利维奥·克里切利（Livio Cricelli）| 萨拉·伊安尼埃洛（Sara Ianniello）| 皮埃尔保罗·普拉利奥拉（Pierpaolo Pragliola）| 塞雷娜·斯特拉祖洛（Serena Strazzullo）
那不勒斯费德里科二世大学（University of Naples Federico II），工业工程系，Tecchio广场80号，80125，那不勒斯，意大利
**摘要**
绿色氢气越来越被视为实现能源密集型行业脱碳的有前景的选择，但其采用仍存在不确定性，因为这取决于不同参与者的行为、市场条件和政策支持。为了解决这个问题，本研究结合了基于代理的建模（Agent-Based Modelling, ABM）和层次分析法（Analytic Hierarchy Process, AHP）。研究旨在模拟绿色氢气生产技术的采用情况，探讨其主要驱动因素，并评估其在2025至2050年期间对意大利坎帕尼亚地区（Campania）的环境、经济和社会影响。ABM-AHP方法将专家知识整合到代理决策规则中，提高了不同类型参与者采纳行为的真实性，并在宏观层面对模型进行了验证。该模型包括359个潜在采纳者和367个外部代理，能够模拟工业、商业领域、机构、电网运营商、供应商和电动汽车所有者之间的互动。采纳决策基于效用最大化和创新扩散理论进行建模。当效用超过预设阈值时，采纳行为就会发生。然后使用该模型测试基于氢气需求、技术成本降低和退化率的多种情景。主要结果表明，环境关切、社会可见性和经济可行性是技术采纳的关键驱动因素。研究表明，在有利的政策和成本条件下，到2050年绿色氢气的采纳率可达到87%。在这一水平上，该系统每年可节省超过10亿欧元的能源成本，避免超过100万吨的二氧化碳排放，并创造多达16,800个新的就业机会。尽管这些发现基于情景模拟，但它们为区域可持续性转型中的战略能源规划和利益相关者参与提供了有用的见解。
**1. 引言**
气候变化的加速效应，加上地缘政治不稳定和能源价格波动，加剧了向更清洁、更具韧性的能源系统转型的紧迫性。在此背景下，欧盟承诺实现雄心勃勃的脱碳目标，包括在“绿色协议”（Green Deal）、“Fit for 55”计划和“REPowerEU”倡议下部署可再生能源技术。随着全球脱碳努力的加强，绿色氢气已成为减少能源密集型行业温室气体排放的有前景的解决方案（Egeland-Eriksen等人，2021年）。最近在氢相关技术方面的进展（Islam等人，2021年；Islam等人，2025a年）进一步证实了氢在未来能源系统中的战略重要性。在学术讨论中，绿色氢气的兴趣可以从文献中的积极证据中得到体现（Elberry等人，2021年），这些证据表明绿色氢气可以减少二氧化碳排放（Galván等人，2022年；Stöckl等人，2021年）、推动成本降低（Huang和Liu，2020年）、促进新兴绿色产业的发展以及推动公平的全球发展（Galván等人，2022年）。特别是，通过技术经济模型分析了地方能源转型，如氢能谷和能源社区倡议，这些模型提供了系统层面成本优化和排放的见解（Després等人，2015年）。这些模型通常还结合了区域创新系统（Regional Innovation System, RIS）框架的视角，该框架被广泛用作促进创新、技术发展和区域经济增长的欧洲政策策略的指南（Asheim和Isaksen，2002年；Isaksen等人，2018年；Tödtling等人，2022年）。在这方面，RIS框架将创新概念化为企业、基础设施和政策参与者在区域嵌入的社会技术系统中的互动过程。
这些模型通常假设代理是同质的、完全理性的、信息充分的，并具有以最大化经济结果为导向的稳定偏好和优化行为（Ponta等人，2018年）。然而，这些假设忽略了行为异质性、有限理性、社会互动、地方性因素和制度约束，这些因素塑造了现实世界的决策过程。因此，它们难以捕捉创新过程的复杂性和非线性特征，可能会产生技术上最优但在政治或社会上不可行的结果（Süsser等人，2022年）。此外，它们往往只提供了对可持续性结果的片面评估，环境和社交维度未得到充分探讨。对于绿色氢技术而言，这些限制尤为重要，因为其采用取决于技术经济可行性、参与者异质性和多维度的可持续性权衡。因此，尽管当前文献中对绿色氢气的关注度很高（Galván等人，2022年；Islam等人，2025b年；Stöckl等人，2021年），但对于驱动绿色氢技术采纳的因素及其扩散带来的更广泛可持续性影响仍了解有限（Faye等人，2022年）。因此，本研究旨在分析绿色氢技术的区域扩散及其在环境、经济和社会维度上的可持续性影响。
本研究由两个关键研究问题指导：
• RQ1：影响绿色氢生产技术区域扩散的主要驱动因素是什么？
• RQ2：采用绿色氢生产技术具有哪些更广泛的可持续性影响？
为了解决这些问题，本研究提出了结合基于代理的建模（ABM）和层次分析法（AHP）的方法。本研究的新颖之处在于将行为真实性、实证基础和多维度可持续性评估整合到一个统一的建模框架中。具体而言，ABM和AHP的结合允许将利益相关者的偏好纳入代理决策中，从而减少主观性并增强对现实世界采纳动态的描述。
采用RIS视角，该模型应用于2025至2050年期间的意大利坎帕尼亚地区。为了支持能源转型，意大利已拨款5亿欧元用于开发52个氢能谷，这些氢能谷是氢生产和使用的战略区域集群，主要集中在坎帕尼亚、西西里和普利亚地区。反映这一趋势，意大利氢能供应链中超过三分之一的公司最近增加了对氢相关技术的投资（欧盟委员会，2020年）。这一时间框架代表了大规模生产的假设起点，符合欧洲绿色协议的环境中性目标（Hoogland等人，2023年），该目标旨在在本世纪中叶实现完全气候中和。
