以下將以擬真情境的分析結果為基礎，
表18 悲觀情境各年度太陽光電於各地區新增裝置量(單位：MW)
年度 2017 2018 2019 2020 2021 2022 2023 2024 2025 基隆市 0.0 0.0 0.0 1.3
(1.3) 0.0 0.0 0.0 0.0 11.3 臺北市 0.0 0.0 0.0 0.9
(0.9) 0.0 0.0 0.0 0.0 3.3 新北市 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 70.7 桃園市 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 113.2 新竹縣 0.0 0.0 0.0 134.7
(134.7) 0.0 0.0 0.0 0.0 28.7 新竹市 0.0 0.0 0.0 59.9
(59.9) 0.0 0.0 0.0 0.0 6.0 苗栗縣 0.0 0.0 0.0 124.0
(124.0) 0.0 0.0 0.0 0.0 872.0 臺中市 0.0 0.0 434.2
(434.2) 50.1
(50.1) 0.0 0.0 668.0 0.0 0.0 彰化縣 0.0 64.0
(64.0) 31.4
(31.4) 0.0 0.0 0.0 1206.0 71.9 0.0 南投縣 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 46.7 雲林縣 69.3
(69.3) 0.0 0.0 0.0 2243.9 0.0 0.0 0.0 0.0 嘉義縣 88.8
(88.8) 8.8
(8.8) 0.0 994.1 0.0 611.2 0.0 0.0 0.0 嘉義市 40.8
(40.8) 0.0 0.0 30.9 1.1 0.0 0.0 0.0 0.0 臺南市 633.1
(256.1) 1779.0 1779.0 754.0 0.0 0.0 0.0 0.0 0.0 高雄市 0.0 323.9
(323.9) 0.0 0.0 0.0 770.6 371.0 0.0 0.0 屏東縣 0.0 68.9
(68.9) 0.0 0.0 0.0 863.2 0.0 0.0 0.0 臺東縣 0.0 0.0 0.0 35.5
(35.5) 0.0 0.0 0.0 2172.1 172.5 花蓮縣 0.0 0.0 0.0 44.6
(44.6) 0.0 0.0 0.0 0.0 13.3 宜蘭縣 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 13.3 澎湖縣 0.0 0.0 0.0 14.0
(14.0) 0.0 0.0 0.0 0.0 886.7 金門縣 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 6.5 連江縣 0.0 0.0 0.0 0.6
(0.6) 0.0 0.0 0.0 0.0 0.7 註：括號內數值為屋頂型太陽能板的新增裝置量
資料來源：本研究整理
探討調整模型參數對於分析結果的影響，以下 將分別探討效能遞減率、整體的影響與損失係 數、各區全天空日射量的相關程度、土地來 源、各年度裝置量策略及不同目標式對於分析 結果的影響。
4.1 效能遞減率
本節探討效能遞減率分別為0.7%、1%、
3%及5%對於太陽光電發電量的衝擊，如表19 所示，可以發現效能遞減率越高的情況下，其 無論是2025年發電量的期望值，亦或者2016年 至2025年太陽光電總發電量均隨之降低。平均 來說，改善1%的效能遞減率，可以提高3.7%
(7.9億度電)的2025年發電量，並提高5.2% (52.7 億度)的2016年至2025年太陽光電總發電量，
而效能遞減率的增加，雖然略為降低發電量的 標準差，然其相較於期望值的變化相當有限。
在本研究中，主要探討的目標年為2025年，由
於目前政府規劃的太陽能板裝設目標多集中在 接近2025年的時期，也因此導致效能遞減率對 於發電量期望值結果的衝擊並非十分劇烈，然 而，效能遞減率過高將對於長期的發電量及太 陽能板成本回收影響甚鉅。整體而言，效能 遞減率目前主要是端看選用廠牌的太陽能光電 板，其不同的製程水準所導致，政府後續可 透過修訂相關的採購辦法，或者推廣相關的政 策，以促進廠商使用更優質的太陽能板，並進 而提高太陽光電發電量的期望值，然而，須留 意的是，更為優質的太陽能板其實際的製作成 本亦較高。
4.2 整體的影響與損失係數
