德国光伏组件回收新政 企业应如何应对

简介:

新年伊始,国内各大光伏组件厂商纷纷大规模扩充产能、为新的一年组件市场在全球的进击摩拳擦掌的时候,老牌光伏巨头德国传来不利消息,根据德国电气和电子设备法案(WEEE)最新规定:从2月1日起,所有光伏组件生产商,进口商,贸易商原则上必须进行产品登记并承担废旧组件的回收义务,违者将面临巨额罚款。

据笔者多年德国光伏从业经验,理论上一批组件只要登记一次即可,所以无论是工厂直接办理还是委托德国分公司办理都合乎规定,只是实际操作过程中,笔者发现由于手续复杂,费用冗繁,很多厂商都会选择通过代理服务公司办理登记。

那么,WEEE最新规定之后,登记所产生的费用有哪些呢?笔者归结一下大致有三块:

1.EAR基金会的注册登记费。约850欧元左右。所有代理机构都一样。

2.组件回收财务担保(费用)。回收成本国家规定预计200欧元1吨。以年销售额10兆瓦为例。10兆瓦组件重量800吨。可能30%需要回收。保费比例2.5%。80030%=240吨240200=48000欧元。48000*2.5%=1200欧元。此为预计核算标准。也可能发生变化。各个代理机构的差别不大。

3.实际回收组件的成本和支出。各个地方不同代理机构差别很大

笔者跟大家来算一笔账,虚拟一个回收组件的费用模型:

(据规定,某公司实际需要承担多少回收义务是根据该公司2016年在德国市场的销售份额来决定的。如果德国市场1年有1000MW组件销售,而该公司销售了100个柜及20MW,则该公司就必须承担0,2%的份额。如果一年有1000个柜组件需要回收,则需要承担回收2个柜的费用。)

第一类代理公司:直接按照进口组件重量收取费用。1吨20欧元,一个柜16吨320欧元。按照某公司一年销售100个柜原则上必须支付32000欧元给代理公司,之后就由代理公司负责某公司需要承担的回收组件的义务。(无论某公司最终实际需要回收多少组件。)

第二类代理公司:按照某公司在德国市场所占份额核算某公司实际需要直接承担多少回收义务。如果某公司按照100个柜子及20兆瓦销售额估算,预计德国市场一年1000MW的市场总量,某公司就必须承担0.2%的回收份额。

如果一年德国需要回收的废旧组件的数量为1000个集装箱,那么某公司需要自己直接承担约2个柜的回收任务。这2个柜会有EAR基金会通知某公司承担回收任务。但是EAR基金会的通知会比较随机,不知道什么时候会接到,也不知道这些废旧组件在哪里?只可能委托代理去回收。

同样一个柜约16吨的前提下,比较A与B两个代理公司费用:

代理公司A:回收价格报价100欧元每吨加运费(162=32吨,32100=3200欧元加运费)

代理公司B:回收价格报价160欧元每吨加运费(162=32吨,32160=5120欧元加运费)

可以看到,第一类代理公司可能回收方便渠道多,成本固定,回收单价低,但是总费用很高;第二类代理公司(代理A与代理B)相对回收点可能不是太多,回收单价高,但是总费用低。缺点是固定成本没法预估。

当然,某些代理公司会收取一些服务费。

如此,有德国订单的或者2016年准备去德国市场大展身手的组件厂商就要很清楚,WEEE一纸新规之后,要增加哪些费用,可以选择什么类型的代理公司……才能更加优化成本、在竞争中处于更加有利的位置。

本文转自d1net(转载)

