Framework a Due Fasi DEA-AHP per la Selezione del Sito di Centrali Fotovoltaiche a Taiwan

1. Introduzione

Questo articolo affronta la sfida critica di selezionare i siti ottimali per centrali fotovoltaiche (PV), un compito di importanza fondamentale per la sicurezza energetica e lo sviluppo sostenibile, specialmente nel contesto degli sforzi globali per la transizione dai combustibili fossili. Utilizzando Taiwan come caso di studio, la ricerca evidenzia l'urgenza di questa questione per le nazioni dipendenti dall'energia importata e vulnerabili al cambiamento climatico.

2. Metodologia: Framework MCDM a Due Fasi

Il contributo principale di questo articolo è un nuovo approccio a due fasi per il Processo Decisionale a Criteri Multipli (MCDM) che combina l'Analisi dell'Efficienza dei Dati (DEA) e il Processo Gerarchico Analitico (AHP).

3. Caso di Studio: Taiwan

La metodologia è applicata per valutare 20 potenziali città e contee a Taiwan per la costruzione di grandi centrali fotovoltaiche.

4. Risultati e Discussione

5. Dettagli Tecnici & Formulazione Matematica

Modello DEA CCR (Charnes, Cooper, Rhodes): Il modello DEA di base utilizzato per calcolare il punteggio di efficienza $\theta_k$ per la DMU $k$ è formulato come un problema di programmazione lineare: $$ \begin{aligned} \text{Max } & \theta_k = \sum_{r=1}^{s} u_r y_{rk} \\ \text{s.t. } & \sum_{i=1}^{m} v_i x_{ik} = 1 \\ & \sum_{r=1}^{s} u_r y_{rj} - \sum_{i=1}^{m} v_i x_{ij} \leq 0, \quad j = 1, \ldots, n \\ & u_r, v_i \geq \epsilon > 0 \end{aligned} $$ Dove:

• $x_{ij}$: quantità di input $i$ per la DMU $j$.
• $y_{rj}$: quantità di output $r$ per la DMU $j$.
• $v_i$, $u_r$: pesi virtuali per input e output.
• $\epsilon$: un piccolo numero non-archimedeo.
• $\theta_k = 1$ indica efficienza DEA.

Confronto a Coppie AHP & Consistenza: I criteri sono confrontati a coppie su una scala da 1 a 9. Il vettore di priorità $w$ (pesi) è derivato dall'autovettore principale della matrice di confronto $A$, dove $Aw = \lambda_{max}w$. Il Rapporto di Consistenza ($CR$) deve essere inferiore a 0.1: $$ CR = \frac{CI}{RI}, \quad CI = \frac{\lambda_{max} - n}{n - 1} $$ dove $RI$ è l'Indice Casuale.

6. Risultati & Descrizione dei Grafici

Grafico Concettuale 1: Flusso del Processo MCDM a Due Fasi
Un diagramma di flusso che raffigura: (1) 20 Località Candidate in input in (2) Modello DEA (Input Climatici/Output Solari) che filtra in (3) Località Efficienti (Punteggio=1). Queste vengono poi inserite in (4) Modello AHP (5 Criteri & Sotto-criteri) che porta a (5) Classifica Finale Ponderata delle Località.

Grafico Concettuale 2: Gerarchia dei Pesi dei Criteri AHP
Un grafico a barre orizzontali che mostra i pesi relativi dei criteri di primo livello (Sito, Tecnici, Economici, Sociali, Ambientali) e un dettaglio per il criterio Economico che mostra il peso dominante del sotto-criterio "Meccanismi di Supporto" (0.332).

Grafico Concettuale 3: Mappa della Classifica Finale delle Località
Una mappa tematica di Taiwan con le 20 località candidate segnate. Le località meglio classificate (Tainan, Changhua, Kaohsiung) sono evidenziate nel colore primario (#FF9800), con le altre località sfumate in gradienti in base al loro punteggio AHP finale.

7. Framework Analitico: Caso Esempio

Scenario: Valutazione di due località ipotetiche, "Città A" e "Città B", dopo la fase DEA.

Passo 1 - Confronto a Coppie AHP (Criterio Economico):
Il decisore confronta i sotto-criteri:
"Meccanismi di Supporto" è giudicato 'Moderatamente più importante' (valore 3) di "Costo di Investimento".
"Costo di Investimento" è giudicato 'Uguale a moderatamente più importante' (valore 2) di "Costo di O&M".
Questo forma una matrice di confronto per i sotto-criteri Economici.

Passo 2 - Punteggio delle Località:
Per il sotto-criterio "Meccanismi di Supporto", la Città A (forti sussidi governativi) è valutata 'Fortemente preferita' (punteggio 5) rispetto alla Città B (sussidi deboli). Questi punteggi sono normalizzati e aggregati utilizzando i pesi dei criteri per produrre un punteggio composito finale per ciascuna località.

Risultato: Anche se la Città B ha un irraggiamento solare leggermente migliore, il supporto politico superiore della Città A (alto peso) porta a una classifica finale più alta, dimostrando la capacità del framework di bilanciare molteplici obiettivi, spesso conflittuali.

8. Prospettive Applicative & Direzioni Future

• Integrazione con GIS: Il lavoro futuro dovrebbe integrare strettamente questo framework MCDM con i Sistemi Informativi Geografici (GIS) per l'analisi spaziale, la mappatura dei vincoli (es. aree protette, pendenza) e la visualizzazione, creando un potente sistema di supporto alle decisioni (DSS).
• Modellistica Dinamica & Probabilistica: Incorporare proiezioni sul cambiamento climatico per valutare la fattibilità a lungo termine del sito. Utilizzare DEA stocastica o AHP fuzzy per gestire le incertezze nei dati di input e nei giudizi degli esperti.
• Valutazione di Tecnologie Più Ampie: Adattare il framework per altre tecnologie rinnovabili (eolico offshore, geotermico) o sistemi ibridi, utilizzando criteri specifici per la tecnologia.
• Integrazione della Sostenibilità del Ciclo di Vita: Espandere il criterio ambientale a una completa Valutazione del Ciclo di Vita (LCA) che copra produzione, installazione e smantellamento, allineandosi ai principi dell'economia circolare.
• Miglioramento con Machine Learning: Utilizzare algoritmi di ML per analizzare i dati storici di successo/fallimento della localizzazione, potenzialmente affinando le ponderazioni AHP o suggerendo nuovi sotto-criteri.

9. Riferimenti Bibliografici

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). (Citato come esempio di framework strutturato a due fasi in un dominio diverso).

10. Analisi Originale & Commento Esperto