Novo Modelo de Subsídios para Carregamento de Veículos Elétricos com Base em Desempenho
A corrida pela eletrificação dos transportes já não se trata de quem constrói a melhor bateria ou o sedã mais rápido — trata-se cada vez mais de quem constrói a infraestrutura que mantém esses veículos em movimento. E nessa corrida, um fator silencioso mas poderoso começa a moldar os resultados mais decisivamente do que aço, cabos ou mesmo quilowatts: a forma como os governos pagam por ela. Um novo estudo publicado no Journal of Industrial Engineering and Engineering Management oferece um roteiro detalhado e rigorosamente modelado de como as parcerias público-privadas (PPPs) em carregamento de VE podem ser estruturadas — não apenas para construir mais estações, mas para construir melhores estações, mais rapidamente e com maior valor a longo prazo para a sociedade.
À primeira vista, o problema parece simples. Ainda há poucos carregadores públicos, muitos gargalos na implantação e muita incerteza em torno dos retornos para investidores privados. Mas sob a superfície, o verdadeiro desafio é comportamental: quando operadores privados arcam com o custo e o risco de construir e manter redes de carregamento, seus incentivos nem sempre se alinham com o bem público. Eles podem priorizar corredores de alto tráfego e preços premium em detrimento do acesso equitativo ou da resiliência da rede. Se não for verificado, esse desalinhamento pode retardar a adoção, aprofundar disparidades regionais e, por fim, minar os objetivos climáticos que a eletrificação pretende servir.
Entram em cena os subsídios baseados em desempenho — pagamentos não apenas pela construção de uma estação, mas pela entrega de resultados mensuráveis: tempo de atividade, satisfação do usuário, integração com redes inteligentes, até mesmo suporte a programas de resposta à demanda. É aqui que o trabalho de Zhang Yiting, Wang Xueqing, Ma Rui, Liu Yunfeng (Universidade de Tianjin) e Wang Dan (Universidade de Chongqing) abre novos caminhos. Em vez de oferecer prescrições políticas amplas, eles constroem um jogo de Stackelberg — um modelo hierárquico em que o governo age primeiro (definindo regras de subsídio) e os operadores privados respondem (escolhendo níveis de esforço) — para simular como os pagamentos vinculados ao desempenho podem remodelar o comportamento.
O que emerge não é uma prescrição única, mas uma estrutura nuanced que revela quando e como os incentivos de desempenho realmente fazem a diferença — e quando não o fazem.
Uma das descobertas mais marcantes do estudo é o papel crítico da estrutura de custos do operador. Nem todas as empresas de carregamento são iguais. Algumas — talvez apoiadas por startups experientes em tecnologia ou gigantes integradas de energia — podem implantar atualizações de software, preços dinâmicos ou manutenção preditiva a um custo marginal relativamente baixo. Outras, particularmente empresas regionais menores, enfrentam custos internos elevados para cada hora extra de tempo de técnico, cada camada adicional de análise de dados ou cada atualização dos padrões de interoperabilidade.
O modelo mostra que quando o coeficiente de custo de esforço dos operadores é baixo, os subsídios baseados em desempenho agem como turbocompressores. Um pequeno aumento na taxa de incentivo (digamos, por ponto percentual de ganho no tempo de atividade da estação ou na satisfação do cliente) desencadeia um aumento desproporcionalmente grande no esforço. Os operadores respondem otimizando o roteamento das equipes de serviço, investindo em painéis de monitoramento em tempo real ou até mesmo co-localizando carregadores com varejo para melhorar o tempo de permanência e a segurança do usuário.
Mas inverta o script — e o efeito desaparece. Quando o esforço é caro (pense: locais remotos, hardware legado, escassez de mão de obra), os operadores tornam-se muito menos responsivos a ajustes de desempenho. Não importa quão generoso seja o bônus, o custo interno de perseguir aquele último 5% de confiabilidade ou responsividade simplesmente não vale a pena. Nesses casos, adverte o estudo, subsídios fixos ou grants de capital antecipados podem realmente entregar mais valor social — libertando o operador da matemática impossível dos retornos marginais de alto esforço.
Essa percepção por si só pode economizar milhões dos governos em incentivos mal alocados. Em vez de lançar um programa uniforme de “pagamento por desempenho” em todo o país, uma abordagem mais inteligente seria segmentar licitantes durante a aquisição: categorizá-los pela complexidade operacional projetada e, em seguida, adaptar a estrutura de subsídio de acordo — com foco pesado em desempenho para players ágeis em zonas urbanas densas, e com foco pesado em suporte fixo para aqueles que enfrentam corredores rurais desatendidos.
