Freitag, 24. November 2017
-   ZUKUNFTSFRAGEN

Smart Energy zur Flexibilisierung und Senkung des Energieverbrauchs – Handlungsoptionen und offene Fragen

Andreas Löschel und Madeline Werthschulte

Mit der voranschreitenden Energiewende gewinnt die Integration der erneuerbaren Energien in den Energiemarkt an zunehmender Bedeutung. Um eine Überlastung des Netzes zu vermeiden, muss zu jedem Zeitpunkt das Stromangebot der Stromnachfrage entsprechen. Fluktuierende Erzeugung und Netzeinspeisung aus erneuerbaren Energien bei gleichzeitig relativ starrer Nachfrage stellt die Energiewende vor Probleme, die mit verschiedenen Flexibilitätsoptionen auf der Angebots- und Nachfrageseite adressiert werden können. Hierzu zählen der Netzausbau, Speicher oder eine flexiblere Energienachfrage. Die Digitalisierung der Energiewirtschaft, unter dem Begriff „Smart Energy“ zusammengefasst, liefert Ansätze zu einer solchen Flexibilisierung und Senkung des Energieverbrauchs.

Überblick

Dieser Beitrag beschäftigt sich mit dem Verbraucherverhalten und dem Potenzial von Smart Energy zur Integration erneuerbarer Energien. Er betrachtet das Energienachfrageverhalten von Haushalten sowie das Lastverschiebungspotenzial von Unternehmen. Dazu werden folgende Fragen beantwortet: Ist Lastverschiebung mit zeitvariablen Tarifen möglich? Welche Wirkungen haben verhaltensökonomische Interventionen auf den Elektrizitätsverbrauch? Wie beeinflussen Echtzeit-Informationen das Verbrauchsverhalten? Im Fazit wirft der Artikel zudem die Frage auf, welchen Beitrag die Wirtschaftswissenschaften zur Digitalisierung des Energiesektors leisten können.

Eine flexiblere Energienachfrage vermeidet Netzüberlastungen, da sich der dargebotsabhängigen Einspeisung angepasst werden kann. Ein niedrigerer Energieverbrauch erlaubt einen höheren Anteil erneuerbarer Energien am Gesamtstromverbrauch. Die Digitalisierung bietet dazu die geeigneten Mittel an. Durch Smart-Metering-Technologien wird eine flexible Bepreisung des Energieverbrauchs zur Nachfragesteuerung möglich. Mithilfe digitaler Feedback-Technologien können informiertere Energieverbrauchsentscheidungen getroffen werden, bspw. indem über Benchmarkverbräuche informiert wird. Diese mit der Digitalisierung verknüpften Chancen gehen allerdings mit vielen offenen Fragen einher:

  • Welche Faktoren beeinflussen das Energienachfrageverhalten von Haushalten und Unternehmen?
  • Wie reagieren Haushalte und Unternehmen auf variable Preise und Echtzeit-Feedback?
  • Welches Einsparpotenzial und welcher Grad an Nachfrageflexibilisierung sind realisierbar?

Etliche Analysen haben sich diesen Fragen gewidmet. Die Untersuchungen zum Energienachfrageverhalten in Deutschland basieren dabei oftmals auf Einzelinitiativen, Pilotprojekten oder Potenzialschätzungen, die vielfältige methodische Probleme aufwerfen und eine Generalisierbarkeit der Ergebnisse zumindest schwierig erscheinen lassen. So fehlen oftmals geeignete Kontrollgruppen, mit denen in einer kontrafaktischen Analyse die Wirkung einer Intervention verglichen werden kann.

Ohne Kontrollgruppe können nur Vorher-Nachher-Aussagen getroffen werden. Diese Vorher-Nachher-Vergleiche berücksichtigen aber den allgemeinen Trend im Energieverbrauch, wie etwa wetterbedingte Schwankungen, nicht. Ein kausaler Effekt der Politikmaßnahme kann dann nicht isoliert werden. Eine schwache Belastbarkeit zeigt sich auch an lückenhaften Beschreibungen des Forschungsdesigns oder einer nur kleinen Anzahl an Beobachtungen.

Ein weiteres Problem stellt die Teilnehmerauswahl auf freiwilliger Basis dar. Bei einer freiwilligen Teilnahme selektieren sich die Teilnehmer anhand gewisser Charakteristika selbst, wie etwa dem Interesse an Energiethemen. Aussagen über die Effektivität von Maßnahmen basierend auf freiwilligen Teilnehmern sind dann wenig repräsentativ für die allgemeine Bevölkerung.

