El Precio Dinámico Redibuja la Competencia en la Carga de Vehículos Eléctricos en el Mercado Chino
En el ecosistema del vehículo eléctrico (VE), la infraestructura de carga ha dejado de ser solo un servicio para convertirse en un campo de batalla. Mientras China avanza con fuerza en la carrera global de VEs, la competencia real no se da únicamente entre fabricantes de automóviles, sino que se desarrolla de manera silenciosa en las estaciones de carga, donde las estrategias de precios están redibujando los mapas del mercado en tiempo real. Un nuevo marco de investigación desarrollado por Liu Yang y sus colegas del Instituto de Investigación Económica de la Red Estatal de Hunan revela cómo el precio dinámico no solo afecta los ingresos, sino que también redefine la huella de servicio de cada estación, transformando la geografía estática en un panorama competitivo y fluido.
Los hallazgos desafían una suposición arraigada en la industria: que la zona de influencia de una estación de carga está determinada únicamente por su ubicación y capacidad. En realidad, como demuestra este estudio, un solo ajuste de precios puede desplazar a cientos de clientes potenciales —y a los límites invisibles entre operadores rivales— en cuestión de minutos. En distritos urbanos densamente poblados, como Furong, en Changsha, donde tres grandes estaciones compiten por la dominancia, una reducción del 10% en el precio durante las horas de menor demanda en una ubicación puede arrebatar instantáneamente participación de mercado a competidores incluso más grandes y mejor equipados. Las implicaciones son profundas, no solo para los operadores de estaciones, sino también para los planificadores de redes, los responsables de políticas y la futura escalabilidad de la integración de energías limpias.
Para comprender por qué esto es importante, considérese la escala del auge de la carga en China. Solo en 2022, el país añadió cerca de 2,6 millones de nuevos puntos de carga, más que toda la red pública de Estados Unidos, Alemania y Japón juntos. Los cargadores públicos crecieron más de un 91%, mientras que las unidades privadas (domésticas y laborales) aumentaron en un asombroso 225%. Este crecimiento explosivo ha creado una paradoja: si bien la infraestructura es abundante, la utilización sigue siendo desigual. Algunas estaciones se saturan durante las horas pico, mientras que otras permanecen inactivas, lo que genera tensión en la red en un vecindario y subutiliza la capacidad a solo unos kilómetros de distancia.
Hasta ahora, la mayoría de los intentos para solucionar este desequilibrio se han centrado en el hardware: construir más cargadores, actualizar la capacidad de energía o imponer unidades de corriente continua más rápidas. Pero el equipo de Liu argumenta que el verdadero cuello de botella es la economía conductual, no la ingeniería. “Puedes instalar cien cargadores de 150 kW”, dice uno de los coautores, “pero si todos los conductores llegan entre las 6 y las 8 de la tarde, acabas de crear un punto de congestión, no una solución”. Su modelo trata la demanda de carga como un fluido, sensible a las señales de precios de la misma manera que el agua fluye cuesta abajo, redirigiéndose alrededor de obstáculos y acumulándose donde la resistencia es menor.
En el centro de su enfoque se encuentra una adaptación novedosa del principio de la “ocupación más fuerte” de Isard, desarrollado originalmente en la teoría de localización para explicar cómo las ciudades y las industrias dominan las economías regionales. Aplicado a la carga de VEs, postula una regla simple: cada kilómetro cuadrado de espacio urbano es reclamado por la estación que ofrece el “campo de atracción” más fuerte, una combinación de características físicas (número de cargadores rápidos, capacidad de conexión a la red), calidad de servicio y, crucialmente, el precio en tiempo real. A diferencia de los modelos anteriores, que asumían zonas de servicio circulares y fijas —como las ondas que produce una piedra al caer en un estanque—, este campo es asimétrico, dinámico y muy sensible a la competencia.
Imagínese de esta manera: tres centros de carga —Estación A, B y C— agrupados en un distrito comercial. La Estación A tiene más cargadores rápidos y una ubicación privilegiada, lo que le otorga un “pozo de gravedad” naturalmente más grande. Pero cuando la Estación C reduce su tarifa nocturna justo por debajo de la tarifa provincial de horas valle, su campo se intensifica temporalmente. De repente, conductores a cinco cuadras de distancia —anteriormente en la órbita de A— recalculan su elección. El GPS los redirige. El flujo se inclina ligeramente hacia C. El límite se desplaza, no en un mapa, sino en el comportamiento real.
