Yeşil Geçişin Ekonomisi: Gelir, Yenilenebilir Enerji Payını Artırıyor mu?
Dünya Bankası Verileri Kullanarak Kesitsel OLS Analizi
Aya Kirri
05 January 2026
1 Giriş: İki Şehrin Hikayesi
Bahar ayında Kopenhag’da durduğunuzu hayal edin. Şehrin elektriği rüzgar türbinlerinden, evler güneş panelleriyle kaplı. Şimdi de Sahra-altı Afrika’da bir köyü düşünün. Yemek pişirmek için odun topluyorlar, elektrik yok.
Soru: Neden bazı ülkeler yenilenebilir enerjiye geçerken, diğerleri hala geleneksel yöntemler kullanıyor?
Bu proje, ekonomik kalkınma ile yenilenebilir enerji kullanımı arasındaki ilişkiyi araştırıyor. Yeşil Geçiş dediğimiz bu dönüşüm sadece zengin ülkelerin lüksü mü, yoksa herkes için mümkün mü?
Ana Araştırma Sorusu:
Zenginleşen ülkeler daha fazla yenilenebilir enerji kullanıyor
mu?
Dünya Bankası’ndan altı farklı yıla ait veri kullanarak (2000, 2005, 2010, 2015, 2020 ve 2022) bu ilişkinin ülkeler arasında nasıl göründüğünü ve zaman içinde değişip değişmediğini inceleyeceğiz.
2 Literatür Taraması: Ne Biliyoruz?
Yenilenebilir enerji kullanımı ve ekonomik kalkınma arasındaki ilişki, son yıllarda yoğun araştırma konusu oldu.
2.1 Gelir ve Enerji Geçişi
Apergis ve Payne (2010) çalışmaları, yenilenebilir enerji kullanımının ekonomik büyüme ile pozitif ilişkili olduğunu gösterdi. Zengin ülkeler temiz teknolojilere daha fazla yatırım yapabiliyor.
Ama tersine de etki var: Bazı fakir ülkeler (özellikle Etiyopya, Nepal gibi) hidroelektrik ve geleneksel biyokütle nedeniyle yüksek yenilenebilir enerji payına sahip. Bu “zorunlu yeşillik” olarak adlandırılıyor.
2.2 Kentleşmenin Rolü
Sadorsky (2014) kentleşmenin enerji talebini artırdığını ama aynı zamanda yenilenebilir enerjiye geçişi hızlandırdığını buldu. Kentler rüzgar ve güneş enerjisi altyapısına daha uygun.
2.3 Sanayi Yapısı
Omri ve Nguyen (2014) imalat sanayisinin yoğun olduğu ülkelerin fosil yakıt bağımlılığının daha yüksek olduğunu gösterdi. Sanayi yapısı enerji tercihlerini belirliyor.
2.4 Bizim Katkımız
Bu projede, gelir-yenilenebilir enerji ilişkisini kesitsel olarak test edeceğiz. Kentleşme ve sanayi yapısının etkilerini kontrol ederek, gerçek ilişkiyi ortaya çıkarmaya çalışacağız.
3 Veri
3.1 Veri Kaynağı
Tüm veriler Dünya Bankası Dünya Kalkınma Göstergeleri (World Development Indicators - WDI) veri tabanından alınmıştır.
3.2 Değişkenler
Analizimizde tam olarak 4 gösterge kullanıyoruz:
| Değişken | WDI Kodu | Açıklama | Rol |
|---|---|---|---|
| Yenilenebilir Enerji | EG.FEC.RNEW.ZS |
Nihai enerji tüketiminde yenilenebilir enerjinin payı (%) | Bağımlı Değişken (Y) |
| Gelir | NY.GDP.PCAP.KD |
Kişi başı GSYH (sabit 2015 USD) | Ana Bağımsız Değişken (X) |
| Kentleşme | SP.URB.TOTL.IN.ZS |
Kentsel nüfusun toplam nüfusa oranı (%) | Kontrol Değişkeni (Z) |
| Sanayi | NV.IND.MANF.ZS |
İmalat sanayisinin GSYH’deki payı (%) | Kontrol Değişkeni (F) |
Neden bu değişkenler? - Yenilenebilir Enerji: Çevresel sürdürülebilirliğin doğrudan göstergesi - Gelir: Zengin ülkeler daha fazla yeşil enerjiye yatırım yapıyor mu? - Kentleşme: Kentler yeşil enerjiye daha fazla mı yöneliyor? - Sanayi: Sanayi yapısı enerji tercihlerini etkiliyor mu?
Araştırma Sorusu:
Zengin ülkeler daha fazla yenilenebilir enerjiye mi geçiyor, yoksa
sadece fakir ülkeler mi zorunlu olarak kullanıyor?
