Uondoaji wa kaboni katika uchumi mpana ni mchakato wa kupunguza kwa muda wa kati na mrefu kiwango cha kaboni katika mifumo ya nishati na uzalishaji huku nchi ikiendelea na shughuli zake za kiuchumi kwa njia endelevu. Utafiti huu wa Olena Zhytkevych, Andriy Matviychuk na Natalia Osadcha unatengeneza mfumo mseto wa kufanya maamuzi unaosaidiwa na akili bandia, kwa kuanzia na wazo kwamba tofauti za kiuchumi, nishati, kitaasisi na kimazingira kati ya nchi huenda zisiwakilishwe vya kutosha na modeli moja ya mstari.

Mfumo unaopendekezwa unaitwa D-CPFR — Decarbonization–Collaborative Planning, Forecasting and Replenishment. Modeli hiyo inapanua mantiki ya upangaji na utabiri shirikishi ya mbinu ya kawaida ya CPFR hadi katika muktadha wa uondoaji wa kaboni katika uchumi mpana; inaunganisha katika mfumo mmoja ugawaji wa nchi katika makundi kwa Self-Organizing Map (SOM), utabiri wa Multilayer Perceptron (MLP) mahususi kwa kila kundi, na uboreshaji wa matukio wenye vigezo vingi unaotathmini kwa pamoja malengo ya mazingira, uchumi, hatari na kijamii.

Hifadhidata ya kiempiria ya utafiti inajumuisha nchi 45 katika kipindi cha 2014–2023. Mwanzoni, viashiria 13 vya kila mwaka vinavyowakilisha vipengele vya nishati, uchumi, demografia, hatari za kijiopolitiki, utandawazi na mazingira vinatumika; 12 kati yake hubadilishwa kuwa sifa elezi za ingizo la modeli. Lengo la utabiri ni logarithimu ya wastani wa kipengele cha utoaji wa CO₂.

Mchakato wa uundaji modeli una hatua saba za msingi: ukusanyaji wa data, uchakataji wa awali wa data, ugawaji wa SOM katika makundi, utambuzi wa makundi, utabiri wa MLP mahususi kwa kundi, uthibitishaji wa modeli, na hatimaye uboreshaji wa matukio unaotegemea uratibu ndani ya kundi au kati ya makundi.

Uchambuzi wa SOM umegawa uchunguzi wa nchi-mwaka katika makundi saba ya kimuundo. Chanzo kinatafsiri Kundi 0 na Kundi 5 kama vikundi vyenye sifa za mpito wa nishati zilizoendelea kwa kiasi; Kundi 1 na Kundi 6 kama wasifu wa kati/mpito; na Makundi 2, 3 na 4 kama wasifu wa mpito wenye utofauti mkubwa zaidi katika utegemezi wa nishati ya visukuku, matumizi makubwa ya nishati, upenyaji wa nishati mbadala, usambazaji wa umeme na kiwango cha CO₂.

Modeli za MLP mahususi kwa kundi hazikutoa matokeo sawa katika vikundi vyote. Katika sampuli ya majaribio, MLP iliongeza R² katika Kundi 2 kutoka 0,72 hadi 0,98; katika Kundi 3 kutoka 0,36 hadi 0,51; katika Kundi 4 kutoka 0,28 hadi 0,88 na katika Kundi 6 kutoka 0,57 hadi 0,85. Katika Kundi 0, regresi ya mstari na MLP zote mbili zilitoa R² = 0,97. Kinyume chake, katika Kundi 1 MLP yenye R² = 0,80 ilikuwa chini kidogo ya thamani ya 0,82 ya modeli ya mstari, na katika Kundi 5 ilikuwa chini kwa kiasi kikubwa, ikiwa 0,27 dhidi ya 0,55 ya modeli ya mstari.

Kwa hiyo, hitimisho la kisayansi la utafiti si kwamba “akili bandia daima ni bora kuliko modeli za mstari”. Hitimisho sahihi zaidi ni kwamba katika baadhi ya makundi ambako utofauti wa kimuundo kati ya nchi ni mkubwa na mahusiano si ya mstari, modeli za MLP za kundi zinaweza kutoa faida kubwa ya utabiri ikilinganishwa na modeli moja ya mstari ya kimataifa.

Sehemu ya pili ya D-CPFR inaunganisha matokeo ya utabiri na mchakato wa utawala. Nchi zilizo katika kundi moja zinaweza kutathmini kwa pamoja ushirikishanaji wa taarifa, uratibu wa uwekezaji, sera ya teknolojia na maamuzi ya udhibiti; makundi tofauti yanaweza kusaidiana kupitia uhamishaji wa teknolojia, ushirikiano wa uwekezaji na ushirikishanaji wa maarifa ya kitaasisi.

Hata hivyo, taratibu hizi za utawala hazijatekelezwa katika nchi halisi katika utafiti huu. Sehemu iliyojaribiwa kiempiria ni utendaji wa modeli za utabiri mahususi kwa kundi. Bado haijaonyeshwa kiempiria kama uratibu ndani ya kundi na kati ya makundi unazalisha upunguzaji halisi wa uzalishaji wa hewa chafu, gharama za kiuchumi au manufaa ya kijamii.

