中国区域电力企业可再生能源电力配额分配机制研究

doi:10.16381/j.cnki.issn1003-207x.2021.1115

摘要/Abstract

摘要：

气候变化和环境污染是当今世界能源与环境管理所面临的重要问题。为了缓解气候变化和环境污染问题以实现“双碳”目标，大力发展可再生能源已刻不容缓。然而，可再生能源的某些特性（如不确定性和高成本）限制了其进一步发展。许多国家开始实施可再生能源电力配额制，以进一步大力发展可再生能源。本文提出了一种基于数据驱动的可再生能源电力配额分配方法，以实现可再生能源消耗总目标。具体地，首先，利用各地区电力行业的历史生产数据构建其生产可能集，以显示不同可再生能源配额下生产的变化。然后，根据每个地区电力行业的生产技术水平，提出了一种以最大化总发电量为目标的区域电力行业间可再生能源配额分配模型，确保最大化总发电量的同时，尽可能地最小化碳排放。最后，本文通过实证研究提出了发展可再生能源的相关管理政策建议。

关键词: 可再生能源, 电力配额制, 电力配额, 生产技术, 资源配置

Abstract:

Climate change and environmental pollution are major problems in energy and environment management around the world. To relieve these two problems for “double carbon” target， it is important to develop renewable energy. However， certain characteristics of renewable energy （e.g.， uncertainty and high cost） have limited its further development. Renewable electricity standard （RES） has been widely adopted inmany countries to further develop the renewable energy. In this paper， a data-driven approach is provided to allocate a renewables quota among the regional power industries of China in order to achieve a goal for renewable energy consumption. Specifically， each regional power industry’s historical production data is used to build its own technology， which is used to show the changes of new productions with different renewables quotas. Then， based on each regional power industry’s production technology， a maximum total electricity generation model is proposed to allocate the renewables quota among regional power industries. With maximizing total electricity generation as the primary goal， the proposed model also is able to minimize the total carbon emission as a secondary goal approach. Through empirical research， the following management suggestions are provided for the development of renewable energy：（1） In order to solve the energy supply and demand contradiction between high production and low consumption， it is necessary to accelerate the development of trans-provincial and trans-regional renewable energy transmission technology and improve transmission capacity （2） In the economically developed eastern region， the way to fulfill the responsibility weight of renewable power should be inclined to other ways except production （such as purchasing green certificates， purchasing renewable power， etc.）. （3） In coordination with the planning of renewable energy power quota system and emission reduction targets.

Key words: renewable energy, renewable electricity standard, renewables quota, production technology, resource allocation

中图分类号:

F205

朱庆缘,陈希凡,陈杰, 等. 中国区域电力企业可再生能源电力配额分配机制研究[J]. 中国管理科学, 2024, 32(9): 292-302.

Qingyuan Zhu,Xifan Chen,Jie Chen, et al. Renewables Quota Allocation among Regional Power Industries under the Policy of Renewable Electricity Standard[J]. Chinese Journal of Management Science, 2024, 32(9): 292-302.

图/表 10

表1

研究模型中使用的符号"

符号	含义
$X ? i j$	DMU _j 将使用的新输入i
$R ? z j$	DMU _j 将生产的新可再生电力z
$N ? c j$	DMU _j 将生产的新不可再生电力c
$B ? l j$	DMU _j 将生产的新非期望输出l
$λ j t$	t时期的DMU _j 对应的乘数变量
$α j$	分配给DMU _j 的可再生能源配额

表1

表2

表3

表4

表5

基于α=27%的新生产计划和可再生能源配额分配结果"

