Abstract

Bu çalışma, Türkiye’nin 1990–2024 dönemine ait yıllık verilerini kullanarak sera gazı emisyonu düzeyinin belirleyicilerini makine öğrenmesi tabanlı sınıflandırma yöntemleri ile incelemektedir. Çalışmada sera gazı emisyon değerleri hedef değişken olarak kullanılmıştır. Hedef değişkenin kategorik hale getirilmesinde istatistiksel açıdan dengeli bir sınıf dağılımı sağlamak amacıyla sera gazı emisyon serisinin medyanı eşik değer olarak benimsenmiştir. Bu eşiğin altındaki yıllar düşük emisyon (sınıf 0), üzerindekiler yüksek emisyon (sınıf 1) sınıfı olarak etiketlenmiştir. Çalışmada, Gradient Boosting, Random Forest ve Lojistik Regresyon algoritmaları karşılaştırmalı olarak değerlendirilmiştir. Küçük örneklem durumu nedeniyle model değerlendirmesin de bırak-bir-dışarıda çapraz doğrulama (LOO-CV) yöntemi kullanılmıştır. Model yorumlanabilirliği SHAP (SHapley Additive exPlanations) analizi ve nedensel orman analizi ile sağlanmıştır. LOO-CV sonuçlarına göre Random Forest ve Lojistik Regresyon F1 = 0,973, Gradient Boosting ise F1 = 0,971 performansı sergilemiştir. SHAP analizi GSYİH’yı birincil belirleyici olarak tespit etmiştir. Yenilenebilir enerji payı, fosil yakıt tüketimi payı ve dış ticaret açıklığı ise sırasıyla ikinci, üçüncü ve dördüncü sırada yer almıştır. Nedensel Orman analizi ise yenilenebilir enerji payındaki artışın istatistiksel olarak anlamlı biçimde emisyonu azalttığını (ATE: −30,68 Mt) ve GSYİH’daki artışın emisyonu anlamlı biçimde yükselttiğini (ATE: +43,46 Mt) ortaya koymuştur. Bulgular Türkiye’nin 2007 yılından itibaren yüksek emisyon rejimine kalıcı biçimde geçtiğini göstermektedir. Çalışma; emisyon belirleyicilerini istatistiksel açıdan dengeli bir eşik (395,9 Mt - medyan) etrafında tanımlanmış sınıflandırma problemi olarak yeniden çerçevelemesi, LOO-CV ile güvenilir model değerlendirmesi sağlaması, SHAP analizi ile yorumlanabilirlik sunması ve Nedensel Orman yöntemiyle korelasyonun ötesinde nedensel çıkarım gerçekleştirmesiyle Türkiye yazınına dört özgün katkı sunmaktadır.

Abstract

This study examines the determinants of greenhouse gas emission levels in Turkey using annual data from 1990–2024 and machine learning-based classification methods. Greenhouse gas emission values ​​were used as the target variable. To ensure a statistically balanced class distribution, the median of the greenhouse gas emission series was adopted as the threshold value for categorizing the target variable. Years below this threshold were labeled as low emission (class 0), and those above were labeled as high emission (class 1). Gradient Boosting, Random Forest, and Logistic Regression algorithms were evaluated comparatively. Due to the small sample size, the drop-out cross-validation (LOO-CV) method was used for model evaluation. Model interpretability was ensured through SHAP (SHapley Additive exPlanations) analysis and causal forest analysis. According to the LOO-CV results, Random Forest and Logistic Regression showed F1 = 0.973, while Gradient Boosting showed F1 = 0.971. SHAP analysis identified GDP as the primary determinant. Renewable energy share, fossil fuel consumption share, and trade deficit ranked second, third, and fourth, respectively. Causal Forest analysis revealed that an increase in the share of renewable energy statistically significantly reduced emissions (ATE: -30.68 Mt) and an increase in GDP significantly increased emissions (ATE: +43.46 Mt). The findings indicate that Turkey has permanently transitioned to a high-emission regime since 2007. This study offers four original contributions to the Turkish literature: reframing emission determinants as a classification problem defined around a statistically balanced threshold (395.9 Mt - median), providing reliable model evaluation with LOO-CV, offering interpretability with SHAP analysis, and performing causal inference beyond correlation with the Causal Forest analysis.

Structured Abstract:

Climate change has taken its place in the literature as one of the most comprehensive and critical global environmental problems of the twenty-first century. At the heart of policy discussions aimed at combating this global crisis is the systematic reduction of greenhouse gas emissions, primarily carbon dioxide ( ). Environmental pressures, particularly those stemming from fossil fuel consumption, further deepen the historical tension between economic growth targets and ecological sustainability, making the analysis of emission determinants both a scientific and political necessity. The Paris Agreement, signed in 2015, has directed signatory countries to set concrete reduction targets through national contribution declarations and to develop measurable tools to achieve these targets. Turkey, while under pressure from rapid economic growth, urbanization, and industrialization, is simultaneously trying to strike a unique balance between increasing its renewable energy capacity and reducing its dependence on energy imports. Türkiye's greenhouse gas emissions, which were 229 million tons in 1990, have increased significantly to 584 million tons by 2024. While much of the existing literature treats emissions as a continuous variable, the crucial question for policymakers is whether emissions exceed defined strategic thresholds. This study aims to fill this gap by reframing Türkiye's emission level as a binary classification problem defined around the median of the greenhouse gas series (395.9 Mt). The main objective of the study is to examine the factors distinguishing between high and low emission regimes using machine learning algorithms with data from the 1990-2024 period, and to support the obtained results with SHAP analysis and Causal Forest analysis.

The theoretical basis of this study rests on the Environmental Kuznets Curve (EKC) hypothesis, which predicts an inverted U-shaped relationship between per capita income and environmental pollution. According to the hypothesis, economic growth initially increases pollution, but after a certain income threshold, it reduces emissions thanks to technological transformation. In the Turkish literature, this hypothesis has been tested using traditional econometric methods by authors such as Halicioğlu (2009), Katırcıoğlu (2014), and Pata (2018). However, most of these studies rely on linear assumptions and do not fully reflect structural heterogeneity. In terms of the energy mix, the emission-increasing effect of fossil fuels and the mitigating potential of renewable energy are among the main axes of discussion. In addition, trade openness is considered within the framework of the pollution haven hypothesis, in the context of the transfer of polluting industries to countries with lower standards. In recent years, the application of machine learning methods to emission prediction has provided an advantage, especially in capturing complex nonlinear relationships. A literature review revealed a lack of studies in Turkish literature that focus on the classification problem, systematically report model interpretability using SHAP values, and make causal inferences beyond correlation. This study offers a theoretical and methodological contribution by integrating Causal Forest analysis and shifting the focus from "what is related?" to "what can be intervened in?".

This study analyzes Turkey's emission dynamics for the period 1990–2024 using Turkish Statistical Institute (TUIK) and World Bank data within a machine learning framework. To improve the model's explainability, GDP per capita, fossil fuel share, renewable energy share, and trade deficit were determined as baseline variables; highly correlated structural variables were excluded to prevent data leakage. Continuous emission data were converted into two balanced classes with a median threshold value (395.9 Mt), thus framing the problem within a classification framework. Gradient Boosting, Random Forest, and Logistic Regression algorithms were applied comparatively in the analysis; hyperparameter optimization was performed using 5-fold cross-validation. Due to the limited sample size (n=35), the Leave-One-Out Cross-Validation (LOO-CV) method was preferred to minimize prediction bias. To overcome the "black box" nature of the models, game theory-based SHAP analysis was used, and causal inferences between variables were conducted via Causal Forest using the Dual Machine Learning (DML) approach.

This study offers original contributions to the literature by analyzing Turkey's emission dynamics using machine learning and causal inference methods. In the classification analysis, Random Forest and Logistic Regression models demonstrated the highest predictive performance, achieving an F1=0.973 score with the LOO-CV method. These results are methodologically consistent with the studies by Rufaioğlu et al. (2025) and Bakır et al. (2022), which highlight the success of ensemble learning algorithms in modeling Turkey's emission structure. The SHAP analysis shows that the primary factor determining the emission regime is GDP, followed by the share of renewable energy. This finding is consistent with the studies by Katırcıoğlu (2014) and Pata (2018), which support the validity of the Environmental Kuznets Curve hypothesis for Turkey. Causal Forest analysis has shown that renewable energy reduces emissions by an average of 47,501 Mt, while openness to foreign trade has a significant enhancing effect (ATE: 23.623 Mt). The causal significance of foreign trade indicates that the pollution haven hypothesis operates as a secondary channel in Turkey, adding a unique perspective to Cole's (2004) literature. The integrated use of SHAP and Causal Forest methods clarifies both the discriminatory power of the variables and the net results of the interventions, offering a scientific roadmap against Türkiye's high emission regime that has become permanent since 2007.

