Technology modularity shapes latecomer cost convergence in renewables

Resumo Técnico: A Modularidade Tecnológica Molda a Convergência de Custos de Retardatários em Renováveis

Definição do Problema
A transição para a eletricidade de emissões líquidas zero depende fortemente da energia solar fotovoltaica (PV) e da eólica onshore. Embora os custos médios globais para essas tecnologias tenham caído rapidamente, a acessibilidade da transição energética é determinada pelos custos instalados nacionais, particularmente em economias emergentes. As teorias existentes de difusão tecnológica frequentemente assumem uma "vantagem do retardatário" (latecomer advantage), onde países que adotam a tecnologia tardiamente herdam perfeitamente a experiência e as reduções de custo dos pioneiros. No entanto, as evidências empíricas sobre se essa vantagem se mantém para as energias renováveis são mistas. Existe uma lacuna crítica na compreensão de quando, onde e sob quais condições tecnológicas os retardatários herdam os declínios de custo globais. Os modelos atuais de sistemas de energia frequentemente dependem de curvas de aprendizado globais uniformes, o que pode obscurecer a significativa heterogeneidade nas trajetórias de custo nacionais e as restrições específicas enfrentadas por nações em desenvolvimento.

Metodologia
Os autores introduzem o framework Stage-Cost Assessment of Learning and Experience (SCALE) para reconstruir as trajetórias nacionais de custos instalados para solar PV de escala utilitária e eólica onshore em mais de 160 países. A metodologia procede através de seis etapas integradas:

1. Harmonização e Imputação de Dados: Dada a escassez de dados históricos de custos (apenas 241 observações país-ano para PV e 563 para eólica entre 2000–2022), os autores utilizam um modelo de random forest para imputar custos país-ano ausentes com base em covariáveis tecnoeconômicas (ex: PIB, capacidade cumulativa, preços globais de componentes). Estas séries reconstruídas são suavizadas usando curvas LOESS (locally estimated scatterplot smoothing).
2. Identificação do Ano de Partida (Take-off Year): Um processo de reconciliação de três níveis identifica o ano em que cada país iniciou a implantação sustentada, utilizando o Indicador de Mudança de Ponto Bayesiano de Fase Formativa (FOBI) e um modelo de cascata de portões complementares com testes de ruptura estrutural.
3. Modelo de Difusão de Caminho de Estágio Acoplado ao Custo (C-SPDM): Este modelo classifica as trajetórias nacionais em seis estágios sequenciais (da Fase Formativa à Penetração Madura) com base na nova capacidade anual, custo instalado, capacidade cumulativa e penetração. Os países são então agrupados em quatro caminhos: Front-Runners (Pioneiros), Gradualists (Gradualistas), Leapfroggers (Saltadores) e Laggards (Retardatários). Notavelmente, para a eólica onshore, os caminhos Gradualist e Leapfrogger são colapsados em uma única classe de "Movimento Tardio" devido à menor transferibilidade.
4. Estimativa da Taxa de Aprendizado: Utilizando a Lei de Wright, os autores calculam as taxas de aprendizado nacionais (a redução fracionária de custo por duplicação da capacidade cumulativa) para cada país e caminho.
5. Projeção Probabilística: Trajetórias de custos futuros até 2050 são projetadas usando simulações de Monte Carlo baseadas nas distribuições históricas das taxas de aprendizado sob vários cenários.
6. Análise de Cenários de Política: Cenários contrafatuais (Business-as-Usual, Implantação Acelerada, Aprendizado por Salto Tecnológico, Transferência de Tecnologia e Política Combinada) são aplicados a economias "Laggard" para quantificar o impacto das intervenções na convergência de custos.

Principais Resultados
O estudo revela uma profunda assimetria na convergência de custos impulsionada pela arquitetura tecnológica:

• Solar PV (Arquitetura Modular): As vantagens dos retardatários são fortes. Os "Laggards" de economias emergentes exibem uma taxa de aprendizado nacional mediana de 27,5%, significativamente superior aos 18,0% observados nos Laggards de economias desenvolvidas. Esta reversão é atribuída à natureza modular e comercializada globalmente dos módulos PV, que permite que o aprendizado se transfira entre fronteiras via cadeias de suprimentos. Os retardatários entram com custos menores e difundem-se aproximadamente duas vezes mais rápido que os pioneiros.
• Eólica Onshore (Arquitetura Específica ao Local): As vantagens dos retardatários são fracas ou inexistentes. Os Laggards de economias emergentes têm uma taxa de aprendizado mediana de apenas 9,7%, comparada a 21,6% para seus equivalentes desenvolvidos. A implantação eólica depende fortemente de engenharia específica ao local, obras civis e conexão à rede, o que limita a transferibilidade do aprendizado global de turbinas. Consequentemente, os custos da eólica enfrentam um "piso geográfico duradouro", e os entrantes tardios frequentemente enfrentam custos similares ou superiores aos dos pioneiros.
• Desacoplamento entre Crescimento e Custo: O crescimento rápido da capacidade não equivale automaticamente ao aprendizado de custo doméstico. Para a eólica, o crescimento da capacidade muitas vezes atinge o pico antes que a paridade de custo seja alcançada, e muitas economias emergentes permanecem em estágios intermediários onde a implantação se expande sem uma convergência de custo significativa.
• Projeções Futuras: Sob cenários de Business-as-Usual, as lacunas de custo persistem até 2050. No entanto, intervenções de "Política Combinada" (unindo escala de implantação com atualização tecnológica) podem efetivamente fechar a lacuna de custo de PV para mercados emergentes. Em contraste, os custos da eólica permanecem limitados por restrições institucionais e geográficas específicas de cada país, com a decomposição de variância mostrando que o "Efeito País" explica mais de 56% da variância de custo para a eólica, comparado a 48% para PV.

Significância e Alegações
O artigo alega fornecer evidência empírica de que a arquitetura tecnológica governa a tradução do aprendizado global em acessibilidade local. Os autores argumentam que a suposição de uma curva de aprendizado global universal é insuficiente para a modelagem de sistemas de energia. Em vez disso, os modelos devem distinguir entre:

1. Aprendizado de componentes globalmente transferíveis (característico de tecnologias modulares como PV), onde os retardatários podem alavancar cadeias de suprimentos globais para uma rápida convergência de custos.
2. Aprendizado de custo instalado condicionado localmente (característico de tecnologias específicas ao local como a eólica), onde a redução de custos depende das capacidades domésticas em entrega de projetos, infraestrutura e regulação.

A significância destas descobertas reside nas suas implicações para o financiamento climático e políticas públicas. Os autores afirmam que tratar as renováveis como uma classe de ativos homogênea é um erro estratégico. Para a solar PV, as políticas devem focar em combinar o acesso ao aprendizado global com a expansão do mercado doméstico. Para a eólica onshore, a transferência de tecnologia isoladamente é insuficiente; a convergência bem-sucedida requer investimento sustentado na capacidade doméstica de entrega de projetos, planejamento de rede e aprendizado industrial. O estudo conclui que reconhecer esta heterogeneidade é essencial para modelar com precisão a viabilidade da transição e as estratégias de financiamento.