DMUs	投入		期望产出		非期望产出	$α j$ （%）
DMUs	可再生电力装机容量	不可再生电力装机容量	可再生电力	不可再生电力	CO₂	$α j$ （%）
天津	98.0	1402.0	12.1	584.0	4640.5	2.0
上海	32.7	2127.0	7.8	963.0	7434.3	0.8
江苏	1828.0	9430.0	230.0	4481.0	33648.2	4.9
北京	132.0	971.0	16.1	419.0	1592.0	3.7
山东	2220.8	10335.0	245.7	4615.0	35821.3	5.1
安徽	1415.0	5053.0	160.0	2311.0	17464.8	6.5
河南	1335.0	6544.0	174.0	2528.0	21658.1	6.4
陕西	1706.0	6366.0	263.0	2503.0	21673.9	9.5
陕西	1048.0	3144	176.0	1427.0	10116.7	11.0
河北	2231.0	4574.0	360.0	2296.0	17308.7	13.6
浙江	1934.9	6109.0	302.0	2482.2	17845.5	10.8
广东	1796.0	7721.0	481.0	2850.0	20963.7	14.4
辽宁	1229.0	3193.0	207.0	1349.0	13898.5	13.3
黑龙江	767.0	2201.0	138.7	816.0	7769.1	14.5
海南	191.0	465.0	35.0	195.0	1689.6	15.2
宁夏	1605.0	2583.0	247.0	1158	11228.8	17.6
内蒙古	3655.0	8170.0	688.0	3736.0	42624.0	15.6
新疆	3472.0	5207.0	681.0	2349.0	22404.9	22.5
江西	1233.0	1934.0	218.0	967.0	6961.8	18.4
吉林	823.0	1694.0	182.9	590.0	7249.1	23.7
福建	1545.0	2902.0	682.5	915.0	7360.7	42.7
重庆	781.0	1544.0	260.2	467.0	3520.8	35.8
广州	2382.0	2684.0	860.2	1071.0	6444.8	44.5
湖南	1800.0	2322.0	600.7	732.0	5364.7	45.1
甘肃	2936.0	2059.0	635.0	707.0	6264.9	47.3
湖北	4337.0	2787.0	1570.0	1075.0	7487.2	59.4
广西	1697.2	1652.0	768.5	544.0	3815.9	58.6
青海	2144.0	399.0	463.0	153.0	1424.6	75.2
四川	8059.0	1662.0	3215.0	354.0	2496.8	90.1
云南	7344.0	1613.0	2718.0	240.0	2314.1	91.9

表5

图1

图2

图3

图4

表6

实际完成情况、消纳责任权重和模型配额 (%)"

区域	占比均值 (2013-2017)	实际完成 (2018)	可再生电力消纳责任权重（2018）		目标
区域	占比均值 (2013-2017)	实际完成 (2018)	最小	激励性	$α = 27 %$	$α = 30 %$
天津	1.3	11.4	11.0	12.1	2.0	2.8
上海	1.4	32.1	31.5	34.9	0.8	2.8
江苏	2.9	14.7	12.5	13.7	4.9	5.2
北京	3.1	13.2	11.0	12.1	3.7	5.4
山东	3.4	9.9	9.5	10.4	5.1	5.3
安徽	4.1	14.9	13.0	14.3	6.5	7.2
河南	4.8	16.9	13.5	14.9	6.4	7.1
陕西	6.2	16.4	15.0	16.5	9.5	9.6
陕西	7.9	20.3	17.5	19.2	11.0	13.0
河北	9.6	12.2	11.0	12.1	13.6	15.4
浙江	9.7	17.8	18.0	19.8	10.9	13.1
广东	11.2	32.9	31.0	34.2	14.4	16.2
辽宁	11.4	14.2	12.0	13.2	13.3	16.0
黑龙江	11.8	19.4	19.5	21.5	14.5	18.4
海南	12.4	13.6	11.0	12.1	15.2	21.2
宁夏	12.8	25.2	20.0	22.2	17.6	21.0
内蒙古	13.1	18.6	18.5	20.4	15.6	16.6
新疆	17.7	26.8	21.0	23.1	22.5	23.3
江西	17.9	22.9	23.0	25.1	18.4	26.6
吉林	20.1	24.9	20.0	22.0	23.7	30.4
福建	30.9	19.0	17.0	18.7	42.7	47.3
重庆	34.6	45.9	47.5	52.1	35.8	45.3
广州	38.2	36.2	33.5	36.9	44.5	50.4
湖南	40.6	42.1	46.0	50.5	45.1	52.0
甘肃	42.9	48.4	44.0	48.4	47.3	55.0
湖北	50.1	46.0	51.0	56.2	58.6	66.8
广西	57.0	38.0	39.0	43.0	59.4	65.2
青海	76.4	78.2	70.0	77.0	75.2	83.8
四川	85.2	81.9	80.0	88.0	90.1	93.1
云南	86.7	83.4	80.0	88.0	91.9	91.9

