更全的杂志信息网

基于改进型学习曲线理论的风电产业学习率估计

更新时间:2009-03-28

问题提出

面对日益严峻的环境问题,大力发展以风电为代表的可再生能源已经成为全球共识。中国逐渐成为全世界风力发电行业制造规模最大的和发展最快的市场。风力发电之所以能成为目前中国最具活力、发展潜力最大和商业化水平最高的可再生能源发电技术,得益于风电机组的大规模研究、开发和使用所体现出的学习效益,从而推进技术进步、单位成本降低以及风电研发生产和消费市场快速走向成熟。目前国际上广泛采用技术学习曲线理论估计风电技术学习率,进而通过技术学习率来预测技术成本演变趋势。准确估计风电技术学习率对研究风电投资成本的下降规律、风电制造产业的研发投入决策、新产品的生产投放战略和政府补贴政策的施行有指导性意义。

伦德(Lund,1995)首次将学习曲线理论应用到风力发电制造领域[1]。除了累计装机容量所产生的“干中学”效应,罗瑟(Löschel,2002)在分析能源系统的时候把研发投资的影响“研中学”作为技术学习的关键性因素[2]。巴雷托和开普重斯(Barreto & Kypreos,2004)在能源系统模型研究中分析了研发投资和技术学习之间的关系,认为当技术突然变化时,研发投资所评估的技术学习率会出现误差[3]。科布斯等(Kobos et al.,2006)使用双因素模型评估美国光伏发电和风电,提出在把研发投资加入到双因素模型中的时候要考虑知识折旧率和研发滞后时间[4]。詹姆斯布(Jamasb,2007)使用三阶段最小二乘法来增加评估内生变量模型的精度,研究结果表明对于能源技术而言双因素模型要优于单因素模型[5]。林德曼和索德荷姆(Lindman & Söderholm,2012)提出了风电学习率的经济模型,并指出未来的研究应该关注于新能源领域的学习和技术溢出,以及技术学习和研发投资之间的交互作用[6]。国内对新能源产业的技术学习率研究比较少,郑照宁和刘德顺(2004)使用单因素风电学习曲线模型分析中国的风电投资成本变化,认为风电单位投资成本下降源于累计装机容量的大幅度增加[7]。徐丽萍和林俐(2008)使用学习曲线模型研究中国风电成本的下降趋势,在恒定的学习率和分阶段不同学习率条件下比较分析了风力发电成本的变化趋势[8]。耿妍丽等(2009)描述了技术需求(市场方面)和技术供给(研发方面)两方面因素对风电技术进步的影响,从研究进展情况、方法学和存在的问题等角度详细介绍了国外对可再生能源技术学习曲线的研究情况[9]。曾明等(2012)使用“干中学”和“研中学”双因素学习曲线理论对中国将来的光伏发电成本的下降规律做了预估,得出在累计装机容量和累计研发投入量条件不同的情形下,光伏发电成本的降低程度不同的结论[10]。管仕平和周亮(2015)将双因素学习曲线模型应用于中国风机制造领域,分析了中国风电成本变化状况及其影响因素[11]

可以看出,首先,国内大多数研究局限于累计装机容量的“干中学”与研发投资的“研中学”影响因素,忽略了风电制造的规模报酬,风电制造规模的扩大可以在一定程度上带来单位投资成本的上升或下降,有必要纳入学习曲线模型中。其次,国外文献采用知识折旧与研发转向知识存量的延迟期构建累计知识函数,描述研发因素对成本变化的作用,但是风电的知识衰减率与延迟期难以确定,应用情景分析法可以找到理论上的相对最优值。最后,根据学习曲线函数中描绘的成本发展趋势,最终成本趋近于零,而现实中在一定时期内单位成本的下降是有极限的,因此构建含有一个底限参数的学习曲线模型并对其设立情景更具理论意义。基于以上几点,本文将构建三因素的改进型风电学习曲线模型,并构建包含风电单位投资成本下降的预计极小值、研发投资中的研发滞后期数和知识存量折旧率这三个参数的不同情景组合,从而对中国风电制造产业的技术学习率有较为准确的理论上的估计,为现有研究提供补充和参考。