This study offers a unique contribution to the literature by modeling Turkey's emission dynamics using advanced data analytics methods. The main policy recommendation developed based on the analysis results is to prioritize renewable energy capacity, whose emission-reducing effects have been scientifically proven. In this process, removing bureaucratic obstacles to solar and wind investments, phasing out coal power plants, and implementing market-based mechanisms such as carbon pricing are critically important. The main limitation of the study is the small sample size (n=35). Therefore, it is recommended that future research delve deeper into specific sectors and be conducted using deep learning algorithms over longer time series to obtain a more precise analysis of the impact of energy transition on the emission regime.

Yapılandırılmış Özet:

İklim değişikliği, yirmi birinci yüzyılın en kapsamlı ve kritik küresel çevre sorunlarından biri olarak literatürde yerini almıştır. Bu küresel krizle mücadeleyi amaçlayan politika tartışmalarının merkezinde, başta karbondioksit ( ) olmak üzere sera gazı emisyonlarının sistematik olarak azaltılması yer almaktadır. Çevresel baskılar, özellikle de fosil yakıt tüketiminden kaynaklananlar, ekonomik büyüme hedefleri ile ekolojik sürdürülebilirlik arasındaki tarihsel gerilimi daha da derinleştirerek, emisyon belirleyicilerinin analizini hem bilimsel hem de siyasi bir zorunluluk haline getirmektedir. 2015 yılında imzalanan Paris Anlaşması, imzacı ülkeleri ulusal katkı beyanları yoluyla somut azaltım hedefleri belirlemeye ve bu hedeflere ulaşmak için ölçülebilir araçlar geliştirmeye yöneltmiştir. Türkiye, hızlı ekonomik büyüme, kentleşme ve sanayileşmenin yarattığı baskı altında olmakla birlikte, aynı zamanda yenilenebilir enerji kapasitesini artırmak ile enerji ithalatına bağımlılığını azaltmak arasında kendine özgü bir denge kurmaya çalışmaktadır. 1990 yılında 229 milyon ton olan Türkiye’nin sera gazı emisyonları, 2024 yılına kadar 584 milyon tona önemli ölçüde artmıştır. Mevcut literatürün büyük bir kısmı emisyonları sürekli bir değişken olarak ele alırken, politika yapıcılar için asıl önemli soru, emisyonların tanımlanmış stratejik eşik değerleri aşıp aşmadığıdır. Bu çalışma, Türkiye’nin emisyon seviyesini sera gazı serisinin medyan değeri (395,9 Mt) etrafında tanımlanan ikili bir sınıflandırma problemi olarak yeniden çerçevelendirerek bu boşluğu doldurmayı amaçlamaktadır. Çalışmanın temel amacı, 1990-2024 dönemine ait verilerle makine öğrenimi algoritmaları kullanarak yüksek ve düşük emisyon rejimlerini birbirinden ayıran faktörleri incelemek ve elde edilen sonuçları SHAP analizi ve Nedensel Orman analizi ile desteklemektir.

Bu çalışmanın teorik temeli, kişi başına gelir ile çevre kirliliği arasında ters U şeklinde bir ilişki öngören Çevresel Kuznets Eğrisi (EKC) hipotezine dayanmaktadır. Hipoteze göre, ekonomik büyüme başlangıçta kirliliği artırır, ancak belirli bir gelir eşiğinin aşılmasından sonra teknolojik dönüşüm sayesinde emisyonları azaltır. Türk literatüründe bu hipotez, Halicioğlu (2009), Katırcıoğlu (2014) ve Pata (2018) gibi yazarlar tarafından geleneksel ekonometrik yöntemler kullanılarak test edilmiştir. Ancak bu çalışmaların çoğu doğrusal varsayımlara dayanmakta ve yapısal heterojenliği tam olarak yansıtmamaktadır. Enerji karışımı açısından, fosil yakıtların emisyon artırıcı etkisi ve yenilenebilir enerjinin azaltıcı potansiyeli tartışmanın ana eksenleri arasındadır. Ayrıca, kirlilik cenneti hipotezi çerçevesinde, kirletici sanayilerin standartları daha düşük ülkelere taşınması bağlamında ticaretin açıklığı da ele alınmaktadır. Son yıllarda, emisyon tahminine makine öğrenimi yöntemlerinin uygulanması, özellikle karmaşık doğrusal olmayan ilişkilerin yakalanmasında bir avantaj sağlamıştır. Literatür taraması, Türk literatüründe sınıflandırma sorununa odaklanan, SHAP değerlerini kullanarak modelin yorumlanabilirliğini sistematik olarak raporlayan ve korelasyonun ötesinde nedensel çıkarımlarda bulunan çalışmaların eksikliğini ortaya koymuştur. Bu çalışma, Nedensel Orman (Causal Forest) analizini entegre ederek ve odak noktasını “neler birbiriyle ilişkili?” sorusundan “nereye müdahale edilebilir?” sorusuna kaydırarak teorik ve metodolojik bir katkı sunmaktadır.

Bu çalışma, makine öğrenimi çerçevesi içinde Türkiye İstatistik Kurumu (TÜİK) ve Dünya Bankası verilerini kullanarak 1990–2024 dönemi için Türkiye’nin emisyon dinamiklerini analiz etmektedir. Modelin açıklanabilirliğini artırmak amacıyla kişi başına GSYİH, fosil yakıt payı, yenilenebilir enerji payı ve ticaret açığı temel değişkenler olarak belirlenmiş; veri sızıntısını önlemek için yüksek korelasyonlu yapısal değişkenler hariç tutulmuştur. Sürekli emisyon verileri, medyan eşik değeri (395,9 Mt) kullanılarak iki dengeli sınıfa dönüştürülmüş ve böylece sorun bir sınıflandırma çerçevesi içinde ele alınmıştır. Analizde Gradient Boosting, Random Forest ve Lojistik Regresyon algoritmaları karşılaştırmalı olarak uygulanmış; hiperparametre optimizasyonu ise 5 katlı çapraz doğrulama kullanılarak gerçekleştirilmiştir. Sınırlı örneklem büyüklüğü (n=35) nedeniyle, tahmin önyargısını en aza indirmek için Leave-One-Out Çapraz Doğrulama (LOO-CV) yöntemi tercih edilmiştir. Modellerin “kara kutu” niteliğini aşmak için oyun teorisine dayalı SHAP analizi kullanılmıştır ve değişkenler arasındaki nedensel çıkarımlar, Dual Machine Learning (DML) yaklaşımı kullanılarak Causal Forest aracılığıyla gerçekleştirilmiştir.

Bu çalışma, makine öğrenimi ve nedensel çıkarım yöntemlerini kullanarak Türkiye’nin emisyon dinamiklerini analiz ederek literatüre özgün katkılar sunmaktadır. Sınıflandırma analizinde, Random Forest ve Lojistik Regresyon modelleri en yüksek tahmin performansını sergilemiş ve LOO-CV yöntemi ile F1=0,973 puanı elde etmiştir. Bu sonuçlar, metodolojik açıdan Rufaioğlu ve ark. (2025) ile Bakır ve ark. (2022) tarafından yapılan çalışmalarla tutarlıdır; söz konusu çalışmalar, Türkiye’nin emisyon yapısının modellenmesinde toplu öğrenme algoritmalarının başarısını vurgulamaktadır. SHAP analizi, emisyon rejimini belirleyen birincil faktörün GSYİH olduğunu, bunu yenilenebilir enerjinin payının izlediğini göstermektedir. Bu bulgu, Türkiye için Çevresel Kuznets Eğrisi hipotezinin geçerliliğini destekleyen Katırcıoğlu (2014) ve Pata (2018) tarafından yapılan çalışmalarla tutarlıdır. Nedensel Orman analizi, yenilenebilir enerjinin emisyonları ortalama 47.501 Mt azalttığını, dış ticarete açıklığın ise önemli bir artırıcı etkiye (ATE: 23.623 Mt) sahip olduğunu göstermiştir. Dış ticaretin nedensel önemi, kirlilik sığınağı hipotezinin Türkiye’de ikincil bir kanal olarak işlediğini göstermekte ve bu da Cole’un (2004) literatürüne benzersiz bir bakış açısı katmaktadır. SHAP ve Nedensel Orman yöntemlerinin entegre kullanımı, hem değişkenlerin ayırt edici gücünü hem de müdahalelerin net sonuçlarını netleştirerek, 2007 yılından bu yana kalıcı hale gelen Türkiye’nin yüksek emisyon rejimine karşı bilimsel bir yol haritası sunmaktadır.

