İklim Değişikliği ve Demografik Dinamiklerin Kentsel Su Tüketimi Üzerindeki Etkisinin Değerlendirilmesi: İstanbul Örneği

Öz

Bu çalışmada, 2005–2023 dönemine ait veriler kullanılarak İstanbul’da yıllık toplam su tüketimi ile iklimsel değişkenler ve demografik hareketlilik arasındaki nedensellik ilişkileri Toda-Yamamoto yaklaşımı çerçevesinde incelenmiştir. Veriler TÜİK, İstanbul Büyükşehir Belediyesi Açık Veri Portalı ve Meteoroloji Genel Müdürlüğü’nden temin edilmiş ve değişkenlere logaritmik dönüşüm uygulanmıştır. Serilerin durağanlık özellikleri ADF ve PP testleriyle sınanmış, değişkenlerin I(0) ve I(1) düzeylerinde bütünleşik olduğu ve maksimum bütünleşme derecesinin d_max=1 olduğu belirlenmiştir. Bilgi kriterlerine göre gecikme uzunluğu k=2 olarak seçilmiş ve VAR modelinin istikrarı karakteristik ters kökler yardımıyla doğrulanmıştır. Analiz bulguları; yıllık ortalama sıcaklık, nem ve yağış değişkenlerinden su tüketimine doğru anlamlı bir nedensellik ilişkisinin varlığına işaret ederken, alınan göç miktarının da su talebi üzerinde belirleyici bir itici güç olduğunu kanıtlamaktadır. Elde edilen sonuçlar, kentsel su arz güvenliğinin sağlanmasında meteorolojik döngülerin yanı sıra demografik projeksiyonların da dikkate alındığı çok boyutlu ve dinamik bir yönetim stratejisinin gerekliliğini vurgulamaktadır.

Anahtar Kelimeler

• Göç
• İklim Değişikliği
• İstanbul
• Su Tüketimi
• Toda-Yamamoto Nedensellik Testi.

Assessing the Impact of Climate Change and Demographic Dynamics on Urban Water Consumption: The Case of Istanbul

Öz

This study examines the causality relationships between annual total water consumption and climatic variables as well as demographic mobility in Istanbul for the period 2005–2023 within the Toda–Yamamoto approach. The data were obtained from the Turkish Statistical Institute (TurkStat), the Istanbul Metropolitan Municipality Open Data Portal, and the Turkish State Meteorological Service, and logarithmic transformations were applied to the variables. The stationarity properties of the series were tested using the ADF and PP unit root tests, revealing that the variables are integrated at I(0) and I(1) levels, with the maximum order of integration determined as d_max=1. Based on information criteria, the optimal lag length was selected as k=2, and the stability of the VAR model was confirmed through the distribution of the inverse roots of the characteristic polynomial. The findings indicate significant causality from average temperature, humidity, and precipitation to water consumption, while in-migration also appears as a significant driving force affecting water demand. These results highlight the importance of considering both meteorological conditions and demographic projections in urban water supply management strategies.

Anahtar Kelimeler

• Migration
• Climate Change
• Istanbul
• Water Consumption
• Toda–Yamamoto Causality Test.

