一种实证验证的可再生能源资本成本开放获取计算方法

《Energy Strategy Reviews》：An empirically validated open-access approach for calculating the cost of capital of renewables

　　

实现气候目标要求大规模建设可再生能源（renewable energy，RE），而该建设方案的可行性及推进速度在很大程度上取决于其成本。能源系统建模已表明，可再生能源的加权平均资本成本（weighted average cost of capital, WACC）是决定其与化石燃料替代技术相比成本竞争力的重要因素。研究还发现，不同国家、不同技术以及不同时间尺度下的WACC存在显著差异，这对能源转型的成本与可行性具有重要意义。然而，由于融资信息通常由投资者掌握，同时数据采集过程耗时且昂贵，获取可用于建模的最新WACC值仍然困难。为此，本文开发了一个开放获取工具，用于按国家和年份计算公用事业级陆上风电、海上风电以及太阳能光伏（solar photovoltaics, PV）投资的WACC。研究人员采用了两种不同方法进行校准，并利用现有最全面的可再生能源WACC实证数据集验证该工具。此工具可有助于完善能源系统建模，而这对于全球范围内数据稀缺地区尤其重要，许多地区预计将在未来数年内经历显著的能源需求增长。

## 开放获取WACC工具：实证校准与能源系统模型改进

应对气候变化目标要求在2050年前调动数万亿美元投资可再生能源，而融资成本对项目经济性至关重要。由于风电和太阳能项目初期资本支出占比远高于化石燃料，其平准化能源成本（levelized cost of energy, LCOE）对加权平均资本成本（weighted average cost of capital, WACC）极为敏感。例如，风能和太阳能项目的融资成本可占LCOE的60%，而燃气电厂通常最高只占30%。因此，能源系统模型若使用统一、完善、过时或未经验证的WACC假设，将扭曲成本评估并削弱清洁能源投资动力。现有WACC数据来源也存在明显局限：国际能源署（IEA）依赖专项调查，覆盖范围仅10个国家；IRENA提出的公式型基准可用于任意国家，但所用参数未经完善的实证校准。因此，研究人员构建了一个基于全球实证数据集校准的开放获取工具，为太阳能光伏、陆上风电、海上风电提供分国家、分技术、分年份的WACC估计。这项工作发表于《Energy Strategy Reviews》。

**方法概述**

为获得全球级可比WACC，研究人员整合了Steffen等学者编译的综合WACC数据集，并补充了欧盟资助项目DiaCore、Aures II以及Climate Policy Initiative的数据，最终获得718个国别WACC观测值，覆盖2000—2023年；经按国家、技术、年份聚合后，保留了2008—2023年的439个观测值作为校准样本。方法上，研究人员首先比较了四种WACC规格（A：统一WACC；B：国家分化；C：加入基础设施和技术溢价；D：进一步加入技术成熟度），并基于相关系数、R2、平均绝对百分比误差（MAPE）和平均绝对误差（AAE）等指标，选择精度较高的规格C作为基础。随后，利用普通最小二乘（ordinary least squares, OLS）回归和分层最优拟合算法两种校准方法，引入区域溢价（P_R）与技术溢价（P_T），并在不同区域、技术和时间范围内检验模型的稳健性。

**结果**

**基础规格选择**
通过对比四种规格预测精度，统一WACC（规格A）精度最弱，其MAPE大于50%，平均绝对误差约为3个百分点，无法反映实际差异。加入国家和时间差异（规格B）可获得确定系数R2=0.50，相关系数为0.71，但预测误差仍较大。在此基础上进一步加入基础设施和技术溢价（规格C），R2提高至0.51，相关系数提高到0.72，同时MAPE降至30%。而加入技术成熟度分层（规格D）需求信息更多，但非线性明显，因此研究人员确定规格C为最优基础结构。

**优化**
加入P_R和P_T后，不同方法的校准结果均指向相似方向。区域溢价显示，欧洲与中亚（?0.6%至5.2%）和北美洲（?0.1%至6.2%）整体风险较低；南亚（2.7%至9.1%）和撒哈拉以南非洲（3.6%至9.1%）最高；东亚与太平洋、中东与北非、拉丁美洲与加勒比处于中间水平。技术溢价中，陆上风电最低，部分区域甚至为负值；太阳能光伏介于其间；海上风电最高（3.0%至7.1%）。OLS回归和最优拟合算法给出的区间存在一定差异，但整体区间范围不超过2.8个百分点。将两种方法得到的P_R、P_T引入模型后，OLS的相关系数升至0.74、R2=0.54，MAPE为33.69%，平均绝对误差（AAE）为2.24%；而最优拟合算法的相关系数0.74、R2=0.55，MAPE稍高（38.31%），但AAE略低。两种方法表现出稳定提升，同时呈现精算法之间的权衡。

**稳健性**
基于区域分组检验显示，工具在欧洲与中亚地区表现良好（平均偏差<1%），并在此类样本最多的地区略有较高，性能为R2=0.34，MAPE=38%。南亚数据拟合较好（R2=0.85，MAPE=15%），东亚与太平洋、拉丁美洲与加勒比也有较高的一致性。北美洲结果最为分散（R2≈0.004，系数为?0.07），并被系统性高估，可能与美国的投资税收抵免机制有关。中东与北非、撒哈拉以南非洲项目因为样本较少，偏差超过±5个百分点的比率超过30%，且全部离群值集中在太阳能光伏项目。技术维度上，陆上风电大体呈现近似正态分布，MAPE约30%，模型拟合较好；太阳能光伏的右倾偏差说明存在大比例高估，且2023年偶有低估；海上风电由于样本有限，R2=0.28、MAPE=36%，不确定性最高。时间分析显示，2020—2023年期间拟合最好（R2=0.69，MAPE=34%），但个别年度因宏观经济波动存在高估或低估。

**讨论与结论**
该工具的最大贡献是使研究人员、模型和决策者能通过公开数据获得分国家、分技术、分年份的WACC估计，从而克服传统数据获取中的成本和隐私限制。但讨论指出应谨慎对待：这些模型来自预测性而非因果性推断，无法捕捉项目级因素（如项目规模、电力购买协议、政策补贴等）；原始数据集中于低利率环境，未来应对高利率情况可能有差异；在极高风险国家或极为波动的宏观经济中，估计值可能滞后或低估。该研究的后续方向包括增加项目和地区数据，探索非线性机器学习方法，并引入项目级财务参数。
结论方面，研究人员总结认为，他们提出一个开放获取、按国家和年份估计陆上风电、海上风电和太阳能光伏WACC的工具，并使用目前最完整的实证WACC数据集对其进行了校准，为能源建模人员、研究院和决策者提供了一种使用最新WACC估计进行分析的新选项。该工具在陆上风电以及欧洲与中亚、南亚、东亚与太平洋、拉丁美洲与加勒比地区表现较好，可能出现较大；对于海上风电，以及2023年的太阳能光伏、北美洲、中东与北非和撒哈拉以南非洲情况，仍需持谨慎态度。应用建议包括：(i) 使用含连P_R、P_T的上下限区间进行敏感性分析；(ii) 在工具性能较差的地区尤其审慎地使用；(iii) 随宏观金融环境变化与技术进步不定期更新P_R和P_T。持续收集、公开和共享项目级WACC数据，将是提升该工具以及其他可再生能源成本建模方法准确性的关键；改善建模准确度和成本可靠性，对全球能源转型尤为重要，尤其面对许多数据稀缺地区在未来数十年内面临大规模投资需求的现实。