表6

参考文献 41

1	Song M L， Xie Q J， Wang S H， et al. Intensity of environmental regulation and environmentally biased technology in the employment market［J］. Omega， 2021，100：102201.
2	Zhu Q Y， Li X C， Li F， et al. The potential for energy saving and carbon emission reduction in China’s regional industrial sectors［J］. Science of The Total Environment， 2020， 716： 135009.
3	Zhu Q Y， Li X C， Li F， et al. Energy and environmental efficiency of China's transportation sectors under the constraints of energy consumption and environmental pollutions［J］. Energy Economics， 2020， 89： 104817.
4	Sergi B， Azevedo I， Xia T， et al. Support for emissions reductions based on immediate and long-term pollution exposure in China［J］. Ecological Economics， 2019， 158： 26-33.
5	Zhou P， Wang M. Carbon dioxide emissions allocation： A review［J］.Ecological Economics， 2016，125： 47-59.
6	Athanassopoulos A D. Goal programming & data envelopment analysis （GoDEA） for target-based multi-level planning： Allocating central grants to the Greek local authorities［J］. European Journal of Operational Research， 1995， 87（3）： 535-550.
7	李晓亚，崔晋川.基于DEA方法的额外资源分配算法［J］.系统工程学报， 2007， 22（1）： 57-61+3.
	Li X Y， Cui J C. Arithmetic of extra resource allocation based on DEA method［J］. Journal of Systems Engineering，2007，22（1）：57-61+73.
8	丁晶晶，毕功兵，梁樑.并联系统资源和目标配置双准则DEA模型［J］.管理科学学报， 2013， 16（1）： 10-21.
	Ding J J， Bi G B， Liang L. Bi-criteria DEA model for resource allocation and target setting in parallel production system［J］. Journal of Management Science in China，2013，16（1）：10-21.
9	Asmild M， Paradi J C， Pastor J T. Centralized resource allocation BCC models［J］. Omega， 2009， 37（1）： 40-49.
10	Cherchye L， Rock B D， Dierynck B， et al. Opening the ‘black box’ of efficiency measurement： Input allocation in multioutput settings［J］. Operations Research， 2013， 61（5）： 1148-1165.
11	Du J， Cook W D， Liang L， et al. Fixed cost and resource allocation based on DEA cross-efficiency［J］. European Journal of Operational Research， 2014， 235（1）： 206-214.
12	王荧，王应明. 基于未来效率的兼顾公平与效率的资源分配DEA模型研究——以各省碳排放额分配为例［J］. 中国管理科学， 2019， 27（5）： 161-173.
	Wang Y， Wang Y M. Study on resource allocation DEA model based on the future efficiency with consideration of efficiency & equity： An application in distribution of carbon emission rights in each chinese province［J］. Chinese Journal of Management Science，2019，27（5）：161-173.
13	Fang L. Centralized resource allocation based on efficiency analysis for step-by-step improvement paths［J］. Omega， 2015， 51： 24-28.
14	Wu J， Zhu Q Y， An Q X， et al. Resource allocation based on context-dependent data envelopment analysis and a multi-objective linear programming approach［J］. Computers & Industrial Engineering， 2016， 101： 81-90.
15	Gomes E G， Lins M P E. Modelling undesirable outputs with zero sum gains data envelopment analysis models［J］. Journal of the Operational Research Society， 2008， 59（5）： 616-623.
16	林坦，宁俊飞.基于零和DEA模型的欧盟国家碳排放权分配效率研究［J］. 数量经济技术经济研究， 2011， 28（3）： 36-50.
	Lin T， Ning J F. Study on allocation efficiency of carbon emissionpermit in EUETS based on ZSG-DEA model［J］. The Journal of Quantitative & Technical Economics， 2011，28（3）：36-50.
17	Wu J， Zhu Q Y， Chu J F， et al. A DEA-based approach for allocation of emission reduction tasks［J］. International Journal of Production Research， 2016， 54（18）： 5618-5633.
18	Guo X D， Zhu L， Fan Y， et al. Evaluation of potential reductions in carbon emissions in Chinese provinces based on environmental DEA［J］.Energy Policy， 2011， 39（5）： 2352-2360.
19	Zhou P， Sun Z R， Zhou D Q. Optimal path for controlling CO₂ emissions in China： A perspective of efficiency analysis［J］. Energy Economics， 2014， 45： 99-110.
20	崔玉泉，张宪，芦希，等.随机加权交叉效率下的资源分配问题研究［J］.中国管理科学，2015，23（1）： 121-127.
	Cui Y Q， Zhang X， Lu X， et al. Research theresource allocationproblem in stochastic weighted cross efficiency［J］. Chinese Journal of Management Science，2015，23（1）：121-127.
21	Feng C P， Chu F， Ding J J， et al. Carbon emissions abatement （CEA） allocation and compensation schemes based on DEA［J］. Omega， 2015， 53： 78-89.
