Макроэкономикалык көмүртексизденүү — өлкө экономикалык ишмердигин туруктуу улантып жатып, энергетика жана өндүрүш системаларынын көмүртек сыйымдуулугун орто жана узак мөөнөттө азайтуу процесси. Olena Zhytkevych, Andriy Matviychuk жана Natalia Osadcha даярдаган бул изилдөө өлкөлөрдүн ортосундагы экономикалык, энергетикалык, институционалдык жана экологиялык айырмачылыктарды бир гана сызыктуу модель жетиштүү деңгээлде чагылдыра албай калышы мүмкүн деген ойдон чыгып, жасалма интеллект колдогон гибриддик чечим кабыл алуу алкагын иштеп чыгат.

Сунушталган система D-CPFR — Decarbonization–Collaborative Planning, Forecasting and Replenishment деп аталат. Модель классикалык CPFR ыкмасынын биргелешкен пландаштыруу жана болжолдоо логикасын макроэкономикалык көмүртексизденүү контекстине кеңейтет; Self-Organizing Map (SOM) аркылуу өлкөлөрдү кластерлештирүүнү, кластерге мүнөздүү Multilayer Perceptron (MLP) болжолдорун жана экологиялык, экономикалык, тобокелдик жана социалдык максаттарды бирге баалаган көп критерийлүү сценарий оптималдаштыруусун бир алкакта бириктирет.

Изилдөөнүн эмпирикалык маалымат базасы 2014–2023 мезгилиндеги 45 өлкөнү камтыйт. Башында энергетика, экономика, демография, геосаясий тобокелдик, глобалдашуу жана айлана-чөйрө өлчөмдөрүн чагылдырган 13 жылдык көрсөткүч колдонулат; алардын 12'си түшүндүрүүчү белги катары моделдин киришине айландырылат. Болжолдоо максаты болсо орточо CO₂ эмиссия факторунун логарифми.

Моделдөө процесси жети негизги баскычтан турат: маалымат чогултуу, маалыматты алдын ала иштетүү, SOM кластерлештирүүсү, кластерлерди аныктоо, кластерге мүнөздүү MLP болжолу, моделди текшерүү жана акырында кластер ичиндеги же кластерлер аралык координацияга негизделген сценарий оптималдаштыруусу.

SOM талдоосу өлкө-жыл байкоолорун жети түзүмдүк кластерге бөлгөн. Булак Кластер 0 жана Кластер 5ти салыштырмалуу өнүккөн энергетикалык өтүү өзгөчөлүктөрүнө ээ топтор катары; Кластер 1 жана Кластер 6ны аралык/өтмө профилдер катары; ал эми Кластер 2, 3 жана 4тү казылып алынуучу отунга көз карандылык, энергия сыйымдуулугу, кайра жаралуучу энергиянын кирүү деңгээли, электрлештирүү жана CO₂ сыйымдуулугу жагынан көбүрөөк гетерогендүү өтмө профилдер катары түшүндүрөт.

Кластерге мүнөздүү MLP моделдери бардык топтордо бирдей натыйжа берген эмес. Тесттик үлгүдө MLP Кластер 2де R² маанисин 0,72ден 0,98ге; Кластер 3тө 0,36дан 0,51ге; Кластер 4тө 0,28ден 0,88ге жана Кластер 6да 0,57ден 0,85ке жогорулаткан. Кластер 0до сызыктуу регрессия да, MLP да R² = 0,97 берген. Ал эми Кластер 1де MLP R² = 0,80 болуп, сызыктуу моделдин 0,82 маанисинен бир аз төмөн, Кластер 5те болсо 0,27 болуп, сызыктуу моделдин 0,55 маанисинен кыйла төмөн калган.

Ошондуктан изилдөөнүн илимий жыйынтыгы “жасалма интеллект сызыктуу моделдерден дайыма жакшы” деген эмес. Туурараак жыйынтык — өлкөлөрдүн ортосундагы түзүмдүк гетерогендүүлүк жогору жана байланыштар сызыктуу эмес айрым кластерлерде кластерге негизделген MLP моделдери бирдиктүү глобалдык сызыктуу моделге салыштырмалуу олуттуу болжолдоо артыкчылыгын бере алат.

D-CPFRдин экинчи бөлүгү болжолдоо натыйжаларын башкаруу процессине байланыштырган. Бир эле кластердеги өлкөлөр маалымат бөлүшүү, инвестициялык координация, технологиялык саясат жана жөнгө салуучу чечимдерди бирге баалай алышат; ар башка кластерлер болсо технология трансфери, инвестициялык кызматташтык жана институционалдык билим бөлүшүү аркылуу бири-бирин колдой алышат.

Бирок бул башкаруу механизмдери изилдөөдө реалдуу өлкөлөрдө колдонулган эмес. Изилдөөнүн эмпирикалык түрдө текшерген бөлүгү — кластерге мүнөздүү болжолдоо моделдеринин көрсөткүчү. Кластер ичиндеги жана кластерлер аралык координация реалдуу эмиссиянын азайышын, экономикалык чыгымды же социалдык пайданы жаратабы-жокпу, азырынча эмпирикалык түрдө көрсөтүлгөн эмес.

