网络效应对家庭分布式光伏发电行为的影响

梅应丹，邱纪翔，许杏柏，胡武阳

（1.中国石油大学（北京）经济管理学院，北京 102249；2.厦门大学王亚南经济研究院，福建厦门 361005；3.厦门大学经济学院，福建厦门 361005；4.美国俄亥俄州立大学，美国俄亥俄州哥伦布 43210）

为积极响应习近平总书记提出的“四个革命，一个合作”的国家能源战略，引领“绿色低碳”的全球能源转型趋势，实现2030年前碳达峰和2060年前碳中和的目标，加快风电、光伏等新能源的发展已成为当务之急。家庭分布式光伏项目（以下简称为“户用光伏”）是安装在居民家庭住宅顶层或者院落内的光伏发电系统，能够灵活利用居民家中闲置面积进行光伏发电，充分利用集中式光伏项目和工商业分布式光伏项目所不能覆盖区域的太阳能资源，提高可再生能源占比，推动绿色低碳能源转型。截止到2020年年底，中国户用光伏装机容量为20.22 GW，仅占分布式光伏装机容量的25.87%，全部光伏装机容量的8.01%，仍然有很大的发展空间。到目前为止，中国一共出台了27项补贴政策以支持户用光伏的发展，此类政策获得了学者们的一致认可，被视为推动户用光伏发展的有效工具［1-2］。但补贴政策是不可持续的，中国正面临着巨大的补贴缺口［3］，健康的行业发展呼吁减少或取消补贴以推进光伏发电平价上网工作，同时中国户用光伏也具备补贴退坡的条件［4］。因此，探索激励户用光伏发展的“非价格”因素具有重要的现实意义。

行为经济学认为居民的行为决策不仅取决于价格，也受到非价格因素的影响，如居民受教育程度等［5］。网络效应（Network Effect）也是常见的非价格因素之一，是指在各种社会关系中，个体行为或决策受到其他个体的行为及决策的影响［6］，常被用于研究福利问题［7］、保险问题［8-9］和教育问题［10］等。户用光伏的安装成为居民之间相互交流的话题，网络效应通过这种交流发生作用，包括攀比、模仿心理和传递信息等。在熟人社会中，未安装居民对光伏发电的认知受到周围已安装居民使用体验的影响。若已安装的家庭因项目获利或者对项目持正面评价，那么邻居们安装和使用的意愿会较为强烈；反之亦然。因此，探究网络效应对户用光伏发电行为的作用将有助于揭示非价格因素对居民能源消费和供给行为的影响，寻找光伏补贴退坡时期户用光伏发展的新动力。

文章利用2019年于北京市昌平区开展的入户调查问卷数据，使用空间Probit模型分析网络效应对户用光伏发电行为的影响。模型估计结果表明户用光伏的安装决策存在显著的负向网络效应，即生活在已安装户用光伏家庭周围的居民更不愿意安装光伏发电板，同时文章结果还表明居民偏好公共物品的心理和对补贴政策的了解程度分别对户用光伏在居民间的推广有显著的负向和正向作用。

1 文献回顾

1.1 网络效应形成机制

网络效应早期被运用在社会学相关研究中，用来分析社会规范与秩序对个人偏好的影响。社会学理论认为个人偏好会随着周围环境的变化而变化［11］。新古典经济学假设个人偏好是独立且外生给定的，不会受到周围环境的影响［12］。这一较强的假设为经济学分析提供了很多便利，但是忽视个体之间的联系并不合理，也不符合实际情况。在放松个人偏好假设的背景下，Hayakawa等［13］提出参照群体理论，认为个人倾向于依赖低成本的启发（heuristics）来做决策，即个人在行动之前会学习周围其他人过去的行为，再结合自身条件做出决策。参照群体理论为网络效应的分析提供了内在逻辑。Yang等［14］为上述行为的产生提供了三点理由：第一，参照群体行为能够有效降低自身学习成本并提高行动回报预期；第二，参照群体行为有助于满足个体自身想要与群体保持一致的愿望；第三，参照群体行为更容易于受到群体成员的赞扬。Manski［15］认为个人在参照或者模仿他人同类行为时受到的影响就是网络效应。根据分组方式的不同，网络效应有时候也被称为邻里效应（Neighborhood Effect，以空间位置信息分组）或者同伴效应（Peer Effect，以亲属、同事或好友等社交关系分组）。网络效应是一种内生性影响（Endogenous Effect），应当与外生性影响（Exogenous Effect）有所区分。一般来说，两者区别在于内生性影响的作用路径是组内成员内生变量或者行为之间互相直接影响，而外生性影响的作用路径是组内其他成员的外生特征或者外生行为对某成员的内生变量或者行为的影响［16］。

