Kerangka DEA-AHP Dua Peringkat untuk Pemilihan Tapak Loji Kuasa Solar PV di Taiwan

1. Pengenalan

Kertas kerja ini membahas cabaran kritikal dalam memilih tapak optimum untuk loji kuasa solar fotovoltaik (PV), satu tugas yang amat penting untuk keselamatan tenaga dan pembangunan lestari, terutamanya dalam konteks usaha global untuk beralih daripada bahan api fosil. Menggunakan Taiwan sebagai kajian kes, penyelidikan ini menekankan kesegeraan isu ini bagi negara-negara yang bergantung kepada tenaga import dan terdedah kepada perubahan iklim.

2. Metodologi: Kerangka MCDM Dua Peringkat

Sumbangan teras kertas kerja ini adalah pendekatan Membuat Keputusan Pelbagai Kriteria (MCDM) dua peringkat yang novel yang menggabungkan Analisis Penyampulan Data (DEA) dan Proses Hierarki Analitikal (AHP).

3. Kajian Kes: Taiwan

Metodologi ini digunakan untuk menilai 20 bandar dan daerah berpotensi di Taiwan untuk pembinaan ladang solar PV berskala besar.

4. Keputusan dan Perbincangan

5. Butiran Teknikal & Formulasi Matematik

Model DEA CCR (Charnes, Cooper, Rhodes): Model DEA asas yang digunakan untuk mengira skor kecekapan $\theta_k$ untuk DMU $k$ dirumuskan sebagai masalah pengaturcaraan linear: $$ \begin{aligned} \text{Max } & \theta_k = \sum_{r=1}^{s} u_r y_{rk} \\ \text{s.t. } & \sum_{i=1}^{m} v_i x_{ik} = 1 \\ & \sum_{r=1}^{s} u_r y_{rj} - \sum_{i=1}^{m} v_i x_{ij} \leq 0, \quad j = 1, \ldots, n \\ & u_r, v_i \geq \epsilon > 0 \end{aligned} $$ Di mana:

• $x_{ij}$: jumlah input $i$ untuk DMU $j$.
• $y_{rj}$: jumlah output $r$ untuk DMU $j$.
• $v_i$, $u_r$: pemberat maya untuk input dan output.
• $\epsilon$: nombor bukan-Archimedean kecil.
• $\theta_k = 1$ menunjukkan kecekapan DEA.

Perbandingan Berpasangan AHP & Konsistensi: Kriteria dibandingkan secara berpasangan pada skala 1-9. Vektor keutamaan $w$ (pemberat) diperoleh daripada eigenvektor utama matriks perbandingan $A$, di mana $Aw = \lambda_{max}w$. Nisbah Konsistensi ($CR$) mestilah kurang daripada 0.1: $$ CR = \frac{CI}{RI}, \quad CI = \frac{\lambda_{max} - n}{n - 1} $$ di mana $RI$ ialah Indeks Rawak.

6. Keputusan & Penerangan Carta

Carta Konsep 1: Aliran Proses MCDM Dua Peringkat
Carta alir menggambarkan: (1) 20 Lokasi Calon dimasukkan ke dalam (2) Model DEA (Input Iklim/Output Suria) yang menapis kepada (3) Lokasi Cekap (Skor=1). Ini kemudiannya dimasukkan ke dalam (4) Model AHP (5 Kriteria & Sub-kriteria) membawa kepada (5) Kedudukan Akhir Lokasi Berpemberat.

Carta Konsep 2: Hierarki Pemberat Kriteria AHP
Carta bar mendatar menunjukkan pemberat relatif kriteria peringkat atas (Tapak, Teknikal, Ekonomi, Sosial, Alam Sekitar) dan pecahan untuk kriteria Ekonomi menunjukkan pemberat dominan sub-kriteria "Mekanisme Sokongan" (0.332).

Carta Konsep 3: Peta Kedudukan Akhir Lokasi
Peta tematik Taiwan dengan 20 lokasi calon ditanda. Lokasi teratas (Tainan, Changhua, Kaohsiung) diserlahkan dalam warna utama (#FF9800), dengan lokasi lain diwarnakan dalam kecerunan berdasarkan skor AHP akhir mereka.

7. Kerangka Analitikal: Contoh Kes

Skenario: Menilai dua lokasi hipotesis, "Bandar A" dan "Bandar B," selepas peringkat DEA.

Langkah 1 - Perbandingan Berpasangan AHP (Kriteria Ekonomi):
Pembuat keputusan membandingkan sub-kriteria:
"Mekanisme Sokongan" dinilai 'Sedikit lebih penting' (nilai 3) daripada "Kos Pelaburan."
"Kos Pelaburan" dinilai 'Sama hingga sedikit lebih penting' (nilai 2) daripada "Kos O&M."
Ini membentuk matriks perbandingan untuk sub-kriteria Ekonomi.

Langkah 2 - Pemarkahan Lokasi:
Untuk sub-kriteria "Mekanisme Sokongan", Bandar A (subsidi kerajaan kuat) dinilai 'Sangat diutamakan' (skor 5) berbanding Bandar B (subsidi lemah). Skor ini dinormalisasi dan dikumpulkan menggunakan pemberat kriteria untuk menghasilkan skor komposit akhir bagi setiap lokasi.

Hasil: Walaupun Bandar B mempunyai insolasi suria yang sedikit lebih baik, sokongan dasar superior Bandar A (pemberat tinggi) membawa kepada kedudukan akhir yang lebih tinggi, menunjukkan keupayaan kerangka untuk mengimbangi pelbagai objektif yang sering bercanggah.

8. Prospek Aplikasi & Hala Tuju Masa Depan

• Integrasi dengan GIS: Kerja masa depan perlu mengintegrasikan kerangka MCDM ini dengan Sistem Maklumat Geografi (GIS) untuk analisis spatial, pemetaan kekangan (cth., kawasan terlindung, cerun), dan visualisasi, mencipta sistem sokongan keputusan (DSS) yang berkuasa.
• Pemodelan Dinamik & Kebarangkalian: Masukkan unjuran perubahan iklim untuk menilai daya maju tapak jangka panjang. Gunakan DEA stokastik atau AHP kabur untuk mengendalikan ketidakpastian dalam data input dan pertimbangan pakar.
• Penilaian Teknologi Lebih Luas: Sesuaikan kerangka untuk teknologi boleh diperbaharui lain (angin luar pesisir, geoterma) atau sistem hibrid, menggunakan kriteria khusus teknologi.
• Integrasi Kelestarian Kitaran Hayat: Kembangkan kriteria alam sekitar kepada Penilaian Kitaran Hayat (LCA) penuh merangkumi pembuatan, penyebaran, dan penutupan, selaras dengan prinsip ekonomi kitaran.
• Peningkatan Pembelajaran Mesin: Gunakan algoritma ML untuk menganalisis data kejayaan/kegagalan penempatan sejarah, berpotensi memperhalusi pemberatan AHP atau mencadangkan sub-kriteria baharu.

9. Rujukan

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). (Dirujuk sebagai contoh kerangka dua peringkat berstruktur dalam domain berbeza).

10. Analisis Asal & Ulasan Pakar