引言

太陽能一直被認為是人類社會可持續發展的重要可再生的、清潔的能源,世界各國都把太陽能光伏發電的利用和商業化作為重要的發展方向。從世界范圍看,從2002~2009年,全球光伏電源累計安裝容量從2175•5兆瓦增長到22928•9兆瓦,增長幅度達9•5倍之多。根據歐洲JRC的預測,到2030年太陽能發電將在世界電力的供應中顯現其重要作用,達到10%以上;2050年太陽能發電將占全球總能耗的20%,到本世紀末太陽能發電將在能源結構中起到主導作用[1]。每年中國陸地接收的太陽輻射總量相當于24000億噸標準煤,約等于1000年的能源消費量;全國總面積2/3地區年日照時間都超過2000小時[2]。

目前太陽能主要用來發電和發熱。我國太陽能熱水器年生產能力已達到2300萬平方米,太陽能熱水器使用總量超過1•2億平方米,占世界總使用量的60%[3],與此相比,我國光伏產業與國際光伏發展仍有較大的距離,世界光伏產業每年以31%的速度發展,而我國的光伏產業每年增長率僅為15%[2]。我國具有發展太陽能的天然基礎,有效利用太陽能資源已經成為解決我國能源環境問題的重要突破口之一,學者張治民認為制約我國太陽能資源發展的重要問題就是技術層面上的落后[4],太陽能光伏技術擴散問題亟待解決。本文運用基本擴散模型對我國太陽能光伏發電技術擴散趨勢進行預測,試圖模擬出我國未來太陽能光伏發電技術發展曲線,以期對國家可再生能源發展利用提出政策依據。

1太陽能光伏技術擴散模型構建

1•1擴散模型

在已有的關于新能源技術擴散研究中,擴散模型運用較多。Collantes(2006)[5]運用logistic模型研究燃料電池車的市場增長問題,Masini、Frankl(2002)[6]、Isoard,Soria(2001)[7]、Ibenholt(2002)[8]運用學習曲線對太陽能、風能擴散進行評價,Neij(1997)[9]、Lund(2002)[10]運用經驗曲線對新能源技術運用前景及需求,Lund(2005)[11]、Purohit,Kandpal(2005)[12]、UshaRao、Kishore(2009)[13]運用Bass模型對新能源市場擴散問題、印度風能問題進行研究,Peter,Ra-maseshan,Nayar•(2002)[14]運用Rogers模型對發展中國家太陽能光伏市場發展狀況進行分析。這些文獻研究為本文模型選擇提供了基礎。按照創新擴散過程的影響因素,可以將上述模型分為3類,內部影響模型,如Logistic模型,考慮系統內部因素主要是過去使用者對擴散的影響;外部影響模型,將技術擴散完全歸于系統的外部因素;混合影響模型,如Bass模型,綜合考慮了內外部因素對擴散的影響。混合模型中涉及的未知參數較多,對于數據充足性要求較高。外部影響模型將潛在的采用者市場氛圍已采納創新者和未采納創新者兩大類。內部影響模型假定創新擴散完全是由潛在市場內部的信息傳播推動,其描述的創新擴散過程與傳染病的傳播過程相似,也被稱為標準傳染模型。本文研究認為太陽能光伏技術擴散過程符合傳染病擴散過程:即初始階段技術進入市場,由于潛在采用者的不確定性及技術本身的風險,擴散速度緩慢;加速階段,隨著用戶增多,市場傳播速度加快,普及量開始迅速增加;飽和階段,當超過最大加速度點之后,技術市場擴散速度開始減慢,最終達到市場飽和,即最大開發量,這一過程通過下文圖1能夠清楚的看出。Fisher和Pry(1970)、Henry(1972)和Blaekmna(1974)等人通過比較研究各種技術創新擴散過程,認為內部擴散模型(Logistic模型)可以較好地描述技術創新擴散過程。因此本文研究采用Logistic模型對太陽能光伏技術擴散趨勢進行預測。假設在某一時點t太陽能的市場最大開發能力Nt,時間t點上太陽能光伏的市場普及量或者已有的市場潛能為nt,若太陽能光伏技術采用比率為β,則在無限小的時間間隔dt中,市場采用數量可以表示為如下:令f(t)=ntNt,表示時間t上太陽能光伏的市場開發率,即某一時點上,太陽能光伏技術市場普及量nt在最大經濟可開發量Nt中所占得比例。公式(1)可以變形如下:在Logistic模型中,市場開發率f(t)可以作為衡量技術擴散程度主要因素,然而現實中,技術擴散速度隨著時間的增長呈現緩慢減弱趨勢,對此,我們將公式(6)做如下變形:分析公式(7)易知隨著時間的無限增長,公式逐漸減小并逐步趨向于0,這一變化趨勢與模型假設以及現實都是相符合的,另外,Mansfield認為技術擴散比率與已經采納新技術市場份額有關[5],由此可知,Logistic模型能夠比較合理的解釋太陽能光伏技術的擴散趨勢。本文模型中自變量只有時間一個量,對于邏輯模型中只有一個自變量的情況,預測結果傾向于定性結果。因此本文的結果更多的定性反映了太陽能光伏發電技術擴散的整體趨勢。

1•2模型參數估計

模型中β表示擴散速度,定義為太陽能技術擴散的市場滲透比率,是擴散研究中的關鍵參數。從公式(4)中可以看出,市場滲透比率在長期過程隨著新技術市場占有率的提高在逐步下降,β決定了擴散曲線的斜率和坡度。對于擴散速率β的影響因素,國內外學者研究頗多。Mansifield認為技術擴散比率與技術的投資額度和收益率以及已經采納新技術市場份額有關[6],R•Kemp(1997)認為影響可再生能源擴散過程的主要因素為采用者特征,社會經濟環境特征、技術本身及技術使用者特征,Jacobson,Johnson則通過技術系統視角認為社會受眾知識基礎,政治環境制度以及技術原動力三方能夠影響可再生能源擴散速度[15]。Reddy和Painuly則通過采訪利益相關者,得出政府介入以及提高可再生能源貢獻能夠加快可再生能源擴散速度[16]。Peter通過研究太陽能光伏技術擴散研究發現,財政收入,政府導向積極性,投資成本,技術可靠性,信息傳播程度以及環保意識能夠影響新能源技術擴散速度[17]。所有這些因素對于估計β的值都有影響作用,但是在新能源研究中,這方面的數據相對較少。在Logistic模型中,數據充足時,參數估計方法通常有普通最小二乘法(Bass,1969)、極大似然估計法(sehmittlein,1982)和非線性最小二乘法(Srinirasna,1986)。而在缺乏有效數據的情況下,參數可以通過管理判斷或者歷史上類似創新的擴散情況來獲得,用歷史數據估計模型中的參數值作為一種數據確實情況下的估值方法被眾多學者論證過[13],Collantes根據市場競爭者的歷史數據估計出了燃料電池車的市場擴散速率,并證明了歷史數據估值的有效性[5]。我國學者李繼峰,張阿玲在對我國新能源可再生能源發展預測研究中,參數β值的確定也采用了專家意見及經驗數據[1]。國外學者在研究太陽能光伏技術擴散方面數據較為全面,根據文獻研究,德國,芬蘭,以及世界范圍下的太陽能光伏技術擴散市場開發率要達到50%,分別需要21、23、44年的時間,其擴散速度也有較大差別。我們取3種情況下的平均值作為假設條件下我國太陽能光伏技術擴散系數,其中擴散比率Ttop,β取自表1,將這兩個參數值代入公式Ttop=α/β得α的值。參數值計算結果如表2所示。