METHODOLOGICAL FOUNDATIONS OF COUNTRIES' GREEN ECONOMY POLICY IMPLEMENTATION BASED ON CLUSTER ANALYSIS

Olena ZHYTKEVYCH; Andriy MATVIYCHUK

doi:10.17721/1728-2667.2026/229-2/8

Автор(и)

Олена ЖИТКЕВИЧ, канд. екон. наук, докторант Київський національний економічний університет імені Вадима Гетьмана
Андрій МАТВІЙЧУК, д-р екон. наук, проф. Київський національний економічний університет імені Вадима Гетьмана

DOI:

https://doi.org/10.17721/1728-2667.2026/229-2/8

Ключові слова:

декарбонізація, викиди СО₂, кластеризація, самоорганізаційна карта, машинне навчання, енергетична політика

Анотація

Вступ. У контексті глобальної кліматичної політики виникає необхідність систематизувати країни за рівнем викидів CO₂, структурою енергоспоживання й економічним розвитком для виявлення типових патернів траєкторій переходу до низьковуглецевої економіки. Із цією метою в статті здійснено кластеризацію країн за потенціалом декарбонізації із застосуванням самоорганізаційних карт Кохонена. Цей інструментарій дозволяє моделювати нелінійні взаємозв'язки та враховувати високу розмірність даних, забезпечуючи гнучку та точну сегментацію та ефективніший засіб аналітичного дослідження порівняно з іншими методами кластеризації. У роботі проведено підбір гіперпараметрів, підготовку та нормалізацію вхідного набору даних, процедури валідації кластерів на основі ряду кількісних метрик та з урахуванням семантичної відповідності.
Методи. Для кластеризації країн за потенціалом декарбонізації застосовано самоорганізаційні карти Кохонена. Цей інструментарій дає змогу моделювати нелінійні зв'язки та враховувати високу розмірність даних, забезпечуючи гнучку й точну сегментацію, та є ефективнішим засобом для аналітичних досліджень порівняно з іншими методами кластеризації. Стаття містить налаштування гіперпараметрів, підготовку та нормалізацію вхідного набору даних, а також валідацію кластерів за допомогою ряду кількісних метрик (коефіцієнта силуету, індексів Девіса – Болдіна та Калінскі – Харабаша).
Результати. Отримані результати дозволили виокремити шість кластерів країн із різними профілями декарбонізації (лідери – декарбонізаційні хаби, послідовники, ресурсомісткі економіки, країни-виробники, вуглеводневі країни й основні промислово розвинені країни). На основі отриманих результатів кластеризації автори оцінили динамічні траєкторії країн у часі й визначили ключові показники, що впливають на досягнення цілей відновлюваної енергетики та скорочення викидів. Крім того, запропоновано оригінальний підхід, заснований на використанні карт Кохонена у сценарному моделюванні, який показує, як стандартна кластеризація трансформується у практичний сценарний аналіз і дає змогу виявляти, які структурні зміни є найкритичнішими для досягнення цільового профілю країни. В межах цього аналізу зазначено, що для України покращення глобального позиціонування шляхом збільшення частки відновлюваних джерел енергії в енергетичному секторі може забезпечити перехід до кластерів послідовників або лідерів.
Висновки. Використання самоорганізаційних карт надає ефективний інструмент для формування стратегічних рекомендацій щодо розвитку низьковуглецевих економік та оптимізації національних енергетичних політик.

Завантажити

Дані для завантаження поки недоступні.

Посилання

Bucur, C., Tudorica, B. G., Oprea, S.-V., Nancu, D., & Dușmănescu, D. M. (2021). Insights into energy indicators analytics towards European green energy transition using statistics and self-organizing maps. IEEE Access, 9, 64427–64444. https://doi.org/10.1109/ACCESS.2021.3075175

Criado-Ramón, D., Ruiz, L. G. B., & Pegalajar, M. C. (2023). An improved pattern sequence-based energy load forecast algorithm based on self-organizing maps and artificial neural networks. Big Data and Cognitive Computing, 7(2), Article 92. https://doi.org/10.3390/bdcc7020092

EnerData. (2023). World Energy & Climate Statistics – Yearbook 2023 [dataset]. Retrieved September 29, 2025 from https://yearbook.enerdata.net/ total-energy/world-consumption-statistics.html

Heaton, J. (2008). Introduction to neural networks for Java (2nd ed.). Heaton Research, Inc.

Johnson, S. C. (1967). Hierarchical clustering schemes. Psychometrika, 32(3), 241–254. https://doi.org/10.1007/BF02289588

Jolliffe, I. T. (2002). Principal component analysis (2nd ed.). Springer-Verlag. https://doi.org/10.1007/b98835

Jiménez-Preciado, A. L., Cruz-Aké, S., & Venegas-Martínez, F. (2024). Identification of patterns in CO₂ emissions among 208 countries: K-means clustering combined with PCA and non-linear t-SNE visualization. Mathematics, 12(16), Article 2591. https://doi.org/10.3390/math12162591

Kohonen, T. (2001). Self-organizing maps (3rd ed.). Springer-Verlag. https://doi.org/10.1007/978-3-642-56927-2

Krejcie, R. V., & Morgan, D. W. (1970). Determining sample size for research activities. Educational and Psychological Measurement, 30(3), 607–610. https://doi.org/10.1177/001316447003000308

MacQueen, J. (1967). Some methods for classification and analysis of multivariate observations. In L. M. Le Cam, & J. Neyman (Eds.), Proceedings of the Fifth Berkeley Symposium on Mathematical Statistics and Probability: Vol. 5.1 (pp. 281–297). University of California Press. https://projecteuclid.org/ euclid.bsmsp/1200512992

Matviychuk, A., Zhytkevych, O., & Osadcha, N. (2024). Modeling carbon dioxide emissions reduction. Energy Reports, 12, 1876–1887. https://doi.org/10.1016/j.egyr.2024.08.004

Osadchuk, V., Yatsenko, O., & Iatsenko, O. (2024). Digital imperative and innovations in international trade. Neuro-Fuzzy Modeling Techniques in Economics, 13, 25–58. http://doi.org/10.33111/nfmte.2024.025

Poznyak, S., & Kolyada, Y. (2023). Comparative analysis of the effectiveness of dimensionality reduction algorithms and clustering methods on the problem of modeling economic growth. Neuro-Fuzzy Modeling Techniques in Economics, 12, 67–110. https://doi.org/10.33111/nfmte.2023.067

Scikit-learn. (2024). Clustering. Retrieved September 29, 2025 from https://scikit-learn.org/stable/modules/clustering.html#clustering-performance-evaluation

Sereda, V., Nagachevska, T., & Hryhorova, A. (2024). Transformation of approaches to shaping and implementing the sustainable development strategy of the EU and Ukraine in the context of war and post war reconstruction. Bulletin of Taras Shevchenko National University of Kyiv. Economics, 2(225), 69–80 [in Ukrainian]. [Середа, В., Нагачевська, Т., & Григорова, А. (2024). Трансформація підходів до формування та реалі-зації стратегії сталого розвитку ЄС та України в умовах війни та повоєн-ної відбудови. Вісник Київського національного університету імені Тараса Шевченка. Серія: Економіка, 2(225), 69–80]. https://doi.org/10.17721/1728-2667.2024/225-2/7

Soboliev, O., & Zatonatska, T. (2024). Transformation of state regulation in the energy sector under the influence of the Russian–Ukrainian war. Bulletin of Taras Shevchenko National University of Kyiv. Economics, 2(225), 15–26 [in Ukrainian]. [Соболєв, О., & Затонацька, Т. (2024). Трансформа-ція державного регулювання у сфері енергетичної галузі під впливом ро-сійсько-української війни. Вісник Київського національного університету імені Тараса Шевченка. Економіка, 2(225), 15–26]. https://doi.org/10.17721/1728-2667.2024/225-2/2

The World Bank. (2023). World development indicators [dataset]. Retrieved September 29, 2025 from https://datacatalog.worldbank.org/ search/dataset/0037712

United Nations Framework Convention on Climate Change. (2015). Paris Agreement. https://unfccc.int/sites/default/files/english_paris_agreement.pdf

Vesanto, J., & Alhoniemi, E. (2000). Clustering of the self-organizing map. IEEE Transactions on Neural Networks, 11(3), 586–600. https://doi.org/10.1109/72.846731

Vlaović, Ž. D., Stepanov, B. L., Anđelković, A. S., Rajs, V. M., Čepić, Z. M., & Tomić, M. A. (2023). Mapping energy sustainability using the Kohonen self-organizing maps – Case study. Journal of Cleaner Production, 412, Article 137351. https://doi.org/10.1016/j.jclepro.2023.137351

Zatonatska, T., Soboliev, O., Artyukhov, A., Zatonatskiy, D., Balan, V., Wołowiec, T., & Woźniak, D. (2025). Sustainable Energy Investments: ESG-Centric Evaluation and Planning of Energy Projects. Energies, 18(8), Article 1942. https://doi.org/10.3390/en18081942

Zhytkevych, O. (2025). Review and selection of clustering algorithms for datasets in the context of countries' decarbonization. Economy of Ukraine, 68, 11(768), 43–55. https://doi.org/10.15407/ economyukr.2025.11.043

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

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