內(nèi)生變量和從屬斷尾偏差下的FIT社會福利效應(yīng)的參數(shù)與非參數(shù)估計
——基于中國光伏產(chǎn)業(yè)（2010-2013）的實證研究

沈曦（常州天合光能有限公司，江蘇，常州，213001）

內(nèi)生變量和從屬斷尾偏差下的FIT社會福利效應(yīng)的參數(shù)與非參數(shù)估計
——基于中國光伏產(chǎn)業(yè)（2010-2013）的實證研究

沈曦
（常州天合光能有限公司，江蘇，常州，213001）

由于非隨機抽樣導(dǎo)致的內(nèi)生變量和從屬斷尾問題是困擾產(chǎn)業(yè)組織研究的兩個計量難題。傳統(tǒng)的參數(shù)模型受制于模型形式的設(shè)定和參數(shù)估計過程的復(fù)雜性，在解決這兩個問題時遺留了大量的不確定因素。本文對比了參數(shù)和非參數(shù)估計方法，發(fā)現(xiàn)非參數(shù)模型無論是在穩(wěn)定性還是估計效率上都更勝一籌。基于這一計量方法針對中國光伏產(chǎn)業(yè)相關(guān)企業(yè)數(shù)據(jù)（2010-2013）的實證分析證明了FIT補貼確實存在相當(dāng)規(guī)模的社會凈損失，但是在過去四年中，這一損失已經(jīng)大大減小，補貼的使用效率得到了顯著的提高。與此同時，光伏產(chǎn)業(yè)已經(jīng)迅速成長，自身內(nèi)在的成本優(yōu)化和效率提升已經(jīng)取代外部的FIT補貼成為這一產(chǎn)業(yè)繼續(xù)發(fā)展的主要動力。

非參數(shù)估計 ；從屬斷尾；凈損失；光伏

一、引言

近年來非參數(shù)估計技術(shù)在計量經(jīng)濟學(xué)中起著越來越重要的作用。不受函數(shù)具體形式約束這一巨大優(yōu)勢，使得模型的靈活性和適用范圍大大擴展。盡管缺乏一個顯性的模型結(jié)構(gòu)，非參數(shù)模型卻能包含大量的變量，其解釋力遠(yuǎn)遠(yuǎn)超過參數(shù)模型。尤其在結(jié)構(gòu)模型存在爭議巨大的領(lǐng)域，如需求結(jié)構(gòu)(Hausman&Newey, 1995)、生產(chǎn)函數(shù)(Olley&Pakes, 1996)，非參數(shù)模型提供了一個富有彈性而又便于操作的設(shè)定和估計框架。本文依托2010年以來中國光伏行業(yè)的數(shù)據(jù)①由于涉及到最新數(shù)據(jù)的授權(quán)和保密要求，本文從IHS處獲得了2010-2013年的行業(yè)數(shù)據(jù)。，結(jié)合世界實行上網(wǎng)電價（Feed-in-tariff, FIT）的主要國家政策變化，實證估計了財政補貼在光伏組件市場需求端和生產(chǎn)企業(yè)之間的福利分配效應(yīng)，分析了通過財政補貼形式鼓勵太陽能產(chǎn)業(yè)發(fā)展的社會效率。

政府補貼的社會效率問題自從馬歇爾時代起就一直是經(jīng)濟學(xué)領(lǐng)域一個備受爭議的話題。古典經(jīng)濟學(xué)派基于最簡單的供求曲線模型分析了政府補貼在消費者和生產(chǎn)者之間福利分配原理。古典模型還論證了由于補貼的存在，一部分無效率的企業(yè)免于被競爭機制淘汰，而另一部分原本處于邊際狀態(tài)的消費者有幸以低價買到了商品；結(jié)果導(dǎo)致市場配置偏離了最理想的帕累托最優(yōu)狀態(tài)，造成了所謂的“凈損失”（deadweight loss，DWL）。②由于財政補貼，無論是針對消費者還是生產(chǎn)者，會同時使得消費者享受到更低的價格，企業(yè)得到額外的收益，因此補貼的一部分轉(zhuǎn)化為消費者的收入，另一部分轉(zhuǎn)化為企業(yè)的收益。然而由于無效率狀況的存在，消費者所得加上企業(yè)所得總是小于政府補貼的支出總額，差額即構(gòu)成凈損失。一個詳細(xì)的討論可以參見Samuelson經(jīng)濟學(xué)第十八版，第8章的論述。

在過去的30多年中，針對這一理論進行的實證分析不勝枚舉。Willig (1976)利用馬歇爾供求模型構(gòu)建了福利分析的計量經(jīng)濟學(xué)框架。具體的模型操作方法主要來自于Hausman(1981)和Vartia(1983)的貢獻。前者建議使用一個具體的函數(shù)形式模擬供求關(guān)系，從而推導(dǎo)出消費者的支出方程，在估計出模型中的參數(shù)以后可以利用等價變化(equivalent variation)或是補償變化(compensation variation)模型來計算由于外生變量沖擊導(dǎo)致的個人福利的變化。Vartia則批評這種方法過于拘泥于函數(shù)形式的設(shè)定，同時推薦使用一種迭代的方法直接估計消費者支出的變動。然而這種方法需要預(yù)先設(shè)定一個先驗的迭代函數(shù)，其中的參數(shù)設(shè)定很大程度上依賴于研究者的經(jīng)驗而不是客觀的數(shù)據(jù)。Deaton (1986)進一步完善了Hausman的模型，通過使用泰勒展開式(Taylor-Type Approximation)來進一步精確模型的估計，但依然無法避免模型形式的爭論。Newey(1994)將非參數(shù)模型引入供求模型之后，這一問題得到了有效的解決。Hausman和Newey (1995)構(gòu)建起了一個非參數(shù)估計框架，實證分析了美國消費者由于汽油價格波動承受的福利損失。對比其他參數(shù)模型，該方法無論是在穩(wěn)定性(Robustness)上還是精確性(accuracy)上都更勝一籌，這一估計方法很快在經(jīng)濟政策分析中得到了廣泛的應(yīng)用。Pakes et al. (1997) 將這一分析模型應(yīng)用到了電信行業(yè)的分析中，研究了政府的行業(yè)管制政策對于企業(yè)效率尤其是產(chǎn)品升級的影響；Abadie et al. (2002)利用這一分析框架研究了美國政府對于失業(yè)者提供培訓(xùn)項目的社會效益；Hausman和Leibtag(2007)針對零售業(yè)競爭的社會影響力分析同樣利用了非參數(shù)估計這一技術(shù)；這一框架還輔助Mercatanti(2013)研究了信用卡的發(fā)展對美國家庭消費的影響。

本文將基于這一實證模型框架，利用2010年-2013年中國光伏產(chǎn)業(yè)出口主要光伏國家的數(shù)據(jù)，估計各國FIT補貼的社會效應(yīng)，尤其是在生產(chǎn)者和消費者之間的福利分配結(jié)構(gòu)。相比現(xiàn)有的文獻，本文在以下三個層面上做出了貢獻：

1.在經(jīng)濟學(xué)理論上，Hausman和Newey提出的計量模型在應(yīng)用到汽油市場的實證分析中僅僅研究了消費者剩余的變化，而沒有討論對于生產(chǎn)者福利的影響。鑒于這四年中，光伏行業(yè)經(jīng)歷了一個由快速擴張轉(zhuǎn)為產(chǎn)業(yè)重組的背景，有必要研究生產(chǎn)者在貿(mào)易爭端和FIT調(diào)整中受到的福利影響。一些學(xué)者(楊帥，2013)指出光伏行業(yè)過于依賴政府補貼政策，自身的生產(chǎn)效率提升過于緩慢，導(dǎo)致了在外部環(huán)境發(fā)生動蕩時極為脆弱。通過估計FIT對生產(chǎn)者的福利效應(yīng)可以實證檢驗這一論斷。

2.在計量經(jīng)濟模型上，本文將對比非參數(shù)模型和參數(shù)模型的估計效率。受限于部分不可直接觀察的變量，如各國消費者的習(xí)慣，各地的氣候特點，參數(shù)模型受到測量誤差(measurement error)、內(nèi)生變量(endogenous variable)、從屬斷尾（Incidental Truncation）等問題的困擾。其中第一個是由于模型的設(shè)定偏誤導(dǎo)致，后兩個則源自樣本的非隨機性，這兩個問題均會導(dǎo)致參數(shù)估計的偏差(Bundell et al., 2007)。由于避免了具體函數(shù)形式的設(shè)定，非參數(shù)模型有效解決了模型設(shè)定偏誤的問題。同時計量模型整合了工具變量和從屬斷尾修正，對于參數(shù)的估計效率和精確性是一個巨大的提升。本文的實證檢驗將證明非參數(shù)模型的這一優(yōu)勢。

3.對于政策制定者或是企業(yè)決策者，本文提供了一個理想的效率衡量標(biāo)準(zhǔn)，政府可以考察政策的有效性和效率，企業(yè)則可以通過了解自身對政策補貼的依賴程度來衡量自身的競爭力水平。

本文其余四節(jié)將作如下安排：在第二節(jié)，用于測度FIT補貼下消費者、生產(chǎn)者剩余和凈損失的非參數(shù)估計模型將被建立。第三節(jié)對光伏產(chǎn)業(yè)背景做一個簡單的介紹，同時概括地討論樣本數(shù)據(jù)的情況，以及一些預(yù)處理技術(shù)。實證分析結(jié)果的討論將放在第四節(jié)。第五節(jié)將討論模型的延伸和進一步研究的發(fā)展方向。

二、基于非參數(shù)估計的計量模型

簡單的經(jīng)濟學(xué)模型可以解釋補貼的福利效應(yīng)。圖1源自一個基本的供求模型，值得注意的是，組件市場的需求者是電站的建設(shè)方、FIT的直接受益者，而不是終端電力消費者，而供給方來自于組件生產(chǎn)者。當(dāng)FIT補貼降低了電站投資者的運營成本時，對于組件的需求將會上升，反映在圖中原先的市場均衡價格為P，但是政府的補貼使得消費者支付的價格下降到了Pc，而企業(yè)得到的價格上升到了Pf。此時的市場均衡交易量也高于補貼前的水平。

