Lineer ve Kübik Regresyon Analizleri Kullanılarak OECD Ülkelerinin CO2 Emisyonlarının Tahminlemesi

Öz

CO2 emisyonu hava kirliliğine ve küresel ısınmaya etki eden önemli bir faktördür. Bu çalışmada OECD ülkelerinin 1965-2020 yılları arasındaki CO2 emisyon değerleri kullanılarak tahminleme çalışması yapılmıştır. Bu tahminleme çalışması için lineer ve kübik regresyon analizlerinden yararlanılmıştır. Kurulan tahmin modellerinin tahminleme başarısı R2 (Determinasyon Katsayısı), MAPE (Ortalama Mutlak Yüzde Hata), MAD (Ortalama Mutlak Hata) ve MSE (Ortalama Karesel Hata) değerleri hesaplanarak değerlendirilmiştir. İki farklı model ile gelecek 15 yılın emisyon değerleri tahminlenmiştir. Ayrıca iki farklı modelden elde edilen tahmin değerleri için Tek Örneklem T testi uygulanarak tahmin değerlerinin ortalamaları arasında anlamlı fark olup olmadığı incelenmiştir. Çalışmada kullanılan yaklaşımın ve elde edilen tahmin değerlerinin karar vericiler ve politika yapıcılar için yol gösterici olacağı düşünülmektedir.

Anahtar Kelimeler

• CO2
• Emisyon
• OECD ülkeleri
• Regresyon analizi
• Tahminleme

Estimation of CO2 Emissions by OECD Countries Using Linear and Cubic Regression Analyzes

Öz

CO2 emission is an important factor affecting air pollution and global warming. In this study, an estimation study was carried out using the CO2 emission values of OECD countries between 1965 and 2020. Linear and cubic regression analyzes were used for this estimation study. The estimation success of the established prediction models was evaluated by calculating the R2 (Coefficient of Determination), MAPE (Mean Absolute Percent Error), MAD (Mean Absolute Error) and MSE (Mean Square Error) values. Emission values of the next 15 years are estimated with two different models. In addition, the Single Sample T test was applied for the prediction values obtained from two different models, and it was examined whether there was a significant difference between the averages of the predicted values. It is thought that the approach used in the study and the estimation values obtained will be a guide for decision makers and policy makers.

Anahtar Kelimeler

• CO2
• Emission
• OECD countries
• Regression analysis
• Forecasting

Kaynakça

1. BP Reports, (2020). İnternet Adresi: https://www.bp.com/en/global/corporate/energy-economics/statistical-review-of-world-energy.html
2. Çeşmeli, M. Ş., & Pençe, İ. (2020). Makine Öğrenimi Yöntemleri ile Türkiye için Sera Gazı Emisyonu Tahmini. Academic Platform Journal of Engineering and Science, 8(2), 332-348.
3. Chai, T., Draxler, R. R. (2014). Root mean square error (RMSE) or mean absolute error (MAE)? Geosci. Model Dev., 7, 1247-1250.
4. Çıtakoğlu, H., & Coşkun, Ö. Dalgacık Dönüşüm Modelli Yapay Zekâ Teknikleri Kullanılarak Orta Anadolu Bölge İstasyonlarının Yağış Tahmini. Harran Üniversitesi Mühendislik Dergisi, 6(1), 39-54.
5. Çoban, V., Güler, E., Kılıç, T., & Kandemir, S. Y. (2021). Precipitation forecasting in Marmara region of Turkey. Arabian Journal of Geosciences, 14(2), 1-10.
6. Dursun, Ö. O., & Toraman, S. (2021). Uzun Kısa Vadeli Bellek Yöntemi ile Havayolu Yolcu Tahmini. Journal Of Aviation, 5(2), 241-248.
7. Ediz, B., & Kan, İ. (1993). İki ortalama farkına ilişkin hipotezlerin z ve t testi ile kontrolünde, verilen kararların doğruluk dereceleri. Uludağ Üniversitesi Tıp Fakültesi Dergisi, 2, 127-130.
8. Erbaş, S. O. (2013). Olasılık ve İstatistik. Ankara: Gazi Kitabevi.

