Định giá công nghệ năng lượng tái tạo dài hạn sử dụng động lực hệ thống và mô phỏng Monte Carlo: Công nghệ quang điện

Energy 66 (2014) 447e457

Xem nội dung tại ScienceDirect

Energy
Trang chủ: www.elsevier.com/locate/energy

Định giá công nghệ năng lượng tái tạo dài hạn sử dụng động lực hệ
thống và mô phỏng Monte Carlo: Công nghệ quang điện
Chanwoong Jeon a, Juneseuk Shin
a
b

b,*

Tốt nghiệp trường Quản lý Công nghệ, Đại học Sungkyunkwan , 2066, Seobu-ro, Jangan-gu, Gyoenggi-do 440-746, Hàn Quốc
Khoa Quản lý hệ thống, Đại học Sungkyunkwan, 2066, Seobu-ro, Jangan-gu, Gyoenggi-do 440-746, Hàn Quốc

Thông tin bài báo
Lịch sử bài viết:
Nhận được ngày 18 tháng 5 năm 2013
Nhận được trong bản sửa đổi ngày 9
tháng 1 năm 2014
Được chấp nhận ngày 13 tháng 1 năm
2014
Có sẵn trực tuyến ngày 12 tháng 2 năm
2014
Từ khóa:
Công nghệ quang điện
Định giá công nghệ
Động lực hệ thống

Đường cong học tập hai yếu
tố

Tóm tắt
Phương pháp định giá công nghệ dài hạn mới cho các công nghệ năng lượng tái tạo kết hợp giữa hệ thống động
lực học và mô phỏng Monte Carlo được đề xuất. Các phương pháp định giá hiện tại sử dụng khảo sát hoặc dòng
tiền mặt phù hợp với các công nghệ đặc trưng bởi vòng đời ngắn và bất định, nhưng không thích hợp cho các
công nghệ năng lượng tái tạo bị ảnh hưởng bởi nhiều bất định dài hạn. Một loạt các yếu tố vĩ mô và vi mô tương
tác theo những cách phức tạp, tạo ra sự bất định và gây khó khăn về mặt định giá. Động lực hệ thống cung cấp
một phương pháp tốt để cấu trúc các tương tác phức tạp này. Mô phỏng Monte Carlo có thể xem xét sự bất định
lâu dài trong định giá. Sử dụng lợi thế của cả hai phương pháp, phương pháp của chúng tôi có thể cải thiện không
chỉ độ tin cậy dài hạn về định giá xác suất công nghệ mà còn cả các quyết định và đầu tư R & D trên cả hai mặt
công cộng và tư nhân. Công nghệ sản xuất quang điện tại Hàn Quốc, một công nghệ năng lượng tái tạo, được sử
dụng làm ví dụ.
© 2014 Elsevier Ltd. Tất cả quyền được
bảo lưu.

Mô phỏng Monte Carlo

1. Giới thiệu
Do sự biến đổi khí hậu và cạn kiệt nhiên liệu hóa thạch, một
thỏa thuận quốc tế đã nhất trí rằng cần chuyển đổi năng lượng
toàn cầu từ nhiên liệu hóa thạch sang các nguồn năng lượng tái
tạo. Trong vài thập kỷ qua, thỏa thuận này đã được làm rõ hơn
thông qua một loạt các hiệp ước quốc tế bao gồm Công ước khung
của Liên Hợp Quốc về Biến đổi khí hậu (1992), Nghị định thư
Kyoto (2005), Hiệp ước Copenhagen (2009) và Thỏa thuận
Cancun (2010). Đặc biệt, các nước phụ thuộc nhiều vào nguồn
nhiên liệu hóa thạch nước nhập khẩu đã thể hiện thái độ tích cực
đối với năng lượng tái tạo.

Trong số các nguồn năng lượng tái tạo khác nhau, năng lượng mặt
trời PV (quang điện) thu hút sự chú ý nhất. Quy mô thị trường PV là
16,8 GW trong năm 2010, chiếm 8% thị trường năng lượng tái tạo nói
chung. Từ năm 1997, tốc độ tăng trưởng của PV là nhanh nhất, đạt
45% vào năm 2003 và 2009 [1]. Tuy nhiên, so với kỳ vọng, sự phổ
biến của PV đã bị hạn chế do chi phí cao. Thị trường PV không thể
phát triển nếu không có chính sách ưu đãi quốc gia. Khi nền kinh tế
thế giới đi vào giai đoạn tăng trưởng thấp, thị trường PV đang gặp khó
khăn do giảm ưu đãi quốc gia. Các hoài nghi đã xuất hiện về khả năng
làm cho chi phí PV có thể so sánh với các công nghệ sản xuất điện
khác. Đó là lý do tại sao nhiều công ty và chính phủ quan tâm đến
hiệu quả, chi phí

0360-5442/$ e see front matter © 2014 Elsevier Ltd. All rights reserved.
/>
* Corresponding author. Tel.: þ82 31 290 7607; fax: þ82 31 290 7610.
E-mail address: (J. Shin).

của PV.
Trong một số phương pháp định giá năng lượng tái tạo, CVM
(phương pháp định giá ngẫu nhiên) và DCF (chiết khấu dòng tiền mặt)
đã được sử dụng rộng rãi. CVM đã được áp dụng chủ yếu cho các
nguồn năng lượng công cộng sử dụng WTP (sẵn lòng trả) [2,3]. Mọi
người được hỏi thông qua một cuộc khảo sát số tiền họ sẽ sẵn sàng
trả cho các nguồn năng lượng mới, và WTP được chuyển đổi thành
một giá trị tiền tệ. Tập trung vào giá trị kinh tế, DCF ước tính và tổng
kết tất cả các khoản tiền mặt tương lai dự kiến để đánh giá liệu dự án
năng lượng hay công nghệ này có lợi nhuận hay không. Cả hai đều
phù hợp với định giá ngắn hạn với ít sự bất định, nhưng không phù
hợp với các công nghệ năng lượng tái tạo bị ảnh hưởng bởi những

tính bất định dài hạn. Hơn nữa, các yếu tố khác nhau bao gồm đầu tư
R & D của công ty, chính sách của chính phủ và quy định quốc tế
tương tác theo những cách tinh vi, tạo ra sự bất định nghiêm trọng và
làm cho các phương pháp nêu trên không phù hợp.
Thay vào đó, phương pháp tùy chọn thực đã được đề xuất. Davis
và Owens (2003) áp dụng cả tùy chọn thực tế và DCF cho các công
nghệ năng lượng tái tạo. Họ kết luận rằng DCF không tốt khi định giá
các công nghệ năng lượng tái tạo mà không xem xét những bất định
khác nhau như biến động giá dầu [4]. Các nhà nghiên cứu đã cố gắng
phát triển cải thiện các phương pháp tùy chọn thực, bao gồm mô hình
mạng nhị phân [5] và mô hình lập trình động [6,7]. Các phương pháp
tùy chọn thực phản ánh các yếu tố khác nhau và sự bất định trong
định giá, nhưng không thể xem xét tương tác của chúng.


448

C. Jeon, J. Shin / Energy 66 (2014)
447e457

Mặc dù có những hạn chế của các phương pháp này, không có nhiều
nghiên cứu đề xuất một phương pháp định giá dài hạn mới cho các
công nghệ năng lượng tái tạo.
Giải quyết vấn đề này, chúng tôi trình bày một phương pháp định
giá xác suất mới cho các công nghệ năng lượng tái tạo dài hạn. SD
(động lực hệ thống) cho phép chúng tôi xác định lại các yếu tố khác
nhau, sự bất định và tương tác của chúng trong định giá. Mô hình
Monte Carlo vượt qua các hạn chế của xác định DCF, và xác định giá
trị xác suất có thể do liên quan đến sự biến động của các yếu tố liên
quan. Tận dụng cả hai phương pháp, phương pháp của chúng tôi có

thể cải thiện độ chính xác định giá. Để ví dụ minh họa, chúng tôi định
giá công nghệ PV của Hàn Quốc.
2. Lịch sử công nghiệp