改进型风电学习曲线模型的构建

改进型风电学习曲线模型认为,风电单位投资成本的降低是累计装机容量增加、研发投入增加和制造规模扩大的共同作用的结果。而学习率是自变量和因变量之间双方影响程度的体现,学习率的大小决定了各自变量影响因变量的程度。

()自变量和因变量的选择和定义

本文的因变量选取的是中国风力发电整机制造行业单位投资成本,考虑影响其变化的三个因素——累计装机容量的“干中学”因素、研发投资的“研中学”影响因素和风电整机生产规模效应,对应的测量变量是中国风电累计装机容量、中国风电制造行业累计研发投资量和风电整机的平均制造规模。

[16]有学者认为,善意取得的理论基础是源于占有的公示性;参见庄加园:《动产善意取得的理论基础再审视——基于权利外观学说的建构尝试》,《中外法学》2016年第5期。

其中,εt为添加的误差项,kk1k2k3为待检测的系数。

规模效应指企业的全部生产要素按照相同比例变动与所引起的产量变动之间的比例关系。根据柯布道格拉斯生产函数Y=A La Kb。其中,Y为产能,A为综合技术水平,L为劳动力投入量,K为资本投入,当a+b<1时,企业通过扩大生产规模可以增加产出,但是所投入的各个生产要素变动的比例要大于产量的变动,因而单位投资成本也会上升。经过长期的迅猛发展和扩张,中国大部分风电生产企业目前正处于规模报酬递减阶段。风电的规模效应通过一定时期内风电机组的平均单位生产规模来表征,当风电整机的单机功率上升时,企业所生产的大功率规模风电整机投入的人力、物力等资本会更大,会给风电制造企业带来更高的成本,即使这样可能给企业带来更大的产出。

()不定参数的选择和定义

本文使用情景分析法,在改进型风电学习曲线模型的基础上,选择以下三个不定参数:

风电累计装机容量(CC)数据来源于中国风能协会(2004—2013年),其余年份的数据来源于中国风电装机容量统计简报(1998—2003年,2014—2015年)。研发投资存量数据根据中国风电整机制造行业内具有代表性的大型风电整机制造企业的研发支出与其总装机容量产出占市场总份额推算所得。风电制造规模(Q)数据使用中国风电整机制造主要企业的单位机组的功率规格表示,即收集企业每年的风电整机生产台数及其功率型号后计算得出全部企业的平均单位风电机组的额定设定功率。每个企业的风电整机的单位生产成本不相同,整个行业的单位生产成本难以统计,所以使用风电行业的单位投资成本(UCt)作为替代指标,该数据来源于中国产业信息网以及中国风力发电信息网。GDP平减指数以1998年为基期100,统计历年的名义GDP和实际GDP,再通过公式计算得出。以上的成本和投资均使用GDP平减指数处理。

德国水兵俱乐部旧址现存室内木地板主要铺设在大厅2层挑廊看台地面层、3层阁楼地面.这种板条式木地板采用了19世纪末流行的槽头接口板和阴阳接榫工艺,劣化问题主要是面层磨损严重、受潮变形、局部槽朽缺失及漆面脱落.检查基层地板梁支撑的状况,对于极少数变形严重者进行替换,对于磨损严重的地板面层在修复时采用嵌补法进行修复(图11).具体做法是用木凿凿断无法原位保存的板条,拆除后清理残木屑.替换部分宽度、纹理等与原地板匹配,厚度略厚1.5 mm.最后用钉或胶水固定新地板,把新地板磨平至与原地板平齐.对于漆面脱落严重的面层,进行打磨后重新上漆.

(2)研发滞后期数。研发投资并不是立即对风电整机制造起作用,其转换成知识存量来作用于风电整机的生产技术革新需要一定的时间,因为不仅仅技术上的开发需要时间,而且一个新技术能否满足企业日益增长的产量以及功率规模需求,需要生产试验上的反馈,这些因素都影响研发滞后期数。

(3)知识存量折旧率。企业的研发投资会逐渐地转化成自身的知识存量,知识存量作为企业一种无形资产,会持续作用于企业风电整机的生产。然而技术更新换代速度十分迅速,一些技术会被不断淘汰,企业只保留一些核心的技术作为技术知识储备来不断增值。知识存量折旧率指的是先前的技术每一年的淘汰率。本文加入知识存量折旧率作为一个情景分析参数,来考察知识存量的折旧对知识储备的影响。

