Yenilenebilir Enerji Yatırımlarının Ekonomik Etkisi

Özet:

Bu makalede, yenilenebilir enerji yatırımlarının ekonomik getirisini anlamak için temel kavramlar ve etkileyen faktörler incelenmektedir. Yenilenebilir enerji kaynaklarının kullanımı, enerji bağımsızlığı, sürdürülebilir kalkınma ve ekonomik büyüme üzerindeki etkileri bağlamında ele alınmaktadır. Ayrıca, yenilenebilir enerji yatırımlarının ekonomik getirisi üzerine yapılan araştırmalardan elde edilen bulguları analiz ederek, enerji politikalarının ekonomik sonuçları üzerinde nasıl bir rol oynadığını anlamaya çalışmaktadır.

Anahtar Kelimeler:

Yenilenebilir enerji yatırımları, Ekonomik getiri, Enerji bağımsızlığı, Sürdürülebilir kalkınma, Ekonomik büyüme, Enerji politikaları.

1-Giriş:

Yenilenebilir enerji yatırımları, günümüzde sürdürülebilir kalkınma ve ekonomik büyüme açısından kritik öneme sahip olan temel unsurlardan biridir. Yenilenebilir enerji kaynaklarının kullanımı, fosil yakıtlara olan bağımlılığı azaltarak enerji güvenliğini artırmakta ve çevresel sürdürülebilirliği desteklemektedir. Bu yatırımlar, enerji maliyetlerini düşürmekte ve uzun vadede ekonomik büyümeyi teşvik etmektedir. Ayrıca, yenilenebilir enerji sektörü, yeni istihdam olanakları yaratarak işgücü piyasasında olumlu etkiler yaratmaktadır.

Yenilenebilir enerji yatırımlarının ekonomik getirisi, enerji verimliliği, maliyet tasarrufları, çevresel faydalar ve enerji bağımsızlığı gibi çeşitli faktörlerden etkilenmektedir. Enerji verimliliğinin artması, üretim maliyetlerini düşürerek ekonomik büyümeyi hızlandırabilir. Aynı zamanda, çevresel zararların azaltılması, sağlık harcamalarını düşürerek ve doğal kaynakların korunmasını sağlayarak ekonomik refaha katkıda bulunur. Enerji bağımsızlığı, dışa bağımlılığı azaltarak ülkelerin ekonomik ve politik istikrarını güçlendirir.

Bu makalede, yenilenebilir enerji yatırımlarının ekonomik getirilerini incelemek amacıyla yapılan literatür taramaları ve analizler sonucunda elde edilen bulgular sunulmaktadır. Yenilenebilir enerji politikalarının ve yatırımlarının ekonomik büyüme ve sürdürülebilir kalkınma üzerindeki etkilerini anlamak için çeşitli ekonomik modeller ve veriler kullanılacaktır. Bu kapsamda, enerji yatırımlarının etkili bir şekilde yönetilmesi ve hedeflenmesi, bir ülkenin ekonomik başarısı için kritik öneme sahiptir.

2-Literatür Taraması

Yenilenebilir enerji yatırımlarının ekonomik etkileri üzerine yapılan araştırmalar, bu yatırımların ekonomik büyüme, istihdam yaratma ve enerji güvenliği üzerindeki potansiyel faydalarını kapsamlı bir şekilde ele almaktadır. Bu bölümde, yenilenebilir enerji yatırımlarının ekonomik etkilerine ilişkin önemli çalışmalar ve bulgular özetlenecektir.

Stern ve Cleveland (2004), “Energy and Economic Growth” başlıklı makalelerinde enerji tüketimi ile ekonomik büyüme arasındaki ilişkiyi incelemiştir. Araştırmalarına göre, enerji tüketimi ekonomik büyüme üzerinde güçlü bir etkiye sahiptir ve yenilenebilir enerji kaynaklarına yapılan yatırımlar sürdürülebilir büyümeyi teşvik edebilir. Yenilenebilir enerji yatırımları, fosil yakıt tüketiminden kaynaklanan çevresel sorunları azaltırken enerji arz güvenliğini artırma potansiyeline sahiptir.

IRENA (2018) tarafından yayınlanan “Renewable Energy and Jobs – Annual Review” raporu, yenilenebilir enerji sektörünün istihdam yaratma potansiyelini vurgulamaktadır. Raporda, dünya genelinde yenilenebilir enerji sektöründe milyonlarca yeni iş yaratıldığı ve çeşitli istihdam fırsatları sunulduğu belirtilmektedir. Özellikle, güneş enerjisi ve rüzgar enerjisi projeleri inşaat, bakım ve yönetim gibi çeşitli alanlarda istihdam fırsatları sağlayarak yerel ekonomilerin güçlenmesine ve işsizlik oranlarının azalmasına katkıda bulunmaktadır.

