中国风能产业的发展显著减少了二氧化碳排放，并带来了积极的气候效益

《Geography and Sustainability》：Wind energy expansion in China produces substantial CO2 reductions and climate benefits

　　云霞龙|叶宁晨|刘永昌|王洪宇
新疆大学地理与遥感科学学院，乌鲁木齐，830017，中国

摘要
风能在中国电力部门的脱碳过程中起着核心作用，然而其二氧化碳减排效益的评估往往基于静态假设，这些假设忽略了能源系统的动态演变。为了解决这一局限性，我们建立了一个动态评估框架，采用了两种不同的方法：动态高碳替代排放因子（DHC-DEF），该因子假设优先替代高碳基荷电力；以及动态全混合能源替代排放因子（DAM-DEF），该因子反映了不断演变中的电力结构的全系统平均排放强度。利用这一框架，我们量化了风能的减排效益，并在不同的碳社会成本（SCC）情景下对其气候-经济价值进行了货币化评估。结果表明，由于过去二十年中风能的跨越式发展，在DAM-DEF情景下，中国累计减少了3,672.41百万吨二氧化碳排放，产生了约2732.6亿美元的气候效益。到2060年，预计年风电发电量达到6,660太瓦时，将减少至少931.25百万吨二氧化碳排放，实现约335.2亿美元的气候-经济价值。整个时期的累计减排量预计将达到50,101.21百万吨，带来约18036.4亿美元的经济回报。从空间上看，减排贡献主要集中在中国的北部（45.7%）和西北部（15.8%）。值得注意的是，我们的分析结果表明，优先替代高碳或燃煤技术的战略选择有可能使减排效益提高超过50%。此外，鉴于经济估值对SCC的高敏感性，政策制定者应将SCC纳入动态影子定价机制和能源规划中，以支持高质量的风能发展。

1. 引言
根据政府间气候变化专门委员会（IPCC）第六次评估报告，由于人类活动导致的温室气体排放增加是全球气候变化的主要驱动因素，使得2011年至2020年间全球表面温度比1850年至1900年间上升了1.1°C（Grose等人，2023年）。为应对全球变暖的负面影响，世界各国已设定雄心勃勃的目标，即在本世纪末将全球温度上升控制在2°C以下——理想情况下是1.5°C以下（Nieto，2022年）。具体而言，中国承诺在2030年前达到碳排放峰值，并在2060年前实现碳中和。然而，实现这两个目标需要逐步淘汰基于化石燃料的发电方式，尤其是煤炭，并实现能源部门的脱碳（Demetriou和Hadjistassou，2021年）。作为一种清洁和可再生能源，风能在推动全球低碳能源转型和支持2060年净零排放目标及中国的碳中和目标方面具有重要意义（Key?er和Lenzen，2021年）。风能的二氧化碳减排效益主要源于其替代了基于化石燃料的电力生产和相关排放。这些避免的排放价值反映了如果没有这种替代将会产生的潜在环境和社会损害（Millstein等人，2024年）。因此，系统地、全面地评估和量化风能的减排效益已成为与能源转型和气候变化缓解策略相关研究中的关键任务。

先前的研究已经全面评估了风能在全球、区域和国家层面的二氧化碳减排效益，但在研究规模、评估框架和方法假设方面仍存在显著差异（Kuang等人，2022年；Kumar和Madlener，2016年；Li等人，2020年；Su等人，2026年）。全球范围内，最近的研究普遍认为风能是实现本世纪气候目标的关键支柱，其长期累计减排潜力估计达到数百亿吨级别（Barthelmie和Pryor，2021年；Long等人，2023年）。在早期采用风能的地区，如欧洲和美国，过去二十年中风能的持续扩张已经带来了稳定且显著的减排成果。例如，欧洲的风电发电每年可避免约129.1百万吨二氧化碳排放（Ortega-Izquierdo和Río，2020年）。在美国，风能和太阳能的协同发展使2019年至2022年间总的排放量减少了约900百万吨（Millstein等人，2024年）。这些实证结果强调了风能在电力部门脱碳中的关键作用。

此外，中国和印度等新兴经济体的风能产业近年来快速增长，使可再生能源成为未来能源规划的核心（Chabhadiya等人，2021年；Li等人，2024年）。相关研究表明，在高风能渗透率和高太阳能渗透率的情景下，到本世纪中叶，印度的电力部门二氧化碳排放量预计将比以煤炭为主的基准情景低约85%（Lu等人，2020年）。在中国，生命周期评估（LCA）结果显示，风力发电的温室气体排放强度约为19.88克二氧化碳当量/千瓦时，相对于标准的化石燃料发电，减排效率约为98%（Xu等人，2025年）。基于技术潜力的评估显示，到2030年累计减排量可能达到约21.7亿吨（Liu等人，2023年），而基于实际风电场运营数据的分析显示，仅2020年风能就贡献了超过300百万吨的二氧化碳减排量（Li等人，2020年）。进一步的研究预测，到2050年，陆上风能技术将带来约74.2亿吨的累计气候缓解效益，占实现国家碳中和目标的17.2%-45.5%（Li等人，2024年）。然而，大多数现有评估依赖于静态替代排放因子，这些因子假设风能在整个运行生命周期内始终替代碳密集型的燃煤发电（例如，使用大约0.9-1.0千克二氧化碳/千瓦时的固定值）（Barthelmie和Pryor，2014年；Ma等人，2013年）。虽然这种静态假设在风能初期部署阶段是合理的，因为当时煤炭在电力系统中占主导地位，但随着能源转型的加速，其适用性变得越来越有限（Ahmed等人，2025年；Chen等人，2020年；Thomson等人，2017年）。先前的研究表明，随着可再生能源渗透率的提高，电力系统的背景发电结构发生了显著脱碳，导致高碳技术的相对比例持续下降（Fell等人，2022年；Williams等人，2021年；Zhang和Chen，2022年；Dong等人，2025年；Lu等人，2026年；Wang等人，2026年）。此外，热电厂正逐渐从基荷 providers 转变为更灵活的负荷跟踪角色，因此被风能替代的技术及其每单位发电量的相关减排效果会随时间变化，而不是保持不变（Zhu等人，2025年）。在这种情况下，忽略电力系统的动态演变并继续使用固定的高碳排放因子可能无法捕捉到系统范围脱碳带来的“稀释效应”，可能会导致对风能长期二氧化碳减排效益的高估（Millstein等人，2021年）。因此，评估风能在碳中和情景下的减排潜力需要采用动态替代视角，明确考虑电力系统结构的变化。

