您没有提供需要翻译的源文本。请提供需要翻译的内容,我将为您翻译

《Energy Policy》:Electricity prices during the energy crisis in Germany: The role of market power

【字体: 大 中 小 】 时间:2026年09月28日 来源:Energy Policy 9.3

编辑推荐:

   德国电力批发价格在能源危机期间创下历史新高。更高的投入成本和潜在的市场势力推动了电价上涨。我们分别建模了竞争市场和古诺市场,并将预测价格与实际价格进行比较。我们提出了一种量化偏离竞争性定价新方法。结果表明,德国发电企业行使了市场势力,获得了22.04%的利润率和205.1亿欧

  

德国电力批发价格在能源危机期间创下历史新高。更高的投入成本和潜在的市场势力推动了电价上涨。我们分别建模了竞争市场和古诺市场,并将预测价格与实际价格进行比较。我们提出了一种量化偏离竞争性定价新方法。结果表明,德国发电企业行使了市场势力,获得了22.04%的利润率和205.1亿欧元的超额利润。

1. 引言

2022年,欧洲经历了异常高的天然气价格时期。这一现象的成因包括:许多经济体从COVID-19疫情中复苏后需求上升、一个漫长的供暖季节(国际能源署,2021年),以及俄罗斯于2022年2月入侵乌克兰后产生的政治反噬所导致的供应中断。天然气价格的这些异常上涨伴随着德国电力市场前所未有的价格飙升,给努力支付高额电费的消费者带来了沉重负担(见图1)。在本文中,我们分析了高电价是否可以由投入成本的上升予以充分合理解释。通过将竞争性基准价格的模型预测与实际批发市场结果进行比较,我们发现预测与实际市场结果呈现相同趋势,即随天然气价格上涨而上涨,这与危机前的市场表现一致,但无法解释2022年观察到的异常电价飙升。原因可能在于建模局限性以及市场势力的滥用,我们将在下文进行探讨。

2022年天然气和电力批发价格日平均值趋势图(见图1)。

电力市场具有若干特征,使其容易遭受市场势力的行使,使大型企业能够收取高于其边际发电成本的价格。德国电力市场主要集中在五大巨头手中——RWE、EnBW、LEAG、Vattenfall和Uniper,它们合计拥有约56%的装机容量,其余44%由众多小型参与者共享。德国反垄断机构注意到热电机组领域市场集中度令人担忧的趋势,该领域由五大巨头主导。这使RWE、EnBW和LEAG在2022年的许多时段内不可或缺,为它们的战略互动和市场势力行使提供了有利环境。对潜在市场势力的担忧在危机后仍然持续,因为德国继续淘汰煤电和天然气电厂,这在可再生能源供应不足的时段进一步提高了热电机组领域的市场集中度。

此外,燃气热电机组边际成本的意外增加,使得拥有不同发电技术的大型企业能够战略性地配置其机组以最大化利润。虽然对投入价格的根本性冲击为异常高的电价提供了合理解释,但识别与战略行为相关的额外价格上涨变得更加困难。在2022年中断后的市场报告中,德国反垄断机构对该年度电力市场中市场势力的滥用表示了担忧,暗示价格可能被提高到了超出覆盖上涨生产成本所需的水平。

针对德国反垄断机构(2023年)和Fabra(2023年)的担忧,我们提出假设:市场势力可能是危机期间竞争性基准与实际观测价格之间偏差的原因。为验证这一假设,我们重新阐述了Bushnell等人(2008年)使用的方法论,并运行了一个允许通过类似古诺竞争的战略互动产生价格溢价的模型设定。我们在现有方法论的基础上做出了贡献,展示了如何在简化形式中对古诺竞争对价格的影响进行建模,并引入了一个推测变异参数θ,使我们能够更灵活地评估市场行为。与我们的假设一致,在危机期间,考虑了市场势力的模型对实际观测价格的拟合效果优于竞争性基准模型,即使通过稳健性检验考虑了模型局限性也是如此。我们还发现,竞争性基准在危机前对实际观测价格有较好的预测效果。我们发现的德国市场在危机期间的θ值为0.349,表明存在介于竞争性定价(θ=0)和对称古诺定价(θ=1)之间的价格溢价。在我们的基准设定中,我们计算出一个平均价格-成本利润率为22.04%,在高电价时期给消费者增加了额外负担。这相当于危机期间电力发电企业获得了205.1亿欧元的超额利润。

我们的发现表明,在扭曲的市场基本面时期,如投入价格异常上涨,市场势力的影响变得令人担忧。我们建议采取旨在事前缓解市场势力的政策回应,因为事后重新分配超额利润已被证明是困难的。此类措施包括:通过扩大可再生能源装机容量、特别是电池储能来减少热电机组成为关键机组的时段占比;多元化热电机组的所有权结构;通过将投标从组合级别改为机组级别来提高投标过程的透明度;以及实施自动化的市场势力缓解机制。这应能防止在危机和市场扭曲时期滥用市场势力。

本文其余部分组织如下。第2节简要概述了电力市场中市场势力的相关文献。第3节介绍了在完全竞争和古诺竞争假设下两个模型的理论框架。第4节阐述了德国市场的数据输入和模型校准。第5节呈现结果,随后讨论我们的发现及其政策启示(第6节)。最终结论总结于第7节。

2. 文献综述

在电力批发市场领域,市场势力的行使一直是一个持续的关切。电力市场具有若干有利于市场势力行使的特征,包括:生产集中、频繁互动、多市场接触、高信息透明度以及所交易产品可储存性有限。

微观经济框架表明,市场势力的行使会推高市场价格,因为在完全竞争条件下,价格会被压低至边际成本水平。然而,由于边际成本——对应完全竞争下的价格——是不可观测的,要证明企业行使了市场势力是困难的。由于电力行业中构成边际成本的要素是众所周知的,文献中通常根据边际成本估算来推断电力生产者的边际成本并预测竞争性基准价格。第一项关于电力市场市场势力的有影响力的研究由Wolfram(1999年)发表,他在英国电力行业中实施了竞争性基准模型。Borenstein等人(2002年)沿用了这一方法,研究了1998年至2000年的加州电力市场。他们将成本增长分解为生产成本、非边际竞争性租金和市场势力行使产生的成本。两项研究均声称,高电价中的很大一部分,尤其是在高峰需求时段,无法由竞争性基准解释,因此归因于市场势力的行使。

