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.