22	Yu A Y， You J X， Rudkin S， et al. Industrial carbon abatement allocations and regional collaboration： Re-evaluating China through a modified data envelopment analysis［J］.Applied Energy，2019，233-234：232-243.
23	Wang B J， Zhao J L， Wu Y F， et al. Allocating on coal consumption and CO₂emission from fair and efficient perspective： Empirical analysis on provincial panel data of China［J］. Environmental Science and Pollution Research， 2019， 26（18）： 17950-17964.
24	王文举. 中国省级区域初始碳配额分配方案研究——基于责任与目标、公平与效率的视角［J］.管理世界， 2019， 35（3）： 81-98.
	Wang W J. Study on the allocation plan of initial carbon allowances in China's province-level regions：Based on the perspective of responsibility and goals， fairness and efficiency［J］. The Journal of Quantitative & Technical Economics，2019，35（3）：81-98.
25	Tamás M M， Shrestha S B， Zhou H Z. Feed-in tariff and tradable green certificate in oligopoly［J］. Energy Policy， 2010， 38（8）： 4040-4047.
26	叶泽，吴永飞，张新华，等. 需求响应下解决交叉补贴的阶梯电价方案研究——基于社会福利最大化视角［J］. 中国管理科学， 2019， 27（4）： 149-159.
	Ye Z， Wu Y F， Zhang X H， et al. Research on the inclining block tariffs scheme for solving cross-subsidy under demand response： Based on the perspective of maximizing social welfare［J］. Chinese Journal of Management Science，2019，27（4）：149-159.
27	Sun P， Nie P Y. A comparative study of feed-in tariff and renewable portfolio standard policy in renewable energy industry［J］. Renewable Energy， 2015， 74： 255-262.
28	Pineda S， Bock A. Renewable-based generation expansion under a green certificate market［J］. Renewable Energy， 2016， 91： 53-63.
29	吕燕. 基于供应链协同的可再生能源政策评估研究［J］. 管理世界， 2015， 000（12）： 180-181.
	Lv Y. Research on renewable energy policy evaluation based on supply chain collaboration［J］. Management World，2015（12）：180-181.
30	Kök A G， Shang K， Yücel Ş. Impact of electricity pricing policies on renewable energy investments and carbon emissions［J］.Management Science， 2018， 64（1）： 131-148.
31	李力，朱磊，范英.不确定条件下可再能源项目的竞争性投资决策［J］.中国管理科学， 2017， 25（7）： 11-17.
	Li L， Zhu L， Fan Y. Competitive investment strategy for renewable power generation under uncertainty［J］. Chinese Journal of Management Science，2017，25（7）：11-17.
32	Zhao X G， Ren L Z， Zhang Y Z， et al. Evolutionary game analysis on the behavior strategies of power producers in renewable portfolio standard［J］. Energy， 2018， 162： 505-516.
33	Sunar N， Birge J R. Strategic commitment to a production schedule with uncertain supply and demand： Renewable energy in day-ahead electricity markets［J］. Management Science， 2019， 65（2）： 714-734.
34	Goodarzi S， Aflaki S， Masini A. Optimal feed‐in tariff policies： The impact of market structure and technology characteristics［J］. Production and Operations Management， 2019， 28（5）： 1108-1128.
35	Banker R D， Charnes A， Cooper W W. Some models for estimating technical and scale inefficiencies in data envelopment analysis［J］. Management Science， 1984， 30（9）： 1078-1092.
36	Koopmans T C. Analysis of production as an efficient combination of activities［J］. Activity Analysis of Production and Allocation， 1951， 13： 33-97.
37	Tyteca D. Linear programming models for the measurement of environmental performance of firms—concepts and empirical results［J］. Journal of Productivity Analysis， 1997， 8（2）： 183-197.
38	Shi G M， Bi J， Wang J N. Chinese regional industrial energy efficiency evaluation based on a DEA model of fixing non-energy inputs［J］. Energy Policy， 2010， 38（10）： 6172-6179.
39	Lin W B， Yang J， Chen B. Temporal and spatial analysis of integrated energy and environment efficiency in China based on a green GDP index［J］. Energies， 2011， 4（9）： 1376-1390.
40	Seiford L M， Zhu J. Modeling undesirable factors in efficiency evaluation［J］. European Journal of Operational Research， 2002， 142（1）： 16-20.
41	Zhu Q Y， Wu J， Li X C， et al. China’s regional natural resource allocation and utilization： A DEA-based approach in a big data environment［J］. Journal of Cleaner Production， 2017， 142： 809-818.