1.2 网络效应识别方法

Manski［17］认为内生性影响与外生性影响相互作用，现有的线性均值模型的识别方法无法有效估计真实的内生性影响，并存在三个待解决的问题：①样本自选择问题，即影响形成组的因素也可能会影响决策过程；②关键因果变量相互影响问题，即组内成员之间存在相互影响问题；③遗漏变量问题。Blume等［18］认为上述问题是网络效应分析中需要解决的重点问题。因此，如何有效处理识别问题是网络效应在各类经济学领域运用时都必须要考虑的问题。

传统的解决方法有以下三种：①工具变量法。Bertrand等［19］将工具变量法引入网络效应的研究中。目前，该方法被广泛地运用于研究网络效应对教育［10］和志愿行为［20］等的影响。但是只有在研究者具备很高的知识储备，并对网络效应的作用机制有充分的了解时才能找到可靠有效的工具变量。另外，发现合适的工具变量的过程具有不同程度的随机性。因此，工具变量法在实证运用中存在一定的困难。②固定效应模型。Markussen等［8］利用固定效应模型研究网络效应对个人社会保险索赔行为的影响发现，个人的社会保险索赔行为确实会受到邻里间申请率的影响。Grossman等［9］研究美国孕妇数据发现网络效应能够提高孕妇参加社会保险的概率（3%）。但是固定效应模型的问题在于其面对样本自选择问题或者互为因果问题时识别能力不强。③样本特殊性。例如考虑突发事件的影响［7，10］，考虑以研究对象出生时既有的邻里关系为分组依据［8］，或者考虑信息传递的单向性［9］。但是样本的特殊性无法复制也不容易获得。

自从Lee［21］运用空间自回归模型评估网络效应，空间自回归模型被广泛应用于解决网络效应的识别问题。在该模型中，学者们常用空间权重矩阵（也称为邻接矩阵，adjacency matrix）反映组内成员之间的关系。通常定义空间权重矩阵对角线元素为零［22］；如果个人行为受到组内其他成员平均行为的影响［23］，那么该空间权重矩阵是对称性的。使用空间自回归模型能有效处理反射问题。相关研究包括评估学生在校表现［24］、新技术选择问题［25］和能源消费［26］。

1.3 网络效应对居民光伏行为的影响

在网络效应对户用光伏发电行为的影响研究方面，Bollinger等［27］与Graziano等［28］分别利用美国加州和康州光伏安装数据研究网络效应对区域间居民光伏发电行为的影响。他们的研究均表明网络效应将推动区域内居民光伏发电行为。Lan等［29］利用空间面板模型发现澳大利亚不同地区之间光伏安装的行为存在正向空间相关性。但是上述文章均基于邮编代码分析，其结果只能在区域层面上解释网络效应对户用光伏发展的影响，无法进一步解释网络效应在个体层面的影响，而该研究将利用微观家庭数据对网络效应在户用光伏安装行为的影响展开研究。除此之外，虞义华等［30］利用调研数据发现居民安装使用太阳能热水器行为之间存在正向的网络效应。