值得注意的是，單位補貼幅度等于兩根需求曲線之間的垂直距離，而政府的總支出由圖中B+C+F+E+G部分代表。三角形部分G即為社會凈損失。從圖形的直觀上看，效率凈損失是因為補貼額大于了消費者所得加企業(yè)所得而導(dǎo)致的。進一步的解釋則可以指出：由于補貼，使得消費者需要承擔(dān)的價格低于原來的水平，而企業(yè)得到的價格高于原來水平，結(jié)果一部分原來成本偏高的企業(yè)(原先成本高于價格)現(xiàn)在有了利潤空間，而原來支付意愿低于價格的消費者，也具備了參與市場的條件。然而這部分社會資源的利用在總體上是以更大幅度的政府補貼為代價的，社會所得超過了為之付出的成本，從而導(dǎo)致了無效益的結(jié)果，也就是模型中的三角形D——凈損失。其中C+E轉(zhuǎn)化成了消費者的福利；B+F成了生產(chǎn)者的剩余。

圖1 補貼的社會福利分析

針對太陽能產(chǎn)業(yè)的研究隨著各國政策的深入而逐漸涌現(xiàn)，很多針對太陽能補貼政策效率的實證研究已經(jīng)為政策制定者提供了有力的依據(jù)。Van Benthem, Gillingham和 Sweeney (2008)通過檢驗太陽能產(chǎn)業(yè)的“干中學(xué)”(learn-by-doing) 來考察該產(chǎn)業(yè)是否可以通過暫時的補貼來培育未來高水平的生產(chǎn)率。數(shù)據(jù)實證結(jié)果證實了產(chǎn)業(yè)成本遞減現(xiàn)象的存在。Gowrisankaran, Reynolds和Samano (2013)擴展了這項研究，他們計量了大型公共事業(yè)級電站的社會成本，檢驗了過去幾年中政府補貼對于太陽能產(chǎn)業(yè)生產(chǎn)率水平提升的效果。相比生產(chǎn)成本端的計量研究，更多的論文將注意力投向消費者需求端的分析，檢驗政府補貼對消費者福利的影響。Bollinger和Gillingham (2012)利用了美國33個城市的數(shù)據(jù)分析了稅收減免政策對于鼓勵個人和企業(yè)安裝太陽能電站的激勵作用，Jonathan和Molly(2013)利用加州的數(shù)據(jù)驗證了這一論斷，并且進行了更為詳細(xì)的量化分析。除了稅收抵免，太陽能補貼政策還有安裝補貼、上網(wǎng)標(biāo)桿電價等多個形式。Burr(2012)研究了各種補貼對于消費者的激勵作用，結(jié)果發(fā)現(xiàn)政策之間的差異并不明顯。對于補貼可能存在的無效率性，不少學(xué)者也進行了較為深入的分析。Chandra等(2010)討論了為鼓勵家庭安裝太陽能電站而采用的稅收減免政策的實際效率，結(jié)果發(fā)現(xiàn)政府因此付出的補貼要遠(yuǎn)遠(yuǎn)高于帶來的能源節(jié)約，對于社會來說是缺乏效益的。Boomhower和Davis (2013)分析了墨西哥太陽能扶持政策中的搭便車（free ride）現(xiàn)象，以及潛在的解決方法。

然而，已有文獻很少利用標(biāo)準(zhǔn)經(jīng)濟學(xué)理論框架計量政策的福利分配效應(yīng)和社會效益。這一部分原因是由于數(shù)據(jù)集的不完善導(dǎo)致的，更重要的是缺乏一個完備的理論框架和計量模型來衡量這樣的分配效率。這一節(jié)將基于上文闡述的模型，勾畫一個可以用于計量的統(tǒng)計模型。論文同時提供一個參數(shù)形式和一個非參數(shù)形式的模型。其中參數(shù)形式模型更加形象具體，且便于計量，但是卻暗含了很多難以解決的統(tǒng)計問題，如內(nèi)生變量、測量誤差等等。一些已有的計量技術(shù)雖然能幫助解決一部分問題，卻不如非參數(shù)模型計量結(jié)果那么精確。首先需要討論的是消費者福利的衡量方法。

（一）理論模型框架

源自早期福利經(jīng)濟學(xué)的社會福利效應(yīng)依托的就是圖1的模型。在設(shè)定了參數(shù)模型以后，通過求解三角形區(qū)域A+B+C+E和D+C+B+F就可以測度在補貼條件下的生產(chǎn)者和消費者的福利狀況；而社會凈損失只需要測度三角形G的面積就可以得到。盡管這樣的方法在圖形上直觀，而且便于操作，在實證研究中被大量使用(Notton, 2010)，但是最大的問題在于如果需求曲線不是線性的，那么曲邊三角面積的計量對于研究者來說是一個不小的挑戰(zhàn)。特別是當(dāng)供求模型完全摒棄線性的函數(shù)而采取抽象函數(shù)的時候，簡單的微積分方法根本無法測度出上述區(qū)域的面積。由于在擬線性效用的框架下，消費者剩余和補償變化CV以及等價變化EV是一致的，Willig(1976)針對計量的問題提出了基于等價變化和補償變化的福利測度方法，得到了研究者的重視和關(guān)注。

這一模型的理論框架源自羅伊恒等式(Roy’s identity)。等式構(gòu)架起了終端需求和個人效用的函數(shù)轉(zhuǎn)換關(guān)系，如果將間接效用函數(shù)(indirect utility function)假設(shè)為抽象函數(shù)的形式v(p,y)③P代表價格，y代表收入水平。，那么需求函數(shù)則可以表示為：

當(dāng)在時期t，價格從p(0)變化到p(t)，為了維持個人效用水平V不變，收入相應(yīng)的也需要從y(0)調(diào)整到y(tǒng)(t)。表現(xiàn)在函數(shù)中為：

對時間t求全微分可得：

簡單代數(shù)處理可以發(fā)現(xiàn)：

根據(jù)等價變化的定義，消費者福利的變化可以表示為：

因此，再對t求導(dǎo)，在代入需求函數(shù)等于：

在本文的模型中，需要對比非參數(shù)和參數(shù)模型在測度光伏市場FIT補貼的效率，因此需要同時構(gòu)建具體參數(shù)形式和抽象非參數(shù)形式的供求結(jié)構(gòu)模型。

（二）結(jié)構(gòu)模型和簡化形式

這篇論文并不是第一個計量能源補貼福利效應(yīng)的文獻，Panos等（2013）就利用了Quadratic Almost Ideal Demand System (QUAIDS)模型測算了天然氣補貼對于西班牙家庭的福利效應(yīng)。但是AIDS模型對于數(shù)據(jù)覆蓋面有很高的要求，需要了解家庭各項支出的結(jié)構(gòu)。在本文的模型中則要求收集國民經(jīng)濟各項支出的份額，對于已有的數(shù)據(jù)集來說是不現(xiàn)實的。

本文的參數(shù)模型采用了兩種類型的需求曲線：線性模型和雙對數(shù)模型，市場j中企業(yè)i在時間t面臨的需求曲線有如下形式：

其中Pijt和Qijt為企業(yè)i在該市場上的定價與銷售數(shù)量，是這一時期行業(yè)的平均價格，由于在過去的四年中，幾乎所有企業(yè)的價格都出現(xiàn)了顯著的下降，通過引入一個能代表行業(yè)價格水平的pt可以控制平均價格下降的趨勢，減少這一事實對個體企業(yè)回歸函數(shù)的干擾。GDPjt用于控制收入效應(yīng)，理論上絕對GDP水平和環(huán)比GDP變動都可以起到這一效果，但是前者在15個季度中的變異性不夠，從而給參數(shù)估計帶來困難，因此選用的是環(huán)比GDP增長率。FITjt則是引入了政府補貼的作用⑥在這篇論文中，被考察的市場僅僅是組件市場，因此需要將度電補貼FIT轉(zhuǎn)化為對光伏組件的補貼，具體的方法見下文。，εit和∈jt分別為企業(yè)和市場層面的隨機干擾項。

考慮到企業(yè)之間的差異性(李園紅、高明，2010)，市場結(jié)構(gòu)的設(shè)定模型采用了壟斷競爭模型。企業(yè)i的利潤最大化問題可以表示為：

其中，Cit為邊際成本，且假設(shè)在時間t內(nèi)，企業(yè)的生產(chǎn)處于規(guī)模經(jīng)濟不變的狀態(tài)，與之相對應(yīng)的一階條件可以寫成：

值得注意的是，線性模型可以直接應(yīng)用于實證分析，但是雙對數(shù)模型中，針對成本Cit的回歸是非線性的，需要采用非線性估計模型的迭代法，依托Stata中的Newton-Raphson工具即可實現(xiàn)。

（三）內(nèi)生變量、斷尾偏誤和參數(shù)識別

傳統(tǒng)的參數(shù)識別技術(shù)即通過對簡化形式的（5）式進行回歸估計。在得到然后對比（4）、（5），通過簡單的代數(shù)關(guān)系即可識別所有的。

然而簡單的最小二乘估計（OLS）卻難以避免諸多問題的干擾，使得參數(shù)估計值在統(tǒng)計上無法實現(xiàn)理想中的無偏性和一致性。具體在這個模型中，主要面臨的問題有三個：一是異方差性，二是源自Cit的內(nèi)生變量；三則是由于非隨機樣本帶來的從屬斷尾偏誤。

異方差性源自模型隨機干擾項中包含的θit和μjt，企業(yè)間和市場間的差異導(dǎo)致了不同觀測個體ij的干擾項θit+μjt之間存在差異，尤其是方差的差異。結(jié)果導(dǎo)致各個參數(shù)估計的顯著性大受影響。解決異方差性的計量技術(shù)已經(jīng)比較成熟，通過利用樣本信息對OLS加權(quán)回歸的GLS技術(shù)已經(jīng)被證實能有效解決異方差性。

由于數(shù)據(jù)樣本涵蓋了不同企業(yè)在不同時間段上的表現(xiàn)，而關(guān)于企業(yè)的信息在回歸模型中僅僅包含了成本因素Cit，諸如技術(shù)水平、勞動力成本、原材料成本這些決定Cit的因素由于無法直接被自變量囊括考慮，全包含在了隨機干擾項θit。因此變量Cit和θit就建立起了顯著的相關(guān)關(guān)系，而這一問題導(dǎo)致的結(jié)果是β4估計的非一致性。對于這一問題的修正最常用的方法是工具變量（IV）。通過找到一個或幾個和Cit相關(guān)但獨立于隨機干擾項的工具變量，通過一個間接回歸估計就可以解決內(nèi)生變量帶來的非一致性問題。這一解決途徑最大的障礙在于能否找到這樣一個理想的IV。幸運的是，光伏企業(yè)的季度財報中包含了兩個這樣的指標(biāo)：轉(zhuǎn)換效率和存貨規(guī)模。作為一個長期的技術(shù)指標(biāo)，轉(zhuǎn)換效率和企業(yè)即期的勞動力成本、原材料等相關(guān)性大大減弱，但是能實現(xiàn)高轉(zhuǎn)換率的企業(yè)往往能更好地控制成本，因此轉(zhuǎn)換效率和Cit的關(guān)系就建立了起來；而另一個工具變量——存貨規(guī)模——則是由前幾個季度的生產(chǎn)決定的，和當(dāng)期沒有直接的關(guān)系，但是卻左右了當(dāng)期的供應(yīng)能力，從而影響到當(dāng)期的產(chǎn)品銷售成本Cit。

