Estrutura DEA-AHP em Dois Estágios para Seleção de Locais de Centrais Fotovoltaicas em Taiwan

1. Introdução

Este artigo aborda o desafio crítico de selecionar locais ótimos para centrais fotovoltaicas (FV), uma tarefa de importância primordial para a segurança energética e o desenvolvimento sustentável, particularmente no contexto dos esforços globais para transição dos combustíveis fósseis. Utilizando Taiwan como estudo de caso, a investigação destaca a urgência desta questão para nações dependentes de energia importada e vulneráveis às alterações climáticas.

2. Metodologia: Estrutura MCDM em Dois Estágios

A contribuição central deste artigo é uma nova abordagem de Tomada de Decisão Multicritério (MCDM) em dois estágios que combina a Análise por Envoltória de Dados (DEA) e o Processo de Hierarquia Analítica (AHP).

3. Estudo de Caso: Taiwan

A metodologia é aplicada para avaliar 20 cidades e condados potenciais em Taiwan para a construção de centrais fotovoltaicas de grande escala.

4. Resultados e Discussão

5. Detalhes Técnicos & Formulação Matemática

Modelo DEA CCR (Charnes, Cooper, Rhodes): O modelo DEA básico utilizado para calcular a pontuação de eficiência $\theta_k$ para a DMU $k$ é formulado como um problema de programação linear: $$ \begin{aligned} \text{Max } & \theta_k = \sum_{r=1}^{s} u_r y_{rk} \\ \text{s.t. } & \sum_{i=1}^{m} v_i x_{ik} = 1 \\ & \sum_{r=1}^{s} u_r y_{rj} - \sum_{i=1}^{m} v_i x_{ij} \leq 0, \quad j = 1, \ldots, n \\ & u_r, v_i \geq \epsilon > 0 \end{aligned} $$ Onde:

• $x_{ij}$: quantidade do input $i$ para a DMU $j$.
• $y_{rj}$: quantidade do output $r$ para a DMU $j$.
• $v_i$, $u_r$: pesos virtuais para inputs e outputs.
• $\epsilon$: um pequeno número não-arquimediano.
• $\theta_k = 1$ indica eficiência DEA.

Comparação Emparelhada AHP & Consistência: Os critérios são comparados aos pares numa escala de 1-9. O vetor de prioridade $w$ (pesos) é derivado do vetor próprio principal da matriz de comparação $A$, onde $Aw = \lambda_{max}w$. O Índice de Consistência ($CR$) deve ser inferior a 0,1: $$ CR = \frac{CI}{RI}, \quad CI = \frac{\lambda_{max} - n}{n - 1} $$ onde $RI$ é o Índice Aleatório.

6. Resultados & Descrição dos Gráficos

Gráfico Conceptual 1: Fluxo do Processo MCDM em Dois Estágios
Um fluxograma que descreve: (1) 20 Localizações Candidatas inseridas no (2) Modelo DEA (Inputs Climáticos/Outputs Solares) que filtra para (3) Localizações Eficientes (Pontuação=1). Estas são então inseridas no (4) Modelo AHP (5 Critérios & Subcritérios) conduzindo à (5) Classificação Final Ponderada das Localizações.

Gráfico Conceptual 2: Hierarquia de Pesos dos Critérios AHP
Um gráfico de barras horizontais mostrando os pesos relativos dos critérios de topo (Local, Técnico, Económico, Social, Ambiental) e um detalhamento para o critério Económico mostrando o peso dominante do subcritério "Mecanismos de Apoio" (0,332).

Gráfico Conceptual 3: Mapa da Classificação Final das Localizações
Um mapa temático de Taiwan com as 20 localizações candidatas marcadas. As localizações melhor classificadas (Tainan, Changhua, Kaohsiung) são destacadas na cor primária (#FF9800), com outras localizações sombreadas em gradientes com base na sua pontuação AHP final.

7. Estrutura Analítica: Exemplo de Caso

Cenário: Avaliar duas localizações hipotéticas, "Cidade A" e "Cidade B", após o estágio DEA.

Passo 1 - Comparação Emparelhada AHP (Critério Económico):
O decisor compara os subcritérios:
"Mecanismos de Apoio" é considerado 'Moderadamente mais importante' (valor 3) do que "Custo de Investimento".
"Custo de Investimento" é considerado 'Igual a moderadamente mais importante' (valor 2) do que "Custo de O&M".
Isto forma uma matriz de comparação para os subcritérios Económicos.

Passo 2 - Pontuação das Localizações:
Para o subcritério "Mecanismos de Apoio", a Cidade A (subsídios governamentais fortes) é classificada como 'Fortemente preferida' (pontuação 5) em relação à Cidade B (subsídios fracos). Estas pontuações são normalizadas e agregadas usando os pesos dos critérios para produzir uma pontuação composta final para cada localização.

Resultado: Mesmo que a Cidade B tenha uma insolação ligeiramente melhor, o apoio político superior da Cidade A (peso elevado) leva a uma classificação final mais alta, demonstrando a capacidade da estrutura para equilibrar múltiplos objetivos, muitas vezes conflituosos.

8. Perspetivas de Aplicação & Direções Futuras

• Integração com SIG: Trabalhos futuros devem integrar estreitamente esta estrutura MCDM com Sistemas de Informação Geográfica (SIG) para análise espacial, mapeamento de restrições (ex., áreas protegidas, inclinação) e visualização, criando um poderoso sistema de apoio à decisão (DSS).
• Modelação Dinâmica & Probabilística: Incorporar projeções de alterações climáticas para avaliar a viabilidade a longo prazo dos locais. Utilizar DEA estocástica ou AHP difuso para lidar com incertezas nos dados de input e nos julgamentos de especialistas.
• Avaliação de Tecnologias Mais Ampla: Adaptar a estrutura para outras tecnologias renováveis (eólica offshore, geotérmica) ou sistemas híbridos, utilizando critérios específicos da tecnologia.
• Integração da Sustentabilidade do Ciclo de Vida: Expandir o critério ambiental para uma Avaliação do Ciclo de Vida (ACV) completa, abrangendo fabrico, implantação e desativação, alinhando-se com os princípios da economia circular.
• Aprimoramento com Aprendizagem Automática: Utilizar algoritmos de ML para analisar dados históricos de sucesso/fracasso na localização, refinando potencialmente os pesos do AHP ou sugerindo novos subcritérios.

9. Referências

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). (Citado como exemplo de uma estrutura estruturada em dois estágios num domínio diferente).

10. Análise Original & Comentário de Especialista