在太阳能领域实现更清洁的生产方式：马来西亚的循环反向供应链设计及回收选址优化

《Cleaner Energy Systems》：Enabling Cleaner Production in Solar Energy: Circular Reverse Supply Chain Design and Recycling Location Optimisation for Malaysia

　　艾尔·阿明·穆罕默德·苏丹 | 普尔萨图尔·法拉迪拉 | 林洁香 | 莫哈德·费尔多斯·哈桑 | 伊赫万·加扎利 | 里亚兹·艾哈迈德·穆罕默德·阿里 | 保罗·塔里萨伊·马蒂文加
马来西亚马六甲工业大学工业技术与工程制造学院，76100，汉图阿，贾亚，马六甲，马来西亚

**摘要**
马来西亚太阳光伏的快速增长将在2051年产生约19.1万吨的废弃物，但目前缺乏协调一致的回收基础设施。本研究开发了SuLIDeP框架的创新扩展版本，该框架整合了空间重力建模、供应链复杂性评估、碳足迹分析以及AHP专家意见收集方法，以优化454个马来西亚太阳能电站（总容量为3218兆瓦）的逆向物流和回收设施选址。结果表明，三集群配置（马来半岛、沙巴、砂拉越）在运营可行性方面最低化复杂性（指数=0.64），而六集群配置可将运输排放量减少18%。20位行业专家的AHP综合评估认为三集群方案最优（优先级得分=0.42），在制度能力限制与环境目标之间取得了平衡。K-means分析进一步确定了LSS电站的8个集群和所有安装点的20个集群。与传统选址模型不同，这种以利益相关者为导向的方法表明，在发展中国家中，复杂性管理比单纯的排放优化更为重要。该框架为政策制定者提供了一个可转移的决策工具，用于循环光伏废物系统，既可防止垃圾填埋风险，又能实现超过15亿美元的回收价值。

**1. 引言**
太阳能的快速扩张使得光伏技术成为全球清洁能源转型的核心支柱。根据国际可再生能源机构（IRENA 2025年的数据，到2024年底全球光伏装机容量达到了1865吉瓦，远超2020年的710吉瓦。IEA光伏电力系统计划（IEA PVPS）的独立评估估计总容量已超过2.2太瓦，确认光伏是新增可再生能源电力的最大贡献者（Masson等人，2025年）。IRENA的1.5°C情景预测显示，到2050年光伏总容量可能超过18.2太瓦，相对于2010年增长了26倍。技术成本竞争力的提升（IRENA 2024年）强烈支持了这一增长趋势。全球公用事业规模光伏的平准化发电成本下降约89%，从2010年的每千瓦时0.417美元降至0.043美元（IRENA 2025年）。在许多地区，光伏已成为最低成本电力来源，特别是在追求可负担和低碳能源路径的新兴经济体中尤为明显。

尽管取得了这些进展，但如此大规模的部署带来了显著的可持续性挑战。全球预测显示，到2050年光伏面板废弃物可能积累到6000万至8000万吨，主要由大规模安装和模块退役驱动（Celep等人，2025年；Preet和Smith，2024年）。亚洲预计将贡献很大一部分，尤其是中国、日本和印度等高增长市场，这与该地区在全球太阳能扩展中的主导地位相符（Preet和Smith，2024年）。回收工作仍然有限，仅有约10%的退役模块通过正式回收系统处理，许多发展中国家仍面临缺乏结构化的逆向物流网络和专用处理基础设施的问题（IRENA 2025年；Xia等人，2025年）。虽然存在多种光伏技术，包括晶体硅（c-Si）、薄膜和双面模块，但马来西亚的公用事业规模和LSS市场主要由c-Si技术主导，薄膜系统的应用很少。因此，本分析采用代表性的c-Si材料清单，其中可回收材料主要为玻璃、铝、硅和少量贵金属，作为废物质量和逆向物流规划的基础。在这种假设下，模块类型对组成和回收价值的影响较小，但对废物空间分布和运输需求的影响可以忽略不计。最新研究表明，机械、热处理和化学回收工艺在回收这些材料方面取得了进展，总体回收效率在60-95%之间（Das和Sarmah，2025年；Padhamnath等人，2025年）。如果实施高效的循环工艺，可回收材料（主要为玻璃75%、铝10%、硅5%、银0.05%）的潜在资源价值超过150亿美元（Latunussa等人，2016年；Ozturk，2025年）。

回收设施和监管框架主要集中在欧洲和少数先进经济体，许多发展中国家缺乏协调的逆向物流网络（Babaei和Nasr Esfahani，2024年；Iakovou等人，2024年）。光伏逆向供应链中的运输活动也会产生不可忽视的排放，这突显了综合基础设施规划以减少环境负担的重要性（Islam等人，2025年）。这些限制凸显了需要综合逆向供应链优化、回收设施选址和循环经济实施的综合框架。亚太地区占全球光伏装机容量的近59%，以中国、日本、印度和越南为首（Brusi?o和Tomski，2025年）。在马来西亚，太阳能是SEDA马来西亚2021年制定的国家脱碳计划中的关键组成部分，目标是在2025年前实现31%的可再生能源占比，并在基准情景下安装约2.6吉瓦的光伏容量（SEDA，2021年）。包括上网电价、净能量计量和大规模太阳能计划在内的政策工具加速了这一进程（Husain等人，2021年）。然而，现有研究主要集中在材料回收和环境评估上，对发展中国家太阳能废物管理的物流、空间和逆向供应链规划关注不足。预计454个太阳能电站的总装机容量为3218兆瓦，到2051年将产生约19.1万吨废弃光伏面板，若没有协调的回收基础设施，这些可回收材料的价值将面临约15亿美元的损失（SEDA，2021年）。没有综合系统，越来越多的退役模块可能会被送往垃圾填埋场，损害资源效率和环境保护目标。

为了解决这一问题，本研究提出了一个综合的逆向供应链管理框架，用于光伏面板的生命周期管理，强调优化回收设施选址，以支持马来西亚向循环经济转型。该框架结合了空间重力分析、供应链复杂性评估、碳足迹评估以及多元标准决策方法（包括层次分析法和K-means聚类）。该框架为政策制定者和行业实践者提供定量决策支持，提高材料回收效率，降低物流成本和排放，并加强新兴太阳能市场的循环经济实施。

**2. 文献综述**
**2.1. 光伏废物和回收管理**
过去十年，由于成本显著下降和全球脱碳目标的推动，光伏系统的全球部署迅速扩大。随着光伏应用的快速扩展，提高光伏效率和功率跟踪性能的技术进步继续加速（Naidu等人，2025年）。同时，基于光伏的物联网监测和数据驱动的决策支持系统越来越多地应用于可再生能源应用中，提供实时性能信息，以加强生命周期监控和规划（Yauri等人，2025年）。然而，这种快速扩张带来了新的可持续性挑战，即废弃模块的管理问题。据估计，到2050年全球光伏废物可能达到6000万至7800万吨，主要由晶体硅（c-Si）模块引起，这些模块目前占据市场总量的90%以上（Farrell等人，2020年；Wahman和Surowiak，2025年）。光伏回收技术的创新显著提高了回收效率和经济效益。当前研究表明，结合机械、热处理（热解）和化学处理的混合方法可以回收高达90-95%的材料，如玻璃、铝、硅和铜（Gera等人，2024年）。热解被证明是从c-Si模块中分离和回收有价值材料的最有效和节能的技术之一（Farrell等人，2020年）。最近的创新，如使用软PDMS凝胶的机械分层技术，进一步提高了回收率，达到了98%的材料回收率，并显著减少了能源消耗和碳排放（Poulek等人，2025年）。当实施垃圾填埋避免成本或扩展生产者责任（EPR）费用时，建立回收设施在经济上变得可行，提高了盈利能力并鼓励行业参与（D’Adamo等人，2023年）。循环经济框架已成为可持续光伏废物管理的核心，强调6R原则（回收、再利用、减少、修复、精炼），以增强材料回收并减少环境影响（Piedrahita等人，2025年）。欧洲国家通过WEEE指令推行EPR政策处于领先地位，而许多发展中国家仍缺乏正式的系统。加强本地回收能力和协调法规对可持续的全球光伏产业至关重要（Sharma等人，2019年）。

