Exploring the Ecological Footprint in Turkey: Analyzing the Interplay of Economic and Environmental Factors

Öz

Nowadays, the world is facing increasing ecological issues due to the rapid growth of the population, the expansion of industrial activity, the fast urbanization process, and the higher levels of consumption. As a result of the current ecological problems, there has been an unchecked increase in the demand for natural resources. This study identified the independent variables that influence the ecological footprint as the Gross Domestic Product (GDP), KOF Globalization Index (KOFGI), and Natural Resource Rent (NRR). The Markov chains approach was used to anticipate the movements of the dependent and independent variables in the future period. Frequency and transition probability matrices were then generated. The dependent and independent variables for the next period were compared to the actual values, and the accuracy of the predictions made using Markov chains was demonstrated. A model of an Artificial Neural Network (ANN) was created to accurately predict the value of the dependent variable. The ANN modeling was used to estimate the ecological footprint, taking into account the values of Turkey's GDP growth rate (% per year), NRR (as a percentage of GDP), and KOF Globalization Index data from 1970 to 2016. The Feed-Forward Backpropagation Method, which is a type of multi-layer network model, was utilized for the modeling process. The Levenberg-Marquardt optimization algorithm was employed as the network training function to update the weight and deviation values of the network. The study's findings indicate that the dataset as a whole has a significant level of agreement with the model's correctness, with a close proximity of 99.316%. Based on the collected results, it can be inferred that the developed artificial neural network (ANN) model has a notable level of precision in calculating the Ecological Footprint.

Anahtar Kelimeler

• Artificial Neural Networks
• Ecological Footprint
• Sustainable Development
• Environmental Factors
• Economic Factors
• Markov Chain

Türkiye'deki Ekolojik Ayak İzini Araştırmak: Ekonomik Ve Çevresel Faktörlerin Etkileşimini Analiz Etmek

Öz

Günümüzde dünya, nüfusun hızla artması, endüstriyel faaliyetlerin yaygınlaşması, hızlı kentleşme süreci ve artan tüketim düzeyleri nedeniyle giderek artan ekolojik sorunlarla karşı karşıyadır. Mevcut ekolojik sorunların bir sonucu olarak doğal kaynaklara olan talepte kontrolsüz bir artış yaşanmaktadır. Bu çalışmada, ekolojik ayak izini etkileyen bağımsız değişkenler Gayri Safi Yurtiçi Hasıla (GSYİH), KOF Küreselleşme Endeksi (KOFGI) ve Doğal Kaynak Kirası (NRR) olarak tanımlamıştır. Bağımlı ve bağımsız değişkenlerin gelecek dönemdeki hareketlerini tahmin etmek için Markov zincirleri yaklaşımı kullanıldı. Daha sonra frekans ve geçiş olasılığı matrisleri oluşturuldu. Bir sonraki döneme ait bağımlı ve bağımsız değişkenler gerçek değerlerle karşılaştırılarak Markov zincirleri kullanılarak yapılan tahminlerin doğruluğu ortaya konuldu. Bağımlı değişkenin değerini doğru bir şekilde tahmin etmek için bir Yapay Sinir Ağı (YSA) modeli oluşturuldu. YSA modellemesi, 1970'den 2016'ya kadar Türkiye'nin GSYİH büyüme oranı (yıllık yüzde), NRR (GSYİH yüzdesi olarak) ve KOF Küreselleşme Endeksi verileri dikkate alınarak ekolojik ayak izini tahmin etmek için kullanıldı. Modelleme işleminde çok katmanlı ağ modelinin bir türü olan İleri Beslemeli Geri Yayılım Yöntemi kullanılmıştır. Ağın ağırlık ve sapma değerlerini güncellemek için ağ eğitim fonksiyonu olarak Levenberg-Marquardt optimizasyon algoritması kullanıldı. Çalışmanın bulguları, bir bütün olarak veri kümesinin modelin doğruluğu ile %99,316'ya yakın bir düzeyde anlamlı düzeyde uyum içinde olduğunu göstermektedir. Toplanan sonuçlara dayanarak geliştirilen yapay sinir ağı (YSA) modelinin Ekolojik Ayak İzi hesaplamasında dikkate değer düzeyde bir hassasiyete sahip olduğu sonucuna varılabilir.

