Makroekonomik karbonsuzlaşma, bir ülkenin ekonomik faaliyetlerini sürdürülebilir biçimde devam ettirirken enerji ve üretim sistemlerinin karbon yoğunluğunu orta ve uzun vadede azaltma sürecidir. Olena Zhytkevych, Andriy Matviychuk ve Natalia Osadcha tarafından hazırlanan bu çalışma, ülkeler arasındaki ekonomik, enerji, kurumsal ve çevresel farklılıkların tek bir doğrusal modelle yeterince temsil edilemeyebileceği düşüncesinden hareket ederek yapay zekâ destekli hibrit bir karar verme çerçevesi geliştirmektedir.

Önerilen sistem D-CPFR — Decarbonization–Collaborative Planning, Forecasting and Replenishment olarak adlandırılmaktadır. Model, klasik CPFR yaklaşımının işbirlikçi planlama ve tahmin mantığını makroekonomik karbonsuzlaşma bağlamına genişletmekte; Self-Organizing Map (SOM) ile ülke kümelenmesini, kümeye özgü Multilayer Perceptron (MLP) tahminlerini ve çevresel, ekonomik, risk ve sosyal hedefleri birlikte değerlendiren çok ölçütlü senaryo optimizasyonunu aynı çerçevede birleştirmektedir.

Çalışmanın ampirik veri tabanı 2014–2023 dönemindeki 45 ülkeyi kapsamaktadır. Başlangıçta enerji, ekonomi, demografi, jeopolitik risk, küreselleşme ve çevre boyutlarını temsil eden 13 yıllık gösterge kullanılmakta; bunlardan 12'si açıklayıcı özellik olarak model girişine dönüştürülmektedir. Tahmin hedefi ise ortalama CO₂ emisyon faktörünün logaritmasıdır.

Modelleme süreci yedi temel aşamadan oluşmaktadır: veri toplama, veri ön işleme, SOM kümelemesi, kümelerin tanımlanması, kümeye özgü MLP tahmini, model doğrulaması ve son olarak küme içi veya kümeler arası koordinasyona dayalı senaryo optimizasyonu.

SOM analizi, ülke-yıl gözlemlerini yedi yapısal kümeye ayırmıştır. Kaynak, Küme 0 ve Küme 5'i görece gelişmiş enerji dönüşümü özelliklerine sahip gruplar olarak; Küme 1 ve Küme 6'yı ara/geçiş profilleri olarak; Küme 2, 3 ve 4'ü ise fosil yakıt bağımlılığı, enerji yoğunluğu, yenilenebilir enerji penetrasyonu, elektrifikasyon ve CO₂ yoğunluğu bakımından daha heterojen geçiş profilleri olarak yorumlamaktadır.

Kümeye özgü MLP modelleri bütün gruplarda aynı sonucu vermemiştir. Test örnekleminde MLP, Küme 2'de R² değerini 0,72'den 0,98'e; Küme 3'te 0,36'dan 0,51'e; Küme 4'te 0,28'den 0,88'e ve Küme 6'da 0,57'den 0,85'e yükseltmiştir. Küme 0'da doğrusal regresyon ve MLP'nin ikisi de R² = 0,97 üretmiştir. Buna karşılık Küme 1'de MLP R² = 0,80 ile doğrusal modelin 0,82 değerinin biraz altında, Küme 5'te ise 0,27 ile doğrusal modelin 0,55 değerinin belirgin altında kalmıştır.

Bu nedenle çalışmanın bilimsel sonucu “yapay zekâ doğrusal modellerden her zaman daha iyidir” değildir. Daha doğru sonuç, ülkeler arasındaki yapısal heterojenliğin yüksek ve ilişkilerin doğrusal olmadığı bazı kümelerde, küme-bazlı MLP modellerinin tek bir global doğrusal modele kıyasla belirgin tahmin avantajı sağlayabildiğidir.

D-CPFR'nin ikinci kısmı tahmin sonuçlarını yönetişim sürecine bağlamaktadır. Aynı kümedeki ülkeler bilgi paylaşımı, yatırım koordinasyonu, teknoloji politikası ve düzenleyici kararları birlikte değerlendirebilir; farklı kümeler ise teknoloji transferi, yatırım işbirliği ve kurumsal bilgi paylaşımı yoluyla birbirini destekleyebilir.

Ancak bu yönetişim mekanizmaları araştırmada gerçek ülkelerde uygulanmamıştır. Çalışmanın ampirik olarak test ettiği bölüm, kümeye özgü tahmin modellerinin performansıdır. Küme içi ve kümeler arası koordinasyonun gerçek emisyon azaltımı, ekonomik maliyet veya sosyal fayda üretip üretmediği henüz ampirik olarak gösterilmemiştir.