**2.2. 逆向供应链和物流优化**
逆向供应链（RSC）管理已成为循环光伏废物系统的关键推动因素，涵盖废弃光伏面板的收集、运输和再利用或回收。研究表明，优化的RSC框架可以大幅降低物流成本和碳排放。一项关于可持续废物物流的研究表明，战略网络优化能够降低总体回收成本并提高资源效率（Van Engeland等人，2020年）。类似地，混合整数线性规划（MILP）模型在逆向物流网络中有效减少了运输和处理成本（Qi等人，2023年）。在光伏领域，由于经济障碍和高初始投资成本，高效RSC框架的规模化仍面临挑战（Yadav和Saraf，2025年）。尽管如此，整合成本、碳和网络设计参数的新兴模型证实，结构良好的逆向物流系统可以显著提高材料回收率，并为可再生能源供应链的脱碳做出贡献（Nunes，2025年）。

**2.3. 设施选址决策和空间建模**
设施选址对于优化回收物流和减少环境影响至关重要。空间建模技术（如重力模型和重心法）被广泛用于通过分析材料流动、运输距离和处理能力来确定最佳设施位置。在光伏领域，AHP-GIS模型已成功应用于确定大规模安装的适宜位置，识别出约24.3%的土地为最优选择，证明了空间分析和多元标准分析在选址决策中的有效性（Ouchani等人，2021年）。一项在喀布尔进行的相关研究应用了基于GIS的AHP-WLC框架来确定最佳废物转运站位置，显示只有18.16%的土地非常适宜，表明空间决策模型可以提升物流效率并减少环境影响（Halimee等人，2025年）。除了AHP之外，其他多标准决策方法（如TOPSIS）也被越来越多地用于可持续性评估和设施选址，帮助在基础设施规划中平衡经济、环境和社会因素（Zandi等人，2025年）。结合空间优化和多标准决策方法使政策制定者能够在决策过程中平衡经济、环境和社会因素。这些发现强调了在设计可持续回收网络时整合空间和分析方法的相关性。

**2.4. 可再生能源中的循环经济整合**
将循环经济（CE）原则融入可再生能源系统已成为提高可持续性和减少资源依赖的关键策略。CE框架旨在将线性的“获取-制造-处置”模型转变为封闭循环系统，优先考虑再利用、再制造和材料回收。最新研究表明，在光伏系统报废和生命周期结束时嵌入CE原则可以同时减轻废物并支持可再生能源市场的增长（Marsillac，2021年）。可再生能源领域的CE应用突显了系统性循环策略的重要性，包括生命周期设计、材料再利用和产业共生，以增强光伏系统的可持续性和资源效率。对光伏循环经济研究的最新回顾表明，为回收设计和循环商业模式是实现资源循环和提升光伏生命周期环境绩效的关键（Rabaia等人，2022年）。此外，还开发了预测模型来估算区域内光伏废物数量和回收价值，支持符合CE目标的本地回收基础设施规划（Franzoni等人，2024年）。

**2.5. SuLIDeP扩展和多标准专家判断的作用**
近期关于光伏废弃物管理的研究日益认识到整合空间、环境和经济因素的决策支持框架的重要性。除了过程层面的回收技术外，系统层面的回收基础设施和逆向物流网络规划已成为环境绩效和循环经济实施的关键决定因素。在这一背景下，多标准决策分析（MCDM）与空间建模的结合被广泛应用于支持废物设施选址，这反映了需要平衡成本、环境影响、可访问性和运营可行性等相互竞争的目标。该领域的一个重要基础性贡献是由Mohamed Sultan和Mativenga（2019年）开发的可持续位置识别决策协议（SuLIDeP），该协议提供了一个结构化的框架，整合了空间分析、供应链复杂性评估和K均值聚类优化，用于在循环经济背景下识别合适的回收设施位置。SuLIDeP结合了重心空间建模来识别候选位置，供应链复杂性评估来评估运营可行性，以及K均值聚类来优化收集物流。该协议被设计为一个通用框架，适用于不同的废物流和工业部门，在指标选择上具有灵活性，同时确保了对替代方案的透明、基于证据的比较。

然而，将SuLIDeP直接应用于发展中国家的光伏废物管理存在关键限制。报废的光伏板具有特定于废物流的特点，这引入了新的规划挑战：（1）分布在多个州和地区的地理分散的发电点；（2）高度不确定的退役时间表，这取决于安装批次；（3）复杂的材料组成，具有高但可变的回收价值，需要特定于废物流的处理规格；（4）对运输物流的强烈依赖，因为收集效率直接影响环境绩效和经济可行性。此外，在马来西亚等发展中国家和新兴经济体中，基础设施限制（包括有限的逆向物流网络）、太阳能安装在不发达和发达地区之间的空间分布不均，以及初步发展的回收能力引入了通用位置识别框架中没有明确解决的额外复杂性。这些因素需要方法论上的扩展，以确保与更清洁的生产目标相一致，特别是减少与物流相关的环境负担和提高系统级效率。

SuLIDeP原始公式中的一个关键漏洞与在多个目标冲突时整合利益相关者偏好有关。虽然SuLIDeP的技术组件（空间分析、复杂性评估和聚类）能够识别出在多个维度上技术上最优或平衡的配置，但它们并没有明确解决相互竞争的技术目标导致不同建议的情况。例如，为操作简便性优化的配置可能与为环境性能优化的配置不同。在这种情况下，透明地整合利益相关者偏好和决策者的优先事项对于建立实施的合法性以及确保选定的配置与发展中国家的政策目标一致至关重要。

在SuLIDeP的基础上，本研究通过三个特别针对发展中国家光伏废物管理的方法论增强来扩展该框架。首先，通过纳入特定于光伏板的参数和马来西亚太阳能部署模式的空间-时间特征，将框架应用于报废的光伏板。分析考虑了马来西亚西走廊（霹雳州、吉打州、登嘉楼州）的太阳能安装集中度以及东马来西亚（沙巴州、砂拉越州）的新兴产能，反映了这一应用与通用废物设施选址问题不同的物流限制。其次，该框架通过分析层次过程（AHP）整合了明确的多标准专家判断，以协调相互竞争的技术目标并将利益相关者偏好纳入选址过程中。虽然SuLIDeP的技术组件提供了对复杂性和环境权衡的严格分析，但AHP结合结构化的专家征集将通过以下方式将这一分析转化为可操作的决策：（a）允许明确地对竞争标准进行加权（操作复杂性与环境性能）；（b）综合多样化的利益相关者观点（设施运营商、政策制定者、环保倡导者、行业从业者）；（c）产生与马来西亚发展优先事项和循环经济目标一致的透明、可辩护的位置建议。这种扩展直接解决了SuLIDeP作为一个技术优化框架未能完全解决的决策整合差距。第三，K均值聚类的应用超出了SuLIDeP的原始用途，明确优化了设施位置与收集/运输物流之间的联系。聚类分析确定了实现运输效率与运营可行性平衡所需的区域收集中心的数量和地理分布，展示了空间设施决策如何影响物流网络设计。

