Enerji yoğunluğunu etkileyen faktörlerin regresyon analizi ve makine öğrenmesi yaklaşımlarıyla modellenmesi
Modeling the determinants of energy intensity using regression analysis and machine learning approaches
- Tez No: 969991
- Danışmanlar: DOÇ. DR. SİBEL AÇIK KEMALOĞLU
- Tez Türü: Yüksek Lisans
- Konular: İstatistik, Statistics
- Anahtar Kelimeler: Destek vektör regresyonu, Düşük orta gelirliler, Orta gelirli ülkeler, Yapay zeka ve makine öğrenmesi dersi, Yenilenebilir enerji kaynakları, Üst gelir grubu, Support vector regression, Low-middle incomes, Middle income countries, Artificial intelligence and machine learning course, Renewable energy resources, Upper income group
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Ankara Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: İstatistik Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Enerji yoğunluğu, bir birim ekonomik çıktı (GSYH) üretmek için tüketilen enerji miktarını ifade eden temel bir göstergedir. Bir ekonomide enerji kaynaklarının ne kadar verimli kullanıldığını yansıtan bu ölçüt, aynı zamanda ekonomik yapının karakteristiklerini ve çevresel sürdürülebilirlik düzeyini değerlendirmek açısından da kritik bir rol oynamaktadır. Enerji yoğunluğunun düşük olması, daha az enerji kullanılarak daha yüksek ekonomik üretim gerçekleştirildiğini gösterir. Bu nedenle, enerji yoğunluğunun azaltılması; sürdürülebilir kalkınma hedeflerine ulaşılması, sera gazı emisyonlarının azaltılması ve doğal kaynakların etkin yönetimi açısından büyük önem taşımaktadır. Bu tez çalışmasında, ülkelerin enerji yoğunluğunu belirleyen faktörlerin ortaya konulması amaçlanmıştır. Bağımlı değişken olarak enerji yoğunluğu ele alınırken; doğalgaz, elektrik, kömür ve petrol tüketimleri ile yenilenebilir enerji kaynakları ve nüfus yoğunluğu bağımsız değişkenler olarak kullanılmıştır. Analizlerde ülkeler, Dünya Bankası sınıflandırmasına göre alt-orta, orta-yüksek ve yüksek gelirli olmak üzere üç gruba ayrılmıştır. Enerji yoğunluğunun [0,1] aralığında sınırlı olması nedeniyle Beta Regresyon yöntemi tercih edilmiş; çoklu bağlantı sorununu gidermek için Beta Ridge Regresyon uygulanmıştır. Karşılaştırmalı analiz amacıyla ayrıca Destek Vektör Regresyonu, Rastgele Orman ve Karar Ağacı algoritmaları kullanılmış, modeller MSE, RMSE, MAE ve R² ölçütleriyle performans açısından değerlendirilmiştir. Ek olarak, Rastgele Orman modeli üzerinden değişkenlerin enerji yoğunluğu üzerindeki göreli etkileri incelenmiştir. Elde edilen bulgular, enerji yoğunluğunu etkileyen faktörlerin gelir gruplarına göre farklılık gösterdiğini ortaya koymuş ve politika yapıcılar için gruba özgü enerji verimliliği stratejilerinin geliştirilmesi gerektiğini vurgulamıştır.
Özet (Çeviri)
Energy intensity is a fundamental indicator that expresses the amount of energy consumed Energy intensity is a fundamental indicator that expresses the amount of energy consumed to produce one unit of economic output (GDP). This measure, reflecting how efficiently energy resources are utilized within an economy, also plays a critical role in assessing the characteristics of the economic structure and the level of environmental sustainability. A lower level of energy intensity indicates that higher economic output is achieved with less energy consumption. Therefore, reducing energy intensity is of great importance for achieving sustainable development goals, mitigating greenhouse gas emissions, and ensuring the efficient management of natural resources.In this thesis, the aim is to identify the factors that determine countries' energy intensity. While energy intensity is considered as the dependent variable, natural gas, electricity, coal, and oil consumption, along with renewable energy sources and population density, are used as independent variables. In the analyses, countries are grouped into three categories according to the World Bank classification: lower-middle, upper-middle, and high income. Since energy intensity is bounded within the [0,1] interval, the Beta Ridge Regression method has been employed; Beta Ridge Regression is applied to address the multicollinearity problem. For comparative analysis, Support Vector Regression, Random Forest, and Decision Tree algorithms are also used, and the models are evaluated in terms of performance using MSE, RMSE, MAE, and R² metrics. In addition, the relative impacts of the variables on energy intensity are examined through the Random Forest model.The findings reveal that the factors influencing energy intensity differ across income groups and highlight the need for policymakers to develop group-specific energy efficiency strategies.
Benzer Tezler
- Deep learning for wind energy systems using the hurst exponent and statistical parameters
Hurst üslü ve istatistiksel parametreleri kullanarak rüzgar enerjisi sistemleri için derin öğrenme
BEHNAZ ALAFI
Yüksek Lisans
İngilizce
2021
İstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
Yükleniyor...
- Fracture mechanics on critical rotor component in turbojet engine
Bir turbojet motorunda bulunan kritik rotor komponentinde kırılma mekaniği
GÖRKEM TÜREN
Yüksek Lisans
İngilizce
2024
İstanbul Teknik ÜniversitesiUçak ve Uzay Mühendisliği Ana Bilim Dalı
Yükleniyor...
- Effect of lignin, extractive matter, holocellulose, and alpha cellulose of biomass on calorific value
Biyokütlenin içeriğindeki lignin, ekstraktif madde, holoselüloz ve alfa selülozun kalorifik değer üzerindeki etkisi
ÖZLEM ECEM KAYNAR
Yüksek Lisans
İngilizce
2022
İstanbul Teknik ÜniversitesiKimya Mühendisliği Ana Bilim Dalı
Yükleniyor...