Während die Forschungslandschaft in Deutschland, mit einigen Ausnahmen, somit noch eher einem „Flickenteppich“ gleicht, gibt es verschiedene internationale Studien, die in randomisierten Feldexperimenten systematisch Einflussfaktoren der Energienachfrage zu evaluieren versuchen. Die randomisierte Einteilung der Studienteilnehmer in eine Interventions- und in eine Kontrollgruppe erlaubt einen belastbaren Vergleich, denn aufgrund der Randomisierung sind bei einer großen Anzahl an Teilnehmern die Unterschiede im Stromverbrauch im Durchschnitt alleine auf die Intervention rückführbar.

Oftmals ist allerdings die idealtypische Implementierung randomisierter Studien schwer umsetzbar. So werden die Teilnehmer häufig auf freiwilliger Basis ausgewählt und bei Kenntnis über die Teilnahme an einer wissenschaftlichen Studie verzerren Hawthorne-Effekte (d. h. Studienteilnehmer ändern ihr Verhalten, sobald sie wissen, dass sie beobachtet werden [1]) die Wirkungsevaluation. In diesem Beitrag soll ein entsprechender Überblick gegeben werden. Diese internationalen Studien können auch für die deutsche Diskussion einen wichtigen Rahmen bieten, vor einer einfachen Übertragung sei aber gewarnt.

Das Energienachfrageverhalten von Haushalten

Ist Lastverschiebung mit zeitvariablen Tarifen möglich?

In einer Übersicht von Faruqui und Sergici [2] werden 15 Studien zur Wirkung zeitvariabler Tarife vorgestellt. Unterschieden wird ein Time-of-Use-Tarif (TOU), der für zwei bis drei Preisperioden einen unterschiedlichen Betrag pro kWh berechnet, und ein Critical-Peak-Pricing-Tarif (CPP), bei welchem zu Zeiten kritischer Netzbelastung (Peak) ein besonders hoher Preis pro kWh gezahlt werden muss. Die Analyse zeigt, dass bei der Einführung eines TOU-Tarifs ein Rückgang des Peak-Verbrauchs von 3–6 % beobachtbar ist, bei einem CPP-Tarif ist eine Peak-Reduktion von 13–20 % möglich.

Diese Reduktionen beschreiben den Durchschnittseffekt über alle 15 Studien, obwohl die Studien nur schwer vergleichbar sind. Diesen Effekten liegen teilweise extreme Spreizungen in den Tarifen zugrunde, die bei den Verbrauchern auf Widerstand stoßen dürften und politisch schwer durchsetzbar wären. Zudem folgen nicht alle dieser in [2] analysierten Studien einem kontrollierten Experimentdesign, so wurde in einigen der Studien keine randomisierte Einteilung in Interventions- und Kontrollgruppe vorgenommen.

Wolak verwendet ein randomisiertes Feldexperiment, um die Wirkung der verschiedenen dynamischen Preismodelle auf den Elektrizitätsverbrauch zu testen [3]. Neben einem CPP-Tarif wird ein Tarif mit stündlicher Bepreisung (Hourly Pricing HP) und ein Critical-Peak-Rebate-Tarif (CPR) mit einer festen ct/kWh-Bepreisung verglichen. Beim CPR werden Nachfragereduktionen in Peak-Zeiten mit Gutschriften pro eingesparter kWh belohnt.

Ein Vergleich des Verbrauchs zwischen den Gruppen zeigt in den kritischen Stunden einen 9-prozentigen Nachfragerückgang beim CPP- und CPR-Tarif und einen Nachfragerückgang um 3 % bei HP im Vergleich zu der fixen Bepreisung. Die Differenz in den Tarif-Effekten ist auf die Differenz in den marginalen Preisen der Tarife in den kritischen Stunden rückführbar. Eine Studie von Allcott vergleicht in einem randomisierten Felddesign einen HP-Tarif mit einer fixen ct/kWh-Bepreisung [4]. Es wird eine Preiselastizität der Elektrizitätsnachfrage von –0,1 geschätzt, d. h. ein Anstieg des Strompreises um 1 % bewirkt einen Rückgang der Nachfrage um 0,1 %.