D-CPFR модели деген эмне?

D-CPFR түзүмдүк жактан окшош өлкөлөрдү кластерлерге бөлгөн, ар бир кластер үчүн өзүнчө жасалма нейрон тармактык болжолдорду түзгөн жана бул болжолдорду экологиялык максаттарды, чыгымды, тобокелдикти жана социалдык пайданы бирге баалаган кызматташтыктагы көмүртексизденүү сценарийлерине байланыштырган көп катмарлуу чечимдерди колдоо алкагы.

D-CPFRдин негизги жаңылыгы жаңы жасалма интеллект алгоритмин иштеп чыгуу эмес. Булак изилдөө жаңылыкты мурда өз-өзүнчө колдонулган ыкмаларды бир башкаруу системасынын ичинде интеграциялоо катары аныктайт.

Алкактын үч негизги аналитикалык компоненти бар:

1. SOM кластерлештирүүсү: Түзүмдүк жактан бири-бирине окшош өлкө-жыл байкоолорун аныктоо.
2. Кластерге мүнөздүү MLP болжолу: Ар бир топтун өз экономикалык жана энергетикалык түзүмүндөгү сызыктуу эмес байланыштарды моделдөө.
3. Көп критерийлүү сценарий оптималдаштыруусу: Болжолдоо натыйжаларын саясат, инвестиция, технология, тобокелдик жана социалдык максаттар менен бирге баалоо.

D-CPFR эмне үчүн бирдиктүү глобалдык моделди колдонбойт?

Анткени бир эле энергетикалык же экономикалык өзгөрмө ар башка өлкө топторунда ар башка мааниге ээ болушу мүмкүн. Кайра жаралуучу энергиянын үлүшүнүн өсүшү кайра жаралуучу энергиянын кирүү деңгээли жогору өлкөдө казылып алынуучу отунду чындап алмаштыра алса; электр энергиясына жалпы суроо-талап тез өсүп жаткан башка экономикада кайра жаралуучу кубаттуулуктун көбөйүшү жалпы CO₂ сыйымдуулугунун дароо азайышы менен коштолбошу мүмкүн.

Изилдөөнүн кластерге негизделген ыкмасы бардык өлкөлөр үчүн бир орточо коэффициент чыгаруунун ордуна түзүмдүк жактан окшош өлкө топторунда өзүнчө байланыштарды баалоону максат кылат.

Изилдөөдө “көмүртексизденүү потенциалы” кандай аныкталат?

Булак изилдөө өлкөнүн көмүртексизденүү потенциалын экономикасынын көмүртек сыйымдуулугун орто жана узак мөөнөттө туруктуу түрдө азайта алуу жөндөмү катары аныктайт; эмпирикалык модель түздөн-түз болжолдогон максат болсо орточо CO₂ эмиссия факторунун логарифми.

Бул айырма маанилүү. D-CPFR түздөн-түз “өлкө мынча тонна CO₂ азайтат” түрүндө так келечек болжолун чыгарбайт. Тандалган экономикалык, энергетикалык, демографиялык, институционалдык жана экологиялык көрсөткүчтөрдөн CO₂ эмиссия факторун моделдеп, альтернативдүү көмүртексизденүү сценарийлеринин аналитикалык негизин түзөт.

Изилдөөнүн үч изилдөө суроосу

1. Кластерлештирүү жана нейрон тармак ыкмаларына негизделген гибриддик болжолдоонун теориялык негиздери кандай?
2. D-CPFR модели түзүмдүк жактан гетерогендүү өлкөлөрдө болжолдоо менен биргелешкен пландаштырууну кантип бириктире алат?
3. Бул ыкма айырмаланган климаттык саясаттарды жана координацияланган көмүртексизденүү стратегияларын түзүүнү кантип колдой алат?

Моделдин иш агымы кандай?

Модель маалымат чогултуудан башталып, көрсөткүчтөрдү даярдоо, SOM аркылуу түзүмдүк кластерлерди түзүү, ар бир кластер үчүн MLP болжолу, моделди текшерүү жана болжолдорду көп критерийлүү кызматташтыктагы саясат сценарийлерине айландыруу баскычтарын өтөт.

Self-Organizing Map эмне үчүн колдонулган?

SOM көп өлчөмдүү өлкө көрсөткүчтөрүндөгү сызыктуу эмес окшоштуктарды топологиялык түзүмдү мүмкүн болушунча сактап, төмөн өлчөмдүү картага айландыруу жана түзүмдүк жактан бири-бирине окшош өлкө-жыл байкоолорун бир топко бириктирүү үчүн колдонулган.

Булак изилдөөдө SOM тандоосу мурда K-means жана Gaussian Mixture Models сыяктуу альтернативдүү кластерлештирүү ыкмалары менен жүргүзүлгөн салыштырууларга негизделет. Авторлор SOM бул маалымат топтому үчүн татаал сызыктуу эмес түзүмдөрдү кармоо, топологиялык байланыштарды сактоо, ызы-чууга туруктуулук жана жогорку өлчөмдүү маалымат менен иштөө жагынан ылайыктуу экенин белгилешет.

