1 1 Barreiras à eficiência energética em modelos industriais de demanda de baixo para cima

Prévia do material em texto

Barreiras à eficiência energética em modelos industriais de demanda de baixo para cima - Uma revisão
O objetivo deste artigo é revisar modelos de baixo para cima para demanda de energia industrial com um foco particular em sua capacidade de modelar barreiras à adoção de tecnologias de eficiência energética. A integração de barreiras nos modelos é um pré-requisito importante para uma modelagem mais detalhada e realista das políticas de eficiência energética. Particularmente com o surgimento de mais e mais instrumentos políticos variados, também torna-se crucial que os modelos levem em conta essas políticas, bem como as barreiras que abordam de maneira mais realista.
Nossa revisão revelou que, apesar da existência amplamente evidente de falhas de mercado e barreiras para tecnologias de eficiência energética, elas são apenas parcialmente e de forma bastante agregada, consideradas nos modelos bottom-up de hoje. O modelo bottom-up de última geração baseia-se em uma representação explícita do estoque de tecnologia e considera os custos das opções de eficiência energética em detalhes. Mas no que diz respeito às barreiras, a maioria dos modelos utiliza apenas uma abordagem agregada, como uma taxa de desconto ajustada. Enquanto alguns modelos nem sequer consideram os custos de tecnologia e os preços de energia, mas usam taxas de difusão de tecnologia exógenas, outros modelos mais avançados deram os primeiros passos para considerar as barreiras com mais detalhes. Este último permite a diferenciação entre múltiplos parâmetros que influenciam a adoção da tecnologia. Ainda assim, mesmo nos modelos mais avançados, apenas algumas das barreiras observadas são explicitamente consideradas.
Ao mesmo tempo, novas abordagens para considerar barreiras como a incerteza ou a disseminação (lenta) de informações estão sendo desenvolvidas em outras disciplinas. Concluímos o artigo resumindo formas promissoras de melhorar a representação de barreiras em modelos bottom-up.
1. Introdução
A importância da melhoria da eficiência energética na mitigação das mudanças climáticas, na proteção ambiental em geral e na redução da dependência da importação de combustíveis tem sido frequentemente demonstrada [1]. Como a indústria responde por 36% da demanda global de energia final, a melhoria da eficiência energética industrial deve ter alta prioridade entre os formuladores de políticas. Além disso, a eficiência energética é também uma questão de poupança de custos e de competitividade ao nível das empresas [2]. Consequentemente, o conhecimento sobre a futura demanda de energia industrial e o impacto potencial das políticas de eficiência energética é uma base importante para o desenho de políticas e decisões de investimento.
Os modelos de demanda de energia permitem estimar o impacto de diferentes desenvolvimentos tecnológicos no consumo de energia a longo prazo. Um determinante chave da difusão de novas tecnologias energeticamente eficientes no mercado é o comportamento de adoção de tecnologia das empresas. Um grande volume de literatura tem mostrado que os investimentos em tecnologias de eficiência energética são afetados por barreiras e falhas de mercado que muitas vezes impedem que a alternativa eficiente em termos energéticos seja escolhida, embora isso seja custo-efetivo. As barreiras podem ser de natureza muito diferente, variando da disponibilidade de informação ou capacidade dentro das empresas, para lidar com o risco e como ele é percebido, para firmar processos internos ou a disponibilidade de recursos financeiros.
Ainda assim, os atuais modelos de demanda de energia trabalham com suposições bastante simples sobre a dinâmica da difusão da tecnologia, mesmo que sejam o tipo de modelos bottom-up1 que são mais frequentemente caracterizados por sua representação detalhada da tecnologia. Em modelos bottom-up típicos, a adoção de tecnologia é considerada como um processo de tomada de decisão estritamente racional, pressupondo um conhecimento perfeito. Alguns modelos também consideram as barreiras assumindo taxas de desconto (implícitas) mais altas para investimentos em eficiência energética, enquanto outras trabalham com pressupostos exógenos simples sobre a melhoria da eficiência energética [3]. Enquanto a primeira abordagem superestima consideravelmente os investimentos em tecnologias de eficiência energética, as outras abordagens, isto é, a taxa de desconto implícita e as premissas exógenas, também carecem de um entendimento detalhado das barreiras relevantes e de sua influência na adoção de tecnologia [4]. Ao mesmo tempo, uma consideração detalhada do processo de adoção de tecnologia é indispensável para a modelagem de políticas de eficiência energética que visam superar as barreiras para acelerar a mudança tecnológica em direção a uma maior eficiência energética.
De fato, incluir barreiras e falhas de mercado em modelos de demanda de energia de baixo para cima é frequentemente mencionado como um passo importante em direção a modelos mais “realistas” e confiáveis ​​e como um passo necessário para a modelagem mais explícita das políticas [4-8]. Alguns primeiros passos promissores foram dados nessa direção, e também existem abordagens de outras disciplinas que fornecem informações úteis sobre modelagem de difusão de tecnologia.
Apesar da crescente atenção para modelos bottom-up para a demanda de energia industrial, ainda não há uma visão geral enfocando o processo de adoção de tecnologia e como ela é considerada nos modelos. Publicações recentes dão uma visão geral de questões específicas da modelagem de demanda de energia industrial, mas nenhuma delas enfoca o papel das barreiras nos modelos de baixo para cima. Algehed et al. [9], por exemplo, comparam modelos modernos bottom-up e top-down, enquanto Greening et al. [10] dão uma visão geral da gama muito ampla de abordagens para modelar a demanda de energia industrial, muito além dos modelos bottom-up típicos. Apenas Worrell et al. [4] focam exclusivamente em modelos bottom-up e suas necessidades de desenvolvimento, mas não se concentram na adoção de tecnologia.
Neste estudo, pretendemos preencher essa lacuna fornecendo uma visão geral do status atual dos modelos bottom-up para a demanda de energia industrial, com um foco particular em como esses modelos consideram as barreiras à adoção de novas tecnologias.
O artigo está estruturado da seguinte forma. Na primeira parte, damos uma breve visão geral das barreiras à eficiência energética e como elas estão relacionadas à adoção de tecnologias de eficiência energética pelas empresas. Discutimos tanto as evidências empíricas quanto as diferentes maneiras de interpretar e classificar as barreiras que, então, fornecem a base para a comparação de modelos.
Na segunda parte, revisamos os atuais modelos bottom-up que visam a previsão de longo prazo da demanda de energia industrial. O foco está em como eles modelam a adoção de novas tecnologias e o impacto das barreiras à eficiência energética. Para responder a essa pergunta, analisamos a modelagem mais geral de tecnologias e estoque de tecnologia (turnover). Também discutimos se os modelos têm potencial para considerar políticas de eficiência energética. As políticas de modelagem são a principal razão para incluir comportamentos e barreiras firmes mais realistas nos modelos.
2. Barreiras à adoção de tecnologias de eficiência energética
Evidências empíricas de barreiras à adoção de tecnologias energeticamente eficientes têm sido amplamente relatadas na literatura. A breve visão geral a seguir dos principais resultados empíricos e os diferentes tipos de barreiras fornecerão a base para a análise dos modelos na segunda parte.
A definição de barreiras aplicadas neste artigo é baseada em Sorrel et al. [11]: as barreiras compreendem todos os fatores que dificultam a adoção de tecnologias eficientes do ponto de vista de eficiência de custos ou retardam sua difusão. Eles são considerados em contraste com uma estrutura de decisão de investimento simples que considera apenas os custos financeiros(custos de investimento e economia de energia) e agentes de minimização de custos perfeitamente racionais com visão perfeita e conhecimento perfeito.
2.1. Evidências de barreiras
Muitos estudos apresentaram evidências empíricas para a existência de barreiras à eficiência energética. Os estudos constataram que muitas opções econômicas para melhorias na eficiência energética não são conhecidas pelas empresas, ou mesmo se são conhecidas e bem definidas, muitas vezes não são implementadas - mesmo quando mostram tempos de retorno muito baixos de cerca de um ano. Diversos estudos concluíram que, como fatores financeiros, por si só, não podem explicar a não adoção de tecnologias energeticamente eficientes, deve haver “outros” fatores que determinam esses investimentos.