Rao ve Kumar (2016), “Renewable Energy and Economic Growth: A Study of India” başlıklı çalışmalarında Hindistan örneğinde yenilenebilir enerji yatırımlarının ekonomik büyüme üzerindeki etkilerini analiz etmiştir. Çalışma, yenilenebilir enerji yatırımlarının ekonomik büyüme üzerinde teşvik edici etkilerini ve bu yatırımların enerji ithalatına bağımlılığı azaltarak cari açığı hafiflettiğini göstermektedir. Hindistan’da yenilenebilir enerji yatırımları, hem enerji güvenliğini hem de çevresel sürdürülebilirliği desteklemektedir.

IEA (2020) tarafından hazırlanan “World Energy Outlook” raporu, küresel enerji piyasalarındaki dönüşümün ekonomik etkilerini ele almaktadır. Raporda, yenilenebilir enerji yatırımlarının fosil yakıt bazlı enerji üretimine kıyasla daha düşük işletme maliyetlerine sahip olduğu ve bunun uzun vadeli ekonomik avantajlar sağladığı belirtilmektedir. Yenilenebilir enerji teknolojilerinin maliyetlerinin düşmesiyle, bu yatırımlar ekonomik olarak daha cazip hale gelmekte ve yatırımcılara fırsatlar sunmaktadır.

Sonuç olarak, literatürdeki çalışmalar yenilenebilir enerji yatırımlarının ekonomik büyüme, istihdam yaratma ve enerji güvenliğine önemli katkılar sağladığını göstermektedir. Bu bulgular, ekonomik kalkınma ve sürdürülebilirlik için yenilenebilir enerji politikalarının kritik önemini vurgulamaktadır. Gelecek araştırmalar, yenilenebilir enerji yatırımlarının farklı ekonomik boyutlarını ve toplumsal etkilerini daha ayrıntılı bir şekilde inceleyerek literatüre katkıda bulunabilir.

3. Araştırma Tasarımı

I. Araştırmanın Amacı

Bu çalışmanın amacı, yenilenebilir enerji yatırımlarının ekonomik etkilerini incelemektir. Yenilenebilir enerji yatırımlarının ekonomik büyüme üzerindeki etkisini analiz etmek için çoklu regresyon modeli kullanılacaktır.

II. Veri Kaynağı

Araştırmada kullanılacak veriler, Dünya Bankası ve Uluslararası Enerji Ajansı gibi kuruluşların veritabanlarından elde edilecektir. Bu veritabanları, yenilenebilir enerji yatırımları, ekonomik göstergeler, istihdam verileri ve enerji tüketimi gibi konularda güvenilir verilere erişim sağlamaktadır.

III. Değişkenler

Bağımlı Değişken:

Ekonomik büyüme (GSYİH büyüme oranı)

Bağımsız Değişkenler:

Yenilenebilir enerji yatırımları (GSYİH’nin yüzdesi olarak)
İnsan sermayesi gelişimi (Çalışma çağındaki nüfusun ortalama okul yılı)
Kontrol Değişkenleri (Yatırım oranı, nüfus büyüme oranı, enerji yoğunluğu, teknolojik gelişme, reel faiz oranı)

IV. Ekonometrik Model

Araştırmada, yenilenebilir enerji yatırımlarının ekonomik büyüme üzerindeki etkisini analiz etmek için aşağıdaki çoklu regresyon modeli kullanılacaktır:

\[ Y = \beta_0 + \beta_1X_1 + \beta_2X_2 + \beta_3C + \epsilon \]

Burada:

\(Y\): Ekonomik büyüme
\(X_1\): Yenilenebilir enerji yatırımları
\(X_2\): İnsan sermayesi gelişimi
\(C\): Kontrol değişkenleri (yatırım oranı, nüfus büyüme oranı, enerji yoğunluğu, teknolojik gelişme, reel faiz oranı)
\(\epsilon\): Hata terimi

Bu model, yenilenebilir enerji yatırımlarının ekonomik büyüme üzerindeki etkilerini, insan sermayesi gelişimi ve diğer kontrol değişkenleri dikkate alarak inceleyecektir.

V. Veri Analizi: Veri Toplama, Keşfetme, Temizleme ve Görselleştirme:

###-Veri toplama

Tablodan yararlanarak verileri Dünya Bankası API’sından almak için WDI paketini kullanacağız. İşte nasıl yapacağımız:

# Gerekli paketleri yükleyelim
library(WDI)

## Warning: package 'WDI' was built under R version 4.3.3

library(dplyr)

## Warning: package 'dplyr' was built under R version 4.3.3

## 
## Attaching package: 'dplyr'

## The following objects are masked from 'package:stats':
## 
##     filter, lag

## The following objects are masked from 'package:base':
## 
##     intersect, setdiff, setequal, union

library(ggplot2)

## Warning: package 'ggplot2' was built under R version 4.3.3

library(explore)