D-CPFR modeli nedir?

D-CPFR, yapısal olarak benzer ülkeleri kümelere ayıran, her küme için ayrı yapay sinir ağı tahminleri üreten ve bu tahminleri çevresel hedefler, maliyet, risk ve sosyal faydayı birlikte değerlendiren işbirlikçi karbonsuzlaşma senaryolarına bağlayan çok katmanlı bir karar destek çerçevesidir.

D-CPFR'nin temel yeniliği yeni bir yapay zekâ algoritması geliştirmek değildir. Kaynak çalışma yeniliği, daha önce ayrı ayrı kullanılan yöntemlerin aynı yönetişim sistemi içinde bütünleştirilmesi olarak tanımlamaktadır.

Çerçevenin üç temel analitik bileşeni vardır:

1. SOM kümelemesi: Yapısal olarak birbirine benzeyen ülke-yıl gözlemlerini belirlemek.
2. Kümeye özgü MLP tahmini: Her grubun kendi ekonomik ve enerji yapısı içindeki doğrusal olmayan ilişkileri modellemek.
3. Çok ölçütlü senaryo optimizasyonu: Tahmin sonuçlarını politika, yatırım, teknoloji, risk ve sosyal hedeflerle birlikte değerlendirmek.

D-CPFR neden tek bir küresel model kullanmıyor?

Çünkü aynı enerji veya ekonomik değişken farklı ülke gruplarında farklı anlamlar taşıyabilir. Yenilenebilir enerji payındaki artış, yüksek yenilenebilir enerji penetrasyonuna sahip bir ülkede fosil yakıt kullanımının gerçekten yerini alabilirken; elektriğe olan toplam talebin hızla büyüdüğü başka bir ekonomide yenilenebilir kapasite artışı toplam CO₂ yoğunluğunun hemen azalmasıyla birlikte gerçekleşmeyebilir.

Çalışmanın küme-bazlı yaklaşımı, bütün ülkeler için tek bir ortalama katsayı üretmek yerine yapısal olarak benzer ülke gruplarında ayrı ilişkiler tahmin etmeyi amaçlamaktadır.

Çalışmada “karbonsuzlaşma potansiyeli” nasıl tanımlanıyor?

Kaynak çalışma bir ülkenin karbonsuzlaşma potansiyelini, ekonomisinin karbon yoğunluğunu orta ve uzun vadede sürdürülebilir biçimde azaltabilme kapasitesi olarak tanımlamaktadır; ampirik modelin doğrudan tahmin ettiği hedef ise ortalama CO₂ emisyon faktörünün logaritmasıdır.

Bu ayrım önemlidir. D-CPFR doğrudan “ülke şu kadar ton CO₂ azaltacaktır” biçiminde kesin gelecek tahmini üretmemektedir. Seçilmiş ekonomik, enerji, demografik, kurumsal ve çevresel göstergelerden CO₂ emisyon faktörünü modelleyerek alternatif karbonsuzlaşma senaryolarının analitik temelini oluşturmaktadır.

Çalışmanın üç araştırma sorusu

1. Kümeleme ve sinir ağı yöntemlerine dayanan hibrit tahminin teorik temelleri nelerdir?
2. D-CPFR modeli yapısal olarak heterojen ülkelerde tahmin ile işbirlikçi planlamayı nasıl birleştirebilir?
3. Bu yaklaşım farklılaştırılmış iklim politikalarının ve koordineli karbonsuzlaşma stratejilerinin oluşturulmasını nasıl destekleyebilir?

Modelin çalışma akışı nasıldır?

Model veri toplamadan başlayarak göstergelerin hazırlanması, SOM ile yapısal kümelerin oluşturulması, her küme için MLP tahmini, model doğrulaması ve tahminlerin çok ölçütlü işbirlikçi politika senaryolarına dönüştürülmesi aşamalarını izlemektedir.

Self-Organizing Map neden kullanılmıştır?

SOM, çok boyutlu ülke göstergilerindeki doğrusal olmayan benzerlikleri topolojik yapıyı mümkün olduğunca koruyarak düşük boyutlu bir haritaya dönüştürmek ve yapısal olarak birbirine benzeyen ülke-yıl gözlemlerini aynı grupta toplamak amacıyla kullanılmıştır.

