在中国实现“双碳”目标背景下的光伏产业光明前景：基于光伏发电厂生命周期的潜力评估

《Journal of Cleaner Production》：The bright prospect of China's photovoltaic under the double carbon goal: A potential assessment based on the life cycle of photovoltaic power plants

　　•我们开发了一个主观和客观相结合的土地适宜性评估框架。
•中国26.26%的土地适合集中式光伏开发。
•集中式光伏的潜力是电力需求的54倍。
•集中式光伏开发可以实现中国的碳中和目标。
•未来集中式光伏的潜力相当于当前值的1.5倍。

引言
全球范围内的经济活动正在快速增长，这加剧了能源消耗（Giganti等人，2025年）。为了满足日益增长的能源需求，人类对化石燃料资源的消耗持续增加，这与《巴黎协定》的目标背道而驰（Giamalaki和Tsoutsos，2019年；Meinshausen等人，2022年）。为了将全球变暖控制在2°C以下，所有国家必须合作，在本世纪下半叶实现全球碳中和（Wang等人，2023年）。对于发展中国家来说，脱碳的挑战比发达国家更大（Heuberger和Dowell，2018年）。作为最大的发展中国家，中国占全球碳排放量的33%。中国已经表示决心在2060年前实现碳中和（Duan等人，2021年）。要实现这一目标，需要加快向可再生能源的转型（Huang和Zhai，2021年）。由于太阳能的广泛可用性、丰富的储备以及无污染的特性，它成为向清洁能源转型的主要驱动力（Cranmer等人，2020年）。中国的太阳能光伏（PV）产业正在快速发展。到2025年底，已安装的光伏容量达到了1201.73吉瓦，但光伏发电仅占中国总发电量的12.0%，因此还有很大的扩展空间（国家能源局，2026年）。在能源转型的背景下，中国的光伏行业预计将持续扩张，甚至可能加速（Li等人，2024年）。尽管政策强调“集中式和分布式可再生能源的共同发展”，但集中式光伏（CPV）相比分布式光伏需要更大的土地面积，从而导致更激烈的土地使用冲突（中华人民共和国国家发展和改革委员会）。提高能源效率可以促进可持续转型（Giganti和Falcone，2025年）。因此，明确中国光伏电站当前和未来的发展方向及其潜力对于支持实现碳中和目标具有重要意义。

尽管光伏电站可以减少对化石燃料的依赖，但它们对土地的广泛占用引发了关于技术经济利益与社会环境考量之间权衡的担忧（Mongird等人，2025年）。为了在最小化投入和负面影响的同时最大化资源利用，有必要严格评估潜在适合建设光伏电站的土地（Yin等人，2017年）。光伏土地适宜性评估是一个复杂的过程，需要综合考虑许多看似矛盾的因素（Szabó等人，2021年）。多标准决策（MCDM）与地理信息系统（GIS）的结合是解决这一问题的广泛认可的方案（Vagiona，2021年）。层次分析法（AHP）是最常用的MCDM方法，用于衡量关键标准的重要性。它允许专家通过成对比较来协同判断标准的相对重要性，以得出共识权重（Saaty，1990年）。这种方法可以简化复杂问题并使其数字化，同时考虑定性和定量标准。然而，由于它依赖于研究区域的具体条件和专家经验，最佳解决方案相对主观且具有区位性（Raza等人，2023年）。这就像一把“双刃剑”：过度依赖主观专家判断和当地条件使得为其他地区提供可靠参考变得困难。一种可能的解决方案是引入基于地理数据的模型（Liu等人，2021年）。一些最近的研究采用了基于机器学习的建模框架来进行可再生能源选址（Bilgili等人，2024年）。然而，这些方法严重依赖于手动特征和建模所需的样本量，在复杂场景中经常面临挑战（Tao等人，2025年）。地理探测器（GD）在流行病学、重金属污染、环境变化和物种分布等领域被广泛使用，但其与光伏领域的结合仍处于起步阶段（Han等人，2021年；Zhao等人，2020年）。GD可以分析光伏的空间分布并揭示其背后的驱动力（Wei等人，2023年）。它更适合大规模复杂场景的分析。通过将AHP方法与GD方法结合，可以减轻光伏选址过程中的主观依赖性。这两种方法可以分别从主观和客观的角度获得输入指标的权重，明确指标的重要性，并为决策提供更全面的指导。

对中国光伏潜力的全面评估对于构建主要以清洁能源为基础的新能源系统至关重要（Tang等人，2023年）。由于光伏发电受气象条件和地理位置的影响，在选址过程中通常会考虑相关因素（Feron等人，2021年；Qiu等人，2022年）。气象标准直接影响光伏系统的发电量，而土地使用与国家政策密切相关。在大多数情况下，它们具有较高的优先级（Günen，2021年）。虽然基于当前自然条件和土地使用的光伏选址研究可以为有效部署提供指导，但很少有研究考虑到光伏电站的生命周期大约为30年（Chen等人，2024年）。越来越多的证据表明，太阳能容易受到未来气候变化的影响（Gernaat等人，2021年）。气候变化和光伏电站运行期间的土地转换可能会对其性能产生显著影响。目前适合建设CPV的地区在未来可能变得不再适合（AlSkaif等人，2020年）。因此，有必要考虑土地适宜性在光伏系统整个生命周期中的变化。那些始终保持高适宜性的土地可能是最真正合适的。忽视未来气候变化和光伏系统生命周期的影响可能会限制土地适宜性和光伏发展潜力的成功评估。耦合模型比较项目第六阶段（CMIP6）使用全球气候模型来模拟高分辨率的未来气候变化，特别是在改进的社会经济路径（SSPs）背景下。这些代表了迄今为止最复杂的场景，从而提供了在考虑气候变化影响的同时研究未来光伏选址的机会（Dutta等人，2022年）。由于需要考虑土地使用变化，这使得任务更加复杂，而土地使用变化是对未来气候变化最重要的影响因素之一，同时也容易受到气候变化的影响（Kalnay和Cai，2003年）。结合未来气候变化和土地使用变化来评估不同未来发展情景下的光伏潜力，可以为实现碳中和提供参考。

