Beyond the Exogenous Mask: Learning Feedback, Policy Thresholds, and Sensitive Intervention Points in Energy System Models

エネルギーシステムとは、現代の生活を支える電力を生成し、届けるための複雑なネットワークのことである。化石燃料から風力や太陽光のようなよりクリーンな資源へとどのように移行していくかを計画するために、科学者たちはコンピュータモデルを構築する。これらのモデルは仮想的な実験室として機能し、炭素排出量を削減しつつ経済を破綻させないための様々な政策をテストする。これらのモデルにおける中心的な問いの一つは、技術がいかにして安価になるかである。数十年にわたり、標準的なアプローチは、技術が実際にどれだけ建設されるかにかかわらず、固定されたスケジュールに従って技術が向上するかのように、コストが時間の経過とともに自動的に低下すると想定することであった。この手法は計算上は単純だが、ある強力な現実世界の力を無視している。それは、技術の製造と使用が増えることが、実際にその価格を押し下げるという考え方である。「習熟による学習（learning by doing）」として知られるこの現象は、新しいソーラーパネルやバッテリーが設置されるたびに、次の製品をより安価にすることを意味する。モデルがこのフィードバックループを無視すると、エネルギー転換がどのように進むかを形作る極めて重要なダイナミクスを見落としてしまうことになる。

レイフマン大学のナダブ・マンテルによる新しい研究は、これらのモデルの構築方法に異議を唱えている。この研究は、コスト削減を単なる時間の関数として自動的に処理することで、現在のモデルは技術採用が実際にどのように機能するかという、複雑で非線形な現実を覆い隠してしまっていると論じている。論文によれば、展開がコストを押し下げるというフィードバックループを組み込むと、政策と結果の関係は根本的に変化する。少しの資金投入が少しの進歩につながる滑らかな曲線ではなく、システムは鋭い「ティッピング・ポイント（転換点）」を発達させる可能性がある。これらの特定のゾーンでは、政策のわずかな変化が、大規模で自律的な展開の爆発を引き起こしたり、逆に、支援のわずかな減少が取り組み全体を崩壊させたりすることがある。研究では、グレートブリテンの電力システムを用いた簡略化されたコンピュータモデルを使用して、これらのティッピング・ポイントが存在すること、そしてそれらが今日の政策立案者が使用している標準的なモデルには見えないことを実証している。

研究者たちは、送電のボトルネックや建設の遅延といった複雑な詳細を排除し、コストと展開の相互作用のみに焦点を当てた、英国の電力網の合理化されたバージョンを構築した。彼らはこのモデルを2つの異なる方法で実行した。第一のバージョンでは、どれだけの容量が建設されるかとは無関係に、コストが時間の経過とともに自動的に低下するという伝統的な手法を用いた。第二のバージョンでは、習熟による学習のフィードバックを有効にし、新しい容量が1ユニット建設されるたびに、将来のすべてのユニットのコストを即座に引き下げるようにした。そして、炭素税やソーラーパネルおよびバッテリーへの補助金など、さまざまな政策シナリオをテストし、システムがどのように反応するかを調べた。結果は、これら2つのアプローチの間に鮮明な違いがあることを明らかにした。伝統的なモデルは、政策がより積極的になるにつれて、再生可能エネルギーの着実で予測可能な増加を示した。しかし、習熟による学習を取り入れたモデルは、システムが「低展開の罠」に陥る可能性があることを示した。このシナリオでは、たとえ同じ政策であっても、ソーラーやバッテリー技術は、自らのコストを押し下げるために必要な規模に到達できなかったため、普及が進まなかった。

最も衝撃的な発見は、敏感な介入点、すなわちシステムが失敗から成功へと切り替わる特定の閾値の発見であった。研究者が蓄電池への補助金をテストした際、習熟による学習のルール下では、補助金が一定レベルを下回っている限り、システムは蓄電池の容量が非常に少ない状態で停滞し続けることが分かった。しかし、補助金が1キロワットあたり513ポンド付近の鋭いラインを超えると、展開が突然加速した。補助金の変化が1パーセント未満であっても、システムをこの閾値へと押し上げ、設置台数に桁違いの差をもたらすには十分であった。このライン以下では政策は効果がなく、ライン以上では、コストの低下がさらなる展開を収益性の高いものにするため、多大な支援を必要としなくなるという自己強化的なプロセスとなった。この鋭い転換は伝統的なモデルには全く存在せず、伝統的なモデルは、補助金のレベルに関わらず、蓄電池の緩やかで段階的な増加を示した。

