Ein zweistufiges DEA-AHP-Framework für die Standortwahl von Solar-PV-Kraftwerken in Taiwan

1. Einleitung

Diese Arbeit befasst sich mit der zentralen Herausforderung der optimalen Standortwahl für Solar-Photovoltaik-(PV-)Kraftwerke, einer Aufgabe von größter Bedeutung für die Energiesicherheit und nachhaltige Entwicklung, insbesondere im Kontext globaler Bemühungen um den Ausstieg aus fossilen Brennstoffen. Am Beispiel Taiwans verdeutlicht die Forschung die Dringlichkeit dieses Themas für Nationen, die von Energieimporten abhängig und anfällig für den Klimawandel sind.

1.1 Globale Situation der erneuerbaren Energien

Die globale Abhängigkeit von fossilen Brennstoffen ist ein Hauptverursacher von Treibhausgasemissionen. Internationale Abkommen wie das Pariser Klimaabkommen zielen darauf ab, die globale Erwärmung zu begrenzen und treiben weltweit den Übergang zu erneuerbaren Energien voran. Die COVID-19-Pandemie hat die Bedeutung widerstandsfähiger und zugänglicher Energiesysteme weiter verdeutlicht, wobei sich erneuerbarer Strom während der Krise als die robusteste Energiequelle erwies.

1.2 Das Potenzial der Solarenergie

Solarenergie wird aufgrund der geografischen und klimatischen Bedingungen Taiwans als die am besten geeignete erneuerbare Quelle identifiziert. Ihre Entwicklung sieht sich jedoch Hindernissen wie hohen Landkosten, politischen Beschränkungen und Skalierbarkeitsproblemen gegenüber. Dies begründet die Notwendigkeit eines robusten, vielschichtigen Entscheidungsframeworks für die Standortwahl.

2. Methodik: Zweistufiges MCDM-Framework

Der zentrale Beitrag dieser Arbeit 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 ist eine nicht-parametrische Methode zur Bewertung der relativen Effizienz von Entscheidungseinheiten (DMUs) – in diesem Fall potenziellen Stadt-/Landkreisstandorten. Sie filtert weniger effiziente Standorte ausschließlich auf Basis klimatischer und solarer Ressourcen-Inputs und -Outputs heraus.

2.2 Stufe 2: Analytic Hierarchy Process (AHP)

AHP wird auf die Standorte angewendet, die in Stufe 1 eine perfekte Effizienz erreicht haben. Es bezieht breitere, qualitative und quantitative Kriterien jenseits der reinen Ressourceneffizienz ein, um die am besten geeigneten Standorte zu bewerten.

2.3 Hierarchie der Bewertungskriterien

Das AHP-Modell ist um fünf Hauptkriterien strukturiert, jeweils mit spezifischen Subkriterien:

Standortcharakteristika: Landnutzung, Topografie, Erreichbarkeit.
Technisch: Netzanbindungsmöglichkeit, Übertragungskosten.
Wirtschaftlich: Investitionskosten, Betriebs- & Wartungskosten, Förderinstrumente (z.B. Einspeisevergütungen).
Sozial: Öffentliche Akzeptanz, Arbeitsplatzschaffung, Stromnachfrage.
Umwelt: Ökologische Auswirkungen, CO2-Emissionsreduktion.

3. Fallstudie: Taiwan

Die Methodik wird angewendet, um 20 potenzielle Städte und Landkreise in Taiwan für den Bau großflächiger Solar-PV-Anlagen zu bewerten.

3.1 Daten und Standortauswahl

20 Kandidatenstandorte in ganz Taiwan wurden basierend auf Datenverfügbarkeit und Solarpotenzial ausgewählt.

3.2 DEA-Inputs und -Outputs

Inputs (unerwünschte Faktoren): Temperatur, Windgeschwindigkeit, Luftfeuchtigkeit, Niederschlag, Luftdruck.
Outputs (erwünschte Faktoren): Sonnenstunden, Globalstrahlung (Solareinstrahlung).
Das Modell zielt darauf ab, die Outputs (Solarressource) zu maximieren und gleichzeitig die Auswirkungen ungünstiger klimatischer Inputs zu minimieren.