分析基于2023年启动的GRETHA项目开发的新型绿色氢能系统原型。该原型集成了太阳能光伏发电、水电解、氢储存和燃料电池，形成了一个分散式的能源系统。太阳能既用于直接消费，也用于通过电解生产氢气。储存的氢气随后通过燃料电池重新转化为电能，从而实现稳定、灵活的能源供应。该系统对环境的影响最小，并支持欧盟关于分布式零排放基础设施的目标。
本文的其余部分组织如下：第2节回顾了关于能源转型中基于代理的建模的相关文献；第3节介绍了建模框架；第4节描述了实施和验证过程；第5节报告了实验结果；第6节讨论了研究的关键发现、影响和局限性。
**2. 文献综述**
基于代理的建模（ABM）是一种成熟的计算方法，用于模拟复杂系统中异质代理的行为（MacAl和North，2010年）。与基于方程的模型不同，后者通常依赖于同质性和均衡的假设，ABM捕捉了系统层面模式如何从局部互动、有限理性和代理学习中产生（Hansen等人，2019年；MacAl和North，2010年）。在能源领域，ABM已被广泛用于研究可再生能源技术的扩散（Chen等人，2011年），例如太阳能（Zhao等人，2011年）和光伏系统（Palmer等人，2015年；Danielis等人，2023年）。这些研究为采纳动态和政策效果提供了宝贵的见解，但通常关注的是成熟的技术和相对稳定的市场条件。其他贡献将ABM应用扩展到特定领域，如基于氢的车辆（Cannavacciuolo等人，2025年）和可再生能源投资（Ponta等人，2018年），展示了该方法的灵活性。然而，许多模型依赖于简化或假设驱动的行为规则，引入了代理决策中的高度主观性（Zhao等人，2011年；Stephan和Sullivan，2004年）。此外，实证基础仍然有限，很少有研究将真实世界数据或利益相关者偏好纳入模型校准（Danielis等人，2023年）。验证工作往往有限，降低了模拟结果的稳健性和政策相关性。最后，大多数贡献主要关注经济绩效（Ponta等人，2018年），导致对可持续性影响的评估碎片化。
基于这些考虑，我们考虑使用AHP，这是一种在ABM能源模型中仍然罕见的实证策略（Süsser等人，2021年）。这减少了任意性，提高了行为的合理性，并支持了模型的宏观层面验证。由于模型优先考虑经济指标（Süsser等人，2022年），我们通过模拟可持续性的环境、经济和社会维度来推进文献研究。此外，通过强调地方网络和机构的作用，RIS视角进一步提供了关于创新过程如何在特定区域背景下展开的见解（Pires等人，2020年）。
**3. 建模框架**
本节描述了我们的ABM模型框架，包括代理群体、使用的数据及其校准，以及评估的影响。模拟模型旨在捕捉绿色氢系统的采纳模式，并量化其在区域社会技术环境中的多维度可持续性影响。
**3.1. 区域代理群体模型**
该模型模拟了一个异质的代理群体，代表绿色氢能系统的潜在采纳者。通过对“Analisi Informatizzata delle Aziende Italiane”（AIDA，2025）数据库和可用财务报表的描述性分析，代表性样本包括在坎帕尼亚地区运营的代理，分为两大类：
1. 359个可能的内部分采纳者代理：工业、商业领域、机构和电网运营商。
2. 367个影响采纳选择的外部代理：信息系统供应商和电动汽车（EV）所有者。
**3.1.1. 可能的采纳者**
对于采纳者群体，我们根据坎帕尼亚地区的数据来源确定了277个食品工业；20个商业领域，属于“租赁和运营自有或租赁房地产”类别，因为它们的消费量较大；57个机构单位，包括大学和医院，特别是电网运营商，考虑了最大的5个区域提供商。
**3.1.2. 外部代理**
信息系统供应商提供技术解决方案，电动汽车所有者是间接影响采纳动态的利益相关者。从我们的分析中，发现缺乏国家级供应商，共识别出8个大陆范围内的实体。
**3.2. 情景模型和数据校准**
通过将模型输入与文献和科学值对齐，进行了参数合理性的讨论，确保校准基于合理的假设。定义ABM最终输出的初始条件包括：模拟持续时间、潜在采纳者和外部代理的数量以及外部因素。采纳者根据其估计的年能源消耗量进行分类，根据其特定能源需求为每个代理分配了最合适的工厂规模。具体来说，219个代理与小型工厂相关联，61个与中型工厂相关联，55个与中型至大型工厂相关联，19个与大型工厂相关联，5个与超大型工厂相关联（见表1）。
影响选择的外部因素包括技术成本下降率、经济激励、政府合作、技术随时间的退化率以及氢气需求。由于创新水平高和生产阶段尚处于起步阶段，估算每千瓦技术的成本存在挑战。目前，集成系统（IS）的成本非常高；然而，由于模拟从2025年开始，估计成本设定为2500欧元/千瓦，与欧盟委员会（2023年）设定的目标一致。该模型还考虑了与工厂规模增加相关的规模经济。
成本降低基于（Zun和McLellan，2023年）的假设，分为三种不同情景：
• 由于研发而每年降低4.3%（最坏情况）。
• 由于研发和生产的规模经济而每年降低5.24%（中等情况）。
• 由于研发、生产的规模经济和技术知识管理而每年降低6.85%（最佳情况）。