Dabei ist zu beachten, dass der Verbrauch in Peak-Zeiten reduziert wurde, aber in Off-Peak-Zeiten nicht angestiegen ist. Laut Faruqui und Sergici [2] kann die Preiselastizität der Elektrizitätsnachfrage durch smarte Technologien, wie etwa smarte Thermostate oder smarte Gateways, elastischer werden. Peak-Reduktionen von bis zu 44 % sind bei dem CPP-Tarif in Kombination mit smarten Technologien beobachtbar.

Jessoe und Rapson vergleichen die Verbrauchsrückgänge bei einem CPP-Tarif mit und ohne zusätzliche Echtzeit-Verbrauchsinformationen über ein In-Home-Display (IHD) in einem randomisierten Feldexperiment [5]. Ohne die Echtzeit-Verbrauchsinformationen bewirkt der CPP-Tarif Peak-Reduktionen von 0–7 % im Vergleich zu einer Kontrollgruppe. Sobald die Teilnehmer zusätzlich ein IHD erhalten, steigen die Reduktionen auf 8–22 %.

In diesen Studien zur Reaktionsfähigkeit der Haushalte auf Strompreisänderungen bleibt deren Akzeptanz für solche Tarife häufig unklar. Forsa hat Gruppendiskussionen und quantitative Befragungen zur Akzeptanz zeitvariabler Tarife durchgeführt [6]. Die Gruppendiskussionen zeigten, dass die Schwelle der Akzeptanz für zeitvariable Tarife bei einem Einsparpotenzial von mindestens 10 % liegt. Diese sind bei der derzeitigen Strompreisstruktur aber kaum umsetzbar. Allcott schätzt für die USA Einsparungen von 1–2 % der Energiekosten durch stündliche Echtzeit-Preise [4]. Höhere Effekte könnten durch zusätzliche zeitvariable Netzentgelte erzielt werden [7]. In jedem Fall erfordert die Akzeptanz durch die Haushalte auch Regelungen hinsichtlich Datenschutz, Komplexität der Tarifgestaltung, Kostendeckelung und technische Innovationen, die eine leichtere Kontrolle des Verbrauchs ermöglichen [6].

Schließlich sind die Verteilungswirkungen zeitvariabler Tarife sorgfältig zu untersuchen. Eine Analyse von Schulte und Heindl schätzt anhand der deutschen Einkommens- und Verbrauchsstichprobe Preiselastizitäten der Elektrizitätsnachfrage für verschiedene Haushaltstypen in Deutschland [8]. Es zeigt sich, dass die Elastizität heterogen zwischen Haushalten mit verschiedenem Einkommen verteilt ist. So hat ein Haushalt, welcher zu den 25 % der höchsten Einkommen zählt, eine dreimal so hohe Anpassungsfähigkeit im Vergleich zu einem Haushalt, der zu den 25 % der niedrigsten Einkommen zählt. Dies impliziert regressive Effekte von Strompreissteigerungen und legt nahe, dass insbesondere einkommensschwache Haushalte negativ von zeitvariablen Tarifen betroffen sein könnten. Aus dieser Perspektive erscheinen „weichere“, verhaltensökonomische Interventionen zur Anpassung des Verbrauchsverhaltens von Haushalten besonders attraktiv.

Welche Wirkungen haben verhaltensökonomische Interventionen auf den Elektrizitätsverbrauch?

Als „weichere“ verhaltensökonomische Interventionen werden u. a. soziale Vergleiche verstanden. In einer Studie von Allcott wurde in einem randomisierten Feldexperiment das Verbrauchsverhalten von 600.000 Haushalten im Hinblick auf die Wirkungen solcher sozialen Vergleiche untersucht [9]. Die Interventionsgruppe erhielt „Home Energy Reports“, welche Energiespartipps, einen deskriptiven Vergleich des Elektrizitätsverbrauchs mit dem Verbrauch der Nachbarn und eine Bewertung dieses Vergleichs mittels Smileys umfassten. Die Home Energy Reports bewirkten einen durchschnittlichen Verbrauchsrückgang um 2 % im Vergleich zu der Kontrollgruppe. Insbesondere Haushalte mit einem hohen Ausgangsverbrauch vor der Intervention reduzierten ihren Verbrauch. Diese zeigten Einsparungen von durchschnittlich 6,3 %. Allcott und Rogers beobachten in einer Langfristanalyse allerdings einen abnehmenden Effekt dieser Home Energy Reports [10].

