ekonometri
ABDELNASSIR HASSANE
2026-01-02
GIRIS
Bu çalışmada ülkelerin tarımsal yapısı, enerjiye erişimi ve doğal kaynak kullanımını değerlendirmek amacıyla seçilmiş bazı Dünya Bankası göstergeleri incelenmektedir. EG.ELC.ACCS.ZS göstergesi, nüfusun elektrik erişim oranını ifade ederek, ülkelerde enerji altyapısının yaygınlığı ve yaşam kalitesi hakkında bilgi vermektedir. AG.LND.AGRI.ZS göstergesi, toplam arazi içindeki tarımsal kullanım oranını göstererek, tarım arazilerinin ekonomik ve üretimsel önemini ortaya koymaktadır. Tarım sektörünün gayrisafi yurtiçi hasıla içindeki payını ölçen NV.AGR.TOTL.ZS göstergesi, ülke ekonomisinde tarımın rolünü değerlendirmeye imkân tanımaktadır. Ayrıca AG.LND.PRCP.MM göstergesi, yıllık ortalama yağış miktarını milimetre cinsinden göstererek, tarımsal üretim ve su kaynakları üzerindeki doğal etkilerin anlaşılmasını sağlamaktadır. Bu göstergeler birlikte değerlendirildiğinde, tarım, enerji ve iklim koşullarının ülkelerin ekonomik ve çevresel yapısı üzerindeki etkileşimleri hakkında kapsamlı bir analiz yapmak mümkün olmaktadır.
Literatür Taraması
Tarımsal üretim, enerjiye erişim ve doğal koşullar arasındaki ilişkiler, literatürde sıkça incelenen bir konudur. EG.ELC.ACCS.ZS göstergesi ile ölçülen elektrik erişimi, kırsal ve kentsel alanlarda ekonomik faaliyetler ve tarımsal verimlilik üzerinde belirleyici bir faktör olarak ele alınmıştır. Araştırmalar, elektrik altyapısının gelişmiş olduğu bölgelerde tarım makineleri, sulama sistemleri ve soğutma teknolojileri gibi modern uygulamaların kullanımının arttığını göstermektedir.
Tarım arazilerinin toplam arazi içindeki payını gösteren AG.LND.AGRI.ZS göstergesi, ülkelerin tarımsal potansiyelini ve ekonomik yapıdaki tarımın rolünü değerlendirmek için kullanılmaktadır. Literatürde, tarım arazilerinin yaygın olduğu ülkelerde tarım sektörünün istihdam ve gıda güvenliği açısından kritik bir öneme sahip olduğu belirtilmektedir.
NV.AGR.TOTL.ZS göstergesi ise tarım, ormancılık ve balıkçılık sektörlerinin GSYH içindeki payını ortaya koyar. Bu gösterge, tarımın ekonomik kalkınmadaki önemini ölçmek ve tarım politikalarının etkinliğini değerlendirmek için literatürde yaygın şekilde kullanılmıştır. Çalışmalar, tarımın GSYH içindeki payının yüksek olduğu ülkelerde kırsal gelirlerin ve gıda üretiminin daha sürdürülebilir olduğunu göstermektedir.
Son olarak, AG.LND.PRCP.MM göstergesi ile ölçülen yıllık ortalama yağış miktarı, tarımsal üretim ve su kaynakları üzerinde doğrudan etkilidir. Literatür, yağış miktarındaki değişimlerin tarımsal verimlilik, sulama ihtiyacı ve ürün çeşitliliği üzerinde belirleyici olduğunu vurgulamaktadır. Bu göstergeler birlikte değerlendirildiğinde, elektrik erişimi, tarımsal arazi kullanımı, ekonomik yapı ve iklim koşulları arasındaki ilişkilerin kapsamlı bir şekilde analiz edilebileceği görülmektedir.
EG.ELC.ACCS.ZS : Nüfusun elektrik hizmetine erişim oranını göstererek
AG.LND.AGRI.ZS : Toplam arazi içindeki tarımsal alanın oranını ifade eder
NV.AGR.TOTL.ZS : Tarım sektörünün GSYH’deki rolünü
AG.LND.PRCP.MM : Yıllık ortalama yağış miktarını milimetre cinsinden ölçerek
Bu çalışmada veri işleme, görselleştirme ve ekonometrik analizlerin yürütülmesi amacıyla R yazılımı kullanılmıştır.
tidyverse paketi veri temizleme, dönüştürme ve grafik çizimi için,
WDI paketi Dünya Bankası verilerinin doğrudan indirilmesi için,
broom paketi ise regresyon sonuçlarının düzenli tablo formatına dönüştürülmesi için kullanılmıştır.
VERİ VE METODOLOJİ
Veri kaynakları: Dünya Bankası (2000–2023)
Yazılım ve paketler:
- **R**: veri işleme ve analiz
- **tidyverse**: veri temizleme ve görselleştirme
- **WDI**: Dünya Bankası verilerinin çekilmesi
- **broom**: regresyon sonuçlarının tablo formatına dönüştürülmesiVeri hazırlığı: Gösterge isimleri sadeleştirilmiş ve eksik gözlemler çıkarılmıştır. Her yıl için ayrı veri setleri oluşturulmuş ve yıllara göre ortalama değerler hesaplanmıştır.
Ekonometrik model:
```
tarim_pib ~ elektrik + tarim_arazi + yagis
```
- **Bağımlı değişken:** Tarımın GSYH içindeki payı
- **Bağımsız değişkenler:** Elektrik erişimi, tarımsal arazi oranı, yağış miktarıAnaliz yöntemi: Her yıl için çoklu doğrusal regresyon uygulanmış ve elektrik, tarımsal arazi ve yağışın tarımın ekonomik rolü üzerindeki etkileri grafiklerle gösterilmiştir.
Önemli not: 2023 yılı bazı ülkelerde eksik yağış verisi içerdiğinden regresyon analizine dahil edilmemiştir.
# Gerekli paketlerin yüklenmesi
library(tidyverse)## ── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
## ✔ dplyr 1.1.4 ✔ readr 2.1.6
## ✔ forcats 1.0.1 ✔ stringr 1.6.0
## ✔ ggplot2 4.0.1 ✔ tibble 3.3.0
## ✔ lubridate 1.9.4 ✔ tidyr 1.3.2
## ✔ purrr 1.2.0
## ── 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 errorslibrary(WDI)
library(broom)# Dünya Bankası göstergelerinin indirilmesi
veri_ham <- WDI(
indicator = c(
"EG.ELC.ACCS.ZS",
"AG.LND.AGRI.ZS",
"NV.AGR.TOTL.ZS",
"AG.LND.PRCP.MM"
),
start = 2000,
end = 2023
)Bu kod bloğu ile Dünya Bankası veri tabanından 2000–2023 yılları
arasında seçilen dört temel gösterge indirilmiştir.
Bu göstergeler, ülkelerin:
enerjiye erişimini,
tarımsal arazi yapısını,
tarımın ekonomik önemini,
iklim koşullarını
temsil etmektedir.
# Değişken isimlerinin sadeleştirilmesi
veri <- veri_ham %>%
rename(
elektrik = EG.ELC.ACCS.ZS,
tarim_arazi = AG.LND.AGRI.ZS,
tarim_pib = NV.AGR.TOTL.ZS,
yagis = AG.LND.PRCP.MM
) %>%
filter(
!is.na(elektrik),
!is.na(tarim_arazi),
!is.na(tarim_pib),
!is.na(yagis)
)Bu aşamada:
Gösterge isimleri analizde kolaylık sağlamak amacıyla sadeleştirilmiştir.
Eksik gözlem içeren satırlar analizden çıkarılmıştır.
Bu işlem, regresyon analizinin istatistiksel olarak güvenilir sonuçlar üretmesini sağlamak amacıyla yapılmıştır.
# Analiz edilecek yılların ayrılması
veri_2000 <- veri %>% filter(year == 2000)
veri_2005 <- veri %>% filter(year == 2005)
veri_2010 <- veri %>% filter(year == 2010)
veri_2015 <- veri %>% filter(year == 2015)
veri_2020 <- veri %>% filter(year == 2020)
veri_2023 <- veri %>% filter(year == 2023)Bu kod bloğu ile her analiz yılı için ayrı veri setleri
oluşturulmuştur.
Bu yaklaşım sayesinde:
Yıllar arası yapısal farklılıklar gözlemlenebilmekte,
Her yıl için bağımsız regresyon analizleri yapılabilmektedir.
# Yıllara göre ortalama değerlerin hesaplanması
ozet_istatistik <- veri %>%
group_by(year) %>%
summarise(
elektrik_ort = mean(elektrik),
tarim_arazi_ort = mean(tarim_arazi),
tarim_pib_ort = mean(tarim_pib),
yagis_ort = mean(yagis)
)Bu bölümde her yıl için temel değişkenlerin ortalama değerleri
hesaplanmıştır.
Bu özet istatistikler, ülkeler genelinde:
enerjiye erişimin,
tarımsal yapının,
iklim koşullarının
zaman içindeki genel eğilimini göstermektedir.
# Ekonometrik model tanımı
model_formulu <- tarim_pib ~ elektrik + tarim_arazi + yagisBu çalışmada çoklu doğrusal regresyon modeli kullanılmıştır.
Modelde:
Bağımlı değişken: Tarımın GSYH içindeki payı
Bağımsız değişkenler: Elektrik erişimi, tarımsal arazi oranı ve yağış miktarıdır.
Amaç, bu faktörlerin tarımın ekonomik önemini nasıl etkilediğini incelemektir.
# Regresyon ve grafik oluşturan fonksiyon
regresyon_calistir <- function(veri_seti, yil) {
model <- lm(model_formulu, data = veri_seti)
print(summary(model))
g1 <- ggplot(veri_seti, aes(elektrik, tarim_pib)) +
geom_point(alpha = 0.6) +
geom_smooth(method = "lm", se = FALSE) +
labs(title = paste("Elektrik Erişimi –", yil))
g2 <- ggplot(veri_seti, aes(tarim_arazi, tarim_pib)) +
geom_point(alpha = 0.6) +
geom_smooth(method = "lm", se = FALSE) +
labs(title = paste("Tarımsal Arazi –", yil))
g3 <- ggplot(veri_seti, aes(yagis, tarim_pib)) +
geom_point(alpha = 0.6) +
geom_smooth(method = "lm", se = FALSE) +
labs(title = paste("Yağış –", yil))
return(g1 | g2 | g3)
}Bu fonksiyon her yıl için:
regresyon modelini çalıştırmakta,
sonuçları ekrana yazdırmakta,
üç farklı ilişkiyi grafikle göstermektedir.
Fonksiyonel yapı sayesinde kod tekrarından kaçınılmış ve analiz süreci standartlaştırılmıştır.
# Yıllara göre regresyon sonuçlarının tablo haline getirilmesi
sonuclar <- veri %>%
filter(year %in% c(2000,2005,2010,2015,2020,2023)) %>%
group_by(year) %>%
do(tidy(lm(model_formulu, data = .)))
sonuclar## # A tibble: 20 × 6
## # Groups: year [5]
## year term estimate std.error statistic p.value
## <int> <chr> <dbl> <dbl> <dbl> <dbl>
## 1 2000 (Intercept) 28.3 2.70 10.5 5.62e-20
## 2 2000 elektrik -0.241 0.0198 -12.2 1.30e-24
## 3 2000 tarim_arazi 0.0319 0.0321 0.994 3.22e- 1
## 4 2000 yagis 0.00117 0.000926 1.26 2.09e- 1
## 5 2005 (Intercept) 27.8 2.34 11.9 5.62e-24
## 6 2005 elektrik -0.253 0.0178 -14.2 1.84e-30
## 7 2005 tarim_arazi 0.0465 0.0277 1.68 9.52e- 2
## 8 2005 yagis 0.00111 0.000770 1.44 1.53e- 1
## 9 2010 (Intercept) 28.7 2.20 13.0 1.91e-27
## 10 2010 elektrik -0.258 0.0170 -15.2 1.63e-33
## 11 2010 tarim_arazi 0.0320 0.0250 1.28 2.03e- 1
## 12 2010 yagis 0.00100 0.000678 1.48 1.41e- 1
## 13 2015 (Intercept) 26.3 2.37 11.1 4.65e-22
## 14 2015 elektrik -0.233 0.0189 -12.3 1.78e-25
## 15 2015 tarim_arazi 0.0479 0.0255 1.88 6.18e- 2
## 16 2015 yagis 0.000979 0.000694 1.41 1.60e- 1
## 17 2020 (Intercept) 30.2 2.63 11.5 4.51e-23
## 18 2020 elektrik -0.273 0.0219 -12.4 9.07e-26
## 19 2020 tarim_arazi 0.0597 0.0255 2.35 2.02e- 2
## 20 2020 yagis 0.00122 0.000703 1.74 8.36e- 2Bu adımda regresyon sonuçları düzenli bir tabloya
dönüştürülmüştür.
Bu tablo:
katsayıların yönünü,
büyüklüğünü,
istatistiksel anlamlılığını
yıllar itibarıyla karşılaştırmaya olanak tanımaktadır.
# Regresyon ve grafik fonksiyonu (hatasız sürüm)
regresyon_calistir <- function(veri_seti, yil) {
# NA değerlerin temizlenmesi
veri_seti <- veri_seti %>%
drop_na(elektrik, tarim_arazi, tarim_pib, yagis)
# Veri kontrolü
if (nrow(veri_seti) == 0) {
stop(paste(yil, "için yeterli veri yok"))
}
# Regresyon modeli
model <- lm(model_formulu, data = veri_seti)
print(summary(model))
# Grafikler
g1 <- ggplot(veri_seti, aes(elektrik, tarim_pib)) +
geom_point() +
geom_smooth(method = "lm", se = FALSE) +
labs(title = paste("Elektrik –", yil))
g2 <- ggplot(veri_seti, aes(tarim_arazi, tarim_pib)) +
geom_point() +
geom_smooth(method = "lm", se = FALSE) +
labs(title = paste("Tarımsal Arazi –", yil))
g3 <- ggplot(veri_seti, aes(yagis, tarim_pib)) +
geom_point() +
geom_smooth(method = "lm", se = FALSE) +
labs(title = paste("Yağış –", yil))
# Grafikler liste olarak döndürülür
return(list(g1 = g1, g2 = g2, g3 = g3))
}sonuc_2000 <- regresyon_calistir(veri_2000, "2000")##
## Call:
## lm(formula = model_formulu, data = veri_seti)
##
## Residuals:
## Min 1Q Median 3Q Max
## -22.822 -4.396 -1.945 3.030 36.060
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 28.3108343 2.6960162 10.501 <2e-16 ***
## elektrik -0.2411493 0.0197932 -12.183 <2e-16 ***
## tarim_arazi 0.0319266 0.0321270 0.994 0.322
## yagis 0.0011686 0.0009261 1.262 0.209
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 8.512 on 161 degrees of freedom
## Multiple R-squared: 0.4999, Adjusted R-squared: 0.4905
## F-statistic: 53.64 on 3 and 161 DF, p-value: < 2.2e-16sonuc_2000$g1## `geom_smooth()` using formula = 'y ~ x'
sonuc_2000$g2## `geom_smooth()` using formula = 'y ~ x'
sonuc_2000$g3## `geom_smooth()` using formula = 'y ~ x'
| Yıl | Elektrik | Tarım Arazi | Yağış | R² (Adjusted) |
|---|---|---|---|---|
| 2000 | -0.241 | 0.032 | 0.001 | 0.491 |
| 2005 | -0.253 | 0.047 | 0.001 | 0.567 |
| 2010 | -0.258 | 0.032 | 0.001 | 0.590 |
| 2015 | -0.233 | 0.048 | 0.001 | 0.489 |
| 2020 | -0.273 | 0.060 | 0.001 | 0.501 |
Yorum:
Elektrik erişimi arttıkça tarımın GSYH’deki payı genellikle azalmaktadır (ekonomik gelişim ve sektörel dönüşüm etkisi).
tarımsal arazi oranı arttıkça tarımın ekonomik payı artış göstermektedir.
Yağış miktarının etkisi küçük ama pozitif; iklim koşulları tarımsal üretim üzerinde doğrudan etkilidir.
Grafik 1 – Elektrik & Tarım
Elektriğe erişim arttıkça tarımın GSYH içindeki payının azalması beklenmektedir.
Bu durum ekonomik gelişme ve sektörel dönüşüm ile uyumludur.
Grafik 2 – Tarımsal Arazi & Tarım
Tarımsal arazi oranı yüksek ülkelerde tarım sektörü ekonomik yapı içinde daha baskın olabilir.
Grafik 3 – Yağış & Tarım
Yağış miktarı tarımsal üretimi doğrudan etkileyen doğal bir faktördür.
# Güçlendirilmiş grafikler ile regresyon fonksiyonu
regresyon_calistir <- function(veri_seti, yil) {
# NA temizliği
veri_seti <- veri_seti %>%
drop_na(elektrik, tarim_arazi, tarim_pib, yagis)
# Veri kontrolü
if (nrow(veri_seti) == 0) {
stop(paste(yil, "için yeterli veri yok"))
}
# Regresyon modeli
model <- lm(model_formulu, data = veri_seti)
print(summary(model))
# Grafik 1: Elektrik ve tarım GSYH
g1 <- ggplot(veri_seti, aes(x = elektrik, y = tarim_pib)) +
geom_point(alpha = 0.5, size = 2) +
geom_smooth(method = "lm", se = TRUE, linewidth = 1.2) +
labs(
title = paste("Accès à l’électricité et agriculture –", yil),
subtitle = "Relation négative attendue (développement économique)",
x = "Accès à l’électricité (% de la population)",
y = "Part de l’agriculture dans le PIB (%)"
) +
theme_minimal(base_size = 13)
# Grafik 2: Tarımsal arazi ve tarım GSYH
g2 <- ggplot(veri_seti, aes(x = tarim_arazi, y = tarim_pib)) +
geom_point(alpha = 0.5, size = 2) +
geom_smooth(method = "lm", se = TRUE, linewidth = 1.2) +
labs(
title = paste("Terres agricoles et agriculture –", yil),
subtitle = "Effet structurel de la disponibilité des terres",
x = "Terres agricoles (% de la surface totale)",
y = "Part de l’agriculture dans le PIB (%)"
) +
theme_minimal(base_size = 13)
# Grafik 3: Yağış ve tarım GSYH
g3 <- ggplot(veri_seti, aes(x = yagis, y = tarim_pib)) +
geom_point(alpha = 0.5, size = 2) +
geom_smooth(method = "lm", se = TRUE, linewidth = 1.2) +
labs(
title = paste("Pluviométrie et agriculture –", yil),
subtitle = "Influence climatique sur la production agricole",
x = "Précipitations annuelles (mm)",
y = "Part de l’agriculture dans le PIB (%)"
) +
theme_minimal(base_size = 13)
# Grafikler liste olarak döndürülür
return(list(g1 = g1, g2 = g2, g3 = g3))
}# Guclendirilmis grafikler (aksansiz ve hatasiz)
regresyon_calistir <- function(veri_seti, yil) {
# NA temizligi
veri_seti <- veri_seti %>%
drop_na(elektrik, tarim_arazi, tarim_pib, yagis)
# Veri kontrolu
if (nrow(veri_seti) == 0) {
stop(paste(yil, "icin yeterli veri yok"))
}
# Regresyon modeli
model <- lm(model_formulu, data = veri_seti)
print(summary(model))
# Grafik 1
g1 <- ggplot(veri_seti, aes(elektrik, tarim_pib)) +
geom_point(alpha = 0.5, size = 2) +
geom_smooth(method = "lm", se = TRUE, linewidth = 1.2) +
labs(
title = paste("Acces a l electricite -", yil),
subtitle = "Relation negative attendue (developpement economique)",
x = "Acces a l electricite (pourcentage)",
y = "Part de l agriculture dans le PIB (pourcentage)"
) +
theme_minimal(base_size = 13)
# Grafik 2
g2 <- ggplot(veri_seti, aes(tarim_arazi, tarim_pib)) +
geom_point(alpha = 0.5, size = 2) +
geom_smooth(method = "lm", se = TRUE, linewidth = 1.2) +
labs(
title = paste("Terres agricoles -", yil),
subtitle = "Effet structurel de la disponibilite des terres",
x = "Terres agricoles (pourcentage)",
y = "Part de l agriculture dans le PIB (pourcentage)"
) +
theme_minimal(base_size = 13)
# Grafik 3
g3 <- ggplot(veri_seti, aes(yagis, tarim_pib)) +
geom_point(alpha = 0.5, size = 2) +
geom_smooth(method = "lm", se = TRUE, linewidth = 1.2) +
labs(
title = paste("Pluviometrie -", yil),
subtitle = "Influence climatique sur la production agricole",
x = "Precipitations annuelles (mm)",
y = "Part de l agriculture dans le PIB (pourcentage)"
) +
theme_minimal(base_size = 13)
return(list(g1 = g1, g2 = g2, g3 = g3))
}2023 yılı bazı ülkelerde eksik yağış verisi içerdiği için analiz
dışında bırakılmıştır.
Bu, akademik çalışmalarda normal ve doğru bir
uygulamadır.
Savunmada söyleyebilirsin:
“2023 yılı, veri eksiklikleri nedeniyle regresyon analizine dahil edilmemiştir.”
# UTF-8 zorla
Sys.setlocale("LC_ALL", "Turkish.UTF-8")## [1] "LC_COLLATE=Turkish_Türkiye.utf8;LC_CTYPE=Turkish_Türkiye.utf8;LC_MONETARY=Turkish_Türkiye.utf8;LC_NUMERIC=C;LC_TIME=Turkish_Türkiye.utf8"sonuc_2000 <- regresyon_calistir(veri_2000, "2000")##
## Call:
## lm(formula = model_formulu, data = veri_seti)
##
## Residuals:
## Min 1Q Median 3Q Max
## -22.822 -4.396 -1.945 3.030 36.060
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 28.3108343 2.6960162 10.501 <2e-16 ***
## elektrik -0.2411493 0.0197932 -12.183 <2e-16 ***
## tarim_arazi 0.0319266 0.0321270 0.994 0.322
## yagis 0.0011686 0.0009261 1.262 0.209
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 8.512 on 161 degrees of freedom
## Multiple R-squared: 0.4999, Adjusted R-squared: 0.4905
## F-statistic: 53.64 on 3 and 161 DF, p-value: < 2.2e-16sonuc_2000$g1## `geom_smooth()` using formula = 'y ~ x'
sonuc_2000$g2## `geom_smooth()` using formula = 'y ~ x'
sonuc_2000$g3## `geom_smooth()` using formula = 'y ~ x'
library(patchwork)sonuc_2000 <- regresyon_calistir(veri_2000, "2000")##
## Call:
## lm(formula = model_formulu, data = veri_seti)
##
## Residuals:
## Min 1Q Median 3Q Max
## -22.822 -4.396 -1.945 3.030 36.060
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 28.3108343 2.6960162 10.501 <2e-16 ***
## elektrik -0.2411493 0.0197932 -12.183 <2e-16 ***
## tarim_arazi 0.0319266 0.0321270 0.994 0.322
## yagis 0.0011686 0.0009261 1.262 0.209
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 8.512 on 161 degrees of freedom
## Multiple R-squared: 0.4999, Adjusted R-squared: 0.4905
## F-statistic: 53.64 on 3 and 161 DF, p-value: < 2.2e-16sonuc_2000$g1 | sonuc_2000$g2 | sonuc_2000$g3## `geom_smooth()` using formula = 'y ~ x'
## `geom_smooth()` using formula = 'y ~ x'
## `geom_smooth()` using formula = 'y ~ x'
yillar <- list(
"2000" = veri_2000,
"2005" = veri_2005,
"2010" = veri_2010,
"2015" = veri_2015,
"2020" = veri_2020
)for (yil in names(yillar)) {
cat("\n====================", yil, "====================\n")
sonuc <- regresyon_calistir(yillar[[yil]], yil)
print(sonuc$g1 | sonuc$g2 | sonuc$g3)
}##
## ==================== 2000 ====================
##
## Call:
## lm(formula = model_formulu, data = veri_seti)
##
## Residuals:
## Min 1Q Median 3Q Max
## -22.822 -4.396 -1.945 3.030 36.060
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 28.3108343 2.6960162 10.501 <2e-16 ***
## elektrik -0.2411493 0.0197932 -12.183 <2e-16 ***
## tarim_arazi 0.0319266 0.0321270 0.994 0.322
## yagis 0.0011686 0.0009261 1.262 0.209
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 8.512 on 161 degrees of freedom
## Multiple R-squared: 0.4999, Adjusted R-squared: 0.4905
## F-statistic: 53.64 on 3 and 161 DF, p-value: < 2.2e-16## `geom_smooth()` using formula = 'y ~ x'
## `geom_smooth()` using formula = 'y ~ x'
## `geom_smooth()` using formula = 'y ~ x'
##
## ==================== 2005 ====================
##
## Call:
## lm(formula = model_formulu, data = veri_seti)
##
## Residuals:
## Min 1Q Median 3Q Max
## -24.178 -3.948 -1.451 2.343 27.688
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 27.8352455 2.3386226 11.902 <2e-16 ***
## elektrik -0.2527198 0.0177757 -14.217 <2e-16 ***
## tarim_arazi 0.0465464 0.0277391 1.678 0.0952 .
## yagis 0.0011075 0.0007705 1.437 0.1525
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 7.306 on 165 degrees of freedom
## Multiple R-squared: 0.5745, Adjusted R-squared: 0.5668
## F-statistic: 74.26 on 3 and 165 DF, p-value: < 2.2e-16## `geom_smooth()` using formula = 'y ~ x'
## `geom_smooth()` using formula = 'y ~ x'
## `geom_smooth()` using formula = 'y ~ x'
##
## ==================== 2010 ====================
##
## Call:
## lm(formula = model_formulu, data = veri_seti)
##
## Residuals:
## Min 1Q Median 3Q Max
## -22.721 -3.578 -1.194 3.511 21.774
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 28.7208148 2.2014630 13.046 <2e-16 ***
## elektrik -0.2576201 0.0169697 -15.181 <2e-16 ***
## tarim_arazi 0.0319981 0.0250340 1.278 0.203
## yagis 0.0010032 0.0006779 1.480 0.141
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 6.771 on 171 degrees of freedom
## Multiple R-squared: 0.5972, Adjusted R-squared: 0.5901
## F-statistic: 84.51 on 3 and 171 DF, p-value: < 2.2e-16## `geom_smooth()` using formula = 'y ~ x'
## `geom_smooth()` using formula = 'y ~ x'
## `geom_smooth()` using formula = 'y ~ x'
##
## ==================== 2015 ====================
##
## Call:
## lm(formula = model_formulu, data = veri_seti)
##
## Residuals:
## Min 1Q Median 3Q Max
## -19.446 -3.726 -1.587 3.790 23.841
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 26.3456974 2.3680130 11.126 <2e-16 ***
## elektrik -0.2325875 0.0188804 -12.319 <2e-16 ***
## tarim_arazi 0.0478899 0.0254759 1.880 0.0618 .
## yagis 0.0009795 0.0006936 1.412 0.1597
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 7.006 on 174 degrees of freedom
## Multiple R-squared: 0.4972, Adjusted R-squared: 0.4885
## F-statistic: 57.36 on 3 and 174 DF, p-value: < 2.2e-16## `geom_smooth()` using formula = 'y ~ x'
## `geom_smooth()` using formula = 'y ~ x'
## `geom_smooth()` using formula = 'y ~ x'
##
## ==================== 2020 ====================
##
## Call:
## lm(formula = model_formulu, data = veri_seti)
##
## Residuals:
## Min 1Q Median 3Q Max
## -18.272 -4.327 -1.158 3.053 23.527
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 30.2420630 2.6293982 11.502 <2e-16 ***
## elektrik -0.2726622 0.0219071 -12.446 <2e-16 ***
## tarim_arazi 0.0596997 0.0254552 2.345 0.0202 *
## yagis 0.0012241 0.0007033 1.741 0.0836 .
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 7.084 on 172 degrees of freedom
## Multiple R-squared: 0.5092, Adjusted R-squared: 0.5007
## F-statistic: 59.49 on 3 and 172 DF, p-value: < 2.2e-16## `geom_smooth()` using formula = 'y ~ x'
## `geom_smooth()` using formula = 'y ~ x'
## `geom_smooth()` using formula = 'y ~ x'
Sonuç ve Değerlendirme
Bu çalışma, 2000–2020 yılları arasında farklı ülkelerde elektrik erişimi, tarımsal arazi oranı ve iklim koşullarının tarımın GSYH içindeki payına etkilerini incelemiştir. Çoklu regresyon analizleri, aşağıdaki temel bulguları ortaya koymuştur:
Elektrik erişimi arttıkça tarımın GSYH’deki payı genellikle azalmakta, bu durum ekonomik dönüşüm ve tarım dışı sektörlere geçiş ile uyumludur.
Tarımsal arazi oranı, tarım sektörünün ekonomik katkısını olumlu yönde etkilemekte ve tarımsal üretimin ekonomik yapıdaki önemini göstermektedir.
Yağış miktarının etkisi pozitif ancak görece küçüktür; iklim koşulları tarımsal üretimi etkilerken, yapısal ve enerji faktörleri kadar belirleyici değildir.
Yıllar itibarıyla bu ilişkiler genel olarak sabit kalmış, ülkeler arasında küçük farklılıklar gözlenmiştir. 2023 yılı verileri bazı ülkelerde eksik olduğu için regresyon analizine dahil edilmemiştir; bu durum akademik açıdan normal ve doğru bir uygulamadır.
Elde edilen bulgular, tarımın ekonomik yapı içindeki rolünü anlamak ve politika yapıcılar için sürdürülebilir tarım, iklim uyumlu üretim ve ekonomik kalkınma stratejileri geliştirmek açısından yol gösterici niteliktedir.
Referans
Dünya Bankası. (2025). Dünya Kalkınma Göstergeleri [Veri Seti]. Washington, DC: Dünya Bankası. https://data.worldbank.org/indicator