综合上述分析，该研究的主要贡献包括以下两个方面。第一，该研究是国内首个分析网络效应对于家庭安装户用光伏行为影响的研究。过去研究大多利用定性分析手段［31-33］或者简单的定量分析模型［1-2，34］评估补贴政策对于安装户用光伏的影响，该研究从居民安装户用光伏行为之间的相互作用出发，基于空间Probit模型定量分析网络效应对于居民此行为的影响，丰富了现有文献的内容。第二，该研究基于微观入户调研数据的分析结果更能够从微观反映居民安装行为之间的相互作用。相较于以往基于区域层面数据的网络效应影响作用研究［27-29］，该研究将研究拓展至微观住户层面，基于居民特征深入分析其行为之间的相互影响，使得研究结果更能反映居民安装行为之间的网络效应。

2 网络效应对行为影响的理论基础

3 实证模型、调研地点和数据

3.1 实证模型

该研究利用空间Probit模型研究家庭安装户用光伏中的网络效应，因变量为居民家中是否安装了光伏发电板，是一个二元因变量。如果居民家中已安装了光伏发电板，则y=1，否则y=0。空间Probit模型目前被广泛地应用于被解释变量为二元变量（仅取0和1这两个值）的具有空间相关性或者网络结构的经济学研究中。把所研究的经济中的n个个体，记为i=1，…，n。则空间Probit模型可以表示为

定义解释变量k的平均直接（对自身行为）边际效应=

解释变量k的平均直接（对他人行为）边际效应=

而此两者之和为解释变量k的平均总边际效应。由于上述矩阵计算涉及n维积分，其极大似然估计存在很大的计算困难，常用的解决方法有EM算法［36］和偏极大似然估计［37］等。该研究采用的估计方法是基于马尔可夫链蒙特 卡 洛（Markov Chain Monte Carlo，MCMC）的 贝 叶 斯估计［38］。

除了利用空间Probit模型处理反射问题之外，本研究还依赖居民住址的继承性来应对反射问题中的样本自选择问题。样本自选择认为影响居民居住选址的原因可能也会影响居民光伏发电行为，本研究的受访者大多为世代继承的居住者，也就是说影响居民居住选址的原因是外生的，非个人的选择，因此，基于居住地址位置建立空间权重矩阵的方法可以避免样本自选择问题。

3.2 调研地点

中国光照资源丰富，但是区域差异较大，高原少雨干燥光伏资源多，平原多雨潮湿光伏资源少。2013年中国国家发改委在《关于发挥杠杆作用促进光伏产业健康发展的通知》中将中国分为三类光伏资源区［39］，如图1所示。一类光伏资源区与二类光伏资源区虽然太阳能资源丰富，但是大部分地区地广人稀，更适宜发展集中式光伏而非户用光伏。云南省和四川省难以同时具备光照条件与经济建设条件，云南省和四川省西部地区光照条件好，但是经济建设水平较差；四川省中东部地区经济建设水平较高，但是光照条件较差。二类光伏资源区的剩余地区从光照条件和经济建设条件均适宜发展户用光伏（北京市、天津市和河北省、山西省、陕西省部分地区）。文章通过对比上述地区户用光伏发展情况来确定研究区域。

图1 光伏资源分区图

昌平区位于北京市西北部，下辖8个街道、4个地区和10个镇，常住人口210.8万人。以下四个原因促使我们选择昌平区为研究区域。第一，昌平区较北京市南部地区（门头沟区、房山区、大兴区和通州区）来说光照资源更丰富，较北京市北部区县（延庆县、怀柔区和密云县）来说建设条件更好。第二，昌平区2018年人均可支配收入为45 399元，具有较好的经济建设条件。第三，昌平区能够享受北京市光伏安装补贴政策。第四，昌平区有大量独立屋顶产权的农村自建房，优于北京市城市化进程较好的区（石景山区、海淀区、东城区、西城区、丰台区和朝阳区），更利于户用光伏的推广。

3.3 调查数据

文章数据来自2019年于北京市昌平区开展的随机调查问卷，通过单个调查员与受访者一对一谈话的方式完成问卷调查。本次调研共走访15个乡镇，45个村或社区，入户调查218户居民，收回问卷218份，其中有效问卷216份，问卷有效率达到99.08%。此外，有效问卷可分为72户已安装家庭与144户未安装家庭，分别占比33.3%与66.7%，其中昌平区内所有已安装家庭均被调研，并通过生成随机数（1～1 000）匹配家庭户号的方式确定未安装家庭。若生成随机数无效，即生成随机数超过该村现有总家庭户数或者所指向的家庭为无效家庭（被随机到的家庭之前已经被选择或者属于已安装家庭），则重新生成随机数。

