-
数据包络分析法(Data Envelopment Analysis,DEA)即是统计学中常用到的DEA方法,一般被用来测量企业或机构的生产效率。实际上企业的创新能力受多种因素影响,因此对光伏全产业链的上、中、下游企业创新能力的评价不能单独只看某一简单指标,可采用DEA模型通过输入投入数据和产出数据来评估其相对效率。文章选用DEA模型中最常用到的BBC模型(VRS)来进行研究,探索规模报酬可变情况下的企业投入产出效率,并且将BBC模型中的综合效益进行了拆分,根据研究对象的属性将其处理为技术效益和规模效益两者的乘积[19]。
-
DEA模型研究往往设定的投入指标都是人和材料,企业创新投入不外乎也是人和材料的投入。而产出指标为专利申请数量与总收入,因此把创新产出分为专利产出和非专利产出,专利产出就用专利申请数量代替,非专利产出可理解为创新的商业化产出,可以用总收入衡量[20]。因此,本文章的DEA模型投入指标分为人力资源和非人力资源,分别为Peo-研发人员数量和Inv-研发投入金额(单位为亿元),产出指标分为专利产出和非专利产出,分别为Pat-专利数和Inc-营业总收入(单位为亿元)。
-
DEA模型的数据来源于国泰安数据库,选取A股市场的33家光伏样本企业共162个有效数据,这些样本企业均匀分布于光伏产业链的上、中、下游,且都是该产业链的龙头企业。如表1所示DEA各指标的描述性统计,研发人员和研发投入金额的平均值分别为580.85和3.31,而标准差分别为503.09和4.46,这表明各样本企业对研发的投入不管是对于人员还是资金都差异很大。而专利数和营业收入也相差很大,标准差分别为771.57和84.15。由此可得,中国光伏产业链中各企业对创新能力的重视程度以及本身的创新能力都相差很大。
表 1 DEA指标描述性统计
Table 1. DEA index descriptive statistics
variable N mean sd min max p50 Peo 162 580.85 503.09 40.00 2578.00 395.00 Inv 162 3.31 4.46 0.09 25.92 1.71 Pat 162 516.41 771.57 1.00 3494.00 238.00 Inc 162 52.97 84.15 0.18 545.83 22.08 -
中国光伏行业的整体效益可以从两个方面看,分别是创新效益和规模报酬效益。其中的创新效益用DEA模型中的综合创新效益-OE来作为评价指标,而综合创新效益-OE又可分为技术创新效益-TE和规模效益-SE,且综合创新效益-OE等于技术创新效益-TE与规模效益-SE的乘积,而另一个规模报酬效益用规模报酬系数来作为评价指标。
OE反映决策单元DMU要素的效率情况,当该值为1时表明DEA强有效,而当该值<1时表明非DEA有效。如表2所示,2008-2017年中国光伏产业总体OE均小于1,这表明光伏产业的综合创新能力还有很大的提升空间。且从2011年开始中国光伏产业的规模效益-SE一直高于技术效益-TE,这表明综合创新效益的提升大多都来自于规模效益-SE的拉动,而非技术效益的提升。
表 2 中国光伏产业综合创新效益表
Table 2. Integrated innovation benefit of China's photovoltaic industry
年份 技术效益TE 规模效益SE(k) 综合效益OE(θ) 规模报酬系数 2008 1.000 0.658 0.658 0.581 2010 0.458 0.554 0.249 0.381 2011 0.188 0.256 0.048 0.127 2012 0.158 0.290 0.046 0.188 2013 0.163 0.419 0.069 0.267 2014 0.160 0.600 0.096 0.405 2015 0.692 0.801 0.555 1.511 2016 0.577 0.835 0.476 3.069 2017 0.488 0.834 0.383 1.043 规模报酬系数表明研究对象的规模报酬状况,规模报酬系数为1时表明规模报酬不变,即达到最优状态。规模报酬系数>1时,表明规模收益递减,即规模过大可通过减少规模增加效益;规模报酬系数<1时,表明规模收益递增,即规模过小可通过增大规模来增加效益。根据表2可知,以2014年为分界点,2014年以前中国光伏产业规模报酬系数小于1,2014年以后中国光伏产业规模报酬系数大于1。这种现象的产生很有可能是由于2013年中国光伏产业政策补贴的大力实施,在政策补贴的刺激下中国光伏企业开始大规模扩张,而这种规模的转折点滞后一年以2014为起点,则源于政策开始实施到产生效果需要一段时间的过渡。经过以上分析可知,中国光伏产业目前处于规模效益递减的状态,但综合创新效益又不足,这表明中国光伏产业的政策补贴太过于注重数量的增加,而忽略了质量的提升。
-
光伏全产业链体系的中上游环节是硅片和太阳能电池材料的技术处理,这一块目前是中国的短板,还主要依赖美国、德国和日本等国家,而下游的光伏发电系统、发电检测等核心技术也与世界先进水平存在较大差异。中国光伏产业不仅整体创新能力较低,而且产业上、中、下游都呈现出差异发展的趋势。
如表3所示,中国的上、中、下游光伏企业的综合创新效益均小于1,均为非DEA有效,而其中下游的综合创新效益最高,上游次之,中游最低。这表明在中国光伏产业整体创新效益不高的大环境下,相比于下游光伏企业中上游光伏企业的创新能力更加需要提升,因而中上游光伏企业的创新更应是政府补贴所要关注的重点。而将综合创新效益拆开来看,技术效益-TE和规模效益-SE(表4)均与综合效益-OE(表5)呈现出相似的状态,都为下游最高而中上游较低。因此中国光伏产业链的发展呈现出一种前轻后重的局面,而整个光伏产业的发展需要的是全产业链各部分综合协调发展,而不是侧重于某产业链单一环节。
表 3 2015-2020年光伏全产业链的企业技术效益-TE
