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

能源系统是生成并输送电力以支撑现代生活的复杂网络。为了规划如何从化石燃料转向风能和太阳能等更清洁的能源，科学家们构建了计算机模型。这些模型充当虚拟实验室，测试不同的政策，以观察哪些政策能够成功降低碳排放，同时又不破坏经济。这些模型中的一个核心问题是技术是如何变得更便宜的。几十年来，标准做法一直是假设成本会随着时间自动下降，仿佛技术改进是按照固定的时间表进行的，而不管实际建造了多少。这种方法在计算上非常简单，但它忽略了一个强大的现实力量：即制造和使用更多技术实际上会推动其价格下降。这种现象被称为“边做边学”（learning by doing），这意味着每安装一块新的太阳能电池板或一个电池，都有助于让下一个变得更便宜。当模型忽略这种反馈循环时，它们就错失了一个塑造能源转型的关键动态。

纳达夫·曼特尔（Navav Mantel）在雷克曼大学（Reichman University）的一项新研究挑战了这些模型的构建方式。该研究认为，通过将成本降低视为一个简单的、自动的时间函数，当前的模型抹平了技术采用过程中那种混乱且非线性的现实。论文指出，当你引入“部署驱动成本下降”这一反馈循环时，政策与结果之间的关系会发生根本性的变化。系统不再是一个“投入一点钱就能获得一点进展”的平滑曲线，而是可以产生剧烈的临界点（tipping points）。在这些特定的区域内，政策的微小变化可以触发大规模、自我维持的部署爆发；反之，支持力度的微小下降则可能导致整个努力的崩溃。该研究利用一个简化的英国电力系统计算机模型来证明，这些临界点的存在，且目前的决策者所使用的标准模型无法察觉到它们。

研究人员构建了一个精简版的英国电网版本，剥离了诸如输电瓶颈或局部建设延迟等复杂细节，以便专注于成本与部署之间的纯粹相互作用。他们用两种不同的方式运行了这个模型。在第一个版本中，他们使用了传统方法，即成本随时间自动下降，独立于建造了多少容量。在第二个版本中，他们启用了“边做边学”的反馈机制，即每建成一个单位的新容量，都会立即降低未来所有单位的成本。随后，他们测试了各种政策情景，例如碳税以及对太阳能电池板和电池的补贴，以观察系统的反应。结果显示，这两种方法之间存在显著差异。传统模型显示，随着政策变得更加激进，可再生能源呈现出稳步且可预测的增长。然而，包含“边做边学”的模型则显示，系统可能会陷入低部署陷阱。在这种情景下，即使采用相同的政策，太阳能和电池技术也无法起步，因为它们从未达到足以驱动自身成本下降所需的规模。

最令人震惊的发现是发现了一个敏感的干预点，即系统从失败转向成功的特定阈值。当研究人员测试电池储能补贴时，他们发现，在“边做边学”的规则下，只要补贴低于某一水平，系统就会一直停滞在极低的电池容量状态。然而，一旦补贴跨过了接近每千瓦 513 英镑这一陡峭的界限，部署量就会突然加速。补贴的变化甚至不到 1%，就足以将系统推过这一阈值，从而导致安装电池数量出现数量级的差异。在这一线之下，政策是无效的；在这一线之上，政策则是自我强化的，即不断下降的成本使得无需过多帮助即可实现盈利性部署。这种剧烈的转型在传统模型中完全不存在，传统模型显示，无论补贴水平如何，电池的增加都是平滑且渐进的。

研究还揭示了标准模型所忽视的各种技术之间的隐藏关系。当研究人员将太阳能发电与电池储能结合起来观察时，他们发现这两项技术之间存在着一种深刻的联系，从而形成了一道准入门槛。在“边做边学”模型中，太阳能和电池都处于低部署状态，因为两者都无法在没有对方的情况下变得足够便宜以具备竞争力。太阳能需要电池来储存其能量，而电池需要廉价的太阳能来提供其储存的剩余电力。将成本视为独立的传统模型未能看到这种锁定效应。新方法表明，对太阳能和电池进行协调一致的补贴可以打破这种僵局。通过同时支持两者，与仅补贴电池相比，总体的干预成本可以减少约 6%，因为这两项技术可以互相帮助跨越成本阈值。

此外，研究强调了仅依靠碳定价来启动新技术的局限性。在考虑了“边做边学”的模型中，单靠高昂的碳价不足以让电池等新兴技术起步。碳价需要被设定在一个极高的水平，远超通常认为在政治上可行的水平，才能触发启动成本下降周期所需的初始部署。这表明，对于尚未走下学习曲线的技术，直接补贴通常是必要的，用以推动技术跨越最初的难关，之后市场便可以接管。

作者强调，他们的工作并不是在预测具体应该花多少钱或哪种技术会胜出。具体的数字，例如 513 英镑的阈值，是简化模型的结果，如果加入建筑限制或局部市场条件等现实因素，这些数字将会发生变化。然而，其核心洞察是稳健的：即这些临界点的存在以及转型的非线性特征是系统的真实特征，而目前的模型忽略了这一点。该研究为决策者提供了一种新的诊断工具。在承诺一项重大政策之前，他们可以运行一个包含“边做边学”机制的简化版模型，以检查其拟定的政策是否处于一个临界点附近。如果处于临界点附近，说明该政策具有高度敏感性，微小的误判可能导致失败；如果远离临界点，则说明该政策更具鲁棒性。

这种方法提供了一种避免两种常见陷阱的方式。第一种是“虚假充分性”，即一项政策在标准模型中看起来很好，因为它似乎刚好达到了目标，但在现实中，它其实处于临界点之下，导致几乎没有任何部署。第二种是“虚假冗余”，即一项政策看起来很浪费，因为它似乎花费了远超必要的资金，但事实上，它仅仅是略高于阈值，对于保持系统向前推进至关重要。通过识别这些敏感区域，该方法有助于监管机构理解，早期支持的强度往往比持续时间更为重要。一个始终设置在阈值之下的恒定补贴将会导致长期失败，而一个稍高的推动力则可以解锁一个自我维持的转型过程。

研究结论指出，如何对技术成本进行建模不仅仅是一个技术细节，更是一个决定政策结果的选择。通过抹平学习过程中的非线性动态，传统模型可能会给人一种错误的安全性感，即认为能源转型可以被轻松管理。新方法并非要取代用于长期规划的复杂详细模型，而是作为一种必要的检查手段。它作为一个预部署筛选器，用来标记系统脆弱之处，以及政策的小幅变化如何能带来不成比例的大量结果。在一个能源转型的赌注极高的世界里，理解这些隐藏的阈值对于设计真正有效的政策至关重要。研究表明，通过使用正确的工具来识别这些敏感的干预点，或许可以在减少实现目标所需公共支出总量的同时，加速向清洁能源的转变。