1. Introducción
Este artículo aborda el desafío crítico de seleccionar ubicaciones óptimas para plantas de energía solar fotovoltaica (FV) en Taiwán. La urgencia está impulsada por la necesidad global de transitar desde los combustibles fósiles hacia las energías renovables, un cambio amplificado por la pandemia de Covid-19 y los imperativos del cambio climático. Taiwán, altamente dependiente de combustibles fósiles importados y ubicado en una zona sísmicamente activa, considera el desarrollo de la energía solar como fundamental para la seguridad energética y la sostenibilidad económica.
1.1 Situación Global de la Energía Renovable
El artículo contextualiza el estudio dentro de los esfuerzos globales como el Acuerdo de París y el Pacto Verde Europeo, que buscan emisiones netas cero. Destaca la resiliencia de las energías renovables durante la crisis del Covid-19, con un aumento del 5% en la generación de electricidad a partir de renovables en 2020 a pesar de las disrupciones.
1.2 El Potencial de la Energía Solar
La energía solar se identifica como la fuente renovable más adecuada para Taiwán debido a sus condiciones geográficas y climáticas. Sin embargo, las limitaciones de terreno, los desafíos políticos y los problemas de escala obstaculizan su desarrollo, haciendo esencial una selección sistemática de ubicaciones.
2. Metodología: Marco de Toma de Decisiones Multicriterio en Dos Etapas
La contribución principal es un novedoso enfoque de Toma de Decisiones Multicriterio (MCDM) en dos etapas que combina el Análisis Envolvente de Datos (DEA) y el Proceso de Jerarquía Analítica (AHP).
2.1 Etapa 1: Análisis Envolvente de Datos (DEA)
El DEA se utiliza como filtro inicial para evaluar la eficiencia de los recursos naturales de 20 ciudades/condados potenciales. Trata las ubicaciones como Unidades de Toma de Decisiones (DMUs).
- Entradas (Inputs): Temperatura, Velocidad del Viento, Humedad, Precipitación, Presión Atmosférica.
- Salidas (Outputs): Horas de Sol, Insolación.
Las ubicaciones que alcanzan una puntuación de eficiencia perfecta de 1.0 pasan a la siguiente etapa.
2.2 Etapa 2: Proceso de Jerarquía Analítica (AHP)
El AHP se emplea para clasificar las ubicaciones eficientes de la Etapa 1 basándose en un conjunto más amplio de criterios socio-técnico-económico-ambientales. Implica comparaciones por pares para derivar los pesos de los criterios y las puntuaciones finales de las ubicaciones.
2.3 Jerarquía de Criterios y Subcriterios
El modelo AHP se estructura con cinco criterios principales y 15 subcriterios:
- Características del Sitio: Pendiente del terreno, Tipo de uso del suelo, Distancia a la red eléctrica.
- Técnicos: Radiación solar, Horas de sol, Temperatura.
- Económicos: Costo de inversión, Costo de operación y mantenimiento, Costo de transmisión de electricidad, Mecanismos de apoyo (ej., tarifas de alimentación).
- Sociales: Aceptación pública, Creación de empleo, Demanda de consumo eléctrico.
- Ambientales: Reducción de emisiones de carbono, Impacto ecológico.
3. Estudio de Caso: Taiwán
3.1 Recopilación de Datos y Ubicaciones Potenciales
El estudio evaluó 20 ciudades y condados principales en Taiwán. Los datos meteorológicos (entradas/salidas para DEA) y los datos socioeconómicos (para AHP) se recopilaron de fuentes oficiales taiwanesas como la Oficina Central de Meteorología y el Ministerio de Asuntos Económicos.
3.2 Resultados del Análisis de Eficiencia DEA
El modelo DEA filtró las ubicaciones con eficiencia subóptima de recursos naturales. Solo las ciudades/condados que convirtieron eficientemente las entradas climáticas (como temperatura moderada y baja humedad) en salidas de energía solar (alto número de horas de sol e insolación) recibieron una puntuación de 1.0. Este paso redujo el grupo de candidatos para el análisis AHP más detallado.
3.3 Ponderación AHP y Clasificación Final
La comparación por pares del AHP reveló la importancia relativa de los criterios. Los tres subcriterios más influyentes fueron:
Esto subraya que los factores políticos y económicos (apoyo, costo) y la demanda local son más decisivos que el mero potencial de recurso solar en la clasificación final.
