中国风力发电绩效的区域差异及空间计量分析

李存斌，董佳

(华北电力大学 经济与管理学院，北京 102206)

0 引言

在碳减排的大背景下，世界各国都在积极发展风电等可再生能源，风能已经成为世界能源体系中重要的组成部分[1-4]。在中国，风力发电是可再生能源发电的主要来源，是推动能源生产和消费革命的关键因素[5-9]。中国风能资源丰富，受补贴退坡刺激及海上风电发展提速的双重影响，2019年，中国风电市场新增吊装容量达到历史第二高水平，中国风电装机容量急剧增长的同时，也伴随着较严重的弃风现象发生，造成大量风电资源的浪费[10-12]。研究风力发电绩效的区域差异及影响因素，有利于合理规划风电资源的开发，实施有区域特色的可再生能源政策，因地制宜采取相应的风电建设和管理措施，从而推动中国风力发电的发展。

目前，关于风电绩效的研究包括多个维度。一些学者选择对某一地区的风电绩效进行测算和评价。文献[13]对巴基斯坦风电绩效进行评估和测算。文献[14]对北京的风电绩效进行评估。一些学者探索不同区域之间的风电效率差异。文献[15]评估了中国内陆、沿海和海上风电性能，并分析发现内陆和沿海风电场具有相似的能源性能，与海上风电场存在显著差异。文献[16]以中国610个风电场为例，分析了不同省（自治区、直辖市，以下简称“省域”）之间风电场绩效的差异。目前对风力发电绩效的空间分布状况进行分析的文献尚少，而准确把握风力发电绩效在各省域的分布格局和集群状态有利于更有针对性的提升风力发电绩效，因此，本文选择对中国各个省域的风电绩效差异及空间分布情况进行分析。

学者们采用多种评价方法对风电绩效展开了广泛而深入的研究，包括熵权法[17]、数据包络分析（data envelopment analysis，DEA）[18]、演化博弈模型[19]、面板回归模型[20]等。文献[21]采用DEA模型测算中国风电公司的技术效率，但经典的DEA模型无法进一步比较分析有效决策单元，通常结果中存在多个有效决策单元。DEA和TOPSIS的互补性正好可以弥补这一缺陷，两者的结合应用已经较为成熟。文献[22]综合运用DEA模型和TOPSIS方法对中国医疗卫生资源配置效率进行评估。也有部分学者采用超效率DEA模型来解决这一缺陷，文献[23]基于超效率DEA模型测算中国区域科技创新效率。但关于测算风电绩效，上述何种模型更适合、更有效仍有待验证。因此，本文使用DEA-TOPSIS模型测算风电绩效，并将结果与超效率DEA模型结果对比分析。

此外，学者们多采用传统的面板模型分析不同因素对风力发电绩效的影响，鲜有文献引入空间面板模型进行分析。传统的面板回归模型通常假定各个地区的风力发电绩效是相互独立的，这显然与现实存在偏离。因此，空间面板模型更能准确地把握各个因素对风力发电绩效的空间冲击，从空间角度探究不同因素的影响程度。为了弥补现有研究的不足，本文引入空间面板模型，分析风电绩效的驱动因素，为政府优化风电建设和管理提供理论支持和决策依据。

本文借助DEA模型对2013—2019年中国30个省域的风电绩效进行测算，对绩效结果为1的数据采用TOPSIS模型进行二次评价，得出其绩效优劣程度，并根据绩效结果进行排序。接着，运用全域空间相关性指数Moran’s I对各省域的风电绩效在空间上是否存在相关性进行检验。最后，建立空间面板模型对风电绩效影响因素进行分析，比较几种空间面板模型结果并选取最优模型探究各因素对风电绩效的影响程度和方向。

1 模型

1.1 DEA

（1）DEA模型。

本文采用DEA模型来评价30个省域的风电绩效，设有m个被评价的省域，即决策单元（decision making units，DMU），每个决策单元有T个输入，表示资源的消耗，产生S个输出，表示资源的产出。构建模型如下。

式中： θ 为效率评价值；Xi、Yi分别为决策单元DMUi的输入和输出数据； λi为决策单元的参变量；s+、s−分别为投入、产出松弛冗余变量；Xi0、Yi0分别为被评价决策单元DMUi0的输入和输出数据。