文章主要变量的定义与描述性统计结果见表1。结果显示，男性户主较多且普遍以务农为主，家庭年可支配收入和可用面积表明大多家庭拥有安装户用光伏发电项目的客观条件，同时补贴政策、防污政策和空气质量等表明居民具有较好的政策敏感度和环保意识，具有安装户用光伏发电项目的主观条件。

表1 变量定义与描述性统计

4 实证结果分析

在以居民家庭因素为控制变量的基础上，文章使用空间Probit模型分析网络效应对户用光伏发电行为的影响。网络效应的合理分析依赖于恰当的空间权重矩阵，在基准网络效应模型中，空间权重矩阵假定每户居民仅受到离其地理距离最近的4户居民的影响。具体网络效应的估计结果见表2，模型（2）比模型（1）多纳入党员、健康状况、亲友数量作为解释变量。其他不同空间权重矩阵的设定将在后文的稳健性检验部分讨论。结果表明已安装户用光伏发电板的家庭的存在将会在很大程度上（-0.955 5和-0.981 0）降低周围未安装的家庭使用该项目的可能性，未安装的居民通过学习已安装居民的经历而倾向于做出不安装光伏发电板的决定。已安装家庭不仅没有起到正面示范带头作用和推动户用光伏在未安装家庭的发展，甚至反过来降低了周围家庭安装户用光伏的可能性和普及率。这可能是近年来户用光伏项目虽然有国家政策大力扶持，但其发展仍然与预估潜力之间存在差距的原因之一。

表2 网络效应结果

在介绍模型其他变量的结果之前，首先解释该研究网络效应的结果与前人相关研究之间的差异［27-30］。该研究认为结果存在差异的主要原因在于价格与收入。前人关于户用光伏项目的研究开展于发达国家（美国和澳大利亚），发达国家的人均收入水平保证其家庭具备安装光伏发电板这种非生活必需品的经济条件，存在学习、攀比或跟风的条件，也拥有承担该项目失败的能力，这是导致网络效应能在这些国家的户用光伏项目推广中产生正向作用的重要原因之一。而前人关于太阳能热水器项目的研究虽然与该研究一样开展于发展中国家（中国），但是因为太阳能热水器前期投入较低，居民家庭也更能承受其失败，所以更容易产生正向的网络效应。但是，户用光伏发电的前期投入远高于太阳能热水器，而中国目前的人均经济水平尚不足以支撑户用光伏这种高前期投入的非生活必需品。另外，高投入期待高回报，而过高的期望值会放大居民使用时的不佳体验。上述这些因素的共同作用最终导致了网络效应对中国户用光伏发电行为产生负向作用。

上述模型中其他解释变量的影响将在本章后半部分根据平均直接边际效应（对自身行为的影响）和平均间接边际效应（对周围他人行为的影响）、总边际效应进行分析，此外文章将主要分析居民对补贴政策了解程度、居民搭便车心理、居民环保意识和风险偏好对居民光伏发电行为的影响。注意，根据模型空间权重矩阵设定，周围他人指距该居民地理距离最近四户居民，其他不同的空间权重矩阵设定在后文稳健性检验中展示。

4.1 平均直接边际效应

平均直接边际效应结果反应了居民自身因素对其参与户用光伏发电的直接影响，包括：①不受网络效应影响时居民自身因素对其光伏发电行为的直接影响；②受到自身因素影响的居民光伏发电行为影响他人光伏发电行为之后，他人光伏发电行为再影响该居民光伏发电行为的间接影响。计算方法如式（7）所示，结果见表3。

表3 模型平均直接边际效应结果

了解补贴政策变量的模型平均直接边际效应结果表明居民对补贴政策的了解程度对其自身光伏发电行为有显著的正向影响作用。补贴政策能够提高光伏发电项目的经济性，了解政策是居民理解光伏项目经济性的必要准备，其安装光伏发电的概率也将随着认知程度的提高而提高。

