0 引言

气候变化问题以其成因的复杂性,影响的广泛性,可能损失的严重性以及排放管理的全球合作性等特点正日益成为举世关注的焦点. 全球气候变暖在很大程度上是由于大气中CO$_{2}$等温室气体浓度的急剧上升,而这又与人类活动所带来的大量的化石燃料的燃烧紧密相关^[1]. 因此,采取行之有效的措施以控制CO$_{2}$等温室气体的排放已刻不容缓.

常见的控制CO$_{2}$排放的措施有很多,包括:植树造林提高森林的固碳能力,提高能效标准以节约能源,发展替代能源技术减少化石能源的使用等. 此外,碳捕获与封存技术 (CCS)作为一种过渡性的减碳技术近年来也受到越来越多的关注^[2]. 根据IEA预测,在2摄氏度温控目标下,全球CCS技术每年的CO$_{2}$减排潜力至少为40亿吨,其减排贡献可以达到19%. 而到2050年,全球通过CCS技术捕集的CO$_{2}$将超过100亿吨^{[3, 4]}. 若CCS技术在未来得到广泛应用,那么全球每年排放到大气中的CO$_{2}$有望降低20%$\sim$40%^[5].

CCS技术对于中国具有特别的意义. 一方面,中国作为全球最大的新兴经济体,未来经济的大力发展还有赖于大量的能源投入. 同时,我们也是煤炭生产和消费大国,煤炭发电比率长期以来一直稳居70%以上,即使未来在提高能效和发展可再生能源方面做出了足够的努力,2030年时中国的煤炭消费占能源总消费的比重仍将超过50%^[6]. 因此,在相当长一段时期内,依靠高碳的煤炭来支撑中国经济发展的现状将难以改变; 另一方面,全球的气候变化形势正日益严峻,作为碳排放大国,未来中国势必将承担更多的自主减排任务,继而在减少碳排放和缓解气候变化方面作出应有的贡献. 由此可见,CCS技术将是能同时实现稳定经济发展和减少碳排放的重要技术选择.

近年来,CCS技术的相关问题是能源环境领域的研究热点,探讨的主题包括:CCS技术的减排潜力,CCS技术投资评价,经济性以及气候政策下CCS的发展等^{[7, 8, 9, 10, 11, 12]}. Odenberger等^[13]考察了2050年之前,碳减排背景下CCS技术在欧洲电力市场中所扮演的角色. 作者认为在CCS技术发展强劲的前提下,欧洲有望在2050年达到减排85%的目标,届时装备CCS的电厂将最高达到50%. Golombek 等^[14]通过评价CCS技术在欧洲电力市场的发展潜力,发现:当碳税或者碳价达到30美元/吨CO$_{2}$时,投资CCS煤电厂是有利可图的,而补贴政策的实施将显著提高CCS电厂对传统电厂以及风电的替代能力. Lohwasser等^[15] 认为投资成本是影响CCS技术扩散的主要因素,当投资成本为1400欧元/kWh,2025年欧洲将有16% 的煤电厂装备CCS设备,而当投资成本翻倍时,该份额值将低到2%左右. 此外,还有一些研究关注政策背景下CCS技术的成本演化,认为碳税、补贴以及学习效应是影响CCS成本下降的关键因素^{[16, 17, 18]}.

从当前的研究现状来看,有关CCS技术的研究多集中在全球层面,鲜有文章考察气候政策背景下中国CCS技术的成本演化及发展潜力. 事实上,中国作为全球最大的新兴经济体和排放大国,同时也拥有最可观的碳封存潜力,研究气候变化背景下CCS技术在中国的发展将具有十分重要的意义. 另外,CO$_{2}$资源化利用是CCS技术应用的重要方面,这包括其在强化采油(EOR),强化采煤层气 (ECBM) 以及其它在食品和工业方面的应用. 中国较早提出了碳捕获、利用和封存技术 (carbon capture use andstorage,CCUS) 的概念,即在原有CCS技术的捕获和封存环节之外增加了碳利用环节^[19]. 显然,CO$_{2}$资源化不仅有利于捕获CO$_{2}$的安全处理,同时也能有效降低CCS技术的使用成本,继而提高其在减排技术市场中的竞争力,这对于加速CCS技术扩散意义重大. 此外,比较同等政策条件下CCS技术与其它可再生能源技术间的成本竞争力,并考察技术学习和CO$_{2}$资源化利用程度对CCS成本演化影响的研究也具有显著的现实意义. 我们的工作将主要围绕以上几个方面展开. 1 中国能源-经济-环境内生技术模型 (CE3METL模型)