Chuỗi giá trị ngành công nghiệp PV bắt đầu từ sản xuất polysilicon
thông qua việc sản xuất tấm, phôi, pin cell và mô-đun, để tích hợp vào
hệ thống tổng thể. Các tấm và các phôi được làm bằng silicon. Các
pin cell được làm từ vật liệu rời được cắt thành các tấm mỏng thông
qua các quá trình như các vật liệu được sử dụng cho các chất bán
dẫn, và sau đó được kết nối điện và đóng gói như một mô-đun. Một hệ
thống PV được tạo thành từ các mô-đun và các thành phần điện khác.
Mô-đun là các đơn vị cơ bản về chi phí và hiệu quả, chiếm khoảng
55% tổng chi phí hệ thống PV [8]. Chi phí mô-đun PV là cao nhất.
Do sự hỗ trợ của chính phủ làm giảm gánh nặng chi phí, thị trường
PV toàn cầu đã phát triển nhanh chóng kể từ cuối những năm 1990.
Đức và Ý đã thúc đẩy sự tăng trưởng này, chiếm hơn 80% tổng nhu
cầu tổng điện vào năm 2009. Vào cuối những năm 2000, Mỹ, Trung
Quốc và Nhật Bản gia nhập thị trường PV, và thúc đẩy tăng trưởng
của nó. Thị trường PV toàn cầu dự kiến sẽ tăng hơn 18% hàng năm
trong những năm tiếp theo và đạt tới 77 GW vào năm 2016 [1]. Nói
một cách đơn giản, thị trường PV đã và sẽ là một thị trường phát triển
nhanh.
Rõ ràng, chính sách của chính phủ đã là động lực chính thúc đẩy
đầu tư và tăng trưởng thị trường PV. Có ba loại chính sách, bao gồm
FIT (biểu giá điện hỗ trợ), RPS (tiêu chuẩn danh mục đầu tư tái tạo) và
trợ cấp. Theo FIT, chính phủ trả một mức giá dựa trên chi phí cho
năng lượng tái tạo. RPS buộc các nhà cung cấp phải cung cấp một
phần điện của họ cho người tiêu dùng từ các nguồn năng lượng tái
tạo. Hoặc, chính phủ có thể chỉ đơn giản là trực tiếp cung cấp cho các
công ty nguồn trợ cấp để trả tiền cho việc lắp đặt hệ thống PV của họ.

Một số nghiên cứu đã tìm hiểu tính hiệu quả và hiệu suất của các
chính sách này. Một số nghiên cứu đã hỗ trợ FIT dựa trên sự phổ biến
nhanh chóng của các hệ thống PV ở Đức và Ý [9e11]. Tiến xa hơn
một chút, các nghiên cứu gần đây đã đề xuất phương pháp thực hiện
FIT hiệu quả được gọi là phương án định giá tối ưu [12]. Gần đây, các
nhà nghiên cứu đã chú ý nhiều hơn đến trợ cấp. Dusonchet và
Telaretti (2010) đã nghiên cứu các khoản trợ cấp hệ thống PV của Bỉ
[13]. Talavera et al. (2010) đã phân tích kinh tế học về trợ cấp sử dụng
tỷ suất hoàn vốn nội bộ và phân tích độ nhạy [14]. Chiung-Wen Hsu
(2012) so sánh FIT với trợ cấp về mặt kinh tế [15]. Thông thường, họ
đề xuất các chính sách tối ưu cụ thể theo từng quốc gia, ngụ ý rằng
không có chính sách tốt nhất cho một số quốc gia. Nói cách khác,
chính sách năng lượng tái tạo nên được tùy chỉnh theo các đặc điểm
của từng quốc gia bao gồm khả năng công nghệ, điều kiện tài chính
của chính phủ và các điều kiện khác [16].
Do chính sách thúc đẩy của chính phủ, nhiều công ty đã đầu tư rất
lớn vào PV, và đã mở rộng năng lực sản xuất PV để tạo ra lợi thế
cạnh tranh bằng cách đạt được quy mô kinh tế. Họ kỳ vọng giá PV sẽ
giảm nhanh khi năng lực sản xuất tăng. Tuy nhiên, giá đã không giảm
như mong đợi, tạo ra một số hoài nghi về các chính sách đã được
thực hiện. Hoài nghi về làm chậm sự tăng trưởng kinh tế toàn cầu, và
buộc một số chính phủ phải thay đổi chính sách năng lượng tái tạo.
Các nước châu Âu đã giữ FIT, nhưng giảm nó nhiều hơn

10% do tăng gánh nặng. Nhiều quốc gia bị hạn chế về ngân sách
nghiêm trọng đã chuyển từ FIT sang RPS. Để tạo thuận lợi cho việc
phổ biến PV, một số nước giới thiệu một phần FIT, trong khi vẫn duy trì
RPS.
Nhìn chung, ngành công nghiệp PV phải đối mặt với hai rủi ro. Rủi
ro chính đến từ chi phí PV trên một đơn vị điện, cao hơn so với các

công nghệ nhiên liệu hóa thạch khác. Chi phí tương đối cao dẫn đến
việc áp dụng PV giảm. Mức độ chấp nhận thấp hơn sẽ dẫn đến đầu tư
ít PV hơn, điều này sẽ làm chậm tiến bộ công nghệ PV cũng như giảm
chi phí. Một khi chu trình luẩn quẩn này tiếp tục, nhiều công ty tư nhân
có thể rút khỏi ngành công nghiệp PV. Ngoài ra, các ưu đãi chính sách
đối với các nguồn năng lượng tái tạo, chẳng hạn như FIT và trợ cấp
trực tiếp, sẽ tiếp tục giảm ở một số quốc gia, khuyến khích các công ty
tư nhân tham gia chu kỳ. Nếu không xem xét những rủi ro này, chính
phủ và các công ty tư nhân có thể có tổn thất đầu tư PV lớn. Vì vậy,
xem xét các yếu tố và rủi ro chính bao gồm chi phí, đầu tư và chính
sách R & D, họ nên đánh giá công nghệ PV chính xác hơn để đưa ra
quyết định đầu tư R & D tốt hơn.
3. Phương pháp
3.1. Nền tảng nghiên cứu
Định giá công nghệ năng lượng tái tạo dài hạn phải xem xét: 1) các
nhân quả vòng tròn giữa các biến bên trong và bên ngoài, 2) các bất
định động lực dài hạn và ảnh hưởng của chúng và 3) định giá xác
suất. Tuy nhiên, như đã lưu ý ở trên, các phương pháp định giá xác
định bao gồm DCF và CVM không thể đáp ứng bất kỳ yêu cầu nào
trong số này. Phương thức tùy chọn thực không thể đáp ứng yêu cầu
đầu tiên. SD được phát triển để phân tích tính động lực của các hệ
thống phức tạp đặc trưng bởi quan hệ nhân quả vòng tròn và sự bất
định nghiêm trọng, và do đó là phương pháp thích hợp nhất để đáp
ứng các yêu cầu đầu tiên và thứ hai. Mô phỏng Monte Carlo là một
phương pháp được sử dụng rộng rãi để điều tra sự bất định theo cách
xác suất, do đó đáp ứng các yêu cầu thứ hai và thứ ba. Vì vậy, kết
hợp SD với mô phỏng Monte Carlo, chúng ta có thể phát triển một
phương pháp xác định giá trị công nghệ dài hạn để đáp ứng ba yêu
cầu chính ở trên.
Hagenson (1990) gợi ý rằng sự kết hợp giữa SD và mô phỏng

Monte Carlo có thể là một công cụ hữu ích để nhận biết các rủi ro tiềm
ẩn, nhưng không định lượng được các rủi ro [17]. Tiến lên một bước
xa hơn, Dhawan (2005) đã tiến hành một loạt các thí nghiệm được
kiểm soát để kiểm tra các ảnh hưởng của SD, SD với phân tích độ
nhạy và SD xác suất [18]. Các mô hình SD xác suất thể hiện hành vi
thực sự của một hệ thống phức tạp tốt hơn so với hai kỹ thuật khác.
Đặc biệt, SD với mô phỏng Monte Carlo đã được thử nghiệm trong
một số nghiên cứu trước đây, cung cấp một số bằng chứng về tính
hữu dụng trong việc nghiên cứu những bất định [19,20]. Sử dụng SD
làm mô hình cơ sở, SD với mô phỏng Monte Carlo là phương pháp
thích hợp nhất để phân tích sự bất định động lực của một hệ thống
phức tạp.
Phương pháp của chúng tôi có ba mô-đun bao gồm 1) mô hình
định giá công nghệ cơ bản với các yếu tố bên trong, 2) mô hình về mối
quan hệ nhân quả giữa các yếu tố bên ngoài và 3) mô hình định giá
xác suất tích hợp. Lưu ý rằng chi phí PV trên một đơn vị điện là quan
trọng đối với các công ty. Vì vậy, phương pháp của chúng tôi đánh giá
một công nghệ bằng các chi phí thực tế phát sinh trong việc tạo ra một
mô-đun PV. Chi phí có thể được giảm cả bằng cách học tập hiệu quả
và đổi mới công nghệ. Đường cong học tập hai yếu tố thích hợp để
xác định lại sự ảnh hưởng của các yếu tố bên trong này. SD có thể đại
diện cho các yếu tố bên ngoài khác nhau và các quan hệ thông
thường. Bằng cách này, chúng ta có thể xem xét lại các biến số phức
tạp giữa các biến bên trong và bên ngoài trong định giá công nghệ.
Tuy nhiên, phương pháp này là xác định. Mô phỏng Monte Carlo giúp
xác định giá trị xác suất, giao dịch hiệu quả với những bất định lâu dài.
Mục tiêu, quy trình và phương pháp chính được thể hiện trong Bảng 1.


