РОЗРОБЛЕННЯ ГІБРИДНОГО МЕТОДОЛОГІЧНОГО ПІДХОДУ ДО ПРОГНОЗУВАННЯ ДЕКАРБОНІЗАЦІЙНОГО ПОТЕНЦІАЛУ КРАЇНИ

Автор(и)

  • Олена ЖИТКЕВИЧ Американський університет Курдистану, Духок, Ірак.  https://orcid.org/0000-0003-2042-8795
  • Андрій МАТВІЙЧУК Київський національний економічний університет імені Вадима Гетьмана, Київ, Україна.  https://orcid.org/0000-0002-8911-5677

Ключові слова:

Data Science, викиди CO2, зелена трансформація, карта Кохонена, нейронні мережі, нелінійне моделювання.

Анотація

Висока варіативність даних щодо декарбонізаційного потенціалу та недостатня формалізація цих процесів зумовлюють необхідність застосування сучасних гібридних методів аналізу. У дослідженні запропоновано підхід, що поєднує самоорганізаційні карти Кохонена (SOM) для виявлення закономірностей між країнами, а також лінійну регресію (LR) і нейронну мережу багатошарового перцептрона (MLP) для прогнозування середнього коефіцієнта викидів CO2 у межах кластерів. Аналіз охоплює 45 країн за десятирічний період і ґрунтується на 12 пояснювальних показниках. Запропонована наукова методологія базується на інтеграції кластеризації та нейромережевого прогнозування для моделювання відмінностей у національних процесах декарбонізації. Карти Кохонена дали змогу виокремити сім груп країн, що підтверджує неоднорідність впливу факторів і закономірностей декарбонізації між країнами. Результати дослідження показали, що лінійні моделі мають обмежену пояснювальну здатність (R² = 0,30 на тестових даних до кластеризації та в середньому 0,61 після кластеризації), тоді як оптимізована нейронна мережа забезпечує вищу точність прогнозування (середнє R² для всіх кластерів становить 0,75 на тестових даних), що підтверджує доцільність кластерного моделювання та здатність нейронних мереж відображати нелінійні залежності. Отримані результати можуть бути використані розробниками політики для обґрунтування національної кліматичної політики та планування енергетичних переходів.

Класифікація за JEL: Q50, C12, C38, C53, C 55.

Біографії авторів

Олена ЖИТКЕВИЧ, Американський університет Курдистану, Духок, Ірак. 

кандидат економічних наук, доцент, Коледж бізнесу.

Андрій МАТВІЙЧУК, Київський національний економічний університет імені Вадима Гетьмана, Київ, Україна. 

доктор економічних наук, професор, кафедра штучного інтелекту, моделювання та статистики.

Посилання

Agrafiotis, D. K., & Xu, H. (2002). A self-organizing principle for learning nonlinear manifolds. Proceedings of the National Academy of Sciences, 99(25), 15869–15872. https://doi.org/10.1073/pnas.242424399

Banna, H., Alam, A., Chen, X. H., & Alam, A. W. (2023). Energy security and economic stability: The role of inflation and war. Energy Economics, 126, Article 106949. https://doi.org/10.1016/j.eneco.2023.106949

Belsley, D. A., Kuh, E., & Welsch, R. E. (1980). Regression diagnostics: Identifying influential data and sources of collinearity. Wiley. https://doi.org/10.1002/0471725153

Bielinskyi, A., Soloviev, V., Matviychuk, A., & Bezkorovainyi, V. (2026). Stock market movement forecasting using machine learning and complex network measures. Artificial Intelligence and Applications. https://doi.org/10.47852/bonviewAIA62027537

Breiman, L. (2001). Random forests. Machine learning, 45(1), 5–32. https://doi.org/10.1023/A:1010933404324

Caldara, D., & Iacoviello, M. (2022). Measuring geopolitical risk. American Economic Review, 112(4), 1194–1225. https://doi.org/10.1257/aer.20191823

Cordova, C. H., Portocarrero, M. N. L., Salas, R., Torres, R., Rodrigues, P. C., & LópezGonzales, J. L. (2021). Air quality assessment and pollution forecasting using artificial neural networks in Metropolitan Lima–Peru. Scientific Reports, 11, Article 24232. https://doi.org/10.1038/s41598-021-03650-9

Ding, C., Wang, G., Zhang, X., Liu, Q., & Liu, X. (2021). A hybrid CNN-LSTM model for predicting PM2.5 in Beijing based on spatiotemporal correlation. Environmental and Ecological Statistics, 28, 503–522. https://doi.org/10.1007/s10651-021-00501-8

Encalada-Malca, A. A., Cochachi-Bustamante, J. D., Rodrigues, P. C., Salas, R., & López-Gonzales, J. L. (2021). A spatio-temporal visualization approach of PM 10 concentration data in Metropolitan Lima. Atmosphere, 12(5), Article 609. https://doi.org/10.3390/atmos12050609

