Yenilenebilir enerjilerin ekonomik etkisi

KOMHIDI CRECELLE

karabük Üniversitesi

June 11, 2024

Abstract

Lorem ipsum dolor sit amet, consectetur adipiscing elit. Donec sit amet libero justo. Pellentesque eget nibh ex. Aliquam tincidunt egestas lectus id ullamcorper. Proin tellus orci, posuere sed cursus at, bibendum ac odio. Nam consequat non ante eget aliquam. Nulla facilisis tincidunt elit. Nunc hendrerit pellentesque quam, eu imperdiet ipsum porttitor ut. Interdum et malesuada fames ac ante ipsum primis in faucibus. Suspendisse potenti. Duis vitae nibh mauris. Duis nec sem sit amet ante dictum mattis. Suspendisse diam velit, maximus eget commodo at, faucibus et nisi. Ut a pellentesque eros, sit amet suscipit eros. Nunc tincidunt quis risus suscipit vestibulum. Quisque eu fringilla massa.

{r setup, include=FALSE knitr::opts_chunk$set(echo = TRUE) library(tidyverse) library(stevemisc)

Introduction

Artan çevresel zorluklar ve fosil yakıtlara olan bağımlılığın arttığı küresel bağlamda, yenilenebilir enerjiye geçiş birçok ülke için temel bir öncelik haline geldi. Güneş, rüzgar, hidroelektrik, jeotermal ve biyokütle dahil olmak üzere yenilenebilir enerji, geleneksel enerji kaynaklarına göre sürdürülebilir ve daha az kirletici bir alternatif sunuyor. Bunların kitlesel olarak benimsenmesi yalnızca çevresel kaygılara bir yanıt değil, aynı zamanda önemli bir ekonomik fırsatı da temsil ediyor.

Yenilenebilir enerjilerin yükselişi, küresel ve yerel ekonomik yapıları derinden dönüştürme potansiyeline sahiptir. Bu dönüşüm çeşitli kanallar aracılığıyla gerçekleşiyor: istihdam yaratmak, uzun vadeli enerji maliyetlerini azaltmak, teknolojik yeniliği teşvik etmek ve enerji güvenliğini güçlendirmek. Ayrıca yenilenebilir altyapıya yapılan yatırımlar yerel ekonomileri güçlendirebilir ve sürdürülebilir kalkınma için yeni fırsatlar sunabilir.

Ancak bu geçiş zorluklardan muaf değildir. Yüksek peşin maliyetler, elektrik şebekelerini modernleştirme ihtiyacı ve yenilenebilir enerji kaynaklarının kesintili olması, bu geçişin ekonomik ve teknik uygulanabilirliği hakkında karmaşık sorular ortaya çıkarıyor. Ek olarak, hükümet politikaları ve düzenleyici çerçeveler yenilenebilir enerjinin gelişiminin kolaylaştırılmasında veya engellenmesinde önemli bir rol oynamaktadır.

Bu proje, yenilenebilir enerjilerin ekonomik etkisini derinlemesine araştırmayı, bunların modern ekonomilere entegrasyonuyla ilgili faydaları ve zorlukları analiz etmeyi amaçlamaktadır. Çok boyutlu bir yaklaşımla iş piyasasına etkilerini, gerekli yatırımları, teknolojik yenilikleri ve enerji politikasına etkilerini inceleyeceğiz. Bu çalışma, yenilenebilir enerjinin daha müreffeh ve sürdürülebilir bir ekonomik geleceğe nasıl katkıda bulunabileceğine dair kapsamlı bir anlayış sağlamayı amaçlamaktadır.

(Karaca?) (2003) Turkiye’de enflasyon-buyume iliskisi: zaman serisi analizi ile incelemiştir. For more details on using R Markdown see http://rmarkdown.rstudio.com. Here’s an obligatory citation to Xie (2013).