Table 3. 2015-2020 Enterprise technology benefit of the whole photovoltaic industry chain - TE
年份 上游 中游 下游 2015 0.993 0.858 0.723 2016 0.696 0.482 0.746 2017 0.539 0.437 0.664 2018 0.637 0.520 0.640 2019 0.507 0.543 0.582 2020 0.480 0.487 0.546 表 4 2015-2020年光伏全产业链的企业规模效益-SE
Table 4. 2015-2020 Enterprise scale benefit of the whole photovoltaic industry chain - SE
年份 上游 中游 下游 2015 0.987 0.631 0.958 2016 0.690 0.756 0.907 2017 0.539 0.724 0.812 2018 0.689 0.631 0.816 2019 0.827 0.626 0.787 2020 0.887 0.601 0.793 表 5 2015-2020年光伏全产业链的企业综合效益-OE
Table 5. 2015-2020 Enterprise integrated benefit of the whole photovoltaic industry chain - OE
年份 上游 中游 下游 2015 0.980 0.556 0.687 2016 0.505 0.328 0.699 2017 0.382 0.274 0.557 2018 0.407 0.353 0.535 2019 0.405 0.353 0.487 2020 0.397 0.238 0.466 经过DEA分析可以发现(数据如表6所示),光伏产业上、中、下游的规模报酬系数都处于一个较高的水平。但其中产业上游的规模报酬系数均小于1,说明光伏产业上游还处于一个规模报酬递增的状态,可以通过扩大上游光伏产业规模来增加效益。而产业中下游光伏企业的规模报酬系数超过了1,其中下游的规模报酬系数最大,可见前期大规模的政策激励对产业链中下游发挥了过大的效果,这才使得中下游光伏企业呈现出了目前规模报酬递减的状态。整体来看中国政府推行的片面激励政策,导致了现如今光伏产业的扭曲化发展,这就需要政策制定人员适时对产业政策进行调整。
表 6 2015-2020年光伏全产业链的企业规模报酬系数
Table 6. 2015-2020 Enterprise scale reward coefficient of the whole photovoltaic industry chain
年份 上游 中游 下游 2015 0.809 1.512 2.155 2016 0.900 1.135 4.637 2017 0.794 0.926 1.653 2018 0.644 0.952 1.830 2019 0.612 1.458 1.855 2020 0.694 1.550 1.783 -
面板模型回归的方法能够克服时间序列分析受多重共线性的困扰,因此可以较好的利用在政府补贴对光伏企业技术创新影响的研究当中。该模型样本数据选用与前文DEA模型分析相同,从中国A股市场选取33家样本企业,再选取这33家样本企业2000-2021年的数据。其中上游企业有通威股份、隆基股份、中环股份等,中游企业有晶澳科技、东方日升、协鑫集成、金辰股份等,下游企业有爱康科技、中信博、科士达、锦江科技等。
-
本研究中的面板回归模型设置如下:
$$ {\rm{Inno}} = {\beta _0} + {\beta _1}{\rm{Subsidy}} + {\beta _2}{\rm{Lever}} + {\beta _3}{\rm{Size}} + {\beta _4}{\rm{Age}} + \mu $$ (1) 式中:
Inno ——光伏产业链上、中、下游某一端代表企业的企业效益;
β0 ——截距;
β1、β2、β3 ——各变量的斜率参数;
μ ——残差项。
模型(1)用来研究政府补贴对中国光伏全产业链技术创新的影响,为了继续探究政府补贴对中国光伏产业链上、中、下游的不同企业技术创新影响的差异,本研究还设置了以下3个模型:
$$ \begin{split} {\rm{Inno}}_{上}=&{\beta }_{0上}+{\beta }_{1上}{\rm{Subsidy}}+{\beta }_{2上}{\rm{Lever}}+{\beta }_{3上}{\rm{Size}}+\\&{\beta }_{4上}{\rm{Age}}+\mu \end{split} $$ (2) $$ \begin{split} {\rm{Inno}}_{中}=&{\beta }_{0中}+{\beta }_{1中}{\rm{Subsidy}}+{\beta }_{2中}{\rm{Lever}}+{\beta }_{3中}{\rm{Size}}+\\&{\beta }_{4中}{\rm{Age}}+\mu \end{split} $$ (3) $$ \begin{split} {\rm{Inno}}_{下}=&{\beta }_{0下}+{\beta }_{1下}{\rm{Subsidy}}+{\beta }_{2下}{\rm{Lever}}+{\beta }_{3下}{\rm{Size}}+\\&{\beta }_{4下}{\rm{Age}}+\mu \end{split} $$ (4) -
本研究采用33个样本企业的研发密度作为被解释变量。研发密度是研发投入与企业固定资本的比值,利用包含研发投入因素的研发密度作为被解释变量,可以减少企业规模和政府补贴对指标合理性的影响[6,14]。相关参数解释如下:
Subsidy:政府补贴强度,即政府补贴与企业总收入之比。企业进行产品技术研发是以大量的人力和物力作为基础,然而研发成果却需要共享,正是这样的环境因素挫伤了企业的研发积极性。在这种情况下,获取政府补贴可以显著减轻企业的资本研发压力,因而可以有效提高企业的研发积极性。
