多目标情景下中国非常规油气开发技术学习率的估计——基于学习曲线理论

王树斌，郭菊娥，夏兵

（西安交通大学　管理学院，西安 710049）

多目标情景下中国非常规油气开发技术学习率的估计
——基于学习曲线理论

王树斌，郭菊娥，夏兵

（西安交通大学管理学院，西安 710049）

以页岩气开发技术应用为代表，通过多目标情景设定，探索性分析中国非常规油气开发领域在技术能力获得的不同发展路径下技术学习率的大小。基于此目标，应用学习曲线理论，以技术发展不同阶段的特征设定技术发展路径，构建单因素学习曲线参数模型，估计非常规油气技术应用在“生产能力积累”与“技术创新突破”这两种发展路径下的技术学习率。结果表明：多目标情景下，实现中国非常规油气开发的目标规划，要保持较高的技术学习率。具体而言，在生产能力获得并不断积累的技术发展路径下，非常规油气开发技术必须保持3.30%～4.70%的技术学习率；在生产能力积累到创新能力突破的技术发展路径下，非常规油气开发技术在经历早期低水平学习率的适应性发展阶段后，需要保持11.60%～14.90%的高技术学习率。

非常规油气；技术学习率；多目标情景；成本分析

中国经济发展面临持续的能源安全及环境制约双重压力。数据显示，中国仍然是全球最大的能源消费与CO2排放国。2013年，中国能源消费占世界消费总量的22.4%，能源消费增长占全球能源净增长的49%；同时，CO2排放占世界排放总量的27.1%，增长了4.2%。但是，能源消费增速持续放缓，2013年能源消费增长4.7%，低于10年来的平均水平（8.6%）；同时，CO2增长率也达到近5年来的最低水平。从能源消费结构变化角度讲，传统能源消费中，煤炭的占比下降到67.5%，非化石能源消费占比达到9.6%，煤炭的主导地位有所下降，同时，天然气消费增长最快，消费占比为一次能源的5.1%。因此，大力发展天然气产业成为中国提升能源需求供给水平、优化能源结构的主要战略选择；也是应对经济发展环境压力、提升清洁发展水平的有效措施。

受北美“页岩气革命”的鼓舞，中国政府积极推进非常规油气产业的发展。权威机构数据表明，未来20年中国天然气产量将以年均5.1%的增长水平持续增长；而非常规天然气将是增长的主要推动因素。2025—2035年的10年间，中国将以年均33%的增长率进入天然气发展的黄金期。届时，中国将成为仅次于北美地区之后全球第二大页岩气生产区，其产量将占到全球页岩气增量的13%。从非常规油气开发的现实情况来看，中国页岩气的勘探开发主要集中在四川盆地及其周缘、鄂尔多斯盆地以及西北地区的主要盆地，开发主体为中国石化、中国石油、延长石油等油气巨头，形成了32.7亿立方米/年的总量产能水平。

中国非常规油气开发整体呈现 “多点开发”的格局态势，尚未进入规模化、标准化的开发阶段。其中，地质调查深入、主要非常规油气品种的成藏机理、富集规律认识，技术可开采资源量的科学勘测评估仍是需要努力的方向。因此，技术与资金是制约中国非常规油气产业发展的关键因素。尽管中国从20世纪煤层气的勘探开发中积累了不少经验，掌握了主要开发技术，基本装备实现了国产化，但是关键核心技术仍需攻克，包括微地震检测、产能动态预测等核心技术环节。同时，一些关键的设备，如分段压裂设备，也需要技术攻关以期尽早实现国产化。改变中国非常规油气开发技术实践中整体“点式突破”的特征，需要从宏观角度掌握目前技术应用的学习潜力，这也是提升政策支持的有效决策依据。本文立足于中国现阶段非常规油气开发的现实，以现阶段技术构成及技术操作流程为依据，应用学习曲线理论，探索性分析中国非常规油气开发在不同技术发展路径下的技术学习率，以期为后续的政策制定提供决策依据。

一、文献综述

（一）学习曲线理论与技术学习率研究评述

新能源技术的应用、扩散与推广总是与投入的成本息息相关。学习曲线，或者经验曲线，刻画了生产的单位成本随着累计产量的不断增长而逐步下降的过程；从数学角度讲，学习曲线表达了成本与产量间的统计特征关系：随着单位产品产量的翻倍，生产产品的单位成本将以一定的比例缩减［1-2］。这一定义下的学习曲线表达为

其中，CCUM是产出的单位成本；C0是单位产出的初始成本；CUM是累计产出量；b是经验指数，用以衡量每一次产量翻倍情况下单位生产成本的下降情况①在累计产出翻倍的情况下，CUMt=2=2CUMt=1，此时相关成本减少情况如，（CCUM1-CCUM2）/CCUM1＝1-［C0×（2CUM1）b］/（C0×CUMb1）= 1-2b。同时定义生产的推进率（progress ratio）为

推进率的含义是，随着累计产出的翻倍，单位成本实现的递减水平。例如，当PR=0.2时，其含义是在产出水平实现翻倍的情况下，单位成本将降到之前成本的80%。因此，学习率（learning rate）直接表达单位成本下降的程度

因此，推进率与学习率是针对单位成本变化的两个不同的衡量指标，从不同角度考察单位成本下降水平，其数值上具有对应关系，前者衡量单位成本变化结果，后者衡量单位成本变化程度。能源技术具有资本密集与技术密集性特征，技术学习的经济学意义在于其应用带来的成本的下降［3］。技术学习有五类主要来源：干中学（learning-by-doing）、研中学（learning-by-researching）、用中学（learningby-using）、互动性（learning-by-interacting）、规模化（economies of scale）［4-6］。基于Wright（1966）提出学习曲线的基本理论之后，学者们不断探索分析技术应用过程的特点及影响技术应用成本的主导因素，从而提出不同的考察学习曲线模型，研究不同能源技术应用发展的状况。

