Giriş

Küresel Dinamiklerin Ülkelerin Gelişmişlik Düzeyine Etkisi

Günümüz dünyasında bir ülkenin kalkınma düzeyi ve ekonomik istikrarı, yalnızca üretim rakamlarıyla değil; demografik yapı, finansal sürdürülebilirlik ve doğal kaynakların yönetimi gibi çok boyutlu göstergelerle ölçülmektedir. Bu proje kapsamında, bir ekonominin makroekonomik dengelerini ve toplumsal refahını doğrudan etkileyen dört temel değişken ele alınacaktır: Enflasyon, Net Resmi Kalkınma Yardımları, Çalışma Çağındaki Nüfus Oranı ve Kişi Başına Düşen Yenilenebilir İç Tatlı Su Kaynakları.

Ekonomik ve Sosyal Göstergelerin Birleşimi

Ekonomik istikrarın en temel göstergesi olan tüketici fiyatlarındaki yıllık artış (enflasyon), paranın satın alma gücünü ve hanehalkı refahını belirleyen birincil unsurdur. Ancak ekonomik büyüme sadece fiyat istikrarına değil, aynı zamanda dış finansal desteklere de ihtiyaç duyabilir. Özellikle gelişmekte olan ekonomiler için Net Resmi Kalkınma Yardımları (ODA), altyapı yatırımları ve yoksullukla mücadelede kritik bir sermaye akışı sağlar.

Demografi ve Doğal Kaynakların Rolü

Ekonomik verilerin ötesinde, bir ülkenin en büyük itici gücü insan kaynağıdır. 15-64 yaş arası çalışma çağındaki nüfusun toplam nüfus içindeki payı, “demografik fırsat penceresi” olarak adlandırılan ve doğru yönetildiğinde ekonomik sıçramaya yol açan bir potansiyeli temsil eder.

Son olarak, ekonomik ve nüfus yapısındaki bu değişimlerin sürdürülebilirliği, ekolojik sınırlara bağlıdır. İklim krizinin derinleştiği bir dönemde, kişi başına düşen yenilenebilir iç tatlı su kaynakları, bir ülkenin gelecekteki gıda güvenliğini, sanayi kapasitesini ve yaşam kalitesini belirleyen en stratejik doğal varlık haline gelmiştir.

Projenin Amacı:

Bu çalışma: 2000,2005,2010,2015ve2020, seçilen bu dört temel gösterge üzerinden ülkelerin ekonomik dayanıklılığını, toplumsal yapısını ve çevresel kapasitesini analiz ederek, sürdürülebilir kalkınma yolundaki mevcut durumu ve gelecek öngörülerini ortaya koymayı hedeflemektedir

library(WDI)
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
data <- WDI(indicator = c("FP.CPI.TOTL.ZG", "DT.ODA.ODAT.CD", "SP.POP.1564.TO.ZS", "ER.H2O.INTR.PC"))
library(tidyverse)
## Warning: package 'ggplot2' was built under R version 4.4.3
## ── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
## ✔ forcats   1.0.0     ✔ readr     2.1.5
## ✔ ggplot2   4.0.1     ✔ stringr   1.5.1
## ✔ lubridate 1.9.3     ✔ tibble    3.2.1
## ✔ purrr     1.0.2     ✔ tidyr     1.3.1
## ── 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
library(readr)
write_csv(data, "ınfvenetvepopuverene.csv")
df <- read.csv("ınfvenetvepopuverene.csv")
years <- c(2000, 2005, 2010, 2015, 2020)
data_temiz <- na.omit(data)
head(data_temiz)
##        country iso2c iso3c year FP.CPI.TOTL.ZG DT.ODA.ODAT.CD SP.POP.1564.TO.ZS
## 46 Afghanistan    AF   AFG 2005      12.686269     2815098389          47.68068
## 47 Afghanistan    AF   AFG 2006       6.784597     2895828369          47.87228
## 48 Afghanistan    AF   AFG 2007       8.680571     4982612305          48.13773
## 49 Afghanistan    AF   AFG 2008      26.418664     4811211426          48.46502
## 50 Afghanistan    AF   AFG 2009      -6.811161     6113124023          48.82825
## 51 Afghanistan    AF   AFG 2010       2.178538     6072399902          49.22606
##    ER.H2O.INTR.PC
## 46       1932.015
## 47       1854.540
## 48       1819.771
## 49       1780.413
## 50       1716.662
## 51       1667.015

##WDI veri setinde ham veriler, eksik bilgiler içermektedir. analiz öncesinde eksik veriler çıkarılmış ve analizler temizlenmiş veri seti üzerinden gerçekleştirilmiş.

summary(data_temiz)
##    country             iso2c              iso3c                year     
##  Length:7849        Length:7849        Length:7849        Min.   :1961  
##  Class :character   Class :character   Class :character   1st Qu.:1985  
##  Mode  :character   Mode  :character   Mode  :character   Median :1999  
##                                                           Mean   :1997  
##                                                           3rd Qu.:2010  
##                                                           Max.   :2022  
##  FP.CPI.TOTL.ZG      DT.ODA.ODAT.CD       SP.POP.1564.TO.ZS ER.H2O.INTR.PC  
##  Min.   :  -17.640   Min.   :-9.899e+08   Min.   :45.28     Min.   :     0  
##  1st Qu.:    2.932   1st Qu.: 6.154e+07   1st Qu.:52.75     1st Qu.:  1478  
##  Median :    5.742   Median : 3.047e+08   Median :57.14     Median :  4517  
##  Mean   :   21.936   Mean   : 4.873e+09   Mean   :58.33     Mean   : 19018  
##  3rd Qu.:   10.560   3rd Qu.: 1.782e+09   3rd Qu.:64.07     3rd Qu.: 16086  
##  Max.   :23773.132   Max.   : 2.469e+11   Max.   :75.54     Max.   :362915

##Enflasyon (Tüketici Fiyatları %): Ülkeler arasında en yüksek varyasyona (değişkenliğe) sahip veridir. Bazı ülkelerde fiyat istikrarı korunurken, bazılarında görülen yüksek enflasyon rakamları, ekonomik istikrarsızlığın bir göstergesi olarak standart sapmayı artırmaktadır.

##Net Resmi Kalkınma Yardımları (ODA): Bu değişkenin dağılımı, ülkelerin gelir düzeylerine göre büyük farklılıklar sergilemektedir. Özellikle düşük gelirli ülkelerde bu yardımların GSYİH içindeki payı yüksekken, orta gelirli ülkelerde daha düşük seyrettiği gözlemlenmiştir.

##Çalışma Çağındaki Nüfus (15-64 Yaş %): Diğer değişkenlere kıyasla en istikrarlı ve düzenli dağılıma sahip veridir. Ülkelerin demografik geçiş süreçlerine bağlı olarak bu oran belirli bir aralıkta kümelenmekte, radikal dalgalanmalar göstermemektedir.

##Yenilenebilir İç Tatlı Su Kaynakları: Kişi başına düşen su miktarı, coğrafi koşullara bağlı olarak uç değerler (outliers) içermektedir. Su zengini ülkeler ile su stresi çeken ülkeler arasındaki keskin fark, bu değişkenin aritmetik ortalamasını etkilemektedir.

table(data_temiz$year)
## 
## 1961 1962 1963 1964 1965 1966 1967 1968 1969 1970 1971 1972 1973 1974 1975 1976 
##   41   43   43   48   53   57   62   63   64   78   80   82   86   88   93   93 
## 1977 1978 1979 1980 1981 1982 1983 1984 1985 1986 1987 1988 1989 1990 1991 1992 
##   98   98   93  101  116  116  116  120  120  127  133  133  136  136  139  144 
## 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 
##  148  154  157  155  154  154  156  157  161  162  162  162  167  169  170  169 
## 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018 2019 2020 2021 2022 
##  171  172  168  170  169  168  167  167  164  162  162  160  160  132

2000, 2005, 2010, 2015 ve 2020 df_con bazında gözlemler yoktur.

GRAFİK KISMI

ülkeler <- c("TUR", "UKR", "ABD", "VEN", "QAT")
data_duz <- data_temiz[data_temiz$iso3c %in% ülkeler, ]
ggplot(data_duz, aes(x = year, y = FP.CPI.TOTL.ZG, color = iso3c)) +
  geom_line(size = 1.2) +
  geom_point(size = 3) +
  labs(
    title = "Inflation, consumer prices (annual %)",
    subtitle = "Türkiye, ÜKRANYA, VETNAM, QATAR ve ABD (2000–2020)",
    x = "Yıl",
    y = "Inflation, consumer prices (annual %)",
    color = "Ülke"
  ) +
  theme_minimal()
## Warning: Using `size` aesthetic for lines was deprecated in ggplot2 3.4.0.
## ℹ Please use `linewidth` instead.
## This warning is displayed once every 8 hours.
## Call `lifecycle::last_lifecycle_warnings()` to see where this warning was
## generated.

​-Hiperenflasyon Göstergesi (Mor Çizgi - VEN): Venezuela’yı temsil eden mor çizginin 2015’ten sonra dikey bir şekilde fırlaması, ülkede hiperenflasyon (aşırı yüksek enflasyon) yaşandığını gösterir. Bu durum, yerel paranın değerinin tamamen çöktüğüne işarettir. ​-Kronik Enflasyon ve Dalgalanma (Yeşil Çizgi - TUR): Türkiye’nin çizgisindeki iniş çıkışlar, özellikle 1980-2000 arası dönemdeki ekonomik istikrarsızlığı ve kronik enflasyonu temsil eder. Çizginin sonundaki yükseliş, fiyat artış hızının yeniden ivme kazandığını gösterir. ​-Ekonomik Şoklar (Mavi Çizgi - UKR): Ukrayna’nın 2015 civarındaki ani yükselişi, genellikle savaş veya siyasi krizler gibi dış şokların ekonomiyi aniden vurduğunu kanıtlar. ​-Fiyat İstikrarı (Turuncu Çizgi - QAT): Katar’ın çizgisinin neredeyse dümdüz ve alt seviyede kalması, ülkede fiyat istikrarı olduğunu ve enflasyonun çok düşük seviyelerde kontrol edildiğini gösterir. ​-Bu Farklılıklar Genel Olarak Şuna İşaret Eder: ​-Satın Alma Gücü: Yukarı doğru çıkan her çizgi, o ülkedeki insanların satın alma gücünün azaldığını gösterir. ​-Yönetim Farkı: Yatay çizgiler (Katar gibi) başarılı bir para politikasını, dik çizgiler (Venezuela gibi) ise ekonomik kontrolün kaybedildiğini temsil eder. ​-Küresel Ayrışma: Aynı zaman diliminde bazı ülkelerin zenginleşirken (düşük enflasyon), bazılarının ciddi krizlerle boğuştuğunu kanıtlar.

ggplot(data_duz, aes(x = year, y = DT.ODA.ODAT.CD, color = iso3c)) +
  geom_line(size = 1.2) +
  geom_point(size = 3) +
  labs(
    title = "Net official development assistance received ",
    subtitle = "Türkiye, ÜKRANYA, VETNAM, QATAR ve ABD (2000–2020)",
    x = "Yıl",
    y = "Net official development assistance received ",
    color = "Ülke"
  ) +
  theme_minimal()

​-Olağanüstü Sıçrama (Mavi Çizgi - UKR): Grafikteki en belirgin varyasyon, 2020 yılından sonra Ukrayna’nın (UKR) yardım miktarındaki devasa artıştır. Bu dikey çıkış, savaşın etkisiyle Ukrayna’ya yapılan uluslararası yardımların eşi benzeri görülmemiş bir seviyeye ulaştığını gösterir. Diğer tüm ülkelerin tarihsel verileri bu büyük sıçramanın yanında neredeyse yatay görünmektedir. ​-Tarihsel Dalgalanmalar ve Artış (Yeşil Çizgi - TUR): Türkiye’nin (TUR) verilerinde 1980 ve 1990’larda küçük dalgalanmalar görülürken, 2010 yılından sonra belirgin bir artış trendi izlenmektedir. Bu değişim, Türkiye’nin bölgesel krizlerde (özellikle mülteci krizi gibi süreçlerde) aldığı uluslararası finansal desteğin ve kalkınma yardımlarının arttığını simgeler. ​-Sıfıra Yakın İstikrar (Turuncu Çizgi - QAT): Katar’ın (QAT) çizgisi tüm zaman çizelgesi boyunca sıfır seviyesinde veya çok yakınında seyretmektedir. Bu varyasyonun anlamı; Katar’ın bir yardım alan ülke değil, ekonomik gücü nedeniyle bir yardım veren (donör) ülke olmasıdır. ​-Düşük ve Sınırlı Veri (Mor Çizgi - VEN): Venezuela (VEN) hattı, ülkedeki büyük ekonomik krize rağmen resmi yardımlarda büyük bir çıkış göstermemektedir. Bu durum, uluslararası yardımların resmi kanallar üzerinden kısıtlı geldiğini veya veri setinde bu bölge için eksiklikler olabileceğini gösterir. ​-Bu Varyasyonlar Genel Olarak Neyi Gösterir? ​-Krizlerin Etkisi: Grafik, büyük çaplı savaş ve çatışmaların (Ukrayna örneği), kalkınma yardımı akışlarını nasıl dramatik ve anlık bir şekilde değiştirdiğini kanıtlar. ​-Jeopolitik Öncelikler: Yardımların zamanla bir bölgeden diğerine (örneğin son yıllarda Doğu Avrupa’ya) nasıl kaydığını açıkça ortaya koyar. ​-Ekonomik Sınıflandırma: Ülkelerin zenginlik seviyeleri ile dış yardım alma ihtiyaçları arasındaki ters korelasyonu (Katar ve Ukrayna kıyası gibi) görselleştirir.

ggplot(data_duz, aes(x = year, y = SP.POP.1564.TO.ZS, color = iso3c)) +
  geom_line(size = 1.2) +
  geom_point(size = 3) +
  labs(
    title = " Population ages 15-64 (% of total population) ",
    subtitle = "Türkiye, ÜKRANYA, VETNAM, QATAR ve ABD (2000–2020)",
    x = "Yıl",
    y = " Population ages 15-64 (% of total population) ",
    color = "Ülke"
  ) +
  theme_minimal()

​-Sürekli ve İstikrarlı Artış (Türkiye - TUR): Yeşil çizgi, 1970’lerden itibaren istikrarlı bir yükseliş göstermektedir. Bu durum, Türkiye’nin çalışma çağındaki nüfus oranının arttığını ve “demografik fırsat penceresi” içinde olduğunu kanıtlar. ​-Zirve ve Düşüş (Ukrayna - UKR): Ukrayna’yı temsil eden mavi çizgi, 2010 civarında zirve yaptıktan sonra düşüşe geçmiştir. Bu varyasyon, toplumun yaşlanmaya başladığına ve genç nüfus oranının azaldığına işaret eder. ​-En Yüksek Oran (Katar - QAT): Turuncu çizgi grafiğin en üstünde (%75 civarı) yer alır. Bu yüksek farkın temel nedeni, Katar’ın yoğun dış göç (yabancı işçi) almasıdır; bu da çalışma çağındaki nüfusu yapay olarak yüksek tutar. ​-Sınırlı Veri Aralığı (Venezuela - VEN): Mor çizgi sadece kısa bir zaman dilimini kapsadığı için diğer ülkelerle uzun vadeli bir kıyaslama yapılmasına imkan vermemektedir

ggplot(data_duz, aes(x = year, y = ER.H2O.INTR.PC, color = iso3c)) +
  geom_line(size = 1.2) +
  geom_point(size = 3) +
  labs(
    title = " Renewable internal freshwater resources per capita (cubic meters) ",
    subtitle = "Türkiye, ÜKRANYA, VETNAM, QATAR ve ABD (2000–2020)",
    x = "Yıl",
    y = " Renewable internal freshwater resources per capita (cubic meters) ",
    color = "Ülke"
  ) +
  theme_minimal()

​-Yüksek Rezerv ve Hızlı Azalış (Venezuela - VEN): Mor çizgi, diğer ülkelerden çok daha üst seviyede yer alarak devasa su kaynaklarını simgeler. Ancak çizginin aşağı yönlü eğimi, kişi başına düşen su miktarının zamanla azaldığını kanıtlar. ​-Sürekli ve Kademeli Düşüş (Türkiye - TUR): Yeşil çizgi 1960’tan itibaren sürekli bir iniş halindedir. Bu varyasyon, artan nüfusun sınırlı su kaynakları üzerindeki baskısını ve Türkiye’nin su stresi riskine yaklaştığını gösterir. ​-Aşırı Su Kıtlığı (Katar - QAT): Turuncu çizgi grafik boyunca sıfıra en yakın konumdadır. Bu durum, Katar’ın doğal tatlı su kaynaklarının neredeyse hiç olmadığını ve tamamen deniz suyu arıtma gibi yöntemlere bağımlı olduğunu temsil eder. ​-Düşük Seviyeli İstikrar (Ukrayna - UKR): Mavi çizgi son yıllarda Katar’dan yüksek, ancak Türkiye’nin tarihsel verilerinden çok daha düşük bir seviyede yatay bir seyir izlemektedir.

2000_2005_2010_2015_2020 bu yıllar göre ##2000 yıl

model_2000 <- lm(
  ER.H2O.INTR.PC ~ SP.POP.1564.TO.ZS + DT.ODA.ODAT.CD +
    FP.CPI.TOTL.ZG,
  data = data_temiz %>% filter(year == 2000)
)

summary(model_2000)
## 
## Call:
## lm(formula = ER.H2O.INTR.PC ~ SP.POP.1564.TO.ZS + DT.ODA.ODAT.CD + 
##     FP.CPI.TOTL.ZG, data = data_temiz %>% filter(year == 2000))
## 
## Residuals:
##    Min     1Q Median     3Q    Max 
## -20503 -16792 -11683  -1909 296001 
## 
## Coefficients:
##                     Estimate Std. Error t value Pr(>|t|)
## (Intercept)        7.918e+03  3.074e+04   0.258    0.797
## SP.POP.1564.TO.ZS  1.859e+02  5.191e+02   0.358    0.721
## DT.ODA.ODAT.CD    -5.741e-07  4.078e-07  -1.408    0.161
## FP.CPI.TOTL.ZG     2.339e+01  6.228e+01   0.376    0.708
## 
## Residual standard error: 37680 on 153 degrees of freedom
## Multiple R-squared:  0.01444,    Adjusted R-squared:  -0.004885 
## F-statistic: 0.7472 on 3 and 153 DF,  p-value: 0.5256

##2005

model_2005 <- lm(
  ER.H2O.INTR.PC ~ SP.POP.1564.TO.ZS + DT.ODA.ODAT.CD +
    FP.CPI.TOTL.ZG,
  data = data_temiz %>% filter(year == 2005)
)

summary(model_2005)
## 
## Call:
## lm(formula = ER.H2O.INTR.PC ~ SP.POP.1564.TO.ZS + DT.ODA.ODAT.CD + 
##     FP.CPI.TOTL.ZG, data = data_temiz %>% filter(year == 2005))
## 
## Residuals:
##    Min     1Q Median     3Q    Max 
## -19359 -15356 -10420   1308 299494 
## 
## Coefficients:
##                     Estimate Std. Error t value Pr(>|t|)
## (Intercept)        1.888e+04  2.871e+04   0.658    0.512
## SP.POP.1564.TO.ZS  1.184e+01  4.513e+02   0.026    0.979
## DT.ODA.ODAT.CD    -2.377e-07  1.574e-07  -1.510    0.133
## FP.CPI.TOTL.ZG    -3.382e+02  5.468e+02  -0.619    0.537
## 
## Residual standard error: 34750 on 163 degrees of freedom
## Multiple R-squared:  0.01636,    Adjusted R-squared:  -0.001743 
## F-statistic: 0.9037 on 3 and 163 DF,  p-value: 0.4407

##2010

model_2010 <- lm(
  ER.H2O.INTR.PC ~ SP.POP.1564.TO.ZS + DT.ODA.ODAT.CD +
    FP.CPI.TOTL.ZG,
  data = data_temiz %>% filter(year == 2010)
)

summary(model_2010)
## 
## Call:
## lm(formula = ER.H2O.INTR.PC ~ SP.POP.1564.TO.ZS + DT.ODA.ODAT.CD + 
##     FP.CPI.TOTL.ZG, data = data_temiz %>% filter(year == 2010))
## 
## Residuals:
##    Min     1Q Median     3Q    Max 
## -18243 -13944  -9442    581 305002 
## 
## Coefficients:
##                     Estimate Std. Error t value Pr(>|t|)
## (Intercept)        1.005e+04  2.409e+04   0.417    0.677
## SP.POP.1564.TO.ZS  1.312e+02  3.823e+02   0.343    0.732
## DT.ODA.ODAT.CD    -1.957e-07  1.424e-07  -1.374    0.171
## FP.CPI.TOTL.ZG    -4.467e+02  6.983e+02  -0.640    0.523
## 
## Residual standard error: 33120 on 168 degrees of freedom
## Multiple R-squared:  0.014,  Adjusted R-squared:  -0.003608 
## F-statistic: 0.7951 on 3 and 168 DF,  p-value: 0.4982

##2015

model_2015 <- lm(
  ER.H2O.INTR.PC ~ SP.POP.1564.TO.ZS + DT.ODA.ODAT.CD +
    FP.CPI.TOTL.ZG,
  data = data_temiz %>% filter(year == 2015)
)

summary(model_2015)
## 
## Call:
## lm(formula = ER.H2O.INTR.PC ~ SP.POP.1564.TO.ZS + DT.ODA.ODAT.CD + 
##     FP.CPI.TOTL.ZG, data = data_temiz %>% filter(year == 2015))
## 
## Residuals:
##    Min     1Q Median     3Q    Max 
## -20152 -13263  -8462    512 300735 
## 
## Coefficients:
##                     Estimate Std. Error t value Pr(>|t|)
## (Intercept)       -1.036e+04  2.417e+04  -0.429    0.669
## SP.POP.1564.TO.ZS  4.215e+02  3.870e+02   1.089    0.278
## DT.ODA.ODAT.CD    -1.627e-07  1.181e-07  -1.378    0.170
## FP.CPI.TOTL.ZG    -9.345e+01  2.183e+02  -0.428    0.669
## 
## Residual standard error: 32010 on 163 degrees of freedom
## Multiple R-squared:  0.02042,    Adjusted R-squared:  0.002388 
## F-statistic: 1.132 on 3 and 163 DF,  p-value: 0.3376

##2020

model_2020 <- lm(
  ER.H2O.INTR.PC ~ SP.POP.1564.TO.ZS + DT.ODA.ODAT.CD +
    FP.CPI.TOTL.ZG,
  data = data_temiz %>% filter(year == 2020)
)

summary(model_2020)
## 
## Call:
## lm(formula = ER.H2O.INTR.PC ~ SP.POP.1564.TO.ZS + DT.ODA.ODAT.CD + 
##     FP.CPI.TOTL.ZG, data = data_temiz %>% filter(year == 2020))
## 
## Residuals:
##    Min     1Q Median     3Q    Max 
## -20752 -12661  -7482    625 283161 
## 
## Coefficients:
##                     Estimate Std. Error t value Pr(>|t|)
## (Intercept)       -1.899e+04  2.627e+04  -0.723    0.471
## SP.POP.1564.TO.ZS  5.316e+02  4.180e+02   1.272    0.205
## DT.ODA.ODAT.CD    -1.041e-07  8.209e-08  -1.268    0.207
## FP.CPI.TOTL.ZG    -1.509e+01  5.288e+01  -0.285    0.776
## 
## Residual standard error: 30430 on 156 degrees of freedom
## Multiple R-squared:  0.02312,    Adjusted R-squared:  0.004335 
## F-statistic: 1.231 on 3 and 156 DF,  p-value: 0.3005

Bu regresyon modeli

kişi başına düşen yenilenebilir tatlı su kaynaklarını (bağımlı değişken) açıklamak için üç farklı faktörü (nüfus yapısı, dış yardımlar ve enflasyon) kullanmaktadır. ​Modelin Özeti ve Anlamlılık: ​Belirleyicilik Katsayısı (R^2): “Multiple R-squared” değeri 0.02312’dir. Bu, modeldeki bağımsız değişkenlerin, su kaynaklarındaki değişimin sadece %2.3’ünü açıklayabildiğini gösterir; yani modelin açıklama gücü oldukça düşüktür. ​P-Değeri: Modelin genel p-değeri 0.3005’tir. Bu değer 0.05’ten büyük olduğu için model bir bütün olarak istatistiksel olarak anlamlı değildir. ​Katsayılar Analizi: ​Nüfus (SP.POP.1564.TO.ZS): Katsayısı pozitif olsa da (531.6), p-değeri (0.205) anlamlılık sınırının üzerindedir. ​Dış Yardımlar ve Enflasyon: Bu değişkenlerin p-değerleri (sırasıyla 0.207 ve 0.776) oldukça yüksektir. Bu da, 2020 verilerine göre bu faktörlerin su kaynakları üzerinde anlamlı bir etkisi olmadığını kanıtlar.

Y =β0 +β1(X_1) + β2(X_2) +β3(X_3) + €

Eldeki verilere göre denklem şu şekilde oluşmuştur:

Kişi Başına Su Kaynağı = (-18990) + (531.6 × Nüfus) - (0.0000001 × Dış Yardım) - (15.09 × Enflasyon)

​2. Katsayıların Basit Yorumu (Katsayı Analizi) ​Çalışma Çağındaki Nüfus (15-64 yaş) [531.6]:

Bu katsayı pozitif olsa da (yani nüfus arttıkça su artar gibi görünse de), p-değeri (0.205) 0.05’ten büyük olduğu için bu ilişki istatistiksel olarak anlamsızdır.

​Net Dış Yardımlar [-1.041e-07]: Katsayı sıfıra çok yakındır.

Bu durum, dış yardımların su kaynakları üzerinde hiçbir reel etkisi olmadığını gösterir. ​Enflasyon Oranı [-15.09]: Enflasyon ile su kaynakları arasında negatif bir yönelim olsa da, p-değeri (0.776) çok yüksek olduğu için bu veri bilimsel olarak geçersizdir.

​3. İstatistiksel Sonuç ve Özet ​Modelin Açıklayıcılığı (R-squared): “Adjusted R-squared” değeri 0.004335’tir.

Bu, seçilen değişkenlerin (nüfus, yardım, enflasyon) su kaynaklarındaki değişimin sadece %0.4’ünü açıkladığını gösterir.

Yani model çok zayıftır. ​Genel Anlamlılık: Modelin genel p-değeri (0.3005) 0.05’ten büyüktür. ​Karar: Bu sonuçlara göre, ekonomik ve demografik göstergeler ile su kaynakları arasında bu veri setinde istatistiksel olarak anlamlı bir ilişki bulunamamıştır.

Sonuç

incelenen ülkelerdeki (Türkiye, Ukrayna, Katar ve Venezuela) ekonomik, demografik ve çevresel faktörler arasındaki karmaşık etkileşimi ortaya koymuştur. Elde edilen veriler; çatışmalar ve ekonomik istikrarsızlık gibi büyük krizlerin, Venezuela’daki hiperenflasyon veya Ukrayna’ya yapılan resmi yardımlardaki devasa artış örneklerinde görüldüğü üzere, ani ve radikal değişimlere yol açtığını kanıtlamaktadır. ​Demografik açıdan Türkiye, çalışma çağındaki nüfus artışıyla “demografik fırsat penceresinden” yararlanan bir profil çizerken; Katar, dış göçle şekillenen yapay ama yüksek iş gücü oranıyla istisnai bir durum teşkil etmektedir. Ancak 2020 yılı için uygulanan regresyon analizi; ekonomik ve demografik değişkenlerin, kişi başına düşen tatlı su kaynaklarındaki değişimi açıklamakta tek başına yeterli olmadığını göstermiştir. Bu durum, gelecekteki çalışmalarda kaynak sürdürülebilirliğini tam olarak kavrayabilmek için iklim değişikliği ve coğrafi faktörler gibi daha spesifik değişkenlerin modele dahil edilmesi gerektiğini göstermektedir.