评估风能减排效益最直接的方法是将其减排效益货币化（Wang等人，2025年）。碳社会成本（SCC）用于评估二氧化碳排放的可量化成本（以货币价值表示），政策制定者广泛使用它来评估气候缓解措施的好处，并将其与减排成本进行比较（Wang等人，2022a）。SCC估算通常使用综合评估模型（IAMs），这些模型结合了对气候系统和全球经济的简化表示，以预测增量二氧化碳排放的经济影响（Caesary等人，2025年；Rennert等人，2022年）。SCC估算在很大程度上依赖于IAMs中的损害函数，关键参数如气候敏感性、代际折现率和区域公平性对最终SCC结果有显著影响（Pizer等人，2014年）。这些不确定性导致了关于SCC估值的许多争议，不同组织使用的碳价格也存在很大差异。例如，(Ricke等人，2018)的一项分析发现全球SCC值相对较高，中位数为417美元/吨二氧化碳（66%置信区间），但国内SCC分布更为不均。同样，(Rennert等人，2022)估计美国的平均SCC值为185美元/吨二氧化碳，是当前美国政府值的3.6倍（51美元/吨二氧化碳）。在中国，SCC的中位数为约36美元/吨二氧化碳（Wang等人，2022a），预计到2100年将升至平均471美元/吨二氧化碳。

基于现有研究及其局限性，本研究旨在解决关于风能在中国不断变化的能源结构下的减排潜力的几个关键研究问题。具体来说，本研究试图回答以下问题：（1）在不同电力系统结构下，传统的静态替代排放因子方法和动态替代方法对二氧化碳减排效益的估计有何差异？（2）这些差异在中国历史和未来的能源转型情景中如何变化？（3）风能减排的气候效益对不同的SCC假设有多敏感？为了解决这些问题，我们系统地分析了中国当前和未来的能源结构变化，并建立了一个改进的动态评估框架。该框架结合了两种动态替代排放因子方法和传统的静态因子方法，使得减排估计值可以相互比较。此外，使用三个代表中国背景的SCC估算对风能的气候-经济价值进行了货币化，并检验了结果对SCC假设的敏感性。

2. 材料与方法
为了系统地评估2006-2060年间风能在中国减少碳排放的潜力和气候效益，本研究开发了一个综合评估框架。如图1所示，方法工作流程包括三个主要阶段：
1) 数据基础和重建，结合历史观测数据和基于情景的预测，使用非线性PCHIP插值方法构建连续的年度发电时间序列；
2) 核心方法框架，应用三部分替代排放因子系统——HC-DEF、DHC-DEF和DAM-DEF——来表示不断演变中的电力系统下的替代逻辑；
3) 二氧化碳减排估值和输出，使用特定于中国的SCC梯度对减排结果进行货币化，以得出具有政策相关性的指标。

下载：下载高分辨率图像（923KB）
下载：下载全尺寸图像
图1. 研究的总体技术路线图，展示了动态替代排放因子评估和气候效益评估的框架。

2.1. 数据和预处理
本研究使用的历史省级发电数据来自中国国家统计局的公共数据库（https://data.stats.gov.cn/easyquery.htm?cn=E0101）。该数据库提供了31个省级行政区域（不包括香港、澳门和台湾）的月度发电统计数据，涵盖了包括热能、水电、核电、风能和太阳能在内的各种能源类型。数据定期更新，最新数据可追溯到上一个月。为了确保可再生能源发展早期的数据完整性，2006-2012年的风电数据和2006-2015年的太阳能数据使用了《中国电力统计年鉴》进行了补充。历史分析从2006年开始，这与中国可再生能源法的实施时间重合，标志着大规模、政策驱动的风能扩张的开始。此外，从这一年开始，省级风电发电统计数据变得越来越标准化和系统化报告，为长期和跨区域比较分析提供了可靠的基础。

未来不同情景的模拟数据采用了综合能源预测模型，该模型结合了宏观层面的自上而下控制与行业特定的自下而上的终端使用分析。预测的发电数据（2025-2060年）来自《中国能源展望2060》（2025年版）（Sinopec，2025年）。该报告基于系统的能源系统建模和多情景分析，概述了在中国实现碳中和目标下的能源结构和发电趋势。该报告具有很高的权威性和科学性，为本研究的长期发电预测提供了可靠的数据基础。在这项研究中，我们选择了“协调转型”情景下的发电预测。该情景旨在2030年前达到碳排放峰值，并在2060年前实现碳中和，假设国际形势稳定，全球产业链重组有序，局部冲突对大宗商品贸易的影响有限。该设想还预见了高质量的国内经济发展、现代化工业体系的加速改进以及生活水平的提升。在这种情景下，天然气充当了过渡桥梁，预计到2035年左右，绿色氢能、储能和碳捕获等低碳技术将具备成本竞争力，确保绿色和低碳目标的及时实现。基于这一情景的电力生成预测为本研究提供了可靠的长期参考。为了构建2025年至2060年的年度发电时间序列，并避免由于五年情景区间之间的线性插值而可能导致的非线性过渡动态损失，本研究采用了一种非线性时间序列重建方法，该方法将历史观测数据与基于情景的锚点结合起来。具体而言，对于在历史时期和未来情景预测中分类定义一致的电力建设技术——即风能、太阳能、水能和核能——通过联合使用历史年际统计数据和五年间隔的情景预测作为锚点来重建年度发电序列。应用了一种保持单调性的分段三次埃尔米特插值多项式（PCHIP）方法来插值年度值。这种方法构建了在相邻锚点之间函数值和一阶导数都连续的平滑插值曲线，有效避免了传统样条插值常见的超调现象，同时保留了能源转型过程中固有的非线性增长或下降特征。插值可以表示为：
(1)Ek(t)=PCHIP{tm,Ek(tm)}m=1M
其中Ek(t)表示技术k在年份t的发电量，{tm}表示历史观测年份和未来情景锚点年份的集合。

