Моделирование спроса на электроэнергию: агент-ориентированный и пространственно-эконометрический подходы тема диссертации и автореферата по ВАК РФ 08.00.05, кандидат наук Гайворонская Елизавета Андреевна

• Гайворонская Елизавета Андреевна
• кандидат наук
• 2021

Оглавление диссертации кандидат наук Гайворонская Елизавета Андреевна

ВВЕДЕНИЕ

ГЛАВА 1. РЫНОК ЭЛЕКТРОЭНЕРГИИ

1.1. Рынок электроэнергии в России

1.2. Основы моделирования спроса на рынке электроэнергии

ГЛАВА 2. АГЕНТ-ОРИЕНТИРОВАННОЕ МОДЕЛИРОВАНИЕ ОПТОВОГО РЫНКА ЭЛЕКТРОЭНЕРГИИ

2.1. Разработка агент-ориентированной модели оптового рынка электроэнергии России

2.2. Описание результатов имитационного моделирования

ГЛАВА 3. МОДЕЛИРОВАНИЕ СПРОСА НА РОЗНИЧНОМ РЫНКЕ ЭЛЕКТРОЭНЕРГИИ

3.1. Оценивание модели спроса на электроэнергию с учетом пространственных эффектов

3.2. Анализ результатов оценивания

ЗАКЛЮЧЕНИЕ

СПИСОК ЛИТЕРАТУРЫ

ПРИЛОЖЕНИЕ А. СПИСОК СОКРАЩЕНИЙ И УСЛОВНЫХ ОБОЗНАЧЕНИЙ

ПРИЛОЖЕНИЕ Б. ЭКОНОМЕТРИЧЕСКИЕ ОЦЕНКИ ФУНКЦИИ СПРОСА НАСЕЛЕНИЯ

Введение диссертации (часть автореферата) на тему «Моделирование спроса на электроэнергию: агент-ориентированный и пространственно-эконометрический подходы»

ВВЕДЕНИЕ

Завершенный в 2011 году этап реформирования электроэнергетики в России - это только начало создания свободного рынка. В настоящее время остается ряд проблем, решение которых еще только предстоит найти. Например, у рынка есть некоторые особенности, которые среди прочих вызывают рост цен на электроэнергию: сложность выхода потребителей на оптовый рынок электроэнергии, являющийся олигополистическим, и отсутствие конкуренции продавцов на розничном рынке электроэнергии. Бремя роста цен ложится на плечи предприятий в большей мере, чем на плечи населения, из-за перекрестного субсидирования. При перекрестном субсидировании для населения устанавливаются фиксированные тарифы, которые ниже реальных издержек на производство электроэнергии, а часть издержек, которая не покрывается платежами населения, включена в тарифы для предприятий.

В настоящее время совокупный спрос на электроэнергию в рамках сектора на сутки вперед (РСВ) на оптовом рынке электроэнергии (ОРЭ) является неэластичным по цене, что видно из подаваемых заявок на РСВ, на который приходится около 70% продаваемой электроэнергии [Обзор электроэнергетической отрасли России]. Неэластичность спроса по цене на оптовом рынке электроэнергии России приводит к тому, что равновесная цена может быть завышена в результате действий продавцов. В часы пиковой нагрузки для удовлетворения спроса необходимо задействовать генераторы, предназначенные для пиковых нагрузок, электроэнергия которых стоит дороже. Это приводит к росту цены на электроэнергию на оптовом рынке, которая составляет часть тарифа на электроэнергию для потребителей на розничном рынке. В данном случае небольшое снижение потребляемой электроэнергии может привести к значительному падению цен в часы пиковой нагрузки и увеличению выигрыша покупателей в эти периоды времени. При этом совокупное потребление электроэнергии не снижается значительно, а лишь более равномерно перераспределяется в течение дня. Описанные проблемы привели к созданию концепции управления спросом (energy demand management, частью которого является demand response), которая уже более 10 лет реализуется в развитых странах [Torriti et al., 2010].

Управление спросом или ценозависимое потребление (demand response) подразумевает изменение потребления электроэнергии конечными потребителями относительно их обычного уровня потребления в некоторые периоды времени в ответ на сигналы рынка. Предполагается, что помимо снижения среднего уровня цен для потребителей этот механизм благоприятно влияет на развитие рынка: обеспечивается сокращение колебаний цен и объемов, появляется возможность использования альтернативных источников энергии и перехода к низкоуглеродной экономике, повышается конкуренция, растут возможности потребителей, снижается необходимость строительства избыточной генерации [Концепция функционирования

агрегаторов распределенных энергетических ресурсов в составе Единой энергетической системы России].

Актуальность этой проблемы для России обусловлена тем, что одной из заявляемых целей создания оптового рынка электроэнергии и мощности (ОРЭМ), на котором с 2011 вся электроэнергия и мощность, реализуемая в ценовых зонах, продается по нерегулируемым ценам, было повышение эффективности потребления электроэнергии [Постановление Правительства РФ от 11.07.2001 №526]. В 2016 году, когда на РСВ более 99% объема электроэнергии покупатели были готовы приобретать по сложившейся равновесной цене1, на ОРЭ стал доступен механизм ценозависимого потребления [Постановление Правительства РФ от 20.07.2016 г. №699], который является одним из способов управления спросом. Управление спросом, как правило, начинается с покупателей на оптовом рынке. В перечень покупателей с ценозависимым потреблением вошли крупные промышленные потребители электроэнергии. Сейчас более 97% объема электроэнергии на РСВ покупатели готовы приобретать по сложившейся равновесной цене2, то есть наблюдается рост доли ценозависимого спроса. В настоящее время возможности управления спросом оптовых потребителей (крупные предприятия), которые присутствуют на ОРЭ, ограничены: часть предприятий уже занимались оптимизацией своих затрат на электроэнергию, и часть из них уже имеет ценозависимое потребление. При этом основной потенциал управления спросом сосредоточен у потребителей розничного рынка.

Одним из решений, позволяющим управлять спросом розничных потребителей, стало создание агрегаторов нагрузки [Концепция функционирования агрегаторов распределенных энергетических ресурсов в составе Единой энергетической системы России]. Агрегаторы - это компании, представляющие группу розничных потребителей, готовых к ценозависимому снижению потребления в часы пиковой нагрузки, на оптовом рынке. Агрегаторы начнут свою работу с крупными потребителями и постепенно будут привлекать более мелких потребителей, в том числе отдельные домохозяйства [Управление спроса в электроэнергетике: открывающиеся возможности]. В 2019-2020 гг. был запущен пилотный проект по вовлечению розничных потребителей в управление энергопотреблением через агрегаторы спроса. Помимо агрегаторов у населения уже есть и другие способы экономии: использование тарифов, дифференцированных по зонам суток, собственная генерация. Актуальность этого вопроса для населения будет ежегодно возрастать, так как растущие цены на электроэнергию будут вынуждать людей искать способы экономить на ней.

Для обоснования необходимости поддержания и развития программ управления спросом в России, нужно понимать, даст ли более высокая эластичность оптового спроса по цене на ОРЭ

1 Рассчитано на основании данных за январь 2016 года из [Отчет о параметрах спроса и предложения].

2 Рассчитано на основании данных за октябрь 2020 из [Отчет о параметрах спроса и предложения].

РСВ ожидаемый результат, то есть будет ли повышена стабильность цен и объемов электроэнергии. В то же время для более точной оценки эффективности программ по управлению спросом розничных потребителей в России, в том числе упомянутых выше агрегаторов, необходимо учитывать возможности управления спросом населения. Для этого нужно определить краткосрочную эластичность спроса населения по цене, то есть насколько они готовы корректировать потребление электроэнергии в ответ на рыночные сигналы, и насколько реалистично управление спросом населения.

