📈 economics

Agent-Based Modelling of Battery Electric Vehicle Adoption in Portugal

Este artículo emplea un modelo basado en agentes para demostrar que, si bien los ingresos siguen siendo el principal motor de la adopción de vehículos eléctricos de batería en Portugal, la inversión estratégica en infraestructura de carga es más eficaz que los incentivos fiscales para impulsar las tasas de adopción y reducir la desigualdad espacial.

Autores originales: Bento Gregório Maria

Publicado 2026-07-07

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Bento Gregório Maria

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que Portugal es un vecindario gigante y bullicioso compuesto por muchos pueblos diferentes (municipios). Algunos pueblos son ricos, con casas grandes, mientras que otros son más pequeños o tienen menos recursos. El autor de este documento, Bento Maria, construyó un juego de simulación digital para averiguar cómo la gente en estos pueblos decide cambiar sus coches de gasolina por Vehículos Eléctricos de Batería (BEV).

En lugar de limitarse a mirar las estadísticas nacionales, este juego crea 1.000 "personas" virtuales (agentes) y las distribuye por los pueblos basándose en cifras de población reales. Estas personas virtuales tienen presupuestos diferentes y toman decisiones basadas en las condiciones específicas de su propio pueblo.

Así es como funciona el juego y lo que el autor descubrió, explicado mediante analogías sencillas:

1. El tablero del juego: Cómo se conectan los pueblos

En el mundo real, los pueblos no son islas aisladas; están conectados por carreteras y por personas que se visitan entre sí.

La analogía: Imagina que los pueblos son casas en un vecindario. El autor dibujó una "cuerda" entre cada casa para ver quién está cerca de quién. Luego, cortó las cuerdas que eran demasiado largas, dejando solo las conexiones esenciales que mantienen unido a todo el vecindario. Esto se llama Árbol de Expansión Mínima.
Por qué es importante: Si tu vecino compra un coche eléctrico, es posible que tú también tengas más probabilidades de comprar uno porque lo ves en la calle, o porque sabes que la estación de carga cercana funciona bien. El modelo rastrea este "efecto vecino".

2. Las reglas del juego: ¿Qué hace que la gente cambie?

Las personas virtuales deciden comprar un coche eléctrico basándose en una "puntuación" que calculan. Si la puntuación es lo suficientemente alta, cambian. La puntuación se compone de:

Dinero (Ingresos): Este es el factor más importante. Las personas en los pueblos más ricos generalmente tienen una puntuación más alta.
Estaciones de carga: Si un pueblo tiene muchos cargadores, la puntuación sube. El modelo trata el crecimiento de los cargadores como una planta que crece, la cual tiene algo de aleatoriedad (a veces crece rápido, otras veces lento, tal como ocurre en la vida real).
Impuestos y descuentos: Portugal ofrece beneficios fiscales para los coches eléctricos. El modelo pone a prueba si estos descuentos realmente cambian el comportamiento.
El "Efecto Mateo Inverso" (El nivelador): Normalmente, en la vida, los ricos se hacen más ricos (el "Efecto Mateo"). Este modelo añade una regla especial para intentar lo contrario: otorga un pequeño impulso extra a las personas en los pueblos más pobres o en los pueblos con menos coches eléctricos. Es como un hándicap en una carrera diseñado para ayudar a los corredores más lentos a alcanzar a los demás.

3. El experimento: Probando diferentes reglas

El autor no se limitó a ejecutar el juego una sola vez. Lo ejecutó muchas veces con diferentes manuales de reglas para ver cuál se ajustaba mejor a la realidad.

Manual de reglas A (Simple): Solo importan el dinero y las estaciones de carga.
Manual de reglas B (Social): Añade el "efecto vecino".
Manual de reglas C (El paquete completo): Añade todo lo anterior, incluyendo la regla del "nivelador" y trucos fiscales complejos.

El hallazgo sorprendente:
Podrías pensar que la versión del "Paquete completo" con todas las reglas complejas sería la más precisa. No fue así.
La versión más precisa fue una más sencilla que combinaba:

Ingresos (Dinero).
Efectos de vecindad (Social).
La regla del "nivelador" (Mateo Inverso).

Añadir reglas más complejas en realidad empeoraba las predicciones. Es como intentar hornear un pastel: a veces añadir demasiados ingredientes sofisticados arruina la receta, mientras que una mezcla simple de harina, azúcar y huevos funciona mejor.