经济激励的增长率设定为14年内的0.02381，反映了意大利对太阳能光伏等技术的支持轨迹，从2006年启动“Conto Energia”计划到2020年“Superbonus 110%”计划的峰值（Gestore Servizi Energetici，2025年推荐）。对于绿色氢气，“Hydrogen Bonus”涵盖了系统费用，对于小于10兆瓦的工厂提供5欧元/千克，对于大于10兆瓦的工厂提供4欧元/千克，对于生物氢提供3欧元/千克（Ministero dell’Ambiente e della Sicurezza Energetica，2025年建议）。基于2020年的光伏安装数量（GSE，2025年），政府合作的趋势也被假设为相同。技术随时间的退化率可以像初始条件一样设定，这取决于要模拟的情景。我们假设了三个退化率值，在NetLogo中表示一个时间点：•0.003（基线情况）。•0.0015（中等情况）。•0.0005（最佳情况）。关于氢气需求，最近的研究表明，这一趋势预计会随时间增加（Yusaf等人，2022年），到2050年可能达到568百万吨。由于这种不确定性，我们采用了三个数据集，如（Yusaf等人，2022年）所建议的，分别与以下情况相关：•实际增长（最坏情况）。•平均增长（中等情况）。•潜在增长（最佳情况）。3.3. 模型影响评估技术扩散的可持续性影响通过围绕三个可持续性维度构建的一组输出指标来评估。对于环境维度，二氧化碳排放减少（吨）是主要的环境指标，直接与脱碳目标一致。公用事业成本（欧元）的减少反映了采用该技术的用户和组织的直接经济效益，有助于经济可行性评估。对于社会维度，使用了两个变量：就业率（%）和社区接受度（定性量表）来衡量社会合法性和当地支持。经济影响通过回收期分析来估计，与每个信息系统的规模相关。环境影响是根据“Istituto Superiore per la Protezione e la Ricerca Ambientale”在2017年提供的恒定能源效率因子（0.3）和排放因子（0.48吨二氧化碳/兆瓦时）来计算的，应用于每个工厂的年产量。预期的年收入和二氧化碳节省量取决于工厂的类别。小型工厂（每年800吨）每年大约产生735,980欧元的收入。中型和大型工厂的年产量分别达到1161吨和2322吨，年收入分别为147万欧元和294万欧元。大型工厂（每年5677吨）每年产生超过660万欧元的收入。最后，一个超大型工厂，每年生产116,122吨氢气，年收入达到1.472亿欧元。这些数值突显了氢能系统的经济可扩展性，尽管环境和社会影响可能不会线性增加，需要谨慎管理。对于社会影响，模型采用了最近的企业可持续性报告中使用的代理指标。根据2023年7月7日的部长级法令，每个信息系统假设为工厂监督和维护创造一个稳定的工作岗位。此外，每从信息系统供应商那里获得100,000欧元的营业额，就会分配一名新工人。4. ABM-AHP方法4.1. 模型规则和属性为了表示代理的采纳行为，ABM文献通常采用效用最大化理论（Mabey等人，2021年；Stephan和Sullivan，2004年）。本研究采用的建模方法结合了这一理论和创新扩散理论（Rogers，2003年）的见解，以表示不同类型的代理如何评估绿色氢能技术的采纳。要最大化的效用函数分为七个宏观类别：1.企业财务状况（Vfs）：它描述了代理如何为其业务融资以及投资的意愿。2.经济可行性（Vef）：它解释了一个项目或投资在经济上是否值得。3.技术可行性（Vtf）：它描述了项目或投资可用的主要技术资源。4.环境影响（Vei）：它描述了代理当前产生的环境影响。5.立法情景（Vls）：它代表了规范每个行业的立法约束。6.外部市场因素（Vms）：它代表了影响采纳创新倾向的外部因素。7.社会影响或形象回报（Vri）：这个值与技术采纳后代理身份的增强有关。(1)Ui=αfsVfs+αefVef+αtfVtf+αeiVei+αlsVls+αmsVms+αriVri经济变量在概念上与氢能技术的标准经济评估一致，其中成本驱动因素通常通过平准化氢成本（LCOH）来总结，包括资本支出（CAPEX）和运营支出（OPEX）。然而，我们假设采纳行为不仅受经济回报（企业财务状况和经济可行性）的影响，还受到基于创新扩散理论的外部和行为因素的影响。每个宏观类别进一步细分为几个微观类别，作为输入变量，基于文献回顾定义。所有输入变量都表示为定量数据，并在表2中总结。表1. 工厂规模和工厂容量及其相关代理的分类。工厂规模年生产能力（兆瓦时）采纳者小型工厂4.380工业、商业区、机构中型工厂8.760工业、商业区、机构中型-大型工厂17.520工业、商业区、机构大型工厂39.420工业、商业区、机构超大型工厂876.000电网运营商表2. 用于构建效用函数的变量及其来源。类别变量值类型数据来源描述企业财务状况流动比率（−）[0:1]静态代理的流动比率和权益比率基于从AIDA数据库（AIDA，2025年）提取的数据进行建模。权益比率（−）[0:1]静态代理的流动比率和权益比率基于从AIDA数据库（AIDA，2025年）提取的数据进行建模。资金关系的水平（−）1静态为获取公共和/或私人资金的关系强度分配的值由作者设定。经济可行性技术成本（欧元/千瓦）[0:1]动态初始成本估计与欧盟委员会2025年设定的目标一致，即2500欧元/千瓦，假设将实现规模经济（Mayyas等人，2019年；Smolinka等人，2017年）基于Zun和McLellan（2023年）的假设，成本减少遵循三种不同的情景。回收期（年）[0:1]静态从试点工厂的负荷测试得出的结果。然后简单回收期计算为初始投资成本与年收入与工厂维护成本之间的差额之比（Ghenai等人，2020年；Moura等人，2020年）当前电力消耗（千瓦时）[0:1]静态当前电力消耗的数据基于观察到的样本和假设的工厂规模估计（Unione Italiana Food，2020年）净现值（欧元）[0:1]考虑的资本成本是绿色和可再生能源行业的加权平均资本成本（WACC），设定为6.07%（Ghenai等人，2020年；Moura等人，2020年）技术可行性技术效率（%）[0:1]动态鉴于这个变量的随机性质以及对于新兴技术估计它的难度，模型中考虑了三个不同的退化率作为初始条件（0.003；0.0015；0.0005），以模拟乐观和不太有利的情景。