Оптималдуу кластер саны:

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

сыяктуу ички кластерлештирүү сапатынын көрсөткүчтөрүнө ылайык бааланган жана жети кластер тандалган.

Булак макала бул бөлүмдө критерийлер колдонулганын түшүндүрөт, бирок негизги текстте аталган үч индекстин бардык талапкер кластер сандары үчүн сандык маанилерин бербейт.

Кластер мүчөлүгү өлкөлөрдүн өзгөрбөс энбелгисиби?

Жок. SOM классификациясы өлкө-жыл байкоолору боюнча жүргүзүлөт; ошондуктан бир өлкө ар башка жылдары ар башка кластерде болушу мүмкүн жана булак Table A3тө Германия, Австралия, Бельгия, Чили, Италия, Малайзия, Мексика, Польша, Испания, Украина, Бириккен Падышалык, Өзбекстан жана Вьетнам сыяктуу өлкөлөрдүн мезгил ичинде кластер алмаштырганы көрүнөт.

Бул өзгөчөлүк D-CPFRдин динамикалык түшүндүрмөсүнө шайкеш келет. Булак саясат реформасынын, инвестициянын, технологиялык өнүгүүнүн же тышкы экономикалык шарттардын натыйжасында өлкө убакыт өткөн сайын башка түзүмдүк кластерге өтүшү мүмкүн экенин теориялык жактан карайт.

Булакта көрсөтүлгөн жети кластер

Кластерлердин жалпы түшүндүрмөсү

Булакка ылайык Кластер 0 жана Кластер 5 салыштырмалуу өнүккөн энергетикалык өтүү өзгөчөлүктөрүнөн улам потенциалдуу көмүртексизденүү борборлору же өтүүнүн лидерлери катары түшүндүрүлүшү мүмкүн.

Кластер 1 жана Кластер 6 экономикалык өнүгүү, энергетикалык түзүм жана көмүртексизденүү мүнөздөмөлөрүнүн ар кандай айкалыштарын камтыган аралык же өтмө профилдер.

Кластер 2, 3 жана 4 болсо казылып алынуучу отунга көз карандылык, энергия сыйымдуулугу, кайра жаралуучу энергиянын кирүү деңгээли, электрлештирүү жана CO₂ эмиссия сыйымдуулугу жагынан көбүрөөк гетерогендүү профилдерди көрсөтөт.

Изилдөөнүн Ыкмасы жана Жыйынтыктары

Маалыматтардын камтылышы

Изилдөө 45 өлкөнү жана 2014–2023 мезгилин камтыйт. Колдонулган негизги маалымат булактары:

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

Баштапкы маалымат базасы 13 жылдык көрсөткүчтөн турат. Feature selection, абсолюттук көрсөткүчтөрдү салыштырмалуу өлчөмдөргө айландыруу жана туунду өзгөчөлүктөрдү түзүү натыйжасында моделге киргизилген 12 түшүндүрүүчү өзгөрмө түзүлгөн.

13 негизги көрсөткүч

Маалыматтарды стандартташтыруу

Булактын метод бөлүмү түшүндүрүүчү белгилер z-score standardization менен стандартташтырылганын билдирет. Стандартташтырылган 12 өлчөмдүү вектор андан кийин SOM кластерлештирүүсүнүн да, MLP болжолдоо моделинин да киришин түзөт.

Максаттуу өзгөрмө болгон орточо CO₂ эмиссия факторуна логарифмдик өзгөртүү колдонулган. Булак мунун асимметриялуу бөлүштүрүүнү жана четки маанилердин таасирин азайтып, болжолдордун статистикалык туруктуулугун жогорулатууну көздөй турганын белгилейт.

Окутуу жана тест бөлүнүшү

Маалымат модель түзүү жана текшерүү максатында %70 окутуу / %30 тест түрүндө бөлүнгөн.

Булак бул катыш колдонулганын так көрсөтөт; бирок негизги метод түшүндүрмөсүндө бөлүнүү жылдык иретти сактаган убакыттык бөлүнүүбү же өлкө-жыл байкоолорунун башкача бөлүнүшүбү — ачык айтылбайт.

Бул детал өзгөчө “forecasting” түшүнүгүн чечмелөө үчүн маанилүү. Ошондуктан натыйжаларды реалдуу убакыттагы келечекке багытталган өлкө болжолу катары эмес, учурдагы өлкө-жыл үлгүсүндөгү шарттуу болжолдоо көрсөткүчү катары баалоо коопсузураак.

Сызыктуу регрессия benchmark'ы

Биринчи баскычта бардык өлкөлөр жана жылдар бир pooled маалымат топтомуна бириктирилип, 12 түшүндүрүүчү өзгөрмөлүү көптүк сызыктуу регрессия түзүлгөн:

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

Бул жерде y(k,t) — k өлкө жана t жыл үчүн орточо CO₂ эмиссия факторунун логарифми.