Kaynak çalışmada SOM seçimi daha önce K-means ve Gaussian Mixture Models gibi alternatif kümeleme yöntemleriyle yapılan karşılaştırmalara dayandırılmaktadır. Yazarlar SOM'un karmaşık doğrusal olmayan yapıları yakalama, topolojik bağlantıları koruma, gürültüye dayanıklılık ve yüksek boyutlu verilerle çalışma bakımından bu veri setine uygun olduğunu belirtmektedir.

Optimum küme sayısı:

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

gibi iç kümeleme kalite ölçütlerine göre değerlendirilmiş ve yedi küme seçilmiştir.

Kaynak makale bu bölümde kriterlerin kullanıldığını açıklamakta ancak ana metinde söz konusu üç indeksin bütün aday küme sayıları için sayısal değerlerini vermemektedir.

Küme üyeliği ülkelerin değişmez bir etiketi midir?

Hayır. SOM sınıflaması ülke-yıl gözlemleri üzerinde yapılmaktadır; bu nedenle bir ülke farklı yıllarda farklı kümelerde yer alabilir ve kaynak Tablo A3'te Almanya, Avustralya, Belçika, Şili, İtalya, Malezya, Meksika, Polonya, İspanya, Ukrayna, Birleşik Krallık, Özbekistan ve Vietnam gibi ülkelerin dönem içinde küme değiştirdiği görülmektedir.

Bu özellik D-CPFR'nin dinamik yorumuyla uyumludur. Kaynak, politika reformu, yatırım, teknolojik gelişme veya dış ekonomik koşullar sonucunda bir ülkenin zaman içinde farklı bir yapısal kümeye geçebileceğini teorik olarak öngörmektedir.

Kaynakta raporlanan yedi küme

Kümelerin genel yorumu

Kaynağa göre Küme 0 ve Küme 5 görece gelişmiş enerji dönüşümü özellikleri nedeniyle potansiyel karbonsuzlaşma merkezleri veya geçiş liderleri olarak yorumlanabilir.

Küme 1 ve Küme 6, ekonomik gelişme, enerji yapısı ve karbonsuzlaşma karakteristiklerinin farklı kombinasyonlarını içeren ara veya geçiş profilleridir.

Küme 2, 3 ve 4 ise fosil yakıt bağımlılığı, enerji yoğunluğu, yenilenebilir enerji penetrasyonu, elektrifikasyon ve CO₂ emisyon yoğunluğu bakımından daha heterojen profiller göstermektedir.

Çalışmanın Yöntemi ve Bulguları

Veri kapsamı

Araştırma 45 ülkeyi ve 2014–2023 dönemini kapsamaktadır. Kullanılan başlıca veri kaynakları:

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

Başlangıçtaki bilgi tabanı 13 yıllık göstergeden oluşmaktadır. Feature selection, mutlak göstergelerin göreli ölçülere dönüştürülmesi ve türetilmiş özelliklerin oluşturulması sonucunda modele giren 12 açıklayıcı değişken oluşturulmuştur.

13 temel gösterge

Veri standardizasyonu

Kaynak yöntem bölümü, açıklayıcı özelliklerin z-score standardization ile standartlaştırıldığını belirtmektedir. Standartlaştırılmış 12 boyutlu vektör daha sonra hem SOM kümelemesinin hem de MLP tahmin modelinin girdisini oluşturmaktadır.

Hedef değişken olan ortalama CO₂ emisyon faktörüne logaritmik dönüşüm uygulanmıştır. Kaynak, bunun asimetrik dağılımı ve uç değerlerin etkisini azaltarak tahminlerin istatistiksel kararlılığını artırmayı amaçladığını belirtmektedir.

Eğitim ve test ayrımı

Veri, model oluşturma ve doğrulama amacıyla %70 eğitim / %30 test biçiminde ayrılmıştır.

Kaynak bu oranın kullanıldığını açık biçimde belirtmektedir; ancak ana yöntem açıklamasında ayrımın yıl sırasını koruyan zamansal bir bölme mi yoksa ülke-yıl gözlemlerinin başka biçimde bölünmesi mi olduğu açıkça belirtilmemektedir.

Bu ayrıntı özellikle “forecasting” kavramının yorumlanması açısından önemlidir. Bu nedenle sonuçların gerçek zamanlı geleceğe dönük ülke tahmini yerine, mevcut ülke-yıl örneklemi üzerindeki koşullu tahmin performansı olarak değerlendirilmesi daha güvenlidir.

Doğrusal regresyon benchmark'ı

İlk aşamada bütün ülkeler ve yıllar aynı pooled veri setinde birleştirilerek 12 açıklayıcı değişkenli çoklu doğrusal regresyon kurulmuştur:

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

Buradaki y(k,t), ülke k ve yıl t için ortalama CO₂ emisyon faktörünün logaritmasıdır.

