Nieuwe technologieën staan pas aan het begin van hun leertraject. Een vergelijking op gebied van kosten en milieu-impact zou deze potentiële leereffecten moeten incorporeren. Hiervoor werden vijf aanbevelingen opgesteld.
Het huidig gebruik van leereffecten
Om deze leereffecten te onderzoeken, werd er een uitgebreide literatuurstudie uitgevoerd van 105 studies. Hieruit bleek dat het gebruik en de berekening van leereffecten momenteel vooral gebeurt voor technologieën gelinkt aan hernieuwbare energie, maar dat de variatie in methodologische assumpties groot is. Deze leereffecten kunnen ook voor toekomstige voorspellingen gebruikt worden en kunnen van belangrijke waarde zijn om ook het potentieel van technologieën in andere vakgebieden in te schatten.
Aanbevelingen bij het gebruik van leereffecten
De vijf aanbevelingen worden geïllustreerd aan de hand van een voorbeeld waarbij de leereffecten van een nieuwe manier van zonnepaneelrecyclage worden geanalyseerd.
In de eerste aanbeveling wordt aangeraden de leereffecten te implementeren op het niveau van het eindproduct én het niveau van de onderliggende componenten. Het eindproduct kan bijvoorbeeld de netto kosten van de verwerking van afgedankte zonnepanelen zijn. Als toekomstige leereffecten enkel worden bepaald aan de hand van de historische evolutie van deze indicator, worden onderliggende effecten niet nader onderzocht. Zo kan een bepaald scheidingsproces van zonnepaneelcomponenten economisch reeds geoptimaliseerd zijn. Bij het gebruik van leereffecten op het niveau van de onderliggende componenten worden de leereffecten op het niveau van onder andere dit scheidingsproces afgeleid en wordt dan het bovenliggend effect, in dit geval de netto kosten van de totale verwerking, bepaald. Deze berekening aan de hand van onderliggende componenten leidt echter vaak tot een onderschatting van de leereffecten aangezien ook externe effecten zoals een onverwachte prijsdaling een rol spelen. Daarom wordt een combinatie van beide strategieën aangeraden.
In de tweede aanbeveling wordt aangeraden de leereffecten niet enkel op het niveau van economische of milieu-indicatoren te bekijken, maar ook de leereffecten bij de technische parameters in rekening te brengen. Zo zou bij het voorbeeld van de zonnepanelenrecyclage in plaats van de kosten van het onderliggend scheidingsproces, de historische evolutie van de onderliggende technische parameters, zoals bijvoorbeeld de scheidingsefficiëntie van bepaalde metalen, gebruikt worden voor de berekening van de verwachte toekomstige netto kosten.
De derde aanbeveling raadt aan niet enkel de extrapolatie van historische evoluties te gebruiken voor toekomstige voorspellingen, maar ook de inzichten van experts mee in rekening te brengen. Ook deze expert inschattingen kunnen geraadpleegd worden op het niveau van de overkoepelende verwachte netto kosten én op het niveau van de onderliggende potentiële technische verbeteringen, zoals bijvoorbeeld een maximale scheidingsefficiëntie.
Een vierde aanbeveling behandelt het verschil tussen learning-by-doing en learning-by-searching. Bij learning-by-doing treedt een leereffect op door een herhaalde zelfde actie die steeds efficiënter zal verlopen. Bij learning-by-searching treedt het leereffect op doordat er naar betere alternatieven voor deze actie gezocht wordt. Zo zorgt de ontwikkeling van een beter scheidingsproces voor een learning-by-searching effect en een verhoogde tijdsefficiëntie door de ervaring bij manuele scheiding voor een learning-by-doing effect. Bij de extrapolatie van historische effecten vallen beide effecten reeds samen, maar bij het gebruik van expert schattingen is het belangrijk met beide effecten rekening te houden.
In de laatste aanbeveling wordt een strategie voorgesteld om van historische data leereffecten af te leiden aan de hand van verschillende datamogelijkheden en beperkingen. Deze leereffecten worden gekwantificeerd met behulp van learning rates, die de evolutie in kosten of milieu-impact weergeven ten opzichte van de ervaringsperiode van de technologie. Deze strategie wordt voorgesteld in Figuur 1.
Figuur 1: Berekenen van de learning rate bij verschillende databeschikbaarheden
Overkoepelende strategieën
De vijf aanbevelingen kunnen samengevat worden in vier verschillende strategieën (Figuur 2). Databeperkingen kunnen ervoor zorgen dat deze strategieën niet allemaal haalbaar zijn. In dit geval dient er rekening gehouden te worden met de beperkingen van elke strategie.
Figuur 2: De vier strategieën voor het gebruik van leereffecten
Mogelijke toepassingen
Met behulp van deze aanbevelingen en strategieën kunnen leereffecten in een bredere context gebruikt worden. Zo kan het gebruik van leereffecten geïntegreerd worden in techno-economische analyse en levenscyclusanalyses die gericht zijn op nieuwe of opkomende technologieën, zoals bijvoorbeeld technologieën die bijdragen aan een circulaire economie. Op deze manier kan het nadeel dat nieuwe technologieën ondervinden ten opzichte van conventionele technologieën meegenomen worden in de berekening van de kosten en milieu-impact. Dit zorgt voor een correctere vergelijking. Leereffecten dragen zo bij tot een betere inschatting van het potentieel op milieu- en economisch gebied van nieuwe technologieën. Zo kunnen ze een belangrijke rol spelen bij de ontwikkeling en analyse van nieuwe technologieën om de transitie naar een circulaire economie te versnellen.
De volledige paper werd gepubliceerd als Thomassen, G., Van Passel, S., Dewulf J. (2020). A review on learning effects in prospective technology assessment. Renewable and Sustainable Energy Reviews 130, 109937. Meer informatie via Dit e-mailadres wordt beveiligd tegen spambots. JavaScript dient ingeschakeld te zijn om het te bekijken..