DeCanio [12], por exemplo, analisou a influência das características financeiras e organizacionais das organizações no tempo de retorno dos projetos realizados no âmbito do Programa Green Light dos EUA. Um total de 3673 projetos de iluminação energeticamente eficientes registrados no banco de dados do programa Green Light foram analisados. Os resultados da análise de regressão mostram que as variáveis ​​econômicas isoladamente (como horas de iluminação, preços de eletricidade, defasagem de tempo ou custo administrativo) não são capazes de explicar as diferenças experimentadas nos tempos de retorno entre as organizações. Pelo contrário, DeCanio concluiu que os fatores organizacionais e institucionais influenciam fortemente as decisões de investimento das empresas e que um grande potencial para economia de energia ainda não é realizado devido a barreiras.
Uma avaliação da base de dados do projeto do programa do Centro de Avaliação Industrial (IAC) do Departamento de Energia dos EUA apresenta mais evidências do impacto das barreiras nas decisões de investimento [13]. O banco de dados forneceu os resultados de mais de 10.000 avaliações e mais de 70.000 recomendações de projetos individuais. Eles encontraram um limite implícito de tempo de retorno de 1,4 anos. A análise revelou novas evidências para a hipótese de que critérios simples de investimento como tempo de retorno, custo inicial de implementação ou economia de energia anual não são suficientes para explicar as diferenças no comportamento do investimento entre usinas e, portanto, determinantes de decisão parecem existir. Eles também descobriram que mesmo projetos recomendados com um tempo de retorno próximo de zero não foram implementados em 30% dos casos, o que também indica a existência de outros determinantes de investimento além dos critérios simples de rentabilidade e risco.
Harris [14] realizou uma pesquisa entre 100 empresas australianas que participaram do Enterprise Energy Audit Program (EEAP) do governo da Commonwealth. Eles descobriram que cerca de 80% das melhorias de eficiência recomendadas foram implementadas pelas empresas. Essa alta taxa de implementação indica que existiam barreiras anteriores que impediam a implementação de melhorias de eficiência com boa relação custo-benefício. Os 20% restantes não foram realizados principalmente porque a taxa de retorno foi muito baixa ou o tempo de retorno muito alto.
De forma semelhante, vários outros estudos fornecem evidências empíricas da existência de barreiras de mercado ao investimento em eficiência energética [15,16]. Também a alta taxa de adoção de projetos recomendada por auditorias externas de energia, frequentemente observadas, indica que oportunidades econômicas de melhorar a eficiência energética estão disponíveis nas empresas, mas não foram analisadas nem implementadas antes das auditorias [14].
2.2. Barreiras de classificação
Como mostrado na literatura, as barreiras são de natureza muito heterogênea e foram observadas para todos os atores do mercado. Eles são experientes de forma diferente entre os adotantes de tecnologia e variam entre as tecnologias. Como consequência, surgiram muitas maneiras diferentes de interpretar e classificar as barreiras.
Muitos estudos simplesmente distinguem dois grupos principais de barreiras, a saber, barreiras relacionadas ao mercado e barreiras comportamentais e organizacionais [17,18]. Jaffe e Stavins [19] sublinham que muitas das barreiras observadas não são falhas de mercado, mas podem representar um comportamento racional no nível da empresa. Exemplos estão lidando com incerteza e risco aplicando altas taxas de desconto. Por outro lado, exemplos de falhas de mercado são as assimetrias de informação ou os dilemas do agente principal. O IPCC [20] propõe distinguir quatro grandes grupos de barreiras, a saber, falta de informação, disponibilidade limitada de capital, falta de pessoal qualificado e um conjunto de outras barreiras. Esses grupos amplos são diferenciados por Sorrell et al. [11] e Schleich [21], que classificam as barreiras em seis grupos. Eles diferenciam informações imperfeitas, custos ocultos, risco e incerteza, incentivos divididos, acesso ao capital e racionalidade limitada. Aplicamos a mesma definição para nossa análise. Evidências empíricas e exemplos são dados abaixo para cada um desses grupos.
A importância da informação imperfeita como barreira tem sido mostrada empiricamente. O termo compreende o conhecimento sobre a disponibilidade de uma técnica de eficiência energética, mas também sobre suas características como custos e potencial de economia, bem como o consumo real de energia dos equipamentos instalados. De Groot et al. [22] conduziram uma pesquisa entre empresas holandesas e descobriram que 30% das empresas entrevistadas não estavam, ou apenas em menor grau, cientes das novas tecnologias ou práticas existentes de eficiência energética.
Schleich [21] também agrupa os custos de transação para o processo de busca e coleta de informações sob o rótulo de informações imperfeitas. Os custos de transação podem ser considerados como um motivo para informações imperfeitas. Hein e Blok [23] quantificaram os custos de transação para a implementação de melhorias de eficiência energética em doze fábricas na Holanda. Eles encontraram custos de transação na escala de 3-8% do investimento necessário. Destes, 2-6% podem ser atribuídos aos custos de coleta de informações, 1 a 2% à tomada de decisão e menos de 1% às atividades de monitoramento. No entanto, Ostertag [6] encontra em sua análise detalhada dos custos de transação para motores elétricos energeticamente eficientes que os custos da transação dependem apenas marginalmente do preço do motor e que sua participação geralmente diminui com o aumento do tamanho do motor.
Os custos ocultos impedem que as empresas realizem projetos de eficiência energética, embora geralmente não sejam quantificadas pelas empresas e difíceis de serem observadas por observadores externos. Podem, por exemplo, resultar de uma má qualidade do equipamento energeticamente eficiente ou da contratação de pessoal. Embora mais um driver do que uma barreira, co-benefícios além da melhoria da eficiência são frequentemente observados para técnicas industriais de eficiência energética. Podem resultar da redução de resíduos, redução do consumo de material, menores necessidades de manutenção, menores emissões ou maior confiabilidade e melhor qualidade do produto [24,25]. Pode até ocorrer que co-benefícios sejam o principal motivo para a implementação de projetos, enquanto a eficiência energética é mais um efeito colateral.
O acesso ao capital também é frequentemente citado como uma barreira importante. Diz respeito ao capital externo, mas também ao uso do capital interno e à definição de prioridades entre projetos de investimento alternativos. A pesquisa realizada por Harris [14] entre empresas australianas revelou que 35% dos projetos de eficiência não realizados, mas recomendados, não foram implementados porque foram atribuídos a uma prioridade menor do que os projetos de investimento no core business das empresas. No entanto, a pesquisa também revelou uma menor importância para a disponibilidade de financiamento como barreira. Outros estudos encontraram- levemente contraditórios - uma alta importância para o acesso ao capital como uma barreira. Exemplos são Anderson [13], que descobriu que o fluxo de caixa foi mencionado com mais freqüência como uma barreira. Nesse sentido, uma pesquisa entre 50 empresas industriais gregas [17] constatou que as barreiras observadas pela maioria das empresas participantes eram “sem acesso ao capital” (76%), “alto custo de implementação” (76%) e “baixa taxa de retorno ”(74%). Resultados semelhantes foram encontrados por Rohdin et al. [15] que identificaram o acesso limitado ao capital como a barreira mais importante na indústria sueca de fundição.
As barreiras relacionadas ao risco e à incerteza cobrem um amplo leque de incertezas sobre os preços futuros da energia ou o desenvolvimento de tecnologia até o risco de interrupções na produção e impactos na qualidade do produto. Na indústria sueca de celulose e papel, o risco técnico de interrupção da produção foi identificado como a barreira mais importante [18]. Para a indústria sueca de fundição, foi identificada como a segunda barreira mais importante [15]. Com relação à incerteza, a irreversibilidade dos investimentos é frequentemente mencionada como uma barreira relevante [14].