Сызыктуу моделдин көрсөткүчү R², MAE жана MSE менен бааланган. Булак бирдиктүү глобалдык сызыктуу модель татаал жана сызыктуу эмес өлкөлөр аралык айырмачылыктарды жетиштүү чагылдыра албайт деген жыйынтыкка келип, бул моделди SOM + MLP ыкмасы үчүн салыштыруу чекити катары колдонот.

MLP модели

Ар бир кластер үчүн өзүнчө Multilayer Perceptron болжолдоо функциясы түзүлгөн. MLPнин негизги түзүлүшү:

h(0) = X*

h(l) = σ(l)(W(l)h(l−1) + b(l))

жана акыркы чыгыш:

ŷ(k,t) = h(L)

түрүндө.

Жашыруун катмарларда logistic/sigmoid, чыгыш катмарында регрессия маселесине ылайык linear activation колдонулган.

Үйрөнүүнүн максаты Mean Squared Errorду минималдаштыруу:

MSE(c) = (1/Nc) Σ (yi − ŷi)² → min

MLP колдонуу параметрлери

Булак код үзүндүсүндө жашыруун катмар түзүлүшү hidden_layer_sizes = arch түрүндө параметрдик көрсөтүлгөн. Бирок Table A4 же берилген код үзүндүсүндө arch өзгөрмөсүнүн так нейрон/катмар сандары өзүнчө жазылган эмес. Ошондуктан Verianla булакта ачык берилбеген тармак архитектурасынын өлчөмдөрүн болжолдоп толтурбайт.

Кластерге мүнөздүү MLP чындап эле сызыктуу моделден жакшыбы?

Айрым кластерлерде ооба, айрымдарында жок: MLP өзгөчө Кластер 2, 3, 4 жана 6да R² жана/же ката көрсөткүчтөрүндө олуттуу жакшыртууну көрсөтөт; Кластер 0до сызыктуу модель менен бирдей R² берет, Кластер 1 жана 5те болсо R² жагынан сызыктуу моделден төмөн калат.

Эң чоң модель айырмасы эмне үчүн Кластер 4тө?

Кластер 4тө сызыктуу регрессия R² = 0,28, MAE = 0,12 жана MSE = 0,02 берсе, MLP R² = 0,88, MAE = 0,04 жана MSE = 1 × 10⁻⁴ берет.

Булак бул айырманы аталган кластерде экономикалык, энергетикалык жана экологиялык өзгөрмөлөрдүн ортосундагы байланыштар сызыктуу эмес жана түзүмдүк жактан татаалыраак болушу менен байланыштырат.

Кластер 4 Алжир, Азербайжан, Египет, Индия, Индонезия, Нигерия, Таиланд, Түркия жана айрым жылдарда Малайзия, Мексика, Украина, Өзбекстан жана Вьетнам сыяктуу ар түрдүү өтмө профилдерди камтыйт.

Бул натыйжа аталган өлкөлөрдө MLP реалдуу саясат жыйынтыгы жагынан жакшы дегенди эмес, изилдөөнүн тест маалымат топтомунда CO₂ эмиссия факторун болжолдоодо сызыктуу benchmarkка караганда жакшыраак дал келүүнү бергенин көрсөтөт.

Кластер 0 эмне үчүн башкача?

Кластер 0 Канада, Жаңы Зеландия, Норвегия жана Швециядан турат. Бул топто сызыктуу жана MLP моделдери экөө тең тест R² = 0,97 берген.

Булак мындай кластерлерде өзгөрмөлөрдүн ортосундагы түзүм салыштырмалуу туруктуу экенин жана татаалыраак нейрон тармаксыз деле жогорку болжолдоо көрсөткүчүнө жетүүгө болорун белгилейт.

Бул натыйжа модель татаалдыгы ар дайым артыкчылык бербей турганын көрсөтөт.

Кайра жаралуучу энергия өзгөрмөсүнүн таасири эмне үчүн кластерлер боюнча өзгөрөт?

Булакта x6 — электрлештирүүдө шамал жана күндүн үлүшү — үчүн бааланган байланыш Кластер 0до терс, башка кластерлерде болсо оң болушу мүмкүн экени айтылат.

Кластер 0до шамал жана күндүн жогорку кирүү деңгээли төмөнүрөөк CO₂ эмиссия фактору менен байланыштуу.

Башка кластерлерде оң коэффициенттин көрүнүшү кайра жаралуучу кубаттуулуктун өсүшү ошол эле учурда жалпы электр суроо-талабынын жана экономикалык активдүүлүктүн кеңейиши менен коштолушу мүмкүн экени менен түшүндүрүлөт. Ошондуктан кайра жаралуучу орнотулган кубаттуулуктун өсүшү кыска мөөнөттө же учурдагы үлгү мезгилинде жалпы көмүртек сыйымдуулугунун автоматтык азайышын билдирбейт.

Бул коэффициенттер байкоого негизделген модель байланыштары; шамал же күн инвестициясы эмиссияны көбөйтөт деп себептик түрдө чечмеленбеши керек.

