兩階段DEA-AHP方法喺台灣太陽能光伏電站選址嘅應用

1. 引言

本文旨在解決喺台灣為太陽能光伏電站選擇最佳地點嘅關鍵挑戰。呢個迫切性源於全球需要從化石燃料轉向可再生能源，呢個轉變因新冠疫情同氣候變化嘅迫切要求而加劇。台灣高度依賴進口化石燃料，並且位於地震活躍帶，因此將太陽能發展視為能源安全同經濟可持續性嘅關鍵。

1.1 全球可再生能源狀況

本文將研究置於《巴黎協定》同《歐洲綠色協議》等全球努力嘅背景下，目標係實現淨零排放。報告強調咗可再生能源喺新冠疫情危機期間嘅韌性，儘管受到干擾，2020年可再生能源發電量仍增長咗5%。

1.2 太陽能嘅潛力

由於台灣嘅地理同氣候條件，太陽能被確定為最適合嘅可再生能源。然而，土地限制、政策挑戰同規模問題阻礙咗發展，因此系統化嘅選址至關重要。

2. 方法論：兩階段多準則決策框架

本文嘅核心貢獻係一種新穎嘅兩階段多準則決策方法，結合咗資料包絡分析同層次分析法。

2.1 第一階段：資料包絡分析 (DEA)

DEA用作初步篩選工具，用於評估20個潛在城市/縣嘅自然資源效率。佢將地點視為決策單位。

輸入項： 溫度、風速、濕度、降水量、氣壓。
輸出項： 日照時數、太陽輻射量。

獲得完美效率分數1.0嘅地點會進入下一階段。

2.2 第二階段：層次分析法 (AHP)

AHP用於根據更廣泛嘅社會-技術-經濟-環境準則，對第一階段篩選出嘅高效地點進行排名。佢涉及成對比較，以推導出準則權重同最終地點分數。

2.3 準則與子準則層級

AHP模型結構包含五個主要準則同15個子準則：

場地特徵： 土地坡度、土地使用類型、距離電網距離。
技術： 太陽輻射、日照時數、溫度。
經濟： 投資成本、營運與維護成本、電力傳輸成本、支援機制（例如，上網電價）。
社會： 公眾接受度、創造就業機會、電力消費需求。
環境： 碳排放減少、生態影響。

3. 案例研究：台灣

3.1 資料收集與潛在地點

研究評估咗台灣20個主要城市同縣。氣象資料（DEA嘅輸入/輸出）同社會經濟資料（用於AHP）係從台灣中央氣象局、經濟部等官方來源收集。

3.2 DEA效率分析結果

DEA模型篩走咗自然資源效率未達最佳嘅地點。只有能夠高效地將氣候輸入（例如適中溫度同低濕度）轉化為太陽能輸出（高日照時數同輻射量）嘅城市/縣先獲得1.0分。呢一步減少咗候選地點數量，以便進行更詳細嘅AHP分析。

3.3 AHP權重計算與最終排名

AHP成對比較揭示咗各準則嘅相對重要性。影響力最大嘅三個子準則係：

0.332支援機制

0.122電力傳輸成本

0.086電力消費需求

呢個結果強調咗，喺最終排名中，政策同經濟因素（支援、成本）同本地需求比純粹嘅太陽能資源潛力更具決定性。

4. 結果與討論

4.1 主要發現

混合DEA-AHP方法成功識別並優先排序咗合適地點。兩階段過程嘅優勢在於，首先確保自然資源可行性，然後再評估更廣泛嘅可行性，防止資源豐富但其他方面不可行嘅地點獲得高排名。

4.2 排名最高嘅地點

最終AHP排名確定咗台灣最適合發展大型太陽能光伏電站嘅三個地點：

台南市
彰化縣
高雄市

呢啲地區結合咗強大嘅太陽能資源、有利嘅經濟條件（例如現有支援機制）、相對較低嘅傳輸成本同高本地電力需求。

5. 技術細節與數學公式

DEA公式 (CCR模型)： 決策單位 $k$ 嘅效率分數 $\theta_k$ 通過求解以下線性規劃獲得： $$\text{Max } \theta_k = \sum_{r=1}^{s} u_r y_{rk}$$ $$\text{subject to: } \sum_{i=1}^{m} v_i x_{ik} = 1$$ $$\sum_{r=1}^{s} u_r y_{rj} - \sum_{i=1}^{m} v_i x_{ij} \leq 0, \quad j=1,...,n$$ $$u_r, v_i \geq \epsilon > 0$$ 其中 $x_{ij}$ 係輸入，$y_{rj}$ 係輸出，$v_i$ 同 $u_r$ 係權重，$\epsilon$ 係非阿基米德無窮小量。

AHP一致性檢驗： 關鍵步驟係確保成對比較矩陣 $A$ 具有一致性。計算一致性指數同一致性比率： $$CI = \frac{\lambda_{max} - n}{n-1}$$ $$CR = \frac{CI}{RI}$$ 其中 $\lambda_{max}$ 係主特徵值，$n$ 係矩陣大小，$RI$ 係隨機指數。$CR < 0.1$ 為可接受。

