تأکید روزافزون بر انرژی پاک، محققان را بر آن داشته است تا طیف وسیعی از موضوعات جدید را بررسی کنند. نوآوری‌هایی در بسیاری از زمینه‌ها برای انتشار کمتر CO2 ارائه می‌شود ^. ترجیح منابع انرژی پاک‌تر ^{۱ ، ۲ ، ۳} ، رویکردهای زیست‌محیطی در حمل و نقل انرژی ^۴ ، ۵ ، نیروگاه‌های ارگانیک‌تر و سازگار با محیط زیست ^{۶ ، ۷ ، ۸} از جمله استراتژی‌های کلیدی هستند. انرژی باد به عنوان یکی از مهم‌ترین منابع انرژی پاک و پایدار شناخته می‌شود. انرژی باد به سرعت در سراسر جهان رشد کرده است ^۹ و اکنون یکی از سریع‌ترین بخش‌های انرژی تجدیدپذیر در حال رشد است ^{۱۰ ، ۱۱} .

به موازات تحولات جهانی، ترکیه در ۱۵ سال گذشته گسترش قابل توجهی در ظرفیت انرژی بادی تجربه کرده است. مشوق‌های مهم در استراتژی انرژی تجدیدپذیر ترکیه، توسعه انرژی بادی را به طور قابل توجهی پیش برده است. در پس زمینه این سیاست‌های تشویقی، جستجوی راه‌حل‌هایی برای مشکلات مهمی مانند تغییرات اقلیمی، امنیت تأمین برق، افزایش قیمت انرژی و دسترسی به برق وجود دارد. درصد انرژی بادی نصب شده در ترکیه در ۱۵ سال گذشته در میان سایر منابع انرژی و تغییر در میزان انرژی نصب شده در شکل  ۱۱۲ ^آمده است .

مروری بر ادبیات موضوع در مورد اولویت‌بندی مزارع بادی

پتانسیل انرژی باد و مکان‌یابی بهینه مزارع بادی در سال‌های اخیر به طور گسترده مورد مطالعه قرار گرفته است. در حالی که بسیاری از مطالعات بر مکان‌یابی خرد توربین‌های منفرد متمرکز شده‌اند، توسعه استراتژی‌های برنامه‌ریزی در سطح کلان که عوامل اقتصادی، زیست‌محیطی و فنی را در بر می‌گیرند، نسبتاً محدود است. در ترکیه، چندین مطالعه مبتنی بر GIS بر شناسایی مکان‌های مناسب برای توسعه انرژی باد با استفاده از تکنیک‌های مختلف MCDM ^{۱۳ ، ۱۴ ، ۱۵ ، ۱۶ ، ۱۷ ، ۱۸ ، ۱۹ ، ۲۰ ، ۲۱ ، ۲۲} تمرکز کرده‌اند . این مطالعات بینش‌های ارزشمندی ارائه می‌دهند، اما تمایل دارند مناطق یا مقیاس‌های کوچک را بدون ارائه چارچوب اولویت‌بندی گسترده‌تر در سطح ملی ارزیابی کنند.

فراتر از ترکیه، چندین مطالعه قابل توجه در منطقه مدیترانه شرقی به چالش‌های مشابهی پرداخته‌اند. به عنوان مثال، در یونان، ایوانو و همکاران. ^۲۳ یک روش جامع پشتیبانی تصمیم‌گیری را با ترکیب AHP و TOPSIS برای ارزیابی مناسب بودن مزرعه بادی در منطقه مقدونیه شرقی و تراکیه توسعه دادند. چارچوب آنها معیارهای فنی، اقتصادی و اجتماعی را در نظر می‌گیرد و انعطاف‌پذیری مبتنی بر سناریو را معرفی می‌کند. به همین ترتیب، گازوس و واجیونا ^۲۴ مناسب بودن باد فراساحلی در دریای تراکیه را با استفاده از معیارهای حذف و استراتژی‌های پهنه‌بندی پشتیبانی شده توسط ابزارهای GIS و WaSP تجزیه و تحلیل کردند. این مطالعات در کنار هم، بر اهمیت مدل‌سازی مکانی یکپارچه تأکید می‌کنند و ارزش برنامه‌ریزی چند سناریویی را در استراتژی‌های انرژی بادی در مقیاس منطقه‌ای برجسته می‌کنند.

چندین مطالعه نیز توسعه مزارع بادی فراساحلی در ترکیه را بررسی کرده‌اند. به عنوان مثال، Emeksiz و Demirci ^۱۷ از مدل‌های MCDM برای ارزیابی مکان‌های فراساحلی استفاده کردند، در حالی که Argin و همکاران. ^۱۸ و Cali و همکاران. ^۲۰ امکان‌سنجی فنی-اقتصادی را بررسی کردند. این مطالعات به عناصر کلیدی برنامه‌ریزی فضایی می‌پردازند، اما یک مکانیسم اولویت‌بندی سرمایه‌گذاری یکپارچه در مناطق مختلف ارائه نمی‌دهند.

از دیدگاه لجستیک، شروتنبور ^۲۵ و همکارانش یک روش ابتکاری جستجوی محله بزرگ تطبیقی ​​را برای بهینه‌سازی مسیریابی تکنسین‌ها و برنامه‌های نگهداری در سکوهای فراساحلی پیشنهاد کردند. کار آنها پتانسیل تحقیقات عملیاتی را در افزایش بهره‌وری انرژی باد نشان می‌دهد. علاوه بر این، مطالعات اخیر توسط ژانگ و یانگ ^۲۶ ، اسدی و پورحسین ^۲۷ و ورما و همکارانش ^۲۸ طرح مزرعه بادی، به حداقل رساندن تلفات آشفتگی و بهینه‌سازی ظرفیت را از طریق الگوریتم‌های تکاملی مانند NSGA-II و الگوریتم‌های ژنتیک بررسی کرده‌اند.

در مقیاس کلان، امجد و همکاران. ^۲۹ یک سیستم اولویت‌بندی مکانی برای غنا با استفاده از خوشه‌بندی، AHP و معیارهای تراکم معرفی کردند. چنین مدل‌هایی الهام‌بخش ادغام ابعاد اجتماعی-اقتصادی و فنی هستند، اما به ندرت با چارچوب‌های سیاست ملی تطبیق داده می‌شوند. علاوه بر این، اکثر مطالعات به مقادیر قطعی یا منطق فازی متکی هستند که توانایی آنها را در نظر گرفتن عدم قطعیت و ابهام مرتبه بالاتر در قضاوت کارشناسی محدود می‌کند.

به موازات پیشرفت‌های اخیر در تصمیم‌گیری تحت شرایط عدم قطعیت، چندین مطالعه، چارچوب‌های فازی و نوتروسوفیک پیشرفته‌ای را برای ارزیابی انرژی‌های تجدیدپذیر پیشنهاد کرده‌اند. به عنوان مثال، سعید و همکارانش یک مدل تصمیم‌گیری قوی مبتنی بر مجموعه‌های هایپرسافت فازی یکپارچه با معیارهای آنتروپی و شباهت را برای ارزیابی و بهینه‌سازی مدیریت منابع انرژی تجدیدپذیر در ترکیه معرفی کردند و به عدم قطعیت ذاتی در ارزیابی‌های مبتنی بر متخصص پرداختند . ^۳۰ به طور مشابه، سعید و همکارانش همچنین از مجموعه‌های نوتروسوفیک فرماتین (FNS) برای مدل‌سازی عدم قطعیت ذهنی و بهبود تصمیم‌گیری تشخیصی در مراقبت‌های بهداشتی استفاده کردند و سازگاری چنین مدل‌هایی را با سیستم‌های پیچیده و غیردقیق برجسته کردند . ^۳۱ علاوه بر این، آلامری و همکارانش یک تحلیل اقتصادی ترکیبی مبتنی بر آنتروپی از فناوری‌های تولید هیدروژن با استفاده از تکنیک‌های MCDM متعدد، از جمله VIKOR، TOPSIS و MultiMOORA انجام دادند که تطبیق‌پذیری روش‌های وزن‌دهی شده با آنتروپی را در اولویت‌بندی راه‌حل‌های انرژی پایدار نشان می‌دهد . ^۳۲ در یک پیشرفت جدیدتر، لیو و همکارانش یک معیار شباهت پارامتری جدید برای مجموعه‌های نوتروسوفیک تک مقداری (SVNS) ارائه دادند که با امکان تنظیم پارامتر انعطاف‌پذیر بر اساس ترجیحات تصمیم‌گیرندگان، قابلیت اطمینان تصمیم‌گیری را در شرایط مبهم بهبود می‌بخشد . ^۳۳ علاوه بر این، منگ و همکارانش یک مدل تصمیم‌گیری مبتنی بر GIS دو مرحله‌ای با استفاده از SVNS برای انتخاب مکان بهینه کارخانه‌های تبدیل زباله به انرژی در پکن ارائه کردند و بر ارزش ادغام مکانی و نوتروسوفیک در پرداختن به عدم قطعیت و عدم دقت در برنامه‌ریزی زیرساخت‌های انرژی در دنیای واقعی تأکید کردند . ^۳۴

در این زمینه، نظریه مجموعه‌های نوتروسوفیک با امکان مدل‌سازی صریح درستی، عدم قطعیت و نادرستی، جایگزین امیدوارکننده‌ای برای سیستم‌های فازی سنتی ارائه می‌دهد . ^۳۵ علیرغم مزایای نظری آن در مدل‌سازی عدم قطعیت، کاربرد منطق نوتروسوفیک در برنامه‌ریزی انرژی‌های تجدیدپذیر همچنان محدود و کمتر بررسی شده است. مطالعات کمی، اگر نگوییم وجود داشته باشند، روش‌های MCDM نوتروسوفیک را با داده‌های مبتنی بر GIS ترکیب کرده‌اند تا یک شاخص اولویت‌بندی سرمایه‌گذاری برای انرژی باد در مقیاس ملی بسازند.

