“Hava Kirliliğinin Beklenen Yaşam Süresi Üzerindeki Etkisi: Azerbaycan, Türkiye ve Polonya”

Giriş

Hava kirliliği, modern toplumlarda giderek artan bir çevresel sorun olarak karşımıza çıkmaktadır. Fosil yakıt kullanımı, sanayi faaliyetleri ve ulaştırma gibi insan kaynaklı faktörler, atmosferdeki zararlı gaz ve partikül yoğunluğunu artırarak halk sağlığını olumsuz etkileyebilir. Özellikle uzun süreli maruziyet, kronik hastalıkların artmasına ve beklenen yaşam süresinin kısalmasına yol açabilir. Bu çalışmanın amacı, Azerbaycan, Türkiye ve Polonya örnek ülkeleri üzerinden hava kirliliği ile beklenen yaşam süresi arasındaki ilişkiyi incelemektir. Araştırma, 2000–2020 yıllarını kapsayan zaman serisi verilerini kullanarak hem basit hem de çoklu regresyon modelleri ile analiz yapılmasını içermektedir. Çalışmada ayrıca, ülkeler arası karşılaştırmalar yapılacak, açıklayıcı istatistikler sunulacak ve elde edilen regresyon sonuçları detaylı bir şekilde yorumlanacaktır. Araştırmanın önemi, çevresel faktörlerin sağlık üzerindeki etkilerini anlamak ve politika yapıcılar için bilimsel bir temel sunmaktır. Hava kirliliğinin azaltılması, yalnızca çevresel değil, aynı zamanda toplumsal sağlık açısından da büyük faydalar sağlayabilir. Bu bağlamda, çalışmanın bulguları ülkeler arasında farklılıkları ortaya koyarak, gelecekteki çevre ve sağlık politikalarına ışık tutmayı amaçlamaktadır.

📚 Literatür Taraması

Hava kirliliği, modern toplumlarda giderek artan bir çevresel sorun olarak önemini korumaktadır. Fosil yakıt kullanımı, sanayi faaliyetleri ve ulaştırma gibi insan kaynaklı faktörler, havadaki zararlı gaz ve partikül yoğunluğunu artırmakta ve halk sağlığını olumsuz etkilemektedir. Özellikle uzun süreli maruziyet, kronik hastalıkların artmasına ve beklenen yaşam süresinin kısalmasına yol açabilmektedir. Uluslararası araştırmalar, hava kirliliğinin ortalama yaşam süresini küresel ölçekte birkaç yıl kadar azaltabileceğini göstermektedir. Özellikle PM2.5 ve CO2 gibi kirleticiler, solunum ve kardiyovasküler hastalıklar riskini artırmakta ve erken ölümlere neden olmaktadır. Çeşitli ülkelerde yapılan çalışmalar, hava kalitesinin iyileştirilmesinin yaşam süresini artırabileceğini ortaya koymuştur.Ayrıca literatürde, farklı ülkeler arasında hava kirliliğinin etkilerinin değişkenlik gösterdiği vurgulanmaktadır. Örneğin yüksek kirleticiye sahip ülkelerde yaşam süresi kayıpları daha belirginken, daha temiz hava koşullarına sahip ülkelerde etkiler görece daha sınırlı kalmaktadır. Bu nedenle ülkeler arası karşılaştırmalı analizler, çevresel politikaların ve sağlık önlemlerinin değerlendirilmesinde önemli bir yöntem olarak görülmektedir

Veri

Bu çalışmada kullanılan veriler, Dünya Bankası (World Bank – WDI) ve ilgili çevresel veri kaynaklarından temin edilmiştir. Analiz, 2000–2020 yılları arasındaki dönemi kapsamakta ve Azerbaycan, Türkiye ve Polonya için yıllık verileri içermektedir.

Çalışmada dört temel değişken incelenmiştir:

  • Beklenen Yaşam Süresi (Life_Expectancy) – Bir kişinin doğduğu yıl itibarıyla beklenen ortalama yaşam süresi, ülkelerin sağlık ve yaşam kalitesini ölçmek amacıyla kullanılmıştır.

  • Hava Kirliliği (CO2_pc) – Kişi başına düşen karbon emisyonu (EN.ATM.CO2E.PC), enerji tüketiminin çevresel maliyetlerini ve hava kirliliği düzeyini ölçmek için alınmıştır.

  • Ekonomik Büyüme (GDP_pc) – Kişi başına Gayri Safi Yurtiçi Hasıla (NY.GDP.PCAP.CD), ülkelerin ekonomik performansını temsil etmektedir.

