Türkiye’nin 2030 CO2 Emisyon Hedefinin Holt-Winters Üstel Düzeltme Modeli ile Tahmini

İlknur Yeşim Dinçel Kıratoğlu

doi:10.33203/mfy.1834216

TR EN

Türkiye’nin 2030 CO2 Emisyon Hedefinin Holt-Winters Üstel Düzeltme Modeli ile Tahmini

Öz

Bu çalışma Paris Anlaşması ile taahhüt edilen, Türkiye’nin karbon emisyon hedefinin gerçekleşebilme durumunun orta vadeli olarak tahmin edilmesini amaçlamaktadır. Bu kapsamda Holt-Winter Üstel Düzeltme modeli ile aşırı uyum riski azaltılarak Türkiye'nin 2024-2030 dönemi karbon emisyon düzeyi %95 güven aralığında tahmin edilmiştir. Elde edilen bulgular, emisyonların 2030 yılına kadar artmaya devam ederek yaklaşık 600 MtCO₂e düzeyine ulaşacağını göstermektedir. Bu tahmin ise Türkiye'nin referans senaryoya göre %41 azaltım taahhüdü içeren Güncellenmiş Ulusal Katkı Beyanı ile paralel bir sonuçtur. Zira katkı beyanı ile oldukça eleştiri alan bir hedef olarak; mutlak bir emisyon azalışından ziyade, artıştan azaltım mantığı kurgulanmıştır. Referans senaryo baz alınarak emisyon azaltımı yerine, emisyon artış hızının azaltılması hedeflenmiştir. Çalışma bulguları da Paris Anlaşması kapsamındaki resmi taahhüt ile uyumludur. Türkiye’nin 2053 net sıfır emisyon hedefine ulaşmak için çok daha katı iklim ve enerji politikalarına ihtiyaç duyduğunu ortaya koymaktadır.

Anahtar Kelimeler

CO₂ Emisyonu Tahmini, Holt–Winters Üstel Düzeltme, sürdürülebilir kalkınma

Kaynakça

Abdullah, L., & Pauzi, H. M. (2015). Methods in forecasting carbon dioxide emissions: A decade review. Jurnal Teknologi (Sciences & Engineering), 75(1), 67–82. https://doi.org/10.11113/jt.v75.2603
Armstrong, J. S., & Collopy, F. (1992). Error measures for generalizing about forecasting methods: Empirical comparisons. International Journal of Forecasting, 8(1), 69–80. https://doi.org/10.1016/0169-2070(92)90008-W
Auffhammer, M., & Carson, R. T. (2008). Forecasting the path of China’s CO₂ emissions using province-level information. Journal of Environmental Economics and Management, 55(3), 229–247. https://doi.org/10.1016/j.jeem.2007.10.002
Ayaz, İ. (2024). Forecasting CO₂ emissions with machine learning methods: Türkiye example and future trends. Naturengs, 5(2), 82–87. https://doi.org/10.46572/naturengs.1595329
Aydın, S., & Aydoğdu, G. (2022). Makine öğrenmesi algoritmaları kullanılarak Türkiye ve AB ülkelerinin CO₂ emisyonlarının tahmini. Avrupa Bilim ve Teknoloji Dergisi, (37), 42–46. https://doi.org/10.31590/ejosat.1129958
Ayvaz, B., Kuşakcı, A. O., & Temur, G. T. (2017). Energy-related CO₂ emission forecast for Turkey and Europe and Eurasia: A discrete grey model approach. Grey Systems: Theory and Application, 7(3), 436–452. https://doi.org/10.1108/GS-08-2017-0031
Chai, T., & Draxler, R. R. (2014). Root mean square error (RMSE) or mean absolute error (MAE)? – Arguments against avoiding RMSE in the literature. Geoscientific Model Development, 7(3), 1247–1250. https://doi.org/10.5194/gmd-7-1247-2014 GMD+1
Chatfield, C. (1978). The Holt–Winters forecasting procedure. Journal of the Royal Statistical Society: Series C (Applied Statistics), 27(3), 264–279. https://doi.org/10.2307/2347162
Chatfield, C. (2004). The analysis of time series: An introduction (6th ed.). Chapman & Hall/CRC.
Çoşgun, A. (2024). Estimation of Turkey’s carbon dioxide emission with machine learning. International Journal of Computational and Experimental Science and Engineering, 10(1), 95–101. https://doi.org/10.22399/ijcesen.302