6. 分析框架：示例案例

情景： 喺DEA預篩選後，評估兩個候選地點「城市A」同「縣B」。

步驟 1 - 準則權重計算 (AHP)： 專家進行成對比較。例如，比較「經濟」與「環境」影響，可能得出分數3（經濟比環境具有中等重要性）。呢個填入比較矩陣以推導全局權重（例如，經濟：0.35，環境：0.10）。

步驟 2 - 按準則為地點評分： 按每個子準則喺一個尺度上（例如1-9）為每個地點評分。對於「支援機制」，如果城市A有優越嘅上網電價（分數=9）而縣B支援較差（分數=3），則將佢哋標準化。

步驟 3 - 綜合計算： 城市A嘅最終分數 = $\sum (\text{子準則權重} \times \text{城市A嘅標準化分數})$。總分較高嘅地點更受青睞。

呢個結構化、量化嘅框架以透明同可追溯嘅方式取代咗臨時決策。

7. 應用前景與未來方向

與GIS整合： 未來工作應將呢個MCDM方法與地理資訊系統整合，用於土地適宜性嘅空間視覺化同分析，創建強大嘅決策支援工具。
動態與概率模型： 納入氣候變數同電價嘅時間序列資料同概率預測，可以使模型適應未來變化。
與其他MCDM方法混合： 將AHP與TOPSIS或VIKOR等技術結合，可以更穩健地處理不確定性或衝突準則。
更廣泛嘅應用： 呢個兩階段框架高度可轉移到其他地理環境中嘅可再生能源選址問題（例如風能、地熱能）。
生命週期可持續性整合： 將環境準則擴展到完整嘅生命週期評估，以評估製造同退役光伏板嘅碳足跡。

8. 參考文獻

政府間氣候變化專門委員會 (IPCC). (2021). Climate Change 2021: The Physical Science Basis. Cambridge University Press.
聯合國. (2015). Paris Agreement. United Nations Treaty Collection.
歐盟委員會. (2019). The European Green Deal. COM(2019) 640 final.
國際能源署 (IEA). (2020). World Energy Outlook 2020. OECD/IEA.
國際可再生能源機構 (IRENA). (2021). Renewable Energy and Jobs – Annual Review 2021.
Charnes, A., Cooper, W. W., & Rhodes, E. (1978). Measuring the efficiency of decision making units. European Journal of Operational Research, 2(6), 429-444.
Saaty, T. L. (1980). The Analytic Hierarchy Process. McGraw-Hill.
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. 專家分析與評論

核心見解： 本文唔只係另一項選址研究；佢係一份降低可再生能源基礎設施投資風險嘅實用藍圖。真正嘅見解在於順序邏輯：首先使用DEA嚴格篩選自然資源效率——呢個係基於物理學嘅不可協商嘅門檻——然後先讓較軟性、政策主導嘅AHP準則決定勝出者。咁樣可以防止常見嘅陷阱，即選擇政治上方便但氣候條件平庸嘅地點。

邏輯流程： 方法論嘅優雅之處在於其分工。DEA處理「呢度係咪可行？」嘅問題，基於陽光、風同雨。AHP處理「我哋應唔應該喺呢度興建？」嘅問題，基於成本、政策同社會影響。呢個反映咗開發商同政府嘅現實決策過程，從技術潛力轉向項目可行性。「支援機制」獲得高權重（0.332）係對現實嘅坦率反映：一個好嘅上網電價可以抵消幾個百分點嘅更高太陽輻照度。

優點與不足： 主要優點係混合方法嘅穩健性及其喺複雜現實環境（台灣）中嘅驗證。使用已建立、廣為人知嘅工具增強咗可複製性。然而，模型存在明顯不足。首先，佢係靜態嘅；佢冇考慮太陽能資源嘅時間變異性或未來氣候變化影響，呢個係IPCC最新報告強調嘅關鍵考慮因素。其次，AHP依賴專家成對比較，雖然係標準做法，但引入咗主觀性。如果本文能補充敏感性分析或使用模糊AHP方法來處理不確定性（正如RAND Corporation方法頁面上討論嘅高級應用所示），將會更強。第三，土地可用性同成本——通常係最終瓶頸——似乎埋藏喺子準則中。喺許多市場，呢個係主要限制因素。

可行建議： 對於台灣同類似地區嘅政策制定者，排名最高嘅列表（台南、彰化、高雄）提供咗一個數據驅動嘅起點，用於集中基礎設施同激勵措施。對於開發商，呢個框架係一個現成嘅盡職調查清單。下一步應該係將呢個模型與高解析度GIS資料整合，從城市層面轉向地塊層面分析。此外，將呢個DEA-AHP結果與基於機器學習嘅場地適宜性模型（例如越來越多地用於風電場規劃嘅模型）嘅結果進行比較，將係一個有價值嘅研究方向，以測試不同範式嘅趨同（或分歧）。最終，呢項工作提供咗一個穩固、可操作嘅基礎。未來在於使其動態化、空間明確化並能夠處理實時數據流。