能源行业数字化转型的动态成本效益分析

Engineering ›› 2025, Vol. 45 ›› Issue (2) : 186 -200. DOI: 10.1016/j.eng.2024.11.005

研究论文

能源行业数字化转型的动态成本效益分析

作者信息 +

Dynamic Cost–Benefit Analysis of Digitalization in the Energy Industry

Author information +

文章历史 +

Received	Accepted	Published
2024-04-06	2024-11-06
Issue Date
2024-11-19

PDF (3023K)

摘要

在能源行业中评估数字化效益与成本极具挑战。传统成本效益分析（CBA）在应对数字化进程中的不确定性、动态利益相关者互动及反馈回路等方面存在局限。为此，本文提出一个方法框架，旨在解析能源行业中数字化应用与商业模式间的复杂关联。该框架利用系统动力学方法，聚焦两大核心目标：一是探究数字化转型对商业模式价值主张、价值获取和价值创造三个维度的影响机制；二是从动态角度量化数字化的财务与社会效益。这种动态的CBA方法能够更精准地量化相关效益与成本，为循证决策提供支持。案例研究表明，传统静态分析方法存在明显缺陷——其持续运营假设往往忽略再投资与运营反馈回路，导致净现值为负。相反，本文提出的方法表明，在考量再投资率、数字化项目投资意愿等因素后，净现值为正。本文提出的原理可更准确地评估数字化项目，进而推动新型CBA应用框架的研发与数字化评估指南的制定。

Abstract

Assessing the benefits and costs of digitalization in the energy industry is a complex issue. Traditional cost–benefit analysis (CBA) might encounter problems in addressing uncertainties, dynamic stakeholder interactions, and feedback loops arising out of the evolving nature of digitalization. This paper introduces a methodological framework to help address the intricate inter connections between digital applications and business models in the energy industry. The proposed framework leverages system dynamics to achieve two primary objectives. It investigates how digitalization generally influences the value proposition, value capture, and value creation dimensions of business models. It also quantifies the financial and social impacts of digitalization from a dynamic perspective. The proposed dynamic CBA allows for a more precise quantification of the benefits and costs, associated with evidence-based decision-making. Findings from an illustrative case study challenge the static assumptions of conventional methods. These methods often presume continuous operation, neglecting reinvestment and operational feedback loops, and resulting in negative net present values. Conversely, the outcomes of the proposed method indicate positive net present values when accounting for factors such as reinvestment rates and the willingness to invest in digitalization projects. The principles outlined in this paper can enable a more accurate assessment of digitalization projects, thus catalyzing the development of new CBA applications and guidelines for digitalization.

关键词

系统动力学 / 数字化转型 / 成本效益分析 / 能源行业 / 商业模式 / 社会经济评估

Key words

System dynamics / Digitalization / Cost–benefit analysis / Energy industry / Business modeling / Socioeconomic assessment

引用本文

引用格式 ▾

Jose Angel Leiva Vilaplana,Guangya Yang,Emmanuel Ackom,Roberto Monaco,Yusheng Xue. 能源行业数字化转型的动态成本效益分析[J]. 工程（英文）, 2025, 45(2): 186-200 DOI:10.1016/j.eng.2024.11.005

登录浏览全文

4963

注册一个新账户忘记密码

1 引言

当前，能源行业正经历由能源系统与数字化技术深度融合驱动的重大变革。数据采集、分析技术、系统自动化及数据驱动决策等领域的进步，显著提升了能源行业的流程效率、安全性、生产力和可持续性[1]。能源领域的数字化技术应用广泛。例如，利用物联网（IoT）技术监测和管理电网；通过人工智能（AI）实现数据驱动型决策；借助数字孪生技术对能源系统进行监测、模拟和性能优化[2]。智能电网通过信息通信技术（ICT）与电网设施的深度集成，不仅实现双向数据交互，更推动了可再生能源的高效并网[3]。这些可再生能源来自风能[4]、太阳能[5]、生物质能[6]、水能[7]以及混合动力发电厂[8‒10]。

数字化转型为能源价值链各环节创造显著效益，涵盖资源开采、能源转换（如发电）、输配电及终端用能等全过程[11]。在可再生能源发电领域，数字化技术可提升太阳能、风能等资源发电功率的预测精度，实时监控电站运行状态，并根据环境条件动态调整运行策略[12]。从整体看，数字化转型有助于提升可再生能源容量系数，降低其平准化度电成本（LCOE）。在输电与配电环节，数字化依托海量数据采集与建模分析，显著增强了电网管理能力[13]。这些技术工具不仅支持设备状态监测与电网规划决策，还能提升资产健康状况和电网运行状态的透明度[14]，从而减少维护成本和计划外停运，延长设备使用寿命，降低线损并遏制能源盗用行为[15]，最终显著降低电网投资与运营成本[16]。在终端用能侧，实时监测能源消费链末端消费行为可提升用能效率并降低成本[17]。此外，数字化还通过需求响应机制等模式增强用户参与度。例如，通过需求响应项目，让消费者可根据市场信号调整用电行为，从而降低峰值需求并将用电转移至低谷时段[18]。

数字化影响因技术类型而异：既可通过ICT等赋能工具实现价值，亦能直接提升运营效率、优化系统规划、增强故障及突发事件响应能力[19]。这些技术会影响能源企业的全生命周期业务流程，涵盖工程建设、生产运营、维护管理与资源回收。从微观设施到宏观系统层面看，数字化均有助于提升能效、减少排放与燃料消耗，从而降低能源行业的环境足迹[20]。此外，在去碳化与电气化的趋势推动下，能源系统日益复杂，数字化技术对管理这种复杂性至关重要[21]。这种复杂性需要使用先进的工具来实现需求预测、电网管理以及电网与市场运营之间的互操作性，而这些都依赖数字化来实现[22]。

尽管数字化转型前景广阔，但其应用处于早期阶段，仍面临社会、技术与经济层面的多重挑战[23]。主要挑战包括：保障网络安全与系统可靠性、构建数据共享与访问机制、维护数据保护与隐私安全[24]以及数字技术能耗（如数据中心能耗的逐步增长[25]）与数字资产碳足迹问题[26]。经济层面的一个重要挑战是评估数字化的收益与成本，即数字化影响。这一挑战源于数字化的复杂性。因数字技术的跨主体、跨行业特性[27]，其效益既体现为可量化的经济价值，亦渗透于能源价值链的无形增值中。此类评估困境易引发投资主体的风险规避倾向，若叠加预算约束，将进一步阻碍数字化推广[28‒29]。因此，经济学分析成为释放数字化投资价值的关键。

传统经济评估主要采用成本效益分析（CBA）方法[30]。该方法将特定项目的成本与收益同“常规情景”（BaU）进行对比分析[31]，具体采用现金流折现（DCF）分析等技术手段计算项目指标，典型指标包括净现值（NPV）、内部收益率（IRR）及LCOE [32]。能源企业通常借助这些指标评估投资项目的财务价值，包括盈利能力提升、员工工时减少所带来的影响。随着智能电表等智能电网技术及AI、ICT的创新发展，CBA已拓展至更广领域，这种被称为社会CBA的方法统筹考量财务、环境及多利益相关方的综合效益与成本[33]。为满足非财务层面的评估需求，目前形成了两大智能电网项目社会影响评估指南体系：第一套是欧盟联合研究中心（EU JRC）制定的标准[34]，第二套为美国电力研究院（EPRI）发布的指南[35]。二者为智能电网投资评估提供了系统化框架，并推动了更多评估方法的发展[36‒37]。