این شکاف، مدل پیشنهادی را که neutrosophic-VIKOR را با تحلیل مکانی مبتنی بر GIS ادغام می‌کند، برای توسعه یک شاخص اولویت (PI) برای سرمایه‌گذاری در انرژی باد در سراسر ترکیه، انگیزه می‌دهد. این چارچوب برای پشتیبانی از سیاست‌گذاران و ذینفعان در تصمیم‌گیری استراتژیک، با در نظر گرفتن قضاوت کارشناسی، امکان‌سنجی فنی و اهداف سیاست منطقه‌ای طراحی شده است.

علیرغم حجم رو به رشد مطالعات MCDM مبتنی بر GIS در برنامه‌ریزی انرژی باد، هنوز یک شکاف روش‌شناختی آشکار در مدل‌های مکان‌یابی کلان در مقیاس ملی که عدم قطعیت مرتبه بالاتر را در بر می‌گیرند، وجود دارد. اکثر رویکردهای موجود یا بر تحلیل‌های محلی یا منطقه‌ای تمرکز دارند یا به منطق فازی سنتی متکی هستند که فاقد ظرفیت لازم برای نمایش کامل ابهامات کارشناسی است. این مطالعه با ادغام مجموعه‌های نوتروسوفیک تک‌مقداری (SVNS) با روش VIKOR در یک محیط GIS، این شکاف را برطرف می‌کند و یک چارچوب جدید و آگاه از عدم قطعیت برای اولویت‌بندی سرمایه‌گذاری‌های انرژی باد در سراسر ترکیه ارائه می‌دهد.

انگیزه مطالعه

مکان‌یابی استراتژیک نیروگاه‌های انرژی تجدیدپذیر نقش مهمی در بهینه‌سازی تولید انرژی و تضمین توسعه پایدار ایفا می‌کند. در ادبیات، دو رویکرد اساسی برای انتخاب مکان تعریف شده است: مکان‌یابی کلان و مکان‌یابی خرد ^{۳۶ ، ۳۷٫} در حالی که مکان‌یابی کلان بر عوامل در مقیاس بزرگ مانند پتانسیل باد منطقه‌ای، تقاضای انرژی و امکان‌سنجی اقتصادی تمرکز دارد، مکان‌یابی خرد به معیارهای محلی‌تر، از جمله نزدیکی به زیرساخت‌ها، اثرات زیست‌محیطی و محدودیت‌های زمین ^{۳۸ ، ۳۹،} می‌پردازد . مطالعات موجود عمدتاً بر تجزیه و تحلیل‌های مکان‌یابی خرد متمرکز شده‌اند و مکان‌های خاص را بر اساس معیارهای تعریف‌شده دقیق ارزیابی می‌کنند. با این حال، شکاف قابل توجهی در تحقیقاتی که چارچوبی سیستماتیک برای اولویت‌بندی مناطق سرمایه‌گذاری در مقیاس ملی ارائه می‌دهد، وجود دارد که برای هدایت سیاست‌گذاران و سرمایه‌گذاران در توسعه انرژی بادی ضروری است. فوریت رسیدگی به تغییرات اقلیمی، همراه با نگرانی‌ها در مورد امنیت انرژی و افزایش هزینه‌های برق، فشار جهانی برای راه‌حل‌های انرژی تجدیدپذیر را تشدید کرده است. بسیاری از دولت‌ها سیاست‌های تشویقی را برای تسریع پذیرش انرژی بادی معرفی کرده‌اند. با این حال، این سیاست‌ها همچنین چالش‌هایی را به ویژه در تعیین مناسب‌ترین مناطق برای نصب نیروگاه‌های بادی جدید ایجاد می‌کنند. سرمایه‌گذاران باید در چشم‌اندازهای پیچیده تصمیم‌گیری که تحت تأثیر تغییرات منطقه‌ای در منابع باد، نیازهای انرژی، ارزش زمین و محیط‌های سیاست‌گذاری شکل گرفته‌اند، حرکت کنند.

این مطالعه با هدف مقابله با این چالش‌ها، با انجام یک تحلیل جامع از توزیع مزارع بادی ترکیه، مشخصات مصرف انرژی و پتانسیل باد انجام شده است. این تحقیق با ادغام روش Neutrosophic-VIKOR – یک رویکرد تصمیم‌گیری چند معیاره قوی – با ارزیابی‌های کارشناسی، یک شاخص سرمایه‌گذاری اولویت‌دار جدید برای نیروگاه‌های بادی معرفی می‌کند. این شاخص، ابزاری داده‌محور برای شناسایی مناطق سرمایه‌گذاری با پتانسیل بالا در اختیار سرمایه‌گذاران قرار می‌دهد و در نتیجه تصمیم‌گیری استراتژیک را بهبود می‌بخشد.

یافته‌ها نشان می‌دهد که بالیکسیر، چاناک‌قلعه و ازمیر به دلیل پتانسیل بالای انرژی باد و مصرف قابل توجه انرژی، به عنوان سه شهر برتر برای سرمایه‌گذاری در زمینه انرژی بادی در ترکیه ظاهر می‌شوند. این مطالعه فراتر از ارائه بینش‌های تجربی، شکاف بین چارچوب‌های نظری و استراتژی‌های سرمایه‌گذاری در دنیای واقعی را پر می‌کند و توصیه‌های عملی برای سیاست‌گذاران و ذینفعان صنعت ارائه می‌دهد. در نهایت، این مطالعه استراتژی‌های سرمایه‌گذاری مبتنی بر داده را بهبود می‌بخشد و از گذار مداوم ترکیه به یک زیرساخت انرژی کم‌کربن و مقاوم پشتیبانی می‌کند.

ادامه این مطالعه به شرح زیر ساختار یافته است: بخش ۲ منطقه مورد مطالعه و منابع داده را معرفی می‌کند. بخش ۳ معیارهای تصمیم‌گیری را تشریح کرده و روش‌شناسی یکپارچه، شامل مدل‌سازی Neutrosophic-VIKOR و تحلیل فضایی مبتنی بر GIS را ارائه می‌دهد. بخش ۴ نتایج و یافته‌های اولویت‌بندی فضایی را ارائه می‌دهد و پس از آن بخش ۵ بحث مفصلی را ارائه می‌دهد و پیامدهای نظری، تحلیلی و سیاستی را ارائه می‌دهد. در نهایت، بخش ۶ مطالعه را نتیجه‌گیری کرده و مسیرهای تحقیقاتی آینده را ترسیم می‌کند.

بر اساس داده‌های اداره کل انرژی‌های تجدیدپذیر و اداره کل هواشناسی کشور، پتانسیل انرژی بادی ترکیه ۴۸۰۰۰ مگاوات تخمین زده می‌شود. این کشور از نظر پتانسیل بادی در بین کشورهای اروپایی جایگاه مهمی دارد. دولت این کشور با مشوق‌های مربوط به پتانسیل بادی در سال‌های اخیر، ظرفیت تولید بادی کشور را به طور قابل توجهی افزایش داده است. جایگاه تأسیسات بادی جدید ترکیه در بین سایر کشورهای اروپایی در سال ۲۰۲۴ در شکل  ۲ نشان داده شده است. بر اساس این مقادیر، ترکیه ^{دوازدهمین} کشوری است که بیشترین مزارع بادی را در اروپا در سال ۲۰۲۴ ساخته است.

ترکیه به دلیل موقعیت ژئوپلیتیکی خود، از نظر منابع انرژی تجدیدپذیر از مزیت استراتژیک برخوردار است. در راستای توسعه این کشور در طول سال‌ها، سرمایه‌گذاری در انرژی‌های تجدیدپذیر برای تأمین تقاضای انرژی، دستیابی به اهداف انتشار کم کربن و کاهش هزینه‌های انرژی برای مصرف‌کنندگان افزایش یافته است. مزایایی مانند استفاده از انرژی باد در شب و انتشار کمتر CO2 ^از نیروگاه‌های بادی در مقایسه با پنل‌های خورشیدی از جمله مزایای برجسته انرژی بادی در مقایسه با انرژی خورشیدی است.

با توجه به پتانسیل کلی تولید باد در کشور، واضح است که مناطق غربی ترکیه از نظر پتانسیل باد به ویژه از مزیت بالایی برخوردارند. طبق داده‌های اطلس جهانی باد ^۴۰ ، نقشه سرعت باد برای ترکیه در ارتفاع ۵۰ متری در شکل  ۳ نشان داده شده است . مناطقی که با رنگ قرمز در شکل  ۳ نشان داده شده‌اند ، از نظر پتانسیل باد مناطق مناسبی هستند. کلمه مناسب که در این مطالعه استفاده شده است به این معنی است که پتانسیل باد در سطح کافی است. اساس این ارزیابی، اطلاعات موجود در مقالات علمی است که نشان می‌دهد نصب مزرعه بادی می‌تواند در مناطقی با سرعت باد ۷ متر بر ثانیه و بالاتر از ^{۴۱ ، ۴۲ ، ۴۳} اقتصادی باشد . وقتی به طور کلی به کشور نگاه می‌کنیم، مشاهده می‌شود که پتانسیل تولید باد در کشور به ویژه بالا است. با این حال، مشاهده می‌شود که مناطقی با پتانسیل باد قابل توجه در بقیه کشور وجود دارد.

