Türkiye’de işsizliğin mekânsal heterojenliği: OLS, WLS ve GWR’den elde edilen kanıtlar

Öz

Çok boyutlu bir olgu olan işsizlik, özellikle yapısal eşitsizliklerin olduğu bölgelerde, hem politika yapıcılar hem de araştırmacılar için süregelen bir sorun olmaya devam etmektedir. Bu çalışmada, Türkiye’deki il işsizlik oranlarının belirleyicileri, mekânsal heterojenliğe vurgu yapılarak incelenmiştir. Analizde, Sıradan En Küçük Kareler, Ağırlıklı En Küçük Kareler ve Coğrafi Ağırlıklı Regresyon yöntemleri ile 81 ilin 2024 yılına ait verileri kullanılarak analizler gerçekleştirilmiştir. Sıradan En Küçük Kareler ve Ağırlıklı En Küçük Kareler modelleri, heteroskedastisite ve mekânsal otokorelasyon nedeniyle sınırlılıklar ortaya koyarken, Coğrafi Ağırlıklı Regresyon yaklaşımı, parametre tahminine mekânsal varyasyonu dahil ederek bu sorunları başarıyla ele almaktadır. Bulgular, istihdamın tüm illerde işsizliği azaltıcı yönde etki ettiğini ve bu etkinin illerin büyük çoğunluğunda anlamlı olduğunu, kullanılmış tarım arazilerinin ise özellikle Van Gölü çevresindeki güneydoğu sınır illerinde ve Orta Anadolu’nun kuzeyinde işsizliği önemli ölçüde azalttığını göstermektedir. Göç, Batı Karadeniz ve İç Anadolu’da işsizliği artırırken doğuda azaltarak heterojen etkiler sergilemekte ve ihracat, bazı illerde pozitif, diğerlerinde ise negatif ilişkilerle bölgesel olarak farklı etkiler ortaya koymaktadır. Model karşılaştırmaları, işsizlikteki varyasyonun yaklaşık %80’ini açıklayan ve en iyi genel model uyumunu sağlayan Coğrafi Ağırlıklı Regresyonun üstünlüğünü doğrulamaktadır. Sonuçlar, Türkiye’de güvenilir tahminler üretmek ve etkili, bölgeye özgü işgücü piyasası politikaları tasarlamak için mekânsal duyarlı yaklaşımların gerekli olduğunu vurgulamaktadır.

Anahtar Kelimeler

• işsizlik
• bölgesel eşitsizlikler
• coğrafi ağırlıklı regresyon
• ekonomik gelişme.

Spatial heterogeneity of unemployment in Türkiye: Evidence from OLS, WLS and GWR

Öz

Unemployment, as a multidimensional phenomenon, remains a persistent challenge for both policymakers and researchers, particularly in regions characterized by structural disparities. This study investigates the determinants of provincial unemployment rates in Türkiye with an emphasis on spatial heterogeneity. Using data from 81 provinces for 2024, the analysis employs Ordinary Least Squares, Weighted Least Squares, and Geographically Weighted Regression methods. While Ordinary Least Squares and Weighted Least Squares models reveal limitations due to heteroskedasticity and spatial autocorrelation, the Geographically Weighted Regression approach successfully addresses these issues by incorporating spatial variation into parameter estimation. The findings demonstrate that employment exerts an unemployment-reducing effect in all provinces, statistically significant in most of them, whereas utilized agricultural land significantly decreases unemployment particularly in the south-eastern border provinces around Lake Van and in north-central Anatolia. Migration exhibits heterogeneous impacts, increasing unemployment in the Western Black Sea and Central Anatolia while reducing it in the east, and exports reveal regionally divergent effects, with positive associations in some provinces and negative in others. Model comparisons confirm the superiority of Geographically Weighted Regression, which explains nearly 80% of the variation in unemployment and provides the best overall model fit. The results highlight that spatially sensitive approaches are essential for producing reliable estimates and for designing effective, region-specific labor market policies in Türkiye.

Anahtar Kelimeler

• unemployment
• regional disparities
• geographically weighted regression
• economic development.

Kaynakça

1. Adianita, H., Susilowati, D. and Karisma, D. A. P. (2024). Factors affecting unemployment rates in Indonesia. IQTISHADUNA: Jurnal Ilmiah Ekonomi Kita, 13(2), 282-297. Doi:https://doi.org/10.46367/iqtishaduna.v13i2.2107
2. Amil, S. I., Thamrin, S. A. and Siswanto. (2023). Spatial modeling in data panels with least square dummy variable to identify factors affecting unemployment in Indonesia. BAREKENG: J. Math. & App., 17(3), 1381-1392. Doi: https://doi.org/10.30598/barekengvol17iss3pp1381-1392
3. Anselin, L. (1988). Spatial econometrics: Methods and models. Kluwer Academic. Doi: https://doi.org/10.1007/978-94-015-7799-1
4. Aral, N. and Aytaç, M. (2018). Türkiye’de işsizliğin mekânsal analizi. Marmara Üniversitesi Öneri Dergisi, 13(49), 1-20. Doi: https://doi.org/10.14783/maruoneri.vi.364680
5. Arismaya, A. D. (2023). Econometric: Factors affecting unemployment in Sumatera province. Among Makarti, 16(2), 136-146.
6. Bhujbal, D. D. and Shafighi, N. (2021). Factors affecting high unemployment in India. MPRA Paper No. 110621, 1-16.
7. Casmanto, Priyarsono, D. S. and Rindayati, W. (2022). Determinants of regional unemployment rates in West Java: Geographically weighted panel regression (GWPR) model. International Journal of Scientific Research in Science, Engineering and Technology, 9(1), 226-234. Doi: https://doi.org/10.32628/IJSRSET229153
8. Daniyal, M. and Iftikhar, H. A. (2023). Factors affecting unemployment rate in Canada and Denmark. Pakistan Journal of Humanities and Social Sciences, 11(02), 1537–1550. Doi: https://doi.org/10.52131/pjhss.2023.1102.0460

