太阳能可及性的机器学习:对低收入太阳能扩张和盈利能力的影响
Machine Learning for Solar Accessibility: Implications for Low-Income Solar Expansion and Profitability
美国的太阳能行业通常使用信用评分(如FICO评分)作为消费者公用事业支付绩效和信用价值的指标,以批准客户安装新的太阳能装置。使用超过800000个公用事业支付绩效和超过5000个人口统计变量的数据,我们比较了机器学习和计量经济学模型,以预测信用评分截止值的违约概率。我们通过各种衡量标准对这些模型进行了比较,包括它们如何影响不同社会经济背景和盈利能力的消费者。我们发现,传统的回归分析使用了少量特定于公用事业偿还绩效的变量,相对于FICO分数,大大提高了准确性和LMI包容性,使用机器学习技术进一步提高了模型性能。相对于FICO,根据评估潜在客户的严格程度,机器学习模型将批准使用社区太阳能的中低收入消费者数量增加了1.1%至4.2%,同时将违约率降低了1.4至1.9个百分点。使用电力公司还款作为太阳能安装还款的代理,从FICO分数截止转变为机器学习模型,根据评估潜在客户的严格程度,利润增加34%至1882%。
相关资源
Gary Charness
,Brian Jabarian
,John A. List
Kasey Buckles
,Adrian Haws
,Joseph Price
,Haley E.B. Wilbert
Marshall Burke
,Mustafa Zahid
,Noah Diffenbaugh
,Solomon M. Hsiang