随着光伏产业的发展，光伏选址和潜力评估的研究也在深化，但仍存在挑战。首先，关于光伏选址方法，很少有研究考虑到了光伏发展的现状（已经建成的光伏设施），一些方法倾向于主观评估，从而导致不确定性并降低普遍性（Shriki等人，2023年；Tafula等人，2023年）。其次，大多数潜力评估仅通过限制条件识别出适合光伏发展的土地，而没有评估适宜性的程度。因此，虽然这些研究确认光伏潜力超过了电力需求，但尚不清楚应优先开发哪些土地（Yin等人，2025年）。当前的方法在评估潜力时通常将土地视为同质资源，而不是在不同地区具有不同适宜性的差异化资产（Demir等人，2023年；Saraswat等人，2021年）。最后，大多数光伏选址研究忽略了光伏电站的长期生命周期，只关注当前的适宜性（Jbaihi等人，2022年）。然而，未来气候变化对土地适宜性和发展潜力的影响至关重要。本研究旨在探索当前和未来光伏建设适宜土地的变化，并基于此评估每个时期的发展潜力。为了解决这些问题，本研究开发了一种科学评估方法，通过结合主观和客观因素来评估土地的适宜性。本研究评估了2020年（代表当前情景和光伏电站实施的初期阶段）和2050年（代表未来情景和光伏电站实施的最终阶段）的光伏潜力，考虑了土地适宜性水平和未来变化。选择2020年和2050年的原因如下：（1）2020年是碳峰值和碳中和目标发布的年份；（2）SSP情景数据的可用性；（3）光伏系统的生命周期为30年。研究结果为光伏选址提供了理论、实证和技术支持，这对于在中国这种土地使用竞争激烈的背景下成功分配土地至关重要。主要目标是：
1. 通过考虑光伏系统的当前发展状况并通过结合主观和客观组件来评估土地适宜性，构建一个具有高通用性的GIS-MCDM-GD模型。
2. 量化并分类2020年和2050年中国光伏系统的土地适宜性，并绘制适宜性地图，以明确光伏电站的发展方向。
3. 在评估光伏发展潜力时考虑生命周期、土地适宜性水平和未来变化。

材料与方法
本研究整合了GIS、MCDM和GD方法，开发了一个结合主观和客观评估的模型。该模型全面评估了中国光伏电站当前和未来的土地适宜性、技术潜力及二氧化碳减排潜力，考虑了早期（2020年）和后期（2050年）实施阶段之间的变化。工作流程包括五个阶段（图1）。

1. 标准选择：标准从四个角度选取：气候、地理

标准权重
表S2总结了通过AHP方法确定的子标准的主观权重。在四个主要标准中，气候标准获得了最高的主体权重（0.6590），因为它被认为是决定光伏电站土地适宜性的最重要因素。其次是环境和地理标准，而经济标准的权重最低。在13个子标准中，前五个子标准获得了最高的主体权重。

GIS-MCDM-GD模型的优势
本研究开发了一个GIS-MCDM-GD模型，结合了主观和客观评估来权衡影响光伏选址的因素。该模型在评估土地适宜性方面证明了其有效性，并应用于中国的光伏实证研究。在模型中，每个子标准分别根据AHP和GD方法分配了主体和客观权重。结果揭示了两种方法得出的权重之间的差异（表3）。

结论
中国提出的“双碳”战略为太阳能光伏的发展提供了前所未有的机会，特别是集中式光伏电站。通过结合主观和客观方法，并考虑未来气候变化、技术进步和土地适宜性水平，本研究评估了中国的土地适宜性和光伏潜力，确定了其发展方向和巨大潜力。结果表明，大多数子标准之间的相互作用更为强烈。

作者贡献声明
Ruijing Wang：撰写——审阅与编辑、撰写——初稿、可视化、软件、方法论、概念化。
Jirui Gong：撰写——审阅与编辑、指导、资源、概念化。
Siqi Zhang：软件。
Weiyuan Zhang：指导。
Xuede Dong：方法论。
Guisen Yang：调查。
Chenyi Yan：调查。
Shangpeng Zhang：调查。
Tong Wang：调查。
Yaohong Yu：软件。
Qin Xie：调查。

资助
本研究得到了中国国家重点研发计划（项目编号2022YFF1303404）和内蒙古自治区重大科技项目的支持。

利益冲突声明
作者声明他们没有已知的利益冲突或个人关系可能影响本文报告的工作。

致谢
作者感谢国家地表过程与资源生态学重点实验室分析与测试中心的所有成员提供的技术支持。