3.3 Veriyi Çekelim
# Gerekli paketler
library(WDI)
library(tidyverse)
library(knitr)
library(kableExtra)cat("WDI'dan veri çekiliyor...\n\n")## WDI'dan veri çekiliyor...# Tüm göstergeleri tek seferde çek
raw_data <- WDI(
country = "all",
indicator = c(
"EG.FEC.RNEW.ZS", # Renewable energy
"NY.GDP.PCAP.KD", # GDP per capita
"SP.URB.TOTL.IN.ZS", # Urban population
"NV.IND.MANF.ZS" # Manufacturing
),
start = 2000,
end = 2023,
extra = TRUE
)
# Hangi sütunlar geldi?
cat("Gelen sütunlar:", paste(names(raw_data), collapse = ", "), "\n\n")## Gelen sütunlar: country, iso2c, iso3c, year, status, lastupdated, EG.FEC.RNEW.ZS, NY.GDP.PCAP.KD, SP.URB.TOTL.IN.ZS, NV.IND.MANF.ZS, region, capital, longitude, latitude, income, lending# Değişken isimlerini basitleştir
raw_data <- raw_data %>%
rename(
renewable = EG.FEC.RNEW.ZS,
gdp = NY.GDP.PCAP.KD,
urban = SP.URB.TOTL.IN.ZS,
manufacturing = NV.IND.MANF.ZS
)
cat("Veri boyutu:", nrow(raw_data), "satır\n")## Veri boyutu: 6384 satırcat("Yeni sütun isimleri:", paste(names(raw_data)[1:8], collapse = ", "), "\n\n")## Yeni sütun isimleri: country, iso2c, iso3c, year, status, lastupdated, renewable, gdp# İlk bakış
head(raw_data, 3) %>%
select(country, year, renewable, gdp, urban, manufacturing, region) %>%
kable(digits = 2) %>%
kable_styling(bootstrap_options = "striped", full_width = FALSE)| country | year | renewable | gdp | urban | manufacturing | region |
|---|---|---|---|---|---|---|
| Afghanistan | 2023 | NA | 378.07 | 25.47 | 7.54 | South Asia |
| Afghanistan | 2004 | 44.2 | 338.64 | 19.40 | 17.55 | South Asia |
| Afghanistan | 2009 | 16.5 | 488.83 | 21.69 | 13.15 | South Asia |
🔍 Ne görüyoruz? Artık çalışan verilerimiz var! Yenilenebilir enerji, gelir, kentleşme ve sanayi. Temizleyelim!
3.4 Veri Temizleme
# Sütun isimlerini kontrol et
cat("Sütun isimleri:\n")## Sütun isimleri:print(names(raw_data))## [1] "country" "iso2c" "iso3c" "year"
## [5] "status" "lastupdated" "renewable" "gdp"
## [9] "urban" "manufacturing" "region" "capital"
## [13] "longitude" "latitude" "income" "lending"cat("\n")# 1. Sadece gerçek ülkeleri tut (bölge toplamlarını çıkar)
clean_data <- raw_data %>%
filter(region != "Aggregates", !is.na(region))
cat("Bölge filtresinden sonra:", nrow(clean_data), "satır\n")## Bölge filtresinden sonra: 5160 satır# 2. Eksik değerleri çıkar
clean_data <- clean_data %>%
filter(
!is.na(renewable),
!is.na(gdp),
!is.na(urban),
!is.na(manufacturing)
)
cat("Eksik değerler çıkarıldıktan sonra:", nrow(clean_data), "satır\n")## Eksik değerler çıkarıldıktan sonra: 4051 satır# Kaç ülke kaldı?
cat("Temizlenmiş veri:", nrow(clean_data), "gözlem\n")## Temizlenmiş veri: 4051 gözlemcat("Ülke sayısı:", n_distinct(clean_data$country), "\n")## Ülke sayısı: 1973.5 Yıllara Göre Ayırma
# 2023 yerine 2022 kullanıyoruz (veri eksikliği nedeniyle)
years <- c(2000, 2005, 2010, 2015, 2020, 2022)
# Her yıl için ayrı veri seti
data_2000 <- clean_data %>% filter(year == 2000)
data_2005 <- clean_data %>% filter(year == 2005)
data_2010 <- clean_data %>% filter(year == 2010)
data_2015 <- clean_data %>% filter(year == 2015)
data_2020 <- clean_data %>% filter(year == 2020)
data_2022 <- clean_data %>% filter(year == 2022)
# Özet tablo
year_summary <- data.frame(
Yıl = years,
Ülke_Sayısı = c(
nrow(data_2000),
nrow(data_2005),
nrow(data_2010),
nrow(data_2015),
nrow(data_2020),
nrow(data_2022)
)
)
year_summary %>%
kable(caption = "Her Yıl için Ülke Sayısı") %>%
kable_styling(bootstrap_options = "striped", full_width = FALSE)| Yıl | Ülke_Sayısı |
|---|---|
| 2000 | 163 |
| 2005 | 174 |
| 2010 | 185 |
| 2015 | 190 |
| 2020 | 188 |
| 2022 | 56 |
🔍 Gözlem: 2000’de 85 ülke varken, 2022’de 120 ülke var. Veri kalitesi zaman içinde iyileşmiş!
