分享自:

基于技术学习效应的碳捕集与利用(CCU)技术投资决策模型

期刊:Applied EnergyDOI:10.1016/j.apenergy.2022.119514

学术研究报告:基于技术学习效应的碳捕集与利用(CCU)技术投资决策模型

一、研究团队与发表信息
本研究由Jiangfeng Liu(中国石油大学(北京)经济管理学院)、Qi Zhang(通讯作者,清华大学)、Hailong Li(瑞典梅拉达伦大学)、Siyuan Chen(北京理工大学管理与经济学院)及Fei Teng(中国科学院国家科学图书馆)合作完成,发表于《Applied Energy》第322卷(2022年),文章标题为《Investment decision on carbon capture and utilization (CCU) technologies—a real option model based on technology learning effect》。

二、学术背景与研究目标
碳捕集与利用(CCU)技术是实现碳中和目标的关键手段,但其商业化面临高成本与市场不确定性的挑战。传统投资评估方法(如净现值法)难以动态反映技术学习效应(technology learning effect)和价格波动的影响。为此,本研究提出了一种结合组件化双因素技术学习曲线(component-based two-factor technology learning curve)和实物期权模型(real option model)的新型投资决策框架,旨在解决以下问题:
1. 如何量化技术学习效应对CCU成本下降的影响?
2. 在油价、甲醇价格等市场波动下,如何确定最优投资时机?
3. 对比两种典型CCU技术(CO₂驱油增产(CO₂-EOR)与CO₂制甲醇(CO₂-MeT))的经济性与投资灵活性。

三、研究流程与方法
研究分为三个核心步骤:

1. 组件化双因素技术学习曲线构建
- 研究对象:选取CCU技术链中的关键组件,包括:
- CO₂捕集(CC):胺法捕集系统、压缩组件
- CO₂-EOR:注入系统、生产分离系统
- CO₂-MeT:甲醇合成塔、纯化蒸馏组件、绿氢生产系统
- 学习效应量化
- 干中学(LBD, Learning-by-Doing):通过历史累计产量(cumulative output)拟合成本下降曲线。
- 研发学习(LBR, Learning-by-Researching):通过专利累计申请量(cumulative patent applications)反映技术突破对成本的降低作用。
- 成本预测模型
[ C_t = C_0 \times \left(\frac{Q_t}{Q_0}\right)^{-b} \times \left(\frac{P_t}{P_0}\right)^{-c} ] 其中,(b)和(c)分别为LBD和LBR的学习率,通过S曲线模型(S-curve model)预测未来累计量与专利增长。

2. 市场价格不确定性建模
- 油价:采用均值回归过程(MRP, mean-reverting process),反映其长期均衡特性。
- 甲醇价格:几何布朗运动(GBM, geometric Brownian motion)模拟短期波动。
- 碳价:2030年前用GBM模拟政策驱动波动,2030年后用MRP反映市场成熟度。

3. 实物期权投资决策模型
- 决策框架:基于最小二乘蒙特卡洛模拟(LSMC, Least Squares Monte Carlo),动态评估延迟投资的价值。
- 关键参数
- 投资期:2023–2050年,项目寿命35年。
- 触发条件:当油价≥80美元/桶(CO₂-EOR)或甲醇价≥580美元/吨(CO₂-MeT)时立即投资。

四、主要研究结果
1. 技术成本下降潜力
- CC技术:在快速学习情景下,2060年资本成本下降70.2%,运维成本下降77.0%,主要得益于胺法捕集系统的规模化效应。
- CO₂-EOR:因技术成熟较早,成本降幅较小(资本成本下降27.2%)。
- CO₂-MeT:氢生产组件成本降幅最大(78.8%),推动整体运维成本下降79.3%。

  1. 投资阈值分析

    • CO₂-EOR:油价需超过80美元/桶才触发即时投资,反映其对原油市场的高度依赖。
    • CO₂-MeT:甲醇价格需高于580美元/吨,但长期经济性优于CO₂-EOR(相同价格涨幅下投资价值高1.6倍)。
  2. 地理与政策灵活性

    • CO₂-MeT无需依赖油田地质条件,可分布式部署,而CO₂-EOR受限于油田位置。

五、结论与价值
1. 科学价值:首次将组件化学习效应与实物期权结合,为CCU投资决策提供了动态评估工具。
2. 应用价值
- 政策制定者可针对不同技术设计补贴,如对CO₂-MeT提供氢能基础设施支持。
- 投资者应优先关注CO₂-MeT的长期收益,并在油价低迷时延迟CO₂-EOR投资。

六、研究亮点
1. 方法创新:提出双因素学习曲线,区分LBD与LBR对成本的影响。
2. 案例验证:通过CO₂-EOR和CO₂-MeT的对比,揭示技术成熟度与市场需求的动态平衡。
3. 政策启示:强调碳价机制需与学习效应协同,以降低CCU初期投资风险。

七、其他发现
- 技术学习率对结果敏感:在快速学习情景下,CO₂-MeT的投资价值显著提升,凸显研发补贴的重要性。
- 模型局限性:未考虑投资扩张/收缩期权,未来可引入多阶段决策优化。

(注:全文术语首次出现时标注英文,如“碳捕集与利用(CCU, Carbon Capture and Utilization)”)

上述解读依据用户上传的学术文献,如有不准确或可能侵权之处请联系本站站长:admin@fmread.com