改进工业数据：现状和未来方向（英）

关于作者 马克·哈夫斯塔德是未来资源（RFF）研究员和碳定价倡议以及气候金融与金融风险倡议的主任。他的研究主要集中在美国经济复杂的多部门模型上，用于评估和设计联邦和州级的气候与能源政策。他与斯坦福大学教授、RFF大学研究员劳伦斯·H·高尔德共同撰写应对气候挑战：美国政策选择(Columbia University Press) 评估联邦碳税、碳 排放权交易计划、清洁能源标准和汽油对环境和经济的影响，他的研究还分析了碳定价的分布和就业影响，以及减少碳税政策排放不确定性的税收调整机制的设计。 Aaron BergmanRFF 的一名研究员。在加入 RFF 之前，他是美国能源信息署（EIA）宏观经济与排放方面的负责人，负责管理 EIA 在这些领域的模型。在效力于EIA 之前，伯格曼在能源部政策办公室工作了近十年，负责广泛的气候与环境政策。伯格曼曾在白宫科技政策办公室工作，负责管理四年一次能源评估和甲烷测量项目组合，也在环保质量委员会工作，负责碳监管事务。伯格曼于 2009 年以美国科学进步协会科学技术政策研究员的身份进入联邦政府，此前他在高能物理领域工作。 致谢 我们感谢科罗拉多国家实验室的丹尼尔·斯坦伯格和劳拉·维默斯特德在共同组织我们2024年12月的研讨会“开发工业领域数据共享平台”方面做出的重要贡献。我们也感谢他们为这份报告做出的贡献，包括综合研讨会信息以及协助我们制定优先事项和下一步的计划路线图。我们还要感谢科罗拉多国家实验室的安尼卡·埃伯勒在准备这份报告方面提供的帮助。我们感谢瓦莱丽·卡普拉斯、达尔里克·马拉普拉加达、萨兰格·苏佩卡尔和阿拉尼亚·文卡塔什对负责设定我们研讨会议程的指导委在组织کی员会做出的贡献。最后，我们感谢大卫·帕奥莱拉和艾比盖尔·雷吉特斯研讨会方面提供的评论和指导。 关于 RFF 资源未来委员会（RFF）是一家位于华盛顿特区的独立非营利性研究机构。其使命是通过公正的经济研究和政策参与，改善环境、能源和自然资源方面的决策。RFF致力于成为最受信赖的研究洞察和政策解决方案的来源，以促进健康的环境和繁荣的经济。 此处表达的观点是各位作者个人的观点，可能与其他RFF专家、其官员或其董事的观点不同。 分享我们的工作 我们的作品可在 Attribution- NonCommercial-NoDerivatives 4.0 International (CC BY-NC-ND 4.0) 许可证下共享和改编。您可以在任何媒介或格式中复制和重新分发我们的材料；您必须给予适当的署名，提供指向许可证的链接，并标明是否做了更改，且您不得应用额外的限制。您可以以任何合理的方式这样做，但不得以任何暗示许可方认可您或您的使用的方式。您不得将材料用于商业目的。如果您混合、转换或基于材料创作，您不得分发修改后的材料。如需更多信息，请访问https://creativecommons.org/licenses/by-nc-nd/4.0/. 执行摘要 用于提升工业制造的投资推动美国的生产力、创新、全球竞争力和供应链的韧性。工业制造的经济和能源数据是指导商业投资和运营决策，以及公共和私营部门长期战略（涉及经济增长、工业竞争力和技术研发）的基础。数据的改进能够提升这些关于投资优先级的重大决策，并释放工业制造的效益。 这可以通过改进三种类型分析来实现：(1) 能力扩张分析——工业制造的建造和升级，特别是采用新先进技术的；(2) 经济增长分析，包括贸易流量、劳动力需求、区域生产和投资；(3) 设施和制造集群内部技术创新和优化分析。 工业数据和分析的改进可以增强商业投资和运营决策、经济增长的长期战略、产业竞争力以及技术研发。尽管工业制造的经济和能源数据来源众多，已经在一定程度上支持了此类决策，但支持能力受到弱点和差距的限制。这些数据来源往往彼此孤立，每个用户必须投入时间处理每个数据来源并在众多来源之间建立连接。