Makroiqtisadi karbonsuzlaşma, bir ölkənin iqtisadi fəaliyyətlərini dayanıqlı şəkildə davam etdirərkən enerji və istehsal sistemlərinin karbon intensivliyini orta və uzun müddətdə azaltması prosesidir. Olena Zhytkevych, Andriy Matviychuk və Natalia Osadcha tərəfindən hazırlanmış bu tədqiqat, ölkələr arasındakı iqtisadi, enerji, institusional və ekoloji fərqlərin vahid xətti modellə kifayət qədər təmsil oluna bilməyəcəyi fikrindən çıxış edərək süni intellekt dəstəkli hibrid qərarvermə çərçivəsi hazırlayır.

Təklif olunan sistem D-CPFR — Decarbonization–Collaborative Planning, Forecasting and Replenishment adlanır. Model klassik CPFR yanaşmasının birgə planlaşdırma və proqnozlaşdırma məntiqini makroiqtisadi karbonsuzlaşma kontekstinə genişləndirir; Self-Organizing Map (SOM) vasitəsilə ölkələrin klasterləşdirilməsini, klasterə xas Multilayer Perceptron (MLP) proqnozlarını və ekoloji, iqtisadi, risk və sosial məqsədləri birlikdə qiymətləndirən çoxmeyarlı ssenari optimallaşdırmasını eyni çərçivədə birləşdirir.

Tədqiqatın empirik məlumat bazası 2014–2023 dövründəki 45 ölkəni əhatə edir. Başlanğıcda enerji, iqtisadiyyat, demoqrafiya, geosiyasi risk, qloballaşma və ətraf mühit ölçülərini təmsil edən 13 illik göstəricidən istifadə olunur; bunlardan 12-si izahedici xüsusiyyət kimi model girişinə çevrilir. Proqnoz hədəfi isə orta CO₂ emissiya amilinin loqarifmidir.

Modelləşdirmə prosesi yeddi əsas mərhələdən ibarətdir: məlumatların toplanması, məlumatların ilkin emalı, SOM klasterləşdirilməsi, klasterlərin müəyyənləşdirilməsi, klasterə xas MLP proqnozu, modelin doğrulanması və nəhayət klasterdaxili və ya klasterlərarası koordinasiyaya əsaslanan ssenari optimallaşdırması.

SOM təhlili ölkə-il müşahidələrini yeddi struktur klasterə ayırmışdır. Mənbə Klaster 0 və Klaster 5-i nisbətən inkişaf etmiş enerji keçidi xüsusiyyətlərinə malik qruplar; Klaster 1 və Klaster 6-nı aralıq/keçid profilləri; Klaster 2, 3 və 4-ü isə fosil yanacaq asılılığı, enerji intensivliyi, bərpa olunan enerjinin nüfuzetməsi, elektrikləşmə və CO₂ intensivliyi baxımından daha heterogen keçid profilləri kimi şərh edir.

Klasterə xas MLP modelləri bütün qruplarda eyni nəticəni verməmişdir. Test nümunəsində MLP Klaster 2-də R² dəyərini 0,72-dən 0,98-ə; Klaster 3-də 0,36-dan 0,51-ə; Klaster 4-də 0,28-dən 0,88-ə və Klaster 6-da 0,57-dən 0,85-ə yüksəltmişdir. Klaster 0-da həm xətti reqressiya, həm də MLP R² = 0,97 nəticəsini vermişdir. Buna qarşı Klaster 1-də MLP R² = 0,80 ilə xətti modelin 0,82 dəyərindən bir qədər aşağı, Klaster 5-də isə 0,27 ilə xətti modelin 0,55 dəyərindən nəzərəçarpacaq dərəcədə aşağı qalmışdır.

Buna görə tədqiqatın elmi nəticəsi “süni intellekt xətti modellərdən həmişə daha yaxşıdır” deyil. Daha düzgün nəticə budur ki, ölkələrarası struktur heterogenliyin yüksək və əlaqələrin qeyri-xətti olduğu bəzi klasterlərdə klaster-əsaslı MLP modelləri vahid qlobal xətti modellə müqayisədə nəzərəçarpacaq proqnoz üstünlüyü təmin edə bilər.

D-CPFR-nin ikinci hissəsi proqnoz nəticələrini idarəetmə prosesinə bağlayır. Eyni klasterdəki ölkələr məlumat mübadiləsi, investisiya koordinasiyası, texnologiya siyasəti və tənzimləyici qərarları birlikdə qiymətləndirə bilər; fərqli klasterlər isə texnologiya transferi, investisiya əməkdaşlığı və institusional bilik mübadiləsi yolu ilə bir-birini dəstəkləyə bilər.

Lakin bu idarəetmə mexanizmləri tədqiqatda real ölkələrdə tətbiq edilməmişdir. Tədqiqatın empirik olaraq sınadığı hissə klasterə xas proqnoz modellərinin performansıdır. Klasterdaxili və klasterlərarası koordinasiyanın real emissiya azalması, iqtisadi xərc və ya sosial fayda yaradıb-yaratmadığı hələ empirik olaraq göstərilməmişdir.

