installed capacities

具体到不同类型电站来看,集中式装机量LISA聚集图中,山东、河南、山西、甘肃等省份与其周围地区呈现显著的高—高空间自相关特征,装机热点区域主要分布在西北、华东、华中。贵州与其周围地区呈现显著的高—低空间自相关特征,广东与其周围地区呈现显著的低—低空间自相关特征。分布式装机量LISA聚集图中,山东、河南、江苏、安徽等省份与其周围地区呈现显著的高—高空间自相关特征,装机热点区域主要分布在华东、华中地区,青海、西藏、甘肃、新疆等与其周围地区呈现显著的低—低空间自相关特征,以集中式光伏电站为主,分布式电站装机量较少。2020年新增装机量、新增集中式电站全局莫兰指数为负,其空间自相关特征不显著。2020年新增分布式光伏电站LISA聚集图与分布式总装机量LISA聚集图基本一致,华东、华中地区呈现高—高集聚特征,为光伏装机的热点区域,西北地区呈现低—低集聚特征,为光伏装机的冷点区域。

2.3 中国光伏发展的主要驱动因素

光伏装机量受多方因素驱动影响,除了太阳能辐射自然因素外,同样受到人均GDP、碳排放量、电力消费量、火电装机容量、科技投入等社会经济因素的影响。本文结合空间计量模型进一步检验了中国光伏发电的主要社会经济影响因素。在不同权重矩阵下,Wald检验和LR检验均在5%的置信水平下拒绝原假设,空间杜宾模型较空间滞后模型和空间误差模型更为适合。经Hausman检验发现,固定效应模型估计结果更优,故选用固定效应的空间杜宾模型研究中国光伏装机量增长的驱动因素。空间杜宾模型统计检验结果见表4。
表4 空间杜宾模型统计检验

Table 4 Statistical tests for Spatial Dubin Model

变量 统计量 P值
Wald_lag 117.32 0.000
Wald_error 43.25 0.000
LR_lag 109.84 0.000
LR_error 39.66 0.000
Hausman 43.23 0.020
从表5的结果可以看出,lnPGDP、lnCO2、lnECI、lnTIC、lnR&D五个解释变量系数估计值分别为0.007、1.307、0.640、-0.966、0.346,与直接效应得出结果总体保持一致。lnPGDP、lnCO2、lnECI和lnR&D系数值为正值,lnECI和lnR&D两个解释变量在1%置信水平下显著,表明电力消费量和科研投入增加会引发光伏装机量同向变化。碳排放量对光伏装机的影响程度较强,弹性系数值为1.3左右,且在10%置信水平下显著,表明碳排放量是影响光伏装机的重要驱动因素。解释变量lnECI对被解释变量的影响系数为-0.966,在10%置信水平下仍不显著,表明火电装机容量对光伏装机量的负向驱动作用并不显著。
表5 空间杜宾模型结果

Table 5 Spatial Dubin Model results

解释变量 SDM 直接效应 间接效应 总效应
系数 P值 系数 P值 系数 P值 系数 P值
lnPGDP 0.007** 0.013 0.007** 0.012 0.003*** 0.000 0.010*** 0.000
lnCO2 1.307* 0.093 1.307* 0.009 0.070 0.622 1.377** 0.034
lnECI 0.640*** 0.000 0.625*** 0.000 0.021 0.166 0.646* 0.087
lnTIC -0.966 0.317 -1.003 0.350 -0.013 0.744 -1.016 0.406
lnR&D 0.346*** 0.000 0.342*** 0.000 1.034* 0.066 1.376 0.947
WlnY 1.623*** 0.000 — — — — — —
WlnPGDP -0.003*** 0.000 — — — — — —
WlnCO2 0.121 0.320 — — — — — —
WlnECI -0.343 0.560 — — — — — —
WlnTIC 0.032 0.783 — — — — — —
WlnR&D 0.579*** 0.000 — — — — — —