Bushnell等人(2008年)扩展了这一方法,不仅模拟了竞争性市场均衡,还提供了古诺竞争模型。通过模拟企业在寡头垄断中作为战略性参与者行事并保留产能以人为推高价格的模型设定,他们创造了第二个反事实以界定可能的静态、非合作结果空间。古诺反事实价格在高需求时段很好地解释了实际市场价格,为先前将实际价格与竞争性价格差异归因于市场势力的研究提供了佐证。研究1998年至2000年加州电力市场潜在市场势力动态的Puller(2007年)发现,价格-成本利润率与古诺互动一致,而非市场中的默许共谋,其变化与需求弹性或生产成本相关,而非与企业行使市场势力的程度相关。在本文中,我们将Bushnell等人(2008年)提出的方法论扩展并应用于2022年能源危机期间的德国电力市场。

在德国背景下,Von Hirschhausen等人(2007年)使用多种方法评估了德国电力市场的市场行为,确定性地发现价格似乎遵循寡头特征而非竞争性基准。这造成了整体福利损失,并在消费者向生产者转移盈余的同时发生。进一步的计量经济学文献对德国市场行为的结论存在分歧。Graf和Wozabal(2013年)使用推测变异方法,允许竞争性和垄断性价格形成之间灵活互动,无法拒绝欧洲批发电力市场中没有市场势力作用确定价格的假设。另一方面,从日内电价实证分析出发,Hagemann(2015年)支持了高需求时段灵活发电技术所有者行使市场势力导致价格飙升的假设。

沿用Borenstein等人(2002年)的方法,多项研究在德国实施了竞争性基准模型以量化市场势力的程度,即模拟竞争结果与实际市场结果之间的差异。所有研究均发现其竞争性基准模型与实际市场价格之间存在12%至25%的差异。然而,他们没有像Bushnell等人(2008年)所提议的那样运行古诺竞争模型来评估价格偏差是否可以确定性地归因于市场势力。

本文旨在将Bushnell等人(2008年)提出的方法论应用于2022年能源危机期间Fabra(2023年)和德国反垄断机构(2023年)提出的市场势力滥用担忧。Krzywnicka和Barner(2025年)的并行工作也研究了这一主题,其结果与我们的发现一致。本文首次通过古诺竞争反事实模型研究德国电力市场中市场势力对定价的影响。我们还通过引入推测变异参数θ到古诺模型中来贡献于现有方法论。这使得未来研究能够更灵活地将该框架适应于特定的市场行为。我们提供了德国2022年市场θ值的估计和校准方法,表明了市场势力被用来人为推高价格的程度。

3. 模型

为了在不同市场行为假设下模拟市场结果,我们构建了一个简化的电力调度模型,求解日前批发电力市场的逐小时价格和数量的局部均衡。模型中的供给曲线有两种设定构建。这两种设定基于两种假设:完全竞争下企业按边际成本出价,或大型企业在古诺竞争框架导出的溢价基础上,按高于边际成本的价格出价。

3.1 需求

由于德国在2022年是电力净出口国,我们将需求建模为国内需求和国外需求(净出口,等价于进口时段的外国供给)之和。每种需求类型定义为:

$$Q_{o,t,h}(p_{t,h}) = a_{o,t,h} - b_{o,t,h} \cdot p_{t,h}, \quad \forall o \in \{\text{foreign}, \text{domestic}\}$$

其中 t 和 h 分别代表日和小时。对于每一个小时,我们校准需求曲线斜率 $b_{o,t,h}$ 和截距 $a_{o,t,h}$,以匹配观测市场价格 $p^{observed}_{t,h}$ 和观测总数量 $Q^{observed}_{o,t,h}$。

我们假设国内和国外需求有不同的弹性η?,如4.1节所述,使得:

(2)b?,?,? = η? · (Q? · b·s·e·r·v·e·d?,?,?) / p?·b·s·e·r·v·e·d?,?

Hirth等人(2023)指出需求曲线可能呈非线性,且工作日与周末的弹性存在差异。为了使模型具有可操作性,我们依赖于每条观察到的价格–数量均衡点附近的需求曲线的线性局部近似。具体而言,我们使用Hirth等人(2023)估计的弹性,结合观察到的每小时市场均衡,来校准需求曲线的斜率,然后通过公式(1)求解截距。关于这一简化假设的进一步讨论,请参见5.5节。由此得到的总需求在每一小时都与供给相等。

**3.2 供给**

在供给方面,我们区分边际成本低或为零的必发技术(must-run technologies)与火电厂。鉴于本模型的短期关注,我们不建模投资行为,并忽略运行和维护成本。我们也不建模启动成本。

**3.2.1 必发机组**

考虑到本模型聚焦于市场力量动态,我们不显式地建模边际成本低或为零的发电来源,如太阳能、风能、水电、核能及生物质能,而是将其观察到的或预测的(针对太阳能和风能的情况)发电量视为给定值:

(3)m?,?,? = m·o·b·s·e·r·v·e·d?,?,?,对所有 s ∈ {水、核、生物质、太阳能、风能}

m?,?,? 直接进入模型,作为这些来源在每小时的产量,因为我们赋予上述所有技术零边际成本,从而将其建模为必发机组。我们忽略了这些技术边际成本的额外成本组成部分,因为在高峰需求时段,它们不会成为出力曲线中决定价格的机组。

**3.2.2 火电厂**

为反映市场结构和各公司之间不同的成本结构,我们在技术层面上汇总每家公司所拥有的电厂,使每家公司拥有每种其所拥有技术的单个代表性电厂。

特定公司代表性火电厂的边际成本取决于其效率、投入成本及碳价:

(4)MC?f, i, t, h?(q?f, i, t, h?) = (c?f, i? + c??f, i? · q?f, i, t, h?) · p?input, i, t? + e? · p?CO?, t?,对所有 i ∈ {硬煤、褐煤、天然气、石油、垃圾}

其中 f 指公司,i 指技术。c 和 c? 指生产一单位电力所需的投入量。代表性电厂的边际成本随发电量 q?f, i, t, h? 增加而上升,因为效率较低的机组将在需求更高时被调用生产(参见第4节中 c 和 c? 的估计)。p?input, i, t? 指该技术所使用的生产投入品的日成本,即燃料价格。e? 指每单位电力产生的排放量,每吨需支付日碳价 p?CO?, t?。因此,边际成本随投入品和CO?价格的变化而变化,并随每家公司和每项技术的产量 q?f, i, t, h? 而变化。可变运行和维护成本未显式纳入,因为它们相对于燃料和CO?成本较小,且在机组层面难以观测。不过,我们在稳健性检验中纳入了这些因素,发现结果不变。我们还进行了包含二次成本函数的稳健性检验,结论类似。

在完全竞争条件下,火电厂生产到均衡批发价格等于其边际成本的点,或者达到其产能上限 K?f, i?:

(5)q?f, i, t, h?(p?,?) =
- 0,若 p?,? ≤ MC?f, i, t, h?(q?f, i, t, h?)
- [0, K?f, i?],若 p?,? = MC?f, i, t, h?(q?f, i, t, h?)
- K?f, i?,若 p?,? > MC?f, i, t, h?(q?f, i, t, h?)

