대만 태양광 발전소 입지 선정을 위한 2단계 DEA-AHP 프레임워크

1. 서론

본 논문은 태양광 발전소의 최적 입지 선정이라는 중요한 과제를 다룹니다. 이는 특히 화석 연료에서의 전환을 위한 글로벌 노력의 맥락에서 에너지 안보와 지속 가능한 발전에 있어 매우 중요한 작업입니다. 대만을 사례 연구로 삼아, 본 연구는 수입 에너지에 의존하고 기후 변화에 취약한 국가들에게 이 문제의 시급성을 강조합니다.

2. 방법론: 2단계 다기준 의사결정 프레임워크

본 논문의 핵심 기여는 자료포락분석과 계층분석과정을 결합한 새로운 2단계 다기준 의사결정 접근법입니다.

3. 사례 연구: 대만

본 방법론은 대만의 20개 잠재적 도시 및 군을 대상으로 대규모 태양광 발전단지 건설을 평가하는 데 적용되었습니다.

4. 결과 및 논의

5. 기술적 세부사항 및 수학적 공식화

DEA CCR 모델 (Charnes, Cooper, Rhodes): DMU $k$에 대한 효율성 점수 $\theta_k$를 계산하는 데 사용된 기본 DEA 모델은 선형 계획법 문제로 공식화됩니다: $$ \begin{aligned} \text{Max } & \theta_k = \sum_{r=1}^{s} u_r y_{rk} \\ \text{s.t. } & \sum_{i=1}^{m} v_i x_{ik} = 1 \\ & \sum_{r=1}^{s} u_r y_{rj} - \sum_{i=1}^{m} v_i x_{ij} \leq 0, \quad j = 1, \ldots, n \\ & u_r, v_i \geq \epsilon > 0 \end{aligned} $$ 여기서:

• $x_{ij}$: DMU $j$에 대한 투입 $i$의 양.
• $y_{rj}$: DMU $j$에 대한 산출 $r$의 양.
• $v_i$, $u_r$: 투입 및 산출에 대한 가상 가중치.
• $\epsilon$: 작은 비아르키메데스 수.
• $\theta_k = 1$은 DEA 효율성을 나타냅니다.

AHP 쌍대 비교 및 일관성: 기준들은 1-9 척도로 쌍대 비교됩니다. 우선순위 벡터 $w$(가중치)는 비교 행렬 $A$의 주 고유벡터에서 도출되며, 여기서 $Aw = \lambda_{max}w$입니다. 일관성 비율은 0.1보다 작아야 합니다: $$ CR = \frac{CI}{RI}, \quad CI = \frac{\lambda_{max} - n}{n - 1} $$ 여기서 $RI$는 무작위 지수입니다.

6. 결과 및 차트 설명

개념도 1: 2단계 MCDM 프로세스 흐름
다음을 묘사하는 흐름도: (1) 20개 후보 입지가 (2) DEA 모델(기후 투입/태양 산출)에 입력되어 (3) 효율적 입지(점수=1)로 필터링됩니다. 이들은 (4) AHP 모델(5개 기준 및 하위 기준)에 입력되어 (5) 입지의 최종 가중 순위로 이어집니다.

개념도 2: AHP 기준 가중치 계층 구조
최상위 기준(입지, 기술적, 경제적, 사회적, 환경적)의 상대적 가중치와 "지원 메커니즘" 하위 기준(0.332)의 지배적 가중치를 보여주는 경제적 기준에 대한 드릴다운을 표시하는 수평 막대 차트입니다.

개념도 3: 최종 입지 순위 지도
20개 후보 입지가 표시된 대만의 주제도입니다. 상위 입지(타이난, 장화, 가오슝)는 기본 색상(#FF9800)으로 강조 표시되고, 다른 입지들은 최종 AHP 점수를 기반으로 그라데이션으로 음영 처리됩니다.

7. 분석 프레임워크: 예시 사례

시나리오: DEA 단계 이후 두 가상 입지 "도시 A"와 "도시 B"를 평가합니다.

1단계 - AHP 쌍대 비교 (경제적 기준):
의사결정자가 하위 기준을 비교합니다:
"지원 메커니즘"이 "투자 비용"보다 '약간 더 중요하다'(값 3)고 판단됩니다.
"투자 비용"이 "운영 및 유지보수 비용"보다 '동등하거나 약간 더 중요하다'(값 2)고 판단됩니다.
이는 경제적 하위 기준에 대한 비교 행렬을 형성합니다.

2단계 - 입지 점수화:
"지원 메커니즘" 하위 기준에 대해, 도시 A(강력한 정부 보조금)는 도시 B(약한 보조금)보다 '강하게 선호된다'(점수 5)고 평가됩니다. 이러한 점수는 기준 가중치를 사용하여 정규화되고 집계되어 각 입지에 대한 최종 종합 점수를 생성합니다.

결과: 도시 B가 약간 더 나은 일사량을 가지고 있더라도, 도시 A의 우수한 정책 지원(높은 가중치)이 더 높은 최종 순위로 이어져, 본 프레임워크가 종종 상충되는 다중 목표를 균형 있게 조정할 수 있는 능력을 입증합니다.

8. 적용 전망 및 향후 방향

• GIS와의 통합: 향후 연구에서는 이 MCDM 프레임워크를 지리정보시스템과 긴밀히 통합하여 공간 분석, 제약 조건 매핑(예: 보호 구역, 경사도) 및 시각화를 수행함으로써 강력한 의사결정 지원 시스템을 구축해야 합니다.
• 동적 및 확률적 모델링: 기후 변화 예측을 통합하여 장기적 입지 타당성을 평가합니다. 확률론적 DEA 또는 퍼지 AHP를 사용하여 투입 데이터 및 전문가 판단의 불확실성을 처리합니다.
• 광범위한 기술 평가: 본 프레임워크를 다른 재생 가능 기술(해상 풍력, 지열) 또는 하이브리드 시스템에 맞게 조정하고, 기술별 기준을 사용합니다.
• 생애주기 지속가능성 통합: 환경 기준을 제조, 배치, 해체를 포함하는 완전한 생애주기 평가로 확장하여 순환 경제 원칙과 일치시킵니다.
• 머신러닝 강화: ML 알고리즘을 사용하여 역사적 입지 성공/실패 데이터를 분석하여 AHP 가중치를 개선하거나 새로운 하위 기준을 제안합니다.

9. 참고문헌

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). (다른 분야에서의 구조화된 2단계 프레임워크의 예시로 인용됨).

10. 원본 분석 및 전문가 논평