Forecasting of Türkiye's Carbon Emissions and Ecological Footprint Within The Framework Of Sustainable Development Goals

Yıl 2025, Cilt: 40 Sayı: 4, 827 - 841, 29.12.2025

Sakhi Mohammad Hamidy , Ayça Zenginoğlu , Hilal Karamancıoğlu

https://doi.org/10.21605/cukurovaumfd.1660060

Öz

This study aims to contribute to Türkiye's environmental sustainability goals in line with the 2030 Sustainable Development Goals. The study focuses on estimating CO₂ emissions and ecological footprint to support Türkiye in achieving its sustainable development goals. Environmental variables such as renewable energy consumption, fossil fuel use, population growth, deforestation, foreign trade, and gross domestic product (GDP) are analysed. Artificial neural networks (ANN) were used to estimate input variables, while time series analysis methods were used to estimate outputs. Exponential smoothing for renewable energy consumption and population, ARIMA-like models for deforestation, and moving average methods for fossil fuel consumption, foreign trade, and GDP gave the best results. The findings suggest that increasing renewable energy use reduces CO₂ emissions, and energy efficiency policies are critical in achieving sustainability goals.

Anahtar Kelimeler

CO2 emissions , Ecological footprint , Artificial neural networks , Slustainable development

Sürdürülebilir Kalkınma Amaçları Kapsamında Türkiye’nin Karbon Emisyonu ve Ekolojik Ayak İzi Tahmini

Öz

Bu çalışma, Türkiye’nin 2030 Sürdürülebilir Kalkınma Amaçları doğrultusunda çevresel sürdürülebilirlik hedeflerine katkı sağlamayı amaçlamaktadır. Çalışma, Türkiye'nin sürdürülebilir kalkınma hedeflerine ulaşmasını desteklemek amacıyla CO2 emisyonları ve ekolojik ayak izini tahmin etmeye odaklanmıştır. Yenilenebilir enerji tüketimi, fosil yakıt kullanımı, nüfus artışı, ormansızlaşma, dış ticaret ve gayri safi yurtiçi hasıla (GSYH) gibi çevresel değişkenler analiz edilmiştir. Girdi değişkenlerinin tahmininde yapay sinir ağları (YSA) kullanılmış, çıktıların tahmininde ise zaman serisi analiz yöntemlerine başvurulmuştur. Yenilenebilir enerji tüketimi ve nüfus için üssel düzgünleştirme, ormansızlaşma için ARIMA benzeri modeller, fosil yakıt tüketimi, dış ticaret ve GSYH için ise hareketli ortalama yöntemleri en iyi sonuçları vermiştir. Elde edilen bulgular, yenilenebilir enerji kullanımının artırılmasının CO2 emisyonlarını düşürdüğünü ve enerji verimliliği politikalarının sürdürülebilirlik hedeflerine ulaşmada kritik bir rol oynadığını göstermektedir.

Anahtar Kelimeler

CO2 emisyonu , Ekolojik ayak izi , Yapay sinir ağları , Sürdürülebilir kalkınma

Teşekkür

Bu çalışma VIII. International Researchers, Statisticians and Young Statisticians Congress kongresinde 28-30 Kasım 2024 tarihlerinde aynı başlıkla sözlü bildiri olarak sunulan tebliğin genişletilmiş halidir.

