Investitionen erneuerbarer Energietechnologien unter dem Einfluss schwankender Rohstoffpreise eine ökonometrische Analyse

Transkript

1 Investitionen erneuerbarer Energietechnologien unter dem Einfluss schwankender Rohstoffpreise eine ökonometrische Analyse Dipl.-Ing. Christian Panzer Energy Economics Group Technische Universität Wien Web: EnInnov Christian Panzer Graz, 16. Februar 2012 Slide 1

2 Inhalt Motivation der Arbeit Theorie und Hintergrundinformation Ausgewählte Ergebnisse Fazit und Empfehlungen 12. EnInnov Christian Panzer Graz, 16. Februar 2012 Slide 2

3 Technologisches Lernen das ewige Märchen? Historische Beobachtungen von Investitionskosten diverser Energietechnologien Negatives Lernen in ? Quelle: Junginger et al. (2010) 12. EnInnov Christian Panzer Graz, 16. Februar 2012 Slide 3

4 Volatile Rohstoffpreise Historische Entwicklung diverser Marktpreise stärkster Anstieg von Energie- und Rohstoffpreisen Quelle: Die Presse / Economist (10. Februar 2012) Damit machen Rohstoffpreise bereits 40 bis 60 Prozent der gesamten Kosten der Industrie aus Strategiepapier der Industriellenvereinigung 12. EnInnov Christian Panzer Graz, 16. Februar 2012 Slide 4

5 Theorie und methodischer Ansatz c ( x ) t = CP ( α + r β * CP t + r u t ) x x t 0 b LR = 1 2 b PR =1 LR α r β u r t Konstante Koeffizientenvektor Residuenvektor c( x t ) CPt x t Investitionskosten Rohstoffpreise kumulierte Produktuion Methodischer Ansatz: Identifizierung des Einflusses von Energie- auf Rohstoffpreise Herleiten von Rohstoffpreisen basierend auf identifiziertem Modell für die Vergangenheit und Zukunft Datenaufbereitung zur Quantifizierung des Einflusses von Rohstoffpreisen als auch technologischen Lerneffekten auf Investitionskosten Energietechnologien Bewertung zukünftiger Entwicklungen untersuchter Investitionskosten und Sensitivitätsanalysen 12. EnInnov Christian Panzer Graz, 16. Februar 2012 Slide 5

6 Data adjustment for conducting a regression analysis Technological learning cannot be considered in regression analysis due to data gaps for the near past Learning rate was identified for a certain period (up to 2000) then capital cost are cleaned up (i.e. for the impact of learning) for the whole assessment period CEPCI and US inflation development index 1978 = 1 400% 360% 320% 280% 240% 200% 160% 120% 80% 40% CEPCI USD inflation steel price US 0% Source: Chemical engineering plattform; EnInnov Christian Panzer Graz, 16. Februar 2012 Slide 6

7 Theory of linear regression rr r y( t) = α + βx( t) + u( t) Linear regression based on Ordinary Least Square (OLS) method Conditions for validation of OLS method: Gauss-Markoff Theorem Dependent and independent variables should not hold a unit root Residuals of regression must be normal distributed Residuals of year (t) should not be dependent of former residuals no serial correlation Residuals must be homoskedastic All four points must be fulfilled in order to have significant and efficient regressors! R² adj indicates the quality of the fit of the linear regression 12. EnInnov Christian Panzer Graz, 16. Februar 2012 Slide 7

8 Stahlpreise - Modell 200% Steel price development - historic and future forecast depending on energy price development in real units indexed to 1998 [%] 180% 160% 140% 120% 100% 80% 60% 40% 20% real steel price calculated steel price 0% Quelle: Eigene Berechnung Nur geringfügige Abweichung in Erklärung des Stahlpreises durch Kohlepreis 2001 stark exogener Einfluss auf den Weltstahlpreis Depression in USA Generell Erklärung der Stahlkosten, nicht des Marktpreises! 12. EnInnov Christian Panzer Graz, 16. Februar 2012 Slide 8

9 Onshore Wind - Investitionskostenmodell Comparison of wind onshore investment costs, depending on modeling approach; indexed to the real value of the year 2000 [%] 140% 130% 120% 110% 100% 90% 80% 70% 60% 50% 40% 30% 20% 10% 0% Starke Abhängigkeit von Stahlpreisen Minimumeinfluss durch ausschließliche Berücksichtigung des Energiepreiseinflusses Totale Kompensation von Lerneffekten (7%) 12. EnInnov Christian Panzer Graz, 16. Februar 2012 Slide 9 real WI-ON investment costs regression of WI-ON investment costs based on real steel price WI-ON investment costs at learning by doing effect only Quelle: Eigene Berechnung

10 Photovoltaik Investitionskostenmodell Comparison of Photovoltaic investment costs depending on the modeling approach; indexed to the real value of the yeaer 2000 [%] 200% 180% 160% 140% 120% 100% 80% 60% 40% 20% realized PV investment costs regression of PV investment costs based on real silicon price PV investment costs at learning by doing only 0% Cochrane-Orcutt Anwendung gegen Autokorrelation der Residuen Quelle: Eigene Berechnung Signifikanter Einfluss von Siliziumkosten kompensiert durch technologische Lerneffekte von 20% und starkem jährlichen Wachstum (kumulierte Installation) 12. EnInnov Christian Panzer Graz, 16. Februar 2012 Slide 10

