Ein zweistufiger DEA-AHP-Ansatz zur Standortwahl für Solar-PV-Kraftwerke in Taiwan

1. Einleitung

Diese Arbeit befasst sich mit der zentralen Herausforderung, optimale Standorte für Solar-Photovoltaik (PV)-Kraftwerke in Taiwan auszuwählen. Die Dringlichkeit wird durch den globalen Bedarf getrieben, von fossilen Brennstoffen auf erneuerbare Energien umzusteigen – ein Wandel, der durch die Covid-19-Pandemie und die Klimawandel-Imperative verstärkt wird. Taiwan, das stark von importierten fossilen Brennstoffen abhängig ist und in einer seismisch aktiven Zone liegt, betrachtet die Entwicklung der Solarenergie als entscheidend für die Energiesicherheit und wirtschaftliche Nachhaltigkeit.

1.1 Globale Situation der erneuerbaren Energien

Die Arbeit verortet die Studie im Kontext globaler Bemühungen wie dem Pariser Abkommen und dem Europäischen Green Deal, die auf Netto-Null-Emissionen abzielen. Sie hebt die Widerstandsfähigkeit der erneuerbaren Energien während der Covid-19-Krise hervor, wobei die Stromerzeugung aus erneuerbaren Quellen im Jahr 2020 trotz Unterbrechungen um 5 % zunahm.

1.2 Das Potenzial der Solarenergie

Solarenergie wird aufgrund der geografischen und klimatischen Bedingungen Taiwans als die am besten geeignete erneuerbare Quelle identifiziert. Landbeschränkungen, politische Herausforderungen und Skalierungsprobleme behindern jedoch die Entwicklung, was eine systematische Standortwahl unerlässlich macht.

2. Methodik: Zweistufiger MCDM-Rahmen

Der Kernbeitrag ist ein neuartiger zweistufiger Ansatz der Multikriteriellen Entscheidungsfindung (MCDM), der Data Envelopment Analysis (DEA) und den Analytic Hierarchy Process (AHP) kombiniert.

2.1 Stufe 1: Data Envelopment Analysis (DEA)

DEA wird als initialer Filter verwendet, um die Effizienz der natürlichen Ressourcen von 20 potenziellen Städten/Landkreisen zu bewerten. Dabei werden Standorte als Decision Making Units (DMUs) behandelt.

• Inputs: Temperatur, Windgeschwindigkeit, Luftfeuchtigkeit, Niederschlag, Luftdruck.
• Outputs: Sonnenstunden, Globalstrahlung.

Standorte, die einen perfekten Effizienzwert von 1,0 erreichen, gelangen in die nächste Stufe.

2.2 Stufe 2: Analytic Hierarchy Process (AHP)

AHP wird eingesetzt, um die effizienten Standorte aus Stufe 1 basierend auf einem breiteren Set von sozio-techno-ökonomisch-ökologischen Kriterien zu bewerten. Es beinhaltet paarweise Vergleiche, um Kriteriengewichte und endgültige Standortwerte abzuleiten.

2.3 Kriterien- und Subkriterienhierarchie

Das AHP-Modell ist mit fünf Hauptkriterien und 15 Subkriterien strukturiert:

1. Standortcharakteristika: Geländeneigung, Landnutzungstyp, Entfernung zum Netz.
2. Technisch: Sonneneinstrahlung, Sonnenstunden, Temperatur.
3. Ökonomisch: Investitionskosten, Betriebs- & Wartungskosten, Stromübertragungskosten, Förderinstrumente (z.B. Einspeisevergütungen).
4. Sozial: Öffentliche Akzeptanz, Arbeitsplatzschaffung, Stromnachfrage.
5. Ökologisch: CO₂-Emissionsreduktion, Ökologische Auswirkungen.

