绿色技术投资的行为方面：概述

此外，企业可能会受到有关技术真实性能的不完善或不对称信息的影响：如果买方不能可靠地遵守承诺的利益，卖方不能可靠地传达这些利益，他们可能会在购买决策中被理性地忽略，从而导致逆向选择（阿克洛夫，1970）。如果一项技术的优势得到充分证明或认证，承诺的成本节约的可信度可能会更高，如果无法直接观察到（例如，由于缺乏计量），那么承诺的成本节约的可信度可能会更低。因此，从公司的角度来看，对预期收益进行风险调整是合理的（Sutherland，1991）——这取决于个人的风险厌恶程度，以及对投资风险和可信度的不同看法。由于所有这些都是高度主观的，我们限制对企业相应的风险调整进行明确建模。相反，基于Allcott和Greenstone（2012），我们将参数γi（介于0和1之间）定义为代理人决策中预期节约的隐含权重。从优化的角度来看，它可以作为所有投资效率的统计数据进行评估。由于几乎不可能校准任意级别的γibeyondan，因此在以下任何模拟中都不使用它（因此默认设置为1）。然而，在敏感性分析中，我们通过发现γiis的平均值与观察到的投资行为一致（假设企业根据1级进行决策），隐含地估计了γiis。异质优化企业的最终决策标准是：NPVi:=-Ci+Ei（ni）Xt=0γi* 艾未未(Bi，t）（1+r）t=-Ci+Ei（ni）Xt=0γi* Ei（pi，t）* 艾未未(qi，t）（1+r）t，（2）公式1的定义差异是，对随机变量、异质性的i下标、私人贴现率（ri）和隐式参数γi使用未来Ei（：）的主观代理人预期。

假设每个公司的相应参数不同。这意味着不同的投资决策，这将导致净现值（NPVi）的分配。从优化的角度来看，每一家净现值大于0的公司都应该承担投资。（2） 满意度决策的满意度关注企业作为组织的行为，考虑到组织约束和有限的决策资源（时间和注意力）。Graham和Harvey（2001）对美国企业的预算行为进行了调查，得出的结论是，大多数企业不进行净现值计算。相反，57%的“总是或几乎总是”使用回收期标准，这既不包括贴现，也不包括风险调整。最重要的是，它忽略了任意截止日期后的所有未来现金流。为了解释这种观察到的行为，决策标准被一个简单的回报标准所取代。假设企业将绿色技术的投资成本与其在有限年限内的预期未来成本节约进行比较，以单个回收阈值表示。这一阈值通常在一年到五年之间，大多数企业需要在一到两年内进行投资来支付（Andersonand Newell，2004）。因此，任何超出截止日期的未来成本节约都会被忽略。考虑到企业对决策的限制，在有限理性的概念内，用更简单的标准代替净现值计算仍然可以被解释为最优。例如，高级职员可能缺乏监督所有项目的能力。当绿色技术投资被视为相对不重要时，可以根据要求较低的回报标准对其进行评估（Sorrell等人，2011年）。

此外，短期回报阈值可能是一个组织内部分散激励和“管理风险规避”的结果，例如，当只根据短期目标评估责任员工时。由此产生的决策标准由公式3总结。NPBi:=-Ci+biXt=0Ei(Bi，t）=-Ci+biXt=0Ei（pi，t）* 艾未未(齐（t）（3） 请注意，决策标准不再是NPVi。为了比较不同级别，它被定义为单个组织感知的净现值（NPBi）。（3） 行为决策的行为层面采用纯粹积极的观点。它绝不意味着应该如何做出决定。相反，它关注的是个体的视角，在异质组织中工作——个体决策者的行为如何？-不仅要考虑组织结构，还要考虑EUT的系统性行为偏差。根据内部结构和层级，从最终负责投资决策的个人的角度来看决策。根据EUT的说法，前期成本的降低应该会导致与相同相对幅度的未来收益增加相同的效用变化。然而，一个常见的发现是，绿色技术投资决策对前者比后者更敏感（Ja ffe等人，2005年）。这可能与EUT的系统性偏差有关，如损失厌恶、现状偏见和显著性效应（Gillingham等人，2009年）。

