چارچوب دو مرحله‌ای DEA-AHP برای مکانیابی نیروگاه‌های خورشیدی فتوولتائیک در تایوان

1. مقدمه

این مقاله به چالش حیاتی انتخاب مکان‌های بهینه برای نیروگاه‌های خورشیدی فتوولتائیک (PV) می‌پردازد، وظیفه‌ای که برای امنیت انرژی و توسعه پایدار، به ویژه در چارچوب تلاش‌های جهانی برای گذار از سوخت‌های فسیلی، از اهمیت فوق‌العاده‌ای برخوردار است. با استفاده از تایوان به عنوان یک مطالعه موردی، این پژوهش بر فوریت این مسئله برای کشورهای وابسته به انرژی وارداتی و آسیب‌پذیر در برابر تغییرات آب‌وهوایی تأکید می‌کند.

2. روش‌شناسی: چارچوب تصمیم‌گیری چندمعیاره دو مرحله‌ای

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

3. مطالعه موردی: تایوان

این روش‌شناسی برای ارزیابی ۲۰ شهر و شهرستان بالقوه در تایوان برای ساخت مزرعه‌های خورشیدی فتوولتائیک در مقیاس بزرگ به کار گرفته شده است.

4. نتایج و بحث

5. جزئیات فنی و فرمول‌بندی ریاضی

مدل DEA CCR (چارنز، کوپر، رودز): مدل پایه DEA که برای محاسبه نمره کارایی $\theta_k$ برای DMU $k$ استفاده می‌شود، به صورت یک مسئله برنامه‌ریزی خطی فرمول‌بندی شده است: $$ \begin{aligned} \text{Max } & \theta_k = \sum_{r=1}^{s} u_r y_{rk} \\ \text{s.t. } & \sum_{i=1}^{m} v_i x_{ik} = 1 \\ & \sum_{r=1}^{s} u_r y_{rj} - \sum_{i=1}^{m} v_i x_{ij} \leq 0, \quad j = 1, \ldots, n \\ & u_r, v_i \geq \epsilon > 0 \end{aligned} $$ که در آن:

• $x_{ij}$: مقدار ورودی $i$ برای DMU $j$.
• $y_{rj}$: مقدار خروجی $r$ برای DMU $j$.
• $v_i$, $u_r$: وزن‌های مجازی برای ورودی‌ها و خروجی‌ها.
• $\epsilon$: یک عدد غیرآرشیمدی کوچک.
• $\theta_k = 1$ نشان‌دهنده کارایی DEA است.

مقایسه زوجی AHP و سازگاری: معیارها به صورت زوجی در مقیاس ۱ تا ۹ مقایسه می‌شوند. بردار اولویت $w$ (وزن‌ها) از بردار ویژه اصلی ماتریس مقایسه $A$ به دست می‌آید، که در آن $Aw = \lambda_{max}w$. نسبت سازگاری ($CR$) باید کمتر از ۰.۱ باشد: $$ CR = \frac{CI}{RI}, \quad CI = \frac{\lambda_{max} - n}{n - 1} $$ که در آن $RI$ شاختص تصادفی است.

6. نتایج و توصیف نمودار

نمودار مفهومی ۱: فرآیند جریان MCDM دو مرحله‌ای
یک فلوچارت که نشان می‌دهد: (1) ۲۰ مکان نامزد وارد (2) مدل DEA (ورودی‌های اقلیمی/خروجی‌های خورشیدی) می‌شوند که به (3) مکان‌های کارآمد (نمره=1) فیلتر می‌شود. سپس این‌ها وارد (4) مدل AHP (5 معیار و زیرمعیار) می‌شوند که منجر به (5) رتبه‌بندی وزندار نهایی مکان‌ها می‌گردد.

نمودار مفهومی ۲: سلسله مراتب وزن معیارهای AHP
یک نمودار میله‌ای افقی که وزن‌های نسبی معیارهای سطح بالا (مکانی، فنی، اقتصادی، اجتماعی، محیط زیستی) و یک جزئیات بیشتر برای معیار اقتصادی را نشان می‌دهد که وزن غالب زیرمعیار "مکانیسم‌های حمایتی" (0.332) را نمایش می‌دهد.

نمودار مفهومی ۳: نقشه رتبه‌بندی نهایی مکان‌ها
یک نقشه موضوعی از تایوان که ۲۰ مکان نامزد در آن علامت‌گذاری شده‌اند. مکان‌های برتر رتبه‌بندی شده (تاینان، چانگهوا، کائوهسیونگ) با رنگ اصلی (#FF9800) برجسته شده‌اند و سایر مکان‌ها بر اساس نمره AHP نهایی خود با گرادیان‌های رنگی سایه‌زنی شده‌اند.