尽管以往指南在量化数字化影响方面做了大量努力，但它们的方式仍较为简化[38]，通常是单独评估特定投资，并将多维影响拆解为若干可量化的功能与效益类别。这种方法仅仅将因果关系追溯到评估范围之外的外部影响[39]，难以有效捕捉数字化进程中由反馈机制主导的自组织与非线性影响。从这个意义上讲，AI等数字技术能够通过信息增强决策能力，从而促成再投资与运维策略优化的决策。这反过来又会促成涉及基础设施、性能、新决策和基础设施改进的复杂互动关系。而捕捉这些非线性关系的难题导致电网现代化投资效益货币化评估的困难[40]，亟需新型分析工具[41]。

基于能源企业受多重相互依存因素及多元利益相关方行为的共同影响，本文提出动态CBA框架。在此语境下，动态CBA指的是一种经济评估形式，它考虑了数字化影响之间复杂且非线性的关系、互动与作用。此类交互可能源于商业模式内部结构、运营与管理决策及利益相关方间的动态博弈。与传统静态评估视新项目为静态预设结果不同，动态CBA突破了“数字化影响仅由外部线性输入（如静态成本条件与固定投资率）驱动”的认知局限。动态CBA的应用基于系统动力学（SD），这是一种有助于理解复杂系统行为的建模方法[42]。

SD作为一种计算机辅助的战略决策方法[43]，其理论基础源于控制系统理论[44]。该理论的核心在于揭示反馈回路机制——由两个及以上要素间因果链构成的闭合循环，使得从任一要素出发追溯因果关系最终都能回归原始的要素。反馈回路主要分为增强型反馈回路和平衡型反馈回路。增强型反馈回路通过放大变量增减幅度，在孤立条件下会引发指数级增长或衰减[45]；平衡型反馈回路则抑制系统变化，维持系统稳定性[42]。即使基础因果关系呈线性特征，这两类反馈回路仍会诱发非线性行为。反馈回路是SD建模的核心要素，SD方法论遵循结构化建模流程，涵盖明确研究边界、构建定性概念模型、建立定量数学模型、模型验证、仿真测试及敏感性分析等关键步骤[46]。既有研究通过上述流程，已从定性与定量维度揭示动态反馈回路的时变机制。

定性SD模型[如因果回路图（CLD）]已被广泛用于对具有复杂性与不可预测性的商业模型进行建模和分析[47]。实践证明，CLD能有效支持绩效管理、可持续发展及组织变革等战略的设计与测试[48]。例如，文献[49]从系统视角出发，系统性地呈现了可持续商业模式的核心价值维度——价值创造、价值主张、价值获取及环境价值主张，并揭示了各维度间的内在关联。然而，尽管SD建模可解析商业模型变量间的因果关系，但将数字化作为独立价值维度进行专项分析，仍是当前研究中尚未解决的关键问题[50]。

定量SD模型（又称存量流量图，SFD）在实证数据受限情境中具有独特价值[51]，尤其适用于经济与政策影响评估领域[52‒53]。例如，利用SD建模检查采矿作业系统的反馈回路，量化变量及其交互作用，评估项目波动性[54]；构建SD模型，模拟可再生能源普及与能效提升的节能效益[55]。在基建领域，SD模型评估显示新交通项目的收益范围超越传统静态分析，且投资回收期显著缩短[56]。另有研究提出基于NPV分析的新型开源CBA模型，专门针对变电站的保护、自动化及控制系统设计，证实虚拟化变电站的财务与社会NPV均为正值[57]；或开发基于SD的企业估值模型，解析不同债务结构与税率情景下的企业价值[58]。在数字化评估领域，已有多项研究探索SD在企业绩效评估与创新促进中的应用[59‒60]。但如何系统整合CBA与SD方法论，构建能源数字化影响的普适评估框架，仍是亟待突破的核心挑战。

基于上述理论框架以及现有研究局限，本文提出双目标方法论体系：其一，构建创新型评估框架与方法论，提升数字化项目的经济评估水平；其二，揭示能源企业数字化转型过程中多元价值维度间的复杂因果关联与反馈机制。本研究的创新性在于系统解构数字化项目中成本与收益的生成机制。在第2节中，通过构建数字化商业模型范式，从SD视角重构财务与社会CBA框架。这一研究整合了CBA、能源领域数字化、SD及商业建模四大领域，成功识别出影响数字化成效的关键反馈回路。基于该概念框架，本文首创性地提出适用于能源行业数字化转型的动态CBA方法论（详见第3节）。为验证方法的有效性，研究采用EUJRC在意大利伊塞尔尼亚开展的实证案例[61]进行示范分析（第4节），该案例作为动态CBA应用的基准测试，其评估结果与讨论详见第5节。最后，第6节对本研究进行了总结。

2 动态成本效益分析框架

随着数字化转型重塑能源企业的产品和服务、目标客户群体、分销渠道、核心竞争力、成本结构与盈利模式[62]，亟须建立系统性分析视角。为此，本文提出了揭示数字化与商业模式依存关系的分析框架。如图1所示，模型中每个价值维度层均包含可动态调整的变量清单，研究人员可根据具体经济分析场景增减或扩展变量。尽管变量选择存在主观性，但本文采用的通用描述均引自高影响力文献[39]。框架通过CLD中的箭头与变量连接各层级，将传统经济分析解构为可视化价值维度组合。从宏观视角看，模型重点呈现跨维度层的核心因果链，并通过正、负号标注变量间的作用方向。这种分层方法在文献[49]的基础上进行了扩展，新增了与数字化相关的维度（第2.1小节和第2.2小节）。此外，价值获取层被用来直观地描述动态 CBA 的主要构成要素，包括财务和社会两个方面（第2.3小节）。

2.1 价值创造层

商业模式的核心目标之一在于创造价值。这类模式通过整合资源、基础设施、人力资源及各类资产，构建与商业目标相匹配的运营能力体系，最终形成具有市场竞争力的价值主张[63]。如图1所示，为明确数字新技术在整体商业模式及后续经济分析中的作用，本研究在模型构建中特别区分了数字价值创造与传统价值创造两个子维度。

2.1.1 传统价值创造

在能源企业中，能源基础设施容量、资产规模及人员数量等关键变量，直接影响企业满足目标产能与需求响应的能力。这些价值创造过程中的变量会直接影响客户价值主张（因果链1），从而通过增加产品和服务种类促进客户数量的扩大。这一点在可再生能源领域原始设备制造商采用的策略中尤为明显，其项目组合多元化包括太阳能电站、海上风电厂以及与储能技术的整合[9]。

价值创造过程高度依赖运维策略。其中，纠正式维护与预防性维护是降低设备故障风险的两大核心路径[64]。纠正式维护采用故障响应模式，仅在设备出现明确故障时启动修复；而预防性维护则通过定期检测提前识别潜在故障隐患。在这种情况下，通过所实施的运维策略，可形成内部反馈回路。事实上，这两种运维策略都能够动态地改变资产剩余使用寿命，而剩余使用寿命最终决定了发生故障的概率[65]，从而触发纠正式维护措施。这些运维活动所涉及的成本既包含确定性的资产更换成本、人员与设备常规运营支出，也涵盖由极端天气、设备突发故障等随机事件引发的计划外支出[66]。

2.1.2 数字价值创造

该维度聚焦某一商业模式中数据基础设施、数字技能及前沿技术对重构现有流程、优化价值链及提升决策效率方面的作用[67]。数字技术体系呈现多元化特征，涵盖ICT、IoT、AI、大数据、机器人、云计算、虚拟现实及区块链等创新工具和技术[68]。这些技术深度嵌入企业核心流程，能够实现多种功能突破，包括通过状态估计与设备健康监测等过程监控手段，显著提升运营与规划效率；支撑预测性维护策略实施，有效延长资产使用寿命[67]；在电力输配环节，数字资产通过实现源-网-荷-储协同互动，显著增强系统灵活性[69]。这种灵活性提升有望延长资产寿命，从而推迟资本支出（CAPEX）[70]并促进价值创造（因果链2）。