Andor et al. betrachten die Wirkung von Energiesparbriefen, Framing und sozialen Vergleichen auf den Elektrizitätsverbrauch für Deutschland in einem Feldexperiment mit 140.000 Haushalten [11]. Die Interventionsgruppe erhielt Energiesparbriefe, abhängig von dem Energieversorger enthielten die Briefe zusätzlich zu Energiespartipps auch ein ökonomisches, ein ökologisches, ein ökonomisch und ökologisches Framing oder einen sozialen Vergleich. Im ökonomischen Framing wurden die möglichen Einsparungen in € angegeben, im ökologischen Framing in CO2.

Die Einsparungen aufgrund der Framing-Energiesparbriefe liegen bei durchschnittlich etwa 1 %. Die Wirkungen der verschiedenen Framing-Varianten auf den Elektrizitätsverbrauch sind statistisch nicht signifikant voneinander zu unterscheiden. Auch die Energiesparbriefe mit sozialem Vergleich bewirken nur moderate Verbrauchsrückgänge, statistisch kann nicht ausgeschlossen werden, dass gar keine Einsparungen realisiert werden konnten. Aufgrund der nur geringen Kosteneffektivität der Energiesparbriefe ist deshalb eine flächendeckende Einführung in Deutschland nicht zu empfehlen.

Als weitere verhaltensökonomische Intervention testeten Harding und Hsiaw jährliche Energiesparziele, welche die Studienteilnehmer über ein Online-Portal selbst wählten [12]. Bei dieser Studie handelt es sich um kein randomisiertes Feldexperiment. Stattdessen vergleicht die ökonometrische Analyse Haushalte, die an dem Programm teilnehmen, mit Haushalten, die erst später teilnehmen werden. Die zugrundeliegende Annahme ist, dass der Zeitpunkt der Programmteilnahme zufällig ist. Die Ziele bewirkten einen Rückgang im Elektrizitätsverbrauch um durchschnittlich 4,4 %. Eine Vielzahl der Teilnehmer wählte Ziele, die ambitioniert, aber realisierbar waren. Diese Teilnehmer reduzierten ihren Verbrauch sogar um bis zu 11 %. Teilnehmer mit zu ambitionierten Zielen oder dem Minimalziel realisierten keine signifikanten Einsparungen.

Schließlich betrachten Feldexperimente auch Fairnesspräferenzen von Haushalten, so etwa Kesternich et al. [13] im Kontext des freiwilligen Ausgleichs von konsumbedingten CO2-Emissionen. Langfristig signifikante Effekte sind hier erzielbar, wenn Konsumenten und Produzenten gleichermaßen am CO2-Ausgleich beteiligt sind. Im Gegensatz dazu zeigt Löschel et al. in einem Framed Field-Experiment eine Zahlungsbereitschaft für die Minderung von CO2 ohne Konsumbezug im Median von Null [14]. Der Vergleich beider Studien unterstreicht, dass sowohl eine „faire“ Aufteilung als auch der Bezug zum eigenen Konsum, der die CO2-Emissionen bedingt, Auswirkungen auf die Zahlungsbereitschaft haben. Eine entsprechende „faire“ Aufteilung von Belastungen zwischen Konsumenten und Produzenten könnte auch im Kontext der Energienachfrage eine Rolle spielen.

Im Rahmen der zunehmenden Digitalisierung des Stromsektors können solche verhaltensökonomischen Interventionen zukünftig auch über smarte Technologien, wie Apps oder IHD, kommuniziert werden. Im Zusammenspiel mit der Echtzeit-Informationsbereitstellung durch digitale Technologien können weitere Einsparungen ermöglicht werden. Dadurch und durch andere Maßnahmen kann auch das Energiewissen der Haushalte (Energy Literacy) gesteigert werden. Das Wissen um Energiefragen spielt eine wichtige Rolle für den Energieverbrauch, wie Blasch et al. mittels eines Fragebogens unter 2.000 Haushalten in der Schweiz zeigen [15]. Etwa 27 % der befragten Haushalte wussten den durchschnittlichen Strompreis in der Schweiz, dies entspricht einer eher geringen Energy Literacy. Ihre Verbesserung könnte einen senkenden Effekt auf die Energienachfrage haben.

Wie beeinflussen Echtzeit-Informationen das Verbrauchsverhalten?