D-CPFR modeli nədir?

D-CPFR struktur baxımından oxşar ölkələri klasterlərə ayıran, hər klaster üçün ayrıca süni neyron şəbəkəsi proqnozları yaradan və bu proqnozları ekoloji hədəflər, xərc, risk və sosial faydanı birlikdə qiymətləndirən birgə karbonsuzlaşma ssenarilərinə bağlayan çoxqatlı qərar dəstəyi çərçivəsidir.

D-CPFR-nin əsas yeniliyi yeni bir süni intellekt alqoritmi hazırlamaq deyil. Mənbə tədqiqat yeniliyi əvvəllər ayrı-ayrılıqda istifadə edilən metodların eyni idarəetmə sistemi daxilində inteqrasiyası kimi müəyyən edir.

Çərçivənin üç əsas analitik komponenti vardır:

1. SOM klasterləşdirilməsi: Struktur baxımından bir-birinə oxşar ölkə-il müşahidələrini müəyyən etmək.
2. Klasterə xas MLP proqnozu: Hər qrupun öz iqtisadi və enerji quruluşu daxilindəki qeyri-xətti əlaqələri modelləşdirmək.
3. Çoxmeyarlı ssenari optimallaşdırması: Proqnoz nəticələrini siyasət, investisiya, texnologiya, risk və sosial məqsədlərlə birlikdə qiymətləndirmək.

D-CPFR niyə vahid qlobal modeldən istifadə etmir?

Çünki eyni enerji və ya iqtisadi dəyişən müxtəlif ölkə qruplarında fərqli məna daşıya bilər. Bərpa olunan enerjinin payının artması, bərpa olunan enerji nüfuzetməsinin yüksək olduğu ölkədə həqiqətən fosil yanacaq istifadəsini əvəz edə bildiyi halda; elektrik enerjisinə ümumi tələbin sürətlə artdığı başqa iqtisadiyyatda bərpa olunan gücün artması ümumi CO₂ intensivliyinin dərhal azalması ilə paralel baş verməyə bilər.

Tədqiqatın klaster-əsaslı yanaşması bütün ölkələr üçün vahid orta əmsal yaratmaq əvəzinə struktur baxımından oxşar ölkə qruplarında ayrı-ayrı əlaqələri qiymətləndirməyi hədəfləyir.

Tədqiqatda “karbonsuzlaşma potensialı” necə müəyyən edilir?

Mənbə tədqiqat bir ölkənin karbonsuzlaşma potensialını iqtisadiyyatının karbon intensivliyini orta və uzun müddətdə dayanıqlı şəkildə azaltmaq qabiliyyəti kimi müəyyən edir; empirik modelin birbaşa proqnozlaşdırdığı hədəf isə orta CO₂ emissiya amilinin loqarifmidir.

Bu fərq vacibdir. D-CPFR birbaşa “ölkə bu qədər ton CO₂ azaldacaq” formasında dəqiq gələcək proqnozu vermir. Seçilmiş iqtisadi, enerji, demoqrafik, institusional və ekoloji göstəricilərdən CO₂ emissiya amilini modelləşdirərək alternativ karbonsuzlaşma ssenarilərinin analitik əsasını yaradır.

Tədqiqatın üç tədqiqat sualı

1. Klasterləşdirmə və neyron şəbəkəsi metodlarına əsaslanan hibrid proqnozlaşdırmanın nəzəri əsasları hansılardır?
2. D-CPFR modeli struktur baxımından heterogen ölkələrdə proqnozlaşdırma ilə birgə planlaşdırmanı necə birləşdirə bilər?
3. Bu yanaşma fərqləndirilmiş iqlim siyasətlərinin və koordinasiyalı karbonsuzlaşma strategiyalarının formalaşdırılmasını necə dəstəkləyə bilər?

Modelin iş axını necədir?

Model məlumatların toplanmasından başlayaraq göstəricilərin hazırlanması, SOM ilə struktur klasterlərin yaradılması, hər klaster üçün MLP proqnozu, modelin doğrulanması və proqnozların çoxmeyarlı birgə siyasət ssenarilərinə çevrilməsi mərhələlərini izləyir.

Self-Organizing Map niyə istifadə edilmişdir?

SOM çoxölçülü ölkə göstəricilərindəki qeyri-xətti oxşarlıqları topoloji quruluşu mümkün qədər qoruyaraq aşağı ölçülü xəritəyə çevirmək və struktur baxımından bir-birinə bənzəyən ölkə-il müşahidələrini eyni qrupda toplamaq məqsədilə istifadə edilmişdir.

Mənbə tədqiqatda SOM seçimi əvvəllər K-means və Gaussian Mixture Models kimi alternativ klasterləşdirmə üsulları ilə aparılan müqayisələrə əsaslandırılır. Müəlliflər SOM-un mürəkkəb qeyri-xətti strukturları tutmaq, topoloji əlaqələri qorumaq, səs-küyə davamlılıq və yüksəkölçülü verilərlə işləmək baxımından bu verilər dəstinə uyğun olduğunu bildirirlər.