Diebold, F. X. (2015). Forecasting in economics, business, finance and beyond. Penn Arts & Sciences.
Gardner, E. S., Jr. (2006). Exponential smoothing: The state of the art—Part II. International Journal of Forecasting, 22(4), 637–666. https://doi.org/10.1016/j.ijforecast.2006.03.005
Garip, E., & Oktay, A. B. (2018). Forecasting CO₂ emission with machine learning methods. In International Conference on Artificial Intelligence and Data Processing (IDAP) (pp. 1–4). IEEE. https://doi.org/10.1109/IDAP.2018.8620767
Hamdan, A., Al-Salaymeh, A., AlHamad, I. M., et al. (2023). Predicting future global temperature and greenhouse gas emissions via LSTM model. Sustainable Energy Research, 10, 21. https://doi.org/10.1186/s40807-023-00092-x
Holt, C. C. (1957). Forecasting seasonals and trends by exponentially weighted averages (ONR Research Memorandum No. 52). Carnegie Institute of Technology.
Holt, C. C. (2004). Forecasting seasonals and trends by exponentially weighted moving averages. International Journal of Forecasting, 20(1), 5–10. https://doi.org/10.1016/j.ijforecast.2003.09.015
Hou, L., & Chen, H. (2024). The prediction of medium- and long-term trends in urban carbon emissions based on an ARIMA–BPNN combination model. Energies, 17, 1856.
Hu, Y.-C., Jiang, P., Tsai, J.-F., & Yu, C.-Y. (2021). An optimized fractional grey prediction model for carbon dioxide emissions forecasting. International Journal of Environmental Research and Public Health, 18(2), 587. https://doi.org/10.3390/ijerph18020587
Huang, J., Zhang, X., Lv, X., & Xia, Z. (2025). Carbon emissions prediction based on the Informer combination forecasting model: A case study of Sichuan. Carbon Neutral Systems, 1, 17. https://doi.org/10.1007/s44438-025-00014-y
Hyndman, R. J., & Athanasopoulos, G. (2018). Forecasting: Principles and practice (2nd ed.). OTexts.
IPCC. (2022). Climate change 2022: Mitigation of climate change. Contribution of Working Group III to the Sixth Assessment Report of the Intergovernmental Panel on Climate Change. Cambridge University Press.
Jansen, A. G. S. M., Teunis, P. F. M., & van der Heijden, P. G. M. (2003). Measuring prediction error in censored data. Statistics in Medicine, 22(21), 3365–3377.
Kıratoğlu, E. (2024). Bütçenin Yüzyılı: Cumhuriyetten Günümüze Bütçe Politikaları. JOEEP: Journal of Emerging Economies and Policy, 9(1), 21-34.
Kong, D., Dai, Z., Tang, J., & Zhang, H. (2023). Forecasting urban carbon emissions using an Adaboost–STIRPAT model. Frontiers in Environmental Science, 11, 1284028. https://doi.org/10.3389/fenvs.2023.1284028
Lewis, C. D. (1982). Industrial and business forecasting methods. Butterworths.
Lin, C. S., Liou, F., & Huang, C. P. (2011). Grey forecasting model for CO₂ emissions: A Taiwan study. Applied Energy, 88(11), 3816–3820. https://doi.org/10.1016/j.apenergy.2011.05.040