由图6可知,ZA与未反应的玉米醇溶蛋白清除羟自由基的能力随蛋白质质量浓度的增大而增大。质量浓度为6 mg/mL时,玉米醇溶蛋白的羟自由基清除率为36%,ZA的羟自由基清楚率为71%,远远高于反应前的玉米醇溶蛋白(p<0.05)。

()模型构建

在双因素模型的基础上加入风电生产规模变量构建改进型风电学习曲线模型,如图1所示。

自控逆变器输出电压在电机本体的定子绕组中产生电流,三相电流合成的电枢磁动势是按六步跳跃式步进转动的。例如,SaSbSc=(1 0 0) 表明A桥臂的上边导通,B、C桥臂的下边导通,此开关状态下电枢磁动势空间矢量F应转到A相轴正方向上。若将此开关状态下电枢磁动势空间矢量所对应的逆变器输出电压用u1(1 0 0)表示(下标1代表第1种状态),那末,与8种开关状态对应的逆变器输出电压ui(SaSbSc),下标i=0,1,2,…7,统称为电压空间矢量。

  

图1 改进型风电学习曲线模型

根据单因素风电学习曲线原理,分析风能发电单位投资成本与累计装机容量之间的关系,学习曲线方程为:

UC=a(CC-b)

(1)

其中,UC为风电单位投资成本,a为初始风电单位投资成本(a>0),b为累计装机容量对风电单位投资成本的学习指数(0<b<1),CC为累计装机容量。根据学习率公式LR=1-2-b,学习指数b越大学习率越大,此时学习效应越明显。

双因素学习曲线理论包含了累计装机容量的“干中学”效应和累计研发投资的“研中学”效应,可以认为累计装机容量等同于柯布-道格拉斯生产函数中的劳动力投入,而累计研发投资等同于柯布-道格拉斯生产函数中的资本投入,那么在单因素学习模型的基础上加入研发(R&D)因素后学习曲线方程为:

UCt = a (CC-b ) (KSt-c)

(2)

KSt =(1-ρ)KSt-1+RDt-RDlag

(3)

本文研究结论对风电单位投资成本下降的预计极小值、知识折旧率和研发投资滞后时间的意义和影响带来了一定的认知。构建包含三个因素的改进型风电学习曲线模型并且结合情景分析法对风电制造产业技术学习率进行估计,增加了研究分析在理论上的准确和客观性,避免了先入为主地设定相关参数的主观性和盲目性,是对现有理论的补充和进一步的探索。

初次监测后,连续墙底端被锁定,但实际情况是连续墙嵌固端的嵌固力不足,底端向基坑内产生了一定量的位移,因而应将变形时程曲线向基坑内平移一定量进行变形分析。按此分析连续墙向基坑内的位移量实际大于目前的监测值。

对光伏发电和风力发电的学习率进行评估发现,规模报酬因素占据着重要的影响地位,其在长期的影响更为持久和连续。如果把风电的规模报酬大小等同于柯布-道格拉斯生产函数中的产出量,风电技术进步是累计装机容量和研发投资的函数,再加入各个投入要素的单价,求得产出成本最小化后除以产量会得到新的学习曲线方程,则加入风电机单位生产规模和风电机各项投入要素的单位价格后学习曲线方程为:

她的一番话说得罗瑞透心凉,他停下脚步想了一会儿,对他妹妹说:“不行,这事儿不对,咱们得好好想想。走,回家找姐姐商量商量。”

 

(4)

其中,δi为各个生产要素对于装机容量的弹性系数,为规模报酬系数,Q为规模报酬因素,Pi为各个生产要素的价格,N为生产要素的类型数量,A为风电技术进步。假设即技术进步可以由这两种学习效应来体现,则有:

 

(5)

其中,b为累计装机容量对风电单位成本的学习指数,c为知识存量对风电单位投资成本的学习指数。

从而可以得到“干中学”学习指数b=k1/(1+k3),“研中学”学习指数c=k2/(1+k3),因而“干中学”学习率为1-2-b =1-2-k1/(1+k3),“研中学”学习率1-2-c =1-2-k2/(1+k3)。对式(5)两边取自然对数得:

 

(6)

因为在特别的条件下,若考虑再用GDP 平减指数去掉Pi这个影响因子,因为一般要素价格波动不大并且变动可以通过历年通货膨胀率修正,而关键生产要素和研发投资相关,所以可以用累计研发来表示,因此有:

随着病情的进展,终于到了那一天,我感觉她可能撑不过那晚。于是我下班没有走,陪着她。到了大概七八点,她呼吸已经很困难了,说话声音也特别微弱,但我看她的样子似乎要和我说些什么。于是我探身过去,将耳朵贴在她的嘴边,她的声音像细丝一样,若有若无:“太晚了……你孩子还小……你快回去吧。”那一刻我的心似乎被什么东西揪住了,嗓子发紧,一句话也说不上来。说完这句话后两个多小时,她永远地离开了这个世界。那一晚,我彻夜未眠。都到了以生命的最后一刻,她居然还想着别人。

lnUC=k+k1lnCC+k2lnKSt+k3lnQ+εt

(7)

风电制造企业研发投资经过一段时间会转化成企业的技术知识储备,作为企业的一种无形财产,该知识存量会为下一阶段的整机制造提供技术支持,因此,研发投资会不断地促进企业的整机制造技术的革新与发展,从而降低风电单位投资成本。累计研发投资量指的是从基期开始到某时期内所有研发投资的存量。

若再加入底限参数风能投资成本下降的预计极小值和风电单位初始投资成本,则改进型风电学习曲线模型为:

UCt-UC0 =(UC1-UC0)CCk1KStk2Qk3

(8)

UC0为风能投资成本下降的预计极小值,UC1为风电单位初始投资成本,对式(8)求自然对数得:

ln (UCt -UC0 ) =ln(UC1 -UC0 ) + k1lnCC +k2lnKSt +k3lnQ+εt

(9)

参考文献

5.学校教育过程存在问题。部分学校的酒店专业课程安排不合理,过于注重学生的专业技能培养,忽视了学生的职业道德和心理适应能力的培养,导致顶岗实习期间,实习生无法顺利处理工作中的问题,为酒店带来损失的同时又打击了学生的积极性,不利于学生的就业。

基于改进型风电学习曲线模型的情景分析

()数据收集

本文收集了1998—2015年中国风电相关数据,如表1所示。

 

表1 19982015年中国风电相关数据

  

年份风电累计装机容量/万千瓦研发投资存量/百万元风电制造规模/兆瓦单位风电投资成本/(元·瓦-1)GDP平减指数199822.4103.20.2810.02100.00199926.8160.20.299.8898.70200034.6210.30.319.39100.71200140.2270.50.358.83102.79200246.8382.60.408.65103.39200356.7480.40.468.38106.07200476.4578.90.528.02113.432005126.6697.60.617.60105.122006253.7883.20.687.01122.362007584.81253.10.866.23131.6020081200.21506.11.085.42141.9220092580.51620.31.195.01141.0620104473.42135.51.294.12150.4320116236.42722.01.363.82162.1720127532.43424.11.393.69170.0620139141.34432.41.483.52173.84201411460.95538.21.543.43177.31201514536.26894.01.683.32179.79

数据来源说明如下:

和顺县地处山西省境东陲,太行山中段,全县东西长约75 km,南北宽约30 km,总面积约2 180 km2,全县辖10个乡镇,294个行政村,82个自然村,农业总人口11.34万人。农村饮水工程是和顺县的主要水利实施,水源工程配套不合理、维修管理滞后、超期服役、功能衰竭等是农村饮水安全工程存在的主要问题。2018年年初对农村饮水现状进行了调查,共筛选出饮水安全问题村85个,涉及2.9万人,其中39个村饮用水量不达标,占饮水不安全人数的49.6%,长期饮用水短缺,给群众生产、生活带来极大的不便,由此可见水源工程建设是解决和顺县农村饮水安全巩固提升的重要内容。

(1)风能单位投资成本下降的预计极小值。在累计装机容量所带来的学习效应和研发投资的作用下,单位投资成本在今后一段时间内会逐渐降低并趋近于一个常量,因此加入风能单位投资成本下降的预计极小值作为一个不定参数,这样使得回归分析更加准确。