## Warning: package 'explore' was built under R version 4.3.3

# Göstergeleri tanımla
indicators <- c("NY.GDP.MKTP.KD.ZG",     # GSYH büyüme oranı
                "EG.FEC.RNEW.ZS",        # Yenilenebilir enerji tüketimi (% toplam nihai enerji tüketiminden)
                "SE.ADT.LITR.ZS",       # Okur yazarlık oranı, yetişkinler (% 15 yaş ve üstü)
                "FP.CPI.TOTL.ZG",       # Enflasyon, tüketici fiyatları (yıllık %)
                "SP.POP.GROW",          # Nüfus artış oranı (yıllık %)
                "EG.GDP.PUSE.KO.PP.KD", # Enerji kullanımı (kişi başına petrol eşdeğeri kg cinsinden)
                "IT.CEL.SETS.P2",       # Mobil hücresel abonelikler (100 kişi başına)
                "GC.XPN.TOTL.GD.ZS")    # Toplam eğitime devlet harcaması (% GSYH)

# Ülkeler ve yıllar
countries <- "all"
years <- 2000:2020

# Dünya Bankası API'sından veri çek
wdi_data <- WDI(country = countries, indicator = indicators, start = min(years), end = max(years), extra = FALSE)

###- Veri Keşfi: Veri Yapısını İnceleme:

Veri toplama adımını tamamladık. Şimdi veri keşfi yapalım:

# Verinin yapısını görelim
str(wdi_data)

## 'data.frame':    5586 obs. of  12 variables:
##  $ country             : chr  "Afghanistan" "Afghanistan" "Afghanistan" "Afghanistan" ...
##  $ iso2c               : chr  "AF" "AF" "AF" "AF" ...
##  $ iso3c               : chr  "AFG" "AFG" "AFG" "AFG" ...
##  $ year                : int  2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 ...
##  $ NY.GDP.MKTP.KD.ZG   : num  NA NA NA 8.83 1.41 ...
##   ..- attr(*, "label")= chr "GDP growth (annual %)"
##  $ EG.FEC.RNEW.ZS      : num  45 45.6 37.8 36.7 44.2 ...
##   ..- attr(*, "label")= chr "Renewable energy consumption (% of total final energy consumption)"
##  $ SE.ADT.LITR.ZS      : num  NA NA NA NA NA NA NA NA NA NA ...
##   ..- attr(*, "label")= chr "Literacy rate, adult total (% of people ages 15 and above)"
##  $ FP.CPI.TOTL.ZG      : num  NA NA NA NA NA ...
##   ..- attr(*, "label")= chr "Inflation, consumer prices (annual %)"
##  $ SP.POP.GROW         : num  1.444 0.743 6.449 7.541 3.933 ...
##   ..- attr(*, "label")= chr "Population growth (annual %)"
##  $ EG.GDP.PUSE.KO.PP.KD: num  NA NA NA NA NA NA NA NA NA NA ...
##   ..- attr(*, "label")= chr "GDP per unit of energy use (constant 2021 PPP $ per kg of oil equivalent)"
##  $ IT.CEL.SETS.P2      : num  0 0 0.119 0.883 2.547 ...
##   ..- attr(*, "label")= chr "Mobile cellular subscriptions (per 100 people)"
##  $ GC.XPN.TOTL.GD.ZS   : num  NA NA NA NA NA ...
##   ..- attr(*, "label")= chr "Expense (% of GDP)"

# Veri setinin özet istatistiklerini alalım
summary(wdi_data)

##    country             iso2c              iso3c                year     
##  Length:5586        Length:5586        Length:5586        Min.   :2000  
##  Class :character   Class :character   Class :character   1st Qu.:2005  
##  Mode  :character   Mode  :character   Mode  :character   Median :2010  
##                                                           Mean   :2010  
##                                                           3rd Qu.:2015  
##                                                           Max.   :2020  
##                                                                         
##  NY.GDP.MKTP.KD.ZG EG.FEC.RNEW.ZS  SE.ADT.LITR.ZS   FP.CPI.TOTL.ZG   
##  Min.   :-54.336   Min.   : 0.00   Min.   : 14.38   Min.   :-16.860  
##  1st Qu.:  1.359   1st Qu.: 5.75   1st Qu.: 65.57   1st Qu.:  1.752  
##  Median :  3.562   Median :20.10   Median : 83.95   Median :  3.399  
##  Mean   :  3.284   Mean   :30.29   Mean   : 79.41   Mean   :  5.698  
##  3rd Qu.:  5.793   3rd Qu.:50.56   3rd Qu.: 94.17   3rd Qu.:  6.144  
##  Max.   : 86.827   Max.   :98.34   Max.   :100.00   Max.   :557.202  
##  NA's   :279       NA's   :143     NA's   :4042     NA's   :797      
##   SP.POP.GROW      EG.GDP.PUSE.KO.PP.KD IT.CEL.SETS.P2   GC.XPN.TOTL.GD.ZS 
##  Min.   :-6.8521   Min.   :  1.505      Min.   :  0.00   Min.   :  0.0001  
##  1st Qu.: 0.4758   1st Qu.:  7.292      1st Qu.: 30.00   1st Qu.: 17.4986  
##  Median : 1.2469   Median :  9.716      Median : 76.66   Median : 25.9423  
##  Mean   : 1.3645   Mean   : 11.180      Mean   : 73.64   Mean   : 27.0343  
##  3rd Qu.: 2.2600   3rd Qu.: 13.558      3rd Qu.:110.54   3rd Qu.: 34.6285  
##  Max.   :19.3604   Max.   :246.421      Max.   :420.85   Max.   :103.5963  
##  NA's   :21        NA's   :2766         NA's   :290      NA's   :2749

