KaydedilenlerDerginizi ekleyin

Dergiler / Ege Akademik Bakış / 2018 / Cilt: 18 - Sayı: 4

Türkiye’nin Enerji Verimliliğinin Yapay Sinir Ağı ve ARDL Yaklaşımı ile Analizi

An Analysis of Turkey’s Energy Efficiency with Artificial Neural Networks and ARDL Approach

Çiler Sigeze
Esra Ballı
Salih Çam
Sayfa
661–670
Yayın Tarihi
2022-10-12
DOI
—
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Elde edilen sonuçlarTürkiye’nin enerji verimliliğinin yıllara göre artmaeğiliminde olduğunu göstermektedir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Bu çalışmada Türkiye’nin enerji verimliliğiARDL yöntemi, TOPSIS yöntemi ve yapay sinirağları algoritması analizleri çerçevesinde 1960-2013 dönemi için incelenmiştir.
📊
Temel Bulgular & Veri:Çalışmanın ilkaşamasında TOPSIS yöntemi kullanılarak enerjiverimlilik skorları elde edilmiştir, elde edilenskorlar daha sonra Yapay Sinir Ağlarının çıktı verisiolarak kullanılmıştır.
💡
Sonuç & Katkı:Elde edilen sonuçlarTürkiye’nin enerji verimliliğinin yıllara göre artmaeğiliminde olduğunu göstermektedir.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:2013 Verileri
⚙️Değişkenler:Alan Parametreleri

Özet

Bu çalışmada Türkiye’nin enerji verimliliğiARDL yöntemi, TOPSIS yöntemi ve yapay sinirağları algoritması analizleri çerçevesinde 1960-2013 dönemi için incelenmiştir. Çalışmanın ilkaşamasında TOPSIS yöntemi kullanılarak enerjiverimlilik skorları elde edilmiştir, elde edilenskorlar daha sonra Yapay Sinir Ağlarının çıktı verisiolarak kullanılmıştır. Son olarak, değişkenlerinkısa ve uzun dönem katsayıları ARDL yöntemiile tahmin edilmiştir. Elde edilen sonuçlarTürkiye’nin enerji verimliliğinin yıllara göre artmaeğiliminde olduğunu göstermektedir. Bununyanında, Yapay Sinir Ağları analizi sonuçlarınagöre enerji etkinliğini belirleyen en önemlideğişken kişi başına düşen sermaye stokudur.

Abstract

This study investigates Turkey’s energy efficiency for the period of 1960-2013 utilizing the ARDL (Autoregressive Distributed Lag) in the context of TOPSIS (Technique for Order Preference by Similarity to the Ideal Solution) and Artificial Neural Networks algorithm. In the first stage of the analysis, energy efficiency scores obtained via TOPSIS, then efficiency scores employed as output for the Artificial Neural Networks. Finally, ARDL utilized to estimate the coefficients of the variables both in the short and the long run. The empirical results depict that Turkey’s energy efficiency tends to increase over the years. Besides, according to Artificial Neural Networks results, the most important variable determining energy efficiency is found to be per capita capital stock.

🔖

Bu Makaleye Atıf Yap

Sigeze, Ç., Ballı, E., Çam, S. (2022). Türkiye’nin Enerji Verimliliğinin Yapay Sinir Ağı ve ARDL Yaklaşımı ile Analizi. Ege Akademik Bakış, Cilt: 18 - Sayı: 4, 661–670. https://ajindex.com/articles/495172

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (11)

  1. Ang, B. W. (2006). Monitoring changes in economy-wide energy efficiency: From energy–gdp ratio to composite efficiency index. Energy Policy, 34 (5), 574-582.
  2. Apergis, N., Aye, G. C., Barros, C. P., Gupta, R. ve Wanke, P. (2015). Energy efficiency of selected OECD countries: A slacks based model with undesirable outputs. Energy Economics, 51, 45-53.
  3. Aye, G.C., Gupta, R. ve Wanke, P (2018). Energy efficiency drivers in South Africa: 1965–2014. Energy Efficiency, 1-18.
  4. Azadeh, A., Amalnick, M. S., Ghaderi, S. F. ve Asadzadeh, S. M. (2007). An ıntegrated DEA PCA numerical taxonomy approach for energy efficiency assessment and consumption optimization in energy ıntensive manufacturing sectors. Energy Policy, 35(7), 3792-3806.
  5. Balachandra, P., Ravindranath, D. ve Ravindranath, N. H. (2010). Energy efficiency in India: Assessing the policy regimes and their ımpacts. Energy Policy, 38(11), 6428-6438.
  6. Bian, C., Hu, Y., Ravi, V., Kuznetsova, I. S., Shen, X., Mu, X. ve Qiu, Y. (2016). The Asian arowana (scleropages formosus) genome provides new ınsights into the evolution of an early lineage of teleosts. Scientific Reports, 6, 24501. Blomberg, J., Henriksson, E. ve Lundmark, R. (2012) Energy efficiency and policy in swedish pulp and paper mills: A data envelopment analysis approach. Energy Policy, 42, 569-579.
  7. Chang, T. P. ve Hu, J. L. (2010). Total-factor energy productivity growth, technical progress, and efficiency change: An empirical study of China. Applied Energy, 87(10), 3262-3270.
  8. Chen, A. S. ve Leung, M. T. (2004). Regression neural network for error correction in foreign exchange forecasting and trading. Computers & Operations Research, 31(7), 1049-1068.
  9. Cui, Q. ve Li, Y. (2014). The evaluation of transportation energy efficiency: an application of three-stage virtual frontier DEA. Transportation Research Part D: Transport And Environment, 29: 1-11.
  10. Deng, H., Yeh, C. H. ve Willis, R. J. (2000). Inter-company comparison using modified TOPSIS with objective weights. Computers & Operations Research, 27(10), 963-973.
  11. Fang, C. Y., Hu, J. L. ve Lou, T. K. (2013). Environment-adjusted total-factor energy efficiency of Taiwan’s service sectors. Energy Policy, 63, 1160-1168. Gómez-Calvet, R., Conesa, D., Gómez-Calvet, A. R. ve Tortosa-Ausina, E. (2014). Energy efficiency in the european union: what can be learned from the joint application of directional distance functions and slacks-based measures? Applied Energy, 132, 137- 154. Grösche, P. (2009). Measuring reside