11 Biomasse KWK Investitionskostenmodell Historic biomass CHP investment costs indexed to the real value of the year 2000 [%] 162.5% 150.0% 137.5% 125.0% 112.5% 100.0% 87.5% 75.0% 62.5% 50.0% 37.5% 25.0% 12.5% 0.0% Standortspezifische Investitionskosten verzerren historische Entwicklung Generell Tendenz durch Energiepreise beschrieben Geringe Lerneffekte stark durch steigende Energiepreise kompensiert 12. EnInnov Christian Panzer Graz, 16. Februar 2012 Slide 11 real BM-CHP investment cost regression of BM-CHP investment cost based on real commodity prices BM-CHP investment costs at learning by doing effect only Quelle: Eigene Berechnung

12 Klein-Wasserkraft Investitionskostenmodell Comparison of small-scale hydropower investment costs depending on modelling approach, indexed to the real value of 2000 [%] 160% 140% 120% 100% 80% 60% 40% 20% real hydro power investment cost regression of hydro power investment cost 0% mathematical exact explanation Hydro power inv. Costs at learning by doing effect only Quelle: Eigene Berechnung Standortspezifische Investitionskosten verzerren historische Entwicklung Nicht signifikante Regressoren weisen auf keinen Einfluss von Energie- und Rohstoffpreisen hin. Geprägt von anderen Kostenträgern wie UVP, etc 12. EnInnov Christian Panzer Graz, 16. Februar 2012 Slide 12

13 Sensitivitätsanalyse Sensitivity of investment costs of selected energy technologies [%] WI-ON WI-OFF PV BM-CHP -10.0% Primary energy price variation [%] Photovoltaik Investitionskosten robust gegen Energiepreisschwankungen 10.0% 0.0% -30% -25% -20% -15% -10% -5% 0% -2.0% 5% 10% 15% 20% 25% 30% Quelle: Eigene Berechnung Wind onshore: signifikanter Beitrag unterschiedlich auf positive und negative Schwankungen 8.0% 6.0% 4.0% 2.0% -4.0% -6.0% -8.0% Biomasse KWK technologisch sehr ähnlich zu konventionellen stärkster Einfluss allerdings sind Investitionskosten nur ein Teil der Stromgestehungskosten 12. EnInnov Christian Panzer Graz, 16. Februar 2012 Slide 13

14 Auswirkung: Stromgestehungskosten Electricity generation costs of selected energy technologies in EUR2006/MWh Kohlekraftwerk: Anstieg durch Investitionskosten, Kohlepreis und CO2 Preis! Wind onshore: Anstieg durch Investitionskosten jedoch moderat und unterschreitet konventionelle Erzeugungskosten in 2025 (lt. Szenario)! Photovoltaik: Starke Reduktion der Stromgestehungskosten durch technologisches Lernen und starken Zukunftsausbau Netzparität in AUT ca. in 2015, aber in 2030 noch leicht über Strommarktpreisniveau! 12. EnInnov Christian Panzer Graz, 16. Februar 2012 Slide MW coal power plant 2MW wind onshore turbine 20kW PV power plant Quelle: Eigene Berechnung

15 Fazit und Empfehlung Rohstoffpreise werden von Energiepreisen getrieben, ABER auch marktbasierte Parameter wie Überkapazitäten oder starke Nachfrage üben Einflüsse aus. Langzeitlieferverträge verursachen zusätzlichen zeitversetzten Einfluss von Energiepreisen auf Rohstoffpreise. Produktionsverfahren erneuerbarer Energietechnologien verbessern sich kontinuierlich, aber Firmen tauschen ihre Produktion nur nach bestimmter Zeit aus -> daher zeitverzögerte Einflüsse von Rohstoffpreisen auf Investitionskosten Wind und KWK Investitionskosten stark beeinflusst, Photovoltaik auch aber kompensiert durch Lerneffekte, Wasserkraft nicht beeinflusst! Modellierungsansatz erlaubt signifikant präzisere Approximationen der Investitionskosten als der Standard learning by doing Ansatz. Langfrist Vorhersagen weisen hohe Unsicherheit auf, da sie auf historischen Zusammenhänge gebaut sind. Zusätzliche Unsicherheit in Energiepreisannahmen. Eine generelle Kopplung von Förderpolitiken an Rohstoffpreisindexes ist nicht empfehlenswert da die Auswirkung stark technologiespezifisch sind 12. EnInnov Christian Panzer Graz, 16. Februar 2012 Slide 15

16 Danke für Ihre Aufmerksamkeit! Kontakt Dipl.-Ing. Christian Panzer Energy Economics Group (EEG) Technische Universität Wien Gusshausstraße 25-29/E Wien, Austria EnInnov Christian Panzer Graz, 16. Februar 2012 Slide 16