Modeli ya D-CPFR ni nini?

D-CPFR ni mfumo wa usaidizi wa maamuzi wenye tabaka nyingi ambao hugawa nchi zinazofanana kimuundo katika makundi, huzalisha utabiri tofauti wa mtandao wa neva kwa kila kundi, na kuunganisha utabiri huo na matukio shirikishi ya uondoaji wa kaboni yanayotathmini kwa pamoja malengo ya mazingira, gharama, hatari na manufaa ya kijamii.

Ubunifu mkuu wa D-CPFR si kutengeneza algoriti mpya ya akili bandia. Utafiti wa chanzo unaeleza ubunifu huo kama kuunganisha ndani ya mfumo mmoja wa utawala mbinu ambazo hapo awali zilitumika kando.

Mfumo una vipengele vitatu vya msingi vya uchanganuzi:

1. Ugawaji wa SOM katika makundi: Kutambua uchunguzi wa nchi-mwaka unaofanana kimuundo.
2. Utabiri wa MLP mahususi kwa kundi: Kuunda modeli ya mahusiano yasiyo ya mstari ndani ya muundo wa kiuchumi na nishati wa kila kundi.
3. Uboreshaji wa matukio wenye vigezo vingi: Kutathmini matokeo ya utabiri pamoja na malengo ya sera, uwekezaji, teknolojia, hatari na kijamii.

Kwa nini D-CPFR haitumii modeli moja ya kimataifa?

Kwa sababu kigezo kilekile cha nishati au uchumi kinaweza kuwa na maana tofauti katika vikundi tofauti vya nchi. Ongezeko la sehemu ya nishati mbadala linaweza kweli kuchukua nafasi ya matumizi ya nishati ya visukuku katika nchi yenye upenyaji mkubwa wa nishati mbadala; lakini katika uchumi mwingine ambako mahitaji ya jumla ya umeme yanaongezeka haraka, ongezeko la uwezo wa nishati mbadala huenda lisitokee sambamba na kupungua kwa haraka kwa kiwango cha jumla cha CO₂.

Mbinu ya utafiti ya msingi wa makundi inalenga kukadiria mahusiano tofauti katika vikundi vya nchi zinazofanana kimuundo badala ya kuzalisha mgawo mmoja wa wastani kwa nchi zote.

“Uwezo wa uondoaji wa kaboni” unafafanuliwaje katika utafiti?

Utafiti wa chanzo unafafanua uwezo wa nchi wa uondoaji wa kaboni kama uwezo wa kupunguza kwa njia endelevu kiwango cha kaboni katika uchumi wake kwa muda wa kati na mrefu; lengo linalotabiriwa moja kwa moja na modeli ya kiempiria ni logarithimu ya wastani wa kipengele cha utoaji wa CO₂.

Tofauti hii ni muhimu. D-CPFR haitoi moja kwa moja utabiri wa uhakika wa siku zijazo kama “nchi itapunguza tani fulani za CO₂”. Kwa kuunda modeli ya kipengele cha utoaji wa CO₂ kutokana na viashiria vilivyochaguliwa vya kiuchumi, nishati, demografia, taasisi na mazingira, inatoa msingi wa uchanganuzi wa matukio mbadala ya uondoaji wa kaboni.

Maswali matatu ya utafiti

1. Misingi ya kinadharia ya utabiri mseto unaotegemea mbinu za ugawaji katika makundi na mtandao wa neva ni ipi?
2. Modeli ya D-CPFR inaweza kuunganisha vipi utabiri na upangaji shirikishi katika nchi zenye utofauti wa kimuundo?
3. Mbinu hii inaweza kusaidia vipi kuundwa kwa sera za hali ya hewa zilizotofautishwa na mikakati ya uratibu wa uondoaji wa kaboni?

Mtiririko wa kazi wa modeli ukoje?

Modeli huanza na ukusanyaji wa data na kufuata hatua za kuandaa viashiria, kuunda makundi ya kimuundo kwa SOM, utabiri wa MLP kwa kila kundi, uthibitishaji wa modeli, na kubadilisha utabiri kuwa matukio shirikishi ya sera yenye vigezo vingi.

Kwa nini Self-Organizing Map ilitumika?

SOM ilitumika kubadilisha ufanano usio wa mstari katika viashiria vya nchi vyenye vipimo vingi kuwa ramani yenye vipimo vichache huku ikihifadhi muundo wa topolojia kadiri inavyowezekana, na kuunganisha katika kundi moja uchunguzi wa nchi-mwaka unaofanana kimuundo.

Katika utafiti wa chanzo, uchaguzi wa SOM unategemea ulinganisho uliokuwa umefanywa hapo awali na mbinu mbadala za ugawaji katika makundi kama K-means na Gaussian Mixture Models. Waandishi wanaeleza kwamba SOM inafaa kwa seti hii ya data kutokana na uwezo wake wa kunasa miundo changamano isiyo ya mstari, kuhifadhi miunganisho ya topolojia, kustahimili kelele na kufanya kazi na data zenye vipimo vingi.