注：***、** 和 * 分别表示统计量在1%、5%和10%置信水平下显著。

间接效应利用累计效果衡量相邻省份间的空间溢出效应,结果表明：lnPGDP对其他省份的光伏装机影响系数为0.003,且在1%置信水平下显著;lnR&D对其他省份的光伏装机影响系数为1.034,在10%置信水平下显著,存在正向驱动效应。总效应是光伏装机量受自身驱动和受空间间接累计驱动结合而成。lnPGDP、lnCO2、lnECI影响系数均为正值,分别在1%、5%、10%置信水平下显著,且以直接效应为主。lnTIC在三个效应中均不显著,且系数均为负值。空间滞后变量可以解释各省份自身驱动因素的变化对其相邻省份的影响。WlnPGDP对其他相邻省份影响系数为-0.003,且在1%置信水平下显著,表明经济增长对相邻省份光伏装机量产生了滞后的负向驱动效应,存在一定的区域竞争格局。WlnR&D系数为0.579,在1%置信水平下显著,表明科技投入变化对相邻省份产出存在滞后的正向驱动效应。

2.4 中国光伏发电的潜在减排效益

作为可再生能源的重要组成,光伏发电具有低碳减排及环境改善效应。为了测算光伏发电的碳减排情况,本文采用了联合国气候变化框架公约（United Nations Framework Convention on Climate Change,UNFCCC）中替代碳排放的测算方法,各燃料的潜在排放因子来源于生态环境部气候司。需要注意的是,光伏发电量同时受到地理位置、气象条件、功率曲线、运行时长等的作用,光伏发电的运营期大多设计为25年。图4展示了中国现有光伏装机容量的累计减排效益。综合各省域光伏装机对应的发电量及边际碳排放因子,2021—2025年,中国现有光伏装机量的年均减排效益约为2.0亿t,以集中式电站贡献占主导。2025—2030年,中国现有光伏装机量的累计减排效益可以增加9.4亿t。按照25年运营期计算,中国光伏装机的累计减排效益到2025年将达到9.8亿t,到 2030年将达到19.2亿t,减排效益明显。
图4 中国现有光伏装机容量的累计减排效益

Fig. 4 Accumulated emission reduction benefits of China's existing photovoltaic installed capacities

具体到各地区,河北、山东、青海、内蒙古的碳减排替代量相对较高,年均减排效益约为1715.4万t;四川、海南、上海、北京、重庆的碳减排替代量相对较低,年均减排效益仅为68.9万t。其中,华北、华东、西北地区减排效益以集中式电站为主,尤其在青海、新疆、内蒙古等地区,集中式电站的减排占比均达到了90%以上。集中式电站累计减排效益最高的地区依次为青海、河北、内蒙古,到2030年分别可以达到1.5亿t、1.4亿t、1.2亿t。相对比,华东地区的减排效益以分布式电站为主,尤其在上海、浙江、福建等地区,分布式电站的减排占比达到了70%以上。其中,分布式电站减排效益最高的地区依次为山东、河北、浙江,累计减排效益到2030年分别可以达到1.3亿t、0.7亿t、0.6亿t。