  • Enerji Tüketimi (Energy_pc) – Kişi başına düşen enerji kullanımı (EG.USE.PCAP.KG.OE), ekonomik faaliyetlerin enerji talebini ve tüketim profilini yansıtmaktadır.

library(WDI)
library(dplyr)
library(tidyr)
indicators <- c(
  "Life_Expectancy" = "SP.DYN.LE00.IN",      # Beklenen yaşam süresi
  "CO2_pc" = "EN.ATM.PM25.MC.M3",            # Kişi başına CO2 emisyonu
  "GDP_pc" = "NY.GDP.PCAP.CD",               # Kişi başına GSYH
  "Energy_pc" = "EG.USE.PCAP.KG.OE"          # Kişi başına enerji tüketimi
)
data <- WDI(country = c("AZ", "TR", "PL"),
            indicator = indicators,
            start = 2000,
            end = 2020)

Yöntem

Bu çalışmada, Azerbaycan, Türkiye ve Polonya için 2000–2020 yıllarına ait PM2.5 hava kirliliği, beklenen yaşam süresi, kişi başına GSYH ve enerji tüketimi verileri kullanılacaktır. Analiz süreci, hem basit hem de çoklu regresyon modellerini kapsayacak şekilde planlanmıştır. Toplamda 6 farklı regresyon modeli oluşturularak ülkeler arası karşılaştırmalar yapılacaktır.

  • Zaman Serisi Grafikleri:
    Her bir değişken (PM2.5, yaşam süresi, GSYH ve enerji tüketimi) için yıllar bazında değişim grafikleri oluşturulacaktır. Bu grafikler, değişkenlerin zaman içindeki trendlerini ve olası ilişkilerini önceden değerlendirmek amacıyla kullanılacaktır. Ülkeler arası karşılaştırmalar görsel olarak sunulacaktır.
  • Açıklayıcı İstatistikler:
    Her ülke ve değişken için ortalama, standart sapma, minimum ve maksimum değerler hesaplanacaktır. Bu sayede veri setinin temel özellikleri ve dağılımı anlaşılacaktır. Uç değerler ve veri eksiklikleri tespit edilip gerekli temizleme adımları uygulanacaktır.
  • Basit Regresyon Modelleri:
    Her ülke için PM2.5 değişkeni ile beklenen yaşam süresi arasındaki temel ilişki incelenecektir. Bu modeller, hava kirliliğinin doğrudan etkisini değerlendirmek amacıyla kullanılacaktır.
  • Çoklu Regresyon Modelleri:
    PM2.5’ye ek olarak ekonomik büyüme (GSYH) ve enerji tüketimi değişkenleri modele dahil edilecektir. Böylece, hava kirliliğinin yaşam süresi üzerindeki etkisi diğer kontrol değişkenleri dikkate alınarak analiz edilecektir.

Analiz

Zaman Serisi Grafikleri

library(ggplot2)
ggplot(data, aes(x = year, y = Life_Expectancy, color = country)) +
  geom_line(size = 1.2) +
  geom_point() +
  labs(
    title = "Beklenen Yaşam Süresi (2000-2020)",
    x = "Yıl",
    y = "Life Expectancy (Yıl)"
  ) +
  theme_minimal()
## Warning: Using `size` aesthetic for lines was deprecated in ggplot2 3.4.0.
## ℹ Please use `linewidth` instead.
## This warning is displayed once every 8 hours.
## Call `lifecycle::last_lifecycle_warnings()` to see where this warning was
## generated.

Beklenen yaşam süresi grafikleri incelendiğinde, 2000–2019 yılları arasında üç ülkenin de yaşam süresinde sürekli bir artış trendi gözlenmektedir. Bu artış, sağlık hizmetlerindeki iyileşmeler, ekonomik büyüme ve yaşam standartlarındaki gelişmelerle ilişkilendirilebilir. Ancak 2020 yılında COVID-19 pandemisi nedeniyle tüm ülkelerde beklenen yaşam süresinde belirgin bir düşüş meydana gelmiştir. Bu düşüş, pandeminin doğrudan sağlık üzerindeki etkilerini ve ülkelerin sağlık sistemleri üzerindeki baskıyı yansıtmaktadır.

ggplot(data, aes(x = year, y = CO2_pc, color = country)) +
  geom_line(size = 1.2) +
  geom_point() +
  labs(
    title = "PM2.5 Hava Kirliliği (2000-2020)",
    x = "Yıl",
    y = "PM2.5 (µg/m³)"
  ) +
  theme_minimal()

