Paket Nedir

R paketleri; R fonksiyonlarını, birbiriyle uyumlu kod yapılarını ve örnek veri setlerini içeren bütünleşik koleksiyonlardır. Bu paketler, R çalışma ortamında “Library” olarak adlandırılan bir dizin içerisinde depolanmaktadır. R yazılımı kurulduğunda, temel işlevleri yerine getirebilmek amacıyla belirli sayıda paket varsayılan olarak sisteme yüklenir. Bununla birlikte, kullanıcıların ihtiyaçlarına bağlı olarak zaman içerisinde ek paketlerin kurulması gerekebilmektedir.

R konsolu başlatıldığında, yalnızca varsayılan paketler otomatik olarak aktif hâle gelir. Önceden kurulmuş olan diğer paketlerin kullanılabilmesi için ise ilgili R programı içerisinde açıkça çağrılmaları gerekmektedir. R dilinde mevcut olan tüm paketler, R Paketleri listesi aracılığıyla kullanıcıların erişimine sunulmaktadır.

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 büyüklüğü, doğurganlık ve ölüm oranlarının zaman içerisinde ekonomik kalkınma süreçleriyle birlikte değiştiğini öne sürmektedir. Bu teoriye göre, sanayileşme ve kentleşme gibi ekonomik ve toplumsal dönüşümler, önce ölüm oranlarını düşürmekte, ardından doğurganlık davranışlarını etkilemektedir (Notestein, 1945; Coale, 1973). Demografik geçiş süreci dört temel evreye ayrılmaktadır: yüksek doğum ve ölüm oranlarıyla karakterize edilen ilk evre, ölüm oranlarının düşmeye başladığı ikinci evre, doğum oranlarının azaldığı üçüncü evre ve nihayet düşük doğum ve ölüm oranlarıyla karakterize modern demografi evresi. Bu süreç, özellikle gelişmekte olan ülkelerde ekonomik kalkınma, kentleşme ve sağlık koşullarıyla yakından ilişkilidir (Caldwell, 1976; Lee, 2003).

Sanayileşme ve kentleşme, yalnızca ekonomik üretimi artırmakla kalmayıp aynı zamanda sağlık altyapısının gelişmesine, hijyen koşullarının iyileşmesine ve tıbbi hizmetlere erişimin kolaylaşmasına olanak sağlamaktadır. Dünya Bankası ve Birleşmiş Milletler raporları, kentleşme oranı arttıkça sağlık hizmetlerine erişimin iyileştiğini ve genel ölüm oranlarının düştüğünü göstermektedir (World Bank, 2021; UN, 2019). Bu bağlamda, kentsel alanlar, sağlık ve eğitim yatırımlarının yoğunlaştığı bölgeler olarak öne çıkmakta, bu da yaşam süresinin uzamasına ve bebek ölüm oranlarının azalmasına yol açmaktadır (Bloom & Canning, 2003). Kentleşme ile sağlık göstergeleri arasındaki bu ilişki, demografik geçişin hızını ve niteliğini belirleyen temel etkenlerden biri olarak kabul edilmektedir.

Nüfus artış hızı ve ekonomik büyüme arasındaki ilişki de literatürde geniş biçimde incelenmiştir. Bloom ve Williamson (1998), nüfus artış hızının ekonomik büyüme üzerindeki etkisinin, demografik yapı ve sağlık koşullarıyla yakından ilişkili olduğunu vurgulamaktadır. Nüfusun yaş yapısı, çalışma çağındaki nüfus oranı ve eğitim düzeyi, ekonomik büyüme üzerinde belirleyici rol oynayan faktörler olarak öne çıkmaktadır. Özellikle “demografik bonus” olarak adlandırılan durum, genç ve üretken nüfusun artışıyla ekonomik büyümeyi desteklemektedir (Lee & Mason, 2006). Ancak bu bonus, sağlık ve eğitim altyapısı yetersiz olduğunda tersine dönerek ekonomik kalkınmayı olumsuz etkileyebilir.Dünya Bankası ve uluslararası kuruluşların yaptığı ampirik çalışmalar, nüfus, kentleşme ve sağlık göstergelerinin birbirleriyle olan ilişkilerini detaylı biçimde analiz etmektedir. Örneğin, kentsel alanlarda doğum kontrol yöntemlerine erişim artmakta, kadınların eğitim düzeyi yükselmekte ve doğurganlık davranışları değişmektedir (Bongaarts, 2015). Bu faktörler, nüfus artış hızının düşmesine ve daha sürdürülebilir demografik yapının oluşmasına katkı sağlamaktadır. Ayrıca, kentleşme ve eğitim düzeyi artışı ile ölüm oranları arasındaki ters ilişki, demografik geçiş sürecinin hızını etkileyen bir diğer önemli mekanizma olarak literatürde vurgulanmaktadır.

