GIRiŞ

Bu talisman, Dünya Bankası Kalkınma Göstergeleri verileri kullanılarak nüfus dinamikleri ile sosyo-ekonomik değişim arasındaki ilişkileri incelemektedir. Toplam nüfus, kentleşme oranı, ölüm oranı ve nüfus artış hızı değişkenleri temel alınarak 2000–2023 dönemine ait seçili yıllar için ayrı regresyon analizleri yapılmıştır. Toplam 16 regresyon modeli aracılığıyla farklı değişken yapılandırmaları test edilmiştir. Bulgular, kentleşmenin demografik dönüşüm sürecinde merkezi bir rol oynadığını ve ölüm oranlarındaki düşüşün nüfus artışını destekleyici bir etkiye sahip olduğunu göstermektedir. Ayrıca bu etkilerin zamanla güçlendiği gözlemlenmiştir.

Demografik dinamikler, ekonomik büyüme süreçleri ve toplumsal refah düzeyi üzerinde belirleyici bir role sahiptir. Özellikle gelişme sürecindeki ülkelerde nüfusun artış hızı, kentleşme eğilimleri ve sağlıkla ilişkili göstergeler, ekonomik performansla doğrudan bağlantılıdır. Dünya Bankası tarafından yayımlanan istatistikler, ülkeler arasında karşılaştırmalı incelemeler yapılmasına olanak tanıyarak söz konusu ilişkilerin ampirik olarak değerlendirilmesini mümkün kılmaktadır.

Bu çalışmanın amacı; toplam nüfus, kentleşme oranı, ölüm oranı ve nüfus artış hızının karşılıklı etkileşimlerini zaman boyutunu dikkate alarak incelemektir. 2000–2023 dönemini kapsayan analiz, demografik dönüşüm sürecinin farklı evrelerini yansıtması bakımından önem taşımaktadır.

DEĞİŞKENLER VE TANIMLARI

Araştırmada kullanılan Dünya Bankası göstergeleri aşağıda açıklanmaktadır:

SP.POP.TOTL: Ülkenin toplam nüfus büyüklüğü

SP.URB.TOTL.IN.ZS: Kentsel nüfusun toplam nüfus içindeki payı (%)

SH.DYN.MORT: Genel ölüm oranı (mortalite göstergesi)

SP.POP.GROW: Yıllık nüfus artış oranı (%)

Bu değişkenler, demografik yapıdaki değişimleri, sağlık koşullarını ve kentleşme sürecini bütüncül bir çerçevede analiz etmeye imkân sağlamaktadır.

LİTERATÜR

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.

METODOLOJİ VE VERİ SETİ

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

df_2000

df_2005

df_2010

df_2015

df_2020

df_2023

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.

BULGULARIN ANALİZİ Elde edilen regresyon sonuçları şu temel bulguları ortaya koymaktadır:

Kentleşme oranı, nüfus artış hızını uzun vadede negatif yönde etkilemektedir.

Ölüm oranındaki düşüş, kısa ve orta vadede nüfus artış hızını artırmaktadır.

Toplam nüfus, tek başına nüfus artış hızını açıklamakta sınırlı kalmakta; ancak diğer değişkenlerle birlikte anlamlı hale gelmektedir.

2000–2023 döneminde değişkenler arasındaki ilişkiler daha istikrarlı ve güçlü hale gelmiştir.

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     1.3.2
## ✔ 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 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, na.rm = TRUE)) %>%
  ggplot(aes(x = region, y = Kentlesme, group = 1)) +
  geom_line(linewidth = 1.3, linetype = "dashed", color = "#1ABC9C") +  # kesik çizgi ve farklı renk
  geom_point(size = 4, shape = 21, fill = "#F39C12", color = "#34495E") + # farklı nokta stili
  labs(
    title = "2000 Yılına Göre Bölgelerde Ortalama Kentleşme",
    x = "Bölge",
    y = "Kentleşme (%)"
  ) +
  theme_light() +   # klasik yerine daha açık tema
  theme(
    plot.title = element_text(face = "bold", hjust = 0.5),  # başlığı ortala ve kalın yap
    axis.text.x = element_text(angle = 45, hjust = 1)        # x eksen yazılarını eğik göster
  )

ggplot(df_2000, aes(x = MORT, y = POP_GROW)) +
  geom_jitter(color = "#1ABC9C", alpha = 0.6, size = 3, width = 0.2, height = 0.2) +  # jitter ile noktaları hafif dağıt
  geom_smooth(method = "lm", color = "#F39C12", linewidth = 1.2, linetype = "dashed", se = TRUE) +  # kesik çizgi ve güven aralığı göster
  labs(
    title = "2000: Mortalité vs Croissance de la Population",
    x = "Taux de mortalité (%)",
    y = "Taux de croissance de la population (%)"
  ) +
  theme_light() +
  theme(
    plot.title = element_text(face = "bold", size = 14, hjust = 0.5),
    axis.title = element_text(face = "bold")
  )
## `geom_smooth()` using formula = 'y ~ x'

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

ggplot(df_2005, aes(x = region, y = POP_GROW, fill = region)) +
  geom_boxplot(alpha = 0.7, outlier.color = "black") +
  coord_flip() +
  labs(
    title = "Distribution de la Croissance de la Population par Région (2005)",
    x = "Région",
    y = "Croissance de la population (%)"
  ) +
  theme_light() +
  theme(legend.position = "none")

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(x = URB)) +
  geom_dotplot(binwidth = 2, fill = "#F39C12", color = "#D35400") +
  labs(
    title = "Répartition des Taux d'Urbanisation en 2010",
    x = "Urbanisation (%)",
    y = "Comptage"
  ) +
  theme_classic()

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)

ggplot(df_2015, aes(x = MORT)) +
  geom_histogram(aes(y = after_stat(density)),
                 bins = 30,
                 fill = "#2ECC71",
                 color = "#27AE60",
                 alpha = 0.7) +
  geom_density(color = "#34495E", linewidth = 1.2) +
  labs(
    title = "2015: Répartition des Taux de Mortalité",
    x = "Taux de mortalité",
    y = "Densité"
  ) +
  theme_classic()

df_2020 ANALİZİ

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

Grafik: Kentleşme ve Nüfus Artışı (Çizgi)

ggplot(df_2020, aes(x = URB)) +
  geom_density(fill = "#F39C12", alpha = 0.5, color = "#D35400", linewidth = 1) +
  geom_vline(aes(xintercept = mean(URB, na.rm = TRUE)), 
             color = "#C0392B", linetype = "dashed", linewidth = 1) +
  labs(
    title = "2020: Kentleşme Oranlarının Yoğunluk Analizi",
    x = "Kentleşme Oranı (%)",
    y = "Yoğunluk"
  ) +
  theme_light()

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(color = "#8E44AD", alpha = 0.6, size = 3) +  # points violets semi-transparents
  geom_smooth(method = "lm", color = "#F1C40F", linetype = "dashed", linewidth = 1.2, se = FALSE) +  # ligne de régression en jaune
  labs(
    title = "2023: Ölüm Oranı ve Nüfus Artışı Analizi",
    x = "Ölüm Oranı",
    y = "Nüfus Artışı (%)"
  ) +
  theme_minimal(base_size = 14)
## `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.

SON olarak

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.