在历史统计数据中，热力发电没有进一步细分为燃煤、燃气和其他化石燃料发电，而未来情景预测提供了更详细的化石燃料技术分类。为了确保历史数据与未来数据之间的一致性，我们采用了“总插值-结构分解”方法。首先，使用PCHIP方法对总热力发电量（定义为历史热力发电量以及未来情景中燃煤、燃气和其他化石燃料发电量的总和）进行插值，得到年度热力发电量序列Ethermal(t)。随后，根据这些化石燃料技术在未来情景预测中的比例份额，将总发电量分解为各个单独的化石燃料技术：
(2)Ej(t)=Ethermal(t)×Ejscen(t)Σl∈{coal,gas,other}Elscen(t)
其中Ej(t)表示年份t的燃煤、燃气或其他化石燃料发电量，Ejscen(t)表示来自未来情景数据的相应预测发电量。

对于其他非化石燃料发电，历史统计数据中没有稳定且可比较的独立技术分类，因此不对其进行历史回溯。相反，仅使用未来情景锚点，并通过PCHIP方法对年度值进行平滑处理，以避免引入推测性的或物理上不合理的历史估计。

为了推导出省级水平的未来发电量，我们采用了一种自上而下的比例分解方法，该方法基于最近观察到的发电结构，分别应用于每种发电技术。具体来说，使用了《中国能源展望2060》中的全国发电量预测作为控制总量，并根据各省在2024年的发电量比例来构建空间分配权重。设Pnational,yk表示技术k在年份y的全国预测发电量（例如，燃煤、水能、核能、风能、太阳能、天然气）。省份i和技术k的省级发电量Pik计算如下：
(3)Pik=Pnational,yk×ωik
其中ωik表示省份i对技术k的分配权重，定义如下：
(4)ωik=Pi,2024kΣi=1NPi,2024k
其中Pi,2024k表示省份i在2024年的技术k发电量，N是省份的总数。这一程序确保了省级估计值与全国预测值之间的一致性，同时保留了不同发电技术的观察到的空间分布模式。所有技术和省份的分配权重在补充材料的表S1中提供。

本研究使用的各种发电技术的碳排放因子数据来源于2023年《电力碳足迹因子公报》，该公报由生态环境部、国家统计局和国家能源局联合发布（生态环境部，2023年）。这些数据基于国际和国内的碳足迹核算标准，系统地计算了不同发电类型（包括煤、天然气、水能、核能、风能、光伏等）的单位碳排放量。它反映了目前中国使用的各种发电技术的平均排放水平，填补了国内电力碳足迹因子数据的空白。因此，这些数据被用于构建替代排放因子（DEFs），确保估算的缓解效果与中国能源结构和制度背景相吻合。本研究使用的数据集在表1中进行了总结。

表1. 本研究使用的数据集摘要。

| 数据名称 | 来源 | 空间/时间分辨率 | 预处理 | 目的 |
| -------- | ---------------------- | --------------------- | --------------------------- |
| 省级发电量 | 中国国家统计局 | 省/月 | 聚合、一致性检查 |
| 历史能源结构 | 《中国电力统计年鉴》 | 国家/年 | 聚合、一致性检查 |
| 未来发电量 | 《中国能源展望2060》 | 国家/5年期 | 省级分解 |
| 发电排放因子 | MEE–NBS–NEA（中国） | 国家/静态/DEF构建 | |

2.2. CO2减排的动态替代效应评估
与以往研究中普遍采用的静态替代排放因子方法不同，这些方法假设风能始终且唯一地替代燃煤发电或其他特定的高碳发电，本研究基于(Vázquez Hernández等，2019)及其相关研究提出的动态替代估算框架，建立了一个全面的比较评估框架。从自下而上的角度，我们系统地评估了在中国不断变化的电力系统结构下风能发电的年度和累积CO2减排潜力。为了明确捕捉能源转型过程中不同替代假设所带来的不确定性，我们构建了一个静态情景和两个动态替代排放因子情景。这一比较框架使我们能够严格量化替代路径对估算缓解效果的影响，识别传统静态方法中的系统偏差，并为长期脱碳路径下的风能减排效益提供一个稳健的范围（从下限到上限）：
(1) 高碳替代排放因子（HC-DEF）。该情景假设风能仅替代燃煤发电。相关的CO2减排量计算为风能发电量与固定燃煤发电排放因子的乘积。这一情景代表了现有文献中广泛采用的常规静态煤炭替代假设。
(2) 动态高三碳替代排放因子（DHC-DEF）。在该情景下，假设风能动态替代电力组合中的所有高碳发电技术，包括燃煤发电、天然气发电和其他化石燃料发电。高碳替代排放因子是根据这些化石燃料技术的年度发电份额动态加权平均计算得出的，从而反映了高碳发电结构的时间变化。这种方法反映了优先顺序调度逻辑，即零边际成本的风能通常优先替代燃料密集型热电发电，从而代表了减排效益的上限。
(3) 动态全混合能源替代排放因子（AM-DEF）。该情景假设风能可以替代能源组合中的所有类型发电技术，包括化石燃料和非化石燃料能源。相应的替代排放因子是根据给定年份整个发电组合的加权平均排放因子动态确定的。这种方法捕捉了“稀释效应”——即风能在高渗透率下与其他低碳能源竞争——因此代表了减排效益的保守下限。

动态替代估算方法的计算步骤如下：
计算省份p和年份y的替代排放因子DEFp,y：
(5)DEFp,y=Σt∈Ty?WindEt,p,y·EFtΣt∈Ty?WindEt,p,y
其中Ty?Wind表示年份y中被风能替代的所有技术集合（不包括风能本身）。Et,p,y是技术t在省份p在年份y的发电量。EFt是技术t的排放因子（以每单位电力的CO2排放量计）。
计算年份y省份p风能发电避免的CO2排放量EMp,y：
(6)EMp,y=EWind,p,y·DEFp,y
其中，EWind,p,y是年份y省份p的风能发电量。