Bảng 1

Nền tảng nghiên cứu
Đối tượng

Quá trình

Phương pháp chính

Đo lường kiến thức và tích lũy sản xuất
Ước tính tham số 2FLC
Dự báo giá mô-đun trong tương lai
- Lựa chọn khung khái niệm
Nhận dạng biến khóa
Phân tích sơ đồ vòng lặp nhân quả
Phân tích sơ đồ chứng khoán
Xác thực mô hình động lực hệ thống
- Nhận dạng bất định chính
Mô phỏng Monte Carlo
Định giá ngẫu nhiên

● Đường cong học tập hai yếu
tố
● Hồi quy
● Ngoại suy
● Xem xét tài liệu
● Động lực hệ thống
● Khung 3E
● Xem xét tài liệu

Mô hình định giá cơ bản với các biến nội bộ
-

Mô hình định giá mở rộng với các biến bên ngoài

Định giá ngẫu nhiên

3.2. Đường cong học tập hai yếu tố

3.3. Động lực hệ thống

Xử lý đường cong học tập như một nguồn thay đổi công nghệ khác
biệt đã được trình bày bởi Wright [21]. Hiệu quả học tập bằng cách
làm được đo bằng cách giảm chi phí đơn vị của một sản phẩm như là
một hàm của kinh nghiệm thu được từ sự gia tăng sản lượng tích lũy.
Khi áp dụng khái niệm này, hầu hết các nghiên cứu trước đây về định
giá công nghệ PV giả định rằng giá PV sẽ giảm tương ứng với sản
lượng tích lũy [8,22]. Tuy nhiên, các mô hình đường cong học tập một
yếu tố thể hiện những thiếu sót khi áp dụng cho các công nghệ trong
đó nghiên cứu và phát triển (R & D) thúc đẩy sự thay đổi công nghệ
nhanh chóng và đột phá [23]. Sự cạnh tranh giữa công nghệ PV thế
hệ đầu tiên và thế hệ thứ hai đã được mở ra, và công nghệ PV thế hệ
thứ ba đang tiến triển nhanh chóng. Các nghiên cứu định giá công
nghệ PV sử dụng các đường cong học tập một yếu tố có khả năng
đánh giá quá cao tác động của việc học tập bằng cách làm. Để xác
định giá trị công nghệ PV tốt hơn, cần phải tái khẳng định không chỉ
học tập bằng cách làm mà còn là đổi mới công nghệ.
Các 2FLC (đường cong học tập hai yếu tố) trình bày bởi
Kouvaritakis et al. (2000) kết hợp cả học tập bằng cách làm và đổi mới
công nghệ, và do đó là đường cong thích hợp [23]. Nó có thể được
xây dựng như sau trong một thời gian nhất định t.

UCt ¼ k$CUMm$KSn t
KSt ¼ ð1 —
rÞ$KSt

(1
)

þ
RDt
—1

● Mô phỏng Monte Carlo

(2)

—R&D lag

Chi phí sản xuất đơn vị, được biểu thị bởi UC, là một hàm của
cả CUM (tích lũy sản xuất) và KS (cổ phiếu tri thức). Cổ phiếu tri thức
có thể xấp xỉ bằng R & D tích lũy. Lưu ý rằng một số tri thức mất giá
và trở nên vô dụng. Hệ số r biểu thị tỷ lệ khấu hao tri thức. Ngoài ra,
để chuyển đổi R & D chi tiêu vào tri thức mất một thời gian, được biểu
thị bằng t-R & D lag. Xem xét các yếu tố này, chúng ta có thể tính toán
cổ phiếu tri thức tại thời điểm t như (2). 2FLC đã được sử dụng để
đánh giá các công nghệ năng lượng tái tạo được đặc trưng bởi chi phí
cao và R & D lớn [24].

Từ khi Forrester đề nghị SD vào những năm 1950, nó đã nhận
được nhiều sự chú ý như một phương pháp để phân tích hành vi của
các hệ thống phức tạp theo thời gian. SD đã được áp dụng để quản lý

doanh nghiệp trong những năm 1960, và sau đó được ứng dụng trong
một loạt các lĩnh vực [25]. Nó ngày càng trở nên phổ biến trong việc
phân tích các lĩnh vực năng lượng bởi vì các hệ thống năng lượng là
điển hình của các hệ thống dài hạn, động lực và phức tạp [26e32]. Đã
có một số mô hình chính sách SD, bao gồm Ford (1983) và Natil
(1992) [30,31]. Một số nghiên cứu đã được tiến hành trong các lĩnh
vực khác nhau bao gồm phân tích hiệu quả và định giá công nghệ
[26e29].
Trên tất cả, sự hấp dẫn của SD xuất phát từ sự thừa nhận rằng
cấu trúc của một hệ thống có thể là hình tròn. Khắc phục những điểm
yếu của mô hình nhân quả tuyến tính như mô hình hồi quy, nó cho
phép tìm kiếm mô tả tương tác phức tạp giữa các yếu tố khác nhau,
và do đó phân tích tính phi tuyến tính của nhiều hệ thống. Ngoài ra, sử
dụng vòng lặp phản hồi, cổ phiếu và dòng tiền, SD có thể mô tả mối
quan hệ liên khóa và trì hoãn thời gian giữa các yếu tố, từ đó mô
phỏng hành vi động lực dài hạn của toàn bộ hệ thống chính xác hơn
[25]. Nhìn chung, nó là một trong những phương pháp tốt nhất để dự
đoán hành vi tương lai của các hệ thống phức tạp được đặc trưng bởi
nhiều yếu tố, các tương tác khác nhau và phi tuyến tính.
Như đã lưu ý trước đây, công nghệ PV đã bị ảnh hưởng bởi các
chính sách quản lý và cũng bởi các yếu tố tương tác khác nhau, bao
gồm điều kiện cung cầu và các thỏa thuận môi trường quốc tế. Vì
vậy, SD là một trong những phương pháp thích hợp nhất để mô tả
hành vi phức tạp của toàn bộ hệ thống năng lượng và để liên kết mô
hình quan sát về sự ảnh hưởng của nó đối với giá trị của công nghệ
4. Phân tích thực nghiệm
4.1. Mô hình định giá cơ bản biến bên trong
Các 2FLC được sử dụng như là một mô hình định giá cơ bản để
đo lường phát triển công nghệ cao. Thay vì chi phí đơn vị, giá PV
được sử dụng

Đ
ầu
tư
R&
D
PV
(2
01
1
tri
ệu
US
D,
th
eo
tỷ
giá

Năm

Năm

Hình 1. Đầu tư cho R&D PV toàn cầu: (a) đầu tư R&D PV hàng năm, (b) đầu tư R&D PV tích lũy

T
í
c
h
l

ũ
y
R
&
D
P
V
(
2
0
1
1


C. Jeon, J. Shin / Energy 66 (2014)
447e457

45
0

Tích lũy sản xuất PV
(MW)

Tí
ch
lũ
y
sả
n
xu

ất
PV
(M
W)

Cổ
ph
iế
u
tri
th
ức
(2
01
1
tri
ệu
US
D)

Đường cong Logistic

*Ghi chú: MW (Triệu Watt)

Hình 2. Cổ phiếu tri thức (2011 Triệu USD).

