Abstracto

Los costos de los módulos fotovoltaicos (PV) han disminuido

rápidamente durante cuarenta años, pero las razones siguen
siendo difíciles de comprender. Aquí avanzamos un marco
conceptual y un método cuantitativo para cuantificar las causas de
los cambios de costos en una tecnología y aplicarlo a los módulos
fotovoltaicos. Nuestro método comienza con un modelo de costo
que descompone el costo en variables que cambiaron con el
tiempo. Luego se derivan ecuaciones de cambio de costos para
cuantificar la contribución de cada variable. Distinguimos entre los
cambios observados en las variables del modelo de costos, que
denominamos mecanismos de reducción de costos de bajo nivel,
e investigación y desarrollo, aprender haciendo y economías de
escala, a los que nos referimos como mecanismos de alto
nivel. Encontramos que el aumento de la eficiencia del módulo fue
la principal causa de bajo nivel de reducción de costos en 1980–
2012, contribuyendo con casi el 25 % de la disminución. I&
privada y financiada por el gobierno D fue el mecanismo de alto
nivel más importante durante este período. Sin embargo, después
de 2001, las economías de escala se convirtieron en una causa
más importante de reducción de costos, acercándose a la I+D en
importancia. Las políticas que estimulan el crecimiento del
mercado han desempeñado un papel clave para permitir la
reducción de costos de la energía fotovoltaica, a través de
economías de escala e I+D financiadas con fondos privados y, en
menor medida, del aprendizaje práctico. El método presentado
aquí se puede adaptar para estudiar de forma retrospectiva o
prospectiva muchas tecnologías y métricas de rendimiento
además del costo. y en menor medida aprender haciendo. El
método presentado aquí se puede adaptar para estudiar de forma
retrospectiva o prospectiva muchas tecnologías y métricas de
rendimiento además del costo. y en menor medida aprender
haciendo. El método presentado aquí se puede adaptar para
estudiar de forma retrospectiva o prospectiva muchas tecnologías
y métricas de rendimiento además del costo.
Introducción
La energía fotovoltaica ha exhibido la disminución de costos más
rápida entre las tecnologías energéticas (Trancik y Cross-Call,
2013) (Fig. 1). Paralelamente a la reducción de costes y la mejora
del rendimiento, el despliegue fotovoltaico global ha crecido
rápidamente (Trancik, 2014). El despliegue continuo de energía
fotovoltaica podría ayudar a reducir las emisiones de gases de
efecto invernadero y otra contaminación de los sistemas
energéticos (Hertwich et al., 2015) y contribuir a la mitigación del
cambio climático (Trancik y Cross-Call, 2013). Sin embargo, para
que el despliegue fotovoltaico experimente un crecimiento
sostenido en el futuro, particularmente cuando se consideran los
costos adicionales de abordar la intermitencia solar (Braff et al.,
2016), es probable que se necesiten más reducciones de costos
(Departamento de Energía de EE. UU., 2012). Este documento
tiene como objetivo identificar las causas de las rápidas
disminuciones de costos de la energía fotovoltaica en el pasado y
obtener información sobre cómo mantener el ritmo de mejora en
el futuro.
Varias comunidades de investigación han estudiado las
tendencias de mejora en la energía fotovoltaica y otras
tecnologías. El análisis correlacional es un enfoque común en
estos estudios, que a menudo se centra en el costo (u otras
medidas de desempeño) y los niveles de inversión en producción
o investigación (Nagy et al., 2013). Uno de los modelos más
utilizados es la curva de experiencia, que relaciona el costo de
una tecnología con la producción acumulada como una ley de
potencia. Utilizando esta relación como herramienta explicativa o
predictiva, los estudios han estimado las tasas de mejora del
rendimiento para una variedad de tecnologías (Grubler et al.,
1999, Koh y Magee, 2008, Nagy et al., 2013, Rubin et al., 2015). ,
Zheng y Kammen, 2014). Por ejemplo, los costos de los módulos
fotovoltaicos cayeron alrededor de un 20 % con cada duplicación
de la capacidad acumulada desde la década de 1970 (McDonald
y Schrattenholzer, 2001, Nemet, 2006). Se han propuesto varias
explicaciones para esta disminución de costos, como los
esfuerzos públicos de investigación y desarrollo y varias
consecuencias del crecimiento del mercado ( Bettencourt et al.,
2013 ), incluido el aprendizaje práctico, las economías de escala y
los esfuerzos privados de investigación y desarrollo ( Funk, 2013 ,
McDonald y Schrattenholzer, 2001 , Sagar y van der Zwaan, 2006
, van der Zwaan y Rabl, 2004 , Yu et al., 2011 , Pillai, 2015). Estos
estudios comparten un enfoque para examinar la evolución del
costo de la tecnología en el que se asumen factores importantes
de reducción de costos de alto nivel y su influencia en el costo se
infiere en función de la correlación. Las tecnologías se tratan
como cajas negras y las causas de la reducción de costos dentro
de una tecnología no se modelan mecánicamente.

Otro grupo de estudios utiliza modelos de costos detallados a

nivel de dispositivo para comprender cómo las características de
una tecnología o un proceso de fabricación contribuyen a los
costos en una o más instantáneas en el tiempo. Existen varios
estudios de este tipo para la energía fotovoltaica y brindan
información sobre cómo los componentes de costos individuales
contribuyen a los costos totales, teniendo en cuenta la física de
las tecnologías fotovoltaicas ( Goodrich et al., 2013a , Powell et
al., 2012 , Powell et al., 2013 , Woodhouse et al., 2013a ,
Woodhouse et al., 2013b ). También proponen vías para futuras
mejoras técnicas a nivel de dispositivo o fabricación, y estiman las
reducciones de costos que podrían lograrse en el futuro (Jones-
Albertus et al., 2016 ). Sin embargo, en estos estudios falta un
método para cuantificar con precisión cómo cada cambio en una
característica de la tecnología o el proceso de fabricación
contribuye a la reducción de costos, cuando ocurren muchos
cambios simultáneamente. Este conocimiento es necesario para
comprender los mecanismos de reducción de costos, pero
requiere más avances en el modelado.

