Makroiqtisodiy karbonsizlanish — mamlakat iqtisodiy faoliyatini barqaror davom ettirgan holda energiya va ishlab chiqarish tizimlarining uglerod sig‘imini o‘rta va uzoq muddatda kamaytirish jarayonidir. Olena Zhytkevych, Andriy Matviychuk va Natalia Osadcha tomonidan tayyorlangan ushbu tadqiqot mamlakatlar o‘rtasidagi iqtisodiy, energetik, institutsional va ekologik farqlarni bitta chiziqli model bilan yetarlicha ifodalab bo‘lmasligi mumkin degan fikrdan kelib chiqib, sun’iy intellekt qo‘llab-quvvatlaydigan gibrid qaror qabul qilish tizimini ishlab chiqadi.

Taklif etilgan tizim D-CPFR — Decarbonization–Collaborative Planning, Forecasting and Replenishment deb ataladi. Model klassik CPFR yondashuvining hamkorlikdagi rejalashtirish va prognozlash mantiqini makroiqtisodiy karbonsizlanish kontekstiga kengaytiradi; Self-Organizing Map (SOM) yordamida mamlakatlarni klasterlashni, klasterga xos Multilayer Perceptron (MLP) prognozlarini hamda ekologik, iqtisodiy, risk va ijtimoiy maqsadlarni birgalikda baholaydigan ko‘p mezonli ssenariy optimallashtirishini bitta tizimda birlashtiradi.

Tadqiqotning empirik ma’lumotlar bazasi 2014–2023 davridagi 45 mamlakatni qamrab oladi. Dastlab energiya, iqtisodiyot, demografiya, geosiyosiy risk, globallashuv va atrof-muhit o‘lchamlarini ifodalovchi 13 yillik ko‘rsatkichdan foydalaniladi; ulardan 12 tasi izohlovchi xususiyat sifatida model kirishiga aylantiriladi. Prognoz maqsadi esa o‘rtacha CO₂ emissiya omilining logarifmidir.

Modellashtirish jarayoni yetti asosiy bosqichdan iborat: ma’lumot to‘plash, ma’lumotlarni dastlabki qayta ishlash, SOM klasterlash, klasterlarni aniqlash, klasterga xos MLP prognozi, modelni tekshirish va nihoyat klaster ichidagi yoki klasterlararo muvofiqlashtirishga asoslangan ssenariy optimallashtirish.

SOM tahlili mamlakat-yil kuzatuvlarini yetti tarkibiy klasterga ajratdi. Manba 0-klaster va 5-klasterni nisbatan rivojlangan energetik o‘tish xususiyatlariga ega guruhlar sifatida; 1-klaster va 6-klasterni oraliq/o‘tish profillari sifatida; 2, 3 va 4-klasterlarni esa qazilma yoqilg‘iga qaramlik, energiya sig‘imi, qayta tiklanuvchi energiya kirib borishi, elektrlashtirish va CO₂ sig‘imi bo‘yicha ko‘proq geterogen o‘tish profillari sifatida talqin qiladi.

Klasterga xos MLP modellari barcha guruhlarda bir xil natija bermadi. Test namunasi doirasida MLP 2-klasterda R² qiymatini 0,72 dan 0,98 ga; 3-klasterda 0,36 dan 0,51 ga; 4-klasterda 0,28 dan 0,88 ga va 6-klasterda 0,57 dan 0,85 ga oshirdi. 0-klasterda chiziqli regressiya ham, MLP ham R² = 0,97 natijasini berdi. Aksincha, 1-klasterda MLP R² = 0,80 bilan chiziqli modelning 0,82 qiymatidan biroz past, 5-klasterda esa 0,27 bilan chiziqli modelning 0,55 qiymatidan ancha past bo‘ldi.

Shu sababli tadqiqotning ilmiy xulosasi “sun’iy intellekt har doim chiziqli modellardan yaxshiroq” degani emas. To‘g‘riroq xulosa shuki, mamlakatlar o‘rtasidagi tarkibiy geterogenlik yuqori va bog‘lanishlar chiziqli bo‘lmagan ayrim klasterlarda klasterga asoslangan MLP modellari yagona global chiziqli modelga nisbatan sezilarli prognoz ustunligini bera oladi.

D-CPFRning ikkinchi qismi prognoz natijalarini boshqaruv jarayoniga bog‘laydi. Bir klasterdagi mamlakatlar ma’lumot almashinuvi, investitsiya muvofiqlashtirishi, texnologiya siyosati va tartibga soluvchi qarorlarni birgalikda baholashi mumkin; turli klasterlar esa texnologiya transferi, investitsiya hamkorligi va institutsional bilim almashinuvi orqali bir-birini qo‘llab-quvvatlashi mumkin.

Biroq bu boshqaruv mexanizmlari tadqiqotda haqiqiy mamlakatlarda qo‘llanmagan. Tadqiqot empirik ravishda sinagan qism klasterga xos prognoz modellarining ishlash samaradorligidir. Klaster ichidagi va klasterlararo muvofiqlashtirish haqiqiy emissiya kamayishi, iqtisodiy xarajat yoki ijtimoiy foyda keltirib chiqaradimi, hozircha empirik ravishda ko‘rsatilmagan.