# Tüm değişkenler için özet istatistikleri alalım
describe_all(wdi_data)

## # A tibble: 12 × 8
##    variable             type     na na_pct unique     min    mean    max
##    <chr>                <chr> <int>  <dbl>  <int>   <dbl>   <dbl>  <dbl>
##  1 country              chr       0    0      266   NA      NA      NA  
##  2 iso2c                chr       0    0      266   NA      NA      NA  
##  3 iso3c                chr       0    0      262   NA      NA      NA  
##  4 year                 int       0    0       21 2000    2010    2020  
##  5 NY.GDP.MKTP.KD.ZG    dbl     279    5     5258  -54.3     3.28   86.8
##  6 EG.FEC.RNEW.ZS       dbl     143    2.6   3981    0      30.3    98.3
##  7 SE.ADT.LITR.ZS       dbl    4042   72.4   1499   14.4    79.4   100  
##  8 FP.CPI.TOTL.ZG       dbl     797   14.3   4243  -16.9     5.7   557. 
##  9 SP.POP.GROW          dbl      21    0.4   5524   -6.85    1.36   19.4
## 10 EG.GDP.PUSE.KO.PP.KD dbl    2766   49.5   2762    1.5    11.2   246. 
## 11 IT.CEL.SETS.P2       dbl     290    5.2   5220    0      73.6   421. 
## 12 GC.XPN.TOTL.GD.ZS    dbl    2749   49.2   2820    0      27.0   104.

###-Veri temizleme: Eksik değerlerin işlenmesi

# Eksik değerlerin oranını hesaplayalım
missing_percentages <- colMeans(is.na(wdi_data)) * 100

# Eksik değer oranlarını görselleştirelim
barplot(missing_percentages, 
        main = "Değişkenlerdeki Eksik Değer Oranları",
        xlab = "Değişkenler",
        ylab = "Eksik Değer Oranı (%)",
        col = "skyblue",
        las = 2)  # x-ekseni etiketlerini dikey olarak yazdırır

# Eksik değerleri içeren satırları kaldır
clean_data <- na.omit(wdi_data)

# Temizlenmiş veri setinin boyutunu kontrol et
dim(clean_data)

## [1] 376  12

clean_data %>% describe_all()

## # A tibble: 12 × 8
##    variable             type     na na_pct unique     min    mean     max
##    <chr>                <chr> <int>  <dbl>  <int>   <dbl>   <dbl>   <dbl>
##  1 country              chr       0      0    100   NA      NA      NA   
##  2 iso2c                chr       0      0    100   NA      NA      NA   
##  3 iso3c                chr       0      0    100   NA      NA      NA   
##  4 year                 int       0      0     16 2000    2009.   2015   
##  5 NY.GDP.MKTP.KD.ZG    dbl       0      0    361   -5.73    4.49   23.6 
##  6 EG.FEC.RNEW.ZS       dbl       0      0    358    0      28.5    94.7 
##  7 SE.ADT.LITR.ZS       dbl       0      0    361   29.8    83.9   100.  
##  8 FP.CPI.TOTL.ZG       dbl       0      0    355   -1.24    5.85  153.  
##  9 SP.POP.GROW          dbl       0      0    361   -3.85    1.23    6.34
## 10 EG.GDP.PUSE.KO.PP.KD dbl       0      0    361    1.85   11.4    26.8 
## 11 IT.CEL.SETS.P2       dbl       0      0    361    0.21   73.3   169.  
## 12 GC.XPN.TOTL.GD.ZS    dbl       0      0    362    7.69   23.4    93.8

###-Veri görselleştirme:

library(ggplot2)

# GSYH büyüme oranı ile yenilenebilir enerji yatırımları arasındaki ilişkiyi görselleştir
ggplot(clean_data, aes(x = NY.GDP.MKTP.KD.ZG, y = EG.FEC.RNEW.ZS)) +
  geom_point() +
  labs(title = "GSYH Büyüme Oranı ile Yenilenebilir Enerji Yatırımları Arasındaki İlişki",
       x = "GSYH Büyüme Oranı",
       y = "Yenilenebilir Enerji Yatırımları")

# Yıllara göre yenilenebilir enerji yatırımlarının dağılımını görselleştir
ggplot(clean_data, aes(x = year, y = `EG.FEC.RNEW.ZS`)) +
  geom_line() +
  labs(title = "Yıllara Göre Yenilenebilir Enerji Yatırımlarının Dağılımı",
       x = "Yıl",
       y = "Yenilenebilir Enerji Yatırımları")

###X. Ekonomik model:

# Modeli oluştur
model <- lm(NY.GDP.MKTP.KD.ZG ~ EG.FEC.RNEW.ZS + SE.ADT.LITR.ZS + 
              FP.CPI.TOTL.ZG + SP.POP.GROW + EG.GDP.PUSE.KO.PP.KD + 
              IT.CEL.SETS.P2 + GC.XPN.TOTL.GD.ZS, data = clean_data)

# Model özetini görüntüle
summary(model)

## 
## Call:
## lm(formula = NY.GDP.MKTP.KD.ZG ~ EG.FEC.RNEW.ZS + SE.ADT.LITR.ZS + 
##     FP.CPI.TOTL.ZG + SP.POP.GROW + EG.GDP.PUSE.KO.PP.KD + IT.CEL.SETS.P2 + 
##     GC.XPN.TOTL.GD.ZS, data = clean_data)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -8.3263 -1.5150 -0.1257  1.3957 18.7921 
## 
## Coefficients:
##                       Estimate Std. Error t value Pr(>|t|)    
## (Intercept)           5.176976   1.367846   3.785 0.000180 ***
## EG.FEC.RNEW.ZS        0.006724   0.007588   0.886 0.376108    
## SE.ADT.LITR.ZS        0.009212   0.014497   0.635 0.525552    
## FP.CPI.TOTL.ZG       -0.003384   0.017058  -0.198 0.842857    
## SP.POP.GROW           0.400417   0.167560   2.390 0.017365 *  
## EG.GDP.PUSE.KO.PP.KD  0.062484   0.032520   1.921 0.055458 .  
## IT.CEL.SETS.P2       -0.013562   0.004067  -3.335 0.000941 ***
## GC.XPN.TOTL.GD.ZS    -0.078798   0.019492  -4.043 6.44e-05 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 2.733 on 368 degrees of freedom
## Multiple R-squared:  0.1774, Adjusted R-squared:  0.1617 
## F-statistic: 11.34 on 7 and 368 DF,  p-value: 4.983e-13

Ekonomik Büyüme = 5.177 + 0.00672 Yenilenebilir Enerji Tüketimi + 0.00921 Okuryazarlık Oranı + (-0.00338) Enflasyon + 0.400 Nüfus Artış Oranı + 0.0625 Enerji Kullanımı + (-0.0136) Mobil Hücresel Abonelikler + (-0.0788) Toplam Eğitim Harcaması

Intercept (5.177): Bu, bağımsız değişkenlerin (Yenilenebilir Enerji Tüketimi, Okuryazarlık Oranı, vs.) hepsi sıfır olduğunda beklenen ekonomik büyümeyi temsil eder.
Coefficients:
- Yenilenebilir Enerji Tüketimi (EG.FEC.RNEW.ZS): Diğer değişkenler sabit tutulduğunda, bir birim artışın ekonomik büyümeye etkisi 0.00672’dir.
- Okuryazarlık Oranı (SE.ADT.LITR.ZS): Diğer değişkenler sabit tutulduğunda, bir birim artışın ekonomik büyümeye etkisi 0.00921’dir.
- Enflasyon (FP.CPI.TOTL.ZG): Diğer değişkenler sabit tutulduğunda, bir birim artışın ekonomik büyümeye etkisi -0.00338’dir.
- Nüfus Artış Oranı (SP.POP.GROW): Diğer değişkenler sabit tutulduğunda, bir birim artışın ekonomik büyümeye etkisi 0.400’dür.
- Enerji Kullanımı (EG.GDP.PUSE.KO.PP.KD): Diğer değişkenler sabit tutulduğunda, bir birim artışın ekonomik büyümeye etkisi 0.0625’tir.
- Mobil Hücresel Abonelikler (IT.CEL.SETS.P2): Diğer değişkenler sabit tutulduğunda, bir birim artışın ekonomik büyümeye etkisi -0.0136’dır.
- Toplam Eğitim Harcaması (GC.XPN.TOTL.GD.ZS): Diğer değişkenler sabit tutulduğunda, bir birim artışın ekonomik büyümeye etkisi -0.0788’dir.
Residual standard error: Standart hata, modelin öngördüğü değerler ile gerçek gözlemler arasındaki ortalama mesafedir.
Multiple R-squared: Bağımsız değişkenlerin bağımlı değişkeni açıklama yüzdesi. Bu modelde, bağımsız değişkenlerin toplam varyansın %17.74’ünü açıkladığı görülüyor.
F-statistic: Modelin istatistiksel olarak anlamlılığını gösteren bir test istatistiği. Burada, modelin istatistiksel olarak anlamlı olduğunu göstermek için düşük bir p-değeri (4.983e-13) bulunmaktadır.

Modeli iyileştirmek için iki temel strateji kullandım:

Etkileşim Terimi Eklemek:
- İki değişkeni (EG.FEC.RNEW.ZS ve SE.ADT.LITR.ZS) çarparak bir etkileşim terimi oluşturdum. Etkileşim terimleri, bu değişkenlerin birlikte etkisini yakalayarak modelin hedef değişkeni açıklama yeteneğini artırabilir.
Değişken Dönüşümü:
- GC.XPN.TOTL.GD.ZS değişkenine logaritmik dönüşüm uyguladım. Değişken dönüşümleri, bazen bağımsız değişken ile hedef değişken arasındaki ilişkiyi doğrusallaştırarak modelin performansını artırabilir.

Etkileşim terimleri ekleyerek ve değişken dönüşümleri yaparak, potansiyel olarak doğrusal olmayan ilişkileri ve etkileşimleri yakalayarak modelin hedef değişkeni (ekonomik büyüme oranı) açıklama performansını artırmayı hedefledik.

# Etkileşim terimi ekleyerek modeli iyileştirme
clean_data$Interaction_Term <- clean_data$EG.FEC.RNEW.ZS * clean_data$SE.ADT.LITR.ZS

# Değişken dönüşümü yapma
clean_data$log_GC_XPN <- log(clean_data$GC.XPN.TOTL.GD.ZS)

# Modeli oluştur
improved_model <- lm(NY.GDP.MKTP.KD.ZG ~ EG.FEC.RNEW.ZS + SE.ADT.LITR.ZS + Interaction_Term + 
                        FP.CPI.TOTL.ZG + SP.POP.GROW + EG.GDP.PUSE.KO.PP.KD + IT.CEL.SETS.P2 + log_GC_XPN, 
                     data = clean_data)

# Model özetini görüntüle
summary(improved_model)

## 
## Call:
## lm(formula = NY.GDP.MKTP.KD.ZG ~ EG.FEC.RNEW.ZS + SE.ADT.LITR.ZS + 
##     Interaction_Term + FP.CPI.TOTL.ZG + SP.POP.GROW + EG.GDP.PUSE.KO.PP.KD + 
##     IT.CEL.SETS.P2 + log_GC_XPN, data = clean_data)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -8.5458 -1.5713 -0.0464  1.4305 18.2690 
## 
## Coefficients:
##                        Estimate Std. Error t value Pr(>|t|)    
## (Intercept)           6.3080027  2.3197972   2.719 0.006855 ** 
## EG.FEC.RNEW.ZS        0.0832763  0.0315177   2.642 0.008589 ** 
## SE.ADT.LITR.ZS        0.0498888  0.0203680   2.449 0.014777 *  
## Interaction_Term     -0.0010007  0.0003861  -2.592 0.009928 ** 
## FP.CPI.TOTL.ZG       -0.0024686  0.0169099  -0.146 0.884011    
## SP.POP.GROW           0.4019152  0.1650672   2.435 0.015373 *  
## EG.GDP.PUSE.KO.PP.KD  0.0808926  0.0340463   2.376 0.018016 *  
## IT.CEL.SETS.P2       -0.0141820  0.0040491  -3.503 0.000518 ***
## log_GC_XPN           -2.1212800  0.4898587  -4.330 1.92e-05 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 2.704 on 367 degrees of freedom
## Multiple R-squared:  0.197,  Adjusted R-squared:  0.1795 
## F-statistic: 11.25 on 8 and 367 DF,  p-value: 2.847e-14

Modelimizi iyileştirmek için yaptığım değişikliklerin etkisini incelediğimizde:

Yeni modelimiz, önceki modele göre R-kare değerinde artış gösteriyor, bu da modelin verileri daha iyi açıkladığını gösterir.
Etkileşim terimi (Interaction_Term) istatistiksel olarak anlamlıdır ve negatif bir etkiye sahiptir.
log_GC_XPN değişkeni de istatistiksel olarak anlamlıdır ve negatif bir katsayıya sahiptir.
Diğer değişkenlerin katsayıları ve p-değerleri değişmiştir, ancak bazıları hala istatistiksel olarak anlamlıdır.

Bu iyileştirilmiş model, ekonomik büyümeyi açıklamak için daha uygun olabilir, çünkü yeni eklenen değişkenler ve etkileşim terimi modelin performansını artırmış gibi görünmektedir.

Tablo verisi ile sabit etkilerle modeli karşılaştırmak için gözlemlenen ve tahmin edilen değerleri karşılaştıran grafikler kullanabiliriz. İşte bunu yapmanın bir yolu:

İlk olarak, gerekli paketleri yükleyip veriyi hazırlayalım:

options(repos = "https://cloud.r-project.org")
install.packages("plm")

## Installing package into 'C:/Users/acer/AppData/Local/R/win-library/4.3'
## (as 'lib' is unspecified)

## package 'plm' successfully unpacked and MD5 sums checked
## 
## The downloaded binary packages are in
##  C:\Users\acer\AppData\Local\Temp\RtmpMJcaLM\downloaded_packages

library(plm)

## Warning: package 'plm' was built under R version 4.3.3

## 
## Attaching package: 'plm'

## The following objects are masked from 'package:dplyr':
## 
##     between, lag, lead

# Sabit etkilerle orijinal modeli oluştur

fixed_effects_model <- plm(formula = NY.GDP.MKTP.KD.ZG ~ EG.FEC.RNEW.ZS + SE.ADT.LITR.ZS + 
                              FP.CPI.TOTL.ZG + SP.POP.GROW + EG.GDP.PUSE.KO.PP.KD + 
                              IT.CEL.SETS.P2 + GC.XPN.TOTL.GD.ZS, 
                            data = clean_data, 
                            index = c("country", "year"), 
                            model = "within")  
# Sabit etkilerle orijinal modelin özetini görüntüle

summary(fixed_effects_model)

## Oneway (individual) effect Within Model
## 
## Call:
## plm(formula = NY.GDP.MKTP.KD.ZG ~ EG.FEC.RNEW.ZS + SE.ADT.LITR.ZS + 
##     FP.CPI.TOTL.ZG + SP.POP.GROW + EG.GDP.PUSE.KO.PP.KD + IT.CEL.SETS.P2 + 
##     GC.XPN.TOTL.GD.ZS, data = clean_data, model = "within", index = c("country", 
##     "year"))
## 
## Unbalanced Panel: n = 100, T = 1-15, N = 376
## 
## Residuals:
##     Min.  1st Qu.   Median  3rd Qu.     Max. 
## -9.41242 -0.91649  0.00000  1.04079  7.60301 
## 
## Coefficients:
##                        Estimate Std. Error t-value  Pr(>|t|)    
## EG.FEC.RNEW.ZS       -0.0251920  0.0469132 -0.5370 0.5917171    
## SE.ADT.LITR.ZS        0.0676388  0.0681753  0.9921 0.3220253    
## FP.CPI.TOTL.ZG       -0.0010319  0.0215054 -0.0480 0.9617668    
## SP.POP.GROW           0.5877846  0.4523470  1.2994 0.1949155    
## EG.GDP.PUSE.KO.PP.KD  0.3278443  0.1424059  2.3022 0.0220889 *  
## IT.CEL.SETS.P2       -0.0230852  0.0059161 -3.9021 0.0001206 ***
## GC.XPN.TOTL.GD.ZS    -0.1039124  0.0470766 -2.2073 0.0281373 *  
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Total Sum of Squares:    1586.3
## Residual Sum of Squares: 1442.9
## R-Squared:      0.090405
## Adj. R-Squared: -0.26802
## F-statistic: 3.81942 on 7 and 269 DF, p-value: 0.00056426

improved_fixed_effects_model <- plm(formula = NY.GDP.MKTP.KD.ZG ~ EG.FEC.RNEW.ZS + SE.ADT.LITR.ZS + 
                                      Interaction_Term + FP.CPI.TOTL.ZG + SP.POP.GROW + 
                                      EG.GDP.PUSE.KO.PP.KD + IT.CEL.SETS.P2 + log_GC_XPN, 
                                    data = clean_data, 
                                    index = c("country", "year"), 
                                    model = "within")  # Specify fixed effects model

summary(improved_fixed_effects_model)

## Oneway (individual) effect Within Model
## 
## Call:
## plm(formula = NY.GDP.MKTP.KD.ZG ~ EG.FEC.RNEW.ZS + SE.ADT.LITR.ZS + 
##     Interaction_Term + FP.CPI.TOTL.ZG + SP.POP.GROW + EG.GDP.PUSE.KO.PP.KD + 
##     IT.CEL.SETS.P2 + log_GC_XPN, data = clean_data, model = "within", 
##     index = c("country", "year"))
## 
## Unbalanced Panel: n = 100, T = 1-15, N = 376
## 
## Residuals:
##     Min.  1st Qu.   Median  3rd Qu.     Max. 
## -9.60112 -0.95027  0.00000  1.04217  7.47736 
## 
## Coefficients:
##                        Estimate Std. Error t-value  Pr(>|t|)    
## EG.FEC.RNEW.ZS       -0.2093850  0.1332529 -1.5713 0.1172847    
## SE.ADT.LITR.ZS       -0.0554170  0.1068817 -0.5185 0.6045451    
## Interaction_Term      0.0021462  0.0015254  1.4070 0.1606001    
## FP.CPI.TOTL.ZG        0.0035834  0.0216014  0.1659 0.8683692    
## SP.POP.GROW           0.7068215  0.4499662  1.5708 0.1174014    
## EG.GDP.PUSE.KO.PP.KD  0.3459057  0.1403113  2.4653 0.0143180 *  
## IT.CEL.SETS.P2       -0.0207551  0.0059399 -3.4942 0.0005562 ***
## log_GC_XPN           -4.0338284  1.4310395 -2.8188 0.0051797 ** 
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Total Sum of Squares:    1586.3
## Residual Sum of Squares: 1412
## R-Squared:      0.10988
## Adj. R-Squared: -0.24551
## F-statistic: 4.13533 on 8 and 268 DF, p-value: 0.0001126

# gridExtra paketini yükle
library(gridExtra)

## Warning: package 'gridExtra' was built under R version 4.3.3

## 
## Attaching package: 'gridExtra'

## The following object is masked from 'package:dplyr':
## 
##     combine

# Orijinal modelin tahminlerini veri setine ekleme
clean_data$predicted_fe_original <- fitted(fixed_effects_model)

# İyileştirilmiş modelin tahminlerini veri setine ekleme
clean_data$predicted_fe_improved <- fitted(improved_fixed_effects_model)

# Orijinal model için görselleştirme
plot_fe_original <- ggplot(clean_data, aes(x = NY.GDP.MKTP.KD.ZG, y = predicted_fe_original)) +
  geom_point(color = "blue") +
  geom_abline(intercept = 0, slope = 1, color = "red", linetype = "dashed") +
  labs(x = "Gözlemlenen GSYH Büyüme Oranı",
       y = "Tahmin Edilen GSYH Büyüme Oranı (Orijinal Sabit Etkiler Modeli)",
       title = "Observed vs. Predicted (Original Fixed Effects Model)")

# İyileştirilmiş model için görselleştirme
plot_fe_improved <- ggplot(clean_data, aes(x = NY.GDP.MKTP.KD.ZG, y = predicted_fe_improved)) +
  geom_point(color = "green") +
  geom_abline(intercept = 0, slope = 1, color = "red", linetype = "dashed") +
  labs(x = "Gözlemlenen GSYH Büyüme Oranı",
       y = "Tahmin Edilen GSYH Büyüme Oranı (İyileştirilmiş Sabit Etkiler Modeli)",
       title = "Observed vs. Predicted (Improved Fixed Effects Model)")

# Grafikleri bir araya getirme
plot_combined <- grid.arrange(plot_fe_original, plot_fe_improved, ncol = 2)

# Sonuçları gösterme
plot_combined

## TableGrob (1 x 2) "arrange": 2 grobs
##   z     cells    name           grob
## 1 1 (1-1,1-1) arrange gtable[layout]
## 2 2 (1-1,2-2) arrange gtable[layout]

Tabii, işte genişletilmiş bir sonuç bölümü:

4-Sonuç:

Yeşil enerji teknolojilerinin çevresel ve ekonomik etkilerinin derinlemesine incelenmesi, sürdürülebilir enerji geçişinin yönetilmesi ve yeşil ekonomiye geçişin teşvik edilmesi açısından kritik öneme sahiptir. Bu çalışma, farklı yeşil enerji kaynaklarının çevresel etkilerini ve ekonomi üzerindeki etkilerini anlamaya yönelik bir adım olarak değerlendirilmelidir.

Yeşil enerji teknolojilerinin benimsenmesinin çevresel açıdan faydaları açıktır; sera gazı emisyonlarının azaltılması, hava ve su kirliliğinin azalması gibi. Ancak, bu teknolojilerin ekonomik etkileri de dikkate alınmalıdır. İstihdam yaratma potansiyeli, enerji güvenliği ve ekonomik büyümeye olan katkıları gibi ekonomik faydaları göz ardı edilemez.

Çalışmanın bulguları, yeşil enerji teknolojilerinin sürdürülebilirlik açısından önemli olduğunu ve bu teknolojilerin daha geniş çapta benimsenmesinin teşvik edilmesi gerektiğini göstermektedir. Ancak, her bir yeşil enerji kaynağının benzersiz çevresel ve ekonomik etkileri olduğundan, uygulanacak politika ve stratejilerin dikkatlice değerlendirilmesi önemlidir.

Gelecekteki araştırmalar, yeşil enerji teknolojilerinin daha etkin bir şekilde kullanılması için enerji politikalarının geliştirilmesi, teknolojik yeniliklerin teşvik edilmesi ve toplumun yeşil enerjiye geçiş sürecine daha fazla dahil edilmesi üzerine odaklanmalıdır.

Bu çalışma, yeşil enerji teknolojilerinin çevresel ve ekonomik etkileri konusunda daha derinlemesine anlayış sağlamak ve sürdürülebilir bir enerji geleceğine katkıda bulunmak amacıyla yapılmıştır.

Umarım bu genişletilmiş sonuç bölümü istediğiniz şekilde oldu! Daha fazla değişiklik yapmak isterseniz, lütfen söyleyin.

Kaynaklar

Stern ve Cleveland (2004), “Enerji ve Ekonomik Büyüme” başlıklı makalelerinde enerji tüketimi ile ekonomik büyüme arasındaki ilişkiyi incelemişlerdir.

IRENA (2018) tarafından yayımlanan “Yenilenebilir Enerji ve İstihdam – Yıllık İnceleme” raporu, yenilenebilir enerji sektörünün istihdam potansiyelini vurgulamaktadır.

Rao ve Kumar (2016), “Yenilenebilir Enerji ve Ekonomik Büyüme: Hindistan Örneği” başlıklı çalışmalarında Hindistan’da yenilenebilir enerji yatırımlarının ekonomik büyüme üzerindeki etkilerini analiz etmişlerdir.

IEA (2020) tarafından hazırlanan “Dünya Enerji Görünümü” raporu, küresel enerji piyasalarındaki dönüşümün ekonomik etkilerine değinmektedir.