《Sustainable Energy Technologies and Assessments》:Post-subsidy offshore wind: Environmental and economic efficiency trade-offs from 93 farms in China
编辑推荐:
摘要全球变暖推动了海上风电的发展,但中国补贴的逐步退出要求提升效率。我们采用超SBM-GML模型和SHAP分析,评估了2021年至2024年中国93个海上风电场的多维效率。多维效率显示出显著的空间时间异质性。年均生产效率介于0.660至0.674之间,中国南方较高。约62.5
摘要
全球变暖推动了海上风电的发展,但中国补贴的逐步退出要求提升效率。我们采用超SBM-GML模型和SHAP分析,评估了2021年至2024年中国93个海上风电场的多维效率。多维效率显示出显著的空间时间异质性。年均生产效率介于0.660至0.674之间,中国南方较高。约62.5%的长三角风电场展现出高效的效率增长。环境效率较高,尤其是东南沿海地区,而经济效率相对落后。超过60%的风电场经济效率较低,补贴退出的第一年出现3.03%的下降。容量因子与所有四个效率维度呈正相关,贡献阈值范围为0.32至0.41。领先的风机品牌和中央国有企业实现了更优的环境效率。"干中学"效应与效率之间呈现维度异质性关联。装机容量、GDP和产业结构与各效率维度之间呈现非线性关系。交互分析表明,在非中央国有企业项目中,高容量因子与环境效率表现出更强的正相关性。容量因子、"干中学"和规模扩张共同与综合效率呈正相关关系。这些发现支持中国海上风电从规模优先向质量和效率驱动发展的转型。
引言
气候变化和能源安全日益引起关注,使可再生能源部署成为全球能源转型的战略优先事项。在众多选择中,海上风电凭借其可观的开发潜力、相对稳定的风资源以及巨大的碳减排能力而脱颖而出[1]、[2]、[3]。根据国际能源署预测,全球海上风电装机容量将在2025年至2030年间增加140 GW,超过前五年新增装机容量的两倍[4]。在此背景下,中国迅速扩大海上风电部署,目前已拥有全球最大的累计装机容量。截至2025年底,中国累计海上风电装机容量的达到48.4 GW,约占全球的52%[5]。尽管扩张迅速,中国的海上风电行业仍面临并网[6]、海上风电价值链各环节协调[7]以及极端风况下海上风电系统的韧性[8]等制约因素。因此,评估中国海上风电场(OWF)的效率对于识别低效来源并制定更有针对性的政策至关重要。
现有关于中国风电场效率的研究主要集中在陆上项目,涵盖技术、环境和经济维度。在技术效率方面,赵和魏[9]采用四阶段DEA模型对中国风电企业(2011-2015年)进行了研究,其平均技术效率得分为32.5%,并指出规模不经济是低效的主要来源。在环境效率方面,杨等[10]采用自下而上的物质流模型量化了中国风电行业(1989-2018年)的物质效率,而田等[11]使用EBM DEA模型评估区域效率(2013-2017年),显示CO2减排效率较高且与装机容量效率一致。在经济效率方面,李和王[12]使用DEA-Malmquist模型考察了资本筹集和配置,发现融资效率波动较大且核心技术创新能力有限。
尽管海上风电的成本高于陆上风电,但它受益于更强更稳定的风力,可容纳更大的风机以实现规模经济,减少沿海社区噪声干扰,并产生显著的环境协同效益[13]、[14]、[15]、[16]、[17]。这些优势共同推动了全球海上风电的快速发展。在此增长中,研究主要聚焦于不同空间尺度上的资源评估和选址[18]、[19]、[20]。少数研究考察了效率。Ederer[21]对欧洲海上风电场应用DEA分析,发现纯技术效率与规模效率之间存在显著差异。Yi-Chia等[22]使用SE-DEA和Tobit回归评估了台湾海上风电企业,报告2019年环境效率较高。Akbari等[23]将多维指标纳入欧洲五国71个海上风电场的DEA模型,获得平均CCR效率约87%。最近,林等[24]评估了中国122个海上风电项目(2010-2024年),揭示技术和规模效率分别呈现U型和S型演变模式,在国家层面上产业发展为主导因素,在省级层面上则为资源禀赋与基础设施。
