全球176国十种能源技术资本成本的历史与未来预测数据集

《Scientific Data》：Historical and future projected costs of capital for ten energy technologies across 176 countries

本刊推荐：为解决能源系统模型(ESMs)中资本成本(WACC)数据过时、地理覆盖有限及标准化假设导致结果偏差等问题，研究人员开展了针对太阳能光伏(PV)、陆上/海上风电等十种发电技术的跨国资本成本估算研究。该研究提供了2015-2030年间176个国家共27,640个数据点，构建了包含债务成本(CDc,t,g)、股权成本(CEc,t,g)及资本结构参数的模型，并通过交互式平台(wacc-forecaster.streamlit.app)实现数据可视化。成果对优化清洁能源投资决策、提升ESMs模型准确性具有重要实践意义。

　　

在全球应对气候变化的紧迫背景下，加速清洁能源技术的部署已成为实现气候目标的核心路径。然而，能源系统模型(ESMs)作为政策制定和商业决策的重要工具，其准确性高度依赖于资本成本（又称折现率）这一关键参数。清洁能源技术通常具有高资本密集特性，融资成本可占其平准化电力成本(LCOE)的50%以上，远高于化石能源技术。遗憾的是，现有资本成本数据往往存在地理覆盖狭窄、时效性差、数据源封闭等局限，尤其在发展中国家，资本成本可能高达18%，但相关实证数据极为匮乏。这种数据缺失导致模型普遍采用标准化假设（如国际能源署(IEA)假设的4-9%统一范围），严重扭曲了对不同技术、不同区域清洁能源经济性的评估结果。

为破解这一难题，帝国理工学院等机构的研究团队在《Scientific Data》发表了题为"Historical and future projected costs of capital for ten energy technologies across 176 countries"的研究，首次构建了涵盖176个国家、10种关键发电技术（包括太阳能光伏、陆上/海上风电、生物质能、碳捕集燃气等）的资本成本综合数据集，时间跨度为2015年至2030年，总计27,640个数据点。研究还开发了交互式网络工具(wacc-forecaster.streamlit.app)，支持按年份、国家和技术动态可视化估算结果。

研究方法核心在于对资本成本构成要素的系统性分解。团队基于IRENA的基准模型进行拓展，将资本成本拆解为无风险利率(r_rf^c,t,g)、贷款利差(r_lm^c,t,g)、国家违约利差(r_cds^c,t,g)和技术风险溢价(r_tech^c,t,g)四个部分。无风险利率统一采用美国10年期国债收益率；贷款利差设定为2%，与基础设施项目融资的实际数据吻合；国家违约利差来自Damodaran的年度国家风险溢价数据库；技术风险溢价则根据Ember提供的各国技术渗透率数据，将市场划分为成熟、中间和新兴三类，并针对不同技术设定差异化溢价（如海上风电较陆上风电增加1%）。对于新增的七种技术（水电、燃气联合循环、生物质等），其风险溢价通过欧洲经济学公司对企业债券评级数据的分析进行校准。股权成本的计算类似，但增加了全球股权风险溢价(r_erp^c,t,g)和国家风险溢价(r_country^c,t,g)项。资本结构假设债务份额(D_share^c,t)随国家风险水平在40%-80%之间线性变化。最终加权平均资本成本(WACC^c,t,g)通过公式WACC^c,t,g= (1-τ^t)D_share^c,tC_D^c,t,g+ (1-D_share^c,t)C_E^c,t,g计算得出，其中τ^t为基于Tax Foundation数据的公司税率。2030年之前的预测整合了美国国会预算办公室对无风险利率的预测、IMF对人均GDP的展望，以及通过公式r_country^c,t+N,g= r_country^c,t,g(GDP^c,t/GDP^c,t+N)ⁱ（学习率参数i=0.2081）动态调整国家风险溢价。

地理与技术覆盖范围

研究覆盖了176个国家，包括31个最不发达国家，显著超越了现有研究（如IEA、Steffen等）的地理覆盖范围。Fig.2通过对比凸显了本数据集在发展中国家覆盖方面的优势，解决了这些地区因数据缺失而被迫使用标准假设的问题。