Depois, há o preço. Não o preço da eletricidade — mas o preço que os usuários pagam para carregar. Pode-se supor que taxas de carregamento mais altas prejudiquem a demanda e, portanto, prejudiquem o bem-estar social. Mas o modelo revela uma reviravolta surpreendente: isso depende de como os usuários reagem e de quanto o operador se beneficia da receita extra.
Suponha que o governo permita uma taxa por kWh mais alta — mas vincula parte do subsídio do operador à retenção de demanda. Se o aumento de preço for modesto e o operador responder melhorando o serviço (reparos mais rápidos, melhor integração de aplicativos, instalações mais limpas), os usuários podem aceitar e continuar conectando. Na verdade, a receita extra permite ao operador dobrar a aposta na qualidade — criando um ciclo virtuoso.
Mas se os preços dispararem muito alto, ou se o serviço não melhorar em sintonia, a demanda entra em colapso — e o bem-estar também. Crucialmente, os pesquisadores identificam um ponto de inflexão: uma faixa de preço precisa onde o bem-estar sobe com o preço, depois declina abruptamente. Além desse limiar, o excedente do consumidor evapora mais rapidamente do que os ganhos do operador se acumulam.
Isso tem relevância direta para os debates atuais sobre “precificação baseada em valor” em hubs de carregamento rápido. A rede Supercharger da Tesla, por exemplo, já varia os preços por localização e hora do dia. Outras redes estão experimentando com níveis de associação e taxas de inatividade. O estudo não diz “não precifique dinamicamente” — ele diz calibre cuidadosamente e nunca desvincule o preço das obrigações de desempenho. Um preço mais alto deve render ao operador um subsídio maior — mas apenas se os usuários não fugirem.
Talvez o resultado mais contraintuitivo envolva incerteza — especificamente, como mudanças inesperadas na demanda (digamos, devido a um crédito fiscal repentino para VEs, uma história viral de ansiedade de autonomia ou uma recall de uma grande montadora) afetam a política ideal.
O senso comum diz: quando a demanda é volátil, jogue seguro. Mantenha pagamentos fixos. Evite métricas de desempenho que possam oscilar muito mês a mês.
O modelo diz o oposto — mas apenas sob certas condições. Quando o esforço do operador é barato, declínios moderados na demanda realmente aumentam o esforço ideal. Por quê? Porque o operador, enfrentando receita decrescente, recorre mais fortemente a alavancas controláveis — como qualidade do serviço ou tempo de atividade — para reter clientes. Nesse cenário, um subsídio de desempenho bem projetado torna-se uma força estabilizadora: recompensa o operador precisamente quando ele está trabalhando mais para resistir à tempestade.
Ainda mais intrigante: existe um ponto ideal para a volatilidade da demanda em si. Muito estável, e os operadores ficam complacentes. Muito caótica, e o planejamento se torna impossível. Mas em uma zona Cachinhos Dourados de flutuação moderada e previsível, o bem-estar realmente atinge o pico. A implicação? Os governos não devem visar previsões de demanda ultra-estáveis. Em vez disso, eles devem direcionar a variabilidade — usando programas piloto, incentivos direcionados ou até mesmo mensagens públicas — para manter o ecossistema nessa zona de tensão produtiva.
Claro, a política do mundo real não pode perseguir ótimos teóricos sem considerar restrições difíceis — nomeadamente, tetos orçamentários e garantias de lucro mínimo para parceiros privados. Aqui, os pesquisadores estendem seu modelo para seis cenários realistas, desde “muitos fundos públicos + baixas expectativas privadas” (o ideal) até “orçamento apertado + altas demandas de lucro” (o pesadelo).
Sua orientação é refrescantemente pragmática: quando o plano de desempenho ideal é inacessível, não apenas reduza a taxa de incentivo. Em vez disso, aponte um subsídio base fixo, então module o multiplicador de desempenho para atingir metas fiscais e de participação. Pense nisso como uma estrutura de salário mais bônus: a parte fixa garante a sobrevivência; a parte variável preserva a motivação.
Essa abordagem híbrida aparece em forma incipiente em programas como o CALeVIP da Califórnia, que mistura vouchers antecipados com pagamentos de bônus para estações que atendem a benchmarks de utilização ou tempo de atividade. O trabalho da equipe de Tianjin-Chongqing sugere que tais híbridos não são apenas politicamente convenientes — eles são economicamente ótimos sob restrições do mundo real.
Distanciando, o estudo chega a um ponto filosófico mais amplo: subsídios baseados em desempenho não são apenas ferramentas financeiras — eles são mecanismos de coordenação. Eles traduzem objetivos públicos abstratos (equidade, resiliência, velocidade de implantação) em ações concretas e auditáveis que empresas privadas podem executar.