Haushalte schenken ihrem Stromverbrauch oft wenig Aufmerksamkeit. Gilbert und Zivin verwenden Smart Meter-Daten und monatliche Abrechnungen, um den Effekt der Abrechnung auf den Elektrizitätsverbrauch zu schätzen [16]. Eine Abrechnung wirkt für unaufmerksame Haushalte wie eine Erinnerung. Nach jeder Abrechnung beobachten die Autoren einen Rückgang des Verbrauches um 0,6–1 %. Sowohl Allcott und Taubinsky als auch Rodemeier et al. bestätigen diese Überlegungen in randomisierten Online-Experimenten [17, 18]: Eine Informationsbereitstellung zu den Lebenszeitkosten einer Energiesparbirne bzw. einer LED im Vergleich zu einer herkömmlichen Glühbirne erhöht die Zahlungsbereitschaft für die Energiesparbirne bzw. LED signifikant. Sowohl unvollkommene Informationen als auch Unaufmerksamkeit gegenüber diesen Kosten können den Effekt begründen. Smarte Technologien, die Feedback zum Verbrauch und zu den Kosten von Elektrizität geben, könnten an beiden Problemen ansetzen, denn sie wirken sowohl wie eine Informationskampagne als auch wie eine Erinnerung.

Eine Literaturübersicht mehrerer Pilotstudien von Faruqui et al. zeigt, dass über ein IHD dargestellte Echtzeit-Informationen zu Elektrizitätsverbrauch und -kosten einen Rückgang des Stromkonsums von Haushalten um durchschnittlich 7 % bewirken [19]. Houde et al. randomisieren in einer feldexperimentellen Studie die Informationsbereitstellung durch einen IHD [20]. Alle Haushalte erhielten ein IHD, bei der Kontrollgruppe blieb der Bildschirm allerdings schwarz, bei der Interventionsgruppe wurden der historische und der aktuelle Energieverbrauch graphisch dargestellt.

Durch diese Feedback-Technologie wurde ein durchschnittlicher Rückgang des Elektrizitätskonsums um 5,7 % ausgelöst. Insbesondere vormittags waren Reduktionen von durchschnittlich 12 % und abends von durchschnittlich 8 % beobachtbar. Im Zeitverlauf nehmen diese Verbrauchsreduktionen allerdings ab: ein signifikanter Verbrauchsunterschied zwischen den Gruppen mit und ohne Echtzeit-Information zeigt sich nur für die ersten vier Wochen.

Lynham et al. versucht darzulegen, warum IHD den Energieverbrauch von Haushalten beeinflussen [21]. Unterschieden werden ein Lerneffekt und ein Sichtbarkeitseffekt, welcher die ständige Erinnerung an den Stromverbrauch meint. In einem Feldexperiment werden drei randomisierte Gruppen betrachtet: Die erste Gruppe erhielt Zugang zu einem IHD in den Monaten zwei und drei, die zweite Gruppe erhielt nur in dem zweiten Monat ein IHD. Eine dritte Kontrollgruppe erhielt kein IHD. Ein Vergleich aller Gruppen im Monat zwei zeigt einen signifikanten Verbrauchsrückgang zu Peak-Zeiten durch die Echtzeit-Informationen.

Der Vergleich zwischen den Gruppen im dritten Monat weist auf einen statistisch signifikanten (abnehmenden) Lern-Effekt hin. Ein Sichtbarkeits-Effekt kann statistisch nicht nachgewiesen werden. Diese Ergebnisse legen nahe, dass IHD insbesondere einen Lerneffekt haben. Dieser kann aber auch anders erzeugt werden. Politikmaßnahmen zum Verständnis von Energieverbräuchen, wie etwa Informationen oder Fortbildungen, sind daher möglicherweise kosteneffizienter als IHD. Allerdings wurde die Studie mit nur 58 Haushalten durchgeführt, sodass die Aussagekraft der Ergebnisse einschränkt ist [21].

Das Lastverschiebungspotenzial von Unternehmen

Studien zur Lastverschiebung (Demand Response) bei Unternehmen sind seltener. Schätzungen des Demand Response Potenzials in Deutschland variieren von 1 GW bis zu 15 GW [22]. Bei diesen Schätzungen wird häufig das technisch mögliche Potenzial betrachtet, ohne das wirtschaftlich mögliche Potenzial zu berücksichtigen, welches die Kosten und die Auslastung der Anlagen bei Demand Response mitberücksichtigt. Darüber hinaus sind die Schätzungen zumeist auf modelltheoretische Annahmen oder auf Fallbeispiele gestützt.