Lever:金融杠杆。关于金融杠杆对光伏企业技术创新的影响存在两种不同的看法,一种认为较高的财务杠杆意味着没有足够的资金进行创新投资,因而不利于光伏产业技术创新;而另一种则认为高的财务杠杆提高了企业的资金使用效率从而可以降低无效投资,促进创新投资的高质量发展。因此,金融杠杆也是影响产业创新的一个重要因素。
Size:公司规模。业界普遍认为大企业可以为创新提供更多的资金支持,但也比小企业承担更高的风险和成本。大公司也可能会因为过大而存在管理效率低下或者官僚风气严重等问题,并且大的公司存在的企业代理问题更严重,管理者很有可能将注意力放在自身利益上,而忽视对企业技术创新的关注。
Age:企业年龄,本研究中企业年龄设定为从该企业上市到目前的年限。一般认为企业年龄越高则管理效率越高,拥有的资源也会越丰富,则企业创新能力也会越强。
-
本研究通过借助Stata软件进行数据操作,利用相关性矩阵探究各解释变量之间的相关性。结果在表7中可以看到,各解释变量之间的相关系数均小于0.6,这表明变量之间的相关性不明显,在之后的研究中可以排除多重共线性对本研究的影响。
表 7 解释变量相关性矩阵
Table 7. Explaining variable correlation matrix
variable Subsidy Lever Size Age Subsidy 1.000 - - - Lever −0.114 1.000 - - Size −0.136 0.425 1.000 - Age 0.069 −0.181 −0.300 1.000 -
通过Stata软件进行描述性统计,结果见表8,数据分析如下:
表 8 面板回归指标描述性统计
Table 8. Panel regression index descriptive statistics
variable N mean sd min max Inno 313 2.472 11.578 0.000 93.128 Subsidy 313 0.035 0.297 0.000 5.104 Lever 313 0.505 0.223 0.067 2.861 Size 313 22.565 1.229 19.227 25.196 Age 313 18.629 5.789 10.000 29.000 1)研发密度的标准差为11.5775,而最小值为0.0003,最大值为93.1281,可见中国光伏企业之间的创新能力差别较大。
2)政府补贴最小值为0.0000,最大值为5.1035,这说明中国政府对光伏产业链中各企业的补贴差别较大,政府补贴在光伏企业中的分布并不均衡。
3)企业金融杠杆和规模的标准差分别为0.2225和1.2286,各样本企业的金融杠杆的标准差相对较低,这可能是由于各样本企业均来源于同一行业,财务策略比较类似造成的;各企业的规模标准差相对较高,这是因为样本企业虽然是产业链某一环节上的龙头企业,但各企业的规模还是相差较大。
4)企业年龄的标准差是5.7888,最小值是10,最大值是29,两者相差较大,这说明所选取的样本企业的资历相差还是比较大的。
-
本研究首先对所有的样本企业进行总体回归后发现政府补贴密度和研发密度呈显著正相关关系,这说明政府补贴可以促进中国光伏产业的技术创新。其次将光伏产业链划分为上、中、下游进行分组回归分析,发现政府补贴对光伏产业链上、中、下游企业创新效益的影响存在明显差异,由回归结果(表9)可知政府补贴与中上游光伏企业技术创新能力是显著正相关的,而与产业链下游光伏企业的技术创新能力是负相关的。回归结果接受了假设1a、假设2a、假设3a,而拒绝了假设1b和假设4a。
表 9 面板回归结果
Table 9. Panel regression results
variable 整体Inno 上游Inno 中游Inno 下游Inno Subsidy 15.998*** 12.181*** 3.412** −4.409** −8.460 −4.130 −2.090 (−2.310) Lever 4.955* −9.521 −0.186 −1.047** −1.780 (−0.940) (−0.630) (−2.600) Size −2.499*** −6.481*** −0.222** −0.003 (−4.840) (−5.310) (−2.480) (−0.070) Age 0.295*** 1.046*** −0.006 0.004 −2.940 −3.170 (−0.240) −0.610 Constant 50.315*** 133.434*** 5.424** 0.806 −4.270 −4.740 −2.520 −0.960 Observations 313.000 106.000 92.000 115.000 R-squared 0.293 0.443 0.170 0.200 t-statistics in parentheses *** p<0.01, ** p<0.05, * p<0.1 注:1.*、**、***符号分别表示回归数据的相关关系等级;2.p为相关关系系数;3.当某一数据的回归参数为负值时,为区分,将相关系数用括号括上。 -
就中国整体地域差别而言,东部地区人口密度大、交通网络多元化、教育科技资源丰富,因此东部地区的政策执行效果以及技术创新环境都比中西部地区要好,成为光伏产业链中上游企业的最佳驻扎地选择,但西部地区又由于拥有丰富的太阳能资源而为众多光伏终端企业所重视[21]。且基于前文的政策梳理分析可以发现各地区的区域政策存在明显差别,因此政策补贴对不同地区光伏企业技术创新能力的影响也必定有所不同,综合考虑到这些因素,本研究选择对分布在各个地区的33家样本企业进行空间异质性检验。根据所选的33家样本企业的公司注册地与企业相应的光伏产品生产基地进行综合交叉地区分类,分析结果可从表10中得知。显然,政府补贴与东部地区和中部地区的光伏企业创新能力呈显著正相关关系,而数据表明政府补贴将会抑制西部地区光伏企业的创新能力发展,这说明政策补贴对的该样本模型的影响存在空间地域上的差异。