搭便车行为变量和了解防污政策变量的模型平均直接边际效应结果表明个人偏好公共物品的行为与心理对其自身光伏发电行为有显著的负向影响。拥有此类特征的居民更偏好于享受他人的劳动成果，其对周边地区大气污染防治政策的了解程度越高，就越清楚政府大力度的污染防治政策的决心不会以个人行为为转移，就越有可能理所当然地不参与其中。故居民拥有此类特征将会降低其使用户用光伏的概率。

空气质量变量的模型平均直接边际效应结果表明个人环保意识对其自身光伏发电行为无显著影响。不显著的结果表明居民环保意识对其家庭光伏安装决策没有显著性影响。

风险偏好变量的模型平均直接边际估计结果表明，个人风险偏好对其自身光伏发电行为无显著的影响。文章依靠彩票游戏来反映受访者的风险偏好，彩票游戏要求居民对一张奖金1 000元，中奖率为10%的彩票给出自己的最大支付意愿。彩票游戏的描述性统计显示居民最大支付意愿价格的均值为6.42元，98.15%受访者的最大支付意愿价格不大于20元。如此低支付意愿均值与极度左偏的支付意愿分布只存在两种解释：或是因为受访者自身非常厌恶风险，或是因受访者自身原因无法理解彩票游戏以致结果与经济学理论相去甚远。除彩票游戏之外，本次调查问卷还分别通过居民自打分的方式（0～10分）评估了居民在财务、休闲娱乐、事业发展、健康和子女教育方面的风险意识，居民各方面的打分均值均不低于4分，表明居民并不非常厌恶风险。因此，该模型不显著的原因很大概率是由于居民不能很好地理解彩票游戏，其结果无法真正反映居民的风险意识。

4.2 平均间接边际效应

平均间接边际效应结果反应了居民自身因素对其他人光伏发电行为的间接影响，即居民自身因素先影响自身光伏发电行为，再经过网络效应的作用对周围他人光伏发电行为产生影响。等价地，也可以认为是周围其他人的外生变量对居民自身安装光伏可能性的影响。此外由于负向网络效应的存在，平均间接边际效应的符号应当与不考虑网络效应的边际效应的符号相反。计算方法如式（8）所示，结果见表4。

表4 模型平均间接边际效应结果

了解补贴政策变量的平均间接边际结果表明，居民对补贴政策的了解程度对周围他人采用光伏发电行为有显著的负向影响作用。已安装用户对光伏补贴政策了解程度越高，越会降低周围未安装居民光伏发电行为的可能性，并且这种降低程度会随着已安装用户对补贴政策的了解程度增加而加大。我们认为，这可能是因为对补贴政策了解程度高的已安装用户更能够体会到补贴政策宣传情况与实际情况的不一致，这导致已安装用户对光伏项目整体评价不佳，因而影响了附近居民的安装意愿。

搭便车行为变量和了解防污政策变量的平均间接边际效应结果表明居民个人偏好公共物品的行为与心理对周围他人光伏发电行为有显著的正向影响作用。偏好于搭便车的居民显然希望周围他人更多承担环境责任，故其会倾向于推动周围他人采取光伏发电行为，以便享受他人努力所带来的好环境，也可以通过他人首先尝试安装户用光伏从而获知其优缺点。

空气质量变量和风险偏好变量的平均间接边际效应结果表明居民个人环保意识和风险意识对周围他人光伏发电行为无显著影响。平均间接边际效应的作用机制决定了个人特性需要先影响个人光伏发电行为，继而影响周围他人光伏发电行为。由于这两个变量无法对居民个人光伏发电行为产生显著影响，也就无法对周围他人光伏发电行为产生显著影响。

4.3 总边际效应

总边际效应结果反映了解释变量的变动对居民整体光伏发电行为的平均影响，结果见表5。综合来说，采取光伏发电的概率将会随着居民整体对补贴政策了解程度的提高而提高，随着居民整体搭便车心理和行为的增强而减弱。此外，它与居民整体环保意识和风险意识无显著相关关系。上述结果与平均直接边际效应结果相同，表明平均直接边际效应在其中起到主要作用。