数字化转型依托数据驱动的敏捷产品开发与市场分析模式，巩固了传统价值主张（因果链3）。除了提高运营效率之外，数字技术在引入创新服务工具（如电子商务与数字营销）以及提升客户体验和服务质量方面也发挥着重要作用[71]，这使得企业能够拓展客户的价值主张（因果链4）。数字技术对价值主张与传统价值创造的影响与数字技术的可扩展性密切相关。可扩展性指技术在处理增长型数据量与整合新增资源时，保持适应性与成本效益的能力[68]。可扩展性对数字化实施的经济性与时效性至关重要。鉴于预算约束与风险规避倾向，数字技术通常需采用模块化、分阶段部署策略，而非一次性全面推广。具备高度可扩展性的数字价值创造过程能发挥规模经济效应，通过降低硬件与软件成本实现经济高效的解决方案[72]，同时提升系统兼容性与互操作性[73]，支持与现有系统的模块化集成。在能源行业数据体量、多样性及生成速度持续增长的背景下，这种可扩展性尤为重要。

与传统资产类似，数字技术也涉及与软件更新、硬件更换、数据处理和人员培训相关的运维成本。其中，须特别关注网络安全支出。能源系统数字化设备间的互联互通催生了大量潜在的攻击入口。服务器、网络设备、网站、移动应用程序、软件、固件、网络服务、云平台、传感器、电机、继电器及硬件设备均可能遭受网络攻击[74]。这些攻击载体关联多重网络安全风险，包括数据泄露、恶意软件与勒索病毒、拒绝服务（DoS）攻击、内部威胁、供应链攻击及控制系统漏洞等，详见参考文献[75]。此类网络攻击将直接导致财务损失、运营停机、法律追责及商誉受损，最终影响客户价值主张与既有价值创造能力[76]。具体而言，数据泄露通过破坏客户和运营数据影响ICT，而恶意软件、勒索软件及DoS攻击则干扰服务交付并增加应对成本。更严重的是，传统价值创造环节的安全漏洞可能导致灾难性系统故障，引发重大安全隐忧与可靠性危机，迫使企业不得不投入巨资进行全方位安防升级[77]。

2.2 价值主张层

价值主张体现了能源企业通过提供多样化产品与服务向客户群体传递的价值内涵。如图1所示，参照价值创造层的结构划分，该部分同样区分了数字价值主张与传统价值主张两个维度。

2.2.1 传统价值主张

在传统价值主张层面，常见的映射变量包括客户管理以及产品与服务组合，具体表现为降低能源价格、通过能源及相关服务获取收益、减少能耗与电费支出、提升电力质量、优化客户碳足迹管理、实施差异化定价策略以及推广可持续能源解决方案等[62]。能源行业的价值主张差异源于产品、服务与市场结构的异质性。例如，在天然气与电力输配[67]等自然垄断型市场中，其收益机制、价值主张及产品质量标准均受公共机构严格监管，这与完全自由化的竞争性市场形成鲜明对比。

2.2.2 数字价值主张

数字价值主张依托数字化转型重构客户交互模式与服务体验，彻底突破了传统能源服务的边界。基于数字基础设施与技术集群的支撑（因果链4），能源领域涌现出诸如客户行为深度分析、精细化能效监测与评估等创新应用场景[78]。企业通过提升产品质量与开发新型服务功能，不仅增强了客户黏性，更实现了价值主张的创新升级（因果链5）[79]。例如，能源供应、输配中的数字创新能够影响能源效率，实现更可持续的能源生产与消费。

2.3 价值获取层

价值获取层涵盖商业模式运营与销售产生的收益流和成本流。财务价值获取层和社会价值获取层可以从项目发起方和社会的角度，以图形化方式表示CBA，涵盖所有具有相关权益的市场、环境及第三方。这些价值获取层易受价值创造层与价值主张层预设条件所引发的不确定性影响。此类不确定性与诸多因素（数字技术的实施情况和技术成熟度、市场与供应链动态变化以及社会发展等）相关。

2.3.1 财务价值获取层

本层旨在整合运维成本及源自价值主张（因果链6）与价值创造（因果链7）的各类收益。

这涉及对数字和传统基础设施与产品的初始投资及再投资（因果链8~11），为CBA应用提供重要的反馈回路。财务价值获取、价值创造和价值主张层均是从项目发起者的角度出发。但当数字化影响源自多个利益相关者的商业模式时，上述概念可能需要进一步细化。这要求针对每个利益相关者分别模拟其价值维度。例如，在企业间（B2B）场景中，可通过动态连接供应方的价值主张与需求方的价值创造，进而关联双方的商业模式，开展更深入的建模分析。若不考虑环境和社会影响（这些影响包含在社会价值获取层中），这种多利益相关者视角可能并不完整。

2.3.2 社会价值获取层

本层突破单一或多企业利益范畴，采用社会性评估视角，综合考量环境与社会影响。其分析框架将财务影响（因果链12）与正、负外部性因素（如一次能源消耗降低、排放量减少和潜在网络攻击对其他利益相关方造成的成本损失等[76]）进行整合。

知识外溢作为关键外部性因素，通过促进初创企业发展、推动知识共享、提升供应链效率及助力人力资本积累等途径产生多维价值[80]。社会效益与财务效益的共同实现，不仅能提升项目预期盈利能力，还可降低投资者的风险规避倾向。因此，社会与财务CBA的评估结果将直接影响再投资决策（因果链13），从而形成随时间演变的动态CBA体系。

3 动态CBA方法

基于上述框架层次，本文提出适用于数字化转型的动态CBA方法。该方法论包含多个递进步骤，如图2所示。首先，须界定待评估数字资产的类型与功能定位，将其归类至数字价值创造层与数字价值主张层。这一步骤要求系统梳理数字技术在商业模式中的具体应用形态及其价值贡献维度（步骤1）。完成数字基础设施的层次映射后，须识别数字化转型影响与整体商业模式间的相互作用机制（步骤2）。如图1通用框架所示，传统价值创造、价值主张及价值获取层均会受到新增或增强功能（如预测性维护、储能系统优化管理）的显著影响。

建模过程的首要环节是对数字技术相关投资与运营成本进行全面评估，包括软件开发、IoT基础设施等初始投入以及持续的更新维护费用。在成本核算过程中，需同时考量确定性支出与随机性支出，尤其是与低概率但高后果事件（如网络安全事件）相关的支出。例如，这些支出的财务影响会与网络攻击所带来的预期成本进行权衡，而这些成本是通过网络攻击发生的可能性与潜在影响的乘积来计算得出的。尽管能源行业普遍认识到网络安全风险的重要性，但传统CBA往往忽视其影响。采用动态CBA框架能够将网络安全影响建模为CBA内的反馈回路：一方面，通过有针对性的投资来强化网络安全；另一方面，由于数据收集、自动化和系统互联的扩大，可能增加网络攻击的脆弱性。

随后，在效益识别阶段，需要系统梳理数字技术的功能特性（如系统优化、预测性维护等），并将其映射至传统价值维度的变量（如预防性维护检查频率、剩余使用寿命等）。如文献[33]所示，功能特性被映射到相应的效益指标，相关成本和效益与财务和社会价值获取层进行因果关联（步骤3）。该关联过程需涵盖确定性效益与不确定性效益，其中包括降低网络安全风险等方面的考量。最终构建的CLD将清晰呈现各价值维度间的反馈机制，但其结构须通过专家访谈与文献综述进行双重验证（步骤4）[81]。

