Technologia chłodnicza: Dlaczego uzasadnienie inwestycji powinno opierać się na modelach probabilistycznych?
Kiedy sprzedawcy detaliczni oceniają inwestycje w chłodnictwo w supermarketach, analiza często opiera się na prostym i uproszczonym modelu. Ceny energii są ustalane na podstawie obowiązujących stawek, zakłada się, że prognozowane oszczędności pozostaną stałe, a okres zwrotu jest wyrażony jako jedna liczba. Z pozoru wygląda to wiarygodnie, ale nie odzwierciedla tego, jak warunki zmieniają się w praktyce. Koszty energii ulegają wahaniom, potrzeby konserwacyjne rosną z czasem, a działalność sklepu zmienia się z dnia na dzień. Poleganie na stałych wartościach maskuje te zmienne i może prowadzić do mylących lub niedoinformowanych wniosków.
Symulacja Monte Carlo stanowi odpowiedź na to wyzwanie. Zamiast generować jeden wynik, uruchamia tysiące scenariuszy w określonych zakresach prawdopodobieństwa dla każdej zmiennej wejściowej. Wyniki są przedstawiane jako zakres wyników z powiązanymi z nimi prawdopodobieństwami, a nie jako wartości bezwzględne. Umożliwia to bardziej zniuansowaną ocenę ryzyka i zwrotu, dostosowując model inwestycyjny do niepewności, z jaką faktycznie borykają się detaliści.
Ten blog poświęcony jest temu, dlaczego modelowanie probabilistyczne zapewnia lepszą podstawę do podejmowania decyzji inwestycyjnych w technologii chłodniczej, jak metody Monte Carlo działają w praktyce i jakie korzyści oferują w porównaniu z podejściami jednopunktowymi.
Modelowanie deterministyczne a probabilistyczne w inwestycjach w technologie chłodnicze
Ryzyko polegania na jednopunktowych szacunkach. Większość modeli inwestycyjnych dotyczących technologii chłodniczych jest deterministyczna. Przyjmują one stały zestaw założeń, takich jak cena energii, wydajność szafy i koszty konserwacji, i obliczają pojedynczy wynik. Model może stwierdzać, że okres zwrotu wynosi określoną liczbę lat lub że oszczędności w całym okresie eksploatacji osiągną określoną wartość. Wyniki te dają wrażenie precyzji, ale jeśli ceny energii zmieniają się w czasie lub jeśli konserwacja okazuje się bardziej wymagająca, wyniki szybko tracą wiarygodność. Co gorsza, modele deterministyczne są bardziej podatne na manipulacje danymi wejściowymi w celu uzyskania pożądanego wyniku jednopunktowego.
Modelowanie probabilistyczne rozwiązuje ten problem. Zamiast polegać na stałych danych wejściowych, przypisuje rozkłady prawdopodobieństwa do każdej zmiennej. Na przykład, koszty energii mogą być reprezentowane jako zakres, który odzwierciedla regionalne lub oparte na popycie wahania cen. Wskaźniki inflacji, harmonogram wdrażania i prognozy intensywności emisji dwutlenku węgla w dostawach mogą być modelowane w ten sam sposób. Korzystając z metodologii Monte Carlo, przeprowadza się tysiące symulacji, losując wartości wejściowe z tych rozkładów prawdopodobieństwa, generując w ten sposób spektrum zagregowanych wyników.
Wynik? Nie jest to pojedyncza liczba, ale histogram pokazujący możliwe wyniki wraz z powiązanymi z nimi prawdopodobieństwami. Na poniższym rysunku przedstawiamy zakresy wyników dla zwrotów z inwestycji, stosunku korzyści do kosztów i oszczędności emisji dwutlenku węgla dla inwestycji na poziomie sklepu modelowanej w okresie 10 lat.
Na przykład wyniki mogą wykazywać tendencję centralną w kierunku oszczędności na poziomie 173-183 ton CO₂, ale szeroki ogólny zakres wyników wysokich i niskich. Takie podejście zapewnia radzie inwestycyjnej możliwość oceny prawdopodobieństwa, że inwestycja spełni określony próg lub jaki byłby zakres wyników w ramach, powiedzmy, 95% przedziału ufności.