Auch im unternehmerischen Bereich wird das Demand Response-Potenzial wissenschaftlich verlässlicher anhand von (Quasi-)Experimenten abgeschätzt. So nutzen Jessoe und Rapson die Einführung verpflichtender TOU-Tarife in industriellen und gewerblichen Firmen mit einer maximalen Last über 100 kW für ihre Analysen [23]. Unternehmen mit einer maximalen Last unter 100 kW blieben bei einer fixen kWh-Bepreisung. An der Grenze von 100 kW kann angenommen werden, dass diese Unternehmen bis auf den Tarif identisch sind und die Einteilung in zeitvariablen und in fixen Tarif somit „quasi zufällig“ ist, da die Unternehmen ihre Spitzenlast kaum kontrollieren können.

Ein Vergleich des Verbrauchs dieser Unternehmen um die Schwelle von 100 kW zeigt allerdings keine signifikanten Unterschiede im Peak- und Off-Peak-Verbrauch. Auch die monatlichen Elektrizitätskosten bleiben bei zeitvariablem Tarif unverändert, es findet keine Peak-Last-Reduktion statt.

Eine Studie von Aigner et al. führte für teilnehmende kleine und mittelständische Unternehmen im industriellen und gewerblichen Sektor randomisiert TOU-Tarife ein [24]. Für einen Zeitraum von 15 Monaten erhielten zwei Interventionsgruppen diese gestaffelten Tarife mit drei bzw. zwei Zeitstufen. Eine Kontrollgruppe blieb bei einem fixen Preis pro kWh. Die Autoren beobachten durch die Einführung der zeitvariablen Tarife kleine, aber signifikante Lastverlagerungen der Unternehmen von Peak zu Off-Peak.

Basierend auf diesen Lastverlagerungen bei variierenden Preisen schätzen die Autoren eine Preiselastizität von –0,05 bis –0,08 zu Peak-Zeiten im Winter. In den anderen Jahreszeiten wird eine geringere Preiselastizität beobachtet, sodass im Sommer eine Preiselastizität von Null nicht ausgeschlossen werden kann. Während die Potenzialschätzungen für Deutschland also durchaus ein hohes Lastverschiebungspotenzial im unternehmerischen Bereich für möglich halten, scheinen die Ergebnisse aus experimentellen Studien außerhalb Deutschlands skeptischer.

Was können die Wirtschaftswissenschaften zur Digitalisierung des Energiesektors beitragen?

Der Überblick zu verschiedenen Studien zur Energienachfrage von Haushalten und Unternehmen zeichnet ein eher uneinheitliches Bild. Die Vielfalt an Methoden und Politikinstrumenten spiegelt sich in der Bandbreite der geschätzten Nachfrageanpassungen wider. Generell zeigt sich, dass die Wirkungsevaluationen in experimentellen Studien geringer ausfallen als die Abschätzungen aus Pilotstudien oder aus technischen Modellierungen. Solche experimentellen Potenzialschätzungen von Politikinterventionen gibt es für den deutschen Raum bisher kaum.

Darüber hinaus wird deutlich, dass die Stromnachfrage sowohl von Haushalten als auch von Unternehmen unelastisch ist und nur inflexibel auf Preisänderungen reagiert. Zeitvariable Tarife scheinen somit nur dann Verhaltensänderungen und Demand Side Management zu erlauben, wenn die Preisspreizung zwischen Zeiten mit hoher und niedriger Netzbelastung groß genug ist. Der derzeitige regulatorische Rahmen in Deutschland erlaubt aber nur geringe Preisvariationen. Des Weiteren stellt sich die Frage der Akzeptanz von flexiblen Preisen, insbesondere bei privaten Haushalten. Die Energienachfrage von Haushalten wird auch von nicht-preislichen Faktoren beeinflusst. So bewirken auch Informationen, soziale Normen oder Energiesparziele Verbrauchsreduktionen, deren Umfang jedoch begrenzt ist.