В мировой практике прогнозируется дальнейшее развитие концепции управления спросом населения. С развитием технологий («умные» счетчики, «умные» сети, «умные» термостаты, накопители энергии, микрогенерация) у населения появляется возможность снижать потребление электроэнергии. Кроме технических решений, предоставленных агрегатором, для населения рассматриваются «поведенческие» решения - вовлечение потребителей в управление спросом методами поведенческой экономики с помощью средств коммуникации, например, уведомлений о необходимости снижения потребления в определенные часы по электронной почте или через мобильное приложение [Концепция функционирования агрегаторов распределенных энергетических ресурсов в составе Единой энергетической системы России].

В российских работах отсутствует единый подход к вопросу моделирования управления спросом на рынке электроэнергии, а также существует недостаточная разработанность методов, которые бы оценивали эффекты от управления спросом на рынке. Целесообразно применять комплекс подходов, который позволит как оценить последствия управления спросом для России, так и определить потенциальную роль населения в этом процессе.

Все сказанное выше обосновывает актуальность проведенного диссертационного исследования, в котором строится агент-ориентированная модель ОРЭ РСВ, позволяющая провести имитационное моделирование поведения участников оптового рынка при наличии управления спросом и сделать выводы о необходимости внедрения данного механизма. Также в диссертации оценивается краткосрочная эластичность спроса населения по цене с использованием последней доступной статистики, позволяющая сделать выводы о готовности населения к ценозависимому потреблению. Актуальность выбранного метода моделирования ОРЭ РСВ диктуется отсутствием агент-ориентированной модели этого рынка в России, преимуществом которой является возможность моделировать поведение отдельных неоднородных агентов, гибко реагирующих на изменения рынка, в том числе на управление спросом. Актуальность выбранного подхода для оценки функции спроса населения на электроэнергию определяется использованием пространственных эконометрических моделей, которые ранее не применялись для этой задачи. Оценка краткосрочной эластичности спроса населения по цене обычно осуществляется при помощи оценки регрессии с использованием

различных факторов, объясняющих спрос. Дополнительным фактором, который оказывает влияние на спрос населения на электроэнергию в ряде стран, но не учтенный в моделях на российских данных, оказывается пространственная автокорреляция (spatial autocorrelation). Пространственная автокорреляция потребления говорит о том, что есть регионы, которые окружены регионами с похожим уровнем потребления электроэнергии на душу населения. Это может быть обусловлено пространственной связью между некоторыми характеристиками соседних регионов. Если не учитывать эту связь при оценке регрессии, то оценки могут быть смещенные и неэффективные [Anselin, 2010; Anselin et al., 2008; LeSage, 2008]. Наличие пространственной автокорреляции может означать присутствие пространственных эффектов перелива (spillovers), что означает, что на потребление в регионе влияют какие-либо характеристики соседних регионов. Обсуждение содержательной интерпретации возникновения этих эффектов можно найти в разделе 1.2.2.

Концептуальная схема исследования. Подчеркнув важность управления спросом для России, можно перейти к изучению данного вопроса, которое разбивается на несколько этапов. Первый этап заключается в анализе литературы по моделям рынка, на основании которых можно говорить о потенциальной пользе управления спросом для России. Сделанный обзор существующей литературы объясняет актуальность использования агент-ориентированного моделирования для российского рынка электроэнергии. Построенная модель позволила провести численные эксперименты с эластичностью спроса на оптовом рынке и выявить, что согласно построенной модели ценозависимый спрос приводит к сокращению волатильности цен и объемов продаваемой электроэнергии, что не только подчеркивает необходимость управления спросом, но и служит примером корректной работы модели. Работа по созданию агент-ориентированной модели включила в себя ещё одну важную задачу: совершенствование алгоритма обучения Эрева-Рота, который лежит в основе ряда агент-ориентированных моделей рынка электроэнергии в других странах. Продемонстрированная необходимость управления спросом требует оценки этой возможности в современных реалиях в России. Попытки управления спросом крупных потребителей электроэнергии в России предпринимаются уже сейчас, однако в этот процесс почти не вовлечено население. Актуален вопрос, в какой мере способно население реагировать на изменение цен на электроэнергию, регулируя свою нагрузку. В диссертации определяется краткосрочная эластичность спроса населения по цене с учетом пространственных эффектов. Актуальность использованного метода оценки обоснована не только опытом исследований в других странах, но возможностью сравнения полученных автором оценок с оценками других отечественных исследований.

Степень разработанности темы. На данный момент времени не существует исследований, посвященных моделированию последствий управления спросом в России, хотя

актуальность темы обозначена в ряде работ, например, [Баев и др., 2015]. Среди зарубежных исследователей для моделирования этого вопроса используются как оптимизационные [Conejo et al., 2G1G; Yousefi et al., 2G11], так и агент-ориентированные модели [Zheng et al., 2G14; Yousefi et al., 2G11; Zhou et al., 2G11]. В России существуют работы, моделирующие ОРЭ как рынок несовершенной конкуренции [Айзенберг и др., 2013; Васин, Дайлова, 2013; Зоркальцев, Айзенберг, 2015], которые потенциально можно использовать для оценки последствий управления спросом, однако не существует агент-ориентированных моделей.

Основными целями работ, связанными с агент-ориентируемым моделированием свободных рынков электроэнергии, является создание симуляторов рынков [Bower, Bunn, 2GGG; Bower, Bunn, 2GG1; Sun, Tesfatsion, 2GG7; Koesrindartoto, 2GG2], анализ эффективности механизмов ценообразования и введения новых программ [Praca et al, 2GG4; Bagnal, Smith, 2GG5; Bunn, Oliveira, 2GG1; Weidlich, Veit, 2GG6], создание и модификация подходящих алгоритмов обучения агентов на рынке [Visudhiphan, Ilic, 2GG1], а также введение случайных факторов в уже существующие модели [Bublitz, 2G14]. Чтобы иметь возможность ответить на те же вопросы для России, в частности, на вопросы об эффективности программ по управлению спросом, в диссертации впервые строится агент-ориентированная модель свободного рынка электроэнергии для России.

Эмпирических работ по оценке эластичности спроса населения по цене в различных странах при помощи эконометрических моделей довольно много. На различных массивах данных и разными способами авторы пытаются точнее оценить эластичность спроса по цене и по доходу: оцениваются модели на временных рядах [Narayan, Smyth, 2GG5; Bernstein, Griffin, 2GG6; Paul et al., 2GG9; Alberini, Filippini, 2G11], а также модели на панельных данных или кросс-секционных данных, где могут быть как наблюдения по домашним хозяйствам [Leth-Petersen, 2GG2; Filippini, Pachauri, 2GG4]., так и по регионам [Labandeira et al., 2GG6; Labandeira et al. 2G12]. Есть группа работ, где оценивается функция спроса населения на электроэнергию и демонстрируется, что даже после контроля на ряд объясняющих факторов спрос имеет пространственную автокорреляцию [Blázquez Gómez et al., 2013; Cho et al., 2G15; Akarsu, 2G17].

Для расчета краткосрочной эластичности спроса населения по цене в России по доступной в настоящий момент статистике оцениваются модели на микроданных [Туманянц, 2020] или на данных по регионам [Куковеров, 2019], однако при оценке краткосрочной эластичности на данных по регионам игнорируется рассмотрение ряда факторов, в том числе и пространственной автокорреляции спроса на электроэнергию, выявленная в других странах. В диссертации совершенствуется подход к оценке краткосрочной функции спроса населением на электроэнергию в России, дополняя его рядом неучтенных факторов, в том числе пространственной автокорреляцией.