D-CPFR modeli nima?

D-CPFR tarkibiy jihatdan o‘xshash mamlakatlarni klasterlarga ajratadigan, har bir klaster uchun alohida sun’iy neyron tarmoq prognozlarini ishlab chiqaradigan va bu prognozlarni ekologik maqsadlar, xarajat, risk va ijtimoiy foydani birgalikda baholovchi hamkorlikdagi karbonsizlanish ssenariylariga bog‘laydigan ko‘p qatlamli qarorlarni qo‘llab-quvvatlash tizimidir.

D-CPFRning asosiy yangiligi yangi sun’iy intellekt algoritmini ishlab chiqish emas. Manba tadqiqot yangilikni ilgari alohida-alohida qo‘llangan usullarni bitta boshqaruv tizimida integratsiyalash deb ta’riflaydi.

Tizimning uchta asosiy tahliliy tarkibiy qismi mavjud:

1. SOM klasterlash: Tarkibiy jihatdan bir-biriga o‘xshash mamlakat-yil kuzatuvlarini aniqlash.
2. Klasterga xos MLP prognozi: Har bir guruhning o‘z iqtisodiy va energetik tuzilmasidagi chiziqli bo‘lmagan bog‘lanishlarni modellashtirish.
3. Ko‘p mezonli ssenariy optimallashtirish: Prognoz natijalarini siyosat, investitsiya, texnologiya, risk va ijtimoiy maqsadlar bilan birgalikda baholash.

Nega D-CPFR bitta global modeldan foydalanmaydi?

Chunki bir xil energetik yoki iqtisodiy o‘zgaruvchi turli mamlakat guruhlarida turlicha ma’noga ega bo‘lishi mumkin. Qayta tiklanuvchi energiya ulushining ortishi qayta tiklanuvchi energiya kirib borishi yuqori bo‘lgan mamlakatda qazilma yoqilg‘i foydalanishini haqiqatan almashtirishi mumkin; ammo elektr energiyasiga umumiy talab tez o‘sayotgan boshqa iqtisodiyotda qayta tiklanuvchi quvvatning ortishi umumiy CO₂ sig‘imining darhol kamayishi bilan birga yuz bermasligi mumkin.

Tadqiqotning klasterga asoslangan yondashuvi barcha mamlakatlar uchun bitta o‘rtacha koeffitsiyent yaratish o‘rniga tarkibiy jihatdan o‘xshash mamlakat guruhlarida alohida bog‘lanishlarni baholashni maqsad qiladi.

Tadqiqotda “karbonsizlanish salohiyati” qanday ta’riflanadi?

Manba tadqiqot mamlakatning karbonsizlanish salohiyatini uning iqtisodiyoti uglerod sig‘imini o‘rta va uzoq muddatda barqaror ravishda kamaytira olish qobiliyati sifatida ta’riflaydi; empirik model bevosita prognoz qiladigan maqsad esa o‘rtacha CO₂ emissiya omilining logarifmidir.

Bu farq muhim. D-CPFR bevosita “mamlakat shuncha tonna CO₂ kamaytiradi” shaklida aniq kelajak prognozini bermaydi. Tanlangan iqtisodiy, energetik, demografik, institutsional va ekologik ko‘rsatkichlardan CO₂ emissiya omilini modellashtirib, muqobil karbonsizlanish ssenariylarining tahliliy asosini yaratadi.

Tadqiqotning uchta tadqiqot savoli

1. Klasterlash va neyron tarmoq usullariga asoslangan gibrid prognozlashning nazariy asoslari nimalardan iborat?
2. D-CPFR modeli tarkibiy jihatdan geterogen mamlakatlarda prognozlash bilan hamkorlikdagi rejalashtirishni qanday birlashtira oladi?
3. Bu yondashuv differensial iqlim siyosatlari va muvofiqlashtirilgan karbonsizlanish strategiyalarini shakllantirishni qanday qo‘llab-quvvatlay oladi?

Modelning ish jarayoni qanday?

Model ma’lumot to‘plashdan boshlanib, ko‘rsatkichlarni tayyorlash, SOM orqali tarkibiy klasterlarni yaratish, har bir klaster uchun MLP prognozi, modelni tekshirish va prognozlarni ko‘p mezonli hamkorlikdagi siyosat ssenariylariga aylantirish bosqichlarini bajaradi.

Self-Organizing Map nima uchun ishlatilgan?

SOM ko‘p o‘lchovli mamlakat ko‘rsatkichlaridagi chiziqli bo‘lmagan o‘xshashliklarni topologik tuzilmani imkon qadar saqlagan holda past o‘lchovli xaritaga aylantirish va tarkibiy jihatdan bir-biriga o‘xshash mamlakat-yil kuzatuvlarini bitta guruhga jamlash maqsadida ishlatilgan.

Manba tadqiqotda SOM tanlovi ilgari K-means va Gaussian Mixture Models kabi muqobil klasterlash usullari bilan qilingan taqqoslashlarga asoslangan. Mualliflar SOM ushbu ma’lumotlar to‘plamiga murakkab chiziqli bo‘lmagan tuzilmalarni ushlash, topologik bog‘lanishlarni saqlash, shovqinga chidamlilik va yuqori o‘lchovli ma’lumotlar bilan ishlash jihatidan mos ekanini ta’kidlaydi.