CE3METL模型 (Chinese energy-economy-environmental model with endogenous technological change by employing logistic curves) 是中国单部门能源-经济-环境内生技术增长模型. CE3METL内生考虑基于经验学习的技术进步,并将能源技术划分碳基能源技术、低碳能源技术和无碳能源技术三类,其中碳基能源为煤炭、石油和天然气等化石能源; 低碳能源技术包括整体煤气化联合循环与碳捕获与封存技术组合技术(IGCC+CCS),传统粉煤发电技术与CCS组合技术 (PC+CCS); 而无碳能源技术主要包括水电、核电、生物质能和其它可再生能源技术. 模型结构见图 1.

CE3METL模型假设存在一个具有前瞻性的(for- ward-looking)中央计划人,它通过选择最优的投资、消费路径来最大化全社会的福利($Utility$). 此处,福利主要通过人均消费 ($c$) 来度量,因此,模型的目标函数可表示为:

${\rm Max}\sum_t\left(L(t)\cdot\log\left(\frac{c(t)}{L(t)}\right)\prod_{v=0}^{t}\left(1+\sigma(v)\right)^{-\Delta t}\right)$

(1)

其中$L$是人口数,效用贴现因子通过时间偏好率$\sigma$来表示,且

$\sigma(t)=\sigma_0\cdot{\rm e}^{-d_{\sigma}\cdot t}$

(2)

$d_{\sigma}$是时间偏好率的年递减因子. 1.1 经济模块

CE3METL生产过程主要通过科布-道格拉斯(Cobb-Douglas)型的常弹性替代生产函数来描述,投入因素包括资本($k_{t}$),劳动 ($L_{t}$) 以及能源 ($e_{t}$),即:

$y(t)=(\alpha(t)\left(k(t)^{r} L(t)^{1-\gamma}\right)^{\rho}+\beta(t)e(t)^{\rho})^{\frac{1}{\rho}}$

(3)

其中$y(t)$表示产出,$\alpha$表示资本与劳动力组合中的技术进步水平,$\beta$刻画自动的能源技术进步水平,即包括所有非价格因素所导致的能源效率改进. $\gamma$和$\rho$分别表示资本值份额以及资本-劳动投入组合与能源投入之间的替代常弹性. 新一期的资本存量表示为上一期资本贴现存量与当期新增投资 ($I$) 之和,

$k(t+1)=(1-\delta)k(t)+I(t+1)$

(4)

为了便于模型刻画能源投入与经济产出之间的双向关系,CE3METL将国内生产总值(GDP)表示为产出与能源成本之差^[20]:

$gdp(t)=y(t)-ec(t)$

(5)

其中,能源成本$ec$则表示为能源投入与复合能源价格($pe$)的乘积,即:

$ec(t)=e(t)pe(t)$

(6)

此外,GDP主要用于投资、消费以及进出口支出,其分配方程可通过下式来表征:

$gdp(t)=I(t)+c(t)+x(t)-m(t)$

(1)

其中,$x$和$m$分别表示出口和进口. 同时,根据中国历史进出口状况,模型还设定了出口占GDP的比重下限 ($\theta_{1}$) 和进口占GDP比重的上限($\theta_{2}$),从而,模型的进出口沿着边界动态变化:

$x(t)\ge\theta_{1} gdp(t)$

(8)

$m(t)\le\theta_{2} gdp(t)$

(9)