La búsqueda de modelos tanto dinámicos como detallados a nivel

de dispositivo es fundamental para identificar las causas de la
mejora en la energía fotovoltaica y otras tecnologías. Este
enfoque combinado abordaría las limitaciones inherentes al uso
de análisis correlacionales para identificar los efectos causales.
Este enfoque también abordaría la falta de dinámica en los
estudios a nivel de dispositivo. Algunos estudios anteriores han
comenzado a desarrollar una metodología de este tipo mediante
la descomposición de los costos de la tecnología a lo largo del
tiempo ( McNerney et al., 2011 , Nemet, 2006 ). Un estudio de los
impulsores de los cambios en los costos de los módulos
fotovoltaicos desde la década de 1970 hasta principios de la
década de 2000 ( Nemet, 2006 ) fue pionero en un puente de este
tipo y descubrió que aprender haciendo tenía un efecto limitado
en la reducción de costos.

En este artículo, proponemos un nuevo marco conceptual y un

modelo cuantitativo dinámico pero detallado para analizar la
evolución de costos de la energía fotovoltaica (o de cualquier
tecnología). Comenzamos con una ecuación de costos que
calcula los costos a partir de un conjunto de variables, como la
eficiencia del módulo, el área de la oblea y el tamaño de la planta
de fabricación. De esto derivamos ecuaciones de cambio de costo
que estiman la contribución de cada variable a los cambios de
costo. Múltiples cambios simultáneos en las variables tienen
diferentes impactos en el costo que los cambios individuales
sumados, y esto debe tenerse en cuenta al atribuir los cambios de
costos a las variables individuales. Nuestro método para estimar
las contribuciones variables se deriva de adaptar el diferencial
total de costo (que descompone los cambios de costo
infinitesimales) a cambios finitos.

Al atribuir la disminución del costo de la fotovoltaica a causas

particulares, hacemos una distinción entre causas (o
mecanismos) de bajo nivel y causas de alto nivel.causas (o
mecanismos). Los mecanismos de bajo nivel explican la
reducción de costos en términos de cambios en las variables de
un modelo de costos, que representan determinantes de costos
medibles y específicos de la tecnología (p. ej., el área de la
oblea). Los mecanismos de alto nivel explican la reducción de
costos en términos de procesos como I+D, aprendizaje práctico y
economías de escala que incluyen reducciones de costos de bajo
nivel. Tanto los mecanismos de bajo como de alto nivel pueden
proporcionar simultáneamente explicaciones para el cambio de
costo de una tecnología. Por ejemplo, supongamos que una
tecnología realiza una mejora en el rendimiento a partir del
aprendizaje práctico en la planta de producción. La reducción de
costos resultante puede explicarse de dos maneras. Una forma es
decir que el rendimiento aumentó; la otra forma es decir que
aprender haciendo redujo los costos. Ambas explicaciones son
correctas y enfatizan diferentes visiones del proceso de mejora.
La explicación basada en la mejora del rendimiento (un
mecanismo de bajo nivel) vincula la reducción de costos con el
modelo detallado de costos a nivel de dispositivo de esta
tecnología. La explicación basada en aprender haciendo (un
mecanismo de alto nivel) vincula la reducción de costos a un
mecanismo de mejora general que se discute ampliamente en los
estudios de evolución histórica de la tecnología. Aquí
consideramos ambos niveles y, por lo tanto, unimos los enfoques
de abajo hacia arriba y de arriba hacia abajo para comprender la
evolución de los costos de la tecnología.

Al considerar las causas de bajo y alto nivel de la mejora de PV,

descubrimos lecciones que son útiles para una variedad de
tomadores de decisiones. Estos pueden incluir ingenieros que
diseñan y fabrican módulos fotovoltaicos, o gerentes de empresas
y formuladores de políticas gubernamentales que desarrollan
estrategias para apoyar el desarrollo tecnológico. Por ejemplo,
nuestros hallazgos contribuyen a un debate de larga data sobre el
efecto de las inversiones públicas en I+D frente a las políticas de
expansión del mercado ( Duke y Kammen, 1999 , Hoppmann et
al., 2013 , Zheng y Kammen, 2014 ).

Nos centramos en los módulos fotovoltaicos de silicio cristalino

debido a su larga historia y su cuota de mercado dominante entre
las tecnologías fotovoltaicas ( Instituto Fraunhofer, 2017 ). Un
objetivo clave de nuestro análisis es comprender los mecanismos
de mejora de la tecnología fotovoltaica y la reducción de costos a
lo largo del tiempo, por lo que es esencial estudiar los costos
durante un largo período de tiempo. Desde la década de 1950,
esta tecnología ha mejorado constantemente debido a los
esfuerzos de I+D y fabricación ( Powell et al., 2012 ). Analizamos
los costes a partir de 1980, cuando las aplicaciones espaciales de
la energía fotovoltaica fueron superadas por las aplicaciones
terrestres , que no requerían tanta calidad y fiabilidad ( Candelise
et al., 2013 , Green, 2005 , Nemet, 2006).). Observamos los
costos típicos a nivel mundial, ya que los módulos fotovoltaicos se
fabrican y comercializan a nivel mundial. Nos enfocamos en los
costos más que en los precios porque los mecanismos de mejora
tecnológica se reflejan directamente en los costos, mientras que
los precios también incluyen márgenes que están influenciados
por otros factores, como la competencia del mercado (Pillai y
McLaughlin, 2013 ) . El método que desarrollamos se puede
adaptar para estudiar los sistemas fotovoltaicos en su conjunto
(incluidos los componentes de costos que no son módulos que
muestran un potencial significativo para la reducción de costos
( Fraunhofer Institute, 2015 , Trancik et al., 2015 )), y una amplia
gama de otras tecnologías. y medidas de desempeño distintas al
costo ( Carbajales-Dale et al., 2014 , Hertwich et al.,
2015 ,Needell et al., 2016 ). El método también podría resultar un
marco cuantitativo útil para obtener aportes de alta calidad de
expertos sobre las perspectivas de futuras mejoras tecnológicas
( Morgan, 2014 ).