Optimal klaster soni:

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

kabi ichki klasterlash sifati mezonlariga ko‘ra baholangan va yetti klaster tanlangan.

Manba maqola ushbu bo‘limda mezonlar ishlatilganini tushuntiradi, biroq asosiy matnda mazkur uch indeksning barcha nomzod klaster sonlari bo‘yicha raqamli qiymatlarini bermaydi.

Klasterga a’zolik mamlakatlarning o‘zgarmas yorlig‘imi?

Yo‘q. SOM tasnifi mamlakat-yil kuzatuvlari bo‘yicha amalga oshiriladi; shu sababli mamlakat turli yillarda turli klasterlarda bo‘lishi mumkin va manba Table A3 da Germaniya, Avstraliya, Belgiya, Chili, Italiya, Malayziya, Meksika, Polsha, Ispaniya, Ukraina, Birlashgan Qirollik, O‘zbekiston va Vyetnam kabi mamlakatlarning davr davomida klaster almashtirgani ko‘rinadi.

Bu xususiyat D-CPFRning dinamik talqini bilan mos keladi. Manba siyosiy islohot, investitsiya, texnologik rivojlanish yoki tashqi iqtisodiy sharoitlar natijasida mamlakat vaqt o‘tishi bilan boshqa tarkibiy klasterga o‘tishi mumkinligini nazariy jihatdan nazarda tutadi.

Manbada qayd etilgan yetti klaster

Klasterlarning umumiy talqini

Manbaga ko‘ra 0-klaster va 5-klaster nisbatan rivojlangan energiya o‘tishi xususiyatlari tufayli potensial karbonsizlanish markazlari yoki o‘tish yetakchilari sifatida talqin qilinishi mumkin.

1-klaster va 6-klaster iqtisodiy rivojlanish, energiya tuzilmasi va karbonsizlanish xususiyatlarining turli kombinatsiyalarini o‘z ichiga olgan oraliq yoki o‘tish profillaridir.

2, 3 va 4-klasterlar esa qazilma yoqilg‘iga qaramlik, energiya sig‘imi, qayta tiklanuvchi energiya kirib borishi, elektrlashtirish va CO₂ emissiya sig‘imi bo‘yicha ko‘proq geterogen profillarni ko‘rsatadi.

Tadqiqot Usuli va Natijalari

Ma’lumotlar qamrovi

Tadqiqot 45 mamlakat va 2014–2023 davrini qamrab oladi. Foydalanilgan asosiy ma’lumot manbalari:

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

Dastlabki axborot bazasi 13 yillik ko‘rsatkichdan iborat. Feature selection, mutlaq ko‘rsatkichlarni nisbiy o‘lchovlarga aylantirish va hosila xususiyatlarni yaratish natijasida modelga kiritilgan 12 izohlovchi o‘zgaruvchi shakllantirilgan.

13 asosiy ko‘rsatkich

Ma’lumotlarni standartlashtirish

Manba usul bo‘limida izohlovchi xususiyatlar z-score standardization bilan standartlashtirilgani ko‘rsatilgan. Standartlashtirilgan 12 o‘lchovli vektor keyin SOM klasterlash va MLP prognoz modelining kirishini tashkil qiladi.

Maqsadli o‘zgaruvchi bo‘lgan o‘rtacha CO₂ emissiya omiliga logarifmik o‘zgartirish qo‘llangan. Manba buning assimmetrik taqsimotni va chet qiymatlar ta’sirini kamaytirib, prognozlarning statistik barqarorligini oshirishga qaratilganini ta’kidlaydi.

O‘qitish va test ajratilishi

Ma’lumotlar modelni yaratish va tekshirish maqsadida %70 o‘qitish / %30 test ko‘rinishida ajratilgan.

Manba ushbu nisbat qo‘llanganini aniq ko‘rsatadi; biroq asosiy usul tavsifida ajratish yil tartibini saqlaydigan vaqt bo‘yicha bo‘linishmi yoki mamlakat-yil kuzatuvlarining boshqa usulda bo‘linishimi, ochiq bayon qilinmagan.

Bu tafsilot ayniqsa “forecasting” tushunchasini talqin qilish uchun muhim. Shu sababli natijalarni real vaqt rejimida kelajakka yo‘naltirilgan mamlakat prognozi emas, mavjud mamlakat-yil namunasi bo‘yicha shartli prognoz samaradorligi sifatida baholash xavfsizroq.

Chiziqli regressiya benchmark’i

Birinchi bosqichda barcha mamlakatlar va yillar bitta pooled ma’lumotlar to‘plamida birlashtirilib, 12 izohlovchi o‘zgaruvchili ko‘p o‘zgaruvchili chiziqli regressiya qurilgan:

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

Bu yerda y(k,t), k mamlakat va t yil uchun o‘rtacha CO₂ emissiya omilining logarifmidir.

Chiziqli model samaradorligi R², MAE va MSE orqali baholangan. Manba bitta global chiziqli model murakkab va chiziqli bo‘lmagan mamlakatlararo farqlarni yetarlicha ifodalay olmaydi degan xulosaga keladi va ushbu modelni SOM + MLP yondashuvi uchun taqqoslash nuqtasi sifatida qo‘llaydi.

