رویکرد دو مرحله‌ای DEA-AHP برای انتخاب محل احداث نیروگاه خورشیدی فتوولتائیک در تایوان

1. مقدمه

این مقاله به چالش حیاتی انتخاب مکان‌های بهینه برای نیروگاه‌های خورشیدی فتوولتائیک (PV) در تایوان می‌پردازد. این فوریت ناشی از نیاز جهانی به گذار از سوخت‌های فسیلی به انرژی‌های تجدیدپذیر است، تغییری که توسط همه‌گیری کووید-۱۹ و الزامات تغییرات اقلیمی تشدید شده است. تایوان که به شدت به سوخت‌های فسیلی وارداتی وابسته است و در منطقه‌ای لرزه‌خیز واقع شده، توسعه انرژی خورشیدی را برای امنیت انرژی و پایداری اقتصادی محوری می‌داند.

1.1 وضعیت جهانی انرژی‌های تجدیدپذیر

مقاله این مطالعه را در چارچوب تلاش‌های جهانی مانند توافق پاریس و معامله سبز اروپا، با هدف دستیابی به انتشار خالص صفر، قرار می‌دهد. این مقاله بر تاب‌آوری انرژی‌های تجدیدپذیر در بحران کووید-۱۹ تأکید می‌کند، به طوری که تولید برق از منابع تجدیدپذیر در سال ۲۰۲۰ علیرغم اختلالات، ۵٪ افزایش یافت.

1.2 پتانسیل انرژی خورشیدی

انرژی خورشیدی به دلیل شرایط جغرافیایی و اقلیمی، مناسب‌ترین منبع تجدیدپذیر برای تایوان شناخته شده است. با این حال، محدودیت‌های زمینی، چالش‌های سیاستی و مسائل مقیاس، توسعه را با مانع مواجه می‌کنند و انتخاب سیستماتیک مکان را ضروری می‌سازند.

2. روش‌شناسی: چارچوب تصمیم‌گیری چندمعیاره دو مرحله‌ای

مهم‌ترین دستاورد، رویکرد نوآورانه دو مرحله‌ای تصمیم‌گیری چندمعیاره (MCDM) است که تحلیل پوششی داده‌ها (DEA) و فرآیند تحلیل سلسله مراتبی (AHP) را ترکیب می‌کند.

2.1 مرحله ۱: تحلیل پوششی داده‌ها (DEA)

از DEA به عنوان یک فیلتر اولیه برای ارزیابی کارایی منابع طبیعی ۲۰ شهر/شهرستان بالقوه استفاده می‌شود. این روش مکان‌ها را به عنوان واحدهای تصمیم‌گیری (DMU) در نظر می‌گیرد.

• ورودی‌ها: دما، سرعت باد، رطوبت، بارندگی، فشار هوا.
• خروجی‌ها: ساعات آفتابی، تابش خورشیدی.

مکان‌هایی که نمره کارایی کامل ۱.۰ را کسب کنند، به مرحله بعدی می‌روند.

2.2 مرحله ۲: فرآیند تحلیل سلسله مراتبی (AHP)

از AHP برای رتبه‌بندی مکان‌های کارآمد مرحله ۱ بر اساس مجموعه گسترده‌تری از معیارهای اجتماعی-فنی-اقتصادی-محیطی استفاده می‌شود. این فرآیند شامل مقایسه‌های زوجی برای استخراج وزن معیارها و نمرات نهایی مکان‌ها است.

2.3 سلسله مراتب معیارها و زیرمعیارها

مدل AHP با پنج معیار اصلی و ۱۵ زیرمعیار ساختار یافته است:

1. ویژگی‌های محل: شیب زمین، نوع کاربری زمین، فاصله تا شبکه.
2. فنی: تابش خورشیدی، ساعات آفتابی، دما.
3. اقتصادی: هزینه سرمایه‌گذاری، هزینه عملیات و نگهداری، هزینه انتقال برق، مکانیسم‌های حمایتی (مانند تعرفه‌های خرید تضمینی).
4. اجتماعی: پذیرش عمومی، ایجاد اشتغال، تقاضای مصرف برق.
5. محیط زیستی: کاهش انتشار کربن، تأثیر اکولوژیکی.