4. Ergebnisse und Diskussion

Zusammenfassung der Hauptergebnisse

Top 3 bewertete Standorte: 1. Tainan, 2. Changhua, 3. Kaohsiung

Einflussreichste Subkriterien: Förderinstrumente (0,332), Stromübertragungskosten (0,122), Stromnachfrage (0,086)

4.1 DEA-Effizienzwerte

Die DEA-Stufe identifizierte mehrere Standorte mit perfekten Effizienzwerten (Effizienz = 1), was bedeutet, dass sie klimatische Bedingungen optimal in Solarpotenzial umwandeln. Diese effizienten Standorte gingen in die AHP-Stufe über.

4.2 AHP-Kriteriengewichte

Der paarweise Vergleich im AHP zeigte, dass wirtschaftliche Kriterien, insbesondere "Förderinstrumente" (Gewicht 0,332), für die endgültige Entscheidungsfindung am kritischsten waren und rein technische oder Umweltfaktoren bei weitem übertrafen. Dies unterstreicht die Rolle von Politik und finanziellen Anreizen beim Ausbau erneuerbarer Energien.

4.3 Endgültige Standortrangfolge

Nach Anwendung des gewichteten AHP-Modells kristallisierten sich Tainan, Changhua und Kaohsiung als die drei am besten geeigneten Standorte heraus. Diese Gebiete kombinieren günstige Solarressourcen mit starken wirtschaftlichen Anreizen (Förderinstrumente) und Nähe zu Zentren mit hohem Strombedarf, was die Übertragungskosten minimiert.

5. Technische Details & Mathematische Formulierung

DEA-CCR-Modell (Charnes, Cooper, Rhodes): Das grundlegende DEA-Modell zur Berechnung des Effizienzwerts $\theta_k$ für DMU $k$ wird als lineares Optimierungsproblem formuliert: $$ \begin{aligned} \text{Max } & \theta_k = \sum_{r=1}^{s} u_r y_{rk} \\ \text{s.t. } & \sum_{i=1}^{m} v_i x_{ik} = 1 \\ & \sum_{r=1}^{s} u_r y_{rj} - \sum_{i=1}^{m} v_i x_{ij} \leq 0, \quad j = 1, \ldots, n \\ & u_r, v_i \geq \epsilon > 0 \end{aligned} $$ Wobei:

$x_{ij}$: Menge des Inputs $i$ für DMU $j$.
$y_{rj}$: Menge des Outputs $r$ für DMU $j$.
$v_i$, $u_r$: Virtuelle Gewichte für Inputs und Outputs.
$\epsilon$: eine kleine nicht-archimedische Zahl.
$\theta_k = 1$ zeigt DEA-Effizienz an.

AHP Paarweiser Vergleich & Konsistenz: Kriterien werden paarweise auf einer Skala von 1-9 verglichen. Der Prioritätenvektor $w$ (Gewichte) wird aus dem Haupt-Eigenvektor der Vergleichsmatrix $A$ abgeleitet, wobei $Aw = \lambda_{max}w$. Das Konsistenzverhältnis ($CR$) muss kleiner als 0,1 sein: $$ CR = \frac{CI}{RI}, \quad CI = \frac{\lambda_{max} - n}{n - 1} $$ wobei $RI$ der Zufallsindex ist.

6. Ergebnisse & Diagrammbeschreibung

Konzeptdiagramm 1: Zweistufiger MCDM-Prozessablauf
Ein Flussdiagramm, das darstellt: (1) 20 Kandidatenstandorte werden in (2) das DEA-Modell (Klima-Inputs/Solar-Outputs) eingegeben, das zu (3) effizienten Standorten (Score=1) filtert. Diese werden dann in (4) das AHP-Modell (5 Kriterien & Subkriterien) eingegeben, was zu (5) der endgültigen gewichteten Rangfolge der Standorte führt.

Konzeptdiagramm 2: AHP-Kriteriengewichtshierarchie
Ein horizontales Balkendiagramm, das die relativen Gewichte der Hauptkriterien (Standort, Technisch, Wirtschaftlich, Sozial, Umwelt) zeigt und einen Drilldown für das wirtschaftliche Kriterium mit dem dominanten Gewicht des Subkriteriums "Förderinstrumente" (0,332).

Konzeptdiagramm 3: Karte der endgültigen Standortrangfolge
Eine thematische Karte Taiwans mit den 20 markierten Kandidatenstandorten. Die bestplatzierten Standorte (Tainan, Changhua, Kaohsiung) sind in der Primärfarbe (#FF9800) hervorgehoben, andere Standorte sind basierend auf ihrem endgültigen AHP-Score in Abstufungen schattiert.