3. Fallstudie: Taiwan

3.1 Datenerhebung & Potenzielle Standorte

Die Studie bewertete 20 große Städte und Landkreise in ganz Taiwan. Meteorologische Daten (Inputs/Outputs für DEA) und sozioökonomische Daten (für AHP) wurden von offiziellen taiwanesischen Quellen wie dem Zentralen Wetterbüro und dem Wirtschaftsministerium erhoben.

3.2 Ergebnisse der DEA-Effizienzanalyse

Das DEA-Modell filterte Standorte mit suboptimaler Effizienz der natürlichen Ressourcen aus. Nur Städte/Landkreise, die klimatische Inputs (wie moderate Temperatur und niedrige Luftfeuchtigkeit) effizient in Solar-Outputs (hohe Sonnenstunden und Globalstrahlung) umwandelten, erhielten einen Wert von 1,0. Dieser Schritt reduzierte den Kandidatenpool für die detailliertere AHP-Analyse.

3.3 AHP-Gewichtung & Endgültige Rangfolge

Der AHP-Paarvergleich offenbarte die relative Bedeutung der Kriterien. Die drei einflussreichsten Subkriterien waren:

Dies unterstreicht, dass politische und ökonomische Faktoren (Förderung, Kosten) und die lokale Nachfrage in der endgültigen Rangfolge entscheidender sind als das reine Solarressourcenpotenzial.

4. Ergebnisse & Diskussion

4.1 Zentrale Erkenntnisse

Der hybride DEA-AHP-Ansatz identifizierte und priorisierte Standorte erfolgreich. Die Stärke des zweistufigen Prozesses liegt darin, zunächst die natürliche Ressourcen-Tauglichkeit (DEA) sicherzustellen, bevor die breitere Machbarkeit (AHP) bewertet wird. Dies verhindert, dass ressourcenreiche, aber anderweitig ungeeignete Standorte hoch eingestuft werden.

4.2 Bestplatzierte Standorte

Die endgültige AHP-Rangfolge identifizierte die drei am besten geeigneten Standorte für die Entwicklung großer Solar-PV-Parks in Taiwan:

1. Tainan City
2. Changhua County
3. Kaohsiung City

Diese Gebiete kombinieren starke Solarressourcen mit günstigen wirtschaftlichen Bedingungen (z.B. bestehende Förderinstrumente), relativ niedrigeren Übertragungskosten und einer hohen lokalen Stromnachfrage.

5. Technische Details & Mathematische Formulierung

DEA-Formulierung (CCR-Modell): Der Effizienzwert $\theta_k$ für DMU $k$ wird durch Lösen des linearen Programms erhalten: $$\text{Max } \theta_k = \sum_{r=1}^{s} u_r y_{rk}$$ $$\text{unter den Nebenbedingungen: } \sum_{i=1}^{m} v_i x_{ik} = 1$$ $$\sum_{r=1}^{s} u_r y_{rj} - \sum_{i=1}^{m} v_i x_{ij} \leq 0, \quad j=1,...,n$$ $$u_r, v_i \geq \epsilon > 0$$ wobei $x_{ij}$ die Inputs, $y_{rj}$ die Outputs, $v_i$ und $u_r$ die Gewichte und $\epsilon$ ein nicht-archimedisches Infinitesimal sind.

AHP-Konsistenzprüfung: Ein kritischer Schritt ist die Sicherstellung, dass die Paarvergleichsmatrix $A$ konsistent ist. Der Konsistenzindex ($CI$) und das Konsistenzverhältnis ($CR$) werden berechnet: $$CI = \frac{\lambda_{max} - n}{n-1}$$ $$CR = \frac{CI}{RI}$$ wobei $\lambda_{max}$ der größte Eigenwert, $n$ die Matrixgröße und $RI$ der Random Index ist. Ein $CR < 0,1$ ist akzeptabel.

6. Analyse-Rahmen: Beispielsfall

Szenario: Bewertung zweier Kandidatenstandorte, "Stadt A" und "Landkreis B", nach dem DEA-Vorfilter.