投入/产出	变量	单位
投入	可再生能源装机容量	10⁴kW
投入	不可再生能源装机容量	10⁴kW
期望产出	可再生能源电力	10⁸kWh
期望产出	不可再生能源电力	10⁸kWh
非期望产出	二氧化碳排放量	10⁴t

碳排放量参数	原油	汽油	煤油	柴油	燃料油	天然气
能量热值换算系数（T_k ）	20908 kJ/kg	43070 kJ/kg	43070 kJ/kg	42652 kJ/kg	41816 kJ/kg	38931 kJ/m³
碳排放系数（C_k ）	25.8 kgC/GJ	19.1 kgC/GJ	19.6 kgC/GJ	20.2 kgC/GJ	21.1 kgC/GJ	15.3 kgC/GJ
碳氧化因子（R_k ）	1	1	1	1	1	1

年份	统计量	投入		期望产出		非期望产出
年份	统计量	可再生电力装机容量	不可再生电力装机容量	可再生电力	不可再生电力	CO₂
2013年	均值	1237.90	2897.69	349.48	1408.07	12065.26
	中位数	823.00	2127.00	179.20	1031.00	7707.03
	标准差	1274.60	2079.13	473.79	1073.28	9287.06
	最大值	5280.30	7555.00	2023.80	4174.00	36440.53
	最小值	25.60	235.00	5.80	136.00	1402.26
2014年	均值	1408.90	3082.86	416.47	1423.14	11693.55
	中位数	791.10	2138.00	146.70	997.00	7595.48
	标准差	1502.73	2217.05	606.79	1145.15	9334.44
	最大值	6327.40	8073.00	2582.50	4383.00	38271.61
	最小值	34.70	242.00	6.51	131.00	1349.01
2015年	均值	1596.53	3321.24	445.85	1387.55	11400.89
	中位数	1024.50	2261.00	184.40	1026.00	7254.73
	标准差	1672.31	2398.48	641.54	1150.33	9839.17
	最大值	7048.40	8754.00	2779.20	4484.00	37819.29
	最小值	42.10	318.00	6.80	120.00	1156.15
2016年	均值	1795.44	3492.38	492.16	1416.52	11435.50
	中位数	1401.80	2322.00	229.00	915.00	7247.39
	标准差	1748.82	2513.81	682.25	1201.56	10304.67
	最大值	7467.00	9540.00	3021.00	4671.00	38557.64
	最小值	90.00	402.00	9.13	151.00	1377.31
2017年	均值	2065.92	3629.17	530.71	1490.00	12207.73