MLP modeli

Har bir klaster uchun alohida Multilayer Perceptron prognoz funksiyasi qurilgan. MLPning asosiy tuzilmasi:

h(0) = X*

h(l) = σ(l)(W(l)h(l−1) + b(l))

va yakuniy chiqish:

ŷ(k,t) = h(L)

ko‘rinishida.

Yashirin qatlamlarda logistic/sigmoid, chiqish qatlamida regressiya muammosiga mos linear activation qo‘llangan.

O‘qitish maqsadi Mean Squared Errorni minimallashtirishdir:

MSE(c) = (1/Nc) Σ (yi − ŷi)² → min

MLP qo‘llash sozlamalari

Manba kod parchasida yashirin qatlam tuzilmasi hidden_layer_sizes = arch ko‘rinishida parametrik tarzda ko‘rsatilgan. Biroq Table A4 yoki berilgan kod parchasida arch o‘zgaruvchisining aniq neyron/qatlam sonlari alohida yozilmagan. Shuning uchun Verianla manbada ochiq berilmagan tarmoq arxitekturasi o‘lchamlarini taxmin qilib to‘ldirmaydi.

Klasterga xos MLP haqiqatan ham chiziqli modeldan yaxshiroqmi?

Ba’zi klasterlarda ha, boshqalarida yo‘q: MLP ayniqsa 2, 3, 4 va 6-klasterlarda R² va/yoki xato ko‘rsatkichlarida sezilarli yaxshilanish ko‘rsatadi; 0-klasterda chiziqli model bilan bir xil R² ni beradi, 1 va 5-klasterlarda esa R² bo‘yicha chiziqli modeldan past qoladi.

Nega eng katta model farqi 4-klasterda?

4-klasterda chiziqli regressiya R² = 0,28, MAE = 0,12 va MSE = 0,02 natijasini bersa, MLP R² = 0,88, MAE = 0,04 va MSE = 1 × 10⁻⁴ natijasini beradi.

Manba bu farqni mazkur klasterdagi iqtisodiy, energetik va ekologik o‘zgaruvchilar o‘rtasidagi bog‘lanishlar chiziqli bo‘lmagan va tarkibiy jihatdan murakkabroq ekanligi bilan bog‘laydi.

4-klaster Jazoir, Ozarbayjon, Misr, Hindiston, Indoneziya, Nigeriya, Tailand, Turkiya va ayrim yillarda Malayziya, Meksika, Ukraina, O‘zbekiston va Vyetnam kabi turli o‘tish profillarini o‘z ichiga oladi.

Bu natija mazkur mamlakatlarda MLP haqiqiy siyosat natijasi jihatidan yaxshiroq ekanini emas, tadqiqotning test ma’lumotlar to‘plamida CO₂ emissiya omili prognozlarida chiziqli benchmarkga nisbatan yaxshiroq moslashuv berganini ko‘rsatadi.

Nega 0-klaster boshqacha?

0-klaster Kanada, Yangi Zelandiya, Norvegiya va Shvetsiyadan iborat. Bu guruhda chiziqli va MLP modellari ikkalasi ham test R² = 0,97 natijasini bergan.

Manba bunday klasterlarda o‘zgaruvchilar o‘rtasidagi tuzilma nisbatan barqaror ekanini va murakkabroq neyron tarmoqdan foydalanmasdan ham yuqori prognoz samaradorligiga erishish mumkinligini ta’kidlaydi.

Bu natija model murakkabligi har doim ham ustunlik bermasligini ko‘rsatadi.

Nega qayta tiklanuvchi energiya o‘zgaruvchisining ta’siri klasterlar bo‘yicha farq qiladi?

Manbada x6 — elektrlashtirishda shamol va quyosh ulushi — uchun baholangan bog‘lanish 0-klasterda manfiy, boshqa klasterlarda esa musbat bo‘lishi mumkinligi ko‘rsatiladi.

0-klasterda shamol va quyoshning yuqori kirib borishi pastroq CO₂ emissiya omili bilan bog‘liq.

Boshqa klasterlarda musbat koeffitsiyent ko‘rinishi esa qayta tiklanuvchi quvvatning ortishi bir vaqtning o‘zida umumiy elektr talabi va iqtisodiy faoliyat kengayishi bilan yuz berishi mumkinligi bilan izohlanadi. Shu sababli qayta tiklanuvchi o‘rnatilgan quvvatning ortishi qisqa muddatda yoki mavjud namuna davrida umumiy uglerod sig‘imining avtomatik kamayishini anglatmaydi.

Bu koeffitsiyentlar kuzatuvga asoslangan model bog‘lanishlaridir; shamol yoki quyosh investitsiyasi emissiyalarni oshiradi, deb sababiy talqin qilinmasligi kerak.

D-CPFRning ko‘p mezonli qaror funksiyasi qanday ishlaydi?

D-CPFR muqobil siyosat ssenariylarini faqat CO₂ maqsadi bo‘yicha emas; amalga oshirish xarajati, geosiyosiy/moliyaviy/texnologik risk va ijtimoiy foydani birgalikda o‘z ichiga oladigan vaznli yo‘qotish funksiyasi orqali baholashni taklif qiladi.