Lotfalipour, M. R., Falahi, M. A., & Bastam, M. (2013). Prediction of CO₂ emissions in Iran using grey and ARIMA models. International Journal of Energy Economics and Policy, 3(3), 229–237. https://doi.org/10.5547/2160-5890.3.3.12
Makridakis, S., Wheelwright, S. C., & Hyndman, R. J. (1998). Forecasting: Methods and applications (3rd ed.). John Wiley & Sons.
Montgomery, D. C., Jennings, C. L., & Kulahci, M. (2008). Introduction to time series analysis and forecasting. John Wiley & Sons.
Arık, O. A., & Hamamcıoğlu, E. (2024). Türkiye’nin CO₂ emisyonunun ANFIS ile tahmin edilmesi. Researcher, 4(2), 141–156.
OECD, & UNDB. (2025). Investing in climate for growth and development: The case for enhanced nationally determined contributions (NDCs). OECD Publishing. (Rapor; çoğu durumda URL/ISBN kullanılmakta, DOI isteğe bağlıdır.)
OECD. Air and GHG emissions https://www.oecd.org/en/data/indicators/air-and-ghg-emissions.html Erişim Tarihi: 21.09.2025
Ord, J. K., & Fildes, R. (2013). Principles of business forecasting. South-Western Cengage Learning.
Öztürk, S., & Emir, A. (2024). Estimations of greenhouse gases emissions of Turkey by statistical methods. Konya Journal of Engineering Sciences, 12(1), 138–149. https://doi.org/10.36306/konjes.1267008
Pabuçcu, H., & Bayramoğlu, T. (2016). Yapay sinir ağları ile CO₂ emisyonu tahmini: Türkiye örneği. Gazi Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 18(3), 762–778.
Pao, H. T., & Tsai, C. M. (2011). Modeling and forecasting the CO₂ emissions, energy consumption, and economic growth in Brazil. Energy, 36(5), 2450–2458. https://doi.org/10.1016/j.energy.2011.01.032
Sel, A., & Tekgün, B. (2022). ANFIS yöntemi ile Türkiye karbondioksit salınımı tahmini. Süleyman Demirel Üniversitesi Vizyoner Dergisi, 13(34), 486–504. https://doi.org/10.21076/vizyoner.990380
Shih, S. H., & Tsokos, C. P. (2008). Prediction models for carbon dioxide emissions and the atmosphere. Neural, Parallel and Scientific Computations, 16(1), 165–180.
T.C. Çevre, Şehircilik ve İklim Değişikliği Bakanlığı (2023). Ulusal sera gazı emisyon envanteri.
TÜİK. (2023). Sera Gazı Emisyon İstatistikleri, 1990–2021. Erişim adresi: https://data.tuik.gov.tr TÜİK Veri Portalı
Willmott, C. J., & Matsuura, K. (2005). Advantages of the mean absolute error (MAE) over the root mean square error (RMSE) in assessing average model performance. Climate Research, 30(1), 79–82. https://doi.org/10.3354/cr030079
Winters, P. R. (1960). Forecasting sales by exponentially weighted moving averages. Management Science, 6(3), 324–342. https://doi.org/10.1287/mnsc.6.3.324
Wu, L., Liu, S., Liu, D., Fang, Z., & Xu, H. (2015). Modelling and forecasting CO₂ emissions in the BRICS (Brazil, Russia, India, China, and South Africa) countries using a novel multi-variable grey model. Energy, 79, 489–495. https://doi.org/10.1016/j.energy.2014.11.026
Zuo, Z., Guo, H., & Cheng, J. (2020). An LSTM–STIRPAT model analysis of China’s 2030 CO₂ emissions peak. Carbon Management, 11(6), 577–592. https://doi.org/10.1080/17583004.2020.1849415