Bu çalışma, gelişmiş veri analitiği yöntemlerini kullanarak Türkiye’nin emisyon dinamiklerini modelleyerek literatüre benzersiz bir katkı sunmaktadır. Analiz sonuçlarına dayanılarak geliştirilen temel politika önerisi, emisyon azaltıcı etkileri bilimsel olarak kanıtlanmış yenilenebilir enerji kapasitesine öncelik verilmesidir. Bu süreçte, güneş ve rüzgâr enerjisi yatırımlarının önündeki bürokratik engellerin kaldırılması, kömür santrallerinin aşamalı olarak devreden çıkarılması ve karbon fiyatlandırması gibi piyasa temelli mekanizmaların uygulanması kritik öneme sahiptir. Çalışmanın temel sınırlaması, örneklem büyüklüğünün küçük olmasıdır (n=35). Bu nedenle, enerji dönüşümünün emisyon rejimi üzerindeki etkisinin daha kesin bir şekilde analiz edilebilmesi için, gelecekteki araştırmaların belirli sektörleri daha derinlemesine incelemesi ve daha uzun zaman serileri üzerinde derin öğrenme algoritmaları kullanılarak yürütülmesi önerilmektedir.

ملخص منظم

احتل تغير المناخ مكانته في الأدبيات باعتباره إحدى أكثر المشكلات البيئية العالمية شمولاً وأهمية في القرن الحادي والعشرين. ويقع في صميم المناقشات السياساتية الهادفة إلى مكافحة هذه الأزمة العالمية التخفيض المنهجي لانبعاثات غازات الدفيئة، وفي مقدمتها ثاني أكسيد الكربون (). وتؤدي الضغوط البيئية، لا سيما تلك الناجمة عن استهلاك الوقود الأحفوري، إلى تعميق التوتر التاريخي بين أهداف النمو الاقتصادي والاستدامة البيئية، مما يجعل تحليل العوامل المحددة للانبعاثات ضرورة علمية وسياسية على حد سواء. وقد وجهت اتفاقية باريس، الموقعة في عام 2015، الدول الموقعة إلى تحديد أهداف خفض ملموسة من خلال إعلانات المساهمات الوطنية، وتطوير أدوات قابلة للقياس لتحقيق هذه الأهداف. وتسعى تركيا، رغم تعرضها لضغوط ناجمة عن النمو الاقتصادي السريع والتحضر والتصنيع، في الوقت نفسه إلى تحقيق توازن فريد بين زيادة طاقتها من الطاقة المتجددة وتقليل اعتمادها على واردات الطاقة. وقد ارتفعت انبعاثات غازات الدفيئة في تركيا، التي بلغت 229 مليون طن في عام 1990، بشكل ملحوظ لتصل إلى 584 مليون طن بحلول عام 2024. وفي حين أن معظم الدراسات الحالية تتعامل مع الانبعاثات باعتبارها متغيرًا مستمرًا، فإن السؤال الحاسم الذي يواجه صانعي السياسات هو ما إذا كانت الانبعاثات تتجاوز العتبات الاستراتيجية المحددة. تهدف هذه الدراسة إلى سد هذه الفجوة من خلال إعادة صياغة مستوى انبعاثات تركيا باعتباره مشكلة تصنيف ثنائية تُحدد حول الوسيط لسلسلة غازات الدفيئة (395.9 مليون طن). ويتمثل الهدف الرئيسي للدراسة في فحص العوامل التي تميز بين أنظمة الانبعاثات العالية والمنخفضة باستخدام خوارزميات التعلم الآلي مع بيانات من الفترة 1990-2024، ودعم النتائج التي تم التوصل إليها بتحليل SHAP وتحليل الغابة السببية.

ويستند الأساس النظري لهذه الدراسة إلى فرضية منحنى كوزنتس البيئي (EKC)، التي تتنبأ بعلاقة على شكل حرف U مقلوب بين الدخل الفردي والتلوث البيئي. ووفقًا لهذه الفرضية، يؤدي النمو الاقتصادي في البداية إلى زيادة التلوث، ولكنه بعد تجاوز عتبة دخل معينة، يقلل الانبعاثات بفضل التحول التكنولوجي. وفي الأدبيات التركية، تم اختبار هذه الفرضية باستخدام الأساليب الاقتصاد القياسية التقليدية من قبل باحثين مثل Halicioğlu (2009)، وKatırcıoğlu (2014)، وPata (2018). ومع ذلك، تعتمد معظم هذه الدراسات على افتراضات خطية ولا تعكس بشكل كامل التباين الهيكلي. وفيما يتعلق بمزيج الطاقة، يُعد تأثير الوقود الأحفوري في زيادة الانبعاثات وإمكانية الطاقة المتجددة في التخفيف من حدة التلوث من بين المحاور الرئيسية للنقاش. بالإضافة إلى ذلك، يُنظر إلى انفتاح التجارة في إطار فرضية «ملاذ التلوث»، في سياق نقل الصناعات الملوثة إلى بلدان ذات معايير أقل. وفي السنوات الأخيرة، وفر تطبيق أساليب التعلم الآلي على التنبؤ بالانبعاثات ميزة، لا سيما في استيعاب العلاقات غير الخطية المعقدة. كشفت مراجعة الأدبيات عن نقص في الدراسات التركية التي تركز على مشكلة التصنيف، وتقدم تقارير منهجية حول قابلية تفسير النموذج باستخدام قيم SHAP، وتستخلص استنتاجات سببية تتجاوز مجرد الارتباط. تقدم هذه الدراسة مساهمة نظرية ومنهجية من خلال دمج تحليل «الغابة السببية» (Causal Forest) وتحويل التركيز من «ما الذي يرتبط؟» إلى «ما الذي يمكن التدخل فيه؟».

تحلل هذه الدراسة ديناميكيات الانبعاثات في تركيا للفترة 1990–2024 باستخدام بيانات المعهد التركي للإحصاء (TUIK) والبنك الدولي ضمن إطار التعلم الآلي. ولتحسين قابلية تفسير النموذج، تم تحديد الناتج المحلي الإجمالي للفرد، وحصة الوقود الأحفوري، وحصة الطاقة المتجددة، والعجز التجاري كمتغيرات أساسية؛ وتم استبعاد المتغيرات الهيكلية ذات الارتباط العالي لمنع تسرب البيانات. تم تحويل بيانات الانبعاثات المستمرة إلى فئتين متوازنتين بقيمة عتبة متوسطة (395.9 مليون طن)، وبذلك تم وضع المشكلة ضمن إطار التصنيف. تم تطبيق خوارزميات «التعزيز التدرجي» (Gradient Boosting) و«الغابة العشوائية» (Random Forest) و«الانحدار اللوجستي» (Logistic Regression) بشكل مقارن في التحليل؛ وتم إجراء تحسين المعلمات الفائقة باستخدام التحقق المتقاطع الخماسي. ونظرًا لمحدودية حجم العينة (n=35)، تم تفضيل طريقة التحقق المتقاطع «Leave-One-Out» (LOO-CV) لتقليل انحياز التنبؤ إلى أدنى حد. وللتغلب على طبيعة «الصندوق الأسود» للنماذج، تم استخدام تحليل SHAP القائم على نظرية الألعاب، وأُجريت الاستدلالات السببية بين المتغيرات عبر «Causal Forest» باستخدام نهج التعلم الآلي المزدوج (DML).

