《Environmental and Sustainability Indicators》：Quantifying the influence of policy variables on rooftop solar economics with evidence from India
编辑推荐：
印度是全球最大的电力消费国之一，其近75%的发电量仍依赖燃煤火电厂。为减少碳排放和能源进口依赖，印度政府通过补贴和净计量政策日益推广户用屋顶太阳能光伏（PV）。然而，由于各邦区域政策与经济条件存在差异，这些政策工具的有效性在印度各邦之间有所不同。本研究开发了一
印度是全球最大的电力消费国之一，其近75%的发电量仍依赖燃煤火电厂。为减少碳排放和能源进口依赖，印度政府通过补贴和净计量政策日益推广户用屋顶太阳能光伏（PV）。然而，由于各邦区域政策与经济条件存在差异，这些政策工具的有效性在印度各邦之间有所不同。本研究开发了一个可解释的机器学习框架，用于量化影响印度各邦和中央直辖区户用屋顶太阳能安装投资回报率（ROI）的政策变量的相对重要性和敏感性。研究将邦级电价、安装成本、补贴和净计量补偿纳入一个折现现金流（DCF）模型，以评估回收期和回收期后净收益。条件排列重要性（CPI）和双机器学习（DML）在考虑非线性交互和多重共线性的同时，量化了特征重要性和弹性。在大多数区域情境下，电网电价是屋顶太阳能经济性的主导决定因素，对净收益的归一化特征重要性贡献最高可达约89%，对回收期的贡献约为52%。相比之下，在地理偏远的邦，净计量补偿占主导地位，贡献最高可达约94%的特征重要性。弹性分析揭示了政策敏感性存在显著的区域差异，表明统一的全国性政策框架可能无法最大化屋顶太阳能的采用率或财务回报。所提出的框架为政策制定者提供了一个定量工具，用于识别区域特定的政策优先事项，并可推广至其他具有异质性区域能源政策的国家。
**政策变量对印度户用屋顶太阳能经济性影响的量化分析：研究解读**
**1. 研究背景与问题提出**
印度能源结构以火电为主，约75%的发电量依赖燃煤，带来严重的碳排放和环境问题。尽管核能、水电、生物质能和风能等替代能源各有潜力，但分别受制于成本、安全、地理约束、土地利用和生态影响。相比之下，印度拥有丰富的太阳能资源，大部分地区年日照天数约300-325天，光伏发电潜力优越。为此，印度政府通过中央补贴（如PM Surya Ghar: Muft Bijli Yojana）和各邦补贴，以及净计量政策，积极推广户用屋顶太阳能光伏（PV）系统。然而，尽管政策支持和地理条件有利，屋顶太阳能的实际采用率仍低于预期。评估屋顶太阳能采用的核心挑战在于：电价、安装成本、净计量补偿等政策变量以复杂非线性方式相互作用，传统计量经济学方法难以隔离各变量的独立贡献。此外，多重共线性进一步干扰了变量重要性的可靠估计。因此，需要一种能够处理非线性、高维交互和共线性的分析框架，以量化政策变量对屋顶太阳能投资回报的影响。
**2. 研究目标与总体方法**
本研究旨在：(1) 评估印度各邦和中央直辖区户用屋顶太阳能系统的技术经济绩效；(2) 使用条件排列重要性（Conditional Permutation Importance, CPI）量化政策变量对回收期（Payback Period）和净收益（Net Benefit）的相对重要性；(3) 使用双机器学习（Double Machine Learning, DML）估计这些经济结果对政策变量边际变化的敏感性。研究首先基于确定的折现现金流（DCF）模型，纳入安装成本、维护成本、电价结构、补贴、光伏发电量和净计量补偿，生成各邦不同容量组合下的经济结果（回收期、净收益）。随后，利用机器学习模型解释政策变量（月度电费支出、月度售电收入、初始安装成本）如何影响这些DCF衍生的经济结果。该框架区别于直接预测实证数据的传统机器学习研究，而是将机器学习用于政策变量的解释而非替代技术经济计算。