表 10 空间异质性检验
Table 10. Test for spatial heterogeneity
variable 东部Inno 中部Inno 西部Inno Subsidy 14.673*** 153.662*** −1.593 −6.910 −27.100 (−0.420) Lever 4.761 2.983 −0.947 −1.460 −1.370 (−0.950) Size −4.155*** −0.856*** −0.143 (−5.860) (−3.580) (−1.270) Age 0.700*** −0.364*** 0.031 −4.740 (−5.050) −0.460 Constant 80.086*** 22.232*** 3.322 −5.050 −4.860 −1.000 Observations 224.000 45.000 44.000 R-squared 0.367 0.969 0.252 Standard errors in parentheses *** p<0.01, ** p<0.05, * p<0.1 注:1.*、**、***符号分别表示回归数据的相关关系等级;2.p为相关关系系数;3.当某一数据的回归参数为负值时,为区分,将相关系数用括号括上。
Analysis on Regional Difference of the Whole PV Industry Chain from the Perspective of Policy
-
摘要:
目的 “双碳”战略为中国能源发展提出了一条新路径,限制对传统化石能源的使用,就促使中国政府加大对新能源产业发展的支持。光伏作为一种覆盖面最广、最易获取的新能源,成为解决当前能源和环境问题的首选。但如果想要增大其市场规模、实现光伏产业的蓬勃发展,就必须要找出并解决当前阶段光伏的痛点与难点。 方法 文章对中国的光伏全产业链政策进行梳理分析,探究光伏产业激励政策存在的不足之处;并利用2000-2021年A股市场上33家样本企业的数据,建立DEA模型探究政策引导下的中国光伏产业综合创新效益和规模效益;再利用面板回归分析法探究不同地区政策对光伏产业上、中、下游企业创新能力的不同影响。 结果 研究表明:政策补贴对光伏上游企业的创新效益影响更为显著,与东部地区的企业发展成正相关关系,西部地区则相反,存在一定的地区差异性。 结论 应该提高在光伏技术创新层面的政策优惠力度,并结合地区优势进行合理的产业链规划布局。 Abstract:Introduction The "carbon peak and neutrality" strategy has put forward a new path for China's energy development, which restricts the use of traditional fossil energy, and promotes the Chinese government to increase its support for the development of the new energy industry. Photovoltaic, as a new energy which is the most accessible and has the widest coverage, has become the first choice to solve the current energy and environmental problems. However, if we want to increase its market scale and realize the vigorous development of photovoltaic industry, it is necessary to find out and solve the pain points and difficulties of the current stage. Method China's policy on the whole photovoltaic industry chain was combed and analyzed to explore the shortcomings of the photovoltaic industry incentive policy. Based on the data from 33 sample enterprises in the A-share market from 2000 to 2021, the DEA model was built and the integrated innovation benefits and scale benefits of China's PV industry under the guidance of policy were explored. And using the panel regression analysis method, the different impacts of different regional policies on the innovation capacity of the upstream, middle and downstream enterprises of the PV industry. were explored. Result The research shows that the policy subsidies have a more significant impact on the innovation benefits of upstream photovoltaic enterprises, which is positively correlated with the development of enterprises in the eastern region. While in the western region, the opposite is the case, and there are certain regional differences. Conclusion It is necessary to improve the preferential policy strength in the photovoltaic technology innovation level, and carry out a reasonable industry chain planning and layout in combination with the regional advantages. -