4. La prueba de política: Qué funciona mejor

El autor utilizó la mejor versión del juego para probar dos estrategias gubernamentales diferentes para el futuro:

Estrategia 1: Dar más dinero (Incentivos fiscales). Imagina que el gobierno dice: "¡Les daremos incluso mayores beneficios fiscales!".
- Resultado: Esto apenas cambió nada. El juego mostró que la gente ya estaba recibiendo suficientes beneficios fiscales; dar más no convenció a mucha gente nueva para realizar el cambio.
Estrategia 2: Construir más cargadores (Infraestructura). Imagina que el gobierno construye estaciones de carga en los pueblos que actualmente no tienen ninguna.
- Resultado: Esto fue un gran éxito. No solo logró que más personas compraran coches eléctricos, sino que también ayudó a los pueblos más pobres a alcanzar a los más ricos. Redujo la brecha entre los vecindarios ricos y los pobres.

Conclusión

El artículo concluye que:

El dinero es el rey: Lo más importante para que alguien compre un coche eléctrico es tener el dinero para hacerlo.
Los vecinos importan: Ver coches eléctricos en los pueblos cercanos ayuda a propagar la tendencia.
Los cargadores son la clave: Si el gobierno quiere que haya más coches eléctricos en las carreteras y asegurar que todos tengan una parte justa, construir estaciones de carga es mucho más efectivo que entregar más cupones de impuestos.

El modelo actúa como una bola de cristal para los responsables de la toma de decisiones, mostrando que si quieren solucionar la "desigualdad territorial" (donde los pueblos ricos se quedan con todos los coches eléctricos y los pueblos pobres con ninguno), deben centrarse en la infraestructura física, no solo en la billetera.

Resumen Técnico: Modelización Basada en Agentes de la Adopción de Vehículos Eléctricos de Batería en Portugal

Planteamiento del Problema
El sector del transporte es un importante contribuyente a las emisiones de gases de efecto invernadero en Portugal, lo que impulsa las políticas públicas para promover la adopción de Vehículos Eléctricos de Batería (BEV) mediante incentivos fiscales, exenciones de impuestos y subsidios. Sin embargo, es poco probable que la adopción ocurra de manera uniforme en el espacio. La literatura existente destaca el papel de los incentivos, la infraestructura y la difusión social, pero la interacción entre la política fiscal, la heterogeneidad municipal, los efectos de red y los mecanismos conductuales sigue estando insuficientemente explorada en el contexto portugués. El artículo aborda la pregunta de investigación: ¿Cómo afectan los incentivos fiscales, las condiciones locales y las interacciones de red a la concentración espacial de la adopción de BEV en los municipios portugueses?

Metodología
El estudio desarrolla un Modelo Basado en Agentes (ABM) calibrado a nivel municipal para simular la dinámica de adopción de BEV en los municipios portugueses. La metodología avanza a través de cinco etapas:

Datos y Variables de Estado: El modelo utiliza datos de panel a nivel municipal (2021–2024) que combinan datos de uso de BEV (ACAP), estructuras de incentivos fiscales (ISV, IUC, subsidios), incentivos de aparcamiento, indicadores socioeconómicos (INE) y datos de infraestructura de carga (MOBI.E). Las variables clave incluyen población, ingresos, cuota observada de BEV, densidad de carga y número de estaciones de carga.
Construcción de la Red Espacial: Se construye una red municipal espacial utilizando un Árbol de Expansión Mínima (MST) derivado de un grafo completo ponderado de distancias municipales. Se establece un umbral de conectividad ( $\delta$ ) basado en la distancia máxima de la arista en el MST, asegurando que todos los municipios permanezcan conectados mientras se filtran las proximidades espaciales relevantes.
Población de Agentes Sintéticos: Se asigna una población sintética de 1.000 agentes a través de los municipios proporcionalmente a su población del año base. Cada agente posee una dotación vinculada al ingreso municipal y un término estocástico idiosincrásico, lo que permite la heterogeneidad dentro del municipio.
Dinámica de Infraestructura Estocástica: La expansión de la infraestructura de carga se modela como un proceso de difusión logística estocástica (aproximado mediante la discretización de Euler–Maruyama). Esto introduce incertidumbre respecto al tiempo de inversión y la implementación de políticas, capturando la volatilidad del despliegue de la infraestructura.
Mecanismos Conductuales y Calibración: El modelo prueba cinco especificaciones incrementales para aislar la contribución de diferentes mecanismos:
- Línea Base (Baseline): Determinantes económicos centrales (dotación, incentivos fiscales, infraestructura).
- Social: Añade efectos de pares locales.
- Espacial: Añade desbordamientos (spillovers) espaciales entre municipios conectados.
- Redistribución: Introduce un mecanismo de incentivo redistributivo donde los incentivos fiscales se ponderan por un "índice de desventaja" (ingresos, adopción previa e infraestructura).
- Efecto Mateo Inverso: Un mecanismo compensatorio donde los agentes en municipios con menor adopción previa y menores ingresos reciben un estímulo de adopción más fuerte.
- Modelo Completo (Full Model): Combina todos los mecanismos.

