技术学习的结构：基于水电解的成本预测、政策与策略
系统与控制
2026-04-21 v1 系统与控制
摘要
预测新兴清洁技术的成本演变对于制定明智的政策、投资决策和脱碳目标至关重要，但仍面临深入不确定性。学习曲线将成本下降与累计部署关联，是技术成本预测广泛使用的方法。然而，将其应用于新兴技术具有挑战，因为学习率的参量不确定性——该参数稀缺且高度不确定——以及源于多个合理学习框架而产生的结构不确定性。以水电解为案例研究，我们评估不同的学习结构——从共享到跨技术变体和地区的碎片化学习——如何改变预期成本路径。我们检视代表对比工业现实的模型假设，包括电解槽变体间的竞争以及与保护主义和工业政策相关的供应链碎片化。我们发现，合理的建模选择会产生截然不同的轨迹，对政策设计和技术策略具有实质性不同影响。我们主张通常应用多个学习框架以探索决策空间并对规模化计划、国家工业战略和能源系统建模进行压力测试。
引用
@article{arxiv.2604.17421,
title = {The structure of technological learning: insights from water electrolysis for cost forecasting, policy, and strategy},
author = {Mohamed Atouife and Jesse Jenkins},
journal= {arXiv preprint arXiv:2604.17421},
year = {2026}
}