因此，全国累积减排量表示为：
(7)EyTotal=Σp∈NpEMp,y=Σp∈NpEWind,p,y
其中Np表示所有省份的集合。

全国加权平均替代排放因子为：
(8)DEFyTotal=Σp∈NpEWind,p,y·DEFp,yΣp∈NpEWind,p,y

2.3. 量化碳减排的气候效益
在本研究中，我们采用了SCC指标来量化归因于风能发电的CO2减排量，从而量化风能部署的气候效益。SCC代表向大气中额外排放1吨CO2的边际经济损失，它被广泛用于评估预期的气候损害并指导气候政策设计（Ricke等，2018）。目前，大多数SCC估计值来自综合评估模型（IAMs），这些模型结合了社会经济发展、气候系统过程和损害函数。然而，SCC估计值对折现率、损害函数规格、风险处理和区域异质性的假设非常敏感，导致较大的不确定性（Peng等，2021）。此外，现有研究报道的SCC值范围很广，大约从10美元/吨CO2到1000美元/吨CO2（Anthoff和Tol，2013；Moyer等，2014；Wang等，2019），大多数估计值集中在30美元到250美元/吨CO2之间（Liu等，2022）。鉴于此，本研究选择了三个具有代表性的SCC值来描述中国情境下的合理不确定性范围。具体来说，低端情景（24美元/吨CO2）基于(Ricke等，2018)的研究，他们扩展了全球IAM框架来估算国家层面的SCC，并报告中国大约24美元（4-50美元/吨CO2）的中位数SCC。高端情景（82美元/吨CO2）基于CLIMRISK框架（Estrada等，2025）的最新评估，该框架明确考虑了气候风险和极端损害尾部事件，从而得出了中国在高风险情景下的较高SCC估计值。对于中等发展情景，最近针对中国的研究显示，中等社会经济发展和排放情景下的SCC估计值通常在40美元/吨CO2左右，而化石燃料密集型情景下的值明显更高（Wang等，2022b）。因此，本研究采用的36美元/吨CO2值（Wang等，2022a）被认为是中国的合理中间估计值，位于保守的下限和高风险上限之间。

与本研究采用的动态替代排放因子框架一致，采用这三个SCC情景明确捕捉了中国SCC估计的不确定性，从而增强了风能减排效益货币化评估的稳健性和政策相关性。通过使用这一SCC范围（24-82美元/吨CO2），本研究提供了反映不同气候风险和社会经济假设的合理货币化范围。需要注意的是，这些值代表与CO2排放相关的长期社会损害成本，而不是短期监管碳价格（例如ETS现货价格）。这种区分确保了长期经济评估的稳健性，并避免了短期市场波动带来的扭曲。过去二十年中国权力结构演变的概述。(a)?(b) 2006年至2024年间中国权力结构的演变，以及各种能源在总装机容量中的占比变化；(c)?(d) 2020年和2024年中国各省风力发电分布图；(e)?(f) 中国七个电网区域和省份的主要能源结构组成。从区域来看（图2c?f），2024年风力发电量最高的是华北（332.62太瓦时）、西北（173.27太瓦时）和华东（111.71太瓦时），分别占地区总发电量的13.99%、12.48%和5.95%。值得注意的是，尽管华东地区的风力发电总量相对较高，但其电力结构仍以热电为主，热电发电量达到1,455.46太瓦时，占总发电量的77.47%。核电是第二大能源，发电量为208.78太瓦时，占总量的11.11%。在所有地区中，东北地区风力发电的比例最高，为18.77%（86.32太瓦时）。此外，西南地区是唯一一个热电比例低于40%的地区，热电仅占总发电量的31.42%。该地区的主要能源是水电，发电量为775.48太瓦时，占总发电量的58.97%。

在过去五年中，所有省份的风力发电量都有显著增长，超过60%的省份风力发电增长率超过了100%。具体而言，内蒙古、新疆和河北是2024年风力发电量最高的三个省份，分别为164.3太瓦时、70.79太瓦时和63.47太瓦时。这三个省份合计占全国风力发电总量的约三分之一。值得一提的是，根据我们之前的研究（Long等，2025年），西藏拥有丰富的风能和太阳能资源，但目前该省主要依赖水电（88.83%，发电量为12.83太瓦时），风力发电仅贡献了0.13太瓦时，不足全国风力发电总量的1%。使用风力发电替代燃煤发电会导致对风力发电减排潜力的高估，这种高估程度约为31%。图3a展示了2006年至2024年期间使用两种方法（风力发电替代燃煤发电（HC-DEF）和风力发电替代所有发电技术（DAM-DEF）计算的累计二氧化碳减排量。结果显示，无论采用哪种方法，风力发电的减排量都迅速增加，但两者之间的差距逐渐加大。

具体而言，2006年时，风力发电的减排量仅为2.58百万吨（HC-DEF）和2.16百万吨（DAM-DEF），相差19.25%。到2015年，减排量分别增加至646.01百万吨（HC-DEF）和518.87百万吨（DAM-DEF），差距扩大到24.5%。2016年至2020年间，由于国家政策的支持，可再生能源发展迅速。风力发电的累计二氧化碳减排量从838.39百万吨和666.31百万吨分别增加到2,083.09百万吨和1,609.47百万吨，差距扩大到29.43%。经过近五年的快速发展，到2024年底，风力发电的累计二氧化碳减排量达到4,812.93百万吨和3,672.41百万吨，两种方法之间的差距达到31.06%。这种高估主要是由于DAM-DEF方法中替代排放因子的动态变化。随着可再生能源在能源结构中的比例增加，该排放因子逐渐下降。相比之下，HC-DEF方法假设燃煤发电的排放因子为0.944千克二氧化碳当量/千瓦时，这导致了风力发电减排潜力的高估。

从区域来看（图3b?d），无论使用哪种计算方法，全国风力发电减排量的50%以上来自华北和西北地区。在华北地区，内蒙古、河北、山东和山西等省份在累计风力发电减排方面领先。根据DAM-DEF方法，华北地区的累计减排量为1,720.5百万吨，占总减排量的43.9%；而根据HC-DEF方法，减排量为1,792.2百万吨，占总减排量的37.2%，两者相差4.17%。西北地区（包括新疆、甘肃和宁夏）紧随其后，风力发电减排量显著。使用DAM-DEF方法，西北地区的总减排量为798.8百万吨；而使用HC-DEF方法时，这一数字上升到1,007.7百万吨，比DAM-DEF方法高26.15%。造成这种差异的主要原因是西北地区可再生能源比例最高，因此能源结构变化对减排量的影响更大。然而，由于华北地区可再生能源比例相对较低，其排放因子的变化较为平缓，导致两种方法之间的差距较小。西南地区在两种评估方法下的减排量差异最大。使用DAM-DEF方法，西南地区的累计减排量为102.15百万吨；而使用HC-DEF方法时，减排量高达391.72百万吨。这一显著差异主要是由于西南地区的主要能源是水电，其碳排放因子仅为0.0143千克二氧化碳当量/千瓦时。因此，该地区的动态排放因子较低，导致DAM-DEF方法下的减排量较低。