经济和能源研究人员常常以相当大的代价自行构建数据集，但利用和整合这些工作的机制并不容易获得。此外，有价值信息中的重大数据差距限制了决策者，例如工业能源设备特征（年代、能源使用、竞争力）以及这些特征在企业和/或地区间的分布。 为解决此问题，未来资源研究所和落基山国家实验室于2024年12月召开了一个研讨会，其中包括关于数据差距、数据需求以及开发新数据的方法和机遇的讨论环节。讨论环节探讨了工业数据“共享区”的潜力，该共享区可以用于利用和促进工业能源与经济分析。本文件借鉴了研讨会的内容，但并非研讨会成果、结果或协议的报告。 相反，本报告提出了改善工业数据的理念，以进一步利用现有数据，为新数据和改进数据设定优先级，并通过发展工业数据共享平台来提升共享工业分析能力。这些理念回应了工业数据利益相关者在广泛范围内进行协调的潜在高价值。尽管工业数据共享平台的精确定义仍有待发展，但本报告描述了其基本构成要素： • 创建利益相关者社区，• 确定数据类型的优先级，•建立数据标准和方法，• 改进原始数据；以及，• 组织数据访问和协作机制。 围绕这些基本要素组建的工业数据共享平台，可以为新的工业建模与分析、更明智的决策以及由此产生的经济效益创造重大机遇。参见ES-1图，该图总结了本报告中提出的概念框架。改进的工业数据支持更有效的分析和更好的政策决策。满足这些需求的数据包括当前设施数据，如资本设备特性和运营数据；现有和新兴技术的成本和性能数据；历史生产、贸易和商品流动，以及预期需求。本报告确定了通过开发工业数据共享平台来改进这些数据集的潜在优先事项和下一步行动，以支持对工业投资和战略的更好决策。 内容 1.数据和工业繁荣1 2. 更优数据，更有效分析 2 2.1. 能力扩展建模与分析22.2. 经济建模与分析32.3. 过程建模与分析3 3. 针对数据类型、来源和差距 4 3.1. 现有设施、运营和贸易的实证数据43.2. 技术的性能与成本评估6 4. 创建工业数据共享体的步骤 7 4.1. 创建利益相关者社区74.2. 确定数据类型的优先级84.3. 建立数据标准和方法94.4. 改进原始数据94.5. 组织数据访问与协作机制10 5. 结论：迈向更优化的工业制造能源与经济数据 12 参考文献13 附件A.研讨会日程 15 16附录B. 数据来源 1. 数据与工业繁荣 表征美国工业制造业的经济和能源数据是企业及政府决策的重要资源。在一个日益互联和竞争的世界中，美国产业依靠并管理着复杂的供应链以确保关键投入——能源、原材料、制造部件——同时持续评估由不断发展的技术、政策与法规变化以及国内外商品市场变化所呈现的机会与挑战。数据——无论是运营与贸易的经验观察还是新技术的绩效与成本评估——能够进行这些问题的评估，因此对于支持美国产业的近期和长期竞争力至关重要。 支持对行业进行详细建模和分析的稳健数据对于许多利益相关者至关重要。例如，一名工程师可能正在寻找降低化肥生产能耗的机会。一家钢铁公司必须预测从直接还原铁厂的开发中实现的预期成本和收入。一名顾问可能需要评估水泥市场的潜在增长或萎缩。或者，一名联邦或州政策制定者可能希望设计政策以推动工业创新。 尽管联邦机构、行业协会、咨询公司和非政府组织（ ngo）收集的信息涵盖了众多关键组成部分，但生成数据集存在局限性： • 数据集众多、分散，并在方法、地域、时间或部门范围上有所不同。这种不一致性阻碍了综合研究，迫使一些研究人员花费巨大代价自己建立数据集。 • 数据集通常因商业敏感性或数据收集限制而按地理区域和行业进行聚合。聚合会掩盖地区或子部门之间的重要差异。 • 私营机构收集的数据通常需要付费才能获取，并且往往对允许的使用方式有严格的限制。公共机构（例如美国人口普查局）收集的数据也可能受到限制或难以获取。 • 许多有价值的数据类别尚未收集，例如按设施类型划分的特定高能耗设备信息。 与电力行业相反，电力行业收集大量数据并公开，而工业部门存在重大局限性，阻碍了利益相关者评估趋势的能力，导致成本、错失机会和竞争劣势。 