Optimal klaster sayı:

• Silhouette indeksi,
• Davies–Bouldin indeksi,
• Calinski–Harabasz indeksi

kimi daxili klasterləşdirmə keyfiyyəti göstəricilərinə görə qiymətləndirilmiş və yeddi klaster seçilmişdir.

Mənbə məqalə bu bölmədə meyarların istifadə olunduğunu açıqlayır, lakin əsas mətndə bu üç indeksin bütün namizəd klaster sayları üçün ədədi dəyərlərini vermir.

Klaster üzvlüyü ölkələrin dəyişməz etiketi sayılırmı?

Xeyr. SOM təsnifatı ölkə-il müşahidələri üzərində aparılır; buna görə bir ölkə müxtəlif illərdə fərqli klasterlərdə yer ala bilər və mənbə Cədvəl A3-də Almaniya, Avstraliya, Belçika, Çili, İtaliya, Malayziya, Meksika, Polşa, İspaniya, Ukrayna, Birləşmiş Krallıq, Özbəkistan və Vyetnam kimi ölkələrin dövr ərzində klaster dəyişdirdiyi görünür.

Bu xüsusiyyət D-CPFR-nin dinamik şərhi ilə uyğundur. Mənbə siyasət islahatı, investisiya, texnoloji inkişaf və ya xarici iqtisadi şərtlər nəticəsində bir ölkənin zamanla fərqli struktur klasterə keçə biləcəyini nəzəri olaraq nəzərdə tutur.

Mənbədə bildirilən yeddi klaster

Klasterlərin ümumi şərhi

Mənbəyə görə Klaster 0 və Klaster 5 nisbətən inkişaf etmiş enerji keçidi xüsusiyyətlərinə görə potensial karbonsuzlaşma mərkəzləri və ya keçid liderləri kimi şərh edilə bilər.

Klaster 1 və Klaster 6 iqtisadi inkişaf, enerji quruluşu və karbonsuzlaşma xüsusiyyətlərinin müxtəlif kombinasiyalarını ehtiva edən aralıq və ya keçid profilləridir.

Klaster 2, 3 və 4 isə fosil yanacaq asılılığı, enerji intensivliyi, bərpa olunan enerji nüfuzetməsi, elektrikləşmə və CO₂ emissiya intensivliyi baxımından daha heterogen profillər göstərir.

Tədqiqatın Metodu və Nəticələri

Məlumatların əhatəsi

Tədqiqat 45 ölkəni və 2014–2023 dövrünü əhatə edir. İstifadə olunan əsas məlumat mənbələri:

• EnerData,
• World Bank,
• Geopolitical Risk Index.

Başlanğıc informasiya bazası 13 illik göstəricidən ibarətdir. Feature selection, mütləq göstəricilərin nisbi ölçülərə çevrilməsi və törəmə xüsusiyyətlərin yaradılması nəticəsində modelə daxil edilən 12 izahedici dəyişən formalaşdırılmışdır.

13 əsas göstərici

Məlumatların standartlaşdırılması

Mənbənin metod bölməsi izahedici xüsusiyyətlərin z-score standardization ilə standartlaşdırıldığını bildirir. Standartlaşdırılmış 12 ölçülü vektor daha sonra həm SOM klasterləşdirilməsinin, həm də MLP proqnoz modelinin girişini təşkil edir.

Hədəf dəyişən olan orta CO₂ emissiya amilinə loqarifmik çevrilmə tətbiq edilmişdir. Mənbə bunun assimmetrik paylanmanı və kənar dəyərlərin təsirini azaltmaqla proqnozların statistik sabitliyini artırmağı məqsəd qoyduğunu bildirir.

Təlim və test ayrımı

Məlumat modelin qurulması və doğrulanması məqsədilə %70 təlim / %30 test formasında ayrılmışdır.

Mənbə bu nisbətin istifadə olunduğunu açıq şəkildə bildirir; lakin əsas metod izahında ayrımın il sırasını qoruyan zaman bölməsi, yoxsa ölkə-il müşahidələrinin başqa formada bölünməsi olduğu açıq göstərilmir.

Bu detal xüsusilə “forecasting” anlayışının şərhi baxımından vacibdir. Buna görə nəticələrin real vaxtlı gələcəyə yönəlik ölkə proqnozundan daha çox mövcud ölkə-il nümunəsi üzərində şərti proqnoz performansı kimi qiymətləndirilməsi daha təhlükəsizdir.

Xətti reqressiya benchmark-ı

İlk mərhələdə bütün ölkələr və illər eyni pooled verilər dəstində birləşdirilərək 12 izahedici dəyişənli çoxsaylı xətti reqressiya qurulmuşdur:

y(k,t) = β0 + β1x1 + β2x2 + ... + β12x12 + ε(k,t)

Burada y(k,t), ölkə k və il t üçün orta CO₂ emissiya amilinin loqarifmidir.