تقدم هذه الدراسة مساهمات أصلية في الأدبيات من خلال تحليل ديناميكيات الانبعاثات في تركيا باستخدام التعلم الآلي وأساليب الاستدلال السببي. في تحليل التصنيف، أظهرت نماذج «الغابة العشوائية» (Random Forest) و«الانحدار اللوجستي» (Logistic Regression) أعلى أداء تنبؤي، حيث حققتا درجة F1=0.973 باستخدام طريقة LOO-CV. تتوافق هذه النتائج من الناحية المنهجية مع الدراسات التي أجراها روفايوغلو وآخرون (2025) وباكير وآخرون (2022)، والتي تسلط الضوء على نجاح خوارزميات التعلم الجماعي في نمذجة هيكل الانبعاثات في تركيا. ويُظهر تحليل SHAP أن العامل الرئيسي الذي يحدد نظام الانبعاثات هو الناتج المحلي الإجمالي، يليه نصيب الطاقة المتجددة. ويتوافق هذا الاستنتاج مع الدراسات التي أجراها كاتيرجيوغلو (2014) وباتا (2018)، والتي تدعم صحة فرضية منحنى كوزنتس البيئي بالنسبة لتركيا. وقد أظهر تحليل «الغابة السببية» (Causal Forest) أن الطاقة المتجددة تقلل الانبعاثات بمعدل 47,501 Mt، في حين أن الانفتاح على التجارة الخارجية له تأثير معزز كبير (ATE: 23.623 Mt). وتشير الأهمية السببية للتجارة الخارجية إلى أن فرضية «ملاذ التلوث» تعمل كقناة ثانوية في تركيا، مما يضيف منظوراً فريداً إلى الأدبيات التي قدمها كول (2004). ويوضح الاستخدام المتكامل لطريقتي SHAP و«الغابة السببية» كلاً من القدرة التمييزية للمتغيرات والنتائج الصافية للتدخلات، مما يوفر خارطة طريق علمية لمواجهة نظام الانبعاثات المرتفعة في تركيا الذي أصبح دائماً منذ عام 2007.

تقدم هذه الدراسة مساهمة فريدة في الأدبيات من خلال نمذجة ديناميكيات الانبعاثات في تركيا باستخدام أساليب متقدمة لتحليل البيانات. وتتمثل التوصية السياساتية الرئيسية التي تم تطويرها بناءً على نتائج التحليل في إعطاء الأولوية لطاقة مصادر الطاقة المتجددة، التي ثبت علمياً تأثيرها في خفض الانبعاثات. وفي هذه العملية، تكتسب إزالة العقبات البيروقراطية التي تعترض استثمارات الطاقة الشمسية وطاقة الرياح، والتخلص التدريجي من محطات توليد الطاقة بالفحم، وتنفيذ آليات قائمة على السوق مثل تسعير الكربون، أهمية بالغة. يتمثل القيد الرئيسي للدراسة في صغر حجم العينة (n=35). ولذلك، يُوصى بأن تتعمق الأبحاث المستقبلية في قطاعات محددة، وأن تُجرى باستخدام خوارزميات التعلم العميق على سلاسل زمنية أطول للحصول على تحليل أكثر دقة لتأثير التحول في قطاع الطاقة على نظام الانبعاثات.

Résumé structuré:

Le changement climatique s’est imposé dans la littérature comme l’un des problèmes environnementaux mondiaux les plus vastes et les plus critiques du XXIe siècle. Au cœur des débats politiques visant à lutter contre cette crise mondiale se trouve la réduction systématique des émissions de gaz à effet de serre, principalement le dioxyde de carbone (). Les pressions environnementales, en particulier celles découlant de la consommation de combustibles fossiles, accentuent encore la tension historique entre les objectifs de croissance économique et la durabilité écologique, faisant de l’analyse des déterminants des émissions une nécessité à la fois scientifique et politique. L’Accord de Paris, signé en 2015, a chargé les pays signataires de fixer des objectifs de réduction concrets par le biais de déclarations de contributions nationales et de mettre au point des outils mesurables pour atteindre ces objectifs. La Turquie, bien que soumise à la pression d’une croissance économique rapide, de l’urbanisation et de l’industrialisation, s’efforce simultanément de trouver un équilibre unique entre l’augmentation de sa capacité en énergies renouvelables et la réduction de sa dépendance vis-à-vis des importations d’énergie. Les émissions de gaz à effet de serre de la Turquie, qui s’élevaient à 229 millions de tonnes en 1990, ont considérablement augmenté pour atteindre 584 millions de tonnes en 2024. Alors qu’une grande partie de la littérature existante traite les émissions comme une variable continue, la question cruciale pour les décideurs politiques est de savoir si les émissions dépassent des seuils stratégiques définis. La présente étude vise à combler cette lacune en recadrant le niveau d’émissions de la Turquie comme un problème de classification binaire défini autour de la médiane de la série des gaz à effet de serre (395,9 Mt). L’objectif principal de l’étude est d’examiner les facteurs distinguant les régimes à fortes émissions de ceux à faibles émissions à l’aide d’algorithmes d’apprentissage automatique sur des données couvrant la période 1990-2024, et d’étayer les résultats obtenus par une analyse SHAP et une analyse par forêt causale.

Le fondement théorique de cette étude repose sur l’hypothèse de la courbe de Kuznets environnementale (EKC), qui prédit une relation en U inversé entre le revenu par habitant et la pollution environnementale. Selon cette hypothèse, la croissance économique accroît dans un premier temps la pollution, mais au-delà d’un certain seuil de revenu, elle réduit les émissions grâce à la transformation technologique. Dans la littérature turque, cette hypothèse a été testée à l’aide de méthodes économétriques traditionnelles par des auteurs tels que Halicioğlu (2009), Katırcıoğlu (2014) et Pata (2018). Cependant, la plupart de ces études reposent sur des hypothèses linéaires et ne reflètent pas pleinement l’hétérogénéité structurelle. En ce qui concerne le mix énergétique, l’effet d’augmentation des émissions lié aux combustibles fossiles et le potentiel d’atténuation des énergies renouvelables figurent parmi les principaux axes de discussion. De plus, l’ouverture commerciale est prise en compte dans le cadre de l’hypothèse du « refuge de pollution », dans le contexte du transfert des industries polluantes vers des pays aux normes moins strictes. Ces dernières années, l’application de méthodes d’apprentissage automatique à la prévision des émissions a apporté un avantage, notamment pour saisir des relations non linéaires complexes. Une revue de la littérature a révélé un manque d’études dans la littérature turque qui se concentrent sur le problème de classification, rendent compte de manière systématique de l’interprétabilité des modèles à l’aide des valeurs SHAP et établissent des inférences causales allant au-delà de la simple corrélation. La présente étude apporte une contribution théorique et méthodologique en intégrant l’analyse « Causal Forest » et en déplaçant l’accent de la question « qu’est-ce qui est lié ? » vers « sur quoi peut-on intervenir ? ».

Cette étude analyse la dynamique des émissions de la Turquie pour la période 1990-2024 à l’aide des données de l’Institut turc de statistique (TUIK) et de la Banque mondiale, dans un cadre d’apprentissage automatique. Afin d’améliorer l’explicabilité du modèle, le PIB par habitant, la part des combustibles fossiles, la part des énergies renouvelables et le déficit commercial ont été retenus comme variables de référence ; les variables structurelles fortement corrélées ont été exclues pour éviter toute fuite de données. Les données d’émissions continues ont été converties en deux classes équilibrées à l’aide d’une valeur seuil médiane (395,9 Mt), ce qui a permis d’inscrire le problème dans un cadre de classification. Les algorithmes de « gradient boosting », de « forêt aléatoire » et de régression logistique ont été appliqués de manière comparative dans l’analyse ; l’optimisation des hyperparamètres a été réalisée à l’aide d’une validation croisée en 5 plis. En raison de la taille limitée de l’échantillon (n = 35), la méthode de validation croisée « Leave-One-Out » (LOO-CV) a été privilégiée afin de minimiser le biais de prédiction. Pour pallier la nature de « boîte noire » des modèles, une analyse SHAP fondée sur la théorie des jeux a été utilisée, et des inférences causales entre les variables ont été menées via Causal Forest à l’aide de l’approche Dual Machine Learning (DML).