Doğrusal modelin performansı R², MAE ve MSE ile değerlendirilmiştir. Kaynak, tek global doğrusal modelin karmaşık ve doğrusal olmayan ülke farklılıklarını yeterince temsil edemediği sonucuna ulaşmakta ve bu modeli SOM + MLP yaklaşımı için karşılaştırma noktası olarak kullanmaktadır.

MLP modeli

Her küme için ayrı Multilayer Perceptron tahmin fonksiyonu kurulmuştur. MLP'nin temel yapısı:

h(0) = X*

h(l) = σ(l)(W(l)h(l−1) + b(l))

ve son çıktı:

ŷ(k,t) = h(L)

şeklindedir.

Gizli katmanlarda logistic/sigmoid, çıktı katmanında regresyon problemine uygun linear activation kullanılmıştır.

Öğrenme amacı Mean Squared Error'ın minimize edilmesidir:

MSE(c) = (1/Nc) Σ (yi − ŷi)² → min

MLP uygulama ayarları

Kaynak kod parçasında gizli katman yapısı hidden_layer_sizes = arch biçiminde parametrik olarak gösterilmektedir. Ancak Table A4 veya verilen kod parçasında arch değişkeninin kesin nöron/katman sayıları ayrıca yazılmamaktadır. Bu nedenle Verianla, kaynakta açıkça verilmeyen ağ mimarisi boyutlarını tahmin ederek doldurmamaktadır.

Kümeye özgü MLP gerçekten doğrusal modelden daha iyi mi?

Bazı kümelerde evet, bazılarında hayır: MLP özellikle Küme 2, 3, 4 ve 6'da R² ve/veya hata ölçütlerinde belirgin iyileşme göstermekte; Küme 0'da doğrusal modelle aynı R²'yi üretmekte, Küme 1 ve 5'te ise R² bakımından doğrusal modelin altında kalmaktadır.

En büyük model farkı neden Küme 4'te?

Küme 4'te doğrusal regresyon R² = 0,28, MAE = 0,12 ve MSE = 0,02 üretirken MLP R² = 0,88, MAE = 0,04 ve MSE = 1 × 10⁻⁴ üretmektedir.

Kaynak bu farkı, söz konusu kümede ekonomik, enerji ve çevresel değişkenler arasındaki ilişkilerin doğrusal olmayan ve yapısal olarak daha karmaşık olmasıyla ilişkilendirmektedir.

Küme 4; Cezayir, Azerbaycan, Mısır, Hindistan, Endonezya, Nijerya, Tayland, Türkiye ve belirli yıllarda Malezya, Meksika, Ukrayna, Özbekistan ve Vietnam gibi farklı geçiş profillerini içermektedir.

Bu sonuç, söz konusu ülkelerde MLP'nin gerçek politika sonucu bakımından daha iyi olduğunu değil, araştırmanın test veri setindeki CO₂ emisyon faktörü tahminlerinde doğrusal benchmark'a göre daha iyi uyum sağladığını göstermektedir.

Küme 0 neden farklı?

Küme 0; Kanada, Yeni Zelanda, Norveç ve İsveç'ten oluşmaktadır. Bu grupta doğrusal ve MLP modellerinin ikisi de test R² = 0,97 üretmiştir.

Kaynak, bu tür kümelerde değişkenler arasındaki yapının görece istikrarlı olduğunu ve daha karmaşık sinir ağı kullanmadan da yüksek tahmin performansı elde edilebileceğini belirtmektedir.

Bu sonuç model karmaşıklığının her durumda avantaj sağlamadığını göstermektedir.

Yenilenebilir enerji değişkeninin etkisi kümelere göre neden değişiyor?

Kaynakta x6 — elektrifikasyonda rüzgâr ve güneş payı — için tahmin edilen ilişkinin Küme 0'da negatif, diğer kümelerde ise pozitif olabildiği belirtilmektedir.

Küme 0'da yüksek rüzgâr ve güneş penetrasyonu daha düşük CO₂ emisyon faktörüyle ilişkilidir.

Diğer kümelerde pozitif katsayı görülmesi ise yenilenebilir kapasite artışının aynı anda toplam elektrik talebi ve ekonomik faaliyet genişlemesiyle birlikte gerçekleşebilmesiyle açıklanmaktadır. Bu nedenle yenilenebilir kurulu güç artışı kısa veya mevcut örneklem döneminde toplam karbon yoğunluğunda otomatik düşüş anlamına gelmemektedir.