通过这些针对废物流的特定化操作、通过AHP整合多标准专家判断以及增强的物流-位置联系，提出的方法将SuLIDeP从一个通用的技术优化协议提升为适用于发展中国家光伏废物管理的全面系统级决策支持框架。通过在一个统一的分析结构中整合空间可行性、环境性能、供应链复杂性和利益相关者偏好，该框架支持在主要退役浪潮之前进行预防性规划，通过优化的收集网络设计减少物流引起的环境影响，并通过基于证据、以利益相关者为依据的基础设施规划加强马来西亚太阳能行业的循环经济实施。在马来西亚的实证应用表明，结构化规划的紧迫性和在发展中国家背景下实施扩展框架的可行性。如第4节所详述的，对太阳能安装和退役预测的分析显示，当受到多标准专家判断的影响时，三簇配置（马来西亚半岛、沙巴州、砂拉越州）提供了运营效率、环境性能和机构协调性的最佳平衡。关键的是，这一建议仅通过SuLIDEp的技术优化是无法得出的，这表明在机构合法性决定基础设施实施成功的发展中国家背景下，通过AHP明确整合利益相关者偏好是必不可少的。

3. 研究方法论
本研究采用了一个多阶段分析框架，来确定马来西亚报废光伏板的最佳回收位置和聚类策略。该方法整合了多种定量技术，包括数据库编制、重力建模、供应链复杂性评估、碳足迹评估、AHP和K均值聚类。这种综合方法使得能够对国家规模的光伏废物回收网络的经济和环境可持续性维度进行数据驱动的评估。

3.1. 马来西亚太阳能电站数据库
本研究的第一阶段涉及编制一个全面的马来西亚太阳能电站数据库，以支持空间、物流和环境分析。编制工作采用了基于GIS的空间映射方法，整合了多个数据来源：（i）SEDA马来西亚的国家可再生能源登记册和项目列表（MyRER和NEM/LSS文档）；（ii）能源委员会和TNB发布的FIT/NEM/LSS项目信息；（iii）公开可用的项目级报告、环境影响评估文件和开发商披露。每个太阳能电站条目包括其名称、地理坐标（纬度和经度）、运营年份和安装容量（兆瓦），尽可能通过至少两个独立来源进行交叉核对，以最小化转录错误并确保位置和容量记录的内部一致性。

为了建立建模的定量基准，所有454个太阳能电站的运营年份被映射到一个假设的光伏组件寿命为27年的基础上，以预测它们相应的报废期。表1汇总了关于太阳能板预测寿命的各种研究的发现，显示了不同研究者的估计值。鉴于估计值存在差异，本研究决定采纳平均“27年的运营寿命”作为太阳能板的合理寿命，反映了当前研究中关于太阳能板预期耐用性和寿命的全面观点。影响太阳能板寿命的因素包括技术进步、制造质量、环境条件和维护实践。该表对太阳能行业的利益相关者具有宝贵的参考价值，有助于与系统设计、投资规划和可持续性评估相关的决策。它强调了在评估太阳能部署的整体经济和环境可行性时考虑寿命估计的重要性。

表1. 太阳能板寿命的科学研究预测

来源 太阳能板寿命（年）
Gautam等人（2021年） 25
Heath等人（2020年） 25
IRENA和IEA-PVPS（2016年） 30
Islam等人（2021年） 20-30
Abdo等人（2020年） 25-30
Granata等人（2014年） 25-30

这一预测使人们能够估算年度和累积的报废废物量（以吨计）和安装容量（以兆瓦计）。所得数据集成为后续空间重力建模、供应链复杂性评估和聚类分析的主要输入。

3.2. 通过重力建模确定中心点
采用重心（COG）建模方法来确定潜在回收设施的最佳地理位置。这种技术广泛应用于供应链和逆向物流研究，它确定了能将多需求点的总运输距离或成本降至最低的设施位置。在本研究中，每个太阳能电站作为一个需求节点，而回收中心被视为潜在的服务节点（Mohamed Sultan和Mativenga，2019年）。该模型计算所有电站坐标的加权平均值，其中权重（Wi）对应于每个电站的安装容量或预计产生的废物量。公式如下所示：
(1) X = ∑_{i=1}^{n} Xi * Wi
(2) Y = ∑_{i=1}^{n} Yi * Wi

其中Xi和Yi代表每个太阳能电站i的坐标；Wi表示权重因素（安装容量或预计产生的废物量）；n是电站的总数。马来西亚太阳能电站的空间分布和安装容量用于确定模型中应用的权重。这些区域差异影响了运输负荷的平衡，并提供了报废光伏板收集潜在物流网络的现实表示。模型的输出为评估回收系统设计中的运输效率和区域可访问性提供了数据驱动的基础。

COG模型使用太阳能电站与候选设施位置之间的直线（欧几里得）距离作为一阶近似来识别空间中点和区域质量中心。这种抽象方法没有明确纳入网络级别的运输限制，如道路等级和质量、港口接入、地形或拥堵模式，这些因素可能会影响实际行驶距离和时间。在运营规划中，这些因素通常会通过基于网络的GIS或运输模型来捕获，这些模型计算沿实际道路和海运网络的最便宜路线，而不是直线距离。

3.3. 供应链复杂性评估
进行了供应链复杂性评估，以评估各种运输方案的运营可行性和物流性能。复杂性使用诸如运输路线数量、运输模式多样性、太阳能电站的地理分散程度以及每条路线的预计废物量等指标来量化。在废物和回收系统中，供应链复杂性可以显著影响运营绩效和韧性，结构和动态维度都影响着整体效率。结构复杂性来源于收集点的数量、运输距离和设施间的连接；而动态复杂性涉及流量的变化和集群内部的协调。比较了三种物流配置，以确定它们的相对内部和外部复杂性。内部复杂性指的是每个集群内的电站数量、距离变化和连接密度；外部复杂性则捕捉了集群间的连接。目标是确定提供最高效和可管理供应链的配置，平衡收集工作与系统灵活性（Ma等人，2024年；Mohammadi等人，2019年）。

在本研究中，供应链复杂性作为一个综合指标，用于捕捉给定逆向物流配置在日常协调和操作上的难度。从概念上讲，更高的复杂性意味着更多的收集点、更多异质性和更长的运输路线以及更密集的设施间连接，所有这些都会增加操作者的信息、协调和监控工作。相反，较低的复杂性表示一个更紧凑和同质的网络，在发展中国家的实际限制下（如有限的人员和机构能力）更容易规划、调度和管理。

为了便于跨场景比较，复杂性指标被标准化为一个介于0和1之间的无量纲指数，其中接近0的值表示较少复杂、更流畅的逆向物流网络，而接近1的值表示高度碎片化、难以协调的网络。

