Uluslararası iklim politikalarının enerji kararları için ampirik analizi

Paris Anlaşması, küresel sıcaklık artışını 1,5°C'nin altında tutma hedefiyle enerji sistemlerini radikal biçimde dönüştürmeye iterken, Avrupa Birliği Emisyon Ticareti Sistemi (ETS) ve Karbon Sınır Düzenleme Mekanizması (CBAM) gibi piyasa-temelli ekonomik araçlar, karbon emisyonuna ilişkin ekonomik yükün uluslararası düzeyde paylaşılmasını hızlandırmaktadır. Bu baskı, ülkeleri hem arz güvenliğini koruyacak hem de maliyeti kontrol altında tutacak şeffaf, uygulanabilir ve karşılaştırılabilir planlama araçlarına yöneltmektedir. Veri yoğunluğu yüksek genel denge modelleri bu ihtiyaca yanıt vermede sınırlı kalırken, "kara kutu" niteliği taşıyan yapay öğrenme tabanlı tahmin modelleri politika yapıcılar açısından yeterli denetlenebilirlik ve şeffaflık sunmamaktadır. Tamamlayıcı nitelikte dört makalelik bir seriden oluşan bu tez çalışması, 147 ülkeyi kapsayan küresel enerji analizinden yola çıkıp Türkiye ölçeğindeki ulusal dinamiklere ve elektrik sektörü ayrıntısına inen katmanlı bir hibrit metodoloji geliştirerek söz konusu boşlukları kapatmayı hedeflemektedir. Hesaplama yükü fazla olmayan kısmi denge ekonomisi, çoklu-çıktı yapay öğrenme ve optimizasyon yöntemlerini bir araya getiren bu çalışma, farklı karbon fiyat senaryoları çerçevesinde ETS/CBAM koşullarında maliyet, karbon ve güvenlik dengesini denetlenebilir şekilde sunmaktadır. Küresel–ulusal–sektörel ölçeklerde ardışık kurgulanmış dört makale ile Paris Anlaşması'nın karbon kısıtlarını enerji güvenliği ve mali etkinlik hedefleriyle eşzamanlı ele alan yenilikçi bir planlama yaklaşımı önerilmektedir. İlk makalede geliştirilen kısmi denge modeli, 147 ülkenin 1997–2014 fosil yakıt payını ortalama %0,28–0,34 mutlak hatayla yeniden üretmekte ve karbon vergisi–teşvik paketlerinin bütçe dengesi bozulmadan 2°C patikasına uyum sağladığını göstermektedir. İkinci makale, çok düzeyli yapay öğrenme ile "yönetişim güncelleme periyodu"nu modellemekte ve fosil payını ilave yüzde 6 puan düşüren optimum politika döngüsünü nicel olarak tanımlamaktadır. Ulusal düzeye indirgenen üçüncü makale, Türkiye'nin 2030 yılına yönelik elektrik kurulu gücünü, parametrik bir amortisman modeli ile LSTM/GRU tabanlı derin öğrenme tahminleri arasındaki karşılaştırma üzerinden değerlendirmektedir. Derin öğrenme yaklaşımı, hidroelektrik üretiminde hata oranını anlamlı ölçüde azaltarak daha yüksek tahmin doğruluğu sağlamaktadır. "Yeşil Büyüme" senaryosu, yenilenebilir enerji payını %56'dan %79'a yükseltirken, elektrik üretimindeki karbon yoğunluğunu 160 kg CO₂/MWh seviyesine indirmektedir. Son makalede, çoklu çıktı (MO) tahminleri, küme örtüleme (set covering) optimizasyonu ve çift kademeli ızgara arama (grid search) yöntemiyle bütünleştirilmektedir. Bu yapı sayesinde toplam kök ortalama kare hata (RMSE) 0,587'ye gerilemekte; yenilenebilir enerji kapasitesi 2024 yılına kıyasla 2,2 kat artmakta ve ızgara tarama yöntemiyle yapılandırılan senaryo, en düşük CO₂ emisyon profiline ulaşmaktadır. Çok katmanlı hibrit metodolojiyi kullanan dört makaleden elde edilen ortak bulgular, üç özgün katkı sunmaktadır: (i) hesaplama yükü düşük küresel modelleme çıktılarının ulusal düzeydeki yapay öğrenme modellerine sorunsuz ve uyumlu biçimde entegre edilmesini sağlamakta, (ii) çoklu çıktı mimarisi sayesinde farklı enerji kaynakları arasındaki eşzamanlı ilişkiyi doğrudan modelleyebilmekte, (iii) optimizasyon araçlarını yapay öğrenme tabanlı tahminlerle çift yönlü etkileşim halinde kullanarak, karar alma, maliyet ve risk boyutlarını bütüncül bir çerçevede değerlendirmeye olanak tanımaktadır. Bulgular, uzun vadeli bir planlama perspektifiyle birleşen güçlü karbon fiyatlaması ve veri temelli kapasite tahsisinin, toplam sistem maliyetlerini azaltırken karbon yoğunluğunu Paris Anlaşması'yla uyumlu düzeylere çekebileceğini ortaya koymaktadır. Sonuç olarak, bu tez çalışmasının geliştirdiği metodoloji, ETS–CBAM ortamında politika yapıcılara ölçeklenebilir, denetlenebilir ve uygulanabilir bir karar destek seti sunmaktadır.