单因素模型（one factor learning curve）是研究学习曲线最基本的模型，被广泛应用于对风力发电及光伏发电等能源技术应用的研究领域。随着能源技术应用的不断发展，学者逐渐认识到单因素模型的局限性，认为单因素模型在考察技术应用过程中单位成本下降时对影响因素的提炼过于笼统，忽略了诸如研发（R&D）等因素对能源技术进步的推动作用［7-9］。那么问题在于，技术进步在多大程度上可以归因于R&D投入？Cohen和Levinthal（1989）［10］通过研究R&D投入学习机制后指出，“研中学”不仅在技术研发阶段有显著的作用，在技术扩散及技术饱和阶段也同样发挥显著的影响作用。因此，R&D投入推动了技术进步，加快了技术更新换代的过程，是推动学习效用产生的主要因素［11-12］。于是，单因素模型被扩展为双因素模型（two factors learning curve），其表达式为

其中，KSt为知识积累（knowledge stock）水平；α为累计产量弹性 （elasticity of learning-by-doing），其含义与式（1）中的b相同；β为R&D投入的效用弹性 （elasticity of learning-by-searching）。在此背景下，可以定义两个学习率

其中，LRLBD与LRLBS分别为技术应用 （learning-bydoing）与R&D投入（learning-by-researching）过程中技术学习率的大小，直接表现为产品生产单位成本下降的变化程度。同时，在假设知识积累具有一定衰减率（depreciation rate）的情况下，定义

其中，R&D为在时间t的R&D投入水平；x为增加R&D支出以提升知识累计水平的时间滞后期；δ为知识衰减率。

双因素模型认为，“干中学”和“研中学”是影响成本水平的两类主要学习形式，其成立与应用依赖4个前提假设条件：第一，生产的规模报酬（scale effect）不变；第二，投入品价格的通胀影响以GDP平减指数体现；第三，生产投入品只包含资本与劳动；第四，“干中学”与“研中学”两种技术学习形式之间有很好的反馈机制［13］。双因素模型为能源技术成本的动态变化过程提供了科学的理论分析方法，将学习曲线理论向前推进了一步，也是对能源技术发展规律的一种新的探索，尤其是在模拟测算能源技术发展的影响效应及对未来发展态势的预测方面，产生很好的分析效果；其中，技术学习率的估计是应用双因素模型的关键。随着研究的深入，学者逐渐认识到，无论基于哪种学习曲线模型，学习率的估计不总是一个定值，不同的技术，甚至同一项技术，由于某种原因都会出现不同的学习率［14-15］。因此，需要继续进一步探索影响成本动态变化的原因，包括技术应用的时间范围（time spans）、技术生命周期（technology life cycle）、规模效应（scale effect）、成本政策（cost rationalization policies）等等。

多变量学习曲线模型（multiple factors learning curve）试图更加细致、全面地描述技术应用过程中成本的动态变化过程。因此，多变量学习曲线模型释放了双因素模型中规模报酬不变及投入品价格的相关假设。Yu（2011）［16］通过对标准的新古典柯布-道格拉斯成本函数进行推演，得出包含累计产量、知识积累、规模效应及投入品价格等因素的多因素学习曲线模型，具体的推导过程参见EK和Söderholm（2010）［17］的多因素学习曲线模型的具体表达形式。

CUMt对式（9）取自然对数，并定义新的参数变量，λ1=α/r，λ2=β/r，λ3=（1-r）/r，可得到计量经济学意义上的具体的柯布-道格拉斯成本函数的估计模型

其中，μt为误差项；λ0、λ1、λ2、λ3为待估计系数。同时求得，r，如此，得出在考虑能源技术应用规模效应情况的LRLBD与LRLBS两种学习率的估算值。

综上分析学习曲线模型可大致分为单因素、双因素及多因素三类学习曲线模型。单因素模型以累计产量作为唯一解释变量，将现实情境下其他因素对单位成本的影响效应综合化处理。从单因素模型成立的前提假设可知，估计的结果往往放大了累计产量在技术应用中的实际学习率。双因素模型弥补了单因素模型在解释单位成本变化中的不足，将R&D投入作为独立变量引入模型考察其对单位成本的影响，从而更加实际地描述了能源技术应用的变化规律，其研究结论也能更好地指导实际的产业政策。作为对双因素模型的进一步完善，多因素模型解决了能源技术发展过程中的规模效应及投入要素价格变动对单位成本的影响问题，从能源技术应用的实际来看，多因素模型几乎更加切实地刻画了能源技术发展从时间维度上所呈现出的变化规律。技术的研发、推广及实践应用必然经历一个规模化发展的阶段，当技术发展成熟并进入标准化的流程作业阶段，此时，技术应用完全成熟化，便不再具有学习潜力，即其学习率为零［18］。此外，如果考虑到市场因素的作用，投入要素的价格变化就成为技术应用中不得不考虑的重要影响因素；因此，多因素模型将学习曲线理论进一步向前推进。但是，无论应用哪种分析模型，学习率的估计都是核心问题，分析结果的可靠性极大地依赖数据质量及数据的可获得性。由于产量数据与R&D投入数据来源容易获得，单因素模型和双因素模型也是应用最为广泛的分析工具。