1.2 能源技术模块

利用修改的引入碳税、补贴等政策变量的Logistic技术扩散模型来丰富内生经济增长模型的能源技术演化部分是CE3METL模型的特色. 一方面,在传统自顶向下模型框架中引入了自底向上的元素,有效地提高了传统自底向上模型在刻画能源技术演变方面的能力; 另一方面,也便于我们研究多种能源技术间基于学习成本递减的替代演化,减少了通过传统常弹性替代函数方法描述能源技术间相互替代时弹性值选择所带来的不确定性. 修改的Logistic模型可以表示为^[21]:

$\frac{\mathrm{d}s_{i}(t)}{\mathrm{d}RP_{i}(t)}=a_{i}(t)s_{i}(t)\left(\hat{s}_{i}(t)\left(1+s_{i}(t)- \sum_{i} s_{i}(t)\right)-s_{i}(t)\right)$

(10)

其中,$s_{i}$是各种能源技术在一次能源消费中的份额,为$\hat{s}_{i}$能源技术的份额上限,一般通过资源潜力的评估结果来给定,且$\hat{s}_{i}\in(0,1)$,$a_{i}$为技术间的替代参数. 由于$RP_{i}$表示的是参考技术与替代技术的相对价格(CE3METL模型以煤炭为参考能源技术),因此,传统的Logistic模型中份额关于时间变化式修改为了技术份额关于相对价格的变化. 当从价施行碳税和补贴政策时,能源成本和政策激励两个与技术扩散和替代密切相关的因素就被考虑进了Logistic模型中,

$R{P_i}(t) = \left\{\begin{array}{l} \dfrac{{{C_{\rm coal}}(t)\left( {1 + ta{x_{\rm coal}}(t)} \right)}}{{{C_i}(t)\left( {1 - su{b_i}(t)} \right)}}, {\rm{ }}\qquad\qquad i = {\rm{NUC,HYD,BIO,WIND,OTHER}} \\[2mm] \dfrac{{{C_{\rm coal}}(t)\left( {1 + ta{x_{\rm coal}}(t)} \right)}}{{{C_i}(t)\left( {1 + ta{x_i}(t)} \right)}}, {\rm{ }}\qquad\qquad i = {\rm{OIL,GAS}}\\[2mm] \dfrac{{{C_{\rm coal}}(t)\left( {1 + ta{x_{\rm coal}}(t)} \right)}}{{{C_i}(t)\left( {1 + ta{x_i}(t)} \right)\left( {1 - su{b_i}(t)} \right)}},{\rm{ }}\qquad i = {\rm{PC + CCS,IGCC + CCS}} \\ \end{array} \right.$

(11)

式中$C_{\rm coal}$和$C_{i}$分别表示煤炭和替代能源技术的使用成本,对技术PC+CCS以及IGCC+CCS而言,其成本是指燃料成本 ($C_{i}^{\rm f}$),技术成本 ($C_{i}^{\rm te}$)以及CO$_{2}$资源化利用收益($R_{i}^{\rm use}$) 的总和,即:$C_{i}(t)=C_{i}^{\rm f}(t)+C_{i}^{\rm te}(t)-R_{i}^{\rm use}(t)$. 当前,CO$_{2}$的资源化利用规模还较小,且主要用于增强采油和增强采煤层气等方面. $tax_{\rm coal}$表示煤炭的从价碳税税率,$tax_{i}$和$sub_{i}$分别为各能源技术的碳税率与补贴率($\mu$价). CO$_{2}$资源化利用收益可表示为:

$R_{i}^{\rm use}(t)=\lambda \frac{cu_{i}(t)C_{\rm oil}(t)}{cap_{i}(t)}\left(\frac{capr_{i}s_{i}(t)}{\sum\limits_{k} capr_{k}s_{k}(t)}\right), \quad\quad i=\mbox{PC+CCS,\ IGCC+CCS}$

(12)

此处,$cu_{i}$为CO$_{2}$资源化利用量,$\lambda$为CO$_{2}$与增强采油的置换系数,$capr_{i}$表示PC+CCS与IGCC+CCS技术的碳捕获率. 从而,技术$i$的碳捕获量为:

$cap_{i}(t)=capr_{i}s_{i}(t)e(t)$

(13)

显然,相对价格将受以下两方面的影响: 一方面,将随着参考技术使用成本的上升或替代能源技术成本的下降而上升; 另一方面也会随着碳税和补贴政策的实施而增加. 正是以上两方面因素最终影响着能源技术间的竞争替代和演变.