在定性模型通过验证后，研究将进入定量模型的构建与测试阶段，以实现财务和社会双重维度的CBA（步骤5）。在此阶段，需运用代数方程定义SFD，这些方程能够描述各层已识别的变量特征，并能够模拟不同情景和参数值下的系统行为，具体可参考文献[46,51]。这些SFD明确了系统的状态，通过存量（作为记忆存储）来捕捉系统的当前状况，同时通过随时间变化的流入量和流出量（即流量）来展示系统的动态变化。如文献[54]所示，该关系可通过等式（1）进行数学描述：

S t = ∫ t 0 t I t - O (t) d t + S (t 0)

（1）

式中，S(t)表示从初始时刻t₀到当前时刻t的累积存量；S(t₀)代表存量的初始值；而I(t)和O(t)分别代表影响存量累积的流入量与流出量。在此分析框架中，典型的存量变量包括客户数量、员工规模、数字与传统资产容量以及累计收益等。

为确保模型准确反映系统真实行为，必须对各存量及变量的动态演变进行定量验证（步骤6）。这一验证过程需将数字化成本和效益类别与既有数据和预期值进行比对，具体可参考文献[82]。其具体内容包括：模型结构验证、参数测试、极端条件模拟以及系统行为复现能力评估[44]。验证工作需兼顾定性和定量方法，从而确保所定义的存量变量与因果链路能够表征商业维度及其数字化转型带来的增量影响。

经过验证后，该模型的模拟结果会生成财务与社会效益指标，这些指标即为动态CBA的最终结果（步骤7）。如图1所示，相关成本与效益均源自价值创造层和价值主张层。为全面呈现财务与经济双重维度的CBA指标，本方法采用了期望值算子（E），同时考虑了模型假设的随机性。该方法尤其适用于模拟网络安全攻击、停电事故等低概率、高影响事件[83]。

本方法对成本效益进行了静态与动态类别的区分。如文献[48]所述，动态影响通过再投资决策、维护策略及运营活动触发的多重反馈回路显现，这些回路会促使经济模型中初始假设的持续修正。基于此认知，本方法强调在计算财务与社会效益指标时需纳入动态影响考量。这一理念具体体现在项目NPV的动态计算公式中：

E[NPV]_T = E[NPV]_s + E[NPV]_d（2）

式中，数字化举措的总期望NPV（E[NPV]_T）被定义为静态收益和成本所获得的期望NPV（E[NPV]_s）与包含反馈循环所产生价值的期望NPV（E[NPV]_d）之和。该公式涵盖了传统评估往往忽视的动态收益流与成本流。总体而言，相较于现有评估方法，本方法在评估数字技术的长期价值与风险方面具有显著优势。这些优势源于多个因素，包括建模基础、信息处理方式、考虑的视角、工具透明度、验证程序以及处理不确定性的方法，具体细节见表1。

在识别动态与静态影响后，需审慎处理各利益相关方之间的成本效益归属问题。对于项目推动方之外其他主体产生的正、负影响应当精确核算并避免重复计算，即不得将转移影响（某一方的成本被计为其他方收益的情况）纳入评估[84]。例如，某一方运营成本的降低可能转化为客户收益的增加，此时仅应择一计入，以确保最终财务与社会指标的准确性。鉴于这些指标具有随机性且假设条件和参数存在多种不同情况，因此必须进行不确定性分析（步骤8）。该最终步骤可采用单点敏感性分析、情景分析或蒙特卡罗模拟等方法[85]。其中，蒙特卡罗模拟能有效揭示模型参数对财务和经济指标的单因素影响，有助于更深入地理解假设、模型参数和模拟情景的敏感性。

4 应用案例

本节通过示例性应用案例（详见第4.1小节）实证演示所述方法的实操流程。基于文献[33] EU JRC方法的结果，第4.2小节构建并验证了SD模型，重点考量图1所示的再投资反馈回路（因果链8~11）。为构建SD模型方程并模拟其在九年时间范围内的年度运行表现，本案例采用InsightMaker这款开源且多功能的用于网页建模与模拟的工具[86]。

4.1 案例研究概述

本研究选取意大利伊塞尔尼亚地区配电网中智能电网项目的CBA作为案例，以评估其财务和社会成本与收益[61]，该案例作为整合传统资产与数字资产的大规模智能电网项目，代表了能源领域既往及当前数字化转型的标杆实践。案例采用经过验证的CBA框架，通过考量监管互动与终端用户影响，全面评估了数字化的财务与社会效益。此外，JRC发布的案例报告提供了详尽的假设条件、基础数据、结果参数及敏感性分析，既确保案例可复现性，又为本文所提方法建立了可靠的基准参照系。

本案例的核心利益相关方包括配电系统运营商（DSO）、国家监管机构（NRA）、终端电力用户及环境系统。作为项目主导方，DSO自2011年起实施智能电网投资，旨在提升配电网的保护、自动化及管理水平。为实现这些目标，项目通过部署监控与数据采集（SCADA）系统、测量装置、调制解调器和路由器、智能信息交互平台及电动汽车充电基础设施等产生CAPEX。这些投资同时产生财务与社会双重效益。财务效益的实现以加权平均资本成本（WACC）为基准，该指标是财务CBA的补偿基准。在伊塞尔尼亚案例[61]中，WACC设定了两种主要情景：情景A的监管WACC为7.4%，情景B则额外增加了2.0%的WACC补偿，总计为9.4%。社会效益则源于用户用电量的减少、可再生能源使用量的增加带来的初级能源节约以及减排。值得注意的是，为保持基准一致性，本SD模型沿用了文献[61]将财务效益纳入社会效益范畴的原始假设。

4.2 动态CBA应用

4.2.1 定性模型描述

SD模型的概念框架如图3（a）所示，图中的CLD描述了伊塞尔尼亚案例特有的CBA变量。然而，这一传统CBA模型未能考虑两类反馈回路：一是由财务NPV为正触发的再投资决策，二是因监管WACC上调引发的再投资行为。为此，图3（b）展示了动态CBA的CLD，其将项目视为并非在固定时间尺度连续运行，这种处理方式或许能更准确地反映智能电网项目的实际发展进程[87]。在该模型框架中，可清晰识别驱动再投资率变化的增强型与平衡型两类反馈回路。

当利益相关方观察到数字产品与资产存量增长所带来的正向财务和社会效益时，便可能形成增强型反馈回路。这类回路能够提高可再生能源占比和节电效益，从而促使NRA提升对DSO的补偿力度，继而推高WACC，最终对财务NPV产生正向影响。项目主导方将此现象视为强有力的投资激励，从而增强对智能电网技术的投资意愿（WTI）；该意愿同时受数字技术成熟度与可扩展性的影响。与之相对，平衡型反馈回路则源自数字化投资产生的成本压力。这些成本对财务和社会NPV的负面影响可能抑制新一轮投资的实施。伊塞尔尼亚案例的总体SFD如图3（c）所示。在该SFD中，反馈回路和存量变量（如对数字资产的投资量）在驱动效益的同时，也引入了非线性关联。正如CLD所预期，再投资行为通过社会DCF与DSO的额外WACC因子之间的关联得以体现。

4.2.2 定量模型描述与验证

模型方程展示了成本与效益的因果链，其具体参数详见表2和表3。本研究采用一种基于规则的方法来阐明再投资决策。具体而言，再投资是通过累计社会DCF之间的相关性来界定的，而这种相关性又能够触发由DSO所产生的额外WACC因素。这一设定适用于伊塞尔尼亚原始案例[61]，在该案例中，NRA提供附加收益以补偿DSO的投资成本。基于此，本文提出，当社会DCF超过零时，WACC将渐进式分配给DSO。这种动态分配机制一方面影响DSO的DCF，另一方面当DCF转为正值时，项目主导方的再投资率将显著提升，从而产生额外的社会成本与效益。由于篇幅限制，表格仅列出了效益计算、成本核算、财务和社会指标评估以及再投资反馈回路等核心公式。完整的公式体系、文献[61]原始数据及整体SD模型详见附录A。