Объект исследования - российский рынок электроэнергии.

Предмет исследования - теоретические и методические основы моделирования спроса на российском рынке электроэнергии.

Цель работы - разработать агент-ориентированную модель ОРЭ РСВ для получения оценок последствий существования ценозависимого потребления, которое может быть достигнуто при управлении спросом населения.

Для выполнения данной цели поставлены следующие задачи:

1. провести анализ рынка электроэнергии России и изучить существующие подходы к моделированию спроса на электроэнергию;

2. построить агент-ориентированную модель взаимодействия поставщиков и покупателей на ОРЭ РСВ, которые, участвуя в двустороннем аукционе, обучаются подавать самые выгодные для них заявки по алгоритму Эрева-Рота [Erev, Roth, 1998; Roth, Erev, 1995];

3. модифицировать алгоритм обучения Эрева-Рота для наблюдения скорости и качества обучения агентов;

4. при помощи агент-ориентированной модели рынка осуществить анализ последствий управления спросом, при котором повышается его эластичность по цене;

5. оценить региональный спрос населения на электроэнергию с учетом пространственных эффектов и получить оценку краткосрочной эластичности спроса по цене для обоснования возможности управления спросом населения.

Теоретическую и методическую основу исследования составляют работы по оцениванию динамических эконометрических моделей на панельных данных с пространственными эффектами [Anselin, 2010; Anselin et al., 2008; LeSage, 2008], исследования спроса на электроэнергию с учетом пространственной зависимости [Blázquez Gómez et al., 2013], работы по оценке спроса населения на электроэнергию в России [Мишура, 2011; Куковеров, 2019; Туманянц, 2020], работы по алгоритмам обучения агентов [Erev, Roth, 1998; Roth, Erev, 1995], работы по агент-ориентированному моделированию оптового рынка электроэнергии [Nicolaisen et al., 2001].

Информационной базой исследования являются ежегодные сборники «Регионы России» Росстата, Электробаланс Российской Федерации и База данных Всемирной Метеорологической Организации, которые были использованы для оценки спроса населения на электроэнергию. Другим источником являются отчеты о параметрах спроса и предложения электрической энергии Администратора торговой системы (АТС), которые были использованы для построения функций спроса и предложения в агент-ориентированной модели оптового рынка электроэнергии. Использованы научные труды российских и зарубежных ученых, а также документы НП «Совет рынка».

Научная новизна работы заключается в следующем.

1. Впервые разработана агент-ориентированная модель ОРЭ РСВ России с самообучающимися агентами для имитационного моделирования реальных явлений на рынке.

2. Была создана модификация алгоритм обучения Эрева-Рота, отличающаяся от исходного алгоритма использованием разной скорости обучения альтернативных действий агента, возможностью детально отслеживать обучение агентов и обучать агентов быстрее.

3. С использованием созданной модели проведены численные эксперименты с увеличением чувствительности спроса покупателей к цене, позволяющие делать вывод об увеличении стабильности цен и объемов на оптовом рынке при эластичном по цене спросе.

4. Построена и оценена модель спроса населения на электроэнергию, отличающаяся использованием пространственного эконометрического подхода, позволяющая получить оценки краткосрочной эластичности спроса населения по цене и по доходу с учетом пространственных эффектов.

Теоретическая значимость исследования заключается в том, что разработана подходящая для имитационного моделирования агент-ориентированная модель оптового рынка электроэнергии России, которая позволяет проводить численные эксперименты и наблюдать за поведением агентов. Созданный алгоритм обучения, где агенты обучаются быстрее и лучше, чем в алгоритме Эрева-Рота, может быть применен в других работах по моделированию двухсторонних аукционов с самообучающимися агентами. На примере функции спроса населения на электроэнергию в регионах удалось показать, что при оценке спроса населения необходимо учитывать не только факторы, имеющие прямое влияние на потребление электроэнергии, но и пространственную автокорреляцию.

Практическая значимость. Показано, что рост способности покупателей реагировать на изменение цены позволит снизить колебания количества продаваемой электроэнергии и цен на электроэнергию на ОРЭ РСВ. Результаты диссертационного исследования могут быть учтены при разработке политики по управлению спросом в России, поскольку выделены факторы, влияющие на краткосрочный спрос населения, и продемонстрировано, что население реагирует на изменение цен на электроэнергию не только в регионе, но и в соседних регионах. То есть общегосударственные программы регулирования спроса могут оказывать больший эффект, чем проведение местной (локальной) политики региона. На корпоративном уровне результаты могут быть учтены при установлении тарифов на электроэнергию в регионах.

Результаты диссертационной работы использовались при разработке и проведении занятий по курсу «Прикладная эконометрика» для студентов бакалавриата ЭФ НГУ. Результаты диссертации использованы в научно-исследовательской работе по гранту Российского фонда фундаментальных исследований (проект 18-010-00728) в 2018-2020 годах.

Результатами, выносимыми на защиту, являются следующие.

1. Разработанная имитационная агент-ориентированная модель оптового рынка электроэнергии России (рынок на сутки вперед) с самообучающимися агентами (поставщики и покупатели) позволяет проводить численные эксперименты с поведением агентов на рынке.

2. Предложенная модификация алгоритма обучения агентов Эрева-Рота, заключающаяся в более реалистичном процессе обучения, где агенты различают схожесть или кардинальное различие выбираемых действий, дает возможность учитывать то, что скорость обучения для разных действий (правил) поведения агента различается и определяется как опытностью этих правил, так и расстоянием между правилами. Также модификация дает возможность наблюдать за обучением каждого из правил для агентов и позволяет обеспечить более быстрое и наблюдаемое обучение агентов.

3. Разработанная модель для случая увеличения чувствительности спроса к цене на оптовом рынке, которого можно добиться при помощи управления спросом, позволяет продемонстрировать, что общий выигрыш перераспределяется в пользу покупателей, а равновесие становится более предсказуемым, так как колебания цен и объемов сокращаются.

4. Построенная пространственная эконометрическая модель спроса населения на электроэнергию в России позволяет получить оценку краткосрочной эластичности спроса населения по цене и по доходу с учетом пространственных эффектов. Величина этих параметров позволяет говорить о неиспользуемом потенциале управления спросом населения на электроэнергию.

Структура работы. В первой главе приводится обзор рынка электроэнергии, где объясняются особенности организации рынка и ряд терминов, используемых в работе. Также в первой главе представлен обзор моделирования спроса на оптовом и розничном рынках, благодаря которому автор обосновывает правомерность и актуальность выбранных методов исследования. Во второй главе представлена разработанная автором агент-ориентированная модель ОРЭ РСВ, которая, в частности, позволяет моделировать последствия изменения эластичности спроса, в результате возможного управления спросом, чтобы показать потенциал управления спросом в России. Другим важным аспектом, освещенным во второй главе, является модификация алгоритма обучения агентов Эрева-Рота, призванная как улучшить обучение агентов, так и наблюдать за параметрами скорости их обучения. В третьей главе оценивается эластичность спроса населения по цене для того, чтобы продемонстрировать неиспользуемый потенциал в управлении спросом населения. Для получения более точных оценок используется пространственно-эконометрический подход. В заключении подводятся итоги проделанной работы.

Достоверность результатов обусловлена использованием актуальной статистики, применением современных подходов и методов моделирования, статистической проверкой гипотез, сравнительным анализом результатов.