3.2 未来中国电力结构转型下风力发电减排潜力的评估
在协调转型情景下，中国的未来能源结构将发生深刻变化，表现为可再生能源的快速扩张和高碳能源的深度削减，如图4所示。根据预测，中国的总发电量将从2025年的10,580太瓦时增加到2060年的18,860太瓦时，增长率为78.2%。其中，可再生能源发电量（包括水电、风电和太阳能）预计从2025年的3,850太瓦时增加到2060年的14,940太瓦时，占总发电量的近80%。风电（2025年占比44.58%）和太阳能（2025年占比33.94%）是可再生能源增长的主要动力，预计发电量将从2025年的1,140太瓦时和1,040太瓦时分别增加到2060年的6,660太瓦时和5,070太瓦时。相比之下，水电的增长幅度较为温和，仅增加约26.2%。

关于高碳能源，煤炭、天然气和其他化石燃料的发电量预计从2025年的6,270太瓦时减少到2060年的1,610太瓦时，降幅约为74.3%，其在能源结构中的比例降至8.54%。这一变化主要得益于中国电力结构的加速去碳化。在此期间，燃煤发电量预计从2025年的5,630太瓦时减少到2060年的1,080太瓦时，降幅约为80.9%，煤炭在能源结构中的比例预计降至5.73%。

从区域来看，拥有丰富可再生能源资源的华北和西北地区将在未来的能源转型中发挥关键作用。到2030年，华北和西北地区的可再生能源发电量预计分别达到1,128.4太瓦时和1,008.24太瓦时，分别占全国可再生能源发电总量的21.25%和18.99%。到2060年，这两个地区的可再生能源发电量将增加到3,979.29太瓦时和3,047.81太瓦时，占总发电量的87.85%和90.22%，显示出它们在未来能源结构中的主导地位。作为可再生能源的重要组成部分，风电将实现显著增长，预计在不同地区的发电量将在324.18太瓦时到2,366.67太瓦时之间，占区域内可再生能源发电总量的22%至63%。具体而言，到2030年，内蒙古、新疆、河北、江苏和山东等省份的风电发电量都将超过100太瓦时，其中内蒙古以312.44太瓦时领先。在这些省份中，风电在总发电量中的比例将超过10%，最高的省份达到27.61%。到2060年，中国的风力发电量也将大幅增加。除了北京、天津和海南，所有省份的风电占比都将超过10%。其中，内蒙古的风电发电量预计将达到1,169.03太瓦时，占其总发电量的67.18%，凸显了风能在该地区能源结构中的核心作用。

随着未来电力结构中可再生能源比例的快速增长，不同风电替代情景下的累计二氧化碳减排效益差异将更加明显。以2030年作为基准，DAM-DEF情景下的累计减排量为5,214.95百万吨；而DHC-DEF和HC-DEF情景下的累计减排量分别为77,225.49百万吨和8,005.71百万吨，分别比DAM-DEF情景增加48.14%和53.51%。到2060年，这一差距将进一步扩大，DHC-DEF和HC-DEF情景下的减排量将分别超过DAM-DEF基准情景145.21%和160.33%（图5a）。这些差距明显超过了2006年至2024年期间的差异。这一预测表明，随着可再生能源比例的持续上升，不同情景下二氧化碳减排趋势的分化将更加明显。

此外，如图5b所示，随着风力发电量的逐年增加，三种情景下的总二氧化碳减排量均呈上升趋势。然而，在DAM-DEF情景下，减排量将在2047年达到峰值（1,780.63百万吨），随后下降到2060年的931.25百万吨。这种逆转趋势主要是由于背景电力结构的快速去碳化。随着中国向碳中和目标的迈进，电力结构将发生深刻变革。根据我们的预测，燃煤发电的比例将从2025年的53.21%下降到2060年的5.73%。同时，太阳能和核能等低碳能源的比例将从2025年的9.83%和4.35%增加到2060年的26.88%和12.25%。这种结构变化将导致电网平均碳强度的持续下降。在后期阶段（2047年之后），由于大量清洁能源的注入——使得电网本身变得清洁——“稀释效应”将超过风力发电容量增长的积极影响。因此，在DAM-DEF情景下，每单位风力的边际替代效益会随时间下降，导致这一阶段的理论二氧化碳减排潜力出现下降。从区域上看（图5c–e），华北地区凭借其丰富的风力资源和长期作为大规模能源供应基地的功能，在所有三种情景下都显示出显著更高的总二氧化碳减排量（35.5%–45.7%），范围从22,913.05百万吨到46,347.99百万吨。这一预测主要归因于内蒙古地区，那里广阔的风力资源和平坦的地形使得大规模的风力发电成为可能，在DAM-DEF情景中贡献了54.12%的总减排量（而在DHC-DEF和HC-DEF情景中分别为47.57%和49.4%）。此外，河北、山东和山西由于工业用电需求较高，各自贡献了大约15%的减排量。值得注意的是，在DHC-DEF情景下，河北的贡献甚至超过了20%。西北和华东地区在累计二氧化碳减排量方面排名第二，分别贡献了11.9%和18.5%。在DAM-DEF情景下，减排量分别为7,893.04百万吨和6,034.63百万吨。然而，如果考虑高碳排放的替代，这些数字将大幅上升，分别超过24,000百万吨和15,000百万吨。在西北地区，由于拥有丰富的土地资源和风能走廊，新疆的贡献占了地区总量的大约50%。相反，在华东地区，尽管土地资源相对有限，江苏省由于其高电力需求和快速的海上风电发展，贡献了约50%。在中部地区，减排量在5,390.00百万吨到1,2487.84百万吨之间，人口众多的河南省发挥了主导作用（占42.6%到57.38%）。在南部地区，广东领先，贡献了55.18%到65.92%。东北地区的减排量相对均衡，没有哪个省份占据主导地位。

具体来说，以水电为主的西南地区在DAM-DEF情景下的总减排量最低（仅为1,517.18百万吨）。然而，在HC-DEF情景下，这一数字显著增加，达到10,230.5百万吨，大约是DAM-DEF基准情景的六倍。这种显著差异主要是由于该地区对水电的依赖。值得注意的是，预计到2030年，水电将占该地区电力结构的51.61%。尽管到2060年这一比例将降至43.22%，但它仍将是结构上的主要发电来源。鉴于水电的接近零排放强度（0.013千克二氧化碳当量/千瓦时），大量的低碳水电显著降低了电网的平均碳强度。因此，每单位风力发电的边际减排空间受到严重压缩。相比之下，HC-DEF情景假设风力发电优先替代高碳能源，如煤炭发电。这种机制防止了低碳电网的稀释效应，从而充分利用了西南地区的理论减排潜力，使减排量大幅增加。