Idadi bora ya makundi ilitathminiwa kwa kutumia:

• faharasa ya Silhouette,
• faharasa ya Davies–Bouldin,
• faharasa ya Calinski–Harabasz

kama vipimo vya ndani vya ubora wa ugawaji katika makundi, na makundi saba yakachaguliwa.

Makala ya chanzo inaeleza kwamba vigezo hivi vilitumika, lakini katika maandishi makuu haitoi thamani za nambari za faharasa zote tatu kwa idadi zote za makundi zilizokuwa wagombea.

Je, uanachama wa kundi ni lebo isiyobadilika ya nchi?

Hapana. Uainishaji wa SOM unafanywa kwa uchunguzi wa nchi-mwaka; kwa hiyo nchi inaweza kuwa katika makundi tofauti katika miaka tofauti, na Jedwali A3 la chanzo linaonyesha kwamba nchi kama Ujerumani, Australia, Ubelgiji, Chile, Italia, Malaysia, Mexico, Poland, Hispania, Ukraine, Uingereza, Uzbekistan na Vietnam zilibadilisha makundi katika kipindi hicho.

Sifa hii inaendana na tafsiri ya D-CPFR kama mfumo unaobadilika. Chanzo kinatabiri kinadharia kwamba nchi inaweza kuhamia kundi tofauti la kimuundo baada ya muda kutokana na mageuzi ya sera, uwekezaji, maendeleo ya teknolojia au hali za nje za kiuchumi.

Makundi saba yaliyoripotiwa katika chanzo

Tafsiri ya jumla ya makundi

Kulingana na chanzo, Kundi 0 na Kundi 5 yanaweza kufasiriwa kama vituo vinavyowezekana vya uondoaji wa kaboni au viongozi wa mpito kwa sababu ya sifa zao zilizoendelea kwa kiasi katika mpito wa nishati.

Kundi 1 na Kundi 6 ni wasifu wa kati au wa mpito unaojumuisha michanganyiko tofauti ya maendeleo ya kiuchumi, muundo wa nishati na sifa za uondoaji wa kaboni.

Makundi 2, 3 na 4 yanaonyesha wasifu wa mpito wenye utofauti mkubwa zaidi katika utegemezi wa nishati ya visukuku, matumizi makubwa ya nishati, upenyaji wa nishati mbadala, usambazaji wa umeme na kiwango cha utoaji wa CO₂.

Mbinu na Matokeo ya Utafiti

Wigo wa data

Utafiti unajumuisha nchi 45 na kipindi cha 2014–2023. Vyanzo vikuu vya data vilivyotumika ni:

• EnerData,
• World Bank,
• Geopolitical Risk Index.

Msingi wa taarifa wa awali una viashiria 13 vya kila mwaka. Baada ya feature selection, kubadilisha viashiria kamili kuwa vipimo vya uwiano na kuunda sifa zinazotokana, vigezo 12 elezi vinavyotumika kama ingizo la modeli viliundwa.

Viashiria 13 vya msingi

Usanifishaji wa data

Sehemu ya mbinu ya chanzo inaeleza kwamba sifa elezi zilisanifishwa kwa z-score standardization. Vekta iliyosanifishwa yenye vipimo 12 kisha inakuwa ingizo kwa ugawaji wa SOM katika makundi na modeli ya utabiri ya MLP.

Mabadiliko ya logarithimu yalitumika kwa wastani wa kipengele cha utoaji wa CO₂, ambacho ni kigezo lengwa. Chanzo kinaeleza kwamba lengo ni kupunguza usambazaji usiolingana na athari za thamani kali, na hivyo kuongeza uthabiti wa kitakwimu wa utabiri.

Mgawanyo wa mafunzo na majaribio

Data iligawanywa kwa ajili ya uundaji na uthibitishaji wa modeli kwa uwiano wa %70 mafunzo / %30 majaribio.

Chanzo kinaeleza wazi kwamba uwiano huu ulitumika; hata hivyo, katika maelezo makuu ya mbinu hakifafanui kwa uwazi kama mgawanyo huo ulikuwa wa wakati uliodumisha mpangilio wa miaka au kama uchunguzi wa nchi-mwaka uligawanywa kwa namna nyingine.

Maelezo haya ni muhimu hasa katika kutafsiri dhana ya “forecasting”. Kwa hiyo ni salama zaidi kutathmini matokeo kama utendaji wa utabiri wenye masharti katika sampuli iliyopo ya nchi-mwaka badala ya utabiri halisi wa wakati ujao wa nchi.

Benchmark ya regresi ya mstari

Katika hatua ya kwanza, nchi na miaka yote ziliunganishwa katika pooled dataset moja na regresi nyingi ya mstari yenye vigezo 12 elezi ikaundwa:

y(k,t) = β0 + β1x1 + β2x2 + ... + β12x12 + ε(k,t)

Hapa y(k,t) ni logarithimu ya wastani wa kipengele cha utoaji wa CO₂ kwa nchi k na mwaka t.