行业技术（−）[0:1]静态参考行业的技术水平是根据经济活动部门在“研究和开发”上的支出定义的，根据提供的数据。环境影响产生的绿色能源份额（%）[0:1]静态潜在采纳者代理产生的可再生能源份额反映了他们利用绿色能源作为其脱碳生产过程努力的一部分的意愿。释放的二氧化碳排放（吨）[0:1]静态2023年食品行业报告的分析（Unione Italiana Food，2023年）立法情景BoS的义务（−）[0 - 1]二进制和静态欧盟委员会网站上现有的和未来的法律分析安全（−）[0.5 - 1]二进制和静态2023年7月7日部长级法令的分析经济激励（−）[0:1]动态在Ministero delle Imprese e del Made in Italy网站（MIMIT，2025年）上现有的和未来的法律分析政府合作（−）[0:1]动态外部市场因素氢气需求（吨）[0:1]动态Yusaf等人（2022年）采纳者数量（−）[0:1]作者自己的阐述社会影响形象回报（−）1静态作者自己的阐述企业财务状况包括以下组成部分：1.流动比率（Vcr）（无量纲）。2.权益比率（Ver）（无量纲）。3.公共和/或私人资金的关系水平Vfp(2)Vfs=αcrVcr−αerVer+αfpVfp经济可行性包括：1.随时间的技术成本（Vckw）（欧元/千瓦）。2.回收期（Vpp）（年）。3.当前电力消耗（Vec）（千瓦时）。4.净现值（Vvan）（欧元）。(3)Vef=−αckwVckw+αppVpp+αecVec+αvanVvan技术可行性包括：1.随时间的技术效率（Vdt）（无量纲）。2.分析行业的技术水平（Vtl）（无量纲）。(4)Vtf=αdtVdt+αtlVtl环境影响包括：1.产生的可再生能源份额（Var）（%）。2.释放的二氧化碳排放（VCO2）（吨）。(5)Vei=αarVar+αCO2VCO2立法情景包括：1.准备可持续性平衡的义务（VBdS）（二进制值）。2.安全水平（Vsecur）（无量纲）。3.政府激励水平（Vinc）（无量纲）。4.政府合作水平（Vcoop）（无量纲）。(6)Vls=αBdSVBdS−αsecurVsecur+αincVinc+αcoopVcoop外部市场因素包括：1.随时间的氢气需求（Vdh）（吨）。2.采纳者代理的数量（Vag）（无量纲）。(7)Vms=αdhVdh+αnindVnind社会因素仅取决于形象回报变量。表2明确了所有标识的变量及其相应的数据来源：最后，效用函数根据为情景和代理类别设定的初始条件进行了修改。定义了一个阈值作为初始条件，超过该阈值，代理将决定购买信息系统：(8)Ui>Uithreshold我们假设了三个阈值（0.525；0.55；0.575），由于市场的不确定性和技术的早期阶段。决定采纳技术的代理将选择一个供应商代理，基于售价、可持续性水平、可靠性和专业知识建立联系。实际上，电动汽车的所有者将决定一个充电站进行加油，基于售价、可持续性水平和距离他们位置的距离建立另一个联系。图1表示了框架的一般操作：下载：下载高分辨率图像（337KB）下载：下载全尺寸图像图1. 代理交互流程图。4.2. 边际效用系数为了真实模拟代理行为，我们采用了AHP（Saaty，1987年）。每个潜在采纳者都有自己的效用函数，其特征是边际效用系数（α），这些系数反映了代理对不同决策领域的相对重要性。向四位不同的专家提交了双份问卷：工业界、商业区、机构和电网运营商。结果分别显示在表3和表4中。表3. 第一轮AHP的内部代理的α值。类别变量工业商业区机构电网运营商企业财务状况流动比率0.180.140.330.20权益比率0.130.430.330.20资金关系水平0.590.430.330.60经济可行性技术成本0.300.400.220.36回收期0.250.190.310.25当前电力消耗0.170.260.07/净现值0.280.150.410.39技术可行性技术效率0.810.830.840.81行业技术0.190.170.160.19环境影响产生的绿色能源份额0.200.170.50.25释放的二氧化碳排放0.800.830.50.75立法情景BoS的义务0.270.090.100.23安全0.270.270.210.27经济激励0.180.160.530.27政府合作0.290.480.160.27外部市场因素氢气需求0.50.500.750.43采纳者数量0.50.500.250.57社会影响形象回报0.170.220.140.10表4. 第二轮AHP的内部代理的α值。类别工业商业区机构电网运营商企业财务状况流动比率0.200.060.160.14经济可行性0.070.150.160.14技术可行性0.240.150.190.14环境影响0.060.110.160.19立法情景0.150.080.060.16外部市场因素0.110.220.140.12社会影响0.170.220.140.10对于信息系统提供商的选择、电动汽车（EV）充电站的选择以及所提出的绿色氢能技术的可接受性，我们邀请了外部代理参与。具体来说，有六家信息系统提供商、五位电动汽车所有者和五位对当地社区的氢能技术有了解的专家工程师。结果分别显示在表5中。对于这两个过程，比较得出了每对标准的相对重要性得分，随后进行了标准化。