3.3. 风力发电减排的气候效益：基于社会成本（SCC）
社会成本（SCC）通常用于衡量二氧化碳排放造成的经济损失。具体来说，SCC指的是每排放1吨二氧化碳所伴随的社会经济损害，这主要由气候变化对环境和经济的负面影响驱动。风力发电减排的气候效益可以用两个因素的乘积来表示。基于前面讨论的风力发电碳减排估计，本研究使用了三种不同的SCC估计值——低（$24/吨二氧化碳）、中等（$36/吨二氧化碳）和高（$82/吨二氧化碳）——来量化风力发电减排的气候效益。我们评估了不同历史时期和未来时期不同地区的气候效益，将全国总效益视为各地区贡献的总和。在后续分析中，以中等SCC估计值（$36/吨二氧化碳）作为主要参考，并将结果与低和高SCC估计值进行比较，以捕捉在不同SCC假设下风力发电减排效益的不确定性。

风力发电带来的二氧化碳减排转化为显著的气候效益——这一趋势在过去五年中尤为明显。如图6所示，2006年至2024年间，根据中位数SCC估值，中国通过风力发电产生的总气候效益在DAM-DEF情景下约为2732.6亿美元，在HC-DEF情景下达到3465.3亿美元。特别是在风力发电的高质量发展阶段（2021–2024年），HC-DEF和DAM-DEF情景下的减排效益分别为1965.5亿美元和1531.8亿美元，占各自总减排量的56%以上。从地区分布来看，华北和西北地区不仅拥有丰富的风能资源和高装机容量，还贡献了大量的气候效益。在分析期间，内蒙古和河北在减排效益方面名列前两位，分别为301亿美元（DAM-DEF）和311.1亿美元（HC-DEF），以及138.3亿美元（DAM-DEF）和145.5亿美元（HC-DEF）。紧随其后的是新疆（126.2亿美元DAM-DEF；143.8亿美元HC-DEF）和山东（87.3亿美元DAM-DEF；91.8亿美元HC-DEF）。

从2025年到2060年，随着可再生能源在电力结构中的比例不断增加，风力发电带来的二氧化碳减排所带来的气候效益预计也会变得更加显著。我们的估计表明，在DAM-DEF情景下，总气候效益可能达到1803.64亿美元，在更积极的减排情景（DHC-DEF和HC-DEF）下则超过4000亿美元，如图7所示。此外，这些气候效益呈现出逐年上升的趋势。具体来说，在HC-DEF和DHC-DEF情景下，年气候效益预计将在2060年达到峰值，分别为4971.9亿美元和4481.5亿美元。相比之下，在DAM-DEF情景下，年效益预计将在2047年达到峰值，为1460.1亿美元。从地区来看，在DAM-DEF情景下，华北地区由于拥有优越的风能资源和大规模发展，预计将实现最高的总气候效益，达到8248.7亿美元。其次是西北和东部地区，分别为2841.5亿美元和2172.5亿美元。即使在减排潜力较低的西南地区，总气候效益也预计将达到546.2亿美元。值得注意的是，当转向DHC-DEF和HC-DEF情景时，这些气候效益将增加到DAM-DEF情景的大约2.5倍，在西南地区甚至增加到6倍以上。

从2025年到2060年，风力发电的气候效益（图7）：(a)–(g) 不同情景下七个中国地区的风力发电减排总气候效益。每个子图中的x轴代表包含的省份，子图从左到右依次为DAM-DEF、DHC-DEF和HC-DEF情景。(h)–(j) 2025–2060年各地区年度气候效益，展示了DAM-DEF、DHC-DEF和HC-DEF方法的结果。注意：请参见表S2以获取图中使用的省份缩写的完整名称和代码。

风力发电减排的气候效益的不确定性主要受SCC估计值变化的影响。为了量化这种效应，我们计算了在不同SCC假设下的气候效益，结果汇总在表2中。结果显示，SCC假设对货币化减排效益的幅度有重大影响。具体而言，较高的SCC值会导致估计的经济收益显著增加。例如，采用保守的SCC值$24/吨二氧化碳，气候效益比中位数估计值低33.33%。相反，在高SCC情景（$82/吨二氧化碳）下，估计的气候效益相对于中位数基线增加了127.78%。

表2. 不同替代排放因素和社会成本（SCC）估值下（2025–2060年）的累计气候效益（十亿美元）矩阵
SCC情景 | 单位价值（美元/吨二氧化碳） | 对SCC的敏感性（与中位数相比）
DAM-DEF（基准模型） | HC-DEF（高碳） | DHC-DEF（动态HC）
| -------------- | ---------------- | ----------------------------- | ------------------ | ----------------isp Mandarin | ---------------------------- | ------------------------------ | ---------------------------- | ------------------------------------ | -------------------------------------- | ---------------------------------- | ---------------------------------------- | -------------------------------------- | ----------------------------------------- | ---------------------------------------- | ----------------------------- | ------------------ | ---------------------------------------- | -------------------------------------- | -------------------------------------- | ---------------------------------------- | -------------------------------------------- | -------------------------------------- | -------------------------------------- | -------------------------------------- | -------------------------------------- | -------------------------------------- | -------------------------------------- | ---------------------------------------- | -------------------------------------- | -------------------------------------- | -------------------------------------- | --------------------------------------+

这种明显的敏感性表明，SCC估值在塑造感知的经济可行性和风力发电投资优先级方面起着关键作用。在低SCC假设下，风力发电的社会回报相对较低，而较高的SCC估值则大幅增加了其估计的经济贡献。这些发现强调了在能源政策和碳定价框架中采用科学可靠且符合背景的SCC估计的重要性，以便更准确地反映风力发电的长期气候效益。

4. 讨论
本研究系统地分析了中国能源结构的当前和未来演变趋势，建立了一个改进的动态评估框架，该框架整合了两种动态替代排放因素方法来评估风能的潜在减排效益。与传统研究中常用的固定替代排放因素方法相比，本研究中引入的动态估算方法更准确地反映了实际的减排情况，并与固定因素方法进行了系统比较。此外，为了更直观地反映风力发电带来的碳减排的气候经济价值，本文进一步根据中国不同水平的SCC对风力发电的潜在二氧化碳减排量进行了货币化。