本節探討整體的影響與損失係數分別為 15%、20%及25%對於太陽光電發電量的衝擊，
如表20所示，同樣地，可以發現整體的影響與 損失係數越高的情況下，其無論是2025年發電
表19 效能遞減率對於太陽光電發電機率分布分析結果的影響
ηloss (效能遞減率) 0.7% 1% 3% 5%
2025年太陽光電發電量
期望值 (億度電) 231.4 228.9 213.1 198.6 2025年太陽光電發電量
標準差 (億度電) 19.3 19.1 17.8 16.6
95.4%信心程度的發電量
分布 (億度電) 192.7 ~ 270.1 190.6 ~ 267.2 177.5 ~ 248.7 165.5 ~ 231.8 2016至2025太陽光電
總發電量 (億度電) 1,083.9 1,075.6 1,022.9 973.7 資料來源：本研究整理
表20 整體的影響與損失係數對於太陽光電發電機率分布分析結果的影響 Floss (整體的影響與損失係數) 15% 20% 25%
2025年太陽光電發電量
期望值 (億度電) 226.4 213.1 199.8 2025年太陽光電發電量
標準差 (億度電) 18.9 17.8 16.7
95.4%信心程度的發電量
分布 (億度電) 188.6 ~ 264.2 177.5 ~ 248.7 166.4 ~ 233.1 2016至2025太陽光電
總發電量 (億度電) 1,086.8 1,022.9 958.9 資料來源：本研究整理
量的期望值，亦或者2016年至2025年太陽光電 總發電量均隨之降低。平均來說，改善5%的整 體的影響與損失係數，可以提高6.2% (13.3億 度電)的2025年發電量，並提高6.2% (63.9億度) 的2016年至2025年太陽光電總發電量，而整體 的影響與損失係數的增加，雖然略為降低發電 量的標準差，然其相較於期望值的變化相當有 限。整體而言，整體的影響與損失係數除了與 其本身的製程技術有關外，亦受到電網傳輸過 程中的損失所影響，其能夠調整的空間相對應 當較小，然而，相較於改善1%的效能遞減率，
改善5%之整體的影響與損失係數對於發電量的 效益相對較高，後續政府若欲從該兩個參數訂 定相關規範時，尚須更深入地進行相關的成本 效益分析，並透過政策引導廠商，進而提高太 陽光電發電量的期望值。
4.3 各區全天空日射量的相關程度
以下探討不同全天空日射量相關程度的設 定值對於分析結果的影響，從表21可以看到，
由於本研究中，不確定性並未設定為目標式抑 或是限制式，因此，其並不會改變線性規劃的 結果，故可以看到在不同的全天空日射量設定 值下對於2025年發電量的期望值及2016年至 2025年太陽光電總發電量並無影響，然而，相 關程度越高的情況下，其發電量的變異程度將 相對較高，其主要是由於相關程度較高時，其 兩個太陽能電廠實際發電量的曲線越為類同，
因此，其較無法降低發電量的不確定性。從表 21可以看到，當相關性的設定不同時，對於太 陽光電發電量標準差有明顯的影響，相較於中 度正相關，若是低度正相關，約可降低17.4%
的標準差，但若是完全正相關，標準差將會上 升37.6%。而由於擬真情境之發電量不確定性 的調整係數設定為1.414，故若非日射量的不 確定性來源影響與本研究所預估有所差異時，
亦會影響其評估結果。但並非有其他的不確定 性來源就會造成較大的發電量不確定性，其尚 須考量不確定來源間的相關性。然整體而言，
此部分乃是受限於實際的天氣情況，非人力所 能控制，然不確定性將會是政策達成的風險來 源，故建議後續政府檢視相關政策目標時，需 考量發電量不確定性的影響。
4.4 土地來源
本節探討於地面型太陽光電的土地來源 上限不同設置時，對於分析結果的影響，如表 22所示，可以發現若考量使用長期耕作地及交 通用地時，2025年太陽光電發電量的期望值將 會提高1.9%(4.1億度電)，2016年至2025年太 陽光電總發電量亦會隨之提高，其主要的原因 在於，長期耕作地及交通用地將會增加陽光較 為充足區域可布建太陽光電的上限，因此，可 進而提升太陽光電發電量的期望值。依本研究 分析結果而言，土地來源對於發電量期望值的 影響不大，這主要是因為樂觀情境額外增加考
表21 全天空日射量之相關程度設定值對於太陽光電發電機率分布分析結果的影響
各區全天空日射量的相關程度 低度正相關 中度正相關 完全正相關
2025年太陽光電發電量
期望值 (億度電) 213.1 213.1 213.1 2025年太陽光電發電量
標準差 (億度電) 14.7 17.8 24.5