（二）能源技术开发领域学习曲线应用评述

学习曲线理论及模型方法在能源技术领域的应用最为广泛。近年来，随着研究方法的不断改进与创新，学习曲线分析技术广泛应用于电力、煤炭电力、风力电力、水利电力、光伏电力、燃料电池、生物能电力等新能源技术发展领域。Mcdonald等（2001）［19］就能源领域技术应用的成本及产出的历史数据进行实证分析，得出不同能源技术的学习率，包括原油开采、天然气管道、燃气涡轮、核能电力、水力电力、煤炭电力、燃气循环电力、风力电力、太阳光伏电力等，从而为后续能源技术的研究及预测提供了研究支撑。Kobos等（2006）［9］应用双因素模型对美国新能源技术，风能、太阳光伏电力、集成太阳电力及地热等能源技术的学习率进行实证分析，并指出政策实施的侧重点。Matteson等（2015）［20］基于单因素学习曲线模型，研究未来蓄电池市场铅酸蓄电池（lead-acid batteries）生产成本的竞争优势，作者将铅酸蓄电池的成本分解为材料成本及其他剩余成本，重新构建剩余成本的学习曲线模型，其研究很好地解释了铅酸蓄电池成本下降的空间及未来竞争优势的所在，从而为蓄电池市场能源政策制定提供了更为科学的依据。牛衍亮等（2013）［21］应用全球数据，结合单因素与双因素模型分析了风力电力、太阳光电、水力电力及燃料电池等新能源技术的在不同阶段的技术学习率，并对成本变动的不同情况从技术发展的成熟性角度给出解释。现有的研究文献表明，学习曲线理论及模型方法不断得到发展与改进，其应用也逐渐扩展到更广的新能源技术领域。同时，由于学习形式的不同，学习率的获得过程中存在很多的不确定性，既有市场因素，也有技术本身推广应用的特点因素［22］。

国内对学习曲线理论应用研究的成果同样体现在新能源技术应用领域。李华林等（2007）［23］基于单因素模型，构建内生的技术学习曲线模型，通过不同的情景设定分析中国西部能源系统中清洁能源技术应用的学习率特征，包括风电技术、光伏发电技术、天然气燃料电池及热电联供等技术组，同时对比不同情境下西部发电总量特征，并分析未来西部地区一次能源的消费结构特点，提出增强西部地区技术转让、关键技术R&D投入、构建新技术研发平台在促进西部新能源技术发展过程中的重要性。随着中国经济发展的环境压力越来越大，探索新能源、清洁能源技术不断得到业界的重视。基础设施及相关政策的支持使风电、碳捕集与碳封存技术在中国获得快速发展［24］。但是，无论与发达国家相比，还是与国内其他应用成熟的新能源技术相比，风电技术应用的学习率都比较低，需要积极发挥规模效应在降低风电生产成本方面的重要作用［25］。

在非能源技术领域，李俊华等（2015）［26］分析了技术学习在企业技术创新发展过程中的作用，基于柯布-道格拉斯生产理论，应用双因素模型测算中国高新技术企业技术学习的情况，研究指出关键技术创新对本国技术存量构成的重要性。这一结论对中国新能源技术发展，特别是非常规油气领域的技术发展至关重要。王志刚（2014）［27］基于单因素学习曲线理论，从非常规油气开发技术工程实现的流程角度，对比分析了中美两国主要非常规油气品种在开采工艺方面的成本特征，指出学习曲线在促进非常规开发技术进步及工程成本降低方面的关键作用。庄庆武与赵昆（2015）［28］以非常规天然气开发试气阶段的开采技术为研究对象，应用单因素模型拟合试气阶段的技术学习特征，侧面反映出非常规油气开发技术实践过程中的成本变化特征。相较而言，庄庆武与赵昆的研究更能反映出非常规油开发的成本动态变化特征，但是从整体的研究现状来看，还未有涉及到非常规油气开发技术学习潜力及学习率的问题。

二、模型构建与分析框架

（一）中国非常规油气勘探开发研究特征描述中国非常规油气领域的勘探开发工作起步较晚，虽然近年来中国业界对页岩气、煤层气等非常规油气品种的认识、开发工作取得了重大突破，但是各项工作仍然面临巨大阻力。以页岩气开发技术为例，从学术界的讨论来看，以“页岩气”为关键词进行检索 （CNKI数据库），从1980年1月到2015年6月，总共公开发表文章12 868篇，2003年，张金川（2003）［29］对页岩气的成藏机理及其特征进行了概念性的表述，并被认为是首次将页岩气概念引入业界的学者。2003年之前，学术论著共有25篇，主要是从“天然气”分析提及页岩气，并没有详细的表述。2003年以后累计发表学术文章12 839篇，这一阶段，对非常规油气的讨论比较细致，包括工程技术与经济管理多角度的研究。

自2005年开始非常规油气勘探工作以来，中国在关键区域、示范项目上不断取得开发技术的突破；特别是页岩气开发技术的发展使得实现中国2015年65亿立方米页岩气产量目标变得可期，使业界看到了实现中国页岩气开发长远目标的希望。尽管如此，目前的开发还难以从“面”的角度进行综合评价。由于可用的资料与数据十分有限，与美国万口以上生产井数据和几十年基础研究的积累相比，中国在资源总量的评价、开发成本的考核及核算方面还不够成熟。

（二）分析框架

本文参照国内相关的行业报道，依据国际权威机构对中国非常规油气领域统计预测的数据特征，结合中国“十二五”期间的非常规天然气产量数据进行多目标情景分析。

首先存在中国非常规油气开发领域发展的基本判断：第一，中国石油、中国石化、延长石油代表了中国非常规油气开发技术的整体格局。从目前技术工程实践来看，整体技术具有极高的学习潜力。第二，中国非常规油气开发整体处于起步阶段，还没有获得规模化商业开发。实现从“点”到“面”的开发过程是获得规模效应的前提，很显然，中国获得非常规油气开发的规模效应还尚需时日。第三，中国非常规油气发展处在生产实践的积累和地质研究阶段，即存在学习理论中“干中学”与“研中学”并存的阶段，但是中国非常规油气成藏机制、地质条件的复杂性及研究工作的不足使得“干中学”与“研中学”的相互影响机制尚未形成。第四，中国非常规油气开发的关键在于“技术攻关”，特别是核心技术和设备的掌握。

其次是资金问题。高投入、低产出的行业特征阻碍了市场参与度。目前，中国非常规油气开发主体主要集中于具有巨大资金实力的国有企业。因此，市场配置因素对该领域开发实践的影响有限。根据行业发展的基本判断，本文提出3点研究假设。