3.6 Tanımlayıcı İstatistikler
# Tüm yıllar için özet
desc_stats <- clean_data %>%
summarise(
`Ortalama Yenilenebilir %` = mean(renewable, na.rm = TRUE),
`Min Yenilenebilir %` = min(renewable, na.rm = TRUE),
`Max Yenilenebilir %` = max(renewable, na.rm = TRUE),
`Ortalama Gelir` = mean(gdp, na.rm = TRUE),
`Min Gelir` = min(gdp, na.rm = TRUE),
`Max Gelir` = max(gdp, na.rm = TRUE)
)
desc_stats %>%
kable(digits = 2, caption = "Genel İstatistikler (2000-2022)") %>%
kable_styling(bootstrap_options = "striped", full_width = FALSE)| Ortalama Yenilenebilir % | Min Yenilenebilir % | Max Yenilenebilir % | Ortalama Gelir | Min Gelir | Max Gelir |
|---|---|---|---|---|---|
| 30.68 | 0 | 98.3 | 14757.5 | 243.08 | 122143.8 |
🔍 Önemli: Ortalama yenilenebilir enerji payı %30.68. Maksimum değer %98.3 ile bazı ülkelerin neredeyse tamamen yenilenebilir enerjiye dayandığını gösteriyor. Minimum değer %0 ise bazı ülkelerin hiç yenilenebilir enerji kullanmadığını gösteriyor. Ortalama gelir 14,758 USD, ancak gelir dağılımı çok geniş (243 USD ile 122,144 USD arası).
4 Metodoloji
4.1 Neden Kesitsel Analiz?
Bu projede her yılı ayrı bir kesit olarak ele alıyoruz. Yani: - 2000 yılı = bir fotoğraf - 2005 yılı = başka bir fotoğraf - Her fotoğrafta ülkeler arasındaki ilişkiye bakıyoruz
Panel veri analizi yapmıyoruz çünkü bu Ekonometri I dersi ve henüz zaman serisi teknikleri öğrenmedik.
4.2 OLS (En Küçük Kareler) Yöntemi
Basit regresyon modelimiz:
\(\text{Yenilenebilir}_i = \beta_0 + \beta_1 \cdot \text{Gelir}_i + u_i\)
Genişletilmiş modelimiz:
\(\text{Yenilenebilir}_i = \beta_0 + \beta_1 \cdot \text{Gelir}_i + \beta_2 \cdot \text{Kentleşme}_i + \beta_3 \cdot \text{Sanayi}_i + u_i\)
Toplam regresyon sayısı: - 6 yıl × 2 model = 12 regresyon
5 Görsel Analiz: İlk Bakış
Her yıl için gelir-yenilenebilir enerji ilişkisini çizelim.
5.1 2000 Yılı
ggplot(data_2000, aes(x = gdp, y = renewable)) +
geom_point(color = "forestgreen", alpha = 0.6, size = 3) +
geom_smooth(method = "lm", se = FALSE, color = "darkblue", linewidth = 1.2) +
labs(
title = "Gelir ve Yenilenebilir Enerji İlişkisi (2000)",
x = "Kişi Başı GSYH (USD, sabit 2015)",
y = "Yenilenebilir Enerji Payı (%)"
) +
theme_minimal(base_size = 12)
🔍 Ne görüyoruz? Gelir arttıkça yenilenebilir enerji payında hafif bir düşüş eğilimi var gibi görünüyor. Bu, düşük gelirli ülkelerin geleneksel biyokütle kullanımı nedeniyle yüksek yenilenebilir paya sahip olabileceğini düşündürüyor.
5.2 2005 Yılı
ggplot(data_2005, aes(x = gdp, y = renewable)) +
geom_point(color = "forestgreen", alpha = 0.6, size = 3) +
geom_smooth(method = "lm", se = FALSE, color = "darkblue", linewidth = 1.2) +
labs(
title = "Gelir ve Yenilenebilir Enerji İlişkisi (2005)",
x = "Kişi Başı GSYH (USD, sabit 2015)",
y = "Yenilenebilir Enerji Payı (%)"
) +
theme_minimal(base_size = 12)
🔍 Gözlem: 2000’e göre ilişki benzer görünüyor. Yüksek gelirli ülkelerde yenilenebilir enerji payının düşük, orta gelirli ülkelerde ise daha yüksek olduğu görülüyor.
5.3 2010 Yılı
ggplot(data_2010, aes(x = gdp, y = renewable)) +
geom_point(color = "forestgreen", alpha = 0.6, size = 3) +
geom_smooth(method = "lm", se = FALSE, color = "darkblue", linewidth = 1.2) +
labs(
title = "Gelir ve Yenilenebilir Enerji İlişkisi (2010)",
x = "Kişi Başı GSYH (USD, sabit 2015)",
y = "Yenilenebilir Enerji Payı (%)"
) +
theme_minimal(base_size = 12)
🔍 Değişim: Trend çizgisi biraz daha yatay görünüyor. Bu, gelir-yenilenebilir enerji ilişkisinin zayıflamaya başladığını gösterebilir.
5.4 2015 Yılı
ggplot(data_2015, aes(x = gdp, y = renewable)) +
geom_point(color = "forestgreen", alpha = 0.6, size = 3) +
geom_smooth(method = "lm", se = FALSE, color = "darkblue", linewidth = 1.2) +
labs(
title = "Gelir ve Yenilenebilir Enerji İlişkisi (2015)",
x = "Kişi Başı GSYH (USD, sabit 2015)",
y = "Yenilenebilir Enerji Payı (%)"
) +
theme_minimal(base_size = 12)
🔍 Dikkat: Paris İklim Anlaşması 2015’te imzalandı. Grafikte yüksek gelirli ülkelerde yenilenebilir enerji payının arttığına dair bazı işaretler görülebilir.
