来自剑桥大学、伦敦大学学院、牛津大学和布雷西亚大学/RFF-CMCC 欧洲经济与环境研究所的一组研究人员对专家的概率成本预测的相对表现进行了首次系统分析。基于方法和基于模型的方法。
他们特别关注一种基于专家的方法——专家启发——以及四种基于模型的方法，这些方法将成本建模为累积装机容量的函数或时间的函数。这种比较的结果发表在PNAS 上。
准确预测能源技术成本是设计稳健且具有成本效益的脱碳政策和商业计划的必要条件。众所周知，这些技术和其他技术的未来很难预测，因为技术的构思、开发、编纂和部署过程是复杂自适应系统的一部分，由相互关的参与者和机构组成。
已经开发了一系列概率预测方法并用于生成对未来技术成本的估计。两种高级方法最常用于生成定量预测：基于专家的方法和基于模型的方法。从广义上讲，基于专家的方法涉及从知识渊博的个人那里获取信息的不同方式，这些人可能对各种创新驱动因素的相对重要性以及它们如何发展有不同的意见和/或知识。专家在进行预测时会对变化的潜在驱动因素做出隐含判断，并且可以考虑有关观察成本的公共信息以及可能尚未广泛获得或编纂的信息。
相比之下，基于模型的方法明确使用可用观察数据中的一个或多个变量来估算整套创新驱动因素对技术成本的影响，隐含地假设过去的变化率将是技术成本的最佳预测指标。未来的变化率。
“关于未来能源技术成本信息的可用性增加使我们能够对由不同的基于专家和基于模型的方法产生的概率技术成本预测的相对性能与观察到的成本进行第一次系统比较”高级和通讯作者教授说。剑桥大学气候变化政策教授兼大学环境、能源和自然资源治理中心主任迪亚兹·阿纳东 (Diaz Anadon)。“这种比较对于确保研究人员和分析人员在综合评估模型、成本效益分析和更广泛的政策设计工作中拥有更多以经验为基础的证据至关重要”。她建议，随着更多数据的可用，进行这种类型的比较以评估和更好地理解不同的预测方法应该在建模者和预测从业者中变得更加普遍。“我们的分析侧重于特定时期和相关的能源技术，因此尽管我们的结果表明当前的方法低估了这个领域的技术进步，需要更多的研究”。
Anadon教授与伦敦大学学院巴特利特学院讲师Jing Meng博士、牛津马丁学院博士后研究员Rupert Way博士以及布雷西亚大学法学系E. Verdolini教授共同撰写了这篇文章并隶属于 RFF-CMCC 欧洲经济与环境研究所。Anadon 教授和 Verdolini 教授是 H2020 项目 INNOPATHS 的工作包负责人，该项目资助了大部分研究工作。
这一分析得出了许多关键结果。
正如牛津大学的 Way 博士解释的那样，“将基于专家和模型的预测与在短时间内(最长 10 年)观察到的 2019 年成本进行比较表明，基于模型的方法优于专家启发。更具体地说，四种基于模型的方法的第 5-95 个百分位数范围比 EE 预测更可能包含观测值。在基于模型的方法中，一些方法比其他方法更频繁地捕获 2019 年观测成本”。
“此外”，伦敦大学学院的孟博士指出，“基于模型的预测的 2019 年中位数更接近 2019 年观察到的六项技术中的五项平均成本。但是，这种比较仅适用于少数技术;此外，一些 EE 预测包括观测值”。由于这些原因，作者认为，这不应被视为基于模型的方法在所有或大多数情况下比基于专家的方法表现更好的证据。
来自 UniBrescia/EIEE 的 Verdolini 教授指出，基于专家的方法和基于模型的方法都低估了本文分析的大多数能源技术的技术进步。“也就是说，在分析的六种技术中的五种中，这些方法产生的 2019 年成本预测中位数高于观察到的 2019 年成本。这表明成本降低的进展速度高于历史数据和专家意见的预测. 但是，与预测相比，这种更快的进展速度在未来会持续(或不会)在多大程度上仍有待观察”。
正如 IPCC 1.5 C 报告中概述的那样，制定深度脱碳政策的紧迫性使得这种系统分析变得及时和必要。总之，结果指出了未来研究的各种有价值的途径。关于专家引出，本文提请注意继续改进方法以减少过度自信的必要性。对于基于模型的方法，这项工作突出了为许多关键能源技术寻找(和收集)数据的挑战。它还呼吁国际组织和其他实体加大力度收集和发布数据。对技术进步的低估也表明了进一步开发方法以反映结构变化和技术相关性的价值。最后，
本文补充了一个数据库，其中包含与支持能源转型相关的 32 项能源技术成本的大量数据点。这些数据点包括 25 组来自 2007 年至 2016 年间进行的涵盖一系列地理区域的专家启发数据和 25 组观察到的技术数据，包括不同时期成本和部署的演变。
标签：
免责声明：本文由用户上传，如有侵权请联系删除！