然而,现有研究单独考察各效率维度并采用不同方法。其中,DEA广泛应用于能源研究,因为它能处理多种投入和产出[25]、[26]。传统DEA无法对有效单元进行排序或考虑松弛和不利产出。超SBM解决了这些局限性,而GML指数确保了循环性并避免了不可行性。孟和曲[27]将此方法应用于中国29个省份(2011-2018年),发现绿色能源效率下降缓慢且区域差距大。尹等[28]考察了30个地区(2012-2023年)的电力部门,报告中国东部和西部地区的绿色全要素生产率高于中部地区。然而,此方法在中国海上风电中的应用仍然罕见。很少有研究考察效率的决定因素,那些有研究通常先用DEA估计效率得分,再采用Tobit回归识别影响因素。吴等[29]将此方法应用于中国42个大型风电场,确定装机容量和风功率密度为关键因素。Sa?lam[30]评估了236个美国公用事业规模风电场,发现风机品牌显著影响生产效率。虽然这些方法对显著性检验有用,但存在自由度有限、遗漏变量偏误和多重共线性等问题。
近年来,SHapley加性解释(SHAP)分析作为一种识别影响因素的新工具应运而生。SHAP因其能量化特征贡献的幅度和方向,并揭示预测变量与模型输出之间的非线性关系而被广泛应用于各学科[31]、[32]、[33]。何等[34]使用SHAP考察了气候和景观格局对城市碳汇的影响。适中的温度、充足的降水和充足的光照增加了碳汇容量,而气候与景观之间的交互作用在不同空间上有所差异。李等[35]结合XGBoost和SHAP考察了中国19个一线城市碳排放的八个驱动因素,确定了人口规模、能源强度、技术创新、公共交通和经济发展为关键决定因素,其影响在不同城市类型中有所差异。然而,此方法尚未用于解释中国海上风电场之间的效率差异,也没有研究同时评估多维效率。
在此,我们结合超SBM模型和GML指数,衡量和比较了2021年至2024年中国93个海上风电场的生产、经济、环境和综合效率。超SBM模型考虑了投入和产出的松弛,并进一步区分有效海上风电场,而GML指数采用共同的全球生产技术上确保跨时期可比性。两者的结合因此支持多效率维度下的静态比较和动态生产率评估。然后我们应用SHAP量化八个因素对预测效率得分的贡献幅度,并考察其非线性关联和交互作用。与现有文献中常用的两阶段Tobit回归等方法不同,SHAP量化了因素间的交互作用并识别了可能隐藏的模式。本研究识别了高效项目的特征和低效项目的潜在制约因素,为海上风电部署规划和针对性政策设计提供了依据。
章节摘要
数据来源与变量
我们收集了中国九个省份93个海上风电场的数据,以研究其多维效率,这93个海上风电场的空间分布如图1所示。数据来源包括海域使用补充论证报告、海洋环境影响评估报告以及为项目审批提交的温室气体自愿减排项目设计文件(OWF数据集),并由电力公司官方数据进行补充。表S1展示了
海上风电场多维效率的时空变化
图2展示了2021年至2024年中国93个海上风电场在可变规模报酬下的纯技术效率。环境效率是四个效率维度中最高的,年均值维持在0.80左右,时间分布相对稳定。效率得分高于0.80的海上风电场比例介于40.9%至49.5%之间。值得注意的是,19个项目达到了1.000的效率得分,位于生产前沿面上,代表了最佳
结论与启示
海上风电在中国能源转型和碳中和目标中占据核心地位。利用2021-2024年93个风电场的数据,我们将超SBM-GML模型与可解释机器学习相结合,评估了生产、经济、环境和综合效率。年均生产效率介于0.660至0.674之间,呈现南高北低的格局。经济效率仍然较弱(中位数约0.52),而环境效率表现最佳(约0.80),以及
CRediT作者贡献声明
薛文浩:撰写-审阅与编辑,撰写-原稿撰写,资金获取,形式化分析,数据管理。朱方圆:撰写-原稿撰写,验证,形式化分析,数据管理。刘兆瑞:撰写-审阅与编辑,可视化,验证,形式化分析。王一飞:撰写-审阅与编辑,软件。蔡兆鑫:撰写-审阅与编辑,可视化,形式化分析,数据管理。李馨瑶:撰写-审阅与编辑。
利益冲突声明
作者声明他们不存在已知的竞争性财务利益或个人关系,这些关系可能影响本研究报告的工作。
致谢
本研究由国家自然科学基金(42207541)和山东省自然科学基金(ZR2024QD139)资助。
薛文浩|朱方圆|刘兆瑞|王一飞|蔡兆鑫|李馨瑶