ΝATO’NUN KURUCU ÜLKELERİNDE EKONOMİK, ÇEVRESEL VE SOSYAL FAKTÖRLERİN DOĞUMDA BEKLENEN YAŞAM SÜRESİNE ETKİSİ: RASSAL ORMAN REGRESYONU

Öz

Bu çalışma NATO’nun kurucu ülkelerinde ekonomik sosyal ve çevresel faktörlerin doğumda beklenen yaşam süresi üzerindeki etkisini incelemektedir. Çalışma sırasında doğumda beklenen yaşam süresi bağımlı değişken olarak belirlenmiş kişi başına düşen gayri safi yurtiçi hasıla (GSYİH),cari sağlık harcamaları kentsel nüfus oranı ,PM2.5 hava kirliliği ve kişi başına düşen CO2 emisyonları ise bağımsız değişkenler olarak kullanılmıştır. 2009-2020 dönemine ait veriler kullanılarak yapılan analizlerde rassal orman regresyonu yöntemi kullanılmıştır. Model,%74 doğruluk oranı ile başarılı sonuçlar vermiştir. Analiz sonuçlarına göre, cari sağlık harcamaları, doğumda beklenen yaşam süresini en güçlü şekilde etkiyen faktör olarak öne çıkmıştır. Bu değişkeni sırasıyla kentsel nüfus oranı,PM2.5 hava kirliliği, kişi başına düşen GSYİH ve kişi başına düşen CO2 emisyonları takip etmiştir. Sonuçlara göre, yüksek sağlık harcamaları daha iyi sağlık hizmetlerine ve dolayısıyla daha uzun bir yaşam süresine yol açabilmektedir. Kentsel nüfus yoğunluğu, sağlık hizmetlerine daha kolay erişimi ve yaşam kalitesini artırabilmektedir. Öte yandan, çevresel faktörler de önemli bir rol oynamaktadır. PM2.5 hava kirliliği, sağlık sorunlarına yol açarak beklenen yaşam süresini kısaltan bir faktör olarak öne çıkmaktadır. CO2 emisyonları ise doğrudan bir etkisi olmasa da, iklim değişikliği yoluyla sağlık üzerinde uzun vadeli olumsuz etkiler yaratabilir. Kişi başına düşen GSYİH gibi ekonomik faktörler, sağlık harcamaları ve yaşam standartlarının iyileşmesine katkı sağlasa da, doğrudan etkisi sınırlıdır.

Anahtar Kelimeler

• Doğumda beklenen yaşam süresi
• Cari sağlık harcamaları
• PM2.5 hava kirliliği
• CO2 emisyonları
• Rassal orman regresyonu

Destekleyen Kurum

İstanbul Gelişim Üniversitesi

Proje Numarası

SLO-2025-225

THE EFFECTS OF ECONOMIC, ENVIRONMENTAL AND SOCIAL FACTORS ON LIFE EXPECTANCY AT BIRTH IN NATO FOUNDING COUNTRIES: A RANDOM FOREST REGRESSION APPROACH

Öz

This study examines the effects of economic, social, and environmental factors on life expectancy at birth in NATO founding countries. Life expectancy at birth is defined as the dependent variable, while independent variables include per capita gross domestic product (GDP), current health expenditures, urban population rate, PM2.5 air pollution, and per capita CO2 emissions. The analysis was conducted using data from the 2009-2020 period, employing the random forest regression method. The model demonstrated successful results with an accuracy rate of 74%. According to the analysis, current health expenditures emerged as the most influential factor affecting life expectancy at birth. This was followed by urban population rate, PM2.5 air pollution, per capita CO2 emissions, and per capita GDP. The results indicate that higher health expenditures can lead to better healthcare services and, consequently, longer life expectancy. Urban population density contributes to easier access to healthcare services and improved quality of life. On the other hand, environmental factors also play a critical role. PM2.5 air pollution stands out as a factor that shortens life expectancy by causing health problems, while CO2 emissions, though not directly impactful, may have long-term adverse effects on health through climate change. Economic factors such as per capita GDP contribute to improved health expenditures and living standards, although their direct impact is limited.

Anahtar Kelimeler

• Life expectancy at birth
• Current health expenditures
• PM2.5 air pollution
• CO2 emissions
• Random forest regression.

Proje Numarası

SLO-2025-225

Kaynakça

1. Akbal, F. (2021). Türkiye’de cari sağlık harcaması, ekonomik büyüme ve doğumda beklenen yaşam süresinin ARDL sınır testi ile analizi. Medeniyet Araştırmaları Dergisi, 6(1), 179-203. https://doi.org/10.52539/mad.880739.
2. Aydın, B. (2020). The impact of economic indicators on life expectancy: A panel data analysis. İstanbul İktisat Dergisi - Istanbul Journal of Economics, 70(1), 163-181. https://doi.org/10.26560/istjecon.761472.
3. Bergstra, J., & Bengio, Y. (2012). Random search for hyper-parameter optimization. Journal of Machine Learning Research, 13, 281–305
4. Breiman, L. (2001). Random Forests. Machine Learning, 45(1), 5-32.
5. Börüban, C., & Özgür Güler, E. (2022). Sağlık sistemi belirleyicileri ve göstergeleri üzerine bir yol analizi çalışması. Dokuz Eylül Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 24(4), 1602-1629. https://doi.org/10.16953/deusosbil.1181556.
6. Çakır, N. Z. (2023). E-7 ülkelerinde doğumda beklenen yaşam süresi ile karbondioksit emisyonu arasındaki ilişkinin panel nedensellik analizi. 19 Mayıs Sosyal Bilimler Dergisi, 4(3), 102-111. https://doi.org/10.52835/19maysbd.1336133.
7. Demirezen, S. (2021). ARIMA ve rassal orman yöntemi ile altın fiyatlarının öngörülmesi ve tahmin performanslarının karşılaştırılması. Social Sciences Research Journal, 10(3), 747-758.
8. Demirezen, S., & Çetin, M. (2021). Rassal orman regresyonu ve destek vektör regresyonu ile piyasa takas fiyatının tahmini. Nicel Bilimler Dergisi 3(1), 1-15.

