Kentselleşme ve Ekonomik Büyüme: Gelişmekte Olan Ülkelerde Kentsel Nüfus Artışının Büyüme Üzerindeki Etkisi

Author

Stephane jucineide Samy Vieira

Published

January 4, 2026

1 Özet

Bu çalışma, kentsel nüfus artışının (kentselleşme) gelişmekte olan ülkelerde ekonomik büyüme üzerindeki etkisini ampirik olarak incelemeyi amaçlamaktadır. Dünya Bankası Dünya Kalkınma Göstergeleri (WDI) veri seti kullanılarak, 2000-2023 döneminde altı farklı yıl için kesitsel En Küçük Kareler (OLS) regresyon analizleri gerçekleştirilmiştir.

Bağımlı değişken olarak GSYH büyüme oranı, ana bağımsız değişken olarak kentsel nüfus oranı seçilmiştir. Kontrol değişkenleri olarak eğitim harcamaları ve elektrik erişimi kullanılmıştır. Analizler, her yıl için ayrı kesitler halinde yapılmış ve kentselleşme-büyüme ilişkisinin zaman içindeki değişimi incelenmiştir.

Bulgular, kentselleşmenin ekonomik büyüme üzerinde genellikle pozitif bir etkiye sahip olduğunu, ancak bu ilişkinin yıllar arasında değişkenlik gösterdiğini ortaya koymaktadır. Kontrol değişkenlerinin modele eklenmesi, kentselleşme etkisinin büyüklüğünü azaltmakta, bu da kentsel büyümenin etkisinin insan sermayesi ve altyapı yatırımlarıyla yakından ilişkili olduğunu düşündürmektedir.

2 1. Giriş: Büyük Kent Göçü ve Ekonomik Dönüşüm

Dünya tarihinde ilk kez, insan nüfusunun çoğunluğu kentlerde yaşamaktadır. 1950’de küresel nüfusun sadece %30’u kentliyken, bugün bu oran %57’ye ulaşmıştır ve 2050’de %68 olması beklenmektedir. Bu demografik dönüşüm, özellikle gelişmekte olan ülkelerde hızla devam etmektedir.

Kentsel alanlar genellikle ekonomik büyümenin motorları olarak görülür. Kentler, işgücü piyasasında derinleşme, bilgi yayılımı, yenilik ve ölçek ekonomileri yoluyla verimliliği artırabilir. Ancak, plansız ve hızlı kentsel büyüme, altyapı yetersizliği, konut sorunları, çevre kirliliği ve sosyal eşitsizlik gibi sorunları da beraberinde getirebilir.

Bu çalışmanın temel amacı, kentselleşme ile ekonomik büyüme arasındaki ampirik ilişkiyi incelemek ve bu ilişkinin insan sermayesi ve altyapı yatırımları kontrol edildiğinde nasıl değiştiğini anlamaktır.

Temel Araştırma Soruları: 1. Kentsel nüfus oranındaki artış, GSYH büyüme oranını pozitif yönde etkiler mi? 2. Eğitim harcamaları ve elektrik erişimi kontrol edildiğinde, kentselleşme-büyüme ilişkisi nasıl değişmektedir? 3. Bu ilişki 2000-2023 döneminde zaman içinde nasıl evrilmiştir?

3 2. Literatür İncelemesi

Kentselleşme ve ekonomik büyüme ilişkisi, iktisat literatüründe uzun süredir incelenen bir konudur. Jacobs (1969) kentlerin yenilik ve ekonomik büyüme için kuluçka merkezleri olduğunu savunurken, Lucas (1988) kentsel yoğunlaşmanın insan sermayesi birikimini hızlandırdığını öne sürmüştür.

Ampirik literatürde, kentselleşme ve büyüme arasındaki ilişki karmaşıktır. Bloom, Canning ve Fink (2008) kentselleşmenin ekonomik büyümeyi teşvik ettiğini, ancak bu etkinin kurumsal kalite ve altyapı yatırımlarına bağlı olduğunu bulmuştur. Henderson (2003) ise kentselleşme ve büyüme arasında ters-U şeklinde bir ilişki olduğunu, belirli bir noktadan sonra kentsel büyümenin verimlilik artışı sağlamadığını ileri sürmüştür.

Türkiye bağlamında, Karadağ (2010) Türkiye’de kentselleşmenin ekonomik büyüme üzerinde pozitif ancak azalan marjinal etkisi olduğunu göstermiştir. Daha yakın tarihli çalışmalar, kentsel büyümenin kalitesinin (planlılık, altyapı, hizmetler) niceliğinden daha önemli olduğunu vurgulamaktadır.

Bu çalışma, mevcut literatürü temel alarak kentselleşme-büyüme ilişkisini ampirik olarak test etmeyi ve eğitim ile altyapı yatırımlarının bu ilişkideki aracı rolünü incelemeyi amaçlamaktadır.

4 3. Veri ve Değişkenler

4.1 3.1 Veri Kaynağı ve Seçilen Göstergeler

Veri Kaynağı:
Bu çalışmada kullanılan tüm veriler Dünya Bankası Dünya Kalkınma Göstergeleri (World Development Indicators – WDI) veri tabanından alınmıştır.

Seçilen Göstergeler (Toplam 4 Gösterge):

Gösterge Kodu Açıklama Değişken Türü Teorik Gerekçe
NY.GDP.MKTP.KD.ZG GSYH büyüme oranı (yıllık %) Bağımlı Değişken (Y) Ekonomik performansın temel göstergesi
SP.URB.TOTL.IN.ZS Kentsel nüfus oranı (% toplam) Ana Bağımsız Değişken (X) Kentselleşme düzeyinin ölçütü
SE.XPD.TOTL.GD.ZS Eğitim harcamaları (% GSYH) Kontrol Değişkeni (Z) İnsan sermayesi yatırımı
EG.ELC.ACCS.ZS Elektrik erişimi (% nüfus) Kontrol Değişkeni (F) Temel altyapı gelişmişliği

Not: Proje talimatları gereği, analizde tam olarak 4 gösterge (1 Y, 3 X) kullanılmıştır.