一旦分析了所有一致性比率（CR），对于一致性的矩阵，计算了特征向量以提取最终的权重系数。这种方法直接有助于识别推动绿色氢能生产技术扩散的关键因素，反映了不同类型代理的多样化动机。表5. 外部代理和当地社区的AHP权重。决策领域变量权重信息系统提供商的选择服务价格0.28可持续性水平可靠性0.22提供商的经验0.50电动汽车充电站的选择充电价格0.16充电站的可持续性0.13距离用户的距离0.71所提出技术的社会可接受性创造就业0.38二氧化碳排放减少0.33本地采纳0.16距离住宅区的距离0.13第二轮AHP分析显示，食品行业并不强烈追求与可持续性目标的对齐，而是更多地受到内部技术约束和声誉考虑的平衡。相比之下，商业区同等重视社会影响和外部市场因素（0.22），表明对可见性、客户期望和市场趋势有明显的敏感性。它们对财务标准的权重最小，这意味着投资能力很少是限制因素。公共机构表现出更平衡的分配，反映了需要同时评估政策、绩效和资源效率。最后，电网运营商最重视环境影响（0.19）和立法合规性（0.16），而社会影响则考虑较少（0.10），这与他们的长期基础设施规划逻辑和有限的公众曝光度一致。外部代理的AHP结果揭示了特定背景下的优先事项。在选择系统提供商时，经验是最有影响力的因素，表明信任、可靠性和经过验证的记录甚至超过了价格和可持续性考虑。电动汽车充电站的选择主要受接近度驱动，表明实际可访问性在这个领域主导了用户行为。当地社区将创造就业放在首位，其次是二氧化碳减少。这种模式反映了在实现长期环境目标的同时，更倾向于提供可见的短期成果的广泛政治和制度压力。总体而言，这些结果突显了驱动采纳决策的多样化动机，以及需要反映目标利益相关者不同优先级的政策工具。4.3. 模型评估内部代理的目的是评估技术相对于他们特定情况的成本效益，并最终采纳该技术。外部代理的唯一职责是代表网络内发生的互动。该模型基于以下假设进行运作：如果代理的效用值超过阈值，代理将采用该技术。完整的流程图在NetLogo 6.4.0上实现，如图2所示。下载：下载高分辨率图片（368KB）下载：下载全尺寸图片。图2. 模型功能的流程图。模型输入数据来源于样本的描述性分析及相关数据源（第3节）。从基线情景开始，表6概述了评估氢能技术（IS）扩散及其对可持续性影响的其他设置。这些情景根据以下参数有所不同：1. 技术成本和氢需求定义了经济情景；2. 技术随时间的退化率定义了竞争性和创新性市场情景；3. 阈值定义了观察样本的不同态度。表6. 通过参数变化定义的情景。情景设置DHCKWREDBaseline1.1; 1.2; 1.3TH123 DH1 CKW1 RED1000,003Economic2.1; 2.2; 2.3TH123 DH2 CKW1 RED10,500,0033.1; 3.2; 3.3TH123 DH3 CKW1 RED1100,0034.1; 4.2; 4.3TH123 DH1 CKW3 RED1010,0035.1; 5.2; 5.3TH123 DH1 CKW2 RED100,50,0036.1; 6.2; 6.3TH123 DH2 CKW2 RED10,50,50,0037.1; 7.2; 7.3TH123 DH3 CKW2 RED110,50,0038.1; 8.2; 8.3TH123 DH2 CKW3 RED10,510,0039.1; 9.2; 9.3TH123 DH3 CKW3 RED1110,003Technological10.1; 10.2; 10.3TH123 DH1 CKW1 RED2000,001511.1; 11.2; 11.3TH123 DH1 CKW1 RED3000,0005Comprehensive12.1; 12.2; 12.3TH123 DH1 CKW2 RED200,50,001513.1; 13.2; 13.3TH123 DH2 CKW3 RED2010,001514.1; 14.2; 14.3TH123 DH3 CKW1 RED2100,001515.1; 15.2; 15.3TH123 DH2 CKW1 RED20,500,001516.1; 16.2; 16.3TH123 DH2 CKW2 RED20,50,50,001517.1; 17.2; 17.3TH123 DH1 CKW2 RED300,50,000518.1; 18.2; 18.3TH123 DH2 CKW1 RED30,500,000519.1; 19.2; 19.3TH123 DH3 CKW1 RED3100,000520.1; 20.2; 20.3TH123 DH1 CKW3 RED3010,000521.1; 21.2; 21.3TH123 DH3 CKW2 RED210,50,001522.1; 22.2; 22.3TH123 DH2 CKW3 RED20,510,001523.1; 23.2; 23.3TH123 DH2 CKW2 RED30,50,50,000524.1; 24.2; 24.3TH123 DH3 CKW3 RED2110,001525.1; 25.2; 25.3TH123 DH2 CKW3 RED30,510,000526.1; 26.2; 26.3TH123 DH3 CKW2 RED310,50,0005Best case27.1; 27.2; 27.3TH123 DH3 CKW3 RED3110,0005情景标签“基线”、“经济”、“技术”、“综合”和“最佳情况”代表了这些参数的结构化组合，每个组合旨在模拟技术扩散和可持续性影响的独特背景。