۵ منبع اصلی تولید برق در ترکیه عبارتند از ۳۴٫۸٪ زغال سنگ، ۲۵٫۶٪ ​​برق آبی، ۲۲٫۷٪ گاز طبیعی، ۸٫۱٪ باد و ۳٫۸٪ انرژی خورشیدی. تراکم جمعیت و صنعتی شدن در ترکیه بیشتر در مناطق غربی کشور متمرکز است. این تمرکز در تجارت، صنعت و جمعیت، تقاضای انرژی منطقه غربی را توضیح می‌دهد. با این حال، نیروگاه‌های برق آبی با پتانسیل تولید انرژی قابل توجه در کشور در شرق کشور قرار دارند ^۴۴٫ این وابستگی انرژی بین شرق و غرب کشور، افزایش جدی در فواصل خطوط انتقال انرژی را به همراه دارد. علاوه بر این، با افزایش فواصل خطوط انتقال برق، تلفات قابل توجهی در توزیع انرژی رخ می‌دهد. مزایای قابل توجهی با توزیع متعادل تأسیسات تولید برق به دست می‌آید. این مزایا عبارتند از کاهش تلفات برق، افزایش راندمان انرژی، امنیت تأمین برق، کاهش هزینه‌های عملیاتی، به حداقل رساندن آسیب‌های زیست‌محیطی، کاهش مصرف سوخت‌های فسیلی و کاهش انتشار گازهای گلخانه‌ای. تلفات توزیع انتقال در ترکیه بین سال‌های ۲۰۰۵ تا ۲۰۱۸ به طور متوسط ​​۱۲٪ بوده است ^۴۵ . در کشورهایی با زیرساخت‌های الکتریکی توسعه‌یافته، این مقدار حدود ۶٪ است. این یافته‌ها اهمیت تدوین یک استراتژی توزیع متعادل برای نیروگاه‌های جدید را برجسته می‌کند.

در این بخش، مطالعاتی برای تعیین شاخص اولویت منطقه سرمایه‌گذاری، که یک شاخص مهم برای نیروگاه‌های بادی است، انجام شده است. ابتدا، معیارهای سرمایه‌گذاری برای نیروگاه‌های بادی در مکان‌یابی کلان مورد تجزیه و تحلیل قرار گرفت. برای این منظور، چهار پارامتر اصلی تعیین شد. این پارامترها و تعاریف کلی آنها در زیربخش‌های زیر به تفصیل ارائه شده است. داده‌های بزرگ متعلق به این سه معیار در سیستم‌های اطلاعات جغرافیایی (GIS) ادغام شده‌اند. برای مزارع بادی، مقدار شاخص نیاز با استفاده از این داده‌ها به صورت ریاضی پیشنهاد می‌شود. نقشه منطقه اولویت سرمایه‌گذاری نیروگاه بادی برای ترکیه با پردازش داده‌ها در سیستم‌های اطلاعات جغرافیایی بر اساس مقدار شاخص پیشنهادی به دست آمد. یافته‌های به‌دست‌آمده بررسی و دقت آنها مورد بحث قرار گرفت. چارچوب پیشنهادی در این مطالعه در شکل  ۴ ارائه شده است .

جمع‌آوری داده‌ها و پیش‌پردازش

تمام مجموعه داده‌های مورد استفاده در این مطالعه برای سال ۲۰۲۴ جمع‌آوری شده‌اند تا از ثبات زمانی بین متغیرها اطمینان حاصل شود. داده‌های هزینه زمین از سیستم اطلاعات ثبت زمین و کاداستر ترکیه (TAKBİS) به دست آمده و از طریق پلتفرم Tapusor پردازش شده‌اند که میانگین ارزش فروش زمین را در سطح استانی (NUTS-3) ارائه می‌دهد. این مقادیر با استفاده از تکنیک‌های درون‌یابی مکانی مبتنی بر GIS نرمال‌سازی و به ضرایب هزینه زمین تبدیل شدند. اگرچه داده‌های جزئی‌تری (مثلاً در سطح ناحیه یا قطعه) در دسترس هستند، اما تجمیع استانی برای همسویی با دامنه کلان مکانی مطالعه و اطمینان از سازگاری با سایر مجموعه داده‌های ملی ترجیح داده شد. به طور مشابه، داده‌های توربین بادی – شامل تعداد، مکان و ظرفیت نصب‌شده توربین‌ها – از اطلس انرژی ترکیه و TEİAŞ تهیه شدند. این داده‌ها در سطح استانی با استفاده از ابزارهای GIS برای تولید لایه توزیع برق بادی نصب‌شده، زمین‌مرجع و تجمیع شدند. تمام مجموعه داده‌های مکانی به عنوان فایل‌های شکل برداری به جای لایه‌های رستری در محیط GIS ادغام شدند. بنابراین، آنها تفکیک مکانی پیوسته‌ای ندارند، بلکه به مرزهای اداری مرتبط هستند. این رویکرد، انسجام روش‌شناختی را تضمین می‌کند و از هدف اولویت‌بندی سرمایه‌گذاری در مقیاس ملی این مطالعه پشتیبانی می‌کند.

ویژگی‌های مکان‌یابی کلان

تقاضای انرژی و تراکم جمعیت

یکی از مهمترین عوامل تعیین کننده در موقعیت یابی منطقه ای یک منبع انرژی تجدیدپذیر، تراکم جمعیت و نیاز انرژی منطقه است ^{۴۶ ، ۴۷٫} مزایای زیادی در نزدیکی منابع انرژی به مناطقی که انرژی به شدت مصرف می شود، وجود دارد. فاصله کوتاه خطوط انتقال انرژی، تلفات کم خط، هزینه های پایین سرمایه گذاری انرژی و نگهداری از جمله مزایای اصلی آن هستند.

در ترکیه، مراکز جمعیتی اصلی عمدتاً در بخش غربی کشور واقع شده‌اند. آنکارا، واقع در منطقه مرکزی، پایتخت است و از نظر جمعیت و تقاضای انرژی رتبه اول را دارد. نقشه مصرف انرژی ارائه شده در شکل  ۵ با استفاده از داده‌های مصرف برق در سطح استان در سال ۲۰۲۴ که از طریق سیستم‌های اطلاعات جغرافیایی ^۴۵ پردازش شده‌اند، تولید شده است .

توزیع منابع بادی

همانطور که در شکل  ۳ نشان داده شده است ، پتانسیل بالای باد در غرب ترکیه منجر به تمرکز مزارع بادی در این منطقه شده است. با استفاده از GIS، موقعیت‌های جغرافیایی ^۴۸ و ظرفیت‌های نصب شده تقریباً ۴۳۰۰ ^۴۹ توربین بادی برای تهیه نقشه توزیع مزارع بادی ملی، همانطور که در شکل  ۶ ارائه شده است، مورد تجزیه و تحلیل قرار گرفت . این نقشه هم توزیع مکانی و هم ظرفیت‌های نصب شده نیروگاه‌های بادی در سراسر کشور را نشان می‌دهد.

در سال‌های اخیر، با استراتژی‌های تشویقی انرژی تجدیدپذیر کشور، به نظر می‌رسد که نیروگاه‌های بادی متمرکز در غرب کشور به سایر نقاط کشور گسترش یافته‌اند. با این حال، در نقشه پتانسیل انرژی باد کشور در شکل  ۶ ، مشاهده می‌شود که مزارع بادی در برخی از مناطقی که نصب مزرعه بادی از نظر پتانسیل باد مناسب است، به اندازه کافی ایجاد نشده‌اند. با این مطالعه، یک تحلیل نیاز مهم برای نیروگاه‌های بادی با توجه به نیازهای انرژی کشور انجام شد و یافته‌ها در بخش چهارم به تفصیل بررسی شدند.

تحلیل هزینه زمین

ارزش هزینه‌های زمین نیز معیار مهمی در برنامه‌ریزی کلان مکان‌یابی مناطق نصب مزرعه بادی است. هزینه‌های زمین ممکن است از منطقه‌ای به منطقه دیگر یا استان دیگر و حتی محله‌های مختلف متفاوت باشد. در برخی مطالعات ^۵۰ بیان شده است که هزینه‌های سلب مالکیت برای نصب مزرعه بادی به ۱۰٪ از کل هزینه‌های پروژه می‌رسد. در این زمینه، ضرایب ارزش زمین منطقه مورد مطالعه برای این مطالعه با استفاده از GIS، هوش مصنوعی و داده‌های فروش زمین ترکیه ^{۵۱ ایجاد شد.}

چارچوب روش نوتروسوفیک-ویکور

مبانی نظری

روش ویکور نوتروسوفیک (Neutrosophic VIKOR) بسط پیشرفته‌ای از روش ویکور (VlseKriterijumska Optimizacija I Kompromisno Resenje) است که یک تکنیک تصمیم‌گیری چندمعیاره پرکاربرد است. این روش مجموعه‌های نوتروسوفیک را ادغام می‌کند و امکان نمایش مؤثرتر عدم قطعیت، ابهام و عدم قطعیت را در فرآیند تصمیم‌گیری فراهم می‌کند. برخلاف مجموعه‌های فازی سنتی و فازی شهودی، مجموعه‌های نوتروسوفیک از سه مؤلفه کلیدی تشکیل شده‌اند: عضویت حقیقی، عضویت غیرقطعی و توابع عضویت کاذب. این ساختار انعطاف‌پذیری بیشتری در مدیریت اطلاعات ناقص، غیردقیق و نامشخص فراهم می‌کند و آن را به ویژه برای سناریوهای تصمیم‌گیری پیچیده مفید می‌سازد.

روش VIKOR خود برای رتبه‌بندی و انتخاب بهترین گزینه با متعادل کردن معیارهای متضاد طراحی شده است. این روش به دنبال یک راه‌حل مصالحه‌ای است که با تعیین گزینه‌ای با مقدار بهینه “S” که نشان‌دهنده معیار مصالحه کلی است، فاصله از راه‌حل ایده‌آل را به حداقل برساند. با ترکیب مجموعه‌های نوتروسوفیک، روش VIKOR نوتروسوفیک با استفاده از متغیرهای زبانی نوتروسوفیک و معیارهای شباهت، رویکرد VIKOR سنتی را بهبود می‌بخشد که ارزیابی‌های دقیق‌تری را در محیط‌های نامشخص امکان‌پذیر می‌سازد.

با ترکیب این مفاهیم، ​​روش ویکور نوتروسوفیک یک چارچوب تصمیم‌گیری جامع‌تر و سازگارتر ارائه می‌دهد. این روش به تصمیم‌گیرندگان اجازه می‌دهد تا به طور مؤثر به عدم دقت‌ها و عدم قطعیت‌ها بپردازند و در عین حال راه‌حل‌ها را در چندین معیار متضاد بهینه کنند. این رویکرد در محیط‌های تصمیم‌گیری پیچیده که ابهام نقش کلیدی ایفا می‌کند، مفید است. بخش بعدی توضیح مفصلی از اصول اساسی مجموعه‌های نوتروسوفیک ارائه می‌دهد.

برای تمایز روش‌شناسی ما از رویکردهای موجود MCDM-GIS در برنامه‌ریزی انرژی باد، این مطالعه ادغام جدیدی از مجموعه‌های تک‌مقداری نوتروسوفیک (SVNS) با روش VIKOR را در یک چارچوب مبتنی بر GIS مکانی معرفی می‌کند. برخلاف مدل‌های سنتی MCDM فازی یا قطعی، مکانیسم وزن‌دهی مبتنی بر SVNS با ترکیب درجات درستی، عدم قطعیت و نادرستی، امکان نمایش دقیق‌تری از عدم قطعیت متخصص را فراهم می‌کند. علاوه بر این، وزن‌دهی مبتنی بر شباهت تصمیم‌گیرندگان، عینیت تجمیع متخصصان را افزایش می‌دهد، که اغلب در مطالعات قبلی نادیده گرفته می‌شود. این ادغام دولایه – SVNS برای وزن‌دهی متخصص و VIKOR برای رتبه‌بندی توافقی – در یک محیط GIS نشان دهنده یک پیشرفت روش‌شناختی است که تصمیم‌گیری مکانی قوی‌تر و آگاه‌تر از عدم قطعیت را ممکن می‌سازد.

مسابقات مقدماتی SVNS

تعریف ۱

^۵۲ فرض کنید D یک مجموعه ذهنی مبهم و نوتروسوفیک (SVNS) باشد که در یک جهان از گفتمان تعریف شده است. مجموعه E با سه تابع عضویت مشخص می‌شود: تابع عضویت-درستی، تابع عضویت-نامعینیو تابع عضویت-نادرستی. این توابعدرزیرمجموعه‌های استاندارد حقیقی یا غیراستاندارد حقیقی از بازه باز. این بدان معناست که هر تابع به صورت زیر نگاشت می‌شود:

علاوه بر این، مجموع سه تابع عضویت شرایط زیر را برآورده می‌کند:

این امر تضمین می‌کند که مقادیر عضویت تجمیع‌شده در محدوده‌ی گسترده‌ی مجموعه‌ی نوتروسوفیک باقی بمانند و امکان نمایش انعطاف‌پذیرتری از عدم قطعیت، عدم قطعیت و نادرستی در فرآیندهای تصمیم‌گیری را فراهم کنند.

\:{b}_{E}\left(x\right) \:{c}_{E}\left(x\right) \:{{T}_{E}\left(x\right),\:{I}_{E}\left(x\right)\:\text{a}\text{n}\text{d}\:\:F}_{E}\left(x\right)\: ، و از استفاده خواهد شد.

طبق ( ^{۳۵ ، ۵۳} )، یک مجموعه نوتروسوفیک تک مقداری (SVNS) به صورت زیر توصیف می‌شود:

تعریف ۲

فرض کنید یک جهان گفتمان باشد. یک مجموعه نوتروسوفیک تک مقداری روی یک شیء با فرم زیر است:

.

جایی که توابع.

محدودیت را برآورده کنید:

\:{r}_{E}\left(x\right) \:{v}_{E}\left(x\right)\le\:3 \:x\in\:X + + ۳ \) .

در اینجا ، و به ترتیب نشان دهنده درجه عضویت در درستی، درجه عضویت در عدم قطعیت و درجه عضویت در نادرستی از تا هستند.

برای سادگی، یک عدد SVN با نشان داده می‌شود که در آن و . 

تعریف ۳

فرض کنید و دو عدد SVN باشند، مجموع آنها به صورت زیر توصیف می‌شود:

تعریف ۴

فرض کنید و دو عدد SVN باشند، ضرب آنها به صورت زیر توصیف می‌شود:

تعریف ۵

فرض کنید یک عدد SVN و ℝ یک عدد حقیقی مثبت دلخواه باشد. ضرب اسکالر به صورت زیر تعریف می‌شود:

تعریف ۶

مکمل یک SVNS با نشان داده می‌شود و برای بنابراین، مجموعه مکمل به صورت زیر داده می‌شود:

بر اساس مطالعات قبلی ^۳۵ ، عملگرهای تجمیع وزن‌دار مربوط به SVNSها به شرح زیر هستند ^۵۴ :

تعریف ۷

فرض کنید مجموعه اعداد SVN باشد، هر عدد SVN به صورت . عملگر میانگین وزنی نوتروسوفیک تک مقداری، همانطور که در ^۵۴ تعریف شده است ، به صورت زیر ارائه می‌شود:

که در آن نشان دهنده وزن مرتبط با ، و است .

تا به امروز، توابع امتیازدهی مختلفی برای رتبه‌بندی اعداد SVN پیشنهاد شده‌اند. یکی از رایج‌ترین توابع امتیازدهی به شرح زیر است:

تعریف ۸

یک عدد نوتروسوفیک تک مقداری (SVN) به صورت نمایش داده می‌شود که در آن . تابع امتیاز برای یک عدد نوتروسوفیک تک مقداری را می‌توان به صورت زیر محاسبه کرد:

که در آن و .

تعریف ۹

با توجه به یک عدد SVN که . تابع امتیاز ویژگی‌های زیر را نشان می‌دهد: 

1. ۱.حداقل مقدار امتیاز زمانی رخ می‌دهد که و نشان دهنده بدبینانه‌ترین سناریو باشند.
2. ۲.حداکثر مقدار امتیاز زمانی حاصل می‌شود که و مربوط به خوش‌بینانه‌ترین سناریو باشند.

تعریف ۱۰

برای یک عدد SVN که ، تابع دقت و تابع قطعیت به صورت زیر تعریف می‌شوند:

که در آن و و .

در این مطالعه، ما از تنظیم پارامتر رایج که توسط پنگ و همکارانش ^۵۵ توصیه شده است ، استفاده می‌کنیم تا سهم متعادلی از حقیقت، عدم قطعیت و نادرستی در محاسبه امتیاز تضمین شود. این پیکربندی بی‌طرفی را حفظ می‌کند و با رویه‌های استاندارد در ادبیات تصمیم‌گیری نوتروسوفیک همسو است.

تعریف ۱۱

فرض کنید و دو بردار از اعداد SVN باشند هر عنصر به صورت زیر تعریف می‌شود:

 ، ، برای ، معیار فاصله تعمیم‌یافته بین این دو بردار به صورت زیر داده می‌شود:

که در آن، فاصله همینگ را برای و فاصله اقلیدسی را برای ارائه می‌دهد .

ساخت ماتریس تصمیم

روش VIKOR که اولین بار توسط اوپریکوویچ و تزنگ در سال ۲۰۰۴ معرفی شد، برای رتبه‌بندی گزینه‌ها بر اساس معیارهای متضاد و در نهایت شناسایی بهترین راه‌حل مصالحه طراحی شده است. هدف این رویکرد ایجاد تعادل بین اهداف رقیب در تصمیم‌گیری است. تکنیک VIKOR از به عنوان اصل اصلی خود برای اندازه‌گیری فواصل بین گزینه‌ها استفاده می‌کند . ^۵۶

که در آن نشان دهنده وزن اختصاص داده شده به هر ویژگی است، در حالی که و به ترتیب بهترین و بدترین مقادیر ممکن برای ویژگی‌ها را نشان می‌دهند. فاصله محاسبه شده ، میزان فاصله یک گزینه از راه حل بهینه را اندازه‌گیری می‌کند. ایده اساسی پشت این روش، به حداکثر رساندن مزایای گروهی و به حداقل رساندن نارضایتی فردی است. راه حل عملی نزدیکترین به راه حل ایده‌آل در نظر گرفته می‌شود.

در مسائل تصمیم‌گیری چندمعیاره که شامل چندین تصمیم‌گیرنده هستند، محاسبه وزن‌های مربوطه برای ساخت یک ماتریس تصمیم‌گیری تجمیعی ضروری است. این مطالعه رویکرد جدیدی را برای تعیین وزن‌های تصمیم‌گیرنده با استفاده از معیارهای فاصله اخیراً توسعه‌یافته مبتنی بر مجموعه‌های مبهم و نوتروسوفیک ذهنی (SVNS) معرفی می‌کند.

ماتریس تصمیم‌گیری را در نظر بگیرید که نشان دهنده ماتریس برای است. این ماتریس شامل ویژگی، گزینه و تصمیم‌گیرندگان است. هر عنصر نشان دهنده یک عدد نوتروسوفیک تک مقداری (SVN) است.

وزن‌دهی متخصصان و ماتریس ایده‌آل

تعریف ۱۲

با توجه به دو ماتریس، و که در آن :

معیار فاصله بین آنها به صورت زیر تعریف می‌شود:

که در آن نشان دهنده تابع امتیاز .

برای تعیین ماتریس ایده‌آل f، مقادیر ، که در آن با استفاده از عملگر میانگین، همانطور که قبلاً در معادله (۶) تعریف شده است، محاسبه می‌شوند.

از آنجایی که اهمیت هر تصمیم‌گیرنده به نزدیکی آنها به تصمیم ایده‌آل بستگی دارد، معیار شباهت بین ماتریس یک تصمیم‌گیرنده و ماتریس ایده‌آل به صورت زیر تعریف می‌شود:

که در آن نشان دهنده متمم است .

در نهایت، وزن تصمیم‌گیرنده s به صورت زیر داده می‌شود:

بنابراین، روش پیشنهادی، وزن‌های تصمیم‌گیرنده را در محیط تصمیم‌گیری SVN تعیین می‌کند و تجمیع منصفانه و سیستماتیک نظرات متخصصان متعدد را تضمین می‌کند.

وزن‌دهی معیارها

در سناریوهای تصمیم‌گیری، تصمیم‌گیرندگان مختلف ممکن است معیارها را به طور متفاوتی اولویت‌بندی کنند. برای ایجاد مجموعه‌ای یکپارچه از وزن معیارها، ضروری است که مقادیر وزنی فردی اختصاص داده شده توسط هر تصمیم‌گیرنده را تجمیع کنیم.

یکی از رویکردهای پرکاربرد برای تعیین وزن معیارها، وزن‌دهی مبتنی بر آنتروپی است که در زمینه‌های مختلف تصمیم‌گیری به کار گرفته شده است ^۵۷٫ روش آنتروپی، وزن‌ها را بر اساس تغییرپذیری در مقادیر معیارها تعیین می‌کند و ارزیابی عینی را بدون نیاز به ورودی ذهنی اضافی تضمین می‌کند.

یک اصل کلیدی در وزن‌دهی آنتروپی این است که مقادیر بالاتر آنتروپی نشان‌دهنده‌ی سهم اطلاعاتی کمتر است، به این معنی که معیارهایی با عدم قطعیت بیشتر، وزن‌های کمتری دریافت می‌کنند، در حالی که به معیارهایی با اهمیت بیشتر (یعنی تنوع بیشتر) وزن‌های بالاتری اختصاص داده می‌شود.

فرآیند محاسبه وزن معیارها با استفاده از آنتروپی شانون به شرح زیر است:

فرض کنید یک ماتریس امتیاز باشد که به صورت زیر داده می‌شود:

.

که در آن مقدار امتیاز است .

سپس، ماتریس امتیاز S را به صورت زیر نرمال‌سازی می‌کنیم:

که در آن .

وزن ویژگی‌ها را می‌توان به صورت زیر محاسبه کرد:

طبق خواص آنتروپی، به راحتی می‌توان نشان داد که و .

مراحل اجرا

در این بخش، مسئله تعیین مناطق سرمایه‌گذاری اولویت‌دار برای نیروگاه‌های بادی با استفاده از روش Neutrophic-VIKOR که در این مطالعه پیشنهاد شده است، حل می‌شود. در مسائل تصمیم‌گیری، تصمیم‌گیرندگان اغلب انتخاب‌های خود را با استفاده از مقادیر واضح و نامشخص بیان می‌کنند. در نتیجه، کلمات و جملات زبانی می‌توانند به عنوان مقادیر مقیاس‌بندی به جای مقادیر عددی خالص استفاده شوند. مقیاس‌های زبانی در مقایسه با مقیاس‌های عددی، انعطاف‌پذیری و مناسب بودن بیشتری ارائه می‌دهند و پیچیدگی و تنوع ذاتی زمینه‌های تصمیم‌گیری را در خود جای می‌دهند. مقیاس‌های زبانی Neutrophic که در جدول  ۱ ارائه شده‌اند ، همراه با سوالاتی که به سه متخصص (تصمیم‌گیرندگان) ارجاع داده شده بود، مورد استفاده قرار گرفتند.

پروفایل‌های تصمیم‌گیرندگان

هیئت کارشناسان متشکل از سه تصمیم‌گیرنده بود که بر اساس پیشینه حرفه‌ای و تخصصشان در حوزه مربوطه انتخاب شده بودند. دو نفر از این کارشناسان دارای مدرک دکترا در رشته مهندسی سیستم‌های انرژی هستند و بیش از ۱۵ سال تجربه ترکیبی در توسعه پروژه‌های انرژی بادی و تحقیقات دانشگاهی دارند. کارشناس سوم، یک مهندس ارشد عملیات است که در حال حاضر در یک نیروگاه بادی مشغول به کار است و دارای مدرک کارشناسی ارشد در رشته مهندسی برق قدرت و بیش از یک دهه تجربه میدانی است. صلاحیت‌های آنها، تلفیق متعادلی از بینش دانشگاهی و دانش عملیاتی دنیای واقعی را در فرآیند تصمیم‌گیری تضمین می‌کرد.

فرآیند وزن‌دهی

مقادیر وزن تصمیم‌گیرنده، که در جدول  ۲ نشان داده شده است ، با استفاده از نرم‌افزار مایکروسافت اکسل و بر اساس اصطلاحات زبانی ارائه شده در جدول  ۱ ، مطابق با معادله ۱۷ محاسبه شدند. در این مطالعه، ماتریس تصمیم‌گیری ایده‌آل، یک نقطه مرجع ساخته شده از ارزیابی‌های تجمیع شده همه تصمیم‌گیرندگان را نشان می‌دهد. به طور خاص، ماتریس تصمیم‌گیری نوتروسوفیک برای هر متخصص ابتدا بر اساس قضاوت‌های زبانی آنها تشکیل شد. سپس، ماتریس ایده‌آل با اعمال تجمیع وزنی با استفاده از وزن‌های مبتنی بر شباهت متخصصان، استخراج شد. این تصمیم ایده‌آل به عنوان معیاری برای ارزیابی میزان نزدیکی یا دوری ورودی هر متخصص از اجماع عمل می‌کند. معیارهای شباهت بین ارزیابی هر تصمیم‌گیرنده و ماتریس ایده‌آل برای محاسبه تأثیر مربوطه آنها در فرآیند وزن‌دهی، همانطور که در معادله ۱۷ نشان داده شده است، استفاده شد. همانطور که در جدول  ۲ نشان داده شده است ، DM3 بالاترین وزن (۰٫۳۶) را دارد که نشان دهنده تأثیر قوی‌تر آنها در فرآیند تصمیم‌گیری در مقایسه با DM1 و DM2 است.

برای محاسبه وزن معیارها، از ماتریس امتیاز بهبود یافته استفاده کردیم. با استفاده از معادلات (۱۵، ۱۶، ۱۷ و ۱۸)، وزن ویژگی‌ها را همانطور که در جدول  ۳ ارائه شده است، محاسبه کردیم .

محاسبه و نگاشت شاخص اولویت

برای تعیین حوزه‌های اولویت‌دار برای سرمایه‌گذاری در مزارع بادی، چارچوب ارائه شده در این مطالعه از یک شاخص اولویت استفاده می‌کند که عوامل کلیدی مؤثر بر تصمیمات سرمایه‌گذاری را در بر می‌گیرد. این عوامل شامل پتانسیل انرژی باد، مصرف انرژی، زیرساخت‌های موجود انرژی بادی و هزینه‌های زمین است. با در نظر گرفتن این عناصر، این چارچوب قصد دارد ارزیابی جامع‌تری از مناسب‌ترین مکان‌ها برای توسعه مزارع بادی ارائه دهد.

ابزار اصلی برای شناسایی حوزه‌های دارای اولویت، شاخص اولویت سرمایه‌گذاری (PI) است، همانطور که در معادله ۱۹ توضیح داده شده است. شاخص PI بر اساس معیارهای مختلفی محاسبه می‌شود که هر کدام وزن مربوط به خود را دارند تا اهمیت نسبی خود را در فرآیند تصمیم‌گیری منعکس کنند. PI برای تعیین کمیت پتانسیل یک منطقه برای سرمایه‌گذاری‌های انرژی بادی آینده، با در نظر گرفتن متغیرهای طبیعی و اقتصادی طراحی شده است.

متغیرهای مورد استفاده در شاخص PI برای شناسایی مناطق با اولویت بالا برای سرمایه‌گذاری در انرژی بادی بسیار مهم هستند. این چارچوب با در نظر گرفتن عواملی مانند تقاضای انرژی، وضعیت نیروگاه‌های بادی موجود، هزینه زمین و بررسی‌های انجام شده در این مطالعه توسعه داده شده است.

در معادله ۱، شاخص اولویت نیروگاه‌های بادی، درصد پتانسیل انرژی باد، درصد مصرف انرژی ام شهر، درصد توان بادی نصب شده ام شهر، درصد ضریب هزینه زمین ام شهر، تعداد استان‌ها، و ، … وزن هر متغیر هستند. طبق فرمول این شاخص، در حالی که مصرف انرژی بالاتر و پتانسیل باد، شاخص نیاز را افزایش می‌دهد، ظرفیت نصب شده موجود آن را کاهش می‌دهد. علاوه بر این، افزایش قیمت زمین نیز شاخص PI را کاهش می‌دهد. ظرفیت بالای نصب‌شده در یک منطقه، بر ترجیحات سرمایه‌گذاران تأثیر منفی می‌گذارد، زیرا ممکن است باعث شود منطقه از مشوق‌های دولتی در زمینه تولید انرژی بادی مستثنی شود. به عنوان مثال، چاناکاله جزو ۲۰ منطقه اتصال منتشر شده در مسابقات YEKA (مناطق منابع انرژی تجدیدپذیر) RES-3 که برای دستیابی به اهداف نصب انرژی بادی در ترکیه ^۵۹ برگزار شده است، نیست . این واقعیت که چاناکاله، که بالاترین پتانسیل باد را در نقشه پتانسیل انرژی بادی دارد، به دلیل سطح بالای ظرفیت بادی نصب‌شده در حال حاضر، مستثنی شده است.   

با استفاده از این شاخص پیشنهادی، داده‌های مورد نیاز توسط نرم‌افزار سیستم‌های اطلاعات جغرافیایی پردازش شد و نقشه مناطق دارای اولویت سرمایه‌گذاری نیروگاه بادی در شکل  ۷ به دست آمد. این نقشه با ارزیابی داده‌های مصرف انرژی، داده‌های مزارع بادی نصب‌شده و داده‌های پتانسیل باد، مناطق دارای اولویت سرمایه‌گذاری در مزارع بادی کشور را نشان می‌دهد. ده شهر دارای اولویت در این نقشه و مقادیر شاخص PI این شهرها در جدول  ۴ ارائه شده است .

طبق جدول  ۴ ، بالیکسیر بالاترین اولویت سرمایه‌گذاری در زمینه انرژی بادی را دارد. این رتبه‌بندی با پتانسیل بالای بادی و ظرفیت نصب‌شده موجود آن سازگار است و آن را به منطقه‌ای جذاب برای سرمایه‌گذاران تبدیل می‌کند. چاناکاله با بهره‌گیری از منابع بادی قابل توجه و موقعیت استراتژیک در جایگاه دوم قرار دارد. ازمیر، با رتبه سوم، به دلیل مصرف بالای انرژی، زیرساخت‌های صنعتی قوی و بخش انرژی بادی توسعه‌یافته، برجسته است.

استانبول با وجود اینکه پرجمعیت‌ترین شهر ترکیه است و بیشترین مصرف انرژی را دارد، با شاخص PI برابر با ۳، در فهرست اولویت‌های سرمایه‌گذاری انرژی بادی در رتبه چهارم قرار دارد. این رتبه‌بندی در درجه اول به دلیل پتانسیل بادی نسبتاً پایین‌تر این شهر در مقایسه با سایر مناطق مانند بالیکسیر یا چاناک‌قلعه است. استانبول در مقایسه با سایر شهرهای غنی از منابع، پتانسیل بادی نسبتاً محدودی دارد. با این حال، مصرف قابل توجه انرژی، زیرساخت‌های توسعه‌یافته و پروژه‌های انرژی بادی در حال انجام، آن را به منطقه‌ای جذاب برای سرمایه‌گذاری تبدیل کرده است. نکته قابل توجه این است که ساخت بزرگترین پروژه مزرعه بادی دارای مجوز ترکیه با ظرفیت ۲۱۱ مگاوات در سال ۲۰۲۱، نقش رو به رشد استانبول در بخش انرژی بادی را بیشتر برجسته می‌کند. بنابراین، با وجود پتانسیل بادی پایین‌تر، تقاضای بالای انرژی و زیرساخت‌های فناوری استانبول جذابیت زیادی برای سرمایه‌گذاران دارد و بر جایگاه آن در این رتبه‌بندی تأثیر می‌گذارد.

سامسون، که در رتبه پنجم قرار دارد، به دلیل افزایش تقاضای انرژی و شرایط مناسب زمین، به عنوان یک منطقه اولویت‌دار ظهور کرده است. با وجود موقعیت مکانی آن در منطقه دریای سیاه، جایی که سرمایه‌گذاری در انرژی بادی از نظر تاریخی محدود بوده است، ویژگی‌های جغرافیایی مطلوب سامسون و نیازهای انرژی آن، آن را به گزینه‌ای مناسب برای سرمایه‌گذاری‌های آینده تبدیل می‌کند. در میان مناطق سرمایه‌گذاری متوسط، تکیرداغ، بورسا و مانیسا پتانسیل باد و تقاضای انرژی متوسطی دارند. این شهرها در مقایسه با مکان‌های برتر، ظرفیت‌های نصب‌شده نسبتاً کمتری دارند، اما فعالیت‌های صنعتی رو به رشد و موقعیت‌های استراتژیک آنها، آنها را به عنوان نامزدهای نوظهور برای گسترش انرژی بادی قرار می‌دهد.

موغلا و ایچل (مرسین) با شرایط باد مطلوب و زمین‌های موجود، فرصت‌های جایگزینی را برای سرمایه‌گذاران ارائه می‌دهند. اگرچه مقادیر شاخص اولویت آنها پایین‌تر است، اما این استان‌ها می‌توانند به عنوان مناطق مکمل برای توسعه باد، به ویژه در مناطق ساحلی با پروفیل باد مطلوب، عمل کنند.

با بررسی نقشه مناطق دارای اولویت سرمایه‌گذاری در نیروگاه‌های بادی، بخش غربی ترکیه به عنوان تمرکز اصلی سرمایه‌گذاری در انرژی بادی ظاهر می‌شود که با نقشه پتانسیل باد (شکل  ۳ ) و توزیع برق نصب‌شده (شکل  ۶ ) همسو است. بالیکسیر، چاناک‌قلعه و ازمیر به وضوح به عنوان سه مقصد برتر سرمایه‌گذاری شناخته می‌شوند، در حالی که سامسون به عنوان امیدوارکننده‌ترین مکان در منطقه دریای سیاه شناخته می‌شود. با این حال، بخش‌های شرقی ترکیه، عمدتاً به دلیل پتانسیل باد کمتر و محدودیت‌های زیرساختی، برای سرمایه‌گذاری در مزارع بادی کمتر مناسب به نظر می‌رسند. رتبه‌بندی ازمیر بیشتر توسط یافته‌های آژانس توسعه ازمیر (IZKA) پشتیبانی می‌شود که نشان می‌دهد این شهر پتانسیل قابل توجهی برای توسعه انرژی بادی دارد. طبق آخرین گزارش IZKA ^{، ازمیر دارای} یک صنعت بادی تثبیت‌شده و خوشه‌ای است که می‌تواند رشد مداوم را تقویت کند و سرمایه‌گذاران را قادر سازد از فرصت‌های نوظهور در این بخش بهره‌مند شوند.

اگرچه بالیکسیر و چاناک‌قلعه از پتانسیل باد بالاتری برخوردارند، اما سطح مصرف انرژی آنها به اندازه برخی دیگر از شهرهای بزرگ مانند استانبول بالا نیست. این موضوع توضیح می‌دهد که چرا استانبول و سامسون اولویت سرمایه‌گذاری بالاتری نسبت به برخی دیگر از شهرهای دارای پتانسیل باد قوی‌تر نشان می‌دهند. علاوه بر این، ظرفیت نصب‌شده موجود در بالیکسیر و چاناک‌قلعه منجر به همگرایی در ارزش‌های اولویت سرمایه‌گذاری آنها با استانبول و ازمیر شده است.

با توجه به تحقیقات محدود قبلی در مورد اولویت‌های سرمایه‌گذاری انرژی بادی ترکیه، مقایسه‌های مستقیم همچنان چالش‌برانگیز است. با این حال، سازگاری این نتایج با ادبیات موجود، روندهای سرمایه‌گذاری و سیاست‌های انرژی ملی، اعتبار شاخص پیشنهادی را تقویت می‌کند. این یافته‌ها مبنای تحلیلی قوی برای سیاست‌گذاران و سرمایه‌گذارانی که قصد بهینه‌سازی استراتژی گسترش انرژی بادی ترکیه را دارند، فراهم می‌کند.

در مقایسه با مطالعات قبلی برنامه‌ریزی انرژی بادی مبتنی بر GIS که عمدتاً بر تکنیک‌های MCDM مرسوم مانند AHP، TOPSIS یا منطق فازی متکی هستند، رویکرد ما چارچوبی جامع‌تر و مقاوم‌تر در برابر عدم قطعیت ارائه می‌دهد. ادغام SVNS مدل را قادر می‌سازد تا ابهامات مرتبه بالاتر را در ارزیابی‌های کارشناسی مدیریت کند، در حالی که روش VIKOR یک راه‌حل مصالحه متعادل بین معیارهای متناقض را تضمین می‌کند. این مدل ترکیبی با پیاده‌سازی مکانی آن در GIS، که امکان ایجاد یک شاخص صریح مکانی برای اولویت‌بندی سرمایه‌گذاری را فراهم می‌کند، بیشتر تقویت می‌شود. به این ترتیب، چارچوب پیشنهادی نه تنها شکاف روش‌شناختی در ادبیات را پر می‌کند، بلکه ابزاری قابل تکرار برای برنامه‌ریزی انرژی بادی در مقیاس ملی تحت عدم قطعیت نیز فراهم می‌کند.

در ترکیه، سازوکار حمایت از منابع انرژی تجدیدپذیر (RERSM) در ۸ ژانویه ۲۰۱۱ به اجرا درآمد و مشوق‌هایی را برای منابع انرژی تجدیدپذیر بر اساس نوع انرژی و محل ارائه داد. این چارچوب توسط هیئت تنظیم مقررات بازار انرژی (EMRB) به تفصیل شرح داده شده است و از زمان اجرای آن، تعداد شرکت‌کنندگان در RERSM و ظرفیت نصب‌شده در سال‌های اخیر به طور قابل توجهی افزایش یافته است. RERSM تعرفه تضمین‌شده ۷.۳ سنت دلار آمریکا به ازای هر کیلووات ساعت را برای برق تولید شده از نیروگاه‌های بادی تضمین می‌کند. در مواردی که تجهیزاتی مانند پره‌ها، ژنراتورها و برج‌های توربین در داخل کشور تولید می‌شوند، این حمایت به ۱۱ سنت دلار آمریکا به ازای هر کیلووات ساعت افزایش ^{می‌یابد} . در سال ۲۰۲۱، سرمایه‌گذاران انرژی‌های تجدیدپذیر در ترکیه سرمایه‌گذاری‌های قابل توجهی، بالغ بر تقریباً ۴۹۰۰ مگاوات، برای بهره‌مندی از RERSM مبتنی بر ارز خارجی که تاریخ انقضای آن ۳۱ دسامبر ۲۰۲۰ بود، انجام دادند. به دلیل اختلالات در زنجیره تأمین ناشی از بیماری همه‌گیر کووید-۱۹، این دوره تا ۳۰ ژوئن ۲۰۲۱ تمدید شد. تا پنج ماه اول سال ۲۰۲۱، سرمایه‌گذاران تقریباً ۱۸۰۰ مگاوات سرمایه‌گذاری کرده بودند. علاوه بر این، وزارت انرژی و منابع طبیعی، مزایده‌های YEKA را معرفی کرد که به عنوان یک مکانیسم سیاست‌گذاری مبتنی بر بازار عمل می‌کند. استراتژی YEKA که از سال ۲۰۰۵ و ۲۰۱۱ مورد استفاده قرار گرفته است، شامل یک مکانیسم تضمین تعرفه و یک مدل مزایده پیش از صدور مجوز است. از دسامبر ۲۰۲۱، درخواست‌هایی برای مسابقات YEKA RES-3 ارائه شده بود. با مدل مزایده YEKA، ترکیه پیشرفت قابل توجهی در توسعه ظرفیت تولید محلی، انتشار فناوری‌های مرتبط و ایجاد یک بازار داخلی رقابتی برای انرژی‌های تجدیدپذیر کم‌هزینه داشته است.

این سیاست‌های ملی ^{۶۳ و ۶۴} به طور قابل توجهی به رشد انرژی بادی کمک کرده‌اند، با این حال، تحلیل مبتنی بر شاخص اولویت، نیاز به اجرای متوازن‌تر منطقه‌ای را نشان می‌دهد. از سال ۲۰۲۳، منابع انرژی تجدیدپذیر ۵۵.۵۳٪ از کل ظرفیت نصب‌شده ترکیه را تشکیل می‌دادند و انرژی بادی ۱۰.۴۳٪ از کل تولید برق کشور را به خود اختصاص می‌داد. با این حال، نقشه اولویت سرمایه‌گذاری، نیاز به تعدیل سیاست‌های هدفمند برای تضمین توسعه متوازن انرژی بادی در مناطق مختلف را نشان می‌دهد. جدول  ۴ نشان می‌دهد که بالیکسیر، چاناک‌قلعه و ازمیر به دلیل پتانسیل بالای باد، مصرف انرژی و زیرساخت‌های موجود، همچنان در سرمایه‌گذاری انرژی بادی پیشرو هستند. با این حال، مقادیر شاخص اولویت (PI) برای مناطقی مانند ایچل (مرسین) و سامسون نشان می‌دهد که پتانسیل قابل توجهی در این مناطق وجود دارد که می‌تواند با مشوق‌های متمرکز آزاد شود. این اختلاف، اهمیت استراتژی‌های منطقه‌ای را برای بهینه‌سازی توزیع پروژه‌های انرژی بادی و کاهش تلفات انتقال، که به ویژه در ساختار شبکه فعلی ترکیه زیاد است، برجسته می‌کند.

نتایج شاخص اولویت (PI) ارائه شده در بخش ۴٫۲ به عنوان یک ورودی حیاتی برای شکل‌دهی به سیاست‌های انرژی بادی منطقه‌ای عمل می‌کند. به عنوان مثال، سامسون، ایچل (مرسین) و تکیرداغ – که در بین ۱۰ شهر برتر در شاخص PI قرار دارند – به دلیل شرایط مطلوب باد، تقاضای انرژی و اشباع نسبتاً کمتر زیرساخت‌های بادی موجود، پتانسیل سرمایه‌گذاری بالایی را نشان می‌دهند. با این حال، این مناطق در مزایده‌های اخیر YEKA (منطقه منابع انرژی تجدیدپذیر) در اولویت قرار نگرفته‌اند که نشان‌دهنده عدم هماهنگی بین پتانسیل فنی و تمرکز سیاستی است.

توصیه‌هایی برای سیاست‌گذاران:

• مشوق‌های موجود باید مورد بازنگری قرار گیرند تا سرمایه‌گذاری در مناطق با بهره‌وری متوسط ​​مانند سامسون، ایچل و تکیرداغ تشویق شود و به عدم تعادل منطقه‌ای در تأسیسات انرژی بادی رسیدگی شود.
• مزایده‌های آینده YEKA باید این مناطق کم‌استفاده را در اولویت قرار دهند تا توزیع متعادل‌تری از ظرفیت انرژی بادی ایجاد شود و بهره‌وری شبکه بهبود یابد. تخصیص پروژه‌ها در این مناطق همچنین می‌تواند اقتصادهای محلی را تحریک کرده و فواصل انتقال انرژی را کاهش دهد.
• سرمایه‌گذاری در زیرساخت‌های شبکه و فناوری‌های ذخیره‌سازی، به ویژه در مناطق با PI متوسط، برای پشتیبانی از افزایش ادغام انرژی بادی و تضمین پایداری شبکه ضروری است.
• گسترش مشوق‌های تولید داخلی، همانطور که در حال حاضر تحت YEKA اعمال می‌شود، نه تنها از بخش انرژی بادی حمایت می‌کند، بلکه پیشرفت‌های تکنولوژیکی و اشتغال در صنعت انرژی‌های تجدیدپذیر را نیز تقویت می‌کند.
• نیازهای انرژی منطقه‌ای باید در اهداف ملی انرژی‌های تجدیدپذیر گنجانده شود. به عنوان مثال، هماهنگ کردن تقاضای انرژی منطقه‌ای با پتانسیل باد موجود می‌تواند قابلیت اطمینان و کارایی سیستم را افزایش دهد.

این اقدامات استراتژیک، که با اهداف طرح ملی انرژی ترکیه برای سال ۲۰۳۰ و پس از آن همسو هستند، رشد پایدار بخش انرژی بادی را تضمین می‌کنند و در عین حال به نابرابری‌های منطقه‌ای می‌پردازند و از گذار کشور به اقتصاد کم کربن حمایت می‌کنند.

از سوی دیگر، هیچ استراتژی منطقه‌ای برای توزیع متوازن مزارع بادی در کشور وجود ندارد. سرمایه‌گذاران با قانون مناطق صنعتی تخصصی انرژی (ESIZ) که در سال ۲۰۱۸ در ترکیه اجرا شد، تشویق می‌شوند ^. اطلاعیه اخیر در مورد مزایده‌های انرژی خورشیدی YEKA GES-2024 ^۶۶ به خوبی با یافته‌های این مطالعه مطابقت دارد، که بر اهمیت تعدیل سیاست‌های هدفمند برای متعادل کردن توزیع انرژی تجدیدپذیر در مناطق ترکیه تأکید می‌کند. همانطور که این مطالعه تمرکز بر مناطق با PI متوسط ​​را برای سرمایه‌گذاری در انرژی بادی توصیه می‌کند، مزایده‌های YEKA نیز تلاش مشابهی را برای تشویق توسعه انرژی تجدیدپذیر در مناطق کم‌استفاده نشان می‌دهد.

شش مزایده انرژی خورشیدی پیش رو، که در استان‌های مختلف از جمله آنتالیا، کارامان، مالاتیا، وان، کوتاهیه و قونیه برگزار می‌شوند، به گونه‌ای طراحی شده‌اند که ظرفیت قابل توجهی را به مناطقی اختصاص دهند که به طور سنتی به دلیل پتانسیل خورشیدی خود شناخته شده نیستند. این امر با توصیه مطالعه برای بازنگری مکانیسم‌های تشویقی موجود و توزیع مساوی‌تر پروژه‌های انرژی تجدیدپذیر در سراسر کشور همسو است. ترکیه با اولویت دادن به مناطقی مانند سامسون، ایچل و تکیرداغ برای انرژی بادی و به طور مشابه تمرکز بر مناطق متنوع برای سرمایه‌گذاری‌های خورشیدی، می‌تواند به یک ترکیب انرژی متعادل‌تر و کارآمدتر دست یابد.

علاوه بر این، تلاش‌های دولت برای اجرای قراردادهای بلندمدت و ارائه ضمانت‌های خرید برای انرژی خورشیدی با توصیه‌های سیاستی گسترده‌تر در این مطالعه، به ویژه نیاز به توسعه زیرساخت‌ها و افزایش الزامات محتوای محلی، همسو است. با ادغام چنین ابتکاراتی در بخش‌های انرژی بادی و خورشیدی، ترکیه می‌تواند ظرفیت انرژی تجدیدپذیر خود را تقویت کرده و نابرابری‌های منطقه‌ای در توزیع انرژی را کاهش دهد و به چالش‌های موجود در بهره‌وری شبکه و انتقال انرژی رسیدگی کند.

برای پرداختن به این موضوع، توصیه می‌کنیم که مناقصه‌های آینده YEKA به صراحت اولویت‌بندی منطقه‌ای مبتنی بر PI را در بر بگیرند تا تخصیص متعادل‌تر و داده‌محورتر سرمایه‌گذاری‌های انرژی بادی تضمین شود. به عنوان مثال، سامسون، با تقاضای رو به رشد انرژی و پتانسیل بادی کم استفاده شده خود، می‌تواند از مشوق‌های هدفمند مانند ارتقاء زیرساخت‌های شبکه و تعرفه‌های تأمین برق محلی بهره‌مند شود. به طور مشابه، ایچل و تکیرداغ می‌توانند در مسابقات آتی YEKA RES گنجانده شوند تا توسعه منطقه‌ای را متنوع کرده و تلفات انتقال از مناطق غربی بیش از حد متمرکز را کاهش دهند.

با همسو کردن مکانیسم‌های تشویقی ملی با نتایج شاخص PI، سیاست‌گذاران می‌توانند بهره‌وری، عدالت و پایداری بلندمدت توسعه انرژی بادی ترکیه را بهبود بخشند.

این مطالعه فراتر از اهمیت مدیریتی خود، سهم نظری و تحلیلی ملموسی در حوزه علم تصمیم‌گیری و برنامه‌ریزی فضایی انرژی ارائه می‌دهد. از لحاظ نظری، با اعمال مجموعه‌های تک‌مقداری نوتروسوفیک (SVNS) در یک چارچوب چندمعیاره مبتنی بر GIS با صراحت مکانی، دامنه منطق نوتروسوفیک را گسترش می‌دهد – رویکردی که در زمینه سرمایه‌گذاری انرژی تجدیدپذیر در مقیاس ملی هنوز مورد بررسی قرار نگرفته است. این ادغام امکان نمایش دقیق‌تر عدم قطعیت کارشناسی را در مقایسه با مدل‌های فازی یا احتمالی مرسوم فراهم می‌کند. از لحاظ تحلیلی، این مدل، وزن‌دهی کارشناسی مبتنی بر SVNS را با روش VIKOR ترکیب می‌کند تا به یک راه‌حل سازشی ساختاریافته بین معیارهای متناقض و غیردقیق متعدد دست یابد. این مکانیسم ترکیبی، شفافیت، ثبات و سازگاری فرآیند اولویت‌بندی را بهبود می‌بخشد، به‌ویژه هنگامی که بر روی مجموعه داده‌های منطقه‌ای ناهمگن اعمال می‌شود. پیاده‌سازی فضایی شاخص اولویت (PI) در یک محیط GIS، ارزش عملیاتی آن را بیشتر افزایش می‌دهد و امکان توسعه سیاست هدفمند جغرافیایی را فراهم می‌کند. به این ترتیب، چارچوب ارائه شده در اینجا نه تنها از انتخاب سایت پشتیبانی می‌کند، بلکه دقت روش‌شناختی را در تصمیم‌گیری مکانی مبتنی بر عدم قطعیت نیز ارتقا می‌دهد – و بدین ترتیب شکاف شناخته شده‌ای را در ادبیات MCDM نوتروسوفیک و تحقیقات برنامه‌ریزی انرژی تجدیدپذیر پر می‌کند.

در راستای اهداف انرژی تجدیدپذیر ترکیه، این مطالعه یک چارچوب تصمیم‌گیری جامع ایجاد کرد که منطق نوتروسوفیک، روش VIKOR و تحلیل مکانی مبتنی بر GIS را برای اولویت‌بندی مناطق سرمایه‌گذاری انرژی بادی ادغام می‌کند. شاخص اولویت پیشنهادی (PI) ابزاری قابل تکرار و مقیاس‌پذیر برای هدایت سیاست‌گذاران و سرمایه‌گذاران در شناسایی استان‌های بهینه برای توسعه انرژی بادی ارائه می‌دهد.

یافته‌ها، بالیکسیر، چاناک‌قلعه و ازمیر را به عنوان سه منطقه برتر با اولویت سرمایه‌گذاری به دلیل پتانسیل بالای باد و زیرساخت‌های موجود برجسته می‌کند. استانبول و سامسون نیز با وجود پتانسیل متوسط ​​باد، عمدتاً به دلیل مصرف بالای انرژی و موقعیت استراتژیک شبکه، به عنوان مناطق قابل توجهی ظاهر می‌شوند. این نتایج بر لزوم ایجاد تعادل بین دسترسی به منابع باد با تقاضای منطقه‌ای و ملاحظات بهره‌وری شبکه تأکید می‌کند.

این مطالعه با ترکیب وزن‌دهی کارشناسی مبتنی بر SVNS با VIKOR برای رتبه‌بندی توافقی، ارزش تحلیلی و با گسترش مدل‌های تصمیم‌گیری نوتروسوفیک به برنامه‌های کاربردی GIS در مقیاس ملی، ارزش نظری ارائه می‌دهد. در عمل، اولویت‌بندی مبتنی بر PI بینش‌های عملی برای بهبود هدف‌گذاری منطقه‌ای در سیاست‌های ملی مانند YEKA و RERSM ارائه می‌دهد. ارتباط سیاستی با شناسایی مناطق کم‌استفاده اما با پتانسیل بالا مانند سامسون، ایچل و تکیرداغ بیشتر پشتیبانی می‌شود.

«نامگذاری واحدهای سرزمینی برای آمار» (NUTS) یک سیستم طبقه‌بندی سلسله مراتبی است که توسط یوروستات برای استانداردسازی تقسیمات منطقه‌ای برای اهداف آماری و برنامه‌ریزی در سراسر اروپا توسعه داده شده است. یکی از محدودیت‌های اصلی این مطالعه، استفاده از تفکیک‌پذیری NUTS-3 (سطح استانی) است که ممکن است تغییرپذیری زیرمنطقه‌ای در پتانسیل باد و هزینه‌های زمین را مبهم کند. علاوه بر این، اگرچه شاخص عملکرد (PI) به صورت جغرافیایی نقشه‌برداری شد، اما نزدیکی مکانی بین استان‌ها در فرآیند مدل‌سازی لحاظ نشد. در نتیجه، تکنیک‌های خودهمبستگی مکانی (مثلاً Moran’s I) قابل اجرا نبودند. مطالعات آینده می‌توانند با استفاده از واحدهای مکانی دقیق‌تر (مثلاً NUTS-4 یا داده‌های سطح قطعه زمین) و گنجاندن اثرات متقابل مکانی برای بهبود جزئیات و دقت، این محدودیت‌ها را برطرف کنند.

در نتیجه، این مطالعه یک چارچوب اولویت‌بندی قوی و مقاوم در برابر عدم قطعیت برای برنامه‌ریزی انرژی‌های تجدیدپذیر ارائه می‌دهد و زمینه را برای استراتژی‌های انرژی مبتنی بر داده و منطقه‌ای در ترکیه و بازارهای انرژی در حال توسعه مشابه فراهم می‌کند. تحقیقات آینده می‌تواند با ادغام شبیه‌سازی‌های پویای سیاست، تجزیه و تحلیل‌های امکان‌سنجی اقتصادی و لایه‌های تأثیر زیست‌محیطی، مدل را بیشتر بهبود بخشد تا از تصمیم‌گیری جامع در بخش انرژی‌های تجدیدپذیر پشتیبانی کند.