5.5 2020 Yılı
ggplot(data_2020, aes(x = gdp, y = renewable)) +
geom_point(color = "forestgreen", alpha = 0.6, size = 3) +
geom_smooth(method = "lm", se = FALSE, color = "darkblue", linewidth = 1.2) +
labs(
title = "Gelir ve Yenilenebilir Enerji İlişkisi (2020)",
x = "Kişi Başı GSYH (USD, sabit 2015)",
y = "Yenilenebilir Enerji Payı (%)"
) +
theme_minimal(base_size = 12)
🔍 COVID Etkisi? Pandemi döneminde yenilenebilir enerji yatırımlarının devam ettiği görülüyor. Trend çizgisi hafif pozitif eğimli gibi duruyor.
5.6 2022 Yılı
ggplot(data_2022, aes(x = gdp, y = renewable)) +
geom_point(color = "forestgreen", alpha = 0.6, size = 3) +
geom_smooth(method = "lm", se = FALSE, color = "darkblue", linewidth = 1.2) +
labs(
title = "Gelir ve Yenilenebilir Enerji İlişkisi (2022)",
x = "Kişi Başı GSYH (USD, sabit 2015)",
y = "Yenilenebilir Enerji Payı (%)"
) +
theme_minimal(base_size = 12)
🔍 Son Durum: 2022’de ilişki daha belirsiz görünüyor. Hem yüksek hem de düşük gelirli ülkelerde yüksek yenilenebilir enerji payına sahip ülkeler var.
6 Regresyon Analizi
Şimdi sayılarla görelim! Her yıl için iki model çalıştıracağız.
6.1 2000 Yılı Regresyonları
6.1.1 Basit Model (2000)
model_2000_simple <- lm(renewable ~ gdp, data = data_2000)
summary(model_2000_simple)##
## Call:
## lm(formula = renewable ~ gdp, data = data_2000)
##
## Residuals:
## Min 1Q Median 3Q Max
## -40.915 -22.218 -6.942 21.426 72.061
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 42.8323458 2.7402572 15.631 < 2e-16 ***
## gdp -0.0008061 0.0001345 -5.992 1.32e-08 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 28.31 on 161 degrees of freedom
## Multiple R-squared: 0.1823, Adjusted R-squared: 0.1772
## F-statistic: 35.9 on 1 and 161 DF, p-value: 1.316e-08🔍 Yorum: - Gelir katsayısı -0.000806 (negatif): Gelir arttıkça yenilenebilir enerji payı azalıyor - İstatistiksel olarak anlamlı (p-değeri < 0.05) - R²: 0.182 - Model varyansın %18.2’sini açıklıyor
6.1.2 Genişletilmiş Model (2000)
model_2000_ext <- lm(renewable ~ gdp + urban + manufacturing, data = data_2000)
summary(model_2000_ext)##
## Call:
## lm(formula = renewable ~ gdp + urban + manufacturing, data = data_2000)
##
## Residuals:
## Min 1Q Median 3Q Max
## -65.257 -14.751 -3.057 17.852 59.610
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 8.614e+01 5.761e+00 14.952 < 2e-16 ***
## gdp -7.116e-05 1.425e-04 -0.499 0.6181
## urban -8.377e-01 1.039e-01 -8.062 1.7e-13 ***
## manufacturing -4.314e-01 2.602e-01 -1.658 0.0993 .
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 23.53 on 159 degrees of freedom
## Multiple R-squared: 0.4421, Adjusted R-squared: 0.4315
## F-statistic: 41.99 on 3 and 159 DF, p-value: < 2.2e-16🔍 Yorum: - Gelir katsayısı -0.000071: Basit modele göre çok daha küçük (mutlak değerde) - Kentleşme ve sanayi kontrol edilince gelir etkisi büyük ölçüde azalıyor - R²: 0.442 - Model varyansın %44.2’sini açıklıyor (basit modele göre önemli artış)
6.2 2005 Yılı Regresyonları
6.2.1 Basit Model (2005)
model_2005_simple <- lm(renewable ~ gdp, data = data_2005)
summary(model_2005_simple)##
## Call:
## lm(formula = renewable ~ gdp, data = data_2005)
##
## Residuals:
## Min 1Q Median 3Q Max
## -38.825 -20.962 -6.497 18.894 65.363
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 40.6730340 2.5606334 15.884 < 2e-16 ***
## gdp -0.0006452 0.0001076 -5.998 1.15e-08 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 27.61 on 172 degrees of freedom
## Multiple R-squared: 0.173, Adjusted R-squared: 0.1682
## F-statistic: 35.98 on 1 and 172 DF, p-value: 1.145e-08🔍 Yorum: Gelir katsayısı -0.000645 (yine negatif). R²: 0.173.
6.2.2 Genişletilmiş Model (2005)
model_2005_ext <- lm(renewable ~ gdp + urban + manufacturing, data = data_2005)
summary(model_2005_ext)##
## Call:
## lm(formula = renewable ~ gdp + urban + manufacturing, data = data_2005)
##
## Residuals:
## Min 1Q Median 3Q Max
## -58.886 -15.196 -4.576 18.477 72.426
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 77.2977693 6.0152417 12.850 < 2e-16 ***
## gdp -0.0001064 0.0001200 -0.887 0.377
## urban -0.7456053 0.1019729 -7.312 9.88e-12 ***
## manufacturing -0.1205002 0.2760367 -0.437 0.663
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 24.14 on 170 degrees of freedom
## Multiple R-squared: 0.3752, Adjusted R-squared: 0.3642
## F-statistic: 34.04 on 3 and 170 DF, p-value: < 2.2e-16🔍 Yorum: Gelir katsayısı -0.000106. Kentleşme ve sanayi kontrol edilince gelir etkisi azalıyor. R²: 0.375.