Hava kirliliği grafiği incelendiğinde, 2000–2020 yılları arasında Azerbaycan ve Türkiye’de PM2.5 oranlarının Polonya’ya kıyasla daha yüksek olduğu görülmektedir. Özellikle 2000 yılı itibarıyla Polonya’nın PM2.5 seviyesi en yüksek olmasına rağmen, sonraki yıllarda dalgalanma göstermekte ve genel olarak azalma eğilimi sergilemektedir. Türkiye’nin PM2.5 seviyesi 2000 yılında neredeyse sabit kalırken, Azerbaycan’da aynı yıl karşılaştırıldığında belirgin bir artış görülmektedir. 2005–2010 yılları arasında Azerbaycan’daki artış özellikle dikkat çekicidir. Bu sonuçlar, hava kirliliği düzeylerinin ülkeden ülkeye farklılık gösterdiğini ve ülkelerin ekonomik faaliyetleri, sanayileşme düzeyleri ve çevre politikeleri ile yakından ilişkili olduğunu ortaya koymaktadır.

ggplot(data, aes(x = year, y = GDP_pc, color = country)) +
  geom_line(size = 1.2) +
  geom_point() +
  labs(
    title = "Kişi Başına GSYH (2000-2020)",
    x = "Yıl",
    y = "GDP per Capita (USD)"
  ) +
  theme_minimal()

Kişi başına GSYH grafikleri incelendiğinde, Polonya’nın ekonomik performansının diğer iki ülkeye kıyasla daha yüksek olduğu ve 2000–2020 yılları arasında düzenli bir artış trendi gösterdiği görülmektedir. Bu artış, Polonya’daki ekonomik büyüme ve refah seviyesinin yükseldiğini göstermektedir.Azerbaycan’ın kişi başına GSYH’si ise 2000 yılına kıyasla neredeyse hiç değişmemiştir, bu durum ülkenin ekonomik büyümesinin sınırlı kaldığını ve yaşam standartlarının yeterince iyileşmediğini ortaya koymaktadır. Türkiye’de ise 2000 yılına kıyasla belirgin bir artış gözlemlenmiştir, bu da ekonomik büyümenin yaşam standartlarına yansıdığını ve ülkede kişi başına gelirin yükseldiğini göstermektedir.

ggplot(data, aes(x = year, y = Energy_pc, color = country)) +
  geom_line(size = 1.2) +
  geom_point() +
  labs(
    title = "Kişi Başına Enerji Tüketimi (2000-2020)",
    x = "Yıl",
    y = "Energy Use (kg of oil eq per capita)"
  ) +
  theme_minimal()

Açıklayıcı İstatistikler

summary_stats <- data %>%
  group_by(country) %>%
  summarise(
    Life_Expectancy_Mean = mean(Life_Expectancy, na.rm = TRUE),
    Life_Expectancy_SD = sd(Life_Expectancy, na.rm = TRUE),
    Life_Expectancy_Min = min(Life_Expectancy, na.rm = TRUE),
    Life_Expectancy_Max = max(Life_Expectancy, na.rm = TRUE),
    
    PM25_Mean = mean(CO2_pc, na.rm = TRUE),
    PM25_SD = sd(CO2_pc, na.rm = TRUE),
    PM25_Min = min(CO2_pc, na.rm = TRUE),
    PM25_Max = max(CO2_pc, na.rm = TRUE),
    
    GDP_pc_Mean = mean(GDP_pc, na.rm = TRUE),
    GDP_pc_SD = sd(GDP_pc, na.rm = TRUE),
    GDP_pc_Min = min(GDP_pc, na.rm = TRUE),
    GDP_pc_Max = max(GDP_pc, na.rm = TRUE),
    
    Energy_pc_Mean = mean(Energy_pc, na.rm = TRUE),
    Energy_pc_SD = sd(Energy_pc, na.rm = TRUE),
    Energy_pc_Min = min(Energy_pc, na.rm = TRUE),
    Energy_pc_Max = max(Energy_pc, na.rm = TRUE)
  )


print(summary_stats)
## # A tibble: 3 × 17
##   country    Life_Expectancy_Mean Life_Expectancy_SD Life_Expectancy_Min
##   <chr>                     <dbl>              <dbl>               <dbl>
## 1 Azerbaijan                 69.8               2.44                65.4
## 2 Poland                     76.1               1.34                73.7
## 3 Turkiye                    74.9               1.78                71.9
## # ℹ 13 more variables: Life_Expectancy_Max <dbl>, PM25_Mean <dbl>,
## #   PM25_SD <dbl>, PM25_Min <dbl>, PM25_Max <dbl>, GDP_pc_Mean <dbl>,
## #   GDP_pc_SD <dbl>, GDP_pc_Min <dbl>, GDP_pc_Max <dbl>, Energy_pc_Mean <dbl>,
## #   Energy_pc_SD <dbl>, Energy_pc_Min <dbl>, Energy_pc_Max <dbl>

Çalışmada kullanılan veriler temel alınarak açıklayıcı istatistikler hesaplanmıştır. Beklenen yaşam süresi açısından Polonya, 76 yıl civarı ortalama ile en yüksek seviyeye sahip olup, yıllar içinde oldukça istikrarlı bir artış göstermektedir. Türkiye, 74,9 yıl civarı ortalama ile ikinci sıradadır ve yaşam süresinde düzenli bir artış gözlenmektedir. Azerbaycan ise 69,8 yıl civarı ortalama ile en düşük yaşam süresine sahiptir; yıllar içindeki değişim diğer iki ülkeye göre daha dalgalıdır.