为评估和验证模拟结果的可靠性，必须首先验证SD模型能否复现伊塞尔尼亚CBA的原始结果。本研究以年度财务效益和社会效益作为参考模式检验模型性能，具体如图4所示。其中，图4（a）~（d）分别展示了用户节电收益、初级能源节约和减排效益等社会效益指标；图4（e）和（f）则模拟了BaU WACC与扩展WACC情景下的财务效益。模拟结果成功复现了基准数据，根据文献[82]标准可判定该SD模型具有有效性。尽管在验证过程中发现因贴现率（名义值或实际值）应用差异及部分效益数据缺失导致微小偏差，但整体验证结果充分证实了SD模型的可靠性。

4.3 局限性与不确定性

本案例研究通过既有实际CBA数据验证动态CBA方法的潜力，但该比较存在若干局限性与不确定性。首先，评估受到伊塞尔尼亚原始CBA中诸多假设的限制，包括采用2.5%的固定社会贴现率、4.0%的财务贴现率以及每吨二氧化碳15欧元的排放价格假设（这是基于欧洲排放交易体系中不断变化的电价做出的乐观估计）[88]。其次，7.4%的管制WACC与十年期评估时限的初始设定客观上限制了效益类别。若突破这些约束条件，采用动态折现因子，将更准确反映风险价格的时变特征[89]及长期效益。事实上，更长的时间跨度不仅可以解释电网基础设施投资的延迟，还有助于提高可再生能源的整合比例。此外，由于原伊塞尔尼亚CBA [61]未涵盖相关内容，本研究的应用中也未计入数字技术的运营和更换成本。除模型本身的局限性外，结果还受到与参数定义和SD模型中因果链构建相关的若干不确定性的影响。参照文献[9]的做法，主要不确定性来源包括：①需进行不确定性分析的WACC和WTI的演变情况；②电价和排放因子等外部输入因素；③再投资规则的不确定性。

从经济学视角来看，WACC会因监管框架演变和债务成本变化而波动。此外，为补偿数字技术成本及其对提高供电质量与降低功率损耗的积极影响，可能会产生额外的WACC补偿费用。这种WACC的上升可能对不同DSO产生不同的影响，具体取决于其WTI，而该意愿指数显著受DSO规模、数字技术能力、财务可持续性及组织壁垒等因素影响[23]。同样值得关注的是，在长期评估框架下，电力现货市场的不确定性具有重要影响[90]。最后，本研究设定的再投资规则基于一个核心原则：当社会与财务双重维度的评估指标均为正值且投资成本已回收时，将触发再投资行为。但需强调的是，该决策模式可能随DSO与NRA风险偏好的变化而动态调整。

5 结果与讨论

本节在四种选定情景下对SD模型进行仿真模拟，相关情景描述及讨论详见第5.1小节。仿真采用InsightMaker平台提供的四阶Runge-Kutta算法[91]（该算法为SD建模推荐方法）获取结果。此外，为考虑不确定性因素，第5.2小节还对影响DCF的相关参数进行了分析。

5.1 情景分析

本研究通过对比四类情景完成动态CBA结果的基准测试：情景A与情景B未考虑反馈回路或再投资机制，而情景C与情景D则概述了特定再投资条件和WTI指数下的模型演化路径（各情景具体参数详见表4）。本文重点探究WACC的增长能否提升盈利能力、推动WTI相关指标改善并进一步触发对数字技术和电动汽车充电基础设施的再投资，最终同步提升财务与社会效益。

图5展示了选定情景的模拟结果，从财务和社会双重维度呈现了各情景下累计与年度DCF的动态演变。需要特别说明的是，累计DCF的终值即对应前文所述的NPV指标。通过自上而下的分析视角，前两幅子图刻画了九年模拟周期内社会效益指标的演进轨迹。值得注意的是，情景A和情景C的初始投资相同，均为740万欧元，且在第五年达到盈亏平衡点之前，两者的社会DCF几乎无差异。相反，情景B和情景D在初始WACC率较高（9.4%）的情况下进行模拟，于第四年便实现了盈亏平衡；达到盈亏平衡点后，动态成本与效益开始发挥作用，带来额外的WACC补偿。这导致了情景A与情景B之间以及情景C与情景D之间NPV的差异，具体数据见表5。

随后，由于WACC的上升，累计财务DCF转为正值，DSO可能启动新一轮数字技术与电动汽车充电设施投资。尽管新增投资会暂时拉低财务与社会指标，但最终将显著提升社会效益。如图所示，由于涵盖项目方与多利益相关方的综合收益，社会效益指标始终优于财务指标。具体而言，如表5总结所示，动态与静态情景的差异根源在于将DSO的额外WACC计入社会效益的原始假设。这一特征在图5的情景B中尤为明显——由于再投资行为直至末年才触发，该收益流成为主导差异的关键因素。

除WACC的影响外，再投资效应在情景D中表现尤为突出，因为它会对年度DCF产生影响。在这种情况下，环境效益产生的正向DCF有效覆盖了追加投资成本，为同时考量动态与静态NPV提供了实证依据。这一发现与公式（2）的理论假设完全吻合：增强型与平衡型反馈回路的相互作用会导致财务和社会指标的动态变化，最终改变投资决策。这种情况在情景 C 中得到了具体体现：与静态情景A不同，当出现正向NPV时，DSO可能批准投资决策，因为动态模型显示投资成本具备回收潜力。本质上，反馈回路的引入能够显著影响投资决策。传统CBA可能无法得出正向的财务NPV，但模拟结果显示，纳入再投资行为的模拟情景能精准捕捉驱动数字化转型的两类反馈回路的非线性效应。这些结果表明，在数字化项目中考虑再投资率和WTI等因素时，项目估值会发生显著变化。纳入这些因素有助于更全面地理解静态方法中可能未涵盖的冲突性反馈回路所产生的影响。

5.2 不确定性分析

再投资反回路环中存在固有不确定性，这些不确定性取决于特定的不确定性参数。本次不确定性分析旨在阐明这些参数对累计DCF演变的影响。分析采用蒙特卡罗模拟方法对财务和社会指标进行概率评估，同时考虑WACC WTI因素的可变性，这两个因素均对模型动态有显著影响。假设WACC因素遵循正态分布，其均值μ_wacc = 1.5，标准差σ_wacc = 1.0；WTI因素同样遵循正态分布，均值μ_wti= 1.0，标准差σ_wti= 0.2。随后，利用InsightMaker中的敏感性分析工具箱，使用2500个样本进行蒙特卡罗分析。为方便起见，如同参考文献[92]中的做法，假设参数遵循正态分布。样本数量的选择依据是观察财务和社会指标，直至达到显著收敛为止。本次分析针对动态情景C和情景D，分别探讨了财务和社会累计DCF的情况。

不确定性分析的结果如图6所示，该图展示了累计DCF均值的时间序列，同时标注了95%的下限和上限界限。这一图示有效地展现了情景C和情景D中存在的固有不确定性。值得注意的是，当考虑再投资因素时，情景D的财务和社会指标值均更高。但该情景伴随更高的波动性：受投资成本影响，其DCF从第六年起呈现下降趋势。值得关注的是，将情景C的敏感性分析与情景A的结果进行对比时发现，由于再投资存在高度不确定性，在考虑SD因素的情景中，两种情景在财务和社会指标的累计DCF方面均存在差异。这种差异反映了由平衡型和增强型反馈回路所驱动的潜在收益和成本。其中，平衡型反馈回路会增加成本并降低WTI，而增强型反馈回路则促进新的投资，进而可能产生新的收益并刺激再投资。