如果說前兩個問題是源自模型設(shè)定，那么第三個問題，從屬斷尾，則是由于樣本采集中的問題。模型估計采用的樣本來自于IHS提供的每季度22家企業(yè)在各個分市場⑦包含了澳大利亞、加拿大、中國、德國、印度、美國、日本、拉美、中東、歐洲其他國家和亞太其他國家，共計12個分市場。的銷售數(shù)據(jù)。然而這22個企業(yè)并不是來自于隨機抽樣，而是22家處于行業(yè)領(lǐng)先地位的生產(chǎn)商。由此產(chǎn)生的問題被稱作樣本選擇或從屬斷尾(incidental truncation)，即由于非隨機抽樣導(dǎo)致的選擇性偏差。大量的針對非隨機抽樣的計量經(jīng)濟學(xué)研究［Heckman (1990)，Manski (1989; 1990; 1992)，Newey,Powell and Walker (1990)］已經(jīng)證實了從屬斷尾問題會導(dǎo)致參數(shù)估計的嚴(yán)重偏誤。問題的根本在于樣本中的個體所具備的特性無法代表需要考察的群體。針對這一問題使用最為廣泛的方法是Heckman(1997)提出的兩步估計方法(Two-step estimation)，核心思想是通過一個概率模型找出決定個體進入非隨機樣本概率的因素，然后將這些因素的決定作用構(gòu)建一個變量加入到回歸模型中，從而控制了原本不可觀測的變量，修正了參數(shù)估計的結(jié)果。

從以上的討論中不難看出，參數(shù)模型受困于太多的問題和缺陷，而為了解決這些問題則需要施加太多的修正方案，結(jié)果使得模型估計變得更為復(fù)雜。更重要的是，參數(shù)模型還有一個無法克服的弱點：模型設(shè)定問題。無論研究者使用如何高端的估計技巧，在設(shè)定模型具體形式的時候就已經(jīng)決定了這項研究效率的優(yōu)劣，一個失敗的模型形式可能直接導(dǎo)致估計結(jié)果的嚴(yán)重偏誤。而這些問題的解決則需要放棄參數(shù)模型，幸運的是Robinson(1988)提出并由Newey(1994)發(fā)展的非參數(shù)模型成功解決了這一問題。

非參數(shù)模型的基本思想是通過一個抽象函數(shù)定義一個自變量(Xs)和應(yīng)變量(Y)的映射關(guān)系，如Y=f(X)。然后對于自變量X 的每一個取值定義一個鄰域(X0-σ,X0+σ)，在模型估計的時候，X0處的Y值由鄰域內(nèi)除Y0以外的點加權(quán)估計，其中權(quán)數(shù)由這個點與X0的距離決定，離X0越近的Y被賦予更大的權(quán)重，反之則被賦予較小的權(quán)重。統(tǒng)計表達式則可以寫成：

其中Kσ為X的密度函數(shù)。

可以發(fā)現(xiàn)，非參數(shù)估計方法在本質(zhì)上是通過“參考”鄰近點的應(yīng)變量值，來模擬估算該點的Y值水平。這樣的方法最大的優(yōu)勢在于不需要一個提前設(shè)定的函數(shù)形式，在使用彈性上大大增強了，改善了估計的穩(wěn)定性。但是與此同時產(chǎn)生了兩個新問題：一是如何確定鄰域的窗寬(bandwidth)——σ。過大的σ會導(dǎo)致過多的“鄰近點”被加權(quán)，導(dǎo)致影響模型估計的精確性；過小的σ會使得估計結(jié)果“過分不平滑”，影響趨勢分析的意義。Hardle和Linton(1994)提出了一個標(biāo)準(zhǔn)：cross validation，類似于最小二乘法中的殘差平方和：CV。y?|為選定iσ窗寬σ時的估計量，但是需要嘗試多個不同的σ來選擇CV最小的一個⑧Verardi和Debarsy（2013）基于stata開發(fā)的程序已經(jīng)可以自動實現(xiàn)CV最小化了。。

非參數(shù)估計的另一個問題是估計值容易受到離群點的影響。由于應(yīng)變量的估計借助其他Y值，因此，特別是在窗寬比較小的情況下，一個離群點會導(dǎo)致估計值較大的偏差。針對這一問題，Hausman(1995)提出直接使用加權(quán)回歸，賦予高杠桿點0權(quán)重就可以實現(xiàn)修正。在具體的回歸操作中，以線性模型為例，模型5可以寫成如下的非參數(shù)形式：

在得到了需求曲線估計以后，代回到通過羅伊恒等式推到的等價變化微分方程中：

對時間t求積分就可以算出消費者的支出函數(shù)S(t,p')⑨在這個模型中，需要考察的自變量只剩下了價格p。。在不同的價格水平下，消費者剩余的變化等于ΔCS=S(t,p)-S(t,p')。其中p'是假設(shè)不存在FIT補貼的市場價格，為推算變量(counterfactual)。

非參數(shù)模型最大的挑戰(zhàn)在于估計的實現(xiàn)方式，在Robinson(1988)正式提出這一方法以后，各類統(tǒng)計軟件一直沒有能自動實現(xiàn)這一估計。Verardi和Debarsy(2013)通過了多項式擬合使得stata能自動實現(xiàn)非參數(shù)估計。研究者只需要給定應(yīng)變量和自變量，同時為擬合多項式選擇一個階數(shù)，軟件就可以自動實現(xiàn)這一估計。

不難看出，由于采用了完全抽象的方式估計，非參數(shù)方法成功規(guī)避了模型設(shè)定可能存在的偏差，同時不影響引入工具變量，將成本、殘差與其他變量獨立起來，從而規(guī)避了內(nèi)生變量的影響。但是Robinson的非參數(shù)估計模型依然沒能擺脫從屬斷尾問題，而針對這一問題的修正需要研究的是X的概率分布。

正如Heckman方法中提倡的，通過自變量X可以觀察到任何一個個體進入隨機樣本的概率值，而這恰好可以幫助模型修正傳統(tǒng)的非參數(shù)估計框架。傳統(tǒng)模型中Kσ是根據(jù)觀察到的樣本變量自動擬合的，而現(xiàn)在Kσ則成為一個條件概率的密度函數(shù)，除了從非隨機樣本中觀察X的分布，還需要結(jié)合樣本以外的信息。具體而言，假設(shè)樣本中X的密度函數(shù)是f(X)，而給定一個個體的特征，該個體進入非隨機樣本的概率為p ，那么非參數(shù)估計中的概率密度函數(shù)應(yīng)該為Kσ=p?f(X)。通過這一改進就可以在傳統(tǒng)非參數(shù)模型中實現(xiàn)從屬斷尾的修正。

基于以上的討論，表1總結(jié)了實證分析中模型估算的問題以及在參數(shù)和非參數(shù)框架下的解決途徑。

表1 參數(shù)和非參數(shù)模型分析框架對比

三、產(chǎn)業(yè)背景和樣本概況

受困于高出火電數(shù)十倍的成本，太陽能發(fā)電長期依賴于政府的補貼。各國的補貼政策不盡相同，大體上可以分成兩類：一是針對初裝規(guī)模的補貼，如美國的稅收減免優(yōu)惠（tax rebate）和中國的金太陽項目⑩具體的補貼額取決于安裝的時間，但是所有備案項目，只要在2014年6月之前完成安裝，都可以得到每瓦4元到5.5元不等的補貼。；另一類補貼則是針對發(fā)電量，即所謂的標(biāo)桿上網(wǎng)電價（FIT）。基本方法是通過設(shè)定一個保證電站投資人收益的上網(wǎng)電價來補貼太陽能發(fā)電成本與常規(guī)上網(wǎng)電價的差額，使技術(shù)尚未成熟和開發(fā)運營成本仍然較高的太陽能供電項目能夠有長期穩(wěn)定的合理回報，從而吸引部件、系統(tǒng)和運營商及投資人的積極參與，進而推動整個行業(yè)的持續(xù)發(fā)展。這一點在歐洲很多國家，如捷克、德國、意大利等，得到了廣泛的使用。然而近年來，尤其是2012年后，受制于財政危機等因素，絕大多數(shù)歐洲國家開始大幅削減FIT，而這一行為很快導(dǎo)致了歐洲各國對于光伏的需求銳減。與之相對應(yīng)的是亞洲兩大新興市場在FIT政策下的崛起，一個是中國，另一個便是日本。圖2選取了8個主要的國家，匯總了每個國家月度的FIT水平、新增安裝量和從中國進口的光伏產(chǎn)品數(shù)量的數(shù)據(jù)。很容易注意到，歐洲六國的市場（德國、法國、意大利、捷克、英國和希臘）都在一輪又一輪的FIT削減下急劇萎縮，而中國和日本則持續(xù)膨脹。這一直觀的現(xiàn)象給出了至少兩項啟示：一是消費者確實從FIT補貼中獲利巨大，而且在目前狀況下，光伏市場的供求雙方依然依賴于政府補貼而生存；二是每一個國家都在FIT宣告下調(diào)的前一個月或當(dāng)月出現(xiàn)顯著的“搶裝潮”，因此將FIT引入需求函數(shù)是必要的。

由于FIT針對的是發(fā)電量，而模型中的標(biāo)的物是太陽能組件產(chǎn)品，因此補貼數(shù)據(jù)首先需要通過計算電站預(yù)計發(fā)電量來折現(xiàn)到目前，從而估計FIT對光伏組件的間接補貼幅度。簡單的例子，假設(shè)一個1MW的光伏電站預(yù)計運營壽命為20年，考慮到系統(tǒng)輸出可能的衰減(比如15%)，平均每年的發(fā)電量為150萬千瓦。FIT政策使得光伏電站電力的售價比傳統(tǒng)能源要高出0.5元/KWh，那么電站每年可以得到政府補貼75萬元。假設(shè)銀行利率為5%，20年每年75萬元的年金現(xiàn)值等于935萬元。這就可以將政府的FIT等價轉(zhuǎn)化為對系統(tǒng)的補貼。根據(jù)當(dāng)期市場的組件價格和系統(tǒng)價格之比，r，就可以算出935*r萬元最終被補貼到了組件產(chǎn)品上。而這一過程中最為重要的工作是估計電站在設(shè)計壽命中的發(fā)電量。