Anahtar Kelimeler

• Yapay Sinir Ağları
• Ekolojik Ayak İzi
• Sürdürülebilir Kalkınma
• Çevresel Faktörler
• Ekonomik Faktörler
• Markov Zincirleri

Kaynakça

1. Abraham, A. (2005), Artificial neural networks, Handbook of measuring system design.
2. Ahamed, K. I. and Akthar, S. (2016), A study on neural network architectures. Comp. Eng. Intell. Syst, 7, 1-7.
3. Altay Topcu, B. (2021), The impact of export, import, and renewable energy consumption on Turkey’s ecological footprint, Journal of Economics, Finance, and Accounting, 8(1), 31-38.
4. Anderson, D. and McNeill, G. (2006), Artificial Neural Networks technology. Online: 11.12.2006. https://www.thedacs.com/techs/neural/neural.title.php.
5. Anderson, D. and McNeill, G. (1992), Artificial Neural Networks technology. Kaman Sciences Corporation, 258(6), 1-83.
6. Ataseven, B. (2013), Yapay sinir ağlari ile öngörü Modellemesi, Öneri Dergisi, 10(39), 101-115.
7. Atik, K., Deniz, E. ve Yıldız, E. 2007. Meteorolojik verilerin Yapay Sinir Ağları ile modellenmesi, KSÜ Fen ve Mühendislik Dergisi, 10 (1), 148-152.
8. Bello Mo, Solarin Sa and Yen Yy (2018), The impact of electricity consumption on CO2 emission, carbon footprint, water footprint, and ecological footprint: The role of hydropower. An Emerging Economy. J Environ. Manag. 219, 218–230.

