环境技术创新.pptVIP

气候政策如碳排放限额或碳税，改变了要素的相对价格，使得旨在提高能源效率的RD投资的预期回报增加，从而对生产者的RD投资形成激励。 RD投资的增加促进了知识存量的增加，生产者投入更多知识资本用于生产。 此外，知识存量的增加还受到别的生产部门的知识溢出效应甚至国际溢出效应的影响，同时该生产者自身的RD投资也会产生溢出效应。 最后，判断RD的投资回报需要考虑机会成本。 新古典增长框架是在Solow模型的基础上，通过构造宏观生产函数，建立各种生产要素如资本、劳动力、能源等与经济增长之间的关系，并分析决定经济增长的各种影响因素。 内生增长理论则扩展了这个框架，将知识资本引入生产函数中。 气候政策分析由于重点关注温室气体排放量和减排成本，许多研究的重点是分析单位产出排放强度或减排成本与技术变化之间的关系。 不同的研究方法，事实上是从不同侧面分别体现了技术变化的作用，即促进产出增长，减少既定产出水平下的经济成本以及减少生产过程中的“废物”排放等。 RD方法的缺陷 RD模型主要是利用知识存量来间接表征技术变化水平，但是知识存量本身也难以进行定量统计，建模中通常的方法是利用RD支出以及RD从业人员的数量来描述知识的输入，用专利数量等来描述知识的输出[105]。由于上述指标的边界比较窄，难以全面衡量知识对技术变化的促进作用，产生了一些延伸的方法例如将信息技术部门、教育部门等纳入核算框架。 RD方法的缺陷 另外，RD与技术变化之间的关系事实上并不明确。RD模型过分单纯的把知识增长等同于技术“进步”，忽略了技术变化所需要的投资成本以及投资过程中的高风险和不确定性；而且利用知识存量的概念把所有知识和技术堆积在一起，忽略了知识和技术的差别，混淆了向新知识投资的递增回报和以改良技术形式出现的技术应用（例如学习效应）的递减回报。 技术学习 技术学习是指随着组织和个人从实践中获取经验，技术的性能和生产率会大幅度上升，体现了来自于学习效应的技术变化。在经济模型中，最常用的描述技术学习效应的方法是“干中学”（Learning By Doing，LBD），即用技术的单位生产成本表征技术变化，用累积产量表征“经验”，单位生产成本随着累积产量的增长，以渐减的速率下降。二者之间的函数关系一般用幂函数形式的“学习”或“经验”曲线来描述，并且实际建模中，学习曲线一般按照对数坐标描绘成一条下降直线，如式（2-20）所示。 值得注意的是，上述自我加强的反馈机制会提供持久的信号驱动技术变化朝一个特定方向发展，形成“路径依赖”（Path dependency）现象。技术应用过程中大量的经验积累和基础设施积累会带来不可逆的或至少是重要的惯性力量，导致技术应用“锁定”（Lock-in）于某一特定的技术路径。 此外，技术学习机制也会产生“溢出”效应。但是和RD模型中由于知识资本的公共物品属性而导致的“溢出”效应有所不同的是，技术学习过程中，某一部门生产规模的扩大通过各产业部门的联系，譬如购进原材料或机器设备等，促进了别的部门生产规模的扩大，从而产生“溢出”效应促进别的部门技术学习率的提高。类似的，国际间的商品和技术贸易也会产生“溢出”。Klassen在估计技术学习率的时候对“溢出”效应的影响做了尝试性的研究[114]。 技术学习模型中学习速率是最重要的一个参数，有大量实证研究基于历史数据对一些特定技术的学习速率做了估算。但是不同部门不同技术的学习速率会有很大差异，而且同一项技术在其生命周期的不同阶段学习速率也不相同。一般认为技术发展的早期，成本下降幅度最大，随着技术逐渐商业化和扩散，学习速率会下降。 例：一些自底向上模型中发电技术的学习率（%） （a）单要素学习曲线 （b）两要素学习曲线 ERIS MARKAL MERGE-ETL MESSAGE ERIS MERGE-ETL 学习速率 LDR LSR LDR LSR 洁净煤 5 6 6 7 11 5 6 4 NGCC 10 11 11 15 24 2 11 1 新核能 5 4 4 7 4 2 4 2 燃料电池 18 13 19 - 19 11 19 11 风能 8 11 12 15 16 7 12 6 太阳能光伏发电 18 19 19 28 25 10 19 10 表） 基于学习效应的技术变化内生化方法的主要问题是学习速率高度依赖于实证研究。 经验文献和计量经济研究虽然报告了过去的学习速率和机制，但是，未来某一项技术的可能改进速率仍然是不确定的。 而“学习”本身是一个黑箱，其促进技术变化的内在机制和驱动因素并不清晰，在现有模型框架下很难得到完整反映。 更为重要的是，建模者很难将学习效应分解以确定两要素学习曲线中源于RD的学习速率。 最后，有些文献提出的负学习的例子值得关注，负学习的例子反映了技术发展的高风险性和市场中影响技术推