SavedAdd your journal

Journals / MANAS Sosyal Araştırmalar Dergisi / 2023 / Cilt: 12 Sayı: Özel Sayı - Türkiye Cumhuriyeti'nin 100. Yılı Özel Sayısı

Determinants of CO2 Emissions in Turkey: An Application with Multilayer Artificial Neural Networks

Türkiye’de CO2 Emisyonlarının Belirleyicileri: Çok Katmanlı Yapay Sinir Ağları ile Bir Uygulama

Hasan SÖYLER
Oktay KIZILKAYA
Pages
105–116
Publication Date
2023-10-25
DOI
—
🏛️Bibliographic metadata and full text access for this article are provided via DergiPark.
DergiPark Record ↗
✨

AI Summary & Key Takeaways

AI Insight
⚡ TL;DR(Too Long; Didn't Read)

The results showed that ANN models are a successful method that can be used in the estimation of CO2 emissions.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:CO2, which is released into the nature as a result of the use of fossil fuels, is one of the most important greenhouse gases that cause environmental problems.
📊
Key Findings & Data:Therefore, it is very important to investigate how CO2 emissions change over time and to determine the factors that affect CO2 emissions.
💡
Conclusion & Impact:The results showed that ANN models are a successful method that can be used in the estimation of CO2 emissions.
🔬Design:Modeling & Simulation
📍Scope:Comprehensive Sample
⚙️Variables:Yapay Sinir Ağları · CO2 emisyonu · Garson Algoritması

Abstract

CO2, which is released into the nature as a result of the use of fossil fuels, is one of the most important greenhouse gases that cause environmental problems. Therefore, it is very important to investigate how CO2 emissions change over time and to determine the factors that affect CO2 emissions. In this study, CO2 emission estimation is carried out using Artificial Neural Networks (ANN) method and Garson’s Algorithm is used to evaluate the relative importance of the independent variables. The results showed that ANN models are a successful method that can be used in the estimation of CO2 emissions. As a result of the importance analysis, it is determined that the most important factor affecting the CO2 emission in Turkey is the renewable energy consumption.

Özet

Fosil yakıtların kullanılması sonucu doğaya salınan CO2, çevresel sorunlara neden olan en önemli sera gazlarından birisidir. Dolayısıyla CO2 emisyonlarının zaman içinde nasıl değiştiğinin araştırılması ve CO2 emisyonu üzerinde etkili olan faktörlerin belirlenmesi oldukça önemlidir. Bu çalışmada Yapay Sinir Ağları (YSA) metodu kullanılarak CO2 emisyonu tahmini gerçekleştirilmiş ve çalışmada ele alınan bağımsız değişkenlerin bağıl önemlerini değerlendirmek amacıyla Garson Algoritması kullanılmıştır. Elde edilen tahmin sonuçları, YSA modellerinin CO2 emisyonu tahmininde kullanılabilecek başarılı bir yöntem olduklarını göstermektedir. Yapılan önem analizi sonucunda Türkiye’de CO2 emisyonunu etkileyen en önemli faktörün yenilenebilir enerji tüketimi olduğu belirlenmiştir.

🔖

Cite This Article

SÖYLER, H., KIZILKAYA, O. (2023). Determinants of CO2 Emissions in Turkey: An Application with Multilayer Artificial Neural Networks. MANAS Sosyal Araştırmalar Dergisi, Cilt: 12 Sayı: Özel Sayı - Türkiye Cumhuriyeti'nin 100. Yılı Özel Sayısı, 105–116. https://ajindex.com/articles/968161

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (12)

  1. Acheampong, A. O. ve Boateng, E. B. (2019). Modelling carbon emission intensity: Application of artificial neural network. Journal of Cleaner Production, 225, 833-856.
  2. Adebayo, T. S., Awosusi, A. A. ve Adeshola, I. (2020). Determinants of CO2 emissions in emerging markets: an empirical evidence from MINT economies. International Journal of Renewable Energy Development, 9(3), 411. Aggarwal, C. C. (2018). Neural networks and deep learning. Springer, 10(978), 3. Ataseven, B. (2013). Yapay sinir ağları ile öngörü modellemesi. Öneri Dergisi, 10(39), 101-115.
  3. Atay Polat M. (2022). Türkiye’de CO2 emisyonunun belirleyicisi olarak cinsiyet, istihdam ve yenilenebilir enerjinin rolü üzerine bir uygulama. Öneri Dergisi, 17(58), 638-664.
  4. 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: Recovery, Utilization, and Environmental Effects, 33(19), 1747-1759.
  5. Cetin, M., Ecevit, E., ve Yucel, A. G. (2018). The impact of economic growth, energy consumption, trade openness, and financial development on carbon emissions: empirical evidence from Turkey. Environmental Science and Pollution Research, 25(36), 36589-36603.
  6. Doğanlar, M., Mike, F., Kızılkaya, O. ve Karlılar, S. (2021). Testing the long-run effects of economic growth, financial development and energy consumption on CO2 emissions in Turkey: new evidence from RALS cointegration test. Environmental Science and Pollution Research, 28(25), 32554-32563.
  7. Dong, K., Dong, X. ve Dong, C. (2019). Determinants of the global and regional CO2 emissions: what causes what and where?. Applied Economics, 51(46), 5031-5044.
  8. Fausett, L. (1994). Fundamentals of neural networks: Architecture, algorithms and applications. New Jersey: Printice Hall. Fischer, A. (2015). How to determine the unique contributions of input-variables to the nonlinear regression function of a multilayer perceptron. Ecological Modelling, 309, 60-63.
  9. Garson, G. D. (1991). Interpreting neural-network connection weights. AI Expert, 6(4), 46-51.
  10. Gevrey, M., Dimopoulos, I. ve Lek, S. (2003). Review and comparison of methods to study the contribution of variables in artificial neural network models. Ecological Modelling, 160(3), 249-264.
  11. Halicioglu, F. (2009). An econometric study of CO2 emissions, energy consumption, income and foreign trade in Turkey. Energy Policy, 37(3), 1156-1164.
  12. Ibrahim, O. M. (2013). A comparison of methods for