9. Demir, Y. (2021). Balkan ülkelerine ait işsizliğin mekânsal panel ekonometri yaklaşımı ile analizi. Balkan Sosyal Bilimler Dergisi, 10(19), 26–35.
10. Demirci, B. and Yerdelen Tatoğlu, F. (2024). Türkiye’de bölgesel işsizliğin belirleyicilerinin mekânsal panel veri modelleriyle analizi. İstatistik Araştırma Dergisi, 14(2), 1-13.
11. Eser, R. (2021). Türkiye’de genel ve bölgesel işsizlik oranına etki eden faktörlerin gri ilişki analizi yoluyla belirlenmesi. Yönetim ve Ekonomi Araştırmaları Dergisi / Journal of Management and Economics Research, 19(1), 304-322. Doi: http://dx.doi.org/10.11611/yead.877257
12. Fotheringham, A. S., Brunsdon, C. and Charlton, M. (2002). Geographically weighted regression: The analysis of spatially varying relationships. Chichester: Wiley.
13. Görür, Ç. (2026). Türkiye’de iç göçün mekânsal belirleyicileri: Coğrafi ağırlıklı regresyon yaklaşımıyla ampirik bir değerlendirme. Ekoist: Journal of Econometrics and Statistics, 44, 18-36. Doi: https://doi.org/10.26650/ekoist.2026.44.1677155
14. Görür, Ç. and Yüzbaşı, B. (2024). Study of the factors influencing cultural similarity in the post-migration adaptation process in the province of Van using the GWR method. Cografya Dergisi, 48, 137-154. Doi: https://doi.org/10.26650/JGEOG2024-1353398
15. Greene, W. (2018). Econometric analysis (8th ed.). Pearson Education Limited, London.
16. Lewandowska-Gwarda, K. (2018). Geographically weighted regression in the analysis of unemployment in Poland. ISPRS International Journal of Geo-Information, 7(1), 17. Doi: https://doi.org/10.3390/ijgi7010017
17. Putra, R., Tyas, S. W. and Fadhlurrahman, M. G. (2022). Geographically weighted regression with the best kernel function on open unemployment rate data in East Java province. ENTHUSIASTIC International Journal of Statistics and Data Science, 2(1), 26-36.
18. Sartika, E. and Suryani, A. (2020). Comparison of geographically weighted regression analysis and global regression on modeling the unemployment rate in West Java. Advances in Engineering Research, 198, 472-478.
19. TurkStat. (2025). Regional statistics database: Provincial data for 2024 [Data set]. Retrieved June 21, 2025, from https://www.tuik.gov.tr/
20. Uslu, G. and Tatlı, H. (2024). Factors affecting regional youth unemployment: Micro-evidence on individuals. International Journal of Management Economics and Business, 20(1), 16-42. Doi: http://dx.doi.org/10.17130/ijmeb.1374411
21. Vizie, T. and Kamarudin, A. N. (2024). Factors affecting unemployment rate and the forecasting trend. Proc. Sci. Math., 22, 174-184.
22. Wicaksono, D. S., Nuriyah, S., Fajritia, R., Yuniarti, N. P. N., Priatmadani, Amelia L. and Berliana, S. M. (2024). Modeling factors affecting educated unemployment on Java Island using geographically weighted Poisson regression model. BAREKENG: J. Math. & App., 18(1), 0615-0626. Doi: https://doi.org/10.30598/barekengvol18iss1pp0615-0626
23. Wooldridge, J. M. (2013). Introductory econometrics: A modern approach (5th ed.). Boston, MA: South-Western Cengage Learning.
24. Yüzbaşı, B. and Görür, Ç. (2021). Examining spatial variability in the association between some factors and number of prisoners in Turkey: A GWR analysis. Mugla Journal of Science and Technology, 7(1), 141-148.
25. Yüzbaşı, B. and Görür, Ç. (2026). Analysis of Van province’s migration from Iran by geographically weighted regression method. Uluslararası İlişkiler Dergisi, 23(89), 27-49. Doi: https://doi.org/10.33458/uidergisi.1853672
26. Zaini, N. E., Zakaria, S., Sulaiman, N. F. C., Rahman, N. A. and Alwi, W. S. W. (2025). The spatial analysis for poverty in Malaysia using the GWR and the PSDM GWR model. Semarak International Journal of Entrepreneurship, Economics and Business Development, 3(1), 12-28. Doi: https://doi.org/10.37934/sijeebd.3.1.1228a
27. Zhu, C., Zhang, X., Zhou, M., He, S., Gan, M., Yang, L. and Wang, K. (2020). Impacts of urbanization and landscape pattern on habitat quality using OLS and GWR models in Hangzhou, China. Ecological Indicators, 117, 1-11. Doi: https://doi.org/10.1016/j.ecolind.2020.106654