Synthèse des résultats majeurs

A energia fotovoltaica, juntamente com a energia eólica, corresponde à fonte para a qual é realizada a maior parte das aplicações de learning curves. Isso decorre da percepção dos agentes de que a fotovoltaica vem passando por uma acelerada redução de custos ao longo dos anos, principalmente em função: (i) do aperfeiçoamento das técnicas de geração de energia, que permitiram maior nível de energia gerada a partir de um metro quadrado de placa solar; (ii) da redução da quantidade de silício necessária para a produção das placas solares; (iii) da queda do preço do silício; (iv) da diminuição do custo de capital dos módulos solares; e (v) do aumento da área dedicada para a produção, reduzindo o custo unitário (Nemet, 2006).

Para além do fato de ser a fonte com maiores aplicações de learning curves, cabe dizer também que as primeiras aplicações dos modelos de learning curves ao mercado de energia6 buscaram tratar da energia fotovoltaica (KRAWIEC e FLAIM, 1979; KRAWIEC, THORNTON e EDESESS, 1980). Esses primeiros estudos pretendiam explicar os custos dos componentes das placas fotovoltaicas. Os autores utilizaram dados americanos da década de 1960 e parte da década de 1970, em modelos univariados (“one-factor learning curves model”), isto é, que continham apenas uma variável explicativa, a produção acumulada. As aproximações de taxa de progresso encontradas foram de 94 a 97%.

Para esta fonte, muitos estudos foram feitos posteriormente. Neij (1997), por exemplo, adotou um modelo multivariado (isto é, com mais de uma variável explicativa) para analisar a trajetória dos custos da geração de eletricidade por painéis fotovoltaicos. Tal custo seria explicado pela capacidade acumulada, pelo custo de capital, pelo fator de capacidade e pelos custos de operação e manutenção. Com dados da Dinamarca, para o período entre 1980 até 1989, o autor encontrou taxa de progresso de 80%.

Para o Japão, país com forte política incentivadora da energia fotovoltaica, Tsuchiya (2000) buscou identificar o aprendizado ocorrido por esta tecnologia entre 1979 e 1998. A partir do

6 _{Antes disso, o Boston Consultancy Group (1970) realizou uma análise de learning curves para diversos setores,}

entre eles, aqueles relacionados à indústria da energia: (i) silício (taxas de progresso de 70 a 90%); (ii) petróleo (da mesma forma, apresentando taxas de progresso de 70 a 90%); e (iii) energia elétrica (com taxas de progresso entre 70 e 80%).

42

custo do módulo e da produção acumulada de eletricidade gerada, o autor pôde estimar a taxa de progresso, que foi de 84% no período.

A partir dos anos 2000, estudos com modelos de aprendizado com duas variáveis explicativas, chamados “two-factor learning curves models”, se tornaram mais difundidos na literatura. Watanabe (2000), por exemplo, com vistas a calcular a taxa de progresso da tecnologia fotovoltaica no Japão entre 1976 e 1995, utilizou duas variáveis, a produção acumulada de células solares e os gastos em P&D. Na ausência de informações sobre o custo, o autor utilizou os preços. As informações a respeito da depreciação dos investimentos em P&D (de 20% ao ano) e o lag entre P&D e sua comercialização (de 2,8 anos) foram obtidas por meio de pesquisa realizada com, respectivamente, 28 e 57 empresas. Entre os resultados do autor, destacam-se: (i) a taxa de progresso ficou em torno de 80%; e (ii) identificou-se a existência de um ciclo virtuoso entre P&D e dinamismo industrial.

De forma semelhante a Watanabe (2000), Miketa e Schrattenholzer (2004) aplicaram um modelo de “two-factor learning curve”, acrescentando o efeito P&D ao modelo tradicional. Os autores encontraram uma taxa de learning by doing de 17,5% (o equivalente à taxa de progresso de 82,5%) e de learning by searching de 10%. O P&D, segundo os autores, tende a fazer mais efeito apenas quando a tecnologia já se difundiu no mercado.