Utendaji wa modeli ya mstari ulitathminiwa kwa R², MAE na MSE. Chanzo kinafikia hitimisho kwamba modeli moja ya mstari ya kimataifa haiwakilishi vya kutosha tofauti changamano na zisizo za mstari kati ya nchi, na huitumia modeli hii kama sehemu ya kulinganisha kwa mbinu ya SOM + MLP.

Modeli ya MLP

Kazi tofauti ya utabiri ya Multilayer Perceptron iliundwa kwa kila kundi. Muundo wa msingi wa MLP ni:

h(0) = X*

h(l) = σ(l)(W(l)h(l−1) + b(l))

na matokeo ya mwisho:

ŷ(k,t) = h(L)

.

Katika tabaka zilizofichwa, logistic/sigmoid ilitumika, na katika tabaka la matokeo linear activation linalofaa kwa tatizo la regresi lilitumika.

Lengo la mafunzo ni kupunguza Mean Squared Error:

MSE(c) = (1/Nc) Σ (yi − ŷi)² → min

Mipangilio ya utekelezaji wa MLP

Katika kipande cha msimbo cha chanzo, muundo wa tabaka zilizofichwa unaonyeshwa kwa vigezo kama hidden_layer_sizes = arch. Hata hivyo, katika Table A4 au kipande cha msimbo kilichotolewa, idadi kamili ya neuroni/tabaka ya kigezo arch haijaandikwa kando. Kwa hiyo, Verianla haijazi kwa kukisia vipimo vya usanifu wa mtandao ambavyo havijaelezwa wazi katika chanzo.

Je, MLP mahususi kwa kundi ni bora kweli kuliko modeli ya mstari?

Katika baadhi ya makundi ndiyo, katika mengine hapana: MLP inaonyesha uboreshaji mkubwa katika R² na/au vipimo vya makosa hasa katika Makundi 2, 3, 4 na 6; katika Kundi 0 inatoa R² sawa na modeli ya mstari, na katika Makundi 1 na 5 inabaki chini ya modeli ya mstari kwa R².

Kwa nini tofauti kubwa zaidi ya modeli iko katika Kundi 4?

Katika Kundi 4, regresi ya mstari inatoa R² = 0,28, MAE = 0,12 na MSE = 0,02, huku MLP ikitoa R² = 0,88, MAE = 0,04 na MSE = 1 × 10⁻⁴.

Chanzo kinahusisha tofauti hii na ukweli kwamba katika kundi hili mahusiano kati ya vigezo vya kiuchumi, nishati na mazingira ni yasiyo ya mstari na changamano zaidi kimuundo.

Kundi 4 linajumuisha wasifu mbalimbali wa mpito, ikiwa ni pamoja na Algeria, Azerbaijan, Misri, India, Indonesia, Nigeria, Thailand, Türkiye na, katika miaka fulani, Malaysia, Mexico, Ukraine, Uzbekistan na Vietnam.

Matokeo haya hayamaanishi kwamba MLP ni bora katika nchi hizo kwa matokeo halisi ya sera, bali yanaonyesha kwamba katika utabiri wa kipengele cha utoaji wa CO₂ kwenye seti ya data ya majaribio ya utafiti, ilitoa ulinganifu bora kuliko benchmark ya mstari.

Kwa nini Kundi 0 ni tofauti?

Kundi 0 linajumuisha Kanada, New Zealand, Norwe na Uswidi. Katika kundi hili, modeli ya mstari na MLP zote mbili zilitoa test R² = 0,97.

Chanzo kinaeleza kwamba katika makundi kama haya muundo wa mahusiano kati ya vigezo unaweza kuwa thabiti kwa kiasi na utendaji wa juu wa utabiri unaweza kupatikana bila kutumia mtandao wa neva ulio changamano zaidi.

Matokeo haya yanaonyesha kwamba ugumu wa modeli hautoi faida katika kila hali.

Kwa nini athari ya kigezo cha nishati mbadala inatofautiana kati ya makundi?

Chanzo kinaeleza kwamba uhusiano uliokadiriwa kwa x6 — sehemu ya upepo na jua katika usambazaji wa umeme — ni hasi katika Kundi 0, lakini unaweza kuwa chanya katika makundi mengine.

Katika Kundi 0, upenyaji mkubwa wa upepo na jua unahusishwa na kipengele cha chini cha utoaji wa CO₂.

Kuonekana kwa mgawo chanya katika makundi mengine kunaelezwa na uwezekano kwamba ongezeko la uwezo wa nishati mbadala hutokea wakati huohuo pamoja na ongezeko la mahitaji ya jumla ya umeme na shughuli za kiuchumi. Kwa hiyo, ongezeko la uwezo uliosimikwa wa nishati mbadala halimaanishi moja kwa moja kupungua kwa kiwango cha jumla cha kaboni katika muda mfupi au ndani ya kipindi cha sampuli kilichopo.

Vigawo hivi ni mahusiano ya modeli ya uchunguzi; havipaswi kufasiriwa kisababishi kama ushahidi kwamba uwekezaji wa upepo au jua huongeza utoaji wa hewa chafu.