Bu katsayılar gözlemsel model ilişkileridir; rüzgâr veya güneş yatırımının emisyonları artırdığı şeklinde nedensel olarak yorumlanmamalıdır.

D-CPFR'nin çok ölçütlü karar fonksiyonu nasıl çalışıyor?

D-CPFR, alternatif politika senaryolarını yalnız CO₂ hedefiyle değil; uygulama maliyeti, jeopolitik/finansal/teknolojik risk ve sosyal faydayı birlikte içeren ağırlıklı bir kayıp fonksiyonu üzerinden değerlendirmeyi önermektedir.

Her senaryo dört ana karar alanını içermektedir:

• politika kararları,
• yatırım kararları,
• teknolojik kararlar,
• düzenleyici kararlar.

Kaynak çalışmadaki kayıp fonksiyonunun mantığı şu şekilde özetlenebilir:

L(c) = α × (hedef CO₂ − tahmin edilen CO₂)² + β × maliyet + γ × risk − δ × sosyal fayda

Burada α, β, γ ve δ katsayıları çevresel hedef, ekonomik maliyet, risk ve sosyal faydanın politika kararındaki göreli önemini belirlemektedir.

Risk bileşeni jeopolitik, finansal veya teknolojik belirsizlikleri; sosyal bileşen ise enerjiye erişim, kurumsal istikrar ve eşitsizliğin azaltılması gibi unsurları kapsayabilmektedir.

Bu fonksiyon ampirik olarak belirlenmiş tek bir “optimal dünya iklim politikası” değildir. Politika yapıcının ağırlıkları ve uygulanabilir senaryo kümesini tanımladığı bir karar destek yapısıdır.

Intracluster ve intercluster işbirliği arasındaki fark nedir?

Intracluster işbirliği yapısal olarak birbirine benzeyen ülkelerin politika, yatırım ve teknoloji kararlarını eşgüdümlü biçimde geliştirmesini; intercluster işbirliği ise yapısal olarak farklı kümeler arasında teknoloji, yatırım, bilgi ve kurumsal deneyim transferini ifade etmektedir.

Intracluster senaryosu

Aynı kümedeki ülkelerin benzer:

• enerji yapısına,
• ekonomik gelişmişlik özelliklerine,
• karbon yoğunluğuna,
• kurumsal problemlere,
• teknolojik ihtiyaçlara

sahip olabileceği varsayılmaktadır.

Bu ülkeler:

• emisyon ve enerji bilançosu verilerini paylaşabilir,
• ortak senaryolar oluşturabilir,
• yatırım önceliklerini uyumlaştırabilir,
• benzer politika araçlarını koordineli biçimde uygulayabilir.

Kaynak özellikle yapısal olarak daha zorlu profiller gösteren Küme 3 ve Küme 4 gibi grupları intracluster koordinasyon için örneklemektedir.

Intercluster senaryosu

Intercluster işbirliğinde amaç birbirine benzeyen ülkeleri koordine etmek değil, farklı yapısal güce sahip kümeler arasında tamamlayıcılık oluşturmaktır.

Kaynak örnek olarak Kanada, Norveç ve İsveç gibi daha gelişmiş karbonsuzlaşma profillerine sahip ülkelerle Çin, Kazakistan veya Ukrayna gibi daha yüksek karbon yoğunluğuna sahip gruplar arasındaki potansiyel işbirliğini tartışmaktadır.

Bu işbirliği:

• temiz teknoloji transferi,
• yeşil yatırım finansmanı,
• kurumsal reform deneyiminin aktarılması,
• ortak altyapı planlaması,
• bilgi ve uzmanlık paylaşımı

gibi mekanizmalar içerebilir.

Bu senaryolar gerçekten test edildi mi?

Hayır. Kaynak makale bunu açık biçimde sınırlandırmaktadır. Intracluster ve intercluster koordinasyon mekanizmaları prospective policy options, yani gelecekte uygulanabilecek politika seçenekleri olarak sunulmuştur.

Araştırmada ülkeler arasında gerçek bir D-CPFR ortaklığı kurulmamış, yatırım programı uygulanmamış ve koordinasyon öncesi-sonrası emisyon değişimi ölçülmemiştir.

Dolayısıyla:

• “D-CPFR emisyonları şu kadar azalttı”,
• “ülkeler arası koordinasyon ekonomik büyümeyi artırdı”,
• “teknoloji transferi belirli miktarda karbon azalması yarattı”

gibi sonuçlar bu çalışmadan çıkarılamaz.

Yapay zekâ bu çalışmada tam olarak ne yapıyor?