Literature Review

İstihdam yaratma ve ekonomik kalkınma Çok sayıda çalışma, yenilenebilir enerjinin istihdam yaratmada önemli bir olumlu etkiye sahip olduğunu gösteriyor. Örneğin, Uluslararası Yenilenebilir Enerji Ajansı (IRENA), yenilenebilir enerji sektörünün 2020 yılında dünya çapında yaklaşık 12 milyon kişiyi istihdam ettiğini ve bu rakamın sürekli arttığını tahmin ediyor. Bu işler, araştırma ve geliştirmeden inşaat, kurulum ve bakıma kadar çok çeşitli becerileri kapsar.

Markandya ve ark. (2016), yenilenebilir enerjilerin fosil yakıtlara kıyasla üretilen enerji birimi başına daha fazla iş yaratma eğiliminde olduğunu vurgulamaktadır. Ancak istihdam üzerindeki etki, yenilenebilir enerji türüne ve yerel destek politikalarına bağlı olarak değişiklik gösterebilir.

Azalan enerji maliyetleri Güneş ve rüzgar dahil olmak üzere yenilenebilir enerji teknolojilerinin maliyetleri son yıllarda önemli ölçüde azaldı. Lazard (2020) raporu, güneş ve rüzgar enerjisi için seviyelendirilmiş elektrik maliyetinin (LCOE) artık dünyanın birçok yerinde rekabetçi düzeyde olduğunu ve hatta fosil yakıtlardan daha düşük olduğunu göstermektedir. Bu maliyet düşüşü, yenilenebilir enerjinin benimsenmesini teşvik eder ve tüketiciler için uzun vadeli enerji maliyetlerinin düşmesine yol açabilir.
Teknolojik yenilikler ve enerji verimliliği Yenilenebilir enerjiye geçiş aynı zamanda bir teknolojik yenilik dalgasını da teşvik etti. Araştırma ve geliştirmeye yapılan yatırımlar, güneş panelleri, rüzgar türbinleri ve enerji depolama teknolojilerinin verimliliğinde önemli gelişmelere yol açmıştır. Örneğin, enerji yönetimi algoritmalarının optimizasyonu ve lityum iyon pillerdeki ilerlemeler, yenilenebilir enerji sistemlerinin güvenilirliğini ve verimliliğini artırdı.
Hükümet politikaları ve ekonomik teşvikler Yenilenebilir enerjinin teşvik edilmesinde hükümet politikaları çok önemli bir rol oynamaktadır. Sübvansiyonlar, vergi kredileri ve garantili tarifeler bu sektöre yatırımı teşvik etmek için yaygın olarak kullanılan mekanizmalardır. Polzin ve ark. (2015), destek politikalarının yenilenebilir enerjilere özel yatırımların çekilmesinde doğrudan etkisi olduğunu göstermektedir. Ancak bu politikaların etkinliği çoğu zaman tasarım ve uygulamalarına bağlıdır.
Zorluklar ve ilgili maliyetler Pek çok faydasına rağmen, yenilenebilir enerjiye geçiş aynı zamanda ekonomik zorluklar da doğurmaktadır. Bazı teknolojilerin yüksek ön maliyetleri, ağ altyapısı gereksinimleri ve kesinti sorunları dikkate değer engellerdir. Jenkins ve ark. (2020), yenilenebilir enerjinin mevcut enerji şebekelerine büyük ölçekli entegrasyonuyla ilgili zorlukları tartışıyor ve altyapıyı modernize etme ve enerji depolama çözümleri geliştirme ihtiyacını vurguluyor.