相关文章
|
网络协议 Linux 网络安全
iptables 的四表五链
iptables 是 Linux 系统上用于定义防火墙规则的工具,它通过四个表和五个链来进行配置。下面是这些表和链的详细说明: 四个表: 1. filter 表:filter 表是最常用的表,用于过滤数据包。它包含了 INPUT、OUTPUT 和 FORWARD 三个默认的链。 2. nat 表:nat 表用于网络地址转换 (NAT)。它包含了 PREROUTING、POSTROUTING 和 OUTPUT 三个默认的链。nat 表用于修改数据包的 IP 地址和端口。 3. mangle 表:mangle 表用于修改数据包的特定字段,如 TTL(生存时间)、TOS(服务类型)等。它包含了
606 1
|
测试技术 开发者 Python
自动化测试之美:从零构建你的软件质量防线
【10月更文挑战第34天】在数字化时代的浪潮中,软件成为我们生活和工作不可或缺的一部分。然而,随着软件复杂性的增加,如何保证其质量和稳定性成为开发者面临的一大挑战。自动化测试,作为现代软件开发过程中的关键实践,不仅提高了测试效率,还确保了软件产品的质量。本文将深入浅出地介绍自动化测试的概念、重要性以及实施步骤,带领读者从零基础开始,一步步构建起属于自己的软件质量防线。通过具体实例,我们将探索如何有效地设计和执行自动化测试脚本,最终实现软件开发流程的优化和产品质量的提升。无论你是软件开发新手,还是希望提高项目质量的资深开发者,这篇文章都将为你提供宝贵的指导和启示。
|
Python
【金融量化】通道突破策略之布林带策略(Bollinger Band )、肯特纳通道策略(Keltner Channel)、唐奇安通道策略(Donchian)原理简介
本文介绍了三种金融量化分析中的通道突破策略:布林带策略(Bollinger Band)、肯特纳通道策略(Keltner Channel)和唐奇安通道策略(Donchian Channel),并提供了每种策略的原理和Python实现代码。
1373 2
|
11月前
|
数据采集 算法 数据安全/隐私保护
【硬件测试】基于FPGA的16QAM调制+软解调系统开发与硬件片内测试,包含信道模块,误码统计模块,可设置SNR
本文基于之前开发的16QAM调制与软解调系统,增加了硬件测试功能。该系统包含FPGA实现的16QAM调制、软解调、高斯信道、误码率统计模块,并新增了ILA在线数据采集和VIO在线SNR设置模块。通过硬件测试,验证了不同SNR条件下的系统性能。16QAM软解调通过比较接收信号采样值与16个调制点的距离,选择最近的调制点来恢复原始数据。核心Verilog代码实现了整个系统的功能,包括SNR设置、信号处理及误码率统计。硬件测试结果表明系统在不同SNR下表现良好,详细操作步骤可参考配套视频。
301 13
|
人工智能 自然语言处理 测试技术
文生图参数量升至240亿!Playground v3发布:深度融合LLM,图形设计能力超越人类
【10月更文挑战第29天】Playground v3(PGv3)是最新发布的文本到图像生成模型,其在多个测试基准上取得了最先进的性能。与传统模型不同,PGv3采用了一种全新的结构,将大型语言模型与图像生成模型深度融合,展现出卓越的文本提示遵循、复杂推理和准确的文本渲染能力。此外,PGv3还具备超越人类的图形设计能力,支持精确的RGB颜色控制和多语言理解,为设计师和创意工作者提供了强大的工具。尽管存在一些挑战,但PGv3的发布标志着文本到图像生成技术的重大突破。
375 6
|
数据采集 存储 数据库
从零到一建设数据中台(番外篇)- 数据中台UI欣赏
从零到一建设数据中台(番外篇)- 数据中台UI欣赏
343 0
从零到一建设数据中台(番外篇)- 数据中台UI欣赏
|
机器学习/深度学习 API iOS开发
iOS MachineLearning 系列(17)—— 几个常用的对象识别 CoreML 模型
上一篇文章中,我们介绍了几个官方的图片分类的模型,图片分类模型的应用场景在于将图片中最主要的事物进行识别,在已有的词库中找到最可能得事物。而对象识别则要更高级一些。再之前的文章,我们介绍过可以使用官方提供的API来进行矩形识别,文本识别,二维码识别以及人脸识别等,这类识别功能的特点是我们不仅可以将图片中的物体位置和尺寸分析出来,还可以对其进行类别的分类。
688 0
完美解决丨File “invalid.py“, line 1 print(`Hello World!`) ^ SyntaxError: invalid syntax
完美解决丨File “invalid.py“, line 1 print(`Hello World!`) ^ SyntaxError: invalid syntax
|
存储 缓存 NoSQL
软件体系结构 - 缓存技术(4)Redis分布式存储
【4月更文挑战第20天】软件体系结构 - 缓存技术(4)Redis分布式存储
343 12
|
存储 C语言
C语言程序设计——ASCII码
C语言程序设计——ASCII码