Cette étude apporte des contributions originales à la littérature en analysant la dynamique des émissions de la Turquie à l’aide de méthodes d’apprentissage automatique et d’inférence causale. Dans l’analyse de classification, les modèles « Random Forest » et de régression logistique ont démontré les meilleures performances prédictives, atteignant un score F1 = 0,973 avec la méthode LOO-CV. Ces résultats sont méthodologiquement cohérents avec les études de Rufaioğlu et al. (2025) et de Bakır et al. (2022), qui soulignent le succès des algorithmes d’apprentissage en ensemble dans la modélisation de la structure des émissions de la Turquie. L’analyse SHAP montre que le principal facteur déterminant le régime d’émissions est le PIB, suivi de la part des énergies renouvelables. Ce constat est cohérent avec les études de Katırcıoğlu (2014) et de Pata (2018), qui confirment la validité de l’hypothèse de la courbe de Kuznets environnementale pour la Turquie. L’analyse par la méthode Causal Forest a montré que les énergies renouvelables réduisent les émissions de 47 501 Mt en moyenne, tandis que l’ouverture au commerce extérieur a un effet amplificateur significatif (ATE : 23,623 Mt). La signification causale du commerce extérieur indique que l’hypothèse du « refuge de pollution » opère comme un canal secondaire en Turquie, apportant ainsi une perspective unique à la littérature de Cole (2004). L’utilisation intégrée des méthodes SHAP et Causal Forest clarifie à la fois le pouvoir discriminant des variables et les résultats nets des interventions, offrant ainsi une feuille de route scientifique pour lutter contre le régime d’émissions élevées de la Turquie, devenu permanent depuis 2007.

Cette étude apporte une contribution unique à la littérature en modélisant la dynamique des émissions de la Turquie à l’aide de méthodes avancées d’analyse des données. La principale recommandation politique formulée sur la base des résultats de l’analyse consiste à donner la priorité aux capacités en énergies renouvelables, dont les effets de réduction des émissions ont été scientifiquement prouvés. Dans ce processus, il est essentiel de lever les obstacles bureaucratiques aux investissements dans le solaire et l’éolien, de supprimer progressivement les centrales à charbon et de mettre en œuvre des mécanismes fondés sur le marché, tels que la tarification du carbone. La principale limite de cette étude réside dans la petite taille de l’échantillon (n = 35). Il est donc recommandé que les recherches futures approfondissent l’étude de secteurs spécifiques et soient menées à l’aide d’algorithmes d’apprentissage profond sur des séries chronologiques plus longues afin d’obtenir une analyse plus précise de l’impact de la transition énergétique sur le régime d’émissions.

Resumen estructurado:

El cambio climático se ha consolidado en la literatura como uno de los problemas medioambientales globales más amplios y críticos del siglo XXI. En el centro de los debates políticos destinados a combatir esta crisis global se encuentra la reducción sistemática de las emisiones de gases de efecto invernadero, principalmente el dióxido de carbono (). Las presiones medioambientales, en particular las derivadas del consumo de combustibles fósiles, agravan aún más la tensión histórica entre los objetivos de crecimiento económico y la sostenibilidad ecológica, lo que convierte el análisis de los factores determinantes de las emisiones en una necesidad tanto científica como política. El Acuerdo de París, firmado en 2015, ha instado a los países signatarios a establecer objetivos concretos de reducción a través de las declaraciones de contribuciones nacionales y a desarrollar herramientas cuantificables para alcanzar dichos objetivos. Turquía, aunque se ve sometida a la presión del rápido crecimiento económico, la urbanización y la industrialización, intenta al mismo tiempo lograr un equilibrio único entre el aumento de su capacidad de energía renovable y la reducción de su dependencia de las importaciones energéticas. Las emisiones de gases de efecto invernadero de Turquía, que en 1990 ascendían a 229 millones de toneladas, han aumentado significativamente hasta alcanzar los 584 millones de toneladas en 2024. Si bien gran parte de la bibliografía existente trata las emisiones como una variable continua, la cuestión crucial para los responsables políticos es si las emisiones superan los umbrales estratégicos definidos. El presente estudio pretende colmar esta laguna replanteando el nivel de emisiones de Turquía como un problema de clasificación binaria definido en torno a la mediana de la serie de gases de efecto invernadero (395,9 Mt). El objetivo principal del estudio es examinar los factores que distinguen entre regímenes de altas y bajas emisiones utilizando algoritmos de aprendizaje automático con datos del período 1990-2024, y respaldar los resultados obtenidos con análisis SHAP y análisis de «Causal Forest».

La base teórica de este estudio se asienta en la hipótesis de la Curva de Kuznets Ambiental (EKC), que predice una relación en forma de U invertida entre la renta per cápita y la contaminación ambiental. Según esta hipótesis, el crecimiento económico aumenta inicialmente la contaminación, pero, tras superar un determinado umbral de renta, reduce las emisiones gracias a la transformación tecnológica. En la literatura turca, esta hipótesis ha sido puesta a prueba mediante métodos econométricos tradicionales por autores como Halicioğlu (2009), Katırcıoğlu (2014) y Pata (2018). Sin embargo, la mayoría de estos estudios se basan en supuestos lineales y no reflejan plenamente la heterogeneidad estructural. En cuanto a la combinación energética, el efecto de aumento de las emisiones de los combustibles fósiles y el potencial mitigador de las energías renovables se encuentran entre los principales ejes de debate. Además, la apertura comercial se considera en el marco de la hipótesis del «refugio de la contaminación», en el contexto del traslado de industrias contaminantes a países con normas menos estrictas. En los últimos años, la aplicación de métodos de aprendizaje automático a la predicción de emisiones ha supuesto una ventaja, especialmente a la hora de captar relaciones no lineales complejas. Una revisión bibliográfica reveló una falta de estudios en la literatura turca que se centren en el problema de la clasificación, informen sistemáticamente sobre la interpretabilidad de los modelos utilizando valores SHAP y realicen inferencias causales más allá de la correlación. Este estudio ofrece una contribución teórica y metodológica al integrar el análisis de «Causal Forest» y desplazar el enfoque de «¿qué está relacionado?» a «¿en qué se puede intervenir?».

Este estudio analiza la dinámica de las emisiones de Turquía para el período 1990-2024 utilizando datos del Instituto Turco de Estadística (TUIK) y del Banco Mundial dentro de un marco de aprendizaje automático. Para mejorar la explicabilidad del modelo, se determinaron como variables de referencia el PIB per cápita, la cuota de combustibles fósiles, la cuota de energías renovables y el déficit comercial; se excluyeron las variables estructurales altamente correlacionadas para evitar la fuga de datos. Los datos continuos de emisiones se convirtieron en dos clases equilibradas con un valor umbral mediano (395,9 Mt), enmarcando así el problema en un marco de clasificación. En el análisis se aplicaron de forma comparativa los algoritmos de Gradient Boosting, Random Forest y regresión logística; la optimización de los hiperparámetros se llevó a cabo mediante validación cruzada de 5 pliegues. Debido al tamaño limitado de la muestra (n = 35), se optó por el método de validación cruzada «Leave-One-Out» (LOO-CV) para minimizar el sesgo de predicción. Para superar la naturaleza de «caja negra» de los modelos, se utilizó el análisis SHAP basado en la teoría de juegos, y las inferencias causales entre variables se llevaron a cabo mediante Causal Forest utilizando el enfoque de aprendizaje automático dual (DML).

Este estudio ofrece aportaciones originales a la literatura al analizar la dinámica de las emisiones de Turquía mediante métodos de aprendizaje automático e inferencia causal. En el análisis de clasificación, los modelos Random Forest y de regresión logística demostraron el mayor rendimiento predictivo, alcanzando una puntuación F1 = 0,973 con el método LOO-CV. Estos resultados son metodológicamente coherentes con los estudios de Rufaioğlu et al. (2025) y Bakır et al. (2022), que destacan el éxito de los algoritmos de aprendizaje conjunto a la hora de modelar la estructura de las emisiones de Turquía. El análisis SHAP muestra que el principal factor que determina el régimen de emisiones es el PIB, seguido de la cuota de energías renovables. Este hallazgo concuerda con los estudios de Katırcıoğlu (2014) y Pata (2018), que respaldan la validez de la hipótesis de la curva de Kuznets medioambiental para Turquía. El análisis de Causal Forest ha demostrado que las energías renovables reducen las emisiones en una media de 47 501 Mt, mientras que la apertura al comercio exterior tiene un efecto potenciador significativo (ATE: 23,623 Mt). La significación causal del comercio exterior indica que la hipótesis del «refugio de contaminación» actúa como un canal secundario en Turquía, lo que aporta una perspectiva única a la bibliografía de Cole (2004). El uso integrado de los métodos SHAP y «Causal Forest» aclara tanto el poder discriminatorio de las variables como los resultados netos de las intervenciones, ofreciendo una hoja de ruta científica contra el régimen de altas emisiones de Turquía, que se ha consolidado desde 2007.