圖2 各國FIT、月安裝量和進口數(shù)量走勢（2010-2013）

（一）估計模型

隨著全球光伏電站的迅速建設(shè)和發(fā)展，光伏電站發(fā)電量的預(yù)測方法成為近幾年分布式電源技術(shù)研究的一個熱點問題。然而，不同于傳統(tǒng)能源的發(fā)電模式，光伏電站由于太陽能資源具有能量密度低、穩(wěn)定性差、調(diào)節(jié)能力差等劣勢，而且電站的效率受氣象因素變化及地域的影響較大，發(fā)電量具有較大的不確定性。所幸的是數(shù)學(xué)統(tǒng)計理論、人工智能等技術(shù)的相繼引入，負(fù)荷預(yù)測技術(shù)得到了極大的提高。當(dāng)前被廣泛使用的光伏電站發(fā)電量預(yù)測模型多達十余種，如原理預(yù)測法（Radziemska，2003）、統(tǒng)計預(yù)測法（丁明、徐寧舟，2011）、智能預(yù)測法（Hammer et. Al,2003）、不確定性理論預(yù)測法（Voyant，2009）等等。

不同的方法由于受限于各自所需的假設(shè)和數(shù)據(jù)有不同的適用環(huán)境。王少義等（2013）在綜合討論了各種方法的模型構(gòu)建和數(shù)據(jù)需求之后建議：對于負(fù)荷穩(wěn)定且運營環(huán)境變化不大的中短期預(yù)測較適用統(tǒng)計預(yù)測法，不確定性的智能預(yù)測則更擅長于處理瞬時輸出功率的預(yù)測和模擬，且這兩種方法都需要相同或是相似環(huán)境下電站的歷史數(shù)據(jù)作支撐。對于新建電站的長期發(fā)電量預(yù)測，由于缺乏真實系統(tǒng)運行數(shù)據(jù)，原理預(yù)測法是相對而言比較合適的選擇，但是另一個層面上看，原理預(yù)測法過多依賴于理論模型，對于該地區(qū)實際的氣候隨機因素和光伏在該地的歷史發(fā)電效率缺乏必要的考慮。實證模型旨在對新建電站的整個生命周期發(fā)電量作出估計，進而估計FIT的總量，為了確保結(jié)果的穩(wěn)定，本文綜合了原理預(yù)測和統(tǒng)計預(yù)測兩種方法的結(jié)果①如上文所述，原理預(yù)測法依托Radziemska（2003）的文獻和相關(guān)模型可以得到實現(xiàn)，統(tǒng)計預(yù)測法依托的是該地區(qū)已建電站的歷史數(shù)據(jù)，通過不同年限歷史電站發(fā)電量作為新電站發(fā)電量的參考依據(jù)，再根據(jù)發(fā)電效率的技術(shù)進步水平做適當(dāng)?shù)恼{(diào)整。BNEF的新能源項目統(tǒng)計數(shù)據(jù)庫提供了各國主要光伏項目的運營數(shù)據(jù)，為本文的統(tǒng)計提供了重要的依據(jù)和支持。，把兩者的平均值作為該地區(qū)發(fā)電量的估計預(yù)測值。

原理預(yù)測法針對太陽能發(fā)電過程中在光電轉(zhuǎn)換環(huán)節(jié)和逆變環(huán)節(jié)存在能量損失的現(xiàn)象，建立經(jīng)驗公式和經(jīng)驗系數(shù)，預(yù)測光伏發(fā)電量，此方法的原理和計算都非常簡單，預(yù)測效果主要取決于光電轉(zhuǎn)換效率模型、逆變效率模型和輻射預(yù)報的準(zhǔn)確性。

模型設(shè)定為一個簡單的函數(shù)，光伏組件輸出瞬時功率(直流)為：

P(t)=ηsAG(t)

其中ηs為光電轉(zhuǎn)換效率②ηs在現(xiàn)實中不僅僅取決于光伏組件的質(zhì)量和性能，還受到諸如溫度、濕度、大氣質(zhì)量等諸多因素的影響。除射強度以外，其他環(huán)境變量對我們來說無法觀察，為了簡化模型，本文將ηs假設(shè)為一個常數(shù)。完整的模型可以參考Notton（2010）。，A為極板面積(m2)，G(t)為斜面輻射(W/m2)。

在得到P(t)估計以后，光伏系統(tǒng)直流發(fā)電量為：

t1,t2分別代表日出和日落時間。

最后，光伏系統(tǒng)的發(fā)電量E=θEA，θ為逆變器的轉(zhuǎn)化效率。

各國的太陽輻射數(shù)據(jù)來自于Martín等人（2010）的統(tǒng)計和發(fā)布，數(shù)據(jù)集提供的是月度離散數(shù)據(jù)，而非模型中采用的連續(xù)函數(shù)G(t)。因此，一年中第i個月的系統(tǒng)直流發(fā)電量可以用一個簡化的模型直接估計得到：

如上文所闡述的，為了確保發(fā)電量這一估算變量的精確性和統(tǒng)計穩(wěn)健性，本文綜合了原理預(yù)測法和統(tǒng)計預(yù)測法兩個方法的結(jié)果。統(tǒng)計預(yù)測法，依托一個地區(qū)歷史光伏發(fā)電數(shù)據(jù)做出估算，主要來自于BNEF的項目數(shù)據(jù)庫對于各國代表性光伏項目年發(fā)電量數(shù)據(jù)的統(tǒng)計。

（二）各國光伏電站發(fā)電量估計

基于以上的討論，太陽輻射程度數(shù)據(jù)來自于Martín(2010)的測量和估計。為方便計算，模型選取以單位容量為1MW的電站發(fā)電量作為參照標(biāo)準(zhǔn)，設(shè)定電站系統(tǒng)總效率為77%，全使用壽命（20年）中系統(tǒng)衰減15%，目前市場逆變器的效率介于85%-95%之間，模型區(qū)中間值90%。從而預(yù)計出各國1MW電站的年發(fā)電量和全生命周期發(fā)電量。

表2對比了采用兩種發(fā)電量估算方式對主要國家光伏發(fā)電量的估算結(jié)果，從統(tǒng)計上看，兩種方法的估算結(jié)果在絕大多數(shù)樣本國家中沒有顯著的區(qū)別。

表2 1MW電站發(fā)電量估算結(jié)果（萬KWh）

FIT是針對發(fā)電量的補貼，在得出每IMW電站的預(yù)計發(fā)電量以后，就可以很容易地得出政府通過FIT向這一電站的補貼總額S。由于當(dāng)期電站的平均造價和組件產(chǎn)品的價格都是可以觀察到的，因此將這一總補貼S乘以組件占電站成本的百分比，就可以算出FIT中有多少轉(zhuǎn)化為了對組件的補貼，從而構(gòu)成模型中的FITjt。

（三）樣本概況

除了估計各國太陽輻射水平的數(shù)據(jù)，模型實證分析的數(shù)據(jù)還來自于另外四個數(shù)據(jù)庫：企業(yè)層面的出貨量（shipment）、區(qū)域內(nèi)的平均銷售價格（ASP,average selling price）以及組件的生產(chǎn)成本（cost）來自于咨詢公司IHS提供的季度數(shù)據(jù)庫，其跟蹤了22個主要的太陽能企業(yè)每季度在全球9個分區(qū)域的銷售量、平均價格以及組件的制造成本和效率。中國海關(guān)數(shù)據(jù)庫提供了2010年以來國內(nèi)所有太陽能企業(yè)的出口數(shù)據(jù)，使得模型可以計算出各個企業(yè)的季度和年度出口規(guī)模。關(guān)于企業(yè)的產(chǎn)能情況則來自于另一家咨詢公司（PVinvestor）提供的截面數(shù)據(jù)（2013年9月），提供了超過200家企業(yè)的產(chǎn)能估計。最后是各個企業(yè)的系統(tǒng)規(guī)模（在建和建成）來自于Bloomberg的數(shù)據(jù)庫。表3提供了樣本中各個變量的基本信息。盡管前四行給出的僅僅是產(chǎn)能、項目規(guī)模、出口額和企業(yè)營運時間的一個初略概況，從表中依然可以看出企業(yè)之間的顯著差異，而且中位數(shù)小于均值的現(xiàn)實說明了四個變量均是顯著的左偏分布，大企業(yè)占據(jù)著顯著的優(yōu)勢。隨后的兩個部分分別展示了22家大企業(yè)在FIT國家和非FIT國家市場上的銷售數(shù)量（MW）、平均價格水平（$/W）和他們的成本狀況。值得注意的是盡管FIT市場的銷量要顯著高于非FIT市場，但是兩個市場的平均銷售價格并沒有顯著的區(qū)別。④由于樣本結(jié)構(gòu)上看是一個面板數(shù)據(jù)，而企業(yè)在這4年時間里都經(jīng)歷了顯著的成本下降，因此成本變量的討論沒有意義。

表3 樣本概況

圖3反映的則是變量之間的關(guān)系，分別選取了價格和銷售量以及成本和價格這兩組關(guān)系進行討論。前者有利于構(gòu)建模型結(jié)構(gòu)，而后者則是識別市場結(jié)構(gòu)的一個顯著信號和標(biāo)識。很容易發(fā)現(xiàn)的是盡管沒有經(jīng)過任何的統(tǒng)計處理，價格（ASP）依然和銷售數(shù)量呈現(xiàn)出顯著的負(fù)相關(guān)關(guān)系，趨勢線勾畫了一個標(biāo)準(zhǔn)的向右下方傾斜的需求曲線。對比FIT國家和非FIT國家的樣本，除了FIT國家出現(xiàn)了更多疑似離群點以外，兩者的斜率差異并不明顯。價格和成本的相關(guān)關(guān)系在兩組樣本之間的相似度更高。除了顯著的正相關(guān)關(guān)系，趨勢線還反映出了凸型，這一點提示模型應(yīng)該考慮市場勢力的存在⑤完全競爭市場企業(yè)的價格等于成本，當(dāng)成本上升的時候價格應(yīng)該表現(xiàn)出一個正的線性相關(guān)關(guān)系。。鑒于這兩點，先前假設(shè)的壟斷競爭市場結(jié)構(gòu)無疑是合理的。