假设1.中国非常规油气开发技术体系具有学习潜力，即LR≠0。

新技术的应用与推广是经济增长、持续发展的重要动力源，但是新技术产能的获得必须有示范工程项目与R&D投入的支撑。随着新技术应用经验的累计，使用成本逐步下降，这种技术生命周期内生产成本与产出数量之间的统计关系表明了技术学习的效果。技术学习是获得生产能力及通过生产能力向创新能力发展的过程，因此，在特定的时间周期内，根据技术学习率可以将技术分为成熟技术、增产技术及革新技术。成熟技术（existing technology）成熟度非常高，标准化应用广泛，投入成本随着时间推移变化小，因此不具有技术学习的潜力，例如煤电技术。相比之下，增产技术（incremental technology）与革新技术（revolutionary technology）具有很高的技术学习潜力，技术应用经验的不断积累与技术本身的发展对其初始高投资成本产生巨大的影响效应，例如燃气涡轮机与光伏电池技术［30］。因此，技术学习潜力是影响技术应用、推广的关键因素。从中国非常规油气开发的技术实践来看，页岩气开发的核心技术环节还没有完全掌握；从非常规油气开发的整体技术格局来讲，开发技术仍然具有成本降低的巨大空间。

假设2.中国非常规油气产量生产过程中不产生规模效应，即r=1。

技术应用的规模化发展需要标准化作业流程的支撑。与北美地区规模化开发程度相比，中国非常规油气开发技术应用条件复杂，加之多变的地质条件；目前，开发实践主要集中在几个重点的区块和示范项目上，还没有形成产业的整合式发展。技术应用方面，特别是在地质导航（地质引导）方面，仍然需要提高操作流程的精准度和规范化。中国非常规油气规模化开发局面逐步形成，截至2014年底，中国页岩气总钻井数780口，设置探矿权54个，已建成32亿立方米/年的产能；其中，页岩气累计投资达230亿元，探获页岩气三级地质储量近5 000亿立方米，探明地质储量达1 067.5亿立方米。但是，从整体行业发展来看，技术应用还处在“获得重大突破”的适应性发展阶段。因此，在现阶段的开发条件下，非常规油气开发技术工程化应用的规模效应还没有显现；规模效应在促使技术成本降低方面的作用微乎其微。

中国非常规油气开发成本高、风险大，亟需形成多元化的投资局面，构建完善的多元市场参与机制。实践表明，前两轮页岩气区块招标后的工程进展状况并不理想，特别是非常规油气开发投资大、回收期长的行业特点使得多数企业望而却步。中国非常规油气开发主要是以政府主导，大型国有企业重点参与的方式起步，市场机制下的参与方式还未形成。从非常规油气开发的区块建设来看，中国发展相对成熟的气种，如页岩气，勘探开发主要集中在四川盆地及其周缘地区、鄂尔多斯盆地以及中国西北地区的主要盆地。在页岩气规划目标明确的前提下，政府未来引导工作的重点在于资源调查、勘探开发、科技攻关和资源管理，并积极制定监管制度、构建资料共享平台。因此，从资源配置的角度来看，市场机制在非常规油气开发领域的调节力有限，其作用发挥的客观环境尚不具备。从这个意义上讲，技术投入价格因素的市场影响作用极其微弱。

以上3点假设是从模型构建的角度提出的，据此，本文构建中国页岩气开发累计产量与单位成本变动的单因素学习曲线模型

其中，C（qt）为技术应用在t年（以年为时间单位）的单位成本水平；C（q0）为技术应用在基期的初始单位成本；qt为技术应用在t年获得的累计产出规模；q0为基期的产出累计规模水平。式（11）表明了能源技术应用发展的一种路径，即在特定技术周期内，不断获得生产能力积累的技术发展阶段的技术学习特征。

能源技术的应用与推广同时受到多种因素的影响和制约，如市场激励、R&D推进、技术引进、政策扶植等，从而经历不同的发展阶段，表现出不同的技术学习潜力。Kramer等（2009）［31］研究总结了20世纪世界能源技术发展所表现出的两个规律：第一，一项可获得的新能源技术达到成熟化应用之前，要经历约30年的指数增长阶段，并保持年均约26%的增长率。第二，当技术达到成熟应用阶段，随着技术应用获得一定的市场份额后，技术发展进而转向线性增长方式的发展阶段。因此，可以将分阶段发展的技术学习曲线模型表达为

其中，i为技术学习不同的发展阶段；bi为不同技术发展阶段的经验指数。式（12）是另一个分析技术成本变化的学习曲线模型。在本文的分析框架下，它代表存在技术突破情况的发展路径，即技术发展经历生产能力积累到创新能力获取的技术突破发展阶段。当前，中国非常规油气开发不断取得技术突破，同时，政策的引导，如技术领域的R&D投入及政府引导基金的建立，对非常规技术发展起到重要推动作用。因此，在中国非常规油气技术应用发展的初期，由于各种因素的综合作用，技术发展表现出不同的阶段性特征也是可以预期的。

本文分析框架下的多目标情景设定主要依据国家发展改革委、财政部、国土资源部、国家能源局2012年发布的《页岩气发展规划（2011—2015年）》，国土部2015年发布《中国页岩气资源调查报告（2014）》，BP集团2015年发布的《BP 2035世界能源展望》（BP Energy Outlook 2035）。前两个文件包含了对中国未来非常规油气产业发展秉持的重要指导思想和重要节点目标以及中国 “十二五”期间页岩气开发的目标规划。BP集团对中国未来20年非常规天然气的开发进展做了客观、大胆的预测。本文通过不同情景设定对式（11）与式（12）的技术学习率参数进行估计，呈现不同目标情境下、不同技术发展路径下技术学习率的大小，以此研究技术应用成本下降的空间。