Kaynakça

• 1. Morelli, J. (2011). Environmental sustainability: A definition for environmental professionals. Journal of environmental sustainability, 1(1), 2.
• 2. Bexell, M. & Jönsson, K. (2017). Responsibility and the United Nations’ sustainable development goals. In Forum for Development Studies, 44(1), 13-29.
• 3. Yereli, A.B. ve Ünal, M. (2022). Stratejik yönetim süreçlerinde sürdürülebilir kalkınma amaçları: bakanlıklar ve büyükşehir belediyeleri üzerinden bir analiz. Ombudsman Akademik, 8(16), 13-37.
• 4. T.C. Strateji ve Bütçe Başkanlığı. On İkinci Kalkınma Planı. https://onikinciplan.sbb.gov.tr/, Erişim tarihi: 24.10.2024.
• 5. Bozkurt, C. ve Okumuş, İ. (2015). Türkiye’de ekonomik büyüme, enerji tüketimi, ticari serbestleşme ve nüfus yoğunluğunun CO2 emisyonu üzerindeki etkileri: yapısal kırılmalı eş bütünleşme analizi. Mustafa Kemal Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 12(32), 23-35.
• 6. Zhou, Y., Sirisrisakulchai, J., Liu, J. & Sriboonchitta, S. (2018). The impact of economic growth and energy consumption on carbon emissions: evidence from panel quantile regression. In Journal of Physics: Conference Series, 1053, 012118.
• 7. Karaaslan, A. & Çamkaya, S. (2022). The relationship between CO2 emissions, economic growth, health expenditure, and renewable and non-renewable energy consumption: Empirical evidence from Turkey. Renewable Energy, 190, 457-466.
• 8. Keskin, A. (2019). CO2 emisyonunu etkileyen faktörler: Avrupa Birliği örneği. Avrasya Sosyal ve Ekonomi Araştırmaları Dergisi, 6(5), 361-370.
• 9. Hosseini, S. M., Saifoddin, A., Shirmohammadi, R. & Aslani, A. (2019). İran’daki CO2 emisyonlarının zaman serisi ve regresyon analizi ile tahmin edilmesi. Energy Reports, 5, 619-631.
• 10. Özpolat, A. (2020). Sektörel CO2 emisyonlarını etkileyen faktörlerin belirlenmesi: gelecek-11 ülkeleri örneği. Finans Politik & Ekonomik Yorumlar, 57(653), 115-136.
• 11. Eufrasio Espinosa, R.M. & Lenny Koh, S.C. (2024). Forecasting the ecological footprint of G20 countries in the next 30 years. Scientific Reports, 14(1), 8298.
• 12. Pabuçcu, H. ve Bayramoğlu, T. (2016). Yapay sinir ağları ile CO2 emisyonu tahmini: Türkiye örneği. Gazi Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 18(3), 762-778.
• 13. Jena, P.R., Managi, S. & Majhi, B. (2021). Küresel düzeyde CO2 emisyonlarını tahmin etmek: Çok katmanlı yapay sinir ağı modellemesi. Energies, 14(19), 6336.
• 14. Tümse, S., Bilgili, M. & Şahin, B. (2021). Lift coefficient estimation of a delta wing under the ground effect using artificial neural network. Çukurova Üniversitesi Mühendislik Fakültesi Dergisi, 36(3), 625-636.
• 15. Marjanović, V., Milovančević, M. & Mladenović, I. (2016). Prediction of GDP growth rate based on carbon dioxide (CO2) emissions. Journal of CO2 Utilization, 16, 212-217.
• 16. Boğar, E. ve Boğar, Z. Ö. (2017). Türkiye’nin sektörel CO2 gazı salınımlarının yapay sinir ağları ile tahmini. Akademia Disiplinlerarası Bilimsel Araştırmalar Dergisi, 3(2), 15-27.
• 17. Özbek, S. ve Naimoğlu, M. (2022). Çevre kalitesi-ekonomik karmaşıklık ilişkisi: Türkiye ekonomisi üzerine Fourier eş bütünleşme analizi. İstanbul İktisat Dergisi, 72(1), 407-431.
• 18. Munir, Q., Lean, H.H. & Smyth, R. (2020). CO2 emissions, energy consumption and economic growth in the ASEAN-5 countries: A cross-sectional dependence approach. Energy Economics, 85, 104571.
• 19. Ashin Nishan M.K. & Muhammed Ashiq, V. (2020). Role of energy use in the prediction of CO 2 emissions and economic growth in India: evidence from artificial neural networks (ANN). Environmental Science and Pollution Research, 27, 23631-23642.