圖3 ASP、出貨量和cost的相關(guān)關(guān)系■

四、實證分析結(jié)果

在這一節(jié)主要討論分析的是數(shù)據(jù)實證的結(jié)果。在討論了參數(shù)和非參數(shù)估計結(jié)果以后，重點要討論三個問題：1. 需求彈性在FIT國家和非FIT國家是否有顯著的區(qū)別呢？2. 數(shù)據(jù)結(jié)果是否支持微觀經(jīng)濟理論預(yù)測的在存在補貼政策的前提下，需求彈性和消費者剩余份額成正相關(guān)關(guān)系？3.在過去的4年時間里，F(xiàn)IT的效率是否得到了提高？社會凈損失的變動又是怎么樣的？光伏產(chǎn)業(yè)對于FIT的依賴有沒有發(fā)生改變？

（一）參數(shù)模型和非參數(shù)模型的估計

表4和表5分別總結(jié)了參數(shù)模型（線性模型和雙對數(shù)）的估計結(jié)果，其中Panel A是對FIT國家樣本的回歸結(jié)果，而Panel B則是對非FIT國家的分析。為了對比各個模型，實證結(jié)果一共列出了九種回歸模型的結(jié)果，其中第二、三列為OLS回歸，第四列則使用了GLS已修正異方差的可能，專門用于面板數(shù)據(jù)處理的Within回歸模型結(jié)果在第五列被討論，而工具變量IV估計量則占據(jù)了六、七、八三列，最后的兩列為修正斷尾問題的Heckman模型。⑦Heckman模型基于的是一個兩步估計法（Two-Step estimation），第一步的離散模型在表4中列出。

正如等式（2）中定義的，β0、β1、β2、β3和β4分別是常數(shù)項以及行業(yè)價格、該國GDP增速、FIT補貼和企業(yè)成本等變量的系數(shù)。先驗地可以認(rèn)為，除了β4＜0以外，其他的系數(shù)符號后應(yīng)該顯著為正。

首先可以確定的是，無論是針對FIT國家還是非FIT國家，參數(shù)回歸模型各項系數(shù)都表現(xiàn)出了理論預(yù)測中的正負(fù)方向，這在很大程度上肯定了模型結(jié)構(gòu)的設(shè)定。對比Panel A和B的Model 1、2可以發(fā)現(xiàn)引入季節(jié)性因素并沒有對模型的參數(shù)估計產(chǎn)生顯著的影響，這說明盡管存在類似中國這樣季節(jié)性變動很大的市場，市場的反應(yīng)并不顯著，而背后的原因則要歸于企業(yè)的理性預(yù)期的作用，通過提前的產(chǎn)能部署和存貨調(diào)節(jié)，在很大程度上能抹平季節(jié)性波動的影響。同樣可以注意到，修正了異方差問題的GLS估計來那個和OLS也沒有顯著的區(qū)別，這一點則證實了22個大企業(yè)之間并不存在顯著的差異，至少在市場勢力和影響力上基本處于勢均力敵的狀態(tài)，而選擇的Cournot競爭模型也是合理的。

面板數(shù)據(jù)下的Within估計主要克服的是不隨時間變動的個體差異性，尤其是源于各個市場的消費者習(xí)慣的差異。正如前文提到的，如果一個國家的消費者更傾向于使用太陽能，F(xiàn)IT政策在該國應(yīng)該能起到更大的影響作用，和忽略消費者偏好這一因素導(dǎo)致了FIT變量和隨機變量的相關(guān)性，從而帶來了內(nèi)生變量問題。值得注意的是，在Panel A中對于第五列和OLS以及GLS的估計結(jié)果，Within估計法得出的β3不到線性估計模型估計結(jié)果的一半、從而證實了市場之間的差異是顯著的，而且這樣的差異和FIT政策的確呈正相關(guān)關(guān)系⑧太陽能更受歡迎的國家FIT政策更為積極。。因此，OLS和GLS的估計存在較為嚴(yán)重的右偏性。但是Panel B中Within估計法的表現(xiàn)并不理想，盡管沒有FIT這一變量，作為GDP系數(shù)的β2卻被提高了一倍多。從計量理論上這說明隨機變量和GDP的增速呈負(fù)相關(guān)關(guān)系，在OLS和GLS模型中，被忽略的隨機因素抵消了一部分GDP的貢獻。而在經(jīng)濟學(xué)上這一現(xiàn)象則被解釋為越窮的國家發(fā)展太陽能的積極性越高，無疑是有悖常理的。

另一項可能存在內(nèi)生變量問題的參數(shù)是成本的系數(shù)β4，因為參數(shù)模型幾乎沒有包含任何除成本外的企業(yè)信息，而這些被隨機變量涵蓋的內(nèi)容極有可能和成本變量存在相關(guān)關(guān)系（可能為正，也可能為負(fù)）。因此，β4的無偏性存在較大的風(fēng)險。IV估計選用了各個企業(yè)當(dāng)期組件的轉(zhuǎn)換效率和當(dāng)期的存貨水平作為工具變量。前者作為一個技術(shù)指標(biāo)由企業(yè)客觀的技術(shù)水平?jīng)Q定，在短期內(nèi)穩(wěn)定性較強，而后者則是完全由上一期的生產(chǎn)和銷售決定，和當(dāng)期的成本水平相關(guān)關(guān)系更弱。Model 5、6、7之間的區(qū)別源自是否控制季節(jié)因素和市場變量。但是和前四個模型對比不難發(fā)現(xiàn)，在IV框架下，β4的絕對值顯著降低了，說明成本因素的沖擊對于市場的影響在前三種模型中都被高估了。其實工具變量存貨本身給提供了一個最為合理的解釋。由于企業(yè)的行為存在一定的前瞻性，無論是應(yīng)對成本的變動還是需求的沖擊，企業(yè)都可以通過存貨調(diào)節(jié)來緩沖外生的影響。尤其是對于大企業(yè)，更是可以通過和下游客戶的提前談判來安排未來很長時間的生產(chǎn)計劃，一旦這一因素被忽略，模型就要求企業(yè)對于成本的上升做出立刻的回應(yīng)，成本沖擊的影響就被無形中放大了。基于存貨水平的工具變量恰恰解決了這一問題。同時，如果對比模型5、6、7，系數(shù)之間的差異依然很小，這再一次驗證了一開始的論斷：季節(jié)性的影響并不顯著。

最后一項參數(shù)模型是對斷尾問題的Heckman兩步估計。正如第二節(jié)提出這一問題時候就認(rèn)識到的，IHS提供的22個企業(yè)并不是隨機來自于行業(yè)，而是根據(jù)企業(yè)的行業(yè)地位給出的龍頭企業(yè)。基于這22個公司數(shù)據(jù)的回歸有很大的誤導(dǎo)性，幾乎所有的參數(shù)都會出現(xiàn)高估或是低估的問題。為了讓模型能代表整個行業(yè)，Heckman估計方法首先將樣本選擇過程納入討論范圍。表4討論了企業(yè)產(chǎn)能、項目規(guī)模和營運時間在企業(yè)市場地位⑨市場地位則表現(xiàn)為入選者22個企業(yè)的名單。方面的影響，一共有6個備選的離散模型被討論和列舉。前三個模型用的是一般回歸方法，在不考慮企業(yè)之間差異的前提下一次增加自變量，結(jié)果不難看出，企業(yè)的產(chǎn)能和承接的項目規(guī)模都反映出了顯著的影響，而出口額的影響并不顯著。后三列添加了穩(wěn)健性約束，考慮企業(yè)之間的差異性，得出的結(jié)論基本和前三列類似：產(chǎn)能和項目規(guī)模對于企業(yè)的影響較大。

通過使用Heckman兩步估計法，理論上模型的行業(yè)代表性大大增強。回到表4的模型8和9上，第8列是單純的Heckman估計結(jié)果，而第9列是綜合了Heckman和IV的估計。首先對比Panel A中的參數(shù)估計結(jié)果：對比前四個模型，β2顯著降低了，這說明GDP對于大企業(yè)影響更大，或者說龍頭企業(yè)的產(chǎn)品是各個市場的首選。而作為FIT系數(shù)的β3則變小了，這進一步證實了小企業(yè)對龍頭企業(yè)的沖擊力。當(dāng)FIT發(fā)生變化時，小企業(yè)產(chǎn)量的變化無形中分?jǐn)偭诉@樣的影響，因此在施加了斷尾修正以后，行業(yè)對于FIT的反應(yīng)要小于單純以大企業(yè)為樣本的估計結(jié)果。單純的Heckman回歸下β4為-20.29，絕對值略小于前三個模型，而和IV的估計結(jié)果差異并不明顯。而在綜合了IV方法的第9列估計結(jié)果上，β4顯著提高了。由于β4客觀上衡量的是企業(yè)對于成本沖擊的調(diào)整，相比Heckman修正的估計結(jié)果，其他僅僅基于22家龍頭企業(yè)的估計結(jié)果無疑低估了成本的影響力。同樣的結(jié)論可以在非FIT國家樣本中得到，β4在Heckman估計下要高出其他模型30%，這一點說明無論是在哪一類市場上，大企業(yè)的調(diào)整能力更強，速度更快。

表4 參數(shù)模型回歸結(jié)果（線性模型）Panel A: FIT國家樣本

Panel B: 非FIT國家樣本

（續(xù)表）

Panel C：Heckman Two-steps Logit-model（線性模型）

表5 參數(shù)模型回歸結(jié)果（雙對數(shù)模型）Panel A: FIT國家樣本

（續(xù)表）

Panel B: 非FIT國家樣本

Panel C：Heckman Two-steps Logit-model（雙對數(shù)模型）

（續(xù)表）

傳統(tǒng)計量理論普遍認(rèn)為，雙對數(shù)模型由于在函數(shù)形式上更有彈性，對于計量結(jié)果的擬合優(yōu)度有顯著的提升作用，但在本文的樣本中，通過對比表4和表5結(jié)果可以發(fā)現(xiàn)，雙對數(shù)模型結(jié)果并未和預(yù)期的一樣體現(xiàn)出雙對數(shù)模型的優(yōu)越性。結(jié)合產(chǎn)業(yè)背景，本文給出了兩點解釋：

一方面，在使用了雙對數(shù)模型以后，估算結(jié)果沒有像預(yù)計的那樣出現(xiàn)顯著的提高，從產(chǎn)業(yè)層面上看，可能和光伏行業(yè)自有的政策性驅(qū)動有較大關(guān)系；