表 1 DEA指标描述性统计
Tab. 1. DEA index descriptive statistics
variable N mean sd min max p50 Peo 162 580.85 503.09 40.00 2578.00 395.00 Inv 162 3.31 4.46 0.09 25.92 1.71 Pat 162 516.41 771.57 1.00 3494.00 238.00 Inc 162 52.97 84.15 0.18 545.83 22.08 表 2 中国光伏产业综合创新效益表
Tab. 2. Integrated innovation benefit of China's photovoltaic industry
年份 技术效益TE 规模效益SE(k) 综合效益OE(θ) 规模报酬系数 2008 1.000 0.658 0.658 0.581 2010 0.458 0.554 0.249 0.381 2011 0.188 0.256 0.048 0.127 2012 0.158 0.290 0.046 0.188 2013 0.163 0.419 0.069 0.267 2014 0.160 0.600 0.096 0.405 2015 0.692 0.801 0.555 1.511 2016 0.577 0.835 0.476 3.069 2017 0.488 0.834 0.383 1.043 表 3 2015-2020年光伏全产业链的企业技术效益-TE
Tab. 3. 2015-2020 Enterprise technology benefit of the whole photovoltaic industry chain - TE
年份 上游 中游 下游 2015 0.993 0.858 0.723 2016 0.696 0.482 0.746 2017 0.539 0.437 0.664 2018 0.637 0.520 0.640 2019 0.507 0.543 0.582 2020 0.480 0.487 0.546 表 4 2015-2020年光伏全产业链的企业规模效益-SE
Tab. 4. 2015-2020 Enterprise scale benefit of the whole photovoltaic industry chain - SE
年份 上游 中游 下游 2015 0.987 0.631 0.958 2016 0.690 0.756 0.907 2017 0.539 0.724 0.812 2018 0.689 0.631 0.816 2019 0.827 0.626 0.787 2020 0.887 0.601 0.793 表 5 2015-2020年光伏全产业链的企业综合效益-OE
Tab. 5. 2015-2020 Enterprise integrated benefit of the whole photovoltaic industry chain - OE
年份 上游 中游 下游 2015 0.980 0.556 0.687 2016 0.505 0.328 0.699 2017 0.382 0.274 0.557 2018 0.407 0.353 0.535 2019 0.405 0.353 0.487 2020 0.397 0.238 0.466 表 6 2015-2020年光伏全产业链的企业规模报酬系数
Tab. 6. 2015-2020 Enterprise scale reward coefficient of the whole photovoltaic industry chain
年份 上游 中游 下游 2015 0.809 1.512 2.155 2016 0.900 1.135 4.637 2017 0.794 0.926 1.653 2018 0.644 0.952 1.830 2019 0.612 1.458 1.855 2020 0.694 1.550 1.783 表 7 解释变量相关性矩阵
Tab. 7. Explaining variable correlation matrix
variable Subsidy Lever Size Age Subsidy 1.000 - - - Lever −0.114 1.000 - - Size −0.136 0.425 1.000 - Age 0.069 −0.181 −0.300 1.000 表 8 面板回归指标描述性统计
Tab. 8. Panel regression index descriptive statistics
variable N mean sd min max Inno 313 2.472 11.578 0.000 93.128 Subsidy 313 0.035 0.297 0.000 5.104 Lever 313 0.505 0.223 0.067 2.861 Size 313 22.565 1.229 19.227 25.196 Age 313 18.629 5.789 10.000 29.000 表 9 面板回归结果
