第3章用户响应行为建模

3、用户响应行为建模

好，咱们进入第三讲。用户响应行为建模，说白了就是搞清楚一件事：用户到底会不会听你的调度？

我在做需求响应项目时，最头疼的不是电价设计，而是用户行为预测。你设计得再漂亮，用户不响应，全白搭。所以这一章，咱们把用户的心理和经济学行为拆开揉碎了讲。

先问个问题：用户为什么用电？

因为用电能带来“效用”。这个效用可以是舒适的温度、亮堂的灯光、运转的机器。经济学里，我们用效用函数来描述这种满足感。

对于电力用户，我习惯用一个二次型效用函数来建模：

U(q) = a·q - 0.5·b·q²

其中：

为什么会用二次型？因为它的边际效用是线性的，数学上好处理。我在实际项目中，通常用历史负荷数据反推 a 和 b 的值。

核心逻辑：用户会在“用电效用”和“电费支出”之间做权衡。净收益 = U(q) - p·q，用户会最大化这个净收益。

举个例子。夏天开空调，第一小时降温效果明显，效用很高。但开到第五小时，房间已经很冷了，再多开一小时效用就低很多。这就是边际效用递减。

价格弹性，衡量的是用户对电价的敏感程度。公式很简单：

ε = (Δq/q) / (Δp/p)

ε 的绝对值越大，用户越敏感。我见过最敏感的是大型工业用户，ε 能到 -0.3 到 -0.5。居民用户嘛，通常只有 -0.1 到 -0.2。

这里有个坑，我曾经踩过：弹性不是常数。不同时段、不同季节、不同用户群体，弹性差异很大。比如：

你想想看，峰时电价涨了，工业用户可能直接停产一条线。但居民用户呢？顶多少开一小时空调。所以建模时，一定要分场景标定弹性。

实用技巧：我建议用“对数线性模型”来拟合弹性：ln(q) = α + β·ln(p) + γ·ln(I) + ε。其中 I 是收入或产出。这样弹性 β 直接就是回归系数，好解释。

光有弹性还不够。弹性告诉你“能响应多少”，但没告诉你“愿不愿意响应”。

意愿度，我把它拆成三个维度：

我在一个居民侧需求响应试点中，发现一个有意思的现象：即使补贴足够高，仍有30%的用户不参与。后来调研才知道，很多人觉得“设置响应程序太麻烦”。

所以，意愿度模型我通常用Logit模型来量化：

P(响应) = 1 / (1 + e^(-z))

其中 z = β₀ + β₁·补贴 + β₂·设备便利性 + β₃·信任度 + ...

说白了，这就是一个“响应概率”的预测。β 系数越大，说明这个因素越重要。

注意：意愿度模型需要大量调研数据支撑。我见过有人直接拍脑袋设参数，结果预测偏差50%以上。建议至少做200份有效问卷，或者用历史响应数据来校准。

嗯，这里要讲点有意思的。传统经济学假设人是理性的，但现实中，用户的行为往往不理性。

我常用的心理学模型有三个：

前景理论（Prospect Theory）：用户对“损失”比对“收益”更敏感。同样省10块钱，不如避免被罚10块钱来得有动力。所以，惩罚型电价往往比奖励型更有效。
锚定效应：用户会参考历史电价。如果平时电价0.5元，突然涨到1.0元，用户会觉得“太贵了”。但如果从0.8元慢慢涨到1.0元，用户反应就没那么大。
社会规范：用户会看邻居怎么做。我在一个社区项目中，给用户推送“您家用电量比邻居高20%”的信息，结果次月用电量平均下降了8%。

基于这些心理学原理，我设计过一个分层响应模型：

响应量 = 基础响应 × 心理调节因子

心理调节因子 = f(损失厌恶系数, 锚定偏差, 社会比较压力)

这个模型在工业用户身上效果一般，但在居民用户身上，预测准确率提升了15%以上。

总结一下：用户响应行为建模，不能只盯着经济学弹性。心理因素往往才是决定成败的关键。我个人的经验是：先做小范围试点，用实际数据校准模型，再大规模推广。这样能避开很多坑。

好，这一章的内容就这些。下面我用一张图把整个知识体系串起来。

这张图把四个模块串起来了。从左到右，从经济学到心理学，覆盖了用户响应的全貌。你写代码实现时，建议把效用函数和弹性模型作为核心引擎，意愿度和心理学模型作为调节层。