价格设定机组的价格等于其边际成本,而边际成本低于价格的其他机组则赚取差额作为准租金。

**3.2.3 古诺竞争**

我们现在扩展模型,以模拟大型公司不进行竞争性报价、而是策略性地减少供应量以提高批发价格和利润的市场结果。这被建模为经济产能保留(economic capacity withholding),即公司按其边际成本加上来自古诺寡头模型的上加项(markup)进行报价。该上加项适用于各公司的总供应量,即其各代表性电厂供应量的总和。古诺利润最大化设定得出了以下一阶条件组,在均衡中需同时满足(参见附录A.1中的古诺设定):

(6)p?,? = MC?f, i, t, h? + q?f, t, h? / Σ?o? b?o, t, h?

上加项 q?f, t, h? / Σ?o? b?o, t, h? 随该公司供应量增加而增大,随需求弹性增大而减小,因为价格提高后的减量限制了额外利润。这使得在相同产量下的报价价格高于完全竞争模型中的价格。

一般上加项是从对称古诺寡头模型推导而来的。然而,由于我们建模的是一个大型公司还面临边缘企业竞争的市场,我们推广了一阶条件,使上加项能根据市场行为更加灵活:

(7)p?,? = MC?f, i, t, h? + θ · q?f, t, h? / Σ?o? b?o, t, h?

其中 θ 通过市场中上加项的大小为市场力量的程度提供灵活性。θ = 1 对应标准古诺框架中的上加项(如公式(6)所示),而 θ = 0 表征完全竞争的情形(参见附录A.1中θ的结构解释)。

由于许多边缘供应商拥有的份额不足以行使市场力量,我们仅允许五大公司具有大于零的上加项。边缘供应商仍按公式(5)进行竞争性报价。在古诺框架下具有市场力量的公司现在提交等于其边际成本加上θ允许的上加项的报价。这实际上减少了各公司的供应量,因为它们现在只生产到价格等于其更高报价的点为止:

(8)q?f, i, t, h?(p?,?) =
- 0,若 p?,? ≤ MC?f, i, t, h?(q?f, i, t, h?) + θ · q?f, t, h? / Σ?o? b?o, t, h?
- [0, K?f, i?],若 p?,? = MC?f, i, t, h?(q?f, i, t, h?) + θ · q?f, t, h? / Σ?o? b?o, t, h?
- K?f, i?,若 p?,? > MC?f, i, t, h?(q?f, i, t, h?) + θ · q?f, t, h? / Σ?o? b?o, t, h?
- θ = 0 时边缘供应商的情形

允许部分公司拥有正的上加项会导致在所有由最大公司电厂设定价格的小时中,均衡价格更高、数量更低。

**3.3 均衡**

在均衡中,需求等于必发机组和火电厂的供给之和。模型通过找到使每小时供给等于需求的投入品组合来求解,同时考虑完全竞争或古诺竞争假设下不同的价格报价结构。均衡价格是满足以下条件的价格:

(9)Σ?o? Q?o, t, h?(p?,?) = Σ?s? m?s, t, h? + Σ?f? Σ?i? q?f, i, t, h?(p?,?)

模型的解得出每小时均衡价格 p?,? 以及每家公司和每项技术的每小时均衡产量 q?f, i, t, h?。

**4. 数据与模型校准**

我们校准模型以反映能源危机前和危机期间德国日前批发电力市场的特征。具体而言,我们建模从2021年1月1日至2022年12月31日的市场结果,以2021年9月14日为界分为危机前和危机后,主要使用公开数据。

**4.1 需求**

为校准反映国内和国外需求之和的需求曲线,我们使用德国和卢森堡联合日前批发电力市场的数量、价格和出口市场数据。这些数据以小时分辨率在SMARD门户网站(Bundesnetzagentur, 2024)上可用。

对于国内需求,我们假设弹性为?0.05,如Hirth等人(2023)针对德国市场所估计的。在Hirth等人(2023)中,作者发现白天呈线性需求响应,夜间呈对数线性关系。我们的方法假设局部线性需求响应,为我们提供分段线性函数。这既考虑了较大需求变化下的非线性,又将小幅需求变化视为线性。

对于外国需求弹性的估计,我们遵循Reguant(2019)和Bushnell等人(2008)的方法,在我们的样本中估计出口弹性。为此,我们将对邻国的电力出口量的对数回归到电力价格的对数上。为避免内生性问题(因为价格和出口是同时确定的),可以使用天然气价格和预测需求作为电力价格的工具变量。观测期内天然气价格的波动在很大程度上可归因于俄乌冲突后的外生政治决策。我们还纳入了不同时段(γ)以及风能和太阳能发电量和模型中视为必发机组的其他来源发电量(X)的控制变量:

(10)ln(exports?) = η · ln(price?) + β · γ + β? · X + ε

这得出了出口弹性估计值为?0.55,比Reguant(2019)对加利福尼亚的估计值高0.2。这可能是因为欧洲电力市场的互联程度更高、灵活性更强。利用弹性和市场价格数据,我们使用公式(1)和(2)在每对观察到的价格–数量均衡点附近校准国内和国外需求的线性局部近似函数。

**4.2 供给**

在供给方面,我们收集数据以重建火电厂领域各公司特定的边际成本函数,以及必发技术实际或预测的电力发电量数据。

**4.2.1 火电厂**

Open Power System Data数据库(Open Power System Data, 2020)提供了一个数据集,包含截至2020年德国每座电厂的容量、效率和运营公司。2020年7月,德国议会通过了《减少和终止燃煤发电法案》(Press and Information Office of the Federal Government, 2020),要求到2022年硬煤和褐煤机组的总容量减少至约15 GW。由于数据集中未反映这一减少,我们分别将硬煤和褐煤机组的容量限制为报告容量的72%和83%,以符合15 GW的限制。