Allerdings ist dies kein abschließender Befund. Die große Dynamik in der Digitalisierung der Energiewelt könnte auch das Verbraucherverhalten grundsätzlich verändern. Es ist daher gefährlich, der Tyrannei des Status Quo zu stark zu vertrauen. Belastbare wissenschaftliche Studien im Fortgang der Digitalisierung in Deutschland, ein fundiertes Verständnis der Wirkungsmechanismen, insbesondere der verschiedenen Informationsflüsse und der unterschiedlichen, sich überlagernden Instrumente und die Analyse der Effekte nicht-preislicher Faktoren, wie etwa das Selbstversorgungsmotiv bei Prosumern, sind in der Begleitung der Transformation zu einem nachhaltigen Energiesystem unerlässlich.

Für die evidenzbasierte wissenschaftliche Beratung ist aber nicht nur in großen Linien zu denken, sondern auch Details spielen eine wichtige Rolle. In der Analyse der Ausgestaltung von Märkten und Maßnahmen ist der Ökonom als Ingenieur („economist as engineer“, [25]) oder gar der Ökonom als Installateur („economist as plumber”, [26]) gefragt. Das Virtuelle Institut „Smart Energy“ (VISE) wird sich als neue Forschungsinfrastruktur in NRW diesen und weiteren Fragestellungen der digitalen Energiewelt zuwenden.

Literatur




  1. Parsons, H. M.: What happened at Hawthorne? Science. Vol. 183 (4128), 1974, S. 922–932.  ↩

  2. Faruqui, A. und Sergici, S.: Household response to dynamic pricing of electricity: a survey of 15 experiments. Journal of Regulatory Economics, Vol. 38 (2) 2010, S. 193–225.  ↩

  3. Wolak, F. A.: Do Residential Customers Respond to Hourly Prices? Evidence from a Dynamic Pricing Experiment. The American Economic Review, Vol. 101 (3) 2011, S. 83–87.  ↩

  4. Allcott, H.: Rethinking real-time electricity pricing. Resource and Energy Economics, Vol. 33, 2011, S. 820–842.  ↩

  5. Jessoe, K., und Rapson, D.: Knowledge is (less) power: Experimental evidence from residential energy use. The American Economic Review, Vol. 104 (4) 2014, S. 1417–1438.  ↩

  6. Forsa: Akzeptanz von variablen Stromtarifen – Ergebnisse einer qualitativen Vorstufe und einer bevölkerungsrepräsentativen Umfrage. November, 2015.  ↩

  7. Löschel, A. et al.: Stellungnahme zum vierten Monitoring-Bericht der Bundesregierung für das Berichtsjahr 2015. Expertenkommission zum Monitoring-Prozess „Energie der Zukunft“, Berlin, Münster, Stuttgart, Dezember 2016.  ↩

  8. Schulte, I. und Heindl, P.: Price and Income Elasticities of Residential Energy Demand in Germany. ZEW Discussion Paper 16–052 (2016).  ↩

  9. Allcott, H.: Social Norms and Energy Conservation. Journal of Public Economics, Vol. 95, 2011, S. 1082–1095.  ↩

  10. Allcott, H. und Rogers, T.: The short-run and long-run effects of behavioral interventions: Experimental evidence from energy conservation. The American Economic Review, Vol. 104 (10) 2014, S. 3003–3037.  ↩

  11. Andor, M. et al.: Energiesparen in privaten Haushalten – Ein Randomized Controlled Trial zur Wirkungsevaluierung einer Endverbrauchersensibilisierung. rwi Projektbericht, Essen 2017.  ↩

  12. Harding, M. und Hsiaw, A.: Goal setting and energy conservation. Journal of Economic Behavior & Organization, Vol. 107, 2014, S. 209–227.  ↩

  13. Kesternich, M. et al.: The long-term impact of matching and rebate subsidies when public goods are impure: Field experimental evidence from the carbon offsetting market. Journal of Public Economics, Vol. 137, 2016, S. 70–78.  ↩

  14. Löschel, A. et al.: The demand for climate protection—empirical evidence from Germany. Economics Letters, Vol. 118 (3) 2013, S. 415–418.  ↩

  15. Blasch, J. et al., The role of energy and investment literacy for residential electricity demand and end-use efficiency. CER-ETH Working Paper 17/269 (2017).  ↩

  16. Gilbert, B. und Zivin, J. G.: Dynamic salience with intermittent billing: Evidence from smart electricity meters. Journal of Economic Behavior & Organization, Vol. 107, 2014, S. 176–190.  ↩

