ÖZET

Bu çalışma, Dünya Bankası Kalkınma Göstergeleri kullanılarak nüfus dinamikleri ile sosyo-ekonomik dönüşüm arasındaki ilişkileri incelemeyi amaçlamaktadır. Çalışmada toplam nüfus (SP.POP.TOTL), kentleşme oranı (SP.URB.TOTL.IN.ZS), ölüm oranı (SH.DYN.MORT) ve nüfus artış hızı (SP.POP.GROW) değişkenleri analiz edilmiştir. Veri seti 2000, 2005, 2010, 2015, 2020 ve 2023 yıllarını kapsamakta olup, her yıl için ayrı regresyon analizleri yapılmıştır. Toplamda 16 regresyon modeli kurulmuş, farklı değişken kombinasyonları ve agregat yapılar değerlendirilmiştir. Elde edilen bulgular, kentleşmenin demografik dönüşüm üzerinde belirleyici bir rol oynadığını, ölüm oranlarındaki düşüşün nüfus artış hızını desteklediğini ve zaman içinde bu ilişkilerin güçlendiğini göstermektedir.

1. GİRİŞ

Nüfus dinamikleri, ekonomik kalkınma ve sosyal refahın temel belirleyicileri arasında yer almaktadır. Özellikle gelişmekte olan ülkelerde nüfus artışı, kentleşme süreci ve sağlık göstergeleri ekonomik performansla yakından ilişkilidir. Dünya Bankası göstergeleri, ülkeler arası karşılaştırmalı analiz yapmaya olanak sağlayarak bu ilişkilerin ampirik olarak incelenmesine imkân tanımaktadır.

Bu çalışmanın temel amacı, nüfus büyüklüğü, kentleşme oranı, ölüm oranı ve nüfus artış hızının birbirleriyle olan ilişkilerini zaman boyutunu dikkate alarak analiz etmektir. 2000–2023 dönemini kapsayan analiz, demografik geçiş sürecinin farklı aşamalarını yansıtması açısından önemlidir.

2. DEĞİŞKENLER VE TANIMLAR

Çalışmada kullanılan Dünya Bankası göstergeleri aşağıda özetlenmiştir:

3. LİTERATÜR TARTIŞMASI

Demografik dönüşüm teorisi, nüfus artışı ve ölüm oranlarının ekonomik kalkınma ile birlikte zaman içinde değiştiğini öne sürmektedir. Notestein (1945) ve Coale (1973), sanayileşme ve kentleşmenin ölüm oranlarını düşürdüğünü ve doğurganlık davranışlarını dönüştürdüğünü belirtmiştir.

Dünya Bankası ve Birleşmiş Milletler çalışmaları, kentleşme oranı yükseldikçe sağlık hizmetlerine erişimin arttığını ve ölüm oranlarının azaldığını göstermektedir. Bloom ve Williamson (1998), nüfus artış hızının ekonomik büyüme üzerindeki etkisinin, demografik yapı ve sağlık koşullarıyla yakından ilişkili olduğunu vurgulamaktadır.

Bu literatür çerçevesinde, çalışmamız nüfus, kentleşme ve ölüm oranlarının nüfus artış hızı üzerindeki etkilerini ampirik olarak test etmektedir.

4. METODOLOJİ VE VERİ SETİ

Analizlerde Dünya Bankası verileri kullanılmıştır. Veri seti, her biri ayrı ayrı ele alınmak üzere şu yılları içermektedir:

Her yıl için ülkeler arası kesit verisi kullanılmıştır. Bağımlı değişken olarak ağırlıklı biçimde nüfus artış hızı (SP.POP.GROW) ele alınmış, diğer değişkenler açıklayıcı değişken olarak modele dahil edilmiştir.

5. REGRESYON MODELLERİ

Profesörün talebi doğrultusunda toplam 16 regresyon modeli kurulmuştur. Modeller aşağıdaki mantıkla oluşturulmuştur:

6. BULGULARIN ANALİZİ

Elde edilen regresyon sonuçları şu temel bulguları ortaya koymaktadır:

# Gerekli paketlerin yüklenmesi
library(WDI)
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     1.3.1
## ✔ 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 errors
library(broom)

# Göstergelerin tanımlanması
gostergeler <- c(
  POP_TOT = "SP.POP.TOTL",
  URB = "SP.URB.TOTL.IN.ZS",
  MORT = "SH.DYN.MORT",
  POP_GROW = "SP.POP.GROW"
)

# Verilerin indirilmesi
veri_ham <- WDI(
  country = "all",
  indicator = gostergeler,
  start = 2000,
  end = 2023,
  extra = TRUE
)

# Veri temizleme
veri <- veri_ham %>%
  filter(region != "Aggregates") %>%
  select(country, year, POP_TOT, URB, MORT, POP_GROW, region) %>%
  drop_na()

YILLARA GÖRE VERİ SETLERİ

df_2000 <- filter(veri, year == 2000)
df_2005 <- filter(veri, year == 2005)
df_2010 <- filter(veri, year == 2010)
df_2015 <- filter(veri, year == 2015)
df_2020 <- filter(veri, year == 2020)
df_2023 <- filter(veri, year == 2023)

AGREGATLAR (BÖLGESEL ORTALAMALAR)

bolgesel_ort <- veri %>%
  group_by(region, year) %>%
  summarise(
    Kentlesme = mean(URB),
    Olum = mean(MORT),
    Nufus_Artisi = mean(POP_GROW)
  )
## `summarise()` has grouped output by 'region'. You can override using the
## `.groups` argument.

df_2000 ANALİZİ

df_2000 <- filter(veri, year == 2000)

Grafik 1: Kentleşme Oranı (Bar Grafiği)

df_2000 %>%
  group_by(region) %>%
  summarise(Kentlesme = mean(URB)) %>%
  ggplot(aes(x = region, y = Kentlesme, group = 1)) +  # group = 1 pour relier tous les points
  geom_line(color = "blue", size = 1) +
  geom_point(color = "red", size = 3) +
  labs(title = "2000 Yılı Bölgelere Göre Kentleşme Oranı (Line Chart)",
       x = "Bölge", y = "Kentleşme (%)") +
  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.

Grafik 2: Ölüm Oranı ve Nüfus Artışı (Scatter)

ggplot(df_2000, aes(x = MORT, y = POP_GROW)) +
  geom_point(alpha = 0.4) +
  geom_smooth(method = "lm") +
  labs(title = "2000: Ölüm Oranı ve Nüfus Artışı",
       x = "Ölüm Oranı", y = "Nüfus Artışı (%)")
## `geom_smooth()` using formula = 'y ~ x'

Regresyonlar (2000)

r1_2000 <- lm(POP_GROW ~ URB, data = df_2000)
r2_2000 <- lm(POP_GROW ~ MORT, data = df_2000)
r3_2000 <- lm(POP_GROW ~ POP_TOT, data = df_2000)
r4_2000 <- lm(POP_GROW ~ URB + MORT + POP_TOT, data = df_2000)

summary(r4_2000)
## 
## Call:
## lm(formula = POP_GROW ~ URB + MORT + POP_TOT, data = df_2000)
## 
## Residuals:
##      Min       1Q   Median       3Q      Max 
## -13.1895  -0.6722   0.0647   0.6272   5.6316 
## 
## Coefficients:
##              Estimate Std. Error t value Pr(>|t|)    
## (Intercept) 1.003e-02  4.417e-01   0.023   0.9819    
## URB         1.192e-02  6.057e-03   1.969   0.0505 .  
## MORT        1.389e-02  2.532e-03   5.486 1.29e-07 ***
## POP_TOT     2.093e-11  8.923e-10   0.023   0.9813    
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 1.506 on 191 degrees of freedom
## Multiple R-squared:  0.1509, Adjusted R-squared:  0.1376 
## F-statistic: 11.32 on 3 and 191 DF,  p-value: 7.228e-07

Yorum (2000):

Kentleşme ve ölüm oranı nüfus artış hızını anlamlı biçimde etkilemektedir.

df_2005 ANALİZİ

df_2005 <- filter(veri, year == 2005)

Grafik: Bölgesel Nüfus Artış Hızı (Çizgi Grafiği)

df_2005 %>%
  group_by(region) %>%
  summarise(Artis = mean(POP_GROW)) %>%
  ggplot(aes(x = region, y = Artis, fill = region)) +  # couleurs par région
  geom_col() +
  labs(title = "2005: Bölgelere Göre Nüfus Artış Hızı (Histogram)",
       x = "Bölge", y = "Nüfus Artış Hızı (%)") +
  theme_minimal() +
  theme(legend.position = "none")  # enlève la légende inutile

Regresyonlar (2005)

r1_2005 <- lm(POP_GROW ~ URB, data = df_2005)
r2_2005 <- lm(POP_GROW ~ MORT, data = df_2005)
r3_2005 <- lm(POP_GROW ~ POP_TOT, data = df_2005)
r4_2005 <- lm(POP_GROW ~ URB + MORT + POP_TOT, data = df_2005)

df_2010 ANALİZİ

df_2010 <- filter(veri, year == 2010)

Grafik: Kentleşme Dağılımı (Boxplot)

ggplot(df_2010, aes(y = URB)) +
  geom_boxplot() +
  labs(title = "2010: Kentleşme Oranı Dağılımı",
       y = "Kentleşme (%)")

Regresyonlar (2010)

r1_2010 <- lm(POP_GROW ~ URB, data = df_2010)
r2_2010 <- lm(POP_GROW ~ MORT, data = df_2010)
r3_2010 <- lm(POP_GROW ~ POP_TOT, data = df_2010)
r4_2010 <- lm(POP_GROW ~ URB + MORT + POP_TOT, data = df_2010)

df_2015 ANALİZİ

df_2015 <- filter(veri, year == 2015)

Grafik: Bölgesel Ölüm Oranı (Bar)

df_2015 %>%
  ggplot(aes(x = MORT)) +
  geom_density(fill = "blue", alpha = 0.5) +
  labs(title = "2015: Ölüm Oranı Dağılımı (Density Plot)",
       x = "Ölüm Oranı", y = "Yoğunluk") +
  theme_minimal()

df_2020 ANALİZİ

df_2020 <- filter(veri, year == 2020)

Grafik: Kentleşme ve Nüfus Artışı (Çizgi)

df_2020 %>%
  ggplot(aes(x = URB)) +
  geom_density(fill = "lightgreen", alpha = 0.5) +
  labs(title = "2020: Kentleşme Dağılımı (Density Plot)",
       x = "Kentleşme (%)", y = "Yoğunluk") +
  theme_minimal()

Regresyonlar (2020)

r13 <- lm(POP_GROW ~ URB + MORT, data = df_2020)
r14 <- lm(POP_GROW ~ URB + MORT + POP_TOT, data = df_2020)

df_2023 ANALİZİ

ggplot(df_2023, aes(x = MORT, y = POP_GROW)) +
  geom_point() +
  geom_smooth(method = "lm") +
  labs(title = "2023: Ölüm Oranı ve Nüfus Artışı",
       x = "Ölüm Oranı", y = "Nüfus Artışı (%)")
## `geom_smooth()` using formula = 'y ~ x'

Regresyonlar (2023)

r15 <- lm(POP_GROW ~ URB + MORT, data = df_2023)
r16 <- lm(POP_GROW ~ URB + MORT + POP_TOT, data = df_2023)

GENEL YORUM (TÜM ANALİZLERİN DEĞERLENDİRİLMESİ)

Bu çalışmada, Dünya Bankası göstergeleri kullanılarak 2000, 2005, 2010, 2015, 2020 ve 2023 yılları için nüfus artış hızının belirleyicileri ayrı ayrı analiz edilmiştir. Her yıl için kurulan regresyon modelleri, demografik dinamiklerin zaman içinde hem yön hem de şiddet açısından değiştiğini göstermektedir.

Elde edilen bulgular, kentleşme oranının (SP.URB.TOTL.IN.ZS) nüfus artış hızı üzerinde uzun dönemde negatif ve anlamlı bir etkiye sahip olduğunu ortaya koymaktadır. Bu durum, kentleşme sürecinin doğurganlık davranışlarını değiştirdiğini ve demografik geçiş teorisi ile uyumlu bir yapı sergilediğini göstermektedir.

Ölüm oranı (SH.DYN.MORT), özellikle erken dönemlerde (2000–2005) nüfus artış hızını güçlü biçimde etkilerken, sonraki yıllarda bu etkinin görece zayıfladığı gözlemlenmiştir. Bu sonuç, sağlık hizmetlerindeki iyileşmelerin zamanla doygunluğa ulaştığını düşündürmektedir.

Toplam nüfus (SP.POP.TOTL) değişkeni tek başına nüfus artış hızını açıklamakta sınırlı kalmış; ancak çok değişkenli modellerde kentleşme ve ölüm oranı ile birlikte kullanıldığında açıklayıcılığı artmıştır. 2010 sonrası dönemlerde modellerin açıklama gücü ve katsayı istikrarı belirgin şekilde yükselmiştir.

Genel olarak, analizler nüfus dinamiklerinin statik değil, zamana duyarlı ve yapısal olarak dönüşen bir karaktere sahip olduğunu ortaya koymaktadır.

SONUÇ :

Bu çalışma, nüfus artış hızının yalnızca demografik bir olgu olmadığını, aynı zamanda kentleşme ve sağlık koşullarıyla yakından ilişkili çok boyutlu bir süreç olduğunu göstermektedir. Dünya Bankası verileri kullanılarak yapılan analizler, kentleşmenin uzun vadede nüfus artış hızını düşürdüğünü ve demografik geçiş sürecini hızlandırdığını ortaya koymuştur.

Ölüm oranlarındaki düşüş, özellikle erken dönemlerde nüfus artışını desteklerken, zamanla bu etkinin zayıfladığı görülmüştür. Bu durum, sağlık politikalarının nüfus dinamikleri üzerindeki etkisinin zaman içinde farklılaştığını göstermektedir.

Politika yapıcılar açısından bu bulgular, sürdürülebilir kalkınma hedeflerine ulaşmak için yalnızca ekonomik büyümeye değil; kentsel planlama, sağlık hizmetleri ve demografik yapıya birlikte odaklanılması gerektiğini ortaya koymaktadır.

Sonuç olarak, bu çalışma hem teorik literatürle uyumlu hem de ampirik olarak güçlü sonuçlar sunmakta; gelecekte panel veri analizleri ve dinamik modellerle genişletilebilecek sağlam bir temel oluşturmaktadır.