另一方面，無論是線性模型還是雙對數(shù)模型都可以發(fā)現(xiàn)，補貼因素的系數(shù)β3是最為顯著的，甚至遠(yuǎn)遠(yuǎn)超過光伏產(chǎn)品的價格和成本因素。這很好地解釋了第一點問題，無論是線性模型還是非線性模型，一定程度都將消費者選擇的行為定為一個固定的模式，用函數(shù)來描述，但實際上，光伏行業(yè)的需求極大程度上是政策驅(qū)動的，而補貼政策有一定的不確定性：在歐美國家，議會會根據(jù)過去一段時間全國發(fā)放的補貼結(jié)合財政支出能力確定是否減少補貼（如意大利和西班牙就由于財政問題，在幾乎毫無征兆的情況下停止了補貼），在中國，政策往往提前半年才發(fā)放征求意見稿，3個月前正式落地，因此行業(yè)對于政策的反應(yīng)也缺乏緩沖時間，表現(xiàn)在市場上就是需求相對隨機。而這一點也證明采用參數(shù)形式的需求模型確實會對計量結(jié)果帶來誤導(dǎo)，非參數(shù)在光伏市場應(yīng)用上更具有優(yōu)勢。

表6總結(jié)的是非參數(shù)估計模型的估計結(jié)果。正如第二節(jié)提出非參數(shù)估計方法時假設(shè)的，成本變量被引入非參數(shù)部分，作為一個整體估計，因此，在表5中僅僅報告出了FIT、GDP和行業(yè)價格三個變量的估計結(jié)果。

延續(xù)Verarfi和Debarsy (2013)的論述，傳統(tǒng)的非參數(shù)模型可以通過高階多項式來模擬。借助他們開發(fā)的stata運算程序，模型驗證了從一階到四階四種模型的估計結(jié)果。每一種非參數(shù)都對比了施加斷尾修正前后結(jié)果。

首先橫向比較模型1、4、7和10，不難發(fā)現(xiàn)，盡管引入的多項式階數(shù)不同，但無論是FIT國家樣本還是非FIT國家樣本，參數(shù)估計的結(jié)果都很接近。同樣的結(jié)論可以通過對比模型2、5、8和11得到。這證明了非參數(shù)模型優(yōu)良的穩(wěn)定性特征。然后對比同一階數(shù)下的兩種模型（是否施加斷尾約束），不難發(fā)現(xiàn)，在施加了斷尾修正以后，β2在兩類國家樣本中都降低了，而且在非FIT國家中幾乎降低了一半⑩值得注意的是，這一點在參數(shù)模型中并沒有反映出來，我們懷疑是受到了模型設(shè)定形式的約束和局限。。這在很大程度上再次證實了企業(yè)之間行業(yè)地位的不平等，而且這一不平等在非FIT國家更為明顯：在缺少政府現(xiàn)金補貼的市場中，行業(yè)的龍頭大企業(yè)更容易成為消費者的首選。

作為行業(yè)價格變量和FIT變量系數(shù)的β1和β3并沒有因為斷尾修正估計值出現(xiàn)過大的波動。對于β1相對容易解釋，行業(yè)價格在很大程度上受到龍頭企業(yè)的左右，小企業(yè)即便不直接，也會無形中充當(dāng)價格跟隨者的角色，因此是否修正斷尾問題并不是很重要。β3的變動相對難以捉摸，因為在參數(shù)模型中，引入斷尾修正以后FIT的影響力大大下降了。但是解釋是小企業(yè)的競爭力緩沖了一部分FIT調(diào)整帶來的影響。值得注意的是在參數(shù)模型下Heckman 兩步法下的β3相比OLS下降了60%，即便和IV相比也降低了30%左右，這樣的幅度極不符合常理①這意味著小企業(yè)的沖擊會侵蝕龍頭企業(yè)至少三分之一、最高達到三分之二的市場份額。，而一階非參數(shù)模型報告的β3僅僅下降了5%。在產(chǎn)品存在一定差異性的前提下，這樣的降幅雖然略顯偏小，但相比參數(shù)模型無疑更加合理。

最后是模型3、6、9和12，在從屬斷尾的基礎(chǔ)上又增加了針對內(nèi)生變量的修正，基本結(jié)論與參數(shù)模型類似，但是值得注意的是，和參數(shù)模型相比，經(jīng)過工具變量的調(diào)整，其他變量的參數(shù)尤其是β2有了較為顯著的降低，這說明企業(yè)的成本變量和各個市場GDP數(shù)據(jù)存在一定的關(guān)聯(lián)性，而這一關(guān)聯(lián)性在線性模型中被忽略了。這一點的有力解釋是企業(yè)的海外設(shè)廠行為。在經(jīng)歷了歐美雙反的影響以后，很多中國大企業(yè)紛紛采用目標(biāo)當(dāng)?shù)鼗a(chǎn)的策略，這導(dǎo)致企業(yè)的生產(chǎn)成本和市場當(dāng)?shù)氐慕?jīng)濟水平有了較為密切的關(guān)系。這也間接導(dǎo)致了內(nèi)生變量問題對GDP參數(shù)的估計產(chǎn)生了影響。

表6 非參數(shù)回歸結(jié)果Panel A: FIT國家樣本

Panel B: 非FIT國家樣本

作為針對非參數(shù)估算結(jié)果的計量檢驗，本文采用了均方誤差MSE作為指標(biāo)，依照MSE的定義，MSE=計量結(jié)果如表7所示，不難看出無論是單純的回歸分析（OLS對比單純的非參數(shù)）還是在工具變量或是從屬斷尾修正下的估算，非參數(shù)模型確實表現(xiàn)出了一定的優(yōu)勢。

表7 非參數(shù)回歸模型的MSE

（二）需求模型和彈性估計

在得到了簡化形式模型的估計結(jié)果以后，通過參數(shù)識別技術(shù)可以很容易地估計出需求曲線，進而計算彈性。參數(shù)模型的需求曲線直接由表8給出。作為對比，模型依然選擇了GLS、Within、IV②同時施加季節(jié)波動和市場虛擬變量的模型7。和Heckman③混合工具變量的模型9。四種模型。結(jié)論很顯著：在FIT國家樣本下，需求曲線的斜率參數(shù)a1在GLS和Within下都被低估了，同樣被低估的還有行業(yè)價格的影響力a2和GDP的影響a3。而FIT的系數(shù)a4則被未施加斷尾修正的模型高估了。在非FIT國家組成的樣本中，情況不盡相同。a2和a3依然被低估，GLS對于a1的估計效果要比FIT樣本理想很多，但是相比Heckman斷尾修正模型，Within的估計結(jié)果依然偏低。

另一點值得注意的是，交叉比較FIT和非FIT國家樣本計算出的a1（Heckman估計量）可以發(fā)現(xiàn)，F(xiàn)IT國家的a1在絕對值上要稍高出非FIT國家，盡管這并不等同于需求彈性上的差異，卻是懷疑兩組國家之間存在需求差異的證據(jù)。

表8 需求曲線估計

非參數(shù)估計的參數(shù)結(jié)果無法直接用表格形式給出，表6展示了非參數(shù)估計的相應(yīng)均值、標(biāo)準(zhǔn)差等信息。

直觀起見，圖4勾畫出了需求量和價格的非線性關(guān)系。橫向的比較難以看出施加斷尾修正以后的模型相比單純的非參數(shù)計量有顯著的差異，但是縱向的比較卻明顯可以看出非FIT國家的逆需求曲線要更加陡峭，一定程度上反映了非FIT國家的需求對于價格更加敏感。

圖4 非參數(shù)需求曲線

盡管需求曲線可以在一定程度上揭示FIT和非FIT國家需求上的差異，但是這樣的判斷依舊局限在主觀判斷上，而且即便是同一根需求曲線，各點的彈性依然是不同的。因此，通過計算各個點上的需求彈性能更完整地了解市場間的差異。模型將嘗試根據(jù)觀察到的市場價格和銷售數(shù)量計算每一個點的需求彈性，通過描繪各個市場的需求點彈性的密度分布圖，可以更進一步觀察到細(xì)節(jié)上的差異。

對于參數(shù)模型，因為已經(jīng)有了需求函數(shù)的斜率a1，根據(jù)彈性的定義：即可求解。對于非參數(shù)模型則要稍顯復(fù)雜一些，需要對非參數(shù)模型求解不同點上的斜率：，然后再根據(jù)彈性的定義求解。幸運的是Verardi和Debarsy提供的stata程序已經(jīng)可以實現(xiàn)這一過程。

圖5 FIT和非FIT國家需求彈性分布比較

圖5 一共提供了六種不同計量方法下得到的彈性密度，為了方便比較，圖中均加入了正態(tài)分布的密度圖。首先值得注意的是，所有的密度分布都表現(xiàn)出了明顯的右偏性，這一點與預(yù)期是符合的，一個彈性過大的市場是不穩(wěn)定的。其次，相比前四種參數(shù)模型的結(jié)果，非參數(shù)模型得出的是多峰分布，也就意味著消費者之間存在聚類的現(xiàn)象。由于光伏市場存在民用、商用和公共事業(yè)三種終端需求，各種需求的主體差異很大，而這樣的差異勢必會導(dǎo)致不同類別之間需求彈性的巨大差異。結(jié)果，各個需求端消費者的需求彈性會集中在不同的水平上，也就出現(xiàn)了一個以上的峰態(tài)，而像參數(shù)模型那樣的單峰密度分布就難以解釋這樣的情況了。

從估計值上討論，結(jié)論依然傾向于非參數(shù)模型。因為參數(shù)模型計算出的需求彈性集中在0-1的范圍之內(nèi)，而經(jīng)典經(jīng)濟學(xué)理論預(yù)測，擁有市場勢力的企業(yè)，在其利潤最大化的區(qū)域中需求彈性應(yīng)該大于1，即富有彈性的區(qū)域(Stigler, 1965)。參數(shù)模型的結(jié)果顯然和這一理論相違背，而非參數(shù)模型的估計結(jié)果則很好地吻合了這一結(jié)論：峰值都在1以上。

最后，參數(shù)模型的估計結(jié)果相比非參數(shù)模型的另一個優(yōu)勢是離群點較少。如果仔細(xì)考察各個密度分布圖不難發(fā)現(xiàn)：參數(shù)模型估計出的密度分布在0到10之間，甚至?xí)哌_20，這意味著價格1%的變動最多可以撬動需求20倍幅度的變動，無論是從常理上還是經(jīng)濟學(xué)上都是難以接受的；反觀非參數(shù)模型的估計結(jié)果則相對穩(wěn)健很多，基本處于1-1.6之間。