	中位数	1706.00	2583.00	260.20	1075.00	7593.39
	标准差	1817.54	2657.80	733.80	1244.32	10707.63
	最大值	8059.00	10335.00	3215.00	4615.00	42623.96
	最小值	98.00	399.00	12.10	153.00	1352.72

[1]	曹柬, 陈锦义, 邵勤. 可再生能源配额制下能源企业技术投入与合作研究[J]. 中国管理科学, 2025, 33(9): 291-300.
[2]	陈威, 田永乐, 白春光, 马永开. 考虑极端天气的电力供应链可再生能源维护策略研究[J]. 中国管理科学, 2025, 33(9): 359-368.
[3]	孙中苗, 徐琪. 区块链技术下政府对可再生能源电力消纳的动态激励补贴研究[J]. 中国管理科学, 2025, 33(7): 346-359.
[4]	曾庆华,宗刚. 城市多级公交线路优化设计研究[J]. 中国管理科学, 2024, 32(9): 121-130.
[5]	姚黎明,徐忠雯,卢浩钧,陈旭东. 基于二层鲁棒优化的流域水资源全局均衡配置：以黑河为例[J]. 中国管理科学, 2024, 32(8): 285-296.
[6]	代业明,孙锡连,齐尧,段金鹏. 考虑双重不确定性和用户负效用的多目标双层售电商决策[J]. 中国管理科学, 2024, 32(7): 163-171.
[7]	王林,顾生辉,索玮岚. 韧性导向下考虑多重关联的城市关键基础设施防护-修复资源配置研究[J]. 中国管理科学, 2024, 32(6): 301-311.
[8]	程承,安润飞,董康银,任晓航,王震,赵国浩. 碳交易机制引导下可再生能源发电企业创新策略研究[J]. 中国管理科学, 2024, 32(3): 82-94.
[9]	刘新建, 宋中炜, 吴洁. 碳中和目标下能源经济系统转型：碳定价与可再生能源政策作用有多大？[J]. 中国管理科学, 2024, 32(11): 325-334.
[10]	李惠,王熙,左治亚. 多目标下航天产品生产车间柔性资源配置与调度集成优化[J]. 中国管理科学, 2024, 32(10): 146-155.
[11]	陈威,田永乐,马永开,白春光. 可再生能源储能租赁模式对电力质量和电价决策的影响[J]. 中国管理科学, 2024, 32(1): 309-318.
[12]	肖丽萍, 李加莲, 邵雪焱, 池宏. 分级诊疗下基于排队网络的医联体系统优化[J]. 中国管理科学, 2023, 31(9): 186-195.
[13]	崔维伟,刘新波. 多源供电模式下企业生产运作与能源管理集成优化研究[J]. 中国管理科学, 2023, 31(8): 173-183.
[14]	陈威, 马永开, 白春光. 基于碳限额与交易机制的上下游企业可再生能源投资策略研究[J]. 中国管理科学, 2023, 31(1): 70-80.
[15]	周德群, 周显扬, 丁浩. 多市场协同下的可再生能源电力竞价策略研究[J]. 中国管理科学, 2023, 31(1): 248-255.