Son yıllarda yapılan çalışmalarda, demografik geçiş sürecinde bölgesel farklılıkların önemine de dikkat çekilmiştir. Gelişmiş ülkeler ile gelişmekte olan ülkeler arasında ölüm ve doğum oranlarındaki düşüş hızları farklılık göstermekte, bu da nüfus artış hızının bölgesel heterojenliğine yol açmaktadır (Cleland & Wilson, 1987). Bölgesel farklılıklar, ekonomik kalkınma düzeyi, sağlık politikaları ve kültürel faktörlerle doğrudan ilişkilidir.Örneğin, Sahra Altı Afrika’da yüksek doğurganlık oranları ve düşük kentleşme, demografik geçişin daha yavaş ilerlemesine neden olmaktadır (UN, 2019). Buna karşılık, Doğu Asya ve Latin Amerika ülkelerinde hızlı kentleşme ve sağlık yatırımları, ölüm ve doğum oranlarının daha hızlı düşmesini sağlamaktadır (Bloom & Canning, 2008).

Bu literatür çerçevesinde, çalışmamız, nüfus, kentleşme ve ölüm oranlarının nüfus artış hızı üzerindeki etkilerini ampirik olarak test etmeyi amaçlamaktadır. Çalışmada 2000–2023 dönemi verileri kullanılarak, demografik geçiş sürecinin farklı evrelerinde bu değişkenlerin birbirleriyle olan ilişkileri incelenecektir. Literatürdeki bulgular, özellikle kentleşme ve sağlık göstergelerinin, nüfus artış hızını belirlemede kritik öneme sahip olduğunu göstermektedir. Bu bağlamda, çalışmamız hem teorik literatürü destekleyecek hem de politika yapıcılar için bölgesel ve ulusal düzeyde veri temelli çıkarımlar sunacaktır.

METODOLOJİ

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

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)

Kentleşme Oranı (Bar Grafiği)

df_2000 %>%
  group_by(region) %>%
  summarise(Ortalama_Kent = mean(URB, na.rm = TRUE)) %>%
  ggplot(aes(x = region, y = Ortalama_Kent)) +
  geom_col(fill = "#16A085", width = 0.65) +
  labs(
    title = "2000 Yılında Bölgeler Bazında Kentleşme Oranı",
    x = "Bölge",
    y = "Kentleşme (%)"
  ) +
  theme_classic() +
  theme(
    plot.title = element_text(face = "bold", hjust = 0.5),
    axis.text.x = element_text(angle = 20, hjust = 1)
  )

ggplot(df_2000, aes(x = MORT, y = POP_GROW)) +
  geom_point(color = "#34495E", alpha = 0.5, size = 2.5) +
  geom_smooth(method = "lm", color = "#E74C3C", linewidth = 1, se = FALSE) +
  labs(
    title = "Mortalité et Dynamique de la Croissance Démographique (2000)",
    x = "Taux de mortalité",
    y = "Croissance de la population (%)"
  ) +
  theme_classic()

## `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 = reorder(region, POP_GROW, FUN = median), y = POP_GROW, fill = region)) +
  geom_boxplot(alpha = 0.6, outlier.shape = 21, outlier.fill = "red", outlier.size = 2) +
  coord_flip() +
  scale_fill_brewer(palette = "Set2") +
  labs(
    title = "2005: Nüfus Artışının Bölgelere Göre Dağılımı",
    x = "Bölge",
    y = "Nüfus Artış Hızı (%)"
  ) +
  theme_minimal(base_size = 13) +
  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)

Kentleşme Dağılımı (Boxplot)

ggplot(df_2010, aes(x = URB)) +
  geom_histogram(aes(y = after_stat(density)),
                 bins = 20,
                 fill = "#8E44AD",
                 color = "white",
                 alpha = 0.7) +
  geom_density(color = "#2C3E50", linewidth = 1) +
  labs(
    title = "2010: Kentleşme Oranlarının Yoğunluk Dağılımı",
    x = "Kentleşme (%)",
    y = "Yoğunluk"
  ) +
  theme_light(base_size = 12)

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

ggplot(df_2015, aes(x = MORT)) +
  geom_density(fill = "#E67E22", alpha = 0.5, color = "#D35400", linewidth = 1.1) +
  geom_rug(color = "#2C3E50", alpha = 0.7) +
  labs(
    title = "2015: Analyse de la Distribution des Taux de Mortalité",
    x = "Taux de mortalité",
    y = "Densité"
  ) +
  theme_minimal(base_size = 13)

df_2020 ANALİZİ

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

Grafik: Kentleşme ve Nüfus Artışı (Çizgi)

ggplot(df_2020, aes(x = URB)) +
  geom_histogram(aes(y = after_stat(density)),
                 bins = 20,
                 fill = "#8E44AD",
                 color = "#6C3483",
                 alpha = 0.6) +
  geom_density(color = "#1ABC9C", linewidth = 1.2, alpha = 0.7) +
  geom_vline(aes(xintercept = median(URB, na.rm = TRUE)), 
             color = "#E74C3C", linetype = "dotted", linewidth = 1) +
  labs(
    title = "2020: Yoğunluk ve Histogram ile Kentleşme Dağılımı",
    x = "Kentleşme Oranı (%)",
    y = "Yoğunluk"
  ) +
  theme_minimal(base_size = 12)

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)

YORUM

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.

Ekonometri I projesi

HAMID SOUGOUDI HAWA

2025-12-24

R ve R Studio-R’yi yükledim

R Markdown

Paketler