表1　美国页岩气开发成本

2012年12月5日，凤凰财经网报道了一篇题为“中国开采页岩气的经济账”的文章，称海通证券机械行业首席分析师龙华12月4日在一篇发言稿中对中国页岩气开发成本数据进行假设性分析，与全美0.67元/立方米（或2.99美元/百万英热单位）的平均成本相比，中国的页岩气不考虑财政补贴的成本气价在1.24～2.68元/立方米，而且考虑到中国页岩气尚未进入商业开采阶段，并假设其开采早期单井总可采量为4 000～6 000万立方米，则单井开发成本为0.6～1亿元。从技术应用经验、气藏存储条件、资源质量及技术差异的角度分析，美国气藏较好的页岩气开采成本约为1.5元/立方米（表1），相比之下，中国页岩气开采成本高于美国，约为1.5～2.5元/立方米。综合而言，在目前的开发条件下，中国页岩气开发的单位成本预测在1.0～3.0元/立方米之间。因此，本文针对中国页岩气开发技术的初期阶段特征，将单位成本设定为3种目标情景：2.0元/立方米、2.0 元/立方米及2.5元/立方米。类比美国页岩气规模化发展的情况，本文将1.44元/立方米假设为中国页岩气开发实现商业化规模发展时的单位成本水平。据此，设立中国页岩气发展的3种目标情景。

情景1.页岩气开发的初始成本为2.0元/立方米，实现2015年65亿立方米及2020年300亿立方米产量规划目标；生产的单位成本于2025年降至1.44元/立方米，实现2020年产量目标之后，到2035年保持年均5.1%的年增长率。

BP集团的预测分析报告指出，2025—2035年将是中国页岩气开发急速增长的10年。据此，设定在情景1的背景下，中国于2025年实现其规模化发展的单位成本水平，而此时的年均增长率，本文采用BP集团对中国未来20年增长率的预测，即5.1%的年均增长率。因此，中国实现2020年页岩气产量规划目标后的历年产量将保持5.1%的年均增长率，从而测算出历年页岩气产量水平。图1显示出在情景1背景下，中国页岩气开发累计产量与单位成本的变动趋势。在页岩气开发的早期阶段，虽然年产量较低，但是年增长较快，在学习曲线语境下的单位成本下降也较为迅速。从2012—2014年中国页岩气实际产量水平来看，产量增长迅速，保持了年均621.11%的增长率，实现了页岩气产量的倍级增长。这一阶段的单位成本也保持了较大的下降态势。技术与成本是中国页岩气发展的两大瓶颈，目前，在该领域的技术应用还处在实践与研发并存的阶段，提升技术应用的适应性，要以尽早实现关键技术重大突破为抓手，从而推进页岩气技术应用规模化发展的进程。同时，积极促成页岩气开发领域的市场改革，激发市场因素在非常规油气开发过程中的作用。

图2表明了在情景1背景下，中国页岩气开发累计产量与单位成本的回归趋势及其置信区间带，从实际的回归结果来看，要实现未来的规划目标及成本目标，中国必须加快页岩气的开发工作，实现技术应用的突破，尽快实现页岩气生产的规模化开发及商业化开发。

情景2.页岩气开发的初始成本为2.0元/立方米，没有实现2015年及2020年的产量规划目标，但是开发企业实现了2015年50亿立方米的产量目标预期；生产的单位成本于2030年降至1.44元/立方米，并保持了2015—2035年页岩气产量5.1%的年增长率。

情景2的设定依据目前中国页岩气行业发展的实际，以业内专家对该领域的产量预测为基础，同时依据Kramer等（2009）［31］对能源技术发展规律的总结，设定中国页岩气在经历30年的技术发展后，实现商业化、规模化发展，因此，其单位开发成本将于2030年实现1.44元/立方米的水平。从BP集团的乐观估计来看，中国未来页岩气开发仍然具有巨大的成本下降空间。如图3所示，中国在2030年后依然保留了单位成本下降的预期。在这样的发展背景下，中国页岩气仍然面临产量与技术应用成本的压力，亟需页岩气技术应用的阶段性突破。与情景1的情况类似，图4表明了重大技术突破和产量快速增长对实现预测目标的关键性。

情景3.页岩气开发的初始成本为2.5元/立方米，实现了2015年65亿立方米的产量规划目标，但是没有实现2020年的产量规划目标，页岩气产量的单位成本于2035年降至1.44元/立方米，并保持了2015—2035年页岩气产量5.1%的年增长率。

中国页岩气开发成本是美国的3～4倍，这主要受制于页岩气储层改造技术在国内的适应性。中国非常规油气技术面临水资源总体匮乏问题，这一事实对大型水力压裂技术的应用构成了很大的挑战；同时，中国地表条件的特殊性不适应大型设备大规模动迁及大型井场建设及工厂式开发［32］。因此，要实现中国非常规油气开发技术低成本、环境友好、便携小型化，需要相当长的技术经验积累和技术实践过程。从图5中国页岩气开发的单位成本趋势来看，随着页岩气累计产量的增长，必然经历页岩气开发早期单位成本的迅速下降。而从累计产量与单位成本回归统计关系来看，即使中国再经历20年的非常规油气技术发展过程，实现1.44元/立方米的成本水平，同样要求在这一过程中的技术突破，即使以2015 年65亿立方米的页岩气产量估计，情况亦是如此。

综上对3种目标情景的定性分析来看，实现中国页岩气技术开发的规模化、商业化，必须尽快促进技术的突破性发展，提升技术应用的适应性，从而解决技术应用的成本问题。从目前产量规划目标预期实现的情况来看，中国非常规油气开发技术实践具有学习潜力，存在成本下降的巨大空间，但是必须重视技术突破性发展的关键性作用。