输出的效率指标包括综合效率、纯技术效率和规模效率，分别表示在一定（最优规模时）投入要素的生产效率、由于管理和技术等因素影响的生产效率和由于规模因素影响的生产效率。

（2）超效率DEA模型。

由于DEA模型无法对同时有效决策单元（效率值为1的决策单元）进行比较和深入分析，文献[24]提出了超效率DEA模型。通过将评价的决策单元排除在外，对有效前沿上的评价对象进行重新测算，从而实现对有效决策单元的进一步比较和排序。构建模型如下。

输出的效率指标为超效率值，对于无效决策单元，其超效率值和综合效率值相等；对于有效决策单元，其超效率值大于1，能够体现其生产效率之间的差异。

1.2 TOPSIS

本文采用TOPSIS法来计算各个方案与理想解的相对贴近度，从而对绩效结果为1的省域风力发电绩效进行二次评价，并根据评价结果进行排序。

1.3 空间自相关分析

1.4 空间面板模型

2 实例分析

2.1 风力发电绩效测算及动态化分析

通过DEA模型对全国30个省域的风力发电绩效进行测算，在测算过程中，选取风电累计装机容量、风电年投资成本作为投入要素指标，选取风电年发电量、风电年利用小时数作为产出要素指标。本文选取2013—2019年全国30个省域的有关数据作为样本，由于西藏及港、澳、台地区部分数据缺失，因此不纳入考察范围。

通过收集到的面板数据，采用deap2.1软件，采用投入导向可变规模报酬对中国30个省域每一年的风力发电投入产出数据进行测算，得出综合效率（ET）、纯技术效率（EPT）、规模效率（ES）以及规模收益状态，具体结果如表1所示。其中：ET为1表示该省风电的投入产出是综合有效的；EPT为1表示在目前的技术水平下，该省风电的投入产出是有效的；ES反映实际规模与最优生产规模的差距。

表1 2013—2019年中国各省域风力发电绩效整体分析Table 1 Overall performance analysis of wind power generation of various provinces in China from 2013 to 2019

由表1可知，2013—2019年全国各省域风力发电绩效整体有上升趋势，平均综合效率值偏低和规模收益递减的省域数整体呈现递减趋势。具体表现在以下几个方面。

（1）从时间维度来看，2013—2019年，每年大概5个省域处于综合效率最佳和规模最佳的最优状态，投入的资源和成果的产出基本上保持一致；但每年处于最优状态的省域数量较少，主要集中在北京、天津、上海及福建。

（2）从效率分解维度来看，2013—2019年的平均规模效率为0.930，平均纯技术效率为0.810，平均综合效率为0.750。显而易见，综合效率最低，从综合效率的维度来看，在这7年全国各省域风力发电平均综合效率并不高，说明其上升空间还很大；而各省域的纯技术效率并没有规模效率那么高，说明各省域的风电技术水平还有很大的提升空间，投入资金没有被有效使用从而达到资源的合理配置，因此，各省域的风电相关管理制度需要不同程度的进一步完善，投入和产出结构需要优化调整，技术水平才能进一步提高。

（3）从规模收益来看，全国各省域风力发电的投入与产出资源的配置有待进一步提高，全国风电规模收益呈现不变状态平均省域数有6个，占省域总数的五分之一，规模收益递减的省域平均数量有17个，而处于规模收益递增的省域平均数量为7个，仍有少数省域处于规模收益增加阶段，这部分省域的个数有逐渐减少的趋势，虽然中国处于弃风现象较为严重的环境下，但不同地区仍应区别处理，在风能资源匮乏的地区应当适当增加资源投入，从而使得这部分省域风电绩效得到提高，产生更多风力发电成果。

根据DEA模型测算结果，将全国30个省域分为东部地区、中部地区和西部地区，可以得到2013—2019年东、中、西部三大区域的风力发电绩效，如图1所示。从全国总体来看，2013—2015年之间风电绩效略有下降趋势，但从2016年开始，风电绩效开始明显上升。从三大区域历年的风电绩效值来看，区域之间的风电绩效存在一定的差异，由图1可知，东部最高、西部次之、中部最低。东部地区风电绩效整体上得到了改善，技术效率和规模效率的提高均对风电绩效的改善起到了推动作用。中部地区风电绩效整体呈上升趋势，但波动较大，较不稳定，规模效率的不断提高对风电绩效的改善起到了积极作用。西部地区风电绩效总体来看也是上升趋势，与技术效率和规模效率的提高均有关。东、中、西三大区域风电绩效的差异主要来自于规模效率的差距。