()情景构建

对于研发滞后期数RDlag本文假定了三个情景:一年、两年和三年;对于知识存量折旧率ρ,假定了三个情景:3%、6%和9%。使用公式KSt =(1-ρ)KSt-1 +RDt-RDlag可以得出每一年在每一种情景下(知识折旧率和研发滞后时间)的知识存量KSt

亲子阅读重在互动,阅读时,可以家长读孩子听,还可以分角色读、轮流读。为了鼓励孩子开展独立阅读,家长可采用阅读导入法,选择一本情节跌宕起伏的故事书,先由家长声情并茂地读给孩子听,然后在最精彩、最紧张的地方停下来,让孩子接着把书中的故事读下去。

三个参数的不同取值构成了一系列不同的情景组合:(UC0 ,ρ,RDlag),在不同的情景组合下,本文将通过处理单位风电成本、累计装机容量、研发投资和制造规模的数据后考察改进型风电学习模型。

回归分析和结果讨论

() 回归分析

使用软件SPSS进行回归分析,计算出拟合优度、P值、VIF和DW检验值等,根据统计值选出最优情景组合。最后计算出该情景下的学习率和规模报酬指数。对27组不同的情景(UC0 ,ρRDlag)做回归分析。回归方程为:

对于风电单位投资成本下降的预计极小值UC0,本文假定了三个情景,即0.2元/瓦、0.4元/瓦、0.6元/瓦。使用公式Y=UCt -UC0计算出剔除了预计极小单位投资成本的单位成本Y

ln Y =k+k1 lnCC+k2lnKSt +k3 lnQ

此方程中Y= UCt -UC0,回归分析结果如表2所示。

 

表2 各情景回归分析结果

  

情景(UC0,ρ,RDlag)累计装机容量CC知识存量KSt平均制造规模Q调整的R2DWVIFP(0.2,3%,1)-0.323(0.029)-0.214(0.059)0.565(0.130)0.9952.0729.1500.003(0.2,3%,2)-0.313(0.033)-0.211(0.072)0.508(0.137)0.9931.94514.6300.010(0.2,3%,3)-0.295(0.038)-0.127(0.081)0.436(0.131)0.9941.79116.3530.018(0.2,6%,1)-0.320(0.029)-0.216(0.055)0.551(0.127)0.9952.0668.5150.003(0.2,6%,2)-0.311(0.034)-0.203(0.072)0.483(0.135)0.9931.90911.3630.013(0.2,6%,3)-0.238(0.073)-0.185(0.105)0.108(0.169)0.9911.48138.0950.532(0.2,9%,1)-0.320(0.030)-0.209(0.058)0.534(0.125)0.9952.0348.5800.003(0.2,9%,2)-0.259(0.065)-0.162(0.096)0.166(0.154)0.9931.40447.9820.298(0.2,9%,3)-0.296(0.041)-0.188(0.081)0.385(0.131)0.9941.66512.0880.036(0.4,3%,1)-0.358(0.032)-0.262(0.065)0.721(0.144)0.9952.1079.1500.001(0.4,3%,2)-0.344(0.037)-0.263(0.080)0.655(0.153)0.9942.0226.6300.005(0.4,3%,3)-0.322(0.043)-0.268(0.092)0.565(0.149)0.9931.80716.3530.011(0.4,6%,1)-0.354(0.033)-0.265(0.065)0.704(0.142)0.9952.0997.5150.001(0.4,6%,2)-0.341(0.038)-0.255(0.080)0.625(0.151)0.9941.9837.3600.007(0.4,6%,3)-0.321(0.045)-0.253(0.092)0.531(0.149)0.9931.73817.8500.016(0.4,9%,1)-0.353(0.033)-0.256(0.065)0.682(0.140)0.9952.0647.6810.001(0.4,9%,2)-0.339(0.039)-0.245(0.080)0.597(0.150)0.9941.9398.6800.008(0.4,9%,3)-0.322(0.047)-0.235(0.093)0.502(0.150)0.9931.66817.0880.024(0.6,3%,1)-0.387(0.034)-0.299(0.068)0.831(0.151)0.9952.03310.1500.001(0.6,3%,2)-0.371(0.039)-0.303(0.084)0.758(0.161)0.9941.9219.6300.003(0.6,3%,3)-0.345(0.045)-0.315(0.096)0.658(0.156)0.9941.71016.2350.005(0.6,6%,1)-0.383(0.034)-0.303(0.069)0.812(0.148)0.9952.0327.5150.001(0.6,6%,2)-0.368(0.040)-0.293(0.084)0.724(0.160)0.9931.88013.9550.004