Yapay zekâ iki analitik aşamada kullanılmaktadır: SOM denetimsiz öğrenmeyle benzer ülke-yıl profillerini kümelere ayırmakta, MLP ise her küme içinde seçilmiş göstergelerden CO₂ emisyon faktörünün doğrusal olmayan ilişkisini tahmin etmektedir; politika koordinasyonunun kendisi gerçek bir otonom AI ajanı tarafından uygulanmamaktadır.

D-CPFR bu nedenle kendi başına bağımsız karar alan bir “AI hükümeti” veya otomatik iklim yönetim sistemi değildir.

Yapay zekâ, karar destek altyapısının analitik tahmin bileşenidir. Nihai senaryo seçimi çevresel, ekonomik, risk ve sosyal hedeflere göre tanımlanmış optimizasyon yapısına bağlıdır.

ChatGPT araştırmada kullanıldı mı?

Kaynak makalenin AI kullanım beyanına göre üretken yapay zekâ veri üretimi, bilimsel modelleme veya analiz için kullanılmamıştır.

Yazarlar ChatGPT'nin yalnız:

• dil düzenleme,
• kod düzeltme,
• çeviri,
• biçimlendirme

yardımı için kullanıldığını ve bilimsel içeriği kendilerinin kontrol edip sorumluluğunu üstlendiğini belirtmektedir.

Çalışmanın güçlü tarafları

Yapısal heterojenliği görünür kılması: Tek bir global model yerine farklı ülke gruplarında ayrı ilişkiler modellenmektedir.

Doğrusal ve doğrusal olmayan modeli karşılaştırması: Hangi kümelerde karmaşık modelin gerçekten avantaj sağladığı görülebilmektedir.

Teknoloji ile yönetişimi birleştirmesi: Tahmin sonuçları yalnız analitik çıktı olarak bırakılmayıp politika ve yatırım senaryolarına bağlanmaktadır.

Çok amaçlı karar mantığı: Yalnız CO₂ değil, maliyet, risk ve sosyal fayda aynı optimizasyon yapısına alınmaktadır.

Ülke-yıl kümelerinin değişebilmesi: Ülkeler sabit bir gelişmişlik etiketi altında tutulmamakta, zaman içinde farklı yapısal profile geçebilme olasılığı tanınmaktadır.

Çalışmanın başlıca sınırlılıkları

45 ülke ve 10 yıllık dönem: 2014–2023 örneklemi bütün dünya ekonomilerini veya daha uzun dönem dönüşümlerini temsil etmeyebilir.

Girdi seçimine bağımlılık: Sonuçlar seçilen 12 açıklayıcı özelliğe ve hedef değişkene bağlıdır. Farklı ekonomik, teknolojik veya finansal göstergeler farklı kümeler ve farklı tahmin sonuçları oluşturabilir.

Yedi küme seçimine bağımlılık: Küme sayısı iç kalite kriterlerine dayandırılmış olsa da alternatif kümeleme spesifikasyonları farklı grup yapıları üretebilir.

MLP mimarisi tam sayısal olarak raporlanmamıştır: Kaynak kod parçası hidden_layer_sizes = arch biçiminde mimari değişkeni kullanmakta ancak görünür model spesifikasyonu tablosunda bu arch değerinin kesin katman/nöron yapısı verilmemektedir.

%70/%30 bölmenin ayrıntısı sınırlıdır: Kaynak eğitim-test oranını belirtmekte ancak ana yöntem açıklamasında bölmenin zamansal veya rastgele niteliğini ayrıntılı biçimde açıklamamaktadır.

Cross-validation ve geniş robustness seti yoktur: Kaynak bunu gelecekteki araştırmalar için açık ihtiyaç olarak belirtmektedir.

Alternatif makine öğrenmesi modelleri test edilmemiştir: Random Forest, Gradient Boosting, XGBoost ve Support Vector Regression gibi yöntemlerin gelecekte karşılaştırılması önerilmektedir.

Model performansı kümelere göre tutarlı değildir: MLP Küme 1 ve 5'te R² açısından doğrusal modelden daha düşük performans göstermektedir.

Politika mekanizmaları ampirik olarak test edilmemiştir: D-CPFR'nin işbirlikçi yönetişim bölümü teorik ve senaryo-temellidir.

Nedensellik kanıtı değildir: Göstergeler ile CO₂ emisyon faktörü arasındaki model ilişkileri belirli değişkenlerin emisyonları nedensel olarak artırdığını veya azalttığını kanıtlamaz.

Gelecek araştırmalar

Kaynak, daha geniş ülke ve zaman kapsamına sahip panel veri setlerinin kullanılması gerektiğini belirtmektedir.

