Ülkelerin sosyal mesafe kurallarına uyumları ölçülebilir mi?

İstanbul, Ağustos 2020 (Shutterstock)

Bu yazı, Bilim Akademisi COVID-19 Modelleme Çalıştayı’nda sunduğumuz ve Haziran ayı başında Covid Economics dergisinin 26. sayısında yayınlanmış olan “Latent Social Distancing: Identification, Causes and Consequences” başlıklı makalemizdeki [1] analizlere dayanmaktadır.[2]

COVID-19 hastalığına neden olan virüs, esas olarak solunum damlacıkları yoluyla bulaştığından yayılma hızını azaltmanın etkili bir yolu, kişiler arasındaki mesafenin korunması olarak öne çıkıyor.

Sosyal mesafenin korunması için, dünyanın dört bir yanındaki hükümetler, insanların kamusal alanlardaki hareketliliğini ve temasını azaltmayı amaçlayan önlemler aldılar. Bunlar, okullarda örgün öğretimin sonlandırılması, uzaktan çalışmanın başlaması, restoran, bar ve kafelerin kapatılması, kamusal etkinliklerin iptali ile seyahat ve sokağa çıkma kısıtlamaları gibi önlemleri içeriyor.

Sosyal mesafenin korunması, COVID-19 salgınının yayılmasını kontrol etmek için etkili bir yöntem. Hükümetler de, hastalığın yayılmasını kontrol etmeye yarayacak olan en uygun politika önlemlerini, bu önlemlerin ne kadar sıkı uygulanacağını ve zamanlamasını ayarlamaya çalışıyorlar. Ancak sosyal mesafenin gerçekte ne kadar etkili biçimde gerçekleştirilebildiğini bilmiyoruz. Bir başka deyişle, bir toplumda, bireylerin belirli bir günde ve belirli politika önlemleri altında, sosyal mesafe uyarılarına ne denli uygun davrandıklarını gözlemleyemiyoruz. Sosyal mesafe, bir anlamda, gizli bir değişken.

Buradan sonra, tırnak içinde “sosyal mesafe” olarak adlandıracağımız bu değişken, sadece bireylerin birbirleriyle olan fiziksel uzaklıklarını korumalarını değil, maske kullanımı ve el hijyeni de dahil olmak üzere önlemlerin tümüne ne kadar etkili biçimde uyduklarını temsil ediyor. Bu anlamda, terimin, çok sayıda farklı mekanizma için bir çatı terim olduğunu vurgulamamız gerekir.

“Sosyal mesafe”yi nasıl ölçebiliriz?

Gözlemlenebilir olmayan bir değişken için ölçümler türetmek, her bilim alanında, öncelikle kuramsal bir çerçevenin belirlenmesini gerektiriyor. Kuramsal çerçeve, gözlemlenebilir olan ve olmayan değişkenler arasında nedensellik bağları kurmaya yarıyor. Ardından, benimsenen kuramsal çerçeve içinde belirli anlamlar yüklenebilen gözlemlenebilir değişkenlerden hareketle, gözlemlenmeyen gizli değişkenler için ölçümler türetilebiliyor.

Yakın zaman önce tamamladığımız çalışmamızda, “sosyal mesafe” için böyle bir uygulamalı bilimsel yöntemden hareket ediyoruz [1] . Buna göre, COVID-19 salgınının bir ülkedeki yayılımı için, epidemiyoloji yazınında yaygın olarak kullanılan SEIRD türünde bir matematiksel modeli kuramsal çerçeve olarak belirliyoruz; salgının SEIRD modeline uygun olarak gelişiyor olması bu çalışmanın ön kabulu. Basit SEIRD modeline göre, herhangi bir salgın hastalığın yayılma gösterdiği bir toplumda, nüfus belirli bir günde beş farklı gruba ayrılıyor:

S (Susceptible): Hastalığa henüz yakalanmamış olan sağlıklı bireyler
E (Exposed): Hastalığa neden olan virüse maruz kalmış ancak henüz bulaştırmaya başlamamış olan bireyler
I (Infected): Hastalığa yakalanmış ve bulaştırmaya başlamış olan bireyler
R (Recovered): Hastalığa yakalanmış ve iyileşmiş bireyler
D (Deceased): Hastalığa yakalanmış ve hayatını kaybetmiş bireyler

SEIRD modelinde bütün ülkeler için günlük verileri kullanarak [3], gizli “sosyal mesafe” değişkeni için günlük değerler tahmin edebiliyoruz.