Research Design

Durağan (Stationary) Zaman Serileri

Zaman serisi regresyonlarında, bildiğiniz doğrusal regresyon varsayımlarının yanında bit varsayıma daha ihtiyaç duyarız. Bu varsayım, durağanlık (stationarity) varsayımıdır. Durağanlık varsayımına göre, regresyon hata payı u‘nun dağımı ve u‘nun terimlerinin zaman içindeki korelasyonları zamana göre değişmez. Hata payının ortalamasının ve varyansının zaman değiştikçe sabit olmasını bekleriz.

library(WDI)

## Warning: package 'WDI' was built under R version 4.2.3

df = WDI(indicator=c(un='SL.UEM.TOTL.ZS', enf='FP.CPI.TOTL.ZG' ), country=c('TR'),  start=1992, end=2020)

library(dynlm)

zaman_serisi <- ts(df, start = c(1991), end = c(2022), frequency = 1)

library(tidyverse)

## Warning: package 'tidyverse' was built under R version 4.2.3

## Warning: package 'ggplot2' was built under R version 4.2.3

## Warning: package 'tibble' was built under R version 4.2.3

## Warning: package 'tidyr' was built under R version 4.2.3

## Warning: package 'readr' was built under R version 4.2.3

## Warning: package 'purrr' was built under R version 4.2.3

## Warning: package 'dplyr' was built under R version 4.2.3

## Warning: package 'stringr' was built under R version 4.2.3

## Warning: package 'forcats' was built under R version 4.2.3

## Warning: package 'lubridate' was built under R version 4.2.3

## ── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
## ✔ dplyr     1.1.4     ✔ readr     2.1.4
## ✔ forcats   1.0.0     ✔ stringr   1.5.1
## ✔ ggplot2   3.5.0     ✔ tibble    3.2.1
## ✔ lubridate 1.9.3     ✔ tidyr     1.3.1
## ✔ purrr     1.0.2     
## ── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
## ✖ dplyr::filter() masks stats::filter()
## ✖ dplyr::lag()    masks stats::lag()
## ℹ Use the conflicted package (<http://conflicted.r-lib.org/>) to force all conflicts to become errors

str(zaman_serisi)

##  Time-Series [1:32, 1:6] from 1991 to 2022: 1 1 1 1 1 1 1 1 1 1 ...
##  - attr(*, "dimnames")=List of 2
##   ..$ : NULL
##   ..$ : chr [1:6] "country" "iso2c" "iso3c" "year" ...

df.ts <- ts(df, start=c(1992), end=c(2020),frequency=1)

df.ts<-df.ts[,c("un","enf")]

plot(df.ts[,"un"], ylab="işsizlik")

plot(df.ts[,"enf"], ylab="enflasyon")

Her bir zaman serisi değişkeninin kendisinin bir zaman öncesiyle koralasyonunun olup olmadığını incelememiz gerek. Bu koralasyona otokorelasyon denilir. Oto kendi kendiyle korelasyonu anlamına gelir. Her bir seri için bir gecikmeli zaman serisi yaratıp otokoralasyonlarına bakalım.

zaman_serisi <- zaman_serisi[ ,c("un","enf")]

** işsizlik ve enflasyon beraber çizelim.

plot(zaman_serisi[ , c("un","enf")])

İşsizlik ve enflasyon arasında bir ters ilişki vardır.

Phillips Eğrisi

Philips eğrisi, ekonomide kullanılan bir kavramdır. Bu kavram, işsizlik oranı ile enflasyon oranı arasındaki ters ilişkiyi ifade eder. Yani, işsizlik düştüğünde enflasyonun artması ve işsizlik arttığında enflasyonun azalması şeklinde bir ilişkiyi temsil eder. Bu eğri, ekonomik politikaların uygulanmasında işsizlik ve enflasyon arasındaki dengeyi sağlamak için kullanılır. İşsizlik ve Enflasyon ilişkisinin kabul gören teorilerinden olan Phillips Eğrisi ilk olarak 1958 yılında William Phillips tarafından keşfedildiğinde parasal ücretlerin değişim oranı ile işsizlik oranı arasındaki negatif ilişkiyi açıklamak için kullanılmıştır. Bu düzlemde işsizliğin negatife düşemeyeceği gerçeğiyle birlikte parasal ücretlerin maksimum limiti olacağı keşfedilmiştir. Phillips Eğrisi, daha sonraki dönemde Samuelson ve Solow tarafından enflasyon oranı ve işsizlik oranı arasındaki doğrusal olmayan negatif yönlü ilişkiyi açıklayacak bir eğriye dönüştürülmüş ve bu haliyle genel kabul görmüştür.

acf(df.ts[,"un"])

0 serinin kendisiyle olan korelasyonunu gösterir. O yüzden grafik hep birden başlar. -0.4 ve 0.4 arası serilerin arasında korelasyon olmayadğını gösteren uç noktalardır ve mavi kesikli çizgiyle gösterilir. Anlıyoruz ki işsizlik sadece bir gecikme ile otokorelasyonludur.

acf(df.ts[,"enf"])

Enflasyon ise 5’ci gecikmeye kadar pozitif otokorelasyon gösterir. işsizliğin ilk farkı alınmış serisini yaratalım ve Phillips eğrisi regresyonunu yapalım:

enflasyon <- df.ts[,"enf"]
deltaissizlik <- diff(df.ts[,"un"])
plot(enflasyon)

plot(deltaissizlik)

Panel Datası

Panel veri, birden çok zaman noktasında aynı birimlerin gözlemlendiği veri setidir. Örneğin, farklı ülkelerin yıllık ekonomik göstergeleri veya farklı bireylerin aylık gelirleri gibi veriler panel veri olabilir. Panel veri setlerinde, her gözlem birimi (örneğin, ülke, birey) için bir zaman serisi verisi bulunur.

** Panel Veri Türleri Panel veri, iki ana türe ayrılabilir:

Sabit Panel Veri (Balanced Panel Data): Her birim için her zaman diliminde gözlem bulunur. Yani, hiçbir gözlem eksik değildir.
Dengesiz Panel Veri (Unbalanced Panel Data): Bazı birimler için bazı zaman dilimlerinde gözlem eksik olabilir. Bu tür veri setlerinde, bazı gözlemler eksik olabilir.

**Panel Verinin Önemi: Panel veri analizi, hem teorik hem de pratik açıdan birçok avantaj sunar:

Çeşitli Veri Kaynakları: Panel veri, zaman serisi ve kesitsel veri analizinin avantajlarını bir araya getirir. Bu sayede daha fazla bilgi içerir ve daha kapsamlı analizlere olanak tanır;

Bireysel Heterojenliği Kontrol Etme: Panel veri, bireyler arası farklılıkları (heterojenlik) kontrol etme yeteneği sağlar. Bu sayede, birimlerin zaman içindeki değişimleri daha doğru bir şekilde analiz edilebilir.

Daha Etkili Tahminler: Panel veri, daha fazla gözlem içerdiğinden dolayı parametrelerin daha doğru ve güvenilir tahmin edilmesine yardımcı olur. Bu, modelin tahmin gücünü artırır.

Dinamik İlişkileri İnceleme: Panel veri, zaman içindeki dinamik ilişkileri inceleme imkanı sağlar. Örneğin, yenilenebilir enerji kullanımının uzun vadede ekonomik büyüme üzerindeki etkilerini analiz etmek için kullanılabilir.

Endojenlik Problemlerini Azaltma: Panel veri, zaman içindeki değişimleri ve bireysel sabit etkileri kontrol edebilme yeteneği sayesinde endojenlik problemlerini azaltabilir. Bu, daha doğru nedensel ilişki tahminlerine olanak tanır.

** Panel Veri Analizi Teknikleri: Panel veri analizi, çeşitli modelleme teknikleri içerir. En yaygın kullanılan teknikler şunlardır:

Sabit Etkiler Modeli (Fixed Effects Model): Bu model, her birimin sabit (değişmeyen) etkilerini kontrol eder. Bu sayede, bireysel farklılıkların analiz sonuçlarını etkilemesini önler;

Rastgele Etkiler Modeli (Random Effects Model): Bu model, bireysel etkilerin rastgele ve veri setindeki diğer değişkenlerle ilişkisiz olduğunu varsayar;

Hausman Testi: Sabit etkiler ve rastgele etkiler modelleri arasında seçim yapmak için kullanılır. Test, sabit etkiler modelinin mi yoksa rastgele etkiler modelinin mi daha uygun olduğunu belirler.

install.packages("plm")
install.packages("dplyr")
install.packages("ggplot2")

str(data)

## function (..., list = character(), package = NULL, lib.loc = NULL, verbose = getOption("verbose"), 
##     envir = .GlobalEnv, overwrite = TRUE)

Durağan Olmayan (Nonstationary) Zaman Serileri

Basitçe bir zaman serisinin ortalaması, varyansı ve zamana göre kovaryansı zaman içinde değişiklik gösteriyorsa, o zaman serisi durağan değildir diyebiliriz. Durağanlık varsayımına göre, regresyon hata payı u‘nun dağımı ve u‘nun terimlerinin zaman içindeki korelasyonları zamana göre değişmez. Hata payının ortalamasının ve varyansının zaman değiştikçe sabit olmasını bekleriz. Durağan olmayan serileri regresyona genellikle koyamayız. Durağan olmayan seriler, hatalı bir korelasyona sahip olabilirler ve analizimizi yanıltırlar. Bu duruma sahte (spurious) regresyon denilir. Zamanın değişimiyle birlikte hareket ediyormuş gibi görünen serilerin genellikle birbirleriyle bir ilgisi olmayabilir. Bir regresyonda durağan olmayan serilerinin kullanılabilmesinin yolu eşbütünleşmedir (cointegration). Bu konuya daha sonra döneceğiz. Eğer durağan olmayan serileri hatalı bir regresyon yapıp bir araya getirmek istemiyorsak, zaman serilerinin durağan olup olmadığını test etmeliyiz. Eğer durağan değil ise bu zaman serilerini önce durağan hale getirmeliyiz.

library(WDI)
gsyh <- WDI(country=c("US", "TR","JP"), indicator=c("NY.GDP.PCAP.CD"), start=1960, end=2020)

names(gsyh) <- c("iso2c", "Ülke", "KisiBasiGSYH", "Sene")

head(gsyh)

library(ggplot2)
ggplot(gsyh, aes(Sene, KisiBasiGSYH, color=Ülke, linetype=Ülke)) + geom_line()

TR <- cbind(gsyh$KisiBasiGSYH[gsyh$Ülke == "Turkey"], gsyh$Sene[gsyh$Ülke == "Turkey"])
TR <- TR[order(TR[,2]),]
TR

##      [,1] [,2]

Another Subsection From Kant, Who Writes as If He Does Not Want to Be Read

Another Subsection

When you click the Knit button a document will be generated that includes both content as well as the output of any embedded R code chunks within the document. You can embed an R code chunk like this:

summary(cars)

##      speed           dist       
##  Min.   : 4.0   Min.   :  2.00  
##  1st Qu.:12.0   1st Qu.: 26.00  
##  Median :15.0   Median : 36.00  
##  Mean   :15.4   Mean   : 42.98  
##  3rd Qu.:19.0   3rd Qu.: 56.00  
##  Max.   :25.0   Max.   :120.00

Results

Yenilenebilir enerjinin ekonomik etkisine ilişkin mevcut verilerin ve çalışmaların analizi, bunların benimsenmesiyle ilgili hem faydaları hem de zorlukları vurgulayan birkaç önemli bulguyu ortaya koyuyor.

İş yaratma Yenilenebilir enerji, çeşitli beceri düzeylerinde iş yaratma konusunda güçlü bir potansiyel ortaya koymuştur. Uluslararası Yenilenebilir Enerji Ajansı’na (IRENA) göre, yenilenebilir enerji sektörü 2020 yılında dünya çapında yaklaşık 12 milyon kişiyi istihdam ediyor. Bu istihdam artışı, güneş enerjisi fotovoltaik, rüzgar enerjisi ve biyokütle dahil olmak üzere birçok alt sektörde gözlemleniyor. Örneğin, güneş enerjisi sektörü, toplam yenilenebilir enerji istihdamının yaklaşık %33’ünü oluşturan en büyük işverendir.
Azalan enerji maliyetleri Yenilenebilir enerji teknolojilerinin maliyetleri son yıllarda önemli ölçüde düştü. Lazard (2020) raporu, güneş ve rüzgar enerjisi için seviyelendirilmiş elektrik maliyetinin (LCOE) artık kömür ve doğal gaz gibi geleneksel enerji kaynaklarıyla karşılaştırılabilir, hatta ondan daha düşük olduğunu gösteriyor. Bu düşüş maliyeti eğilimi, gelişen teknolojilerden, artan ölçek ekonomilerinden ve üretim ve kurulum süreçlerindeki artan verimlilikten kaynaklanmaktadır.
GSYİH ve yerel ekonomiler üzerindeki etki Yenilenebilir enerjiye yapılan yatırımların gayri safi yurt içi hasıla (GSYİH) ve yerel ekonomiler üzerinde olumlu etkisi vardır. Araştırmalar, yenilenebilir enerjiye yatırılan her doların, fosil yakıtlara yatırılandan daha fazla ekonomik faaliyet yarattığını gösteriyor. Örneğin, IRENA (2019) çalışması, yenilenebilir enerjiye geçişin küresel GSYİH’yı 2050 yılına kadar %1,1 oranında artırabileceğini tahmin ediyor.

Including Plots

You can also embed plots, for example:

Note that the echo = FALSE parameter was added to the code chunk to prevent printing of the R code that generated the plot.

plot(mtcars)

komutu, mtcars veri setini grafik olarak görselleştirmek için kullanılır. Bu komut, mtcars veri setindeki farklı değişkenlerin (araba özellikleri) grafiklerini oluşturmak için kullanılır. Örneğin, bu komut kullanılarak arabaların miles per gallon (mpg), horsepower (hp) gibi özelliklerinin dağılımını gösteren grafikler oluşturulabilir. Bu grafikler, veri setindeki ilişkileri ve dağılımları daha iyi anlamak için kullanışlı olabilir.

Conclusion

Sonuç olarak yenilenebilir enerji, sürdürülebilir ekonomik kalkınmaya, fosil yakıtlara olan bağımlılığın azaltılmasına, yenilikçiliğin teşvik edilmesine ve yeni istihdam yaratılmasına katkıda bulunulmasına yönelik umut verici bir yol sunmaktadır. Bu ekonomik faydaları en üst düzeye çıkarmak için altyapıya yatırım yapmaya devam etmek, uygun destek politikalarını teşvik etmek ve artan uluslararası işbirliğini teşvik etmek zorunludur. Böylece yenilenebilir enerji gerçekten dayanıklı ve sürdürülebilir bir küresel ekonominin temel direği haline gelebilir.

Önerilen Referanslar:

https://data.worldbank.org/indicator
IRENA (2020). Renewable Energy and Jobs – Annual Review 2020.
Markandya, A., et al. (2016). “Health and economic implications of renewable energy policy in the European Union.”
Lazard (2020). “Lazard’s Levelized Cost of Energy Analysis – Version 14.0.”
Ziegler, M.S., & Trancik, J.E. (2021). “Re-examining rates of lithium-ion battery technology improvement and cost decline.”
Polzin, F., Migendt, M., Täube, F.A., & von Flotow, P. (2015). “Public policy influence on renewable energy investments—A panel data study across OECD countries.”
Jenkins, J.D., Luke, M., & Thernstrom, S. (2020). “Getting to Zero Carbon Emissions in the Electric Power Sector.”

Xie, Yihui. 2013. Dynamic Documents with r and Knitr. Boca Raton, FL: CRC Press.