📈 economics

Agent-Based Modelling of Battery Electric Vehicle Adoption in Portugal

Este artigo utiliza um modelo baseado em agentes para demonstrar que, embora o rendimento continue a ser o principal motor da adoção de veículos elétricos em Portugal, o investimento estratégico na infraestrutura de carregamento é mais eficaz do que os incentivos fiscais para impulsionar as taxas de adoção e reduzir a desigualdade espacial.

Autores originais: Bento Gregório Maria

Publicado 2026-07-07

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Bento Gregório Maria

Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine Portugal como um bairro gigante e movimentado, composto por muitas diferentes vilas (municípios). Algumas vilas são ricas, com casas grandes, enquanto outras são menores ou têm menos recursos. O autor deste artigo, Bento Maria, construiu uma simulação digital de jogo para descobrir como as pessoas nessas vilas decidem mudar de carros movidos a combustão para Veículos Elétricos a Bateria (VEBs).

Em vez de apenas olhar para estatísticas nacionais, este jogo cria 1.000 "pessoas" virtuais (agentes) e espalha-as pelas vilas com base em números populacionais reais. Estas pessoas virtuais têm orçamentos diferentes e tomam decisões com base nas condições específicas da sua própria vila.

Eis como o jogo funciona e o que o autor descobriu, explicado através de analogias simples:

1. O Tabuleiro do Jogo: Como as Vilas se Conectam

No mundo real, as vilas não são ilhas isoladas; estão conectadas por estradas e pessoas que visitam umas às outras.

A Analogia: Imagine que as vilas são casas num bairro. O autor desenhou uma "corda" entre cada casa para ver quem está perto de quem. Depois, cortou as cordas que eram demasiado longas, deixando apenas as conexões essenciais que mantêm todo o bairro ligado. Isto chama-se uma Árvore Geradora Mínima (Minimum Spanning Tree).
Por que é que importa: Se o seu vizinho comprar um carro elétrico, poderá ficar mais propenso a comprar um também porque o vê na rua, ou porque sabe que o posto de carregamento ali perto está a funcionar bem. O modelo acompanha este "efeito de vizinhança".

2. As Regras do Jogo: O Que Faz as Pessoas Mudarem?

As pessoas virtuais decidem comprar um carro elétrico com base num "score" (pontuação) que calculam. Se o score for suficientemente alto, elas mudam. O score é composto por:

Dinheiro (Rendimento): Este é o fator principal. As pessoas em vilas mais ricas têm, geralmente, um score mais elevado.
Postos de Carregamento: Se uma vila tiver muitos carregadores, o score aumenta. O modelo trata o crescimento dos carregadores como uma planta em crescimento que tem alguma aleatoriedade (às vezes cresce rápido, às vezes devagar, tal como na vida real).
Impostos e Descontos: Portugal oferece benefícios fiscais para carros elétricos. O modelo testa se estes descontos realmente alteram o comportamento.
O "Efeito Mateus Inverso" (O Nivelador): Normalmente, na vida, os ricos ficam mais ricos (o "Efeito Mateus"). Este modelo adiciona uma regra especial para tentar o oposto: dá um pequeno impulso extra às pessoas em vilas mais pobres ou em vilas com menos carros elétricos. É como um handicap numa corrida desenhado para ajudar os corredores mais lentos a alcançarem os outros.

3. O Experimento: Testar Diferentes Regras

O autor não correu o jogo apenas uma vez. Correu-o muitas vezes com diferentes livros de regras para ver qual deles correspondia melhor à realidade.

Livro de Regras A (Simples): Apenas o dinheiro e os postos de carregamento importam.
Livro de Regras B (Social): Adiciona o "efeito de vizinhança".
Livro de Regras C (O Pacote Completo): Adiciona tudo, incluindo a regra do "nivelador" e truques fiscais complexos.

A Descoberta Surpreendente:
Poderia pensar que o "Pacote Completo", com todas as regras complexas, seria o mais preciso. Não era.
A versão mais precisa foi uma mais simples, que combinava:

Rendimento (Dinheiro).
Efeitos de vizinhança (Social).
A regra do "nivelador" (Mateus Inverso).

Adicionar mais regras complexas tornou as previsões piores. É como tentar fazer um bolo: às vezes, adicionar demasiados ingredientes sofisticados estraga a receita, enquanto uma mistura simples de farinha, açúcar e ovos funciona melhor.