Os incentivos divididos podem dificultar a adoção de tecnologias de eficiência energética em fases muito diferentes no processo de difusão e entre diferentes atores do mercado. Isso é ilustrado em um estudo de caso de Almeida [26] sobre a difusão de motores elétricos de alta eficiência (HEM) na França. Ele observou incentivos divididos entre diferentes atores do mercado, mas também entre diferentes unidades dentro de uma única empresa. Ele ressalta a conclusão de que todos os atores do mercado (fabricantes de motores, usuários finais, fabricantes de equipamentos originais (OEMs)) estão focados no preço e na confiabilidade do motor, em vez do custo do ciclo de vida.
Particularmente, os OEMs não demandam motores com eficiência energética porque eles competem principalmente em preço e confiabilidade ao vender bombas, ventiladores, etc. Como eles não pagam pela conta de eletricidade do motor, eles não têm interesse em integrar o HEM em seus produtos. A falta de transparência e de informações sobre a eficiência real dos motores intensifica essa barreira, já que não permite que o usuário final compare as eficiências de motores alternativos. Incentivos internos divididos entre diferentes departamentos podem piorar ainda mais essa situação.
Schleich e Gruber [27] analisaram um conjunto de 2800 entrevistas com organizações privadas e públicas do setor de serviços alemão e descobriram que o dilema do investidor / usuário mostrou a maior significância como barreira única.
A racionalidade limitada é classificada como uma barreira adicional. No entanto, não é específico para eficiência energética. Simon [28] argumenta que a tomada de decisão de negócios observada se conforma melhor com os pressupostos da racionalidade limitada do que com a teoria econômica dominante da escolha racional. Em vez disso, muitas teorias comportamentais da firma de negócios assumem um comportamento "satisfatório" em vez de "otimizador". Consequentemente, os tomadores de decisão baseiam suas decisões em regras práticas ou heurísticas.
de Almeida [26] aplicou esse conceito para explicar o investimento das empresas em motores eficientes em energia. No caso de um motor quebrado, as empresas menores, especialmente, não têm capacidade para comparar tipos de motores alternativos. Seu foco está em obter um novo motor o mais rápido possível, porque mesmo interrupções de produção curtas custam várias vezes o preço do motor. Como conseqüência, eles substituem o motor quebrado por um novo motor da mesma marca e tipo. Mas empresas ainda maiores, que geralmente têm um estoque de motores de substituição, decidem principalmente com base nos preços do motor, em vez dos custos do ciclo de vida.
3. Modelagem de demanda de energia industrial
3.1. Tipologia de modelos de demanda de energia
Os modelos de energia podem ser classificados de acordo com uma variedade de características diferentes, como a meta e o escopo da modelagem ou a abordagem metodológica [29]. A discussão a seguir enfocará modelos para previsões de demanda de energia e aplicará uma classificação baseada em seu conceito metodológico.
Os modelos de demanda de energia são tipicamente diferenciados em dois grupos gerais, modelos top-down e bottom-up - representando as duas principais filosofias de modelagem. Enquanto os últimos são baseados em uma filosofia de engenharia, os primeiros tendem a representar a visão dos economistas. A característica mais mencionada dos modelos bottom-up é a consideração detalhada das tecnologias, o que significa que elas permitem modelar o impacto de tecnologias distintas e bem definidas no desenvolvimento de longo prazo do consumo de energia. Com a sua explicitação tecnológica, os modelos bottom-up têm o potencial de modelar os efeitos das políticas orientadas para a tecnologia2 [30].
Nos modelos top-down, como os modelos de equilíbrio geral computado (EGC), as tecnologias são tipicamente representadas dentro das funções de produção agregadas, que perderam qualquer informação sobre o tipo e a estrutura das tecnologias que elas compõem. A mudança tecnológica é tradicionalmente considerada como um fator de melhoria da eficiência energética autônoma (AEEI) nesses modelos. O AEEI representa uma melhoria independente do preço da produtividade energética. Nos últimos anos, foram feitas melhorias para incorporar a mudança tecnológica endogenamente em modelos top-down como um desenvolvimento induzido por preço, induzido por P & D ou induzido por aprendizagem [31]. Mas mesmo quando a mudança técnica é endógena ao modelo, os modelos top-down não são adequados para analisar a demanda de energia e sua interação com a evolução do sistema tecnológico. Modelos top-down têm outro campo de aplicação; eles modelam as interações entre o sistema energético e as variáveis ​​econômicas, como o emprego ou o crescimento econômico, ao passo que os modelos de baixo para cima são restritos aos limites estreitos do sistema energético [32,33].
No entanto, as fronteiras entre modelos top-down e bottomup não são tão claras quanto parecem. Nos últimos anos, mais e mais estudos de modelagem foram realizados que integraram aspectos de ambas as abordagens, resultando em diferentes tipos de modelos híbridos. Eles visam superar as fraquezas de uma abordagem única, incorporando elementos das outras abordagens [34]. Barker et al. [35], por exemplo, usam estimativas de baixo para cima como insumo exógeno para uma estrutura de cima para baixo para medir os efeitos em toda a economia dos acordos de mudança climática na indústria. Os parâmetros de entrada estimados por um modelo de baixo para cima asseguram suposições transparentes sobre a evolução do sistema técnico. Ainda assim, os feedbacks do mundo macroeconômico para o modelo de baixo para cima não são considerados (compare [36]). Várias abordagens também existem onde certas tecnologias são traduzidas em funções de produção de elasticidade-de-substituição constante (CES) em modelos CGE (por exemplo, [37-39]).
No entanto, o detalhe tecnológico modelado em modelos top-down é bastante restrito. Por exemplo, Lutz et al. [38] distinguem entre dois processos alternativos para produção de aço e Schumacher e Sands [39] distinguem 5 processos diferentes. Assim, os modelos top-down não são considerados na análise a seguir, a fim de permitir um máximo de comparabilidade. Os modelos híbridos são considerados apenas se contiverem uma parte típica de baixo para cima.
3.2. Revisão de modelos bottom-up
Os modelos bottom-up são tradicionalmente baseados em uma representação detalhada de usos finais de energia como aquecimento, iluminação, energia mecânica ou calor de processo [34]. A evolução dos usos finais e de sua eficiência energética ao longo do tempo determina a demanda futura de energia. Alguns modelos ascendentes distinguem explicitamente entreenergia final e energia útil [40]. A demanda por energia útil (por exemplo, calor, vapor, energia mecânica, luz) é projetada para cada uso final com base em suposições das principais variáveis ​​econômicas como valor agregado industrial ou produção de produtos intensivos em energia. A quantidade resultante de energia final é então calculada a partir da energia útil e das eficiências de conversão dos diferentes sistemas técnicos. Esta distinção permite considerar separadamente os efeitos resultantes do desenvolvimento econômico ou mudanças na estrutura industrial e efeitos resultantes da estrutura técnica e eficiência energética. Portanto, os modelos bottom-up têm em comum o fato de ligarem as previsões de demanda de energia à estrutura tecnológica do sistema energético (Fig. 1).
No que diz respeito às tecnologias e aos mecanismos de adoção e difusão, os modelos diferem significativamente. Também a extensão em que as barreiras à eficiência energética são consideradas varia fortemente entre os modelos. Worrell et al. [4] identificam três fatores que influenciam a adoção de tecnologia na maioria dos modelos bottom-up, independentemente de como as tecnologias são representadas no modelo. Estas são a disponibilidade de tecnologias, os custos financeiros3 e as regras de decisão operacional.
3.2.1. Critérios para a comparação de modelos
O breve resumo sobre as barreiras já revelou uma enorme variedade e mostrou que elas diferem entre empresas e setores. Como a maioria dos modelos discutidos não apresenta nenhuma ou apenas uma representação muito simplificada de barreiras, a análise de modelos não será construída diretamente sobre as classes de barreiras, mas, em vez disso, começará um passo antes. Assim, não apenas as barreiras, mas também a capacidade geral dos modelos de levar em conta as barreiras são analisadas. As seguintes características do modelo são usadas como critérios para a discussão abaixo [4].