3. مطالعه موردی: تایوان

3.1 جمع‌آوری داده‌ها و مکان‌های بالقوه

این مطالعه ۲۰ شهر و شهرستان بزرگ در سراسر تایوان را ارزیابی کرد. داده‌های هواشناسی (ورودی‌ها/خروجی‌های DEA) و داده‌های اجتماعی-اقتصادی (برای AHP) از منابع رسمی تایوانی مانند اداره هواشناسی مرکزی و وزارت امور اقتصادی جمع‌آوری شد.

3.2 نتایج تحلیل کارایی DEA

مدل DEA مکان‌هایی با کارایی منابع طبیعی کمتر از حد مطلوب را فیلتر کرد. تنها شهرها/شهرستان‌هایی که به طور کارآمد ورودی‌های اقلیمی (مانند دمای متوسط و رطوبت کم) را به خروجی‌های انرژی خورشیدی (ساعات آفتابی و تابش بالا) تبدیل کردند، نمره ۱.۰ را دریافت کردند. این مرحله مجموعه نامزدها را برای تحلیل دقیق‌تر AHP کاهش داد.

3.3 وزندهی AHP و رتبه‌بندی نهایی

مقایسه زوجی AHP اهمیت نسبی معیارها را نشان داد. سه زیرمعیار تأثیرگذار برتر عبارت بودند از:

این امر تأکید می‌کند که عوامل سیاستی و اقتصادی (حمایت، هزینه) و تقاضای محلی در رتبه‌بندی نهایی تعیین‌کننده‌تر از پتانسیل محض منابع خورشیدی هستند.

4. نتایج و بحث

4.1 یافته‌های کلیدی

رویکرد ترکیبی DEA-AHP با موفقیت مکان‌ها را شناسایی و اولویت‌بندی کرد. قدرت فرآیند دو مرحله‌ای در این است که ابتدا قابلیت حیات منابع طبیعی (DEA) را تضمین می‌کند و سپس امکان‌سنجی گسترده‌تر (AHP) را ارزیابی می‌کند و از رتبه‌بندی بالای مکان‌هایی که از نظر منابع غنی اما از سایر جنبه‌ها غیرقابل اجرا هستند، جلوگیری می‌کند.

4.2 مکان‌های برتر

رتبه‌بندی نهایی AHP سه مکان برتر را برای توسعه مزرعه خورشیدی فتوولتائیک در مقیاس بزرگ در تایوان شناسایی کرد:

1. شهر تاینان
2. شهرستان چانگهوا
3. شهر کائوسیونگ

این مناطق منابع خورشیدی قوی را با شرایط اقتصادی مطلوب (مانند مکانیسم‌های حمایتی موجود)، هزینه‌های انتقال نسبی کمتر و تقاضای بالای برق محلی ترکیب می‌کنند.

5. جزئیات فنی و فرمول‌بندی ریاضی

فرمول‌بندی DEA (مدل CCR): نمره کارایی $\theta_k$ برای DMU $k$ با حل برنامه خطی زیر به دست می‌آید: $$\text{بیشینه‌سازی } \theta_k = \sum_{r=1}^{s} u_r y_{rk}$$ $$\text{با قیود: } \sum_{i=1}^{m} v_i x_{ik} = 1$$ $$\sum_{r=1}^{s} u_r y_{rj} - \sum_{i=1}^{m} v_i x_{ij} \leq 0, \quad j=1,...,n$$ $$u_r, v_i \geq \epsilon > 0$$ که در آن $x_{ij}$ ورودی‌ها، $y_{rj}$ خروجی‌ها، $v_i$ و $u_r$ وزن‌ها و $\epsilon$ یک عدد بینهایت کوچک غیرآرشیمدی است.