Xətti modelin performansı R², MAE və MSE ilə qiymətləndirilmişdir. Mənbə vahid qlobal xətti modelin mürəkkəb və qeyri-xətti ölkə fərqlərini kifayət qədər təmsil etmədiyi nəticəsinə gəlir və bu modeli SOM + MLP yanaşması üçün müqayisə nöqtəsi kimi istifadə edir.

MLP modeli

Hər klaster üçün ayrıca Multilayer Perceptron proqnoz funksiyası qurulmuşdur. MLP-nin əsas quruluşu:

h(0) = X*

h(l) = σ(l)(W(l)h(l−1) + b(l))

və son çıxış:

ŷ(k,t) = h(L)

şəklindədir.

Gizli qatlarda logistic/sigmoid, çıxış qatında reqressiya probleminə uyğun linear activation istifadə edilmişdir.

Öyrənmənin məqsədi Mean Squared Error-un minimallaşdırılmasıdır:

MSE(c) = (1/Nc) Σ (yi − ŷi)² → min

MLP tətbiq parametrləri

Mənbə kod hissəsində gizli qat quruluşu hidden_layer_sizes = arch şəklində parametrik göstərilir. Lakin Table A4 və ya verilən kod hissəsində arch dəyişəninin dəqiq neyron/qat sayları ayrıca yazılmır. Buna görə Verianla mənbədə açıq şəkildə verilməyən şəbəkə arxitekturası ölçülərini təxmin edərək doldurmur.

Klasterə xas MLP həqiqətən xətti modeldən daha yaxşıdırmı?

Bəzi klasterlərdə bəli, bəzilərində xeyr: MLP xüsusilə Klaster 2, 3, 4 və 6-da R² və/və ya xəta göstəricilərində nəzərəçarpacaq yaxşılaşma göstərir; Klaster 0-da xətti modellə eyni R²-ni verir, Klaster 1 və 5-də isə R² baxımından xətti modeldən aşağı qalır.

Ən böyük model fərqi niyə Klaster 4-dədir?

Klaster 4-də xətti reqressiya R² = 0,28, MAE = 0,12 və MSE = 0,02 nəticəsini verdiyi halda MLP R² = 0,88, MAE = 0,04 və MSE = 1 × 10⁻⁴ nəticəsini verir.

Mənbə bu fərqi həmin klasterdə iqtisadi, enerji və ekoloji dəyişənlər arasındakı əlaqələrin qeyri-xətti və struktur baxımından daha mürəkkəb olması ilə əlaqələndirir.

Klaster 4; Əlcəzair, Azərbaycan, Misir, Hindistan, İndoneziya, Nigeriya, Tayland, Türkiyə və müəyyən illərdə Malayziya, Meksika, Ukrayna, Özbəkistan və Vyetnam kimi müxtəlif keçid profillərini ehtiva edir.

Bu nəticə həmin ölkələrdə MLP-nin real siyasət nəticəsi baxımından daha yaxşı olduğunu deyil, tədqiqatın test verilər dəstində CO₂ emissiya amili proqnozlarında xətti benchmark-la müqayisədə daha yaxşı uyğunlaşma verdiyini göstərir.

Klaster 0 niyə fərqlidir?

Klaster 0 Kanada, Yeni Zelandiya, Norveç və İsveçdən ibarətdir. Bu qrupda həm xətti, həm də MLP modelləri test R² = 0,97 nəticəsini vermişdir.

Mənbə belə klasterlərdə dəyişənlərarası quruluşun nisbətən sabit olduğunu və daha mürəkkəb neyron şəbəkəsindən istifadə etmədən də yüksək proqnoz performansı əldə edilə biləcəyini bildirir.

Bu nəticə model mürəkkəbliyinin hər vəziyyətdə üstünlük yaratmadığını göstərir.

Bərpa olunan enerji dəyişəninin təsiri klasterlərə görə niyə dəyişir?

Mənbədə x6 — elektrikləşmədə külək və günəş payı — üçün qiymətləndirilən əlaqənin Klaster 0-da mənfi, digər klasterlərdə isə müsbət ola bildiyi bildirilir.

Klaster 0-da yüksək külək və günəş nüfuzetməsi daha aşağı CO₂ emissiya amili ilə əlaqəlidir.

Digər klasterlərdə müsbət əmsalın görünməsi isə bərpa olunan güc artımının eyni zamanda ümumi elektrik tələbi və iqtisadi fəaliyyətin genişlənməsi ilə birgə baş verə bilməsi ilə izah olunur. Buna görə bərpa olunan quraşdırılmış gücün artması qısa müddətdə və ya mövcud nümunə dövründə ümumi karbon intensivliyinin avtomatik azalması demək deyil.

Bu əmsallar müşahidəvi model əlaqələridir; külək və ya günəş investisiyasının emissiyaları artırdığı kimi səbəbiyyətli şəkildə şərh edilməməlidir.

D-CPFR-nin çoxmeyarlı qərar funksiyası necə işləyir?