EnerData. (2026). Total energy consumption. World Energy & Climate Statistics – Yearbook 2026 [dataset]. https://yearbook.enerdata.net/total-energy/worldconsumption-statistics.html

Feng, X., Li, Q., Zhu, Y., Hou, J., Jin, L., & Wang, J. (2015). Artificial neural networks forecasting of PM2.5 pollution using air mass trajectory based geographic model and wavelet transformation. Atmospheric Environment, 107, 118–128. https://doi.org/10.1016/j.atmosenv.2015.02.030

Fu, M., Wang, W., Le, Z., & Khorram, M. S. (2015). Prediction of particular matter concentrations by developed feed-forward neural network with rolling mechanism and gray model. Neural Computing and Applications, 26, 1789–1797. https://doi.org/10.1007/s00521-015-1853-8

Fuinhas, J. A., Belucio, M., Santiago, R., & Betencourt, M. (2025). Are the structure dynamics of capital stock impacting carbon intensity from energy consumption? European insights. Energy, Ecology and Environment, 10, 555–574. https://doi.org/10.1007/s40974-025-00370-y

Geopolitical Risk Index. (n. d.). Final Geopolitical Risk Index [dataset]. https://www.geopriskindex.com/results-final-risk-index/

Han, Z., Cui, B., Xu, L., Wang, J., & Guo, Z. (2023). Coupling LSTM and CNN neural networks for accurate carbon emission prediction in 30 Chinese provinces. Sustainability, 15(18), Article 13934. https://doi.org/10.3390/su151813934

Hasnain, A., Sheng, Y., Hashmi, M. Z., Bhatti, U. A., Hussain, A., Hameed, M., Marjan, S., Bazai, S. U., Hossain, M. A., Sahabuddin, M., Wagan, R. A., & Zha, Y. (2022). Time series analysis and forecasting of air pollutants based on Prophet forecasting model in Jiangsu Province, China. Frontiers in Environmental Science, 10, Article 945628. https://doi.org/10.3389/fenvs.2022.945628

Haykin, S. S. (2009). Neural Networks and Learning Machines (3rd ed.). Pearson.

Kourentzes, N., Barrow, D. K., & Crone, S. F. (2014). Neural network ensemble operators for time series forecasting. Expert Systems with Applications, 41(9), 4235–4244. https://doi.org/10.1016/j.eswa.2013.12.011

Kumari, S., & Singh, S. K. (2023). Machine learning–based time series models for effective CO 2 emission prediction in India. Environmental Science and Pollution Research, 30(55), 116601–116616. https://doi.org/10.1007/s11356-022-21723-8

Li, S., Xie, G., Ren, J., Guo, L., Yang, Y., & Xu, X. (2020). Urban PM2.5 concentration prediction via attention-based CNN–LSTM. Applied Sciences, 10(6), Article 1953. https://doi.org/10.3390/app10061953

Milone, D. H., Stegmayer, G., Kamenetzky, L., López, P., & Carrari, F. (2013). Clustering biological data with SOMs: On topology preservation in non-linear dimensional reduction. Expert Systems with Applications, 40(9), 3841–3845. https://doi.org/10.1016/j.eswa.2012.12.074

Mussa, A. A. Y., & Khalifa, W. M. S. (2025). MLP enhanced CO2 emission prediction model with LWSSA nature inspired optimization. Scientific Reports, 15, Article 1891. https://doi.org/10.1038/s41598-025-85709-5

Paliwal, M., & Kumar, U. A. (2009). Neural networks and statistical techniques: A review of applications. Expert Systems with Applications, 36(1), 2–17. https://doi.org/10.1016/j.eswa.2007.10.005

Peeters, L., & Dassargues, A. (2006). Comparison of Kohonen’s self-organizing map algorithm and principal component analysis in the exploratory data analysis of a groundwater quality dataset (Research Report). University of Liège. https://orbi.uliege.be/bitstream/2268/3388/1/publi144-2007.pdf

Singh, S., Kumar, M., Verma, B. K., & Kumar, S. (2026). Optimizing air pollution prediction with random forest algorithm. Aerosol Science and Engineering, 10, 208–221. https://doi.org/10.1007/s41810-025-00292-6

Solci, C. C., Reisen, V. A., & Rodrigues, P. C. (2023). Robust local bootstrap for weakly stationary time series in the presence of additive outliers. Stochastic Environmental Research and Risk Assessment, 37, 2977–2992. https://doi.org/10.1007/s00477-023-02430-3

Taylor, S. J., & Letham, B. (2017). Forecasting at scale. PeerJ Preprints, 5, Article e3190v2. https://doi.org/10.7287/peerj.preprints.3190v2