Este documento está organizado de la siguiente manera: la

Sección 2 proporciona una explicación detallada del modelo de
costos. La Sección 3 explica el método de atribución de cambios
de costos a las variables. La Sección 4 muestra los resultados de
nuestro análisis y la conexión entre los mecanismos de bajo y alto
nivel. En la Sección 5 discutimos las implicaciones para futuros
desarrollos en PV y concluimos.

4 .Resultados y discusión

En esta sección, primero analizamos los mecanismos de bajo

nivel de reducción de costos de módulos, que se refieren a
cambios en las variables en la ecuación de costos. Luego
relacionamos los mecanismos de bajo nivel con los mecanismos
de alto nivel de reducción de costos, que se refieren a estrategias
(p. ej., inversión en I+D) o efectos emergentes (p. ej., aprender
haciendo, economías de escala) que reducen los costos al afectar
uno o más mecanismos de bajo nivel.

4.1 . Mecanismos de bajo nivel de reducción de costos

La Figura 3 y la Tabla 3 muestran los cambios en el costo del

módulo debido a cada variable en los dos períodos, 1980–2001 y
2001–2012, y el período completo, 1980–2012. La mejora de la
eficiencia fue el mayor contribuyente en el primer período,
responsable del 24% de la reducción de costos. En el segundo
período, la eficiencia del módulo fue solo el cuarto factor más
importante y su contribución se redujo al 12%. La eficiencia
aumentó a través de muchas mejoras, como la pasivación de la
superficie ( Green, 2005 ), el recubrimiento antirreflectante
( Goetzberger et al., 2003 ), la texturización de las obleas
( Bruton, 2002 , Rohatgi, 2003 ) y el desarrollo de materiales
encapsulantes ( Green , 2005 ).

Figura 3 . Contribución de los mecanismos de bajo nivel a la

disminución del costo del módulo en 1980–2001 (izquierda),
2001–2012 (centro) y 1980–2012 (derecha). Los mecanismos se
enumeran en orden de contribución decreciente para el período
1980–2001.
El segundo factor más importante en 1980–2001 fue la reducción
de los costos por área de oblea de materiales que no son de
silicio, lo que contribuyó con el 22 % de la disminución de costos.
La contribución de este factor en 2001-2012 fue del 15%. Los
materiales que no son de silicio incluyen sustancias como el
vidrio, el laminado y la pasta de metal que se incrustan en el
módulo, así como la suspensión y el alambre que se usan durante
la producción. El costo de estos materiales se ha reducido
mediante varias mejoras en el diseño de procesos y módulos. Por
ejemplo, el costo de la suspensión utilizada en el corte de obleas
puede reducirse mediante el reciclaje, con tasas de reciclaje
informadas de hasta el 80 % ( Applied Materials, 2011 ).

Los cambios en el precio del polisilicio contribuyeron con

alrededor del 18 % y el 3 % de la disminución del costo del
módulo en 1980–2001 y 2001–2012, respectivamente. Los puntos
finales de nuestro análisis se encuentran a ambos lados de un
período temporal de escasez de silicio en 2005–2008, durante el
cual los precios del polisilicio aumentaron. Antes de este período,
la industria de los semiconductores utilizaba la mayor parte del
polisilicio . La industria fotovoltaica utilizó rechazos de silicio de
grado electrónico de la industria de semiconductores, que tiene
requisitos de pureza más altos ( Sarti y Einhaus, 2002 ). Alrededor
de 2006, la demanda de polisilicio por parte de la industria
fotovoltaica superó la de la industria de semiconductores ( Fisher
et al. 2012 ). Si bien más del 80% de la población mundial
producción mundial de polisiliciofue consumido por la industria de
semiconductores antes de 2000 ( Fu et al., 2015 ),
aproximadamente el 90% se destinó a la fabricación de células
fotovoltaicas a partir de 2012 ( US Geological Survey, 2012 ).

La disminución del uso de silicio contribuyó en un 15 % a la

reducción del costo del módulo entre 1980 y 2001 y en un 8 %
entre 2001 y 2012. El uso de silicio depende del grosor de la
oblea h y la utilización de silicio U. Para estudiar la reducción del
coste total de ambas variables, definimos la combinación
. En 1980-2001, el grosor de la oblea disminuyó de 500 μm a 300
μm, mientras que la utilización de silicio aumentó del 20 % a
alrededor del 35 %. El espesor reducido y la mayor utilización
contribuyeron casi por igual a la reducción del costo del silicio en
este período. El uso de silicio siguió disminuyendo entre 2001 y
2012, aunque tuvo un impacto en los costos menos significativo.
La industria desarrolló obleas más delgadas tanto para reducir el
costo del silicio como para aumentar la eficiencia de conversión
( Goetzberger et al., 2003 ). La utilización de silicio también
aumentó, aunque las pérdidas siguen siendo altas, con alrededor
del 50 % del silicio entrante perdido durante el corte de obleas a
partir de lingotes de silicio . La disminución del espesor contribuyó
con alrededor del 70 % de la reducción de costos relacionada con
el uso de silicio en este período, mientras que el aumento de la
utilización contribuyó con el 30 % restante.

El aumento del área de la oblea también contribuyó a la reducción

del costo del módulo, aumentando de 90 cm
a 156cm
en 1980-2001, y volvió a crecer significativamente a unos 240 cm
para 2012. Aumentar el área de la oblea, dado un número fijo de
celdas por módulo, significa que cada módulo ensamblado
produce más energía. Los costos de materiales son en su
mayoría proporcionales al área, pero otros costos de ensamblaje
son insensibles al área ( Ghannam et al., 1997 , Nemet, 2006 ),
por lo que un área de obleas más grande conduce a un ahorro de
costos.