· A modelagem explícita do estoque de tecnologia é considerada um pré-requisito para uma modelagem mais detalhada e realista da adoção de tecnologia e seus determinantes.
· Custos financeiros: Os custos de investimento, bem como os custos de energia, são sem dúvida um importante parâmetro de decisão para as empresas e, portanto, sua consideração explícita é um pré-requisito para uma modelagem detalhada de adoção de tecnologia e barreiras.
· As barreiras influenciam fortemente a adoção de tecnologia pelas empresas. Apenas sua consideração permite uma modelagem realista do estoque de tecnologia.
· Políticas de modelagem é o principal objetivo de considerar barreiras nos modelos. Os modelos diferenciam-se em dois aspectos, o tipo de políticas que eles são capazes de considerar e como as políticas estão ligadas à estrutura tecnológica e adoção de tecnologia.
Também consideramos modelos com um escopo que vai além do setor industrial. No entanto, quando se discutem as características do modelo, apenas a parte da indústria é considerada e pode diferir na sua estrutura, nível de detalhe e suposições sobre a mudança técnica de, e. a simulação da demanda residencial de energia no mesmo modelo.
Para discutir e comparar os modelos bottom-up, os classificamos em três grupos principais: modelos contábeis, modelos de otimização e modelos de simulação. Enquanto os modelos de otimização otimizam a escolha de alternativas de tecnologia com relação aos custos totais do sistema para encontrar o caminho de menor custo, os modelos de simulação não possuem essa perspectiva de otimização do sistema. Eles são muito heterogêneos e alguns deles otimizam de uma perspectiva firme, enquanto outros não otimizam e, em vez disso, consideram outros fatores não financeiros para a decisão de adoção de tecnologia. Os quadros contabilísticos são menos dinâmicos e não consideram os preços da energia, mas aplicam principalmente pressupostos exógenos sobre o desenvolvimento técnico [40]. Embora agrupemos os modelos em três classes, deve ficar claro que as bordas não são tão nítidas e que alguns modelos apresentam características de mais de um grupo. Os modelos considerados para nossa análise estão listados na Tabela 1.
3.2.2. Modelos contábeis
Modelos de contabilidade representam a primeira geração de modelos bottom-up e suas primeiras aplicações datam do final da década de 1970 [40]. Eles são geralmente caracterizados por definições exógenas de muitas variáveis. Eles normalmente não consideram os preços de energia e, portanto, não modelam explicitamente o comportamento da empresa em relação à decisão de investimento. A ausência de preços como determinante da demanda de energia e a forte dependência de premissas exógenas sobre a mudança tecnológica foram reconhecidas como grandes desvantagens dos modelos contábeis. Apesar dessas deficiências, elas foram frequentemente aplicadas e apresentam uma ferramenta poderosa para a análise da demanda de energia a longo prazo, também porque sua simplicidade e transparência são uma grande vantagem.
A família de modelos MEDEE4 é baseada em uma longa tradição de desenvolvimento que começou no final da década de 1970 e teve como objetivo desenvolver uma nova ferramenta de previsão de demanda de energia para superar as principais deficiências dos modelos econométricos predominantes [62,63]. Muitas variantes diferentes do modelo MEDEE foram desenvolvidas, uma versão comercializada e frequentemente utilizada, que é o modelo MED-PRO [43]. Melhorias na eficiência energética são exógenas ao modelo. Para cada produto ou subsetor, uma taxa de melhoria da eficiência energética exógena é aplicada e determina a demanda final de energia. MED-PRO foi freqüentemente usado em estudos de previsão de demanda de energia, muitas vezes para a França [64]. Um tipo semelhante de modelo bottom-up é o MAED, que é derivado do modelo MEDEE-2, simplificando a estrutura, mas também adicionando um módulo extra para calcular as curvas de demanda de eletricidade por hora [44]. A mudança técnica no MAED é considerada em um nível altamente agregado por mudanças exógenas na eficiência energética ao longo do tempo de um conjunto agregado de tecnologias [65]. O interruptor de combustível também é definido exogenamente.
Para ambos os modelos, MEDEE e MAED, nem o estoque de tecnologia nem os custos são explicitamente considerados. Consequentemente, as barreiras, bem como todo o processo de adoção de tecnologia, são apenas implicitamente considerados dentro da melhoria exógena da eficiência energética ao longo do tempo.
Um ambiente de modelagem bottom-up flexível é o Sistema de Planejamento Alternativo de Energia de Longo Alcance (LEAP) .5 Em contraste com a maioria dos outros modelos discutidos, o LEAP é um framework que fornece as ferramentas essenciais para modelos de energia do que um modelo claramente definido. si mesmo [45]. Uma aplicação típica do ambiente LEAP é apresentada por Wang et al. [46], que avaliaram as opções tecnológicas e os custos de redução de GEE na indústria siderúrgica chinesa. Seu modelo contém informações sobre o desempenho, as ações e os custos das tecnologias alternativas de produção de ferro e aço. As políticas não são explicitamente modeladas, mas traduzidas em um caminho de difusão exógeno de tecnologias eficientes. Isso significa que, para a decisão de investimento, nem o estoque de capital nem os custos das tecnologias são considerados. Em contraste com o estudo de Wang et al., No entanto, o LEAP também fornece ferramentas para modelagem de estoque de tecnologia ou avaliações de custo, resultando em modelos que seriam preferencialmente agrupados nos modelos de simulação.
3.2.3. Modelos de otimização
Os modelos de otimização foram inicialmente projetados para modelar o fornecimento de energia, mas muitos deles foram gradualmente estendidos a determinados setores de demanda de energia ou a todo o lado da demanda de energia. Modelos clássicos de otimização minimizam os custos totais do sistema em todos os períodos de tempo e assumem o equilíbrio nos mercados de energia, permitindo assim interações entre demandae oferta. Matematicamente, eles são baseados em abordagens de programação linear.
Um exemplo típico de modelos de otimização de baixo para cima é a estrutura de modelagem MARKAL, que foi desenvolvida pelo Programa de Análise do Sistema de Tecnologia de Energia (ETSAP) da IEA durante os últimos 30 anos [66]. Gielen e Taylor [48] descrevem o uso do modelo MARKAL para as Perspectivas de Tecnologia de Energia da IEA. O modelo minimiza os custos de todo o sistema de energia durante um período de tempo escolhido. As opções de economia de energia no lado da demanda de energia competem com as opções do lado da oferta com base em seus custos até que as opções de menor custo sejam finalmente escolhidas. A otimização pressupõe uma visão perfeita6 e um conhecimento perfeito, que tem duas implicações principais. Primeiro, as características futuras de tecnologias, preços de energia, etc. são conhecidas e consideradas na decisão de investimento. E segundo, a minimização de custos ao longo de um período de tempo impede a ocorrência de novos “lock-ins”, pelo menos dentro do período de modelagem. Esta abordagem é construída sobre um planejador social com conhecimento perfeito e implicitamente assume uma tomada de decisão perfeitamente racional, assim como mercados perfeitos. As restrições para a adoção da tecnologia são a disponibilidade de nova tecnologia baseada na rotatividade de estoque, uma taxa de desconto “alta” para dar conta da incerteza, bem como um limite exógeno para a velocidade de difusão das novas tecnologias. Além desses três aspectos, não há outros fatores considerados que influenciam a adoção de tecnologia. Consequentemente, as análises de políticas ambientais usando MARKAL se concentram em políticas financeiras como um preço de carbono ou uma restrição quantitativa de emissões em um esquema de comércio de emissões. Vários estudos foram realizados para ramos industriais escolhidos, como a indústria siderúrgica [67,68].