三、结果分析与讨论

对式（11）中技术学习率参数进行估计，估计结果显示：在不断获得生产能力的技术发展路径下，3种目标情境下的技术学习率分别为3.89%、3.32%及4.67%（表2），同时，对3种情境下参数估计的残差Shapiro-Wilk正态性检验结果显示，3种情景下w统计值分别为0.908、0.931、0.931，统计值接近于1；P值分别为0.052 6、0.104 5及0.102 5，均显著大于0.05，故在0.05的显著水平下不能拒绝残差来自正态总体的假设。图7为不同情境下简单线性回归的QQ图，从结果来看，支持了残差的检验假设，认为残差来自正态总体。

表2　不同情境下技术学习率的估计结果

同时，本文从技术创新能力获得的发展路径角度，结合中国经济发展实施5年规划的市场运行特点，划分技术发展的不同阶段，对式（12）中技术学习率参数进行估计，估计结果显示：以2020年为时间节点，在非常规油气开发技术实现突破之前，技术学习率分别为3.89%、1.25%及1.56%，实现创新能力突破后，3种目标情境下的技术学习率分别为12.93%、11.55%及14.84%（表3）。从残差Shapiro-Wilk正态检验结果（表4）及简单线性回归的QQ图（图8、图9、图10）来看，统计量w值都接近1，P值均显著大于0.05，因此，不能拒绝残差来自正态总体的假设。

表3　情景背景下不同技术发展路径下技术学习率的估计结果

表4　基于不同情景的残差Shapiro-Wilk正态检验结果

在获得生产能力的技术发展路径下，要实现目标情景1的页岩气产量规划目标，3.89%的技术学习率是2025—2035年中国10年间页岩气开发规模化发展预期的重要保障。在目标情景2背景下，业界专家以页岩气开发企业的具体行业运营为依据，预测到2015年底中国页岩气产量将突破50亿立方米。以此为目标，未来20年，中国将以3.32%的技术学习率水平实现页岩气产量5.1%的年均增长率。此时，页岩气规模化开发经历了15年的技术经验积累与发展。在目标情景3背景下，如果给非常规油气开发20年的发展时间以实现技术应用的标准化，即在2035年实现产业规模化、商业化开采目标，单位生产成本降到1.44元/立方米的水平，则在整个技术发展周期内应保持4.67%的技术学习率。假若获得与美国同等的成本竞争优势，则2025是一个关键时间点，这样可以实现此后10年间的规模化商业开发局面，同时获得单位成本进一步下降的空间。目标情景2给出了基本的参照情况，以15年的技术发展时间为代价获得成本优势，则3.32%的技术学习率是最低的技术学习效应标准，从而实现在未来20年96.68%的推进率。在目标情景3的保守估计下，中国页岩气开发的技术学习率应保持4.67%的水平，以此获得成本优势，但是付出了较长的时间成本。

表2与表5信息显示，在3种目标情景下，中国页岩气开发的技术学习率处在成熟技术行列。但是，从中国页岩气开发的实际情况来看并非如此，一个可能的解释是：（1）目前世界成熟的页岩气开发技术体系并不是一项全新的技术，美国页岩气革命的发生得益于技术应用的突破。水平钻井和大规模水力压裂的结合（combination of horizontal drilling and massive hydraulic fracturing），这两项技术已经是很成熟的产业技术，并有多年的发展历史。而其他两项促成页岩气革命产生的关键技术，3D地震成像（3D seismic imaging）及微地震波压裂成像技术 （micro-seismic wave fracture imaging）也都是在石油勘探开发过程中应用很久的技术系列。这3项技术与美国页岩气开发的成功经验密不可分。但是这些技术最初从其他领域或者行业被移植到非常规油气开发领域必然经历一段时间的适应期。因此，在技术应用的生产能力获得阶段，技术学习率不会太高，而中国的情况正是如此。（2）非常规油气技术体系在中国能源开发领域并不是全新的现象，在压裂技术方面，中国从20世纪90年代煤层气的开发过程中也积累了一些经验。中国从2005年开始组织、部署在非常规油气领域的资源勘探开发工作，从技术应用的时间来看，必然经历很长一段时间来寻找适合中国具体地质地貌特征的技术，那么原有的、应用成熟化的技术也必然经历一些技术改进以提高其适应性，此时技术学习率不会太高。（3）中国页岩气开发现实依然困难重重，要实现技术突破，获得产量的迅速增长，必然需要技术应用经验的积累，而中国正处于开发技术的早期阶段，经历低水平的技术学习率发展阶段是必然的。如此看来，中国目前的技术应用状态还远没有达到成熟技术应用的水准。

本文在情景设计过程中，以中国经济发展的五年规划为时间节点讨论页岩气开发达到生产标准化的具体时点。如何给页岩气开发技术实现突破性发展15年的时间，则在3种目标情景下，中国页岩气开发技术在2020—2035年要分别保持12.93%、11.55%及14.84%的技术学习率水平（表3），以此实现在技术学习快速发展时期内页岩气开发的商业化目标。从能源技术分类的角度讲，这一时期内中国页岩气等非常规油气开发技术可定性为演进技术（表5），其技术学习率大致处于13.1%～41.5%的范围。这种定性分析与中国页岩气开发的实际技术发展情形是相符的。中国在原有技术应用经验的基础上，通过技术引进、技术研发（主要是寻找适合中国地质条件及其复杂地形的技术体系）不断提升技术应用的本土适应性，并寻求技术的重大突破。如果单从现在的开发条件及其技术格局来看，低水平的技术学习率是技术早期发展阶段的重要体现。