D-CPFRдин көп критерийлүү чечим функциясы кантип иштейт?

D-CPFR альтернативдүү саясат сценарийлерин CO₂ максаты менен гана эмес; ишке ашыруу чыгымын, геосаясий/каржылык/технологиялык тобокелдикти жана социалдык пайданы бирге камтыган салмакталган жоготуу функциясы аркылуу баалоону сунуштайт.

Ар бир сценарий төрт негизги чечим тармагын камтыйт:

• саясат чечимдери,
• инвестициялык чечимдер,
• технологиялык чечимдер,
• жөнгө салуучу чечимдер.

Булак изилдөөдөгү жоготуу функциясынын логикасын мындайча жалпылоого болот:

L(c) = α × (максаттуу CO₂ − болжолдонгон CO₂)² + β × чыгым + γ × тобокелдик − δ × социалдык пайда

Бул жерде α, β, γ жана δ коэффициенттери экологиялык максаттын, экономикалык чыгымдын, тобокелдиктин жана социалдык пайданын саясат чечиминдеги салыштырмалуу маанисин аныктайт.

Тобокелдик компоненти геосаясий, каржылык же технологиялык белгисиздиктерди; социалдык компонент болсо энергияга жеткиликтүүлүк, институционалдык туруктуулук жана теңсиздикти азайтуу сыяктуу элементтерди камтышы мүмкүн.

Бул функция эмпирикалык түрдө аныкталган бирдиктүү “оптималдуу дүйнөлүк климат саясаты” эмес. Саясат түзүүчү салмактарды жана ишке ашырыла турган сценарийлер жыйындысын аныктаган чечимдерди колдоо түзүмү.

Intracluster жана intercluster кызматташтыгынын айырмасы эмнеде?

Intracluster кызматташтыгы түзүмдүк жактан бири-бирине окшош өлкөлөрдүн саясат, инвестиция жана технология чечимдерин координацияланган түрдө өнүктүрүшүн; intercluster кызматташтыгы болсо түзүмдүк жактан ар башка кластерлердин ортосунда технология, инвестиция, билим жана институционалдык тажрыйба трансферин билдирет.

Intracluster сценарийи

Бир кластердеги өлкөлөрдүн окшош:

• энергетикалык түзүмгө,
• экономикалык өнүгүү өзгөчөлүктөрүнө,
• көмүртек сыйымдуулугуна,
• институционалдык көйгөйлөргө,
• технологиялык муктаждыктарга

ээ болушу мүмкүн деп божомолдонот.

Бул өлкөлөр:

• эмиссия жана энергия балансы маалыматтарын бөлүшө алышат,
• биргелешкен сценарийлерди түзө алышат,
• инвестициялык артыкчылыктарды шайкештештире алышат,
• окшош саясат инструменттерин координацияланган түрдө колдоно алышат.

Булак өзгөчө түзүмдүк жактан татаалыраак профилдери бар Кластер 3 жана Кластер 4 сыяктуу топторду intracluster координация үчүн мисал кылат.

Intercluster сценарийи

Intercluster кызматташтыгында максат окшош өлкөлөрдү координациялоо эмес, ар башка түзүмдүк күчкө ээ кластерлердин ортосунда толуктоочулукту түзүү.

Булак мисал катары Канада, Норвегия жана Швеция сыяктуу өнүккөн көмүртексизденүү профилдерине ээ өлкөлөр менен Кытай, Казакстан же Украина сыяктуу көмүртек сыйымдуулугу жогору топтордун ортосундагы потенциалдуу кызматташтыкты талкуулайт.

Бул кызматташтык:

• таза технология трансфери,
• жашыл инвестицияларды каржылоо,
• институционалдык реформанын тажрыйбасын өткөрүү,
• биргелешкен инфраструктуралык пландаштыруу,
• билим жана эксперттик тажрыйба бөлүшүү

сыяктуу механизмдерди камтышы мүмкүн.

Бул сценарийлер чындап текшерилдиби?

Жок. Булак макала муну ачык чектейт. Intracluster жана intercluster координация механизмдери prospective policy options, башкача айтканда келечекте колдонулушу мүмкүн болгон саясат варианттары катары сунушталган.

Изилдөөдө өлкөлөрдүн ортосунда реалдуу D-CPFR өнөктөштүгү түзүлгөн эмес, инвестициялык программа колдонулган эмес жана координацияга чейинки-кийинки эмиссия өзгөрүүсү өлчөнгөн эмес.

Ошондуктан:

• “D-CPFR эмиссияны мынча азайтты”,
• “өлкөлөр аралык координация экономикалык өсүштү жогорулатты”,
• “технология трансфери белгилүү өлчөмдө көмүртек азайышын жаратты”

сыяктуу жыйынтыктарды бул изилдөөдөн чыгарууга болбойт.

Жасалма интеллект бул изилдөөдө так эмне кылат?