**3. 关键技术方法**
研究使用了以下主要技术方法：
- **折现现金流（DCF）模型**：计算回收期（采用8%折现率）和净收益（不折现），系统寿命25年，年退化率0.5%，维护成本每年2000卢比/千瓦，逆变器每8年更换（成本8000卢比），年度电价涨幅2%。
- **条件排列重要性（CPI）**：通过条件回归模型（线性回归或RidgeCV）预测目标特征，仅置换残差以保持特征间的相关性，从而在有共线性条件下获得无偏的特征重要性。重复50次训练-测试划分（80/20），每次划分执行20次置换，计算平均R2下降量。
- **双机器学习（DML）**：采用EconML库中的LinearDML，通过交叉拟合估计nuisance函数，对结果和治疗变量进行残差化，再通过残差回归获得弹性系数。所有变量取自然对数，估计系数即为弹性。
- **数据来源**：与各邦供应商协商获取安装成本数据（包括特殊邦和普通邦的代表性报价），电价来自中央电力管理局，净计量补偿来自各邦监管文件，补贴结构来自中央和邦政府政策文件。
**4. 主要研究结果**
**4.1 印度家庭屋顶太阳能系统的经济表现**
基于各邦实际补贴、电价和净计量补偿，计算了不同容量组合下的净收益和回收期。结果表明，许多邦在某些容量组合下回收期超过25年（标记为“未回收”），主要原因是电网电价过低、补贴不足或净计量补偿率低。特殊邦（如东北部、山区）因运输和基础设施成本导致安装成本更高，经济性更差。
**4.2 政策变量对回收期和净收益的重要性**
根据数据分组（基于邦类型和容量匹配关系），采用适当的模型（梯度提升、多层感知器、支持向量回归等）和重要性评估方法（CPI或直接特征重要性）进行分析。在非特殊邦，避免的电网购电支出（即电费节省）是净收益和回收期的主导因素，尤其是在安装容量与家庭需求匹配的情况下；安装成本和补贴也对回收期有显著贡献。在特殊邦，由于安装成本更高，成本相关变量重要性上升；在超配系统中，售电收入的重要性甚至超过电费节省。
**4.3 敏感性分析（弹性）**
DML弹性分析显示，安装成本的弹性在所有组中均为负，且特殊邦的负弹性幅度更大，表明初始投资增加对长期盈利的抑制作用更强。电费支出和售电收入的弹性为正，说明增加避免的电费支出或售电收入均能提高净收益。对于超配系统，特殊邦（组4）的弹性幅度显著高于非特殊邦（组2），表明特殊邦对补贴或净计量政策的边际改善更敏感。
**5. 讨论与结论**
讨论部分指出，印度家庭平均月用电量约100度，因此需要让“所需容量”较低的家庭也能从太阳能中获益。特殊邦因地理条件导致安装成本高，更需要针对性的补贴和合理的净计量补偿。案例表明，那加兰邦的补贴政策显著缩短了回收期，而查谟和克什米尔及拉达克因极低电价导致补贴效果不佳。此外，电费节省在长期中因电价上涨而持续累积，而安装成本仅一次性发生，因此电价变量比安装成本更重要。对于偏远岛屿（安达曼-尼科巴和拉克沙群岛），由于APPC较高，鼓励超配并提高净计量补偿可同时改善DISCOM财务状况和用户回报。研究建议重新思考低电价地区的补贴设计，例如拉贾斯坦邦已将免费电力计划转向一次性太阳能资本补贴。结论强调，本研究的机器学习框架能够量化政策变量的影响，为各邦设计差异化政策提供决策支持，并可推广至其他具有异质区域政策的国家。
**研究结论**
印度中央和邦政府的太阳能补贴已显著促进电力可负担性，PM Surya Ghar Yojana下已有超过100万套安装。未来改进邦级补贴和净计量补偿将进一步提高安装量。本研究汇编了所有现行中央和邦补贴、净计量补偿，并计算了各邦的回收期和净收益。通过CPI和DML量化了电网电价、净计量补偿和太阳能补贴三个政策变量对回收期和净收益的影响，证实了区域差异的重要性。该框架为政策制定者提供了科学依据，帮助设计最有效的政策方案，以最大化收益并减少财政负担，同时为其他国家的分布式太阳能政策评估提供了参考工具。