Mas — e é um mas crucial — essas métricas devem ser escolhidas com sabedoria. O modelo assume que o desempenho (μ) é uma função direta do esforço (e): mais esforço → maior tempo de atividade, reparos mais rápidos, melhores avaliações dos usuários. Na prática, no entanto, nem todo “desempenho” é igualmente valioso. Uma estação com 99% de disponibilidade, mas localizada a 20 milhas da rodovia, serve a menos necessidades sociais do que uma com 95% de tempo de atividade em um corredor de frete chave — mesmo que a última pontue mais baixo em um índice de confiabilidade genérico.
Os pesquisadores reconhecem essa limitação: seu modelo simplifica o desempenho em uma única função linear. Trabalhos futuros, eles sugerem, devem incorporar métricas multidimensionais — equidade geográfica, capacidade de suporte de rede, compatibilidade com modelos de VEs de baixa renda — idealmente ponderadas por prioridades locais. Uma jurisdição pode priorizar “estações per capita em códigos postais desfavorecidos”; outra, “MW de carga controlável para serviços auxiliares”. O contrato de subsídio refletiria então essa diversidade.
Já aparecem sinais dessa evolução. O programa National Electric Vehicle Infrastructure (NEVI) dos EUA determina que 75% dos carregadores de corredor estejam localizados dentro de uma milha de um entroncamento rodoviário — privilegiando explicitamente a acessibilidade em detrimento do volume puro. Enquanto isso, o Office for Zero Emission Vehicles do Reino Unido agora exige que os beneficiários de grants relatem não apenas o uso, mas tempos médios de espera e taxas de resolução de reclamações.
O que a análise de Tianjin-Chongqing fornece é uma estrutura rigorosa para ir além: testar, in silico, como a mudança de pesos de métricas afeta o comportamento do operador, o benefício público e a sustentabilidade fiscal — antes de comprometer centenas de milhões com um desenho de programa.
Então, onde isso deixa os formuladores de políticas hoje?
Primeiro: diagnostique antes de prescrever. Antes de elaborar os termos do subsídio, os governos devem coletar dados — ou exigir que os licitantes divulguem — estimativas de seus custos marginais de esforço. Um questionário simples investigando processos internos (Quantos técnicos de campo por 100 estações? Qual é sua meta de tempo médio para reparo? Você integra com plataformas de resposta à demanda de utilities?) poderia gerar sinal suficiente para segmentar os operadores de forma significativa.
Segundo: adote a precificação adaptativa. Em vez de temer a variabilidade de preços, projete contratos que permitam — e até encorajem — taxas dinâmicas, desde que paired com fortes proteções ao consumidor (por exemplo, limites para prêmios de horário de pico) e backstops de desempenho (por exemplo, bônus vinculados a pontuações de satisfação ajustadas ao preço).
Terceiro: repense o risco. Em vez de ver a incerteza da demanda como uma ameaça a ser minimizada, considere como a volatilidade moderada e gerenciada pode aumentar a responsividade. Programas piloto poderiam até introduzir variação controlada — por exemplo, escalonando o lançamento de incentivos entre regiões — para manter os operadores ágeis.
Quarto: hibridize intencionalmente. Quando as restrições orçamentárias ou de participação se impõem, combine pagamentos fixos e variáveis deliberadamente — não como um compromisso, mas como uma alavanca estratégica. Use o componente fixo para garantir a construção da rede de base; reserve pagamentos de desempenho para conquistas diferenciais: implantação ultrarrápida, integração com renováveis ou serviço em zonas prioritárias de equidade.
Finalmente — e talvez o mais importante — meça o que importa. Vá além do kWh entregue e da contagem de estações. Acompanhe resultados como tempo médio de carga durante os horários de pico, porcentagem de estações interoperáveis com todos os principais VEs ou redução na “ansiedade de carga” relatada em pesquisas com usuários. Em seguida, alimente essas métricas de volta na fórmula de subsídio.
A eletrificação do transporte é uma maratona, não um sprint. Mas as paradas — onde os motoristas conectam, relaxam e decidem se toda essa coisa de VE vale o incômodo — determinarão quem termina forte. Acertar essas paradas requer mais do que concreto e conduítes. Exige contratos inteligentes que alinhem o lucro com o propósito público. Graças a esta nova pesquisa, agora temos um mapa muito mais claro de como desenhá-los.
Zhang Yiting, Wang Xueqing, Ma Rui, Liu Yunfeng Faculdade de Gestão e Economia, Universidade de Tianjin, Tianjin 300072, China Wang Dan Escola de Políticas Públicas e Administração, Universidade de Chongqing, Chongqing 400044, China Journal of Industrial Engineering and Engineering Management, Vol. 38, No. 5 (2024) DOI: 10.13587/j.cnki.jieem.2024.05.015