Hình 3.Đường cong Logistic và tích lũy sản xuất PV

bởi vì chi phí đơn vị thay đổi đáng kể giữa các công ty. Các nghiên
cứu gần đây đã đề xuất chi phí R & D toàn cầu như một biện pháp ủy

quyền của cổ phiếu tri thức hơn là chi phí R & D quốc gia bởi vì kiến
thức PV mới lan tỏa nhanh chóng trên toàn cầu [33,34]. Tương tự, số
lượng sản xuất PV toàn cầu là tốt hơn so với giá trị địa phương. Vì
vậy, chúng tôi sử dụng chi phí R & D toàn cầu và số lượng sản xuất R
& D toàn cầu là hai yếu tố trong đường cong học tập.
Để tính toán cổ phiếu tri thức, chúng tôi đã thu thập dữ liệu chi tiêu
R & D năm 1974-2011 từ IEA (Cơ quan Năng lượng Quốc tế) vì hầu
hết các nước tham gia vào PV R & D đều là thành viên của IEA [35].
Các giá trị danh nghĩa được chuyển đổi thành giá trị thực tế bằng cách
sử dụng tổng sản phẩm GDP của Hoa Kỳ (tổng sản phẩm quốc nội)
như một ước số. Năm cơ sở là năm 2011. Ngoài ra, bằng cách sử
dụng tỷ giá hối đoái trung bình trong năm 2011 của đồng đô la với các
loại tiền tệ khác, tất cả các loại tiền tệ đã được quy đổi thành đô la Mỹ.
Để đưa ra giả định về các thông số của cổ phiếu tri thức, chúng ta
phải xác định mô hình động lực của chi phí PV R & D. Như được biểu
diễn trong Hình 1, tổng chi phí PV R & D tích lũy cho thấy sự tăng
trưởng tuyến tính, được hỗ trợ bởi giá trị R2 (0,9939) cao của hồi quy
tuyến tính như được thể hiện trong (3). Đầu tư tích lũy PV R & D,
được biểu thị bằng CUMRDt, tại thời điểm t là hàm số năm (T) kể từ
năm 1974.

CUMRDt ¼ 339:36$T — 670; 528

Tuy nhiên, tốc độ tăng trưởng sản lượng PV tích lũy của Trung Quốc
được dự đoán sẽ tăng liên tục vào năm 2050. Xét đến giới hạn trên và
mức tăng trưởng nhanh hiện tại, chúng tôi sử dụng đường cong
logistic để mô tả và dự báo tăng trưởng sản xuất [38].

YðtÞ ¼

L

;
1 þ a$e—bt

(5)

trong đó L biểu thị giới hạn trên của sản xuất PV và được giả định là
3450 GW. Sử dụng dữ liệu 1974-2010, chúng tôi ước tính các hình
dạng thông số (a) và (b). NewtoneRaphson và các phương pháp bình
phương nhỏ nhất được sử dụng để ước lượng các thông số trong
Bảng 2. Với các thông số này, chúng tôi dự báo sản lượng PV tích lũy
trong tương lai như trong Hình 3. Nó đã tăng trưởng trước năm 2005,
nhưng sau đó tăng trưởng nhanh.
Để dự đoán giá mô-đun PV, cần ước tính ba thông số (k, m, n)
trong (6). Lưu ý rằng (6) là một hình chuyển đổi (1). Dữ liệu giá môđun PV từ các báo cáo định kỳ 1974-2010 của Viện Chính sách Trái
đất và IEA đã được sử dụng [35,36]. Sử dụng NewtoneRaphson và
phương pháp bình phương nhỏ nhất, chúng tôi ước tính các thông số
trong Bảng 3. Đáng chú ý, giá trị ước tính của chỉ số đổi mới công
nghệ tương tự như chỉ số học tập, có nghĩa là R & D đã có hiệu quả là
giảm giá PV.

(3)

Kobos et al. (2006) đã đề xuất rằng tỷ lệ khấu hao phù hợp sẽ là
0,1 với thời gian trễ R & D trong ba năm đối với các công nghệ năng
lượng tái tạo nếu chi phí R & D tích lũy đã tăng tuyến tính. Với giả
định này, cổ phiếu tri thức cho công nghệ PV là như trong (4).

KSt ¼ 0:9$KSt—1 þ RDt—3:

(4)

Sử dụng phương trình (4), chúng ta có thể phác họa cổ phiếu tri
thức thay đổi như hình 2. Nó cho thấy sự tăng trưởng phi tuyến tính
trong giai đoạn đầu, nhưng phát triển tuyến tính bắt đầu từ năm 1985.
Sau đó, chúng tôi thu thập dữ liệu sản xuất PV tích lũy từ các báo
cáo định kỳ 1974-2010 của Viện Chính sách Trái đất [36]. Theo IEA và
Moro và Duart (2013), giới hạn trên của sản lượng PV tích lũy toàn
cầu sẽ vào khoảng 3450 GW [35,37].

logðUC t Þ ¼ log k þ m*logðCUMÞþ n*logðKStÞ:

(6)

Như thể hiện trong hình 4, giá mô-đun PV ước tính được tìm thấy
bởi 2FLC của chúng tôi tương tự như dữ liệu lịch sử. Với giả định rằng
xu hướng lịch sử sẽ tiếp tục, chúng tôi dự đoán các giá trị tương lai
của sản xuất PV tích lũy, tích lũy cổ phiếu tri thức và giá mô-đun PV
như được hiển thị trong Hình 5. Cổ phiếu tri thức tích lũy sẽ tăng
trưởng tuyến tính vào năm 2030. Khác biệt một chút, sản lượng PV
tích lũy sẽ tăng trưởng nhanh chóng sau năm 2015. R & D có tác dụng
tương tự như sản xuất trên giá PV trong thời gian tới, nhưng sản xuất
sẽ ngày càng trở nên quan trọng trong dài hạn. Thúc đẩy bởi

Bảng 3
Ước tính chỉ tiêu 2FLC
Bảng 2
Ước tính chỉ tiêu đường cong Logistics
Chỉ tiêu

Kết quả ước tính

Chỉ tiêu hình dạng (a)
Chỉ tiêu tỷ lệ (b)

300,867.00
0.29

Chỉ tiêu

Giá trị ước tính

Tỷ lệ

k
Chỉ số (m)
Chỉ số tiến bộ công nghệ (n)

140.8879
—0.1874
—0.1871

e
0.1218
0.1216


G
iá

m
ô
đ
u
n
(
2
0
1
1
U

Xác định các biến phổ biến được quan sát thấy trong các mô hình
năng lượng cấp vĩ mô trước đây, chúng tôi gán các biến đó cho ba loại
theo khung 3E. Như đã lưu ý trước đây, SD thích hợp để biểu diễn các
mối quan hệ cấu trúc giữa các biến đó. Vì vậy, để cấu trúc khái niệm,
một sơ đồ vòng lặp nhân quả dựa trên khung 3E đã được tạo ra (Hình
7). Các chính sách và quy định về môi trường được đưa ra nhằm thúc
đẩy việc sử dụng hiệu quả môi trường và R & D. Những thay đổi công
nghiệp ảnh hưởng đến các biến đổi kinh tế vĩ mô bao gồm GDP và
việc làm. Những thay đổi kinh tế vĩ mô dẫn đến việc thay đổi các ràng
buộc ngân sách trong các chính sách năng lượng chính và thay đổi
hướng chính sách. Lưu ý rằng quan hệ nhân quả không nhất thiết phải
là một chiều, nhưng có thể qua lại lẫn nhau.
Tập trung vào định giá công nghệ PV, chúng tôi xây dựng trên sơ
đồ vòng lặp bình thường trong hình 8. Các yếu tố môi trường, bao
gồm phát thải CO2, các khoản trợ cấp, ưu đãi thuế và chính sách xác
định tính khả thi về kinh tế của các công nghệ tái tạo. Sau đó, sự khác
biệt trong chi phí phát sinh đơn vị xác định tỷ trọng của tổng tiêu thụ
năng lượng quốc gia, làm thay đổi kích thước và tốc độ tăng trưởng

của các nguồn năng lượng. Các biến vĩ mô bị ảnh hưởng bởi những
thay đổi này, và sau đó dẫn đến việc thay đổi đầu tư R & D và hỗ trợ
của chính phủ cho các nguồn năng lượng tái tạo.
Tích lũy đầu tư R & D là một biến nội bộ của định giá công nghệ
PV. Sản xuất tích lũy phụ thuộc rất nhiều vào sự hỗ trợ của chính phủ.
Các biến nội bộ tương tác với các biến bên ngoài thông qua các vòng
phản hồi như trong Hình 8. Các phương pháp truyền thống như DCF
không thể xem xét các yếu tố này, và do đó đánh giá quá cao hoặc
đánh giá thấp giá trị công nghệ. Cách tiếp cận của chúng tôi làm giảm
những thành kiến như vậy.
Để định lượng sơ đồ vòng lặp nhân quả, chúng tôi phải xác định
các biến số chính với các phép đo định lượng thích hợp. Đơn giá điện,
bao gồm giá mô-đun PV và hỗ trợ của chính phủ, là một biến quan
trọng trong thể loại năng lượng. Nó phụ thuộc chủ yếu vào giá mô-đun
PV, nhưng khác nhau với sự hỗ trợ của chính phủ. Chính sách của
chính phủ Hàn Quốc đã được thay đổi từ FIT sang RPS vào năm
2012, và do đó đã thay đổi sự hỗ trợ của chính phủ. Xem xét điều này,
chúng tôi tính toán đơn giá điện như tổng của giá mô-đun PV và hỗ trợ
của chính phủ. Giá mô-đun PV sẽ được giảm theo thời gian, do đó
làm giảm đơn giá điện.
Tất cả các biến bên ngoài đã được giới thiệu ở khu vực trong
nước, không phải trong khu vực quốc tế, bởi vì các chính sách năng
lượng tái tạo nên xem xét các đặc điểm quốc gia. Bài viết này tập
trung vào Hàn Quốc.
Các biến số chính trong danh mục kinh tế bao gồm doanh thu, chi
phí và đầu tư. Tổng doanh thu được xác định bởi lượng năng lượng
mặt trời, dung lượng mô-đun và hiệu quả của mô-đun. Thông thường,
các hệ thống phát điện PV được xây dựng tại một vị trí nơi bức xạ mặt
trời trung bình hàng ngày là cao nhất. Vì khu vực ở Hàn Quốc có bức
xạ mặt trời trung bình cao nhất là Jinju, chúng tôi tính toán số lượng