3.4. 碳足迹评估
进行了碳足迹评估，以补充复杂性评估并估计运输报废太阳能板的环境影响。采用加权求和法来量化每种运输方式的温室气体（GHG）排放。每种运输方式（卡车、铁路或海运）的排放因子乘以距离和运输重量，然后汇总以计算总排放量。碳足迹评估遵循基于GHG协议的计算方法和物流可持续性框架，与最近的排放评估研究（Ashworth等人，2025年）和运输系统的空间碳分析（Beziat和Fran?ois，2024年）保持一致。该评估使用一致的系统边界比较了三种运输方案。通过将排放数据与物流距离指标相结合，这一步识别了最具环境效率的选项，支持马来西亚更广泛的碳减排目标和可持续性目标。

3.5. 通过分析层次过程进行回收位置决策
采用分析层次过程（AHP）作为多标准决策（MCDM）工具，来评估和排名候选回收位置。**方法概述**
该方法将复杂决策结构化为层次化层级，包括主要目标、评估标准、子标准以及备选方案。层次分析法（AHP）在可再生能源和设施选址研究中得到广泛应用，为评估结构化决策层级中的多项标准提供了系统框架（Ortega等人，2023年；Stoltmann，2020年）。在本研究中，评估标准基于先前的分析结果确定，涵盖供应链复杂性、碳足迹、经济可行性、法规合规性以及社会接受度。AHP流程首先构建一个将主要目标与相关标准和选址方案连接起来的层级结构，然后使用Satty的1-9评分量表进行成对比较，以确定各项标准的相对重要性。专家意见被综合后生成各选址方案的优先级向量和加权分数，随后计算一致性比率（CR）以验证逻辑一致性，CR值≤0.1被视为可接受。通过这一结构化过程，得出潜在回收选址的排名列表，其中最优方案在物流效率、降低碳排放及符合法规要求方面表现出最佳平衡。

**AHP应用**
AHP分析依赖于来自20位从业者的判断，这些专家在马来西亚的光伏废弃物管理、逆向物流和循环经济领域具有丰富经验。团队成员包括15家全回收设施运营商和回收从业者（占75%），以及5名来自咨询公司、学术机构和政府相关机构的环境与废弃物管理专家（占25%）。筛选标准为：（i）至少8年的相关工作经验；（ii）直接参与光伏项目、废弃物物流或循环经济规划；（iii）在马来西亚半岛和东马地区的代表性。为了减少社会偏好性和群体思维偏见，成对比较通过在线问卷匿名进行。团队层面优先级的汇总采用了几何平均法，该方法能在保留共识的同时减少异常值的影响。20位专家的一致性比率（CR）范围在0.02至0.09之间，均符合≤0.10的可接受标准。最终生成的回收选址排名列表显示，最优方案在物流效率、减排及法规契合度方面实现了最佳平衡。

**K-Means聚类优化**
K-Means聚类算法被用来根据空间邻近性将太阳能电站分组成簇。这种无监督学习方法通过最小化每个数据点与其所属簇中心点之间的距离平方和来划分数据集。K-Means方法在环境和可再生能源研究中得到广泛应用，有助于提升空间优化程度、增强网络紧凑性并减少运输距离（Bin等人，2025年；Miraftabzadeh等人，2023年）。本研究采用标准的迭代流程：中心点初始化、数据点分配至中心点、重新计算中心点直至收敛。生成的簇作为后续设施选址和物流评估的空间优化单元。通过肘部法则和轮廓分析确定最优簇数（k），兼顾紧凑性和区分度。针对仅包含大型太阳能电站（LSS）的数据集及LSS与非LSS结合的数据集分别进行了分析，最终确定LSS电站簇数为8个，非LSS结合数据集簇数为20个，构成高效回收网络。这种空间聚类为太阳能废弃物收集提供了最终配置，有助于实现低成本运输和优化资源分配。

**综合分析框架**
这些方法共同构成了一个连贯的分析框架，融合了空间、物流、环境及决策视角。引力模型用于确定潜在的中心点，供应链和碳排放评估用于评估可行性和可持续性，而AHP和K-Means则提供了结构化、基于数据的优先级排序和优化工具。这些技术的整合确保了在马来西亚太阳能电池板回收基础设施规划进程中经济效率和环境责任的平衡。

**结果与讨论**
**4.1 太阳能电站的空间分布与生命周期预测**
空间映射显示了太阳能发展的区域差异：雪兰莪州拥有最多的太阳能电站（114个站点），霹雳州安装容量最大，超过650兆瓦。这两个州与吉打州和登嘉楼州共同构成了马来西亚半岛的主要太阳能发电集群。相比之下，东马地区（尤其是沙巴州177兆瓦和砂拉越州56兆瓦）的产能还在发展阶段，表明这些地区具有未来扩展和政策关注的潜力。图1展示了马来西亚各地太阳能电站的地理分布，表明半岛地区的LSS项目集中，而沙巴州和砂拉越州则展现出新兴的发展态势。这种分布特征凸显了西海岸走廊的优势——该地区电网连接良好、基础设施完善且土地可利用性强。所获得的空间数据集为后续物流和回收网络设计提供了基础。
国家数据库共收录454座太阳能电站（包含LSS和非LSS类型），总装机容量达3,218.30兆瓦。表2总结了各州的电站数量和容量占比：霹雳州、吉打州和登嘉楼州合计占全国太阳能装机容量的近一半，而联邦直辖区占比不足1%。这种不平衡状况反映了区域发电能力将直接影响未来的生命周期废弃物流动和物流规划。表1中的电站列表由作者根据马来西亚能源委员会发布的公开监管文件和项目资料编制。

**4.2 基于引力模型的回收选址建议**
为了预测太阳能电池板的生命周期废弃物量，将各电站的运营年限与其预期退役年限进行对应（基于平均27年的光伏寿命）。模型预测2034年至2051年期间太阳能废弃物总量将急剧增加，到2051年累计达到约191,379吨（总装机容量2,947兆瓦）。该预测强调了提前建设回收基础设施的紧迫性。