PM2.5 hava kirliliği açısından, Azerbaycan ve Türkiye yüksek ortalama değerler göstermektedir. Azerbaycan’da yıllık PM2.5 ortalaması 22,5 µg/m³ civarında olup, yıllar içinde belirgin dalgalanmalar görülmektedir. Türkiye’de ortalama PM2.5 seviyesi 24,8 µg/m³ olup, zaman içinde artış eğilimi göstermektedir. Polonya ise 22,9 µg/m³ ortalama ile diğer iki ülkeye kıyasla daha düşük bir hava kirliliği seviyesine sahiptir ve dalgalanmalar nispeten daha sınırlıdır.

Kişi başına GSYH açısından Polonya en yüksek seviyeye sahiptir; yıllık ortalama yaklaşık 11.204 USD’dir ve 2000–2020 döneminde sürekli bir artış göstermektedir. Türkiye ikinci sıradadır; ortalama GSYH kişi başına 8.854 USD civarında olup, yıllar içinde artış göstermektedir. Azerbaycan ise ortalama 4.099 USD ile en düşük seviyededir ve yıllar içindeki değişim neredeyse sabit kalmıştır.

Kişi başına enerji tüketimi açısından Polonya yine en yüksek ortalamaya sahiptir (yaklaşık 2.539 kg eşdeğer enerji) ve yıllar içinde artış göstermektedir. Türkiye ortalama 1.451 kg ile ikinci sıradadır ve yıllar içinde artış eğilimi göstermektedir. Azerbaycan ise 1.483 kg ortalama ile Türkiye’ye yakın seviyededir, ancak yıllar içindeki değişim oldukça sınırlıdır.

Bu açıklayıcı istatistikler, ülkeler arasındaki yaşam süresi, hava kirliliği, ekonomik performans ve enerji tüketimi farklarını açıkça ortaya koymakta ve PM2.5’nin yaşam süresi üzerindeki etkilerini değerlendirmede temel sağlamaktadır.

Farkli Grafikler

ggplot(data, aes(x=CO2_pc, y=Life_Expectancy, color=country)) +
  geom_point(size=3) +
  geom_smooth(method="lm", se=FALSE) +
  labs(title="Yaşam Süresi ve PM2.5 Arasındaki İlişki",
       x="PM2.5 Hava Kirliliği (µg/m³)",
       y="Beklenen Yaşam Süresi (Yıl)") +
  theme_minimal()
## `geom_smooth()` using formula = 'y ~ x'

Azerbaycan ve Türkiye’de PM2.5 seviyeleri arttığında beklenen yaşam süresinin pozitif bir eğilim göstermesi, yüzeyde şaşırtıcı görünebilir. Bunun olası nedeni, bu ülkelerde yaşam süresini etkileyen diğer faktörlerin (örneğin sağlık hizmetleri kalitesi, gelir artışı, eğitim seviyesi veya altyapı gelişimi) hava kirliliği ile aynı dönemde iyileşmiş olmasıdır. Bu nedenle, basit zaman serisi gözlemleri, PM2.5 ile yaşam süresi arasında doğrudan bir nedensellik olduğunu göstermez; aslında diğer olumlu sosyal ve ekonomik gelişmeler, PM2.5 artışının olumsuz etkisini gölgede bırakmış olabilir.

Polonya’da ise durum tersine dönmüştür; PM2.5 arttıkça yaşam süresi azalmaktadır. Bu, Polonya’da hava kirliliğinin yaşam süresi üzerindeki etkisinin daha belirgin olduğunu ve ekonomik veya sosyal diğer değişkenlerin bu etkiyi dengelemediğini göstermektedir.

ggplot(data, aes(x=GDP_pc, y=Life_Expectancy, color=country)) +
  geom_point(size=3) +
  geom_smooth(method="lm", se=FALSE) +
  labs(title="Yaşam Süresi ve Kişi Başına GSYH Arasındaki İlişki",
       x="Kişi Başına GSYH (USD)",
       y="Beklenen Yaşam Süresi (Yıl)") +
  theme_minimal()
## `geom_smooth()` using formula = 'y ~ x'

Tüm üç ülkede yapılan analizlerde, kişi başına GSYH arttıkça beklenen yaşam süresinde de bir artış gözlemlenmektedir. Bu bulgu, ekonomik büyümenin sağlık hizmetleri, beslenme, eğitim ve genel yaşam standartlarını iyileştirerek yaşam süresini olumlu yönde etkilediğini göstermektedir.