Assim como os dois trabalhos já citados, Isoard e Soria (2001) também adotaram o two-factor learning curves model. Contudo, estes autores, ao invés de inserir os gastos em P&D, optaram por utilizar o efeito escala para explicar o comportamento dos custos. Assim, em seu modelo, utilizando dados mundiais entre 1976-1994, o preço dos módulos era explicado pela capacidade instalada acumulada e pela capacidade instalada (proxy de efeito escala). Os autores encontraram taxa de progresso de 72% e retornos de escala decrescentes (entre 0,7 e 0,97). Conforme as conclusões dos autores, as deseconomias de escala reduziram o efeito aprendizado na energia fotovoltaica em 20%.

Kahouli-Brahmi (2009) adotou um multi-factor learning curve, com dados globais entre 1977 e 1997, em que o custo unitário do investimento em plantas fotovoltaicas é explicado pela capacidade acumulada (proxy de learning by doing), capacidade (escala) e estoque de gastos em P&D (learning by searching). Segundo o autor, a energia fotovoltaica se caracteriza como emergente (do inglês “emerging energy technology”), tendo sua difusão limitada e, por isso, exibindo retornos decrescentes de escala. Para além disso, o autor encontrou baixas taxas de learning by doing e learning by searching, respectivamente, de até 7% e 3%.

43

Yu, Sark e Alsema (2011) propuseram um modelo diferente de “multi-factor learning curve”, no qual estão contemplados o efeito escala e também o preço dos insumos, além do efeito learning by doing (produção acumulada). Os dados utilizados foram mundiais, no período que abrange os anos de 1976 a 2006. Os autores estimaram três modelos, cada um referente a um período de cerca de dez anos (1976-1986, 1987-1997, 1998-2006). Entre os resultados encontrados, destacam-se: (i) a taxa de learning by doing foi mais alta entre 1976-1986, de 13,5%, embora o efeito escala não fosse significante nesse período; (ii) no período seguinte, 1986-1997, a taxa de learning by doing se reduziu ainda mais, para 6%, e a escala passou a ter efeito negativo sobre os custos; (iii) posteriormente, entre 1998-2006, a taxa de learning by doing atingiu apenas 3% e o efeito escala passou a ser ligeiramente maior, contribuindo para a queda dos custos; e (iv) a queda nos preços dos insumos contribuiu para o declínio dos custos em praticamente todos os períodos.

Interessante notar que a taxa de progresso tende a se reduzir conforme a tecnologia amadurece. Isso ocorre devido à estabilização do mercado em níveis competitivos, onde se torna mais difícil reduzir custos devido ao aumento do aprendizado. Corroborando essa tese, Parente, Goldemberg e Ziles (2002) avaliaram a curva de aprendizado da tecnologia fotovoltaica entre as décadas de 1980 e 1990 e identificaram uma quebra estrutural no preço mundial do módulo de energia fotovoltaica em 1990. Segundo o estudo dos autores, a década de 1980 apresentava taxa de progresso em torno de 80%, passando para 77% entre 1991 e 2000.

Ainda, passou a ser uma preocupação dos pesquisadores de learning curves identificar o momento em que a energia fotovoltaica se tornaria competitiva. Poponi (2003) utiliza o modelo de learning curves para identificar qual é o nível de produção acumulada de equipamentos necessário para alcançar o preço de break-even, assumindo diferentes cenários de tendência conjunta entre preço e produção acumulada. Conforme a autora, diante de taxas de progresso de 80%, a energia fotovoltaica poderá entrar no nicho de aplicações para edifícios sem incentivos em 2025.