4. Resultados y Discusión
4.1 Hallazgos Clave
El enfoque híbrido DEA-AHP identificó y priorizó exitosamente las ubicaciones. La fortaleza del proceso de dos etapas radica en asegurar primero la viabilidad de los recursos naturales (DEA) antes de evaluar la viabilidad más amplia (AHP), evitando que ubicaciones ricas en recursos pero inviables por otros motivos obtengan una clasificación alta.
4.2 Ubicaciones Mejor Clasificadas
La clasificación final del AHP identificó las tres ubicaciones más adecuadas para el desarrollo de granjas solares fotovoltaicas a gran escala en Taiwán:
- Ciudad de Tainan
- Condado de Changhua
- Ciudad de Kaohsiung
Estas áreas combinan fuertes recursos solares con condiciones económicas favorables (ej., mecanismos de apoyo existentes), costos de transmisión relativamente más bajos y una alta demanda eléctrica local.
5. Detalles Técnicos y Formulación Matemática
Formulación DEA (Modelo CCR): La puntuación de eficiencia $\theta_k$ para la DMU $k$ se obtiene resolviendo el programa lineal: $$\text{Máx } \theta_k = \sum_{r=1}^{s} u_r y_{rk}$$ $$\text{sujeto a: } \sum_{i=1}^{m} v_i x_{ik} = 1$$ $$\sum_{r=1}^{s} u_r y_{rj} - \sum_{i=1}^{m} v_i x_{ij} \leq 0, \quad j=1,...,n$$ $$u_r, v_i \geq \epsilon > 0$$ donde $x_{ij}$ son las entradas, $y_{rj}$ son las salidas, $v_i$ y $u_r$ son los pesos, y $\epsilon$ es un infinitesimal no arquimediano.
Verificación de Consistencia AHP: Un paso crítico es asegurar que la matriz de comparación por pares $A$ sea consistente. Se calculan el Índice de Consistencia ($CI$) y la Razón de Consistencia ($CR$): $$CI = \frac{\lambda_{max} - n}{n-1}$$ $$CR = \frac{CI}{RI}$$ donde $\lambda_{max}$ es el autovalor principal, $n$ es el tamaño de la matriz y $RI$ es el Índice Aleatorio. Una $CR < 0.1$ es aceptable.
6. Marco de Análisis: Ejemplo de Caso
Escenario: Evaluación de dos sitios candidatos, "Ciudad A" y "Condado B", después del prefiltrado DEA.
Paso 1 - Ponderación de Criterios (AHP): Los expertos realizan comparaciones por pares. Por ejemplo, comparar el impacto "Económico" vs. "Ambiental" podría dar una puntuación de 3 (importancia moderada de lo Económico sobre lo Ambiental). Esto llena la matriz de comparación para derivar los pesos globales (ej., Económico: 0.35, Ambiental: 0.10).
Paso 2 - Puntuación de Sitios por Criterio: Calificar cada sitio frente a cada subcriterio en una escala (ej., 1-9). Para "Mecanismos de Apoyo", si la Ciudad A tiene excelentes tarifas de alimentación (puntuación=9) y el Condado B tiene un apoyo deficiente (puntuación=3), estos se normalizan.
Paso 3 - Síntesis: Puntuación final para la Ciudad A = $\sum (\text{Peso del Subcriterio} \times \text{Puntuación Normalizada de la Ciudad A})$. El sitio con la puntuación agregada más alta es el preferido.
Este marco estructurado y cuantitativo reemplaza la toma de decisiones ad-hoc con transparencia y trazabilidad.
7. Perspectivas de Aplicación y Direcciones Futuras
- Integración con SIG: El trabajo futuro debería integrar este enfoque MCDM con Sistemas de Información Geográfica (SIG) para la visualización espacial y el análisis de la idoneidad del terreno, creando potentes herramientas de apoyo a la decisión.
- Modelos Dinámicos y Probabilísticos: Incorporar series temporales de datos y pronósticos probabilísticos para variables climáticas y precios de la electricidad puede hacer que el modelo sea adaptable a cambios futuros.
- Hibridación con otros métodos MCDM: Combinar AHP con técnicas como TOPSIS o VIKOR podría manejar la incertidumbre o criterios conflictivos de manera más robusta.