Kazi ya maamuzi yenye vigezo vingi ya D-CPFR inafanyaje kazi?

D-CPFR inapendekeza kutathmini matukio mbadala ya sera si kwa lengo la CO₂ pekee, bali kupitia kazi ya hasara yenye uzito inayojumuisha kwa pamoja gharama za utekelezaji, hatari za kijiopolitiki/kifedha/kiteknolojia na manufaa ya kijamii.

Kila tukio linajumuisha maeneo manne makuu ya maamuzi:

• maamuzi ya sera,
• maamuzi ya uwekezaji,
• maamuzi ya kiteknolojia,
• maamuzi ya udhibiti.

Mantiki ya kazi ya hasara katika utafiti wa chanzo inaweza kufupishwa kama ifuatavyo:

L(c) = α × (CO₂ lengwa − CO₂ iliyotabiriwa)² + β × gharama + γ × hatari − δ × manufaa ya kijamii

Hapa, vigawo α, β, γ na δ vinaamua umuhimu wa kulinganisha wa lengo la mazingira, gharama za kiuchumi, hatari na manufaa ya kijamii katika uamuzi wa sera.

Sehemu ya hatari inaweza kujumuisha kutokuwa na uhakika wa kijiopolitiki, kifedha au kiteknolojia; sehemu ya kijamii inaweza kujumuisha upatikanaji wa nishati, uthabiti wa taasisi na kupunguza ukosefu wa usawa.

Kazi hii si “sera moja bora ya hali ya hewa duniani” iliyobainishwa kiempiria. Ni muundo wa usaidizi wa maamuzi ambamo mtunga sera anafafanua uzito na seti ya matukio yanayoweza kutekelezwa.

Tofauti kati ya ushirikiano wa intracluster na intercluster ni ipi?

Ushirikiano wa intracluster unamaanisha nchi zinazofanana kimuundo kuendeleza kwa uratibu maamuzi ya sera, uwekezaji na teknolojia; ushirikiano wa intercluster unamaanisha uhamishaji wa teknolojia, uwekezaji, taarifa na uzoefu wa kitaasisi kati ya makundi yenye miundo tofauti.

Tukio la intracluster

Inadhaniwa kwamba nchi zilizo katika kundi moja zinaweza kuwa na:

• muundo wa nishati unaofanana,
• sifa zinazofanana za maendeleo ya kiuchumi,
• kiwango cha kaboni kinachofanana,
• matatizo ya kitaasisi yanayofanana,
• mahitaji ya kiteknolojia yanayofanana

.

Nchi hizi zinaweza:

• kushirikishana data za utoaji na mizania ya nishati,
• kuunda matukio ya pamoja,
• kuoanisha vipaumbele vya uwekezaji,
• kutekeleza kwa uratibu zana zinazofanana za sera.

Chanzo kinatoa hasa makundi yenye wasifu mgumu zaidi wa kimuundo, kama Kundi 3 na Kundi 4, kama mifano ya uratibu wa intracluster.

Tukio la intercluster

Katika ushirikiano wa intercluster, lengo si kuratibu nchi zinazofanana, bali kuunda ukamilishano kati ya makundi yenye nguvu tofauti za kimuundo.

Chanzo kinajadili kama mfano ushirikiano unaowezekana kati ya nchi zenye wasifu ulioendelea zaidi wa uondoaji wa kaboni, kama Kanada, Norwe na Uswidi, na vikundi vyenye kiwango kikubwa zaidi cha kaboni, kama China, Kazakhstan au Ukraine.

Ushirikiano huu unaweza kujumuisha:

• uhamishaji wa teknolojia safi,
• ufadhili wa uwekezaji wa kijani,
• uhamishaji wa uzoefu wa mageuzi ya taasisi,
• upangaji wa pamoja wa miundombinu,
• ushirikishanaji wa taarifa na utaalamu

kama taratibu zinazowezekana.

Je, matukio haya yalijaribiwa kweli?

Hapana. Makala ya chanzo inaweka kikomo hiki wazi. Taratibu za uratibu wa intracluster na intercluster zimewasilishwa kama prospective policy options, yaani chaguo za sera zinazoweza kutekelezwa katika siku zijazo.

Katika utafiti hakuna ushirikiano halisi wa D-CPFR ulioanzishwa kati ya nchi, hakuna programu ya uwekezaji iliyotekelezwa na hakuna mabadiliko ya utoaji wa hewa chafu kabla na baada ya uratibu yaliyopimwa.

Kwa hiyo:

• “D-CPFR ilipunguza utoaji kwa kiasi fulani”,
• “uratibu kati ya nchi uliongeza ukuaji wa uchumi”,
• “uhamishaji wa teknolojia ulisababisha kiasi fulani cha upunguzaji wa kaboni”

ni hitimisho ambazo haziwezi kutolewa kutokana na utafiti huu.

Akili bandia inafanya nini hasa katika utafiti huu?