表5 模型总边际效应结果

4.4 其余变量影响作用

除上述相关因素之外，模型中还包括户主与家庭特征变量，由于篇幅的原因，仅在此处简述。户主特征方面，户主年龄与户主教育程度对其个人光伏发电行为有正向作用，而户主职业具有负向作用。家庭特征方面，家庭年可支配收入、可用安装面积和月电费均对其个人光伏发电行为有正向作用，而家庭人数和家庭于当地居住年限具有负向作用。最后，户主性别、家庭最高教育程度和城市亲友数量变量的影响作用并不显著。

4.5 稳健性检验

为了验证上述关于网络效应模型结果的稳健性，提高模型结论的可信度，该研究通过改变空间权重矩阵的方式进行稳健性检验。该研究将户用光伏发电行为之间的相互影响分别拓展到户用的光伏发电行为将会受到距其地理距离最近六户居民和同村居民相关行为的影响。分组方式的变化导致居民行为受影响的范围更广，所得到的空间权重矩阵也更为密集。稳健性检验具体结果见表6，模型3与模型5所用变量与模型1相同，模型4和模型6所用变量与模型2相同。表6的结果表明网络效应的影响作用始终为负，且稳定在-0.991 3至-0.727 2之间，基准网络效应模型的结果也在该区间内，故该研究认为网络效应对居民户用光伏发电行为的负向影响作用是具有稳健性的。

表6 稳健性检验结果

5 结论与政策建议

2020年12月12日，习近平主席在气候雄心峰会上关于气候变化问题作出承诺：“到2030年，中国单位国内生产总值二氧化碳排放将比2005年下降65%以上，非化石能源占一次能源消费比重将达到25%左右，风电、太阳能发电总装机容量将达到12亿kW以上。”［40］为加快户用光伏建设，文章从非价格因素入手，分析网络效应对户用光伏发电项目的决策的影响。基于2019年北京市昌平区入户问卷调查数据，文章利用空间Probit模型评估网络效应的影响，并通过稳健性检验保证模型结论的稳定性与可靠性。最终，文章得出以下三条结论：①已安装户用光伏居民的存在会明显降低其周围居民进一步出现光伏发电行为的概率，使未加入光伏发电的居民更倾向于不参加。该结论支持关于网络效应能够影响家庭分布式光伏发电项目发展的研究［27-29］，但也揭示网络效应在发展中国家和发达国家的差异性。②偏好公共物品的心理将阻碍光伏项目在居民中的推广。公共物品消费的非竞争性和收益的非排他性导致搭便车行为的发生［41］，不付出努力而享受美好环境最终结局是环境崩盘的公地悲剧，为此，居民应当改正偏好公共物品的错误心理，为美好环境共同努力。③补贴政策仍然是影响居民安装光伏发电项目的重要因素之一，居民对该项目的了解程度对居民的总体光伏发电行为产生正面影响，这与过去关于补贴政策对于家庭分布式光伏发电行为具有正向作用的研究结论一致［1-2，31-34］。

基于上述分析结果，文章认为应当辩证地看待目前网络效应所造成的影响。一方面，居民之间交流与信任的存在使得网络效应对户用光伏的推广具有极强的影响作用。另一方面，现阶段负面网络效应阻碍户用光伏的推广。因此，应当转变网络效应的作用方向，化负面影响为正面影响，使网络效应在激励居民光伏发电行为方面作出贡献。政府部门与光伏厂商将在其中起到重要作用。政府部门应当积极贯彻落实相关户用光伏政策，扭转相关政策在居民心中的不佳形象，提高已安装家庭对户用光伏的认同感，借助网络效应的作用机制传播正向影响。光伏厂商当定期与民众分享最新的研究成果和光伏项目进展，纠正居民对光伏项目的错误看法，增强公众对户用光伏环境效益和经济效益的认识，并通过网络效应社会学习和信息传递的途径，提高社会整体认知水平。