为考虑公司结构,我们使用公开可用的公司和子公司结构数据,将公司所有权分配给每座电厂,涵盖五大公司:RWE、EnBW、LEAG、Uniper和Vattenfall。所有其余电厂归入一个代表性边缘公司"其他"。对于每家公司,我们在技术层面上汇总电厂,以降低模型的计算负担。

每座代表性电厂的效率随产量递减,因为组成每座代表性电厂的机组按其效率顺序被调用生产。为反映这一点,我们按从效率最高到效率最低的电厂顺序,汇总每家公司内相同技术的电厂容量,并对累积容量与效率进行线性回归(参见附录表5)。回归斜率得出了模型参数 c?,即边际成本随产量增加的速率,如公式(4)所述。截距近似于效率最高电厂的效率,作为起始值。作为稳健性检验,我们还纳入了非线性设定(参见附录表6),主要结果不变。

如公式(4)所述,效率估计值乘以资源价格,得到每小时根据产量确定的边际成本。石油、褐煤和硬煤的资源价格取自德国联邦统计局的报告(Destatis, 2023)。在投入品价格中,天然气价格的波动最大。为建模天然气价格,我们向欧洲能源交易所(EEX)请求了天然气日现货市场价格数据。

排放量根据电厂效率及所使用化石燃料的排放因子估计值进行计算,对应于生产一单位电力所排放的CO?量。排放因子取自德国环境局报告(Umweltbundesamt, 2016)。电厂需就其排放的每一吨碳支付EU-ETS碳价。日均EU-ETS价格数据同样从EEX获得。

**4.2.2 必发机组**

对于水电、核能和生物质能,我们从SMARD门户网站(Bundesnetzagentur, 2024)获取实际每小时发电量数据。对于太阳能和风能,我们纳入提前一天预测的发电量作为模型中的发电量,这些数据同样可在SMARD门户网站(Bundesnetzagentur, 2024)上获取。我们使用发电预测数据而非实际发电数据,因为我们建模的是日前批发电力市场,其中对可再生能源发电量的预期对报价行为至关重要。此外,可再生能源发电常因其低启动成本而受到削减(curtailment)影响,这不影响批发价格,但会反映在可再生能源实际发电数据中。

**4.3 校准最优θ**

为研究市场力量对价格的潜在影响,我们显式地建模了在若干大型公司如古诺寡头般行为假设下的市场结果。

该模型通过改变推测变化参数??来允许不同的行为形式,从而产生接近完全竞争(无加价)或古诺竞争的结果。为了校准??,我们通过迭代不同的??值并计算模型与市场实际结果之间的残差平方和来求解模型。最优??值被选为使模型结果与观察到的市场结果之间的残差平方和最小化的值。在我们的设定中,危机期间的最优??为0.349,非危机期间为0.2(在小时级别上)。

5. 结果

我们以两种变体运行了所提出的模型。竞争基准模型模拟企业将报价等于边际成本。我们还模拟了企业行使市场支配力(即古诺竞争)的结果,如第3.2.3节所述。模型运行的结果将与德国日前批发电力市场的实际价格和交易量进行比较。

5.1. 竞争基准模型

图3显示了2021年至2022年德国电力市场竞争基准模型的小时均衡价格和交易量的日均值,并与实际市场结果并列展示。日均交易量预测较为准确(图3b)。如图3(a)所示,模型价格与原始价格呈相同趋势,无论在危机前还是危机期间。2021年9月之前,观察到的电价接近预测的竞争价格。虽然原始价格波动幅度大于模型预测,但向上的偏差较少见。这一格局在2021年9月天然气危机爆发后发生了变化。价格现在在多数日期上持续高于模型预测,这表明投入价格上升不足以解释观察到的大幅价格上涨,例如在夏季月份,竞争价格远低于实际观察价格。这使我们得出结论:能源危机期间异常高的价格不能仅由资源价格变化来充分解释,而我们的模型仅考虑了资源价格变化。模型性能的定量指标见表1。

表1. 价格持续曲线比较:模型与观察价格对比

| 指标 | 危机前:古诺 | 危机前:完全竞争 | 危机期:古诺 | 危机期:完全竞争 |
|------|------------|---------------|------------|---------------|
| MAE(持续度) | 16.06 | 13.40 | 52.35 | 65.91 |
| 相关性(时序) | 0.87 | 0.84 | 0.87 | 0.83 |
| 偏差 | 12.64 | 9.01 | 4.37 | ?45.52 |
| RMSE | 22.48 | 21.14 | 81.39 | 100.43 |
| R2 | 0.85 | 0.84 | 0.87 | 0.69 |

模型与原始数据产生偏差的原因可能包括建模局限性,如启动成本、稀缺定价或未观察到的较高燃料价格。这些因素及其潜在影响将在第5.4节中详细讨论。除模型不准确之外,高于企业按边际成本报价假设下预测的价格也表明存在市场支配力的行使(Wolfram, 1999; Borenstein et al., 2002; Weigt and Von Hirschhausen, 2008; Alpino et al., 2023; Reguant, 2014)。在通过分箱散点回归控制了重要的价格决定因素(如可再生能源可用性和天然气价格)后,图4显示危机期间在高交易量时段的价格偏差增大。这从两个方面支持了市场支配力可能是价格差异促成因素这一假设:第一,在需求较高的时段,大部分边缘供应者已经达到其最大产能,市场竞争性降低(Bushnell et al., 2008)。这为大容量拥有者将价格提高到竞争水平以上提供了空间(Von Hirschhausen et al., 2007)。第二,考虑到企业采取策略性行为,如图3所示由古诺竞争推导出的潜在加价幅度与各企业提供的总交易量成正比。

5.2. ??的解释

在第4.3节中,我们发现古诺模型对危机期间观测数据的最佳拟合是在推测变化参数??=0.349时达到的。在危机前时期,最优??值为0.2。

由于??表示从完全竞争结果(??=0)向古诺互动(企业通过策略互动中的数量选择来实现利润最大化,??=1,参见附录A.1)的偏离程度,??=0.2和??=0.349表明企业在德国市场中无法表现出纯粹的寡头垄断行为。这与实际情况一致,即企业面临的竞争不仅来自其他策略性企业,还来自边缘供应者,尤其是在低至中等需求时段。此外,低于寡头垄断框架所预测的加价幅度可能仅表明市场中的监管机制较为有效。企业可能不会完全行使市场支配力,以避免引起监管机构的警觉并可能面临处罚。然而,??=0.349清楚表明危机期间市场行为偏离了完全竞争结果。

