AB27 Ülkelerindeki Çimento Sektörünün Karbon Emisyonu Tahmini: Yapay Sinir Ağları ve ARIMA Yöntemleriyle Karşılaştırma
Öz
Çimento, dünya genelinde en çok kullanılan yapı malzemelerinden biri olup, üretim sürecindeki artış, küresel CO₂ emisyonlarının yükselmesine önemli ölçüde katkıda bulunmaktadır. Bu çalışmanın amacı, Avrupa Birliği (AB) ülkelerinde çimento sektörünün 2030 yılı itibarıyla yaratacağı karbon (CO₂) emisyon miktarını tahmin etmek ve farklı yöntemlerle elde edilen sonuçları karşılaştırarak sektöre ilişkin olası ticari ve çevresel yükümlülükleri öngörmektir. Avrupa Yeşil Mutabakatı kapsamında uygulamaya konulan Sınırda Karbon Düzenleme Mekanizması (SKDM) ile çimento sektörü, emisyon azaltımının zorunlu kılındığı öncelikli sektörler arasında yer almıştır. Bu bağlamda çalışma, AB üyesi ülkelerde çimento sektörünün karbon emisyonlarının gelecekteki seyrini analiz ederek, uluslararası ticarette ortaya çıkacak ekstra maliyetlerin öngörülmesine katkı sağlamayı hedeflemektedir. Çalışmanın kapsamında, AB ülkeleri çimento sektörü odaklı olarak seçilmiş ve emisyon tahminleri 2030 yılına kadar yapılmıştır. Araştırmada zaman serisi analiz yöntemlerinden ARIMA modeli ile Yapay Sinir Ağları (YSA) kullanılmış, bu iki yöntemle elde edilen tahminler karşılaştırılmıştır. Sonuçlar, her iki yöntemin farklı değerler üretse de genel olarak çimento sektöründe belirgin bir emisyon azalımı beklenmediğini göstermektedir. Bu durum, sektörün SKDM kapsamında gelecekte önemli maliyetlerle karşılaşabileceğine ve karbon azaltım politikalarının güçlendirilmesi gerektiğine işaret etmektedir.
Anahtar Kelimeler
Kaynakça
- Acheampong, A. O., & Boateng, E. B. (2019). Modelling carbon emission intensity: Application of artificial neural network. Journal of Cleaner Production, 225, 833-856.
- Alam, T., & AlArjani, A. (2021). A Comparative Study of CO2 Emission Forecasting in the Gulf Countries Using Autoregressive Integrated Moving Average, Artificial Neural Network, and Holt‐Winters Exponential Smoothing Models. Advances in Meteorology, 2021(1), 8322590.
- Amat Bernabéu, A. (2019). ARIMA and Artificial Neural Networks to forecast the CO2 emissions allowances price: application to the design of petrochemical supply chain under uncertainty.
- Boateng, E. B., Pillay, M., & Davis, P. (2019). Predicting the level of safety performance using an artificial neural network. In Human Systems Engineering and Design: Proceedings of the 1st International Conference on Human Systems Engineering and Design (IHSED2018): Future Trends and Applications, October 25-27, 2018, CHU-Université de Reims Champagne-Ardenne, France 1 (pp. 705-710). Springer International Publishing.
- Cho, V. (2003). A comparison of three different approaches to tourist arrival forecasting. Tourism management, 24(3), 323-330.
- Czigler, T., Reiter, S., Schulze, P. & Somers, K., (2020). Laying the foundation for zero-carbon cement, https://www.mckinsey.com/industries/chemicals/our-insights/laying-the-foundation-for-zero-carbon-cement#/
- DeLurgio, S. A. (1998). Forecasting principles and applications (Vol. 49). New York: Irwin/McGraw-Hill. Fradinata, E., Suthummanon, S., Sirivongpaisal, N., & Suntiamorntuthq, W. (2014, August). ANN, ARIMA and MA timeseries model for forecasting in cement manufacturing industry: Case study at lafarge cement Indonesia—Aceh. In 2014 International Conference of Advanced Informatics: Concept, Theory and Application (ICAICTA) (pp. 39-44). IEEE.
- Goh, C., & Law, R. (2002). Modeling and forecasting tourism demand for arrivals with stochastic nonstationary seasonality and intervention. Tourism management, 23(5), 499-510.
- Janhuaton, T., Ratanavaraha, V., & Jomnonkwao, S. (2024). Forecasting Thailand’s Transportation CO2 Emissions: A Comparison among Artificial Intelligent Models. Forecasting, 6(2), 462-484.
- Kour, M. (2023). Modelling and forecasting of carbon-dioxide emissions in South Africa by using ARIMA model. International Journal of Environmental Science and Technology, 20(10), 11267-11274.