Prediction of Carbon Dioxide Emissions for Turkey Using ANFIS Method

Yıl 2022, Cilt: 13 Sayı: 34, 486 - 504, 20.05.2022

Ahmet Sel Berrak Tekgün

https://doi.org/10.21076/vizyoner.990380

Cited By: 1

Öz

Today, global high levels of industrialization, rapid population growth, unconsciously consumed energy resources and high energy demand have brought about an increase in the amount of carbon emissions. The increase in greenhouse gas emissions has come to a position that threatens economic development, sustainable growth, climate conditions, urbanization and most importantly economic power in Turkey as well as in the world. In the study, the Adaptive Neural Fuzzy Inference System (ANFIS) method, in which both fuzzy logic and artificial neural networks are integrated, is used for the estimation of carbon dioxide emissions. In the first part of the application, the monthly data set covering the years 1998-2018 for the explanatory variables of Gross Domestic Product (GDP), population, exports, and imports and retrospective 2019-2020 carbon emissions (R2=0.964) are estimated. In the second part, using the data obtained in the first part, the variables (t-12, t-11, t-10, mean-t-12, mean-t-11, mean-t-10) for monthly carbon emission values (t) are used. Forecasting success (R2=0.99) is estimated for 2021, 2022 and 2023. In this context, the findings of the study are evaluated within the scope of the Kyoto Protocol and the Paris Climate Agreement. It is expected that the results obtained would help decision makers in their projects and plans to reduce carbon emissions.

Anahtar Kelimeler

CO2 Emission, Turkey, ANFIS, Artificial Neural Networks

ANFIS Yöntemi İle Türkiye Karbondioksit Salınımı Tahmini

Öz

Günümüzde küresel olarak yüksek seviyelerde görülen sanayileşme, hızlı nüfus artışı, bilinçsizce tüketilen enerji kaynakları ve yüksek enerji talebi karbon emisyon miktarının artışını beraberinde getirmiştir. Sera gazı salınımının artması, dünya genelinde olduğu gibi ülkemizde de ekonomik gelişmeyi, sürdürülebilir büyümeyi, iklim şartlarını, şehirleşmeyi ve en temelde de ekonomik gücü tehdit eder bir konuma gelmiştir. Bu çalışmada, karbondioksit salınımı tahmininde hem bulanık mantık hem yapay sinir ağlarının bütünleşik olduğu Uyarlamalı Sinirsel Bulanık Çıkarım Sistem (ANFIS) yöntemi kullanılmıştır. Uygulamanın birinci bölümünde Gayri Safi Yurt İçi Hasıla (GSYİH), nüfus, ihracat, ithalat açıklayıcı değişkenleri için 1998-2018 yıllarını kapsayan aylık veri seti ile geriye dönük 2019-2020 karbon emisyonu (R2=0,964) tahmin edilmiştir. İkinci bölümde ilk bölümde elde edilen verilerde kullanılarak aylık karbon emisyonu değerleri (t) için (t-12, t-11, t-10, ort-t-12, ort-t-11, ort-t-10) değişkenleri kullanılarak yüksek tahmin başarısı (R2=0,99) ile 2021, 2022 ve 2023 yılları için tahmin edilmiştir. Bu kapsamda, çalışma bulguları Kyoto Protokolü ve Paris İklim Anlaşması kapsamında değerlendirilmiştir. Elde edilen sonuçların karar vericiler için karbon emisyonlarının düşürülmesi proje ve planlarında yardımcı olması beklenmektedir.