3 结论及建议

作为可再生能源的重要组成,光伏发展对于低碳转型具有重要的推动作用。然而,随着低碳转型进程的逐渐加快,各省份光伏、风电等可再生能源发展进程不一。为了进一步落实中国碳达峰、碳中和目标,保障各省份光伏产业的可持续发展,本文开展了光伏发电的时空分布、竞争格局及减排效益研究,主要结论如下：
（1）随着碳达峰及碳中和目标的提出,中国各省份的光伏装机容量呈现快速增长趋势。从地区分布看,山东、河北、青海、浙江、安徽等省份的装机量相对较高,山东、贵州、青海等省份的装机量增长速度较快。在此背景下,部分地区装机量增长过快,消纳能力相对不足、电力外送能力有限等问题可能成为制约光伏发展的主要瓶颈。与此同时,适宜发展大型风电和光伏的省份地区同样会面临备案指标较少、土地资源紧张等问题。
（2）各地积极推动光伏、风能等新能源发电机组投资建设,风电和光伏装机规模逐渐扩大。从直接效应看,电力消费量、碳排放量、科研投入为光伏装机增长的正向驱动因素;从间接效应看,科技投入对其他省份的光伏装机量同样存在正向驱动效应。从空间溢出效应看,经济增长对相邻省份的光伏装机存在滞后的负向驱动效应,科技投入变化对相邻省份的光伏装机存在滞后的正向驱动效应。虽然火电装机容量的部分省份存在路径锁定,光伏发电相对发展滞后,但在大力发展可再生能源的政策影响下,光伏发电装机量仍呈现增长趋势。
（3）按照25年运营期计算,中国现有光伏装机的潜在减排效益到2025年可以达到9.8亿t,到2030年可以达到19.2亿t,具有显著的减排潜力。其中,上海、海南、青海等地区提出率先实现碳达峰、打造碳中和先行示范区等目标,大规模光伏电站的并网发电对其碳达峰、碳中和目标的落实具有重要推动作用。对于河北、山东等碳排放大省,光伏发电的碳减排替代效益同样可以缓解单位产出碳排放量降低等约束性目标的压力。
自中国提出“双碳”目标以来,各地区积极开展低碳发展相关重点工作、落实低碳减排目标。其中,浙江、山东、江苏、内蒙古、甘肃、新疆等地区均在“十四五”规划及2035年远景目标中提出了新能源发展规划,20余个地区提出了量化的光伏发展规划。为了进一步推动光伏产业的可持续发展,落实中国碳达峰、碳中和目标,本文提出政策建议如下：
（1）目前,光伏装机规模逐渐扩大,而光伏并网发电能力相对滞后于发电装机增长,“弃风弃光”问题仍然存在。以2020年第四季度为例,中国弃风电量49.7亿kW时,风电利用率同比下降0.3%。从长期来看,大型光伏电站在各地区的建立受制于该地区的清洁能源消纳水平及不同地区之间的电网协调情况。根据自然地理条件及发展需求,各地区有必要充分考虑自身清洁能源发展禀赋、建设指标、消纳水平等因素的综合影响,为推动光伏产业的可持续发展做出合理规划。
（2）从低碳减排角度,中国各省份的发展情况不一,低碳水平各有差异。整体来看,发达地区的低碳转型进程相对较快,与西部地区具有较大的发展差距。在低碳转型过程中,发达地区需要进一步发掘新兴经济增长点,加大在青海、西藏、宁夏等光照条件优越地区的技术、资金、人才投入,推动打造大型光伏发电基地,加快建设跨区电力外送通道,助力西部地区低碳转型进程。西部地区的光伏投资企业主体也鼓励开展碳排放权交易,通过市场机制推动中国碳达峰、碳中和目标的落实。
（3）按照光伏组件寿命25年计算,中国将在2030年前后出现光伏设备的回收高峰。提前部署光伏行业的可持续发展问题,强化绿色环保意识具有重要意义。目前,光伏产业上游的多晶硅生产过程中产生的废水、废气、废渣等废弃物并未有效处理,且现有技术尚不能完全解决风、光发电设备回收处理的生态环境问题。如若上述问题不能妥善解决,光伏发电行业的长远稳定发展将受到一定程度的影响。
受“双碳”目标的激励,中国风电和光伏在“十四五”期间将呈现快速发展的格局。清洁能源相关企业可能竞相推进风、光等可再生能源的发展,进而引发投资过热、资源争夺、消纳困难、报废回收等隐患。随着光伏发电装机的可建设面积逐渐减少,部分省份的未批先建等问题也日益凸显。然而,大规模的光伏基地建设有助于推动相关产业的集聚效应,并对缓解气候变化、减少环境排放具有显著的改善效益。在此背景下,本文刻画中国光伏发电的时空分布特征,揭示各省域的区域竞争格局,分析不同社会经济因素的驱动效应,测算光伏发电的潜在减排效益,力求为持续推进中国光伏产业的可持续发展,落实中国碳达峰、碳中和目标提供量化支撑和政策建议。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
United Nations Framework Convention on Climate Change, https://unfccc.int/resource/docs/convkp/conveng.pdf.