Esto no es teórico. El estudio de caso del Distrito Furong rastreó cambios reales en 16.288 microzonas. Cuando se activó el precio dinámico, la Estación 1 (la más fuerte según los indicadores de hardware) experimentó una disminución en su participación de mercado durante las horas pico, no porque perdiera capacidad, sino porque las estaciones rivales la superaron en precios justo cuando la tensión de la red era mayor. Por el contrario, durante las pausas del mediodía, la Estación 1 aumentó ligeramente los precios y aún así retuvo a sus clientes, gracias a su superior velocidad y confiabilidad. ¿El resultado? Perfiles de carga más equilibrados, menos kilovatios renovables recortados (especialmente por exceso de producción eólica y solar) y, crucialmente, mayores márgenes netos en general.
Este último punto es clave. La sabiduría convencional sostiene que los recortes de precios erosionan las ganancias. Pero el modelo muestra que lo contrario puede ser cierto cuando se ejecuta estratégicamente. Al reducir los precios solo cuando la generación renovable supera las previsiones —por ejemplo, en una tarde soleada y ventosa—, los operadores pueden monetizar electrones que de otro modo se desperdiciarían. El estudio encontró que las estaciones que participaron en un esquema coordinado de precios dinámicos aumentaron su rentabilidad diaria promedio hasta en un 4,05%, no cobrando más, sino cobrando de manera más inteligente. Y lo hicieron mientras ayudaban a la red a absorber 1,3 megavatios adicionales de energía renovable variable durante períodos de alta incertidumbre.
Esta doble victoria —económica y operativa— es lo que hace que el enfoque sea tan atractivo para las utilities y los reguladores. Los operadores de red de China enfrentan un desafío sin precedentes: integrar más de 1.000 gigavatios de energía eólica y solar para 2030, en su mayor parte intermitente. Los VEs, con su enorme y flexible capacidad de batería, son considerados una piedra angular de la estabilización de la red, siempre que su carga pueda orquestarse. Las tarifas estáticas por tiempo de uso (por ejemplo, baratas por la noche, caras a las 6 p.m.) son demasiado burdas. Crean nuevos picos —avalanchas a medianoche— mientras todos esperan la ventana de tarifas bajas. El precio dinámico a nivel de estación, sin embargo, permite la microconformación de carga: impulsar a subconjuntos de usuarios en diferentes vecindarios a cargar ahora o después, según la oferta y la demanda hiperlocal.
Una de las ideas más reveladoras del estudio es cómo la densidad del mercado cambia las reglas del juego. En áreas dispersas —por ejemplo, un pueblo con solo dos estaciones—, los cambios de precios provocan pocos desplazamientos. Los conductores tienen pocas alternativas; el rango de servicio se mantiene estable. Pero en conglomerados densos como Furong, donde las estaciones suelen estar a menos de un kilómetro de distancia, pequeñas diferencias de precios desencadenan grandes redistribuciones. Aquí, la competencia es feroz, los márgenes más delgados, pero también más sensibles a precios inteligentes. “Esto no es una carrera hacia el abismo”, enfatiza Liu. “Es una carrera hacia la precisión”.
Esa precisión depende de bucles de datos rápidos. El sistema propuesto actualiza los precios cada 15 minutos —96 intervalos por día— utilizando pronósticos de demanda de VEs y generación renovable con un día de antelación, y luego ajustando en tiempo real según las desviaciones reales. Por ejemplo, cuando la generación eólica en tiempo real supera el pronóstico de la mañana en un 8%, el algoritmo impulsa a las estaciones cercanas a reducir los precios entre las 10 a.m. y el mediodía, invitando a más VEs a cargar y consumir el excedente. Cuando aparecen nubes inesperadamente, los precios suben ligeramente, desalentando suavemente las recargas no urgentes.
Crucialmente, el modelo no deja a los operadores a merced del algoritmo. Las restricciones garantizan equidad y viabilidad: ninguna estación puede fijar precios por debajo de su costo operativo (compra de electricidad + mantenimiento), y ningún conductor enfrenta picos repentinos y punitivos. Se aplican límites superior e inferior de ±10% alrededor del benchmark provincial. Además, el sistema tiene en cuenta la “fortaleza” de la estación. No se espera que un centro pequeño con dos cargadores absorba el mismo cambio de carga que una megaestación con 20 cargadores rápidos. El papel de cada actor se calibra según su capacidad.