Oda et al. [47] usaram o modelo de sistema de energia global DN21 + para avaliar o efeito de diferentes políticas de mitigação de gases de efeito estufa e a contribuição da mitigação do lado da demanda no setor de ferro e aço. Eles incorporaram o setor global de ferro e aço em um modelo de sistema de energia para também capturar feedbacks entre a oferta de energia e a demanda de energia. A difusão de novas tecnologias é modelada como na maioria dos modelos de otimização, considerando o estoque de capital das tecnologias, o tempo de vida e uma taxa de desconto (neste caso, 5%). A adoção da tecnologia depende da minimização dos custos com desconto acumulados de todo o sistema de energia durante o período de modelagem de 2000 a 2030. Como em Gielen e Taylor [48], essa abordagem pressupõe conhecimento e previsão perfeitos durante todo o período de modelagem e não conta as barreiras.
Um modelo de otimização que foi freqüentemente aplicado na região da Ásia-Pacífico é o modelo AIM / uso final. Faz parte do AIM (Modelo Integrado do Pacífico Asiático) mais amplo que visa analisar as políticas climáticas, seus custos e possíveis caminhos de estabilização [49,69,70]. O modelo AIM / uso final considera a mudança tecnológica por meio de tecnologias alternativas que competem umas com as outras com base no tempo de retorno ou nos custos anualizados do ciclo de vida [49]. O modelo considera explicitamente o estoque de tecnologia e permite que novas tecnologias sejam empregadas em três casos: primeiro, quando antigas tecnologias se aposentam ou a demanda de serviços de energia cresce; segundo, melhorando as tecnologias existentes e terceiras pela substituição precoce de uma tecnologia existente. Embora a consideração do tempo de retorno possa ser considerada como um elemento de rotinas de decisão de investimento mais realistas, o modelo é baseado em um algoritmo de minimização de custos que não leva barreiras e outros aspectos comportamentais em conta.[50]
Também o PRIMES, que é frequentemente utilizado para estabelecer projeções energéticas a longo prazo para a União Europeia (UE) [51,71], baseia-se num algoritmo de optimização que assegura a compensação do mercado, assumindo assim um equilíbrio parcial nos mercados energéticos da UE. No entanto, PRIMES difere de outros modelos de otimização discutidos, na medida em que não otimiza uma única função econômica, mas sim otimiza setores únicos (por exemplo, a indústria siderúrgica) seguindo a regra da maximização do lucro [52]. A PRIMES considera explicitamente barreiras como custos percebidos ou prêmios de risco que dificultam a difusão de certas tecnologias. O risco é traduzido em um prêmio sobre a taxa de desconto e difere entre tecnologias e setores. Outras barreiras são consideradas de forma mais agregada, permitindo regras alternativas de adoção de tecnologia. Políticas específicas de tecnologia podem ser integradas, diminuindo os custos percebidos de certas tecnologias.
3.2.4. Modelos de simulação
Em contraste com os modelos de otimização, os modelos de simulação mostram uma variedade maior de diferentes abordagens e filosofias de modelagem, o que dificulta a definição clara desse tipo de modelo. Em particular no que diz respeito à decisão de adoção de tecnologia pelas empresas, as premissas e regras de decisão implementadas diferem fortemente. Muitos modelos de simulação representam extensões de modelos contábeis com uma modelagem mais detalhada do estoque de tecnologia, adoção de tecnologia e comportamento da empresa. Classificamos todos os modelos como modelos de simulação que explicitamente consideram tecnologias e seu estoque e temos um algoritmo explícito de adoção de tecnologia - desde que não seja a regra de custos minimizados do sistema que os modelos de otimização assumem.
Um representante clássico dos modelos de simulação é o modelo NEMS (national energy modeling model) usado para as projeções de demanda de energia nos EUA [7]. A regra de adoção de tecnologia da indústria NEMS distingue dois tipos de tecnologias, tecnologias de processo e transversais [72].
Para as tecnologias de processo, as melhorias de eficiência ocorrem por meio da adaptação do estoque de tecnologia ou pela substituição de safras antigas por novas tecnologias de ponta, de acordo com uma taxa fixa de reposição anual. Os preços da energia influenciam a taxa anual pela qual a eficiência energética do estoque de tecnologia melhora devido à adaptação. Assim, apenas a melhoria do estoque atual de tecnologia depende, em parte, dos preços da energia e, portanto, reflete o comportamento da empresa que visa contrabalançar os crescentes preços da energia através da introdução de medidas de eficiência energética. Para a introdução de novas tecnologias, argumenta-se que elas não são introduzidas com base em considerações de eficiência energética, mas sim “autonomamente”, levando em consideração outros fatores não explicitamente definidos.
Para tecnologias de corte cruzado, como ar comprimido ou iluminação, o modelo de estoque é estendido pelos custos de tecnologia e a substituição do estoque de tecnologia depende de um limite de tempo de retorno. A dominância do limiar do tempo de retorno como critério de investimento também foi empiricamente observada. No entanto, outras barreiras não são consideradas.
O ENUSIM é um modelo de simulação de baixo para cima que se concentra exclusivamente na demanda de energia na indústria no Reino Unido [54,73]. Aplica a típica abordagem bottom-up e distingue entre diferentes usos finais de energia que são projetados com base em premissas exógenas de crescimento do produto de produção. A ENUSIM modela explicitamente o estoque de tecnologia considerando três tipos diferentes de tecnologias, plantas antigas (desatualizadas) (I), tipo atual de plantas (II) e plantas futuras (III) com a mais alta eficiência. Apenas plantas do tipo III são permitidas para expansão de capacidade. Além do banco de dados da usina, o modelo também considera opções de tecnologia que podem ser implementadas para melhorar a eficiência da usina por meio de retrofitting.Para a regra de adoção de tecnologia, os custos de investimento e os fatores comportamentais são considerados e a difusão da tecnologia é baseada no padrão da curva-S. No entanto, a curva de difusão para tecnologias de custo efetivo é a entrada exógena e, portanto, todas as premissas sobre barreiras e comportamento de investimento são apenas implicitamente consideradas na curva.
A abordagem seguida por Daniëls e Van Dril [55] para o modelo SAVE Production considera riscos, efeitos psicológicos das mudanças nos preços de energia e políticas de eficiência energética, além de racionalidade limitada, além da relação custo-efetividade do investimento como fatores de decisão. A abordagem é baseada em um modelo de estoque de tecnologia em que uma distribuição normal em torno do tempo de vida médio determina a participação da capacidade a ser substituída. As tecnologias são diferenciadas em “base-technologies” e “sub-technologies”. A substituição de sub-tecnologias depende do seu próprio ciclo de vida, mas também do ciclo de vida da base tecnológica relevante. O risco é considerado no algoritmo de decisão como um parâmetro que diminui a atratividade das tecnologias. Quando o risco é maior, é necessária uma taxa interna maior de retorno para uma decisão de investimento positiva. As barreiras não financeiras são consideradas limitando a velocidade da difusão do mercado. Além disso, fatores psicológicos decorrentes dos aumentos históricos nos preços da energia e do rigor das políticas são considerados. A influência do parâmetro de risco e os fatores para os efeitos psicológicos da política e mudanças nos preços de energia são - devido à disponibilidade de dados - principalmente com base em julgamentos de especialistas. Assim, o modelo está entre os mais avançados para considerar as barreiras, mas a base empírica dos parâmetros permanece um desafio.