Ayrıca:

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

gibi alternatif modellerle karşılaştırma önerilmektedir.

Cross-validation ve daha kapsamlı robustness analizlerinin uygulanması, finansal ve teknolojik göstergelerin genişletilmesi ve D-CPFR için gerçek dijital karar destek platformlarının geliştirilmesi de gelecek araştırma başlıkları arasındadır.

En kritik gelecek adımı ise intracluster ve intercluster koordinasyonun gerçek politika vaka çalışmalarında uygulanması ve öngörülen faydaların gerçekten ortaya çıkıp çıkmadığının ölçülmesidir.

Genel bilimsel sonuç

Çalışma, ülkelerin karbonsuzlaşma süreçlerinin aynı ekonomik veya teknolojik model altında homojen kabul edilmemesi gerektiğini göstermektedir.

SOM analizi 45 ülkenin ülke-yıl gözlemlerini yedi farklı yapısal kümeye ayırmış ve bu grupların fosil yakıt bağımlılığı, enerji yoğunluğu, yenilenebilir penetrasyonu, elektrifikasyon ve CO₂ emisyon faktörü açısından farklılaştığını göstermiştir.

Kümeye özgü MLP modelleri özellikle doğrusal olmayan ilişkinin güçlü olduğu Küme 2, 3, 4 ve 6'da doğrusal benchmark'a göre daha yüksek tahmin performansı üretmiştir.

En belirgin sonuç Küme 4'te görülmüş; test R² değeri doğrusal regresyondaki 0,28'den MLP'de 0,88'e çıkmıştır.

Buna karşılık Küme 0'da iki model eşit R² üretmiş, Küme 1 ve 5'te ise MLP R² bakımından doğrusal regresyondan daha düşük kalmıştır. Dolayısıyla kaynak sonuçları yapay zekânın otomatik üstünlüğünden çok model seçiminin ülke grubunun yapısal özelliklerine göre farklılaştırılması gerektiğini desteklemektedir.

D-CPFR'nin teorik katkısı, bu tahmin katmanını ortak politika planlaması, yatırım koordinasyonu, teknoloji seçimi ve risk-sosyal fayda dengesini içeren çok ölçütlü yönetişim yapısıyla birleştirmesidir.

Ancak modelin yönetişim kısmı henüz gerçek ülkelerde uygulanmadığı için D-CPFR'nin küresel karbonsuzlaşmayı fiilen hızlandırdığı veya belirli miktarda emisyon azalması oluşturduğu söylenemez.

Çalışmanın desteklediği en güvenli sonuç, yapısal heterojenliği önce kümeleme yoluyla ayırmanın ve ardından kümeye özgü doğrusal olmayan modeller kullanmanın, bazı ülke gruplarında CO₂ emisyon faktörü tahminini tek bir global doğrusal modele kıyasla önemli ölçüde geliştirebildiğidir.

Kaynak ve Yöntem Notu

Özgün çalışma başlığı: AI-Driven Collaborative Energy Decision-Making Model for Macroeconomic Decarbonization

Yazarlar: Olena Zhytkevych; Andriy Matviychuk; Natalia Osadcha.

Corresponding author: Natalia Osadcha.

Kurumlar: 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.

Dergi: Economies.

Yayınevi: MDPI, Basel, Switzerland.

Bibliyografik kayıt: Economies 2026, 14, 400.

DOI: 10.3390/economies14090400

Akademik editörler: Won Sang Lee; Yonghan Ju.

Gönderim tarihi: 27 Temmuz 2026.

Revizyon tarihi: 18 Ağustos 2026.

Kabul tarihi: 27 Ağustos 2026.

Yayın tarihi: 8 Eylül 2026.

Kaynak türü: Hibrit yapay zekâ, kümeleme ve senaryo optimizasyonu kullanan ampirik modelleme ve teorik karar-destek çerçevesi.

Çalışma kapsamı: 45 ülke, 2014–2023.

Başlangıç gösterge seti: 13 yıllık enerji, demografi, ekonomi, risk, küreselleşme ve çevre göstergesi.

Açıklayıcı özellik seti: Feature selection, dönüşüm ve feature engineering sonrasında 12 predictor.

Hedef değişken: Ortalama CO₂ emisyon faktörünün logaritması.

Veri standardizasyonu: Kaynak Table A4'e göre z-score standardization.

Eğitim/test ayrımı: %70 / %30.

Benchmark: Bütün ülke-yıl gözlemleri üzerinde pooled multiple linear regression.

Kümeleme yöntemi: Self-Organizing Map.

Küme sayısı: 7.