**4.3 基于AHP和K-Means的选址优化**
AHP和K-Means为决策提供了系统化的、数据驱动的优先级排序和优化工具。引力模型确定了潜在的中心点，供应链和碳排放评估评估了项目的可行性和可持续性。这些技术的整合确保了经济效率和环境责任在决策过程中的体现。东海岸推荐的回收中心位置如图6所示。下载：下载高分辨率图片（250KB）下载：下载全尺寸图片图6. 东海岸地区的地理中点。在马来西亚半岛范围内，当所有西部地区合并时，计算得出的地理中点位于彭亨州乌卢杰莱（Ulu Jelai）的北纬4.369493°，东经101.746201°。经过交通连通性的空间调整后，修正后的坐标为北纬4.360006°，东经101.658591°，仍位于乌卢杰莱。这个合并后的中点表明，在马来西亚半岛内采用半中心化的回收配置可能平衡物流效率和运营可扩展性，特别是随着光伏废料量随时间的增加。最终的全半岛中点详见图7。下载：下载高分辨率图片（561KB）下载：下载全尺寸图片图7. 马来西亚半岛的地理中点。对于沙巴州（包括兰瑙联邦直辖区），地理中点位于拉瑙（Ranau）区的北纬5.981374°，东经116.728505°，该地点被认定为连接沿海和高地太阳能设施的物流优势位置。映射后的中点如图8所示。下载：下载高分辨率图片（502KB）下载：下载全尺寸图片图8. 沙巴州的地理中点。在沙捞越州，最初确定的中点位于北纬1.305532°，东经111.894190°，对应于卢博安图（Lubok Antu）。为了优化可达性，该中点被重新定位到沙捞越州的恩吉利利（Engkilili），坐标为北纬1.277259°，东经111.628823°，靠近主要的内陆交通路线。沙巴州和沙捞越州地理位置上的分离突显了特定地区回收基础设施的重要性，因为依赖单一国家枢纽可能会显著增加运输成本和物流复杂性。调整后的中点如图9所示。下载：下载高分辨率图片（351KB）下载：下载全尺寸图片图9. 沙捞越州的地理中点。对于整个马来西亚而言，整合了半岛和东马地区的太阳能农场后，计算得出的国家中点位于彭亨州胡卢滕贝林（Hulu Tembeling）的北纬4.420203°，东经102.456511°。虽然国家中点理论上处于中心位置，但实际实施可能仍需要分散的设施，以适应地区可达性、交通基础设施的多样性以及未来废料量的增长。经过空间精细化调整后，从八个地区中心得出的最终综合中点位于彭亨州瓜拉塔汉（Kuala Tahan）附近，北纬4.360110°，东经102.410711°，被提议作为最中心且物流效率最高的全国性回收枢纽。这些位置分别如图10和图11所示。下载：下载高分辨率图片（728KB）下载：下载全尺寸图片图10. 整个马来西亚的地理中点。下载：下载高分辨率图片（639KB）下载：下载全尺寸图片图11. 基于八个提议地理中点的地理中点。在情景A、B和C下的位置确定结果总结在表4中。所有454个太阳能农场被分类到这些配置中，而区域评估进一步细分为子类别B1至B6（北部、中部、南部、东海岸、沙巴州和沙捞越州）和C1（马来西亚半岛）。为了验证每种配置的实用性，随后使用供应链复杂性评估和碳足迹评估进行了分析，以确定最可持续和最具成本效益的方案。这种空间优化方法与最近关于光伏系统生命周期结束时逆向物流设施位置的研究一致，这些研究强调战略性的设施布局、基于距离的分配以及协调的材料流动，以减少运输负担和环境影响（Zhang, 2024），同时也涵盖了整合成本-排放权衡和政策驱动激励的光伏逆向物流规划的多目标框架（Zhou和Li, 2025）。因此，这些空间配置不仅为物流优化提供了基础，也为长期的光伏废物管理规划提供了重要参考，特别是在预期未来退役太阳能装置数量增加的情况下。4.3. 供应链复杂性评估通过基于表5中概述的情景进行了多种聚类配置的评估。情景A的复杂性得分为2.42，表示没有任何聚类的基线条件。在这种配置中，回收中心的位置是网络复杂性的唯一决定因素。表5. 提议的回收中心的替代聚类方案。替代方案分类回收设施太阳能农场数量提议位置（重心）A整个马来西亚新的提议回收中心（整个马来西亚）454彭亨州胡卢滕贝林（4.420203°N, 102.456510°E）B按马来西亚地区划分六个收集中心（每个地区一个）和一个主要回收中心位于瓜拉塔汉彭亨州瓜拉塔汉（4.360110°N, 102.410711°E）B1北部1150霹雳州塞拉玛（5.170386°N, 100.706025°E）B2中部1122雪兰莪州莎阿兰（3.058876°N, 101.549172°E）B3南部173 Johor州斯里梅丹（2.088761°N, 102.923824°E）B4东海岸147登嘉楼州阿尔穆克塔菲比拉沙（4.564021°N, 103.193397°E）B5沙巴州159拉瑙（5.981374°N, 116.728505°E）B6沙捞越州13恩吉利利（1.277259°N, 111.628823°E）C按马来西亚划分三个收集中心和一个回收中心位于瓜拉塔汉彭亨州瓜拉塔汉（4.360110°N, 102.410711°E）C1马来西亚半岛1392彭亨州乌卢杰莱（4.360006°N, 101.658591°E）C2东马（沙巴州）159拉瑙（5.981374°N, 116.728505°E）C3东马（沙捞越州）13恩吉利利（1.277259°N, 111.628823°E）逆向供应链复杂性评估实施聚类后，整体供应链复杂性显著降低，分别为六个区域簇的1.11和三个区域簇的0.64。在这种分析中，较低的复杂性得分表示更高效和更易于管理的配置。三个簇的配置得分为0.64，表明网络比高复杂性得分的方案更加紧凑和易于管理，同时仍能将大部分流量聚集到连贯的区域簇中。从实践者的角度来看，较低的复杂性指数意味着需要管理的接口较少，路线计划更简单，区域参与者之间的责任也更明确，这对于在马来西亚成功实施新的回收基础设施至关重要。情景C中的三个主要簇显示了最有利的网络结构，通过优化收集节点之间的物流效率和协调性。供应链复杂性评估的结果总结在表6中。表6. 马来西亚太阳能板废物的供应链复杂性。替代方案分类太阳能农场数量废料量（吨）簇供应链复杂性指数最终排名A整个马来西亚454208931.711无2.423B地区61.112C马来西亚30.641表7展示了情景B（B1–B6）中每个集成簇的内部复杂性。B5的内部复杂性最高，得分为0.92。这一较高的值可以归因于太阳能农场在州内的广泛地理分布，导致单个太阳能工厂与沙巴州提议的回收中心之间的运输距离长且不一致。其余区域簇的内部复杂性得分分别为B1的0.60，B2的0.60，B3的0.68，B4的0.60，B6的0.32。表7. 替代方案B的簇内部供应链复杂性。替代方案分类太阳能农场数量废料量（吨）簇供应链复杂性B1北部15092 048.445无0.60B2中部12225 672.8740.26B3南部7322 310.4070.68B4东海岸4753 798.2950.60B5沙巴州5911 494.7350.92B6沙捞越州33 606.9550.32同时，表8展示了情景C（C1、C2和C3）中每个集成簇的内部复杂性。在这些簇中，C1的复杂性指数最高，为1.57，主要是由于该地区涉及更多的农场和更长的现场间距离。相比之下，C3的复杂性得分最低，为0.32。这些发现表明，采用区域聚类方法并在特定地理区域内协调废物管理活动可以显著降低马来西亚太阳能板回收网络的总体复杂性指数。表8. 替代方案C的簇内部供应链复杂性。替代方案分类太阳能农场数量废料量（吨）簇供应链复杂性C1马来西亚半岛392193830.021无1.57C2沙巴州5911 494.7350.92C3沙捞越州33 606.9550.32此外，表9展示了替代方案C的供应链复杂性计算示例。从这三个簇的总和得出的总复杂性指数为0.64，表明这是最优的方案，因为较低的复杂性指数表示更高效和更紧凑的网络。此外，表10展示了C3簇的内部复杂性计算示例。表10. 替代方案C的供应链复杂性计算示例。簇废料量（吨）距离回收中心（公里）WiDiWiDiLog WiDiWiDi logWiDiPeninsular193830.0210.9271980.1160.108-3.2100.346Sabah11494.7350.05516450.9670.053-4.2310.225Sarawak3606.9550.01710440.6140.010-6.5590.0690.641表12展示了替代方案A、C1、C2、C3和C马来西亚的聚类配置及其相应的供应链复杂性（SCC）得分。替代方案A表示所有马来西亚的太阳能农场将其生命周期结束的面板直接交付到单一国家回收中心的情景，总SCC值为2.42。如预期，当网络被重组为三个区域簇C1、C2和C3时，总复杂性显著降至0.64，反映了改进的协调性和减少的物流分散。在替代方案C马来西亚中，区域簇作为中间协调节点，在将材料转移到指定的回收设施之前整合每个地区的收集工作。这种结构最小化了区域间的运输流量，同时保持了当地的收集效率。每个区域簇计算的内部复杂性得分分别为C1的1.57，C2的0.92，C3的0.32。其中，C1由于太阳能农场数量众多且分布在一个更大、工业更集中的区域内，需要多条运输路线汇聚到一个回收枢纽，因此显示出最高的复杂性。表8和表9分别提供了替代方案C马来西亚（三个簇）和C3的详细计算示例。如图12所示，应用供应链复杂性指标来确定每个簇配置的内部复杂性，得分分别为C1的1.57、C2的0.92和C3的0.32。C1的复杂性最高，反映了半岛上所有太阳能农场需要将其废物送往一个区域回收中心的要求。表8和表9分别展示了C马来西亚配置（三个簇）的样本计算和C2的内部复杂性计算。如前所述，供应链复杂性得分最低的方案被认为是最有利的。总体而言，替代方案C马来西亚的总复杂性得分最低，为0.64，与基线情景A（SCC = 2.42）相比，表明配置更加协调和物流效率更高。从概念上讲，SCC指标反映了管理逆向物流流动的结构难度，包括收集点的分布、运输互动的强度以及设施间所需的协调水平。较低的SCC值意味着更少的操作接口、更简单的路線规划以及区域参与者之间更清晰的职责划分，这对于在马来西亚成功实施新的回收基础设施至关重要。类似的结构性逆向物流方法已在光伏废物管理中应用，其中优化的区域收集点和集中化的回收设施被证明可以最小化总系统成本并支持生命周期结束的太阳能面板管理的基础设施规划（Islam等人，2021）。这种比较进一步强调了基于枢纽的网络配置在提高光伏逆向物流系统实际可行性方面的相关性。为了进一步验证这些发现在运输排放和路线优化方面的有效性，结果与第4.4节中提出的碳足迹供应链评估一起进行了检验。4.4.4. 碳足迹供应链评估通过使用权重和法对第4.3节中确定的供应链复杂性最低的替代方案进行了碳足迹供应链评估。这一步骤旨在验证最具物流效率的情景是否也能减少与运输相关的温室气体（GHG）排放。通过将运输距离和排放因素纳入统一的决策矩阵，分析能够对替代方案进行一致比较。根据表5中总结的最终情景，提取了相应的运输距离和GHG排放值以进行后续评估。这样的评估在最近的光伏（PV）可持续性研究中越来越受到重视，这些研究表明物流选择（例如运输方式和距离）和基础设施选址可以显著影响光伏系统的整体环境足迹（Contreras Lisperguer等人，2020）。为了便于数学处理，所有属性都进行了标准化并分配了相同的权重，如权重和公式所要求的那样。由于本评估的目的是最小化总体环境影响，每个标准化属性都乘以其相应的权重，从而为每个情景产生了最终的加权得分。然后按升序对替代方案进行排名，得分较低的方案表示更好的环境性能。表11展示了完整的加权决策矩阵和相应的排名结果。结果显示，替代方案B取得了最低的总体得分，表明该配置在运输距离和相关GHG排放方面提供了最大的减少。表11。多目标优化通过加权求和方法计算。决策矩阵（标准）、标准化决策矩阵、标准化权重、加权决策矩阵、最终得分、最终排名。总运输距离（TTD，公里）和总碳足迹（TCF，千克二氧化碳当量）。