 

表2()

  

情景(UC0,ρ,RDlag)累计装机容量CC知识存量KSt平均制造规模Q调整的R2DWVIFP(0.6,6%,3)-0.343(0.047)-0.298(0.097)0.619(0.156)0.9931.63515.3610.008(0.6,9%,1)-0.382(0.034)-0.294(0.067)0.788(0.145)0.9952.0045.6810.001(0.6,9%,2)-0.366(0.042)-0.282(0.085)0.691(0.159)0.9941.83311.3740.005(0.6,9%,3)-0.344(0.049)-0.277(0.098)0.585(0.158)0.9931.56019.0080.013

根据每一个情景的统计量指标,得出相对最优情景为(0.6,9%,1),即风电单位投资成本下降的预计极小值为0.6元/瓦,知识折旧率为9%,研发滞后时间为1年。对于所有情景而言,“干中学”和“研中学”系数为负,而规模效应系数为正,说明累计装机容量和累计研发投资都和单位投资成本是负相关的,而单位制造规模和单位投资成本正相关。

()结果讨论

在情景(0.6,9%,1) 下,“干中学”学习率1-2-b =1-2-k1/(1+k3)为13.76%,所以当累计装机容量翻一倍时,单位成本下降的百分比为13.76%。与“研中学”学习率相比,“干中学”学习率要更大一些,说明在当下的风电制造行业的发展过程中,累计装机容量产生的学习效应对单位投资成本的下降起到最重要的作用。

“研中学”学习率1-2-c =1-2-k2/(1+k3)为10.77%,所以当知识存量翻一倍时,单位成本下降的百分比为10.77%。可以看出随着国内自主研发的投放力度不断加大,风电整机制造的知识存量不断累积,技术经验的累积会不断促进企业的整机制造技术的革新与发展,从而降低风电单位投资成本。

规模效应的系数为正,说明风电产业的平均制造规模和单位风电投资成本正相关,即随着平均生产规模的扩大,单位投资成本在增加,说明风电整机的生产存在着规模报酬递减。这种规模不经济现象可以解释为:当企业需要设计和制造单机功率更大的风电整机的时候,所生产的大功率规模风电整机投入的人力、物力等资本会更大,会导致风电制造企业更高的单位成本,当大功率的风电机组成为该企业的主流型号的时候,这种风电的规模不经济现象会越发严重。风电制造企业的规模不经济分为内在不经济和外在不经济。内在不经济是指企业制造产品的规模扩大时,由于企业生产要素的变动以及配套设施升级变化而导致的长期平均成本上升和管理效率降低。对于风电制造企业而言,每一台风电机组装机容量的升高意味着这个企业需要投放更加先进的生产设备,技术人员的生产工艺和企业的管理效率有待提高,而这些都大大增加了风电机组的生产成本。而外在不经济是指企业的长期平均成本随着整个行业规模的扩大而上升的现象,它根源于供应商和竞争者这些企业外界环境的恶化。对于风电制造产业而言,整个行业的生产规模过大加剧竞争者之间的激烈竞争,因而各竞争者往往要在扩大市场销售份额、争夺生产要素市场等方面付出更高的代价。

下面对回归结果中所估计到的参数的意义和参考价值进行讨论。对于已给定的参数,最优情景为(0.6,9%,1),即风电单位投资成本下降的预计极小值为0.6元/瓦,知识折旧率为9%,研发滞后时间为1年。风电单位投资成本下降的预计极小值为U03个参数预设值里面的最大值,说明在今后风电机组的单位投资成本在一定时期内会有下降的底限值,而且该底限值还较大,其原因可能是在目前的经济和科技发展条件下,风电机组的生产很难突破超低成本制造和研发的技术壁垒,超大功率的风电整机的生产和研发都难以摆脱巨额成本支出,量变的程度难以带来质的飞跃。