表5　基于技术学习率的能源技术分类

不同目标情境下的技术学习率与技术分类中的学习率对比表明：第一，在静态技术学习进步格局下，中国非常规油气开发技术必须尽早实现突破性发展，才能保证一定的产量规划目标。第二，R&D投入在技术创新能力实现过程中发挥关键作用，是实现技术突破的主要驱动力。由于无法获得可靠的研发投入数据，本文并没有分析知识累积对技术学习率的影响效应。但是，从目前行业发展来看，对技术应用本身的投入并不大，页岩气开发成本的主要影响还在于地质及环境方面，这也是主要的约束条件。与美国页岩气开发成本构成相比（表1），中国页岩气开发的成本主要产生于地质研究方面。非常规油气资源在中国的分布有很大的差异性，地下开采条件比较复杂，开发利用的经济性总体偏差。因此，基础研究和工程技术的先导性试验是实现中国非常规油气规模化发展的先决条件，同时，提升中国在非常规油气开发过程中对资源潜力、经济性及地理分布评价的科学性、准确性。

技术学习率的重要贡献不仅在于对技术应用成本的真实反映，更重要的是它刻画了技术在不同发展路径下的变动趋势。单位成本与累计产量的关系提供了规划成本目标的思路，这也正是应用学习曲线理论考察中国页岩气行业发展现状的价值所在。参照不同目标情境下的技术学习率的大小，可以获知其对应的技术规模情况，图11表达了在技术学习曲线概念下的学习投资，与新增投资的含义。本文将实现未来某一特定成本水平下的技术规模称为平衡累积规模，把成本下降区域的投资称为学习投资，由于技术规模的扩大而需要增加的投资称为新增投资，两者之和即为实现某一特定成本水

中国非常规油气产业迅速发展，需要政府政策的积极引导，并设立政府专项引导基金以促进产业发展进程。本文研究的意义在于，不同目标情境下技术学习率的研究为中国未来页岩气产业发展目标规划提供了科学参考，同时，为政府实施优惠的财税政策，进行补贴力度核算提供参考依据。

四、结论与展望

非常规油气产业发展是实现中国经济绿色发展、环境友好型发展的有效途径，也是提升能源安全、改善能源消费结构的重要保障，更是未来天然气供给增长的主要源泉。但是，非常规油气开发技术在中国的应用及推广有其特殊的适应条件和发展路径。因此，提升非常规油气技术应用的本土适应性是未来中国非常规油气开发技术发展的整体目标。本文基于国家层面的行业发展目标规划，从技术应用及技术发展的不同路径对技术发展的预期情景进行模拟，分析在不同的技术发展路径下，多目标情景下的技术学习率特征，并从成本规模的角度阐述技术学习率问题在政策制定、财税补贴方面的参考价值。

短期来看，中国非常规油气开发技术经历生产能力不断提升的发展阶段，也是提升技术适应性的发展阶段，在这样的技术发展路径下，技术应用体系将保持较低的技术学习率，此时，预期存在技术应用成本下降的空间，但潜力较小。长期来看，增强中国在非常规油气领域的竞争力，获得在更高层次竞争市场上的价格优势，需要以技术创新能力的获得实现非常规油气领域的商业化、规模化开发。在这样的技术发展路径下，技术应用将经历从生产能力到创新能力的飞跃，这是一个从量变到质变的过平下的总投资。这一概念具有很高的应用价值，就中国页岩气技术开发而言，在生产能力累计的技术发展路径下，考察不同技术学习率可以把握投资的规模问题及产能建设问题，同时为政府的引导策略提供科学的指导。程，此时，技术应用体系将保持很高的技术学习率。当然，从成本管理角度来看，依然存在成本下降的空间。因此，非常规油气领域基础研究的积累是必要的，同时在示范项目的开展过程中，选择国际交流与合作、促进技术交流、实现技术的整合式发展将有助于尽快实现中国在非常规油气领域的技术突破。

页岩气开发的技术应用代表了目前中国在非常规油气领域的技术发展格局，因此，本文的贡献在于以技术学习率搭起非常规油气产量规划和技术应用成本之间的桥梁，这将有利于进一步动态化分析中国非常规油气开发的技术格局及技术学习潜力。此外，考虑到数据资料可获得性，本文研究分析中并没有考虑知识累积效应对技术学习率的影响，从影响效应作用方式来看，属于静态的比较研究。在这一方面，从政府目前支持非常规油气产业发展的政策来看，研发投入还没有形成稳定的系统化方案，个别的项目上还只是以打包补贴的方式来获得财税支持。未来研究将以技术学习率为视角，完善非常规油气技术应用成本的动态分析研究。

［1］WRIGHT T P.Factors affecting the cost of airplanes［J］.Journal of the Aeronautical Sciences，1936，3（4）：122-128.

［2］ARROW K J.The economic implications of learning by doing［M］.Palgrave Macmillan UK，1971.

［3］HONG S，CHUNG Y，WOO C.Scenario analysis for estimating the learning rate of photovoltaic power generation based on learning curve theory in South Korea［J］.Energy，2015，79：80-89.

［4］BODDE D L.Riding the experience curve［J］.IEEE Engineering Management Review，1977，2（5）：29-35.

［5］ROSENBERG N.Inside the black box：technology and economics［M］.Cambridge University Press，1982.

［6］LUNDVALL B A.Innovation as an interactive process：from user-producer interaction to the national lnnovation systems，technology and economic theory［M］.London：Pinter Publishers，1988：349-396.

［7］KLAASSEN G，MIKETA A，LARSEN K，et al.The impact of R&D on innovation for wind energy in Denmark，Germany and the United Kingdom［J］.Ecological Economics，2005，54（2）：227-240.

［8］JAMASB T.Technical change theory and learning curves：patterns of progress in electricity generation technologies［J］.The Energy Journal，2007，28：51-71.

［9］KOBOS P H，ERICKSON J D，DRENNEN T E.Technological learning and renewable energy costs：implications for US renewable energy Policy［J］.Energy Policy，2006，34（13）：1645-1658.

［10］COHEN W M，LEVINTHAL D A.Innovation and learning：the two faces of R&D［J］.The Economic Journal，1989，99（397）：569-596.

［11］CLARKE L，WEYANT J，BIRKY A.On the sources of technological change：assessing the evidence［J］.Energy Economics，2006，28（5）：579-595.