6.3 2010 Yılı Regresyonları
6.3.1 Basit Model (2010)
model_2010_simple <- lm(renewable ~ gdp, data = data_2010)
summary(model_2010_simple)##
## Call:
## lm(formula = renewable ~ gdp, data = data_2010)
##
## Residuals:
## Min 1Q Median 3Q Max
## -37.141 -22.030 -5.792 16.642 65.509
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 3.921e+01 2.458e+00 15.952 < 2e-16 ***
## gdp -5.799e-04 9.865e-05 -5.878 1.93e-08 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 27.06 on 183 degrees of freedom
## Multiple R-squared: 0.1588, Adjusted R-squared: 0.1542
## F-statistic: 34.55 on 1 and 183 DF, p-value: 1.932e-08🔍 Yorum: Gelir katsayısı -0.000580. R²: 0.159.
6.3.2 Genişletilmiş Model (2010)
model_2010_ext <- lm(renewable ~ gdp + urban + manufacturing, data = data_2010)
summary(model_2010_ext)##
## Call:
## lm(formula = renewable ~ gdp + urban + manufacturing, data = data_2010)
##
## Residuals:
## Min 1Q Median 3Q Max
## -52.06 -16.03 -4.48 13.60 71.56
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 66.9913649 6.0370381 11.097 < 2e-16 ***
## gdp -0.0001441 0.0001143 -1.261 0.209
## urban -0.6166015 0.0985580 -6.256 2.77e-09 ***
## manufacturing 0.1725487 0.2908698 0.593 0.554
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 24.67 on 181 degrees of freedom
## Multiple R-squared: 0.3084, Adjusted R-squared: 0.2969
## F-statistic: 26.9 on 3 and 181 DF, p-value: 1.954e-14🔍 Yorum: Gelir katsayısı -0.000144. R²: 0.308. Model açıklama gücü zamanla azalıyor.
6.4 2015 Yılı Regresyonları
6.4.1 Basit Model (2015)
model_2015_simple <- lm(renewable ~ gdp, data = data_2015)
summary(model_2015_simple)##
## Call:
## lm(formula = renewable ~ gdp, data = data_2015)
##
## Residuals:
## Min 1Q Median 3Q Max
## -34.723 -20.874 -6.762 13.715 67.545
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 37.1612664 2.3428715 15.861 < 2e-16 ***
## gdp -0.0004991 0.0000898 -5.558 9.24e-08 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 25.69 on 188 degrees of freedom
## Multiple R-squared: 0.1411, Adjusted R-squared: 0.1366
## F-statistic: 30.89 on 1 and 188 DF, p-value: 9.238e-08🔍 Yorum: Gelir katsayısı -0.000499. R²: 0.141.
6.4.2 Genişletilmiş Model (2015)
model_2015_ext <- lm(renewable ~ gdp + urban + manufacturing, data = data_2015)
summary(model_2015_ext)##
## Call:
## lm(formula = renewable ~ gdp + urban + manufacturing, data = data_2015)
##
## Residuals:
## Min 1Q Median 3Q Max
## -46.309 -16.762 -3.883 12.538 72.311
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 58.5135374 5.7727287 10.136 < 2e-16 ***
## gdp -0.0001492 0.0001021 -1.462 0.145
## urban -0.5265840 0.0913220 -5.766 3.32e-08 ***
## manufacturing 0.4226829 0.2726553 1.550 0.123
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 23.72 on 186 degrees of freedom
## Multiple R-squared: 0.276, Adjusted R-squared: 0.2643
## F-statistic: 23.63 on 3 and 186 DF, p-value: 5.275e-13🔍 İlginç: Gelir katsayısı -0.000149. Kentleşme etkisi hala güçlü. Paris İklim Anlaşması’nın hemen öncesinde gelir-yenilenebilir enerji ilişkisi zayıf görünüyor. R²: 0.276.
6.5 2020 Yılı Regresyonları
6.5.1 Basit Model (2020)
model_2020_simple <- lm(renewable ~ gdp, data = data_2020)
summary(model_2020_simple)##
## Call:
## lm(formula = renewable ~ gdp, data = data_2020)
##
## Residuals:
## Min 1Q Median 3Q Max
## -35.11 -20.93 -6.19 14.71 68.81
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 3.713e+01 2.350e+00 15.801 < 2e-16 ***
## gdp -4.391e-04 9.123e-05 -4.813 3.07e-06 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 25.68 on 186 degrees of freedom
## Multiple R-squared: 0.1107, Adjusted R-squared: 0.106
## F-statistic: 23.16 on 1 and 186 DF, p-value: 3.068e-06🔍 Pandemi etkisi: Gelir katsayısı -0.000439. R²: 0.111 (en düşük). Pandemi döneminde model açıklama gücü azalmış.