4.1. 不均匀的风力发电模式和区域减排效益驱动因素的挑战
对中国能源结构演变的分析显示，过去二十年间可再生能源特别是风能的发展迅速。然而，电力消费主要集中在胡焕勇线以东。这种资源供应中心（西部和北部）与需求中心（东部）之间的空间不匹配对电网构成了严重挑战（Dang等，2024）。解决这一矛盾需要持续投资于区域间电网基础设施（Chen等，2010），特别是通过增强特高压（UHV）传输通道的容量和效率（Wang等，2024），同时优化跨区域调度机制并推进智能电网技术（Yuan等，2023）。尽管风力发电在全国范围内得到了扩展，但其对二氧化碳减排的贡献存在显著的区域差异。这种差异不是由单一因素造成的，而是风能资源、电力系统结构、工业和负荷特性以及替代路径假设的复杂相互作用的结果。华北和西北地区贡献了全国风力发电减排量的50%以上。主要原因在于它们在“资源–安装–替代目标”维度上的多重优势。一方面，像内蒙古和新疆这样的地区拥有全国最好的风能资源和广阔的平坦或沙漠地形，从而大幅减少了大规模发展的土地和电网整合限制（Gao等，2020）。另一方面，作为全国性的能源基地，这些地区拥有庞大的热电装机基础，使得风力发电能够在大多数情景下替代更高碳的发电组合，从而产生更大的边际减排效应。例如，河北和山西等重工业省份的高电力需求进一步放大了替代煤炭发电的效益（Li等，2023）。

相比之下，尽管华东地区的风能资源相对有限，但其减排贡献仍位居全国前列，这主要是由于需求方面的因素。作为中国的关键经济和负荷中心，华东地区的电力消费强度高且稳定。这种行为确保了新的风力发电即使比例较低，也能实现大规模的绝对减排（Wang等，2020）。值得注意的是，江苏省等沿海省份海上风电的发展在一定程度上弥补了陆上风电资源的匮乏（Hui等人，2021年），使其在多种替代方案中成为主要贡献者。中国西南部地区明显的路径差异突出表明，风电减缓评估高度依赖于背景电力结构。在DAM-DEF框架中，假设平均发电组合的替代，该地区长期以高比例的水电为主，而水电几乎零排放，这显著降低了背景电网的平均碳强度。这种效应在“平均替代”假设下压缩了风电的边际减排空间。相比之下，在HC-DEF情景中，假设风电优先取代煤炭等高碳能源，这种由清洁能源驱动的“稀释效应”被有效防止，从而释放了理论上的减排潜力。这一结果表明，不同地区对替代假设的敏感性很大程度上取决于其现有的能源结构特征。总体而言，风电减缓效益的空间差异反映了资源供应侧、需求结构和电力系统演变路径之间的系统性耦合关系。这种理解不仅解释了当前的地区差异，还强调了采用动态评估方法的必要性。目前，传统评估主要基于风电完全取代燃煤发电的假设，这存在高估的风险。在我们的研究中，2021年中国风电的二氧化碳减排量为3.9229亿吨，低于基于“替代煤炭”假设的先前研究估计的4.62亿吨（Long等人，2023年）。因此，传统方法未能充分考虑能源结构的变化（例如水电和核电的比例），导致总减排量高估了高达31%。因此，未来的减缓评估和相关政策框架必须明确考虑这些区域和结构复杂性，以避免系统性偏差。

4.2 动态替代和跨区域归属边界的物理有效性
在评估风电减缓效益时，替代目标的选择是决定结果可信度的关键因素。传统的电力系统研究通常认为风电主要替代边际运营成本最高的可调发电单元——通常是燃煤或燃气电厂——这与本研究定义的HC-DEF情景相符（Liu等人，2023年；Lu等人，2020年；Millstein等人，2024年）。我们认识到，从短期运营角度来看，HC-DEF情景更符合边际替代理论，可以视为风电减缓潜力的理论上限。然而，本研究采用的DAM-DEF方法旨在从长期系统演变的视角评估风电对整体电力结构碳强度的影响。随着中国朝着2060年碳中和目标的前进，非化石能源的比例将不断增加。因此，风电将从边际补充转变为核心组成部分，其增量发电将在系统层面有效竞争发电空间。在这种情况下，风电的减缓效益应被解释为对背景电网碳强度的系统性“稀释”效应。因此，尽管DAM-DEF情景得出的估计较为保守，但它捕捉到了随着电网脱碳，每单位风电发电的边际减缓效益逐渐减少的客观趋势，从而为长期减缓评估提供了保守的下限。

此外，减缓效益的归属边界值得讨论。本研究目前采用基于生产的会计方法，将减缓效益归因于风电场所在的省份。然而，考虑到中国庞大的跨省电力传输规模，采用基于消费的会计框架将揭示效益从西部生产中心向东部消费中心的空间转移（Tian等人，2024年）。现有研究表明，会计方法的差异会显著影响区域碳责任的分配，特别是与资本分配相关的潜在碳不平等（Tian等人，2025年）。同时，跨区域传输涉及实际成本，如电网基础设施投资和传输损失，这些可能抵消风电替代的净经济收益（Deng等人，2022年）。尽管这些因素没有明确纳入我们的当前模型，但它们表明未来的政策制定必须平衡生产方面的激励与消费方面的责任，并进行更精细的评估，以考虑电力流动和电网成本约束。

4.3 不确定性和政策含义
虽然本研究提供了动态评估，但预测仍然受到多种不确定性的影响。关于结果的可信度，我们的模型预测到2060年，风电将减少至少9.3125亿吨二氧化碳排放。这一数字与（Yang等人，2025年）的预测范围（9.38–9.95亿吨）非常接近，且背后的电力结构假设得到了权威国际情景的证实。具体来说，我们预测到2060年，煤炭发电的比例将下降到5.73%，而以风电和太阳能为主的可再生能源将占总发电量的79.22%。这些数字与IEA的《宣布承诺情景》（APS）高度一致，该情景预计中国的煤炭占比为5%，可再生能源占比为80%（IEA，2021年）。此外，这种深度脱碳轨迹符合IPCC AR6对东亚电力部门在世纪中叶实现接近零排放的要求（IPCC，2022年）。这种多个宏观来源的一致性强烈支持了我们评估在规模和趋势方面的合理性和稳健性。