更重要的結(jié)論依賴于FIT和非FIT國家之間的橫向比較。在密度曲線的對稱性上除了OLS模型，其他五個模型都反映出了一定的差異，其中Within、IV和Heckman模型都發(fā)現(xiàn)非FIT國家的需求彈性密度曲線要比FIT國家略微左偏，也就意味著更大的需求彈性。這一點和上文提到的斜率測度結(jié)果是吻合的。非參數(shù)模型的結(jié)論相對復(fù)雜一些，參照第三行的兩張圖可以發(fā)現(xiàn)：無論是單純的非參數(shù)估計還是施加了斷尾修正的模型，在第一個峰值處非FIT國家要略微右偏，而在后幾處的峰值上，非FIT國家的需求彈性出現(xiàn)了左偏。投資主體上的差異應(yīng)該是對這一現(xiàn)象的一個解釋。如果可以認(rèn)為公共事業(yè)電站的需求彈性在三類電站中是最小的，那么相比FIT國家，非FIT國家大型公共事業(yè)電站的投資主體是國家或是投資銀行，這樣的主體相比私人投資者對于價格的敏感性要較弱一些，而民用和商用項目在非FIT國家由于缺少政府的財政補助，對于價格的敏感性則更強，反映在密度曲線上則是在第一個峰值處的右偏，而在以后的分布中則出現(xiàn)左偏。

（三）福利分配效應(yīng)

這一部分主要討論FIT的效率問題，以及各因素，主要是FIT和成本削減，動態(tài)中驅(qū)動作用的變化。因此，數(shù)據(jù)分析將完全集中在FIT國家的樣本組上。

根據(jù)傳統(tǒng)的經(jīng)濟學(xué)理論，消費者從補貼中得到的份額與彈性的絕對值成正比，也就是說，越大的需求彈性能使得消費者從政府補貼中受惠更多。由于模型已經(jīng)測算出了需求彈性，為了驗證這一論斷，只需要算出每個價格水平下消費者獲得的補貼份額的大小。再次需要提醒的是，模型僅僅分析的是組件市場，而FIT的補貼目標(biāo)是終端的電力市場，在估計政府補貼這一變量的時候需要借助發(fā)電量預(yù)測模型先將FIT等效地轉(zhuǎn)化為對組件的補貼，然后計算社會福利效應(yīng)。

社會福利的測度在這里是一個比較復(fù)雜的問題，因為時間序列中不僅存在FIT的調(diào)整，同時企業(yè)還在經(jīng)歷成本的下降，精確估計消費者從補貼中獲得的份額需要分離這兩個因素。參數(shù)模型的消費者剩余延續(xù)Jonathan和Molly(2013)的方法：根據(jù)已有的需求函數(shù)，在控制價格、GDP等因素以后，推算當(dāng)FIT等于0的時候消費者剩余CS|FIT=0。然后利用同一函數(shù)計算存在FIT時的消費者剩余CS|FIT。兩者的差值就是消費者從FIT中受惠的部分。得益于數(shù)據(jù)集中包含了企業(yè)的成本數(shù)據(jù)，F(xiàn)IT下的生產(chǎn)者剩余可以通過簡單地求解價格和成本之間的差額來測度PS|p,FIT=0。同樣的，不存在補貼情況下的生產(chǎn)者剩余可以通過需求函數(shù)估計出FIT=0時的均衡價格減去成本來實現(xiàn)PS|p(FIT=0)簡單的總結(jié)，消費者和生產(chǎn)企業(yè)各自從FIT中得到了：

為了更清晰地討論需求彈性和消費者福利的關(guān)系，需要定義一個比例變量：補貼中消費者剩余的比重。它可以被定義為：消費者因為補貼而增加的福利與社會總共增加的福利的比值。而后者除了消費者獲得的利益外還包括了企業(yè)的獲利。符號定義可以表示為：

圖6清晰地描述了需求彈性和補貼中消費者剩余比重的關(guān)系。值得欣慰的是所有的模型都證明了彈性和CS%的正相關(guān)關(guān)系。很顯然的是，在參數(shù)模型中，IV和Heckman測度出的正相關(guān)性要遠(yuǎn)遠(yuǎn)強于GLS和Within估計法的結(jié)果。非參數(shù)模型也反映出了強烈的正相關(guān)趨勢。另一點值得注意的細(xì)節(jié)是六張圖形都反映出了一個上凸的趨勢線，這說明盡管彈性的增大有助于提高消費者剩余在政府補貼中的比重，但這一影響是逐漸遞減的，這也和經(jīng)濟學(xué)原理相吻合。

和參數(shù)估計方法相比，非參數(shù)模型的估計的優(yōu)勢體現(xiàn)在兩個方面：一是上文提到的彈性的測度值普遍大于1，這與模型設(shè)定的壟斷競爭市場結(jié)構(gòu)是吻合的；其次是散點的集中度相比參數(shù)模型大大提高了。

相比最后兩張圖，在施加從屬斷尾修正以后估計的消費者剩余比重顯然要高于單純的非參數(shù)估計，這證明了企業(yè)之間的差異。對于樣本中的大企業(yè)而言，較高的市場勢力使得他們能追求到更大的價格加成和利潤空間，因此，單純利用這些企業(yè)的數(shù)據(jù)所做的回歸會低估消費者剩余的比重。其實這一點通過對比Heckman和其他模型也可以發(fā)現(xiàn)：Heckman估計的消費者剩余比重分布點要更為集中，而且聚集在Y軸比較高的水平上，而其他三種參數(shù)模型的估計結(jié)果在Y值比較低的位置出現(xiàn)了更多的散點，這說明了在考慮斷尾問題以后的估計提高了消費者剩余在補貼中占的比重。

圖6 彈性和消費者剩余的關(guān)系

在證實了彈性和消費者剩余的正相關(guān)關(guān)系之后，下一個任務(wù)是比較FIT和成本因素對于消費者剩余和生產(chǎn)者剩余的影響。這一部分的回歸分析中使用的消費者剩余來自于模型7、8和9的估計，分別為施加工具變量的Heckman估計和非參數(shù)模型⑥生產(chǎn)者剩余可以直接通過價格減去成本觀察到。。

表9中Panel A為消費者剩余部分，前三個模型是基于的參數(shù)Heckman模型，IV和V則是對非參數(shù)模型估計結(jié)果的應(yīng)用。很容易觀察到的是，在系數(shù)的符號上，五個模型都表現(xiàn)出了良好的性狀。其中FIT的符號為正，成本變量的符號為負(fù)，符合常理的預(yù)判。對比模型I、II和III不難發(fā)現(xiàn)，在增加了季度性和地域性虛擬變量以后FIT和Cost的系數(shù)在絕對值上都出現(xiàn)了下降，這說明不同地區(qū)和時間上的差異。模型IV和V之間的差異在于：前者的消費者剩余源自單純的非參數(shù)估計，而后者則是修正了斷尾問題以后的非參數(shù)模型估計結(jié)果。相比之下，模型V的估計系數(shù)比IV在絕對值上要略高一些，這也正說明了僅僅依賴于大企業(yè)樣本的估計高估了FIT的作用。

對于生產(chǎn)者剩余的回歸分析可以得到類似的結(jié)論，F(xiàn)IT和成本因素的影響和Panel A中基本類似：FIT正向作用于生產(chǎn)者剩余，而成本則反響影響這一變量。添加了季度和地區(qū)虛擬變量以后FIT的系數(shù)顯著下降了，但是成本的變化并不大。這主要是因為成本變量在這里不包含運輸成本，因此并不隨地域波動。

表9 FIT和成本對社會福利的影響Panel A:消費者剩余

Panel B:生產(chǎn)者剩余

由于在回歸分析中可以注意到季度因素對于FIT和成本的系數(shù)估計有顯著的影響，當(dāng)分季度逐個回歸以后圖7⑦圖7的消費者剩余僅僅使用了模型9的估計結(jié)果。反映出了更多的動態(tài)信息。

Panel A和B都反映出了一個同樣的信息：FIT的作用在不斷遞減，而成本因素的作用在不斷遞增。在2010年，無論是消費者福利還是生產(chǎn)者剩余都主要是由FIT貢獻的，成本因素的影響很小，但是隨著產(chǎn)業(yè)的成長，以及各國FIT不斷的下調(diào)，政府補貼的作用在不斷減少，而成本的推動力在不斷加大。分別在2011年第四季度和2012年第一季度，成本的作用超過了FIT，在消費者和生產(chǎn)者福利中開始起主導(dǎo)作用。到2013年第三季度，模型估計的結(jié)果顯示，在生產(chǎn)者福利中，F(xiàn)IT的貢獻僅為成本因素的50%，而在消費者剩余中，不及成本影響力的30%。這一變動一方面說明了FIT下調(diào)確實導(dǎo)致了政策的促進作用大大弱化，另一方面，更應(yīng)該注意到的是產(chǎn)業(yè)的快速成長足以彌補這一不利，而且當(dāng)今市場上，成本不斷下降，已經(jīng)能夠取代FIT成為推動市場繼續(xù)發(fā)展的主動力了。

圖7 FIT和成本對社會福利的動態(tài)影響

實證分析的最后一個任務(wù)是FIT的利用效率問題，不少學(xué)者(Boomhower, 2012)批評FIT利用率的不足導(dǎo)致了這一市場運行的低效率。得益于前文計算出的消費者剩余、生產(chǎn)者剩余和補貼幅度，圖8展示了市場效率的動態(tài)變化。

很明顯的趨勢是柱形圖的頂端部分，代表凈損失的部分，隨著時間的推移迅速減少，這是FIT利用率提高的有力證據(jù)。雖然在2010年初，凈損失占了78%，但至2013年已經(jīng)降至23%。與此同時還可以注意到，消費者剩余和生產(chǎn)者剩余占的比重均得到了提高，尤其是消費者剩余，從15%增長到了59%，在結(jié)構(gòu)上主導(dǎo)了社會福利。由此看出，作為鼓勵消費端的FIT政策經(jīng)過一段時間的發(fā)展基本實現(xiàn)了目標(biāo)，同時效率得到了極大的提升。

圖8 社會福利結(jié)構(gòu)動態(tài)變化

五、結(jié)論和延伸

總結(jié)以上的分析，本文針對過去四年光伏產(chǎn)業(yè)的實證研究得出了以下三點結(jié)論：

1. 通過修正數(shù)據(jù)集的從屬斷尾和內(nèi)生變量問題，結(jié)論發(fā)現(xiàn)FIT對于消費者的需求彈性有著重要的影響。有FIT的國家需求彈性要小于沒有FIT的國家。這恰恰說明了FIT存在的重要性，而也正是這樣的影響導(dǎo)致了補貼的低效率。