Tab. 9. Panel regression results
variable 整体Inno 上游Inno 中游Inno 下游Inno Subsidy 15.998*** 12.181*** 3.412** −4.409** −8.460 −4.130 −2.090 (−2.310) Lever 4.955* −9.521 −0.186 −1.047** −1.780 (−0.940) (−0.630) (−2.600) Size −2.499*** −6.481*** −0.222** −0.003 (−4.840) (−5.310) (−2.480) (−0.070) Age 0.295*** 1.046*** −0.006 0.004 −2.940 −3.170 (−0.240) −0.610 Constant 50.315*** 133.434*** 5.424** 0.806 −4.270 −4.740 −2.520 −0.960 Observations 313.000 106.000 92.000 115.000 R-squared 0.293 0.443 0.170 0.200 t-statistics in parentheses *** p<0.01, ** p<0.05, * p<0.1 注:1.*、**、***符号分别表示回归数据的相关关系等级;2.p为相关关系系数;3.当某一数据的回归参数为负值时,为区分,将相关系数用括号括上。 表 10 空间异质性检验
Tab. 10. Test for spatial heterogeneity
variable 东部Inno 中部Inno 西部Inno Subsidy 14.673*** 153.662*** −1.593 −6.910 −27.100 (−0.420) Lever 4.761 2.983 −0.947 −1.460 −1.370 (−0.950) Size −4.155*** −0.856*** −0.143 (−5.860) (−3.580) (−1.270) Age 0.700*** −0.364*** 0.031 −4.740 (−5.050) −0.460 Constant 80.086*** 22.232*** 3.322 −5.050 −4.860 −1.000 Observations 224.000 45.000 44.000 R-squared 0.367 0.969 0.252 Standard errors in parentheses *** p<0.01, ** p<0.05, * p<0.1 注:1.*、**、***符号分别表示回归数据的相关关系等级;2.p为相关关系系数;3.当某一数据的回归参数为负值时,为区分,将相关系数用括号括上。 -
[1] ZHAO F Q, BAI F L, LIU X L, et al. A review on renewable energy transition under China's carbon neutrality target [J]. Sustainability, 2022, 14(22): 15006. DOI: 10.3390/su142215006. [2] LEIREN M D, REIMER I. Historical institutionalist perspective on the shift from feed-in tariffs towards auctioning in German renewable energy policy [J]. Energy research & social science, 2018, 43: 33-40. DOI: 10.1016/j.erss.2018.05.022. [3] 徐璇, 黄俊灵, 温珂. 中国光伏产业政策变迁的间断均衡性: 基于政策过程理论 [J]. 科技管理研究, 2022, 42(20): 48-56. DOI: 10.3969/j.issn.1000-7695.2022.20.006. XU X, HUANG J L, WEN K. Punctuated equilibrium of photovoltaic industry policy changes in China: based on the policy process theory [J]. Science and technology management research, 2022, 42(20): 48-56. DOI: 10.3969/j.issn.1000-7695.2022.20.006. [4] 崔红宇. 后补贴时代光伏产业发展困境的制度克服 [J]. 法制与经济, 2020, 29(2): 63-64. DOI: 10.3969/j.issn.1005-0183.2020.02.026. CUI H Y. System overcoming the development dilemma of photovoltaic industry in post-subsidy era [J]. Legal and economy, 2020, 29(2): 63-64. DOI: 10.3969/j.issn.1005-0183.2020.02.026. [5] 邵学峰, 方天舒. 不完全契约视角下绿色能源的政策驱动效应−以光伏产业为例 [J]. 财经问题研究, 2021(5): 40-48. DOI: 10.19654/j.cnki.cjwtyj.2021.05.005. SHAO X F, FANG T S. Policy-driven effects of green energy from the perspective of incomplete contract: taking the photovoltaic industry as an example [J]. Research on financial and economic issues, 2021(5): 40-48. DOI: 10.19654/j.cnki.cjwtyj.2021.05.005. [6] 张永安, 关永娟. 