O modelo CIMS (Canadian Integrated Modeling System) é um desenvolvimento adicional do primeiro modelo ISTUM estritamente de baixo para cima e cobre todos os setores de demanda de energia, bem como o fornecimento de energia e feedbacks econômicos [74]. A indústria do CIMS modela explicitamente o desenvolvimento do estoque de capital e diferencia a aposentadoria do estoque, o retrofit e a compra de novos equipamentos devido ao crescimento da produção [61]. O algoritmo de tomada de decisão é baseado no algoritmo clássico de modelos bottom-up, mas estendido por três parâmetros que representam realismo comportamental e barreiras. Estas são a heterogeneidade do mercado, as preferências de tempo do decisor e um fator para todos os outros custos e benefícios intangíveis. Mercados com alto grau de heterogeneidade observam menos dominância de tecnologias únicas, mesmo que sejam significativamente mais rentáveis ​​do que outras. A preferência temporal do decisor pode ser traduzida como a taxa de desconto aplicada. O terceiro parâmetro cobre todos os custos e benefícios intangíveis remanescentes que influenciam a tomada de decisão. Esse parâmetro não é derivado empiricamente, mas ajustado ao calibrar o modelo para as participações de mercado observadas. Os autores mencionam a enorme quantidade de dados comportamentais necessários para um modelo de tecnologia explícita e a dificuldade de obter dados empíricos sobre preferências como duas grandes desvantagens de sua abordagem. Para atender a essas necessidades de dados, os autores combinam o trabalho de modelagem com pesquisas sobre as preferências do consumidor e da empresa [30]. No entanto, o modelo CIMS representa uma das abordagens mais avançadas para considerar barreiras e realismo comportamental em modelos bottom-up.
A seguir, são apresentados três modelos que utilizam estimativas econométricas em modelos de simulação para melhor capturar o comportamento da empresa em relação à adoção de tecnologia.
O POLES é um modelo de simulação que amplia a estrutura típica dos modelos bottom-up de uso final, usando relações estimadas econometricamente para considerar a elasticidade do combustível e a melhoria da eficiência no lado da demanda [57]. O modelo considera a demanda de energia e o lado da oferta, que são conectados pelos mercados de energia, permitindo um equilíbrio parcial. Melhorias na eficiência energética ocorrem substituindo o estoque aposentado por novas e mais eficientes. A eficiência do novo estoque de capital e os portadores de energia usados ​​são determinados como uma função estimada econometricamente de elasticidade de preço de curto e longo prazo e um fator de melhoria da eficiência energética autônoma. As elasticidades de preço consideradas, bem como a melhoria autônoma não relacionada ao preço, permitem uma certa consideração das barreiras no comportamento de adoção de tecnologia, mas em um nível bastante agregado.
Davidsdottir e Ruth [75] usaram um modelo econométrico para projetar o uso de energia na indústria de papel e celulose dos EUA que incorpora dados técnico-econômicos sobre as safras de capital (estudos também foram conduzidos para a indústria siderúrgica e a produção de etileno [76]). Eles modelam explicitamente a expansão de capacidade e a melhoria de eficiência energética resultante em novas safras de capital. A melhoria da eficiência energética é considerada através da aposentadoria de capital menos eficiente e da melhoria do capital no local. Ele incorpora um comportamento firme ao estimar econometricamente variáveis-chave para o investimento, como o investimento bruto em função dos preços de insumos e dos volumes de produção desejados. No entanto, o modelo pretende responder às questões, por que novos investimentos são feitos e qual é o impacto da vida longa do capital na mudança técnica, mas não modela explicitamente a decisão entre investimentos alternativos com eficiência energética diferente. Em outras palavras, é modelado “quando” a decisão de investimento em novo capital ocorre, mas não qual tipo de novo capital é escolhido.
O modelo ISIndustry é relativamente jovem, compreende o setor industrial e foi aplicado principalmente aos países da UE [58]. Ele mostra um enorme detalhe de tecnologia e considera explicitamente os custos de tecnologia, enquanto - em contraste com muitos outros modelos de simulação - ele não constrói explicitamente um estoque de tecnologia. A difusão de tecnologias de economia de energia, que está promovendo melhorias na eficiência energética, é em grande parte exógena ao modelo. Os custos são usados ​​para escolher entre caminhos alternativos de difusão exógena. As barreiras são consideradas de forma agregada por uma combinação de caminhos de difusão definidos exogenamente e por um prêmio sobre a taxa de desconto. O modelo poderia ser agrupado entre modelos contábeis e de simulação, pois, por um lado, mostra uma grande parcela de parâmetros de entrada exógenos, mas, por outro lado, leva em conta os custos de tecnologia.
O modelo LIEF7 fez um esforço particular para superar as desvantagens das abordagens econométricas e da modelagem bottom-up tradicional combinando os dois tipos de modelos [59]. Assim, o LIEF é capaz de determinar as principais variáveis com base em sua tendência histórica e também para explicar o comportamento da empresa, ao mesmo tempo em que considera explicitamente o potencial das novas tecnologias. As tecnologias são representadas no modelo como curvas agregadas de fornecimento de conservação que mostram o potencial de economia de energia e os custos marginais relacionados, mas que não permitem identificar tecnologias únicas. Assim, o estoque de tecnologia não é explicitamente considerado. Como nos outros modelos econométricos, as barreiras e o comportamento são implicitamente considerados na tendência histórica, mas não explicitamente modelados.
3.3. Análise e discussão
O resumo a seguir sobre a revisão do modelo parte do conceito mais simples e discute passos distintos em direção a modelos mais complexos para finalmente chegar a modelos que teoricamente seriam capazes de modelar diferentes tipos de políticas com base em uma representaçãodetalhada de barreiras. Esta discussão também dá uma ideia sobre como os modelos bottom-up evoluíram nos últimos 30 anos.
3.3.1. Estoque de tecnologia
Embora os modelos bottom-up sejam em sua maioria definidos como sendo explícitos em tecnologia, eles diferem substancialmente no nível de detalhamento e em como consideram as tecnologias (Tabela 2). Alguns dos primeiros tipos de modelos contábeis, como o MED-PRO ou o MEAD, consideram as tecnologias apenas como usos finais com uma demanda de energia útil específica e eficiência de conversão. Muitas vezes, todo um processo de produção (por exemplo, produção de aço) é reduzido a um uso agregado agregado. Nestes casos, a eficiência melhora com o tempo devido a uma taxa de melhoria dada exogenamente e a rotatividade de estoque não é explicitamente modelada.
No entanto, o estoque de tecnologia e sua taxa de rotatividade certamente têm um impacto enorme na difusão da tecnologia. Consequentemente, muitos modelos consideram explicitamente o estoque de tecnologia e o modelo de demanda de energia por mudanças no estoque de tecnologia ([75,77], CIMS, MARKAL, DN21 +, SaveProduct, POLES, etc.). O estoque de tecnologia é pelo menos caracterizado por safras de tecnologia com diferentes consumos específicos de energia, assumindo que as novas tecnologias são mais eficientes. O desmantelamento de equipamentos antigos e a introdução de novas usinas “modernas” melhoram a eficiência energética no estoque de tecnologia. Praticamente todos os modelos usam a idade como o fator determinante para o giro de estoque, embora isso possa não ser totalmente apropriado, como mostrado em um estudo de caso da indústria siderúrgica dos EUA [78]. Alguns modelos também consideram o reequipamento de tecnologias em uso (CIMS, NEMS-indústria) ou substituição precoce (prematura) (NEMS, AIM / uso final, etc.). A abordagem do estoque de tecnologia já garante uma certa realidade no que diz respeito à difusão da tecnologia, porque esta última está ligada ao tempo de vida das tecnologias e seu estoque atual. Assim, as novas tecnologias só se difundem quando a capacidade no estoque antigo não é suficiente - como resultado da expansão da demanda ou do descomissionamento tecnológico.
3.3.2. Custos financeiros
Todas essas mudanças no estoque de tecnologia implicam pressupostos do comportamento das empresas em relação à adoção de tecnologia. Um critério central de decisão em modelos ascendentes é a relação custo-eficácia do investimento. Assim, são necessárias informações sobre custos de investimento e custos de energia economizados. Eles também são um pré-requisito para modelar políticas de preços. Ainda assim, nem todos os modelos consideram custos (financeiros). Entre eles estão a maioria dos modelos de tipo contábil (MEDEE, MAED, MURE), mas também modelos mais sofisticados como, por exemplo, o modelo NEMS-industry. A indústria NEMS considera explicitamente os custos de tecnologias de corte transversal, mas não de tecnologias de processos industriais. Ainda assim, a taxa de rotatividade de ações depende dos preços da energia, de modo que uma certa sensibilidade ao preço possa ser observada. Além disso, alguns dos modelos que trabalham com elasticidades de preços econométricos não consideram explicitamente os custos de investimento (por exemplo, POLES, [75]). Todos os modelos de otimização revisados ​​consideram os custos de investimento em tecnologia.