Este estudio ofrece una contribución única a la literatura al modelar la dinámica de las emisiones de Turquía utilizando métodos avanzados de análisis de datos. La principal recomendación de política desarrollada a partir de los resultados del análisis es dar prioridad a la capacidad de energía renovable, cuyos efectos de reducción de emisiones han sido demostrados científicamente. En este proceso, resulta de vital importancia eliminar los obstáculos burocráticos a las inversiones en energía solar y eólica, retirar progresivamente las centrales térmicas de carbón e implementar mecanismos basados en el mercado, como la fijación de precios del carbono. La principal limitación del estudio es el reducido tamaño de la muestra (n = 35). Por lo tanto, se recomienda que las investigaciones futuras profundicen en sectores específicos y se lleven a cabo utilizando algoritmos de aprendizaje profundo sobre series temporales más largas, con el fin de obtener un análisis más preciso del impacto de la transición energética en el régimen de emisiones.

结构化摘要

气候变化已在学术文献中确立其地位，被视为二十一世纪最全面、最严峻的全球环境问题之一。旨在应对这一全球危机的政策讨论的核心，在于系统性地减少温室气体排放，尤其是二氧化碳（）。环境压力——尤其是源于化石燃料消耗的压力——进一步加剧了经济增长目标与生态可持续性之间的历史性矛盾，使得对排放决定因素的分析既成为科学上的必要，也是政治上的必要。2015年签署的《巴黎协定》要求缔约国通过国家自主贡献声明设定具体的减排目标，并制定可衡量的工具以实现这些目标。土耳其在面临快速经济增长、城市化和工业化的压力的同时，也在努力在扩大可再生能源产能与减少对能源进口的依赖之间寻求独特的平衡。土耳其的温室气体排放量从1990年的2.29亿吨显著增加至2024年的5.84亿吨。尽管现有文献大多将排放量视为连续变量，但对政策制定者而言，关键问题在于排放量是否超过了既定的战略阈值。本研究旨在填补这一空白，将土耳其的排放水平重新定义为以温室气体数据序列中位数（3.959亿吨）为基准的二元分类问题。研究的主要目标是利用1990-2024年的数据，通过机器学习算法考察区分高排放与低排放模式的因素，并借助SHAP分析和因果森林分析来验证所得结果。

本研究的理论基础源于环境库兹涅茨曲线（EKC）假说，该假说预测人均收入与环境污染之间存在倒U型关系。根据该假说，经济增长初期会加剧污染，但在达到一定收入阈值后，得益于技术转型，排放量将随之减少。在土耳其的学术文献中，Halicioğlu（2009）、Katırcıoğlu（2014）和Pata（2018）等学者曾采用传统的计量经济学方法对这一假说进行了检验。然而，这些研究大多基于线性假设，未能充分反映结构异质性。在能源结构方面，化石燃料的增排效应以及可再生能源的减排潜力是主要讨论焦点。此外，在“污染避风港假说”框架下，贸易开放程度也被纳入考量，其背景是污染产业向标准较低的国家转移。近年来，机器学习方法在排放预测中的应用展现出显著优势，尤其在捕捉复杂的非线性关系方面。文献综述表明，土耳其学术界目前缺乏专注于分类问题、系统性地利用SHAP值报告模型可解释性，并超越相关性进行因果推断的研究。本研究通过整合因果森林（Causal Forest）分析，并将研究重点从“什么相关？”转向“什么可以干预？”，在理论和方法论上做出了贡献。

本研究利用土耳其统计局（TUIK）和世界银行的数据，在机器学习框架下分析了1990–2024年期间土耳其的排放动态。为提高模型的可解释性，将人均GDP、化石燃料占比、可再生能源占比和贸易逆差确定为基线变量；同时排除了高度相关的结构变量，以防止数据泄漏。连续的排放数据通过中位数阈值（395.9 Mt）被转换为两个平衡类，从而将问题纳入分类框架。分析中对比应用了梯度提升、随机森林和逻辑回归算法；并采用5折交叉验证法进行了超参数优化。由于样本量有限（n=35），为最大限度地减少预测偏差，优先采用了“留一交叉验证”（LOO-CV）方法。为克服模型的“黑箱”特性，采用了基于博弈论的SHAP分析，并通过采用双重机器学习（DML）方法的因果森林（Causal Forest）对变量之间的因果关系进行了推断。

本研究通过运用机器学习和因果推断方法分析土耳其的排放动态，为相关文献做出了原创性贡献。在分类分析中，随机森林和逻辑回归模型展现出最高的预测性能，采用LOO-CV方法时F1值达到0.973。从方法论上看，这些结果与 Rufaioğlu 等（2025）和 Bakır 等（2022）的研究一致，这些研究突显了集成学习算法在建模土耳其排放结构方面的成功。SHAP 分析表明，决定排放模式的主要因素是 GDP，其次是可再生能源的占比。这一发现与Katırcıoğlu（2014）和Pata（2018）的研究结果一致，这些研究支持了“环境库兹涅茨曲线”假说在土耳其的适用性。因果森林分析表明，可再生能源平均可减少47,501 Mt的排放，而对外贸易开放度则具有显著的增强效应（ATE：23.623 Mt）。对外贸易的因果显著性表明，“污染避风港”假说在土耳其发挥着次要渠道的作用，这为科尔（2004）的相关文献提供了独特视角。SHAP与因果森林方法的综合应用，既阐明了各变量的区分能力，也揭示了干预措施的净效果，为应对土耳其自2007年以来已呈固化态势的高排放模式提供了科学路线图。

本研究通过运用先进的数据分析方法对土耳其的排放动态进行建模，为相关文献做出了独特贡献。基于分析结果提出的主要政策建议是优先发展可再生能源产能，其减排效果已得到科学验证。在此过程中，消除太阳能和风能投资面临的官僚障碍、逐步淘汰燃煤电厂以及实施碳定价等市场化机制至关重要。本研究的主要局限在于样本量较小（n=35）。因此，建议未来研究深入探讨具体行业，并利用深度学习算法对更长的时序数据进行分析，以更精确地评估能源转型对排放模式的影响。

Структурированное резюме:

Изменение климата заняло в научной литературе место одной из наиболее всеобъемлющих и острых глобальных экологических проблем XXI века. В центре политических дискуссий, направленных на борьбу с этим глобальным кризисом, находится систематическое сокращение выбросов парниковых газов, в первую очередь углекислого газа (). Экологическая нагрузка, особенно связанная с потреблением ископаемого топлива, еще больше усугубляет историческое противоречие между целями экономического роста и экологической устойчивостью, что делает анализ факторов, определяющих выбросы, необходимостью как с научной, так и с политической точки зрения. Парижское соглашение, подписанное в 2015 году, обязывает страны-участницы устанавливать конкретные цели по сокращению выбросов посредством заявлений о национальных вкладах и разрабатывать измеримые инструменты для достижения этих целей. Турция, находясь под давлением быстрого экономического роста, урбанизации и индустриализации, одновременно пытается найти уникальный баланс между увеличением мощностей возобновляемых источников энергии и сокращением зависимости от импорта энергоресурсов. Выбросы парниковых газов в Турции, которые в 1990 году составляли 229 млн тонн, к 2024 году значительно выросли до 584 млн тонн. Хотя в большей части существующей литературы выбросы рассматриваются как непрерывная переменная, ключевым вопросом для политиков является то, превышают ли выбросы установленные стратегические пороговые значения. Данное исследование призвано восполнить этот пробел путем переформулирования уровня выбросов Турции в виде задачи бинарной классификации, определяемой относительно медианы ряда данных по парниковым газам (395,9 млн т). Основная цель исследования заключается в изучении факторов, отличающих режимы с высоким и низким уровнем выбросов, с использованием алгоритмов машинного обучения на данных за период 1990–2024 гг., а также в подтверждении полученных результатов с помощью анализа SHAP и анализа «причинного леса» (Causal Forest).