在行为实验中，研究显示，个体的损失大约是收益的两倍（Greene，2011）。为了对观察到的决策行为进行建模，我们采用了前景理论的积极框架。具体而言，我们使用了Tversky和Kahneman（1992）提出的损失规避价值函数，该函数基于以下因素对观察到的决策进行了概念化：（1）参考依赖性：收益和损失相对于现状定义为参考点，（2）损失规避：因为损失比收益更重要，该函数在正域中的负函数中更陡，由参数λ捕获，（3）灵敏度降低：收益和损失的估值降低，形成s形函数，由指数α（损失）和β（收益）表示。根据经验，估计λ=2.25和α=β=0.88（Tversky和Kahneman，1992年），这在非常不同的情况下始终成立（Benartzi和Thaler，1995年）。3级的判定标准为等式4，PBIT=0Ei(Bi，t）=Pbit=0Ei（pi，t）* 艾未未(齐（t）.NPBi:=-λ * (Ci）β+biXt=0Ei(Bi，t）α= -2.25* (Ci）0.88+biXt=0Ei(Bi，t）0.88（4）注意，等式4基于满意度，因此包括明确的回报阈值（bi）。鉴于个体决策者在其企业给定的组织约束范围内做出决策，因此假设超出分界点的长期利益与其个体决策效用无关。（4） 所有决策类型的集合不同类型的决策并不意味着相互排斥。相反，一种类型的企业可能会根据类似于一级净现值计算的决策规则进行决策，而其他企业则根据更接近二级回报阈值的规则进行决策。

最后，剩下的一部分企业可能会受到个体决策者行为的影响，如第3级所述。事实上，对于给定的投资，具有不同决策类型的企业的组合比仅一种类型的企业的排他性流行更可能。为了模拟企业间决策类型的不同分布，我们构建了一个包含1、2和3级的集成模型。每个公司都被随机分配到一个级别。假设单个企业属于1级、2级或3级的概率由p（1级）、p（2级）和p（3级）外生给出，其总和为1。根据Graham和Harvey（2001）对美国企业决策的结果，我们使用以下默认校准：p（级别=1）=0.4；p（2级）=0.3；p（级别=3）=0.3（5）在蒙特卡罗模拟中，这些概率将等于分配给不同级别的企业的分数。通过数值探索，概率可以调整到任何值，以便分析任何种群组成的潜在影响。4.案例研究：美国的电机在本节中，我们使用美国节能电机的数据对模型进行了参数化。我们展示了该模型可以做什么，以及它如何提高政策制定者对绿色技术采用率的理解。例如，我们在不同的决策水平上模拟投资决策，并将其与能源审计后观察到的决策进行比较。在这种情况下，如果不这样做，就会被贴上非理性行为的非指导性标签，该模型可以更好地理解问题，并分析假设政策的可能效果。4.1.

背景信息国际能源署（Waide and Brunner，2011）估计，电动马达驱动系统（EMD）占全球用电量的43–46%，导致每年约6 Gt的排放量。与此同时，IEA估计EMD的能源效率可以成本效益地提高20-30%。在20年的潜在使用寿命中，电力通常占电机寿命周期成本的90%，而购买价格为1%。因此，即使是“能源效率的微小提高也可能具有很高的成本效益”（第72页），并且应该比最初更高的投资成本（甚至是过早更换现有电机）更合理。然而，尽管这些绿色投资具有明显的吸引力，但国际能源署认为，由于各种障碍，例如较高的初始成本，它们的实现“困难或不可能”（第13页）(Ci）和企业短期思维（bi）。因此，投资决策侧重于低投资成本，而在很大程度上忽视了潜在的成本节约。在该模型中，这种“效率差距”对应于基准水平零的工程视角——决策的技术水平。然而，EMDS投资与其他层面有何关联？4.2. 数据和校准该模型根据美国能源部工业评估中心（IAC）（高级能源研究中心，2015年）的数据进行校准，该中心自1976年起免费为中小型制造企业提供能源审计。审计团队对工厂进行深入评估。这些包括调查、工程测量和为期两天的现场考察。然后，审计员向各自的公司提供一份详细的投资分析报告，这些分析报告被确定为具有成本效益的项目。

六个月后，审计员对实施的项目进行后续访谈（同上）。所有项目建议的关键数据都统一记录在公共数据库中，包括：估计投资成本(Ci），估计每年节能(qi）、电价（pi）和最终实施状态。可变单位平均值最小95%百分比。最大标准偏差绝对值：Ci$32258 8224 264 115640 993 790 101 190气千瓦时/年178 250 46 050 999 708 940 5 645 400 496 380pi$/kWh 0.073 0.070 0.020 0.130 0.220 0.031Bi$/y 1029319 8241 693 233 950 23329投资回收时间年3.34 2.65 0.15 8.83 16.41 2.57相对：Ci/齐$/千瓦时0.23 0.19 0.03 0.54 0.79 0.16气/词kWh/$7.56 65.26 1.26 22.44 34.08 6.37中间电机：Ci$10 311 8 685 1 341 24 527 36 256 7 270气kWh/y 62 205 43 280 10 368 184 550 280 290 52 361表4：电机建议的汇总统计（绝对、相对、中位数）。                  图2：项目回收时间的相对频率，按实施状态分组（绿色：已实施，红色：未实施）。我们将重点放在2008年至2013年之间的审计上，假设这段时间内的电机技术基本上是可比的。在去除异常值（报告的投资成本为零或不切实际的高）后，这提供了275条关于“使用（最高效的）电机”的建议的信息。请注意，这仅指电机的完全更换（重新配置单独列出），允许将其视为大致同质的投资。表4总结了所有变量的描述性统计数据。