Har bir ssenariy to‘rtta asosiy qaror sohasini o‘z ichiga oladi:

• siyosiy qarorlar,
• investitsiya qarorlari,
• texnologik qarorlar,
• tartibga soluvchi qarorlar.

Manba tadqiqotdagi yo‘qotish funksiyasining mantiqini quyidagicha umumlashtirish mumkin:

L(c) = α × (maqsad CO₂ − prognoz qilingan CO₂)² + β × xarajat + γ × risk − δ × ijtimoiy foyda

Bu yerda α, β, γ va δ koeffitsiyentlari ekologik maqsad, iqtisodiy xarajat, risk va ijtimoiy foydaning siyosat qaroridagi nisbiy ahamiyatini belgilaydi.

Risk tarkibiy qismi geosiyosiy, moliyaviy yoki texnologik noaniqliklarni; ijtimoiy tarkibiy qism esa energiyadan foydalanish imkoniyati, institutsional barqarorlik va tengsizlikni kamaytirish kabi unsurlarni qamrab olishi mumkin.

Bu funksiya empirik ravishda aniqlangan yagona “optimal jahon iqlim siyosati” emas. Siyosat ishlab chiquvchi vaznlar va amalga oshirilishi mumkin bo‘lgan ssenariylar to‘plamini belgilaydigan qarorlarni qo‘llab-quvvatlash tuzilmasidir.

Intracluster va intercluster hamkorlik o‘rtasidagi farq nima?

Intracluster hamkorlik tarkibiy jihatdan bir-biriga o‘xshash mamlakatlarning siyosat, investitsiya va texnologiya qarorlarini muvofiqlashtirilgan tarzda rivojlantirishini; intercluster hamkorlik esa tarkibiy jihatdan turli klasterlar o‘rtasida texnologiya, investitsiya, bilim va institutsional tajriba transferini anglatadi.

Intracluster ssenariysi

Bir klasterdagi mamlakatlarning o‘xshash:

• energiya tuzilmasiga,
• iqtisodiy rivojlanish xususiyatlariga,
• uglerod sig‘imiga,
• institutsional muammolarga,
• texnologik ehtiyojlarga

ega bo‘lishi mumkin deb faraz qilinadi.

Bu mamlakatlar:

• emissiya va energiya balansi ma’lumotlarini bo‘lishishi,
• umumiy ssenariylar yaratishi,
• investitsiya ustuvorliklarini uyg‘unlashtirishi,
• o‘xshash siyosat vositalarini muvofiqlashtirilgan tarzda qo‘llashi mumkin.

Manba, ayniqsa tarkibiy jihatdan murakkabroq profillar ko‘rsatadigan 3-klaster va 4-klaster kabi guruhlarni intracluster muvofiqlashtirish uchun misol sifatida keltiradi.

Intercluster ssenariysi

Intercluster hamkorlikda maqsad bir-biriga o‘xshash mamlakatlarni muvofiqlashtirish emas, balki turli tarkibiy kuchga ega klasterlar o‘rtasida bir-birini to‘ldiruvchanlik yaratishdir.

Manba misol sifatida Kanada, Norvegiya va Shvetsiya kabi rivojlanganroq karbonsizlanish profiliga ega mamlakatlar bilan Xitoy, Qozog‘iston yoki Ukraina kabi uglerod sig‘imi yuqoriroq guruhlar o‘rtasidagi potensial hamkorlikni muhokama qiladi.

Bu hamkorlik:

• toza texnologiya transferi,
• yashil investitsiya moliyalashtirishi,
• institutsional islohot tajribasini uzatish,
• umumiy infratuzilma rejalashtirishi,
• bilim va ekspertiza almashinuvi

kabi mexanizmlarni o‘z ichiga olishi mumkin.

Bu ssenariylar haqiqatan ham sinovdan o‘tkazildimi?

Yo‘q. Manba maqola buni aniq chegaralaydi. Intracluster va intercluster muvofiqlashtirish mexanizmlari prospective policy options, ya’ni kelajakda qo‘llanishi mumkin bo‘lgan siyosat variantlari sifatida taqdim etilgan.

Tadqiqotda mamlakatlar o‘rtasida haqiqiy D-CPFR hamkorligi tashkil etilmagan, investitsiya dasturi amalga oshirilmagan va muvofiqlashtirishdan oldingi-keyingi emissiya o‘zgarishi o‘lchanmagan.

Shuning uchun:

• “D-CPFR emissiyalarni shuncha kamaytirdi”,
• “mamlakatlararo muvofiqlashtirish iqtisodiy o‘sishni oshirdi”,
• “texnologiya transferi ma’lum miqdorda uglerod kamayishini keltirib chiqardi”

kabi xulosalarni ushbu tadqiqotdan chiqarib bo‘lmaydi.

Sun’iy intellekt bu tadqiqotda aynan nima qiladi?

