Abordagem DEA-AHP em Duas Etapas para Seleção de Local de Usinas de Energia Solar Fotovoltaica em Taiwan

1. Introdução

Este artigo aborda o desafio crítico de selecionar locais ótimos para usinas de energia solar fotovoltaica (FV) em Taiwan. A urgência é impulsionada pela necessidade global de transição dos combustíveis fósseis para energias renováveis, uma mudança amplificada pela pandemia de Covid-19 e pelos imperativos das mudanças climáticas. Taiwan, altamente dependente de combustíveis fósseis importados e localizada em uma zona sismicamente ativa, vê o desenvolvimento da energia solar como fundamental para a segurança energética e a sustentabilidade econômica.

1.1 Situação Global da Energia Renovável

O artigo contextualiza o estudo dentro dos esforços globais como o Acordo de Paris e o Pacto Ecológico Europeu, que visam emissões líquidas zero. Destaca a resiliência da energia renovável durante a crise da Covid-19, com a geração de eletricidade a partir de fontes renováveis aumentando 5% em 2020, apesar das interrupções.

1.2 O Potencial da Energia Solar

A energia solar é identificada como a fonte renovável mais adequada para Taiwan devido às suas condições geográficas e climáticas. No entanto, restrições de terra, desafios políticos e questões de escala dificultam o desenvolvimento, tornando a seleção sistemática de locais essencial.

2. Metodologia: Estrutura MCDM em Duas Etapas

A contribuição central é uma nova abordagem de Tomada de Decisão Multicritério (MCDM) em duas etapas, combinando Análise por Envoltória de Dados (DEA) e o Processo de Hierarquia Analítica (AHP).

2.1 Etapa 1: Análise por Envoltória de Dados (DEA)

A DEA é usada como um filtro inicial para avaliar a eficiência dos recursos naturais de 20 cidades/condados potenciais. Ela trata os locais como Unidades de Tomada de Decisão (DMUs).

• Inputs (Entradas): Temperatura, Velocidade do Vento, Umidade, Precipitação, Pressão Atmosférica.
• Outputs (Saídas): Horas de Sol, Insolação.

Os locais que atingem uma pontuação de eficiência perfeita de 1,0 avançam para a próxima etapa.

2.2 Etapa 2: Processo de Hierarquia Analítica (AHP)

O AHP é empregado para classificar os locais eficientes da Etapa 1 com base em um conjunto mais amplo de critérios socio-técnico-econômico-ambientais. Envolve comparações pareadas para derivar pesos dos critérios e pontuações finais dos locais.

2.3 Hierarquia de Critérios e Subcritérios

O modelo AHP é estruturado com cinco critérios principais e 15 subcritérios:

1. Características do Local: Inclinação do terreno, Tipo de uso do solo, Distância da rede elétrica.
2. Técnico: Radiação solar, Horas de sol, Temperatura.
3. Econômico: Custo de investimento, Custo de operação e manutenção, Custo de transmissão de eletricidade, Mecanismos de apoio (ex.: tarifas feed-in).
4. Social: Aceitação pública, Criação de empregos, Demanda de consumo de eletricidade.
5. Ambiental: Redução de emissões de carbono, Impacto ecológico.

3. Estudo de Caso: Taiwan

3.1 Coleta de Dados & Locais Potenciais

O estudo avaliou 20 cidades e condados principais em Taiwan. Dados meteorológicos (inputs/outputs para DEA) e dados socioeconômicos (para AHP) foram coletados de fontes oficiais taiwanesas, como o Central Weather Bureau e o Ministério dos Assuntos Econômicos.

3.2 Resultados da Análise de Eficiência DEA

O modelo DEA filtrou locais com eficiência de recursos naturais subótima. Apenas cidades/condados que converteram eficientemente inputs climáticos (como temperatura moderada e baixa umidade) em outputs de energia solar (alta insolação e horas de sol) receberam pontuação 1,0. Esta etapa reduziu o conjunto de candidatos para a análise AHP mais detalhada.