具体来说，基线情景假设政策支持有限且市场发展缓慢，而经济、技术、综合和最佳情况情景则探索越来越有利的条件，旨在反映与国家氢能计划一致的现实政策轨迹。由于氢能技术的新兴性质，一些模型参数无法精确估计，因此进行了敏感性分析，以探讨关键驱动因素的不确定性如何转化为采用结果的变化。ANOVA测试使用了独立变量的极端阈值组合，包括氢需求（DH）、技术成本降低率（CKW）和技术退化率（RED），以捕捉模型的边界情况，特别是那些产生最低和最高技术采用水平的情景（表7）。这导致了23个情景，旨在探索模型对极端输入的敏感性：表7. 与因变量相关的敏感性分析阈值设置。独立变量阈值与采用者百分比的关系氢需求(0,0.5,1)较低的需求导致较低的采用率。技术成本降低率(0,0.5,1)较低的降低成本率与较低的采用率相关。技术退化率(0.003, 0.0015, 0.0005)较高的退化率与较低的采用率呈负相关。在所有情景中，采用阈值（TH = 0.55）保持不变，以便在实验条件之间进行更清晰的比较。考虑的因变量是代理采用集成技术的比率，以评估区域能源转型潜力。结果如下表8所示：表8. 考虑氢需求（DH）、技术成本降低率（CKW）和技术退化率（RED）的敏感性分析ANOVA测试结果。因变量独立变量平方和f均方F显著性% 采用者DH1.45633E + 0.527.29664E+ 0.49.38937E + 0.3<0.001CKW5.71941E + 0.222.85970E + 0.23.67990E + 0.1<0.001RED2.88286E + 0.421.44143E + 0.41.85484E + 0.3<0.001根据敏感性分析的ANOVA测试结果，所有独立变量都显著影响集成系统的采用率，所有情况下的p值均低于0.001，证实观察到的采用率差异是模型内的系统效应。这一发现加强了整体分析，因为它证实了模型对输入变化的敏感性在统计上是基于事实的，并且与复杂社会技术系统中技术采用的预期动态一致。4.4. 模型验证验证策略分为四个层次：1. 微观层面（通过认证数据和文献对齐）。2. 宏观层面（使用AHP衍生的效用系数来模拟现实动态）。3. 经验输入（通过结构化的专家判断）。4. 经验输出（遵循与Bass模型（Bass, 1969）一致的S曲线扩散趋势）。具体来说，模型的经验输出通过类型化方法（Cannavacciuolo等人，2025）进行了验证，旨在评估其再现与创新和技术扩散文献（如电动出行和太阳能光伏（Laciana等人，2013）一致的典型动态的能力。此外，模拟输出还使用了全球氢需求数据（1993–2018年）进行了交叉验证，确认了模型的可靠性。除此之外，模型输出还与现有的实证证据进行了基准测试，包括欧盟到2030年20百万吨可再生H2的目标（欧盟委员会，2020年）、燃料电池车辆在欧洲的扩散概率预测（Zielonka和Trutnevyte，2025年）以及到2050年64–507太瓦时的工业氢需求范围（Neuwirth等人，2024年）。我们的结果在这些范围内，再现了预期的初期缓慢采用和2030年后的加速扩散。这确保了模拟的动态与意大利和欧洲的实证数据和情景预测一致。5. 实验结果我们在表9中总结了结果，分别描述了技术扩散的影响以及技术对可持续性的影响。表9. 技术扩散和可持续性影响的模拟结果。情景空单元技术扩散（平均百分比）可持续性影响（总平均值）设置a采用者（平均值；标准差）行业商店机构公共事业成本降低（百万欧元/年）减排量（吨/年）新工人（千人）接受率（%）基线1.125%2,08%30%1%5%100%918,52789.878,3311.251,5047,001.242%3,30%51%3%6%100%1.022,25879.756,9712.925,1755,001.360%2,10%74%4%9%100%1.126969.886,6714.614,5063,00Economic3.150%3,58%56%28%21%100%1.056,25909.088,3713.491,8458,003.273%2,99%77%80%50%100%1.178,741.015.036,2715.495,5068,003.384%1,85%86%90%72%100%1.239,871.068.00916.495,3073,004.126%2,37%31%1%5%100%923,40793.996,1411.333,2747,004.245%2,79%56%3%6%100%1.040,17895.180,5013.219,3456,004.361%3,44%74%7%10%100%1.137,04979.324,9014.777,5764,00技术10.133%3,37%40%2%5%100%967,99832.62112.052,5451,0010.251%2,89%63%3%7%100%1.074,93925.337,5013.780,0059,0010.365%2,81%80%7%12%100%1.159,34998.340,2715.148,6366,0011.142%2,53%51%3%5%100%1.018,88876.773,0312.873,0355,0011.259%2,77%73%4%8%100%1.123,26967.260,9014.560,5362,6711.370%1,64%83%12%21%100%1.183,141.019.101,0715.535.3368,59最佳情况27.180%2,59%83%89%62%100%1.215,011.046.111,8316.095,0071,0027.286%1,78%88%90%73%100%1.254,731.081.039,9716.723,6073,9327.387%1,82%89%90%74%100%1.262,351.087.450,9716.843,9774,28a设置编号指的是表6中定义的情景。