Sun’iy intellekt ikki tahliliy bosqichda qo‘llanadi: SOM nazoratsiz o‘rganish orqali o‘xshash mamlakat-yil profillarini klasterlarga ajratadi, MLP esa har bir klaster ichida tanlangan ko‘rsatkichlardan CO₂ emissiya omilining chiziqli bo‘lmagan bog‘lanishini prognozlaydi; siyosat muvofiqlashtirishining o‘zi haqiqiy avtonom AI agenti tomonidan amalga oshirilmaydi.

Shu sababli D-CPFR mustaqil qaror qabul qiladigan “AI hukumati” yoki avtomatik iqlim boshqaruv tizimi emas.

Sun’iy intellekt qarorlarni qo‘llab-quvvatlash infratuzilmasining tahliliy prognoz tarkibiy qismidir. Yakuniy ssenariy tanlovi ekologik, iqtisodiy, risk va ijtimoiy maqsadlarga ko‘ra belgilangan optimallashtirish tuzilmasiga bog‘liq.

Tadqiqotda ChatGPT ishlatilganmi?

Manba maqolaning AI foydalanish bayonotiga ko‘ra generativ sun’iy intellekt ma’lumot ishlab chiqarish, ilmiy modellashtirish yoki tahlil uchun ishlatilmagan.

Mualliflar ChatGPTdan faqat:

• tilni tahrirlash,
• kodni tuzatish,
• tarjima,
• formatlash

yordami uchun foydalanganini va ilmiy mazmunni o‘zlari tekshirib, mas’uliyatni zimmasiga olganini ta’kidlaydi.

Tadqiqotning kuchli tomonlari

Tarkibiy geterogenlikni ko‘rinadigan qilishi: Bitta global model o‘rniga turli mamlakat guruhlarida alohida bog‘lanishlar modellashtiriladi.

Chiziqli va chiziqli bo‘lmagan modelni taqqoslashi: Qaysi klasterlarda murakkab model haqiqatan ham ustunlik berishi ko‘rinadi.

Texnologiyani boshqaruv bilan birlashtirishi: Prognoz natijalari faqat tahliliy chiqish sifatida qoldirilmay, siyosat va investitsiya ssenariylariga bog‘lanadi.

Ko‘p maqsadli qaror mantiqi: Faqat CO₂ emas, xarajat, risk va ijtimoiy foyda ham bitta optimallashtirish tuzilmasiga kiritiladi.

Mamlakat-yil klasterlarining o‘zgarishi mumkinligi: Mamlakatlar o‘zgarmas rivojlanish yorlig‘i ostida saqlanmaydi, vaqt davomida boshqa tarkibiy profilga o‘tishi mumkinligi tan olinadi.

Tadqiqotning asosiy cheklovlari

45 mamlakat va 10 yillik davr: 2014–2023 namunasi barcha jahon iqtisodiyotlarini yoki uzoqroq muddatdagi o‘zgarishlarni ifodalamasligi mumkin.

Kirish tanloviga bog‘liqlik: Natijalar tanlangan 12 izohlovchi xususiyat va maqsadli o‘zgaruvchiga bog‘liq. Boshqa iqtisodiy, texnologik yoki moliyaviy ko‘rsatkichlar boshqa klasterlar va boshqa prognoz natijalarini yaratishi mumkin.

Yetti klaster tanloviga bog‘liqlik: Klaster soni ichki sifat mezonlariga asoslangan bo‘lsa-da, muqobil klasterlash spetsifikatsiyalari boshqa guruh tuzilmalarini yaratishi mumkin.

MLP arxitekturasi to‘liq raqamli ko‘rinishda hisobot qilinmagan: Manba kod parchasi hidden_layer_sizes = arch shaklida arxitektura o‘zgaruvchisidan foydalanadi, biroq ko‘rinadigan model spetsifikatsiyasi jadvalida ushbu arch qiymatining aniq qatlam/neyron tuzilmasi berilmagan.

%70/%30 bo‘linish tafsiloti cheklangan: Manba o‘qitish-test nisbatini ko‘rsatadi, biroq asosiy usul tavsifida bo‘linishning vaqt bo‘yicha yoki tasodifiy xususiyatini batafsil tushuntirmaydi.

Cross-validation va keng robustness to‘plami yo‘q: Manba buni kelajakdagi tadqiqotlar uchun ochiq ehtiyoj sifatida ko‘rsatadi.

Muqobil mashinaviy o‘rganish modellari sinovdan o‘tkazilmagan: Random Forest, Gradient Boosting, XGBoost va Support Vector Regression kabi usullarni kelajakda taqqoslash tavsiya etiladi.

Model samaradorligi klasterlar bo‘yicha izchil emas: MLP 1 va 5-klasterlarda R² bo‘yicha chiziqli modeldan pastroq samaradorlik ko‘rsatadi.

Siyosat mexanizmlari empirik ravishda sinovdan o‘tkazilmagan: D-CPFRning hamkorlikdagi boshqaruv qismi nazariy va ssenariyga asoslangan.

Sababiylik isboti emas: Ko‘rsatkichlar va CO₂ emissiya omili o‘rtasidagi model bog‘lanishlari ayrim o‘zgaruvchilar emissiyalarni sababiy ravishda oshirishi yoki kamaytirishini isbotlamaydi.

Kelajakdagi tadqiqotlar

Manba kengroq mamlakat va vaqt qamroviga ega panel ma’lumotlar to‘plamlaridan foydalanish kerakligini ta’kidlaydi.