D-CPFR alternativ siyasət ssenarilərini yalnız CO₂ hədəfi ilə deyil; tətbiq xərci, geosiyasi/maliyyə/texnoloji risk və sosial faydanı birlikdə ehtiva edən çəkili itki funksiyası üzərindən qiymətləndirməyi təklif edir.

Hər ssenari dörd əsas qərar sahəsini əhatə edir:

• siyasət qərarları,
• investisiya qərarları,
• texnoloji qərarlar,
• tənzimləyici qərarlar.

Mənbə tədqiqatdakı itki funksiyasının məntiqi belə ümumiləşdirilə bilər:

L(c) = α × (hədəf CO₂ − proqnozlaşdırılan CO₂)² + β × xərc + γ × risk − δ × sosial fayda

Burada α, β, γ və δ əmsalları ekoloji hədəfin, iqtisadi xərcin, riskin və sosial faydanın siyasət qərarındakı nisbi əhəmiyyətini müəyyən edir.

Risk komponenti geosiyasi, maliyyə və ya texnoloji qeyri-müəyyənlikləri; sosial komponent isə enerjiyə çıxış, institusional sabitlik və bərabərsizliyin azaldılması kimi elementləri əhatə edə bilər.

Bu funksiya empirik olaraq müəyyən edilmiş vahid “optimal dünya iqlim siyasəti” deyil. Siyasət qurucusunun çəkiləri və tətbiq edilə bilən ssenarilər çoxluğunu müəyyən etdiyi qərar dəstəyi quruluşudur.

Intracluster və intercluster əməkdaşlığı arasındakı fərq nədir?

Intracluster əməkdaşlığı struktur baxımından bir-birinə bənzəyən ölkələrin siyasət, investisiya və texnologiya qərarlarını koordinasiyalı şəkildə inkişaf etdirməsini; intercluster əməkdaşlığı isə struktur baxımından fərqli klasterlər arasında texnologiya, investisiya, bilik və institusional təcrübə transferini ifadə edir.

Intracluster ssenarisi

Eyni klasterdəki ölkələrin oxşar:

• enerji quruluşuna,
• iqtisadi inkişaf xüsusiyyətlərinə,
• karbon intensivliyinə,
• institusional problemlərə,
• texnoloji ehtiyaclara

malik ola biləcəyi fərz edilir.

Bu ölkələr:

• emissiya və enerji balansı məlumatlarını paylaşa,
• birgə ssenarilər yarada,
• investisiya prioritetlərini uyğunlaşdıra,
• oxşar siyasət alətlərini koordinasiyalı şəkildə tətbiq edə bilər.

Mənbə xüsusilə struktur baxımından daha çətin profillər göstərən Klaster 3 və Klaster 4 kimi qrupları intracluster koordinasiya üçün nümunə göstərir.

Intercluster ssenarisi

Intercluster əməkdaşlığında məqsəd bir-birinə bənzəyən ölkələri koordinasiya etmək deyil, fərqli struktur gücə malik klasterlər arasında tamamlayıcılıq yaratmaqdır.

Mənbə nümunə olaraq Kanada, Norveç və İsveç kimi daha inkişaf etmiş karbonsuzlaşma profillərinə malik ölkələrlə Çin, Qazaxıstan və ya Ukrayna kimi daha yüksək karbon intensivliyinə malik qruplar arasındakı potensial əməkdaşlığı müzakirə edir.

Bu əməkdaşlıq:

• təmiz texnologiya transferi,
• yaşıl investisiya maliyyələşdirilməsi,
• institusional islahat təcrübəsinin ötürülməsi,
• birgə infrastruktur planlaşdırılması,
• bilik və ekspertiza mübadiləsi

kimi mexanizmləri ehtiva edə bilər.

Bu ssenarilər həqiqətən sınaqdan keçirilibmi?

Xeyr. Mənbə məqalə bunu açıq şəkildə məhdudlaşdırır. Intracluster və intercluster koordinasiya mexanizmləri prospective policy options, yəni gələcəkdə tətbiq oluna biləcək siyasət seçimləri kimi təqdim edilmişdir.

Tədqiqatda ölkələr arasında real D-CPFR tərəfdaşlığı qurulmamış, investisiya proqramı tətbiq edilməmiş və koordinasiyadan əvvəl-sonra emissiya dəyişikliyi ölçülməmişdir.

Buna görə:

• “D-CPFR emissiyaları bu qədər azaltdı”,
• “ölkələrarası koordinasiya iqtisadi artımı yüksəltdi”,
• “texnologiya transferi müəyyən miqdarda karbon azalması yaratdı”

kimi nəticələr bu tədqiqatdan çıxarıla bilməz.

Süni intellekt bu tədqiqatda dəqiq olaraq nə edir?

Süni intellekt iki analitik mərhələdə istifadə olunur: SOM nəzarətsiz öyrənmə ilə oxşar ölkə-il profillərini klasterlərə ayırır, MLP isə hər klaster daxilində seçilmiş göstəricilərdən CO₂ emissiya amilinin qeyri-xətti əlaqəsini proqnozlaşdırır; siyasət koordinasiyasının özü real avtonom AI agenti tərəfindən həyata keçirilmir.