Schritt 1 - Kriteriengewichtung (AHP): Experten führen paarweise Vergleiche durch. Zum Beispiel könnte der Vergleich "Ökonomisch" vs. "Ökologisch" einen Wert von 3 ergeben (moderate Wichtigkeit von Ökonomisch gegenüber Ökologisch). Dies füllt die Vergleichsmatrix, um globale Gewichte abzuleiten (z.B. Ökonomisch: 0,35, Ökologisch: 0,10).

Schritt 2 - Standortbewertung pro Kriterium: Bewertung jedes Standorts für jedes Subkriterium auf einer Skala (z.B. 1-9). Für "Förderinstrumente": Wenn Stadt A ausgezeichnete Einspeisevergütungen hat (Wert=9) und Landkreis B schlechte Förderung (Wert=3), werden diese normalisiert.

Schritt 3 - Synthese: Endwert für Stadt A = $\sum (\text{Subkriteriengewicht} \times \text{Normalisierter Wert von Stadt A})$. Der Standort mit dem höheren Gesamtwert wird bevorzugt.

Dieser strukturierte, quantitative Rahmen ersetzt Ad-hoc-Entscheidungsfindung durch Transparenz und Nachvollziehbarkeit.

7. Anwendungsausblick & Zukünftige Richtungen

• Integration mit GIS: Zukünftige Arbeiten sollten diesen MCDM-Ansatz mit Geoinformationssystemen (GIS) für räumliche Visualisierung und Analyse der Landeignung integrieren, um leistungsstarke Entscheidungsunterstützungswerkzeuge zu schaffen.
• Dynamische & Probabilistische Modelle: Die Einbeziehung von Zeitreihendaten und probabilistischen Prognosen für Klimavariablen und Strompreise kann das Modell anpassungsfähig für zukünftige Veränderungen machen.
• Hybrid mit anderen MCDM-Methoden: Die Kombination von AHP mit Techniken wie TOPSIS oder VIKOR könnte Unsicherheit oder widersprüchliche Kriterien robuster handhaben.
• Breitere Anwendung: Dieser zweistufige Rahmen ist hochgradig übertragbar auf andere Standortwahlprobleme für erneuerbare Energien (z.B. Wind, Geothermie) in verschiedenen geografischen Kontexten.
• Integration der Lebenszyklus-Nachhaltigkeit: Eine Erweiterung des ökologischen Kriteriums zu einer vollständigen Lebenszyklusanalyse (LCA) würde den CO₂-Fußabdruck der Herstellung und Stilllegung von PV-Modulen bewerten.

8. Literaturverzeichnis

1. Intergovernmental Panel on Climate Change (IPCC). (2021). Climate Change 2021: The Physical Science Basis. Cambridge University Press.
2. United Nations. (2015). Paris Agreement. United Nations Treaty Collection.
3. European Commission. (2019). The European Green Deal. COM(2019) 640 final.
4. International Energy Agency (IEA). (2020). World Energy Outlook 2020. OECD/IEA.
5. International Renewable Energy Agency (IRENA). (2021). Renewable Energy and Jobs – Annual Review 2021.
6. Charnes, A., Cooper, W. W., & Rhodes, E. (1978). Measuring the efficiency of decision making units. European Journal of Operational Research, 2(6), 429-444.
7. Saaty, T. L. (1980). The Analytic Hierarchy Process. McGraw-Hill.
8. Wang, C. N., Nguyen, N. A. T., Dang, T. T., & Bayer, J. (2021). A Two-Stage Multiple Criteria Decision Making for Site Selection of Solar Photovoltaic (PV) Power Plant: A Case Study in Taiwan. IEEE Access, 9, 75509-75522. DOI: 10.1109/ACCESS.2021.3081995.