6 结论

数字化对能源行业影响深远，主要体现在提升产业竞争力与降低全价值链成本上。然而，由于难以对效益和成本进行量化，数字化技术的推广仍面临较大限制。传统CBA方法一直侧重于对静态运营的考量且评估维度较为有限，这使得我们难以准确评估数字化所带来的复杂、动态影响。为此，本研究基于SD建模提出了创新性的动态CBA框架，通过整合财务与社会效益的双重维度，为解析能源行业商业模式中的动态反馈结构提供了系统化评估基础。该方法通过综合评估不确定性、基于模型的方法以及纳入影响数字化成本和效益的非线性关系，提升了捕捉数字化技术长期价值链和相关风险的能力。此外，尽管本研究主要聚焦能源领域，但其方法论的基本原则可延伸应用于其他经济领域。通过对示范案例的应用研究，本框架展现出重要的理论与实践价值。首先，从实践层面上看，动态财务和社会影响的精准建模与评估能够改变管理决策模式，提升决策准确性。这有助于缓解决策者的风险规避倾向，从而解决阻碍数字化推广的关键因素。同时，本研究为理解数字化转型对商业模式价值维度的影响提供了概念框架，可系统识别数字化驱动成本与效益流的因果链条。就理论层面而言，本文强调指出，数字化带来的影响效果高度依赖于商业模式要素间的交互作用、反馈回路及延迟效应。这一发现对管理与工程领域具有特殊启示，因为相关从业者须充分认识运营与管理决策中存在的动态成本和效益，从而直接影响技术采纳进程及其成熟度演进。

尽管动态CBA方法具有显著优势，但其应用仍面临多重挑战，如反馈回路变量的界定、复杂关联的建模以及跨利益相关方和跨行业影响的量化。有效建模的关键在于准确定义研究范围及核心变量（如存量、流量和反馈回路），并正确表征业务层级及其与数字化的关联机制。此外，案例研究和商业模式的多样性会导致SD公式的具体形式存在差异，这要求研究人员具备处理不确定因果链、技术创新水平、企业类型和区域差异的专业能力。为降低不确定性，利用历史数据对SD模型进行严格校准和验证，辅以敏感性分析、概率化方法及清晰的反馈回路文档记录，能够确保结果具有稳健性、可靠性和透明度，并能真实反映实际系统行为，支撑科学决策。克服这些挑战需要经济学家、工程师、管理者和监管机构等多方利益相关者的跨学科协作。未来研究应着重提升该方法论框架的实践应用：一方面需识别数字化进程中的新型反馈回路结构；另一方面应扩展框架以适应能源价值链上多元利益主体的评估需求。这一研究方向将有助于最大化能源领域数字化转型的净效益。

参考文献

原文顺序 | 出版日期 | 本文引用

[1]	Heymann F, Milojevic T, Covatariu A, Verma P . Digitalization in decarbonizing electricity systems-phenomena, aspectsregional, stakeholders, casesuse, challenges and policy options. Energy 2023;262:125521. . 10.1016/j.energy.2022.125521

[2]	Palensky P, Cvetkovic M, Gusain D, Joseph A. Digital twins and their use in future power systems. Digital Twin 2021;1:4. . 10.12688/digitaltwin.17435.1

[3]	Tuballa ML, Abundo ML. A review of the development of smart grid technologies. Renew Sustain Energy Rev 2016;59:710‒25. . 10.1016/j.rser.2016.01.011

[4]	Fathi NY, Yassin AS. Wind energy potential in Gaza Strip-Palestine state. Sol Energy Sustain Dev J 2021;7(2):41‒57.

[5]	Awad H, Nassar YF, Hafez A, Sherbiny MK, Ali AF. Optimal design and economic feasibility of rooftop photovoltaic energy system for Assuit University, Egypt. Ain Shams Eng J 2022;13(3):101599. . 10.1016/j.asej.2021.09.026

[6]	Miskeen A, Elzer RS, Mangir IK, Nassar Y, El-khozondar H, Khaleel M, et al. Electricity from wastewater treatment plants. J Sol Energy Sustain Dev 2023;12:24‒37. . 10.51646/jsesd.v12i2.156

[7]

Quaranta E, Bejarano MD, Comoglio C, Fuentes-Pérez JF, Pérez-Díaz JI, Sanz-Ronda FJ, et al. Digitalization and real-time control to mitigate environmental impacts along rivers: focus on artificial barriers, hydropower systems and European priorities. Sci Total Environ 2023;875:162489. . 10.1016/j.scitotenv.2023.162489

[8]	Nassar YF, Abdunnabi MJ, Sbeta MN, Hafez AA, Amer KA, Ahmed AY, et al. Dynamic analysis and sizing optimization of a pumped hydroelectric storage-integrated hybrid PV/wind system: a case study. Energy Convers Manage 2021;229:113744. . 10.1016/j.enconman.2020.113744

[9]	Nassar YF, Alsadi SY, El-Khozondar HJ, Ismail MS, Al-Maghalseh M, Khatib T, et al. Design of an isolated renewable hybrid energy system: a case study. Mater Renew Sustain Energy 2022;11(3):225‒40. . 10.1007/s40243-022-00216-1

[10]	El-Khozondar HJ, El-batta F, El-Khozondar RJ, Nassar Y, Alramlawi M, Alsadi S. Standalone hybrid PV/wind/diesel-electric generator system for a COVID-19 quarantine center. Environ Prog Sustain Energy 2023;42(3):e14049. . 10.1002/ep.14049

[11]	International Energy Agency‒IEA). Digitalization & energy. Technical report. Paris: IEA; 2017.

[12]	WindEurope. Wind energy digitalisation towards 2030 [Internet]. Brussels: WindEurope; 2021 Nov 22 [cited 2023 Mar 13]. Available from:

[13]	Weigel P, Fischedick M, Viebahn P. Holistic evaluation of digital applications in the energy sector-evaluation framework development and application to the use case smart meter roll-out. Sustainability 2021;13(12):6834. . 10.3390/su13126834

[14]	Zhao J, Yue X. Condition monitoring of power transmission and transformation equipment based on industrial internet of things technology. Comput Commun 2020;157:204‒12. . 10.1016/j.comcom.2020.04.008

[15]	Barja-Martinez S, Aragüés-Peñalba M, Munné-Collado Í, Lloret-Gallego P, Bullich-Massagué E, Villafafila-Robles R. Artificial intelligence techniques for enabling big data services in distribution networks: a review. Renew Sustain Energy Rev 2021;150:111459. . 10.1016/j.rser.2021.111459

[16]	Wilczek P. Connecting the dots: distribution grid investments to power the energy transition. In: Proceedings of the 11th Solar & Storage Power System Integration Workshop (SIW 2021), ConferenceHybrid; 2021 Sep 28; online. London: IET Conference Publications; 2021. p. 1‒18. . 10.1049/icp.2021.2473

[17]	Verma P, Savickas R, Strüker J, Buettner S, Kjeldsen O, Wang X, Digitalization: enabling the new phase of energy efficiency. In: Proceedings of the Group of Experts on Energy Efficiency 2020; 2020 Sep 22‒25; Geneva, Switzerland. New Delhi: DTU Library; 2020.

[18]	Albadi MH, El-Saadany EF. A summary of demand response in electricity markets. Electr Power Syst Res 2008;78(11):1989‒96. . 10.1016/j.epsr.2008.04.002

[19]	Leiva Vilaplana JA. Modernising electricity distribution grids in Spain: assessing the benefits of digitalisation in the context of the Spanish recovery, resilience, and transformation plans. Madrid: Fundación de Estudios de Economía Applicada; 2023.