Kaynakça

1. Cai, B., Liu, B., & Zhang, B. (2019). Evolution of Chinese urban household’s water footprint. Journal of Cleaner Production, 208, 1–10.
2. Talat, N. (2021). Urban water-supply management: indirect issues of climate change leading to water scarcity scenarios in developing and underdeveloped nations. In Water conservation in the era of global climate change (pp. 47-71). Elsevier.
3. Kara, G. K. (2025). İklim Değişiminin Gölgesinde Su Kaynaklarının Sürdürülebilir Kullanımı: Kentsel ve Kırsal Denge. Strategic Public Management Journal, 11(18), 48-61.
4. Çınar, H. S. (2025). İklim Değişikliği Bağlamında Sürdürülebilir Kentsel Su Yönetimi: Küresel Yaklaşımlar ve Uyum Stratejileri. Peyzaj-Eğitim, Bilim, Kültür ve Sanat Dergisi, 7(2), 243-258.
5. He, C., Liu, Z., Wu, J., Pan, X., Fang, Z., Li, J., & Bryan, B. (2021). Future global urban water scarcity and potential solutions. Nature Communications, 12. https://doi.org/10.1038/s41467-021-25026-3.
6. Chaudhry, F. N., & Malik, M. (2017). Factors affecting water pollution: A review. Journal of Ecosystem & Ecography, 7(1), 225–231. [7] Ambade, B., Sethi, S. S., Giri, B., Biswas, J. K., & Bauddh, K. (2022). Characterization, behavior, and risk assessment of polycyclic aromatic hydrocarbons (PAHs) in the estuary sediments. Bulletin of Environmental Contamination and Toxicology, 1–10.
7. Cineros, B. E. J., Oki, T., Arnell, N. W., Benito, G., Cogley, J. G., Döll, P., … van den Hurk, B. (2014). Freshwater resources. In Climate Change 2014: Impacts, Assessment, and Vulnerability. Contribution of Working Group II to the Fifth Assessment Report of the Intergovernmental Panel on Climate Change. http://ipccwg2.gov/AR5/images/uploads/WGIIAR5-Chap3_FGDall.pdf
8. Ellis, A. W., Hawkins, T. W., Balling, R. C., & Gober, P. (2007). Estimating future runoff levels for a semi-arid fluvial system in central Arizona, USA. Climate Research, 35(3), 227–239.