95.4%信心程度的發電量
分布 (億度電) 183.7 ~ 242.5 177.5 ~ 248.7 164.0 ~ 262.1 2016至2025太陽光電
總發電量 (億度電) 1,022.9 1,022.9 1,022.9 資料來源：本研究整理
量的用地有限，但由於各縣市的容量因子相差 甚大，因此，將太陽光電設置在陽光較佳的區 域，對於達成再生能源發電量的目標，將有顯 著的幫助。然而，目前對於耕作用地布建太陽 光電的詳細規範尚在訂定中，故建議政府須盡 速訂定相關規範，其勢必對於達到再生能源發 電量目標有所貢獻。
4.5 各年度裝置量策略
從表23並結合各年度裝置量可以看到，若 在2020年前少設置2.3 GW，於2025年能提升 3.1億度電的發電量期望值，約佔太陽光電發電 量規劃目標的1.5%，然而，從表23可以看到，
為了提升2025年發電量期望值的1.5%，卻要犧 牲2016年至2025年太陽光電9.7% (99.0億度電) 的總發電量，因此，若是以十年的整體發電量 來做考量，或許犧牲部分目標值的達成率，對
於全球抗暖來說更有意義。此外，本研究僅考 量前政府及目前政府的相關規劃，若實務上能 夠更為加快早期建設的腳步，又或者將更為推 延再生能源建設的期程，將有使目標達成機率 更高或者更為提高未來十年再生能源發電量的 可能性。然而，先緩後快的政策尚有科技層面 的考量，除了技術的演進導致成本降低外，效 能的提升亦會減少所需的土地面積，且我國於 太陽光電運轉維護的人才目前較為稀缺，亦須 時間培養，因此，若政府後續有調整策略的考 量，尚須更為全面的思考。
4.6 不同目標式
本節探討不同目標式對於分析結果的影 響，其分別探討(1)最大化2025年太陽光電發 電量及(2)最大化2016年至2025年太陽光電總 發電量等兩個目標式的設定下，對於分析結果 表22 地面型太陽光電土地來源對於太陽光電發電機率分布分析結果的影響
地面型太陽光電土地來源設定 地面型太陽光電潛力、長期耕作
地及交通用地總和 僅考量地面型太陽光電潛力 2025年太陽光電發電量期望值
(億度電) 217.2 213.1
2025年太陽光電發電量標準差
(億度電) 17.5 17.8
95.4%信心程度的發電量分布
(億度電) 182.1 ~ 252.2 177.5 ~ 248.7 2016至2025太陽光電總發電量
(億度電) 1,030.5 1,022.9
資料來源：本研究整理
表23 各年度裝置量策略對於太陽光電發電機率分布分析結果的影響
各區全天空日射量的相關程度 先緩後快 穩健推廣
2025年太陽光電發電量期望值
(億度電) 213.1 210.0
2025年太陽光電發電量標準差
(億度電) 17.8 17.5
95.4%信心程度的發電量分布
(億度電) 177.5 ~ 248.7 175.0 ~ 245.0 2016至2025太陽光電總發電量
(億度電) 1,022.9 1,121.9
資料來源：本研究整理
的影響，如表24所示，可以發現當目標式調整 為最大化2025年太陽光電總發電量時，其2025 年太陽光電發電量的期望值略微提升0.61%(1.3 億度)，然而，2016年至2025年太陽光電總發電 量確有明顯的下降4.3%(43.6億度)，且2025年 發電量的變異程度亦有些許的下降，此外，比 較表16及表25可以發現，當目標式改為最大化 2025年太陽光電總發電量時，容量因數越高的 地區，其模型分析的結果將會建議越晚裝設太 陽光電板，其主要是因為，雖然越晚裝設容量 因數越高的區域，其發電量受到效能遞減率的 影響越小，進而稍微提升2025年太陽光電發電 量的期望值，然而同時卻會大幅降低2016年至 2025年太陽光電總發電量。然而，若將目標式 設定為最大化2016年至2025年太陽光電總發電 量，其各區布建的順序，亦較為符合人性追逐 利益的思維，然而，如前所述，太陽能板的裝 設不全然僅考量陽光條件及發電量，尚有其他 投資者各自的考量，故不會全然於早期均集中 於陽光條件較好的區域，然這也是使用線性規 劃模型分析的限制所在，其可透過進一步限制 式的設定來進行改善。
4.7 小結
整體而言，從本研究的分析結果可以發 現，即使以最為樂觀的情境作為考量，其2025 年的發電量期望值僅略微高於我國太陽光電發 電量的目標，且從各個參數的敏感度分析可以
發現，效能遞減率、整體的影響與損失係數對 於發電量期望值有較高的影響，土地來源及
發現，效能遞減率、整體的影響與損失係數對 於發電量期望值有較高的影響，土地來源及