«Η μετατροπή των ζωικών αποβλήτων σε ηλεκτρική ενέργεια μπορεί να είναι επικερδής για τους αγρότες, παράλληλα όμως έχει και περιβαλλοντικά οφέλη, όπως η μείωση των εκπομπών αερίων του θερμοκηπίου. Ωστόσο, οι αγρότες δεν μπορούν πάντα να χρηματοδοτούν τέτοια σχέδια, τα οποία έτσι κι αλλιώς δεν είναι πάντα κερδοφόρα για μια εκμετάλλευση». Τάδε έφη Mahmoud Sharara, αναπληρωτής καθηγητής Βιολογικής και Γεωργικής Μηχανικής στο πανεπιστήμιο της Βόρειας Καρολίνα των ΗΠΑ.
Τη λύση για όσους αγρότες θέλουν να επενδύσουν σε παρόμοια ενεργειακά πρότζεκτ, βγάζοντας από την εξίσωση τον παράγοντα του υψηλού οικονομικού ρίσκου, δίνει πανεπιστημιακή έρευνα της οποίας ηγείται ο καθηγητής Sharara. Για όσους, παραδείγματος χάριν, επιθυμούν να χρησιμοποιήσουν ειδικές τεχνολογίες στον τομέα της διαχείρισης των ζωικών τους αποβλήτων, όπως είναι η αναερόβιος χώνευση για την ανάκτηση υλικών, το νέο υπολογιστικό μοντέλο που εκπόνησε η ερευνητική ομάδα δίνει κατευθυντήριες γραμμές για το πώς θα μεγιστοποιήσουν την οικονομική τους απόδοση.
Πιο συγκεκριμένα, κατατοπίζει τους παραγωγούς ως προς το πού θα πρέπει να τοποθετηθεί ένα τέτοιο σύστημα, ποια θα πρέπει να είναι η χωρητικότητά του και πόσο μεγάλη γεωγραφική περιοχή θα πρέπει να εξυπηρετεί.
Το μοντέλο λαμβάνει υπόψιν του διάφορους παράγοντες, όπως το είδος των ζώων που εκτρέφονται, το μέγεθος και τη θέση της κάθε εκμετάλλευσης. Εκεί όμως που διαφοροποιείται σημαντικά σε σχέση με παρόμοιες προσπάθειες του παρελθόντος, είναι στο ότι χρησιμοποιεί προηγμένες υπολογιστικές τεχνικές, ώστε να αντιλαμβάνεται και να αντιμετωπίζει οποιαδήποτε αβεβαιότητα.
Οι ερευνητές εντόπισαν 13 βασικές πηγές αβεβαιότητας που μπορούν να επηρεάσουν την κερδοφορία ενός συστήματος αναερόβιας χώνευσης. Ένας τρόπος με τον οποίο τα συστήματα αυτά αποκομίζουν κέρδος είναι η μετατροπή των ζωικών αποβλήτων σε βιοαέριο, η χρήση του αερίου για την παραγωγή ηλεκτρικής ενέργειας και η πώληση του ηλεκτρικού ρεύματος. Επομένως, μια βασική μεταβλητή στην πρόβλεψη της αποδοτικότητας ενός τέτοιου συστήματος είναι η μελλοντική τιμή πώλησης της ηλεκτρικής ενέργειας. Και αφού αυτή δεν είναι προκαθορισμένη, το μοντέλο αξιοποιεί ιστορικά δεδομένα και προβλέψεις αγοράς για να εκτιμήσει ένα εύρος τιμών.