2. 對從屬斷尾問題的修正可以發(fā)現(xiàn)，企業(yè)之間的地位是不平等的。基于非隨機樣本中大企業(yè)的回歸分析測度到的各個因素對需求的影響和通過修正從屬斷尾以后的估計值存在明顯的差異。其中收入效應(yīng)、FIT和成本的沖擊都被高估了。這說明大企業(yè)雖然在成本上有一定的優(yōu)勢，但是小企業(yè)對于大企業(yè)的沖擊是不應(yīng)該被忽視的。

3. 通過對動態(tài)時間軸上的子樣本分析發(fā)現(xiàn)：FIT的使用效率在不斷提高，這項補貼的社會凈損失已經(jīng)降低到了可以接受的水平；而經(jīng)過四年時間的發(fā)展，光伏產(chǎn)業(yè)顯著成熟，在這一市場中，F(xiàn)IT起到的推動作用正在不斷減弱，而產(chǎn)業(yè)本身，通過降低成本激勵需求的作用已經(jīng)成為市場發(fā)展的主導(dǎo)力量。

盡管從計量層面上看，本文采用的非參數(shù)模型已經(jīng)能有效解決內(nèi)生變量和從屬斷尾問題，并且在實證分析中取得了理想的效果，但依然有兩個問題值得繼續(xù)研究和討論。

首先是模型施加的市場結(jié)構(gòu)約束。本文的結(jié)構(gòu)模型是建立在一個壟斷競爭假設(shè)之下的，企業(yè)之間的差異僅僅通過成本來體現(xiàn)。而在現(xiàn)實中，企業(yè)之間的差異不僅僅在于大企業(yè)有更大的成本優(yōu)勢，在市場準(zhǔn)入、技術(shù)指標(biāo)甚至政府關(guān)系上都能體現(xiàn)出在位的優(yōu)勢。對于新進入的企業(yè)來說，更適合的產(chǎn)業(yè)地位定義應(yīng)該是大企業(yè)的追隨者而不是直接競爭者。這樣的模型需要更多市場競爭結(jié)構(gòu)的數(shù)據(jù)信息來支撐。

其次，模型建立在一個局部均衡的分析框架內(nèi)，所有的競爭只來自于光伏產(chǎn)業(yè)內(nèi)部。其實作為一種新能源，太陽能發(fā)電在全球總發(fā)電量中占的比重不到5%，更多的競爭來自于煤炭等化石燃料，即便在新能源內(nèi)部，風(fēng)能、地?zé)帷⒐鉄峒夹g(shù)的競爭作用也是不容忽視的。一個更加完備的全局模型不僅要求考慮光伏產(chǎn)業(yè)內(nèi)部，更需要考慮其他可能的發(fā)電技術(shù)，補貼效率真正正確的考察需要定義在成本最小化的發(fā)電形式之下，而不是提前定義為光伏產(chǎn)業(yè)。

以上問題的解決不僅要求更加高端的計量模型，更多要依賴的是數(shù)據(jù)源的更加完備，作為非參數(shù)估計方法的討論和社會福利的計量分析，本文提供的討論已經(jīng)足夠了。

[1]丁明，徐寧舟．基于馬爾可夫鏈的光伏發(fā)電系統(tǒng)輸出功率短期預(yù)測方法 [J]．電網(wǎng)技術(shù)，2011，35(1) : 152-157

[2]馮烽. 解釋變量內(nèi)生假定下非參數(shù)空間計量模型的局部線性工具變量估計[J]. 預(yù)測, 2015, 34(3):57-60.

[3]李園紅，高明. 基于產(chǎn)業(yè)鏈視角的中國光伏產(chǎn)業(yè)發(fā)展思路. 亞太經(jīng)濟[J]. 2010(04). 103-106

[4]王少義，李英姿，王澤峰. 太陽能光伏并網(wǎng)系統(tǒng)發(fā)電量預(yù)測方法 [J]. 北京建筑工程學(xué)院學(xué)報，2013，29(1): 64-69.

[5]姚海祥, 李仲飛. 基于非參數(shù)估計框架的期望效用最大化最優(yōu)投資組合[J]. 中國管理科學(xué), 2014, 22(1):1-9.

[6]周先波, 盛華梅. 信息化產(chǎn)出彈性的非參數(shù)估計分析[J]. 數(shù)量經(jīng)濟技術(shù)經(jīng)濟研究, 2008(10):130-141.

[7] Abadie, Alberto, Joshua Angrist, and Guido Imbens.“Instrumental variables estimates of the effect of subsidized training on the quantiles of trainee earnings.” [J] Econometrica 70.1 (2002): 91-117.

[8] Boomhower, Judson, and Lucas W. Davis. “Free riders and the high cost of energy-efficiency subsidies.” [J] draft manuscript, University of California, Berkeley, March (2013).

[9] Burr, Chrystie. “Subsidies, Tariffs and Investments in the Solar Power Market.” [R] URL https://econ. arizona. edu/ docs/JobMarket/burr_jobmarket12. pdf (2012).

[10]Chandra, Ambarish, Sumeet Gulati, and Milind Kandlikar. “Green drivers or free riders? An analysis of tax rebates for hybrid vehicles.” [J] Journal of Environmental Economics and management 60.2 (2010): 78-93.

[11]Diamond, Peter A., and Daniel L. McFadden. “Some uses of the expenditure function in public finance.”Journal of Public Economics 3.1 (1974): 3-21.

[12]Gowrisankaran, Gautam, Stanley S. Reynolds, and Mario Samano. “Intermittency and the value of renewable energy.”[J] Journal of Political Economy 124.4 (2016): 1187-1234.

[13]Hausman, Jerry A. “Exact consumer's surplus and deadweight loss.”[J] The American Economic Review 71.4 (1981): 662-676.

[14]Hausman, Jerry A., Ariel Pakes, and Gregory L. Rosston.“Valuing the effect of regulation on new services in telecommunications.” [J]Brookings papers on economic activity. Microeconomics 1997 (1997): 1-54.

[15]Hausman, Jerry, and Ephraim Leibtag.“Consumer benefits from increased competition in shopping outlets: Measuring the effect of WalMart.” [J]Journal of Applied Econometrics 22.7 (2007): 1157-1177.

[16]Hausman, Jerry A., and Whitney K. Newey.“Nonparametric estimation of exact consumers surplus and deadweight loss.”[J]Econometrica: Journal of the Econometric Society (1995): 1445-1476.

[17]Hughes, Jonathan E., and Molly Podolefsky.“Getting green with solar subsidies: evidence from the California solar initiative.”[J]Journal of the Association of Environmental and Resource Economists 2.2 (2015): 235-275.

[18]Mercatanti, Andrea, and Fan Li.“Do debit cards increase household spending? Evidence from a semiparametric causal analysis of a survey.”[J] The Annals of Applied Statistics 8.4 (2014): 2485-2508.

[19]Newey, Whitney K., and James L. Powell.“Instrumental variable estimation of nonparametric models.”[J] Econometrica 71.5 (2003): 1565-1578.

[20]Notton, Gilles, V. Lazarov, and L. Stoyanov.“Optimal sizing of a grid-connected PV system for various PV module technologies and inclinations, inverter efficiency characteristics and locations.”[J] Renewable Energy 35.2 (2010): 541-554.

[21]Pashardes, Panos, Nicoletta Pashourtidou, and Theodoros Zachariadis.“Estimating welfare aspects of changes in energy prices from preference heterogeneity.”[J] Energy Economics 42 (2014): 58-66.

[22]R Radziemska, E.“The effect of temperature on the power drop in crystalline silicon solar cells.”[J]Renewable Energy 28.1 (2003): 1-12.

[23]Van Benthem, Arthur, Kenneth Gillingham, and James Sweeney.“Learning-by-doing and the optimal solar policy in California.”[J]The Energy Journal (2008): 131-151.

[24]Vartia, Yrj? O.“Efficient methods of measuring welfare change and compensated income in terms of ordinary demand functions.”Econometrica: Journal of the Econometric Society (1983): 79-98.

[25]Verardi, Vincenzo, and Nicolas Debarsy.“Robinson's square root of N consistent semiparametric regression estimator in Stata.”[J] Stata Journal 12.4 (2012): 726-735.

[26]Voyant, Cyril, et al.“Predictability of PV power grid performance on insular sites without weather stations: use of artificial neural networks.”[J] arXiv preprint arXiv:0905.3569 (2009).

Parametric and Nonparametric estimations of FIT’s social welfare effects under endogenous variable and incidental truncation adjustments——Sample based on Chinese PV industry (2010-2013)

SHEN Xi
(Changzhou trinasolar Ldt, Changshu, Jiangsu, Changzhou 213001, China)

Endogenous variable and incremental truncation are two problems due to non-random sampling, which trouble econometric industrial researching. Traditional and classical parametric methodology, limited by its pre-assumed functional forms, suffers lots of weakness and incompleteness in these two problems’ solution. Through comparing parametric and non-parametric estimation strategies and their estimation result, this paper concludes and claims the advantage of later in both accuracy and statistical operation. Applying this methodology to the empirical analysis of Chinese PV industry, the result dose find some evidence to claim the inefficiency of FIT. However, through dynamic sample, paper finds that this inefficiency is greatly improved. Furthermore, the growth of industry enables the costreduction has already replaced subsidy policy to be the dominant driver to support the development of solar industry.

Non-parametric estimation; incremental truncation; deadweight loss; PV

F062.9

A

2095-7572(2017)04-0034-31

〔執(zhí)行編輯：劉自敏〕

2017-3-22

沈曦（1987-）男，常州天合光能有限公司市場戰(zhàn)略部高級分析師，美國東北大學(xué)產(chǎn)業(yè)經(jīng)濟學(xué)博士，研究方向：產(chǎn)業(yè)經(jīng)濟學(xué)、能源市場競爭結(jié)構(gòu)分析、反壟斷實證分析、福利經(jīng)濟分析。

④y 為實際的收入水平，e(p(t),u1)為支出函數(shù)，衡量了在價格調(diào)整到p(t)時，為了維持效用水平U1需要的支出水平。

③中國發(fā)電量受到政策性因素的影響，在西部地區(qū)有相當(dāng)規(guī)模的限發(fā)，因此統(tǒng)計估算法結(jié)果偏低。

⑥上方兩張圖來自于FIT國家樣本，下方兩張描述的是非FIT國家。

④由于在模型設(shè)定中，a1之前的符號已經(jīng)被設(shè)定為負(fù)，因此大于零的a1估計量意味著向下傾斜的需求曲線。

⑤其中CS|FIT=0和PS|p(FIT=0)在統(tǒng)計上成為不可觀測的變量（counterfactual），需要通過模型測度。