ggplot(data, aes(x=Energy_pc, y=Life_Expectancy, color=country)) +
  geom_point(size=3) +
  geom_smooth(method="lm", se=FALSE) +
  labs(title="Yaşam Süresi ve Kişi Başına Enerji Tüketimi",
       x="Kişi Başına Enerji Tüketimi (kgOE)",
       y="Beklenen Yaşam Süresi (Yıl)") +
  theme_minimal()
## `geom_smooth()` using formula = 'y ~ x'

Tüm üç ülke için yapılan analizlerde, kişi başına enerji tüketimi arttıkça beklenen yaşam süresinde de pozitif bir ilişki gözlemlenmektedir. Bu durum, enerji tüketiminin ekonomik faaliyetlerin ve yaşam standartlarının bir göstergesi olmasından kaynaklanabilir. Yüksek enerji tüketimi genellikle sanayi, ulaşım ve konutlarda daha iyi altyapı ve hizmet kullanımını ifade eder; bu da sağlık, ısınma, beslenme ve genel yaşam koşullarını iyileştirerek yaşam süresinin artmasına katkı sağlar. Türkiye’de bu etki en belirgin şekilde gözlenmiş, Polonya ve Azerbaycan’da ise pozitif ilişki daha hafif olmasına rağmen yine de mevcuttur.

Basit Regresyon Modelleri

Bu çalışmada, her ülke için PM2.5 hava kirliliğinin (CO2_pc) beklenen yaşam süresi (Life_Expectancy) üzerindeki etkisi, zaman serisi regresyonları kullanılarak incelenecektir. Yatay kesit analizleri yerine, yıllar içindeki değişimleri dikkate alacak şekilde model kurulmuştur.

  • Bağımlı değişken: Beklenen yaşam süresi (Life_Expectancy)

  • Bağımsız değişken: PM2.5 hava kirliliği (CO2_pc)

Her ülke için ayrı bir model oluşturulacaktır: Azerbaycan, Türkiye ve Polonya. Bu modeller sayesinde, yıllar içindeki hava kirliliği seviyesindeki değişimlerin yaşam süresine etkisi ülke bazında değerlendirilebilecektir.

Regresyon analizi sonucunda elde edilecek katsayılar, PM2.5’deki her bir birimlik artışın beklenen yaşam süresinde ne kadar değişime yol açtığını gösterecektir. Örneğin, negatif bir katsayı hava kirliliğinin yaşam süresini kısalttığını, pozitif bir katsayı ise ters yönde bir ilişki olduğunu gösterecektir.

azer <- data %>% filter(country == "Azerbaijan")
model_azer <- lm(Life_Expectancy ~ CO2_pc, data = azer)
summary(model_azer)
## 
## Call:
## lm(formula = Life_Expectancy ~ CO2_pc, data = azer)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -3.0302 -1.3448  0.1523  0.8836  3.7064 
## 
## Coefficients:
##             Estimate Std. Error t value Pr(>|t|)    
## (Intercept)  58.0712     2.8413  20.438 2.15e-14 ***
## CO2_pc        0.5227     0.1251   4.178  0.00051 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 1.804 on 19 degrees of freedom
## Multiple R-squared:  0.4788, Adjusted R-squared:  0.4514 
## F-statistic: 17.46 on 1 and 19 DF,  p-value: 0.0005101

Azerbaycan’da yapılan regresyon sonucuna göre, sabit terim 58,07 ve PM2.5 katsayısı 0,52 olarak bulunmuştur. Katsayının pozitif olması, veri setinde PM2.5 arttıkça beklenen yaşam süresinin de arttığını göstermektedir. Bu sonuç, beklenenin tersine çıkmıştır ve model yalnızca PM2.5 ile yaşam süresi arasındaki basit ilişkiyi yansıtmaktadır. Modelin R² değeri 0,48 olup, yaşam süresindeki değişimin yaklaşık %48’i PM2.5 ile açıklanmaktadır.

turkiye <- data %>% filter(country == "Turkiye")
model_tur <- lm(Life_Expectancy ~ CO2_pc, data = turkiye)
summary(model_tur)
## 
## Call:
## lm(formula = Life_Expectancy ~ CO2_pc, data = turkiye)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -2.6556 -1.1820 -0.3072  0.9797  2.7538 
## 
## Coefficients:
##             Estimate Std. Error t value Pr(>|t|)    
## (Intercept)  57.2707     8.3495   6.859 1.52e-06 ***
## CO2_pc        0.7697     0.3638   2.116   0.0478 *  
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 1.646 on 19 degrees of freedom
## Multiple R-squared:  0.1907, Adjusted R-squared:  0.1481 
## F-statistic: 4.476 on 1 and 19 DF,  p-value: 0.04781