Ta zmiana z metod deterministycznych na probabilistyczne odzwierciedla sposób, w jaki zaawansowane modelowanie jest coraz częściej stosowane przez Aerofoil Energy i jej klientów w programach inwestycji technologicznych.
Symulacja Monte Carlo: Jak to działa w inwestycjach chłodniczych
Metody Monte Carlo wykorzystują techniki probabilistyczne do generowania wyników w oparciu o wielokrotne losowe pobieranie próbek. W modelowaniu inwestycji w technologię chłodniczą jest ona wykorzystywana do nakreślenia obrazu długoterminowego wpływu finansowego i węglowego wdrożenia technologii w obiektach detalicznych.
Zamiast traktować każdy wkład jako stałe założenie, model przedstawia je jako rozkłady prawdopodobieństwa, w każdym przypadku obejmujące zakres wartości, jakie każde założenie może wykazywać w całym okresie trwania inwestycji. Dane wejściowe zazwyczaj obejmują:
Wielkość sieci detalicznej i zestaw szaf chłodniczych: liczba sklepów przeznaczonych do modernizacji i odsetek szaf chłodniczych nadających się do wdrożenia.
Harmonogram wdrażania: stopniowa modernizacja istniejących szaf i wdrażanie w nowych lub odnowionych szafach w czasie, modelowane przez okres użytkowania sprzętu.
Bazowe zużycie energii w szafce: uzyskane na podstawie danych z monitorowania energii ex-ante.
Rozkład prawdopodobieństwa bazowego zużycia energii w szafce na podstawie monitoringu laboratoryjnego i sklepowego.
Oszczędności energii: uzyskane na podstawie niezależnych pomiarów laboratoryjnych i sklepowych po wdrożeniu technologii.
Intensywność emisji dwutlenku węgla: na podstawie danych rządowych, pozarządowych i akademickich, ze zmianami w czasie modelowanymi przy użyciu ograniczonego losowego spaceru.
Ceny energii elektrycznej: obowiązujące taryfy branżowe lub ujawnione umowy detaliczne, odzwierciedlające różnice regionalne lub oparte na popycie.
Czynniki inflacyjne: koszty energii, kapitału i pracy modelowane w celu odzwierciedlenia cykliczności gospodarczej i współzależności (na przykład koszty kapitału do kosztów energii).
Jedna z możliwych zmian inflacji w czasie, oparta na "losowym spacerze" w ramach okresowych cykli gospodarczych.
Schemat probabilistycznego modelu Monte Carlo. Dane wejściowe obejmowały wielkość nieruchomości detalicznej, typologię szafek, rozkład oszczędności energii, harmonogram wdrożenia, intensywność emisji dwutlenku węgla, wskaźniki przyjęcia, koszty technologii, ceny energii elektrycznej i inflację.
Każda symulacja Monte Carlo losowo wybiera wartości z każdego z tych rozkładów wejściowych. Zazwyczaj przeprowadza się od 8 000 do 10 000 symulacji w celu wygenerowania wyników, które można następnie podsumować statystycznie jako histogram lub wykorzystać do zgłoszenia zakresu wyników w określonym przedziale ufności.
W przypadku modeli inwestycyjnych Aerofoil Energy zagregowane wyniki są wyrażone jako rozkłady prawdopodobieństwa dla:
Uniknięte emisje dwutlenku węgla: na poziomie detalicznym, krajowym i regionalnym.
Opłacalność finansowa: przypadek inwestycji wyrażony w formie pieniężnej, stopa zwrotu, stosunek korzyści do kosztów i warunki zwrotu.
W następnej sekcji pokażemy rzeczywisty przykład metod symulacji Monte Carlo wykorzystywanych do oceny wpływu technologii chłodniczych na finanse i emisję dwutlenku węgla w dużych międzynarodowych sklepach detalicznych.