Akili bandia inatumika katika hatua mbili za uchanganuzi: SOM hugawa wasifu wa nchi-mwaka unaofanana katika makundi kwa ujifunzaji usiosimamiwa, huku MLP ikitabiri ndani ya kila kundi uhusiano usio wa mstari wa kipengele cha utoaji wa CO₂ kutokana na viashiria vilivyochaguliwa; uratibu wa sera wenyewe hautekelezwi na wakala halisi wa AI anayejitegemea.

Kwa hiyo D-CPFR si “serikali ya AI” inayofanya maamuzi kwa kujitegemea wala mfumo otomatiki wa usimamizi wa hali ya hewa.

Akili bandia ni sehemu ya uchanganuzi wa utabiri katika miundombinu ya usaidizi wa maamuzi. Uchaguzi wa mwisho wa tukio unategemea muundo wa uboreshaji unaofafanuliwa kwa malengo ya mazingira, uchumi, hatari na kijamii.

Je, ChatGPT ilitumika katika utafiti?

Kulingana na tamko la matumizi ya AI katika makala ya chanzo, akili bandia zalishi haikutumika kwa kuzalisha data, uundaji wa modeli za kisayansi au uchanganuzi.

Waandishi wanasema kwamba ChatGPT ilitumika tu kwa:

• uhariri wa lugha,
• urekebishaji wa msimbo,
• tafsiri,
• uumbizaji

na kwamba walikagua matokeo yote na kubeba wenyewe wajibu wa kisayansi.

Nguvu za utafiti

Kufanya utofauti wa kimuundo uonekane: Badala ya modeli moja ya kimataifa, mahusiano tofauti yanawekewa modeli katika vikundi tofauti vya nchi.

Kulinganisha modeli ya mstari na isiyo ya mstari: Inawezekana kuona katika makundi gani modeli changamano inatoa faida halisi.

Kuunganisha teknolojia na utawala: Matokeo ya utabiri hayaachwi kama matokeo ya uchanganuzi pekee, bali yanaunganishwa na matukio ya sera na uwekezaji.

Mantiki ya maamuzi yenye malengo mengi: Si CO₂ pekee, bali gharama, hatari na manufaa ya kijamii pia huingizwa katika muundo mmoja wa uboreshaji.

Uwezo wa makundi ya nchi-mwaka kubadilika: Nchi hazifungwi chini ya lebo moja ya kudumu ya maendeleo, na uwezekano wa kuhamia wasifu tofauti wa kimuundo baada ya muda unatambuliwa.

Mapungufu makuu ya utafiti

Nchi 45 na kipindi cha miaka 10: Sampuli ya 2014–2023 huenda isiwakilishe uchumi wote wa dunia au mabadiliko ya muda mrefu zaidi.

Utegemezi kwa uchaguzi wa ingizo: Matokeo yanategemea sifa 12 elezi na kigezo lengwa kilichochaguliwa. Viashiria tofauti vya kiuchumi, kiteknolojia au kifedha vinaweza kuzalisha makundi na matokeo tofauti ya utabiri.

Utegemezi kwa uchaguzi wa makundi saba: Ingawa idadi ya makundi inategemea vigezo vya ndani vya ubora, vipimo mbadala vya ugawaji katika makundi vinaweza kutoa miundo tofauti ya makundi.

Usanifu wa MLP haujaripotiwa kikamilifu kwa nambari: Kipande cha msimbo wa chanzo kinatumia kigezo cha usanifu kwa namna ya hidden_layer_sizes = arch, lakini katika jedwali la vipimo vya modeli linaloonekana, muundo kamili wa tabaka/neuroni wa arch haujatolewa.

Maelezo ya mgawanyo wa %70/%30 ni machache: Chanzo kinaeleza uwiano wa mafunzo-majaribio, lakini katika maelezo makuu ya mbinu hakifafanui kwa kina kama mgawanyo ulikuwa wa wakati au wa nasibu.

Hakuna cross-validation na seti pana ya robustness: Chanzo kinataja hili kama hitaji wazi la utafiti wa baadaye.

Modeli mbadala za machine learning hazijajaribiwa: Inapendekezwa kulinganisha katika siku zijazo Random Forest, Gradient Boosting, XGBoost na Support Vector Regression.

Utendaji wa modeli si thabiti katika makundi yote: MLP ina utendaji wa chini kuliko modeli ya mstari kwa R² katika Makundi 1 na 5.

Taratibu za sera hazijajaribiwa kiempiria: Sehemu ya utawala shirikishi ya D-CPFR ni ya kinadharia na ya matukio.

Si ushahidi wa kisababishi: Mahusiano ya modeli kati ya viashiria na kipengele cha utoaji wa CO₂ hayathibitishi kwamba vigezo fulani husababisha moja kwa moja ongezeko au upungufu wa utoaji.

Utafiti wa baadaye

Chanzo kinaeleza kwamba seti za data za paneli zenye wigo mpana zaidi wa nchi na muda zinapaswa kutumiwa.

Pia inapendekezwa kulinganisha na:

• Random Forest,
• Gradient Boosting,
• XGBoost,
• Support Vector Regression

kama modeli mbadala.