Türkiye için yapılan regresyon sonucuna göre, sabit terim 57,27 ve PM2.5 katsayısı 0,77 olarak bulunmuştur. Katsayının pozitif olması, PM2.5 arttıkça beklenen yaşam süresinin de arttığını göstermektedir. Modelin R² değeri 0,19 olup, yaşam süresindeki değişimin yaklaşık %19’u PM2.5 ile açıklanmaktadır. PM2.5 katsayısı istatistiksel olarak anlamlıdır (p < 0,05), ancak modelin uyum gücü sınırlıdır.

polonya <- data %>% filter(country == "Poland")
model_pol <- lm(Life_Expectancy ~ CO2_pc, data = polonya)
summary(model_pol)
## 
## Call:
## lm(formula = Life_Expectancy ~ CO2_pc, data = polonya)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -2.0099 -0.3471  0.3066  0.6486  1.1765 
## 
## Coefficients:
##             Estimate Std. Error t value Pr(>|t|)    
## (Intercept)  83.9573     1.7710  47.407  < 2e-16 ***
## CO2_pc       -0.3179     0.0710  -4.477 0.000258 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 0.9597 on 19 degrees of freedom
## Multiple R-squared:  0.5134, Adjusted R-squared:  0.4878 
## F-statistic: 20.04 on 1 and 19 DF,  p-value: 0.0002583

Polonya için yapılan regresyon sonucuna göre, sabit terim 83,96 ve PM2.5 katsayısı -0,32 olarak bulunmuştur. Katsayının negatif olması, PM2.5 arttıkça beklenen yaşam süresinin azaldığını göstermektedir. Modelin R² değeri 0,51 olup, yaşam süresindeki değişimin yaklaşık %51’i PM2.5 ile açıklanmaktadır. PM2.5 katsayısı istatistiksel olarak yüksek anlamlılığa sahiptir (p < 0,001), bu da hava kirliliğinin Polonya’da yaşam süresi üzerinde güçlü bir olumsuz etkisi olduğunu göstermektedir.

Çoklu Regresyon Modelleri

Bu çalışmada, her ülke için beklenen yaşam süresi (Life_Expectancy) üzerinde PM2.5 (CO2_pc), kişi başına GSYH (GDP_pc) ve kişi başına enerji tüketimi (Energy_pc) değişkenlerinin etkisi çoklu zaman serisi regresyonları kullanılarak incelenecektir.

  • Bağımlı değişken (Y): Beklenen yaşam süresi (Life_Expectancy)

  • Bağımsız değişkenler (X):

    • Kişi başına GSYH (GDP_pc)

    • Kişi başına enerji tüketimi (Energy_pc)

    • PM2.5 hava kirliliği (CO2_pc)

      ,birden fazla değişkenin yaşam süresi üzerindeki etkisini aynı anda incelemeyi sağlar ve basit regresyonlara göre daha doğru ve kontrol edilmiş ilişki sunar.

azer <- data %>% filter(country == "Azerbaijan")
model_azer_multi <- lm(Life_Expectancy ~ CO2_pc + GDP_pc + Energy_pc, data = azer)
summary(model_azer_multi)
## 
## Call:
## lm(formula = Life_Expectancy ~ CO2_pc + GDP_pc + Energy_pc, data = azer)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -1.8285 -0.9708 -0.4537  0.5933  2.7851 
## 
## Coefficients:
##              Estimate Std. Error t value Pr(>|t|)    
## (Intercept) 5.393e+01  9.268e+00   5.820 2.05e-05 ***
## CO2_pc      1.640e-01  2.419e-01   0.678    0.507    
## GDP_pc      5.547e-04  3.148e-04   1.762    0.096 .  
## Energy_pc   6.700e-03  4.940e-03   1.356    0.193    
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 1.636 on 17 degrees of freedom
## Multiple R-squared:  0.6165, Adjusted R-squared:  0.5489 
## F-statistic: 9.111 on 3 and 17 DF,  p-value: 0.0008052

Azerbaycan için yapılan çoklu zaman serisi regresyonunda, beklenen yaşam süresi bağımlı değişken olarak, PM2.5 (CO2_pc), kişi başına GSYH (GDP_pc) ve kişi başına enerji tüketimi (Energy_pc) bağımsız değişkenler olarak kullanılmıştır. Katsayılar incelendiğinde, PM2.5 0,16 ile pozitif çıkmış ancak istatistiksel olarak anlamlı değildir (p = 0,507). Kişi başına GSYH katsayısı 0,00055 olup sınırda anlamlıdır (p = 0,096) ve yaşam süresi üzerinde hafif pozitif etkisi olduğunu göstermektedir. Energy_pc katsayısı 0,0067 ile pozitif olmasına rağmen anlamlı bulunmamıştır (p = 0,193).