政策组合对中国光伏企业创新绩效的影响 [J]. 系统管理学报, 2021, 30(3): 500-507,515. DOI: 10.3969/j.issn1005-2542.2021.03.009. ZHANG Y A, GUAN Y J. Influence of policy mix on innovation performance of Chinese photovoltaic enterprises [J]. Journal of systems & management, 2021, 30(3): 500-507,515. DOI: 10.3969/j.issn1005-2542.2021.03.009. [7] 田帅. 新能源风险投资全周期风险管理体系的构建 [J]. 南方能源建设, 2022, 9(1): 40-46. DOI: 10.16516/j.gedi.issn2095-8676.2022.01.006. TIAN S. Construction of the whole cycle risk management system of new energy venture capital [J]. Southern energy construction, 2022, 9(1): 40-46. DOI: 10.16516/j.gedi.issn2095-8676.2022.01.006. [8] MYOJO S, OHASHI H. Effects of consumer subsidies for renewable energy on industry growth and social welfare: the case of solar photovoltaic systems in Japan [J]. Journal of the Japanese and international economies, 2018, 48: 55-67. DOI: 10.1016/j.jjie.2017.11.001. [9] 李凤梅, 柳卸林, 高雨辰, 等. 产业政策对中国光伏企业创新与经济绩效的影响 [J]. 科学学与科学技术管理, 2017, 38(11): 47-60. LI F M, LIU X L, GAO Y C, et al. The influence of industrial policy on the innovative performance and economic performance of Chinese photovoltaic enterprises [J]. Science of science and management of S. & T., 2017, 38(11): 47-60. [10] DONG C G, ZHOU R M, LI J Y. Rushing for subsidies: the impact of feed-in tariffs on solar photovoltaic capacity development in China [J]. Applied energy, 2021, 281: 116007. DOI: 10.1016/j.apenergy.2020.116007. [11] 王辉, 张月友. 战略性新兴产业存在产能过剩吗?−以中国光伏产业为例 [J]. 产业经济研究, 2015(1): 61-70,82. DOI: 10.13269/j.cnki.ier.2015.01.007. WANG H, ZHANG Y Y. Is production capacity of strategic emerging industries becoming excessive? A case study of Chinese photovoltaic industry [J]. Industrial economics research, 2015(1): 61-70,82. DOI: 10.13269/j.cnki.ier.2015.01.007. [12] 姜晓婧, 赵贤. 政府补贴、企业创新投入与产能过剩−基于中国光伏产业上市公司的经验验证 [J]. 东北财经大学学报, 2020(6): 30-37. DOI: 10.19653/j.cnki.dbcjdxxb.2020.06.004. JIANG X J, ZHAO X. Government subsidies, firm innovation investment and overcapacity: a empirical test based on listed companies in China's photovoltaic industry [J]. Journal of Dongbei university of finance and economics, 2020(6): 30-37. DOI: 10.19653/j.cnki.dbcjdxxb.2020.06.004. [13] LUAN R R, LIN B Q. Positive or negative? Study on the impact of government subsidy on the business performance of China's solar photovoltaic industry [J]. Renewable energy, 2022, 189: 1145-1153. DOI: 10.1016/j.renene.2022.03.082. [14] 耿强, 江飞涛, 傅坦. 政策性补贴、产能过剩与中国的经济波动−引入产能利用率RBC模型的实证检验 [J]. 