Las mejoras en los procesos condujeron a un aumento de los

rendimientos en la producción de obleas, células y módulos . El
rendimiento general aumentó del 75 % en 1980 al 95 % en 2012.
El cambio en el rendimiento contribuyó en aproximadamente un 7
% a la disminución del costo del módulo tanto en 1980–2001
como en 2001–2012. La manipulación reducida de obleas, células
y módulos debido a la automatización y las mejoras en procesos
como la formación de obleas ayudaron a aumentar el rendimiento
( Applied Materials, 2011 ). Observamos que otras mejoras (como
tamaños de obleas más grandes) pueden disminuir los
rendimientos ( Bruton, 2002 ), por lo que las consideraciones de
rendimiento pueden ser un factor limitante para las prácticas que
de otro modo ahorrarían costos.

El factor previo
en la ecuación (5) proporciona el nivel de costos dependientes del
tamaño de la planta para una planta de un tamaño fijo
, lo que representa el nivel general de costos de electricidad,
mano de obra, mantenimiento y depreciación en cada momento.
el cambio en
Se estimó que aumentó el costo en el período 1980-2001 y
disminuyó el costo en el período 2001-2012. Como se describe en
la Sección 2 , calibramos
en 1980 y 2001 al requerir costos no materiales en nuestro
modelo de costos para igualar los valores de nuestros datos.
Consideramos la variable con precaución ya que los cambios son
difíciles de interpretar y es probable que propague incertidumbre
en los datos. Sin embargo, sus efectos se encuentran entre los
más pequeños en ambos períodos.

Finalmente, el aumento del tamaño de las plantas de fabricación

resultó en economías de escala a través de infraestructura
compartida, requisitos de mano de obra reducidos, mayor
rendimiento y mejor control de calidad ( del Canizo et al., 2009 ).
Los tamaños típicos de las plantas se han ampliado con la
industria, a partir de 1 MW en 1980 y creciendo a alrededor de 13
MW en 2001 y a 1000 MW en 2012. El tamaño de la planta se
convirtió en un factor especialmente significativo en el período
más reciente, contribuyendo con casi el 40 % del disminución en
el costo del módulo.

En la Sección S3 de la Información de apoyo estimamos la

sensibilidad de nuestros resultados a la incertidumbre en las
variables de entrada que se muestran en la Tabla 1 . Concluimos
que, en general, nuestros resultados son robustos a los cambios
en las variables.
Nuestros hallazgos muestran algunas similitudes con los
resultados informados anteriormente, así como algunas
diferencias. De manera similar a Nemet (2006) , encontramos que
el aumento de la eficiencia del módulo fue la mayor contribución a
la reducción de costos en 1980–2001. Si bien Nemet (2006)
encuentra que las fuentes de las disminuciones de costos se
concentran en gran medida en el tamaño de la planta y los
cambios en la eficiencia de los módulos, encontramos que los
efectos de reducción de costos se distribuyeron entre una serie de
variables. En Nemet (2006)los costos de los materiales que no
son de silicio no se consideran, aunque encontramos que los
costos de los materiales que no son de silicio contribuyeron casi
tanto a la reducción de costos como lo hizo el silicio en este
período. Obtenemos una estimación menor para la contribución
del tamaño de la planta en este período (8% versus 43%), y
mayores contribuciones para el área de obleas (11% versus 3%),
consumo de silicio (15% versus 3%), rendimiento (7% frente al 2
%) y el precio del silicio (18 % frente al 12 %). Al comparar
nuestros resultados del período 2001–2012 con Pillai (2015) , que
analiza el período 2005–2012, encontramos una contribución
similar de los aumentos de eficiencia y una contribución menor de
las reducciones en el uso y el precio del silicio, con el tamaño de
la planta en cambio haciendo la mayor contribución individual.

4.2 . Mecanismos de alto nivel de reducción de costos

Las reducciones de costos de bajo nivel pueden atribuirse a

varios mecanismos de 'alto nivel', como la investigación y el
desarrollo, el aprendizaje práctico y las economías de escala. Es
útil estimar las contribuciones de estos mecanismos porque se
alinean más estrechamente con las palancas de política que a
menudo se usan para reducir los costos. Para estimar cuánto
contribuyó cada uno a la reducción de costos en los módulos
fotovoltaicos ( Fig. 4 ), categorizamos cada mecanismo de bajo
nivel de acuerdo con los mecanismos de alto nivel responsables
de él. En la Sección S4 de la Información de respaldo, realizamos
un análisis de sensibilidad para probar el efecto de estos
supuestos. Nuestras conclusiones sobre la importancia relativa de
diferentes mecanismos de alto nivel son sólidas para varios
esquemas para relacionar mecanismos de bajo y alto nivel (ver
Fig. S20).

Figura 4 . Contribución de los mecanismos de alto nivel a la

disminución del costo del módulo en 1980–2001 (izquierda),
2001–2012 (centro) y 1980–2012 (derecha).

Clasificamos los cambios que requieren un entorno de laboratorio

o una actividad de producción no rutinaria (por ejemplo, una línea
de producción experimental) como provocados por la
investigación y el desarrollo ( Pisano, 1996 , Rosenberg, 1982 ).
Consideramos que se ha logrado una mejora mediante el
aprendizaje práctico si se logró como resultado de la actividad de
fabricación rutinaria repetida y si fue de naturaleza incremental
( Pisano, 1996 ). Clasificamos los cambios que resultan de los
aumentos en la escala de la planta de fabricación de módulos y
de las compras en volumen de materiales como economías de
escala .

Los cambios que requieren un entorno de laboratorio o una

actividad de producción no rutinaria (por ejemplo, una línea de
producción experimental) se etiquetan como causados por la
investigación y el desarrollo ( Pisano, 1996 , Rosenberg, 1982 ).
La I+D puede dar lugar a mejoras en el proceso de fabricación o
en la tecnología que se produce. Consideramos que se ha
logrado una mejora mediante el aprendizaje práctico (LBD) si se
logró como resultado de la actividad de fabricación rutinaria
repetida y si fue de naturaleza incremental ( Pisano, 1996 ). Los
cambios de costos que resultan de aumentos en la escala de la
planta de fabricación de módulos y de compras por volumen de
materiales o economías de escala en las industrias proveedoras
de materiales, se clasifican como economías de escala (EOS).