• 20. Aslan, A., Altınoz, B. ve Özsolak, B. (2021). Türkiye’de kentleşme ile hava kirliliği arasındaki ilişki: Dinamik otoregresif dağıtık gecikme (ARDL) simülasyonlarından elde edilen bulgular. Çevre Bilimleri ve Kirlilik Araştırmaları, 28(37), 52370-52380.
• 21. Komeili Birjandi, A., Fahim Alavi, M., Salem, M., Assad, M.E.H. & Prabaharan, N. (2022). Modeling carbon dioxide emission of countries in southeast of Asia by applying artificial neural network. International Journal of Low-Carbon Technologies, 17, 321-326.
• 22. Sel, A. ve Tekgün, B. (2022). ANFIS yöntemi ile Türkiye karbondioksit salınımı tahmini. Süleyman Demirel Üniversitesi Vizyoner Dergisi, 13(34), 486-504.
• 23. Güriş, S. ve Çağlayan, S. (2023). CO2 emisyonlarını etkileyen faktörlerin zamanla değişen katsayılı parametrik olmayan panel veri modelleri ile analizi. EKOIST Journal of Econometrics and Statistics, (39), 76-88.
• 24. Atalay, A.Ç. (2023). D-8 ülkeleri için karbondioksit emisyonunun yapay sinir ağları ile tahmin edilmesi: Levenberg-Marquardt algoritması. Sosyoekonomi, 32(59), 363-382.
• 25. Global Footprint Network, Ecological Footprint. https://www.footprintnetwork.org/, Erişim tarihi: 24.10.2024.
• 26. Worldometer, Data. https://www.worldometers.info/, Erişim tarihi: 24.10.2024.
• 27. World Bank Group, Databank. https://databank.worldbank.org/, Erişim tarihi: 24.10.2024.
• 28. Our World in Data, Renewable Energy Consumption. https://ourworldindata.org/, Erişim tarihi: 24.10.2024.
• 29. T.C. Tarım ve Orman Bakanlığı Genel Müdürlüğü, Ormanlık Alan Tahribatı. https://www.ogm.gov.tr/tr, Erişim tarihi: 24.10.2024.
• 30. Hoskin, T. (2012). Parametric and nonparametric: Demystifying the terms. In Mayo Clinic, 5(1), 1-5.
• 31. İtak, Ş. (2023). Küresel ısınmaya bağlı iklim değişikliğinin hidrometeorolojik veriler üzerindeki etkisi: Dicle alt havzasındaki bazı illerde bir durum çalışması. Yüksek Lisans Tezi. Eskişehir Teknik Üniversitesi, Lisansüstü Eğitim Enstitüsü, İnşaat Mühendisliği Anabilim Dalı, Eskişehir, 73.
• 32. Tüzemen, A. ve Yıldız, Ç. (2018). Geleceğe yönelik tahminleme analizi: Türkiye çimento üretimi uygulaması. Journal of Management and Economics Research, 16(3), 162-177.
• 33. PK, M.K., Gurram, M.R., Hossain, A.A. & Amsaad, F. (2024). ARIMA-DCGAN synergy: A novel adversarial approach to outlier detection in time series data. In NAECON 2024-IEEE National Aerospace and Electronics Conference, 423-427.
• 34. Ostertagova, E. & Ostertag, O. (2012). Forecasting using simple exponential smoothing method. Acta Electrotechnica et Informatica, 12(3), 62.
• 35. Özhan, E. (2020). Yapay sinir ağları ve üstel düzleştirme yöntemi ile Türkiye’deki CO2 emisyonunun zaman serisi ile tahmini. Avrupa Bilim ve Teknoloji Dergisi, (19), 282-289.
• 36. Hill, T., Marquez, L., O'Connor, M. & Remus, W. (1994). Artificial neural network models for forecasting and decision making. International Journal of Forecasting, 10(1), 5-15.
• 37. Jain, A.K., Mao, J. & Mohiuddin, K.M. (1996). Artificial neural networks: A tutorial. Computer, 29(3), 31-44.
• 38. Duman, N., Yüksek, A.G., Caner, M. ve Buyruk, E. (2024). Yapay sinir ağları yaklaşımı ile toprak kaynaklı ısı pompasının performans analizi. Çukurova Üniversitesi Mühendislik Fakültesi Dergisi, 39(1), 57-72
• 39. Jamil, M. & Zeeshan, M. (2019). A comparative analysis of ANN and chaotic approach-based wind speed prediction in India. Neural Computing and Applications, 31, 6807-6819.