Este matiz aborda una falla importante en propuestas anteriores, como el modelo de punto de ruptura, que dibuja límites en línea recta entre estaciones como si estuvieran igualadas. O el modelo mejorado de Wilson, que asume zonas de servicio circulares que a menudo se superponen o dejan brechas. El enfoque basado en campos de Liu, por el contrario, reconoce la asimetría. Acepta que la Estación A puede dominar el 70% de una zona, no solo por proximidad, sino porque ofrece carga más rápida, menores tiempos de espera o mejores servicios. El precio se convierte en el botón de ajuste que los operadores pueden girar para amplificar o suavizar temporalmente ese dominio.
Los observadores de la industria ven esto como un posible punto de inflexión. “Hemos pasado una década optimizando el hardware”, dice un estratega senior de una red líder de carga de VEs. “Ahora estamos entrando en la era del software, donde el valor real no está en el cargador, sino en la inteligencia detrás de él”. Varios programas piloto ya están probando conceptos similares en Guangdong y Zhejiang, aunque ninguno integra aún la dinámica de rangos de servicio de manera tan explícita.
Pero persisten desafíos. Por un lado, el acceso a los datos es desigual. El modelo asume visibilidad en tiempo real de los precios de la competencia y las condiciones de la red, una condición que aún no se cumple en muchas regiones donde los operadores protegen estrechamente sus datos de precios. Pueden ser necesarias API estandarizadas y presiones regulatorias para la transparencia. En segundo lugar, la confianza del consumidor es frágil. Después de años de tarifas de servicio opacas y cargos “de conveniencia” ocultos, los conductores desconfían de los precios constantemente cambiantes. Serán esenciales explicaciones claras en la aplicación: “¡Precio bajo ahora: ayude a usar energía solar extra!”.
Luego está la cuestión de la equidad. ¿Podría el precio dinámico perjudicar involuntariamente a conductores de bajos ingresos que no pueden permitirse esperar por descuentos en horas valle o poseen VEs más antiguos con carga más lenta? Los investigadores reconocen esto y sugieren medidas complementarias: reservar espacios de bajo costo para vehículos de flota (taxis, furgonetas de reparto) durante horas de alta demanda, o programas de fidelización que suavicen la volatilidad de las tarifas para usuarios habituales.
Aun así, el impulso es innegable. A medida que China transita de construir infraestructura de carga a optimizarla, el precio emergerá como la variable de control crítica. Los días de las tarifas fijas a nivel provincial están contados. En su lugar, una nueva generación de “motores de tarifas inteligentes”, entrenados en competencia local, pronósticos renovables y comportamiento del usuario, calibrará autónomamente las tarifas para equilibrar ganancias, estabilidad de la red y satisfacción del cliente.
Lo notable es cómo esto transforma el papel del operador. Ya no son solo propietarios de espacios de estacionamiento con enchufes, se convierten en orquestadores de energía, participantes activos en la transición hacia energías limpias. Una estación de carga en Changsha no solo vende kilovatios-hora; ayuda a evitar que una planta de carbón aumente su producción durante una caída solar, o permite que un parque eólico funcione a plena capacidad en lugar de recortar sus aspas. Su rentabilidad y su impacto ambiental se convierten en dos caras de la misma moneda.
De cara al futuro, el marco podría extenderse mucho más allá de los VEs. Los mismos principios —precio dinámico, competencia basada en campos, equilibrio de carga en tiempo real— se aplican a estaciones de intercambio de baterías, servicios V2G (vehículo a red), incluso a centros de hidrógeno a medida que se diversifica la mezcla de transporte de cero emisiones. La idea central permanece: en una era de recursos distribuidos y variables, la flexibilidad es la nueva capacidad.
Por ahora, el mensaje para los operadores de estaciones es claro: su mayor activo no es su transformador o su cantidad de cargadores, es su agilidad de precios. En el juego de alto riesgo de la carga de VEs, el mapa ya no está fijo. Se redibuja cada 15 minutos, y los ganadores serán aquellos que aprendan a navegar por el terreno cambiante.
Autor: Yang Liu
Afiliación: Instituto de Investigación Económica de la Red Estatal de Hunan
Revista: Electric Power Construction
DOI: 10.12204/j.issn.1000-7229.2023.10.008