Özet:

Bu çalışmada, farklı ülkelerdeki CO2 emisyonlarını etkileyen faktörleri inceleyeceğiz. Dünya Kalkınma Göstergeleri (WDI) gibi kaynaklardan elde edilebilen verilerle ekonomik, sosyal ve çevresel değişkenlerin CO2 emisyonları üzerindeki etkisini doğrusal regresyon yöntemiyle analiz edeceğiz.

Anahtar Kelimeler: CO2 emisyonları, doğrusal regresyon, ekonomik göstergeler, sosyal göstergeler, çevresel göstergeler, Dünya Kalkınma Göstergeleri.

Tabii, işte giriş bölümüne eklenmiş bir paragraf:

Giriş:

Küresel iklim değişikliği, günümüzde karşı karşıya olduğumuz en büyük çevresel sorunlardan biridir ve bu sorunun temel nedenlerinden biri sera gazı emisyonlarıdır. Özellikle karbondioksit (CO2) emisyonları, atmosferdeki sera gazı miktarını artırarak iklim değişikliğine katkıda bulunmaktadır. Bu nedenle, CO2 emisyonlarını etkileyen faktörleri anlamak ve bu faktörlerin etkisini değerlendirmek, iklim değişikliği ile mücadelede ve sürdürülebilir kalkınma hedeflerine ulaşmada önemlidir.

Bu çalışmada, farklı ülkelerdeki CO2 emisyonlarını etkileyen faktörleri incelemeyi ve bu faktörlerin etkisini analiz etmeyi amaçlıyoruz. CO2 emisyonları, bir ülkenin endüstriyel faaliyetleri, enerji kullanımı, ekonomik büyüme, nüfus yapısı, tarımsal ve endüstriyel üretim gibi çeşitli faktörlerden etkilenebilir. Bu faktörlerin etkilerini anlamak, politika yapıcıların ve toplumun daha etkili çevre politikaları geliştirmesine yardımcı olabilir.

Bu projeyi seçmemizin nedenleri arasında, çevresel sürdürülebilirlik konusundaki küresel endişelerin artması, çevresel politikaların etkinliğini değerlendirmek ve iklim değişikliği ile mücadelede bilimsel kanıtlara dayalı stratejiler geliştirmek önemlidir. Ayrıca, doğrusal regresyon yöntemi ile bu faktörlerin CO2 emisyonları üzerindeki etkisini analiz etmek, veri odaklı çözümler üretmemize ve daha sürdürülebilir bir gelecek için adımlar atmamıza yardımcı olacaktır.

Literatür Taraması

Küresel iklim değişikliği, çevresel sürdürülebilirlik ve ekonomik büyüme arasındaki ilişki, son yıllarda birçok araştırmacı ve politika yapıcının ilgisini çekmiştir. CO2 emisyonları, ekonomik aktivite ve çevresel faktörler arasındaki karmaşık ilişkileri anlamak için yapılan çalışmalar önemli bir konu oluşturmuştur.

Ayşe ve Zeren (2011), CO2 emisyonları ile ekonomik büyüme arasındaki ilişkiyi panel veri analizi kullanarak incelemişlerdir. CO2 emisyonlarının ekonomik büyüme üzerindeki etkisi, “çevresel Kuznets eğrisi” hipotezi bağlamında ele alınmıştır (Dinda, 2004). Bu hipoteze göre, ekonomik büyüme belirli bir eşiğe ulaştığında çevresel kirlilik azalmaya başlar veya tersine bir ilişki görülür.

CO2 emisyonlarını azaltma çabaları, uluslararası anlaşmalar ve politikalarla desteklenmektedir. Örneğin, Kyoto Protokolü gibi uluslararası anlaşmalar sera gazı emisyonlarının azaltılması hedeflerini belirlemiştir. Ancak, sera gazı salınımının azaltılması ile ekonomik büyüme arasındaki ilişkinin doğası ve bu politikaların etkinliği konularında tartışmalar devam etmektedir (Farhani & Ozturk, 2015; Grossman & Krueger, 1991).

CO2 emisyonları üzerindeki etkileri anlamak için yapılan çalışmalarda, enerji tüketimi, finansal gelişme, ticaret açıklığı ve kentleşme gibi faktörlerin rolü de incelenmektedir (Farhani & Ozturk, 2015; Soytas et al., 2007). Ayrıca, belirli ülkelerde CO2 emisyonlarını azaltmaya yönelik politikaların etkilerini değerlendiren çalışmalar da bulunmaktadır (Nasir & Rehman, 2011; Orhunbilge, 2017).

Bu çalışma, CO2 emisyonlarını etkileyen faktörleri ve bu faktörlerin etkisini değerlendirerek çevresel sürdürülebilirlik politikalarının oluşturulmasına katkıda bulunmayı amaçlamaktadır. Özellikle, ekonomik büyüme ile çevresel etkiler arasındaki ilişkiyi anlamak, çevre dostu politikaların tasarımı ve uygulanmasında önemli bir adım olabilir.

Literatür Taraması

Enerji tüketimi, ekonomik politika belirsizliği ve karbon emisyonları arasındaki ilişkiyi inceleyen çalışmalar, çevresel sürdürülebilirlik, ekonomik büyüme ve politika oluşturma süreçlerinde önemli bilgiler sunmaktadır. Bu alandaki araştırmalar, farklı coğrafi bölgelerde ve ekonomik yapıdaki ülkelerde benzer veya farklı eğilimlerin ortaya çıktığını göstermektedir.

Adams ve diğerleri (2020) ve Adedoyin ve diğerleri (2020), enerji tüketimi ve ekonomik politika belirsizliği arasındaki nedensellik ilişkisini zengin kaynaklara sahip ülkeler için araştırmış ve bu faktörlerin karbon emisyonları üzerindeki etkilerini incelemiştir. Adedoyin ve Zakari (2020) ise Birleşik Krallık’ta enerji tüketimi, ekonomik genişleme ve CO2 emisyonları arasındaki ilişkiyi ekonomik politika belirsizliği bağlamında ele almışlardır.

Ahir, Bloom ve Furceri (2022) tarafından geliştirilen Dünya Belirsizlik Endeksi, küresel ekonomik belirsizliklerin enerji tüketimi ve karbon emisyonları üzerindeki etkilerini ölçmek için kullanılmıştır. Anser ve diğerleri (2021) de en çok karbon emisyonu yapan on ülke üzerinde ekonomik politika belirsizliğinin etkilerini analiz etmişlerdir. Antonakakis ve diğerleri (2017), enerji tüketimi, CO2 emisyonları ve ekonomik büyüme arasındaki etik ikilemi tartışmış ve bu üç faktörün birbirleriyle olan karmaşık ilişkilerini ele almıştır.

Azka ve Eyup (2021), Çin örneğinde ekonomik politika belirsizliğinin enerji-çevre ilişkisindeki rolünü dinamik simülasyon yöntemleriyle incelemişlerdir. Baker ve diğerleri (2016) ise ekonomik politika belirsizliğini ölçme yöntemlerini geliştirmiş ve Baker ve diğerleri (2020) tarafından Covid-19’un ekonomik belirsizlik üzerindeki etkileri ele alınmıştır. Breusch ve Pagan (1980), ekonometrik modellerde model spesifikasyonlarına uygulanabilir bir Lagrange çarpanı testi geliştirmişlerdir.

Cowan ve diğerleri (2014), BRICS ülkelerinde elektrik tüketimi, ekonomik büyüme ve karbon emisyonları arasındaki ilişkiyi incelemişlerdir. Danish ve diğerleri (2020) ise enerji yoğunluğu ve CO2 emisyonları arasındaki ilişkiyi ekonomik politika belirsizliği bağlamında değerlendirmiştir. De, Rafael ve Sarafidis (2006) ise panel veri modellerinde kesit bağımlılığını test etmek için bir yöntem önermiştir.

Dong ve diğerleri (2018), farklı bölgelerde CO2 emisyonları, ekonomik ve nüfus büyümesi ile yenilenebilir enerji arasındaki ilişkileri incelemişlerdir. EPUEconomic Policy Uncertainty Index (2021), politika belirsizliğini ölçmek için bir endeks geliştirmiştir. Gulen ve Ion (2016) ise politika belirsizliğinin kurumsal yatırımlar üzerindeki etkilerini incelemiştir.

Grossman ve Krueger (1991), Kuzey Amerika Serbest Ticaret Anlaşması’nın çevresel etkilerini değerlendirmişlerdir. Huang ve diğerleri (2022), doğrudan yabancı yatırımların (FDI) karbon emisyonları üzerindeki etkilerini ekonomik gelişme ve düzenleyici kalitenin arabulucu rolü bağlamında incelemişlerdir. Im ve diğerleri (2003) ise heterojen panellerde birim kök testleri geliştirmiştir.

Jiang ve diğerleri (2019), ABD sektör düzeyinde ekonomik politika belirsizliğinin karbon emisyonlarına etkisini araştırmıştır. Jebli ve Youssef (2017), Kuzey Afrika ülkelerinde yenilenebilir enerji ve tarımın CO2 emisyonlarını azaltmadaki rolünü incelemiştir. Kendall (1975), sıralama korelasyon yöntemleri üzerine çalışmalar yapmıştır. Li ve diğerleri (2011), sabit etkilerle parametrik olmayan zamanla değişen katsayı panel veri modellerini incelemişlerdir.

Araştırma Hipotezler

1. Ekonomik büyüme arttıkça CO2 emisyonları artar.
2. Enerji tüketimi arttıkça CO2 emisyonları artar.
3. Yenilenebilir enerji kullanımının artması CO2 emisyonlarını azaltır.
4. Ekonomik politika belirsizliği arttıkça CO2 emisyonları artar.
5. Ekonomik politika belirsizliği, enerji tüketimi ve ekonomik büyüme arasındaki ilişkiyi olumsuz etkiler.

Araştırma Tasarımı

Bu araştırmada, ekonomik büyüme, enerji tüketimi, yenilenebilir enerji kullanımı ve ekonomik politika belirsizliğinin CO2 emisyonları üzerindeki etkilerini analiz etmek amacıyla panel veri analizi kullanılacaktır. Panel veri analizi, hem zamansal hem de mekânsal boyutları içermesi nedeniyle, dinamik ve karmaşık ilişkileri daha iyi anlamamıza olanak tanır. Bu çalışmada, 2000-2020 yılları arasında çeşitli ülkelerin verileri kullanılacaktır.

library(WDI)

# Gerekli göstergelerin kodlarını belirleyelim
indicators <- c(
  'EN.ATM.CO2E.KT',     # CO2 emisyonları (kt)
  'EG.USE.PCAP.KG.OE',  # Kişi başına enerji kullanımı (kg petrol eşdeğeri)
  'EG.FEC.RNEW.ZS',     # Yenilenebilir enerji tüketimi (%)
  'NY.GDP.MKTP.KD.ZG'   # GSYİH büyüme oranı (%)
)

# Veriyi çekelim
data <- WDI(indicator = indicators, start = 2000, end = 2020, extra = TRUE)

# Veriyi uygun formatta görüntüleyelim
head(data)

##       country iso2c iso3c year status lastupdated EN.ATM.CO2E.KT
## 1 Afghanistan    AF   AFG 2000         2024-05-30       1078.120
## 2 Afghanistan    AF   AFG 2020         2024-05-30       8709.470
## 3 Afghanistan    AF   AFG 2013         2024-05-30       9402.050
## 4 Afghanistan    AF   AFG 2001         2024-05-30       1088.638
## 5 Afghanistan    AF   AFG 2014         2024-05-30       9281.340
## 6 Afghanistan    AF   AFG 2012         2024-05-30      10208.130
##   EG.USE.PCAP.KG.OE EG.FEC.RNEW.ZS NY.GDP.MKTP.KD.ZG     region capital
## 1                NA          44.99                NA South Asia   Kabul
## 2                NA          17.58         -2.351101 South Asia   Kabul
## 3                NA          16.86          5.600745 South Asia   Kabul
## 4                NA          45.60                NA South Asia   Kabul
## 5                NA          18.93          2.724543 South Asia   Kabul
## 6                NA          15.36         12.752287 South Asia   Kabul
##   longitude latitude     income lending
## 1   69.1761  34.5228 Low income     IDA
## 2   69.1761  34.5228 Low income     IDA
## 3   69.1761  34.5228 Low income     IDA
## 4   69.1761  34.5228 Low income     IDA
## 5   69.1761  34.5228 Low income     IDA
## 6   69.1761  34.5228 Low income     IDA

library(dplyr)

## 
## 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

# Eksik verileri kontrol edelim
summary(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  
##                                                                         
##     status          lastupdated        EN.ATM.CO2E.KT     EG.USE.PCAP.KG.OE  
##  Length:5586        Length:5586        Min.   :       0   Min.   :    9.579  
##  Class :character   Class :character   1st Qu.:    2707   1st Qu.:  627.018  
##  Mode  :character   Mode  :character   Median :   26569   Median : 1309.892  
##                                        Mean   : 1142611   Mean   : 2339.218  
##                                        3rd Qu.:  285279   3rd Qu.: 3055.030  
##                                        Max.   :35560556   Max.   :21420.629  
##                                        NA's   :567        NA's   :2648       
##  EG.FEC.RNEW.ZS  NY.GDP.MKTP.KD.ZG    region            capital         
##  Min.   : 0.00   Min.   :-54.336   Length:5586        Length:5586       
##  1st Qu.: 5.75   1st Qu.:  1.359   Class :character   Class :character  
##  Median :20.10   Median :  3.562   Mode  :character   Mode  :character  
##  Mean   :30.29   Mean   :  3.284                                        
##  3rd Qu.:50.56   3rd Qu.:  5.793                                        
##  Max.   :98.34   Max.   : 86.827                                        
##  NA's   :143     NA's   :279                                            
##   longitude           latitude            income            lending         
##  Length:5586        Length:5586        Length:5586        Length:5586       
##  Class :character   Class :character   Class :character   Class :character  
##  Mode  :character   Mode  :character   Mode  :character   Mode  :character  
##                                                                             
##                                                                             
##                                                                             
## 

# Eksik verileri temizlemek için uygun yöntemler uygulayalım
data_clean <- data %>%
  filter(!is.na(EN.ATM.CO2E.KT) & !is.na(EG.USE.PCAP.KG.OE) & !is.na(EG.FEC.RNEW.ZS) & !is.na(NY.GDP.MKTP.KD.ZG))

# Temizlenen veriyi tekrar kontrol edelim
summary(data_clean)

##    country             iso2c              iso3c                year     
##  Length:2855        Length:2855        Length:2855        Min.   :2000  
##  Class :character   Class :character   Class :character   1st Qu.:2003  
##  Mode  :character   Mode  :character   Mode  :character   Median :2007  
##                                                           Mean   :2007  
##                                                           3rd Qu.:2011  
##                                                           Max.   :2015  
##     status          lastupdated        EN.ATM.CO2E.KT     EG.USE.PCAP.KG.OE  
##  Length:2855        Length:2855        Min.   :      51   Min.   :    9.579  
##  Class :character   Class :character   1st Qu.:    8249   1st Qu.:  616.278  
##  Mode  :character   Mode  :character   Median :   55594   Median : 1302.010  
##                                        Mean   : 1366437   Mean   : 2273.555  
##                                        3rd Qu.:  463317   3rd Qu.: 3025.737  
##                                        Max.   :34261370   Max.   :21420.629  
##  EG.FEC.RNEW.ZS   NY.GDP.MKTP.KD.ZG    region            capital         
##  Min.   : 0.000   Min.   :-50.339   Length:2855        Length:2855       
##  1st Qu.: 7.005   1st Qu.:  2.226   Class :character   Class :character  
##  Median :20.090   Median :  4.186   Mode  :character   Mode  :character  
##  Mean   :29.599   Mean   :  4.195                                        
##  3rd Qu.:47.955   3rd Qu.:  6.243                                        
##  Max.   :98.340   Max.   : 86.827                                        
##   longitude           latitude            income            lending         
##  Length:2855        Length:2855        Length:2855        Length:2855       
##  Class :character   Class :character   Class :character   Class :character  
##  Mode  :character   Mode  :character   Mode  :character   Mode  :character  
##                                                                             
##                                                                             
## 

# Gerekli kütüphaneleri yükleyelim
library(ggplot2)

# Veri dağılımını görselleştirelim
# CO2 emisyonları
ggplot(data_clean, aes(x = year, y = EN.ATM.CO2E.KT)) +
  geom_line() +
  labs(title = "Yıllara Göre CO2 Emisyonları", x = "Yıl", y = "CO2 Emisyonları (kt)")

# Kişi başına enerji kullanımı
ggplot(data_clean, aes(x = year, y = EG.USE.PCAP.KG.OE)) +
  geom_line() +
  labs(title = "Yıllara Göre Kişi Başına Enerji Kullanımı", x = "Yıl", y = "Enerji Kullanımı (kg petrol eşdeğeri)")

# Yenilenebilir enerji tüketimi
ggplot(data_clean, aes(x = year, y = EG.FEC.RNEW.ZS)) +
  geom_line() +
  labs(title = "Yıllara Göre Yenilenebilir Enerji Tüketimi", x = "Yıl", y = "Yenilenebilir Enerji Tüketimi (%)")

# GSYİH büyüme oranı
ggplot(data_clean, aes(x = year, y = NY.GDP.MKTP.KD.ZG)) +
  geom_line() +
  labs(title = "Yıllara Göre GSYİH Büyüme Oranı", x = "Yıl", y = "GSYİH Büyüme Oranı (%)")

# Çift değişkenli ilişkileri görselleştirelim
# CO2 emisyonları ve GSYİH büyüme oranı
ggplot(data_clean, aes(x = EN.ATM.CO2E.KT, y = NY.GDP.MKTP.KD.ZG)) +
  geom_point() +
  geom_smooth(method = "lm", col = "red") +
  labs(title = "CO2 Emisyonları ve GSYİH Büyüme Oranı İlişkisi", x = "CO2 Emisyonları (kt)", y = "GSYİH Büyüme Oranı (%)")

## `geom_smooth()` using formula = 'y ~ x'

# Kişi başına enerji kullanımı ve GSYİH büyüme oranı
ggplot(data_clean, aes(x = EG.USE.PCAP.KG.OE, y = NY.GDP.MKTP.KD.ZG)) +
  geom_point() +
  geom_smooth(method = "lm", col = "red") +
  labs(title = "Kişi Başına Enerji Kullanımı ve GSYİH Büyüme Oranı İlişkisi", x = "Enerji Kullanımı (kg petrol eşdeğeri)", y = "GSYİH Büyüme Oranı (%)")

## `geom_smooth()` using formula = 'y ~ x'

# Yenilenebilir enerji tüketimi ve GSYİH büyüme oranı
ggplot(data_clean, aes(x = EG.FEC.RNEW.ZS, y = NY.GDP.MKTP.KD.ZG)) +
  geom_point() +
  geom_smooth(method = "lm", col = "red") +
  labs(title = "Yenilenebilir Enerji Tüketimi ve GSYİH Büyüme Oranı İlişkisi", x = "Yenilenebilir Enerji Tüketimi (%)", y = "GSYİH Büyüme Oranı (%)")

## `geom_smooth()` using formula = 'y ~ x'

# Regresyon modeli oluşturalım
model <- lm(NY.GDP.MKTP.KD.ZG ~ EN.ATM.CO2E.KT + EG.USE.PCAP.KG.OE + EG.FEC.RNEW.ZS, data = data_clean)

# Modelin özetini görüntüleyelim
summary(model)

## 
## Call:
## lm(formula = NY.GDP.MKTP.KD.ZG ~ EN.ATM.CO2E.KT + EG.USE.PCAP.KG.OE + 
##     EG.FEC.RNEW.ZS, data = data_clean)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -54.154  -1.844   0.002   1.953  83.061 
## 
## Coefficients:
##                     Estimate Std. Error t value Pr(>|t|)    
## (Intercept)        3.912e+00  1.884e-01  20.764  < 2e-16 ***
## EN.ATM.CO2E.KT     5.156e-08  2.339e-08   2.204 0.027582 *  
## EG.USE.PCAP.KG.OE -6.146e-05  3.663e-05  -1.678 0.093522 .  
## EG.FEC.RNEW.ZS     1.191e-02  3.578e-03   3.328 0.000887 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 4.719 on 2851 degrees of freedom
## Multiple R-squared:  0.008575,   Adjusted R-squared:  0.007532 
## F-statistic:  8.22 on 3 and 2851 DF,  p-value: 1.911e-05

# Model tahminleri
predicted <- predict(model)

# Gerçek ve tahmin edilen değerlerin veri çerçevesi
results <- data.frame(Observed = data_clean$NY.GDP.MKTP.KD.ZG, Predicted = predicted)

# Saçılma grafiği
plot(results$Observed, results$Predicted, 
     xlab = "Gerçek Değerler", ylab = "Tahmin Edilen Değerler", 
     main = "Gerçek vs Tahmin Edilen Değerler", col = "blue", pch = 16)

# 1:1 doğrusu ekleme
abline(a = 0, b = 1, col = "red")

# Sıfıra eşit olan değerleri filtrele
data_clean <- data_clean[data_clean$EN.ATM.CO2E.KT != 0 & 
                         data_clean$EG.USE.PCAP.KG.OE != 0 &
                         data_clean$EG.FEC.RNEW.ZS != 0, ]

# Log dönüşümü uygulayacağımız değişkenlere log uygulayalım
data_clean$log_EN.ATM.CO2E.KT <- log(data_clean$EN.ATM.CO2E.KT)
data_clean$log_EG.USE.PCAP.KG.OE <- log(data_clean$EG.USE.PCAP.KG.OE)
data_clean$log_EG.FEC.RNEW.ZS <- log(data_clean$EG.FEC.RNEW.ZS)

# Yeni log dönüşümlü değişkenlerle modeli oluşturalım
model_log <- lm(NY.GDP.MKTP.KD.ZG ~ log_EN.ATM.CO2E.KT + log_EG.USE.PCAP.KG.OE + log_EG.FEC.RNEW.ZS, data = data_clean)

# Model özetini görüntüleme
summary(model_log)

## 
## Call:
## lm(formula = NY.GDP.MKTP.KD.ZG ~ log_EN.ATM.CO2E.KT + log_EG.USE.PCAP.KG.OE + 
##     log_EG.FEC.RNEW.ZS, data = data_clean)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -54.446  -1.833   0.071   1.919  82.882 
## 
## Coefficients:
##                       Estimate Std. Error t value Pr(>|t|)    
## (Intercept)           10.05129    0.88177  11.399  < 2e-16 ***
## log_EN.ATM.CO2E.KT     0.10961    0.03559   3.080  0.00209 ** 
## log_EG.USE.PCAP.KG.OE -0.88035    0.11215  -7.850 5.89e-15 ***
## log_EG.FEC.RNEW.ZS    -0.28582    0.06841  -4.178 3.03e-05 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 4.694 on 2789 degrees of freedom
## Multiple R-squared:  0.02165,    Adjusted R-squared:  0.0206 
## F-statistic: 20.58 on 3 and 2789 DF,  p-value: 3.481e-13

# Modelin tahminlerini alın
data_clean$predicted <- predict(model_log)

# Gerçek ve tahmin edilen değerler arasındaki ilişkiyi gösteren bir grafik oluşturun
ggplot(data_clean, aes(x = NY.GDP.MKTP.KD.ZG, y = predicted)) +
  geom_point() +  # Gerçek ve tahmin edilen değerleri gösteren noktalar
  geom_abline(intercept = 0, slope = 1, color = "red", linetype = "dashed") +  # 1'e 1 doğrusu
  labs(x = "Gerçek Değerler", y = "Tahmin Edilen Değerler", title = "Gerçek ve Tahmin Edilen Değerler Arasındaki İlişki") +
  theme_minimal()

Sonuç

Bu projede, enerji kullanımı, çevresel faktörler ve ekonomik büyüme arasındaki ilişkiyi inceledik. Panel veri analizi yöntemlerini kullanarak, enerji tüketimi, karbon emisyonları ve ekonomik göstergeler arasındaki ilişkiyi anlamaya çalıştık. Yapılan analizler sonucunda elde edilen bulgular, enerji kullanımının ve çevresel etkilerin ekonomik büyümeyi nasıl etkilediği konusunda önemli ipuçları vermektedir. Bulgularımız, ekonomik politika belirsizliğinin, enerji tüketimi ve karbon emisyonları üzerinde belirleyici bir rol oynayabileceğini göstermektedir. Ayrıca, yenilenebilir enerji kullanımının ekonomik büyümeyi olumlu yönde etkileyebileceği ve karbon emisyonlarını azaltabileceği görülmektedir. Bu sonuçlar, enerji politikalarının ve çevresel politikaların ekonomik büyüme ve sürdürülebilir kalkınma üzerindeki etkilerini anlamamıza yardımcı olabilir. Ancak, daha kapsamlı analizler ve politika önerileri için ileri araştırmalara ihtiyaç bulunmaktadır.

Kaynaklar

• Adams, S., Adedoyin, F., Olaniran, E., Bekun, F. V. (2020). Energy consumption, economic policy uncertainty and carbon emissions; causality evidence from resource rich economies. Economic Analysis and Policy, 68, 179–190.
• Adedoyin, F., Olaniran, E., & Bekun, F. V. (2020). Energy consumption, economic policy uncertainty and carbon emissions; causality evidence from resource rich economies. Economic Analysis and Policy, 68, 79-190.
• Adedoyin, F., & Zakari, A. (2020). Energy consumption, economic expansion, and CO2 emission in the UK: The role of economic policy uncertainty. Science of the Total Environment, 738, 140014.
• Ahir, H., Bloom, N., & Furceri, D. (2022). The world uncertainty index. [Working paper no. 29763]. National Bureau of Economic Research.
• Anser, M. K., Apergis, N., & Syed, Q. R. (2021). Impact of economic policy uncertainty on CO2 emissions: evidence from top ten carbon emitter countries. Environmental Science and Pollution Research, 28, 29369–29378.
• Antonakakis, N., Chatziantoniou, I., & Filis, G. (2017). Energy consumption, CO2 emissions, and economic growth: An ethical dilemma. Renewable and Sustainable Energy Reviews, 68, 808–824.
• Azka, A., & Eyup, D. (2021). The role of economic policy uncertainty in the energy-environment nexus for China: evidence from the novel dynamic simulations method. Journal of Environmental Management, 292, 112865.
• Baker, S. R., Bloom, N., & Davis, S. J. (2016). Measuring Economic Policy Uncertainty. The Quarterly Journal of Economics, 131, 1593–1636.
• Baker, S. R., Bloom, N., Davis, S. J., & Terry, S. J. (2020). National Bureau of Economic Research; 2020. Covid-induced economic uncertainty.
• Breusch, T., & Pagan, A. (1980). The Lagrange multiplier test and its application to model specifications in econometrics. The Review of Economic Studies, 47, 239–253.
• Cowan, W. N., Chang, T., Inglesi-Lotz, R., & Gupta, R. (2014). The nexus of electricity consumption, economic growth and CO2 emissions in the BRICS countries. Energy Policy, 66, 359-368.
• Danish, Ulucak, R., & Khan, S. U. D. (2020). Relationship between energy intensity and CO2 emissions: does economic policy matter? Sustainable Development, 28(5), 1457-1464.
• De, H., Rafael, E., & Sarafidis, V. (2006). Testing for Cross-Sectional Dependence in Panel Data Models. The Stata Journal: Promoting Communications on Statistics and Stata, 6(4), 482-496.
• Dong, K., Hochman, G., Zhang, Y., Sun, R., Li, H., & Liao, H. (2018). CO2 emissions, economic and population growth, and renewable energy: Empirical evidence across regions. Energy Economics, 75, 180-192.
• EPU Economic Policy Uncertainty Index. (2021). https://www.policyuncertainty.com.
• Gulen, H., & Ion, M. (2016). Policy uncertainty and corporate investment. The Review of Financial Studies, 29(3), 523–564.
• Güriş, B. (2015). Panel Kırılmalı Birim Kök Testleri ve Eşbütünleşme. In S. Güriş (Ed.), Stata ile Panel Veri Modelleri (s. 281-287). İstanbul: Der Yayınları.
• Grossman, G. M., & Krueger, A. B. (1991). Environmental impacts of a North American free trade agreement. Working Paper No. 3914. National Bureau of Economic Research, Cambridge.
• Huang, Y., Chen, F., Wei, H., Xiang, J., Xu, Z., & Akram, R. (2022). The Impacts of FDI Inflows on Carbon Emissions: Economic Development and Regulatory Quality as Moderators. Frontiers in Energy Research, 9, 938.
• Im, K. S., Pesaran, M. H., & Shin, Y. (2003). Testing for unit roots in heterogeneous panels. Journal of Econometrics, 115(1), 53-74.
• Jiang, Y., Zhou, Z., & Liu, C. (2019). Does economic policy uncertainty matter for carbon emission? Evidence from US sector level data. Environmental Science and Pollution Research, 26(24), 24380–24394.
• Jebli, M. B., & Youssef, S. B. (2017). The role of renewable energy and agriculture in reducing CO2 emissions: evidence for North Africa countries. Ecological Indicators, 74, 295-301.
• Kendall, M. G. (1975). Rank Correlation Methods. Griffin, London.
• Li, D., Chen, J., & Gao, J