D-CPFR buna görə özbaşına müstəqil qərar verən “AI hökuməti” və ya avtomatik iqlim idarəetmə sistemi deyil.

Süni intellekt qərar dəstəyi infrastrukturunun analitik proqnoz komponentidir. Son ssenari seçimi ekoloji, iqtisadi, risk və sosial hədəflərə görə müəyyən edilmiş optimallaşdırma strukturundan asılıdır.

ChatGPT tədqiqatda istifadə edilibmi?

Mənbə məqalənin AI istifadəsi bəyanatına görə generativ süni intellekt məlumat istehsalı, elmi modelləşdirmə və ya təhlil üçün istifadə edilməmişdir.

Müəlliflər ChatGPT-nin yalnız:

• dil redaktəsi,
• kod düzəlişi,
• tərcümə,
• formatlaşdırma

dəstəyi üçün istifadə edildiyini və elmi məzmunu özlərinin yoxlayıb məsuliyyətini daşıdıqlarını bildirirlər.

Tədqiqatın güclü tərəfləri

Struktur heterogenliyi görünən etməsi: Vahid qlobal model əvəzinə müxtəlif ölkə qruplarında ayrı-ayrı əlaqələr modelləşdirilir.

Xətti və qeyri-xətti modeli müqayisə etməsi: Hansı klasterlərdə mürəkkəb modelin həqiqətən üstünlük yaratdığı görünə bilir.

Texnologiyanı idarəetmə ilə birləşdirməsi: Proqnoz nəticələri yalnız analitik çıxış kimi saxlanmır, siyasət və investisiya ssenarilərinə bağlanır.

Çoxməqsədli qərar məntiqi: Yalnız CO₂ deyil, xərc, risk və sosial fayda eyni optimallaşdırma strukturuna daxil edilir.

Ölkə-il klasterlərinin dəyişə bilməsi: Ölkələr sabit inkişaf etiketi altında saxlanmır, zamanla fərqli struktur profilə keçə bilmə ehtimalı qəbul edilir.

Tədqiqatın əsas məhdudiyyətləri

45 ölkə və 10 illik dövr: 2014–2023 nümunəsi bütün dünya iqtisadiyyatlarını və ya daha uzunmüddətli dönüşümləri təmsil etməyə bilər.

Giriş seçiminə asılılıq: Nəticələr seçilmiş 12 izahedici xüsusiyyətə və hədəf dəyişənə bağlıdır. Fərqli iqtisadi, texnoloji və ya maliyyə göstəriciləri fərqli klasterlər və fərqli proqnoz nəticələri yarada bilər.

Yeddi klaster seçiminə asılılıq: Klaster sayı daxili keyfiyyət meyarlarına əsaslandırılsa da alternativ klasterləşdirmə spesifikasiyaları fərqli qrup strukturları yarada bilər.

MLP arxitekturası tam ədədi şəkildə hesabatlandırılmayıb: Mənbə kod hissəsi hidden_layer_sizes = arch şəklində arxitektura dəyişənindən istifadə edir, lakin görünən model spesifikasiyası cədvəlində bu arch dəyərinin dəqiq qat/neyron quruluşu verilməyib.

%70/%30 bölünməsinin təfərrüatı məhduddur: Mənbə təlim-test nisbətini bildirir, lakin əsas metod izahında bölünmənin zaman üzrə və ya təsadüfi xarakterini ətraflı açıqlamır.

Cross-validation və geniş robustness dəsti yoxdur: Mənbə bunu gələcək tədqiqatlar üçün açıq ehtiyac kimi göstərir.

Alternativ maşın öyrənməsi modelləri sınaqdan keçirilməyib: Random Forest, Gradient Boosting, XGBoost və Support Vector Regression kimi metodların gələcəkdə müqayisə edilməsi təklif olunur.

Model performansı klasterlər üzrə ardıcıl deyil: MLP Klaster 1 və 5-də R² baxımından xətti modeldən daha aşağı performans göstərir.

Siyasət mexanizmləri empirik olaraq sınaqdan keçirilməyib: D-CPFR-nin birgə idarəetmə hissəsi nəzəri və ssenari-əsaslıdır.

Səbəbiyyət sübutu deyil: Göstəricilər ilə CO₂ emissiya amili arasındakı model əlaqələri müəyyən dəyişənlərin emissiyaları səbəbiyyətli şəkildə artırdığını və ya azaltdığını sübut etmir.

Gələcək tədqiqatlar

Mənbə daha geniş ölkə və zaman əhatəsinə malik panel verilər dəstlərinin istifadə edilməli olduğunu bildirir.

Həmçinin:

• Random Forest,
• Gradient Boosting,
• XGBoost,
• Support Vector Regression

kimi alternativ modellərlə müqayisə təklif olunur.