El modelo se calibra con datos de 2021–2023 y se valida fuera de la muestra contra los datos de 2024. El rendimiento se evalúa utilizando el Error Cuadrático Medio (RMSE), el Error Absoluto Medio (MAE), la correlación y el sesgo de predicción a través de 500 replicaciones de Monte Carlo.

Resultos Clave

Determinantes de la Adopción: El ingreso se identifica como el determinante más robusto de la adopción de BEV. Las variables asociadas con las condiciones económicas locales aparecen en todas las especificaciones con mejor rendimiento.
Parsimonia del Modelo: Contrario a la suposición de que la complejidad mejora la precisión, el modelo más complejo ("Full Model") no supera a las especificaciones más simples. Las puntuaciones de validación más altas se logran con modelos parsimoniosos que combinan ingresos, interacciones espaciales y el mecanismo de Mateo inverso.
Dinámicas Espaciales: Las interacciones espaciales mejoran significativamente la representación de los patrones de difusión local. Las decisiones de adopción están influenciadas no solo por las características locales, sino también por las condiciones en los municipios vecinos.
Incertidumbre de la Infraestructura: El análisis de sensibilidad revela que la importancia relativa de los mecanismos conductuales depende de la volatilidad de la infraestructura. Bajo dinámicas deterministas, el ingreso domina. Bajo una volatilidad moderada, la combinación de ingresos, efectos espaciales y el mecanismo de Mateo inverso funciona mejor. Bajo una alta volatilidad, los efectos espaciales siguen siendo críticos, mientras que el efecto de Mateo inverso se debilita.
Simulaciones de Política:
- Expansión de la Infraestructura: Simular una expansión acelerada de la infraestructura de carga aumenta la adopción total de BEV en aproximadamente un 3,9% y reduce la concentración espacial (reduciendo el Índice de Herfindahl–Hirschman).
- Incentivos Fiscales: Simular incentivos fiscales más fuertes bajo el marco actual genera prácticamente ninguna adopción adicional y no logra alterar las dinámicas de concentración, lo que sugiere rendimientos decrecientes en los incentivos una vez alcanzado cierto umbral.

Significancia y Contribuciones
El artículo reclama tres contribuciones primarias a la literatura:

Metodológica: Desarrolla un ABM a nivel municipal para Portugal que integra agentes heterogéneos, redes espaciales y dinámicas de infraestructura estocásticas.
Teórica: Incorpora una red espacial filtrada basada en la conectividad MST e introduce un mecanismo de efecto Mateo inverso para evaluar si los incentivos fiscales reducen o refuerzan las desigualdades espaciales.
Relevancia para las Políticas: Los hallazgos destacan que la inversión en infraestructura es una palanca más efectiva que los incentivos fiscales adicionales para aumentar simultáneamente la adopción y reducir las disparidades territoriales. El modelo sirve como un laboratorio de simulación de políticas, permitiendo a los responsables de la toma de decisiones evaluar escenarios alternativos (por ejemplo, expansión de infraestructura frente a exenciones fiscales) para evaluar los niveles de adopción esperados y la posible aparición de desigualdades territoriales antes de la implementación.

El estudio concluye que la difusión de los BEV se explica mejor mediante una combinación de recursos económicos locales, efectos de interacción espacial y dinámicas de adopción acumulativa, en lugar de la inclusión simultánea de todos los mecanismos conductuales disponibles. Enfatiza que la incertidumbre de la infraestructura condiciona la estructura conductual necesaria para reproducir los patrones de adopción observados.