Enerji Tüketimi ve Yenilenebilir Enerjinin Türkiye’de Sera Gazı Emisyonlarına Etkisi: ARDL ve Bayesyen Analiz

Öz

Sera gazı emisyonları, iklim değişikliği ve çevresel sürdürülebilirlik tartışmalarının merkezinde yer almakta olup enerji yapısındaki dönüşümün çevresel sonuçlarını değerlendirmede temel göstergelerden biri olarak kabul edilmektedir. Çalışmada, 1992-2021 dönemi Türkiye verileri kullanılarak enerji tüketimi (ET) ve yenilenebilir enerji tüketiminin (YET) sera gazı emisyonları (SGE) üzerindeki etkileri ARDL modeli ile Bayesyen regresyon yaklaşımı çerçevesinde karşılaştırmalı olarak analiz edilmiştir. Bayesyen yöntemde hem bilgi vermeyen hem de bilgi veren önsel dağılımlar kullanılmış; bilgi veren önseller Türkiye ile benzer yapısal özellikler taşıdığı değerlendirilen Meksika, İspanya ve Polonya verilerinden oluşturulmuştur. ARDL sınır testi sonuçları, değişkenler arasında uzun dönemli eşbütünleşme ilişkisi bulunduğunu göstermektedir. ARDL bulgularına göre enerji tüketimi kısa ve uzun dönemde sera gazı emisyonlarını artırırken, yenilenebilir enerji tüketimi kısa dönemde emisyonları azaltıcı etki göstermektedir. Bayesyen analiz sonuçları da enerji tüketiminin emisyon artırıcı etkisini desteklemekte, yenilenebilir enerji tüketiminin etkisinin ise kullanılan önsel bilgi setine göre farklılaşabildiğini ortaya koymaktadır. Bulgular, Türkiye’de fosil yakıtlara dayalı enerji talebinin çevresel baskıyı artırdığını, yenilenebilir enerji yatırımlarının ise emisyonların sınırlandırılmasında önemli bir araç olduğunu göstermektedir.

Anahtar Kelimeler

• Sera gazı emisyonları
• Enerji tüketimi
• Bayesyen yaklaşım
• Yenilenebilir Enerji Tüketimi
• ARDL Modeli

The Impact of Energy Consumption and Renewable Energy on Greenhouse Gas Emissions in Türkiye: ARDL and Bayesian Analysis

Öz

Greenhouse gas emissions are at the center of climate change and environmental sustainability debates and are regarded as one of the main indicators for evaluating the environmental consequences of transformations in the energy structure. In this study, using data from Türkiye for the period 1992-2021, the effects of energy consumption (ET) and renewable energy consumption (YET) on greenhouse gas emissions (SGE) were comparatively analyzed within the framework of the ARDL model and the Bayesian regression approach. In the Bayesian analysis, both non-informative and informative prior distributions were employed; the informative priors were constructed using data from Mexico, Spain, and Poland, which are considered to share similar structural characteristics with Türkiye. The ARDL bounds test results indicate the existence of a long-run cointegration relationship among the variables. According to the ARDL findings, energy consumption increases greenhouse gas emissions in both the short and long run, whereas renewable energy consumption exhibits a reducing effect on emissions in the short run. The results of the Bayesian analysis also support the emission-increasing effect of energy consumption, while indicating that the effect of renewable energy consumption may vary depending on the prior information set used. The findings indicate that fossil fuel-based energy demand in Türkiye increases environmental pressure, while investments in renewable energy serve as an important instrument in limiting emissions.

Anahtar Kelimeler

• Greenhouse gas emissions
• Energy consumption
• Bayesian approach
• Renewable energy consumption
• ARDL model