Modelin R² değeri 0,62 ve ayarlanmış R² değeri 0,55’tir; bu, bağımsız değişkenlerin yaşam süresindeki değişimin yaklaşık %55–62’sini açıkladığını göstermektedir. Genel olarak, çoklu regresyon modeli, PM2.5’nin etkisini tek başına görmektense ekonomik ve enerji değişkenleri ile birlikte değerlendirildiğinde daha doğru bir tablo sunmaktadır.

turkiye <- data %>% filter(country == "Turkiye")
model_tur_multi <- lm(Life_Expectancy ~ CO2_pc + GDP_pc + Energy_pc, data = turkiye)
summary(model_tur_multi)
## 
## Call:
## lm(formula = Life_Expectancy ~ CO2_pc + GDP_pc + Energy_pc, data = turkiye)
## 
## Residuals:
##      Min       1Q   Median       3Q      Max 
## -0.88740 -0.28029  0.07459  0.35815  0.73031 
## 
## Coefficients:
##              Estimate Std. Error t value Pr(>|t|)    
## (Intercept) 6.255e+01  3.130e+00  19.984 3.03e-13 ***
## CO2_pc      1.126e-01  1.394e-01   0.808    0.430    
## GDP_pc      4.366e-05  6.765e-05   0.645    0.527    
## Energy_pc   6.476e-03  7.017e-04   9.230 4.95e-08 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 0.4923 on 17 degrees of freedom
## Multiple R-squared:  0.9352, Adjusted R-squared:  0.9238 
## F-statistic: 81.83 on 3 and 17 DF,  p-value: 2.623e-10

Türkiye için yapılan çoklu zaman serisi regresyonunda, beklenen yaşam süresi bağımlı değişken olarak, PM2.5 (CO2_pc), kişi başına GSYH (GDP_pc) ve kişi başına enerji tüketimi (Energy_pc) bağımsız değişkenler olarak kullanılmıştır. Katsayılara bakıldığında, PM2.5 0,11 ile pozitif ancak anlamlı değildir (p = 0,430), GDP_pc ise 0,000043 ile çok düşük ve anlamlı değildir (p = 0,527). Energy_pc katsayısı 0,0065 ile pozitif ve istatistiksel olarak oldukça anlamlıdır (p < 0,001), bu da enerji tüketimindeki artışın yaşam süresini olumlu etkilediğini göstermektedir.

Modelin R² değeri 0,935 ve ayarlanmış R² 0,924’tür; bu, bağımsız değişkenlerin yaşam süresindeki değişimin yaklaşık %92–93’ünü açıkladığını göstermektedir. Genel olarak, Türkiye’de çoklu regresyon modeli, enerji tüketimi değişkeninin yaşam süresi üzerinde güçlü bir etkisi olduğunu ortaya koyarken, PM2.5 ve GDP_pc değişkenlerinin etkisi anlamlı bulunmamıştır.

polonya <- data %>% filter(country == "Poland")
model_pol_multi <- lm(Life_Expectancy ~ CO2_pc + GDP_pc + Energy_pc, data = polonya)
summary(model_pol_multi)
## 
## Call:
## lm(formula = Life_Expectancy ~ CO2_pc + GDP_pc + Energy_pc, data = polonya)
## 
## Residuals:
##      Min       1Q   Median       3Q      Max 
## -1.72368 -0.14931  0.09433  0.18523  1.01838 
## 
## Coefficients:
##               Estimate Std. Error t value Pr(>|t|)    
## (Intercept)  7.597e+01  4.938e+00  15.384 2.07e-11 ***
## CO2_pc      -1.244e-01  6.227e-02  -1.997  0.06205 .  
## GDP_pc       2.331e-04  7.968e-05   2.926  0.00943 ** 
## Energy_pc    2.298e-04  1.969e-03   0.117  0.90847    
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 0.6458 on 17 degrees of freedom
## Multiple R-squared:  0.8029, Adjusted R-squared:  0.7681 
## F-statistic: 23.08 on 3 and 17 DF,  p-value: 3.156e-06

Polonya için yapılan çoklu zaman serisi regresyonunda, beklenen yaşam süresi bağımlı değişken olarak ve PM2.5 (CO2_pc), kişi başına GSYH (GDP_pc) ile kişi başına enerji tüketimi (Energy_pc) bağımsız değişkenler olarak kullanılmıştır. Katsayılara bakıldığında, PM2.5 -0,124 ile negatif çıkmış ve sınırda anlamlıdır (p = 0,062), bu da hava kirliliğinin yaşam süresini olumsuz etkileyebileceğini göstermektedir. GDP_pc katsayısı 0,000233 ile pozitif ve anlamlıdır (p = 0,009), yani kişi başına gelirdeki artış yaşam süresini artırmaktadır. Energy_pc katsayısı 0,00023 ile pozitif olmasına rağmen anlamlı değildir (p = 0,908).