知识折旧率为9%,为ρ三个参数预设值里面的最大值,说明在企业的研发过程中存在着比较大的知识折旧率,即研发投资所带来的知识贮存随着时间存在着很大的淘汰率,旧的技术和经验在不断累积的过程中会摒弃一些落后的成分,以构成新的知识存量。一些早期研发的风电机组生产技术在10年后可能会被完全被淘汰掉,技术的保有率比较低。对于一个企业来说,如果知识折旧率高于行业平均水平,说明在核心竞争力方面没有竞争优势,因为在现有技术不可能井喷式激增的环境下,越大的知识折旧率说明企业当时所研发出来的技术的质量不够过硬与完善,应用该技术的产品很难长期批量生产,存在随时被新技术淘汰的风险,优秀的技术可以持续为企业生产提供养分。

研发投资的滞后时间为1年,说明研发投资平均一年就能转化成技术储备而进行使用。研发投资的时间短而知识的折旧率大这种现象说明,对于整个风电整机生产行业而言,他们特别追求研发的速率而非研发的质量。研发的转化时间越少,企业产品的革新换代时间就越短,新产品越早投放到市场,就会有越大的市场占有优势。但是同时带来的是各风电制造企业盲目竞争和过度追求研发速率,新产品所用的技术或许在几年后被替代。

作为世界上唯一一家专注四轮驱动以及全地形SUV的汽车品牌,自1948年品牌诞生以来,全地形路况下的游刃有余更像是DNA般存在于每一辆路虎车中。而作为路虎品牌车型中一个重要的分支,如今的全新一代发现则需要展示自己符合时代的野性与坚毅。从SUV车型诞生开始,综合实力便是SUV车型一项重要的指标,人们一直渴望用一辆车解决所有的出行需求,而路虎发现的诞生则证明全能性不再只是一种纸上谈兵的泛泛而谈,而是面面俱到。当然在这种全能的性格中,人们的需求也在随着时代的发展不断细化。

()启示

“干中学”在降低成本中发挥着最为突出的作用,与“干中学”密切相关的是风电整机生产人员的工作能力。因此考虑企业的成本战略,最重要的手段是培训生产人员,提高工作的效率和质量,这样就可以给企业带来巨大的成本优势。

“研中学”对降低成本也十分重要,研发投资可以大幅度降低单位投资成本,但是研发的技术过于落后则会导致生产产品的生命周期过低,很难持续大批量生产。同时研发滞后和高知识折旧率反映出来的急功近利的研发无疑会增加企业的负担,带来不必要的损失。国内的风电产业起步比较晚,核心部件依靠海外,研发技术比较落后,研发人才比较匮乏,因此企业需要将研发工作的重点放在研发质量水准和自主创新水平上,尤其是对核心部件的设计生产需要引进相关技术人员和生产设备,使产品有一个质的飞跃,而不是简单的技术上的修修补补。

规模效应的系数出乎意料地为正,说明风电整机的生产存在着规模报酬递减。当企业所生产的风电整机的单机功率上升,企业需要投入与产能规模所适应的设计生产的人力、财力和设备,这会给风电制造企业带来更高的成本。因此企业必须提高设计生产工艺和企业的管理效率,尽快地吸收和适应新技术产品的设计生产和投放对企业的冲击。

结论

本文基于柯布-道格拉斯生产函数构造了改进型风电学习曲线模型,考虑影响风电投资成本的三个变量——累计装机容量、研发投资和生产规模效应,基于改进型学习曲线理论并结合情景分析对中国风电制造产业的技术学习率进行了估计,得出“干中学”学习率为13.76%,“研中学”学习率10.77%。即每当累计装机容量翻倍时,风电单位投资成本下降13.76%;每当知识存量翻倍时,风电单位投资成本下降10.77%;研发投资和累计装机容量对单位投资成本的下降都起着至关重要的影响;规模报酬的系数为正,表明风电制造的规模报酬递减;估算的研发滞后时间为1年,知识折旧率为9%,单位投资成本下降的预计最小值为0.6元/瓦。以上结论有助于揭示中国风电产业的技术学习状况,为企业研发管理提供建议。