根据分析，供应链复杂性度量能够评估集群内部和集群之间的复杂性，为利益相关者在设计大规模供应链配置以确定回收中心位置时提供了更清晰的视角。另一方面，加权求和方法通过检查减少复杂性是否也意味着更短的运输距离和更低的温室气体（GHG）排放来验证复杂性评估的结果。然而，在这项研究中，最终推荐的方案取决于所采用的评估方法。供应链复杂性分析表明，方案C是最优配置，因为它反映了太阳能电池板废物在各个地区的最平衡分布，并在其集群结构内产生了最短的聚合运输距离（参见表6）。相反，加权求和方法综合考虑了总运输距离和碳排放，认为方案B是更优选择。这种差异源于每种方法应用了不同的优化标准；随着评估维度的变化，优先选择的方案也可能发生变化。由于这两种分析方法得出了不同的建议，并且没有达成一致，因此最终选择最优方案需要更高层次的决策过程。因此，应用了层次分析法（AHP）来整合多个标准并确定共识结果，如4.5节所述。

4.5.4.5 通过层次分析法确定回收地点
由于前两种方法——供应链复杂性评估和碳足迹供应链评估未能就单一推荐方案达成一致，因此应用了层次分析法（AHP）来确定最适合的回收地点方案。AHP的第一步是根据两个标准——供应链复杂性和碳足迹，为方案A、B和C确定优先级值。这些优先级来自表6和表11中获得的最终得分，它们代表了每种方案在两个评估维度下的表现。随后构建了一个成对比较矩阵，以表示每个方案在每个标准下的相对偏好。矩阵的列通过将其每个值除以其相应的列之和进行标准化，然后通过对每行中的值求平均来获得优先级向量。这一过程得出了方案A、B和C在供应链复杂性和碳足迹标准下的相对权重。结果优先级向量总结在表12中。较低的得分表示更优的方案。在供应链复杂性标准下，方案C记录了最低的相对得分，表明在减少内部和区域间物流复杂性方面表现更佳。相反，在碳足迹标准下，方案B获得了最低得分，表明其在减少运输距离和温室气体排放方面最为高效。

另一方面，20位工业专家通过在线调查提供了他们对两个标准（供应链复杂性和碳足迹供应链）优先级的判断。然后使用他们的反馈构建了两个标准的成对比较矩阵，此过程重复了20次。接下来，通过将每位专家的个别优先级相加并将总和除以参与评估的专家人数来汇总每个专家的优先级向量。因此，供应链复杂性和加权求和方法得到的方案A、B和C的优先级分别为0.52和0.48。在获得了方案A、B和C的优先级向量后，可以进行总体优先级排名。本研究最终的AHP排名如表13所示。根据AHP分析的结果，将使用过的太阳能电池板运输到收集或回收中心的最佳方案是方案C，得分为0.21，其次是方案B（0.25），然后是方案A（0.54）。

4.6. 物流供应链评估总结
本研究的物流供应链评估经历了三个连续的分析阶段。首先，使用重心法进行重力建模分析，确定了马来西亚境内的八个地理中点，这些中点可能是太阳能电池板废弃物的潜在区域收集或回收枢纽。接下来，应用供应链复杂性算法根据运输距离和废物体积分布评估了三种集群方案。该评估表明，将马来半岛、沙巴州和砂拉越州划分为三个协调集群的方案C产生了最低的复杂性得分，因此从物流协调的角度来看是最高效的配置。第二项评估是使用加权求和方法的碳足迹供应链评估，该评估考虑了运输距离和温室气体排放。与之前的结果相反，这种方法认为方案B是最佳选择，因为它具有更低的综合运输里程和碳足迹。由于两种方法推荐的方案不同，因此进行了AHP以确定最终决策。结合专家判断和来自两种评估的优先级向量，AHP得出结论，方案C是最合适的整体选择。表14总结了所有方法的排名结果和最终的AHP决策。