Küme sayısı seçim kriterleri: Silhouette, Davies–Bouldin ve Calinski–Harabasz indeksleri.

Doğrusal olmayan model: Her küme için ayrı Multilayer Perceptron.

Gizli katman aktivasyonu: Logistic/sigmoid.

Çıktı aktivasyonu: Linear.

Optimizer: Adam.

Maksimum iterasyon: 3000.

Early stopping: True.

Learning rate: Adaptive.

Loss: Mean Squared Error.

Model değerlendirme metrikleri: R², MAE, MSE.

Temel performans bulgusu: MLP'nin R² değeri LR'ye göre Küme 2'de 0,72 → 0,98; Küme 3'te 0,36 → 0,51; Küme 4'te 0,28 → 0,88; Küme 6'da 0,57 → 0,85. Küme 0'da iki model de 0,97; Küme 1'de 0,82 → 0,80; Küme 5'te 0,55 → 0,27.

D-CPFR senaryo değişkenleri: Politika, yatırım, teknoloji ve düzenleyici kararlar.

Optimizasyon kriterleri: Hedef CO₂ düzeyinden sapma, uygulama maliyeti, jeopolitik/finansal/teknolojik risk ve sosyal fayda.

Intracluster yaklaşım: Yapısal olarak benzer ülkeler arasında bilgi, politika ve yatırım koordinasyonu.

Intercluster yaklaşım: Farklı karbonsuzlaşma profillerine sahip gruplar arasında teknoloji transferi, yatırım işbirliği ve kurumsal bilgi paylaşımı.

Ampirik sınır: Çalışma küme-bazlı tahmin performansını test etmekte; intracluster veya intercluster işbirliğinin gerçek politika ortamındaki emisyon, maliyet veya sosyal sonuçlarını doğrudan test etmemektedir.

Veri kaynakları: EnerData (2024), World Bank (2024), Geopolitical Risk Index (2025).

Veri/kod erişilebilirliği: Ham veri kaynakları kamusaldır. İşlenmiş veri seti ve modelleme kodunun corresponding author'dan makul talep üzerine edinilebileceği belirtilmiştir.

Yazılım: Python 3.11, NumPy, Pandas, Scikit-learn, MiniSom 2.3.5 ve clustering analizinde scikit-fuzzy 0.5.0.

Etik kurul: İnsan veya hayvan deneği bulunmadığı için uygulanamaz.

Bilgilendirilmiş onam: Uygulanamaz.

AI kullanım beyanı: Üretken yapay zekâ veri üretimi, modelleme veya bilimsel analiz için kullanılmamıştır. Yazarlar ChatGPT'yi yalnız dil düzenleme, kod düzeltme, çeviri ve biçimlendirme desteği için kullandıklarını; bütün çıktıları kontrol ettiklerini ve bilimsel sorumluluğun kendilerine ait olduğunu bildirmiştir.

Yazar katkıları: Kavramsallaştırma: O.Z. ve A.M.; metodoloji: O.Z. ve A.M.; yazılım: O.Z.; doğrulama: O.Z., A.M. ve N.O.; formal analiz: O.Z.; araştırma: O.Z.; kaynaklar ve veri düzenleme: O.Z. ve A.M.; ilk taslak: O.Z. ve A.M.; gözden geçirme ve düzenleme: O.Z., A.M. ve N.O.; görselleştirme: O.Z.; supervision: A.M.; proje yönetimi: N.O. Tüm yazarlar yayımlanan sürümü okuyup onaylamıştır.

Finansman: Araştırma belirli bir araştırma hibesi almamıştır. Article Processing Charge, Luleå University of Technology tarafından karşılanmıştır.

Çıkar çatışması: Yazarlar çıkar çatışması olmadığını bildirmiştir.

Lisans: Creative Commons Attribution 4.0 (CC BY).

Temel yöntemsel sınırlılıklar: 45 ülke ve 2014–2023 dönemiyle sınırlı veri kapsamı; sonuçların seçilen göstergeler, yedi kümeli yapı ve model varsayımlarına bağımlılığı; alternatif ML yöntemleri ve kapsamlı cross-validation/robustness testlerinin bulunmaması; eğitim-test ayrımının uygulama ayrıntılarının sınırlı raporlanması; MLP'nin sayısal hidden-layer mimarisinin görünür spesifikasyonda açıkça verilmemesi; bazı kümelerde MLP'nin LR'den daha düşük R² üretmesi; işbirlikçi politika senaryolarının gerçek dünyada uygulanmamış olması. Sonuçlar doğrudan nedensel iklim politikası etkileri olarak yorumlanmamalıdır.