Cross-validation və daha əhatəli robustness təhlillərinin tətbiqi, maliyyə və texnoloji göstəricilərin genişləndirilməsi və D-CPFR üçün real rəqəmsal qərar dəstəyi platformalarının hazırlanması da gələcək tədqiqat mövzuları sırasındadır.

Ən kritik gələcək addım isə intracluster və intercluster koordinasiyanın real siyasət nümunələrində tətbiq edilməsi və nəzərdə tutulan faydaların həqiqətən ortaya çıxıb-çıxmadığının ölçülməsidir.

Ümumi elmi nəticə

Tədqiqat ölkələrin karbonsuzlaşma proseslərinin eyni iqtisadi və ya texnoloji model altında homogen qəbul edilməməli olduğunu göstərir.

SOM təhlili 45 ölkənin ölkə-il müşahidələrini yeddi müxtəlif struktur klasterə ayırmış və bu qrupların fosil yanacaq asılılığı, enerji intensivliyi, bərpa olunan enerji nüfuzetməsi, elektrikləşmə və CO₂ emissiya amili baxımından fərqləndiyini göstərmişdir.

Klasterə xas MLP modelləri xüsusilə qeyri-xətti əlaqənin güclü olduğu Klaster 2, 3, 4 və 6-da xətti benchmark-la müqayisədə daha yüksək proqnoz performansı vermişdir.

Ən nəzərəçarpan nəticə Klaster 4-də görülmüş; test R² dəyəri xətti reqressiyadakı 0,28-dən MLP-də 0,88-ə yüksəlmişdir.

Buna qarşı Klaster 0-da iki model eyni R² vermiş, Klaster 1 və 5-də isə MLP R² baxımından xətti reqressiyadan aşağı qalmışdır. Buna görə mənbə nəticələri süni intellektin avtomatik üstünlüyündən daha çox model seçiminin ölkə qrupunun struktur xüsusiyyətlərinə görə fərqləndirilməsi lazım olduğunu dəstəkləyir.

D-CPFR-nin nəzəri töhfəsi bu proqnoz qatını ortaq siyasət planlaşdırması, investisiya koordinasiyası, texnologiya seçimi və risk-sosial fayda balansını ehtiva edən çoxmeyarlı idarəetmə quruluşu ilə birləşdirməsidir.

Lakin modelin idarəetmə hissəsi hələ real ölkələrdə tətbiq edilmədiyi üçün D-CPFR-nin qlobal karbonsuzlaşmanı faktiki sürətləndirdiyini və ya müəyyən miqdarda emissiya azalması yaratdığını demək olmaz.

Tədqiqatın dəstəklədiyi ən təhlükəsiz nəticə budur ki, struktur heterogenliyi əvvəlcə klasterləşdirmə yolu ilə ayırmaq və sonra klasterə xas qeyri-xətti modellərdən istifadə etmək bəzi ölkə qruplarında CO₂ emissiya amili proqnozunu vahid qlobal xətti modellə müqayisədə əhəmiyyətli dərəcədə yaxşılaşdıra bilər.

Mənbə və Metod Qeydi

Orijinal tədqiqat başlığı: AI-Driven Collaborative Energy Decision-Making Model for Macroeconomic Decarbonization

Müəlliflər: Olena Zhytkevych; Andriy Matviychuk; Natalia Osadcha.

Corresponding author: Natalia Osadcha.

Qurumlar: College of Business, American University of Kurdistan, Duhok, Iraq; Department of Artificial Intelligence, Modeling and Statistics, Kyiv National Economic University named after Vadym Hetman, Kyiv, Ukraine; Department of Social Sciences, Technology and Arts, Luleå University of Technology, Sweden.

Jurnal: Economies.

Nəşriyyat: MDPI, Basel, Switzerland.

Biblioqrafik qeyd: Economies 2026, 14, 400.

DOI: 10.3390/economies14090400

Akademik redaktorlar: Won Sang Lee; Yonghan Ju.

Təqdim tarixi: 27 İyul 2026.

Reviziya tarixi: 18 Avqust 2026.

Qəbul tarixi: 27 Avqust 2026.

Nəşr tarixi: 8 Sentyabr 2026.

Mənbə növü: Hibrid süni intellekt, klasterləşdirmə və ssenari optimallaşdırmasından istifadə edən empirik modelləşdirmə və nəzəri qərar-dəstəyi çərçivəsi.

Tədqiqat əhatəsi: 45 ölkə, 2014–2023.

Başlanğıc göstərici dəsti: 13 illik enerji, demoqrafiya, iqtisadiyyat, risk, qloballaşma və ətraf mühit göstəricisi.

İzahedici xüsusiyyət dəsti: Feature selection, çevrilmə və feature engineering sonrasında 12 predictor.

Hədəf dəyişən: Orta CO₂ emissiya amilinin loqarifmi.

Məlumat standartlaşdırılması: Mənbə Table A4-ə görə z-score standardization.

Təlim/test ayrımı: %70 / %30.

Benchmark: Bütün ölkə-il müşahidələri üzərində pooled multiple linear regression.

Klasterləşdirmə metodu: Self-Organizing Map.

Klaster sayı: 7.

