Tổng quan nghiên cứu

Trong bối cảnh nhu cầu năng lượng toàn cầu ngày càng tăng, việc sử dụng nguồn nhiên liệu hóa thạch vẫn chiếm tỷ trọng lớn nhưng đang đối mặt với nguy cơ cạn kiệt và tác động tiêu cực đến môi trường. Theo số liệu của Cơ quan Năng lượng Quốc tế (IEA, 2017), tỷ trọng tiêu thụ năng lượng hóa thạch trên thế giới giảm từ 86,7% năm 1973 xuống còn 81,4% năm 2015, tuy nhiên lượng khí thải CO2 vẫn tiếp tục tăng, gây ra hiệu ứng nhà kính nghiêm trọng. Năng lượng tái tạo (RE) như năng lượng mặt trời, gió, địa nhiệt, sinh khối, thủy điện và đại dương được xem là giải pháp bền vững, thân thiện với môi trường và có tiềm năng thay thế nhiên liệu hóa thạch.

Tuy nhiên, việc lựa chọn nguồn năng lượng tái tạo phù hợp vẫn còn nhiều thách thức do ảnh hưởng đa chiều về kinh tế, môi trường và xã hội. Mục tiêu nghiên cứu của luận văn là phát triển một phương pháp ra quyết định đa tiêu chí (MCDM) dựa trên mô hình đồ họa Bayes tĩnh (SBM) và động (DBM) kết hợp với thuật toán Monte Carlo (MCS) và Markov Chain Monte Carlo (MCMC) để đánh giá, xếp hạng và lựa chọn chương trình năng lượng tái tạo tối ưu trong công trình xây dựng. Nghiên cứu tập trung phân tích dữ liệu từ năm 2009 đến 2017, nhằm cung cấp công cụ hỗ trợ quyết định hiệu quả cho các nhà quản lý và nhà đầu tư trong lĩnh vực năng lượng tái tạo tại Việt Nam và quốc tế.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên hai mô hình chính của lý thuyết Bayes:

  • Mô hình Bayes tĩnh (SBM): Mô hình này sử dụng cấu trúc đồ họa Bayes để mô hình hóa các mối quan hệ giữa các biến trong một thời điểm cố định, cho phép xử lý sự không chắc chắn và đánh giá xác suất các phương án lựa chọn dựa trên dữ liệu quan sát.

  • Mô hình Bayes động (DBM): Mở rộng từ SBM, DBM mô hình hóa sự biến đổi của các biến theo thời gian, kết hợp với thuật toán Markov Chain Monte Carlo (MCMC) để mô phỏng và đánh giá các bảng xếp hạng nguồn năng lượng tái tạo qua các năm.

Các khái niệm chính bao gồm:

  • Multi-Criteria Decision Making (MCDM): Phương pháp ra quyết định đa tiêu chí, xử lý các tiêu chí định lượng và định tính để lựa chọn phương án tối ưu.

  • Sustainability Indicators (SIs): Các chỉ số bền vững đánh giá tác động môi trường, kinh tế và xã hội của các nguồn năng lượng tái tạo.

  • Thuật toán Monte Carlo (MCS): Phương pháp mô phỏng xác suất để đánh giá các kịch bản và rủi ro trong quá trình ra quyết định.

  • Markov Chain Monte Carlo (MCMC): Thuật toán mô phỏng chuỗi Markov nhằm ước lượng phân phối xác suất phức tạp trong mô hình Bayes động.

Phương pháp nghiên cứu

Nguồn dữ liệu chính được thu thập từ khảo sát chuyên gia về các chỉ số bền vững (SIs) của các nguồn năng lượng tái tạo trong giai đoạn 2009-2017, cùng với dữ liệu tiêu thụ năng lượng và báo cáo phát triển năng lượng tái tạo trong công trình xây dựng.

Phương pháp phân tích gồm:

  • Xây dựng mô hình SBM kết hợp MCS để đánh giá và xếp hạng các nguồn năng lượng tái tạo trong năm 2017.

  • Áp dụng mô hình DBM kết hợp MCMC để mô phỏng và đánh giá sự biến thiên bảng xếp hạng nguồn năng lượng tái tạo theo thời gian từ 2009 đến 2017.

Cỡ mẫu khảo sát gồm các chuyên gia trong lĩnh vực năng lượng và xây dựng, được lựa chọn theo phương pháp chọn mẫu thuận tiện và chuyên gia nhằm đảm bảo tính đại diện và độ tin cậy của dữ liệu. Quá trình nghiên cứu được thực hiện trong khoảng thời gian từ tháng 8/2018 đến tháng 12/2018.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

  1. Xếp hạng nguồn năng lượng tái tạo năm 2017 theo mô hình SBM-MCS: Kết quả cho thấy năng lượng mặt trời (PV) và năng lượng gió đứng đầu bảng xếp hạng với tỷ lệ ưu tiên lần lượt khoảng 35% và 30%, trong khi năng lượng đại dương và sinh khối có tỷ lệ thấp hơn, dưới 10%.

  2. Biến thiên bảng xếp hạng nguồn năng lượng tái tạo giai đoạn 2009-2017 theo mô hình DBM-MCMC: Mô hình cho thấy sự thay đổi vị trí xếp hạng của các nguồn năng lượng theo thời gian, trong đó năng lượng gió tăng trưởng ổn định với mức tăng trung bình 5% mỗi năm, năng lượng địa nhiệt giữ vị trí ổn định, còn năng lượng thủy điện có xu hướng giảm nhẹ do hạn chế về môi trường.

  3. Đánh giá tác động đa chiều của các nguồn năng lượng tái tạo: Các chỉ số bền vững (SIs) được phân tích cho thấy năng lượng mặt trời và gió có tác động tích cực về môi trường và xã hội, trong khi năng lượng sinh khối và đại dương cần được cải thiện về mặt kinh tế và kỹ thuật để tăng tính bền vững.

  4. So sánh với các phương pháp truyền thống: Mô hình Bayesian kết hợp Monte Carlo cho phép xử lý tốt sự không chắc chắn và đa chiều trong dữ liệu, nâng cao độ tin cậy của quyết định so với các phương pháp MCDM truyền thống như AHP hay TOPSIS.

Thảo luận kết quả

Nguyên nhân của sự ưu tiên năng lượng mặt trời và gió là do tính sẵn có, chi phí đầu tư giảm và tác động môi trường thấp. Sự biến động trong bảng xếp hạng theo thời gian phản ánh sự phát triển công nghệ và chính sách hỗ trợ năng lượng tái tạo. Kết quả phù hợp với các nghiên cứu quốc tế về xu hướng phát triển năng lượng tái tạo.

Việc sử dụng mô hình Bayesian tĩnh và động kết hợp thuật toán Monte Carlo và MCMC giúp mô phỏng chính xác hơn các kịch bản và rủi ro, đồng thời cung cấp công cụ hỗ trợ quyết định đa tiêu chí hiệu quả cho các nhà quản lý xây dựng và hoạch định chính sách năng lượng.

Dữ liệu có thể được trình bày qua các biểu đồ biến thiên vị trí xếp hạng theo năm, bảng tổng hợp tỷ lệ ưu tiên các nguồn năng lượng và biểu đồ so sánh tác động bền vững của từng nguồn.

Đề xuất và khuyến nghị

  1. Áp dụng mô hình Bayesian kết hợp Monte Carlo trong ra quyết định năng lượng tái tạo: Khuyến nghị các cơ quan quản lý và nhà đầu tư sử dụng mô hình SBMMCS và DBMMCMC để đánh giá và lựa chọn nguồn năng lượng phù hợp, nhằm tối ưu hóa hiệu quả kinh tế, môi trường và xã hội trong vòng 1-2 năm tới.

  2. Tăng cường đầu tư phát triển công nghệ năng lượng mặt trời và gió: Động viên các dự án nghiên cứu và ứng dụng công nghệ mới nhằm giảm chi phí và nâng cao hiệu suất, hướng tới mục tiêu tăng tỷ trọng năng lượng tái tạo lên trên 30% trong tổng nguồn năng lượng sử dụng trong 5 năm tới.

  3. Xây dựng hệ thống thu thập và cập nhật dữ liệu chuyên gia định kỳ: Thiết lập cơ chế khảo sát và cập nhật các chỉ số bền vững (SIs) hàng năm để mô hình DBM-MCMC có dữ liệu chính xác, phục vụ cho việc ra quyết định năng lượng tái tạo liên tục và kịp thời.

  4. Đào tạo và nâng cao năng lực cho các nhà quản lý xây dựng và hoạch định chính sách: Tổ chức các khóa đào tạo về phương pháp ra quyết định đa tiêu chí và ứng dụng mô hình Bayesian, giúp nâng cao khả năng phân tích và lựa chọn các chương trình năng lượng tái tạo tối ưu trong công trình xây dựng.

Đối tượng nên tham khảo luận văn

  1. Nhà quản lý và hoạch định chính sách năng lượng: Luận văn cung cấp công cụ hỗ trợ ra quyết định đa tiêu chí, giúp lựa chọn nguồn năng lượng tái tạo phù hợp với mục tiêu phát triển bền vững quốc gia.

  2. Các nhà đầu tư và doanh nghiệp trong lĩnh vực năng lượng tái tạo: Tham khảo để đánh giá hiệu quả và rủi ro của các dự án năng lượng tái tạo, từ đó đưa ra quyết định đầu tư chính xác và tối ưu.

  3. Chuyên gia và nhà nghiên cứu về quản lý xây dựng và năng lượng: Cung cấp phương pháp luận và mô hình phân tích tiên tiến, hỗ trợ nghiên cứu và phát triển các giải pháp năng lượng bền vững.

  4. Sinh viên và học viên cao học ngành quản lý xây dựng, kỹ thuật năng lượng: Tài liệu tham khảo quý giá về ứng dụng mô hình Bayesian và thuật toán Monte Carlo trong lĩnh vực năng lượng tái tạo và quản lý xây dựng.

Câu hỏi thường gặp

  1. Mô hình Bayesian tĩnh và động khác nhau như thế nào?
    Mô hình Bayesian tĩnh (SBM) đánh giá dữ liệu tại một thời điểm cố định, trong khi mô hình Bayesian động (DBM) mô phỏng sự biến đổi của dữ liệu theo thời gian, giúp phân tích xu hướng và biến thiên trong dài hạn.

  2. Tại sao kết hợp Monte Carlo và Markov Chain Monte Carlo lại quan trọng?
    Thuật toán Monte Carlo giúp mô phỏng các kịch bản xác suất, còn MCMC cho phép ước lượng phân phối phức tạp trong mô hình động, từ đó xử lý tốt sự không chắc chắn và đa chiều trong dữ liệu.

  3. Các chỉ số bền vững (SIs) được xác định như thế nào?
    SIs bao gồm các chỉ số về tác động môi trường (phát thải khí nhà kính), kinh tế (chi phí đầu tư, hiệu quả kinh tế) và xã hội (tạo việc làm, ảnh hưởng sức khỏe), được khảo sát và đánh giá bởi các chuyên gia trong lĩnh vực.

  4. Phương pháp này có thể áp dụng cho các khu vực khác ngoài Việt Nam không?
    Có thể áp dụng rộng rãi với điều chỉnh phù hợp theo đặc điểm địa lý, kinh tế và xã hội của từng khu vực, nhờ tính linh hoạt và khả năng xử lý dữ liệu không chắc chắn của mô hình Bayesian.

  5. Làm thế nào để cập nhật mô hình khi có dữ liệu mới?
    Mô hình DBM kết hợp MCMC cho phép cập nhật liên tục dữ liệu theo thời gian, giúp mô phỏng và đánh giá bảng xếp hạng nguồn năng lượng tái tạo mới nhất, hỗ trợ ra quyết định kịp thời và chính xác.

Kết luận

  • Luận văn đã phát triển thành công mô hình Bayesian tĩnh (SBM) kết hợp Monte Carlo (MCS) và mô hình Bayesian động (DBM) kết hợp Markov Chain Monte Carlo (MCMC) để lựa chọn chương trình năng lượng tái tạo tối ưu trong công trình xây dựng.

  • Mô hình cho phép đánh giá đa tiêu chí, bao gồm các khía cạnh môi trường, kinh tế và xã hội, xử lý hiệu quả sự không chắc chắn trong dữ liệu chuyên gia.

  • Kết quả nghiên cứu cung cấp bảng xếp hạng nguồn năng lượng tái tạo năm 2017 và biến thiên theo thời gian từ 2009 đến 2017, hỗ trợ quyết định tối ưu cho các nhà quản lý và nhà đầu tư.

  • Phương pháp luận và công cụ hỗ trợ quyết định được đề xuất có thể áp dụng rộng rãi trong lĩnh vực năng lượng tái tạo và các lĩnh vực quản lý xây dựng khác.

  • Đề xuất các bước tiếp theo bao gồm mở rộng khảo sát chuyên gia, cập nhật dữ liệu định kỳ và đào tạo nâng cao năng lực cho các bên liên quan nhằm thúc đẩy phát triển năng lượng tái tạo bền vững.

Hành động ngay hôm nay: Các nhà quản lý và nhà đầu tư nên áp dụng mô hình này để tối ưu hóa lựa chọn nguồn năng lượng tái tạo, góp phần phát triển bền vững và bảo vệ môi trường cho tương lai.