投资成本和数量的数据被转换成相对值（每节省千瓦时和每节省千瓦时）。为了便于说明，该数据随后按项目规模中值（以节省的千瓦时为单位）进行缩放。所有声明的成本和价格均以2013年美元表示。首先，数据显示，在估计投资成本、年能源节约和电价方面存在相当大的异质性（图3 a）。其次，计算出的投资回收期总是短于电动机的预期寿命，95%的项目的投资回收期都短于8.83年。因此，投资似乎对所有企业都有利。尽管有这些估计，观察到的执行率仍低至45%。这似乎与所考虑的经济基本面无关：通过图形检查，项目投资回收时间不受实施状态的影响（见图2）。这表明了其他决策层面的相关性。根据IAC数据对模型进行校准，以便Ci，基于中等规模汽车项目的估算（见表5）。为了避免必须指定一个特定的价格路径，假设在投资的整个生命周期内（也就是气）。贴现率（ri）、寿命（ni）、回收阈值（bi）和前景理论损失厌恶函数（λ，α，β）的校准基于文献估计。级别变量分布参数值Source1C威布尔形状=1.51；标度=11 493.28，符合威布尔形状=2.46的数据；比例=0.08高级能源研究中心（2015年）q Weibull形状=1.34；标度=68426.27r正常u=8%；σ = 3%; 最小值=0%Gilchrist等人。

（2013）n正常u=15；σ =3; min=0 Waide and Brunner（2011）γi-1基准2 b正常u=2；σ =1; 最小值=1；max=5 Anderson and Newell（2004）3λ-2.25α-0.88 Tversky and Kahneman（1992）β-0.88P（水平）离散经验p（水平=1）=0.4；p（2级）=0.3；p（3级）=0.3 Graham和Harvey（2001）表5：根据电机项目建议校准模型参数。水平NPV>0平均最小最大标准偏差中值0-技术100.0%30144----01-优化81%2972918711-39 068 476 723 39 8152-满足44%220-1 391 -44 887 124 314 13 0083-行为20%-4 183 -3 907 -28290258485415E-合奏52%10750499-40 480 335 300 30 474表6：0至3级的模型模拟和模型集成-实施率（单位%）和模拟NPV/NPB的汇总统计数据（单位：美元）。考虑到蒙特卡罗模拟，经验数据(Cq、 p）由理论分布近似。与不同分布类型以及自举Cullen和Frey图（根据平方偏度绘制峰度）的图形比较表明，Weibull分布给出了最佳结果。通过最大似然估计进行参数拟合。投资的预期寿命（Ei（ni））、资本成本（ri）和回收阈值（bi）用正态分布近似。BI在最短1年到最长5年之间被截断（根据Andersonand Newell，2004）。模拟结果为了根据不同的决策水平（称为执行率）估计将投资于更高效电机的公司的份额，对校准模型进行了蒙特卡罗模拟，并进行了10000次试验。这使得能够组合（或卷积）不同级别的概率分布链（相当于正式的数学卷积）。

表6总结了NPV/NPB分布的实施率和汇总统计数据。图3描述了不同水平分布的密度估计。首先，优化决策水平的模型模拟与国际能源署的分析一致：81%的大多数企业在更节能的电机上的投资似乎是可行的。然而，对于剩下的19%来说，这是无法证明的。虽然平均而言，投资具有很高的可比性（平均净现值为29729美元），但企业之间考虑的特征是高度异质的。这意味着，它们的特点是高成本和低效益的结合，这使得完全有理由放弃汽车投资。其次，其他两个级别的模拟执行率有所下降——从优化级别的81%下降到满意级别的44%和行为级别的20%。换句话说，模拟NPB的分布向左移动。在第三级，预计只有五分之一的企业会投资，尽管从优化的角度来看，这对五分之四的企业来说是具有成本效益的。这必须在相对可靠的政府资助能源审计形式下，向企业提出一项相对可靠且无风险的绿色投资的背景下进行考虑。第三，当以净现值和净现值的形式进行评估时，输入数据的综合异质性转化为企业更异质的投资感知。