Klaster sayı seçim meyarları: Silhouette, Davies–Bouldin və Calinski–Harabasz indeksləri.

Qeyri-xətti model: Hər klaster üçün ayrıca Multilayer Perceptron.

Gizli qat aktivasiyası: Logistic/sigmoid.

Çıxış aktivasiyası: Linear.

Optimizer: Adam.

Maksimum iterasiya: 3000.

Early stopping: True.

Learning rate: Adaptive.

Loss: Mean Squared Error.

Model qiymətləndirmə metrikləri: R², MAE, MSE.

Əsas performans nəticəsi: MLP-nin R² dəyəri LR-yə görə Klaster 2-də 0,72 → 0,98; Klaster 3-də 0,36 → 0,51; Klaster 4-də 0,28 → 0,88; Klaster 6-da 0,57 → 0,85. Klaster 0-da hər iki model 0,97; Klaster 1-də 0,82 → 0,80; Klaster 5-də 0,55 → 0,27.

D-CPFR ssenari dəyişənləri: Siyasət, investisiya, texnologiya və tənzimləyici qərarlar.

Optimallaşdırma meyarları: Hədəf CO₂ səviyyəsindən yayınma, tətbiq xərci, geosiyasi/maliyyə/texnoloji risk və sosial fayda.

Intracluster yanaşma: Struktur baxımından oxşar ölkələr arasında məlumat, siyasət və investisiya koordinasiyası.

Intercluster yanaşma: Fərqli karbonsuzlaşma profillərinə malik qruplar arasında texnologiya transferi, investisiya əməkdaşlığı və institusional bilik mübadiləsi.

Empirik sərhəd: Tədqiqat klaster-əsaslı proqnoz performansını sınaqdan keçirir; intracluster və ya intercluster əməkdaşlığın real siyasət mühitində emissiya, xərc və ya sosial nəticələrini birbaşa sınaqdan keçirmir.

Məlumat mənbələri: EnerData (2024), World Bank (2024), Geopolitical Risk Index (2025).

Məlumat/kod əlçatanlığı: Xam məlumat mənbələri açıqdır. Emal olunmuş verilər dəstinin və modelləşdirmə kodunun corresponding author-dan əsaslandırılmış sorğu əsasında əldə edilə biləcəyi bildirilir.

Proqram təminatı: Python 3.11, NumPy, Pandas, Scikit-learn, MiniSom 2.3.5 və klasterləşdirmə təhlilində scikit-fuzzy 0.5.0.

Etik komitə: İnsan və ya heyvan subyekti olmadığı üçün tətbiq edilmir.

Məlumatlandırılmış razılıq: Tətbiq edilmir.

AI istifadəsi bəyanatı: Generativ süni intellekt məlumat istehsalı, modelləşdirmə və ya elmi təhlil üçün istifadə edilməmişdir. Müəlliflər ChatGPT-ni yalnız dil redaktəsi, kod düzəlişi, tərcümə və formatlaşdırma dəstəyi üçün istifadə etdiklərini; bütün çıxışları yoxladıqlarını və elmi məsuliyyətin özlərinə aid olduğunu bildirirlər.

Müəllif töhfələri: Konseptuallaşdırma: O.Z. və A.M.; metodologiya: O.Z. və A.M.; proqram təminatı: O.Z.; doğrulama: O.Z., A.M. və N.O.; formal təhlil: O.Z.; tədqiqat: O.Z.; resurslar və məlumatların idarə edilməsi: O.Z. və A.M.; ilkin layihə: O.Z. və A.M.; nəzərdən keçirmə və redaktə: O.Z., A.M. və N.O.; vizuallaşdırma: O.Z.; supervision: A.M.; layihə idarəçiliyi: N.O. Bütün müəlliflər dərc olunmuş versiyanı oxuyub təsdiq etmişdir.

Maliyyələşdirmə: Tədqiqat xüsusi tədqiqat qrantı almamışdır. Article Processing Charge, Luleå University of Technology tərəfindən qarşılanmışdır.

Maraqlar toqquşması: Müəlliflər maraqlar toqquşmasının olmadığını bildirmişdir.

Lisenziya: Creative Commons Attribution 4.0 (CC BY).

Əsas metodoloji məhdudiyyətlər: 45 ölkə və 2014–2023 dövrü ilə məhdud məlumat əhatəsi; nəticələrin seçilmiş göstəricilərdən, yeddi klasterli quruluşdan və model fərziyyələrindən asılılığı; alternativ ML metodlarının və geniş cross-validation/robustness sınaqlarının olmaması; təlim-test ayrımının tətbiq detallarının məhdud hesabatlandırılması; MLP-nin ədədi hidden-layer arxitekturasının görünən spesifikasiyada açıq verilməməsi; bəzi klasterlərdə MLP-nin LR-dən daha aşağı R² verməsi; birgə siyasət ssenarilərinin real dünyada tətbiq edilməməsi. Nəticələr birbaşa səbəbiyyətli iqlim siyasəti təsirləri kimi şərh edilməməlidir.