9. Canh, N. P., Schinckus, C. and Thanh, S. D. (2020), The natural resources rents: Is economic complexity a solution for resource curse?, Resources Policy, 69, 101800.
10. Costanza, R., Kubiszewski, I., Giovannini, E., Lovins, H., McGlade, J., Pickett, K.E. and Wilkinson, R. (2014), Development: Time to leave GDP behind, Nature News, 505 (7483), 283.
11. Çavuşlu, M. A., Becerikli, Y. and Karakuzu, C. (2012), Levenberg-Marquardt algoritması ile YSA eğitiminin donanımsal gerçeklenmesi, Türkiye Bilişim Vakfı Bilgisayar Bilimleri ve Mühendisliği Dergisi, 5(1).
12. Demirbay, S. G. and Gündüz, S. (2023), Determining the factors that most affect the ecological footprint using the artificial neural network classification feature: The case of Turkey, Ömer Halisdemir Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 16(4), 904-917.
13. Dongare, A. D., Kharde, R. R. and Kachare, A. D. (2012), Introduction to the artificial neural network, International Journal of Engineering and Innovative Technology (IJEIT), 2(1), 189-194.
14. Dreher, A. (2006), Does Globalization affect growth? Evidence from a new index of Globalization, Applied Economic, 38(10), 1091-1110.
15. Emir, F. and Karlilar, S. (2023), Application of RALS cointegration test assessing the role of natural resources and hydropower energy on ecological footprint in Emerging economy, Energy & Environment, 34(4), 764-779.
16. Ergezer, H., Dikmen, M. and Özdemir, E. (2003), Yapay Sinir Ağları ve tanıma sistemleri, Pivolka, 2(6), 14-17.
17. Galli, A., Moore, D., Cranston, G., Wackernagel, M., Kalem, S., Devranoğlu, S. and Ayas, C. (2012) Türkiye’nin Ekolojik Ayak İzi Raporu. https://wwftr.awsassets.panda.org/downloads/turkiyenin_ekolojik_ayak_izi_raporu.pdf?1412/turkiyeninekolojikayakizibilancosu.
18. Global Footprint Network (2021), https://data.footprintnetwork.org/, Erişim Tarihi: 14/05/2021.
19. Guan, J., Kirikkaleli, D., Bibi, A. and Zhang, W. (2020), Natural resources rents Nexus with financial development in the presence of globalization: Is the “Resource Curse” exist or myth?, Resources Policy, 66, 101641.
20. Gygli, S., Haelg, F., Potrafke, N. and Sturm, J. E. (2019), The KOF globalisation index–revisited, The Review of International Organizations, 14(3), 543-574.
21. Gygli, Savina, Florian Haelg, Niklas Potrafke And Jan-Egbert Sturm (2019), The KOF Globalisation index – Revisited, Review Of International Organizations, 14(3), 543-574.
22. H. U. Dike, Y. Zhou, K. K. Deveerasetty and Q. Wu, (2018), Unsupervised Learning Based On Artificial Neural Network: A Review, 2018 IEEE International Conference on Cyborg and Bionic Systems (CBS), 322-327.
23. Haelg, F. (2020), The KOF Globalisation index–A multidimensional approach to globalisation. Jahrbücher für Nationalökonomie und Statistik, 240(5), 691-696.
24. Jha, G. K. (2007), Artificial neural networks and its applications. IARI, New Delhi.
25. Kalogirou, S. A. (2004), Neural Network Modeling of Energy Systems, Encyclopedia of Energy, 291–299.
26. Keçe, A. (2006), Yapay sinir ağları ile plastik enjeksiyon süreci başlangıç parametrelerinin belirlenmesi. Yayınlanmamış Yüksek Lisans Tezi. Uludağ Üniversitesi Fen Bilimleri Enstitüsü.
27. Kıral, E. and Kaplan, K. (2021), COVID-19 vaka artışlarının Türk finansal piyasasına etkisi, Ömer Halisdemir Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 16(3), 693-707.
28. Kıral, E., Mavruk, C. and Kıral, G. (2018), Ekonometri öğrencilerinin sayısal derslerdeki akademik performansı: Markov modeli ile bir hesaplama, Uluslararası İktisadi Ve İdari İncelemeler Dergisi, 617-632.
29. Kirikkaleli, D., Adebayo, T. S., Khan, Z. and Ali, S. (2021). Does globalization matter for ecological footprint ın turkey? Evidence from dual adjustment approach. Environmental Science And Pollution Research, 28(11), 14009-14017.
30. Kishore, R. and Kaur, T. (2012), Backpropagation algorithm: an artificial neural network approach for pattern recognition, International Journal of Scientific and Engineering Research, 3(6), 6-9.
31. KOF Swiss Economic Institute (2024), https://kof.ethz.ch/en/forecasts-and-indicators/indicators/kof-globalisation-index.html, Erişim Tarihi: 24.05.2024.