Жасалма интеллект эки аналитикалык баскычта колдонулат: SOM көзөмөлсүз үйрөнүү аркылуу окшош өлкө-жыл профилдерин кластерлерге бөлөт, MLP болсо ар бир кластердин ичинде тандалган көрсөткүчтөрдөн CO₂ эмиссия факторунун сызыктуу эмес байланышын болжолдойт; саясат координациясынын өзү реалдуу автономдуу AI агент тарабынан аткарылбайт.

Ошондуктан D-CPFR өз алдынча чечим кабыл алган “AI өкмөтү” же автоматтык климат башкаруу системасы эмес.

Жасалма интеллект чечимдерди колдоо инфраструктурасынын аналитикалык болжолдоо компоненти. Акыркы сценарийди тандоо экологиялык, экономикалык, тобокелдик жана социалдык максаттарга ылайык аныкталган оптималдаштыруу түзүмүнө көз каранды.

Изилдөөдө ChatGPT колдонулганбы?

Булак макаланын AI колдонуу билдирүүсүнө ылайык генеративдик жасалма интеллект маалымат өндүрүү, илимий моделдөө же талдоо үчүн колдонулган эмес.

Авторлор ChatGPTни болгону:

• тилди редакциялоо,
• кодду оңдоо,
• котормо,
• форматтоо

жардамы үчүн колдонушканын жана илимий мазмунду өздөрү текшерип, жоопкерчиликти өздөрү алганын билдиришет.

Изилдөөнүн күчтүү жактары

Түзүмдүк гетерогендүүлүктү көрүнүктүү кылышы: Бир глобалдык моделдин ордуна ар башка өлкө топторунда өзүнчө байланыштар моделденет.

Сызыктуу жана сызыктуу эмес моделди салыштырышы: Кайсы кластерлерде татаал модель чындап артыкчылык берери көрүнөт.

Технологияны башкаруу менен бириктириши: Болжолдоо натыйжалары жөн гана аналитикалык жыйынтык катары калтырылбастан, саясат жана инвестиция сценарийлерине байланыштырылат.

Көп максаттуу чечим логикасы: CO₂ гана эмес, чыгым, тобокелдик жана социалдык пайда да бир оптималдаштыруу түзүмүнө киргизилет.

Өлкө-жыл кластерлеринин өзгөрө алышы: Өлкөлөр туруктуу өнүгүү энбелгисинин астында кармалбайт, убакыт өткөн сайын башка түзүмдүк профилге өтүү мүмкүнчүлүгү кабыл алынат.

Изилдөөнүн негизги чектөөлөрү

45 өлкө жана 10 жылдык мезгил: 2014–2023 үлгүсү дүйнөдөгү бардык экономикаларды же узагыраак мезгилдеги өзгөрүүлөрдү чагылдырбашы мүмкүн.

Кириш маалыматтарды тандоого көз карандылык: Натыйжалар тандалган 12 түшүндүрүүчү белги жана максаттуу өзгөрмөгө көз каранды. Башка экономикалык, технологиялык же каржылык көрсөткүчтөр башка кластерлерди жана башка болжолдоо натыйжаларын жаратышы мүмкүн.

Жети кластер тандоого көз карандылык: Кластер саны ички сапат критерийлерине негизделсе да, альтернативдүү кластерлештирүү спецификациялары башка топ түзүмдөрүн жаратышы мүмкүн.

MLP архитектурасы толук сандык түрдө берилген эмес: Булак код үзүндүсүндө hidden_layer_sizes = arch түрүндөгү архитектура өзгөрмөсү колдонулат, бирок көрүнгөн модель спецификациясынын таблицасында бул arch маанисинин так катмар/нейрон түзүмү берилген эмес.

%70/%30 бөлүнүүнүн деталдары чектелүү: Булак окутуу-тест катышын көрсөтөт, бирок негизги метод түшүндүрмөсүндө бөлүнүүнүн убакыттык же кокустук мүнөзүн кеңири түшүндүрбөйт.

Cross-validation жана кең robustness топтому жок: Булак муну келечектеги изилдөөлөр үчүн ачык зарылдык катары көрсөтөт.

Альтернативдүү машиналык үйрөнүү моделдери текшерилген эмес: Random Forest, Gradient Boosting, XGBoost жана Support Vector Regression сыяктуу ыкмаларды келечекте салыштыруу сунушталат.

Модель көрсөткүчү кластерлер боюнча туруктуу эмес: MLP Кластер 1 жана 5те R² жагынан сызыктуу моделден төмөн көрсөткүч берет.

Саясат механизмдери эмпирикалык түрдө текшерилген эмес: D-CPFRдин биргелешкен башкаруу бөлүгү теориялык жана сценарийге негизделген.

Себептүүлүктүн далили эмес: Көрсөткүчтөр менен CO₂ эмиссия факторунун ортосундагы модель байланыштары айрым өзгөрмөлөр эмиссияны себептик түрдө көбөйтөт же азайтат деп далилдебейт.

Келечектеги изилдөөлөр

Булак өлкө жана убакыт камтуусу кеңири болгон панелдик маалымат топтомдорун колдонуу керек экенин белгилейт.