3.3.3. Barreiras
Assim, a maioria dos modelos de simulação e otimização considera explicitamente o desenvolvimento de um estoque de tecnologia e baseia a adoção da tecnologia na relação custo-benefício do investimento - entre outros fatores. Quando se trata do algoritmo de adoção, ou seja, o comportamento de investimento das empresas e o impacto das barreiras, os modelos diferem muito uns dos outros. Enquanto a maioria dos modelos oferece a opção ad-hoc para considerar altas taxas de desconto (para simular barreiras mais fortes), somente os modelos individuais consideram as barreiras mais explicitamente e apenas até certo ponto (Tabela 3).
Em geral, as abordagens seguidas pelos modelos de simulação são muito mais variadas, enquanto os modelos de otimização seguem principalmente a abordagem clássica de “minimização do custo total do sistema” que considera apenas os custos financeiros dos investimentos e negligências, por exemplo. custos de transação e custos de pesquisa de informação (AIM / Uso Final, DN21 +, MARKAL). Na melhor das hipóteses, os modelos de otimização representam barreiras por taxas de desconto mais altas (por exemplo, MARKAL) ou por considerar períodos curtos de retorno como critério de decisão de investimento (AIM / uso final). Desenvolvimentos recentes visam considerar a incerteza sobre o desenvolvimento de futuras variáveis ​​do modelo, como preços de energia, introduzindo agentes miópicos (MARKAL-SAGE). Como conseqüência, a otimização de custos não pode ser conduzida em todos os períodos de tempo e pode ser possível para o “planejador social” escolher um caminho que não seja ideal a longo prazo, mas termina com uma situação de bloqueio.
Alguns dos modelos de simulação apresentam novas abordagens para melhorar o realismo comportamental no algoritmo de adoção de tecnologia (SAVE Production, CIMS). O CIMS, por exemplo, introduz três parâmetros, a heterogeneidade dos adotantes em potencial, uma taxa de desconto (representando a preferência temporal da empresa) e um fator que captura todos os outros custos e benefícios intangíveis. SAVE A produção considera o risco (como taxa de desconto), os efeitos psicológicos decorrentes das alterações nos preços da energia, bem como um fator de política que deve representar o rigor das políticas de eficiência energética. Mas também a PRIMES considera um prêmio de risco e custos percebidos, dependendo do tipo de tecnologia.
Muitos modelos bottom-up foram estendidos nos últimos anos para incluir os efeitos da experiência, reduzindo assim os custos de investimento com o aumento da implantação de uma tecnologia (por exemplo, MARKAL, CIMS). No entanto, este efeito é principalmente considerado para tecnologias emergentes de fornecimento de energia, como as energias renováveis ​​[79]. A consideração de curvas de experiência para tecnologias de eficiência energética industrial fica em atraso, em parte devido a dados empíricos raros e à dificuldade de definir limites do sistema em torno de processos muito integrados [80,81]. Enquanto as curvas de experiência não estiverem devidamente integradas nos modelos de demanda de energia, os custos de redução da demanda energética são superestimados e o potencial de mudança tecnológica para melhorar a eficiência energética através da difusão de novas tecnologias é subestimado, em particular dentro de uma abordagem que considera custo racional. comportamento de otimização. Assim, para uma modelagem endógena de difusão de tecnologia, os efeitos da curva de experiência são obrigatórios.
Para concluir, nenhum dos modelos de baixo para cima considera as barreiras de maneira abrangente. Em vez disso, a maioria considera as barreiras de forma agregada, na forma de taxas de desconto mais altas. Mesmo os modelos mais avançados a este respeito (CIMS, SAVE Production, PRIMES) consideram apenas uma fração muito pequena das barreiras que foram identificadas na literatura empírica. Os aspectos considerados nos modelos foram taxas de desconto mais altas (talvez usadas como proxy para risco) , o limiar do tempo de retorno como critério de investimento, a incerteza sobre o desenvolvimento futuro, a heterogeneidade entre os adotantes, os efeitos psicológicos como consequência do aumento do preço da energia ou a redução de custos devido aos efeitos da curva de experiência. Embora a lista pareça longa, deve-se notar que essa lista combina todos os modelos e nenhum modelo único considera mais que três desses fatores. Barreiras que foram consideradas muito importantes na literatura empírica, como nenhum acesso a capital, falta de informação e know-how, racionalidade limitada ou dilemasde agentes principais não são explicitamente abordados em nenhum dos modelos.
Também as diferenças na intensidade dessas barreiras entre empresas, setores industriais ou tecnologias são apenas marginalmente consideradas. Por exemplo, a indústria NEMS aplica uma taxa de desconto mais alta às tecnologias de corte transversal do que às tecnologias de processo, representando a presença de barreiras mais fortes para as tecnologias de corte transversal. Além disso, o CIMS estima alguns dos parâmetros relacionados à barreira por tecnologia.
3.3.4. Capacidade de modelar políticas
A forma como a adoção e a difusão da tecnologia são modeladas e as barreiras são consideradas, restringe os tipos de políticas que podem ser modeladas. Dois grupos gerais de políticas podem ser distinguidos, políticas de preço e não-preço. Políticas de preços podem ser impostos sobre energia ou carbono, eles podem ser considerados em todos os modelos que baseiam a adoção de tecnologia em uma decisão de investimento clássica considerando os custos de investimento e custos de energia economizados (MARKAL, CIMS, DN21 +, etc.). Em particular, quando a filosofia do modelo é a minimização do custo total sem considerar barreiras ou racionalidade limitada, como na maioria dos modelos de otimização bottom-up, exceto o PRIMES, o cálculo do investimento simples é suficiente para modelar as políticas de preço. No entanto, quanto aos modelos de simulação, uma previsão realista é o objetivo, eles precisam considerar barreiras até mesmo para modelar políticas de preço, caso contrário, acabariam com uma difusão muito otimista de tecnologias eficientes. Assim, considerar as barreiras é essencial para chegar a uma elasticidade de preço realista.
A situação é mais complexa para políticas sem preço, porque essas políticas são tão heterogêneas quanto as barreiras que abordam. Em muitos modelos bottom-up do tipo de estruturas contábeis, as políticas são tipicamente modeladas pela adaptação exógena da taxa de difusão de tecnologias de eficiência energética ou as taxas de melhoria da eficiência energética em comparação a um cenário usual (MED-PRO, MAED ). Uma abordagem ad-hoc semelhante e muito comum para modelar políticas de eficiência energética visando barreiras é o uso de cenários com uma taxa de desconto mais baixa (MARKAL, ISIndustry, AIM / uso final). Isso é possível se as barreiras forem consideradas na forma de uma taxa de desconto mais alta (implícita) no cenário da linha de base. No entanto, todas essas abordagens ad-hoc consideram as políticas de maneira muito agregada e estilizada, e nenhuma realmente permite a representação das características do design e da intensidade de políticas distintas. Além disso, não é prático escolher a taxa de desconto “certa” para que represente um determinado design e intensidade de política.
As primeiras abordagens que vão além dessa modelagem de política ad-hoc são os modelos CIMS, PRIMES ou SAVE Production. Ao considerarem as barreiras com mais detalhes, elas também devem ser capazes de modelar políticas que abordem essas barreiras de maneira mais realista. Embora a representação de barreiras ainda seja um tanto agregada, elas já experimentam uma demanda fortemente crescente por dados empíricos sobre as preferências e o comportamento das empresas, o que é particularmente difícil de coletar.