また、本研究は、標準的なモデルが見逃してしまう異なる技術間の隠れた関係も明らかにした。研究者が太陽光発電と蓄電池を一緒に見たとき、これら2つの技術は、一方が他方なしでは安価になることができないという形で深く結びついていることが判明した。太陽光発電はエネルギーを蓄えるための蓄電池を必要とし、蓄電池は蓄えるための余剰エネルギーを提供する安価な太陽光発電を必要とする。習るによる学習のモデルでは、太陽光と蓄電池は、どちらも単独では安価になって競合できるレベルに達することができないため、低展開の状態に陥っていた。コストを独立したものとして扱う伝統的なモデルは、このロックイン現象を見落としていた。新しいアプローチは、太陽光と蓄電池の両方に協調的な補助金を出すことで、この行き詰まりを打破できることを示した。両方を同時に支援することで、介入の総コストは、蓄電池のみを支援する場合と比較して約6パーセント削減できる。なぜなら、2つの技術が互いに助け合ってコストの閾値を越えられるからである。

さらに、本研究は、新しい技術を立ち上げるために炭素価格のみに頼ることの限界を強調した。習熟による学習を考慮したモデルでは、高額な炭素価格だけでは、蓄電池のような新興技術を軌道に乗せるには不十分であった。蓄電池の展開に必要な初期段階のサイクルを開始するためには、炭素価格を、通常は政治的に実現可能と考えられるレベルをはるかに超える極めて高いレベルに設定する必要があった。これは、炭素価格が、技術がまだ学習曲線の下端に達していない段階での最初のステップを開始するためのツールとしては、不適切な可能性があることを示唆している。研究は、技術を最初の「峠」を越えさせるためには、直接的な補助金が必要であることが多いことを示唆している。

著者は、彼らの研究は「いくらのお金を使うべきか」や「どの技術が勝つか」を正確に予測するものではないことを強調している。例えば513ポンドという具体的な数値は、簡略化されたモデルの結果であり、建設の制限や現地の市場条件などの現実世界の要因が加えられれば変化するものである。しかし、核心となる洞察は強固である。すなわち、これらのティッピング・ポイントの存在と、転換の非線形な性質は、現在のモデルが無視している現実の特性であるということだ。研究は、政策立案者のための新しい診断ツールを提案している。主要な政策を決定する前に、習熟による学習を含む簡略化されたバージョンのモデルを実行し、提案された政策がティッピング・ポイントの近くにあるかどうかを確認することができる。もし近くにあるならば、その政策は非常に敏感であり、小さな計算ミスが失敗につながる可能性がある。もしティッピング・ポイントから離れているならば、その政策はより堅牢である可能性が高い。

このアプローチは、2つのよくある落とし穴を回避する方法を提供する。第一は「偽の十分性」であり、標準的なモデルでは目標をかろうじて達成しているように見えるため優れた政策に見えるが、実際にはティッピング・ポイントを下回っており、展開がほとんど行われないというケースである。第二は「偽の冗長性」であり、政策が実際には必要な量よりもはるかに多くを費やしているように見えるため無駄に見えるが、実際には閾値のすぐ上に位置しており、システムを前進させるために不可欠であるというケースである。これらの敏感なゾーンを特定することで、この手法は、規制当局に対して、初期支援の「強度」がその「期間」よりも重要であることを理解させる助けとなる。閾値の直下で設定された一定の補助金は永久に失敗するが、わずかに高いプッシュは自律的な転換を解き放つ。

研究は、技術コストをどのようにモデリングするかという選択は、単なる技術的な詳細ではなく、政策の成果を左右する決定であると結論づけている。学習による非線形なダイナミクスを滑らかにしてしまうことで、伝統的なモデルは、エネルギー転換がいかに容易に管理できるかについて、誤った安心感を与えている可能性がある。新しい手法は、長期計画に使用される複雑で詳細なモデルに取って代わるものではなく、必要なチェック機能として機能する。それは、システムが脆弱である場所や、政策の小さな変化が不釣り合いに大きな結果をもたらす場所をフラグ立てするための、事前展開スクリーニングとして機能する。エネルギー転換の賭けが極めて高い世界において、これらの隠れた閾値を理解することは、実際に機能する政策を設計するために不可欠である。本研究は、敏感な介入ポイントを特定するための適切なツールがあれば、必要な公的支出を抑えつつ、クリーンエネルギーへの移行を加速させることが可能であると示唆している。