Апробация результатов была проведена на следующих мероприятиях, в том числе на двух международных конференциях и четырех научных семинарах:

• Международная научная студенческая конференция НГУ (Новосибирск, 2016);

• Школа междисциплинарного анализа социально-экономических процессов (Коктебель, 2G16);

• Школа НИУ ВШЭ «Прикладные эконометрические методы для преподавателей-исследователей» (Москва, 2018);

• XX Апрельская международная научная конференция по проблемам развития экономики и общества НИУ ВШЭ (Москва, 2019);

• Научный семинар ЭФ НГУ на кафедре экономической теории (Новосибирск, 2019);

• Научный семинар ЭФ НГУ на кафедре применения экономических методов в экономике и планировании (Новосибирск, 202G).

Результаты опубликованы в 3 статьях:

1. Рашидова (Гайворонская) Е.А. Агент-ориентированное моделирование оптового рынка электроэнергии России // Мир экономики и управления. - 2G17. - Т. 17. - № 1. - С. 70-85. Режим доступа: http://lib.nsu.ru:8G81/xmlui/handle/nsu/127G2 (ВАК).

2. Гайворонская Е.А., Цыплаков А.А. Использование модифицированного алгоритма Эрева-Рота в агент-ориентированной модели рынка электроэнергии // Журнал новой экономической ассоциации. - 2G18. - Т. 39. - №3. - С. 55-83. Режим доступа: http://www.econorus.org/repec/journl/2G18-39-55-83r.pdf (ВАК, Scopus, Web of Science).

3. Гайворонская Е.А. Эластичность спроса на электроэнергию и региональные эффекты: пространственно-эконометрический подход // Прикладная эконометрика. - 2G2G. - Т. 58. - №2. С. 76-95. Режим доступа: https://ideas.repec.org/a/ris/apltrx/G395.html (ВАК, Scopus).

ГЛАВА 1. РЫНОК ЭЛЕКТРОЭНЕРГИИ

1.1. Рынок электроэнергии в России

Более 20 лет назад в России начались рыночные преобразования электроэнергетики как отрасли. Монополия РАО «ЕЭС России», которой принадлежало все: от генерации до компаний, продающих электроэнергию конечным потребителям, была разделена на генерирующие компании, поставщиков электроэнергии на розничный рынок и компании, занимающиеся передачей электроэнергии. В 2011 году был завершен один из этапов либерализации рынка, в результате которого был сформирован рынок электроэнергии и мощности и созданы независимые компании, образующие инфраструктуру оптового и розничных рынков [Зоркальцев, Айзенберг, 2015].

1.1.1. Оптовый рынок электроэнергии

На оптовом рынке электроэнергии вследствие реформирования в России стали различать две ценовые зоны: первая ценовая зона, где цены, как правило, выше (Европейская часть России и Урал), и вторая ценовая зона (Восточная и Западная Сибирь). Существуют также неценовые зоны, где электроэнергия продается по регулируемым ценам (Дальний Восток, Калининград и другие труднодоступные зоны). В каждой из ценовых зон выделяют зоны свободного перетока, где нет значительных инфраструктурных ограничений на перетоки электроэнергии. Таких зон в России насчитывается 21.

Список литературы диссертационного исследования кандидат наук Гайворонская Елизавета Андреевна, 2021 год

СПИСОК ЛИТЕРАТУРЫ

Айзенберг Н.И., Зоркальцев В.И., Киселева М.А. Модели несовершенной конкуренции применительно к анализу электроэнергетического рынка Сибири // Журнал новой экономической ассоциации. - 2013. - №2(18). - С. 62-87.

Баев И. А., Соловьева И. А., Дзюба А. П. Актуальные задачи внедрения системы управления спросом на электропотребление в России //Векторы благополучия: экономика и социум. - 2015. - №. 4 (19).

База данных Всемирной Метеорологической Организации [Электронный ресурс]. - Сайт National Oceanic and Atmospheric Administration . - Режим доступа: https://www7.ncdc.noaa.gov/CDO/dataproduct

Васин А.А., Дайлова Е.А. Анализ краткосрочной эффективности механизмов оптового рынка электроэнергии // Журнал новой экономической ассоциации. - 2013. - №2(18). - С. 35-60.

Зоркальцев В. И., Айзенберг Н. И. Модели рынков несовершенной конкуренции: приложения в энергетике //Иркутск: ИСЭМ СО РАН. - 2015.

Концепция функционирования агрегаторов распределенных энергетических ресурсов в составе Единой энергетической системы России [Электронный ресурс]. - Отчет АО «СО ЕЭС»-Режим доступа: https://so-ups.ru/fileadmin/files/company/markets/dr/docs/dr_agregator_concept.pdf Куковеров М. В. О ценовой эластичности спроса на электроэнергию // Журнал Новой экономической ассоциации. - 2019. - №2(42). - С. 70-92.

Макаров В.Л., Бахтизин А.Р. Новый инструментарий в общественных науках -агенториентированные модели: общее описание и конкретные примеры // Экономика и управление. - 2009. - №12. - С.13-25.

Мишура А. В. Оценка эластичности спроса на электроэнергию со стороны населения в России // Вестник НГУ. Серия: социально-экономические науки. - 2011. - №2(11). - С. 92-101.

Обзор состояния конкуренции на розничных рынках электрической энергии и мощности в 2016 году [Электронный ресурс]. - Сайт Федеральной антимонопольной службы. - Режим доступа: https://fas.gov.ru/attachment/135308/download?1504607596.

Обзор электроэнергетической отрасли России [Электронный ресурс]. - Отчет компании EY. - Режим доступа: https://ru.investinrussia.com/data/file/EY-power-market-russia-2018.pdf

Ожегов Е. М., Попова Е. А. Спрос на электроэнергию и погода в регионе: непараметрический подход // Прикладная эконометрика. - 2017. - №46. - С. 55-73.

Отчет о параметрах спроса и предложения [Электронный ресурс]. - Сайт АТС. - Режим доступа: http://www.atsenergo.ru/nreport?rname=curve_demand_offer.

Постановление Правительства РФ от 11.07.2001 №526 (ред. от 20.03.2013) "О реформировании электроэнергетики Российской Федерации"

Постановление Правительства РФ от 20.07.2016 г. № 699 «О внесении изменений в Правила оптового рынка электрической энергии и мощности».

Постановление Правительства РФ от 29.12.2011 №1178 (ред. от 29.12.2020) "О ценообразовании в области регулируемых цен (тарифов) в электроэнергетике" (вместе с "Основами ценообразования в области регулируемых цен (тарифов) в электроэнергетике", "Правилами государственного регулирования (пересмотра, применения) цен (тарифов) в электроэнергетике"). Приложение 1&

Регионы России [Электронный ресурс]. - Сайт Федеральной службы государственной статистики. - Режим доступа: https://rosstat.gov.ru/folder/210/document/13204

Регламент проведения конкурентного отбора заявок для балансирования системы [Электронный ресурс]. - Сайт НП «Совет рынка». - Режим доступа: http://www.np-sr.ru/regulation/joining/reglaments/index.htm?ssFolderId=56.

Регламент проведения конкурентного отбора ценовых заявок на сутки вперед [Электронный ресурс]. - Сайт НП «Совет рынка». - Режим доступа: http://www.np-sr.ru/regulation/joining/reglaments/index.htm?ssFolderId=54.

Суслов Н. И., Агеева С. Д. Потребление энергии и ВВП: анализ соотношения в рыночных и переходных экономиках // Доклады EERC. - 2005. - 02-075. - Режим доступа: http://bwbooks.net/books/economic/suslov-ni/2005/files/potreblenievvpanalizsootnoshe2005.pdf

Технологическое обеспечение работы оптовых рынков [Электронный ресурс]. - Сайт СО ЕЭС. - Режим доступа: http://so-ups.ru/?id=5.