图1 三大区域风力发电绩效Fig. 1 Performance of wind power generation in three major regions

以2019年数据为例，结果显示北京、天津、内蒙古、上海、四川和云南共6个省域的风力发电综合效率为1，绩效排名最优。对30个省域的风力发电绩效进行排序，将综合意义最强的综合效率作为第一排序规则，综合效率值越大排名越优。在“碳达峰·碳中和”目标下，中国明确了风电、太阳能的“碳达峰”贡献度，未来十年风电规模将大幅增长，因此，规模效率更应被关注，将其作为第二排序规则，而纯技术效率作为第三排序规则，即综合效率值相同时规模效率值越大排名越优，综合效率值、规模效率值相同时纯技术效率值越大排名越优。

经典的DEA模型无法实现对效率值为1的DMU的进一步比较，为了解决此问题，已经有学者采用超效率DEA模型[25]。为了验证本文采用的DEA-TOPSIS模型对于风电绩效评价的有效性和适用性，分别采用超效率DEA和DEA-TOPSIS模型评价2013—2019年中国各省域风电绩效，将结果进行比较，并结合各省域实际风电发展情况，判断哪个方法的结果更为贴近实际情况，即哪个方法更适合用于评价中国各省域风电绩效。

对综合效率值为1的省域，通过TOPSIS模型按步骤进行仿真计算，根据2019年各省域的风力发电绩效值及其分解结果，计算得出风电累计装机容量权重为0.281，风电年投资成本权重为0.165，风电年发电量权重为0.390，风电年利用小时数权重为0.164。通过式（5）～（17）计算贴近度，结果如表2所示。按照上述排序规则，对绩效优劣程度进行排序如下：内蒙古＞云南＞四川＞上海＞天津＞北京。通过超效率DEA模型对2019年各省域的风电绩效进行评价，并按照评价结果进行排序，效率值小于1的省域的排序与DEA-TOPSIS模型计算结果的排序相同，但效率值为1的6个省域的排序为：内蒙古＞北京＞云南＞四川＞上海＞天津，两者的区别在于北京的排名。2019年北京的风电累计装机容量仅为19万kW，而云南、四川、上海和天津分别达863万、325万、81万、60万kW，北京实际风电整体发展情况，包括风电资源和风电发展潜力，比云南、四川、上海和天津薄弱许多。但超效率DEA模型的计算结果显示，北京的风电绩效结果高于这4个省域。因此，DEA-TOPSIS模型的计算结果更符合风电实际发展情况。采用DEATOPSIS模型对2013—2018年风力发电绩效进行评价，各省每年风力发电绩效排名如表3所示。

表2 2019年TOPSIS模型结果Table 2 Results of the TOPSIS model in 2019

表3 2013-2019年中国各省域风力发电绩效排名Table 3 Wind power performance ranking of various provinces in China from 2013 to 2019

由表3可知，2013—2019年，北京、天津、上海、福建等省域的风力发电绩效排名靠前且较稳定，因为这些地区的风力发电技术比较成熟，风电消费水平高，弃风率较低，风力发电发展科学且快速。然而，湖北、贵州等省域的风力发电绩效较低，主要是因为这些地区的风能资源匮乏，风力发电发展滞后，导致其纯技术效率和规模效率较低，整体排名较落后。其中，贵州的风力发电绩效排名有略微上升趋势。这可能是因为贵州曾经是以恶劣的气候条件和崎岖的地形而被认为是一个无“风”的省域，但截至2016年5月，贵州根据当地地形和气候条件，已建成了66座风电场，装机容量327.8万kW，形成了中国高原风电的贵州特色。

中国风能资源开发的重点区域为东北三省、内蒙古、甘肃、新疆等，但这些省域的排名却并不理想。截至2014年，内蒙古风电装机容量达到全国风电总装机容量的1/4，但绩效排名却不尽人意，是由于当地弃风现象较为严重，风电性能较差。但从2017年开始，内蒙古的排名开始上升，这可能是因为内蒙古不断优化电网运行方式，提高风电调度管理水平，积极开发风电供热项目，从而提高电网吸纳风电比例，最大限度减少“弃风”现象。