[2]
2006 IPCC Guidelines for National Greenhouse Gas Inventories, http://www.ipcc.ch/report/2006-ipcc-guidelines-for-national-greenhouse-gas-inventories/.

[3]
BP. Statistical review of world energy, 2020.

[4]
牟初夫, 王礼茂, 屈秋实, 等. 主要新能源发电替代减排的研究综述. 资源科学, 2017, 39(12): 2323-2334.

[ MOU C F, WANG L M, QU Q S, et al. Review of emission reduction research on major new energy generation. Resources Science, 2017, 39(12): 2323-2334.]

[5]
WANG Y, GAO M, WANG J, et al. Measurement and key influencing factors of the economic benefits for China's photovoltaic power generation: A LCOE-based hybrid model. Renewable Energy, 2021, 169: 935-952.

DOI

[6]
XU M, XIE P, XIE B C. Study of China's optimal solar photovoltaic power development path to 2050. Resources Policy, 2020, 65: 101541. https://doi.org/10.1016/j.resourpol.2019.101541.

DOI

[7]
SUN H, ZHI Q, WANG Y, et al. China's solar photovoltaic industry development: The status quo, problems and approaches. Applied Energy, 2014, 118: 221-230.

DOI

[8]
韩梦瑶, 熊焦, 刘卫东. 中国跨境能源贸易及隐含能源流动对比: 以“一带一路”能源合作为例. 自然资源学报, 2020, 35(11): 2674-2686.

[ HAN M Y, XIONG J, LIU W D. China's cross-border energy relations between direct trade and embodied transfers: Based on the Belt and Road energy cooperation. Journal of Natural Resources, 2020, 35(11): 2674-2686.]

DOI

[9]
王炳忠, 张富国, 李立贤. 我国的太阳能资源及其计算. 太阳能学报, 1980, (1): 5-13.

[ WANG B Z, ZHANG F G, LI L X. Solar resource energy in China. Acta Energiae Solaris Sinica, 1980, (1): 5-13.]

[10]
中国能源局. 2019年度全国可再生能源电力发展监测评价报告, 2020.

[China Energy Administration. National renewable energy power development monitoring and evaluation report 2019, 2020.]

[11]
王哲, 王飞, 刘力卿, 等. 基于多元回归分析的光伏电站太阳辐射曝辐量模型. 华北电力大学学报, 2011, 38(5): 53-58.

[ WANG Z, WANG F, LIU L Q, et al. Solar radiation model of photovoltaic power station based on multiple regression analysis. Journal of North China Electric Power University, 2011, 38(5): 53-58.]

[12]
毛爱涵, 李发祥, 杨思源, 等. 青海省清洁能源发电潜力及价值分析. 资源科学, 2021, 43(1): 104-121.

[ MAO A H, LI F X, YANG S Y, et al. Clean energy power generation potential and value in Qinghai province. Resources Science, 2021, 43(1): 104-121.]

[13]
王志春, 张新龙, 苑俐, 等. 内蒙古赤峰市太阳能资源评估与开发潜力分析. 沙漠与绿洲气象, 2021, 15(2): 106-111.

[ WANG Z C, ZHANG X L, YUAN L, et al. Anlysis of assessment and exploitation potential of solar energy resourcein Chifeng city of Inner Mongolia. Desert and Oasis Meteorology, 2021, 15(2): 106-111.]

[14]
SOBRI S, KOOHI-KAMALI S, NASRUDIN A R. Solar photovoltaic generation forecasting methods: A review. Energy Conversion & Management, 2018, 156: 459-497.

[15]
何后裕, 何华琴, 王骞, 等. 考虑碳足迹与交易的分布式光伏发电成本分摊. 电力建设, 2020, 41(6): 85-92.

[ HE H Y, HE H Q, WANG Q, et al. Cost Sharing of distributed photovoltaic power generation considering carbon footprint and transactions. Electric Power Construction, 2020, 41(6): 85-92.]

[16]
何则, 周彦楠, 刘毅. 2050年中国能源消费结构的系统动力学模拟: 基于重点行业的转型情景. 自然资源学报, 2020, 35(11): 2696-2707.