CE3METL模型采用从价税率的形式来征收碳税,由于各种化石能源的碳排放是同质的,故而对单位CO$_{2}$所征收的税也应当是相等的. 据此,我们可根据煤炭的从价税率计算出石油、天然气以及两种低碳CCS技术的从价碳税税率,即:

$tax_{i}(t)=\frac{tax_{\rm coal}emf_{i}C_{\rm coal}(t)}{emf_{\rm coal}C_{i}(t)},\qquad i=\mbox{OIL,\ GAS,\ PC+CCS,\ IGCC+CCS}$

(14)

$emf_{i}$表示技术$i$的排放因子. 于是,碳税$cart$ (每吨碳的价格)可以表示为:

$cart(t)=\frac{tax_{\rm coal}(t)C_{\rm coal}(t)}{emf_{\rm coal}}=\frac{tax_{\rm oil}(t)C_{\rm oil}(t)}{emf_{\rm oil}}= \frac{tax_{\rm gas}(t)C_{\rm gas}(t)}{emf_{\rm gas}}$

(15)

基于学习的技术进步是降低新能源技术使用成本的重要驱动力^[17],因此,CE3METL将单因素学习曲线内嵌到能源技术模块,以刻画IGCC+CCS,PC+CCS等低碳技术以及风能,生物质能等无碳能源技术的成本演化. 所谓的单因素学习过程,即能源技术成本随着其生产或消费累积而不断下降的过程. 一般而言,累积生产或消费翻倍时技术成本下降的比率定义为这种技术的学习率^[22]. 学习曲线的形式为:

$C_{i}(t)=b_{i}KS_i(t)^{-lx_i}$

(16)

其中$b_{i}$为学习曲线参数, 可通过技术初始成本$C_{i}^{0}$和初始知识存量来$KS_{i}^{0}$来确定. $lx_{i}$为技术学习指数. $KS_i(t)$为第$t$期的知识存量,它将随着生产或消费的增长而不断累积,考虑知识折旧的情况下,新一期的知识存量可以表示为:

$KS_{i}(t+1)=(1-\delta_{i})KS_{i}(t)+s_{i}(t+1)e(t+1)$

(17)

其中$\delta_{i}$为知识资本折旧率. 1. 3碳排放模块

完整的气候变化综合评估模型应该包括碳排放温室效应所引起的全球温度升高的过程,以及气候变暖对人类生产、生活所造成的反馈损失,这包括所有市场化和非市场化的损失^[23]. CE3METL是区域单部门模型,我们的重点是考察中国能源技术发展与碳排放问题,因此,暂不考虑区域碳排放所引起的全球气候变化以及气候损失反馈问题. 人为排放 $emis$通过下式计算:

$emis(t)=\left(\sum_{j} emf_{j}s_{j}(t)+\sum_{k} \left(1-capr_{k}\right)emf_{\rm coal}s_{k}(t)\right)e(t)$

(17)

其中$j$代表煤炭、石油和天然气三种化石能源,$k$表示IGCC+CCS和PC+CCS两种低碳能源技术. 2 数据来源与处理

模型选取2010年为基准年份,且2010年的全国GDP、出口和进口额分别为40. 12、10. 7和9. 47万亿人民币,消费和投资占GDP的比重分别为33. 2% 和69. 1%,而2010年底中国的人口总数为13. 41亿\,^[24]. 此外,根据世界银行和门可佩等对于中国未来人口走势的预测情况,假设未来中国的人口峰值水平为14. 7亿,^{[25, 26]}. 模型的考察期限为2010年-2050年,每5年为一期. 其它关键模型参数见表 1.