2.2 风力发电绩效的空间集群状况分析

为了进一步探究中国各省域风电绩效的空间分布格局和集群情况，通过以选取的30个省域为空间单元，选取2013年和2019年2年各省域的风电绩效值作为衡量指标，运用全域空间相关性指数Moran’s I及Moran’s I散点图对各省域的风力发电在空间上是否存在自相关进行检验。

通过计算得出2013年和2019年Moran’s I指数值分别为0.207和0.282，并绘制出Moran’s I散点图，如图2和图3所示。可以看出，中国各省域的风电绩效在空间上呈现出正的自相关性，表明风力发电绩效的分布并不是随机的，而具有空间上的依赖性。Moran’s I散点图将30个省域的风电绩效分为四个象限的空间相关模式，用以识别各个省域与其他邻近省域之间的相互关系。

图2 2013年风电绩效Moran’s I散点图Fig. 2 Moran’s I scatter plot of wind power performance in 2013

图3 2019年风电绩效Moran’s I散点图Fig. 3 Moran’s I scatter plot of wind power performance in 2019

根据图2和图3可以发现2013年有21个省域表现出正向的空间相关关系，占样本总数的70%，反映出风力发电绩效具有高水平区域集中、低水平区域分散的特点。2019年有22个省域表现出正向的空间相关关系，集中在第一、三象限的省域占样本数的73.3%，表明风力发电绩效水平高的地区在空间上相互聚集，风力发电绩效水平低的地区也形成了低水平的聚集圈。Moran’s I散点图再次证明了风力发电绩效存在显著的空间依赖性。

2.3 风力发电绩效的影响因素分析

由风力发电绩效测算结果及空间自相关性检验可知，2019年风力发电的Moran’s I值为0.282，且通过了1%水平的显著性检验，表明全国各省风力发电绩效水平存在区域差异性，在构造模型时，有必要纳入空间因素。以前文测算的中国各省风力发电绩效为被解释变量，从GDP、RWC、PPOW、CNWPP和PA5个维度出发，收集中国各省域2013—2019年的相关数据，对风力发电绩效影响因素进行研究。

首先通过LM检验和稳健LM检验判断适合的模型，结果如表4所示。SEM的LM检验和稳健LM检验均通过了1%水平的显著性检验，但SLM的LM检验和稳健LM检验均未通过1%水平的显著性检验，因此，选择SEM更合理，说明各省域的风电绩效除了受自身要素影响，还受邻近省域风电发展的影响。空间Hausman检验通过了1%水平的显著性检验，说明空间面板固定效应模型更合适。因此，分别采用混合OLS、SEM模型（包括时间固定、空间固定和双固定）来分析影响各省域风电绩效的主要因素，结果如表5所示。

表4 模型的LM检验结果Table 4 LM test results of the model

表5 2013-2019年风电绩效影响因素空间计量结果Table 5 Spatial econometric results of influencing factors in wind power performance from 2013 to 2019

由表5可知，不包含空间权重矩阵的普通最小二乘法（OLS）的拟合度没有考虑了空间地理因素影响的SEM模型的拟合度好，这与本文空间自相关性检验的结果一致。根据SEM模型的结果，可以发现时间固定模型的Log-Likelihood值和Ajust-R2值最大，模型拟合效果最优，因此选择时间固定的SEM模型来分析风电绩效影响因素。

（1）地理近邻性对中国风电发展具有正向影响，模型结果显示中国风电绩效SEM模型影响系数为0.285 8，在1%显著性水平下通过了检验。造成这种情况的原因主要包括两方面。1）邻近省域之间的技术交流合作加强，有利于风电核心技术知识溢出和区域内创新资源的整合和利用，从而提高风电技术创新水平。2）邻近省域风电先结合，再将电力输送到电力负荷需求中心，能够大大降低风电整合的成本。因此，应增加省域之间的风电技术和特高压建设的联系，解决跨省跨区可再生能源交易壁垒。