En base a esto, clasificamos las mejoras en la eficiencia del

módulo, el área de la oblea y el uso de silicio en I+D. Las mejoras
en la eficiencia de las celdas se lograron en gran medida
mediante la I+D realizada en laboratorios, universidades y
empresas nacionales ( NREL, 2018 , Green, 2005 , Goetzberger
et al., 2003 , Rohatgi, 2003 ). Cerrar la brecha entre las eficiencias
de las celdas y los módulos también requirió I+D para mejorar los
procesos de ensamblaje de módulos, como la encapsulación
( Green, 2005 ). Se logró un área de oblea más grande a través
de I + D en crecimiento de monocristales y fundición de lingotes
multicristalinos ( Christensen, 1985). El grosor de la oblea y la
utilización del silicio mejoraron mediante técnicas de fabricación,
como el aserrado con hilo, que mejoraron mediante la I+D
( Luque, 1987 , Green, 2000 , Kazmerski, 2006 , Goetzberger et
al., 2003 ). LBD puede haber sido un impulsor adicional del área
de obleas y el uso de silicio, que se ven afectados por la
eficiencia del proceso de fabricación.

El rendimiento probablemente mejoró principalmente a través de

LBD, ya que los avances en el control de calidad de obleas y
células redujeron los rechazos y la automatización redujo el
manejo excesivo ( Swanson, 2006 ). La I+D puede haber influido,
aunque esperamos que la mejora del rendimiento implique
principalmente una actividad de fabricación rutinaria repetida.

El tamaño cada vez mayor de las plantas de módulos generó

economías de escala (EOS), ya que los fabricantes se prepararon
simultáneamente para una mayor demanda ( Nemet, 2006 ) y
buscaron un mejor acceso al capital ( Goodrich et al., 2013b ). Las
plantas más grandes lograron ahorros de costos al distribuir los
costos de la infraestructura compartida a través de una mayor
producción y de las relaciones de escala física o geométrica
( Bruni, 1964 , Silberston, 1972 ). En nuestro modelo, asumimos
que todos los costos no materiales generan beneficios de escala,
de modo que aumentar el tamaño de las plantas reduce el costo
por vatio de mano de obra, mantenimiento, equipo de capital y
electricidad.

Los precios del silicio se vieron impulsados por diferentes

desarrollos a lo largo del tiempo. Hasta mediados de la década de
2000, la demanda de silicio por parte de la industria fotovoltaica
se satisfacía principalmente con rechazos de silicio de grado
electrónico de la industria de semiconductores ( Woditsch y Koch,
2002 , Sarti y Einhaus, 2002 ). La disponibilidad de silicio fue
principalmente una externalidad positiva de la producción de
semiconductores. En este período, la difusión del conocimiento
fue importante ( Swanson, 2006 ). La industria de los
semiconductores desarrolló conocimientos técnicos para producir
lingotes de silicio monocristalino y obleas rebanadoras que
beneficiaron a la industria fotovoltaica. Por lo tanto, clasificamos el
mecanismo de alto nivel del precio del silicio como 'otro' para
1980–2001. La industria fotovoltaica superó a la industria de
semiconductores en la demanda de silicio alrededor de 2006
(Fisher et al., 2012 ), lo que provoca un aumento de los precios y
una escasez de oferta. Para satisfacer la demanda, los
productores de polisilicio ampliaron rápidamente sus capacidades
( Fu et al., 2015 ). Para 2001–2012, por lo tanto, elegimos EOS
como el principal mecanismo de alto nivel para disminuir el precio
del silicio.

Las disminuciones en los costos de los materiales que no son de

silicio fueron fuentes importantes de reducción de costos en
ambos períodos de tiempo. Los costos de los materiales que no
son de silicio se pueden descomponer en el uso del material
(masa/área) por el precio del material (dólares/masa).
Proponemos que la I+D ayudó a reducir el uso de materiales a
través de nuevos diseños de módulos ( Green, 2005 , ITRPV,
2018 ), mientras que EOS condujo a una disminución de los
precios debido al volumen de compras o economías de escala en
las industrias proveedoras de materiales ( Silberston, 1972 ,
Goodrich et al., 2013b ). Asignamos reducciones en los costos de
materiales que no son de silicio por igual a I+D y EOS, y
exploramos el efecto de otras asignaciones en la Fig. S20.

Finalmente elegimos 'otro' como el mecanismo de alto nivel para

el cambio en
.
incluye diferentes tipos de costos (electricidad, mano de obra,
mantenimiento y depreciación) y múltiples mecanismos de alto
nivel pueden afectarlo. Por ejemplo, el componente de costos
laborales de
se puede reducir a través de LBD. No tenemos la información
para desglosar
, y por lo tanto no puede cuantificar los mecanismos de alto nivel
que lo gobiernan. Sin embargo, este problema no afecta mucho
los resultados ya que el costo del módulo cambia debido al
cambio en
ha sido pequeño.

Al agregar los efectos de los mecanismos de bajo nivel,

estimamos los cambios porcentuales en el costo del módulo
debido a I + D, LBD y EOS en los dos períodos de tiempo ( Fig.
4 ). En la Información de apoyo, consideramos otras
categorizaciones plausibles de mecanismos de bajo nivel y
mostramos los valores máximos y mínimos alcanzados con estas
categorizaciones alternativas. La figura S20 muestra dos casos
alternativos que incluyen la recategorización de c , A y v . Estas
dos categorizaciones alternativas están destinadas a reflejar los
valores más bajos y más altos que pueden tomar I + D, EOS y
LBD, de modo que se puedan extraer conclusiones sólidas.

Nuestras estimaciones muestran un fuerte impacto de la I+D. La

I+D desempeñó un papel dominante en el primer período,
mejorando múltiples variables de la ecuación de costos que
redujeron significativamente los costos ( Tabla 3 ). El impacto de
I+D también es alto en el segundo período. Se estima que LBD
tuvo un impacto pequeño, aunque mostramos en la Fig. S20 que
el impacto de LBD podría ser mayor en la medida en que
contribuyó a mejoras en el área de la oblea y el uso de silicio.