2024年12月，未来资源研究所（RFF）和落基山国家实验室举办了一场为期一天的研讨会“开发一个工业部门数据公共平台”，旨在识别美国工业制造业中的数据差距，并识别和优先考虑潜在的解决方案（见研讨会议程，附录A）。超过60名具有经济学、能源系统、工业等领域专业知识的科研人员 系统工程与流程工程、数据科学、社会变革以及政策为讨论做出了贡献。基于该研讨会的发现，本报告概述了为在短期内改进工业数据所需的要点；它不是一份关于研讨会结果、成果或协议的报告。 一个工业数据“数据共享”可以提供给工业分析社区——包括学者、行业高管、技术投资者、政府及监管政策制定者等——全面、详细、内部一致且可访问的数据。通过转变数据的收集、访问和使用方式，数据共享可以解决阻碍工业能源和经济分析协调的挑战，从而提升我们集体理解提升工业绩效和加速美国增长的机会的能力。 2. 更好的数据，更有效的分析 数据是一项基础性资源，美国工业数据（参见第3节）具有广泛的受众和应用范围。行业领袖和顾问利用数据来指导投资和运营决策。公共部门和国立实验室的分析师需要信息来支持政策、法规及项目的设计，并评估政府过往及预期行动的结果。学术界、行业协会和媒体的分析师利用数据来研究生产、就业、工资、劳动力需求、贸易和技术发展。改进的能源供应数据，支持私营部门和公共部门对工业和能源使用工业技术的分析，将提高能源相关机会的分析和研究成果的精确度。关于生产、就业、工资和贸易的改进数据，将揭示技术发展对增长潜力和劳动力需求的影响。 每个潜在受众可能采用不同的分析方法，但拥有更好的工业能源和经济数据将改进许多分析。在这里，我们重点介绍了更好的数据如何改进三种类型分析：产能扩张、经济建模和过程建模。这些类别并不代表改进工业数据应用的综合列表，而是长期技术和工业经济战略评估中经常利用的分析类型的例子，包括政策与项目设计。 2.1. 能力扩展建模与分析 产能扩张建模与分析采用技术经济方法来识别和评估中期（五年）到长期（多个十年）的投资和运营策略。对于工业制造部门，产能扩张模型（CEMs）通常通过技术、现有设施或其组件的改造或淘汰来确定新设施的最优投资组合。此外，这些模型还考虑系统的运行以满足预期需求 对于工业产品或服务，通常基于最小化成本或其他最优条件。有时也被称为“自下而上”模型，因其详细方法，这些模型经常用于为联邦和州政策提供信息；制定长期工业、行业协会或公共计划或战略；并评估技术和能源使用趋势的驱动因素。与其他领域（如电力）相比，CEM在工业中的应用较为有限，这主要是因为细粒度数据的缺乏。 改善cem参数化的数据在多个尺度和范围中都有用，从代表性过程或设施的详细子过程数据到单个子部门或整个部门的国家尺度数据。这些数据应具有更高的分辨率——空间上和按部门分解水平——并应包括能力、能源和材料强度，以及运营和资本成本。 2.2. 经济建模与分析 要对贸易、就业、工资、价格和社会福利的过去或潜在未来趋势进行建模和分析，是制定更好的增长政策和策略的关键。此类分析通常利用“自上而下”的可计算一般均衡（CGE）模型，范围从区域特定子部门模型到全球经济模型。结果可用于了解贸易流量、劳动力市场动态、子国家生产的差异、部门投资的模式以及部门、家庭和政府之间的相互作用。然而，如果没有工业制造业中具体的技术和区域差异数据，这些模型可能会歪曲机会或完全错失机会。虽然产能扩张分析可以为每个工业子部门提供更多细节，但一般均衡分析则关注一个部门或子部门与整个经济的相互作用。 运用更详细的子部门和区域数据的CGE分析有助于政策制定者最小化政策相互作用或溢出效应，并且能够提醒私营决策者经济机会和威胁。只要有足够详细的数据，CGE分析就能估计一个部门或子部门的经济决策对经济体其他部分的效应。 2.3. 过程建模与分析 过程模型采用详细工程分析来识别改进生产工艺的机会，并评估创新和优化的机会，无论是在制造集群内