Статистичний аналіз та прогнозування динаміки викидів CO₂ у країнах Європи

Abstract

Кваліфікаційну роботу присвячено аналізу та прогнозуванню викидів вуглекислого газу (CO₂) у європейських країнах із використанням методів кластерного аналізу та прогнозування часових рядів. Дослідження виконано на основі відкритих статистичних даних платформи Our World in Data за період 2000–2024 років для двадцяти європейських країн. У роботі розглянуто два показники: викиди CO₂ на душу населення (CO₂ per capita) та загальні викиди CO₂ (CO₂ total). Для забезпечення коректного порівняння даних застосовано стандартизацію за допомогою Z-оцінок. Кластеризацію країн виконано методами K-Means та ієрархічної кластеризації. Якість отриманих кластерів оцінювалася за допомогою коефіцієнта силуету. У межах дослідження побудовано прогнози показників CO₂ на 2025-2028 роки за допомогою моделей ARIMA та Holt Exponential Smoothing. Для оцінювання точності прогнозування використано показники MAE, RMSE та MAPE. За результатами порівняння встановлено, що для більшості досліджуваних країн метод Holt Exponential Smoothing забезпечує вищу точність прогнозування, тому його результати були використані для подальшого аналізу. На основі отриманих прогнозів виконано аналіз прогнозної кластерної належності країн. Для кожної країни визначено найближчий центр кластера, отриманий методом K-Means. Проведений аналіз дозволив оцінити стабільність сформованих кластерів та виявити країни, для яких у прогнозному періоді можливі зміни кластерної належності. Усі етапи обробки даних, кластеризації, прогнозування та аналізу результатів були реалізовані мовою програмування Python.

This qualification thesis is devoted to the analysis and forecasting of carbon dioxide (CO₂) emissions in European countries using cluster analysis and time series forecasting methods. The study is based on open statistical data from the Our World in Data platform covering the period from 2000 to 2024 for twenty European countries. The thesis examines two indicators: CO₂ emissions per capita and total CO₂ emissions. To ensure the comparability of the data, standardization using Z-scores was applied. Countries were clustered using the K-Means and hierarchical clustering methods. The quality of the obtained clusters was evaluated using the silhouette coefficient. Within the study, forecasts of CO₂ indicators for the period 2025–2028 were developed using the ARIMA and Holt Exponential Smoothing models. The forecasting accuracy was assessed using the MAE, RMSE, and MAPE metrics. The comparison of the obtained results showed that the Holt Exponential Smoothing method provided higher forecasting accuracy for most of the analyzed countries; therefore, its results were used for further analysis. Based on the obtained forecasts, an analysis of the projected cluster membership of the countries was carried out. For each country, the nearest cluster center obtained by the K-Means method was determined. The analysis made it possible to assess the stability of the formed clusters and identify countries for which changes in cluster membership may occur during the forecast period. All stages of data processing, clustering, forecasting, and result analysis were implemented using the Python programming language.