Las economías de escala pasaron de ser un contribuyente menor

en el primer período a uno significativo en el segundo. En el
primer período, aunque el cambio en el tamaño de la planta fue
responsable de importantes reducciones de costos en términos
absolutos, las reducciones de costos en general estuvieron
dominadas por la eficiencia impulsada por I+D y las mejoras en el
uso de materiales. Estas mejoras se desaceleraron y el tamaño
de la planta creció más en términos porcentuales en el segundo
período ( Tabla 1 ), lo que permitió que EOS contribuyera con una
mayor participación.

La I+D privada, el aprendizaje mediante la práctica y las

economías de escala fueron catalizadas por políticas de
estimulación del mercado (por ejemplo, a través de tarifas
reguladas, estándares de cartera renovable). Es un desafío
separar los efectos de la I+D pública y privada, aunque los datos
sugieren que los gastos de I+D públicos y privados han sido de
magnitud similar ( McCrone et al., 2016 , McCrone et al., 2017 ,
Nemet y Kammen, 2007 ). (Consulte la Sección S5). Como
estimación aproximada, si el 50 % de los gastos en I+D fueran de
I+D privados, y si los gastos en I+D privados tuvieran la misma
tendencia a reducir los costos que los gastos públicos en I+D, las
políticas de estimulación del mercado habrían contribuido en un
60 % aproximadamente. de reducción de costes en ambos
períodos. Estos resultados se muestran en la Fig. 5, donde las
barras de incertidumbre reflejan el rango en la contribución de las
políticas de estímulo del mercado que resultaría bajo las
asignaciones alternativas de mecanismos de bajo nivel a
mecanismos de alto nivel que se muestran en la Fig. S20. Incluso
sin depender de los niveles de financiación como indicador
indirecto, existe evidencia del impacto de la I+D privada en
variables como la eficiencia, el área de la oblea, el uso de
materiales de silicio y que no son de silicio, todo lo cual se
desarrolló junto con los cambios en el proceso de fabricación
( NREL, 2018 , Green, 2005 , Goetzberger et al., 2003 ,
Christensen, 1985 , Kazmerski, 2006 , Rohatgi, 2003 , ITRPV,
2018). Además, si consideramos el escenario improbable en el
que se supone que la I+D privada no tiene ningún efecto sobre los
costos, se estimaría que las políticas de estímulo del mercado
contribuirían aproximadamente con un tercio de la disminución de
costos a través de EOS y LBD ( Fig. 3 ). Estos resultados
demuestran que la energía fotovoltaica es un ejemplo de una
tecnología en la que las políticas de estimulación del mercado
jugaron un papel importante en el fomento de la actividad
innovadora y la reducción de costos ( Bettencourt et al., 2013 ,
Huenteler et al., 2016 ).

Figura 5 . Contribución de las políticas de estimulación del

mercado (p. ej., tarifas reguladas, estándares de cartera
renovable) a la reducción de costos de los módulos en 1980–
2001 (izquierda), 2001–2012 (centro) y 1980–2012 (derecha). I+D
= investigación y desarrollo, LBD  = aprender haciendo, EOS  =
economías de escala, Otros = otros mecanismos como los
efectos indirectos.

Las economías de escala, el aprendizaje práctico y la I+D privada

fueron todos catalizadores de políticas de estímulo del mercado.
Nuestros datos no nos permiten separar los efectos de la I+D
pública y privada. Para dar cabida a esto, agregamos el 50% de
las contribuciones totales de I + D a las contribuciones de las
economías de escala y el aprendizaje práctico. Esto supone
efectivamente que el 50 % de las mejoras en I+D provino de la
I+D privada (más o menos proporcional a la proporción de gastos
en I+D en energía limpia ( McCrone et al., 2016 , McCrone et al.,
2017 , Nemet y Kammen, 2007)). (Consulte la Sección S5 para
conocer el enfoque utilizado para obtener esta estimación). Las
barras de incertidumbre muestran la contribución total de las
políticas de estimulación del mercado que resultaría bajo las
asignaciones alternas de mecanismos de bajo nivel a
mecanismos de alto nivel que se muestran en la Fig. S20, sin
contabilidad. para la incertidumbre en la estimación privada de
I+D.

Algunas reducciones de costos provinieron de mejoras realizadas

fuera de la industria fotovoltaica y no fueron estimuladas por la
expansión del mercado fotovoltaico. Hacemos una estimación
aproximada del límite superior de estos efectos utilizando las
variables que se vieron afectadas por desarrollos externos.
incluye los costos de equipos en la fabricación de módulos, y
algunas mejoras de equipos se llevaron a cabo en otras industrias
y se transmitieron a la fabricación de módulos como conocimiento
indirecto. El cambio en el área de la oblea puede deberse a
mejoras en la industria de los semiconductores. Como se señaló
anteriormente, el precio del silicio también se vio afectado por la
evolución de la industria de los semiconductores. Sumar las
reducciones de costos de estas tres variables nos daría una
estimación del 23 % de la reducción de costos de la energía
fotovoltaica proveniente de desarrollos fuera de la industria
fotovoltaica en 1980–2012.