Теоретическая основа данного исследования опирается на гипотезу экологической кривой Кузнеца (EKC), которая предсказывает обратно-U-образную зависимость между доходом на душу населения и загрязнением окружающей среды. Согласно этой гипотезе, экономический рост сначала приводит к увеличению загрязнения, но после достижения определенного порога дохода он способствует сокращению выбросов благодаря технологической трансформации. В турецкой литературе эта гипотеза проверялась с использованием традиционных эконометрических методов такими авторами, как Халичоглу (2009), Катырчоглу (2014) и Пата (2018). Однако большинство этих исследований основано на линейных допущениях и не в полной мере отражает структурную гетерогенность. Что касается структуры энергобаланса, то среди основных тем обсуждения фигурируют как эффект увеличения выбросов, связанный с использованием ископаемого топлива, так и потенциал возобновляемых источников энергии по снижению выбросов. Кроме того, в рамках гипотезы «убежища от загрязнения» рассматривается открытость торговли в контексте перемещения загрязняющих отраслей в страны с более низкими стандартами. В последние годы применение методов машинного обучения для прогнозирования выбросов дало определенные преимущества, особенно в плане учета сложных нелинейных взаимосвязей. Обзор литературы выявил недостаток исследований в турецкой научной литературе, которые бы фокусировались на задаче классификации, систематически отражали интерпретируемость моделей с использованием значений SHAP и делали причинно-следственные выводы, выходящие за рамки корреляции. Настоящее исследование вносит теоретический и методологический вклад за счет интеграции анализа «Causal Forest» и переноса акцента с вопроса «что связано?» на вопрос «на что можно повлиять?».

В данном исследовании анализируется динамика выбросов в Турции за период 1990–2024 гг. с использованием данных Турецкого статистического института (TUIK) и Всемирного банка в рамках машинного обучения. Для повышения объясняемости модели в качестве базовых переменных были определены ВВП на душу населения, доля ископаемого топлива, доля возобновляемых источников энергии и торговый дефицит; сильно коррелирующие структурные переменные были исключены для предотвращения утечки данных. Непрерывные данные о выбросах были преобразованы в два сбалансированных класса с медианным пороговым значением (395,9 млн т), что позволило сформулировать задачу в рамках классификационной модели. В ходе анализа были сравнительно применены алгоритмы градиентного бустинга, случайного леса и логистической регрессии; оптимизация гиперпараметров проводилась с использованием 5-кратной перекрестной валидации. В связи с ограниченным размером выборки (n = 35) для минимизации смещения прогнозов был выбран метод перекрестной валидации «Leave-One-Out» (LOO-CV). Для преодоления «чернокоробочного» характера моделей был использован SHAP-анализ, основанный на теории игр, а причинно-следственные связи между переменными были выявлены с помощью Causal Forest на основе подхода Dual Machine Learning (DML).

Данное исследование вносит оригинальный вклад в научную литературу благодаря анализу динамики выбросов в Турции с использованием методов машинного обучения и причинно-следственных выводов. В классификационном анализе модели «Случайный лес» (Random Forest) и логистической регрессии продемонстрировали наивысшую прогностическую эффективность, достигнув показателя F1 = 0,973 при использовании метода LOO-CV. Эти результаты методологически согласуются с исследованиями Руфайоглу и др. (2025) и Бакира и др. (2022), в которых подчеркивается успешность алгоритмов ансамблевого обучения при моделировании структуры выбросов в Турции. Анализ SHAP показывает, что основным фактором, определяющим режим выбросов, является ВВП, за которым следует доля возобновляемых источников энергии. Этот вывод согласуется с исследованиями Каырджоглу (2014) и Пата (2018), которые подтверждают обоснованность гипотезы «экологической кривой Кузнеца» для Турции. Анализ с использованием Causal Forest показал, что возобновляемые источники энергии сокращают выбросы в среднем на 47 501 Мт, в то время как открытость для внешней торговли оказывает значительный усиливающий эффект (ATE: 23,623 Мт). Причинная значимость внешней торговли указывает на то, что гипотеза «убежища от загрязнения» действует в Турции в качестве вторичного канала, что добавляет уникальную перспективу к исследованиям Коула (2004). Комплексное использование методов SHAP и «причинного леса» проясняет как дискриминационную способность переменных, так и чистые результаты вмешательств, предлагая научную дорожную карту для борьбы с режимом высоких выбросов в Турции, который стал постоянным с 2007 года.

Данное исследование вносит уникальный вклад в научную литературу, моделируя динамику выбросов в Турции с использованием передовых методов анализа данных. Основная политическая рекомендация, разработанная на основе результатов анализа, заключается в приоритетном развитии мощностей возобновляемых источников энергии, эффект снижения выбросов от которых научно доказан. В этом процессе критически важно устранить бюрократические препятствия для инвестиций в солнечную и ветровую энергетику, постепенно выводить из эксплуатации угольные электростанции и внедрять рыночные механизмы, такие как ценообразование на углерод. Основным ограничением исследования является небольшой размер выборки (n=35). Поэтому рекомендуется, чтобы будущие исследования более глубоко изучали конкретные секторы и проводились с использованием алгоритмов глубокого обучения на более длительных временных рядах для получения более точного анализа влияния энергетического перехода на режим выбросов.

संरचित सारांश:

जलवायु परिवर्तन ने एकविंशतित्म सदी की सबसे व्यापक और महत्वपूर्ण वैश्विक पर्यावरणीय समस्याओं में से एक के रूप में साहित्य में अपनी जगह बना ली है। इस वैश्विक संकट से निपटने के उद्देश्य से नीतिगत चर्चाओं के केंद्र में हरितगृह गैस उत्सर्जन, मुख्य रूप से कार्बन डाइऑक्साइड (), में व्यवस्थित कमी है। पर्यावरणीय दबाव, विशेष रूप से जीवाश्म ईंधन की खपत से उत्पन्न होने वाले दबाव, आर्थिक विकास के लक्ष्यों और पारिस्थितिक स्थिरता के बीच ऐतिहासिक तनाव को और गहरा करते हैं, जिससे उत्सर्जन निर्धारकों का विश्लेषण एक वैज्ञानिक और राजनीतिक दोनों तरह की आवश्यकता बन जाता है।

2015 में हस्ताक्षरित पेरिस समझौते ने हस्ताक्षरकर्ता देशों को राष्ट्रीय योगदान घोषणाओं के माध्यम से ठोस कमी लक्ष्य निर्धारित करने और इन लक्ष्यों को प्राप्त करने के लिए मापने योग्य उपकरण विकसित करने का निर्देश दिया है। तुर्की, तीव्र आर्थिक विकास, शहरीकरण और औद्योगिकीकरण के दबाव में रहते हुए, एक ही समय में अपनी नवीकरणीय ऊर्जा क्षमता बढ़ाने और ऊर्जा आयात पर अपनी निर्भरता कम करने के बीच एक अनूठा संतुलन बनाने का प्रयास कर रहा है। तुर्की के ग्रीनहाउस गैस उत्सर्जन, जो 1990 में 229 मिलियन टन थे, 2024 तक बढ़कर 584 मिलियन टन हो गए हैं। हालांकि मौजूदा साहित्य का अधिकांश भाग उत्सर्जन को एक निरंतर चर के रूप में मानता है, नीति निर्माताओं के लिए महत्वपूर्ण प्रश्न यह है कि क्या उत्सर्जन परिभाषित रणनीतिक सीमाओं से अधिक है। यह अध्ययन ग्रीनहाउस गैस श्रृंखला (395.9 Mt) के माध्यिका के आसपास परिभाषित, तुर्की के उत्सर्जन स्तर को एक द्विआधारी वर्गीकरण समस्या के रूप में पुनः निर्धारित करके इस अंतर को पाटने का लक्ष्य रखता है। इस अध्ययन का मुख्य उद्देश्य 1990-2024 की अवधि के डेटा के साथ मशीन लर्निंग एल्गोरिदम का उपयोग करके उच्च और निम्न उत्सर्जन व्यवस्थाओं के बीच अंतर करने वाले कारकों की जांच करना है, और प्राप्त परिणामों का SHAP विश्लेषण और Causal Forest विश्लेषण के साथ समर्थन करना है।