4. O Teste de Políticas: O Que Funciona Melhor?

O autor utilizou a melhor versão do jogo para testar duas estratégias governamentais diferentes para o futuro:

Estratégia 1: Dar Mais Dinheiro (Incentivos Fiscais). Imagine que o governo diz: "Vamos dar-vos ainda maiores benefícios fiscais!"
- Resultado: Isto quase não alterou nada. O jogo mostrou que as pessoas já estavam a receber incentivos fiscais suficientes; dar mais não convenceu muitas pessoas novas a mudar.
Estratégia 2: Construir Mais Carregadores (Infraestrutura). Imagine que o governo constrói postos de carregamento em vilas que atualmente não têm nenhum.
- Resultado: Isto foi um enorme sucesso. Não só fez com que mais pessoas comprassem carros elétricos, como também ajudou as vilas mais pobres a alcançar as mais ricas. Reduziu a lacuna entre os bairros ricos e os pobres.

A Conclusão Final

O artigo conclui que:

O Dinheiro é Rei: O mais importante para alguém comprar um carro elétrico é ter o dinheiro para o fazer.
Os Vizinhos Importam: Ver carros elétricos em vilas próximas ajuda a propagar a tendência.
Os Carregadores são a Chave: Se o governo quiser ter mais carros elétricos na estrada e garantir que todos tenham uma parte justa, construir postos de carregamento é muito mais eficaz do que dar mais cupões de desconto de impostos.

O modelo atua como uma bola de cristal para os decisores políticos, mostrando que, se quiserem resolver a "desigualdade territorial" (onde as vilas ricas ficam com todos os carros elétricos e as vilas pobres com nenhum), precisam de se focar na infraestrutura física, e não apenas no bolso.

Resumo Técnico: Modelagem Baseada em Agentes da Adoção de Veículos Elétricos de Bateria em Portugal

Definição do Problema
O setor dos transportes é um dos principais contribuintes para as emissões de gases com efeito de estufa em Portugal, o que tem levado as políticas públicas a promover a adoção de Veículos Elétricos de Bateria (BEV) através de incentivos fiscais, isenções de impostos e subsídios. No entanto, é improvável que a adoção ocorra de forma uniforme no espaço. A literatura existente destaca o papel dos incentivos, da infraestrutura e da difusão social, mas a interação entre a política fiscal, a heterogeneidade municipal, os efeitos de rede e os mecanismos comportamentais permanece subexplorada no contexto português. O artigo aborda a seguinte questão de investigação: Como é que os incentivos fiscais, as condições locais e as interações de rede afetam a concentração espacial da adoção de BEV nos municípios portugueses?

Metodologia
O estudo desenvolve um Modelo Baseado em Agentes (ABM) calibrado ao nível municipal para simular a dinâmica de adoção de BEV nos municípios de Portugal. A metodologia processa-se através de cinco etapas:

Dados e Variáveis de Estado: O modelo utiliza dados de painel ao nível municipal (2021–2024), combinando dados de utilização de BEV (ACAP), estruturas de incentivos fiscais (ISV, IUC, subsídios), incentivos de estacionamento e indicadores socioeconómicos (INE), e dados de infraestrutura de carregamento (MOBI.E). As variáveis principais incluem população, rendimento, quota observada de BEV, densidade de carregamento e contagem de estações de carregamento.
Construção da Rede Espacial: Uma rede municipal espacial é construída utilizando uma Árvore Geradora Mínima (MST) derivada de um grafo completo ponderado de distâncias municipais. Um limiar de conectividade ( $\delta$ ) é estabelecido com base na distância máxima da aresta no MST, garantindo que todos os municípios permaneçam conectados, ao mesmo tempo que filtra a proximidade espacial relevante.
População de Agentes Sintéticos: Uma população sintética de 1.000 agentes é alocada entre os municípios proporcionalmente à sua população no ano base. Cada agente possui uma dotação ligada ao rendimento municipal e um termo estocástico idiossincrático, permitindo a heterogeneidade dentro do próprio município.
Dinâmicas de Infraestrutura Estocásticas: A expansão da infraestrutura de carregamento é modelada como um processo de difusão logística estocástica (aproximado via discretização de Euler–Maruyama). Isto introduz incerteza quanto ao tempo de investimento e implementação de políticas, capturando a volatilidade do despliegue da infraestrutura.
Mecanismos Comportamentais e Calibração: O modelo testa cinco especificações incrementais para isolar a contribuição de diferentes mecanismos:
- Baseline (Base): Determinantes económicos centrais (dotação, incentivos fiscais, infraestrutura).
- Social: Adiciona efeitos de pares locais.
- Espacial: Adiciona transbordamentos (spillovers) de rede entre municípios conectados.
- Redistribuição: Introduz um mecanismo de incentivo redistributivo onde os incentivos fiscais são ponderados por um "índice de desvantagem" (rendimento, adoção prévia e infraestrutura).
- Efeito Mateus Inverso: Um mecanismo compensatório onde agentes em municípios com menor adoção prévia e menor dotação recebem um estímulo de adoção mais forte.
- Modelo Completo: Combina todos os mecanismos.