4.2 3.2 Veri İndirme ve Yapılandırma

Veri analizine başlamadan önce, gerekli R paketlerini yükleyelim ve veriyi indirelim.

Code 
# Gerekli paketler
library(WDI)
library(tidyverse)
library(kableExtra)
library(ggplot2)

# Seçilen 4 gösterge (1 Y + 3 X)
secilen_degiskenler <- c(
  "NY.GDP.MKTP.KD.ZG",    # GSYH büyüme oranı (Y)
  "SP.URB.TOTL.IN.ZS",    # Kentsel nüfus oranı (X)
  "SE.XPD.TOTL.GD.ZS",    # Eğitim harcamaları (Z)
  "EG.ELC.ACCS.ZS"        # Elektrik erişimi (F)
)

# Veriyi indirme (2000-2023)
wdi_ham <- WDI(
  country = "all",
  indicator = secilen_degiskenler,
  start = 2000,
  end = 2023,
  extra = TRUE  # Ülke bölge bilgilerini de getir
)

# İlk birkaç gözlemi görüntüleme
cat("### İndirilen Verinin İlk 6 Satırı:\n")
### İndirilen Verinin İlk 6 Satırı:
Code 
head(wdi_ham) %>% 
  select(country, year, NY.GDP.MKTP.KD.ZG, SP.URB.TOTL.IN.ZS) %>%
  kable() %>%
  kable_styling(bootstrap_options = c("striped", "hover"), font_size = 10)
country year NY.GDP.MKTP.KD.ZG SP.URB.TOTL.IN.ZS
Afghanistan 2023 2.266944 25.47305
Afghanistan 2004 1.414118 19.39936
Afghanistan 2009 21.390528 21.68855
Afghanistan 2019 3.911603 25.14373
Afghanistan 2010 14.362441 22.26148
Afghanistan 2022 -6.240172 25.39393

🔍 İlk Veri Görünümü Yorumu: Tablo, Afganistan’ın 2004-2023 dönemindeki kentsel nüfus oranı ve GSYH büyüme verilerini göstermektedir. İlginç bir şekilde, Afganistan’ın kentsel nüfus oranı 2004’te %19.4’ten 2023’te %25.5’e yükselmiştir, ancak bu dönemde ekonomik büyüme çok değişkenlik göstermiştir. Örneğin, 2009’da %21.4’lük yüksek büyüme görülürken, 2022’de -%6.2’lik negatif büyüme yaşanmıştır. Bu örnek, kentselleşmenin her zaman istikrarlı ekonomik büyüme anlamına gelmediğini göstermektedir.

4.3 3.3 Veri Temizleme

Veri setini analize hazır hale getirelim. Öncelikle sadece gerçek ülkeleri içeren, eksik değerleri olmayan bir veri seti oluşturacağız.

Code 
# 1. Sadece gerçek ülkeleri filtrele (bölge toplamlarını çıkar)
wdi_ulkeler <- wdi_ham %>%
  filter(region != "Aggregates" & !is.na(region))

# 2. Analiz için seçilecek yıllar
analiz_yillari <- c(2000, 2005, 2010, 2015, 2020, 2023)

# 3. Temiz veri seti: tüm 4 değişkenin eksiksiz olduğu gözlemler
wdi_temiz <- wdi_ulkeler %>%
  filter(
    !is.na(NY.GDP.MKTP.KD.ZG),  # GSYH büyüme
    !is.na(SP.URB.TOTL.IN.ZS),  # Kentsel nüfus
    !is.na(SE.XPD.TOTL.GD.ZS),  # Eğitim harcamaları
    !is.na(EG.ELC.ACCS.ZS)      # Elektrik erişimi
  )

# 4. Yıllara göre alt veri setleri oluştur
yillik_veriler <- list()
for (yil in analiz_yillari) {
  yillik_veriler[[as.character(yil)]] <- wdi_temiz %>%
    filter(year == yil)
}

# 5. Her yıl için gözlem sayısını kontrol et
gozlem_ozeti <- data.frame(
  Yıl = analiz_yillari,
  Ülke_Sayısı = sapply(yillik_veriler, nrow)
)

cat("### Analiz Edilen Yıllar ve Ülke Sayısı:\n")
### Analiz Edilen Yıllar ve Ülke Sayısı:
Code 
gozlem_ozeti %>%
  kable(caption = "Analiz Edilen Yıllar ve Ülke Sayısı") %>%
  kable_styling()
Analiz Edilen Yıllar ve Ülke Sayısı
Yıl Ülke_Sayısı
2000 2000 117
2005 2005 106
2010 2010 135
2015 2015 161
2020 2020 167
2023 2023 118

🔍 Gözlem Sayısı Yorumu: Analiz edilen ülke sayısı zaman içinde artış göstermektedir. 2000 yılında 117 ülke ile başlayan örneklem, 2020’de 167 ülkeye ulaşmış, ancak 2023’te 118’e düşmüştür. Bu düşüşün nedeni, 2023 yılı için henüz tüm ülkelerin verilerinin Dünya Bankası tarafından yayınlanmamış olması olabilir. Örneklem büyüklüğündeki bu dalgalanmalar, analizlerimizin istatistiksel gücünü etkileyebilir.

4.4 3.4 Tanımlayıcı İstatistikler

Şimdi tüm değişkenlerimizin temel istatistiklerine bakalım. Bu bize veri setimizin genel yapısı hakkında fikir verecek.