Mô phỏng
2FLC

Thự
c tế

Tích lũy sản xuất PV (triệu Watt)

Hình 4. Giá mô-đun PV thực tế và giả định

những yếu tố này, giá mô-đun PV sẽ dưới $ 1,1 / W vào năm 2025,
nhưng sẽ vào khoảng $ 0,9 / W ngay cả trong năm 2030.
4.2. Mô hình định giá mở rộng biến bên ngoài
Như đã lưu ý trước đây, công nghệ PV bị ảnh hưởng bởi cả biến
bên trong và bên ngoài. Các mối quan hệ nhân quả giữa các biến bên
ngoài được tạo ra bởi các tương tác lẫn nhau phức tạp, và do đó
không phải là tuyến tính mà là hình tròn. Để xác định lại những giá trị
của công nghệ PV, chúng ta phải xác định các biến bên ngoài chính,
hiểu cách các biến này tương tác với nhau và xây dựng mô hình để
mô tả tương tác. Mô hình này có thể làm rõ các biến số bên ngoài của
công nghệ PV, qua đó cải thiện định giá công nghệ PV.
Đã có một số mô hình của các mối quan hệ cấu trúc giữa các biến
năng lượng vĩ mô, chẳng hạn như MARKAL-MACRO bởi Manne và
Wene (1992) và ENTICE bởi Popp (2004) [39,40]. Khi xem xét các mô
hình này, chúng tôi đã xác định ba loại phổ biến của các biến bên
ngoài chính bao gồm ngành công nghiệp năng lượng, chính sách môi
trường các quy định và kinh tế vĩ mô.
Trong các mô hình năng lượng trước đây, khung 3E xác định các
loại này và tương tác lẫn nhau của chúng tốt hơn các loại khác, như

được biểu diễn trong Hình 6. Khung bao gồm an ninh năng lượng, bảo
vệ môi trường và tăng trưởng kinh tế. Các biến ngành công nghiệp
năng lượng chủ yếu như cung cấp năng lượng, nhu cầu và R & D
được phân loại thành an ninh năng lượng, cho thấy các mối quan hệ
tĩnh và động giữa các biến đó. Tương tự như vậy, các chính sách và
quy định về môi trường của chính phủ thuộc về bảo vệ môi trường và
các biến kinh tế vĩ mô như GDP thuộc về tăng trưởng kinh tế. Khung
3E cho rằng sự mất cân bằng trong ba loại sẽ dẫn đến nhiều vấn đề
và thất bại trong ngành năng lượng.

Tí
c
h
lũ
y
s
ả
n
x
u
ấ
t
P
V

Tích lũy sản xuất PV (MW)
PV KS (2011

MV: Triệu Watt
MUSD: Triệu USD

G
iá
m
ô
đ
u
n
P
V
(
U
S
D

Giá mô-đun PV (2011 USD)

Năm

Hình 5. Dự báo biến: (a) Tích lũy sản xuất PV, (b) Giá mô-đun PV

Năm


C. Jeon, J. Shin / Energy 66 (2014)
447e457

6

Bảo vệ môi trường

Chi
phí
cho
phát
triển
kinh
tế
(thuế,
quy
định..)

Sản
phẩm
chất
lượng
cao
than
thiện
môi
trườn
g

Sử
dụng
năng
lượng
thân
thiện
môi
trườn

g

Năn
g
lượ
ng
tái
tạo
và
môi
trư
ờng
b ền
vữn
g

Khung
3E

Thúc đẩy công nghiệp
năng lượng xanh

An ninh năng lượng

Phát triển kinh tế
Dịch vụ năng lượng
Bền vững, ổn định
Hình 6. Khái niệm khung 3E

sử dụng năng lượng mặt trời bằng cách sử dụng dữ liệu bức xạ

mặt trời của Jinju [41]. Theo quy tắc FIT của Hàn Quốc, hiệu suất của
Mô-đun PV được giả định là 80% khi được lắp đặt và sau đó sẽ được
giảm hàng năm xuống 2% [43]. Công suất mô-đun được giả định là
5000 kWp vì đây là công suất trung bình cần thiết cho sự hỗ trợ của
chính phủ.
Chi phí được chia thành chi phí trực tiếp và gián tiếp. Điện từ các
hệ thống điện PV nối lưới được tạo ra mà không có bất kỳ nhiên liệu
nào và được bán ngay lập tức cho lưới điện. Vì vậy, không có chi phí
đầu vào và chi phí nguyên vật liệu. Nói cách khác, chỉ tồn tại chi phí
gián tiếp, bao gồm vận hành, bảo trì và bảo hiểm trong các hệ thống
điện PV. Trong thập kỷ qua, chi phí PV trực tiếp điều chỉnh tại chỗ vẫn
ổn định. Vì vậy, chúng tôi giả định rằng tổng chi phí gián tiếp của PV
sẽ tăng theo tỷ lệ trung bình hàng năm trong khoảng thời gian từ năm
2003 đến năm 2012 [42]. Phương pháp khấu hao đường thẳng được
sử dụng vì tỷ lệ khấu hao là hằng số.

Yêu cầu đầu tư để lắp đặt hệ thống điện PV cũng dựa trên các quy
tắc FIT của Hàn Quốc. Hệ thống điện PV thường mất một năm để xây
dựng và sẽ hoạt động trong ít nhất 15 năm. Giá mô đun PV được giả
định là 1,5 $ / Wp, và hiệu suất và năng lực của mô-đun được giả định
như trước đây. Các chi phí chính khác, bao gồm biến tần, trục và xây
dựng, được bao gồm trong khoản đầu tư như trong Bảng 4 [43]. Về
lâu dài, cơ cấu đầu tư là quan trọng vì biến động của các biến kinh tế
vĩ mô, bao gồm lãi suất, tỷ lệ lạm phát và tỷ giá hối đoái, ảnh hưởng
đến chi phí. Xem xét cấu trúc đầu tư của các công ty năng lượng tái
tạo của Hàn Quốc, chúng tôi cho rằng đầu tư tổng thể là 20% vốn chủ
sở hữu và 80% nợ, và sử dụng điều này làm tỷ lệ cơ bản của cơ cấu
đầu tư.
Một số biến kinh tế vĩ mô phải được xác định. Những biến này dao
động, nhưng có thể được giả định là hằng số trong dài hạn.