（2）GDP与风力发电绩效有较强的正向相关性，GDP的回归系数是1.198 1，说明区域经济发展水平每提升1%，风力发电绩效将提升1.198 1%。现阶段中国经济增长仍非常依赖非可再生能源发电，风电还无法在电源供应方面占据重要地位，但是国家仍然大力鼓励和扶持风电项目投资，在经济政策、财政政策等在出台并实施的过程中，风力发电项目的发展受经济因素影响较大。

（3）RWC和PA对风力发电绩效有一定的负向作用，RWC的影响作用更大些，其影响系数为-0.803 2，在1%显著性水平下通过了检验，足以说明其对风电绩效的负向影响。弃风现象严重影响风电企业的经济利益，制约风电经济效益的发挥，降低风电产业的积极性，尤其在风能资源充足的省域，如新疆、吉林、内蒙古等。中国已经采取了很多措施，包括加快特高压技术的研究和应用，加强长距离特高压送电通道的建设。PA的空间相关系数不显著，说明PA对风电的集聚影响较小。但电价上网政策下对风电资源的盲目投资和开发也是造成弃风的主要原因，风电电价的幅度调整和不统一直接影响风电项目投资和风电市场经济水平的提高。因此，应当合理管控风电市场，避免造成盲目投资的现象，对于曾经风电产能过热的地区，采取保守政策。

（4）PPOW对风力发电绩效有正向相关性。与水电、火电等传统发电方式相比，风电竞争力薄弱，较难实现大规模发展。CNWPP的增加在一定程度上也能够促进风电的发展，但其影响程度弱于PPOW。因此，应当加强财政投入和政策扶持，支持贫困地区发展风电，进而促进风电发展。

3 结论与建议

伴随着全球对生态环境保护的坚决态度的不断加深，在国内碳减排的背景下，大力发展风电项目，成为中国资源有效开发并利用的重要发展方针。本文采用DEA-TOPSIS法对全国各省的风力发电绩效进行测算，并与超效率DEA模型的测算结果对比发现DEA-TOPSIS法的结果更符合各省风电发展情况，然后分析了风力发电绩效的空间集群状况，最后基于空间面板模型对风力发电绩效的影响因素进行分析和研究，探究影响中国风电发展的主要因素，从宏观的角度分析中国风力发电发展的现状，并提出相应的政策建议，对于解决中国风力发电目前面临的瓶颈具有重要意义。本研究主要得出以下结论和建议。

（1）2013—2019年，中国各省域风力发电绩效整体有上升趋势，处于最优状态的省域主要集中在福建、天津、北京和上海。各省域的纯技术效率整体低于规模效率，说明风电技术水平有很大提升空间，投入资金没有被合理使用从而达到资源的最优配置，各省域应当根据当地情况“差别化”地完善风电相关管理制度，优化调整投入和产出结构，进一步提高技术水平，进而使中国风电从粗放式的数量扩张，向提高质量、降低成本的方向转变。

（2）弃风限电是制约风电发展的重要因素。弃风现象较严重的地区，如新疆、吉林、内蒙古、甘肃等，风能资源十分丰富且开发良好，风电绩效排名却差强人意。对于这些地区，应当挖掘系统调峰能力，例如，充分发挥抽水蓄能电站作用服务风电消纳，加快消纳平台建设进而提高风电各环节的积极性，还可以加快推进风电清洁供热等，最大限度减少“弃风”现象。此外，电力传输通道建设也是避免风电资源浪费的有效措施。

（3）由空间误差模型结果可知，地理近邻性对风电发展有正向影响，主要是因为邻近省域之间的技术交流有利于风电核心技术知识溢出和风电技术创新水平的提高，并且邻近省域之间先将风电结合再输送到电力负荷需求中心将大大降低风电整合成本。因此，应增加省域之间的风电技术和特高压建设的联系，解决跨省跨区可再生能源交易壁垒。

（4）各省风力发电绩效影响因素排名为：PGD（1.198 1）＞RWC（-0.803 2）＞PPOW（0.461 1）＞CNWPP（0.324 8）＞PA（-0.258 5）。PGD对风电发展有正相关作用，而RWC对风电发展有负向作用，PPOW和CNWPP对风电绩效也有一定正向作用，对于风能资源匮乏地区，如湖南、贵州等，应当加强财政投入和政策扶持，推动当地的风电发展。