Shuningdek:

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

kabi muqobil modellar bilan taqqoslash tavsiya etiladi.

Cross-validation va yanada keng qamrovli robustness tahlillarini qo‘llash, moliyaviy va texnologik ko‘rsatkichlarni kengaytirish hamda D-CPFR uchun haqiqiy raqamli qarorlarni qo‘llab-quvvatlash platformalarini ishlab chiqish ham kelajakdagi tadqiqot yo‘nalishlari qatoriga kiradi.

Eng muhim kelajakdagi qadam esa intracluster va intercluster muvofiqlashtirishni haqiqiy siyosat holatlarida qo‘llash va kutilgan foydalar haqiqatan yuzaga keladimi-yo‘qmi, o‘lchashdir.

Umumiy ilmiy xulosa

Tadqiqot mamlakatlarning karbonsizlanish jarayonlarini bir xil iqtisodiy yoki texnologik model doirasida bir jinsli deb qabul qilmaslik kerakligini ko‘rsatadi.

SOM tahlili 45 mamlakatning mamlakat-yil kuzatuvlarini yetti turli tarkibiy klasterga ajratdi va bu guruhlar qazilma yoqilg‘iga qaramlik, energiya sig‘imi, qayta tiklanuvchi energiya kirib borishi, elektrlashtirish va CO₂ emissiya omili jihatidan farqlanishini ko‘rsatdi.

Klasterga xos MLP modellari, ayniqsa chiziqli bo‘lmagan bog‘lanish kuchli bo‘lgan 2, 3, 4 va 6-klasterlarda chiziqli benchmarkga nisbatan yuqoriroq prognoz samaradorligini berdi.

Eng sezilarli natija 4-klasterda kuzatildi; test R² qiymati chiziqli regressiyadagi 0,28 dan MLPda 0,88 ga oshdi.

Aksincha, 0-klasterda ikki model bir xil R² natijasini berdi, 1 va 5-klasterlarda esa MLP R² bo‘yicha chiziqli regressiyadan past qoldi. Shu sababli manba natijalari sun’iy intellektning avtomatik ustunligidan ko‘ra model tanlovini mamlakat guruhining tarkibiy xususiyatlariga qarab differensiallashtirish kerakligini qo‘llab-quvvatlaydi.

D-CPFRning nazariy hissasi ushbu prognoz qatlamini umumiy siyosat rejalashtirishi, investitsiya muvofiqlashtirishi, texnologiya tanlovi va risk-ijtimoiy foyda muvozanatini o‘z ichiga olgan ko‘p mezonli boshqaruv tuzilmasi bilan birlashtirishdir.

Biroq modelning boshqaruv qismi hali haqiqiy mamlakatlarda qo‘llanmagani sababli D-CPFR global karbonsizlanishni amalda tezlashtirgani yoki muayyan miqdorda emissiya kamayishini yaratgani aytilmaydi.

Tadqiqot qo‘llab-quvvatlaydigan eng ehtiyotkor xulosa shuki, tarkibiy geterogenlikni avval klasterlash orqali ajratish, keyin esa klasterga xos chiziqli bo‘lmagan modellarni qo‘llash ayrim mamlakat guruhlarida CO₂ emissiya omili prognozini bitta global chiziqli modelga nisbatan sezilarli darajada yaxshilashi mumkin.

Manba va Usul Haqida Izoh

Asl tadqiqot nomi: AI-Driven Collaborative Energy Decision-Making Model for Macroeconomic Decarbonization

Mualliflar: Olena Zhytkevych; Andriy Matviychuk; Natalia Osadcha.

Corresponding author: Natalia Osadcha.

Muassasalar: 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.

Nashriyot: MDPI, Basel, Switzerland.

Bibliografik yozuv: Economies 2026, 14, 400.

DOI: 10.3390/economies14090400

Akademik muharrirlar: Won Sang Lee; Yonghan Ju.

Topshirilgan sana: 27 iyul 2026.

Qayta ko‘rib chiqilgan sana: 18 avgust 2026.

Qabul qilingan sana: 27 avgust 2026.

Nashr sanasi: 8 sentabr 2026.

Manba turi: Gibrid sun’iy intellekt, klasterlash va ssenariy optimallashtirishdan foydalanuvchi empirik modellashtirish va nazariy qarorlarni qo‘llab-quvvatlash tizimi.

Tadqiqot qamrovi: 45 mamlakat, 2014–2023.

Boshlang‘ich ko‘rsatkichlar to‘plami: 13 yillik energiya, demografiya, iqtisodiyot, risk, globallashuv va atrof-muhit ko‘rsatkichi.

Izohlovchi xususiyatlar to‘plami: Feature selection, o‘zgartirish va feature engineeringdan so‘ng 12 predictor.

Maqsadli o‘zgaruvchi: O‘rtacha CO₂ emissiya omilining logarifmi.

Ma’lumotlarni standartlashtirish: Manba Table A4 ga ko‘ra z-score standardization.

O‘qitish/test ajratilishi: %70 / %30.

Benchmark: Barcha mamlakat-yil kuzatuvlari bo‘yicha pooled multiple linear regression.