5.3. 古诺竞争模型

我们现在运行竞争基准模型和古诺竞争模型,危机期间为2021年9月14日至2022年12月31日,设定??=0.349。

图5显示了在控制天然气价格和必开机组交易量的情况下,完全竞争模型(绿色)、市场支配力模型(蓝色)和原始数据(棕色,单个数据点为灰色)的市场结果。在交易量低于50 GWh时,原始数据较好地被竞争结果所刻画。然而,在交易量高于55 GWh时,古诺模型最能描述价格设定行为。这与Bushnell et al. (2008)和Puller (2007)的结果高度一致,他们发现在加州电力市场高需求时段存在较大的价格-成本边际。

表1总结了整个价格持续曲线上的这一模式。在危机前时期,两个模型拟合数据的效果相似:均值绝对误差(MAE)、排序相关性和时序相关性、偏差、均方根误差(RMSE)以及来自分箱散点回归的R2在古诺和完全竞争之间均相近,没有任何模型显示出明显优势。这与这样一种市场情况一致:在价格和边际较低时策略性保留能力的作用有限,因此假设价格接受行为不会使模型损失太多精度。两个模型均具有较小的正偏差,平均高估价格分别为9欧元/兆瓦时(完全竞争)和12.6欧元/兆瓦时(古诺)。这是因为我们的模型没有预测零或负价格的机制。两个模型的R2分别为0.85和0.84,表明在危机前时期两个模型在预测性能上没有有意义的优势差异。

危机期间,完全竞争基准模型表现出显著的负偏差(?45.52欧元/兆瓦时),表明仅基于边际成本的模型在危机期间系统性地低估了价格。R2降至0.69,而古诺模型的R2相比危机前窗口略有提高,其偏差缩小至4.37欧元/兆瓦时。与危机前时期相比,两个模型的MAE和RMSE均因价格整体波动性增大而有所上升。然而,完全竞争模型的RMSE增加了约5倍,而古诺模型增加了约4倍。所有指标都指向这一结论:策略性互动的假设提高了危机期间的模型性能,而完全竞争的假设在危机前效果良好,但在危机期间低估了价格。

与竞争基准模型相比,两个模型的MAE和RMSE均较低,且两个模型均未能完全体现已实现价格的波动性,特别是在需求分布的极端区域;我们将此归因于两种规格中共有的建模特征(例如缺乏低需求时负价格机制,以及未能考虑启动成本和稀缺定价),而非市场支配力规格本身的特定缺陷。此外,能源危机期间的市场受到未来发展不确定性的驱动,而我们的模型无法捕捉这一点。第5.5节对此进行了进一步讨论。

观察到的价格相对于边际成本(如竞争基准价格所示)的偏差表明市场中存在通过行使市场支配力而产生的加价(Cowling and Waterson, 1976)。在通过价格-成本边际等指标评估市场支配力的影响时,研究通常将观察到的价格与完全竞争基准模型中估计的价格进行比较。我们将竞争基准模型与市场支配力下的反事实价格进行比较,以计算市场支配力的潜在影响,比较时段为交易量高于55 GWh的小时,此时古诺模型能更好地解释实际价格。这平滑了价格中来自非市场支配力动态因素(如不确定性或稀缺定价)的波动。

与竞争基准价格相比,我们发现在2021年9月14日至2022年12月31日高需求时段(>55 GWh)平均加价幅度为22.04%。这一价格与成本之间的差异对应于德国发电企业额外获得的205.1亿欧元利润。这些额外利润伴随着消费者剩余损失,即当价格通过市场支配力被提高到竞争均衡以上时所产生的损失。这些结果未考虑因偏离有效的完全竞争均衡而产生的无谓损失,这可能会使社会成本进一步增加(Von Hirschhausen et al., 2007)。

5.4. 稳健性检验

如前所述,竞争基准价格与实际价格的差异也可能由市场支配力以外的原因造成,即我们模型中未考虑的因素。为了控制部分建模局限性并增强结果的可靠性,我们进行了多项稳健性检验。稳健性检验的结果在图6中可视化展示,定量模型比较见表2。所有稳健性检验的迭代组合结果见附录A.3。

表2. 价格持续曲线比较:基准与参数敏感性检验(危机期间)

| 模型 | MAE(持续度) | 相关性(时序) | 偏差 | RMSE | R2 |
|------|------------|------------|------|------|-----|
| 完全竞争(基准) | 65.91 | 0.83 | ?45.52 | 100.43 | 0.688 |
| 古诺竞争 | 52.35 | 0.87 | 4.37 | 81.39 | 0.865 |
| 限制容量=0.7 | 52.62 | 0.88 | ?30.62 | 82.74 | 0.750 |
| 输入价格敏感性=1.1 | 45.62 | 0.88 | ?20.79 | 77.28 | 0.746 |
| c?敏感性=1.2 | 49.80 | 0.88 | ?27.01 | 80.33 | 0.749 |
| 完全竞争(二次成本) | 49.83 | 0.88 | ?28.36 | 86.30 | 0.777 |
| 运营成本=10 | 50.16 | 0.88 | ?21.93 | 80.67 | 0.746 |

1. 限制容量。来自开放电力系统数据库的电厂特征数据集报告的数据来源于2020年。由于技术约束,电厂可能无法以其2020年报告的满负荷容量运行。日前市场中可用的容量也可能因强制停运、维护或为确保电厂可用于辅助服务而降低。Weigt和Von Hirschhausen(2008)通过将所有电厂容量减少至报告值的90%来处理产能随时间损失的问题。我们运行了70%和85%的容量模型,以考虑产能不能进入市场的其他原因。这一限制提高了竞争基准价格(见图6)并将偏差减少至?30.62欧元/兆瓦时,但仍表现不如古诺模型(见表2)。

2. 输入价格敏感性。此外,基准结果强烈依赖于我们的边际成本设定。由于各种原因,企业的真实边际成本可能有所不同。企业可能面临与我们在模型中使用的现货价格不同的输入价格。在现实中,大部分燃料通过长期合同进行贸易。在长期合同存在的情况下,电厂面临更高还是更低的成本取决于签订合同时对价格发展预期的判断。