9. Göker, İ. E. K., Arar, T. & Uysal, B. (2017). Kurumsal itibar kavramı ve hisse senedi fiyatlarına etkisi: Türkiye örneği. Muhasebe ve Finansman Dergisi, (74), 133-156.
10. Gönültaş, H., Kızılaslan, H., and N. Kızılaslan. (2020). Projections of effects of global warming on rainfall regime in some provinces; Ankara, Rize, Aydın and Hakkâri provinces example. Turkish Journal of Agriculture-Food Science and Technology, 8(10), 2156-2163.
11. Güler, E., Yerel Kandemir, S., Acikkalp, E., & Ahmadi, M. H. (2021). Evaluation of sustainable energy performance for OECD countries. Energy Sources, Part B: Economics, Planning, and Policy, 16(6), 491-514.
12. Gülhan, H., Özgün, H., Erşahin, M.E., Dereli, R.K., Öztürk İ. (2018). İstanbul’daki Biyolojik Atıksu Arıtma Tesislerinin Sera Gazı Emisyonunun Modelleme Metodu ile Tahmini. Fırat Üniversitesi Mühendislik Bilimleri Dergisi, 30, 1, 59-67.
13. Hosseini, S. M., Saifoddin, A., Shirmohammadi, R., & Aslani, A. (2019). Forecasting of CO2 emissions in Iran based on time series and regression analysis. Energy Reports, 5, 619-631.
14. Kılıç, S. (2013). Doğrusal regresyon analizi. Journal of Mood Disorders, 3(2), 90-92.
15. Meyers L.S., Gamst, G., Guarino, A.J. (2016). Applied Multivariate Research: Design and Interpretation, 1st ed., New York, USA: SAGE Publications.
16. Özkaya, U., Öztürk Ş. (2022). Gaussian Regression Models for Day-Level Forecasting of COVID-19 in European Countries. Understanding COVID-19: The Role of Computational Intelligence. Springer, Cham, 339-356.
17. 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.
18. Räsänen, T. A., Varis, O., Scherer, L., & Kummu, M. (2018). Greenhouse gas emissions of hydropower in the Mekong River Basin. Environmental Research Letters, 13(3), 034030.
19. Saboori, B., Sapri, M., & bin Baba, M. (2014). Economic growth, energy consumption and CO2 emissions in OECD (Organization for Economic Co-operation and Development)'s transport sector: A fully modified bi-directional relationship approach. Energy, 66, 150-161.
20. Salahuddin, M., Alam, K., & Ozturk, I. (2016). The effects of Internet usage and economic growth on CO2 emissions in OECD countries: A panel investigation. Renewable and Sustainable Energy Reviews, 62, 1226-1235.
21. Shafiei, S., & Salim, R. A. (2014). Non-renewable and renewable energy consumption and CO2 emissions in OECD countries: a comparative analysis. Energy Policy, 66, 547-556.
22. Shirmohammadi, R., Soltanieh, M., & Romeo, L. M. (2018). Thermoeconomic analysis and optimization of post‐combustion CO2 recovery unit utilizing absorption refrigeration system for a natural‐gas‐fired power plant. Environmental Progress & Sustainable Energy, 37(3), 1075-1084.
23. U.S. Environmental Protection Agency. (2019). US EPA. 02.02.2022 tarihinde https://ofmpub.epa.gov/sor_internet/registry/termreg/searchandretrieve/glossariesandkeywordlists/search.do?details=&glossaryName=Glossary Climate Change Terms İnternet adresinden alındı.
24. Yerel S. & Ersen T. (2013) Prediction of the Calorific Value of Coal Deposit Using Linear Regression Analysis, Energy Sources, Part A: Recovery, Utilization, and Environmental Effects, 35:10, 976-980.
25. Yılmaz, M., Kanıt, R., Erdal, M., Yıldız, S., & Bakış, A. (2016). Bina Bakım Onarım Ödeneklerinin Etkin Kullanımı Maksadıyla İhale Bedelini Etkileyen faktörlerin yapay sinir ağları ve lineer regresyon yöntemleri ile belirlenmesi. Politeknik Dergisi, 19(4), 461-470.