[20]	Xu Q, Zhong M, Li X. How does digitalization affect energy? international evidence. Energy Econ 2022;107:105879. . 10.1016/j.eneco.2022.105879

[21]	Di Silvestre ML, Favuzza S, Riva Sanseverino E, Zizzo G. How decarbonization, digitalization and decentralization are changing key power infrastructures. Renew Sustain Energy Rev 2018;93:483‒98. . 10.1016/j.rser.2018.05.068

[22]	International Energy Agency (IEA). Unlocking smart grid opportunities in emerging markets and developing economies. Report. Paris: IEA; 2023. . 10.1787/3cd7a4b0-en

[23]	Monaco R, Bergaentzlé C, Leiva Vilaplana JA, Ackom E, Nielsen PS. Digitalization of power distribution grids: barrier analysis, ranking and policy recommendations. Energy Policy 2024;188:114083. . 10.1016/j.enpol.2024.114083

[24]	CommissionEuropean. Digitalising the energy system—EU action plan [Internet]. Brussels: European Commission; 2022 Oct 18 [cited 2023 Mar 13]. Available from:

[25]	Murino T, Monaco R, Nielsen PS, Liu X, Esposito G, Scognamiglio C. Sustainable energy data centres: a holistic conceptual framework for design and operations. Energies 2023;16(15):5764. . 10.3390/en16155764

[26]	Mondejar ME, Avtar R, Diaz HLB, Dubey RK, Esteban J, Gómez-Morales A, et al. Digitalization to achieve sustainable development goals: steps towards a smart green planet. Sci Total Environ 2021;794:148539. . 10.1016/j.scitotenv.2021.148539

[27]	Vilaplana JL, Yang G, Dong Z, Ackom E, Martin F, Pavlov A. Revisit cost-benefit analysis in energy infrastructure: current methodology, practice, and limitations toward digital investment. SSRN Electr J 2023:4505225. . 10.2139/ssrn.4505225

[28]	Flyvbjerg B, Budzier A, Lee JS, Keil M, Lunn D, Bester DW. The empirical reality of IT project cost overruns: discovering a power-law distribution. J Manage Inf Syst 2022;39(3):607‒39. . 10.1080/07421222.2022.2096544

[29]	Electric Power Research Institute (EPRI). Estimating the costs and benefits of the smart grid: a preliminary estimate of the investment requirements and the resultant benefits of a fully functioning smart grid. Report. Beijing: Electric Power Research Institute; 2011.

[30]	Nordling A, Pädam S, af Burén C, Jörgensen P. Social costs and benefits of smart grid technologies. Report. Paris: International Energy Agency; 2018.

[31]	de Rus G. Introduction to cost-benefit analysis: looking for reasonable shortcuts. Cheltenham: Edward Elgar publishing; 2010. . 10.4337/9781849804547

[32]	Abelson P. A partial review of seven official guidelines for cost-benefit analysis. J Benefit Cost Anal 2020;11(2):272‒93. . 10.1017/bca.2020.3

[33]	Giordano V, Onyeji I, Fulli G, Sanchez JM, Filiou C. Guidelines for cost benefit analysis of smart metering deployment. Report. Luxembourg: Publications Office of the European Union; 2012.

[34]	Giordano V, Onyeji I, Fulli G, Sanchez JM, Filiou C. Guidelines for conducting a cost-benefit analysis of smart grid projects. Report. Luxembourg: Publications Office of the European Union; 2012.

[35]	Electric Power Research Institute (EPRI). Guidebook for cost/benefit analysis of smart grid demonstration projects: revision 1, measuring impacts and monetizing benefits. Palo Alto: EPRI; 2012.

[36]	Pilo F, Troncia M. MC-CBA toolkit: model and case study. Rogaland: IEA International Smart Grid Action Network (ISGAN); 2013.

[37]	de Kinderen S, Kaczmarek-Heß M, Ma Q, Razo-Zapata IS. Model-based valuation of smart grid initiatives: foundations, open issues, requirements, and a research outlook. Data Knowl Eng 2022;141:102052. . 10.1016/j.datak.2022.102052

[38]	Hoover KD. Reductionism in economics: intentionality and eschatological justification in the microfoundations of macroeconomics. Philos Sci 2015;82(4):689‒711. . 10.1086/682917

[39]	Richardson GP. Reflections on the foundations of system dynamics. Syst Dyn Rev 2011;27(3):219‒43. . 10.1002/sdr.462

[40]	Woolf T, Havumaki B, Bhandari D, Whited M, Schwartz LC. Benefit-cost analysis for utility-facing grid modernization investments: trends, challenges, and considerations. Report. Berkeley: Lawrence Berkeley National Laboratory; 2021. . 10.2172/1764567

[41]	Marnay C, Liu L, Yu J, Zhang D, Mauzy J, Ba S. Benefit analysis of smart grid projects: white paper 2014‒2016. Berkeley: Energy Technologies Area; 2016. . 10.2172/1398436

[42]	Schieritz N, Milling PM. Modeling the forest or modeling the trees: a comparison of system dynamics and agent-based simulation. In: Proceedings of the 21st International Conference of the System Dynamics Society; 2003 Jul 20‒24; New York City, NY, USA. Southampton: University of Southampton; 2003.

[43]	Bale CS, Varga L, Foxon TJ. Energy and complexity: new ways forward. Appl Energy 2015;138:150‒9. . 10.1016/j.apenergy.2014.10.057

[44]	Forrester JW, Mass NJ, Ryan CJ. The system dynamics national model: understanding socio-economic behavior and policy alternatives. Technol Forecast Soc Change 1976;9(1‒2):51‒68.

[45]	Pruyt E. Using small models for big issues: exploratory system dynamics modelling and analysis for insightful crisis management. Int J Inf Secur 2009;23(1):51‒61.

[46]	Bala BK, Arshad FM, Noh KM. System dynamics, springer texts in business and economics. Singapore: Springer Nature; 2017. . 10.1007/978-981-10-2045-2

[47]	Cosenz F, Rodrigues VP, Rosati F. Dynamic business modeling for sustainability: exploring a system dynamics perspective to develop sustainable business models. Bus Strategy Environ 2020;29(2):651‒64. . 10.1002/bse.2395

[48]	Sterman JD. System dynamics: systems thinking and modeling for a complex world. Report. Cambridge: Massachusetts Institute of Technology; 2002. . 10.1109/emr.2002.1022404

[49]	Abdelkafi N, Tscher K. Business models for sustainability from a system dynamics perspective. Organ Environ 2016;29(1):74‒96. . 10.1177/1086026615592930

[50]	Parida V, Sjödin D, Reim W. Reviewing literature on digitalization, business model innovation, and sustainable industry: past achievements and future promises. Sustainability 2019;11(2):391. . 10.3390/su11020391

[51]	Franco MA. A system dynamics approach to product design and business model strategies for the circular economy. J Clean Prod 2019;241:118327. . 10.1016/j.jclepro.2019.118327

[52]	He YX, Jiao J, Chen RJ, Shu H. The optimization of Chinese power grid investment based on transmission and distribution tariff policy: a system dynamics approach. Energy Policy 2018;113:112‒22. . 10.1016/j.enpol.2017.10.062

[53]	Hsu CW. Using a system dynamics model to assess the effects of capital subsidies and feed-in tariffs on solar PV installations. Appl Energy 2012;100:205‒17. . 10.1016/j.apenergy.2012.02.039

[54]	Liu D, Li G, Hu N, Ma Z. Application of real options on the decision-making of mining investment projects using the system dynamics method. IEEE Access 2019;7:46785‒95. . 10.1109/access.2019.2909128

[55]	Shih YH, Tseng CH. Cost-benefit analysis of sustainable energy development using life-cycle co-benefits assessment and the system dynamics approach. Appl Energy 2014;119:57‒66. . 10.1016/j.apenergy.2013.12.031

[56]	Nguyen T, Cook S, Ireland V. Application of system dynamics to evaluate the social and economic benefits of infrastructure projects. Systems 2017;5(2):29. . 10.3390/systems5020029

[57]	Vilaplana JAL, Kabbara N, Coste T, Morais H, Zerriffi H, Gibescu M. Virtualized protection, automation, and control in electrical substations: an open-source dynamic cost-benefit assessment model. IEEE Access 2024;12:107488‒504. . 10.1109/access.2024.3435972

[58]	Khan A, Qureshi MA, Davidsen PI. A system dynamics model of capital structure policy for firm value maximization. Syst Res Behav Sci 2021;38(4):503‒6. . 10.1002/sres.2693

[59]	Viswanathan R, Telukdarie A. A systems dynamics approach to SME digitalization. Procedia Comput Sci 2021;180:816‒24. . 10.1016/j.procs.2021.01.331

[60]	Qiao W, Ju Y, Dong P, Tiong RLK. How to realize value creation of digital transformation? A system dynamics model. Expert Syst Appl 2024;244:122667. . 10.1016/j.eswa.2023.122667

[61]	Gianluca F, Silvia V, Gianluca F, Laura M, Jon S. Cost-benefit analysis of smart grid projects: Isernia: costs and benefits of smart grid pilot installations and scalability options. Luxembourg: Publications Office of the European Union; 2018.