Phát thải
CO2

Môi trường
Thuế
carbon

Khuyến
khích

Tổng Thuế
carbon

Lạm phát
Giá năng
lượng hiện tại

Tổng đầu tư CAPEX

Phát triển năng lượng
mới

GD
P

Vốn cổ phẩn

Chỉ số nghề nghiệp
Năng lượng

tiêu thụ

Cung cấp
năng lượng

Năng
lượng

Cơ hội
bán

Thất nghiệp

Kinh tế
Hình 7. Sơ đồ vòng lặp khung 3E


GD
P
Thị
trườn
g
năng

Tài
chín

Tỷ
giá

Cổ
phần

Lãi
suất

Lạ m
phát

Công
suất
Chia sẻ
thị trường

Tích lũy
sản
Đầu tư
R&D

Chiế
t

Đầu tư

Chi phí tr ực
tiếp

Chín
h

Phát
thải

Chi phí
gián tiếp

Giá

Định

Thuế

Giá
modu

Bán
hàng

Chi
phí

Bồi
thường

Môi trường
Năng
lượng

Kinh tế
Lợ i

Hình 8. Sơ đồ vòng lặp công nghệ PV theo khung 3E

Lưu ý rằng thời gian hoạt động phải hơn 15 năm. Lãi suất cố định là
5,71% được xác định bằng cách sử dụng tỷ lệ trái phiếu AA-doanh
nghiệp trung bình trong thập kỷ qua [42]. Tương tự, tỷ giá hối đoái
được xác định ở mức trung bình 10 năm. Tuy nhiên, tỷ lệ chiết khấu
không thể được xác định. Nó sẽ tái xác định rủi ro tài chính doanh
nghiệp phụ thuộc vào cấu trúc vốn của doanh nghiệp. Sử dụng CAPM
(mô hình định giá tài sản vốn), chúng tôi ước tính tỷ lệ chi phí vốn chủ
sở hữu trung bình là 17,02%. Với tham chiếu đến Lee et al. (2008),
chúng tôi giả định mức phí bảo hiểm rủi ro thị trường trung bình là
12%

và lãi suất không rủi ro là 5.02% bằng tỷ suất hoàn vốn trái phiếu kho
bạc 3 năm [44]. Cơ cấu vốn cũng giống như cơ cấu đầu tư của PV. Do
đó, chúng tôi có thể tính toán WACC (chi phí vốn bình quân) bằng
cách sử dụng lãi suất cố định và chi phí vốn chủ sở hữu, và sử dụng
nó làm tỷ lệ chiết khấu. Trong thể loại môi trường, thuế, hỗ trợ của
chính phủ và trợ cấp là các biến quan trọng. Chúng tôi sử dụng thuế
suất doanh nghiệp 27,5% vì nó đã thay đổi rất ít. Hỗ trợ của chính phủ
(bao gồm cả chứng nhận năng lượng tái tạo trong RPS hoặc FIT) là
500 KRW / kWh.

Bảng 4
Các biến số chính của mô hình định giá PV mở rộng.
Thể loại

Biến

Đơn vị

Mô tả

Năng lượng

Đơn giá điện
Giá mô đun
Công suất mô đun
Hiệu suất mô đun
Bức xạ mặt trời hàng ngày
Phát xạ
Thời kỳ vận hành
Bán hàng
Chi phí gián tiếp
Cấu trúc đầu tư
Giá đầu tư
Giá trục
Giá xây dựng
Đầu tư

KRW/kWh
$/Wp
kW
%
kWh/m2/ngày
kWh/năm
Year
KRW
KRW/năm

%
KRW/kW
KRW/kW
KRW/kW
KRW

Giá phế liệu
Tỷ lệ lạm phát
Lãi suất
Tỷ giá hối đoái
Lãi suất phi rủi ro
Chi phí vốn cổ phần
Tỷ lệ chiết khấu
Thuế
Hỡ trợ chính phủ
Trợ cấp

KRW
%
%
KRW/$
%
%
%
%
KRW/kWh
KRW

Giá mô đun þ hỗ trợ chính phủ
1.5

5000
Ban đầu 80% và giảm 2% hằng năm
3.8243 (khu vực Jinju)
Bức xạ hàng ngày × công suất mô đun × hiệu suất mô đun
15
Đơn giá điện × phát xạ
100 triệu
20% vốn và 80% nợ (tài chính dự án)
0.8 triệu
1 triệu
100 triệu
Dung tích mô đun × (Giá mô đun × tỷ giá hối đoái þ)
Giá biến tần þ giá trục þ giá xây dựng)
10% × đầu tư
Hàng năm 3.13
5.71.
1100.21
5.02
17.02
Nợ/(nợ þ vốn) × chi phí nợ þ vốn/(nợ þ vốn) × chi phí vốn
27.5%
500
Ban đầu 0

Kinh tế

Môi trường

*Ghi chú: KRW (Korean won), kW (kilowatt), kWh (kilowatt giờ).

Tham chiếu

Trung bình ngành
[41]
[39]
[41]
[41]
Trung
Trung
Trung
Trung
[41]
[41]
[40]
[40]
[40]
[42]
[42]
[40,42]
[40]
[40]
[40]

bình
bình
bình
bình

ngành
ngành

ngành
ngành


Tích lũy cổ phiếu tri

Tích lũy sản xuất

Tích lũy cổ phiếu
tri thức

Tích lũy sản xuất

Giá mô-đun

Giá mô-đun

Hình 9. Các thử nghiệm tái tạo hành vi của ba biến quan trọng: (a) sản xuất PV tích lũy, (b) cổ phiếu tri thức tích lũy, (c) giá mô-đun.

Không có trợ cấp cho các hệ thống điện PV quy mô lớn trên lưới tại
Hàn Quốc. Tuy nhiên, chính phủ Hàn Quốc cung cấp các công ty sản
xuất điện PV với các khoản trợ cấp tài chính để hỗ trợ hoạt động trong
15 năm. Như vậy, trợ cấp bằng không trước khi hoạt động, nhưng sau
đó được xác định trực tiếp bởi các chính sách môi trường và gián tiếp
bởi chi phí hoạt động và các khoản chi phí.

Chế độ tham chiếu hiển thị hành vi dựa trên dữ liệu thực tế. Có một số
khác biệt trong giá mô-đun PV trước những năm 1990, nhưng sau đó
mô hình cho thấy sự phù hợp tốt. Nói chung, nó là công bằng để nói
rằng mô hình của chúng tôi vượt qua các thử nghiệm tái tạo hành vi.

4.4. Định giá công nghệ PV ngẫu nhiên
4.3. Xác nhận
Forrester và Senge (1980) cho rằng các mô hình SD nên được
xác nhận bằng thử nghiệm cấu trúc, kiểm tra tham số, kiểm tra
điều kiện cực đoan, kiểm tra tính nhất quán chiều, kiểm tra độ an
toàn biên, và thử nghiệm tái tạo hành vi [45]. Tuy nhiên, như Barlas
(1994) đã đề xuất, nó đủ để kiểm tra hiệu lực hành vi cho các mô
hình định giá dựa trên SD [46]. Như thể hiện trong hình 9, cho ba
biến quan trọng từ năm 1985 đến năm 2012, hành vi mô phỏng mô
hình của chúng tôi phù hợp với hành vi quan sát của hệ thống
thực.

Đối với định giá ngẫu nhiên, cần phải hiểu sự biến động của các
biến quan trọng. Xem xét các nghiên cứu trước đây, chúng tôi chọn
mười một biến bao gồm (1) bức xạ mặt trời hàng ngày, (2) lãi suất, (3)
tỷ lệ lạm phát, (4) tỷ giá hối đoái, (5) tỷ lệ hoàn thuế, (6) hỗ trợ của
chính phủ, (7) trợ cấp, (8) phí bảo hiểm rủi ro của thị trường, (9) tỷ lệ
phi rủi ro, (10) giá mô-đun và (11) công suất mô-đun. Các biến này rất
bất định, và do đó có thể ảnh hưởng đáng kể đến giá trị của công
nghệ PV.
Xem xét điều này, chúng tôi đã tiến hành mô phỏng Monte Carlo
để nghiên cứu cách giá trị của công nghệ PV bị ảnh hưởng bởi
những bất định trong

Bảng 5
Thông số đầu vào của 9 biến cho mô phỏng Monte Carlo
Thể loại

Biến

Phân phối

Min

Max

Năng lượng

Giá mô đun
Công suất
Bức xạ mặt trời hàng ngày
Lãi suất
Lạm phát
Tỷ giá hối đoái
Phí bảo hiểm rủi ro (%)
Tỷ lệ phi rủi ro (%)
Tỷ lệ hoàn thuế (%)
Hỗ trợ chính phủ
Trợ cấp (%)

Cố định
Cố định
Chuẩn
Đều
Đều
Đều
Đều
Đều
Đều

Đều
Đều

1.5
5000
569.40
3.77
2.20
771.04
9.7
3.13
0
200
0

1.5
5000
2230.15
9.35
4.70
1398.88
17.3
8.30
20
712
10

Kinh tế

Môi trường

Trung bình

Độ lệch chuẩn

1395.86

e
e
342.48


Hình 10. Kết quả mô phỏng Monte Carlo: (a) bức xạ mặt trời hàng ngày, (b) tỷ lệ lãi suất, (c) lạm phát, (d) tỷ giá hối đoái, (e) tỷ lệ hoàn thuế, (f) bảo hiểm rủi ro, (g) tỷ lệ phi rủi ro,
(h) hỗ trợ chính phủ, (i) trợ cấp.