Мындан тышкары:

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

сыяктуу альтернативдүү моделдер менен салыштыруу сунушталат.

Cross-validation жана кеңири robustness талдоолорун колдонуу, каржылык жана технологиялык көрсөткүчтөрдү кеңейтүү жана D-CPFR үчүн реалдуу санариптик чечимдерди колдоо платформаларын иштеп чыгуу да келечектеги изилдөө темаларынын катарына кирет.

Эң маанилүү келечектеги кадам — intracluster жана intercluster координацияны реалдуу саясат учурларында колдонуп, күтүлгөн пайдалар чындап пайда болобу-жокпу өлчөө.

Жалпы илимий жыйынтык

Изилдөө өлкөлөрдүн көмүртексизденүү процесстерин бирдей экономикалык же технологиялык модель астында бир тектүү деп кабыл албоо керек экенин көрсөтөт.

SOM талдоосу 45 өлкөнүн өлкө-жыл байкоолорун жети башка түзүмдүк кластерге бөлүп, бул топтор казылып алынуучу отунга көз карандылык, энергия сыйымдуулугу, кайра жаралуучу энергиянын кирүү деңгээли, электрлештирүү жана CO₂ эмиссия фактору жагынан айырмаланарын көрсөткөн.

Кластерге мүнөздүү MLP моделдери, өзгөчө сызыктуу эмес байланыш күчтүү болгон Кластер 2, 3, 4 жана 6да, сызыктуу benchmarkка караганда жогорку болжолдоо көрсөткүчүн берген.

Эң көрүнүктүү натыйжа Кластер 4тө байкалган; тест R² мааниси сызыктуу регрессиядагы 0,28ден MLPде 0,88ге жогорулаган.

Ал эми Кластер 0до эки модель тең бирдей R² берген, Кластер 1 жана 5те болсо MLP R² жагынан сызыктуу регрессиядан төмөн калган. Демек, булак натыйжалары жасалма интеллекттин автоматтык үстөмдүгүнөн көрө модель тандоону өлкө тобунун түзүмдүк өзгөчөлүктөрүнө жараша айырмалоо керектигин колдойт.

D-CPFRдин теориялык салымы — бул болжолдоо катмарын биргелешкен саясат пландаштыруу, инвестициялык координация, технология тандоо жана тобокелдик-социалдык пайда тең салмагын камтыган көп критерийлүү башкаруу түзүмү менен бириктирүү.

Бирок моделдин башкаруу бөлүгү азырынча реалдуу өлкөлөрдө колдонулбагандыктан, D-CPFR глобалдык көмүртексизденүүнү иш жүзүндө тездетти же белгилүү көлөмдө эмиссияны азайтты деп айтууга болбойт.

Изилдөө колдогон эң коопсуз жыйынтык: түзүмдүк гетерогендүүлүктү адегенде кластерлештирүү аркылуу бөлүп, андан кийин кластерге мүнөздүү сызыктуу эмес моделдерди колдонуу айрым өлкө топторунда CO₂ эмиссия факторунун болжолун бирдиктүү глобалдык сызыктуу моделге салыштырмалуу олуттуу жакшырта алат.

Булак жана Ыкма Жөнүндө Эскертүү

Түпнуска изилдөө аталышы: AI-Driven Collaborative Energy Decision-Making Model for Macroeconomic Decarbonization

Авторлор: Olena Zhytkevych; Andriy Matviychuk; Natalia Osadcha.

Corresponding author: Natalia Osadcha.

Мекемелер: 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.

Журнал: Economies.

Басма: MDPI, Basel, Switzerland.

Библиографиялык жазуу: Economies 2026, 14, 400.

DOI: 10.3390/economies14090400

Академиялык редакторлор: Won Sang Lee; Yonghan Ju.

Тапшырылган дата: 27 июль 2026.

Кайра каралган дата: 18 август 2026.

Кабыл алынган дата: 27 август 2026.

Жарыяланган дата: 8 сентябрь 2026.

Булак түрү: Гибриддик жасалма интеллект, кластерлештирүү жана сценарий оптималдаштыруусун колдонгон эмпирикалык моделдөө жана теориялык чечимдерди колдоо алкагы.

Изилдөө камтуусу: 45 өлкө, 2014–2023.

Баштапкы көрсөткүчтөр топтому: 13 жылдык энергетика, демография, экономика, тобокелдик, глобалдашуу жана айлана-чөйрө көрсөткүчү.

Түшүндүрүүчү белгилер топтому: Feature selection, өзгөртүү жана feature engineeringден кийин 12 predictor.

Максаттуу өзгөрмө: Орточо CO₂ эмиссия факторунун логарифми.

Маалыматтарды стандартташтыруу: Булак Table A4кө ылайык z-score standardization.

Окутуу/тест бөлүнүшү: %70 / %30.

Benchmark: Бардык өлкө-жыл байкоолорунун үстүндө pooled multiple linear regression.

Кластерлештирүү ыкмасы: Self-Organizing Map.

Кластер саны: 7.