Zwaan e Rabl (2004) adotaram um modelo simples de learning curves e encontraram uma taxa de aprendizado entre 15 a 30%. O range varia de acordo com o subperíodo analisado entre os anos estudados, 1976 a 1996. Para os autores, apenas depois de 2020 seria possível que o custo se reduzisse a ponto de tornar a energia fotovoltaica competitiva frente às tecnologias convencionais. Apontam também que políticas voltadas para a construção de um

44

sistema com base nessa fonte se justificariam na medida em que seu consumo evitaria externalidades negativas das fontes convencionais, como a poluição.

Bhandari e Stadler (2009) realizaram um estudo para uma cidade da Alemanha no qual projetaram o preço dos módulos solares a partir da taxa de progresso e encontraram em qual ano a energia fotovoltaica deve encontrar paridade com o valor da eletricidade gerada a partir de fontes convencionais. Embora os autores tenham encontrado uma taxa de 95%, utilizaram cenários de taxas de progresso, que variavam entre 70 a 90%, conforme a literatura consultada pelos autores. No estudo, foi encontrado que a paridade com o preço da eletricidade ao usuário final deveria ser atingida cinco anos depois (em 2014) e, com o preço da eletricidade no atacado, em 2023.

Zhang et al (2012) identificam por meio do modelo tradicional de learning curves aplicado à China que a energia fotovoltaica seria competitiva antes de 2025. Os autores ainda destacam que os subsídios apenas adiantariam em dois anos a paridade com o grid atual da China e, portanto, devem ser repensados.

Muitos estudos vêm sendo realizados para a energia fotovoltaica, como mostram Sark et al (2010b) em seu trabalho – cujo objetivo era reunir resultados de vários trabalhos voltados à estimação da taxa de progresso da energia fotovoltaica. No levantamento destes autores, a taxa de progresso se situou em torno de 74 e 84%, com apenas duas exceções: um estudo para a Alemanha, no qual a taxa obtida entre 1992 e 2001 foi de 95%, e um estudo para a União Europeia, em que a taxa encontrada foi de 65% para o período entre 1980 e 1995.

O estudo de McDonald e Schrattenholzer (2001) também realizou um levantamento de obras de terceiros dedicadas à estimação da taxa de aprendizado da energia solar e fotovoltaica. Nele, apontou três obras do International Energy Agency – IEA (2000), utilizando dados até a década de 90. Para os países europeus, o IEA encontrou taxas de aprendizado entre 35 e 21%, a depender do início do período analisado. Já utilizando dados mundiais, o IEA encontrou taxa de 18% entre 1976 e 1992, valor bastante próximo artigo de Harmon (2000), de 20%, também apontado por McDonald e Schrattenholzer. Para dados americanos, os autores indicaram a taxa encontrada por Maycock e Wakefield (1975), que, para o período 1959- 1974, foi de 22%.

Kahouli-Brahmi (2009) fez levantamento semelhante a Sark et al e a McDonald e Schrattenholzer. Seu estudo aponta diversos artigos que calcularam a taxa de aprendizado. Williams e Terzian (1993), por exemplo, calcularam taxa de 18% a partir de dados globais

45

entre 1976 e 1992. Para países europeus, Wene (2000), outro autor apresentado por Kahouli- Brahmi, estimou taxa mais elevada, de 35%, em um modelo cujo período corresponde aos anos entre 1985 e 1995. Nos Estados Unidos, a taxa de aprendizado, entre 1976 e 1995, encontrada por Mackay e Probert (1998) foi de 18%, se mantendo neste patamar mesmo para um período pouco mais extenso, entre 1975 e 2000, segundo o estudo de Kobos, Erickson e Drennen (2006) - ambos apontados em Kahouli-Brahmi.

Uma conclusão possível de ser tirada é que, embora os autores que versam sobre este tema utilizem variáveis, períodos e localizações diferentes, os estudos apresentam taxas de aprendizado muito semelhantes – em torno de 20%. As variáveis frequentemente escolhidas para representar o custo unitário são: custo da célula, custo do módulo, preço de venda da energia gerada e preço do investimento. Em seu turno, para proxy de experiência, podem-se citar a capacidade produtiva acumulada e a energia produzida acumulada.