基线情景显示技术的扩散率较低，因为商业领域和机构的数量分别为1%和5%，并且在最高阈值下随时间保持稳定。这种有限的扩散可以归因于氢需求的重大重要性以及技术随时间的退化。此外，这些类别的代理更重视市场和企业形象因素，而不是环境和立法考虑。总采用者和行业的趋势紧密一致。在模拟过程中，两者在2033年和2039年都出现了两个转折点，此时激励措施达到最高峰。然而，在2040年，由于技术的高退化水平，尽管需求增加和成本降低，但出现了净停止。改变阈值后，TH1和TH2之间的采用者差异为17%，TH2和TH3之间的差异为18%。基线情景之间的可持续性影响几乎成正比，TH3略有增加。经济情景表明，如氢需求和千瓦成本等参数具有相反的效果。总采用者数量主要受氢需求的影响，TH1增加了25%，TH2增加了31%，TH3增加了24%，与基线情景相比。主要原因在于商业领域和机构的采用者数量。商店在2047年后出现转折点，因为氢需求相对于基线和中间参数呈指数增长。机构从2037年开始适度增长。从这一时期开始，激励措施和合作的值几乎达到最大。2047年之后的增长最快，因为氢需求上升。这一积极趋势证明了这些类别的代理只有在技术达到成熟最大水平时才愿意采用它。这表明他们的风险倾向较低。然而，在千瓦成本较低的情况下，差异最小。技术对可持续性影响的变化在经济情景中分别为TH1增加了1%，TH2增加了3%，TH3增加了1%。与基线情景相比，需求情景的变化更大，TH2的新工人增加了19.89%。随着阈值值的降低，这些变化趋于平缓。技术情景反映了创新退化随时间的影响，这是由于市场上出现竞争性或替代产品所致。商业领域和机构由于千瓦的需求和成本较低，对技术几乎无动于衷。总采用者和行业的趋势从2040年到2046年继续缓慢增长，直到退化率达到临界值，足以阻止扩散。与基线情况相比，TH1 RED2的总采用者增加了8%，TH1 RED3增加了17%。在最佳情况下，最大采用率达到87%，即总体增加了27%，行业增加了15%，商业领域增加了86%，机构增加了65%。商店的趋势从209个采用者开始，激励措施和合作的峰值达到最大。从2045年到2048年出现了一个显著的转折点，因为氢需求的指数增长。机构从2037年开始呈现出更线性的趋势，因为激励措施和政府合作的影响更大。最佳情景也显示出技术对可持续性影响的最大变化。记录的年度差异为2.97亿欧元，每年节省了256.233吨二氧化碳。在TH1中，我们可以观察到对社会可持续性的最大影响。具体来说，新工人增加了43.05%，与基线情景相比。对于TH3，这意味着25年内增加了4844个工作岗位，接受率达到了当地人口的74.28%。为了更好地理解这些数字，根据EUROSTAT网站（2025年）的最新数据，一个意大利人平均每年产生约7.1吨二氧化碳。因此，这个结果相当于每年为36.089个意大利人节省了排放量。6. 讨论本研究通过解决绿色氢系统社会技术建模中的空白，推进了可再生能源转型的文献，这是一种在难以减少排放的领域实现脱碳和气候中和的战略性新兴技术。与对成熟的可再生能源（如太阳能光伏或风能）的广泛建模（Danielis等人，2023；Palmer等人，2015；Zhao等人，2011）不同，本研究采用了综合视角，结合了环境、经济和社会维度，采用ABM-AHP方法。该模型作为一个“政策沙盒”，探索不同利益相关者、行业、机构和商业行为者如何响应地方政策信号、基础设施成熟度和社会合法性（Nong等人，2024；Sarsar，2025）。通过这样做，该研究扩展了能源领域的现有ABM应用，明确将行为异质性与区域机构动态联系起来，符合RIS视角（Pires等人，2020），从而更真实地表示能源转型过程。在这方面，研究结果也响应了最近对更基于实证和多维度可持续性评估方法的呼吁（Süsser等人，2022）。6.1. 绿色氢采用的驱动因素本研究揭示了绿色氢技术的采用是如何受到复杂、基于地点的能源系统中不同行为者动机互动的影响。通过使用AHP来构建利益相关者的偏好，模型识别了不同类型代理之间的不同逻辑。行业明显受到自身财务状况的支配，而公共机构则更受环境考虑的支配，反映了机构使命和长期规划视野。商业行为者更关注社会可见性和声誉收益，而电网运营商则优先考虑系统效率和可扩展性。这些结果证明了传统能源模型中同质决策假设的局限性。相反，采用受到根植于当地和区域机构、市场和社会背景的差异化优先事项的影响（Pires等人，2020）。特别是在分散系统中，行为者行为不能脱离治理结构、合法性关切和感知风险（Danielis等人，2023；Palmer等人，2015；Zhao等人，2011）。6.2. 可持续性结果ABM模拟了采用选择在环境、经济和社会维度上的后果。环境结果通过避免的二氧化碳排放来衡量，经济影响通过年度成本节约来衡量，社会影响通过创造就业机会和接受率来衡量。这种结构确保了分析在所有三个维度上都一致地基于定量指标。在有利政策条件下，绿色氢能的部署能够产生显著的可持续性协同效益，但这些效益的分配并不均衡，并且受到参与者参与程度的敏感影响。环境方面的收益非常显著：根据EUROSTAT的数据（2025年），二氧化碳减排量从每年78.9万吨增加到超过100万吨，相当于多达15.3万人的排放量，约占坎帕尼亚省人口的2.6%。这些成果进一步证明了氢能在推动地方脱碳目标和区域环境规划方面的潜力。