［12］CLARKE L，WEYANT J，EDMONDS J.On the sources of technological change：what do the models assume？［J］.Energy Economics，2008，30（2）：409-424.

［13］KAHOULI S.Effects of technological learning and uranium price on nuclear cost：preliminary insights from a multiple factors learning curve and uranium market modeling［J］.Energy Economics，2011，33（5）：840-852.

［14］SARK W，NEIJ L，NEMET G，et al.“Photovoltaic solar energy”in technological learning in the energy sector：lessons for policy，industry and science［M］.Martin Junginger，UK：Edward Elgar，2010：93-114.

［15］SARK W，ALSEMS E，NEMET G，et al.“General aspects and caveats of experience curve analysis”in technological learning in the energy sector：lessons for policy，industry and science［M］.Martin Junginger，Wildfried van Sark，Andre Faaij，eds.Cheltenham，UK：Edward Elgar，2010：18-35.

［16］YU C F，SARK W，ALSEMA E A.Unraveling the photovoltaic technology learning curve by incorporation of input price changes and scale effects［J］.Renewable and Sustainable Energy Reviews，2011，15（1）：324-337.

［17］EK K，SöDERHOLM P.Technology learning in the presence of public R&D：the case of European wind power［J］.Ecological Economics，2010，69（12）：2356-2362.

［18］MA T.Coping with uncertainties in technological learning［J］.Management Science，2010，56（1）：192-201.

［19］MCDONALD A，SCHRATTENHOLZER L.Learning rates for energy technologies［J］.Energy Policy，2001，29（4）：255-261.

［20］MATTESON S，WILLIAMS E.Residual learning rates in lead-acid batteries：effects on emerging technologies［J］.Energy Policy，2015，85：71-79.

［21］牛衍亮，黄如宝，常惠斌.基于学习曲线的能源技术成本变化［J］.管理工程学报.2013，27（3）：74-80.

［22］ROUT U K，BLESL M，FAHL U，et al.Uncertainty in the learning rates of energy technologies：an experiment in a global multiregional energy system model［J］.Energy Policy，2009，37（11）：4927-4942.

［23］李华林，陈文颖，吴宗鑫.用内生技术学习曲线对西部能源系统的分析［J］.清华大学学报（自然科学版），2007，47（12）：2192-2195.

［24］黄建.中国风电和碳捕集技术发展路径与减排成本研究——基于技术学习曲线的分析［J］.资源科学，2012，34（1）：20-28.

［25］邸元，崔潇濛，刘晓鸥.中国风电产业技术创新对风电投资成本的影响［J］.数量经济技术经济研究，2012（3）3：140-150.

［26］李俊华.双元性理论视阀中技术学习的双因素测度模型［J］.科技进步与对策，2015，32（5）：10-14.

［27］王志刚.应用学习曲线实现非常规油气规模有效开发［J］.天然气工业，2014，34（6）：1-8.

［28］庄庆武，赵昆.“学习曲线”模式在涪陵页岩气田试气施工中的应用［J］.江汉石油职业大学学报，2015，28（1）：81-84.

［29］张金川，薛会，张德明，等.页岩气及其成藏机理［J］.现代地质，2003（4）4：466-467.

［30］MA T，GRUBLER A，NAKAMORI Y.Modeling technology adoptions for sustainable development under increasing returns，uncertainty，and heterogeneous agents［J］.European Journal of Operational Research，2009，195（1）：296-306.

［31］KRAMER G J，HAIGH M.No quick switch to low-carbon energy［J］.Nature，2009，462（7273）：568-569.

［32］谢克昌，邱中建，金庆焕，等.我国非常规天然气开发利用战略研究［M］.北京：科学出版社，2014：112-115.

［33］FERIOLI F，SCHOOTS K，VAN DER ZWAAN B C C.Use and limitations of learning curves for energy technology policy：a component-learning hypothesis［J］.Energy Policy，2009，37（7）：2525-2535.

［责任编辑：孟青］

Multi-objective Scenario Analysis for Estimating the Technology Learning Rate of Unconventional Oil and Gas Extraction based on Learning Curve Theory in China

WANG Shubin，GUO Ju’e，XIA Bing
（School of Management，Xi’an Jiaotong University，Xi’an 710049，China）

Chinese government encourages the unconventional resource extraction activity.However，the success in the field of unconventional resource is often attributed to technology progress.Technology applied in practice in China is overall at the early stage of development.There are still many challenges that impede the adaptive development of unconventional technology.In this study the authors investigated the potential technology learning rate under two technological paths based on learning curve theory. With this，the authors took shale gas extraction technology application as a representative of overall technology pattern to estimate one-factor learning curve model where there were two technology developing paths with different phase characteristics of technology capacity.The results reveal that maintaining high technology learning rate is prerequisite to achieve the goal of unconventional oil and gas development planning under multi-objective situations.In other words，under path of technology acquisition and accumulation over time，to accomplish multipurpose depends on at least technology learning rate of 3.30%～4.70%；under path of realizing technology innovation breakthrough based on production capacity accumulation，unconventional oil and gas extraction technology goes through adaptive development stage with lower technology learning rate，after that，technology innovation occurs bringing about high technology learning rate of 11.60%～14.90%.

unconventional oil and gas；technology learning rate；multi-objective；cost analysis

F407

A

1009-3370（2016）03-0001-12

10.15918/j.jbitss1009-3370.2016.0301

2015-12-08

国家自然科学基金资助项目“我国非常规油气开发技术工程化实现的投资激励策略研究”（71473193）；国家自然科学基金资助项目“多目标诉求下我国交通节能减排市场导向的政策组合选择研究”（71473155）

王树斌（1987—），男，博士研究生，E-mail：wangshubin1228@163.com；郭菊娥（1961—），博士，教授，博士生导师，E-mail：wongkeer@126.com；夏兵（1991—），男，博士研究生，E-mail：xiabin0721@126.com