O modelo é calibrado com dados de 2021–2023 e validado fora da amostra contra os dados de 2024. O desempenho é avaliado utilizando o Erro Quadrático Médio (RMSE), o Erro Médio Absoluto (MAE), correlação e viés de previsão através de 500 replicações de Monte Carlo.

Principais Resultados

Determinantes da Adoção: O rendimento é identificado como o determinante mais robusto da adoção de BEV. As variáveis associadas às condições económicas locais aparecem em todas as especificações de melhor desempenho.
Parsimónia do Modelo: Contrariamente à suposição de que a complexidade melhora a precisão, o modelo "Completo", mais complexo, não supera as especificações mais simples. Os maiores scores de validação são alcançados por modelos parsimoniosos que combinam rendimento, interações espaciais e o mecanismo de Mateus inverso.
Dinâmicas Espaciais: As interações espaciais melhoram significativamente a representação dos padrões de difusão local. As decisões de adoção são influenciadas não apenas pelas características locais, mas também pelas condições nos municípios vizinhos.
Incerteza da Infraestrutura: A análise de sensibilidade revela que a importância relativa dos mecanismos comportamentais depende da volatilidade da infraestrutura. Sob dinâmicas determinísticas, o rendimento domina. Sob volatilidade moderada, a combinação de rendimento, efeitos espaciais e o mecanismo de Mateus inverso apresenta o melhor desempenho. Sob alta volatilidade, os efeitos espaciais permanecem críticos, enquanto o efeito de Mateus inverso enfraquece.
Simulações de Políticas:
- Expansão da Infraestrutura: Simular uma expansão acelerada da infraestrutura de carregamento aumenta a adoção total de BEV em aproximadamente 3,9% e reduz a concentração espacial (baixando o Índice de Herfindahl–Hirschman).
- Incentivos Fiscais: Simular incentivos fiscais mais fortes sob o quadro atual gera virtualmente nenhuma adoção adicional e não consegue alterar as dinâmicas de concentração, sugerindo retornos decrescentes sobre os incentivos uma vez atingido determinado limiar.

Significado e Contribuições
O artigo reivindica três contribuições primárias para a literatura:

Metodológica: Desenvolve um ABM ao nível municipal para Portugal que integra agentes heterogéneos, redes espaciais e dinâmicas de infraestrutura estocásticas.
Teórica: Incorpora uma rede espacial filtrada baseada na conectividade MST e introduz um mecanismo de efeito Mateus inverso para avaliar se os incentivos fiscais reduzem ou reforçam as desigualdades espaciais.
Relevância para Políticas Públicas: Os resultados destacam que o investimento em infraestrutura é um alavancagem mais eficaz do que incentivos fiscais adicionais para aumentar simultaneamente a adoção e reduzir as disparidades territoriais. O modelo serve como um laboratório de simulação de políticas, permitindo que os decisores avaliem cenários alternativos (ex: expansão de infraestrutura vs. isenções fiscais) para aferir os níveis de adoção esperados e o potencial surgimento de desigualdades territoriais antes da implementação.

O estudo conclui que a difusão de BEV é melhor explicada por uma combinação de recursos económicos locais, efeitos de interação espacial e dinâmicas de adoção cumulativa, em vez da inclusão simultânea de todos os mecanismos comportamentais disponíveis. Enfatiza que a incerteza da infraestrutura condiciona a estrutura comportamental necessária para reproduzir os padrões de adoção observados.