  17. Allcott, H. und Taubinsky, D.: Evaluating behaviorally motivated policy: experimental evidence from the lightbulb market. The American Economic Review, Vol. 105 (8) 2015, S. 2501–2538.  ↩

  18. Rodemeier, M. et al.: Casting light on energy efficiency: evidence on consumer inattention and imperfect information. Applied Economics Letters, 2017, S. 1–13.  ↩

  19. Faruqui, A. et al.: The Impact of Informational Feedback on Energy Consumption – A Survey of the Experimental Evidence. Energy, Vol. 35, 2010, S. 1598–1608.  ↩

  20. Houde, S. et al.: Real-time Feedback and Electricity Consumption: A Field Experiment Assessing the Potenzial for Savings and Persistence. The Energy Journal, Vol. 34 (1) 2013, S. 87–102.  ↩

  21. Lynham, J. et al.: Why does real-time information reduce energy consumption?. Energy Economics, Vol. 54, 2016, S. 173–181.  ↩

  22. Holtrup, F.: Potenzial für Demand Side Management der energieintensiven Industrie in Deutschland: Beispiel Chlor-Alkali-Elektrolysen. Energiewirtschaftliche Tagesfragen 4/2016, S. 51–56.  ↩

  23. Jessoe, K. und Rapson, D.: Commercial and Industrial Demand Response under Mandatory Time-Of-Use Electricity Pricing. Journal of Industrial Economics, Vol. 63 (3) 2015, S. 397–421.  ↩

  24. Aigner, D. J. et al.: The Response of Small and Medium-Size Business Customers to Time-of-Use Electricity Rates in Israel. Journal of Applied Econometrics, Vol. 9, 1994, S. 283–304.  ↩

  25. Roth, A. E.: The economist as engineer: Game theory, experimentation, and computation as tools for design economics. Econometrica, Vol. 70 (4) 2002, S. 1341–1378.  ↩

  26. Duflo, E.: The Economist as Plumber. NBER Working Paper (2017), No. 23213.  ↩


Prof. Dr. A. Löschel, Lehrstuhlinhaber, M. Werthschulte (MSc), Wissenschaft-liche Mitarbeiterin, Lehrstuhl für Mikroökonomik, insb. Energie- und Ressourcenökonomik, Westfälische Wilhelms-Universität Münster
loeschel@uni-muenster.de

Diesen Artikel können Sie hier als PDF kostenlos downloaden.

Service
   Heftbestellung / Abo
   Termine
   „et“ online lesen
   Shop
   Verlagsverzeichnis
   Jahresinhalte
   Mediadaten
   "et" für Autoren
   Kontakt

Energiekarriere

Das neue Karrieremagazin energiekarriere jetzt kostenlos lesen!
Energiekarriere
Online lesen
Download als PDF


Sommer-Special 2017

Intelligente Energieinfrastruktur

Jahrgangs-CD

Suche

Aktuelles Heft
Inhalt der Ausgabe 11/2017
Schwerpunkt: Sektorenkopplung
Netzentgelte/Umlagen: Effektive Klimapolitik erfordert eine systemische Reform
Energiewende: Welchen Beitrag kann die Gasinfrastruktur leisten?
Verkehr: Wasserstoff – Energie der Zukunft?
mehr...
Tipps zur Navigation
Wussten Sie schon, dass Sie in jedem auf der Website vollständig veröffentlichten Artikel zum Fußnotentext springen können, indem sie auf den Fußnotenverweis [1] klicken? Von dort können sie wieder an die alte Position zurückkehren, wenn sie den Rückpfeil ↩ anwählen. Ebenso wird das entsprechende Bild im großen Format aufgerufen, wenn sie auf einen Abbildungsverweis (Abb. X) klicken.

  1. Dies ist der Text der Beispielfußnote. Klicken Sie auf den Pfeil hinter dem Text:  
 
EW Medien und Kongresse GmbH
Montebruchstraße 20 | D-45219 Essen | Telefon: +49 (02054) 9532-0 | Telefax:  +49 (02054) 9532-60

Aktuelles Heft  | Zukunftsfragen  | Topthema  | Weitere Themen  | Termine  | Heftbestellung  | Mediadaten  | Ansprechpartner

Copyright 2012 by ONexpo  |  anmelden  |  Impressum |  AGB
Anzeige
Handelsblatttagung Energiewirtschaft 2018