Modelin R² değeri 0,803 ve ayarlanmış R² değeri 0,768’dir; bu, bağımsız değişkenlerin yaşam süresindeki değişimin yaklaşık %77–80’ini açıkladığını göstermektedir. Genel olarak, Polonya’da hem PM2.5’nin olumsuz etkisi hem de GDP’nin olumlu etkisi öne çıkmaktadır, enerji tüketiminin etkisi ise ihmal edilebilir düzeydedir.

Araştırmanın Eksikleri ve Kısıtları

Öncelikle, regresyon modelleri sadece seçilen üç değişkeni dikkate almıştır. Yaşam süresini etkileyebilecek diğer faktörler (sağlık hizmetleri kalitesi, beslenme alışkanlıkları, eğitim düzeyi, politik ve sosyal faktörler) modele dahil edilmemiştir. Bu durum, katsayıların gerçek etkilerini abartabilir veya yanıltıcı sonuçlara yol açabilir.

İkinci olarak, PM2.5 değişkeni beklenen yaşam süresini tek başına açıklamada yeterli değildir; basit regresyonlarda katsayılar bazen beklenenin ters yönünde çıkmıştır. Bu, veri dalgalanmaları, kısa dönemli olaylar (örneğin COVID-19 pandemisi) veya diğer kontrol değişkenlerinin eksikliğinden kaynaklanabilir. Çoklu regresyonlarda model uyumu artmış olsa da, PM2.5 etkisi hâlâ tüm ülkelerde net bir şekilde anlamlı bulunmamıştır.

Son olarak, kullanılan veri seti yıllık verilere dayanmaktadır ve yalnızca 2000–2020 dönemini kapsar. Daha uzun dönemler veya daha sık aralıklarla alınan veriler, zaman serisi modellerinin doğruluğunu artırabilir. Ayrıca veri kalitesi ve eksik gözlemler, analiz sonuçlarını sınırlayabilir.

Sonuç

Bu çalışmada Azerbaycan, Türkiye ve Polonya için 2000–2020 döneminde PM2.5 hava kirliliği, kişi başına GSYH ve enerji tüketiminin beklenen yaşam süresi üzerindeki etkileri zaman serisi regresyon yöntemleri kullanılarak incelenmiştir.

Basit regresyon analizlerinde Azerbaycan ve Türkiye’de PM2.5 katsayıları pozitif, Polonya’da ise negatif bulunmuştur. Ancak yalnızca PM2.5 değişkeni ile yapılan analizler, beklenen yaşam süresi üzerindeki etkileri tam olarak açıklayamamış ve bazı durumlarda beklenenin ters yönünde sonuçlar vermiştir.

Çoklu regresyon analizlerinde, ekonomik ve enerji değişkenlerinin modele dahil edilmesi, modelin uyumunu artırmış ve yaşam süresindeki değişimin büyük bir kısmını açıklamaya olanak sağlamıştır. Türkiye’de enerji tüketimi katsayısı anlamlı bulunmuş ve yaşam süresini artırıcı etkisi olduğu gözlemlenmiştir. Polonya’da kişi başına gelir katsayısı pozitif ve anlamlı bulunurken, PM2.5’nin etkisi sınırda anlamlıdır. Azerbaycan’da ise tüm katsayılar istatistiksel olarak anlamlı çıkmamış ve PM2.5’nin etkisi belirgin değildir.

Sonuç olarak, hava kirliliği, ekonomik büyüme ve enerji tüketimi yaşam süresini etkileyen önemli faktörlerdir. Ancak analizler, yalnızca bu üç değişken üzerinden yapılmış olduğundan ve diğer sosyal, sağlık ve çevresel faktörler modele dahil edilmediğinden, bulguların genelleme yapılacak şekilde yorumlanması sınırlıdır. Bulgular, politika yapıcılar için hava kirliliğinin azaltılması ve sürdürülebilir ekonomik/enerji politikalarının yaşam süresini olumlu etkileyebileceğine dair bir fikir vermektedir.

Kaynakça

  • World Health Organization. (2023). Air pollution and health. WHO. Hava kirliliğinin insan sağlığı üzerindeki etkilerini ve yaşam süresi kayıplarını inceleyen kapsamlı bir rapordur.

  • State of Global Air. (2022). Air Quality Life Index. Küresel hava kirliliği seviyeleri ve yaşam süresi üzerindeki etkilerini karşılaştırmalı olarak sunmaktadır.

  • Lelieveld, J., et al. (2019). The contribution of outdoor air pollution to premature mortality on a global scale. Nature. Hava kirliliğinin özellikle PM2.5 partiküllerinin erken ölümlere ve yaşam süresi kayıplarına olan etkilerini ele almaktadır.