- Aplicación más Amplia: Este marco de dos etapas es altamente transferible a otros problemas de selección de ubicaciones de energía renovable (ej., eólica, geotérmica) en diferentes contextos geográficos.
- Integración de Sostenibilidad del Ciclo de Vida: Ampliar el criterio ambiental a una Evaluación del Ciclo de Vida (LCA) completa evaluaría la huella de carbono de la fabricación y el desmantelamiento de los paneles FV.
8. Referencias
- Intergovernmental Panel on Climate Change (IPCC). (2021). Climate Change 2021: The Physical Science Basis. Cambridge University Press.
- United Nations. (2015). Paris Agreement. United Nations Treaty Collection.
- European Commission. (2019). The European Green Deal. COM(2019) 640 final.
- International Energy Agency (IEA). (2020). World Energy Outlook 2020. OECD/IEA.
- International Renewable Energy Agency (IRENA). (2021). Renewable Energy and Jobs – Annual Review 2021.
- 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.
- 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. Análisis de Expertos y Revisión Crítica
Perspectiva Central: Este artículo no es solo otro estudio de selección de ubicaciones; es un plan pragmático para reducir el riesgo en la inversión en infraestructura de energía renovable. La verdadera perspicacia es la lógica secuencial: usar DEA para filtrar implacablemente la eficiencia de los recursos naturales primero—una puerta no negociable basada en la física—antes de dejar que los criterios más blandos y cargados de política del AHP determinen el ganador. Esto evita la trampa común de elegir un sitio que es políticamente conveniente pero climáticamente mediocre.
Flujo Lógico: La elegancia de la metodología está en su división del trabajo. El DEA maneja la pregunta "¿puede funcionar aquí?" basándose en el sol, el viento y la lluvia. El AHP aborda la pregunta "¿deberíamos construirlo aquí?" basándose en el costo, la política y el impacto social. Esto refleja el proceso de decisión del mundo real de desarrolladores y gobiernos, pasando del potencial técnico a la viabilidad del proyecto. El alto peso dado a "Mecanismos de Apoyo" (0.332) es un reflejo brutalmente honesto de la realidad: una buena tarifa de alimentación puede superar varios puntos porcentuales de mayor irradiación solar.
Fortalezas y Debilidades: La principal fortaleza es la robustez del enfoque híbrido y su validación en un contexto complejo y real (Taiwán). El uso de herramientas establecidas y ampliamente comprendidas (DEA, AHP) mejora la replicabilidad. Sin embargo, el modelo tiene lagunas notables. Primero, es estático; no tiene en cuenta la variabilidad temporal de los recursos solares o los impactos futuros del cambio climático, una consideración crítica destacada por los últimos informes del IPCC. Segundo, la dependencia del AHP en comparaciones por pares de expertos, aunque estándar, introduce subjetividad. El artículo sería más sólido si complementara esto con un análisis de sensibilidad o utilizara un enfoque de AHP difuso para manejar la incertidumbre, como se ve en aplicaciones avanzadas discutidas en las páginas de metodología de la Corporación RAND. Tercero, la disponibilidad y el costo del terreno—a menudo el cuello de botella definitivo—parecen enterrados dentro de los subcriterios. En muchos mercados, esta es la principal restricción.
Perspectivas Accionables: Para los responsables políticos en Taiwán y regiones similares, la lista de los mejor clasificados (Tainan, Changhua, Kaohsiung) proporciona un punto de partida basado en datos para concentrar infraestructura e incentivos. Para los desarrolladores, el marco es una lista de verificación de diligencia debida lista para usar. El siguiente paso inmediato debería ser integrar este modelo con datos SIG de alta resolución para pasar del análisis a nivel de ciudad al análisis a nivel de parcela. Además, comparar este resultado DEA-AHP con los resultados de modelos de idoneidad de ubicación basados en aprendizaje automático—como los que se usan cada vez más en la planificación de parques eólicos—sería una valiosa dirección de investigación para probar la convergencia (o divergencia) de diferentes paradigmas. En última instancia, este trabajo proporciona una base sólida y operativa. El futuro radica en hacerlo dinámico, espacialmente explícito y capaz de procesar flujos de datos en tiempo real.