4.3 . Posibles reducciones de costos

Teniendo en cuenta las diversas causas de bajo y alto nivel de las

reducciones históricas de costos, ¿qué tan efectivas serían las
diferentes estrategias para reducir los costos de los módulos en el
futuro? Para obtener información, realizamos dos análisis simples
para evaluar qué tan influyente es cada mecanismo de bajo y alto
nivel para reducir los costos según nuestro modelo. En el primer
análisis, cada variable de la ecuación de costo se cambia una a la
vez, a partir de su valor de 2012, en una dirección que reduzca el
costo. Con las excepciones del rendimiento y el tamaño de la
planta, cambiamos cada variable por el mismo porcentaje de
para ver cuánto resulta la reducción de costos. Si bien las
diferentes variables no tienen la misma probabilidad de lograr una
mejora porcentual dada, este enfoque nos permite ver qué tan
fuerte influye cada variable en el costo. Para evitar usar un
rendimiento no físico por encima del 100 % en lugar de
aumentarlo en un 25 %, establecemos un rendimiento igual al 100
%. El tamaño de la planta creció históricamente por factores muy
grandes que superan con creces el 25 %: 13 veces en 1981-2001
y 75 veces en 2001-2012, y no se espera que un aumento del 25
% logre una gran reducción de costos. En cambio, consideramos
un aumento de 3 y 10 veces en el tamaño de la planta. Un
aumento de 3 veces daría como resultado plantas de unos 3
GW/año, un poco más grandes que las plantas más grandes de
China en 2012 ( Pillai, 2015 ). Los resultados se muestran en el
panel superior de la Fig. 6. Las variables más influyentes son la
eficiencia, el tamaño de la planta y los costos de los materiales
que no son de silicio. El tamaño de la planta contribuye
sustancialmente, aunque a medida que las plantas crecen, puede
ser más difícil aumentar el tamaño de las plantas por factores lo
suficientemente grandes como para obtener ganancias
adicionales significativas.

Figura 6
Descargar : Descargar imagen de alta resolución (311KB)
Descargar: Descargar imagen a tamaño completo
Figura 6 .Posibles reducciones de costos. Arriba: Reducciones de
costos del módulo a partir de cambios de uno en uno a variables
de ecuación de costos. La reducción en el costo del módulo por
debajo del valor de 2012 se muestra para cada cambio de
variable de uno en uno. La mayoría de las variables se ajustan
hacia arriba o hacia abajo en un 25%, en una dirección que
reduce el costo. El rendimiento se cambió del 95% al 100%. El
tamaño de la planta aumenta por un factor de 3 (azul oscuro) y un
factor de 10 (azul claro). Abajo: Contribuciones porcentuales de
los mecanismos de bajo nivel (izquierda) y los mecanismos de
alto nivel (derecha) a la reducción del costo del módulo por debajo
del valor de 2012 en un escenario donde varias variables de la
ecuación de costos cambian simultáneamente en las cantidades
que se muestran. Se muestran barras separadas para los casos
en que el tamaño de la planta aumenta por un factor de 3 (azul
oscuro) y un factor de 10 (azul claro). I+D=investigación y
desarrollo, LBD=aprender haciendo,derrames _

Los mecanismos de alto nivel a menudo abarcan mejoras en

varias variables al mismo tiempo y, por lo tanto, también
modelamos la ocurrencia simultánea de múltiples mecanismos de
bajo nivel. Para evaluar la contribución del cambio de costo de
cada mecanismo de bajo nivel, necesitamos usar las ecuaciones
de cambio de costo desarrolladas en la Sección 3 . (Esto
contrasta con los cambios de una a la vez en las variables
descritas anteriormente, cuyas contribuciones al cambio de costos
se pueden calcular comparando los costos totales en cada
instantánea en el tiempo). En este segundo análisis alteramos
todas las variables simultáneamente por la cantidades dadas
anteriormente. Luego agrupamos los cambios de costo de estas
variables por mecanismo de alto nivel de la misma manera que en
el segundo período de nuestro análisis histórico. Los resultados 5
se muestran en la fila inferior de la Fig. 6. Cambiando todas las
variables a la vez, con un aumento de 10 veces en el tamaño de
la planta, los costos de los módulos se reducen al 44 % del valor
de 2012. Como se ha observado históricamente, la I+D pública y
privada combinada explica la mayor parte de la caída en este
escenario.

Nuestro modelo se puede utilizar como una herramienta para

realizar análisis prospectivos para guiar futuros esfuerzos de
ingeniería y políticas. El análisis anterior muestra un escenario en
el que los mecanismos de alto nivel impulsan varios mecanismos
de bajo nivel. En este escenario, sumando las contribuciones
porcentuales del aprendizaje práctico y las economías de escala,
en el caso de un aumento de 10 veces el tamaño de la planta,
alrededor del 40 % de la reducción total de costos resulta de los
mecanismos relacionados con la expansión del mercado (o
aproximadamente el 65 % si asignar el 50 % de las futuras
mejoras relacionadas con la I+D al sector privado , en
consonancia con la participación pasada de la financiación
privada de I+D ( McCrone et al., 2016 , McCrone et al., 2017 ,
Nemet y Kammen, 2007 ) como se explica en la Sección S5 ) .

Se podrían desarrollar varios escenarios para investigar

prospectivamente los efectos de los mecanismos de bajo nivel,
las estrategias públicas de financiación de la I+D , las políticas de
estimulación del mercado, la I+D privada y otras estrategias a
nivel de empresa. La obtención de expertos podría usarse para
evaluar el potencial de cambio de variables en la ecuación de
costos. (El marco cuantitativo puede permitir que la obtención se
centre en variables detalladas con las que los expertos técnicos
están familiarizados y, por lo tanto, puede ayudar a obtener
información más confiable de los expertos que la que se ha
logrado tradicionalmente (Hultman y Koomey, 2007 , Morgan,
2014)).) Utilizando esta información, una exploración de los
efectos de diferentes combinaciones de mecanismos de alto y
bajo nivel podría informar las decisiones en los sectores público y
privado. Este enfoque podría aplicarse no solo a los módulos
fotovoltaicos, sino también a los sistemas fotovoltaicos , el
almacenamiento de energía y otras tecnologías, así como a otras
métricas de rendimiento además del costo.