7. Analytisches Framework: Beispielszenario

Szenario: Bewertung zweier hypothetischer Standorte, "Stadt A" und "Stadt B", nach der DEA-Stufe.

Schritt 1 - AHP Paarweiser Vergleich (Wirtschaftliches Kriterium):
Der Entscheidungsträger vergleicht Subkriterien:
"Förderinstrumente" wird als 'mäßig wichtiger' (Wert 3) eingestuft als "Investitionskosten".
"Investitionskosten" wird als 'gleich bis mäßig wichtiger' (Wert 2) eingestuft als "Betriebs- & Wartungskosten".
Dies bildet eine Vergleichsmatrix für die wirtschaftlichen Subkriterien.

Schritt 2 - Bewertung der Standorte:
Für das Subkriterium "Förderinstrumente" wird Stadt A (starke staatliche Subventionen) gegenüber Stadt B (schwache Subventionen) als 'stark bevorzugt' (Punktzahl 5) bewertet. Diese Bewertungen werden normalisiert und unter Verwendung der Kriteriengewichte aggregiert, um einen endgültigen Gesamtscore für jeden Standort zu erzeugen.

Ergebnis: Selbst wenn Stadt B eine leicht bessere Sonneneinstrahlung hat, führt die überlegene politische Unterstützung von Stadt A (hohes Gewicht) zu einer höheren endgültigen Platzierung. Dies demonstriert die Fähigkeit des Frameworks, mehrere, oft widersprüchliche Ziele auszubalancieren.

8. Anwendungsausblick & Zukünftige Richtungen

Integration mit GIS: Zukünftige Arbeiten sollten dieses MCDM-Framework eng mit Geoinformationssystemen (GIS) für räumliche Analysen, Einschränkungskartierung (z.B. Schutzgebiete, Hangneigung) und Visualisierung integrieren, um ein leistungsfähiges Entscheidungsunterstützungssystem (DSS) zu schaffen.
Dynamische & Probabilistische Modellierung: Einbeziehung von Klimawandelprojektionen zur Bewertung der langfristigen Standorttauglichkeit. Verwendung von stochastischer DEA oder Fuzzy-AHP zur Handhabung von Unsicherheiten in Eingabedaten und Experteneinschätzungen.
Breitere Technologiebewertung: Anpassung des Frameworks für andere erneuerbare Technologien (Offshore-Wind, Geothermie) oder Hybridsysteme unter Verwendung technologiespezifischer Kriterien.
Integration der Lebenszyklus-Nachhaltigkeit: Erweiterung des Umweltkriteriums zu einer vollständigen Ökobilanz (LCA), die Herstellung, Einsatz und Stilllegung abdeckt, im Einklang mit Kreislaufwirtschaftsprinzipien.
Verbesserung durch Maschinelles Lernen: Nutzung von ML-Algorithmen zur Analyse historischer Erfolgs-/Misserfolgsdaten der Standortwahl, um potenziell die AHP-Gewichtungen zu verfeinern oder neue Subkriterien vorzuschlagen.

9. Literaturverzeichnis

Charnes, A., Cooper, W. W., & Rhodes, E. (1978). Measuring the efficiency of decision making units. European Journal of Operational Research, 2(6), 429-444.
Saaty, T. L. (1980). The analytic hierarchy process. McGraw-Hill.
International Energy Agency (IEA). (2020). World Energy Outlook 2020. OECD/IEA.
IRENA. (2021). Renewable Power Generation Costs in 2020. International Renewable Energy Agency.
Zhu, J., et al. (2020). A comprehensive review of hybrid DEA methods. Omega, 102, 102308.
Isola, P., Zhu, J., Zhou, T., & Efros, A. A. (2017). Image-to-image translation with conditional adversarial networks. Proceedings of the IEEE conference on computer vision and pattern recognition (pp. 1125-1134). (Zitiert als Beispiel für ein strukturiertes, zweistufiges Framework in einem anderen Bereich).