32. Kongbuamai, N., Bui, Q., Yousaf, H. M. A. U. and Liu, Y. (2020), The ımpact of tourism and natural resources on the ecological footprint: A case study Of Asean countries, Environmental Science And Pollution Research, 27(16), 19251-19264.
33. Kuvvetli, Y., Dağsuyu, C. and Oturakci, M. (2015), Türkiye'deki araç satışları için ekonomik ve çevresel faktörleri göz önüne alan yapay sinir ağı tabanlı bir tahmin yaklaşımı, Endüstri Mühendisliği, 26(3), 23-31.
34. McCulloch, W. S. and Pitts, W. (1943), A logical calculus of the ideas immanent in nervous activity, The bulletin of Mathematical Biophysics, 5(4), 115-133.
35. Ogwueleka, F. N., Misra, S., Colomo‐Palacios, R. and Fernandez, L. (2015), Neural Network and classification approach in identifying customer behavior in the banking sector: A case study of an international bank. Human factors and ergonomics in manufacturing and service industries, 25(1), 28-42.
36. Osho, A. E., Omotayo, A. D. and Ayorinde, F. M. (2018), Impact of Company Income Tax on Gross Domestic Products in Nigeria. Research Journal of Finance and Accounting. United Kingdom, 2222-1697.
37. Özsoy, C. E. and Dinç A. (2016), Sürdürülebilir Kalkınma ve Ekolojik Ayak İzi, Finans Politik ve Ekonomik Yorumlar, 619, 35-55.
38. Öztemel, E. (2003), Yapay Sinir Ağlari, Papatyayayincilik, Istanbul.
39. Öztürk, K. and Şahin, M. E. (2018), Yapay sinir ağları ve yapay zekâ’ya genel bir bakış, Takvim-i Vekayi, 6(2), 25-36.
40. Pata, U. K., Aydin, M. and Haouas, I. (2021), Are natural resources abundance and human development a solution for environmental pressure? Evidence from top ten countries with the largest ecological footprint, Resources Policy, 70, 101923.
41. Ross, S. M. (2007), Introduction to Probability Models, Sheldon M.
42. Rudolph, A. and Figge, L. (2017), Determinants of ecological footprints: What is the role of Globalization? Ecological Indicators, 81, 348-361.
43. Sabancı, K., Aydın, C. and Ünlerşen, M. F. (2012), Görüntü işleme ve yapay sinir ağları yardımıyla patates sınıflandırma parametrelerinin belirlenmesi, Iğdır Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 2(2), 59-62.
44. Sazli, M. H. (2006), A brief review of feed-forward neural networks, Communications Faculty of Sciences University of Ankara Series A2-A3 Physical Sciences and Engineering, 50(01).
45. Semtrio. (N.D.), Ekolojik Ayak İzi Nedir? Semtrio. https://www.semtrio.com/ekolojik-ayak-izi. Senthilkumar, M. (2010), Use of artificial neural networks (ANNs) in colour measurement, Colour Measurement, 125-146.
46. Serfozo, R. (2009), Basics of applied stochastic processes, Springer Science and Business Media.
47. Sönmez Çakır, F. (2018), Yapay Sinir Ağları Matlab kodları ve Matlab toolbox çözümleri, 1. Baskı, Nobel Kitabevi, Ankara.
48. Söylemez, Y. (2020), Çok katmanlı Yapay Sinir Ağları yöntemi ile altın fiyatlarının Tahmini, Sosyoekonomi, 28(46), 271-291.
49. Sun, Y., Yen, G. G. and Yi, Z. (2018), Evolving unsupervised Deep Neural Networks for learning meaningful representations. IEEE Transactions on Evolutionary Computation, 23(1), 89-103.
50. Şafak, Y., Sağlam, V. and Sağır, M. (2023), Hazır Giyim Sektöründe Marka Tercihlerinin Markov Zincirleriyle Öngörülmesi, The Journal of International Scientific Researches, 8(3), 283-304.
51. Şen, Z. (2004), Yapay Sinir Ağları ilkeleri, Su Vakfı Yayınları,İstanbul
52. The World Bank, (2023), https://data.worldbank.org/country/turkey?view=chart.
53. Tosunoğlu, B. (2014), Sürdürülebilir küresel refah göstergesi olarak ekolojik ayak izi, Hak İş Uluslararası Emek Ve Toplum Dergisi, 3(5), 132-149.
54. Total Natural Resources Rents (% of GDP) (2021), 1970 to 2016, https://ourworldindata.org/grapher/natural-resource-rents?tab=chartandcountry=~tur, Erişim Tarihi: 14.05.2021.
55. Tunç A. Ö, Ömür G. A. and Düren A. Z (2012), Çevresel farkındalık, İstanbul Üniversitesi Siyasal Bilgiler Fakültesi Dergisi, 0(47), 227-246.
56. World Bank. (N.D.). Databank. https://databank.worldbank.org/metadataglossary/adjusted-net-savings/series/ny.gdp.totl.rt.zs.