中国能源统计年鉴^[29]给出了煤炭、石油和天然气以及核电、水电和其它可再生能源的消费量数据,中国电力监管年度报告^[30]则包含了生物质能、风能等的发电数据,此外,Anderson等^[21]也对风能、光伏太阳能等新技术的成本进行了比较. 据此,我们计算得出基年各种能源的消费份额. 此外,参考国内原煤价格和煤电上网电价,国际原油价格以及天然气进口到岸价,我们设定了煤炭、石油和天然气的单位初始使用成本. 基于化石能源稀缺性考虑以及历史能源价格波动的长期趋势,我们假设未来三种化石能源价格都将呈上升态势,且假定其年均增长率分别为1. 5%,1. 6%和1. 4%^[19](见表 2).

无论对于传统PC火电厂还是新型IGCC电厂,CCS技术的引入都将显著提高其发电成本,并降低发电效率,这也是当前限制CCS技术商业化推广最主要的阻碍因素. 一般而言,CCS设备的引入将使IGCC电厂的资本投资成本提高21. 7%$\sim$23. 8%,管理和运营成本提高10. 5%$\sim$13. 5%,同时发电效率降低7%$\sim$9. 5% ^[11]. 国内方面,西安热工院对北京试验项目的研究表明,CCS系统的接入运作将使煤电厂的发电成本平均上升0. 16元/kWh. 神华集团对旗下IGCC+CC示范电厂项目的调研数据也显示,IGCC+CCS技术的使用将使IGCC发电成本提高40%$\sim$60%. 一般而言,PC+CCS技术的发电成本为0. 43$\sim$0. 66元/kWh,而IGCC+CCS技术的发电成本则在0. 5元/kWh左右^{[14, 17, 31, 32, 33]}.

McDonald等^[34]较早对各种新能源技术学习率进行了估计和对比,认为: 核能技术的学习率为5. 8%,风能和太阳能的学习率在不同国家、不同规模的风电厂有所不同,其中风能技术的学习率大体介于8%$\sim$18% 之间,而光伏太阳能技术则在20%左右. 此外,Mckinsey^[35]认为风能的技术学习率约为13% 左右,而太阳能则可达到23%. 据此,我们设定风能、核能、生物质能和其它可再生能源的学习率分别为12%、9%、14%和20%(表 2). 由于IGCC技术尚未大规模应用,因此暂时无法获得其相关技术数据,当前多用Flue-gas desulfurization (FGD)系统的运行数据来估计IGCC+CCS技术的替代学习率. Rubin等^[36]和Mckinsey^[35]分别估计IGCC+CCS技术的学习率为11% 和12%. Lohwasser等^[15]认为这一数值介于7. 1%$\sim$12. 2%之间,一般而言,仅考虑单因素学习效应时,学习率较低,而同时考虑基于研发和``干中学"的双因素学习效应时,学习率普遍较高. 此外,Li等^[37]指出中国IGCC+CC电厂的投资成本学习率为9. 64%$\sim$20. 22%,发电成本学习率为7. 26%$\sim$14. 89%,而减排成本的学习率大致介于6. 36%$\sim$14. 62%之间. 综合考虑,CE3METL模型设定IGCC+CCS与PC+CCS技术的平均学习率分别为11. 1%和9. 8%(详见表 2). 3 结果与分析 3.1 情景设置

为考察气候政策背景下,学习效应和CO$_{2}$资源化利用对CCS技术成本演化和技术扩散的影响,我们设定了除参考情景 (REF) 之外的5种政策情景,详见表 3. 对考虑CCUS技术的情景4和情景5而言,我们假设CCUS技术从2015年开始规模化的应用,且当年资源化利用的CO$_{2}$量为1000万吨,以后以每年7%的速度稳定增长. 另外,我们还假设CO$_{2}$主要用来强化采油(EOR),且每2吨CO$_{2}$能够增采1吨石油,不考虑EOR的利用成本¹.
1. CO$_{2}$资源化利用在未来处置CO$_{2}$方面较有潜力,且能有效降低CCS技术的应用成本. 然而,中国目前还没有相关系统调查或估算以评估CO$_{2}$资源化利用的总体市场潜力^[19].