3.3 Ponderação AHP & Classificação Final

A comparação pareada do AHP revelou a importância relativa dos critérios. Os três subcritérios mais influentes foram:

Isso ressalta que fatores políticos e econômicos (apoio, custo) e a demanda local são mais decisivos do que o puro potencial de recurso solar na classificação final.

4. Resultados & Discussão

4.1 Principais Conclusões

A abordagem híbrida DEA-AHP identificou e priorizou locais com sucesso. A força do processo em duas etapas reside em primeiro garantir a viabilidade dos recursos naturais (DEA) antes de avaliar a viabilidade mais ampla (AHP), impedindo que locais ricos em recursos, mas inviáveis por outros motivos, sejam altamente classificados.

4.2 Localizações Mais Bem Classificadas

A classificação final do AHP identificou os três locais mais adequados para o desenvolvimento de grandes fazendas solares fotovoltaicas em Taiwan:

1. Cidade de Tainan
2. Condado de Changhua
3. Cidade de Kaohsiung

Estas áreas combinam fortes recursos solares com condições econômicas favoráveis (ex.: mecanismos de apoio existentes), custos relativos de transmissão mais baixos e alta demanda local de eletricidade.

5. Detalhes Técnicos & Formulação Matemática

Formulação DEA (Modelo CCR): A pontuação de eficiência $\theta_k$ para a DMU $k$ é obtida resolvendo o programa linear: $$\text{Max } \theta_k = \sum_{r=1}^{s} u_r y_{rk}$$ $$\text{sujeito a: } \sum_{i=1}^{m} v_i x_{ik} = 1$$ $$\sum_{r=1}^{s} u_r y_{rj} - \sum_{i=1}^{m} v_i x_{ij} \leq 0, \quad j=1,...,n$$ $$u_r, v_i \geq \epsilon > 0$$ onde $x_{ij}$ são inputs, $y_{rj}$ são outputs, $v_i$ e $u_r$ são pesos, e $\epsilon$ é um infinitesimal não-arquimediano.

Verificação de Consistência AHP: Um passo crítico é garantir que a matriz de comparação pareada $A$ seja consistente. O Índice de Consistência ($CI$) e a Razão de Consistência ($CR$) são calculados: $$CI = \frac{\lambda_{max} - n}{n-1}$$ $$CR = \frac{CI}{RI}$$ onde $\lambda_{max}$ é o autovalor principal, $n$ é o tamanho da matriz e $RI$ é o Índice Aleatório. Um $CR < 0.1$ é aceitável.

6. Estrutura de Análise: Exemplo de Caso

Cenário: Avaliando dois locais candidatos, "Cidade A" e "Condado B", após a pré-filtragem DEA.

Passo 1 - Ponderação de Critérios (AHP): Especialistas realizam comparações pareadas. Por exemplo, comparar o impacto "Econômico" vs. "Ambiental" pode resultar em uma pontuação de 3 (importância moderada do Econômico sobre o Ambiental). Isso preenche a matriz de comparação para derivar pesos globais (ex.: Econômico: 0.35, Ambiental: 0.10).

Passo 2 - Pontuação do Local por Critério: Classificar cada local em relação a cada subcritério em uma escala (ex.: 1-9). Para "Mecanismos de Apoio", se a Cidade A tem excelentes tarifas feed-in (pontuação=9) e o Condado B tem apoio fraco (pontuação=3), estes são normalizados.

Passo 3 - Síntese: Pontuação final para a Cidade A = $\sum (\text{Peso do Subcritério} \times \text{Pontuação Normalizada da Cidade A})$. O local com a pontuação agregada mais alta é preferido.

Esta estrutura quantitativa e estruturada substitui a tomada de decisão ad-hoc por transparência e rastreabilidade.