9. Expertenanalyse & Kritische Würdigung

Kernerkenntnis: Diese Arbeit ist nicht nur eine weitere Standortwahlstudie; sie ist ein pragmatischer Leitfaden zur Risikominderung bei Investitionen in erneuerbare Energieinfrastruktur. Die eigentliche Einsicht ist die sequentielle Logik: Zuerst DEA nutzen, um rücksichtslos nach Effizienz der natürlichen Ressourcen zu filtern – ein nicht verhandelbares, physikbasiertes Tor – bevor die weicheren, politiklastigen AHP-Kriterien den Sieger bestimmen. Dies verhindert die häufige Fehlentscheidung, einen politisch bequemen, aber klimatisch mittelmäßigen Standort zu wählen.

Logischer Ablauf: Die Eleganz der Methodik liegt in ihrer Arbeitsteilung. DEA behandelt die Frage "Kann es hier funktionieren?" basierend auf Sonne, Wind und Regen. AHP bearbeitet die Frage "Sollten wir es hier bauen?" basierend auf Kosten, Politik und sozialen Auswirkungen. Dies spiegelt den realen Entscheidungsprozess von Entwicklern und Regierungen wider, der vom technischen Potenzial zur Projektmachbarkeit fortschreitet. Das hohe Gewicht für "Förderinstrumente" (0,332) ist eine schonungslos ehrliche Widerspiegelung der Realität: Eine gute Einspeisevergütung kann mehrere Prozentpunkte höherer Sonneneinstrahlung aufwiegen.

Stärken & Schwächen: Die Hauptstärke ist die Robustheit des hybriden Ansatzes und seine Validierung in einem komplexen, realen Kontext (Taiwan). Die Verwendung etablierter, weit verstandener Werkzeuge (DEA, AHP) erhöht die Replizierbarkeit. Das Modell weist jedoch bemerkenswerte Lücken auf. Erstens ist es statisch; es berücksichtigt nicht die zeitliche Variabilität der Solarressourcen oder zukünftige Klimawandelauswirkungen – eine kritische Überlegung, die in den jüngsten IPCC-Berichten hervorgehoben wird. Zweitens führt die Abhängigkeit des AHP von Experten-Paarvergleichen, obwohl Standard, Subjektivität ein. Die Arbeit wäre stärker, wenn sie dies durch Sensitivitätsanalysen ergänzen oder einen Fuzzy-AHP-Ansatz zur Handhabung von Unsicherheit verwenden würde, wie in fortgeschrittenen Anwendungen, die z.B. auf den Methodenseiten der RAND Corporation diskutiert werden. Drittens scheinen Landverfügbarkeit und -kosten – oft der ultimative Engpass – innerhalb der Subkriterien unterrepräsentiert. In vielen Märkten ist dies die primäre Einschränkung.

Umsetzbare Erkenntnisse: Für politische Entscheidungsträger in Taiwan und ähnlichen Regionen bietet die bestplatzierte Liste (Tainan, Changhua, Kaohsiung) einen datengestützten Ausgangspunkt, um Infrastruktur und Anreize zu konzentrieren. Für Entwickler ist der Rahmen eine fertige Due-Diligence-Checkliste. Der unmittelbare nächste Schritt sollte die Integration dieses Modells mit hochauflösenden GIS-Daten sein, um von der Stadt- auf die Parzellenebene zu gelangen. Darüber hinaus wäre ein Vergleich dieses DEA-AHP-Ergebnisses mit Ergebnissen aus maschinellen Lernmodellen zur Standorteignung – wie sie zunehmend in der Windparkplanung verwendet werden – eine wertvolle Forschungsrichtung, um die Konvergenz (oder Divergenz) verschiedener Paradigmen zu testen. Letztendlich bietet diese Arbeit eine solide, operationale Grundlage. Die Zukunft liegt darin, sie dynamisch, räumlich explizit und in der Lage zu machen, Echtzeit-Datenströme zu verarbeiten.