Ayrıntılar

Birincil Dil

Türkçe

Konular

Ekonomik Modeller ve Öngörü, Büyüme

Bölüm

Araştırma Makalesi

Yazarlar

İlknur Yeşim Dinçel Kıratoğlu ^*
0000-0001-6367-7949
Türkiye

Yayımlanma Tarihi

31 Aralık 2025

Gönderilme Tarihi

1 Aralık 2025

Kabul Tarihi

28 Aralık 2025

Yayımlandığı Sayı

Yıl 2025 Sayı: Özel Sayı 3

DOI

https://doi.org/10.33203/mfy.1834216

IZ

https://izlik.org/JA96BJ62DZ

APA

Dinçel Kıratoğlu, İ. Y. (2025). Türkiye’nin 2030 CO2 Emisyon Hedefinin Holt-Winters Üstel Düzeltme Modeli ile Tahmini. Maliye ve Finans Yazıları, Özel Sayı 3, 109-127. https://doi.org/10.33203/mfy.1834216

AMA

1.Dinçel Kıratoğlu İY. Türkiye’nin 2030 CO2 Emisyon Hedefinin Holt-Winters Üstel Düzeltme Modeli ile Tahmini. Maliye ve Finans Yazıları. 2025;(Özel Sayı 3):109-127. doi:10.33203/mfy.1834216

Chicago

Dinçel Kıratoğlu, İlknur Yeşim. 2025. “Türkiye’nin 2030 CO2 Emisyon Hedefinin Holt-Winters Üstel Düzeltme Modeli ile Tahmini”. Maliye ve Finans Yazıları, sy Özel Sayı 3: 109-27. https://doi.org/10.33203/mfy.1834216.

EndNote

Dinçel Kıratoğlu İY (01 Aralık 2025) Türkiye’nin 2030 CO2 Emisyon Hedefinin Holt-Winters Üstel Düzeltme Modeli ile Tahmini. Maliye ve Finans Yazıları Özel Sayı 3 109–127.

IEEE

[1]İ. Y. Dinçel Kıratoğlu, “Türkiye’nin 2030 CO2 Emisyon Hedefinin Holt-Winters Üstel Düzeltme Modeli ile Tahmini”, Maliye ve Finans Yazıları, sy Özel Sayı 3, ss. 109–127, Ara. 2025, doi: 10.33203/mfy.1834216.

ISNAD

Dinçel Kıratoğlu, İlknur Yeşim. “Türkiye’nin 2030 CO2 Emisyon Hedefinin Holt-Winters Üstel Düzeltme Modeli ile Tahmini”. Maliye ve Finans Yazıları. Özel Sayı 3 (01 Aralık 2025): 109-127. https://doi.org/10.33203/mfy.1834216.

JAMA

1.Dinçel Kıratoğlu İY. Türkiye’nin 2030 CO2 Emisyon Hedefinin Holt-Winters Üstel Düzeltme Modeli ile Tahmini. Maliye ve Finans Yazıları. 2025;:109–127.

MLA

Dinçel Kıratoğlu, İlknur Yeşim. “Türkiye’nin 2030 CO2 Emisyon Hedefinin Holt-Winters Üstel Düzeltme Modeli ile Tahmini”. Maliye ve Finans Yazıları, sy Özel Sayı 3, Aralık 2025, ss. 109-27, doi:10.33203/mfy.1834216.

Vancouver

1.İlknur Yeşim Dinçel Kıratoğlu. Türkiye’nin 2030 CO2 Emisyon Hedefinin Holt-Winters Üstel Düzeltme Modeli ile Tahmini. Maliye ve Finans Yazıları. 01 Aralık 2025;(Özel Sayı 3):109-27. doi:10.33203/mfy.1834216

Maliye ve Finans Yazıları dergisinin kapsamını ekonomi, maliye, finans ve bankacılık alanlarındaki çalışmalar oluşturmaktadır.

Türkiye’nin 2030 CO2 Emisyon Hedefinin Holt-Winters Üstel Düzeltme Modeli ile Tahmini

Türkiye’nin 2030 CO2 Emisyon Hedefinin Holt-Winters Üstel Düzeltme Modeli ile Tahmini

Öz

Anahtar Kelimeler

Forecasting of Türkiye's 2030 CO₂ Emission Target Using The Holt–Winters Exponential Smoothing Model

Öz

Anahtar Kelimeler

Kaynakça

Ayrıntılar

Birincil Dil

Konular

Bölüm

Yazarlar

Yayımlanma Tarihi

Gönderilme Tarihi

Kabul Tarihi

Yayımlandığı Sayı

DOI

IZ

Kaynak Göster