4.7. 多目标优化中标准化权重的平均值与工业专家判断的比较
使用的算法与第4.4节中的相同。采用加权求和方法来计算碳足迹供应链评估的最终得分。用于标准化权重的参数的变化使这项分析与第4.4节中的碳足迹供应链评估有所不同。在第4.4节的先前计算中，标准化权重是均匀分配的（TTD和TCF均为0.5）。然而，在本节中，为了分析结果，采用了均匀分配的标准化权重以及20位工业专家对TTD和TCF的判断作为标准化权重参数，因此将此分析称为新的碳足迹供应链。这种比较方法符合多标准优化的实践，其中通常会对加权方案进行敏感性分析，以评估在不同利益相关者偏好下决策结果的稳健性（Sahabuddin和Khan，2021）。最近关于清洁能源供应链的建模研究进一步支持了这一观点，表明在某些模拟情景下，优化的枢纽分配和资源配置可以将供应链排放量减少约80%（Alsaleh和Farooq，2025）。这表明物流结构、地理分配和协调策略可以显著影响碳排放结果，操作简单性并不总能产生最低的环境足迹。从政策角度来看，这一发现意味着回收基础设施规划应平衡操作协调与环境考虑，而不仅仅是优先考虑单一优化标准。因此，应用AHP提供了一种结构化的方法来整合这些相互竞争的目标，并支持大规模太阳能电池板废物管理的更可持续决策。最近的供应链优化研究表明，在运营决策框架中嵌入可持续性指标可以提高效率15-25%，同时减少约20%的碳排放（Krishna Anumula，2025）。

4.4.4 中使用的算法与第4.4节相同。加权求和方法被用来计算碳足迹供应链评估的最终得分。用于标准化权重的参数变化使这项分析与第4.4节中的碳足迹供应链评估有所不同。在第4.4节的先前计算中，标准化权重是均匀分配的（TTD和TCF均为0.5）。然而，在本节中，比较采用了均匀分配的标准化权重以及20位工业专家对TTD和TCF的判断作为标准化权重参数，因此将此分析称为新的碳足迹供应链。这种比较方法与多标准优化的实践一致，在这种情况下，通常会对加权方案进行敏感性分析，以评估在不同利益相关者偏好下决策结果的稳健性（Sahabuddin和Khan，2021）。通过在线调查工具（Google表单）从20位工业专家那里收集了关于TTD和TCF标准的判断。共有8位专家表示TTD比TCF更重要，这组专家的权重为0.73。接下来，有3位专家持有不同意见，他们认为TCF比TTD更重要，这组专家的权重为0.27。同时，其余9位专家认为TTD和TCF同等重要。表15显示了根据专家偏好实施标准化权重后的碳足迹供应链评估结果。新碳足迹供应链的优先级向量在表16中进行了说明。

基于专家判断的多目标优化表明，减少运输距离可以降低燃料消耗和相关碳排放，从而支持更清洁的生产结果。关于绿色物流背景下路由和网络优化的实证研究（包括林业供应链）报告了总行驶距离和空载排放的可测量减少，以及经济和环境表现的改善（Sun和Li，2025）。多目标和基于AI的物流优化同样旨在通过最小化行驶距离和运输相关排放来同时降低成本和碳足迹（Shawon等，2025；Xie等，2024）。在可持续供应链和生产规划模型中，碳足迹通常是一个明确的目标；最优解表明，协调的物流规划和更清洁的能源使用可以降低整个系统的排放量（Fang和Hsu，2025）。这些发现支持将较低的TTD和TCF与本研究中首选方案的清洁生产收益联系起来。从表15和表16的结果来看，显然，三种方案的优先级向量发生了相应变化。在新碳足迹供应链中，方案B的变更最大，减少了0.5。然而，无论使用哪种不同的标准化权重，碳足迹供应链的最终排名保持不变。因此，可以总结说，通过均匀分配和20位工业专家的偏好所获得的标准化权重之间的差异微不足道。这种在不同加权情景下的稳定性表明决策结果具有稳健性，这是在多目标供应链优化和多标准决策中经常强调的特性，其中在替代权重集下的一致排名被视为可靠决策的证据（Afrasiabi等，2022；Bisht和Pal，2024）。表17显示了参考碳足迹供应链和新碳足迹供应链的AHP排名比较。本研究的一致性表明，优化框架对权重假设的适度变化具有相对较强的鲁棒性，从而在光伏逆向物流规划背景下支持更为可靠的决策制定，这与更广泛的反向物流和可持续供应链多标准决策（MCDM）研究的发现一致。在基于AHP的混合MCDM模型的敏感性分析中，也强调了类似的对权重变化的鲁棒性，其中在替代权重方案下的排序稳定性被视为可靠决策的证据（Sirisawat和Kiatcharoenpol，2018；Tirkolaee等人，2021；Zarbakhshnia等人，2020）。在可持续供应链策略选择中整合AHP–TOPSIS方法进一步证明，当优先级排序在主观（基于专家的）和客观（数据驱动的）权重场景下保持一致时，所做出的决策被认为是适合可持续性导向的规划（Sreekumar和Rajmohan，2019）。在这些研究中，系统性地改变权重因素被用作验证步骤，加强了即使利益相关者的偏好或权重假设发生变化，仍能识别出更优的、通常影响较小的供应链配置的信心。

4.8. 复杂性与碳足迹之间的权衡
分析的一个显著结果是，供应链复杂性最低的配置并非是运输相关碳排放最小的配置。三集群配置（即马来半岛、沙巴、砂拉越）实现了最低的复杂性指标0.64，反映出相对简单且机构易于管理的网络结构，而六集群配置则产生了更短的总运输距离，因此碳足迹更小。这种差异突显了光伏面板生命终结（EoL）逆向物流设计中运营简单性与环境优化之间的内在权衡。从政策角度来看，这种权衡意味着仅基于碳绩效选择回收网络可能会导致一个高度分散的系统，难以协调；而仅关注复杂性可能会使一些减排潜力未能实现。在马来西亚的背景下，由于机构能力和跨区域协调机制仍在发展中，一个在实际操作中可行的中等复杂度配置可能比环境最优但组织上脆弱的网络更为可取。AHP的结果，在整合专家判断后倾向于三集群配置，通过为复杂性和碳标准分配明确的权重，并反映了实践者对可以在当前治理和基础设施限制内实现的解决方案的偏好，有效地实现了这种折中。

4.8. 复杂性与碳足迹之间的权衡
分析的一个显著结果是，供应链复杂性最低的配置并非是运输相关碳排放最小的配置。三集群配置（即马来半岛、沙巴、砂拉越）实现了最低的复杂性指标0.64，反映了相对简单且机构易于管理的网络结构；而六集群配置则产生了更短的总运输距离，从而碳足迹更小。这种差异凸显了光伏面板生命终结（EoL）逆向物流设计中运营简单性与环境优化之间的内在权衡。从政策角度来看，这种权衡意味着仅基于碳绩效选择回收网络可能会导致一个高度分散的系统，难以协调；而仅关注复杂性可能会使一些减排潜力未能实现。在马来西亚的背景下，由于机构能力和跨区域协调机制仍在发展中，一个在实际操作中可行的中等复杂度配置可能比环境最优但组织上脆弱的网络更为可取。AHP的结果，在整合专家判断后倾向于三集群配置，通过为复杂性和碳标准分配明确的权重，并反映了实践者对可以在当前治理和基础设施限制内实现的解决方案的偏好，有效地实现了这种折中。