经济方面的结果基于与欧盟委员会2025年设定的每千瓦2500欧元的成本目标相一致的成本假设（Mayyas等人，2019年；Smolinka等人，2017年），而目前太阳能光伏和陆上风能的投资成本要低得多，分别为每千瓦约500-900欧元和1300-1600欧元（IRENA，2023年）。这种成本差距有助于解释这些技术更快的普及速度。然而，我们的研究结果表明，绿色氢能仍然可以在替代方案不太可行的领域产生显著的区域经济效益。将基准情景与最佳情景进行比较，经济节省额从9.1852亿欧元（TH1）增加到126.235亿欧元（TH3）。这些数字分别占2020年坎帕尼亚省食品产业年国内生产总值的21.36%和29.35%。商业和机构参与者表现出风险规避行为，只有在有利的发展成熟度和政策条件下才会采用这项技术。这与之前的光伏技术采纳模型（Mohandes等人，2019年）有所不同，表明氢能系统面临独特的约束（Chen等人，2011年），例如基础设施锁定和制度依赖性。
社会影响同样显著：在不同情景下，就业人数从1.12万人增加到1.68万人，接受度从47%提高到超过74%。这些趋势反映了感知到的社会经济价值如何影响社区支持，并强调了将公众接受度和就业效益纳入环境管理框架的重要性。最后，该模型揭示了公共事业部门的战略作用，无论成本或成熟度如何，它们始终会采用这项技术，成为系统中的制度支柱。相比之下，商业和机构参与者需要更多的支持性条件，这验证了早期政策干预和协调治理的重要性（Zhao等人，2011年；Palmer等人，2015年）。总体而言，这些结果提供了对可持续性的多维度和定量评估，表明在该地区采用绿色氢能在环境、经济和社会领域具有可测量的影响。此外，研究结果表明，在复杂的社会技术系统中，技术扩散必须被视为一个共同进化过程，其中环境结果不仅取决于技术性能，还取决于机构、激励措施和当地参与者之间的互动方式。
**7. 结论**
本研究旨在更现实和情境敏感地理解绿色氢能在区域能源转型中的扩散情况（Faye等人，2022年）。从传统技术经济方法的局限性出发，研究开发了一种能够将绿色氢能采纳视为社会技术过程的建模方法。为此，研究结合了代理行为建模（ABM）和层次分析法（AHP）：ABM用于模拟绿色技术的采纳，而AHP用于确定利益相关者在决策中的偏好。区域系统视角（RIS）为将扩散过程视为区域嵌入的过程提供了分析工具。该模型应用于2025-2050年期间的坎帕尼亚地区，并考虑了不同的情景。结果显示，绿色氢能的采纳受到经济、行为、制度和社会维度的共同影响，不同类型的参与者遵循不同的决策逻辑。从可持续性的角度来看，最具支持性的情景能够带来高采纳率、大幅的二氧化碳减排、显著的年度成本节约以及明显的就业效应。同时，这些效益取决于政策支持、利益相关者的共识以及区域创新环境的成熟度。
与以往的研究（Ponta等人，2018年）相比，本研究通过将行为现实性、实证基础和多维度可持续性评估整合到一个统一框架中，分析了绿色氢能在真实区域社会技术系统中的扩散方式，从而做出了贡献。
**7.1. 政策启示**
对于政策制定者而言，AHP的研究结果表明，基于氢能奖励的财政激励措施对产业至关重要，这种随时间的变化反映了国家政策（如Conto Energia和Superbonus 110%）的相关性。特别是在2025-2035年期间，早期干预对于激活犹豫不决的采纳者（如机构和商业领域）至关重要。此外，机构协调和法规清晰度是关键的推动因素。“政府合作”这一变量体现了这一点，模拟了碎片化的治理或不一致的行政程序可能阻碍采纳的情况。正如意大利国家复苏与韧性计划（PNRR）所设想的那样，协调一致的推广措施（为氢能产业分配了5亿欧元）可以帮助缓解这些障碍，尤其是在坎帕尼亚等南部地区。
环境影响对公共机构尤为重要，而商业参与者则更响应声誉信号。这些发现表明，一刀切的政策可能效果不佳；相反，结合财政工具、沟通策略和示范项目的定制方案更有可能促进采纳。我们模型中测试的综合性政策设计表明，协调经济、监管和社会杠杆是最大化绿色氢能系统环境、经济和就业效益的关键。
**7.2. 局限性**
本研究存在几个局限性。首先，该模型关注的是一项新兴技术，关于成本、基础设施和采纳的历史数据有限，主要依赖于专家假设。因此，模型存在不确定性：政策效果尚无法完全观察或参数化，驱动采纳的阈值反映了不同的条件，但并未产生统一的行为反应。这限制了绝对预测的精确度；然而，该模型旨在探索合理的扩散动态，而非提供精确预测。其次，尽管当前模型是针对坎帕尼亚地区定制的，但其结果的普遍性仍是一个关键限制。不过，如果用本地数据重新校准代理特征和政策变量，所提出的框架在方法上可以转移到其他区域情境。未来在更多欧洲地区的应用将有助于进行跨区域比较，从而增强研究结果的外部有效性和普遍性。尽管还需要进一步的实证验证和跨区域比较，但这项研究为更细致和情境敏感的可持续性影响建模方法奠定了基础。随着向低碳能源系统的过渡势头增强，这些方法可以支持更加明智和适应性强的技术扩散和可持续性治理策略。
**CRediT作者贡献声明**
Livio Cricelli：监督、项目管理和资金获取
Sara Ianniello：写作、审稿与编辑、调查、形式分析
Pierpaolo Pragliola：软件、资源、方法论
Serena Strazzullo：可视化、验证、概念化
**资金支持**
本研究是在项目CUP: F69J22001890004“基于燃料电池、氢能和可再生能源的新型绿色能源技术”框架下进行的，该项目由意大利环境和能源安全部门在国家复苏与韧性计划（PNRR）的资助下实施。