[ HE Z, ZHOU Y N, LIU Y. System dynamics simulation on China's energy consumption in 2050: Based on the policy scenarios of key industries. Journal of Natural Resources, 2020, 35(11): 2696-2707.]

DOI

[17]
LIU J, CHEN X, CAO S, et al. Overview on hybrid solar photovoltaic-electrical energy storage technologies for power supply to buildings. Energy Conversion and Management, 2019, 187(5): 103-121.

DOI

[18]
DOS SANTOS CARSTENS D D, DA CUNHA S K. Challenges and opportunities for the growth of solar photovoltaic energy in Brazil. Energy Policy, 2019, 125(2): 396-404.

DOI

[19]
董梅, 李芳芳. 低碳省区试点政策的净碳减排效应. 中国人口·资源与环境, 2020, 30(11): 63-74.

[ DONG M, LI F F. Net carbon emission reduction effect of the pilot policies in low-carbon provinces. China Population, Resources and Environment, 2020, 30(11): 63-74.]

[20]
杨学坤. 一带一路战略下中国光伏产品出口策略. 中国人口·资源与环境, 2016, 26(s1): 435-437.

[ YANG X K. Export tactics of Chinese photovoltaic products under the strategy of One Belt and One Road. China Population, Resources and Environment, 2016, 26(s1): 435-437.]

[21]
LIU D, LIU Y, SUN K. Policy impact of cancellation of wind and photovoltaic subsidy on power generation companies in China. Renewable Energy, 2021, 177: 134-147.

DOI

[22]
王海英, 程晓春, 程宏, 等. 现阶段可再生能源消纳政策的解析和思考. 中国电力企业管理, 2020, (25): 54-57.

[ WANG H Y, CHENG X C, CHENG H, et al. Analysis of renewable energy consumption policy at current stage. China Power Enterprise Management, 2020, (25): 54-57.]

[23]
ZHANG H, XU Z, ZHOU Y, et al. Optimal subsidy reduction strategies for photovoltaic poverty alleviation in China: A cost-benefit analysis. Resources, Conservation and Recycling, 2021, 166: 105352, https://doi.org/10.1016/j.resconrec.2020.105352.

DOI

[24]
HUANG Y, HUANG B, SONG J, et al. Social impact assessment of photovoltaic poverty alleviation program in China. Journal of Cleaner Production, 2021, 290: 125208, https://doi.org/10.1016/j.jclepro.2020.125208.

DOI

[25]
LIU F, LYU T. Assessment of geographical distribution of photovoltaic generation in China for a low carbon electricity transition. Journal of Cleaner Production, 2019, 212: 655-665.

DOI

[26]
AN M Y, XIONG J, WANG S Y, et al. Chinese photovoltaic poverty alleviation: Geographic distribution, economicbenefits and emission mitigation. Energy Policy, 2020, 144: 111685, https://doi.org/10.1016/j.enpol.2020.111685.

DOI

[27]
梁志峰, 夏俊荣, 孙檬檬, 等. 数据驱动的配电网分布式光伏承载力评估技术研究. 电网技术, 2020, 44(7): 9.

[ LIANG Z F, XIA J R, SUN M M, et al. Data driven assessment of distributed photovoltaic hosting capacity in distribution network. Power System Technology, 2020, 44(7): 9.]

[28]
张凌浩, 张明, 嵇文路, 等. 基于灰色关联理论和BP神经网络的分布式光伏电站运维数据虚拟采集方法. 电力建设, 2021, 42(1): 125-131.

[ ZHANG L H, ZHANG M, JI W L, et al. Virtual acquisition method for operation data of distributed PV applying the mixture of grey relational theory and BP neural work. Electric Power Construction, 2021, 42(1): 125-131.]

[29]
CHOUDHARY P, SRIBASTAVA R K. Sustainability perspectives: A review for solar photovoltaic trends and growth opportunities. Journal of Cleaner Production, 2019, 227: 589-612.