بررسی سازگاری AHP: یک گام حیاتی اطمینان از سازگاری ماتریس مقایسه زوجی $A$ است. شاخص سازگاری ($CI$) و نسبت سازگاری ($CR$) به صورت زیر محاسبه می‌شوند: $$CI = \frac{\lambda_{max} - n}{n-1}$$ $$CR = \frac{CI}{RI}$$ که در آن $\lambda_{max}$ مقدار ویژه اصلی، $n$ اندازه ماتریس و $RI$ شاخص تصادفی است. $CR < 0.1$ قابل قبول است.

6. چارچوب تحلیل: یک مثال موردی

سناریو: ارزیابی دو مکان نامزد، "شهر الف" و "شهرستان ب"، پس از پیش‌فیلتر کردن با DEA.

گام ۱ - وزندهی معیارها (AHP): کارشناسان مقایسه‌های زوجی را انجام می‌دهند. به عنوان مثال، مقایسه "اقتصادی" در مقابل "محیط زیستی" ممکن است نمره ۳ را به دست دهد (اهمیت متوسط اقتصادی نسبت به محیط زیستی). این ماتریس مقایسه را پر می‌کند تا وزن‌های سراسری (مثلاً اقتصادی: ۰.۳۵، محیط زیستی: ۰.۱۰) استخراج شوند.

گام ۲ - امتیازدهی مکان‌ها بر اساس هر معیار: هر مکان را در برابر هر زیرمعیار در یک مقیاس (مثلاً ۱-۹) رتبه‌بندی کنید. برای "مکانیسم‌های حمایتی"، اگر شهر الف تعرفه‌های خرید تضمینی عالی داشته باشد (امتیاز=۹) و شهرستان ب حمایت ضعیفی داشته باشد (امتیاز=۳)، این مقادیر نرمال می‌شوند.

گام ۳ - ترکیب: نمره نهایی برای شهر الف = $\sum (\text{وزن زیرمعیار} \times \text{نمره نرمال‌شده شهر الف})$. مکانی که نمره تجمعی بالاتری دارد، ترجیح داده می‌شود.

این چارچوب ساختاریافته و کمی، تصمیم‌گیری موردی را با شفافیت و قابلیت ردیابی جایگزین می‌کند.

7. چشم‌انداز کاربردی و جهت‌گیری‌های آینده

• ادغام با GIS: کار آینده باید این رویکرد MCDM را با سیستم‌های اطلاعات جغرافیایی (GIS) برای تجسم و تحلیل فضایی قابلیت زمین ادغام کند و ابزارهای قدرتمند پشتیبانی تصمیم ایجاد نماید.
• مدل‌های پویا و احتمالاتی: گنجاندن داده‌های سری زمانی و پیش‌بینی‌های احتمالاتی برای متغیرهای اقلیمی و قیمت برق می‌تواند مدل را نسبت به تغییرات آینده سازگار کند.
• ترکیب با سایر روش‌های MCDM: ترکیب AHP با تکنیک‌هایی مانند TOPSIS یا VIKOR می‌تواند عدم قطعیت یا معیارهای متضاد را به طور قوی‌تری مدیریت کند.
• کاربرد گسترده‌تر: این چارچوب دو مرحله‌ای به شدت قابل انتقال به سایر مسائل انتخاب محل انرژی‌های تجدیدپذیر (مانند باد، زمین‌گرمایی) در زمینه‌های جغرافیایی مختلف است.
• ادغام پایداری چرخه عمر: گسترش معیار محیط زیستی به یک ارزیابی چرخه عمر (LCA) کامل، ردپای کربن تولید و از رده خارج کردن پنل‌های PV را ارزیابی خواهد کرد.