इस अध्ययन का सैद्धांतिक आधार पर्यावरणीय कुज़नेत्स वक्र (EKC) परिकल्पना पर आधारित है, जो प्रति व्यक्ति आय और पर्यावरणीय प्रदूषण के बीच एक उल्टे U-आकार के संबंध की भविष्यवाणी करती है। परिकल्पना के अनुसार, आर्थिक विकास शुरू में प्रदूषण बढ़ाता है, लेकिन एक निश्चित आय सीमा के बाद, यह तकनीकी परिवर्तन के कारण उत्सर्जन को कम कर देता है। तुर्की के साहित्य में, इस परिकल्पना का परीक्षण हालिसियोग्लू (2009), कटिरचियोग्लू (2014), और पाटा (2018) जैसे लेखकों द्वारा पारंपरिक अर्थमिति विधियों का उपयोग करके किया गया है। हालांकि, इनमें से अधिकांश अध्ययन रैखिक मान्यताओं पर निर्भर करते हैं और संरचनात्मक विषमता को पूरी तरह से प्रतिबिंबित नहीं करते हैं। ऊर्जा मिश्रण के संदर्भ में, जीवाश्म ईंधन के उत्सर्जन-बढ़ाने वाले प्रभाव और नवीकरणीय ऊर्जा की शमन क्षमता चर्चा के मुख्य विषयों में से हैं। इसके अतिरिक्त, प्रदूषण हेवन परिकल्पना के ढांचे के भीतर, प्रदूषण फैलाने वाले उद्योगों के निम्न मानकों वाले देशों में स्थानांतरण के संदर्भ में व्यापार खुलेपन पर भी विचार किया जाता है। हाल के वर्षों में, उत्सर्जन पूर्वानुमान के लिए मशीन लर्निंग विधियों के अनुप्रयोग ने एक लाभ प्रदान किया है, विशेष रूप से जटिल गैर-रेखीय संबंधों को समझने में। साहित्य समीक्षा से तुर्की के साहित्य में उन अध्ययनों की कमी का पता चला है जो वर्गीकरण समस्या पर ध्यान केंद्रित करते हैं, SHAP मानों का उपयोग करके व्यवस्थित रूप से मॉडल की व्याख्याक्षमता की रिपोर्ट करते हैं, और सहसंबंध से परे कारणगत निष्कर्ष निकालते हैं। यह अध्ययन Causal Forest विश्लेषण को एकीकृत करके और "क्या संबंधित है?" से "क्या हस्तक्षेप किया जा सकता है?" पर ध्यान केंद्रित करके एक सैद्धांतिक और पद्धतिगत योगदान प्रदान करता है।

यह अध्ययन मशीन लर्निंग ढांचे के भीतर तुर्की सांख्यिकी संस्थान (TUIK) और विश्व बैंक के डेटा का उपयोग करके 1990–2024 की अवधि के लिए तुर्की की उत्सर्जन गतिशीलता का विश्लेषण करता है। मॉडल की व्याख्याक्षमता में सुधार करने के लिए, प्रति व्यक्ति जीडीपी, जीवाश्म ईंधन की हिस्सेदारी, नवीकरणीय ऊर्जा की हिस्सेदारी और व्यापार घाटे को आधारभूत चरों के रूप में निर्धारित किया गया; डेटा लीकेज को रोकने के लिए अत्यधिक सहसंबद्ध संरचनात्मक चरों को बाहर रखा गया। निरंतर उत्सर्जन डेटा को एक माध्यिका थ्रेशोल्ड मान (395.9 Mt) के साथ दो संतुलित वर्गों में परिवर्तित किया गया, इस प्रकार समस्या को एक वर्गीकरण ढांचे के भीतर रखा गया। विश्लेषण में ग्रेडिएंट बूस्टिंग, रैंडम फ़ॉरेस्ट और लॉजिस्टिक रिग्रेशन एल्गोरिदम की तुलनात्मक रूप से उपयोग किया गया; हाइपरपैरामीटर अनुकूलन 5-फ़ोल्ड क्रॉस-वैलिडेशन का उपयोग करके किया गया।

सीमित नमूना आकार (n=35) के कारण, भविष्यवाणी पक्षपात को कम करने के लिए लीव-वन-आउट क्रॉस-वैलिडेशन (LOO-CV) विधि को प्राथमिकता दी गई। मॉडलों की "ब्लैक बॉक्स" प्रकृति को दूर करने के लिए, गेम थ्योरी-आधारित SHAP विश्लेषण का उपयोग किया गया, और डुअल मशीन लर्निंग (DML) दृष्टिकोण का उपयोग करके कॉज़ल फ़ॉरेस्ट के माध्यम से चरों के बीच कारण संबंधी निष्कर्ष निकाले गए।

यह अध्ययन मशीन लर्निंग और कारणिक अनुमान विधियों का उपयोग करके तुर्की की उत्सर्जन गतिशीलता का विश्लेषण करके साहित्य में मौलिक योगदान प्रदान करता है। वर्गीकरण विश्लेषण में, रैंडम फ़ॉरेस्ट और लॉजिस्टिक रिग्रेशन मॉडल ने LOO-CV विधि के साथ F1=0.973 स्कोर प्राप्त करते हुए, सबसे उच्च भविष्यवाणी प्रदर्शन प्रदर्शित किया। ये परिणाम Rufaioğlu et al. (2025) और Bakır et al. (2022) के अध्ययनों के साथ पद्धतिगत रूप से सुसंगत हैं, जो तुर्की की उत्सर्जन संरचना के मॉडलिंग में एन्सेम्बल लर्निंग एल्गोरिदम की सफलता को उजागर करते हैं। SHAP विश्लेषण से पता चलता है कि उत्सर्जन शासन को निर्धारित करने वाला प्राथमिक कारक GDP है, जिसके बाद नवीकरणीय ऊर्जा का हिस्सा आता है। यह निष्कर्ष कटिरचियोग्लू (2014) और पाटा (2018) के अध्ययनों के अनुरूप है, जो तुर्की के लिए पर्यावरणीय कुज़नेत्स वक्र परिकल्पना की वैधता का समर्थन करते हैं। कारणिक वन विश्लेषण से पता चला है कि नवीकरणीय ऊर्जा उत्सर्जन को औसतन 47,501 मीट्रिक टन तक कम करती है, जबकि विदेशी व्यापार के प्रति खुलापन एक महत्वपूर्ण वृद्धि प्रभाव (ATE: 23.623 मीट्रिक टन) डालता है। विदेशी व्यापार का कारणिक महत्व यह दर्शाता है कि प्रदूषण हेवन परिकल्पना तुर्की में एक द्वितीयक चैनल के रूप में कार्य करती है, जो कोल (2004) के साहित्य में एक अनूठा दृष्टिकोण जोड़ता है। SHAP और कॉज़ल फ़ॉरेस्ट विधियों के एकीकृत उपयोग से चरों की विभेदक शक्ति और हस्तक्षेपों के शुद्ध परिणाम दोनों स्पष्ट होते हैं, जो 2007 से स्थायी रूप से स्थापित तुर्की के उच्च उत्सर्जन शासन के खिलाफ एक वैज्ञानिक रोडमैप प्रदान करता है।

यह अध्ययन उन्नत डेटा एनालिटिक्स विधियों का उपयोग करके तुर्की की उत्सर्जन गतिशीलता का मॉडलिंग करके साहित्य में एक अनूठा योगदान देता है। विश्लेषण के परिणामों के आधार पर विकसित मुख्य नीति सिफारिश नवीकरणीय ऊर्जा क्षमता को प्राथमिकता देना है, जिसके उत्सर्जन-घटाने वाले प्रभाव वैज्ञानिक रूप से सिद्ध हो चुके हैं। इस प्रक्रिया में, सौर और पवन निवेशों के लिए नौकरशाही बाधाओं को दूर करना, कोयला बिजली संयंत्रों को चरणबद्ध रूप से बंद करना, और कार्बन मूल्य निर्धारण जैसे बाजार-आधारित तंत्रों को लागू करना अत्यंत महत्वपूर्ण है।

अध्ययन की मुख्य सीमा नमूना आकार का छोटा होना (n=35) है। इसलिए, यह अनुशंसा की जाती है कि भविष्य के शोध में विशिष्ट क्षेत्रों में और गहराई से जाएँ और ऊर्जा संक्रमण के उत्सर्जन व्यवस्था पर प्रभाव का अधिक सटीक विश्लेषण प्राप्त करने के लिए लंबी समय श्रृंखलाओं पर डीप लर्निंग एल्गोरिदम का उपयोग करके इसे किया जाए।