Tecnología de refrigeración: Por qué un caso de inversión debe basarse en modelos probabilísticos
Cuando los minoristas evalúan las inversiones en tecnología de refrigeración, el análisis suele basarse en un modelo directo y simplista. Los precios de la energía se fijan a los tipos vigentes, se supone que el ahorro previsto permanece constante y el plazo de amortización se expresa en una sola cifra. A primera vista, esto parece fiable, pero no refleja cómo cambian las condiciones en la práctica. Los costes energéticos fluctúan, las necesidades de mantenimiento aumentan con el tiempo y el funcionamiento de las tiendas varía día a día. Basarse en valores fijos oculta estas variables y puede llevar a conclusiones engañosas o mal informadas.
La simulación Monte Carlo aborda este reto. En lugar de producir un resultado, ejecuta miles de escenarios a través de rangos de probabilidad definidos para cada variable de entrada. Los resultados se presentan como una gama de resultados con sus probabilidades asociadas , en lugar de absolutos. Esto permite una evaluación más matizada del riesgo y el rendimiento, alineando el modelo de inversión con la incertidumbre a la que se enfrentan realmente los minoristas.
Este blog analiza por qué la modelización probabilística proporciona una base más sólida para las decisiones de inversión en tecnología de refrigeración, cómo funcionan en la práctica los métodos de Montecarlo y las ventajas que ofrecen frente a los enfoques puntuales.
Modelos deterministas frente a probabilistas en la inversión en tecnología de refrigeración
Los riesgos de basarse en estimaciones puntuales. La mayoría de los modelos de inversión en tecnología de refrigeración son deterministas. Toman un conjunto fijo de supuestos, como el precio de la energía, el rendimiento de la cabina y los costes de mantenimiento, y calculan un único resultado. Un modelo puede afirmar que el periodo de amortización es de un número fijo de años o que el ahorro a lo largo de la vida útil alcanzará una cifra determinada. Estos resultados dan una apariencia de precisión, pero si los precios de la energía cambian con el tiempo o si el mantenimiento resulta más exigente, los resultados pierden rápidamente toda credibilidad. Y lo que es peor, los modelos deterministas están más expuestos a la manipulación de los datos para obtener el resultado deseado.
La modelización probabilística aborda este punto débil. En lugar de basarse en datos fijos, asigna distribuciones de probabilidad a cada variable. Por ejemplo, los costes de la energía pueden representarse como una gama que refleje las variaciones regionales o de la demanda en la fijación de precios. Los índices de inflación, el calendario de despliegue y las previsiones de intensidad de carbono en el suministro pueden modelizarse del mismo modo. Utilizando la metodología de Monte Carlo, se realizan miles de simulaciones, extrayendo valores de entrada aleatoriamente de estas distribuciones de probabilidad, generando así un espectro de resultados agregados.
¿El resultado? No se trata de una sola cifra, sino de un histograma que muestra los posibles resultados con sus probabilidades asociadas. En la siguiente figura, mostramos los rangos de resultados para la rentabilidad de la inversión, la relación coste-beneficio y el ahorro de carbono para una inversión a nivel de almacén modelizada a lo largo de un periodo de 10 años.
Por ejemplo, los resultados pueden mostrar una tendencia central hacia un ahorro de 173-183 toneladas de CO₂, pero un amplio rango general de resultados altos y bajos. Este enfoque permite a la junta de inversión juzgar la probabilidad de que una inversión alcance una tasa crítica de rentabilidad específica, o cuál sería la gama de resultados dentro de, por ejemplo, el intervalo de confianza del 95%.
Este cambio de los métodos deterministas a los probabilísticos refleja cómo la modelización avanzada se aplica cada vez más por los Aerofoil Energy y sus clientes en los programas de inversión tecnológica.
Simulación Monte Carlo: Cómo funciona en la inversión en refrigeración
Los métodos Monte Carlo utilizan técnicas probabilísticas para generar resultados basados en muestreos aleatorios repetidos. En la modelización de la inversión en tecnología de refrigeración, se utiliza para dibujar una imagen del impacto financiero y de carbono a largo plazo de la implantación de la tecnología en las instalaciones de los minoristas.
En lugar de tratar cada dato como un supuesto fijo, el modelo los representa como distribuciones de probabilidad, en cada caso captando la gama de valores que cada supuesto podría mostrar a lo largo de la vida de la inversión. Los inputs suelen incluir:
Tamaño del parque de tiendas y combinación de armarios: número de tiendas que se prevé modernizar y proporción de armarios frigoríficos aptos para su implantación.
Calendario de implantación: adaptación progresiva de los armarios existentes y adopción en armarios nuevos o renovados a lo largo del tiempo, modelizado a lo largo de la vida útil de los equipos.
Consumo energético básico de los armarios: derivado de los datos de control energético ex ante.
Distribución de probabilidad del consumo de energía de referencia de los armarios derivada del seguimiento en laboratorio y en tienda.
Ahorro de energía: derivado de mediciones independientes en laboratorio y en tienda tras la implantación de la tecnología.
Intensidad de carbono de la oferta: basada en datos gubernamentales, de ONG y académicos, con cambios a lo largo del tiempo modelizados mediante un paseo aleatorio restringido.