然而，必须指出，本研究主要依赖于《中国能源展望2060》中的单一协调转型情景，这可能无法完全捕捉到极端未来的政策变化、技术突破或市场波动。未来的研究应结合多情景分析，如共享社会经济路径（SSPs），以探索在不同政策目标、突破技术（例如深海海上风电的成熟度）或市场剧烈波动条件下的减缓范围，从而为中国长期风电减缓划定更全面的不确定性范围。除了这些情景假设外，现实世界电力系统运行的物理约束构成了另一个关键的不确定性来源。虽然本研究假设了风能容量的充分利用——代表了一个理想化的集成情景——但在中国实际的电网运行中，风电的削减仍然是一个关键挑战（Xia等人，2020年）。由于风电的反峰发电特性和电网灵活性不足，一些风电场可能会面临强制削减，导致实际减缓效果低于理论预测（Kader等人，2022年）。如果未来不能有效提高系统灵活性（如储能部署或热力发电灵活性改造），这种利用率的损失将直接转化为每单位装机容量的实际减缓效益下降（Zhang等人，2021年）。

伴随物理减排估计的不确定性的是经济估值对参数选择的高敏感性，特别是社会成本（SCC）。尽管本研究采用了低、中、高三种情景来评估风电减缓的气候效益，但应注意的是，中国不同地区的SCC值存在显著的空间差异，这受到社会经济发展、产业结构和气候脆弱性的影响（Jin等人，2020年）。例如，在经济发达的东部省份如江苏和广东，由于经济密度较高和气候风险较大，SCC值往往较高，而在中国西北和东北地区则较低（Tian等人，2026年；Wang等人，2022b）。因此，未来的研究应将省际异质性纳入货币化框架，以提供更具区域针对性的政策含义。虽然风电的减缓效益对SCC假设高度敏感，但这一特性本身具有重要的政策含义。我们建议政策制定者将动态影子定价框架明确纳入能源规划中。具体来说，该框架将SCC视为不同情景下的时间变化影子价格，反映了不同发展路径下不断变化的社会碳边际成本。在实践中，可以根据时间构建情景依赖的SCC轨迹，并将其作为年度减排货币化的权重因素，从而在不同阶段动态评估气候效益。在高SCC情景下，与风电相关的潜在气候效益——累计价值超过4000亿美元——表明，即使电网升级和系统灵活性投资涉及巨大的短期成本，从长期社会福利最大化的角度来看，这些投资仍然是经济合理的。在这种背景下，对储能、电网灵活性改造和智能电网基础设施的积极投资不仅在技术上是合理的，而且在稳健的气候经济标准下也是合理的。

综合上述时空模式和不确定性分析，显然，单一的全国性综合目标不足以有效解决风电发展和减缓结果的区域不平衡问题。因此，根据区域特征量身定制的不同能源政策至关重要。在风电资源丰富但本地电力需求相对较低的地区（如“三北”地区，例如内蒙古和新疆），政策重点应从单纯注重容量扩展转变为结合远距离传输和当地转换的双重战略。除了加强特高压传输走廊外，还应更加重视利用低成本风电生产绿色氢气，并促进能源密集型产业的低碳转型，从而增强当地的吸收能力。相比之下，经济发达但资源受限的东部地区（如江苏和上海）需要一种结合技术进步和责任共享的平行方法。在供应方面，加快海上风电集群的部署可以帮助克服土地和资源限制；在需求方面，需要更复杂的跨省绿色电力交易机制，使这些地区能够通过消费路径承担适当的减排责任。在中国西南部，电力系统以水电为主，政策干预应侧重于加强风电与水电的互补运行方案。利用水电的固有灵活性来平滑风电的波动性可以显著提高减缓效果，特别是在优先取代高碳发电的替代路径下。除了针对区域的具体策略外，会计框架本身也需要进一步完善。鉴于当前基于生产的方法的局限性，未来的研究应推进基于消费的碳核算，以明确量化与跨省电力传输相关的碳转移。这样的努力将为设计公平有效的区域碳补偿机制提供更坚实的科学基础。

此外，随着中国能源结构中可再生能源比例的持续上升，仅关注风电的视角已不足以捕捉未来电力系统的减缓动态。因此，向综合性多能源框架的转变至关重要。在这个框架内，风电的减排效益不仅受其规模的影响，还受其与其他能源相互作用的影响。例如，风电和太阳能之间的时空互补性增强了系统稳定性（Lv和Tang，2025年；Yuan等人，2025年），而水电和抽水蓄能提供了关键的灵活性，以减轻风电发电的波动性（Qiao等人，2026年）。作为高度可靠的基载电源，核能在整体发电结构中进一步补充了风电（El-Emam等人，2024年）。这种整合不仅促进了更高的可再生能源渗透率，还通过更高效的系统运行降低了边际减缓成本。因此，未来的能源政策应从单一技术关注转向系统导向的方法，重点关注定价和调度机制，以实现跨能源的协调。

5. 结论
基于过去二十年中国电力结构的演变和未来情景预测，本研究建立了一个动态评估框架，以量化风电在中国不断发展的电力部门中的二氧化碳减排量和相关气候效益。我们的结果显示，从静态评估转向动态评估能够捕捉到能源结构的渐进式脱碳。值得注意的是，我们发现传统的静态评估（HC-DEF）可能高估了风电的减排潜力，因为它们忽略了其他低碳能源逐渐融入电网的情况。展望2060年，随着风电预计占总发电量的45%，预计将实现显著的二氧化碳减排，特别是在华北、西北和华东地区。我们的结果表明，在更理想化的调度策略下，优先取代高碳或燃煤技术（DHC-DEF）的情况下，减缓效益可能会比DAM-DEF情景增加50%以上。当这些减排措施被转化为经济收益时，它们会带来显著的气候经济效益；然而，这些效益对所选的社会成本（SCC）数值非常敏感。因此，正确选择和应用SCC数值对于估算风能的减排效益至关重要。本研究为中国各省制定针对性的可再生能源激励政策提供了科学依据，并为全球其他依赖煤炭的经济体在能源转型过程中提供了动态评估框架。

数据可用性声明：数据将根据请求提供。

作者贡献声明：
龙云霞：撰写初稿、可视化数据制作、方法论构建及概念化设计。
陈雅宁：撰写修改稿、监督工作及资金筹集。
刘永昌：撰写修改稿及方法论研究。
王洪宇：软件开发与数据管理。