在我们研究的案例中,尤其是燃气电厂很可能面临低于现货市场的价格,因为价格飙升是出乎意料的。然而,现货市场价格会影响竞价行为,因为它代表了相应投入品的人力成本。这一假设似乎得到了图1的支持,其中燃气价格与电力价格呈无滞后相关性。即使假设发电商支付现货价格,实际燃料成本也可能因运输成本和电网接入费等因素而高于现货价格。为了考虑燃料成本可能被低估的情况,Weigt和Von Hirschhausen(2008)通过将燃料成本提高5%来进行处理。我们更进一步,分别将燃料成本提高5%和10%。即使在基准估计中将燃料成本提高10%后,模型中高电量时段的价格仍能被考虑市场势力的模型更好地解释(见图6和表2)。3. 对$c?$的敏感性。未观察到较高边际成本的另一个原因可能是,电厂随时间推移效率下降,或者效率数据过于乐观,又或者由于观察值较少导致某些投资组合计算不准确。我们通过斜率参数$c?$的敏感性分析来处理这一问题,分别将其提高10%和20%,从而使代表性电厂在产量较高时的成本增幅更大。结果与考虑较高投入价格时得到的结果相当相似(见图6和表2)。4. 二次成本函数。我们还进行了二次边际成本函数的稳健性检验,以考虑尤其是燃气电厂可能面临较大效率差异的事实,例如燃气电厂在开启循环机组和联合循环机组之间效率差异较大,而我们将这些电厂归入同一家企业的投资组合中。斜率参数的计算结果见表6。这提高了中等需求时段的竞争性价格,从而降低了完全竞争假设的偏差。然而,在需求高峰时段,价格趋向于我们的基线模型中线性成本函数所预测的价格。这表明当产能接近最大化时,二次项和线性斜率标定之间没有太大差别。由于某些企业每种技术的电厂数量非常少(见表6),含二次项的标定不如线性设定稳健。因此我们在主分析中保留线性斜率参数。5. 运营维护成本。我们通过将运营维护成本(OMC)的近似值纳入模型,对Weigt和Von Hirschhausen(2008)进行的稳健性检验进行了扩展。我们之所以没有将其纳入原始模型,是因为运营维护成本(a)属于发电商的私人信息(Alpino等人,2023),(b)几乎不可能精确映射为对应机组的边际成本。作为一项稳健性检验和近似,我们将运营维护成本每单位5欧元和10欧元分别添加到发电边际成本中,这夸大了美国能源信息管理局(2023)和其他文献,如Krzywnicka和Barner(2025)中公布的运营维护成本。该练习旨在展示我们基线结果对纳入运营维护成本的敏感性。纳入运营维护成本会提高竞争性基准模型的水平(图6),但与其他稳健性检验一样,包含古诺竞争的模型仍然最能描述原始结果(见图6和表2)。6. 国外需求弹性。最后,我们观察模型结果对外国需求弹性估计值的敏感性,遵循Reguant(2019)将其降低至0.32。这导致某些时段价格出现小幅变化,但总体结果未受影响。7. 稳健性检验的组合。在图6中,我们展示了竞争性定价基准模拟的结果、古诺竞争下的价格,以及观察到的价格和所有稳健性检验在最为保守假设下的结果。在附录A.3中,图8将我们的主要设定和原始价格与所有敏感性设定及所有稳健性检验的迭代组合进行了对比。如图所示的图表和表2中的定量对比,考虑潜在模型误分类问题可以减少观察价格与在完全竞争假设下预测价格之间的差距。然而,一个显著的差距仍然存在,残余偏差至少为?20欧元/兆瓦时。只有古诺模型的偏差低于5欧元/兆瓦时,并且准确预测了高产量时段的价格。这支持了我们在第5.1节中的发现,即单独依靠投入价格上涨无法解释2021/22年能源危机期间的定价行为,市场势力很可能在价格形成过程中发挥了作用。尽管纳入市场势力的模型对观察到的价格拟合效果最佳,但图6显示,价格-成本利润率在不同情景之间有所变化。表3总结了价格-成本利润率及其对应的不合理利润的上下界估计(下界指最为保守的稳健性检验,上界指原始完全竞争设定)。平均值指所有主要稳健性情景下估计值的均值。表3. 价格-成本利润率(PCM)计算方式为各敏感性设定下古诺价格与竞争性基准价格之间的平均百分比差异,相对于古诺价格计算。用于PCM计算的价格仅限于观察产量高于55吉瓦时的时段。额外利润为相应的绝对加价收入。上下界分别为完全竞争设定和主要稳健性检验中的最小和最大估计值;平均值为所有主要完全竞争设定下的均值。空白单元格:下界、上界、平均值。价格-成本利润率均值:12.66%、22.04%、15.97%。企业额外利润:107.4亿欧元、205.1亿欧元、141.4亿欧元。表4. 拥有热能来源数据及其属性的企业投资组合。"其他"代表边缘供应商的汇总。企业—能源来源—产能—排放因子—热耗MWh/GWh—$c?$。EnBW—硬煤—3.996—987.53—22308.09—2025.37—116.866。EnBW—褐煤—0.875—1170.06—2515.09—2515.09—0.0。EnBW—天然气—1.461—5589.77—62658.73—287.904—2098.82。EnBW—石油—0.718—770.19—12905.46—2379.06—1192.37。EnBW—废物—0.073—20.030—30.330—30.3—0.0。LEAG—褐煤—6.662—1170.06—2532.47—2398.17—33.1848。LEAG—天然气—0.183—5589.77—62879.95—2854.07—234.213。RWE—硬煤—0.763—7987.53—22173.91—2173.91—0.0。RWE—褐煤—8.981—1170.06—2990.23—1830.82—191.618。RWE—天然气—3.836—589.77—62401.31—652.428—1.959。RWE—废物—0.065—0.030—30.330—30.3—0.0。Uniper—硬煤—2.902—987.53—222685.59—2320.97—198.504。