Matumizi ya cross-validation na uchanganuzi mpana zaidi wa robustness, kupanua viashiria vya kifedha na kiteknolojia, na kutengeneza majukwaa halisi ya kidijitali ya usaidizi wa maamuzi kwa D-CPFR pia ni miongoni mwa mada za utafiti wa baadaye.

Hatua muhimu zaidi ya baadaye ni kutekeleza uratibu wa intracluster na intercluster katika mifano halisi ya sera na kupima kama manufaa yaliyotabiriwa yanatokea kweli.

Hitimisho la jumla la kisayansi

Utafiti unaonyesha kwamba michakato ya uondoaji wa kaboni ya nchi haipaswi kuchukuliwa kuwa sawa chini ya modeli moja ya kiuchumi au kiteknolojia.

Uchambuzi wa SOM uligawa uchunguzi wa nchi-mwaka wa nchi 45 katika makundi saba tofauti ya kimuundo na kuonyesha kwamba makundi haya yanatofautiana katika utegemezi wa nishati ya visukuku, matumizi makubwa ya nishati, upenyaji wa nishati mbadala, usambazaji wa umeme na kipengele cha utoaji wa CO₂.

Modeli za MLP mahususi kwa kundi zilitoa utendaji wa juu zaidi wa utabiri kuliko benchmark ya mstari hasa katika Makundi 2, 3, 4 na 6 ambako mahusiano yasiyo ya mstari ni makubwa.

Matokeo yaliyo wazi zaidi yalionekana katika Kundi 4; test R² iliongezeka kutoka 0,28 katika regresi ya mstari hadi 0,88 katika MLP.

Kinyume chake, katika Kundi 0 modeli zote mbili zilitoa R² sawa, huku katika Makundi 1 na 5 MLP ikiwa chini ya regresi ya mstari kwa R². Kwa hiyo, matokeo ya chanzo yanaunga mkono si ubora wa kiotomatiki wa akili bandia bali hitaji la kutofautisha uchaguzi wa modeli kulingana na sifa za kimuundo za kundi la nchi.

Mchango wa kinadharia wa D-CPFR ni kuunganisha tabaka hili la utabiri na muundo wa utawala wenye vigezo vingi unaojumuisha upangaji wa pamoja wa sera, uratibu wa uwekezaji, uchaguzi wa teknolojia na uwiano kati ya hatari na manufaa ya kijamii.

Hata hivyo, kwa kuwa sehemu ya utawala ya modeli bado haijatekelezwa katika nchi halisi, haiwezi kusemwa kwamba D-CPFR imeharakisha kwa vitendo uondoaji wa kaboni duniani au imesababisha kiasi fulani cha upunguzaji wa utoaji.

Hitimisho salama zaidi linaloungwa mkono na utafiti ni kwamba kutenganisha kwanza utofauti wa kimuundo kwa ugawaji katika makundi na kisha kutumia modeli zisizo za mstari mahususi kwa kundi kunaweza kuboresha kwa kiasi kikubwa utabiri wa kipengele cha utoaji wa CO₂ katika baadhi ya vikundi vya nchi ikilinganishwa na modeli moja ya mstari ya kimataifa.

Maelezo ya Chanzo na Mbinu

Kichwa asili cha utafiti: AI-Driven Collaborative Energy Decision-Making Model for Macroeconomic Decarbonization

Waandishi: Olena Zhytkevych; Andriy Matviychuk; Natalia Osadcha.

Corresponding author: Natalia Osadcha.

Taasisi: College of Business, American University of Kurdistan, Duhok, Iraq; Department of Artificial Intelligence, Modeling and Statistics, Kyiv National Economic University named after Vadym Hetman, Kyiv, Ukraine; Department of Social Sciences, Technology and Arts, Luleå University of Technology, Sweden.

Jarida: Economies.

Mchapishaji: MDPI, Basel, Switzerland.

Rekodi ya bibliografia: Economies 2026, 14, 400.

DOI: 10.3390/economies14090400

Wahariri wa kitaaluma: Won Sang Lee; Yonghan Ju.

Tarehe ya kuwasilishwa: 27 Julai 2026.

Tarehe ya marekebisho: 18 Agosti 2026.

Tarehe ya kukubaliwa: 27 Agosti 2026.

Tarehe ya kuchapishwa: 8 Septemba 2026.

Aina ya chanzo: Uundaji modeli wa kiempiria na mfumo wa kinadharia wa usaidizi wa maamuzi unaotumia akili bandia mseto, ugawaji katika makundi na uboreshaji wa matukio.

Wigo wa utafiti: nchi 45, 2014–2023.

Seti ya awali ya viashiria: viashiria 13 vya kila mwaka vya nishati, demografia, uchumi, hatari, utandawazi na mazingira.

Seti ya sifa elezi: predictor 12 baada ya feature selection, mabadiliko na feature engineering.

Kigezo lengwa: Logarithimu ya wastani wa kipengele cha utoaji wa CO₂.

Usanifishaji wa data: Kwa mujibu wa Source Table A4, z-score standardization.

Mgawanyo wa mafunzo/majaribio: %70 / %30.

Benchmark: Pooled multiple linear regression juu ya uchunguzi wote wa nchi-mwaka.