Hình 11. Mô phỏng Monte Carlo giá trị công nghệ PV

chín biến này. Thông tin thống kê chi tiết cho chín biến được thể hiện
trong Bảng 5. Theo các điều kiện dữ liệu thực tế này, chúng tôi tạo ra
500 đầu vào của mỗi biến ngẫu nhiên từ phân phối xác suất của nó.
Bức xạ mặt trời hàng ngày được giả định theo một phân phối chuẩn
được chứng minh bằng dữ liệu lịch sử. Không có bất kỳ mô hình cụ
thể nào trong dữ liệu lịch sử, nó là công bằng để giả định rằng các
biến chuỗi thời gian kinh tế vĩ mô sẽ phát triển theo một bước đi ngẫu
nhiên [47]. Nếu có thể giả định kích thước bước mà biến số thay đổi,
chúng ta có thể sử dụng mô hình bước ngẫu nhiên Gaussian trong đó
kích thước bước theo một phân phối tích lũy nghịch đảo chuẩn với độ
lệch chuẩn và trung bình. Tuy nhiên, không có bằng chứng trong dữ
liệu lịch sử cho phép chúng tôi đưa ra các giả định này. Vì vậy, các

biến kinh tế và môi trường khác được giả định là các biến ngẫu nhiên
được phân bố đều giữa các giá trị tối thiểu và tối đa lịch sử.
Các biến này khó kiểm soát, nhưng các biến năng lượng bao gồm
giá mô-đun và công suất có thể kiểm soát chính sách ở một mức độ
nào đó. Đầu tiên, bằng các biến năng lượng, chúng ta phân tích ảnh
hưởng của các biến không thể kiểm soát, và sau đó thực hiện phân
tích độ nhạy trên các biến năng lượng.
Như thể hiện trong hình 10, bức xạ mặt trời hàng ngày có thể làm
cho NPV (Giá trị hiện tại ròng) của công nghệ PV dao động từ khoản
lỗ 7 tỷ KRW xuống 14 tỷ KRW (won Hàn Quốc) vào năm 2027.
Phương sai của nó giải thích 62 của tổng phương sai. Rõ ràng, sự
không chắc chắn của nó ảnh hưởng đến việc định giá PV nhiều hơn
những người khác, cho thấy tầm quan trọng của vị trí. Hỗ trợ của
chính phủ theo sau với sự bất định thứ hai cao nhất. Một số nghiên
cứu trước đây đã gợi ý rằng các chính sách kiểm soát giá như FIT đã
góp phần phổ biến công nghệ PV nhiều hơn so với các chính sách
khác [8e10]. Kết quả của chúng tôi trùng với những nghiên cứu đó.
Trong số các biến kinh tế vĩ mô, tỷ giá hối đoái

liên tục đánh giá giá trị công nghệ PV, trong khi tác động của lãi suất
sẽ tăng lên. Tỷ lệ lạm phát ít gây ảnh hưởng. Xem xét sự không chắc
chắn trong các biến nêu trên, chúng ta có thể chạy mô phỏng Monte
Carlo để phân phối sự phân bố động của NPV của công nghệ PV từ
năm 2012 đến năm 2027 (Hình 11). Như đã nói ở trên, giá mô-đun
được đặt ở mức 1,5 $ / Wp và công suất mô-đun ở mức 5000 kW khi
đầu tư ban đầu được thực hiện. Vào năm 2027, NPV có thể đạt 22 tỷ
won, nhưng có thể dẫn đến thua lỗ 8 tỷ KRW. Hơn nữa, xác suất thua
lỗ là hơn 50% vào năm 2027 và hơn 75% vào năm 2018. Nói cách
khác, phương sai trong giá trị của công nghệ PV tương lai là rất lớn,
ngụ ý sự bất định cao và khả năng mất mát. Sau khi xác định được vị

trí của mô-đun PV, việc phát hiện năng lượng mặt trời hàng ngày là
không kiểm soát được. Do đó, hỗ trợ của chính phủ là rất quan trọng
để làm cho bảng giá trị công nghệ PV. Tuy nhiên, trước khi lắp đặt, vị
trí được chọn là yếu tố quan trọng nhất.
Chúng tôi đã chạy mô phỏng Monte Carlo để phân tích ảnh hưởng
của giá mô-đun và công suất lên giá trị công nghệ PV (Hình 12). Giá
mô-đun đã được thay đổi từ $ 0,8 / Wp thành $ 2,5 / Wp lên $ 0,1 /
Wp. Công suất mô-đun đã được thay đổi từ 1000 kW đến 10.000 kW.
Các biến khác được xác định như trong Bảng 4. Việc giảm giá mô-đun
PV xuống 0,1 USD / Wp dẫn đến sự gia tăng giá trị công nghệ PV là
400 triệu KRW. Ngoài ra, giá trị công nghệ PV cho thấy sự gia tăng
liên tục trong việc mở rộng quy mô công suất mô-đun.
Một điều cần lưu ý là giá trị công nghệ PV giảm 5 tỷ KRW nếu hỗ
trợ của chính phủ bị rút lại. Do đó, nếu các công ty có thể tăng công
suất mô-đun từ 5000 kW lên 10.000 kW và giảm giá mô-đun từ 1,5
USD / WP xuống 0,8 USD / Wp, họ có thể đạt được điểm hòa vốn. Nói
cách khác, sự kết hợp của tăng năng lực mô-đun và giảm giá mô-đun
có thể bù đắp sự giảm hỗ trợ của chính phủ. Tuy nhiên, việc cắt giảm
nhanh chóng hỗ trợ của chính phủ để vượt qua những tác động kết
hợp này sẽ dẫn đến sự sụp đổ của nhiều công ty PV.
5. Kết luận và thảo luận
Từ góc độ học thuật, các phương pháp trước đây, bao gồm CVM
và DCF, phù hợp với định giá công nghệ ngắn hạn với ít sự bất định,
nhưng không tốt trong việc định giá các công nghệ tái tạo được đặc
trưng bởi những bất ổn khác nhau trong dài hạn. Để giải quyết vấn đề
này, chúng tôi đề xuất một phương pháp mới, dài hạn và xác suất để
định giá các công nghệ năng lượng tái tạo. Là một mô hình cơ bản,
đường cong học tập hai yếu tố được sử dụng để tái hiện cả đổi mới
công nghệ và học tập. Sau đó, bằng cách sử dụng SD, chúng tôi xác
định và định lượng các yếu tố khác nhau và các chi tiết phức tạp của

chúng và xác định lại các yếu tố này trong định giá công nghệ. Mô
phỏng Monte Carlo giúp định giá ngẫu nhiên động, làm rõ những bất
ổn trong tương lai và ảnh hưởng của chúng đối với giá trị công nghệ.

Hình 12. Mô phỏng Monte Carlo là kết quả của đầu tư: (a) công suất, (b) giá mô-đun.


Từ quan điểm thực tế, sử dụng phương pháp của chúng tôi, các
nhà quản lý R & D của công ty có thể nhận ra những bất trắc trong
tương lai, đo lường tác động của chúng lên giá trị công nghệ, và do đó
tối ưu hóa tốt hơn các cổng thông tin R & D. Đây là một tối ưu hóa
động, tối đa hóa giá trị của danh mục đầu tư R & D trong dài hạn. Nói
cách khác, họ có thể xác định các yếu tố quan trọng với độ bất định
cao, do đó kiểm soát sự bất định và rủi ro hiệu quả hơn. Ví dụ, nhiều
công ty đã đầu tư R & D lớn vào công nghệ PV vì dự kiến sẽ tạo ra
các khoản đầu tư lớn trong tương lai gần. Tuy nhiên, phương pháp
của chúng tôi cho thấy xác suất thua lỗ là hơn 75% vào năm 2018 và
hơn 50% vào năm 2027. Ngoài ra, nếu hỗ trợ của chính phủ bị giảm
hoặc thu hồi, xác suất và kích thước của khoản lỗ sẽ tăng đáng kể.
Với những kết quả phân tích này, các nhà quản lý doanh nghiệp có
thể đưa ra các quyết định đầu tư và R & D tốt hơn.
Ngoài ra, phương pháp của chúng tôi có một số hàm ý đối với các
chính sách năng lượng PV. Như đã trình bày ở trên, các công ty tư
nhân sẽ gặp khó khăn trong việc tạo ra lợi nhuận từ công nghệ PV
trong tương lai gần. Do đó, nếu không có sự hỗ trợ của chính phủ,
công nghệ PV không thể dễ dàng phổ biến. Hỗ trợ gián tiếp bao gồm
tiền hoàn thuế và trợ cấp không được giúp đỡ nhiều. Hỗ trợ của chính
phủ như FIT là cần thiết nhưng không đầy đủ. Giá mô-đun và công
suất là rất quan trọng đối với giá trị công nghệ PV, ngụ ý rằng các
công ty tư nhân nên được hướng tới theo đuổi sự đổi mới công nghệ