其中,KStt时期的风电制造知识存量,b为累计装机容量对风电单位投资成本的学习系数,c为知识存量对风电单位投资成本的学习系数;ρ是企业知识存量的折旧率,可以取0到1之间的任何数;RDt-RDlag为时间滞后下研发投资对知识存量的贡献值,RDlag为研发投资和知识存量之间的滞后时间,可以用年作为单位。式(3)的设立考虑到过去的研发投资可能随着时间而过时,其所带来的知识技术存在折旧和损耗;研发投资并不是立即对技术创新起作用,由投资到有形的产出需要时间。

式(9)即为最终改进型学习曲线模型,在等号左端,UC0会影响因变量的变化,而其在等式右侧对自变量的变化没有影响,由式(3)可知,ρRDlag会影响自变量KSt的变化,从而影响到学习率的估计结果。本文对式(9)进行多重回归分析,根据各变量的系数计算出学习率的大小。

[1] LUND P D.An improved market penetration model for wind energy technology forecasting[C]∥Finnish Wind Power Association.EWEA Special Topic Conference on the Economics of Wind Energy.Helsinki,Finland:Finnish Wind Power Association,1995:5-7.

[2]LÖSCHEL A.Technological change in economic models of environmental policy:a survey[J].Ecological Economics,2002,43(2-3):105-126.

[3]BARRETO L,KYPREOS S.Endogenizing R&D and market experience in the “bottom-up” energy-systems ERIS model[J].Technovation,2004,24(8):615-629.

(3)供试品溶液的制备:精密量取浓缩液50 mL,用水饱和正丁醇振摇提取4次,每次40 mL,合并正丁醇液,用氨试液充分洗涤2次,每次40 mL,弃去氨液,正丁醇液蒸干,残渣用甲醇溶解定容至5 mL量瓶中,摇匀,即得供试品溶液。

[4]KOBOS P H,ERICKSON J D,DRENNEN T E.Technological learning and renewable energy costs:implications for US renewable energy policy[J].Energy Policy,2006,34(13):1645-1658.

[5]JAMASB T.Technical change theory and learning curves:patterns of progress in electricity generation technologies[J].Energy Journal,2007,28(3):51-71.

[6]LINDMAN A,SÖDERHOLM P.Wind power learning rates:a conceptual view and meta-analysis[J].Energy Economics,2012,34(3):754-761.

[7]郑照宁,刘德顺.中国风电投资成本预测[J].中国电力,2004(7):77-79.

[8]徐丽萍,林俐.基于学习曲线的中国风力发电成本发展趋势分析[J].电力科学与工程,2008(3):1-4.

[9]耿妍丽,邹骥,许光清,等.能源技术的学习曲线研究[J].环境保护,2009(8):63-66.

以科学理论为名称,如试用版(上海)高中地理新教材第一册的“宇宙大爆炸”,第二册的“中心地理论”等专栏,虽然只是介绍科学理论的主要内容及形成过程,但从中能反映伽莫夫、魏格纳、勒皮雄、克里斯泰勒等科学家为创立这些新的科学理论所付出的艰辛努力和勇于探索的精神。

[10]曾鸣,鹿伟,段金辉,等.太阳能光伏发电成本的双因素学习曲线模型研究[J].现代电力,2012(5):72-76.

[11]管仕平,周亮.基于双因素学习曲线模型的我国风电成本研究[J].价值工程,2015(13):15-17.

 
迟春洁,麻易帆
《经济与管理研究》 2018年第05期
《经济与管理研究》2018年第05期文献

服务严谨可靠 7×14小时在线支持 支持宝特邀商家 不满意退款

本站非杂志社官网,上千家国家级期刊、省级期刊、北大核心、南大核心、专业的职称论文发表网站。
职称论文发表、杂志论文发表、期刊征稿、期刊投稿,论文发表指导正规机构。是您首选最可靠,最快速的期刊论文发表网站。
免责声明:本网站部分资源、信息来源于网络,完全免费共享,仅供学习和研究使用,版权和著作权归原作者所有
如有不愿意被转载的情况,请通知我们删除已转载的信息 粤ICP备2023046998号