3.2 政策背景下的CCS成本演化分析

不同情景下,IGCC+CCS和PC+CCS组合技术的技术成本变化情况如图 2所示(即不包含燃料成本和碳处置成本). 从图 2不难看出,尽管各种政策情景下的CCS技术成本都呈现出较为明显的递减趋势,但是其他碳税情景对CCS技术成本的影响十分有限,而高学习效应对其成本演化的影响最为显著. 由此可见,经验学习是影响CCS技术成本变化最关键的因素. 在高学习效应的作用下(情景2),2010-2050年两种技术成本的累积降幅都达到30%左右,而在参考情景REF下,这一降幅仅为15%.

在技术学习效应的作用下,各种技术的成本都呈现出明显的下降趋势(与参考情景REF相比),见图 3-左. 2030年时,初始成本最高的其它可再生能源技术和生物质能成本分别下降4000和2200元/吨标煤,但是其成本依然显著高于其它能源技术. 同时,由于燃料成本逐年上升,随着时间的推移,技术成本的下降力度难以完全冲抵燃料成本上升对总成本所带来的拉升影响,因此,IGCC+CCS与PC+CCS技术的使用成本呈现出先降后升的态势,即使考虑CO$_{2}$资源化利用收益的情况下这一结论依然成立. 从图 3-左可以看出,当燃料价格以年均1. 5%的速度增长时,即使到2030年,IGCC+CCS与PC+CCS技术与风能和核能相比,依然不具有成本优势,即使在考虑了CO$_{2}$资源化利用的CCUS情景下 (情景4和情景5),其成本仍高于风能和核能. 倘若燃料成本维持相对稳定,那么在高学习以及CCUS情景下(IGCC+CCSR和PC+CCSR),两种低碳技术的成本才显现出明显的优势.

从2050年各种情景下的技术成本来看 (图 3-右),其它可在生能源维持高昂,尽管其成本已经进一步降到了约6600元/吨标煤,但其成本依然显著高于其他技术. 与2030年比,生物质能的高成本状况有了明显的改善,多数情景下,其成本已低于PC+CCS技术. 值得注意的是,2050年,风能的成本较之核能已呈现出一定的优势. 与此同时,CCS技术与风能的成本差距正在逐渐拉大,PC+CCS和IGCC+CCS技术与风能技术的使用成本差距约分别从2030年的1100和450元/吨标煤增加到2050年的1900和1100元/吨标煤左右. 这意味着,随着燃料成本的上升,CCS技术对风能、核能等可再生能源技术的成本竞争力将进一步下滑. 此外,从图 3中我们还可以看出,若未来的燃料价格保持相对稳定(情景PC+CCSR与IGCC+CCSR),那么只有在CO$_{2}$资源化利用情景下,到2050年,CCS技术较风能和核能技术才具有明显的成本优势. 3.3 CCS技术扩散分析

表 4展示了2030年和2050年PC+CCS和IGCC+CCS两种低碳技术占一次能源消费的份额变化情况. 鉴于PC+CCS技术较IGCC+CCS技术的长期成本优势,前者的发展态势要明显优于后者,2050年两种技术在不同情景下占一次能源消费的最高份额将分别达到6. 59%和2. 63%. 对比低学习情景1和高学习情景2可知,学习能明显加速CCS技术的扩散,且这种加速效果随着时间的推移而增强. 对于PC+CCS,2030年时,学习效应的增强能使其市场份额提高0. 46%,而到2050年,这一市场份额增幅将达到2. 34%; 这一结论同样可以从IGCC+CCS技术的发展变化中得到佐证. 技术学习能显著促进其成本的降低,而成本则是加速技术扩散的关键.

针对性补贴政策对技术扩散的影响也很明显(情景1和情景3). 在无补贴情况下,2030年PC+CCS与IGCC+CCS技术的市场份额仅分别为1. 03%和0. 47%,而补贴引入后其份额将增加到1. 36%和0. 62%,增幅均达到30%以上; 2050年时,补贴引入之后两种技术份额的增幅更高,分别达到66. 35%和76. 35%.