这些发现表明，未来的光伏废物管理政策框架应明确认识到并管理物流简单性与排放绩效之间的紧张关系，例如通过为这两个维度设定最低绩效阈值，而不是优化单一指标。它们还强调了参与式多标准决策过程（如AHP）在合法化不可避免涉及环境和运营目标之间权衡的基础设施选择中的价值。

4.9. LSS和非LSS太阳能电站的聚类优化
本节的分析步骤与上一节相同，不同之处在于本节通过处理软件MATLAB专注于马来西亚的454个太阳能电站（LSS和非LSS）。每个集群（回收站）的处理能力上限设为每年20,000吨，下限设为每年300吨，基于回收站的现有运营能力。表18和表19汇总了分析结果。最初只有k=20满足要求，而其他集群成员（k=1至k=19）超出了回收中心的处理能力。因此，马来西亚不得不将454个太阳能电站划分为20个集群，以管理总共产生的158,788.13吨废物。这种基于容量限制的聚类方法与现代电力系统中广泛使用的k-means及相关聚类技术一致，用于处理大型空间数据集并改进基础设施规划决策（Miraftabzadeh等人，2023）。

表18. 不同数量的LSS和非LSS集群信息
| 集群 | K=1 | K=2 | K=3 | K=4 | K=5 | K=6 | K=7 | K=8 | K=9 | K=10 | K=11 | K=12 | K=13 | K=14 | K=15 | K=16 | K=17 | K=18 | K=19 | K=20 |
|------|-------|-------|-------|-------|-------|-------|-------|-------|-------|-------|-------|-------|-------|-------|-------|-------|-------|-------|-------|-------|
| 集群1 | 158 | 788 | 147 | 311 | 111 | 134 | 038 | 702 | 383 | 625 | 291 | 133 | 452 | 202 | 354 | 487 | 7.73 | 899 | 420 | 50.52 |
| 集群2 | 114 | 776 | 702 | 111 | 134 | 021 | 187 | 7.72 | 50.55 | 456 | 6.92 | 1.33 | 416 | 6.23 | 560 | 329 | 6 | 50.52 | 145 | 322 | 354 | 812 | 182 | 233 | 812 | 20.61 |
| 集群3 | 80 | 427 | 693 | 259 | 152 | 427 | 1.36 | 453 | 896 | 7.92 | 604 | 1.29 | 043 | 290 | 433 | 994 | 211 | 753 | 899 | 461 | 513 | 172 | 899 | 461 | 151 | 1.72 |
| 集群4 | 39 | 421 | 133 | 464 | 514 | 658 | 83.2 | 2.05 | 0.51 | 384 | 932 | 62 | 631 | 111 | 62 | 137.27 | 420.6 | 742 | 20.67 | 535 |
| 集群5 | 75 | 641 | 668 | 5.51 | 111 | 064 | 465 | 735 | 047 | 260 | 4.13 | 899 | 466 | 5.56 | 151 | 1.75 | 37.31 | 102 | 2.21 | 151 | 3.24 | 144 | 5.33 | 18.62 |
| 集群6 | 49 | 252 | 229 | 663 | 290 | 435 | 456 | 6.93 | 928 | 7.71 | 111 | 62 | 242 | 113 | 268 | 22.61 | 37.27 | 420.6 | 742 | 20.67 | 535 | 501 |
| 集群7 | 76 | 24.93 | 928 | 937 | 192 | 486 | 532 | 662 | 2.37 | 404 | 1.36 | 576 | 6.62 | 604 | 1.11 | 110 | 674 | 20.63 | 506 | 610.8 | 167 | 0.62 | 464 |
| 集群8 | 66 | 85.52 | 290 | 432 | 50.51 | 111 | 068 | 581 | 1.61 | 358 | 861 | 517 | 1.72 | 111 | 537.37 | 421 |
| 集群9 | 39 | 421 | 133 | 446 | 514 | 658 | 3.22 | 0.51 | 384 | 932 | 62 | 2.32 | 604 | 1.29 | 663 | 111 | 0 | 624 | 224 | 385 | 766 | 260 | 4.13 |
| 集群10 | 89 | 67.93 | 560 | 313 | 7.16 | 389 | 994 | 742 | 0.62 | 966 | 324 | 224 | 164 | 201 | 896 | 661 | 1019 | 245 |
| 集群11 | 248 | 656 | 151 | 1.76 | 151 | 729 | 205 | 0.55 | 420 | 926 | 403 | 1.32 | 62 | 260 | 4.11 | 137.27 | 420.6 | 742 | 20.67 | 535 |
| 集群12 | 24 | 224 | 473 | 665 | 514 | 658 | 83.2 | 2.05 | 0.51 | 384 | 932 | 62 | 631 | 111 | 062 | 132 | 682 | 22.61 | 37.27 | 420.6 | 742 | 20.67 | 535 |
| 集群13 | 33 | 18.68 | 576 | 6.64 | 12.55 | 40.81 | 13.22 | 176 | 048 | 037 | 421 |
| 集群14 | 242 | 224 | 473 | 665 | 055 | 326 | 189 | 102 | 181 | 164 | 461 | 125 | 333 | 560 |
| 集群15 | 102 | 567 | 435 | 3.51 | 163 | 435 | 20.91 | 173 | 348 | 04 | 919 | 461 | 151 | 1.72 | 111 | 153 | 733 | 333 |
| 集群16 | 24 | 671 | 102 | 181 | 164 | 461 | 125 | 333 | 560 |
| 集群17 | 54 | 20.92 | 464 | 5.50 | 553 | 193 | 77 | 7 | 350 | 472 | 604 | 4.13 | 899 | 466 | 5.56 | 151 | 1.75 | 37.31 | 102 | 2.21 | 151 | 3.24 | 144 | 5.33 |
| 集群18 | 24 | 671 | 102 | 181 | 164 | 461 | 125 | 333 | 560 |
| 集群19 | 37 | 50.31 | 692 | 4 |
| 集群20 | 59 | 4 |

表19. 20个集群的回收中心位置
| 坐标（纬度，经度） | 位置 |
|-----------------|--------------------|
| 13.1038,101.55 | Shah Alam, Selangor |
| 25.76519, 118.196 | Sandakan, Sabah |
| 31.61381, 103.672 | Senai, Johor |
| 46.46511, 100.223 | Kangar, Perlis |
| 51.549004, 110.800 | Sebangan, Sarawak |
| 65.46522, 115.783 | Bongawan, Sabah |
| 74.91791, 101.34 | Sungai Siput, Perak |
| 83.74932, 103.19 | Kuantan, Pahang |
| 95.30309, 100.446 | Simpang Ampat, Pulau Pinang |
| 105.88522, 100.552 | Pendang, Kedah |
| 114.98079, 103.211 | Penghulu Diman, Ajil, Terengganu |
| 124.35175, 118.032 | Tawau, Sabah |
| 135.9514, 102.314 | Mahligai, Melor, Kelantan |
| 142.77192, 101.882 | Labu, Negeri Sembilan |
| 152.30598, 102.38 | Air Panas, Malacca |
| 166.57482, 116.687 | Kota Marudu, Sabah |
| 175.63256, 100.55 | Sungai Petani, Kedah |
| 183.92758, 101.