8. مراجع

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. تحلیل کارشناسی و بررسی انتقادی

بینش اصلی: این مقاله فقط یک مطالعه دیگر انتخاب محل نیست؛ بلکه یک نقشه راه عملی برای کاهش ریسک سرمایه‌گذاری در زیرساخت انرژی‌های تجدیدپذیر است. بینش واقعی منطق ترتیبی آن است: ابتدا از DEA برای فیلتر کردن بی‌رحم کارایی منابع طبیعی استفاده می‌کند—یک دروازه غیرقابل مذاکره و مبتنی بر فیزیک—قبل از اینکه اجازه دهد معیارهای نرم‌تر و سیاست‌محور AHP برنده را تعیین کنند. این از دام رایج انتخاب مکانی که از نظر سیاسی مناسب اما از نظر اقلیمی متوسط است، جلوگیری می‌کند.

جریان منطقی: زیبایی روش‌شناسی در تقسیم کار آن است. DEA سؤال "آیا اینجا کار می‌کند؟" را بر اساس خورشید، باد و باران مدیریت می‌کند. AHP سؤال "آیا باید اینجا بسازیم؟" را بر اساس هزینه، سیاست و تأثیر اجتماعی بررسی می‌کند. این فرآیند تصمیم‌گیری واقعی توسعه‌دهندگان و دولت‌ها را منعکس می‌کند که از پتانسیل فنی به امکان‌سنجی پروژه حرکت می‌کنند. وزن بالای داده شده به "مکانیسم‌های حمایتی" (۰.۳۳۲) بازتابی صادقانه از واقعیت است: یک تعرفه خرید تضمینی خوب می‌تواند چندین درصد تابش خورشیدی بالاتر را جبران کند.

نقاط قوت و ضعف: نقطه قوت اصلی، استحکام رویکرد ترکیبی و اعتبارسنجی آن در یک زمینه پیچیده و واقعی (تایوان) است. استفاده از ابزارهای ثابت‌شده و به طور گسترده درک‌شده (DEA, AHP) قابلیت تکرارپذیری را افزایش می‌دهد. با این حال، مدل شکاف‌های قابل توجهی دارد. اول، ایستا است؛ تغییرپذیری زمانی منابع خورشیدی یا تأثیرات آینده تغییرات اقلیمی را در نظر نمی‌گیرد، که یک ملاحظه حیاتی است که توسط آخرین گزارش‌های IPCC برجسته شده است. دوم، اتکای AHP به مقایسه‌های زوجی کارشناسان، اگرچه استاندارد است، اما ذهنیت را وارد می‌کند. مقاله اگر این را با تحلیل حساسیت تکمیل می‌کرد یا از رویکرد فازی-AHP برای مدیریت عدم قطعیت استفاده می‌کرد، قوی‌تر می‌شد، همانطور که در کاربردهای پیشرفته مانند آنچه در صفحات روش‌شناسی مؤسسه RAND بحث شده است، مشاهده می‌شود. سوم، در دسترس بودن و هزینه زمین—که اغلب گلوگاه نهایی است—در زیرمعیارها گم شده به نظر می‌رسد. در بسیاری از بازارها، این محدودیت اصلی است.

بینش‌های عملی: برای سیاست‌گذاران در تایوان و مناطق مشابه، فهرست برتر (تاینان، چانگهوا، کائوسیونگ) نقطه شروع مبتنی بر داده برای تمرکز زیرساخت‌ها و مشوق‌ها فراهم می‌کند. برای توسعه‌دهندگان، این چارچوب یک چک‌لیست آماده بررسی دقیق است. گام بعدی فوری باید ادغام این مدل با داده‌های GIS با وضوح بالا برای حرکت از تحلیل در سطح شهر به سطح قطعه زمین باشد. علاوه بر این، مقایسه این نتیجه DEA-AHP با نتایج مدل‌های قابلیت محل مبتنی بر یادگیری ماشین—مانند آنهایی که به طور فزاینده‌ای در برنامه‌ریزی مزارع بادی استفاده می‌شوند—می‌تواند یک جهت تحقیقاتی ارزشمند برای آزمایش همگرایی (یا واگرایی) پارادایم‌های مختلف باشد. در نهایت، این کار یک پایه عملیاتی محکم ارائه می‌دهد. آینده در پویا کردن، صریح‌سازی فضایی و قادر ساختن آن به جذب جریان‌های داده بلادرنگ نهفته است.