và kinh tế theo quy mô của chính sách. Kinh phí R & D của Chính phủ
cho các công nghệ PV và tăng công suất mô-đun PV sẽ có hiệu quả.
Mặc dù có giá trị, phương pháp của chúng tôi có một số hạn chế.
Trên tất cả, mô hình định giá cơ bản của chúng tôi bằng cách sử dụng
2FLC chỉ xem xét sự đổi mới gia tăng. Một sự đổi mới công nghệ PV
đột phá có thể xảy ra, điều này có khả năng làm cho việc định giá của
chúng tôi bị đánh giá thấp. Tương tự như vậy, các sự kiện cực đoan
không thể đoán trước như chiến tranh hoặc thảm họa có thể xảy ra,
nhưng không được xem xét trong mô hình SD của chúng tôi.
Tham khảo
[1] EPIA (European Photovoltaic Industry Association). Global market outlook for
photovoltaics until 2016; 2012.
[2] Borchers AM, Duke JM, Parsons GR. Does willingness to pay for green
energy differ by source? Energy Policy 2007;35:3327e34.
[3] Koundouri P, Kountouri Y, Remoundou K. Valuing a wind farm construction: a
contingent valuation study in Greece. Energy Policy 2009;37(5):1939e94.
[4] G.A. Davis and B. Owens, Optimizing the level of renewable electric R&D
ex- penditures using real options analysis. Energy Policy 31(15),
1589e1608.
[5] Siddiqui AS, Marnay C, Wiser RH. Real options valuation of US federal
renewable energy research, development, demonstration, and deployment.
Energy Policy 2007;35:265e79.
[6] Flenten SE, Maribu KM, Wangensteen I. Optimal investment strategies in
decentralized renewable power generation under uncertainty. Energy
2007;32:803e15.
[7] Kumbaroglu G, Madlener R, Demirel M. A real options evaluation model for
the diffusion prospects of new renewable power generation technologies.
Energy Econ 2008;30:1882e908.
[8] Wang Xiaoting, Byrne John, Kurdgelashvili Lado, Barnett Allen. High
efficiency photovoltaics: on the way to becoming a major electricity source.

WIREs Energy Environ 2012;1(2):132e51.
[9] Midttun A, Gautesen K. Feed in or certificates, competition or complementarity? Combining a static efficiency and a dynamic innovation perspective
on the greening of the energy industry. Energy Policy 2007;35(3):1419e22.
[10]Campoccia A, Dusonchet L, Telaretti E, Zizzo G. Comparative analysis of
different supporting measures for the production of electrical energy by solar
PV and wind systems: four representative European cases. Sol Energy
2009;83(3):287e97.
[11]Wand R, Leuthold F. Feed-in tariffs for photovoltaics: learning by doing in
Germany? Apply Energy 2011;88(12):4387e99.
[12] Couture T, Gagnon Y. An analysis of feed-in tariff remuneration models: implications for renewable energy investment. Energy Policy 2010;38(2):955e
65.
[13] Dusonchet L, Telaretti E. Economic analysis of different supporting policies
for the production of electrical energy by solar photovoltaics in western European Union countries. Energy Policy 2010;38(7):3297e308.

[14]Talavera DL, Nofuentes G, Aguilera J. The internal rate of return of photovoltaic grid-connected systems: a comprehensive sensitivity analysis. Renew
Energy 2010;35(1):101e11.
[15]Hsu Chiung-Wen. Using a system dynamics model to assess the effect of
capital subsidies and feed-in tariffs on solar PV installations. Appl Energy
2012;100:205e17.
[16]Solangi KH, Islam MR, Saidur R, Rahim NA, Fayaz HA. Review on global
solar energy policy. Renew Sust Energy Rev 2011;15(4):2149e63.
[17]Hagenson N. System dynamics combined with Monte-Carlo simulation. In:
Paper presented at the System dynamics ’90: Proceeding of the International
System Dynamics Conference, Chestnut Hill, Mass; 1990.
[18]Dhawan R. System dynamics and its impact on managerial decision making.
In. The 49th annual meeting of the international society for the system dynamics. Westin, Mexico.
[19]He Y, Wang B, Wang J, Xiong W, Xia T. Residential demand response behavior
analysis based on Monte Carlo simulation: the case of Yinchuan in China.
Energy 2012;47(1):230e6.
[20]Kräupl S, Wieckert C. Economic evaluation of the solar carbothermic reduction of ZnO by using a single sensitivity analysis and a Monte-Carlo risk

analysis. Energy 2007;32(7):1134e47.
[21]Wright TP. Factors affecting the cost of airplanes. J Aeronaut Sci 1936;3. 19361226.
[22]IRENA (International Renewable Energy Agency). Renewable energy technologies: cost analysis series. Sol Photovolat 2012;1(4/5).
[23]Kouvaritakis N, Soria A, Isoard S. Modelling energy technology dynamics:
methodology for adaptive expectations models with learning by doing and
learning by searching. Int J Global Energy Issues 2000;14(1e4):104e15.
[24]Kobos PH, Erickson JE, Drennen TE. Technological learning and renewable
Energy Costs: Implications for US renewable Energy policy. Energy Policy
2006;34(13):1645e58.
[25]Steman JD. Business dynamics; system thinking and modeling for complex
world. McGraw Hill Companies; 2000.
[26]Ansari L, Seifi A. A system dynamics analysis of energy consumption and
corrective policies in Iranian iron and steel industry. Energy 2012;43:334e43.
[27]We Z, Xu J. Prediction and optimization of energy consumption using system
dynamics-fuzzy multiple objective programing in world heritage areas. Energy 2013;49:19e31.
[28]Marquez AC, Blanchar C. A decision support system for evaluating
operations investments in high technology business. Decis Support Syst
2006;41:472e 87.
[29]Lee Yong-Suk. System dynamics approach for valuing nuclear power technology. J Korean Syst Dyn Rev 2006;7(2):57e80.
[30]Ford A. Using simulation for policy evaluation in the electric utility industry.
Simulation 1983;40:85e92.
[31]Naill RF. A system dynamics model for national energy policy planning. Syst Dyn
Rev 1992;8(1):1e19.
[32]Dyner I, Smith R, Pena G. System dynamics modeling for energy efficiency
analysis and management. J Operat Res 1995;46(10):1163e73.
[33]Miketa Asami, Schratternholzer Leo. Experiments with a methodology to
model the role of R&D expenditures in energy technology learning
processes; first results. Energy Policy 2004;32:1679e92.
[34]Barreto L, Kypreos S. Endogenizing R&D and market experience in the “bottom-up” energy-systems ERIS model. Technovation 2004;24(8):615e29.
[35]Source: IEA (International Energy Agency) RD&D Statistics Database (http://

iea.org/stats/rd.asp).
[36]Source: Earth Policy Institute Database and EIA(U.S. Energy Information
Administration). Solar photovoltaic cell/module shipments report 2011 http://
www.earthpolicy.org; 2012.
[37]Hernandez-Moro J, Martinez-Duart JM. Analytical model for solar PV and CSP
electricity cost: present LOCE values and their future evolution. Renew Sustain Energy Rev 2013;20:119e32.
[38]Mansfield E. Technical change and the rate of imitation. Econometica
1961;29:741e66.
[39]Manne AS, Wene CO. MARKAL-MACRO: a linked model for energyeconomy analysis. Brookhaven Natl Lab; 1992. BNL-47161, 1e39.
[40]Popp David. ENTICE: endogenous technological change in the DICE model of
global warming. J Environ Econ Manag 2004;48(1):742e68.
[41]Source: KIER(Korea Institute of Energy Research) Renewable Energy Data
center ( />[42] KOSIS(Korean Statistic Information Service) Database ().
[43]KERI(Korea Electro-technology Research Institute). Amendment of the
Korean feed-in-tariffs in 2011; 2010 [in Korean].
[44]Hwang Lee Seok, Lee Woo Jong, Lim Seung Yoen. Korean evidence on the
implied cost of equity. Korean Acc Rev 2008;33(1) [in Korean].
[45]Forrester JW, Senge P. Test for building confidence in system dynamics model,
TIMS Stud Manag Sci;14: 209e28.
[46]Barlas Y. Formal aspects of model validity and validation in system
dynamics. Syst Dyn Rev 1996;12(3):183e210.
[47]Perron P. Trends and random walks in macroeconomic time series: further
evidence from a new approach. J Econ Dyn Control 1988;12(2):297e332.