9. Gato, S., Jayasuriya, N., & Roberts, P. (2007). Temperature and rainfall thresholds for base use urban water demand modelling. Journal of Hydrology, 337(3-4), 364–376.
10. Todisco, F., & Vergni, L. (2008). Climatic changes in Central Italy and their potential effects on corn water consumption. Agricultural and Forest Meteorology, 148(1), 1–11.
11. Parker, J. M., & Wilby, R. L. (2013). Quantifying household water demand: A review of theory and practice in the UK. Water Resources Management, 27(4), 981–1011.
12. Chang, H., Praskievicz, S., & Parandvash, H. (2014). Sensitivity of urban water consumption to weather and climate variability at multiple temporal scales: The case of Portland, Oregon. International Journal of Geospatial and Environmental Research, 1(1), Article 7. http://dc.uwm.edu/ijger/vol1/iss1/7
13. La Jeunesse, I., Cirelli, C., Aubin, D., Larrue, C., Sellami, H., Afifi, S., … Soddu, A. (2016). Is climate change a threat for water uses in the Mediterranean region? Results from a survey at local scale. Science of the Total Environment, 543, 981–996.
14. Rasifaghihi, N., Li, S. S., & Haghighat, F. (2020). Forecast of urban water consumption under the impact of climate change. Sustainable Cities and Society, 52, 101848.
15. Niazmardi, S., Sadrykia, M., & Rezazadeh, M. (2023). Analysis of spatiotemporal household water consumption patterns and their relationship with meteorological variables. Urban Climate, 52, 101707.
16. McDonald, R. I., Weber, K., Padowski, J., Florke, M., Schneider, C., Green, P. A., … Balk, D. (2014). Water on an urban planet: Urbanization and the reach of urban water infrastructure. Global Environmental Change, 27, 96–105.
17. Saatci, A. M. (2013). Solving water problems of a metropolis. Journal of Water Resource and Protection, 5(4A), 7–10.
18. Ölçenoğlu, A., & Borat, O. (2024). Holt‐Winters ve Box‐Jenkins Modellerini Kullanarak Su Tüketimi Tahmini: İstanbul Örneği (Doctoral dissertation, Istanbul Ticaret University).
19. van Leeuwen, K., & Sjerps, R. (2016). Istanbul: the challenges of integrated water resources management in Europa’s megacity. Environment, development and sustainability,18(1), 1-17.
20. Gujarati, D. N., & Porter, D. C. (2009). Basic econometrics (5th ed.). McGraw-Hill/Irwin.
21. Altun, Y., İşleyen, Ş., & Görür, Ç. (2018). Türkiye’de eğitim ve sağlık harcamalarının ekonomik büyümeye etkisi: 1999-2017. Yüzüncü Yıl Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 39, 223–244.
22. İşleyen, Ş., Altun, Y., & Görür, Ç. (2018). Hizmet ihracatı ve turizm harcamalarının ekonomik büyümeye katkısı üzerine ampirik bir analiz: 1996-2017 Türkiye örneği. Anemon Muş Alparslan Üniversitesi Sosyal Bilimler Dergisi, 6(6), 953–960.
23. Dickey, D. A., & Fuller, W. A. (1981). Likelihood ratio statistics for autoregressive time series with a unit root. Econometrica, 49(4), 1057–1072. https://doi.org/10.2307/1912517
24. Dickey, D. A., & Fuller, W. A. (1979). Distribution of the estimators for autoregressive time series with a unit root. Journal of the American Statistical Association, 74(366a), 427–431.
25. Demir, Y., İşleyen, Ş., & Özen, K. (2023). Seçili enerji tüketimlerinin karbondioksit emisyonu üzerindeki etkisinin ARDL sınır testi ile belirlenmesi. Van Yüzüncü Yıl Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 59, 80–107.
26. Pata, U. K., Yurtkuran, S., & Kalça, A. (2016). Türkiye’de enerji tüketimi ve ekonomik büyüme: ARDL sınır testi yaklaşımı. Marmara Üniversitesi İktisadi ve İdari Bilimler Dergisi, 38(2), 255–271. https://doi.org/10.14780/muiibd.281411
27. Phillips, P. C. B., & Perron, P. (1988). Testing for a unit root in time series regression. Biometrika, 75(2), 335–346. https://doi.org/10.2307/2336182
28. Demir, Y. (2021a). Analyzing the effect of employment in the agricultural and industrial sectors on economic growth with the ARDL bounds test. International Journal of Contemporary Economics and Administrative Sciences, XI(1), 178–192. https://doi.org/10.5281/zenodo.5136851
29. Granger, C. W. J. (1981). Some properties of time series data and their use in econometric model specification. Journal of Econometrics, 23(1), 121–130. https://doi.org/10.1016/0304-4076(81)90079-8
30. Toda, H. Y., & Yamamoto, T. (1995). Statistical inference in vector auto regressions with possibly integrated processes. Journal of Econometrics, 66(1-2), 225–250.
31. Squalli, J. (2007). Electricity consumption and economic growth: Bounds and causality analyses of OPEC members. Energy Economics, 29(6), 1192–1205. https://doi.org/10.1016/j.eneco.2006.10.001
32. Meçik, O., & Koyuncu, T. (2020). Türkiye’de göç ve ekonomik büyüme ilişkisi: Toda-Yamamoto nedensellik testi. İnsan ve Toplum Bilimleri Araştırmaları Dergisi, 9(3), 2618–2638. https://doi.org/10.15869/itobiad.748770
33. Riyath, M. I. M. (2018). Toda and Yamamoto causality test between US$ exchange rates and stock market prices in Sri Lanka. SAJSSE, 2(3), 1–9. [35] Demir, Y. (2021b). Eğitim, sağlık ve AR-GE harcamaları ile ekonomik büyüme arasındaki ilişkinin ARDL sınır testi ile belirlenmesi. Manas Sosyal Araştırmalar Dergisi, 10(3), 1758–1770. https://doi.org/10.33206/mjss.918786 [36] Başa, Ş., Kurt, E. S., Atlı, E., & Çarpar, T. (2024). İklim Değişikliğine Dayanıklı Bir Mega Kent Olma Yolunda, İstanbul. Resilience, 8(2), 185-203.