Anahtar Kelimeler

CO2 Emisyonu, Türkiye, ANFIS, Yapay Sinir Ağları

Kaynakça

• Abraham, A. (2001). Neuro-fuzzy systems: state-of-the-art modeling techniques, connectionist models of neurons, learning processes and artificial intelligence. Lecture Notes in Computer Science, 2084, 269-276.
• Acheamponga, A., Boatengb, O. ve Emmanuel, B. (2019). Modelling carbon emission intensity: Application of artificial neural network. Journal of Cleaner Production. 225, 833-856.
• Ahmadia, M. H., Jashnanib, H., Chauc, K., Kumard, R. ve Rosene, M. A. (2019). Carbon dioxide emissions prediction of five middle eastern countries using artificial neural Networks. Energy Sources, Part A: Recovery, Utılızatıon, and Envıronmental Effects, 1556-7230. https://doi.org/10.1080/15567036.2019.1679914
• Başar, S. ve Akyol, H. (2018). Enerji tüketimi ve karbon emisyonu ile iktisadi büyüme arasındaki ilişkinin tespit edilmesi. Gümüşhane Üniversitesi Sosyal Bilimler Elektronik Dergisi. 9(23).
• Behrang, M. A., Assareh, E., Assari, M. R. ve Ghanbarzadeh, A. (2011). Using bees algorithm and artificial neural network to forecast world carbon dioxide emission. Energy Sources. Part A, 33, 1747–1759, https://doi.org/10.1080/15567036.2010.493920
• Birpınar, M. E. (2016). Paris Anlaşması ve Türkiye. Anahtar Dergisi. 329, 4-5.
• Boğar, E. ve Boğar Özsüt, Z. (2017). Türkiye’nin sektörel CO2 gazı salınımlarının yapay sinir ağları ile tahmini. Akademia Disiplinlerarası Bilimsel Araştırmalar Dergisi. 3(2), 12-24.
• Çağlayan Akay, E., Abdieva, R. ve Oskonbaeva, Z. (2015). Yenilenebilir enerji tüketimi, iktisadi büyüme ve karbondioksit emisyonu arasındaki nedensel ilişki: Orta Doğu ve Kuzey Afrika ülkeleri örneği. International Conference on Eurasian Economies. 628-636.
• Çetin, M. ve Yüksel, Ö. (2018). Türkiye ekonomisinde enerji tüketiminin karbon emisyonu üzerindeki etkisi. Mehmet Akif Ersoy Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi. 5(2), 169-186.
• Demir, İ. (2006). Kyoto protokolü amaçlarına ulaşabilme yolunda dünya enerji kullanımında meydana gelebilecek değişiklikler. Gazi Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 8(2), 241-251.
• Demuth, H. ve Beale, M. (2000). Fuzzy logic toolbox for use with MATLAB. User’s Guide Version 4”.
• Denchak, M. (2018). Paris climate agreement: Everything you need to know. Natural Resources Defense Council, https://www.nrdc.org/stories/paris-climate-agreement-everything-you-need-know adresinden 29 Ocak 2020 tarihinde alınmıştır.
• Günel, T. (2019). Türk Cumhuriyetleri’nde CO2 emisyonu ve ekonomik büyüme ilişkisi: Panel nedensellik analizi. Sosyoekonomi Dergisi. 27(40), 151-164.
• Handrich, L., Kemfert, C. ve Mattes, A. (2015). Turning point: Decoupling greenhouse gas emissions from economic growth. Heinrich Böll Stiftung.
• IPCC. (2007). IPCC 2007 Report. Intergovernmental Panel on Climate Change: Published for the Intergovernmental Panel on Climate Change. Cambridge University Press.
• Jang, J. S. R ve Sun, C. T. ve Mizutani, E. (1997). Neurofuzzy and soft computing. Prentice Hall, Upper Saddle River.
• Kahraman, G. (2019). Türkiye’de kentleşmenin enerji tüketimi ve karbon salınımı üzerine etkisi. Iğdır Üniversitesi Fen Bilimleri Enstitüsü Dergisi. 9(3), 1559-1566.