资源化利用对技术扩散的正向作用受到资源化利用的CO$_{2}$量的显著影响. 随着2030年以后CO$_{2}$利用量的增加,CO$_{2}$资源化利用对CCS技术扩散的激励作用逐渐显现,到2050年,资源化利用情景4下CCS技术的总份额比情景1高出2. 33%. 而补贴政策的引入能促使CO$_{2}$资源化利用对CCS技术的促进作用更早地发挥. 如与无补贴的CCUS情景(情景4) 相比,当引入补贴时(情景5),2030年的CCS技术份额就开始增加,到2050年这一增幅将达到2. 29%.

为考察CCS技术在煤电行业中的发展状况,我们假设2050年时发电耗煤占总煤炭消费的比重达到美国当前的水平,即80%. 那么,届时CCS电厂在煤电行业中的发电份额将最高达到26. 77%,对应于同时施行补贴政策和考虑CO$_{2}$资源化利用的情景5 (表 5). 事实上,情景2下,CCS在煤电部门的应用比例也相对较高,达到23. 37%,较参考情景高出19. 42%. 这也是学习效应对CCS技术扩散的促进作用的有力体现. 技术扩散多遵循S型发展规律,CCS技术也不例外,从早期的示范项目阶段的利基 (niche) 市场,到技术发展中期的快速扩散,再到技术逐渐成熟的饱和阶段^[17]. 显然,中国2030年到2050年是中国CCS技术快速成长的关键阶段,技术还远未达到饱和,可以预料,未来CCS技术在煤电厂中的装备比率将更高.

4 结论与政策建议

本文利用自主构建的中国单区域能源-环境-经济内生技术模型CE3METL研究了气候政策背景下CCS技术的成本演化,技术发展潜力等问题. 理论方面,首先,我们将改进的Logistic技术扩散子模型内嵌到能源-经济-环境系统模型的技术模块中,增强了传统模型在研究多种能源替代方面的能力. 其次,我们还在模型中嵌入了表征内生技术进步的学习曲线,便于考察学习效应对CCS技术成本演化和技术扩散的影响; 再次,我们还针对未来中国CO$_{2}$资源化利用的前景,特别考察了CCUS技术的引入在培养CCS成本优势等方面的作用. 应用方面,我们将关注点投向当前较为热点的中国CCS技术发展问题,利用CE3METL模型考察了CCS技术在不同时期、不同政策环境下的成本演变情况,比较了PC+CCS和IGCC+CCS两种低碳技术较风能、核能以及生物质能等新能源的成本优势,分析了CCS技术在发电部门的技术扩散潜力,并探讨了学习效应以及CO$_{2}$资源化利用对CCS成本演变和技术扩散等的影响.

通过研究发现: 经验学习是影响CCS技术成本变化最为关键的因素. 尽管各种政策情景下的CCS技术成本都呈现出较为明显的递减趋势,但是其它碳税情景对CCS技术成本的影响十分有限,而高学习效应对其成本演化的影响最为显著; 与风能、核能等新能源技术相比,CCS技术不具有长期的成本优势,燃料成本的上升是造成这一结果的主因; 另外,尽管CO$_{2}$的资源化利用收益能在一定程度上对冲掉部分使用成本,但是这种冲抵效果也只有在燃料成本相对稳定的情况下才能凸显; 学习能明显加速CCS技术的扩散,且这种加速效果随着时间的推移而增强. CO$_{2}$资源化利用对CCS技术扩散的促进作用在技术发展的早期并不明显,但是随着资源化利用强度的不断增加,这一促进作用将显著增强,而补贴的引入能够促使这一促进作用更早地发挥.

由此可见,发展CCS技术的关键在于控制其技术成本. 这可以从以下几个方面来努力: 首先,当前我国的CCS技术正处在示范发展的早期阶段,这一阶段离不开政府政策(包括补贴政策等) 的大力支持. 因此,政府应当提供可靠的政策保障以明确地支持CCS技术的发展. 其次,充分利用清洁发展机制 (CDM)等项目融资平台为CCS技术大规模的应用提供激励; 开发完善的保险机制,以降低前景不确定性给CCS项目带来的风险. 这些举措都将促进CCS技术的大规模发展,继而有利于技术学习效应的发挥. 再次,大力开发CO$_{2}$在工业 (增强采油EOR和采气ECBM)和食品加工方面的应用,推动CO$_{2}$的资源化利用产业的发展.