Туманянц К. А. Эластичность спроса населения на электроэнергию по доходам: нужно ли диверсифицировать тариф? //Экономическая политика. - 2020. - Т. 15. - №. 4. - С. 110-137.

Управление спроса в электроэнергетике: открывающиеся возможности [Электронный ресурс]. - Экспертно-аналитический доклад Инфраструктурного центра EnergyNet - Режим доступа: https://www.eprussia.ru/upload/iblock/c06/c06b554d8d5e594ed871c9a4bf710ccd.pdf

Электробаланс Российской Федерации [Электронный ресурс]. - Сайт Федеральной службы государственной статистики. - Режим доступа: https://rosstat.gov.ru/storage/mediabank/el-balans.xlsx

Akarsu G. Analysis of regional electricity demand for Turkey // Regional Studies, Regional Science. - 2017. - Vol. 4. - No. 1. - p. 32-41.

Alberini A., Filippini M. Response of residential electricity demand to price: the effect of measurement error // Energy Economics. - 2011. - Vol. 33. - No. 5. - p. 889-895.

Anderson K.P. Residential energy use: an econometric analysis. - Report R-1297-NSF. The Rand Corporation, 1973. URL: rand.org/content/dam/rand/pubs/reports/2007/R1297.pdf.

Anselin L. Thirty years of spatial econometrics // Papers in Regional Science. - 2010. - Vol. 89.

- No. 1. - p. 3-25

Anselin L., Le Gallo J., Jayet H. Spatial panel econometrics // The econometrics of panel data. -Springer, Berlin, Heidelberg, - 2008. - p. 625-660.

Ayres I., Raseman S., Shih A. Evidence from two large field experiments that peer comparison feedback can reduce residential energy usage //The Journal of Law, Economics, and Organization. -2013. - Vol. 29. - No. 5. - p. 992-1022.

Bagnall A.J., Smith G.D. A multiagent model of the UK market in electricity generation // IEEE Transactions on Evolutionary Computation. - 2005.- Vol. 9. - No. 5. - p. 522-536.

Baker P., Blundell R., Micklewright J. Modelling household energy expenditures using microdata // The Economic Journal. - 1989. - Vol. 99. - p. 720-738.

Bakirtzis A. G., Tellidou A. C. Agent-based simulation of power markets under uniform and pay-as-bid pricing rules using reinforcement learning // 2006 IEEE PES Power Systems Conference and Exposition. - IEEE, 2006. - p. 1168-1173.

Beenstock K.M., Goldin E., Nabot D. The demand for electricity in Israel // Energy Economics.

- 1999. - Vol. 21. - No. 2. - p. 168-183.

Bell A., Jones K. Explaining Fixed Effects: Random Effects Modeling of Time-Series Cross-Sectional and Panel Data // Political Science Research and Methods. - 2014. - Vol. 3. - No. 1. - p. 133153.

Belotti F., Hughes G., Mortari A. P. Spatial panel-data models using Stata //The Stata Journal. -2017. - T. 17. - No. 1. - p. 139-180.

Bernstein M. A., Griffin J. Regional differences in the price-elasticity of demand for energy. -National Renewable Energy Lab.(NREL), Golden, CO (United States), 2006. - №. NREL/SR-620-39512. URL: rand.org/pubs/technical_reports/TR292.html.

Bj0rner T.B., Togeby M., Jensen H.H. Industrial companies' demand for electricity: evidence from a micropanel // Energy Economics. - 2001. - Vol. 23. - No. 5. - p. 595-617.

Blazquez Gomez L. M., Filippini M., Heimsch F. Regional impact of changes in disposable income on Spanish electricity demand: A spatial econometric analysis // Energy Economics. - 2013. -Vol. 40. - No. 1. - p. 58-66.

Bonabeau E. Agent-based modeling: Methods and techniques for simulating human systems // Proceedings of the national academy of sciences. - 2002. - Vol. 99. - No 3. - p. 7280-7287.

Bose R.K., Shukla M. Elasticities of electricity demand in India // Energy Policy. - 1999. - Vol. 27. - No. 3. - p. 137-146.

Bower J., Bunn D., Wattendrup C. A model-based analysis of strategic consolidation in the German electricity industry // Energy Policy. - 2001. - Vol. 29. - No. 12. - p. 987-1005.

Bower J., Bunn D.W. Experimental analysis of the efficiency of uniform-price versus discriminatory auctions in the England and Wales electricity market // Journal of Economic Dynamics and Control. - 2001. - Vol. 25. - No. 3-4. - p. 561-592.

Bower J., Bunn D.W. Model-based comparison of pool and bilateral markets for electricity // Energy Journal. - 2000. - Vol. 21. - No. 3. - p. 1-21.

Bublitz A., Genoese M., Fichtner W. An agent-based model of the German electricity market with short-time uncertainty factors //11th International Conference on the European Energy Market (EEM14). - IEEE, 2014. - p. 1-5.

Bunn D.W., Oliveira F.S. Agent-based simulation - an application to the new electricity trading arrangements of England and Wales // IEEE transactions on evolutionary computation. - 2001. - Vol.

5. - No. 5. - p. 493-503.

Burke P. J., Abayasekara A. The price elasticity of electricity demand in the United States: A three-dimensional analysis //The Energy Journal. - 2018. - Vol. 39. - No. 2.

Butz M. V., Wilson S. W. An algorithmic description of XCS // Soft Computing. - 2002. - Vol.

6. - p. 144-153.

Cabral J., Legey L., Cabral M. F. Electricity consumption forecasting in Brazil: A spatial econometrics approach // Energy. - 2017. - Vol. 126. - p. 124-131.

Cau T. D. H., Anderson E. J. A co-evolutionary approach to modelling the behavior of participants in competitive electricity markets // IEEE Power Engineering Society Summer Meeting. -2002. - Vol. 3. - p. 1534-1540.

Cho S., Kimb T., Kimc H.J., Park K., Roberts R.K. Regionally-varying and regionally-uniform electricity pricing policies compared across four usage categories // Energy Economics. - 2015. - Vol. 49. - p. 182-191.

Clark T. S., Linzer D. A. Should I Use Fixed or Random Effects? // Political Science Research and Methods. - 2014. - Vol. 3. - No. 2. - p. 399-408.

Conejo A. J., Morales J. M., Baringo L. Real-time demand response model //IEEE Transactions on Smart Grid. - 2010. - Vol. 1. - No. 3. - p. 236-242.

Dolan P., Galizzi M. M. Like ripples on a pond: behavioral spillovers and their implications for research and policy //Journal of Economic Psychology. - 2015. - Vol. 47. - p. 1-16.

Elhorst J. P. Spatial econometrics: from cross-sectional data to spatial panels. - Heidelberg : Springer, 2014. - Vol. 479. - p. 9.

Erev I., Roth A. E. Predicting how people play games: Reinforcement learning in experimental games with unique, mixed strategy equilibria // The American Economic Review. - 1998. - Vol. 88. -No. 4. - p. 848-881.

Filippini M. Swiss residential demand for electricity // Applied Economics Letters. - 1999. -Vol. 6. - p. 533-538.

Filippini M., Pachauri S. Elasticities of electricity demand in urban Indian households // Energy Policy. - 2004. - Vol. 32. - No. 3. - p. 429-436.

Ghalehkhondabi I., Ardjmand E., Weckman G.R., Young W. A. An overview of energy demand forecasting methods published in 2005-2015 // Energy Systems. - 2017. - Vol. 8. - No. 2. - p. 411-447.

Halvorsen R. Residential demand for electric energy // The Review of Economics and Statistics. 1975. - Vol. 57. - No. 1. - p. 12-18.