Para concluir, a maioria dos modelos de baixo para cima não é capaz de considerar explicitamente políticas distintas de não-preço para eficiência energética, principalmente porque eles não consideram explicitamente as barreiras e o comportamento firme que é abordado pelas políticas (Tabela 4). Por outro lado, os modelos bottom-up são, devido aos seus detalhes tecnológicos, teoricamente muito adequados para modelar políticas específicas de tecnologia, como por ex. auditorias energéticas ou programas de informação.
4. Conclusões e caminhos a seguir
Embora evidências claras da existência de barreiras tenham sido frequentemente fornecidas por diferentes estudos empíricos, apenas alguns modelos de base consideram barreiras além da simples “abordagem de taxa de desconto”. Mesmo esses modelos “avançados” (CIMS, SAVE Production) consideram as barreiras de maneira estilizada e apenas parcialmente. Todos eles têm problemas ligando o pressuposto do modelo a dados avaliados empiricamente. A heterogeneidade entre as empresas é raramente considerada e depois bastante estilizada (CIMS, SVAE Production). O atual modelo bottom-up de última geração modela explicitamente o estoque de tecnologia e os custos de novas tecnologias, enquanto mostra apenas uma representação simples de barreiras usando uma taxa de desconto adaptada. Assim, a consideração bastante exógena e estilizada de barreiras e difusão de tecnologia estabelece limites restritivos para a modelagem de políticas de eficiência energética.
No entanto, abordagens promissoras existem na literatura de modelagem de difusão [82] que modelos bottom-up poderiam aprender com [83]. Esses modelos vêm de disciplinas como modelagem evolutiva ou modelagem baseada em agentes.
4.1. Incerteza e disseminação de informações
Vários modelos de difusão apresentam maneiras de modelar certos aspectos de barreiras como a incerteza e a disseminação de informações. Jaffe e Stavins [84] propõem uma abordagem para modelar a difusão de tecnologias de eficiência energética, levando em conta os métodos típicos de modelagem de difusão de tecnologia. O modelo considera tanto características “epidêmicas” (disseminação gradual de tecnologia entre adotantes) como “probit” (heterogeneidade entre usuários potenciais). Mulder [85] constrói um modelo de difusão que está intimamente relacionado à economia evolucionária e explica explicitamente o aprendizado usando incerteza e heterogeneidade. Outro modelo de difusão considera o investimento irreversível e a incerteza sobre a disponibilidade de novas tecnologias (superiores) [86,87]. Esses modelos mostram como o potencial adotante da tecnologia adia o investimento devido a um certo valor de opção de espera, embora o investimento teria sido custo-efetivo.
Um primeiro passo concreto para considerar aspectos como retornos crescentes, incerteza e agentes heterogêneos com diferentes atitudes em relação ao risco em modelos de otimização de baixo para cima foi apresentado por Ma et al. [88] usando um modelo de difusão bastante estilizado com dois agentes e três tecnologias.
4.2. Heterogeneidade
A consideração da heterogeneidade entre empresas e mercados tem sido discutida como um aspecto crítico para modelos bottom-up mais realistas. Diferentes abordagens metodológicas para melhorar os modelos são encontradas na literatura. Em geral, os modelos probit parecem bem adequados, eles derivam a difusão da tecnologia a partir de diferentes características de potenciais adotantes de tecnologia [84]. Blok et al. [89], por exemplo, consideraram a heterogeneidade nas empresas implementando uma função de distribuição de taxas de desconto críticas, que são usadas como critério de decisão de investimento. Também a modelagem baseada em agentes pode ser um caminho para melhorar a difusão de tecnologia em modelos bottom-up e explicar explicitamente a heterogeneidade entre empresas, como Schwarz e Ernst [90] mostraram para um modelo de difusão para tecnologias de economia de água. Eles consideraram 12.000 usuários potenciais de tecnologia e os classificaram em tipos típicos de consumidores. Eles associaram o trabalho de modelagem com dados empíricos de pesquisas e, portanto, consideraram um amplo conjunto de adotantes de tecnologia heterogênea com atributos diferentes, em vez de apenas um adotante médio.
4.3. Efeitos da curva de experiência
A disseminação mais rápida do uso de curvas de experiência para modelos bottom-up de demanda é basicamente restringida pela baixa disponibilidade de dados empíricos sobre taxas de aprendizado específicas de tecnologia. Se esses dados estivessem disponíveis, aprender com a modelagem do lado da oferta de energia poderia ajudar a integrar os efeitos da curvade experiência também em modelos do lado da demanda [79].
4.4. Protótipos de modelo bottom-up com a intenção de considerar barreiras
Embora as abordagens de modelagem de difusão forneçam metodologias para melhorar a modelagem da heterogeneidade, a incerteza com relação aos preços de energia ou desenvolvimento de tecnologia, efeitos da curva de experiência e disseminação de informações, algumas barreiras importantes ainda não são abordadas. Entre eles estão o risco técnico em relação a interrupções na produção, acesso a priorização de capital e investimento, falta de informações sobre o fluxo de energia e opções de eficiência relevantes, incentivos divididos e racionalidade limitada. Os dois estudos de modelagem a seguir mostram como muitos desses fatores podem ser implementados nos modelos bottom-up. Esses modelos representam direções promissoras para futuras atividades de pesquisa.
Uma abordagem muito abrangente no sentido de combinar a literatura sobre barreiras com modelos bottom-up foi apresentada por Gillisen et al. [91]. Eles modelam explicitamente as decisões de investimento das empresas aplicando um modelo de decisão de três fases que divide a adoção da tecnologia em uma fase de conhecimento, uma fase de avaliação econômica e uma fase de implementação. Todas as fases são influenciadas por barreiras. A calibração do modelo é feita com base em uma pesquisa entre empresas holandesas sobre suas características e o impacto das barreiras. O modelo considera as barreiras em um nível de empresa usando variáveis ​​específicas de barreira, como o grau de fontes de informação, a importância da reputação ambiental ou uma variável de incerteza. Particularmente, o módulo de adoção de tecnologia e a ligação entre os dados empíricos e a calibração do modelo devem ser sublinhados e seriam uma boa base para pesquisas futuras.
Blok et al. [89] também propõem um modelo que se relaciona diretamente com a discussão das barreiras. Eles explicitamente incluem 7 tipos diferentes de barreiras e diferenciam entre tecnologias. Exemplos dessas barreiras são a complexidade da tecnologia, a situação financeira do setor industrial, ameaças à gestão operacional pela implementação de uma técnica ou o nível de conhecimento do setor. Este modelo de difusão também está ligado à base de dados do ICARUS sobre tecnologias de economia de energia nos Países Baixos.
4.5. Conclusões
Os atuais modelos bottom-up representam principalmente barreiras à adoção de tecnologias de eficiência energética de forma muito agregada e simplificada. Modelos únicos já realizaram os primeiros passos para melhoria, considerando mercados heterogêneos, custos ocultos ou a disposição a pagar das empresas, além de avaliações simples de custos financeiros. Além disso, existem metodologias e abordagens de outras disciplinas que poderiam ser usadas como base para melhorias. Muitos podem ser encontrados em todo o campo de estudos de difusão de tecnologia.
Ainda assim, a enorme heterogeneidade tecnológica no setor industrial já apresenta desafios para os modelos [92]. Com uma incorporação abrangente de barreiras aos modelos, a manipulação e a transparência do modelo se tornarão ainda mais um desafio, pois a quantidade de dados necessários aumentará ainda mais. Conseqüentemente, também a transparência em relação a premissas e rotinas de modelo se tornará mais importante quando abordagens de modelagem novas e mais diversificadas e complexas forem usadas. Em geral, os dados sobre o comportamento da empresa podem ser ainda mais difíceis de coletar do que os dados das características da tecnologia. Também aqui, alguns modelos mostraram as primeiras ideias para combinar o trabalho de modelagem com pesquisas explicitamente projetadas para as necessidades do modelo.