Code 
# Tüm yılların birleşimi üzerinden tanımlayıcı istatistikler
tanimlayici_istatistikler <- wdi_temiz %>%
  select(NY.GDP.MKTP.KD.ZG, SP.URB.TOTL.IN.ZS, 
         SE.XPD.TOTL.GD.ZS, EG.ELC.ACCS.ZS) %>%
  summarise(
    across(everything(), list(
      Ortalama = ~mean(.x, na.rm = TRUE),
      Standart_Sapma = ~sd(.x, na.rm = TRUE),
      Minimum = ~min(.x, na.rm = TRUE),
      Maksimum = ~max(.x, na.rm = TRUE)
    ))
  ) %>%
  pivot_longer(everything(), names_to = "İstatistik", values_to = "Değer") %>%
  separate(İstatistik, into = c("Değişken", "İstat"), sep = "_") %>%
  pivot_wider(names_from = İstat, values_from = Değer)

# Tabloyu düzenle ve göster
tanimlayici_tablo <- tanimlayici_istatistikler %>%
  mutate(Değişken = case_when(
    Değişken == "NY.GDP.MKTP.KD.ZG" ~ "GSYH Büyüme Oranı (%)",
    Değişken == "SP.URB.TOTL.IN.ZS" ~ "Kentsel Nüfus Oranı (%)",
    Değişken == "SE.XPD.TOTL.GD.ZS" ~ "Eğitim Harcamaları (%GSYH)",
    Değişken == "EG.ELC.ACCS.ZS" ~ "Elektrik Erişimi (%)"
  ))

cat("### Değişkenlerin Tanımlayıcı İstatistikleri (Tüm Yıllar):\n")
### Değişkenlerin Tanımlayıcı İstatistikleri (Tüm Yıllar):
Code 
tanimlayici_tablo %>%
  kable(caption = "Tanımlayıcı İstatistikler", digits = 2) %>%
  kable_styling()
Tanımlayıcı İstatistikler
Değişken Ortalama Standart Minimum Maksimum
GSYH Büyüme Oranı (%) 3.48 5.31 -54.40 75.31
Kentsel Nüfus Oranı (%) 58.77 23.34 8.04 100.00
Eğitim Harcamaları (%GSYH) 4.37 1.96 0.00 16.39
Elektrik Erişimi (%) 81.85 28.63 1.30 100.00

🔍 Tanımlayıcı İstatistikler Yorumu: Dört değişkenin tanımlayıcı istatistikleri çarpıcı farklılıklar ortaya koymaktadır:

  1. GSYH Büyüme Oranı: Ortalama %3.48 büyüme, minimum -%54.40 (muhtemelen COVID-19 veya doğal afet etkisi) ve maksimum %75.31 (muhtemelen petrol/gaz keşfi gibi özel durumlar) arasında geniş bir dağılım göstermektedir. Standart sapmanın yüksek olması (5.31), ülkeler arasında büyüme performansının çok değişken olduğunu göstermektedir.

  2. Kentsel Nüfus Oranı: Ortalama %58.77 ile dünya nüfusunun yarısından fazlasının kentlerde yaşadığı görülmektedir. Minimum %8.04 (aşırı kırsal ülke) ile maksimum %100 (tamamen kentli ülke) arasındaki geniş aralık, ülkelerin kentselleşme düzeylerindeki muazzam farklılıkları yansıtmaktadır.

  3. Eğitim Harcamaları: Ortalama %4.37 GSYH payı ile eğitime ayrılan kaynakların nispeten düşük olduğu görülmektedir. Minimum %0.00 değeri, bazı ülkelerin eğitime hiç bütçe ayırmadığını göstermektedir.

  4. Elektrik Erişimi: Ortalama %81.85 ile elektrik erişiminin nispeten yüksek olduğu, ancak minimum %1.30 ile hala elektriksiz yaşayan toplulukların bulunduğu görülmektedir.

4.5 3.5 Değişkenler Arası İlişkiler

Değişkenlerimiz arasındaki korelasyonları inceleyelim. Bu, çoklu bağlantı (multicollinearity) sorunu olup olmadığını anlamamıza yardımcı olacak.

Code 
# Korelasyon matrisini hesapla ve görselleştir
korelasyon_matrisi <- wdi_temiz %>%
  select(NY.GDP.MKTP.KD.ZG, SP.URB.TOTL.IN.ZS, 
         SE.XPD.TOTL.GD.ZS, EG.ELC.ACCS.ZS) %>%
  cor(use = "complete.obs")

# Korelasyon matrisini görselleştirme (eğer corrplot kurulu değilse alternatif)
if (!require(corrplot)) {
  # Basit bir heatmap oluşturalım
  korelasyon_df <- as.data.frame(korelasyon_matrisi)
  rownames(korelasyon_df) <- colnames(korelasyon_df) <- c(
    "GSYH Büyüme",
    "Kentsel Nüfus",
    "Eğitim Harc.",
    "Elektrik Eriş."
  )
  
  # Korelasyon değerlerini tablo olarak göster
  cat("### Değişkenler Arası Korelasyon Katsayıları:\n")
  korelasyon_df %>%
    kable(caption = "Korelasyon Matrisi", digits = 3) %>%
    kable_styling()
  
  # Basit bir heatmap
  library(ggplot2)
  library(reshape2)
  
  korelasyon_melt <- melt(korelasyon_matrisi)
  ggplot(korelasyon_melt, aes(Var1, Var2, fill = value)) +
    geom_tile(color = "white") +
    scale_fill_gradient2(low = "blue", high = "red", mid = "white", 
                         midpoint = 0, limit = c(-1,1), space = "Lab",
                         name = "Korelasyon") +
    geom_text(aes(label = round(value, 2)), color = "black", size = 4) +
    theme_minimal() +
    theme(axis.text.x = element_text(angle = 45, vjust = 1, hjust = 1)) +
    labs(title = "Değişkenler Arası Korelasyon Matrisi",
         x = "", y = "") +
    coord_fixed()
} else {
  library(corrplot)
  corrplot(korelasyon_matrisi, method = "color", type = "upper",
           tl.col = "black", tl.srt = 45, addCoef.col = "black",
           number.cex = 0.8, title = "Değişkenler Arası Korelasyon Matrisi",
           mar = c(0,0,2,0))
}

5 4. Metodoloji

5.1 4.1 Analiz Yaklaşımı

Bu çalışmada, her bir yıl için bağımsız kesitsel OLS (En Küçük Kareler) regresyonları uygulanmıştır. Panel veri analizinden farklı olarak, her yıl ayrı bir veri seti olarak ele alınmış ve yıllar arasındaki değişim, her bir kesit için ayrı ayrı tahmin edilen katsayıların karşılaştırılması yoluyla incelenmiştir.

5.2 4.2 Model Spesifikasyonları

İki temel model spesifikasyonu kullanılmıştır:

1. Basit Model (Basit İlişki): Bu model, kentselleşmenin ekonomik büyüme üzerindeki tek başına etkisini ölçmeyi amaçlar.

\[ \text{Büyüme}_i = \beta_0 + \beta_1 \cdot \text{KentselNüfus}_i + u_i \]

2. Genişletilmiş Model (Kontrollü İlişki): Bu model, kentselleşmenin etkisini, eğitim harcamaları ve elektrik erişimini kontrol ederek ölçmeyi amaçlar.

\[ \text{Büyüme}_i = \beta_0 + \beta_1 \cdot \text{KentselNüfus}_i + \beta_2 \cdot \text{Eğitim}_i + \beta_3 \cdot \text{Elektrik}_i + u_i \]

Burada: - \(\text{Büyüme}_i\): i ülkesinin GSYH büyüme oranı (%) - \(\text{KentselNüfus}_i\): i ülkesinin kentsel nüfus oranı (%) - \(\text{Eğitim}_i\): i ülkesinin eğitim harcamaları (% GSYH) - \(\text{Elektrik}_i\): i ülkesinin elektrik erişim oranı (%) - \(u_i\): Hata terimi

5.3 4.3 Analiz Planı

  1. Görsel Analiz: Her yıl için kentsel nüfus oranı ile GSYH büyüme oranı arasındaki ilişkiyi gösteren scatter plot’lar oluşturulacak.
  2. Regresyon Analizi: Her bir yıl için hem basit hem de genişletilmiş model tahmin edilecek.
  3. Sonuçların Özetlenmesi: Tüm yıllar için katsayılar ve R² değerleri tablo halinde sunulacak.
  4. Trend Analizi: Katsayıların yıllar içindeki değişimi görselleştirilecek.

Toplam Analiz Sayısı: 6 yıl × 2 model = 12 regresyon analizi

6 5. Görsel Analiz (Scatter Plot’lar)

Talimatlara uygun olarak, her bir analiz yılı için bağımlı değişken (GSYH büyüme oranı) ile ana bağımsız değişken (Kentsel Nüfus Oranı) arasındaki ilişkiyi gösteren scatter plot’lar oluşturalım.

Code 
# Her yıl için scatter plot oluşturma
grafikler <- list()

for (i in seq_along(analiz_yillari)) {
  yil <- analiz_yillari[i]
  veri_df <- yillik_veriler[[as.character(yil)]]
  
  grafikler[[i]] <- ggplot(veri_df, aes(x = SP.URB.TOTL.IN.ZS, y = NY.GDP.MKTP.KD.ZG)) +
    geom_point(alpha = 0.6, color = "steelblue", size = 2) +
    geom_smooth(method = "lm", se = FALSE, color = "darkred", linewidth = 1) +
    labs(
      title = paste("Kentsel Nüfus Oranı vs. GSYH Büyümesi (", yil, ")"),
      x = "Kentsel Nüfus Oranı (%)",
      y = "GSYH Büyüme Oranı (%)"
    ) +
    theme_minimal() +
    theme(plot.title = element_text(hjust = 0.5, size = 12))
}

# Plot'ları düzenleme
if (require(patchwork)) {
  library(patchwork)
  wrap_plots(grafikler, ncol = 2)
} else {
  # Patchwork yoksa her grafiği ayrı ayrı göster
  for (i in 1:length(grafikler)) {
    print(grafikler[[i]])
  }
}

Bu 6 scatter plot’u görebilir misiniz? Her yılda kentselleşme ile büyüme arasında nasıl bir ilişki görünüyor? Özellikle 2020 ve 2023 yıllarında farklı bir pattern var mı?

7 6. Regresyon Analizi Sonuçları

7.1 6.1 Tüm Yıllar için Regresyon Sonuçları

Şimdi her yıl için iki modeli (basit ve genişletilmiş) tahmin edelim ve sonuçları bir tabloda toplayalım.

Code 
# Regresyon sonuçlarını saklamak için fonksiyon
regresyon_calistir <- function(veri_listesi, yillar) {
  sonuclar <- data.frame()
  
  for (yil in yillar) {
    df <- veri_listesi[[as.character(yil)]]
    
    # Basit model
    basit_model <- lm(NY.GDP.MKTP.KD.ZG ~ SP.URB.TOTL.IN.ZS, data = df)
    basit_ozet <- summary(basit_model)
    
    # Genişletilmiş model
    genisletilmis_model <- lm(NY.GDP.MKTP.KD.ZG ~ SP.URB.TOTL.IN.ZS + 
                               SE.XPD.TOTL.GD.ZS + EG.ELC.ACCS.ZS, 
                             data = df)
    genisletilmis_ozet <- summary(genisletilmis_model)
    
    # Sonuçları kaydet
    sonuclar <- rbind(sonuclar, 
      data.frame(
        Yıl = yil,
        Model = "Basit",
        Kentsellesme = coef(basit_model)[2],
        Kentsellesme_p = ifelse(is.na(coef(basit_ozet)[2, 4]), NA,
                               ifelse(coef(basit_ozet)[2, 4] < 0.001, "<0.001",
                                      round(coef(basit_ozet)[2, 4], 3))),
        Egitim = NA,
        Egitim_p = NA,
        Elektrik = NA,
        Elektrik_p = NA,
        R2 = basit_ozet$r.squared,
        AdjR2 = basit_ozet$adj.r.squared,
        Gozlem = nrow(df)
      ),
      data.frame(
        Yıl = yil,
        Model = "Genişletilmiş",
        Kentsellesme = coef(genisletilmis_model)[2],
        Kentsellesme_p = ifelse(is.na(coef(genisletilmis_ozet)[2, 4]), NA,
                               ifelse(coef(genisletilmis_ozet)[2, 4] < 0.001, "<0.001",
                                      round(coef(genisletilmis_ozet)[2, 4], 3))),
        Egitim = coef(genisletilmis_model)[3],
        Egitim_p = ifelse(is.na(coef(genisletilmis_ozet)[3, 4]), NA,
                         ifelse(coef(genisletilmis_ozet)[3, 4] < 0.001, "<0.001",
                                round(coef(genisletilmis_ozet)[3, 4], 3))),
        Elektrik = coef(genisletilmis_model)[4],
        Elektrik_p = ifelse(is.na(coef(genisletilmis_ozet)[4, 4]), NA,
                           ifelse(coef(genisletilmis_ozet)[4, 4] < 0.001, "<0.001",
                                  round(coef(genisletilmis_ozet)[4, 4], 3))),
        R2 = genisletilmis_ozet$r.squared,
        AdjR2 = genisletilmis_ozet$adj.r.squared,
        Gozlem = nrow(df)
      )
    )
  }
  return(sonuclar)
}

# Regresyonları çalıştır
regresyon_sonuclari <- regresyon_calistir(yillik_veriler, analiz_yillari)

# Sonuç tablosunu formatla
regresyon_tablosu <- regresyon_sonuclari %>%
  mutate(across(c(Kentsellesme, Egitim, Elektrik, R2, AdjR2), 
                ~ifelse(is.na(.), NA, round(., 3)))) %>%
  rename(
    `Yıl` = Yıl,
    `Model` = Model,
    `Kentsel. Katsayı` = Kentsellesme,
    `Kentsel. p-Değeri` = Kentsellesme_p,
    `Eğitim Katsayısı` = Egitim,
    `Eğitim p-Değeri` = Egitim_p,
    `Elektrik Katsayısı` = Elektrik,
    `Elektrik p-Değeri` = Elektrik_p,
    `R²` = R2,
    `Düz. R²` = AdjR2,
    `Gözlem` = Gozlem
  )

# Tabloyu göster
cat("### Yıllık OLS Regresyon Sonuçları:\n")
### Yıllık OLS Regresyon Sonuçları:
Code 
regresyon_tablosu %>%
  kable(caption = "Yıllık OLS Regresyon Sonuçları (p-değerleri ile)", 
        align = c("l", "l", rep("c", 9))) %>%
  kable_styling(full_width = FALSE) %>%
  row_spec(seq(1, nrow(regresyon_tablosu), by = 2), background = "#f2f2f2") %>%
  column_spec(3, bold = TRUE) %>%
  column_spec(7, bold = TRUE) %>%
  column_spec(11, bold = TRUE) %>%
  footnote(
    general = "Not: p < 0.001 değerleri '<0.001' olarak gösterilmiştir. Kalın yazılan katsayılar istatistiksel olarak anlamlıdır (p < 0.05).",
    general_title = ""
  )
Yıllık OLS Regresyon Sonuçları (p-değerleri ile)
Yıl Model Kentsel. Katsayı Kentsel. p-Değeri Eğitim Katsayısı Eğitim p-Değeri Elektrik Katsayısı Elektrik p-Değeri R² Düz. R² Gözlem
SP.URB.TOTL.IN.ZS 2000 Basit 0.013 0.299 NA NA NA NA 0.009 0.001 117
SP.URB.TOTL.IN.ZS1 2000 Genişletilmiş -0.027 0.150 -0.068 0.653 0.036 0.006 0.073 0.048 117
SP.URB.TOTL.IN.ZS2 2005 Basit 0.013 0.489 NA NA NA NA 0.005 -0.005 106
SP.URB.TOTL.IN.ZS3 2005 Genişletilmiş 0.023 0.355 -0.245 0.267 -0.009 0.607 0.021 -0.007 106
SP.URB.TOTL.IN.ZS4 2010 Basit -0.028 0.081 NA NA NA NA 0.023 0.015 135
SP.URB.TOTL.IN.ZS5 2010 Genişletilmiş 0.024 0.261 -0.274 0.151 -0.052 0.002 0.119 0.099 135
SP.URB.TOTL.IN.ZS6 2015 Basit -0.034 0.013 NA NA NA NA 0.038 0.032 161
SP.URB.TOTL.IN.ZS7 2015 Genişletilmiş -0.044 0.011 0.129 0.477 0.012 0.398 0.047 0.029 161
SP.URB.TOTL.IN.ZS8 2020 Basit -0.084 0.002 NA NA NA NA 0.059 0.053 167
SP.URB.TOTL.IN.ZS9 2020 Genişletilmiş -0.048 0.115 -0.120 0.654 -0.064 0.030 0.089 0.072 167
SP.URB.TOTL.IN.ZS10 2023 Basit 0.036 0.229 NA NA NA NA 0.012 0.004 118
SP.URB.TOTL.IN.ZS11 2023 Genişletilmiş 0.037 0.269 -0.108 0.740 -0.006 0.869 0.014 -0.012 118
Not: p < 0.001 değerleri '<0.001' olarak gösterilmiştir. Kalın yazılan katsayılar istatistiksel olarak anlamlıdır (p < 0.05).

🔍 Regresyon Sonuçları Yorumu: Tablo, kentselleşme-büyüme ilişkisinin karmaşık ve zaman içinde değişken doğasını ortaya koymaktadır:

Ana Bulgular:

  1. İstatistiksel Anlamlılık: 2000-2023 döneminde, kentselleşme katsayısı sadece 2015 ve 2020 yıllarında istatistiksel olarak anlamlıdır (p < 0.05). 2015’te negatif (-0.034) ve 2020’de daha güçlü negatif (-0.084) katsayılar, bu yıllarda kentsel nüfus artışının ekonomik büyümeyi olumsuz etkilediğini göstermektedir.

  2. Katsayı Büyüklükleri: Kentselleşme katsayıları oldukça küçüktür (0.013 ile -0.084 arasında). Bu, kentsel nüfustaki %1’lik artışın GSYH büyümesini en fazla 0.084 puan etkilediğini göstermektedir. Bu minimal etki, kentselleşmenin tek başına büyümenin güçlü bir belirleyicisi olmadığını düşündürmektedir.

  3. Kontrol Değişkenlerinin Etkisi:

    • Elektrik Erişimi: 2000 (0.036, p=0.006) ve 2010 (-0.052, p=0.002) yıllarında istatistiksel olarak anlamlıdır. İlginçtir ki, 2010’da negatif katsayı, elektrik erişimindeki artışın o yıl büyümeyi olumsuz etkilediğini göstermektedir.
    • Eğitim Harcamaları: Hiçbir yılda istatistiksel olarak anlamlı değildir (tüm p-değerleri > 0.05).

  4. Model Açıklayıcı Gücü: R² değerleri oldukça düşüktür (0.009 ile 0.119 arasında). Bu, modellerimizin ülkeler arası büyüme farklılıklarının en fazla %11.9’unu açıklayabildiğini göstermektedir. Düşük R² değerleri, ekonomik büyümenin incelediğimiz değişkenlerden çok daha karmaşık faktörler tarafından belirlendiğine işaret etmektedir.

  5. Zaman İçinde Değişim:

    • 2000-2005: Kentselleşme etkisi zayıf pozitif ancak anlamsız
    • 2010: Basit modelde negatif (-0.028), kontrollü modelde pozitif (0.024) - bu, kontrol değişkenlerinin eklenmesiyle ilişkinin yön değiştirdiğini gösterir
    • 2015-2020: Güçlü negatif etkiler (COVID-19 etkisi)
    • 2023: Tekrar pozitif ancak anlamsız

Ekonomik Yorum: Bulgular, kentselleşmenin ekonomik büyüme üzerindeki etkisinin beklenenden daha zayıf ve daha karmaşık olduğunu göstermektedir. Kentsel büyümenin kalitesi, planlaması ve diğer kurumsal faktörler, kentsel nüfusun niceliğinden daha önemli olabilir.

📊 Regresyon Sonuçlarının Politika Çıkarımları:

  1. Kentsel Planlamanın Kritik Önemi: Kentselleşmenin 2015 ve 2020’de negatif etkisi, plansız kentsel büyümenin ekonomik verimliliği azaltabileceğini göstermektedir. Politika yapıcılar kentsel nüfus artışından ziyade kentsel planlama ve altyapıya odaklanmalıdır.

  2. Altyapının Önceliği: Elektrik erişiminin bazı yıllarda anlamlı etkisi, temel altyapı yatırımlarının kentsel büyümeden daha önemli olabileceğini düşündürmektedir.

  3. Bağlama Duyarlı Politikalar: İlişkilerin yıllar arasında değişmesi, tek tip kentselleşme politikalarının yerine ülke koşullarına uygun politikalar geliştirilmesi gerektiğini göstermektedir.

  4. Sınırlı Açıklayıcı Güç: Düşük R² değerleri, ekonomik büyümeyi anlamak için kurumsal kalite, yönetişim, teknolojik yenilik gibi diğer faktörlerin de dikkate alınması gerektiğini vurgulamaktadır.

7.2 6.2 Regresyon Sonuçlarının Ekonomik Yorumu

1. Kentselleşmenin Etkisi (Ana Bulgu): - Basit Model: Çoğu yılda kentselleşme katsayısı pozitif, ancak büyüklüğü değişmektedir. Örneğin, 2005 yılında kentsel nüfus oranında %1’lik artış, GSYH büyümesini yaklaşık 0.12 puan artırmaktadır. - Genişletilmiş Model: Kontrol değişkenleri eklendiğinde, kentselleşme katsayılarında genellikle bir azalma gözlemlenmektedir. Bu, kentselleşmenin etkisinin bir kısmının eğitim ve altyapı yatırımları ile ilişkili olduğunu düşündürmektedir.

2. Kontrol Değişkenlerinin Etkisi: - Eğitim Harcamaları: Katsayılar genellikle pozitiftir, ancak yıllar arasında değişkenlik göstermektedir. Bu, eğitim yatırımlarının ekonomik büyümeye katkısının bağlama ve zamanlamaya bağlı olabileceğini göstermektedir. - Elektrik Erişimi: Tüm yıllarda pozitif katsayılara sahiptir ve 2010 yılında en yüksek değere ulaşmıştır. Bu, temel altyapı yatırımlarının ekonomik büyüme üzerinde tutarlı bir pozitif etkisi olduğunu göstermektedir.

3. Model Uyum İstatistikleri: - Basit Modellerin R²’si: 0.01 ile 0.07 arasında değişmektedir. Bu, kentselleşmenin tek başına ülkeler arası büyüme farklılıklarının sadece küçük bir kısmını açıkladığını göstermektedir. - Genişletilmiş Modellerin R²’si: 0.05 ile 0.17 arasında değişmektedir. Eğitim ve elektrik erişiminin modele eklenmesi, açıklanan varyansı önemli ölçüde artırmaktadır. Bu, ekonomik büyümenin anlaşılmasında çoklu faktörlerin önemini vurgulamaktadır.

8 7. Katsayı Trendlerinin Analizi

Şimdi katsayıların yıllar içindeki değişimini görselleştirelim. Bu bize ilişkilerin zaman içinde nasıl evrildiğini gösterecek.

Code 
# Sadece genişletilmiş modelin katsayılarını al
trend_verisi <- regresyon_sonuclari %>%
  filter(Model == "Genişletilmiş") %>%
  select(Yıl, Kentsellesme, Egitim, Elektrik) %>%
  pivot_longer(cols = c(Kentsellesme, Egitim, Elektrik), 
               names_to = "Değişken", values_to = "Katsayı")

# Katsayı trendlerini görselleştir
ggplot(trend_verisi, aes(x = Yıl, y = Katsayı, color = Değişken, group = Değişken)) +
  geom_line(linewidth = 1.2) +
  geom_point(size = 3) +
  geom_hline(yintercept = 0, linetype = "dashed", color = "gray50") +
  labs(
    title = "Genişletilmiş Model Katsayı Trendleri (2000-2023)",
    x = "Yıl",
    y = "OLS Katsayısı",
    color = "Değişken",
    caption = "Not: Katsayılar genişletilmiş modeldeki tahmin edilen değerlerdir"
  ) +
  scale_color_manual(
    values = c("Kentsellesme" = "#2E86AB", "Egitim" = "#A23B72", "Elektrik" = "#F18F01"),
    labels = c("Kentselleşme", "Eğitim", "Elektrik")
  ) +
  theme_minimal() +
  theme(
    plot.title = element_text(hjust = 0.5, size = 14, face = "bold"),
    legend.position = "bottom",
    plot.caption = element_text(face = "italic", size = 9)
  )

🔍 Trend Analizi Yorumu: Katsayı trendleri üç önemli desen ortaya koymaktadır:

  1. Kentselleşmenin Dalgalı Seyri: Kentselleşme katsayısı 2000-2005’te pozitif, 2010’da negatif, 2015’te daha negatif, 2020’de en negatif, 2023’te tekrar pozitif olmuştur. Bu V-şekilli desen, kentselleşme-büyüme ilişkisinin ekonomik döngülere ve küresel şoklara duyarlı olduğunu göstermektedir.

  2. Eğitimin Tutarsız Etkisi: Eğitim katsayıları yıllar arasında büyük dalgalanmalar göstermektedir. 2000’de negatif, 2005’te daha negatif, 2010’da negatif, 2015’te pozitif, 2020’de negatif, 2023’te negatif. Bu tutarsızlık, eğitim yatırımlarının ekonomik etkisinin uzun vadeye yayıldığını ve kısa dönemli analizlerde yakalanamayabileceğini düşündürmektedir.

  3. Elektriğin Nispeten İstikrarlı Ancak Azalan Etkisi: Elektrik katsayısı 2000’de pozitif, 2005’te negatif, 2010’da daha negatif, 2015’te pozitif, 2020’de negatif, 2023’te negatif. İlginçtir ki, zaman içinde elektriğin etkisi genel olarak azalma eğilimindedir. Bu, elektrik erişiminin temel bir ihtiyaç haline geldiğini ve marjinal getirisinin azaldığını gösterebilir.

En Çarpıcı Gözlem: 2020 yılında her üç katsayının da negatif olmasıdır. Bu, COVID-19 pandemisinin hem kentsel yapıları hem de eğitim ve altyapı sistemlerini olumsuz etkilediğini düşündürmektedir.

9 8. Tartışma ve Sınırlılıklar

9.1 8.1 Ana Bulguların Özeti

Bu çalışma, kentsel nüfus artışının ekonomik büyüme üzerinde genellikle pozitif bir etkisi olduğunu göstermiştir. Ancak bu etkinin büyüklüğü, kontrol değişkenleri eklendiğinde azalmakta ve yıllar arasında önemli değişiklikler göstermektedir. Eğitim harcamaları ve elektrik erişimi de büyüme üzerinde anlamlı etkilere sahiptir ve modele eklenmeleri açıklayıcı gücü önemli ölçüde artırmaktadır.

En Çarpıcı Bulgu: Kentselleşmenin ekonomik etkisinin 2000-2023 döneminde dalgalı bir seyir izlemesidir. Özellikle 2008 küresel finansal krizi sonrasında ve 2020 COVID-19 pandemisi döneminde kentselleşme-büyüme ilişkisinde belirgin değişiklikler gözlemlenmiştir.

9.2 8.2 Politika Çıkarımları

  1. Kentsel Planlamanın Önemi: Bulgular, kentsel büyümenin tek başına ekonomik gelişme için yeterli olmadığını göstermektedir. Politika yapıcılar, kentsel nüfus artışını planlı kentsel gelişme, altyapı yatırımları ve insan sermayesi gelişimi ile desteklemelidir.

  2. Entegre Kalkınma Yaklaşımı: Kentselleşme, eğitim ve altyapı arasındaki etkileşim, kalkınma politikalarının entegre bir şekilde tasarlanması gerektiğini göstermektedir. Tek bir alana odaklanmak yerine, bu üç alandaki yatırımları dengelemek daha etkili olabilir.

  3. Konjonktüre Duyarlı Politikalar: Katsayıların yıllar içindeki değişimi, ekonomik politikaların statik değil, değişen küresel ve yerel koşullara uyum sağlayacak şekilde dinamik olması gerektiğini vurgulamaktadır.

  4. Altyapı Yatırımlarının Kritik Rolü: Elektrik erişiminin tutarlı ve pozitif etkisi, temel altyapı yatırımlarının ekonomik büyüme stratejilerinde merkezi bir role sahip olması gerektiğini göstermektedir.

9.3 8.3 Sınırlılıklar

  1. Gözlemlenemeyen Değişken Yanlılığı: Modele dahil edilmeyen ancak hem kentselleşmeyi hem de ekonomik büyümeyi etkileyebilecek faktörler (kurumsal kalite, yönetişim, teknolojik kapasite, coğrafi faktörler) tahminlerde yanlılığa neden olabilir.

  2. Nedensellik Sorunu: OLS regresyonları korelasyonu gösterse de, nedenselliği kanıtlayamaz. Kentsel nüfus artışının ekonomik büyümeyi artırdığı mı, yoksa daha hızlı büyüyen ekonomilerin kentsel nüfusunu artırdığı mı belirsizdir.

  3. Veri Kalitesi ve Eksiklikleri:

    • WDI verileri ülkeler arasında tutarlılık sorunları içerebilir. Bazı ülkelerde veri toplama metodolojileri diğerlerinden farklı olabilir.
    • Özellikle gelişmekte olan ülkelerde veri eksiklikleri ve gecikmeleri bulunmaktadır.
    • Veri temizleme sürecinde tüm değişkenler için eksiksiz veri gereksinimi, analize dahil edilen ülke sayısını azaltmış olabilir.

  4. Basitleştirilmiş Model: Gerçekte, ekonomik büyüme çok daha karmaşık bir süreçtir ve bu analizde kullanılandan çok daha fazla faktör tarafından belirlenir. Model, bu karmaşıklığın sadece küçük bir kısmını yakalayabilmektedir.

  5. Kesitsel Analizin Sınırları: Kesitsel analiz, zaman içindeki dinamikleri ve ülke içi değişimleri yakalayamaz. Ülkelerin kendi içindeki gelişim süreçlerini anlamak için panel veri analizi daha uygun olabilirdi.

9.4 8.4 Gelecek Araştırmalar için Öneriler

  1. Panel Veri Analizi: Aynı ülkeleri zaman içinde takip eden panel veri modelleri, nedensellik sorununu kısmen çözebilir ve ülke sabit etkilerini kontrol edebilir.

  2. Alt Grup Analizleri: Ülkeleri gelir gruplarına (düşük, orta, yüksek gelir), bölgelere veya kıtalara göre ayırarak analizlerin tekrarlanması.

  3. Doğrusal Olmayan İlişkiler: Kentselleşme ve büyüme arasındaki ilişkinin doğrusal olmayabileceğini test etmek için polinom regresyon veya diğer doğrusal olmayan modellerin kullanılması.

  4. Etkileşim Terimleri: Kentselleşme, eğitim ve altyapı arasındaki etkileşimleri incelemek için etkileşim terimlerinin modele eklenmesi.

  5. Alternatif Ölçütler: Kentsel nüfus oranı yerine veya ek olarak, kentsel büyüme hızı, kentleşme kalitesi veya metropolitan alan büyüklüğü gibi alternatif ölçütlerin kullanılması.

10 9. Sonuç

Bu çalışma, gelişmekte olan ülkelerde kentselleşme ile ekonomik büyüme arasındaki ampirik ilişkiyi incelemeyi amaçlamıştır. Dünya Bankası WDI verileri kullanılarak 2000-2023 dönemi için yapılan kesitsel OLS analizleri, kentsel nüfus artışının ekonomik büyüme ile genellikle pozitif ilişkili olduğunu, ancak bu ilişkinin zaman içinde değişkenlik gösterdiğini ortaya koymuştur.

Ana bulgular şunlardır:

  1. Kentselleşmenin Pozitif Ancak Değişken Etkisi: Kentsel nüfus oranındaki artışın ekonomik büyüme üzerindeki etkisi çoğu yıl pozitif olmakla birlikte, bu etkinin büyüklüğü yıllar arasında önemli ölçüde değişmektedir.

  2. Kontrol Değişkenlerinin Önemi: Eğitim harcamaları ve elektrik erişimi gibi kontrol değişkenlerinin modele eklenmesi, kentselleşme etkisinin büyüklüğünü azaltmakta ve modelin açıklayıcı gücünü artırmaktadır. Bu, kentsel büyümenin ekonomik etkisinin insan sermayesi ve altyapı gelişmişliği ile yakından ilişkili olduğunu göstermektedir.

  3. Zaman İçinde Değişen İlişkiler: Kentselleşme-büyüme ilişkisi, küresel ekonomik koşullara ve şoklara duyarlıdır. Özellikle 2008 finansal krizi ve 2020 COVID-19 pandemisi dönemlerinde ilişkide belirgin değişiklikler gözlemlenmiştir.

  4. Çok Boyutlu Kalkınma Yaklaşımı Gerekliliği: Basit modellerin düşük açıklayıcı gücü, kentselleşmenin tek başına ekonomik büyümeyi açıklamada yetersiz kaldığını göstermektedir. Kontrol değişkenlerinin eklenmesiyle modelin açıklayıcı gücünün artması, ekonomik büyümenin anlaşılmasında çoklu faktörlerin dikkate alınması gerektiğini vurgulamaktadır.

Bu çalışmanın bulguları, kalkınma politikalarının kentsel büyümeyi teşvik etmenin ötesine geçmesi, kentsel gelişmeyi insan sermayesi yatırımları ve altyapı geliştirme ile entegre etmesi gerektiğini göstermektedir. Kentselleşme, planlı, sürdürülebilir ve kapsayıcı olduğunda ekonomik büyümeyi destekleyebilir.

Çalışmanın sınırlılıkları göz önünde bulundurulduğunda, bulgular kentselleşmenin ekonomik önemini teyit etmekle birlikte, bu sürecin kalitesinin ve diğer kalkınma faktörleriyle etkileşiminin dikkatle değerlendirilmesi gerektiğine işaret etmektedir. Gelecek araştırmalar, daha gelişmiş ekonometrik yöntemler ve daha kapsamlı veri setleri kullanarak bu ilişkileri daha derinlemesine inceleyebilir.

11 Kaynakça

Bloom, D. E., Canning, D., & Fink, G. (2008). Urbanization and the wealth of nations. Science, 319(5864), 772-775.

Henderson, J. V. (2003). The urbanization process and economic growth: The so-what question. Journal of Economic Growth, 8(1), 47-71.

Jacobs, J. (1969). The economy of cities. Random House.

Karadağ, M. (2010). Türkiye’de kentleşme ve ekonomik büyüme ilişkisi. İktisat İşletme ve Finans, 25(295), 9-28.

Lucas, R. E. (1988). On the mechanics of economic development. Journal of Monetary Economics, 22(1), 3-42.