Uniper—褐煤—0.911—70.062—561.482—561.48—0.0。Uniper—天然气—1.614—589.77—622238.39—1231.11—1023.15。Uniper—石油—1.418—770.19—12881.98—2676.04—192.227。Vattenfall—硬煤—2.253—987.53—22380.75—1891.98—293.977。Vattenfall—天然气—1.041—589.77—62413.41—1335.77—1383.82。Vattenfall—石油—0.319—770.19—13229.11—2954.63—1073.76。Vattenfall—废物—0.053—0.030—30.330—30.3—0.0。其他—硬煤—10.9911—987.53—222515.09—1911.93—95.828。其他—褐煤—0.63102—1170.06—2712.92—2123.12—1809.05。其他—天然气—15.2112—589.77—622385.69—1279.75—101.567。其他—石油—1.1979—770.19—12760.51—2398.48—531.792。其他—其他化石能源—0.0754—0.026—35.731—248.82—3,627.4。其他—废物—1.3688—10.030—30.330—30.3—0.0。5.5. 模型局限性与扩展。无论采用何种模型设定,我们都发现所有模型在危机期间的平均绝对误差(MAE)都较高,尽管平均而言古诺模型能较好地预测市场结果。这表明我们的模型未能捕捉价格分布尾部中价格极高或极低时的市场完整波动性。竞争性基准价格在某些时段高于实际价格的一个原因可能是我们没有纳入启动成本或最低出力约束。在某些时段电力价格可能很低甚至为负,因为像核电站这类不灵活的发电技术面临高昂的启动成本,在需求较低且低成本发电(如可再生能源)供应充足的时段,它们会以负价格竞价以避免被关停。这一遗漏导致低电量时段的实际价格低于我们的竞争估计值(见图5)。然而,纳入高边际成本电厂(如燃煤或燃气电厂)的启动成本,将提高这些电厂需要升负荷或降负荷时段的竞争性基准价格。我们并未对此进行明确建模,但在稳健性检验中通过考虑可能更高的边际成本来加以处理(图6)。另一个值得讨论的点是德国电力市场的顺序性特征,这在将基于成本的实时基准价格与观察到的日前市场结果进行比较时带来了一些局限性。本质上,日前市场是一种远期合约,反映参与者的预期成本以及远期持仓。输电瓶颈既未反映在我们的模型设定中,也未反映在日前价格中,因为电力重新调度发生在日前市场出清之后。然而,Graf等人(2020)指出,在意大利,向上或向下重新调度的可能性会显著影响日前市场中提交的报价,这会在基于成本的基准价格与日前价格之间产生楔形效应。重新调度对德国电力系统造成大量成本,且往往遵循可预测的模式,因为可变可再生能源发电主要集中在北部,而需求中心主要在南部。然而,我们认为预期的重新调度不会对观察到的日前价格产生实质性影响,因为德国的重新调度采用的是成本监管方式,补偿金额由监管机构确定,而非像意大利那样的基于市场的方式,即电厂根据其报价获得补偿。此外,我们发现我们的基准价格在危机前的表现得到了验证。同样,对辅助服务市场的预期可能也会反映在日前报价中,因为电厂可能会决定退出日前市场,以便为辅助服务市场保留可用性。我们通过进行限制市场可用容量的稳健性检验来应对这一问题。同样,我们在危机前的基准预测中并未观察到显著差距。我们模型的另一个局限是假设需求曲线采用常数弹性的局部线性近似,这依赖于Hirth等人(2023)的研究。Andersen等人(2024)指出,能源危机期间的需求弹性可能比非危机年份有所提高。然而,为德国计算可信的需求弹性超出了本文的范围。因此我们使用Hirth等人(2023)提供的结果,不考虑日内弹性的变化。我们模型中较高的需求响应将导致较低的古诺加价,从而提高推测变动参数$θ$。总体而言,市场势力很可能在价格形成过程中发挥作用这一结论将不会因弹性变化而受到影响。总体而言,我们承认价格可能受到模型未能捕捉的因素的影响。我们可以通过稳健性检验来处理其中一些因素(例如,减少产能、投入价格波动等),而对于其他因素,如日前市场的金融属性,我们仅能进行定性讨论。然而,这些因素并非能源危机所特有,因此危机前的模型表现也应受到相同影响。我们发现模型能较好地预测危机前价格,在2021年9月14日之前,尤其是对向下波动的过度预测(见图3a)。这使我们更有信心认为,完全竞争结果与观察价格之间的向上背离应归因于能源危机期间市场势力的行使,而不仅仅是模型不准确。在量化市场势力程度时,通过将完全竞争基准与古诺结果进行比较,我们注意不将模型噪声或误设错误归因于市场势力。在分析中,我们为危机前和危机期间校准了恒定的$θ$,并发现市场行为和企业在这些期间行使市场势力的能力发生了变化。我们的方法有可能更灵活地校准$θ$,而且在危机期间可能存在某些改变市场行为的市场条件。例如,在观察期末尾的2022年11月和12月,市场趋于平静时,我们发现$θ$为0.266最能描述原始数据(图7a)。下载:下载高分辨率图片(586KB)下载:下载全尺寸图片。图7. 市场势力随时间变化:每日平均价格的季节性趋势及不同$θ$值下的表现。2022年夏季出现了异常高的价格,这些价格超出了我们使用与整个样本最佳匹配的$θ$值所预测的结果(见图7b)。在公开辩论中,大幅价格飙升被归因于天然气价格上涨。回顾图1,天然气价格仅略高于3月份第一次价格飙升时已观察到的水平。然而,图7(b)显示,仅考虑天然气价格上涨的竞争价格仍远低于观察价格。这些异常的价格飙升还被归因于由于法国核电站的维护问题以及奥地利国内发电因天气条件而骤降,导致向法国和奥地利等国的电力出口增加。出口需求增加的直接价格效应已在我们的模型设定中加以考虑,因此将反映在竞争性价格中。