Studium przypadku: Aplikacja projektu Elite
Aerofoil Energy zastosował modele probabilistyczne w swoim projekcie Elite, programie badawczo-rozwojowym mającym na celu ustanowienie nowego punktu odniesienia w zakresie wydajności chłodniczej. Celem było oszacowanie wpływu opracowywanej technologii na emisję dwutlenku węgla.
Jak to zostało zrobione
Zmienne, takie jak zużycie energii w szafce technologicznej i bez niej oraz intensywność emisji dwutlenku węgla w sieci, zostały zamodelowane w celu odzwierciedlenia nieodłącznej niepewności i zmienności w czasie.
Wdrożenie technologii zostało zamodelowane tak, aby odzwierciedlało zarówno stopniowe modernizacje, jak i fabryczne montowanie w nowych szafkach w czasie.
Przeprowadzono tysiące iteracji, aby obliczyć prawdopodobny zakres wyników emisji dwutlenku węgla.
Co pokazał
Wyniki zostały przedstawione w celu pokazania, jak uniknięte emisje dwutlenku węgla zmieniałyby się w czasie, odzwierciedlając stopniowe wdrażanie technologii Elite w zestawieniu ze stopniowym usuwaniem dwutlenku węgla z krajowego koszyka wytwarzania energii elektrycznej.
Szacuje się, że w Wielkiej Brytanii wdrożenie technologii Elite w wybranej grupie sklepów spożywczych pozwoliłoby uniknąć emisji 0,45 mln ton CO₂ w okresie 20 lat.
Szereg czasowy pokazujący roczną unikniętą emisję dwutlenku węgla wynikającą z przyjęcia technologii Elite w Wielkiej Brytanii.
W Ameryce Północnej potencjalny wpływ wyniósł 3,6 miliona ton unikniętego CO₂, w Japonii/Australii 1,75 miliona ton, a w Europie 1,72 miliona ton.
Szereg czasowy pokazujący roczną unikniętą emisję dwutlenku węgla w wyniku przyjęcia technologii Elite w USA i Kanadzie. Należy zauważyć, że utrzymujący się wysoki poziom wytwarzania energii z paliw kopalnych w koszyku energetycznym w regionie skutkuje wyższymi poziomami oszczędności CO2 dzięki technologii Elite w dłuższej perspektywie, w porównaniu z Wielką Brytanią i Europą.
W skali globalnej całkowity wpływ wyniósł od 6,8 do 8,1 miliona ton unikniętego CO₂.
Wynik
Od czasu projektu Elite, Aerofoil Energy włączył modelowanie probabilistyczne do swoich standardowych ocen przypadków biznesowych dla klientów, dając detalistom pełny obraz zarówno wpływu finansowego, jak i wpływu na emisję dwutlenku węgla. Łącząc wiedzę inżynierską z zaawansowanym modelowaniem finansowym, Aerofoil Energy wzmacnia wiarygodność przypadków biznesowych prezentowanych na poziomie zarządu, wspierając pewniejsze i bardziej świadome podejmowanie decyzji.
Tworzenie przypadków inwestycyjnych odzwierciedlających rzeczywistość
Inwestycje w technologię chłodniczą nie mogą być oceniane na podstawie stałych założeń. Koszty energii wahają się, zachowanie operacyjne jest nieregularne, a potrzeby konserwacyjne rosną wraz z wiekiem szafy. Modele deterministyczne kompresują te zmienne do jednej liczby, co stwarza iluzję pewności, ale ukrywa ryzyko, które wpływa na długoterminową wydajność.
Modelowanie probabilistyczne zapewnia bardziej wyrafinowany obraz. Stosując metody Monte Carlo do symulacji tysięcy możliwych scenariuszy wyników, zapewnia, że strategie inwestycyjne są budowane na dowodach, które uwzględniają zarówno zmienność, jak i ryzyko. Daje to klientom pewność, że decyzje są oparte na warunkach, z którymi mają do czynienia dziś i w przyszłości.
Jeśli dokonujesz przeglądu swojej strategii chłodniczej, nasz zespół może podzielić się wynikami modelowania probabilistycznego i przykładami przypadków, które wiodący detaliści już wykorzystują do podejmowania decyzji. Skontaktuj się z nami.
Więcej informacji: