Bu çalışma, yenilenebilir enerji tüketiminin ekonomik büyüme dinamikleri üzerindeki öngörü gücünü OECD ülkeleri ile gelişmekte olan ekonomiler arasında karşılaştırmalı olarak incelemektedir. Geleneksel panel regresyon yaklaşımlarından farklı olarak çalışmada doğrusal olmayan ilişkileri yakalayabilen derin öğrenme temelli Uzun Kısa Süreli Bellek (Long Short–Term Memory, LSTM) mimarisi kullanılmıştır. Araştırma kapsamında 2010–2024 dönemine ait yıllık veriler kullanılarak 15 OECD ülkesi ve 15 gelişmekte olan ülkeyi içeren dengeli bir panel veri seti oluşturulmuştur. Ekonomik performans kişi başına reel GSYH büyüme oranı ile temsil edilirken, yenilenebilir enerji değişkeni modele ayrı bir özellik olarak dahil edilmiştir. Analiz, yenilenebilir enerji değişkeni dâhil edilen ve hariç tutulan model spesifikasyonlarının tahmin performanslarını karşılaştırmalı biçimde değerlendirmektedir. Model performansı çoklu tahmin ufuklarında (t+1, t+2 ve t+3) Kök Ortalama Kare Hata (RMSE) ve Ortalama Mutlak Hata (MAE) ölçütleri kullanılarak analiz edilmiştir. Ayrıca LSTM modelleri doğrusal Ridge regresyon ve Naive tahmin yöntemleri ile karşılaştırılmış, tahmin üstünlüğü Diebold–Mariano testi aracılığıyla istatistiksel olarak değerlendirilmiştir. Elde edilen bulgular, OECD ülkelerinde kısa ve orta vadeli tahmin ufuklarında LSTM modelinin doğrusal yöntemlere kıyasla istatistiksel olarak anlamlı üstünlük sağladığını göstermektedir. Buna karşın gelişmekte olan ekonomilerde model performansının daha değişken olduğu ve tahmin üstünlüğünün sınırlı kaldığı tespit edilmiştir. Multi–horizon analizi, yenilenebilir enerji değişkeninin özellikle kısa vadeli büyüme tahminlerinde modele katkı sağladığını ortaya koymaktadır.

Raising indoor temperature setpoints is widely promoted as a practical way to reduce cooling-related energy demand in commercial buildings, yet its net carbon impact becomes uncertain once behavioral rebound effects are considered. This study develops an integrated carbon-accounting framework to evaluate the climate implications of summer indoor temperature increases of 1–3 °C in U.S. mercantile buildings. The framework combines operational energy savings from reduced cooling demand with consumption-driven emissions arising from longer customer dwell times and increased consumer spending under improved thermal comfort conditions. Carbon outcomes are quantified using sector-level electricity data and the USEEIO emission factor for retail trade. The results reveal a clear imbalance: operational carbon savings range from 0.21 to 0.64 Mt CO₂, whereas consumption-driven emissions range from 3.37 to 21.90 Mt CO₂, yielding a consistently positive net carbon impact of 3.16–21.26 Mt CO₂ across all scenarios. A break-even analysis indicates that only 1.30–3.89 billion USD in additional spending is sufficient to offset the operational savings. The findings remained robust across alternative behavioral and carbon-accounting specifications; a 10,000-iteration Monte Carlo analysis produced positive net carbon impacts in every simulation (median 8.54 Mt CO₂; P(NCI > 0) = 1.00). Overall, the results suggest that temperature-based efficiency measures may overstate their climate benefits when behavioral responses are ignored, highlighting the importance of incorporating rebound effects into building energy assessments and commercial climate policy.