• Kaya, H. E. (2020). Kyoto’dan Paris’e küresel iklim politikaları. Meriç Uluslararası Sosyal ve Stratejik Araştırmalar Dergisi. 4(10), 165-191.
• Külünk, İ. (2018). Türkiye’de ekonomik büyüme ve karbon salınımı ilişkisi: engle-granger eşbütünleşme analizi (1960-2013). Yönetim ve Ekonomi Araştırmaları Dergisi, 16(1), 193-205. http://dx.doi.org/10.11611/yead.384784
• Mazlum, S. C. (2008). Uluslararası iklim politikası: hakkaniyet ve sürdürülebilirlik ekseninde bir değerlendirme. E. Karakaya (Ed.) Küresel ısınma ve Kyoto protokolü: iklim değişikliğinin bilimsel, ekonomik ve politik analizi içinde (s. 129-167), Bağlam Yayıncılık.
• 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.
• Özmen, T. M. (2009). Sera gazı- küresel ısınma ve Kyoto protokolü. TMMOB İnşaat Mühendisleri Odası Yayını. 453-2009/1, 42-46.
• Öztemel, E. (2012). Yapay sinir ağları (3. Baskı). Papatya Yayıncılık.
• Öztürk, S. ve Küsmez, T. (2019). Elektrik tüketimi, karbon emisyonu ve ekonomik büyüme ilişkisi (1995-2014). Ömer Halisdemir Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi. 12(2), 316-327.
• Pabuçcu, H. ve Bayramoğlu, T. (2016). Yapay sinir ağları ile CO2 emisyonu tahmini: Türkiye örneği. Gazi Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi. 18(3), 762-778.
• Pala, A. (2018). Gelişmekte olan ülkelerde enerji tüketimi, karbon emisyonu ve ekonomik büyüme ilişkisinin ARDL yaklaşımı ile incelenmesi. Ekonomik ve Sosyal Araştırmalar Dergisi. 14(Özel Sayı), 1-29.
• Sel, A. ve Göktolga, Z. G. (2020). 11. Kalkınma planı çerçevesinde sektörel co2 salımı değerleri projeksiyonu. Akdeniz İİBF Dergisi, 20(2), 158-168.
• Şenocak, F. (2018). Elektrik piyasa takas fiyatı ağırlıklı ortalamasının anfis ve yapay sinir ağları ile tahmini [Yüksek Lisans Tezi]. Karadeniz Teknik Üniversitesi.
• Tsoukalas, L. ve Uhrig, R. (1996). Neuro fuzzy approach for anticipatory control of complex systems. IEEE International Conference in Fuzzy Systems, (1), 587-593.
• Türkiye Cumhuriyeti Dışişleri Bakanlığı. (2020). İklim değişikliğiyle mücadelenin önemi. https://www.mfa.gov.tr/iklim-degisikligiyle-mucadelenin-onemi.tr.mfa adresinden 20 Kasım 2019 tarihinde alınmıştır.
• Wei, H., Lai, K. K., Nakamori Y., Wang, S. ve Yu, L. (2007). Neural networks in finance and economics forecasting. International Journal of Information Technology and Decision Making, 6(1), 113-140.
• Yöntem, G. (2013). Ekonomik büyüme ve karbon salınımı arasındaki ilişkinin nedensellik analizi: Türkiye örneği. Yıldız Teknik Üniversitesi İktisadi İdari Bilimler Fakültesi, 1-11, https://www.academia.edu/download/33836684/EKONOMIK_BUYUME_VE_KARBON_SALINIMI_ARASINDAKI_ILISKININ_NEDENSELLIK_ANALIZI_TURKIYE_ORNEGI.pdf adresinden 12 Şubat 2020 tarihinde alınmıştır.
• Zahra, Z. G., Seyed Nematollah, M. ve Bahaeddin, N. (2019). Economic evaluation of the effects of exerting green tax on the dispersion of bioenvironmental pollutants based on multi-regional general equilibrium model (GTAP-E). Energy Sources, Part A: Recovery, Utilization, and Environmental Effects, 1-12.
• World Bank. (2021). https://data.worldbank.org/ adresinden 2 Mart 2021 tarihinde alınmıştır.