7. چارچوب تحلیلی: یک مثال موردی

سناریو: ارزیابی دو مکان فرضی، "شهر الف" و "شهر ب"، پس از مرحله DEA.

مرحله ۱ - مقایسه زوجی AHP (معیار اقتصادی):
تصمیم‌گیرنده زیرمعیارها را مقایسه می‌کند:
"مکانیسم‌های حمایتی" نسبت به "هزینه سرمایه‌گذاری" به عنوان 'نسبتاً مهم‌تر' (مقدار ۳) قضاوت می‌شود.
"هزینه سرمایه‌گذاری" نسبت به "هزینه بهره‌برداری و نگهداری" به عنوان 'مساوی تا نسبتاً مهم‌تر' (مقدار ۲) قضاوت می‌شود.
این امر یک ماتریس مقایسه برای زیرمعیارهای اقتصادی تشکیل می‌دهد.

مرحله ۲ - امتیازدهی به مکان‌ها:
برای زیرمعیار "مکانیسم‌های حمایتی"، شهر الف (یارانه‌های قوی دولتی) نسبت به شهر ب (یارانه‌های ضعیف) به عنوان 'به شدت ترجیح داده شده' (امتیاز ۵) رتبه‌بندی می‌شود. این امتیازها نرمال‌سازی شده و با استفاده از وزن‌های معیارها جمع‌آوری می‌شوند تا یک امتیاز ترکیبی نهایی برای هر مکان تولید شود.

نتیجه: حتی اگر شهر ب تابش خورشیدی کمی بهتر داشته باشد، پشتیبانی سیاستی برتر شهر الف (وزن بالا) منجر به رتبه نهایی بالاتر می‌شود که توانایی چارچوب را در متعادل‌سازی اهداف چندگانه و اغلب متضاد نشان می‌دهد.

8. چشم‌انداز کاربرد و جهت‌های آینده

• ادغام با GIS: کارهای آینده باید این چارچوب MCDM را به طور تنگاتنگ با سیستم‌های اطلاعات جغرافیایی (GIS) برای تحلیل فضایی، نقشه‌برداری محدودیت‌ها (مانند مناطق حفاظت‌شده، شیب) و تجسم، ادغام کنند تا یک سیستم پشتیبانی تصمیم (DSS) قدرتمند ایجاد شود.
• مدل‌سازی پویا و احتمالاتی: ادغام پیش‌بینی‌های تغییرات آب‌وهوایی برای ارزیابی قابلیت حیات بلندمدت مکان. استفاده از DEA تصادفی یا AHP فازی برای مدیریت عدم قطعیت‌ها در داده‌های ورودی و قضاوت‌های کارشناسی.
• ارزیابی فناوری گسترده‌تر: تطبیق چارچوب برای سایر فناوری‌های تجدیدپذیر (توربین‌های بادی فراساحلی، زمین‌گرمایی) یا سیستم‌های ترکیبی، با استفاده از معیارهای خاص فناوری.
• ادغام پایداری چرخه عمر: گسترش معیار محیط زیستی به یک ارزیابی چرخه عمر کامل (LCA) که تولید، استقرار و از رده خارج کردن را پوشش می‌دهد و با اصول اقتصاد چرخشی همسو است.
• تقویت با یادگیری ماشین: استفاده از الگوریتم‌های ML برای تحلیل داده‌های تاریخی موفقیت/شکست مکانیابی، که به طور بالقوه می‌تواند وزن‌های AHP را اصلاح یا زیرمعیارهای جدیدی را پیشنهاد دهد.

9. مراجع

1. Charnes, A., Cooper, W. W., & Rhodes, E. (1978). Measuring the efficiency of decision making units. European Journal of Operational Research, 2(6), 429-444.
2. Saaty, T. L. (1980). The analytic hierarchy process. McGraw-Hill.
3. International Energy Agency (IEA). (2020). World Energy Outlook 2020. OECD/IEA.
4. IRENA. (2021). Renewable Power Generation Costs in 2020. International Renewable Energy Agency.
5. Zhu, J., et al. (2020). A comprehensive review of hybrid DEA methods. Omega, 102, 102308.
6. 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). (به عنوان نمونه‌ای از یک چارچوب ساختاریافته دو مرحله‌ای در حوزه‌ای دیگر ذکر شده است).

10. تحلیل اصیل و تفسیر کارشناسی