6.5.2 Genişletilmiş Model (2020)
model_2020_ext <- lm(renewable ~ gdp + urban + manufacturing, data = data_2020)
summary(model_2020_ext)##
## Call:
## lm(formula = renewable ~ gdp + urban + manufacturing, data = data_2020)
##
## Residuals:
## Min 1Q Median 3Q Max
## -45.912 -17.349 -4.032 13.187 73.737
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 56.6798435 6.0678711 9.341 < 2e-16 ***
## gdp -0.0001646 0.0001038 -1.586 0.115
## urban -0.4412678 0.0934017 -4.724 4.57e-06 ***
## manufacturing 0.2881421 0.2799161 1.029 0.305
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 24.35 on 184 degrees of freedom
## Multiple R-squared: 0.2095, Adjusted R-squared: 0.1966
## F-statistic: 16.26 on 3 and 184 DF, p-value: 2.046e-09🔍 Yorum: Gelir katsayısı -0.000165. R²: 0.210.
6.6 2022 Yılı Regresyonları
6.6.1 Basit Model (2022)
model_2022_simple <- lm(renewable ~ gdp, data = data_2022)
summary(model_2022_simple)##
## Call:
## lm(formula = renewable ~ gdp, data = data_2022)
##
## Residuals:
## Min 1Q Median 3Q Max
## -36.916 -23.532 -5.625 23.426 50.714
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 40.7815274 4.1639909 9.794 1.42e-13 ***
## gdp -0.0006381 0.0001534 -4.159 0.000115 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 26.51 on 54 degrees of freedom
## Multiple R-squared: 0.2426, Adjusted R-squared: 0.2286
## F-statistic: 17.3 on 1 and 54 DF, p-value: 0.0001152🔍 Son Durum: Gelir katsayısı -0.000638 (en güçlü negatif etki). R²: 0.243.
6.6.2 Genişletilmiş Model (2022)
model_2022_ext <- lm(renewable ~ gdp + urban + manufacturing, data = data_2022)
summary(model_2022_ext)##
## Call:
## lm(formula = renewable ~ gdp + urban + manufacturing, data = data_2022)
##
## Residuals:
## Min 1Q Median 3Q Max
## -59.53 -18.98 -2.98 20.52 49.70
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 35.9574439 9.0709864 3.964 0.000226 ***
## gdp -0.0003333 0.0001706 -1.954 0.056113 .
## urban -0.2397530 0.1564679 -1.532 0.131515
## manufacturing 1.8357297 0.5756798 3.189 0.002420 **
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 24.02 on 52 degrees of freedom
## Multiple R-squared: 0.4011, Adjusted R-squared: 0.3665
## F-statistic: 11.61 on 3 and 52 DF, p-value: 6.185e-06🔍 En güncel durum: 2022’de gelir katsayısı -0.000333. Kentleşme etkisi hala negatif. R²: 0.401 (2000’den sonra en yüksek).
7 Sonuçların Karşılaştırılması
7.1 Tüm Yılların Özet Tablosu
# Katsayıları ve R² değerlerini topla
results <- data.frame(
Yıl = rep(years, each = 2),
Model = rep(c("Basit", "Genişletilmiş"), 6),
Gelir_Katsayısı = c(
coef(model_2000_simple)[2],
coef(model_2000_ext)[2],
coef(model_2005_simple)[2],
coef(model_2005_ext)[2],
coef(model_2010_simple)[2],
coef(model_2010_ext)[2],
coef(model_2015_simple)[2],
coef(model_2015_ext)[2],
coef(model_2020_simple)[2],
coef(model_2020_ext)[2],
coef(model_2022_simple)[2],
coef(model_2022_ext)[2]
),
R2 = c(
summary(model_2000_simple)$r.squared,
summary(model_2000_ext)$r.squared,
summary(model_2005_simple)$r.squared,
summary(model_2005_ext)$r.squared,
summary(model_2010_simple)$r.squared,
summary(model_2010_ext)$r.squared,
summary(model_2015_simple)$r.squared,
summary(model_2015_ext)$r.squared,
summary(model_2020_simple)$r.squared,
summary(model_2020_ext)$r.squared,
summary(model_2022_simple)$r.squared,
summary(model_2022_ext)$r.squared
)
)
results %>%
mutate(
Gelir_Katsayısı = round(Gelir_Katsayısı, 6),
R2 = round(R2, 3)
) %>%
kable(caption = "Tüm Yıllar İçin Regresyon Sonuçları") %>%
kable_styling(bootstrap_options = "striped", full_width = FALSE)| Yıl | Model | Gelir_Katsayısı | R2 |
|---|---|---|---|
| 2000 | Basit | -0.000806 | 0.182 |
| 2000 | Genişletilmiş | -0.000071 | 0.442 |
| 2005 | Basit | -0.000645 | 0.173 |
| 2005 | Genişletilmiş | -0.000106 | 0.375 |
| 2010 | Basit | -0.000580 | 0.159 |
| 2010 | Genişletilmiş | -0.000144 | 0.308 |
| 2015 | Basit | -0.000499 | 0.141 |
| 2015 | Genişletilmiş | -0.000149 | 0.276 |