Кластер санын тандоо критерийлери: Silhouette, Davies–Bouldin жана Calinski–Harabasz индекстери.

Сызыктуу эмес модель: Ар бир кластер үчүн өзүнчө Multilayer Perceptron.

Жашыруун катмар активациясы: Logistic/sigmoid.

Чыгыш активациясы: Linear.

Optimizer: Adam.

Максималдуу итерация: 3000.

Early stopping: True.

Learning rate: Adaptive.

Loss: Mean Squared Error.

Моделди баалоо метрикалары: R², MAE, MSE.

Негизги көрсөткүч жыйынтыгы: MLPнин R² мааниси LRге салыштырмалуу Кластер 2де 0,72 → 0,98; Кластер 3тө 0,36 → 0,51; Кластер 4тө 0,28 → 0,88; Кластер 6да 0,57 → 0,85. Кластер 0до эки модель тең 0,97; Кластер 1де 0,82 → 0,80; Кластер 5те 0,55 → 0,27.

D-CPFR сценарий өзгөрмөлөрү: Саясат, инвестиция, технология жана жөнгө салуучу чечимдер.

Оптималдаштыруу критерийлери: Максаттуу CO₂ деңгээлинен четтөө, ишке ашыруу чыгымы, геосаясий/каржылык/технологиялык тобокелдик жана социалдык пайда.

Intracluster ыкмасы: Түзүмдүк жактан окшош өлкөлөрдүн ортосунда маалымат, саясат жана инвестиция координациясы.

Intercluster ыкмасы: Ар башка көмүртексизденүү профилдерине ээ топтордун ортосунда технология трансфери, инвестициялык кызматташтык жана институционалдык билим бөлүшүү.

Эмпирикалык чек: Изилдөө кластерге негизделген болжолдоо көрсөткүчүн текшерет; intracluster же intercluster кызматташтыгынын реалдуу саясат чөйрөсүндөгү эмиссия, чыгым же социалдык натыйжаларын түздөн-түз текшербейт.

Маалымат булактары: EnerData (2024), World Bank (2024), Geopolitical Risk Index (2025).

Маалымат/код жеткиликтүүлүгү: Чийки маалымат булактары ачык. Иштетилген маалымат топтому жана моделдөө коду corresponding authorдон негиздүү суроо боюнча алынышы мүмкүн экени көрсөтүлгөн.

Программалык камсыздоо: Python 3.11, NumPy, Pandas, Scikit-learn, MiniSom 2.3.5 жана кластерлештирүү талдоосунда scikit-fuzzy 0.5.0.

Этика комитети: Адам же жаныбар субъекттери жок болгондуктан колдонулбайт.

Маалымдалган макулдук: Колдонулбайт.

AI колдонуу билдирүүсү: Генеративдик жасалма интеллект маалымат өндүрүү, моделдөө же илимий талдоо үчүн колдонулган эмес. Авторлор ChatGPTни болгону тил редакциясы, кодду оңдоо, котормо жана форматтоо колдоосу үчүн колдонушканын; бардык жыйынтыктарды текшеришкенин жана илимий жоопкерчилик өздөрүнө таандык экенин билдиришкен.

Авторлордун салымы: Концептуалдаштыруу: O.Z. жана A.M.; методология: O.Z. жана A.M.; программалык камсыздоо: O.Z.; текшерүү: O.Z., A.M. жана N.O.; формалдуу талдоо: O.Z.; изилдөө: O.Z.; ресурстар жана маалыматтарды башкаруу: O.Z. жана A.M.; биринчи долбоор: O.Z. жана A.M.; карап чыгуу жана редакциялоо: O.Z., A.M. жана N.O.; визуалдаштыруу: O.Z.; supervision: A.M.; долбоорду башкаруу: N.O. Бардык авторлор жарыяланган версияны окуп, бекитишкен.

Каржылоо: Изилдөө атайын изилдөө грантын алган эмес. Article Processing Charge, Luleå University of Technology тарабынан төлөнгөн.

Кызыкчылыктардын кагылышы: Авторлор кызыкчылыктардын кагылышы жок экенин билдиришкен.

Лицензия: Creative Commons Attribution 4.0 (CC BY).

Негизги методологиялык чектөөлөр: 45 өлкө жана 2014–2023 мезгили менен чектелген маалымат камтуусу; натыйжалардын тандалган көрсөткүчтөргө, жети кластерлүү түзүмгө жана модель божомолдоруна көз карандылыгы; альтернативдүү ML ыкмалары жана кеңири cross-validation/robustness тесттери жоктугу; окутуу-тест бөлүнүшүнүн колдонуу деталдарынын чектелүү баяндалышы; MLPнин сандык hidden-layer архитектурасынын көрүнгөн спецификацияда ачык берилбегени; айрым кластерлерде MLPнин LRге караганда төмөн R² бериши; биргелешкен саясат сценарийлеринин реалдуу дүйнөдө колдонулбаганы. Натыйжаларды түздөн-түз себептик климат саясатынын таасирлери катары чечмелөөгө болбойт.