Wen, T., Liu, Y., Bai, Y., & Liu, H. (2023). Modeling and forecasting CO2 emissions in China and its regions using a novel ARIMALSTM model. Heliyon, 9(11), Article e21241. https://www.sciencedirect.com/science/article/pii/S2405844023084499

World Bank. (n. d.). World Development Indicators [dataset]. https://datacatalog.worldbank.org/search/dataset/0037712

Wu, S., Feng, Q., Du, Y., & Li, X. (2011). Artificial neural network models for daily PM10 air pollution index prediction in the urban area of Wuhan, China. Environmental Engineering Science, 28(5), 357–363. https://doi.org/10.1089/ees.2010.0219

Zhang, G. P. (2003). Time series forecasting using a hybrid ARIMA and neural network model. Neurocomputing, 50, 159–175. https://doi.org/10.1016/S0925-2312(01)00702-0

Zhang, Y., Wang, J., Chen, R., Zhang, S., Liao, X., & Xie, J. (2024). Complementary ARIMA and XGBoost carbon emission timing forecasting methods for different terminal energy consumption industries. In Fifth International Conference on Green Energy, Environment, and Sustainable Development (GEESD 2024) (Vol. 13279, Article 1327946). SPIE Digital Library. https://doi.org/10.1117/12.3044690

Zheng, Y., Liu, F., & Hsieh, H. P. (2013). U-Air: When urban air quality inference meets big data. In R. Parekh, J. He, D. S. Inderjit, P. Bradley, Y. Koren, R. Ghani, T. E. Senator, R. L. Grossman, & R. Uthurusamy (Eds.), Proceedings of the 19th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (pp. 1436–1444). Association for Computing Machinery. https://doi.org/10.1145/2487575.2488188

Zhu, S., Lian, X., Wei, L., Che, J., Shen, X., Yang, L., Qiu, X., Liu, X., Gao, W., Ren, X., & Li, J. (2018). PM2.5 forecasting using SVR with PSOGSA algorithm based on CEEMD, GRNN and GCA considering meteorological factors. Atmospheric Environment, 183, 20–32. https://doi.org/10.1016/j.atmosenv.2018.04.004

Zhytkevych, O., & Brochado, A. (2022). Modeling national decarbonization capabilities using Kohonen maps. Neuro-Fuzzy Modeling Techniques in Economics, 11, 3–24. http://doi.org/10.33111/nfmte.2022.003

Zhytkevych, O., Matviychuk, A., & Kmytiuk, T. (2023). Modeling Nations’ Decarbonisation Potential. In F. Ortiz-Rodríguez, S. Tiwari, P. Usoro Usip, & R. Palma (Eds.), Electronic Governance with Emerging Technologies. EGETC 2023. Communications in Computer and Information Science (Vol. 1888, pp. 60–77). Springer, Cham. https://doi.org/10.1007/978-3-031-43940-7_6

Отримано: 5 квітня 2026 р.

Рецензовано: 6 серпня 2026 р.

Рекомендовано до друку: 16 вересня 2026 р.

##submission.downloads##

Опубліковано

30.09.2026

Як цитувати

ЖИТКЕВИЧ, Олена, і Андрій МАТВІЙЧУК. «РОЗРОБЛЕННЯ ГІБРИДНОГО МЕТОДОЛОГІЧНОГО ПІДХОДУ ДО ПРОГНОЗУВАННЯ ДЕКАРБОНІЗАЦІЙНОГО ПОТЕНЦІАЛУ КРАЇНИ». Журнал європейської економіки, вип. 25, вип. 3, Вересень 2026, с. 733-60, https://jeej.wunu.edu.ua/index.php/ukjee/article/view/1977.

Номер

Том 25 № 3 (2026)

Розділ

КЛІМАТИЧНА НЕЙТРАЛЬНІСТЬ ЕКОНОМІКИ ТА ЗЕЛЕНИЙ ПЕРЕХІД

Ліцензія

Автори, які публікуються у цьому журналі, погоджуються з наступними умовами:

  1. Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution License, котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у цьому журналі.
  2. Автори мають право укладати самостійні додаткові угоди щодо неексклюзивного розповсюдження роботи у тому вигляді, в якому вона була опублікована цим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати у складі монографії), за умови збереження посилання на першу публікацію роботи у цьому журналі.
  3. Політика журналу дозволяє і заохочує розміщення авторами в мережі Інтернет (наприклад, у сховищах установ або на особистих веб-сайтах) рукопису роботи, як до подання цього рукопису до редакції, так і під час його редакційного опрацювання, оскільки це сприяє виникненню продуктивної наукової дискусії та позитивно позначається на оперативності та динаміці цитування опублікованої роботи (див. The Effect of Open Access).