5 . Conclusiones e implicaciones políticas

Los costos de los módulos fotovoltaicos se redujeron

drásticamente en los últimos cuarenta años. Para identificar las
razones, presentamos un método de análisis que une los análisis
de arriba hacia abajo y de alto nivel de la evolución del costo de la
tecnología con los modelos de ingeniería de abajo hacia arriba. El
método comienza con una ecuación de costos que relaciona los
costos de una tecnología con un conjunto de variables
subyacentes, por ejemplo, características de desempeño técnico
como la eficiencia o el uso de materiales. Luego se derivan
ecuaciones de cambio de costo para estimar la contribución de
cada variable. Estas variables explican los cambios de costos en
un 'nivel bajo', y denominamos cambios en estas variables
mecanismos de reducción de costos de bajo nivel. Otros procesos
como la I+D, el aprendizaje práctico y las economías de escala
pueden abarcar varios mecanismos de bajo nivel y reducir los
costos en su conjunto. Llamamos a estas causas de alto nivel de
reducción de costos.

Encontramos que las reducciones de costos en los módulos

fotovoltaicos se distribuyeron de manera bastante uniforme a
través de una serie de mecanismos de bajo nivel, lo que puede
ayudar a explicar por qué esta tecnología experimentó
reducciones de costos relativamente constantes en las últimas
tres décadas. Estimamos que los cambios en la eficiencia
contribuyeron en un 23 % a la reducción de costos entre 1980 y
2012, los costos de materiales que no son de silicio en un 21 %,
el precio del silicio en un 16 %, el uso de silicio en un 14 %, el
área de obleas en un 11 %, el tamaño de la planta en un 11 % y
el rendimiento en un 7 %. .

Varios mecanismos de alto nivel fueron importantes. Estos

incluyen la I+D pública y privada y las economías de escala, que
contribuyeron con un 59 % y un 22 %, respectivamente, de la
disminución de costos entre 1980 y 2012. El aprendizaje práctico,
definido aquí como incremental y resultante de una fabricación
rutinaria y repetida. proceso (por ejemplo, que no requiere una
línea de producción experimental), contribuyó con el 7% de la
disminución de costos durante este período.

Mirando a través de los períodos 1980–2001 y 2001–2012,

nuestros hallazgos sugieren que los impulsores clave de la
disminución de costos han ido cambiando con el tiempo. Las
economías de escala en particular han tenido un mayor impacto
más recientemente y probablemente ofrecen una vía para
mayores reducciones de costos. En particular, el tamaño de
planta típico de 2012 en nuestro conjunto de datos ha sido
superado por varias plantas chinas nuevas con tamaños típicos
de 1 a 2 GW/año ( Goodrich et al., 2013b ). Sin embargo, puede
haber un límite en el tamaño de las plantas que crecerán, y los
ahorros de las economías de escala pueden agotarse con el
tiempo.

La I+D, tanto pública como privada, fue históricamente un

impulsor clave de la reducción de costos de los módulos y puede
ser valiosa en el futuro para mejorar la eficiencia de los módulos y
reducir el uso de materiales. Las mejoras en la eficiencia de los
módulos, en particular, ayudarían a reducir el costo por vatio de
todos los componentes de costos de los módulos fotovoltaicos
(así como de los sistemas fotovoltaicos). Las variables que
podrían enfrentar limitaciones a corto plazo son el rendimiento de
fabricación, que ya está cerca del 100 %, y el área de obleas, que
está limitada por consideraciones de rendimiento y eficiencia.

Las políticas de estimulación del mercado han desempeñado un

papel central en la reducción de los costos de los módulos
fotovoltaicos, con investigación y desarrollo privados, economías
de escala y aprendizaje práctico contribuyendo en conjunto con
aproximadamente el 60 % de la disminución de los costos de los
módulos fotovoltaicos entre 1980 y 2012. Este hallazgo contribuye
a un debate en curso sobre la eficacia de las políticas de
expansión del mercado, como complemento de la I+D financiada
con fondos públicos ( Hoppmann et al., 2013 ). En el caso de la
energía fotovoltaica, nuestro análisis muestra que la actividad del
sector privado , que fue incentivada por las políticas
gubernamentales en varias naciones ( Trancik et al., 2015), era de
vital importancia para reducir los costes. Además, nuestros
hallazgos respaldan la importancia de la I+D pública para
complementar la actividad del sector privado, que puede
centrarse más en el perfeccionamiento de la tecnología y la
fabricación que en las innovaciones más importantes necesarias a
medida que se alcanzan los límites de las mejoras incrementales (
Hoppmann et al., 2013 , Zheng y Kammen, 2014 ). Estos
resultados añaden información a los hallazgos anteriores de los
análisis correlacionales sobre la importancia de la expansión del
mercado para impulsar las patentes de energía (como un
indicador de la actividad innovadora) en los últimos años
( Bettencourt et al., 2013 ), con la I+D pública desempeñando el
papel dominante en el 70 y 80

De cara al futuro, las políticas que estimulan el mercado pueden

continuar apoyando la reducción de costos, a través de un ciclo
virtuoso de mejora tecnológica y reducción de emisiones que se
refuerza mutuamente ( Trancik et al., 2015 ). Sin embargo,
nuestros resultados sugieren que estas políticas deberían
complementarse con I+D pública para reducir los riesgos de
agotar el potencial de mejora de la tecnología de módulos
basados en silicio de generación actual, mediante la exploración
de dispositivos basados en otros materiales semiconductores
abundantes con el potencial de reducir los costes de
procesamiento. ( Kavlak et al., 2015 ).

En este trabajo proporcionamos una reconstrucción de las

tendencias en los módulos fotovoltaicos utilizando tres puntos
representativos en el tiempo, a partir de una variedad de fuentes.
Es importante tener en cuenta que los datos utilizados en este
trabajo tienen incertidumbres, por ejemplo, debido al muestreo
incompleto de empresas por las publicaciones de las que
obtuvimos nuestros datos. Sin embargo, proporcionamos un
marco para modelar costos y cambios de costos que se puede
completar con los mejores datos disponibles.

Este análisis puede ser útil para guiar los esfuerzos de ingeniería,
la formulación de políticas energéticas y climáticas y las
inversiones en investigación por parte del gobierno y el sector
privado. El método descrito aquí se puede aplicar a muchas
tecnologías para comprender las razones de los cambios pasados
en el costo u otras métricas de rendimiento, y para explorar
oportunidades prometedoras para futuras mejoras.