7. Perspectivas de Aplicação & Direções Futuras

• Integração com SIG: Trabalhos futuros devem integrar esta abordagem MCDM com Sistemas de Informação Geográfica (SIG) para visualização espacial e análise de aptidão do solo, criando ferramentas poderosas de apoio à decisão.
• Modelos Dinâmicos & Probabilísticos: Incorporar séries temporais de dados e previsões probabilísticas para variáveis climáticas e preços da eletricidade pode tornar o modelo adaptativo a mudanças futuras.
• Hibridação com outros métodos MCDM: Combinar o AHP com técnicas como TOPSIS ou VIKOR poderia lidar com incerteza ou critérios conflitantes de forma mais robusta.
• Aplicação Mais Ampla: Esta estrutura em duas etapas é altamente transferível para outros problemas de seleção de locais de energia renovável (ex.: eólica, geotérmica) em diferentes contextos geográficos.
• Integração da Sustentabilidade do Ciclo de Vida: Expandir o critério ambiental para uma Avaliação do Ciclo de Vida (ACV) completa avaliaria a pegada de carbono da fabricação e descomissionamento de painéis FV.

8. Referências

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. Análise de Especialistas & Revisão Crítica

Insight Central: Este artigo não é apenas mais um estudo de seleção de locais; é um roteiro pragmático para reduzir o risco do investimento em infraestrutura de energia renovável. O verdadeiro insight é a lógica sequencial: usar a DEA para filtrar impiedosamente a eficiência dos recursos naturais primeiro—um portão não negociável, baseado na física—antes de deixar os critérios mais flexíveis e carregados de política do AHP determinarem o vencedor. Isso evita a armadilha comum de escolher um local que é politicamente conveniente, mas climaticamente medíocre.

Fluxo Lógico: A elegância da metodologia está na sua divisão de trabalho. A DEA lida com a pergunta "pode funcionar aqui?" com base no sol, vento e chuva. O AHP aborda a pergunta "devemos construir aqui?" com base no custo, política e impacto social. Isso espelha o processo de decisão do mundo real de desenvolvedores e governos, passando do potencial técnico para a viabilidade do projeto. O alto peso dado a "Mecanismos de Apoio" (0.332) é um reflexo brutalmente honesto da realidade: uma boa tarifa feed-in pode superar vários pontos percentuais de maior irradiação solar.

Pontos Fortes & Falhas: A principal força é a robustez da abordagem híbrida e sua validação em um contexto complexo do mundo real (Taiwan). Usar ferramentas estabelecidas e amplamente compreendidas (DEA, AHP) aumenta a replicabilidade. No entanto, o modelo tem lacunas notáveis. Primeiro, é estático; não leva em conta a variabilidade temporal dos recursos solares ou os impactos futuros das mudanças climáticas, uma consideração crítica destacada pelos relatórios mais recentes do IPCC. Segundo, a dependência do AHP em comparações pareadas de especialistas, embora padrão, introduz subjetividade. O artigo seria mais forte se complementasse isso com análise de sensibilidade ou usasse uma abordagem fuzzy-AHP para lidar com a incerteza, como visto em aplicações avançadas discutidas nas páginas de metodologia da RAND Corporation. Terceiro, a disponibilidade e o custo da terra—muitas vezes o gargalo final—parecem enterrados dentro dos subcritérios. Em muitos mercados, esta é a principal restrição.

Insights Acionáveis: Para formuladores de políticas em Taiwan e regiões similares, a lista dos mais bem classificados (Tainan, Changhua, Kaohsiung) fornece um ponto de partida baseado em dados para concentrar infraestrutura e incentivos. Para desenvolvedores, a estrutura é uma lista de verificação de due diligence pronta. O próximo passo imediato deve ser integrar este modelo com dados SIG de alta resolução para passar da análise em nível de cidade para nível de parcela. Além disso, comparar este resultado DEA-AHP com resultados de modelos de aptidão de local baseados em aprendizado de máquina—como os cada vez mais usados no planejamento de parques eólicos—seria uma direção de pesquisa valiosa para testar a convergência (ou divergência) de diferentes paradigmas. Em última análise, este trabalho fornece uma base sólida e operacional. O futuro reside em torná-lo dinâmico, espacialmente explícito e capaz de assimilar fluxos de dados em tempo real.