Heshmati A. Survey of models on demand, customer base-line and demand response and their relationships in the power market. - IZA DP No. 6637. - 2012.

Holland J. et al. What is a Learning Classifier System? Learning Classifier Systems. From Foundations to Applications, red. PL Lanzi i in., LNCS 1813. - 2000.

Holtedahl P., Joutz F.L. Residential electricity demand in Taiwan // Energy Economics. - 2004.

- Vol. 26. - No. 3. - p. 201-224.

Hondroyiannis G. Estimating residential demand for electricity in Greece // Energy Economics.

- 2004. - Vol. 26. - No. 3. - p. 319-334.

Houthakker H.S. Some calculations of electricity consumption in Great Britain // Journal of the Royal Statistical Society. Series A. - 1951. - Vol. 114. - No. 3. - p. 359-371.

Houthakker H.S., Taylor L.D. Consumer demand in the United States. - Harvard University Press, Cambridge, 1970.

Houthakker H.S., Verleger P.K., Sheehan D.P. Dynamic demand analyses for gasoline and residential electricity // American Journal of Agricultural Economics. - 1974. - Vol. 56. - No. 2. - p. 412-418.

Kamerschen D.R., Porter D.V. The demand for residential, industrial and total electricity, 19731998 // Energy Economics. - 2004. - Vol. 26. - No. 1. - p. 87-100.

Koesrindartoto D. Discrete double auctions with artificial adaptive agents: A case study of an electricity market using a double auction simulator. - Iowa State University, Department of Economics, 2002.

Krause T., Andersson G. Evaluating congestion management schemes in liberalized electricity markets using an agent-based simulator //2006 IEEE Power Engineering Society General Meeting. -IEEE, 2006. - p. 8.

Labandeira X., Labeaga J.M., Lopez-Otero X. Estimation of elasticity price of electricity with incomplete information // Energy Economics. - 2012. - Vol. 34. - No. 3. - p. 627-633.

Labandeira X., Labeaga J.M., Rodriguez M. A residential energy demand system for Spain // The Energy Journal. - 2006. - Vol. 27. - No. 2. - p. 87-112.

LeSage J. P. An introduction to spatial econometrics // Revue d'économie industrielle. - 2008. -No. 123. - p. 19-44.

Leth-Petersen S. Micro econometric modelling of household energy use: Testing for dependence between demand for electricity and natural gas // The Energy Journal. - 2002. - Vol. 23. - No. 4. - p. 57-84.

Li H., Tesfatsion L. The AMES wholesale power market test bed: A computational laboratory for research, teaching, and training //2009 IEEE Power & Energy Society General Meeting. - IEEE, 2009. - p. 1-8.

Liu Z., Yan J., Shi Y., Zhu K., Pu G. Multi-agent based experimental analysis on bidding mechanism in electricity auction markets // International Journal of Electrical Power & Energy Systems.

- 2012. - Vol. 43. - No. 1. - p. 696-702.

Lyman R.A. Price elasticities in the electric power industry // Energy Systems and Policy. - 1978.

- Vol. 2. - No. 4. - p. 381-406.

Nahata B., Izyumov A., Busygin V., Mishura A. Application of Ramsey model in transition economy: A Russian case study //Energy Economics. - 2007. - Vol. 29. - No. 1. - p. 105-125.

Narayan P.K., Smyth R. The residential demand for electricity in Australia: an application of the bounds testing approach to cointegration // Energy Policy. - 2005. - Vol. 33. - No. 4. - p. 467-474.

Nicolaisen J., Petrov V., Tesfatsion L. Market power and efficiency in a computational electricity market with discriminatory double-auction pricing // IEEE Transactions on Evolutionary Computation.

- 2001. - Vol. 5. - No. 5. - p. 504-523.

Nicolaisen J., Smith M., Petrov V., Tesfatsion L. Concentration and capacity effects on electricity market power //Proceedings of the 2000 Congress on Evolutionary Computation. CEC00 (Cat. No. 00TH8512). - IEEE, 2000. - Vol. 2. - p. 1041-1047.

Ohtsuka Y., Kakamu K. Space-Time Model Versus VAR Model: Forecasting Electricity Demand in Japan // Journal of Forecasting. - 2013. - Vol. 32. - No. 1. - p. 75-85.

Paul A., Myers E., Palmer K. A Partial Adjustment Model of U.S. Electricity Demand by Region, Season and Sector. - Resources for the Future Discussion Papers 08-50 (Washington, D.C., April), 2009.

Pinson P., Madsen H. Benefits and challenges of electrical demand response: A critical review //Renewable and Sustainable Energy Reviews. - 2014. - Vol. 39. - p. 686-699.

Praca I., Ramos C., Vale Z., Cordeiro M. An agent-based simulator for electricity markets: seller, buyer, and trader players // Lecture Notes in Computer Science. - 2003. - Vol. 2744. - p. 290-301.

Praca I., Ramos C., Vale Z., Cordeiro M. Intelligent agents for the simulation of competitive electricity markets // International Journal of Modelling and Simulation. - 2004. - Vol. 24. - No. 2. - p. 73-79.

Rahimi-Kian A., Sadeghi B., Thomas R. J. Q-learning based supplier-agents for electricity markets //IEEE Power Engineering Society General Meeting, 2005. - IEEE, 2005. - p. 420-427.

Ravina E. Keeping up with the Joneses: evidence from micro data //New York University Stern School of Business Working Paper. - 2005.

Ros A. J. An econometric assessment of electricity demand in the United States using utility-specific panel data and the impact of retail competition on prices //The Energy Journal. - 2017. - Vol. 38. - No. 4.

Roth A. E., Erev I. Learning in extensive-form games: experimental data and simple dynamic models in the intermediate term // Games and economic behavior. - 1995. - No. 8. - p. 164-212.

Sensfuß F., Ragwitz M., Genoese M., Möst D. Agent-based simulation of electricity markets: a literature review. - Working paper sustainability and innovation, 2007. - №. S5/2007.

Su C. L., Kirschen D. Quantifying the effect of demand response on electricity markets //IEEE Transactions on Power Systems. - 2009. - Vol. 24. - No. 3. - p. 1199-1207.

Sun J., Tesfatsion L. Dynamic testing of wholesale power market designs: an open-sourse agent-based framework // Computational Economics. - 2007. - Vol. 30. - No. 3. - p. 291-327.

Sun Y., Yu Y. Revisiting the residential electricity demand in the United States: A dynamic partial adjustment modelling approach //The Social Science Journal. - 2017. - Vol. 54. - No. 3. - p. 295-304.

Suslov N., Meltenisova E. Reducing energy intensity and institutional environment: A cross country analysis //International Journal of Energy Economics and Policy. - 2019. - Vol. 9. - No. 6. -p. 283-295.

Tesfatsion L. The AMES wholesale power market test bed as a stochastic dynamic state-space game. - Working Paper, Department of Economics, 2008.

Th0gersen J., Ölander F. Spillover of environment-friendly consumer behaviour //Journal of environmental psychology. - 2003. - Vol. 23. - No. 3. - p. 225-236.

Tian W., Song J., Li Z. Spatial regression analysis of domestic energy in urban areas // Energy. - 2014. - Vol. 76. - p. 629-640.

Tiefenbeck V. Staake T., Roth K., Sachs O. For better or for worse? Empirical evidence of moral licensing in a behavioral energy conservation campaign //Energy Policy. - 2013. - Vol. 57. - p. 160171.

Torriti J., Hassan M. G., Leach M. Demand response experience in Europe: Policies, programmes and implementation //Energy. - 2010. - Vol. 35. - No. 4. - p. 1575-1583.