| 2020 | Basit | -0.000439 | 0.111 |
| 2020 | Genişletilmiş | -0.000165 | 0.210 |
| 2022 | Basit | -0.000638 | 0.243 |
| 2022 | Genişletilmiş | -0.000333 | 0.401 |
🔍 Büyük Resim: 1. Gelir katsayısı tüm yıllarda negatif: Gelir arttıkça yenilenebilir enerji payı azalıyor 2. 2022’de ilginç bir değişim: Basit modelde gelir etkisi güçleniyor (-0.000638), ancak genişletilmiş modelde hala negatif (-0.000333) 3. Model açıklama gücü: Genişletilmiş modeller R² 0.210-0.442 arasında, basit modeller ise 0.111-0.243 arasında. Kentleşme ve sanayi eklenince açıklama gücü yaklaşık 2 kat artıyor 4. Zaman trendi: R² değerleri zamanla azalma eğiliminde (2000: 0.442 → 2020: 0.210), ancak 2022’de tekrar artıyor (0.401)
7.2 Ekonomik Yorum: Katsayıların Pratik Anlamı
# Gelir katsayısının pratik yorumu
cat("Gelir Katsayısının Pratik Yorumu:\n")## Gelir Katsayısının Pratik Yorumu:cat("2022 Genişletilmiş Model Katsayısı: -0.000333\n")## 2022 Genişletilmiş Model Katsayısı: -0.000333cat("Bu şu anlama gelir: Gelir 10,000 USD arttığında,\n")## Bu şu anlama gelir: Gelir 10,000 USD arttığında,cat("yenilenebilir enerji payı yaklaşık 3.33 yüzde puan azalır.\n\n")## yenilenebilir enerji payı yaklaşık 3.33 yüzde puan azalır.cat("R² Değerlerinin Yorumu:\n")## R² Değerlerinin Yorumu:cat("2022 Genişletilmiş Model R²: 0.401\n")## 2022 Genişletilmiş Model R²: 0.401cat("Bu, modelin yenilenebilir enerji payı varyansının %40.1'ini açıkladığı anlamına gelir.\n")## Bu, modelin yenilenebilir enerji payı varyansının %40.1'ini açıkladığı anlamına gelir.cat("Kalan %59.9 enerji politikaları, teknoloji, coğrafya gibi diğer faktörlerle açıklanır.\n")## Kalan %59.9 enerji politikaları, teknoloji, coğrafya gibi diğer faktörlerle açıklanır.🔍 Pratik Yorum: Negatif gelir katsayısı, her 10,000 USD gelir artışının yenilenebilir enerji payını yaklaşık 3.3 yüzde puan azalttığını gösteriyor. Bu beklenmedik bir bulgu, çünkü literatürde genellikle zengin ülkelerin daha fazla yenilenebilir enerji kullanacağı varsayılır. Bu durum iki şekilde açıklanabilir: 1) Fakir ülkeler “zorunlu yeşillik” (geleneksel biyokütle) nedeniyle yüksek paya sahip, 2) Zengin ülkelerin enerji talebi o kadar yüksek ki, yenilenebilir kaynaklar bu talebi karşılayamıyor.
7.3 Katsayıların Trendi
# Sadece genişletilmiş modellerin gelir katsayıları
ext_coefs <- results %>%
filter(Model == "Genişletilmiş")
ggplot(ext_coefs, aes(x = Yıl, y = Gelir_Katsayısı)) +
geom_line(color = "darkblue", linewidth = 1.2) +
geom_point(color = "darkred", size = 3) +
labs(
title = "Gelir Katsayısının Zaman İçinde Değişimi",
subtitle = "Genişletilmiş Model Sonuçları",
x = "Yıl",
y = "Gelir Katsayısı"
) +
theme_minimal(base_size = 12)
🔍 Trend: Gelirin yenilenebilir enerji payı üzerindeki negatif etkisi 2000-2020 arasında güçleniyor (-0.000071’den -0.000165’a). Bu, zengin ülkelerin yenilenebilir enerji payının düşük kalması eğiliminin zamanla daha da belirginleştiğini gösteriyor. Ancak 2022’deki kısmi iyileşme (-0.000333, grafikte 2022 eksik) bu trendin tersine dönebileceğine işaret ediyor.
8 Sonuç ve Tartışma
8.1 Ana Bulgular
Gelir-Yenilenebilir Enerji İlişkisi Beklenmedik Yönde: Gelir arttıkça yenilenebilir enerji payı azalıyor. Bu, fakir ülkelerdeki “zorunlu yeşillik” (geleneksel biyokütle kullanımı) ile açıklanabilir.
İlişki Zamanla Güçleniyor: 2000’den 2020’ye gelirin negatif etkisi artıyor (-0.000071 → -0.000165), ancak 2022’de kısmi bir iyileşme görülüyor (-0.000333).
Model Açıklama Gücü Makul: Genişletilmiş modeller varyansın %21-44’ünü açıklıyor. Kentleşme ve sanayi değişkenleri model gücünü yaklaşık 2 kat artırıyor.
2022’de İlginç Değişim: 2022’de hem basit hem genişletilmiş modellerde R² değerleri artıyor (0.243 ve 0.401). Bu, COVID sonrası dönemde yenilenebilir enerji geçişinin hızlandığını gösterebilir.
8.2 Gelir-Yenilenebilir Enerji Eğrisi Var mı?
Kısa Cevap: Bu analiz tersine bir ilişki gösteriyor: Gelir arttıkça yenilenebilir enerji payı azalıyor.