Precios de la electricidad: tarifas vigentes en el sector o contratos minoristas divulgados, que reflejan las variaciones regionales o en función de la demanda.
Factores de inflación: costes de energía, capital y mano de obra modelizados para reflejar la ciclicidad económica y las interdependencias (por ejemplo, los costes de capital con los costes de energía).
Una posible variación de la inflación a lo largo del tiempo, basada en un "paseo aleatorio" dentro de ciclos económicos periódicos.
Esquema del modelo probabilístico de Monte Carlo. Los datos de entrada incluían el tamaño de los establecimientos minoristas, la tipología de los armarios, la distribución del ahorro energético, el calendario de implantación, la intensidad de carbono de la oferta, los índices de adopción, los costes tecnológicos, los precios de la electricidad y la inflación.
Cada simulación de Monte Carlo selecciona aleatoriamente valores de cada una de estas distribuciones de entrada. Normalmente, se realizan entre 8.000 y 10.000 simulaciones para generar resultados, que pueden resumirse estadísticamente en forma de histograma o utilizarse para informar de un rango de resultados dentro de un intervalo de confianza definido.
Para los modelos de inversión de Aerofoil Energy, los resultados agregados se expresan como distribuciones de probabilidad para:
Emisiones de carbono evitadas: a nivel minorista, nacional y regional.
Viabilidad financiera: el caso de inversión expresado en términos monetarios, de tasa de rendimiento, de relación coste/beneficio y de amortización.
En la siguiente sección, mostraremos un ejemplo real de uso de métodos de simulación Monte Carlo para evaluar el impacto financiero y de carbono de la tecnología de refrigeración en grandes minoristas internacionales.
Estudio de caso: Aplicación del proyecto Elite
Aerofoil Energy aplicó modelos probabilísticos a su proyecto Elite, un programa de investigación y desarrollo diseñado para establecer un nuevo punto de referencia en eficiencia de refrigeración. El objetivo era estimar el impacto del carbono de la tecnología en desarrollo.
Cómo se hizo
Variables como el consumo de energía en el armario con o sin tecnología y la intensidad de carbono en la red se modelizaron para reflejar la incertidumbre inherente y las variaciones temporales.
El despliegue de la tecnología se modelizó para reflejar tanto las adaptaciones progresivas como la instalación en fábrica de nuevos armarios a lo largo del tiempo.
Se realizaron miles de iteraciones para calcular la gama probable de resultados de carbono.
Lo que mostró
Los resultados se presentaron para mostrar cómo las emisiones de carbono evitadas cambiarían con el tiempo, reflejando la adopción gradual de la tecnología Elite frente a la eliminación gradual del carbono de la combinación de generación de energía eléctrica de un país.
En el Reino Unido, se calcula que la adopción de la tecnología Elite en un grupo selecto de supermercados evitará 0,45 millones de toneladas de CO₂ en un periodo de 20 años.
Serie cronológica que muestra las emisiones anuales de carbono evitadas gracias a la adopción de la tecnología Elite en el Reino Unido.
En Norteamérica, el impacto potencial fue de 3,6 millones de toneladas de CO₂ evitadas, con Japón/Australia en 1,75 millones de toneladas y Europa en 1,72 millones de toneladas.
Serie temporal que muestra las emisiones anuales de carbono evitadas gracias a la adopción de la tecnología Elite en EE.UU. y Canadá. Obsérvese que el mantenimiento de niveles elevados de generación a partir de combustibles fósiles en el mix energético de la región se traduce en mayores niveles de ahorro de CO2 gracias a la tecnología Elite a largo plazo, en comparación con el Reino Unido y Europa.
Globalmente, el impacto total fue de entre 6,8 y 8,1 millones de toneladas de CO₂ evitadas.
El resultado
Desde el proyecto Elite, Aerofoil Energy ha integrado la modelización probabilística en sus evaluaciones estándar de casos empresariales para clientes, ofreciendo a los minoristas una visión completa de los impactos financieros y de carbono. Al combinar sus conocimientos de ingeniería con una modelización financiera avanzada, Aerofoil Energy refuerza la credibilidad de los casos empresariales presentados a los consejos de administración, lo que contribuye a una toma de decisiones más segura y bien informada.
Construir casos de inversión que reflejen la realidad
Las inversiones en tecnología de refrigeración no pueden juzgarse sobre hipótesis fijas. Los costes energéticos fluctúan, el comportamiento operativo es irregular y las necesidades de mantenimiento aumentan con la edad de los armarios. Los modelos deterministas comprimen estas variables en una sola cifra, lo que crea la ilusión de certidumbre pero oculta los riesgos que afectan al rendimiento a largo plazo.
La modelización probabilística ofrece una visión más sofisticada. Al aplicar métodos de Monte Carlo para simular miles de posibles escenarios, garantiza que las estrategias de inversión se basen en pruebas que capten tanto la variabilidad como el riesgo. De este modo, los clientes tienen la seguridad de que sus decisiones se basan en las condiciones actuales y futuras.
Si está revisando su estrategia de refrigeración, nuestro equipo puede compartir los resultados de los modelos probabilísticos y ejemplos de casos que los principales minoristas ya están utilizando para fundamentar sus decisiones. Póngase en contacto con nosotros.
Más información: