Modeling and Scenario Analysis of Renewable Energy Resources Evaluation Factors Using Fuzzy PIPRECIA-Cognitive Mapping Method

Öz

The capacity to produce renewable energy has grown significantly in recent years, mostly due to rising energy demands from developing nations. The aim of this study is to present a method that will analytically and dynamically examine the elements that should be considered when making renewable energy investment planning. This study uses a novel methodology that combines fuzzy PIPRECIA and cognitive mapping methodologies to investigate the factors influencing renewable energy investment planning. To identify the factors, a literature research and expert consultations were conducted. Fourteen factors are determined and grouped under the economic, technical, social, environmental, and legal domains. To evaluate these factors and their relationships, the study suggests a hierarchical evaluation methodology. According to the results, economic issues are the most important, followed by technical ones, while social, environmental, and legal aspects are less important. The incentives and supports are found as the most important factor. Furthermore, the examination of several scenarios shows how changes in these variables can have a dynamic impact on the results of investments made in the renewable energy industry. By filling in the gaps in the literature on renewable energy investment planning, this study adds to the body of knowledge and offers useful advice to scholars, managers, and policymakers. It is anticipated that the study's findings would direct future investigations and promote better decision-making in the renewable energy sector.

Anahtar Kelimeler

• Cognitive Mapping
• Fuzzy Logic
• PIPRECIA
• Scenario Analysis
• Renewable Energy

Yenilenebilir Enerji Kaynakları Değerlendirme Faktörlerinin Bulanık PIPRECIA-Bilişsel Haritalama Yöntemiyle Modellenmesi ve Senaryo Analizi

Öz

Son yıllarda, yenilenebilir enerji üretme kapasitesi, çoğunlukla gelişmekte olan ülkelerden gelen artan enerji talepleri nedeniyle önemli ölçüde artmıştır. Bu çalışmanın amacı, yenilenebilir enerji yatırım planlaması yaparken dikkate alınması gereken unsurları analitik ve dinamik olarak inceleyecek bir yöntem sunmaktır. Bu çalışma, yenilenebilir enerji yatırım planlamasını etkileyen faktörleri araştırmak için bulanık PIPRECIA ve bilişsel haritalama metodolojilerini birleştiren yeni bir metodoloji kullanmaktadır. Faktörleri belirlemek için literatür araştırmasından, endüstri raporlarından ve uzman görüşlerinden faydalanılmıştır. On dört faktör belirlenmiş ve belirlenen bu faktörler ekonomik, teknik, sosyal, çevresel ve yasal olmak üzere beş ana boyut altında gruplandırılmıştır. Bu faktörleri ve ilişkilerini değerlendirmek için çalışma, hiyerarşik bir değerlendirme metodolojisi önermektedir. Sonuçlara göre, ekonomik faktörler en önemlisidir, bunu teknik faktörler takip ederken, sosyal, çevresel ve yasal faktörler daha az önemlidir. Teşvikler ve destekler en önemli faktör olarak bulunmuştur. Ayrıca, çeşitli senaryoların incelenmesi, bu değişkenlerdeki değişikliklerin yenilenebilir enerji sektöründe yapılan yatırımların sonuçları üzerinde nasıl dinamik bir etkiye sahip olabileceğini göstermektedir. Bu çalışmada yenilenebilir enerji yatırım planlamasına ilişkin bilimsel yazındaki boşluklar doldurulmuştur. Öte yandan bu çalışma akademisyenlere, yöneticilere ve politikacılara faydalı tavsiyeler sunmaktadır. Çalışmanın bulgularının gelecekteki araştırmaları yönlendireceği ve yenilenebilir enerji sektöründe daha iyi kararlar almayı teşvik edeceği ön görülmektedir.

Anahtar Kelimeler

• Bulanık Mantık
• Bilişsel Haritalama
• PIPRECIA
• Senaryo Analizi
• Yenilenebilir Enerji

Kaynakça

1. International Energy Agency (IEA). Global Energy Review 2025. 2025. Available from: www.iea.org.
2. Kosko B. Fuzzy cognitive maps. Int J Man Mach Stud 1986;24(1):65-75.
3. Kosko B, Burgess JC. Neural networks and fuzzy systems. Acoustical Society of America; 1998.
4. Stević Ž, Stjepanović Ž, Božičković Z, Das DK, Stanujkić D. Assessment of conditions for implementing information technology in a warehouse system: A novel fuzzy PIPRECIA method. Symmetry (Basel) 2018;10(11). doi:10.3390/sym10110586.
5. REN21. Renewables Global Status Report. 2024.
6. TÜİK. Sürdürülebilir Kalkınma Amaçları. Available from: https://sdg.tuik.gov.tr/7-2-1/ [Accessed 1 May 2025].
7. Shen Y, Liu W, Dinçer H, Yüksel S. Hybrid molecular fuzzy recommender systems for impact of climate change on renewable energy performance. Renew Energy 2025;245. doi:10.1016/j.renene.2025.122799.
8. Çoban V, Onar SÇ. Modeling renewable energy usage with hesitant Fuzzy cognitive map. Complex & Intelligent Systems 2017;3(3):155-166. doi:10.1007/s40747-017-0043-y.

9. Kamali Saraji M, Streimikiene D. An analysis of challenges to the low-carbon energy transition toward sustainable energy development using an IFCM-TOPSIS approach: A case study. Journal of Innovation and Knowledge 2024;9(2). doi:10.1016/j.jik.2024.100496.
10. Ilbahar E, Kahraman C, Cebi S. Evaluation of sustainable energy planning scenarios with a new approach based on FCM, WASPAS and impact effort matrix. Environ Dev Sustain 2023;25(10):11931-11955. doi:10.1007/s10668-022-02560-8.
11. Li S, Wang J, Zhang H, Liang Y. Enhancing hourly electricity forecasting using fuzzy cognitive maps with sample entropy. Energy 2024;298. doi:10.1016/j.energy.2024.131429.
12. Poczeta K, Papageorgiou EI. Energy Use Forecasting with the Use of a Nested Structure Based on Fuzzy Cognitive Maps and Artificial Neural Networks. Energies (Basel) 2022;15(20). doi:10.3390/en15207542.
13. Dolge K, Gravelsins A, Vicmane LK, Blumberga A, Blumberga D. What drives energy storage deployment in local energy transitions? Stakeholders’ perspective. Smart Energy 2024;15. doi:10.1016/j.segy.2024.100146.
14. Adabavazeh N, Nikbakht M, Amindoust A, Hassanzadeh-Tabrizi SA. The identification and analysis of pivotal factors influencing the corrosion of natural gas pipelines using fuzzy cognitive map. Eng Fail Anal 2024;166. doi:10.1016/j.engfailanal.2024.108806.
15. Eftekhar A, Dero QY, Esfehani AZ. Sustainable Energy Transition for Cities Based on Long-Term Planning Supported by a Fuzzy Cognitive Map. Pollution 2023;9(4):1880-1894. doi:10.22059/poll.2023.360531.1940.
16. Ioannou AE, Laspidou CS. Cross-Mapping Important Interactions between Water-Energy-Food Nexus Indices and the SDGs. Sustainability (Switzerland) 2023;15(10). doi:10.3390/su15108045.
17. Ghaboulian Zare S, Alipour M, Hafezi M, Stewart RA, Rahman A. Examining wind energy deployment pathways in complex macro-economic and political settings using a fuzzy cognitive map-based method. Energy 2022;238. doi:10.1016/j.energy.2021.121673.
18. Alipour M, Hafezi R, Papageorgiou E, Hafezi M, Alipour M. Characteristics and scenarios of solar energy development in Iran: Fuzzy cognitive map-based approach. Renewable and Sustainable Energy Reviews 2019;116. doi:10.1016/j.rser.2019.109410.
19. Kyriakarakos G, Patlitzianas K, Damasiotis M, Papastefanakis D. A fuzzy cognitive maps decision support system for renewables local planning. Elsevier Ltd; 2014. doi:10.1016/j.rser.2014.07.009.
20. Bakir M, Akan Ş, Kiraci K, Karabasevic D, Stanujkic D, Popovic G. Multiple-Criteria Approach of the Operational Performance Evaluation in the Airline Industry: Evidence from the Emerging Markets. 2020. Available from: https://www.apqc.org.
21. Ulutaş A, Popovic G, Stanujkic D, Karabasevic D, Zavadskas EK, Turskis Z. A new hybrid MCDM model for personnel selection based on a novel grey PIPRECIA and grey OCRA methods. Mathematics 2020;8(10):1-14. doi:10.3390/math8101698.
22. Xu W, Das DK, Stević Ž, Subotić M, Alrasheedi AF, Sun S. Trapezoidal Interval Type-2 Fuzzy PIPRECIA-MARCOS Model for Management Efficiency of Traffic Flow on Observed Road Sections. Mathematics 2023;11(12). doi:10.3390/math11122652.
23. Görçün ÖF, Ulutaş A, Topal A, Ecer F. Telescopic forklift selection through a novel interval-valued Fermatean fuzzy PIPRECIA-WISP approach. Expert Syst Appl 2024;255. doi:10.1016/j.eswa.2024.124674.
24. Alnoor A, Muhsen YR, Husin NA, Chew XY, Zolkepli MB, Manshor N. Z-cloud Rough Fuzzy-Based PIPRECIA and CoCoSo Integration to Assess Agriculture Decision Support Tools. International Journal of Fuzzy Systems 2025;27(1):190-203. doi:10.1007/s40815-024-01771-7.
25. Zadeh LA. Fuzzy sets. Information and Control 1965;8(3):338-353. doi:10.1016/S0019-9958(65)90241-X.
26. Stanujkic D, Kazimieras Zavadskas E, Karabasevic D, Smarandache F, Turskis Z. The Use of the Pivot Pairwise Relative Criteria Importance Assessment Method for Determining the Weights of Criteria.
27. Stylios CD, Groumpos PP. Mathematical formulation of fuzzy cognitive maps. Proceedings of the 7th Mediterranean Conference on Control and Automation 1999:2251-2261.
28. Markinos A, Papageorgiou E, Stylios C, Gemtos T. Introducing Fuzzy Cognitive Maps for decision making in precision agriculture. Precision Agriculture 2007 - Papers Presented at the 6th European Conference on Precision Agriculture, ECPA 2007 2007:223-231.
29. Baykasoʇlu A, Gölcük I. Development of a novel multiple-attribute decision making model via fuzzy cognitive maps and hierarchical fuzzy TOPSIS. Inf Sci (N Y) 2015;301:75-98. doi:10.1016/j.ins.2014.12.048.
30. Hsieh TY, Lu ST, Tzeng GH. Fuzzy MCDM approach for planning and design tenders selection in public office buildings. International Journal of Project Management 2004;22(7):573-584. doi:10.1016/j.ijproman.2004.01.002.
31. T.C. Sanayi ve Teknoloji Bakanlığı İKA. İstanbul’da Yenilenebilir Enerji Teknolojileri Ekosistemi. 2024.