Kaynakça

1. Abbasi, K. R., Shahbaz, M., Zhang, J., Irfan, M., ve Alvarado, R. (2022). Analyze the environmental sustainability factors of China: The role of fossil fuel energy and renewable energy. Renewable Energy, 187, 390-402.
2. Abu-Goodman, M., Güngör, H., ve Usman, O. (2022). Are impacts of renewable energy and globalization on carbon neutrality targets asymmetric in South Africa? A reconsideration using nonlinear ARDL approach. Environmental Science and Pollution Research, 30(9), 23736-23746.
3. Akram, R., Chen, F., Khalid, F., Ye, Z., ve Majeed, M. T. (2020). Heterogeneous effects of energy efficiency and renewable energy on carbon emissions: Evidence from developing countries. Journal of Cleaner Production, 247, 119122.
4. Arı, A., ve Zeren, F. (2011). CO₂ emisyonu ve ekonomik büyüme: Panel veri analizi. Yönetim ve Ekonomi Dergisi, 18(2), 37-47.
5. Assareh, E., ve Nedaei, M. (2017). A metaheuristic approach to forecast the global carbon dioxide emissions. International Journal of Environmental Studies, 75(1), 99-120.
6. Baghban, A., Ahmadi, M. A., ve Shahraki, B. H. (2015). Prediction carbon dioxide solubility in presence of various ionic liquids using computational intelligence approaches. Journal of Supercritical Fluids, 98, 50-64.
7. Basei, M., Ferrari, G., ve Rodosthenous, N. (2024). Uncertainty over uncertainty in environmental policy adoption: Bayesian learning of unpredictable socioeconomic costs. Journal of Economic Dynamics and Control, 161, 104841.
8. Batmaz, A., ve Sisman-Aydin, G. (2025). Türkiye’s alignment with the Paris Agreement: A comparative policy analysis with Germany and Spain. Sustainability, 17(9), 3899.

