Zaman Serileri Tutarlılığı

Transkript

1 Bölüm 3 Zaman Serileri Tutarlılığı Ulusal Sera Gazı Envanterleri Uygulamalı Eğitim Çalıştayı - IPCC Kesişen Konular Kasım 2015, Ankara Türkiye

2 Giriş Çok yıllı sera gazı (GHG) envanterleri, emisyonların ve azaltımların zaman içinde nasıl değiştiğini anlamak bakımından çok faydalıdır. Bu envanterler spesifik olarak: Geçmiş eğilimler hakkında bilgi sağlar Azaltma olanaklarını belirlemeye yardımcı olur Emisyonları azaltma ve/veya azaltımları iyileştirmeye yönelik tedbirlerin etkilerini izler Azaltım hedeflerine erişilip erişilmediğini belirlemeye yardımcı olur Gelecekteki emisyonlar ve azaltımlar hakkında tahminde/öngörüde bulunmak için temel olarak kullanılabilir

3 Zaman Serileri Tutarlılığı Emisyon eğilimleri, hakkında tahminde bulunulabildiği sürece ne olduğundan fazla ne de olduğundan az değerlendirilmelidir Zaman serileri tüm yıllarda aynı yöntem ve aynı veri kaynakları kullanılarak hesaplanmalıdır Farklı yıllar için farklı yöntemler ve/veya veriler kullanırsak bir yanlılık ortaya çıkabilir çünkü tahmin edilen eğilim yalnızca emisyonlardaki veya azaltımlardaki gerçek değişimleri değil metodolojik rötuşları da yansıtacaktır

4 Sorunlar Gerçekte: Tüm zaman serileri için tamamen aynı yöntemleri ve verileri kullanmak her zaman mümkün değildir Aşağıdakiler gerçekleştiğinde ne yaparız Yıllar boyunca veri boşlukları olduğunda Yalnızca bazı yıllar için veri mevcut olduğunda (her 5-10 yıl) Daha üst bir yönteme geçmek istediğinizde ancak bölünmüş veri yalnızca son yıllar için mevcut olduğunda İstatistiki veri toplama belli bir yılda durdurulduğunda

5 Veri boşlukları oluşabilir Emisyon faktörleri Temsili emisyon faktörlerinin (EF) mevcut olmadığı durumlar Faaliyete özgü emisyon faktörleri belli bazı yıllar için ya da yılın belli zamanları için mevcut değildir EF lerin belli yıllar için elde edilme şekliyle ilgili değişiklikler yapılmıştır EF ler yalnızca bir bölge veya tesis için mevcuttur EF ler, bir kategori için ortalama koşulları temsil etmeyen yalnızca bir tesis veya bölgede yapılan testler temelinde elde edilmiştir Sabit bir EF kullanmak (her zaman) zaman serileri tutarlılığını sağlamaz Bazı emisyon süreçleri için emisyon oranları teknolojik veya diğer değişimler sebebiyle zaman içinde farklılık gösterebilir

6 Veri boşlukları oluşabilir Faaliyet Verileri Tüm zaman serileri için faaliyet verilerinin mevcut olmadığı durumlar Veri değişimleri ve veri boşlukları: Daha bölünmüş veya veri toplamada yapılan diğer iyileştirmeler (ör. Gelecek yıllarda yapılacak daha iyi araştırmalar) Eksik yıllar veya artık toplanmayan veriler Periyodik veriler: Yalnızca her birkaç yılda bir veri toplama veya bölgesel olarak devamlı veri toplama (ör. Her yıl farklı bir bölge araştırmaya tabi tutulur) Veri yoksa?

7 Veri toplama sürecinde boşluklar nasıl azaltılır Aşağıdakileri gerçekleştirmek üzere Zincirleme (Splice) teknikleri kullanılabilir: Yöntemdeki bir değişikliği ele almak (ör. Kademe 2 yöntemi yalnızca yeni verilere uygulanabildiğinde ve Kademe 1 in halihazırda geçmiş veriler için kullanıldığı durumda) Periyodik olarak toplanan verilerin toplanmasından kaynaklanan boşlukları doldurmak Örtüşme (overlap) İkame veri (ör. İlintili temsili (proxy) veri) İnterpolasyon Eğilim ekstrapolasyonu

8 Örtüşme yaklaşımı (overlap) Örtüşme tekniği yalnızca, kıyasladığımız iki veri seti arasında tutarlı bir ilişki varsa kullanılmalıdır Birkaç yıl için hem eski hem de yeni yöntemler/sistemler kullanılarak veri toplayın ve emisyonları hesaplayın - 1 yıllık örtüşme ile kullanılabilir ancak çok dikkatli bir şekilde yapılmalıdır Örtüşme yılları için eski ve yeni zaman serileri arasındaki ilişkiyi araştırın Tutarlı bir ilişki olduğu tespit edildiğinde, matematiksel bir ilişki geliştirin Yeni yöntem/sistemlerle tutarlı olmak adına geçmiş verilerin yeniden hesaplanması için bu matematiksel ilişkiyi kullanın

9 Örtüşme - Tutarlı İlişki Örtüşme-Tutarlı İlişki Yıl Bu örnekte, örtüşme düzenlemesini kullanmak kabul edilebilir

10 Örtüşme - Tutarsız İlişki Şekil 5.2 Tutarsız Örtüşme Yıl Bu örnekte, örtüşme yaklaşımını kullanmak mümkün değildir çünkü ilişkide çok fazla değişkenlik söz konusudur

11 Örtüşme Yaklaşımı Tutarlı bir ilişki mevcut olduğunda varsayılan, yeni ile tutarlı olmak amacıyla eski değer/verileri orantılı bir şekilde kullanmaktır

12 Örtüşme Yaklaşımı Örnek 1: Aşağıdaki veriler kullanılarak yılları için sera gazı (GHG) emisyonlarının tahmini için örtüşme yaklaşımının kullanılması Kademe 1 nicel Kademe 2 nicel

13 Örtüşme Yaklaşımı Örnek 1: Adım Kademe 1 nicel Kademe 2 nicel Oran Kademe 2 : Kademe 1 0,96 0,96 0,90 0,90 0,90 0,92 0,96 Her bir yıl için Kademe 2 ve Kademe 1 arasındaki oranı hesaplayın ör. for 2010 yılı için: 4790/5000 = 0,96

14 Örtüşme Yaklaşımı Örnek 1: Adım Kademe 1 nicel Kademe 2 nicel Oran Kademe 2 : Kademe 1 0,96 0,96 0,90 0,90 0,90 0,92 0,96 Ortalama ve standart sapmayı hesaplayın Ortalama = 0,93 Standart sapma = 0,027 Düşük değişkenlik Örtüşme yaklaşımı uygun görünmektedir

15 Örtüşme Yaklaşımı Örnek 1: Adım Kademe 1 nicel Kademe 2 nicel Oran Kademe 2 : Kademe 1 0,96 0,96 0,90 0,90 0,90 0,92 0,96 Eksik verileri hesaplamak için ortalamayı uygulayın: Yıl 2001: * 0,93 = Yıl 2002: * 0,93 = Yıl 2003: * 0,93 = 3.806

16 Örtüşmeye İlişkin Hususlar Yöntemi uygun bir biçimde uygulamak için çok yıllı örtüşmenin mevcut olması önem arz etmektedir Bu yöntem körü körüne uygulanmamalıdır. Eski ve yeni yöntemler arasındaki ilişkiyi anlamak için elimizden gelenin en iyisini yapmalıyız: ör. Neden eski yöntem yeni yöntemden %10 ila 15 oranında daha az sonuç vermektedir? Farkı açıklayamıyorsak, yeni yöntemin daha iyi olduğu konusunda emin değiliz Bir yöntemin/modelin daha karmaşık olması, onun daha doğru olduğu anlamına gelmez

17 İkame (Surrogate) Veri Yaklaşımı Eksik verilerle ilintili bir ikame (ör. temsili (proxy)) değişken bulun Eksik faaliyet verileri, EF ler (her yıl değişen) veya emisyon tahminleri için kullanılabilir Örnek: Taşıt sayısı benzin tüketimiyle ilişkili olabilir. Dolayısıyla otomobil sayısı benzin tüketimi için bir ikame görevi görebilir. Bu yaklaşım istatistiki analizde kullanılan teknikler üstüne temellenir: Regresyon teknikleri Korelasyon analizi

18 İkame Yaklaşımı Potansiyel ikame/temsili değişkenler belirleyin Eğer gerçek veri mevcutsa, basit korelasyon katsayılarını hesaplayın: İkame değişkenle ilişki kurmak için bir yıldan fazla gerçek verinin mevcut olması gerekir Korelasyon açık değilse, gerçek ve ikame değişken arasında bir ilişki bulunup bulunamayacağını görmek için daha gelişmiş regresyon tekniklerini göz önünde bulundurun Gerçek veri mevcut değilse, ikame değişkenin gerçek değişken(ler) için neden geçerli bir ikame olduğunun gerekçelendirilmesi gerekir

19 İkame Yaklaşımı Bu formülde ikame ve gerçek değişkenler arasında basit oransal bir ilişkinin olduğu varsayılır

20 İkame Yaklaşımı Örnek 2: Taşıt sayılarının CO 2 emisyonlarının ikamesi olarak kullanımı Hedef değişken Karayolu ulaşımı CO 2 Bilinen ikame değişken Dolaşımdaki karayolu taşıtlarının sayısı (000s)

21 Örnek 2: Adım 1 İkame verileri seçiniz İkame Yaklaşımı Akran değerlendirmeli çalışmalardan alınan taşıta ilişkin veriler: Çalışma 1: Ortalama yolcu taşıtı için 2009 CO 2 emisyonları = 190 g/km Yolcu taşıtlarının yılda kat ettiği ortalama km 2009 yılı içi = 13,000 Çalışma 2: Ortalama karayolu taşıtı için 2008 CO 2 emisyonları n = kg CO 2 yılda 2008 yük taşıtları tüm karayolu taşıtlarının %5 ini oluşturur ve ortalama 500 g CO 2 /km salımı yapar Çalışma 3: Ortalama yolcu taşıtı için 2007 CO 2 emisyonları = kg CO 2 yılda Yolcu taşıtları için 2007 ortalama km yılda = Çalışma 4: Yük taşıtlarının yılda kat ettiği ortalama km = km Bir bütün olarak karayolu ulaşımı emisyonlarına odaklanırken tüm yol taşıtları için ortalama almak daha uygundur

22 İkame Yaklaşımı Örnek 2: Adım 2 Değişken kullanımının gerekçelendirilmesi İkame tekniğinin güvenilirliği, 2008 yılı için yük taşıtlarının kat ettiği ortalama km nin tahmin edilmesi ve bunun Çalışma 4 ün sonuçlarıyla karşılaştırılması suretiyle test edilebilir 2008 yılında, yük taşıtları tüm karayolu taşıtlarının %5 ini oluşturmaktaydı Taşıt başına ortalama CO 2 emisyonu: kg (yolcu) ve kg (tüm taşıtlar) idi (Büyük bir taşıt filosunun ortalama yakıt verimliliğinin yıldan yıla çarpıcı biçimde değişmesi olasılık dışı olduğu için 2007 yolcu taşıtları değeri 2008 yılına da uygulanmıştır) Bu sayılar bir araya getirildiğinde, 2008 yılı için yük taşıtı başına ortalama CO 2 emisyonu: ( * %95 ) / %5 = kg CO 2 taşıt başına Ayrıca Çalışma 2 den öğrendiğimiz kadarıyla yük taşıtları ortalama 500 g CO 2 /km. salımı yapar Bu sebeple: Yük taşıtı başına kat edilen ortalama km = ( kg CO 2 / kg CO 2 /km) (Bu sayı Çalışma 4 te öne sürülen aralıkta bulunmaktadır ( ), bu sebeple burada ikame tekniğinin uygulanması anlamında güven vermektedir)

23 İkame Yaklaşımı Örnek 2: Adım 3 Emisyonların tahmin edilmesi Bilinen ikame değişken: Dolaşımdaki karayolu taşıtlarının sayısı ( 000) İkame değişkeni uygulayın (4.410 kgco 2 /taşıt) ve emisyonları hesaplayın taşıt * kg CO 2 /taşıt / 1000 = t CO 2 Bin metrik ton cinsinden hedef değişken CO 2 emisyonları Karayolu taşıtı emisyonları

24 İnterpolasyon ve Ekstrapolasyon İnterpolasyon: Mevcut zaman serilerinde boşlukların doldurulması Ekstrapolasyon: Boşlukların zaman serilerinin başında ve sonunda doldurulması Teknikler: Doğrusal veya doğrusal olmayan, seçimi gerekçelendirin Yıldan yıla büyük orandan değişkenlik gösteren değişkenler için kullanılmamalıdır 24

25 İnterpolasyon Örneği 25

26 Ekstrapolasyon Örneği 26

27 İnterpolasyon Örneği Örnek 3: interpolasyon tekniğinin kullanılması suretiyle yılları için sera gazı emisyonlarının tahmini Sera gazı emisyon kaynağı x

28 İnterpolasyon Örneği Örnek 3: Adım Sera gazı emisyon kaynağı x Verileri analiz edin ve kullanılması istenen interpolasyon tekniğinin türünü ve uygulanabilirliğini değerlendirin Bu veri seti için doğrusal interpolasyon uygun görünmektedir 28

29 İnterpolasyon Örneği Örnek 3: Adım Sera gazı emisyon kaynağı x Boşluktan önceki son yıl ve boşluktan sonraki ilk yıl arasında sera gazı emisyon farklarını hesaplayın = 420 Boşluğun uzunluğunu hesaplayın = 4 yıl

30 İnterpolasyon Örneği Örnek 3: Adım Sera gazı emisyon kaynağı x ,235 4, Boşluk yıl başına emisyonlardaki ortalama değişimi hesaplayın 420 / 4 =

31 İnterpolasyon Örneği Örnek 3: Adım Sera gazı emisyon kaynağı x Yıl başına ortalama değişimi ekleyerek boşluk yıl(lar) için toplam emisyonları hesaplayın 2004 emisyon = = emisyon = = emisyon = =

32 Zincirleme (Splice) ve Boşluk doldurma özeti Yaklaşım Uygulanabilirlik Görüşler Örtüşme Hem eski hem de yeni yöntemin uygulanabilmesi için gerekli veri en azından bir yıl ve tercihen daha fazla yıl için mevcut olmalıdır Yalnızca, örtüşme güvenilir görünen bir örüntü ortaya koyduğunda kullanın İkame Veri İnterpolasyon Eğilim Ekstrapolasyonu Eksik veri, temsili (proxy) veri ile yakından ilişkilidir Periyodik veriler veya zaman serilerinde boşluk için Zaman serilerinin başı veya sonu eksik veridir Çoklu potansiyel temsili (proxy) veri değişkenlerini test etmelidir Doğrusal veya doğrusal olmayan interpolasyon. Yalnızca veri sabit bir eğilim gösterdiğinde kullanın Yalnızca eğilimin sabit olduğu ve güvenilir olma ihtimalinin bulunduğu durumda kullanın. Yalnızca birkaç yıl için kullanılmalıdır

33 Yeniden hesaplama yapma sebepleri Metodolojik değişiklikler ve ince rötuşlar Sera Gazı envanterimizin kalitesini artırma girişiminin temel parçalarıdır ve aşağıdaki durumlarda uygulanmalıdır: Mevcut veri değiştiğinde Bir kategori eklendiğinde Yeni envanter yöntemleri ortaya konduğunda.(ör. belli kategoriler için yeni modeller) Bir kategori kilit öneme sahip olduğunda (daha üst bir Kademe yönteminin uygulanması beklenir) Daha önce uygulanan yöntem, azaltma faaliyetlerini şeffaf bir şekilde yansıtma konusunda yetersiz kaldığında Envanter hazırlama kapasitesi, mali kapasite veya insan kapasitesi anlamında arttığında

34 Tüm bu durumlarda, zaman serilerinizin tutarlılığını sağlamak için tahmini emisyon/azaltımları yeniden hesaplamamız gerekecektir Tüm yıllar için aynı yöntem ve veri setlerinin kullanılması için her türlü çaba sarf edilmelidir