9. Doğan, S., Büyükkör, Y., & Özdemir Güler, Z. (2022). Destek vektör ve rassal orman regresyonu ile borsa endeks değerlerinin tahmini. İçinde Ö. İpek (Ed.), İktisat ve finansta makine öğrenmesi (s. 41–59). Ankara: Gazi Kitabevi.
10. Dondurmacı, G. A., & Çınar, A. (2014). Finans sektöründe veri madenciliği uygulaması. Akademik Sosyal Araştırmalar Dergisi, 258-271.
11. Goklany, I. M. (2012). Is climate change the number one threat to humanity? Wiley Interdisciplinary Reviews: Climate Change, 489-508.
12. Gökçek, Ö. B., Şaşa, N., Dokuz, Y., & Bozdağ, A. (2022). PM10 parametresinin makine öğrenmesi algoritmalari ile mekânsal analizi, Kayseri İli Örneği . Dokuz Eylül Üniversitesi Mühendislik Fakültesi Fen ve Mühendislik Dergisi, 65-80.
13. Hastie, T., Tibshirani, R., & Friedman, J. (2009). The elements of statistical learning. Springer.
14. Jaba, E., Balan, C. B., & Robu, I.-B. (2014). The relationship between life expectancy at birth and health expenditures estimated by a cross-country and time-series analysis. Procedia Economics and Finance, 108-114.
15. Karasu, S., Altan, A., Saraç, Z., & Hacıoğlu, R. (2018). Prediction of bitcoin prices with machine learning methods using time series data. In 2018 26th Signal Processing and Communications Applications Conference (SIU) (pp. 1–4). IEEE. https://doi.org/10.1109/SIU.2018.8404760
16. Khaidem, L., Saha, S., & Roy Dey, S. (2016). Predicting the direction of stock market prices using random forest. arXiv preprint arXiv:1605.00003.
17. Koç Ustalı, N., Tosun, N., & Tosun, Ö. (2021). Makine öğrenmesi teknikleri ile hisse senedi fiyat tahmini. Eskişehir Osmangazi Üniversitesi İİBF Dergisi, 1-16.
18. Kohavi, R. (1995). A study of cross-validation and bootstrap for accuracy estimation and model selection. In C. S. Mellish (Ed.), Proceedings of the 14th International Joint Conference on Artificial Intelligence (IJCAI) (Vol. 2, pp. 1137–1145). San Francisco, CA: Morgan Kaufmann Publishers.
19. Liaw, A., & Wiener, M. (2002). Classification and regression by randomForest. R News, 2(3), 18-22.
20. Linden, M., & Ray, D. (2017). Life expectancy effects of public and private health expenditures in OECD countries 1970–2012: Panel time series approach. Economic Analysis and Policy, 1-25.
21. Newhouse, J. P. (1992). Medical care costs: How much welfare loss? Journal of Economic Perspectives, 6(3), 3-21. https://doi.org/10.1257/jep.6.3.3
22. Özkan, B., Parim, C., & Çene, E. (2023). Ülkelerin gelişmişlik düzeylerinin karar ağacı ve rastgele orman yöntemleriyle tahmin edilmesi. EKOIST Journal of Econometrics and Statistics, 87-104. https://doi.org/10.26650/ekoist.2023.38.1172190.
23. Panahi, H., & Aleemran, S. A. (2016). The Effect of inflation, health expenditure and urbanization on life expectancy in the Middle East and North Africa Countries (MENA). Payesh, 15(4), 346-351.
24. Pope, C. A., & Dockery, D. W. (2006). Health effects of fine particulate air pollution: Lines that connect. Journal of the Air & Waste Management Association, 56(6), 709-742. https://www.tandfonline.com/doi/pdf/10.1080/10473289.2006.10464485
25. Rjoub, H., Odugbesan, J. A., Adebayo, T. S., & Wong, W.-K. (2021). Investigating the causal relationships among carbon emissions, economic growth, and life expectancy in Turkey: Evidence from time and frequency domain causality techniques. Sustainability, 2924. https://doi.org/10.3390/su13052924.
26. Scornet, E. (2018). Tuning parameters in random forests. ESAIM: Proceedings and Surveys, 144-162.
27. Tıraş, H. H., & Özbek, S. (2020). OECD ülkelerinde doğumda yaşam beklentisinin belirleyicilerinin ekonometrik analizi. BMIJ, 8(3), 2893–2923. http://dx.doi.org/10.15295/bmij.v8i3.1542
28. Tüylüoğlu, Ş., & Tekin, M. (2009). Gelir düzeyi ve sağlık harcamalarının beklenen yaşam süresi ve bebek ölüm oranı üzerindeki etkileri. Çukurova Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 13(1), 1-31.