[62]	Niesten E, Alkemade F. How is value created and captured in smart grids? A review of the literature and an analysis of pilot projects. Renew Sustain Energy Rev 2016;53:629‒38. . 10.1016/j.rser.2015.08.069

[63]	Richardson J. The business model: an integrative framework for strategy execution. Strateg Change 2008;17(5‒6):133‒44.

[64]	Molęda M, Małysiak-Mrozek B, Ding W, Sunderam V, Mrozek D. From corrective to predictive maintenance—a review of maintenance approaches for the power industry. Sensors 2023;23(13):5970. . 10.3390/s23135970

[65]	Saxena A, Celaya J, Saha B, Saha S, Goebel K. Metrics for offline evaluation of prognostic performance. Int J Progn Health Manag 2010;1(1):1‒20.

[66]	Tazi N, Safaei F, Hnaien F. Assessment of the levelized cost of energy using a stochastic model. Energy 2022;238:121776. . 10.1016/j.energy.2021.121776

[67]	Council of European Energy Regulators (CEER). Digitalisation steering group CEER consultation on dynamic regulation to enable digitalization of the energy system: conclusions paper. Brussels: CEER; 2019.

[68]	Andoni M, Robu V, Flynn D, Abram S, Geach D, Jenkins D, et al. Blockchain technology in the energy sector: a systematic review of challenges and opportunities. Renew Sustain Energy Rev 2019;100:143‒74. . 10.1016/j.rser.2018.10.014

[69]	Weigel P, Fischedick M. Review and categorization of digital applications in the energy sector. Appl Sci 2019;9(24):5350. . 10.3390/app9245350

[70]	Bhela S, Kekatos V, Veeramachaneni S. Enhancing observability in distribution grids using smart meter data. 2016. arXiv:10.1109/globalsip.2017.8309125

[71]	Światowiec-Szczepanska J, Ste˛pien´ B. Drivers of digitalization in the energy sector—the managerial perspective from the catching up economy. Energies 2022;15(4):1437. . 10.3390/en15041437

[72]	Liorca M, Soroush G, Glovannetti E, Jamasb T. Davi-Arderius D. Energy sector digitalisation, green transition and regulatory trade-offs. Working paper. Frederiksberg: Copenhagen Business School; 2024.

[73]

Vilaplana JAL, Sundsgaard K, Guerreiro GMG, Yang G. Challenges in the representation of digital applications in SGAM: overview and solutions. In: Proceedings of the 2022 IEEE PES Innovative Smart Grid Technologies Conference Europe (ISGT-Europe); 2022 Oct 10‒12; Novi Sad, Serbia. New York City: IEEE; 2022. . 10.1109/isgt-europe54678.2022.9960549

[74]	Energy Expert Cyber Security Platform. Cyber security in the energy sector. EECSP report. Brussels: European Union; 2017.

[75]	United Nations Economic Commission for Europe (UNECE). Cyber resilience of critical energy infrastructure. Technical report. Geneva: UNECE; 2023. . 10.18356/9789210013536c001

[76]	Venkatachary SK, Prasad J, Samikannu R. Economic impacts of cyber security in energy sector: a review. Int J Energy Econ Policy 2017;7:250‒62. . 10.1080/23742917.2018.1518057

[77]	Sani AS, Yuan D, Jin J, Gao L, Yu S, Dong ZY. Cyber security framework for internet of things-based energy internet. Future Gener Comput Syst 2019;93:849‒59. . 10.1016/j.future.2018.01.029

[78]	Ahmad T, Zhang D, Huang C, Zhang H, Dai N, Song Y, et al. Artificial intelligence in sustainable energy industry: status quo, challenges and opportunities. J Clean Prod 2021;289:125834. . 10.1016/j.jclepro.2021.125834

[79]	Park C. Expansion of servitization in the energy sector and its implications. Energy Environ 2022;11(4):e434. . 10.1002/wene.434

[80]	Bouwman H, Nikou S, Molina-Castillo FJ, de Reuver M. The impact of digitalization on business models. Regul Gov 2018;20(2):105‒24. . 10.1108/dprg-07-2017-0039

[81]	Martinez-Moyano IJ, Richardson GP. Best practices in system dynamics modeling: introduction to the importance of best practices. In: Proceedings of the 19th International Conference of the System Dynamics Society; 2001 Jul 23‒27; Atlanta, GA, USA. Albany: System Dynamics Society; 2001.

[82]	Barlas Y. Multiple tests for validation of system dynamics type of simulation models. Eur J Oper Res 1989;42(1):59‒87. . 10.1016/0377-2217(89)90059-3

[83]	Sperstad IB, Kjølle G, Norum EØ. Accounting for uncertainties due to high-impact low-probability events in power system development. Electr Power Syst Res 2021;193:107015. . 10.1016/j.epsr.2020.107015

[84]	CommissionEuropean. Guide to cost-benefit analysis of investment projects. Technical Report. Brussels: Directorate-General for Regional and Urban Policy; 2014.

[85]	Boardman AE, Greenberg DH, Vining AR, Weimer DL. Cost-benefit analysis: concepts and practice. 5th ed. Cambridge: Cambridge University Press; 2015.

[86]	Fortmann-Roe S. Insight maker: a general-purpose tool for web-based modeling & simulation. Simul Model Pract Theory 2014;47:28‒45. . 10.1016/j.simpat.2014.03.013

[87]	Schachter JA, Mancarella P. A critical review of real options thinking for valuing investment flexibility in smart grids and low carbon energy systems. Renew Sustain Energy Rev 2016;56:261‒71. . 10.1016/j.rser.2015.11.071

[88]	Sitarz J, Pahle M, Osorio S, Luderer G, Pietzcker R. Eu carbon prices signal high policy credibility and farsighted actors. Nat Energy 2024;9(6):691‒702. . 10.1038/s41560-024-01505-x

[89]	Kozak S, Santosh S. Why do discount rates vary? J Financ Econ 2020;137(3):740‒51. . 10.1016/j.jfineco.2020.04.004

[90]	CommissionEuropean: Directorate-General for Energy; Smith M, Jagtenberg H, Lam L, Torres P, Gorner M, Ansarin M, et al. Study on energy prices and costs: evaluating impacts on households and industry—2023 edition. Final report. Luxembourg: Publications Office of the European Union; 2024.

[91]	Romeo G. Mathematics for dynamic economic models. In: Elements of Numerical Mathematical Economics with Excel. Cambridge: Academic Press; 2020. p. 139‒215. . 10.1016/b978-0-12-817648-1.00004-9

[92]	Turner JA, Godínez-Olivares H, McCarthy DD. Determining discount rates required to fund defined benefit plans. Chicago: Society of Actuaries; 2015.