中国工业经济, 2011(5): 27-36. DOI: 10.19581/j.cnki.ciejournal.2011.05.003. GENG Q, JIANG F T, FU T. Policy-related subsides, overcapacity and China's economic fluctuation: empirical testing based on RBC model [J]. China industrial economics, 2011(5): 27-36. DOI: 10.19581/j.cnki.ciejournal.2011.05.003. [15] 丰文先, 任畅翔, 孙倩, 等. 可再生能源等比补贴系数及投资估值模型研究 [J]. 南方能源建设, 2021, 8(4): 135-141. DOI: 10.16516/j.gedi.issn2095-8676.2021.04.018. FENG W X, REN C X, SUN Q, et al. Research on renewable energy equivalent subsidy coefficient and investment evaluation model [J]. Southern energy construction, 2021, 8(4): 135-141. DOI: 10.16516/j.gedi.issn2095-8676.2021.04.018. [16] 王宏伟, 朱雪婷, 殷晨曦. 中国光伏产业发展及电价补贴政策影响研究 [J]. 数量经济技术经济研究, 2022, 39(7): 90-112. DOI: 10.13653/j.cnki.jqte.2022.07.001. WANG H W, ZHU X T, YIN C X. Research on the development and the feed-in tariff policy impact of China's photovoltaic industry [J]. The journal of quantitative & technical economics, 2022, 39(7): 90-112. DOI: 10.13653/j.cnki.jqte.2022.07.001. [17] XIONG Y Q, YANG X H. Government subsidies for the Chinese photovoltaic industry [J]. Energy policy, 2016, 99: 111-119. DOI: 10.1016/j.enpol.2016.09.013. [18] SHER A, QIU Y Z. Pakistan's solar mission: do solar finance and subsidy remove the barriers to solar installations? [J]. Renewable energy, 2022, 190: 993-1005. DOI: 10.1016/j.renene.2022.03.047. [19] SHAO X F, FANG T S. Performance analysis of government subsidies for photovoltaic industry: based on spatial econometric model [J]. Energy strategy reviews, 2021, 34: 100631. DOI: 10.1016/j.esr.2021.100631. [20] 董长贵, 周润民, 李佳颖. 补贴政策对中国光伏装机市场的影响−基于面板数据回归的实证分析 [J]. 资源科学, 2021, 43(6): 1065-1076. DOI: 10.18402/resci.2021.06.01. DONG C G, ZHOU R M, LI J Y. The effect of feed-in tariff on China's photovoltaic capacity development: an empirical analysis based on panel data regression [J]. Resources science, 2021, 43(6): 1065-1076. DOI: 10.18402/resci.2021.06.01. [21] 王仁和, 任柳青. 地方太阳能光伏政策出台的逻辑−兼论产业发展阶段与产业政策的关联 [J]. 科学学研究, 2021, 39(10): 1781-1789, 1802. DOI: 10.16192/j.cnki.1003-2053.20210301.001. WANG R H, REN L Q. The logic of local solar photovoltaic policy-the relationship between industrial development stage and industrial policy [J]. Studies in science of science, 2021, 39(10): 1781-1789, 1802. DOI: 10.16192/j.cnki.1003-2053.20210301.001. [22] WEN D Y, GAO W J, QIAN F Y, et al. Development of solar photovoltaic industry and market in China, Germany, Japan and the United States of America using incentive policies [J]. Energy exploration & exploitation, 2021, 39(5): 1429-1456. DOI: 10.1177/0144598720979256.