Klasterlash usuli: Self-Organizing Map.

Klasterlar soni: 7.

Klaster sonini tanlash mezonlari: Silhouette, Davies–Bouldin va Calinski–Harabasz indekslari.

Chiziqli bo‘lmagan model: Har bir klaster uchun alohida Multilayer Perceptron.

Yashirin qatlam aktivatsiyasi: Logistic/sigmoid.

Chiqish aktivatsiyasi: Linear.

Optimizer: Adam.

Maksimal iteratsiya: 3000.

Early stopping: True.

Learning rate: Adaptive.

Loss: Mean Squared Error.

Modelni baholash metrikalari: R², MAE, MSE.

Asosiy samaradorlik natijasi: MLPning R² qiymati LRga nisbatan 2-klasterda 0,72 → 0,98; 3-klasterda 0,36 → 0,51; 4-klasterda 0,28 → 0,88; 6-klasterda 0,57 → 0,85. 0-klasterda ikkala model ham 0,97; 1-klasterda 0,82 → 0,80; 5-klasterda 0,55 → 0,27.

D-CPFR ssenariy o‘zgaruvchilari: Siyosat, investitsiya, texnologiya va tartibga soluvchi qarorlar.

Optimallashtirish mezonlari: Maqsadli CO₂ darajasidan og‘ish, amalga oshirish xarajati, geosiyosiy/moliyaviy/texnologik risk va ijtimoiy foyda.

Intracluster yondashuv: Tarkibiy jihatdan o‘xshash mamlakatlar o‘rtasida ma’lumot, siyosat va investitsiya muvofiqlashtirishi.

Intercluster yondashuv: Turli karbonsizlanish profillariga ega guruhlar o‘rtasida texnologiya transferi, investitsiya hamkorligi va institutsional bilim almashinuvi.

Empirik chegara: Tadqiqot klasterga asoslangan prognoz samaradorligini sinaydi; intracluster yoki intercluster hamkorlikning haqiqiy siyosat muhitidagi emissiya, xarajat yoki ijtimoiy natijalarini bevosita sinamaydi.

Ma’lumot manbalari: EnerData (2024), World Bank (2024), Geopolitical Risk Index (2025).

Ma’lumot/koddan foydalanish imkoniyati: Xom ma’lumot manbalari ommaviydir. Qayta ishlangan ma’lumotlar to‘plami va modellashtirish kodini corresponding authordan oqilona so‘rov asosida olish mumkinligi qayd etilgan.

Dasturiy ta’minot: Python 3.11, NumPy, Pandas, Scikit-learn, MiniSom 2.3.5 va klasterlash tahlilida scikit-fuzzy 0.5.0.

Etika qo‘mitasi: Inson yoki hayvon subyekti bo‘lmagani uchun tatbiq etilmaydi.

Xabardor qilingan rozilik: Tatbiq etilmaydi.

AI foydalanish bayonoti: Generativ sun’iy intellekt ma’lumot ishlab chiqarish, modellashtirish yoki ilmiy tahlil uchun ishlatilmagan. Mualliflar ChatGPTdan faqat tilni tahrirlash, kodni tuzatish, tarjima va formatlash yordami uchun foydalanganini; barcha chiqishlarni tekshirganini va ilmiy mas’uliyat o‘zlariga tegishli ekanini bildirgan.

Mualliflar hissasi: Konseptuallashtirish: O.Z. va A.M.; metodologiya: O.Z. va A.M.; dasturiy ta’minot: O.Z.; tekshirish: O.Z., A.M. va N.O.; formal tahlil: O.Z.; tadqiqot: O.Z.; resurslar va ma’lumotlarni boshqarish: O.Z. va A.M.; dastlabki loyiha: O.Z. va A.M.; ko‘rib chiqish va tahrirlash: O.Z., A.M. va N.O.; vizuallashtirish: O.Z.; supervision: A.M.; loyiha boshqaruvi: N.O. Barcha mualliflar nashr etilgan versiyani o‘qib, tasdiqlagan.

Moliyalashtirish: Tadqiqot maxsus tadqiqot granti olmagan. Article Processing Charge, Luleå University of Technology tomonidan qoplangan.

Manfaatlar to‘qnashuvi: Mualliflar manfaatlar to‘qnashuvi yo‘qligini bildirgan.

Litsenziya: Creative Commons Attribution 4.0 (CC BY).

Asosiy metodologik cheklovlar: 45 mamlakat va 2014–2023 davri bilan cheklangan ma’lumotlar qamrovi; natijalarning tanlangan ko‘rsatkichlar, yetti klasterli tuzilma va model farazlariga bog‘liqligi; muqobil ML usullari va keng qamrovli cross-validation/robustness testlarining yo‘qligi; o‘qitish-test ajratilishi tafsilotlarining cheklangan hisobot qilinishi; MLPning raqamli hidden-layer arxitekturasi ko‘rinadigan spetsifikatsiyada aniq berilmagani; ayrim klasterlarda MLP LRdan pastroq R² ko‘rsatishi; hamkorlikdagi siyosat ssenariylarining haqiqiy dunyoda qo‘llanmagani. Natijalar bevosita sababiy iqlim siyosati ta’sirlari sifatida talqin qilinmasligi kerak.