Veit D., Weidlich A., Kraft J. An agent-based analysis of the German electricity market with transmission capacity constraints // Energy Policy. - 2009. - Vol. 37. - No. 10. - p. 4132-4144.

Visudhiphan P., Ilic M. D. An agent-based approach to modeling electricity spot markets //IFAC Proceedings Volumes. - 2001. - Vol. 34. - No. 20. - C. 407-412.

Weidlich A., Veit D. A critical survey of agent-based wholesale electricity market models // Energy Economics. - 2008. - Vol. 30. - No. 4. - p. 1728-1759.

Weidlich A., Veit D. Bidding in interrelated day-ahead electricity markets: Insights from an agent-based simulation model //Proceedings of the 29th IAEE international conference, Potsdam. -2006.

Wilson S. W. Classifier fitness based on accuracy // Evolutionary Computation. - 1995. - Vol. 3. - No. 2. - p. 149-175.

Wolf S., Bouchaud J. P., Cecconi F., Cincotti S., Dawid H., Gintis H., van der Hoog S., Jaeger C. C., Kovalevsky D. V., Mandel A., Paroussos L. Describing economic agent-based models -Dahlem ABM documentation guidelines // Complexity Economics. - 2013. - No. 2. - p. 63-74.

Wooldridge M., Jennings N. Intelligent agents: Theory and practice // Knowledge Engineering Review. - 1995. - Vol. 10. - No. 2.

Yousefi S., Moghaddam M. P., Majd V. J. Optimal real time pricing in an agent-based retail market using a comprehensive demand response model //Energy. - 2011. - Vol. 36. - No. 9. - p. 57165727.

Zheng M., Meinrenken C. J., Lackner K. S. Agent-based model for electricity consumption and storage to evaluate economic viability of tariff arbitrage for residential sector demand response //Applied Energy. - 2014. - Vol. 126. - p. 297-306.

Zhou Z., Chan W.K., Chow J.H. Agent-based simulation of electricity markets: a survey of tools // Artificial Intelligence Review. - 2007. - Vol. 28. - No. 4. - p. 305-342.

Zhou Z., Zhao F., Wang J. Agent-based electricity market simulation with demand response from commercial buildings //IEEE Transactions on Smart Grid. - 2011. - Vol. 2. - No. 4. - p. 580-588.

ПРИЛОЖЕНИЕ А. СПИСОК СОКРАЩЕНИЙ И УСЛОВНЫХ ОБОЗНАЧЕНИЙ

Таблица А1 - Список сокращений

Словосочетание Сокращение

Агент-ориентированное моделирование/агент-ориентированная модель АОМ

Администратор торговой системы АТС

Балансирующий рынок БР

Линии электропередач ЛЭП

Межрегиональные распределительные сетевые компании МРСК

Генерирующие компании оптового рынка ОГК

Оптовый рынок электроэнергии ОРЭ

Оптовый рынок электроэнергии и мощности ОРЭМ

Регулируемые договоры РД

Рынок на сутки вперед РСВ

Свободные двухсторонние договоры СДД

Системный оператор СО

Территориальные генерирующие компании ТГК

Федеральная сетевая компания ФСК

Федеральная служба тарифов ФСТ

Таблица А2 - Список обозначений

Обозначение Определено на числовом множестве Описание Обновление во времени 1 Инициализация

р . 1 min Ео+ Минимальная возможная цена в заявке Зафиксировано Описана и приведена в [Гайворонская, Цыплаков, 2018; Рашидова, 2017]

р 1 max Ео+ Максимальная возможная цена в заявке Зафиксировано

Qmin Ео+ Минимальный возможный объем в заявке Зафиксировано

Qmax Ео+ Максимальный возможный объем в заявке Зафиксировано

Г Ео+ Розничная цена электроэнергии Зафиксировано

С Ео+ Средние переменные затраты на производство Зафиксировано

ng N Общее количество поставщиков Зафиксировано Мс = 53

Nc N Общее количество покупателей Зафиксировано Ыс = 21

КР N Количество доступных для выбора цен Зафиксировано КР = 20

KQ N Количество доступных для выбора объемов Зафиксировано К( =8

J N Количество доступных для выбора правил у каждого агента Зафиксировано ] = КрХК(}

Обозначение Определено на числовом множестве Описание Обновление во времени X Инициализация

} (1.....Л Некоторое правило из набора Зафиксировано -

к' (1.....л Правило выбранное в момент времени t Меняется -

Щ.к*) Функция, задающая «расстояние» между правилами } и кгде = 0. Меняется -

У Ео+ Показатель влияния прибыли правила к1 на остальные правила при обучении Зафиксировано у = 15

< Ео+ Показатель «забывчивости» Зафиксировано < = 0,02

а' Ео+ Степень «нерациональности» при выборе Меняется ао = 0.000001

[0;1] Коэффициент, зависящий от степени близости между правилами } и к где 5(к, к) = 1 Меняется -

щ [°> ] Показатель опытности правила } в момент времени t Меняется = 10-1°

ъ Ео+ Коэффициент «скорости обучения» в момент времени t Меняется -

Е Прибыль в момент времени t Меняется -

П Е Ожидаемая прибыль правила } в момент времени t Меняется -

V] [°;1] Вероятность выбора правила /' Меняется -

е Ео+ Параметр эксперимента Зафиксировано е = 0,2

f Ео+ Параметр новизны Зафиксировано f = 0,1

Ео+ Показатель подкрепления в момент времени t Меняется -

Ео+ Склонность выбрать действие } в момент времени t Меняется = П1

ПРИЛОЖЕНИЕ Б. ЭКОНОМЕТРИЧЕСКИЕ ОЦЕНКИ ФУНКЦИИ СПРОСА НАСЕЛЕНИЯ

Таблица Б1 - Модели на панельных данных с фиксированными эффектами

2005- -2017 гг. 2005- -2010 гг. 2011- 2017 гг.

(1) (2) (3) (4) (5) (6) (7) (8) (9) (10) (11) (12)

Цена 0.113 0.111 0.121 0.119 0.266 0.275 0.247 0.229 -0.367** -0.332** -0.352** -0.344**

(0.306) (0.307) (0.300) (0.302) (0.573) (0.586) (0.578) (0.564) (0.150) (0.148) (0.149) (0.142)

Доход 0.227** 0.231** 0.234** 0.228** 0.602*** 0.590** 0.570** 0.591** 0.158 0.121 0.133 0.139

(0.111) (0.112) (0.111) (0.114) (0.227) (0.232) (0.234) (0.232) (0.131) (0.130) (0.128) (0.128)

Площадь 0.044 0.036 0.008 -1.112* -1.100* -1.010* -1.043* 0.036 0.013 0.001

(0.113) (0.109) (0.112) (0.613) (0.615) (0.594) (0.594) (0.068) (0.074) (0.076)

Температура -0.020** (0.010) -0.016* (0.009) 0.003 (0.016) -0.026** (0.011) -0.021** (0.009)

Температура в -0.001 0.007 -0.003

январе (0.004) (0.006) (0.003)

Температура в -0.002 -0.002 -0.008***

июле (0.004) (0.008) (0.003)

Суровость 0.000 -0.005 -0.001

климата (0.003) (0.004) (0.002)

Отопительный -0.106 -0.105 -0.135 -0.137 -0.138 -0.140 -0.045 -0.045 -0.110

период (0.081) (0.081) (0.085) (0.107) (0.108) (0.107) (0.081) (0.080) (0.091)

Оснащенность -0.030 -0.033 -0.029

газом (0.036) (0.036) (0.035)

Цена газа 0.016 (0.065) 0.007 (0.059) 0.005 (0.061)

Оснащенность 0.010 0.008 0.008

электроплитами (0.029) (0.029) (0.028)

Число

наблюдений 1027 1027 1027 1027 474 474 474 474 553 553 553 553

Коэффициент

детерминации 0.330 0.330 0.332 0.330 0.161 0.162 0.157 0.154 0.290 0.302 0.300 0.295

Число регионов 79 79 79 79 79 79 79 79 79 79 79 79

А1С -486.7 -485.2 -489.8 -490.8 -108.4 -106.7 -105.8 -108.4 -1098 -1106 -1107 -1112

В1С -402.9 -396.4 -405.9 -416.8 -66.80 -60.90 -64.20 -75.10 -1038 -1041 -1046 -1073

Тест Вальда

(р-уа1ие) 0.631 0.649 0.284 0.213 0.361 0.425 0.503 0.117 0.228

Примечание: здесь и в последующих таблицах данного раздела: ***, **, * — значимость на уровне 1%, 5%, 10% соответственно.