9. Bruhwiler, L., Basu, S., Butler, J. H., Chatterjee, A., Dlugokencky, E., Kenney, M. A., McComiskey, A., Montzka, S. A., ve Stanitski, D. (2021). Observations of greenhouse gases as climate indicators. Climatic Change, 165, 12.
10. Candra, O., Chammam, A., Alvarez, J. R. N., Muda, I., ve Aybar, H. S. (2023). The impact of renewable energy sources on the sustainable development of the economy and greenhouse gas emissions. Sustainability, 15, 2104.
11. Chen, C., Pinar, M., ve Stengos, T. (2022). Renewable energy and CO₂ emissions: New evidence with the panel threshold model. Renewable Energy, 194, 117-128.
12. Chib, S., ve Greenberg, E. (1995). Understanding the Metropolis-Hastings algorithm. The American Statistician, 49(4), 327-335.
13. Ciampittiello, M., Marchetto, A., ve Boggero, A. (2024). Water resources management under climate change: A review. Sustainability, 16(9), 3590.
14. Çetin, M., ve Kapçak, S. (2021). Türkiye’de ithalat odaklı büyüme hipotezi. Iğdır Üniversitesi Sosyal Bilimler Dergisi, 26, 401-416.
15. Çınar, M., Yetkin, F., ve Bektaş, S. (2019). Elektrik tüketiminin sürdürülebilir kalkınmaya etkisi: Türkiye üzerinde ampirik ve davranışsal bir inceleme. Uluslararası Ekonomi İşletme ve Politika Dergisi, 3(2), 345-366.
16. Destek, M. A., ve Aslan, A. (2017). Renewable and non-renewable energy consumption and economic growth in emerging economies: Evidence from bootstrap panel causality. Renewable Energy, 111, 757-763.
17. Destek, M. A., ve Sarkodie, S. A. (2019). Investigation of environmental Kuznets curve for ecological footprint: The role of energy and financial development. Science of the Total Environment, 650(2), 2483-2489.
18. Dulkadiroğlu, H. (2018). Türkiye’de elektrik üretiminin sera gazı emisyonları açısından incelenmesi. Niğde Ömer Halisdemir Üniversitesi Mühendislik Bilimleri Dergisi, 7(1), 67-74.
19. Emissions Database for Global Atmospheric Research (EDGAR). (2024). GHG emissions of all world countries. https://edgar.jrc.ec.europa.eu/report_2024#info
20. Energy News. (2024). Wind and solar reach 18% of Türkiye’s power mix in 2024.
21. https://energynews.pro/en/wind-and-solar-reach-18-of-turkiyes-power-mix-in-2024/
22. EPDK. (2025). Elektrik piyasası aylık sektör raporları. Türkiye Cumhuriyeti Enerji Piyasası Düzenleme Kurumu. https://www.epdk.gov.tr/Detay/Icerik/3-0-23-3/elektrikaylik-sektor-raporlar
23. Ertuğrul, S., ve Sezgin, N. (2024). Greenhouse gas emission estimation by artificial intelligence. European Journal of Technique, 14(2), 103-114.
24. Gumustekin Aydın, S., ve Aydoğdu, G. (2022). Makine öğrenmesi algoritmaları kullanılarak Türkiye ve AB ülkelerinin CO₂ emisyonlarının tahmini. Avrupa Bilim ve Teknoloji Dergisi, 37, 42-46.
25. Hahn, E. D. (2014). Bayesian methods for management and business: Pragmatic solutions for real problems. John Wiley and Sons.
26. Hu, Z. Y., ve Baker, E. (2017). Geographical analysis of lung cancer mortality rate and PM2.5 using global annual average PM2.5 grids from MODIS and MISR aerosol optical depth. Journal of Geoscience and Environment Protection, 5, 183-197.
27. International Energy Agency (IEA). (2022). Turkey energy outlook. https://www.iea.org/countries/turkiye International Energy Agency (IEA). (2023). The relationship between growth in GDP and CO₂ has loosened - it needs to be cut completely. https://www.iea.org/commentaries/the-relationship-between-growth-in-gdp-and-CO₂-has-loosened-it-needs-to-be-cut-completely
28. Jie, W., ve Rabnawaz, K. (2024). Renewable energy and CO₂ emissions in developing and developed nations: A panel estimate approach. Frontiers in Environmental Science, 12, 1405001.
29. Judge, G. G., Griffiths, W. E., Hill, R. C., Lütkepohl, H., ve Lee, T. C. (1986). The theory and practice of econometrics (2nd ed.). John Wiley.
30. Kapçak, S. (2025). Enerji tüketimi ve çevre kirliliği ilişkisi: Türkiye için yeniden bir değerlendirme. Iğdır Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 13, 31-42.
31. Lunn, D. J., Thomas, A., Best, N., ve Spiegelhalter, D. (2000). WinBUGS-A Bayesian modelling framework: Concepts, structure, and extensibility. Statistics and Computing, 10, 325-337.
32. Nkoro, E., ve Uko, A. K. (2016). Autoregressive distributed lag (ARDL) cointegration technique: Application and interpretation. Journal of Statistical and Econometric Methods, 5(4), 63-91.
33. Ochi, A., ve Saidi, A. (2024). Impact of governance quality, population and economic growth on greenhouse gas emissions: An analysis based on a panel VAR model. Journal of Environmental Management, 370, 122613.
34. Oral, O., ve Uğuz, S. (2020). Türkiye'deki farklı sektörlere ait sera gazı emisyon değerlerinin çok katmanlı algılayıcılar ile tahmin edilmesi. Uluslararası Mühendislik Araştırma ve Geliştirme Dergisi, 12(2), 464-478.
35. Özen, H. A. (2022). Türkiye’deki çevresel göstergelerin istatistiksel açıdan değerlendirilmesi. OMÜ Mühendislik Bilimleri ve Teknolojisi Dergisi, 2(1), 67-81.
36. Palandri, C., Larrauri, P. C., Gelman, A., Puma, M. J., ve Lall, U. (2025). A multilevel Bayesian approach to climate-fueled migration and conflict. Scientific Reports, 15, 41268.
37. Reuters. (2025). Turkey's growing power pollution a sign of things to come. https://www.reuters.com/world/middle-east/turkeys-growing-power-pollution-sign-things-come-maguire-2025-02-06/
38. Robert, C. P., ve Casella, G. (2004). Monte Carlo statistical methods. Springer.
39. Sadiq, M., Fadel, M. E., Mezher, T., ve Mayyas, A. (2025). Interconnectedness of economic growth and environmental sustainability: Challenges and strategies. Energy, Sustainability and Society, 15, 43.
40. Suleman, S., Nawaz, F., Kayani, U., Aysan, A. F., Sohail, M., Thaker, H. M. T., ve Haider, S. A. (2025). Drivers of trade market behavior effect on renewable energy consumption: A study of MINT (Mexico, Indonesia, Nigeria, and Turkey) economies. Discover Sustainability, 6, 141.
41. Tanil, G. (2023). Analysis of the renewable energy policy development in Turkey and Poland. İstanbul Kent Üniversitesi İnsan ve Toplum Bilimleri Dergisi, 4(1), 88-103.
42. Thach, N. N. (2024). Bayesian hierarchical modeling of individual effects: Renewables and non-renewables on global economic growth. SAGE Open, 14(3), 1-18.
43. The World Bank. (2025). World development indicators. https://databank.worldbank.org/source/world-development-indicators
44. Uzlu, E. (2021). Estimates of greenhouse gas emission in Turkey with grey wolf optimizer algorithm-optimized artificial neural networks. Neural Computing and Applications, 33, 13567-13585.
45. Yeter, F. (2023). Türkiye’de elektrik tüketimi ile imalat sanayi üretimi arasındaki ilişkinin incelenmesi: Eşbütünleşme analizi. Anadolu İktisat ve İşletme Dergisi, 7(1), 37-48.