然而,从市场支配力角度来看,进口可获得性的降低也恰逢外国竞争减弱,这为国内公司行使市场支配力创造了更有利的环境(Lise等人,2006;Xu和Stiewe,2026)。基于夏季条件可能给大公司更多行使市场支配力空间的假设,我们仅对2022年夏季月份运行模型,发现最优拟合在??=0.38时达到。图7(b)显示,在较高的??下,古诺模型对夏季高价格提供了良好的拟合。这得出了企业行使市场支配力的能力可能并非随时间恒定的假设。进一步研究可以探索动态??随时间变化的可能性,该参数取决于影响行使市场支配力环境的额外市场特征,这可能提高模型的拟合度。

**6. 讨论与政策启示**

德国能源危机期间电力市场中市场支配力的不利影响,已由德国反垄断局在其2022年市场报告中提出(Bundeskartellamt,2023)。本研究定量地处理和验证了这一担忧。我们的分析表明,2022年能源危机期间史无前例的价格飙升不能仅用电力生产商成本上升来解释。假设完全竞争的模型在危机前对价格的预测相当准确,但在2021年9月能源危机爆发后的高需求时段则系统性地低估了价格。允许大型发电企业之间存在策略性互动后,对市场结果的拟合显著改善。这些发现与市场支配力在危机期间参与价格形成的假设一致。我们证明,约200亿欧元的系统成本可归因于市场支配力。

这些发现强化了德国反垄断局提出的担忧(Bundeskartellamt,2023;2026),并强调了在压力时期维护竞争性市场结果的政策的importance。近年来已表明,电力市场日益暴露于地缘政治事件引发的外部冲击(如乌克兰和伊朗的战争)以及影响供应的气候相关干扰(如影响核电站供应的热浪)。虽然此类事件不可避免地增加生产成本和电价,但在这些家庭和企业消费者已承受巨大经济压力的时期,确保批发价格与基础成本紧密关联而非受市场行为驱动变得尤为重要。应讨论额外措施以减轻压力时期非竞争性价格的不利影响。

本文提出了一种通过向古诺模型引入推测变化参数??并提供校准方法来量化市场支配力对价格形成影响的新方法。这种建模方法有助于竞争监管机构定量评估其关注领域内市场支配力的程度。

其他事后政策应对措施包括对超额利润征税。这旨在重新分配通过行使市场支配力获得的部分利润,并帮助为受危机影响的家庭和企业融资。2022年能源危机期间引入的临时欧盟收入上限为评估此类措施的有效性和改进未来危机的设计提供了机会。Nicolay等人(2026)研究了这一政策的实施,发现收入上限产生的收入远少于最初预期,同时发现对投资激励的负面影响证据很少。他们提出的证据与收入上限设计导致的短期生产激励扭曲一致,凸显了谨慎政策设计的重要性。

由于事后量化超额利润和再分配存在诸多注意事项,长期目标应是通过不同渠道限制大公司的策略性定价能力:

1. **进一步扩展可再生能源和电池储能。** 可再生能源发电行业的扩展既减少了需要热力容量的时段,又进一步分散了市场,因为进入门槛较低且发电不太集中在大型单厂上(Brunekreeft等人,2016)。然而,Bundeskartellamt(2026)提出了热力发电厂行业日益集中的担忧,这增加了可再生能源发电潜力较低的时段的策略性互动潜力。投资分散式电池储能可以通过展平热力发电商面临的剩余需求曲线并降低这些时段的枢轴性发生概率来缓解这一风险。考虑到德国政府建设新的可调电发电厂作为备用(联邦经济和能源部,2026)的计划,在招标过程中应考虑到所有权多元化以及向基于可再生能源的系统转型。

2. **修订的投标机制和市场结构。** 目前,德国日前市场的市场参与者可以提交组合汇总的投标,而不是对每个发电厂单独投标。这允许他们在组合中联合优化,同时限制了投标过程的透明度。要求企业为发电厂单独提交投标并延迟适当时间公开此数据(如西班牙批发电力市场)将有助于监管机构、研究人员和竞争主管当局检测策略性投标行为,从而加强市场监测并可能劝阻市场支配力的行使(Fabra,2023)。Fabra(2023)还建议基于监管机构支持的长期合同来构建部分热力发电厂市场。这将在合同投标过程中引入竞争,从而限制大公司在日前市场上行使市场支配力的机会。

3. **自动化市场支配力缓解机制。** 单元级投标数据的可用性将允许实施自动化缓解程序(AMP)。AMP使用基准算法筛选投标中偏离估计竞争性成本水平的部分。超过预设容差阈值的投标可以通过替换为较低的参考价格来缓解。Adelowo和Bohland(2024)表明,基于聚类的方法在伊比利亚电力市场中筛选投标偏离基础成本的表现相当好。应用具有精心选择阈值的AMP可能通过减少过度投标和阻止公司提交过高投标来缓解市场支配力的影响(Bassini等人,2025)。这将使电力市场在未来危机中更具韧性,避免来自策略性投标而非基础稀缺条件的价格上涨。

**7. 结论**

分析2022年能源危机期间德国创纪录高电价的可能驱动因素,我们表明价格上升不能仅由较高的投入成本来充分解释。我们通过显式地建模市场支配力(除竞争性基准定价外)并将推测变化参数??引入该方法,扩展了关于德国批发电力市场市场支配力的现有文献。这表明危机前价格似乎接近竞争性水平,而在危机期间则显著向上偏离,这是由于成本上升以及市场支配力。我们的结果证实了关于RWE、EnBW、LEAG、Uniper和Vattenfall可能滥用市场支配力的担忧(Bundeskartellamt,2023),并证实了旨在防止通过行使市场支配力导致额外价格上涨的政策讨论,如通过电池储能投资和企业所有权多元化促进竞争、更透明的投标机制或自动化缓解流程。

将高需求时段的竞争性与有市场支配力模型的价格进行比较,我们发现价格比企业不行使市场支配力时高出22.04%。在意识到模型局限性的同时,我们进行稳健性检验以考虑模型中未包含的因素。我们发现价格成本差在所有模拟和稳健性检验中平均为15.97%。在我们的模型中,企业通过观测期间额外利润205.1亿欧元(或在稳健性检验中平均为141.4亿欧元)从较高价格中获益。我们找到的观测期??值为0.349,其中0表示竞争性市场,1表示对称古诺竞争。

模型的改进,例如包含启动成本,留给未来研究。此外,动态推测变化参数??随时间变化的可能性可以探索,以反映市场上行使市场支配力机会的变化。限制行使市场支配力可能性的替代市场设计或筛选机制应进一步研究。

**CRediT作者贡献声明**
Till Fladung:撰写–审阅与编辑,撰写–初稿,可视化,验证,项目管理,方法论,调查,形式分析,数据管理,概念化。Anna Saile:撰写–审阅与编辑,撰写–初稿,可视化,项目管理,方法论,调查,形式分析,数据管理,概念化。

**生成式AI和AI辅助技术在写作过程中的声明**
在本作品准备期间,作者使用DeepL检查和语法,使用Claude AI进行编码支持。在使用这些工具/服务后,作者已审阅并编辑了内容(按需要)并对出版物内容承担全部责任。

Till Fladung | Anna Saile
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号