Uzun Cevap: Beklenen “U-şekilli” eğri yerine sürekli negatif bir ilişki görüyoruz. Bunun nedeni: 1. Ölçüm sorunu: Yenilenebilir enerji tanımına geleneksel biyokütle dahil 2. Enerji talebi etkisi: Zengin ülkelerin çok yüksek enerji talebi 3. Fosil yakıt altyapısı: Zengin ülkelerde fosil yakıt altyapısının yerleşik olması
Önemli not: 2022’deki kısmi iyileşme (katsayı -0.000165’tan -0.000333’a) yeşil geçişin başlayabileceğine işaret ediyor.
8.3 Politika Önerileri
Gelir Odaklı Politikalar Yetersiz: Sadece zenginleşmek yenilenebilir enerji geçişini sağlamıyor. Aksine, zengin ülkeler daha az yenilenebilir enerji kullanıyor.
“Zorunlu Yeşillik” Yerine Modern Teknoloji: Fakir ülkelerdeki yüksek yenilenebilir pay geleneksel biyokütleye dayanıyor. Modern yenilenebilir teknolojilere geçiş desteklenmeli.
Kentlerde Enerji Dönüşümü: Kentleşme yenilenebilir enerji payını düşürüyor. Kentlerde temiz enerji altyapısı geliştirilmeli.
Sanayide Yeşil Geçiş Teşvikleri: Sanayi sektörü yenilenebilir enerjiye daha açık görünüyor. Bu potansiyel değerlendirilmeli.
9 Sınırlılıklar ve Eleştiri
9.1 Veri Sorunları
Eksik Gözlemler: Bazı fakir ülkeler veri setinde yok. Bu örneklem yanlılığı yaratabilir.
Veri Kalitesi: Bazı ülkelerde ölçüm hataları olabilir, özellikle geleneksel biyokütle kullanımının ölçümü zor.
9.2 Metodoloji Sorunları
Nedensellik Sorunu: Regresyon ilişki gösterir ama neden-sonuç göstermez. Gelir mi yenilenebilir enerjiyi etkiliyor, yoksa yenilenebilir enerji mi geliri etkiliyor?
Eksik Değişkenler: Model basit. Enerji politikaları, teknoloji düzeyi, doğal kaynak zenginliği, kurumsal kalite gibi önemli değişkenler dahil değil.
Doğrusallık Varsayımı: İlişki doğrusal olmayabilir. Gelir² terimi eklenerek test edilebilir.
Kesitsel Kısıtlama: Her yılı ayrı inceliyoruz. Panel veri analiziyle ülkelerin zaman içindeki gelişimi daha iyi takip edilebilir.
Ölçüm Problemi: “Yenilenebilir enerji” tanımı geleneksel biyokütleyi içeriyor. Bu, fakir ülkelerin payını yapay olarak yükseltiyor.
9.3 Gelecek Araştırmalar
Panel Veri Analizi: Aynı ülkeleri zaman içinde takip etmek (Ekonometri II’de öğreneceğiz!)
Kuadratik Model: Gelir² terimi ekleyerek U-şekilli ilişkiyi test etmek
Modern vs Geleneksel Yenilenebilir: Geleneksel biyokütle ve modern yenilenebilir enerjiyi ayırmak
Bölgesel Analiz: Avrupa, Asya, Afrika için ayrı regresyonlar
Enerji Politikası Değişkenleri: Yenilenebilir enerji teşvikleri, karbon fiyatlandırması gibi politika değişkenlerini eklemek
9.4 Kendi Çalışmamı Eleştiriyorum
Açıkçası: Bu proje gerçek dünyayı çok basitleştiriyor. Yeşil enerji geçişi karmaşık bir süreç ve 4 değişkenle tam olarak açıklanamaz. En önemli eksiklik, “yenilenebilir enerji” tanımının geleneksel biyokütleyi içermesi. Bu, fakir ülkelerin payını şişiriyor ve yanıltıcı sonuçlara yol açıyor.
Dikkat Edilmesi Gerekenler: - Katsayılar küçük görünse de (-0.000333), pratikte önemli etkileri var - İstatistiksel anlamlılık ≠ ekonomik önem - R² değerleri (%40) kesitsel analiz için makul, ancak gerçek dünyayı tam açıklamıyor - En kritik bulgu: Zengin ülkeler daha az yenilenebilir enerji kullanıyor - bu beklenmedik ama veriyle desteklenen bir sonuç
Son Söz: Bu proje, ekonomik kalkınma ile çevresel sürdürülebilirlik arasındaki karmaşık ilişkiyi anlamak için bir başlangıç noktası. Gerçek “yeşil geçiş”, sadece gelir artışıyla değil, bilinçli politikalarla ve teknolojik yeniliklerle mümkün olacak.
10 Kaynakça
Apergis, N., & Payne, J. E. (2010). Renewable energy consumption and economic growth: Evidence from a panel of OECD countries. Energy Policy, 38(1), 656-660.
Dinda, S. (2004). Environmental Kuznets Curve Hypothesis: A Survey. Ecological Economics, 49(4), 431-455.
Omri, A., & Nguyen, D. K. (2014). On the determinants of renewable energy consumption: International evidence. Energy, 72, 554-560.
Sadorsky, P. (2014). The effect of urbanization on CO2 emissions in emerging economies. Energy Economics, 41, 147-153.
World Bank. (2024). World Development Indicators. Washington, DC: World Bank. https://datatopics.worldbank.org/world-development-indicators/