Mbinu ya ugawaji katika makundi: Self-Organizing Map.

Idadi ya makundi: 7.

Vigezo vya kuchagua idadi ya makundi: Faharasa za Silhouette, Davies–Bouldin na Calinski–Harabasz.

Modeli isiyo ya mstari: Multilayer Perceptron tofauti kwa kila kundi.

Uamilishaji wa tabaka lililofichwa: Logistic/sigmoid.

Uamilishaji wa matokeo: Linear.

Optimizer: Adam.

Idadi ya juu ya marudio: 3000.

Early stopping: True.

Learning rate: Adaptive.

Loss: Mean Squared Error.

Vipimo vya tathmini ya modeli: R², MAE, MSE.

Matokeo makuu ya utendaji: R² ya MLP ikilinganishwa na LR katika Kundi 2 ni 0,72 → 0,98; Kundi 3 ni 0,36 → 0,51; Kundi 4 ni 0,28 → 0,88; Kundi 6 ni 0,57 → 0,85. Katika Kundi 0 modeli zote mbili ni 0,97; Kundi 1 ni 0,82 → 0,80; Kundi 5 ni 0,55 → 0,27.

Vigezo vya tukio la D-CPFR: Maamuzi ya sera, uwekezaji, teknolojia na udhibiti.

Vigezo vya uboreshaji: Mkengeuko kutoka kiwango lengwa cha CO₂, gharama za utekelezaji, hatari za kijiopolitiki/kifedha/kiteknolojia na manufaa ya kijamii.

Mbinu ya Intracluster: Uratibu wa taarifa, sera na uwekezaji kati ya nchi zinazofanana kimuundo.

Mbinu ya Intercluster: Uhamishaji wa teknolojia, ushirikiano wa uwekezaji na ushirikishanaji wa maarifa ya kitaasisi kati ya vikundi vyenye wasifu tofauti wa uondoaji wa kaboni.

Mpaka wa kiempiria: Utafiti unajaribu utendaji wa utabiri wa msingi wa makundi; haujaribu moja kwa moja matokeo ya utoaji, gharama au kijamii ya ushirikiano wa intracluster au intercluster katika mazingira halisi ya sera.

Vyanzo vya data: EnerData (2024), World Bank (2024), Geopolitical Risk Index (2025).

Upatikanaji wa data/msimbo: Vyanzo vya data ghafi ni vya umma. Inaelezwa kwamba seti ya data iliyochakatwa na msimbo wa uundaji modeli vinaweza kupatikana kutoka kwa corresponding author kwa ombi linalofaa.

Programu: Python 3.11, NumPy, Pandas, Scikit-learn, MiniSom 2.3.5 na scikit-fuzzy 0.5.0 katika uchanganuzi wa makundi.

Kamati ya maadili: Haitumiki kwa sababu hakuna washiriki wa binadamu au wanyama.

Ridhaa iliyoarifiwa: Haitumiki.

Tamko la matumizi ya AI: Akili bandia zalishi haikutumika kwa kuzalisha data, uundaji modeli au uchanganuzi wa kisayansi. Waandishi wanaeleza kwamba walitumia ChatGPT tu kwa uhariri wa lugha, urekebishaji wa msimbo, tafsiri na usaidizi wa uumbizaji; walikagua matokeo yote na wajibu wa kisayansi ni wao.

Michango ya waandishi: Uundaji dhana: O.Z. na A.M.; mbinu: O.Z. na A.M.; programu: O.Z.; uthibitishaji: O.Z., A.M. na N.O.; uchanganuzi rasmi: O.Z.; utafiti: O.Z.; rasilimali na usimamizi wa data: O.Z. na A.M.; rasimu ya kwanza: O.Z. na A.M.; mapitio na uhariri: O.Z., A.M. na N.O.; uonyeshaji: O.Z.; supervision: A.M.; usimamizi wa mradi: N.O. Waandishi wote walisoma na kuidhinisha toleo lililochapishwa.

Ufadhili: Utafiti haukupokea ruzuku maalumu ya utafiti. Article Processing Charge ililipwa na Luleå University of Technology.

Mgongano wa maslahi: Waandishi walitangaza kwamba hakuna mgongano wa maslahi.

Leseni: Creative Commons Attribution 4.0 (CC BY).

Mapungufu makuu ya kimetodolojia: Wigo wa data ulio na nchi 45 na kipindi cha 2014–2023; utegemezi wa matokeo kwa viashiria vilivyochaguliwa, muundo wa makundi saba na dhana za modeli; kutokuwepo kwa mbinu mbadala za ML na seti pana za cross-validation/robustness; maelezo machache kuhusu utekelezaji wa mgawanyo wa mafunzo-majaribio; kutoripotiwa wazi kwa usanifu wa nambari wa hidden-layer wa MLP katika vipimo vinavyoonekana; MLP kutoa R² ya chini kuliko LR katika baadhi ya makundi; na matukio ya sera shirikishi kutotekelezwa katika ulimwengu halisi. Matokeo hayapaswi kufasiriwa kama athari za moja kwa moja za kisababishi za sera za hali ya hewa.