10. Originalanalyse & Expertenkommentar

Kernerkenntnis

Der wahre Wert dieser Arbeit liegt nicht darin, festzustellen, dass sonnige Orte gut für Solaranlagen sind – das ist trivial. Ihre Kernerkenntnis ist die explizite Quantifizierung der Dominanz von Politik und Finanzen bei der Standortwahl für erneuerbare Energien im Versorgungsmaßstab. Das erstaunliche Gewicht von 0,332 für "Förderinstrumente" schreit eine harte Wahrheit heraus: In der realen Welt wird ein mittelmäßiger Standort mit fantastischen Subventionen (wie Taiwans Einspeisevergütungen) konsequent einen Standort mit erstklassigen Ressourcen, aber regulatorischen Gegenwinden, übertrumpfen. Dies verlagert die Diskussion von technischen Karten hin zu Dashboards für Vorstände und politische Entscheidungsträger.

Logischer Ablauf

Die zweistufige Logik ist elegant pragmatisch. DEA fungiert als grober, datengetriebener Filter, der Standorte effizient ausschließt, bei denen die grundlegende Physik der Solarenergieumwandlung schlecht ist – keine Subvention kann schlechtes Wetter ausgleichen. Dies verhindert, dass die subjektive AHP-Methode Zeit mit aussichtslosen Kandidaten verschwendet. Es erinnert an die Grob-zu-Fein-Verfeinerung in modernen KI-Architekturen, wie die Generator-Diskriminator-Pipeline in CycleGAN [6], bei der eine anfängliche Transformation gegen eine Reihe von Kriterien verfeinert wird. Hier ist DEA die anfängliche Transformation (zu effizienten Standorten), und AHP ist die Verfeinerung gegen wirtschaftliche und soziale Kriterien.

Stärken & Schwächen

Stärken: Der hybride Ansatz ist seine größte Stärke, da er die Schwächen jeder Methode abmildert. Die Objektivität der DEA bei der Erstauswahl gleicht die Subjektivität der AHP bei der Endbewertung aus. Die gewählten Kriterien sind umfassend und gehen über reine Techno-Ökonomie hinaus, um soziale Nachfrage einzubeziehen – ein oft übersehener, aber für Netzstabilität und öffentliche Akzeptanz entscheidender Faktor, wie in IEA-Berichten zur Systemintegration hervorgehoben [3].

Kritische Schwäche: Die Achillesferse der Arbeit ist ihre zeitliche Starrheit. Die Analyse ist eine Momentaufnahme. Eine Solar-PV-Anlage ist ein Vermögenswert mit einer Lebensdauer von 25+ Jahren. Gewichte für "Förderinstrumente" können mit einem Regierungswechsel verschwinden, wie bei rückwirkenden Kürzungen von Einspeisevergütungen in Europa zu sehen. Der Klimawandel wird die "Temperatur"- und "Niederschlags"-Inputs verändern. Dem Modell fehlt eine probabilistische oder szenariobasierte Perspektive, um die Standortrobustheit gegenüber diesen Zukunftsentwicklungen zu testen. Darüber hinaus wird COVID-19 zwar erwähnt, aber die Widerstandsfähigkeit der Lieferkette nicht integriert – eine eklatante Lücke nach 2020.

Umsetzbare Erkenntnisse

Für Projektentwickler: Nutzen Sie dieses Framework intern, aber testen Sie die AHP-Gewichte unter Stress. Führen Sie Szenarien durch, in denen das Gewicht für "Förderinstrumente" um 50% sinkt. Bleibt Ihr Top-Standort dann immer noch der Sieger? Wenn nicht, tragen Sie ein enormes politisches Risiko.

Für politische Entscheidungsträger (wie Taiwans MOST): Das Modell zeigt Ihren Hebel auf. Wenn "Übertragungskosten" eine Top-Hürde sind (Gewicht 0,122), können strategische Investitionen in Netzinfrastruktur in Hochpotenzialzonen (wie Tainan) wirkungsvoller sein als eine pauschale Erhöhung der Einspeisevergütungssätze.

Für Forscher: Der nächste Schritt besteht darin, dieses statische Modell zu einem dynamischen digitalen Zwilling weiterzuentwickeln. Integrieren Sie Echtzeit-GIS-Daten, Klimamodelle und politische Datenbanken. Nutzen Sie die DEA-AHP-Engine nicht für eine einmalige Rangfolge, sondern um kontinuierlich die "Eignung" eines Portfolios von Standorten gegenüber sich entwickelnden technischen, wirtschaftlichen und regulatorischen Landschaften zu überwachen. Das Ziel sollte nicht sein, den besten Standort für 2021 zu finden, sondern den widerstandsfähigsten Standort für 2050 zu identifizieren.