В скобках приведены робастные стандартные отклонения коэффициентов.

Таблица Б2 - Пространственные эконометрические модели с использованием матрицы границ

2005- -2010 гг. 2011- 2017 гг.

(1) (2) (3) (4) (5) (6) (7) (8)

8БМ 8ЬМ 8АС 8БМ 8БМ 8ЬМ 8АС 8БМ

Цена 0.257 0.209 0.416 0.277 -0.372** -0.351** -0.382*** -0.313**

(0.594) (0.559) (0.513) (0.545) (0.156) (0.147) (0.142) (0.148)

Доход 0.579** 0.570** 0.511*** 0.584*** 0.150 0.133 0.180 0.116

(0.232) (0.233) (0.191) (0.223) (0.130) (0.132) (0.110) (0.147)

Площадь -1.102* -1.100* -0.894* -1.297**

(0.571) (0.578) (0.471) (0.618)

Температура -0.024** -0.024** -0.016** -0.019**

(0.009) (0.010) (0.007) (0.009)

Р 0.079 -0.622*** 0.085 -0.032 0.350*** -0.090

(0.149) (0.228) (0.145) (0.060) (0.131) (0.067)

X 0.094 0.671*** -0.075 -0.462***

(0.157) (0.138) (0.069) (0.154)

WxЦена -1.780* -0.637

(0.961) (0.426)

Wx Доход -0.033 0.398*

(0.407) (0.238)

Средние прямые эффекты

Цена 0.232 0.489 0.244 -0.346** -0.393** -0.296**

(0.578) (0.595) (0.536) (0.151) (0.155) (0.150)

Доход 0.564** 0.561** 0.581*** 0.129 0.184 0.104

(0.225) (0.220) (0.217) (0.127) (0.113) (0.144)

Площадь -1.043* -0.934* -1.240**

(0.559) (0.504) (0.602)

Температура -0.023** -0.016** -0.018**

(0.009) (0.007) (0.008)

Средние косвенные эффекты

Цена 0.040 -0.223 -1.984* 0.013 -0.226 -0.566

(0.125) (0.292) (1.179) (0.022) (0.178) (0.400)

Доход 0.050 -0.250* 0.030 -0.004 0.110 0.366*

(0.100) (0.141) (0.479) (0.011) (0.120) (0.215)

Площадь -0.119 0.404 -0.171

(0.212) (0.263) (0.302)

Температура 0.001 -0.008 0.002

(0.001) (0.005) (0.002)

Средние общие эффекты

Цена 0.272 0.266 -1.740* -0.333** -0.619** -0.862**

(0.652) (0.330) (1.016) (0.140) (0.304) (0.384)

Доход 0.614** 0.311*** 0.611 0.125 0.294 0.470**

(0.254) (0.117) (0.523) (0.124) (0.217) (0.208)

Площадь -1.161* -0.530* -1.411*

(0.667) (0.295) (0.782)

Температура -0.022** -0.024** -0.017**

(0.009) (0.010) (0.008)

Число наблюдений 450 450 450 450 525 525 525 525

Коэффициент детерминации 0.003 0.006 0.008 0.041 0.269 0.262 0.290 0.208

Число регионов 75 75 75 75 75 75 75 75

А1С -119.6 -118.9 -135.1 -128.7 -1050 -1049 -1054 -1062

В1С -99.10 -98.40 -110.4 -99.90 -1029 -1028 -1028 -1033

Таблица Б3 - Пространственные эконометрические модели с использованием матрицы обратных

расстояний

2005- 2010 гг. 2011- 2017 гг.

(1) (2) (3) (4) (5) (6) (7) (8)

8БМ 8ЬМ 8АС 8БМ 8БМ 8ЬМ 8АС 8БМ

Цена 0.269 0.245 0.269 0.296 -0.376*** -0.356** -0.378*** -0.328**

(0.557) (0.551) (0.554) (0.553) (0.143) (0.139) (0.143) (0.148)

Доход 0.592** 0.586** 0.590** 0.613*** 0.169 0.147 0.174 0.135

(0.230) (0.231) (0.231) (0.221) (0.127) (0.127) (0.129) (0.146)

Площадь -1.030* -1.042* -1.032* -1.055*

(0.588) (0.586) (0.586) (0.614)

Температура -0.021** -0.022** -0.020** -0.020**

(0.009) (0.009) (0.009) (0.009)

Р 0.248 0.174 0.201 -0.219 0.116 -0.484***

(0.193) (0.145) (0.196) (0.163) (0.213) (0.152)

X 0.260 0.192 -0.341** -0.459**

(0.205) (0.164) (0.170) (0.230)

WxЦена -3.015 -2.097**

(2.726) (1.025)

Wx Доход -0.133 1.975**

(0.702) (0.820)

Средние прямые эффекты

Цена 0.266 0.290 0.285 -0.352** -0.374** -0.299*

(0.567) (0.570) (0.565) (0.143) (0.147) (0.155)

Доход 0.579*** 0.582*** 0.603*** 0.143 0.169 0.108

(0.223) (0.223) (0.215) (0.123) (0.126) (0.144)

Площадь -0.980* -0.968* -0.989*

(0.566) (0.565) (0.595)

Температура -0.021** -0.019** -0.019**

(0.009) (0.008) (0.009)

Средние косвенные эффекты

Цена 0.097 0.058 -4.437 0.058 -0.087 -1.355*

(0.325) (0.185) (4.638) (0.050) (0.162) (0.769)

Доход 0.218 0.131 -0.063 -0.026 0.054 1.343**

(0.234) (0.135) (0.967) (0.032) (0.143) (0.600)

Площадь -0.414 -0.245 -0.409

(0.516) (0.282) (0.753)

Температура 0.004 -0.003 0.006*

(0.003) (0.006) (0.004)

Средние общие эффекты

Цена 0.364 0.347 -4.152 -0.294** -0.461* -1.654**

(0.826) (0.711) (4.598) (0.128) (0.251) (0.726)

Доход 0.797** 0.713** 0.539 0.117 0.223 1.451***

(0.359) (0.292) (1.048) (0.103) (0.228) (0.545)

Площадь -1.393 -1.213 -1.398

(0.932) (0.759) (1.153)

Температура -0.017** -0.023** -0.013**

(0.007) (0.010) (0.006)

Число наблюдений 474 474 474 474 553 553 553 553

Коэффициент детерминации 0.007 0.013 0.010 0.035 0.290 0.272 0.297 0.241

Число регионов 79 79 79 79 79 79 79 79

А1С -115.9 -115.8 -114.4 -116.2 -1123 -1121 -1121 -1138

В1С -95.10 -95 -89.50 -87 -1101 -1100 -1095 -1108