DOI

[30]
吴景辉, 张戈, 王耕. 能源富集区贸易隐含碳及隐含SO2排放转移: 以山西省为例. 自然资源学报, 2020, 35(6): 1445-1459.

[ WU J H, ZHANG G, WANG G. Study on trade embodied carbon and embodied SO2 emission transfer in energy enrichment areas: A case study of Shanxi province. Journal of Natural Resources, 2020, 35(6): 1445-1459.]

DOI

[31]
张小丽, 崔学勤, 王克, 等. 中国煤电锁定碳排放及其对减排目标的影响. 中国人口·资源与环境, 2020, 30(8): 31-41.

[ ZHANG X L, CUI X Q, WANG K, et al. Committed CO2 emissions of China's coal-fired power plants and their implications for mitigation targets. China Population, Resources and Environment, 2020, 30(8): 31-41.]

[32]
韩梦瑶, 刘卫东, 谢漪甜, 等. 中国省域碳排放的区域差异及脱钩趋势演变. 资源科学, 2021, 43(4): 710-721.

DOI

[ HAN M Y, LIU W D, XIE Y T, et al. Regional disparity and decoupling evolution of China's carbon emissions by province. Resources Science, 2021, 43(4): 710-721.]

[33]
REN F F, TIAN Z, LIU J J, et al. Analysis of CO2 emission reduction contribution and efficiency of China's solar photovoltaic industry: Based on Input-output perspective. Energy, 2020, 199(11): 74-93.

[34]
PU Y, WANG P, WANG Y, et al. Environmental effects evaluation of photovoltaic power industry in China on life cycle assessment. Journal of Cleaner Production, 2021, 278: 123993, https://doi.org/10.1016/j.jclepro.2020.123993.

DOI

[35]
LI J Y, LI S S, WU F. Research on carbon emission reduction benefit of wind power project based on life cycle assessment theory. Renewable Energy, 2020, 155(3): 456-468.

DOI

[36]
向宁, 王礼茂, 屈秋实, 等. 基于生命周期评估的海、陆风电系统排放对比. 资源科学, 2021, 43(4): 745-755.

DOI

[ XIANG N, WANG L M, QU Q S, et al. Comparison of emissions from offshore and onshore wind power systems based on life cycle assessment. Resources Science, 2021, 43(4): 745-755.]

DOI

[38]
QIU S, WANG K, LIN B, et al. Economic analysis of residential solar photovoltaic systems in China. Journal of Cleaner Production, 2021, 282: 125297, https://doi.org/10.1016/j.jclepro.2020.125297.

DOI

[37]
袁潮清, 朱玉欣. 基于动态热点的中国光伏产业政策演化研究. 科技管理研究, 2020, (14): 43-53.

[ YUAN C Q, ZHU Y X. Research on China's photovoltaic industry policy evolution based on dynamic hotspots. Science and Technology Management Research, 2020, (14): 43-53.]

[39]
YANG F F, ZHAO X G. Policies and economic efficiency of China's distributed photovoltaic and energy storage industry. Energy, 2018, 154, 221-230.

DOI

[40]
韩梦瑶, 刘卫东, 刘慧. 中国跨境风电项目的建设模式、梯度转移及减排潜力研究: 以中巴经济走廊优先项目为例. 世界地理研究, 2021, 30(3): 490-500.

[ HAN M Y, LIU W D, LIU H. Development pattern,gradient transfer and emission reduction of China's overseas wind power projects: Based on priority projects in China-Pakistan Economic Corridor. World Regional Studies, 2021, 30(3): 490-500.]

[41]
汪鹏, 王翘楚, 韩茹茹, 等. 全球关键金属-低碳能源关联研究综述及其启示. 资源科学, 2021, 43(4): 669-681.

DOI

[ WANG P, WANG Q C, HAN R R, et al. Nexus between low-carbon energy and critical metals: Literature review and implications. Resources Science, 2021, 43(4): 669-681.]

[42]
ANSELIN L. Local indicators of spatial association-LISA. Geographical Analysis, 1995, 27: 93-115.

DOI

Options
文章导航

/

〈 〉