Çalışmamızda “sosyal mesafe” için ülke ve gün bazında bir ölçüm türetmemize izin veren unsurlardan biri, hastalığın SEIRD modeline uygun biçimde yayılımına yön veren bazı etmenlerin, zaman içinde ve ülkeden ülkeye değişim göstermiyor olması. Örneğin, sosyal mesafe önlemleri alınmadığı durumda, “I” grubundaki bir bireyin, hastalığı “S” grubundaki bir bireye bulaştırma olasılığının sabit olduğunu kabul edebiliyoruz. Bu değeri Çin’den alınan bilgileri takiple %10,8 ila %11,4 olarak kabul ediyoruz [4].  Keza, “E” grubundaki bir bireyin ortalama kaç gün sonra “I” grubuna geçiş yapacağını belirleyen inkübasyon (kuluçka) süresinin, zaman içinde ve ülkeden ülkeye değişmediğini varsayabiliyoruz; bu sürenin de 5 ila 9 gün sürdüğünü biliyoruz [4].

Çalışmamızda türettiğimiz “sosyal mesafe” ölçümünü mümkün kılan diğer unsur, doğrulanmış vaka sayısının (“I” grubu), iyileşen bireylerin sayısının (“R” grubu) ve hayatını kaybetmiş olanların sayısının (“D” grubu), günden güne ve ülkeden ülkeye değişkenlik gösteriyor olması.

Bu çalışmada Çin’in dahil olması önemli; Çin hastalığın ilk kez görüldüğü ve salgının birinci dalgasının gelişim evrelerinin en erken tamamlandığı ülke. Çin’deki veriler vaka sayıları 500’e ulaştıktan sonra açıklanmaya başladığından, diğer ülkeler için de ülkedeki 500. vakanın doğrulandığı günden sonraki dönemi ele alıyoruz. Çalışmamız, her ülke için 500. vaka sonrasındaki 30 günlük dönemi kapsıyor ve Çin’deki “başlangıç” “sosyal mesafe” düzeyinin %40 ila %60 arasında değiştiği varsayımına dayanıyor.

Geliştirdiğimiz “sosyal mesafe” ölçümü için bir tür geçerlilik sorgulamasını, ölçümlerimizin Apple ve Google tarafından derlenen günlük hareketlilik verileri ile karşılaştırarak yapıyoruz. Bu hareketlilik verileri, Apple ve Google hizmetlerini kullanan kişilerin kamusal alanlardaki ve meskenlerdeki hareketlilik düzeylerini, salgın öncesi döneme göreli olarak tahmin ediyor. Ülke ve gün düzeyinde baktığımızda, beklediğimiz gibi, modelimizden çıkan “sosyal mesafe” değerleri arttıkça kamusal alanlardaki hareketlilik düzeylerinin azaldığını ve meskenlerdeki hareketlilik düzeylerinin arttığını görüyoruz.

“Sosyal mesafe” zaman içinde ve ülkeden ülkeye farklılaşıyor

Geliştirdiğimiz “sosyal mesafe” ölçümü için, çalışmamızın 44 ülkeli örneklemiyle ulaştığımız bazı sonuçları özetleyelim.  Şekil 1, değişkenin, seçilmiş ülkelerde, 500. vaka görüldükten sonraki 30 gün içinde nasıl bir değişim izlediğini resmediyor.

Şekil 1. “Sosyal mesafenin”, 500. vaka görüldükten sonraki 30 gün içinde seçilmiş ülkelerdeki değişimini gösteriyor.

“Sosyal mesafe”nin hem belirli bir ülke için günden güne, hem de herhangi bir gün için ülkeler arasında, önemli ölçüde farklılaşabildiğini gözlemliyoruz. Örneklemdeki çok sayıda ülkede, “sosyal mesafe”, ilgili 30 günlük süre boyunca, göze çarpan biçimde artıyor. Bununla birlikte, “sosyal mesafe”nin göreli olarak yüksek bir düzeyden başlayarak yavaşça azaldığı veya pek değişmediği ülkeler de var. Japonya’da ve Güney Afrika’da, örneğin, “sosyal mesafe” oldukça yüksek bir düzeyden başlayarak çok yavaş bir azalma eğilimi gösteriyor. İsveç, Danimarka ve Singapur’da, yine oldukça yüksek düzeylerden başlayarak önce yavaş bir azalma, sonra da yavaş bir artış eğilimi gösteriyor. İlginç başka bir örnek olan İrlanda’da, ilgili 30 günlük döneme göreli olarak yüksek bir düzeyde başlayan “sosyal mesafe”, neredeyse hiç değişme göstermiyor.

Ayrıca, çok sayıda Batılı ülkenin, “sosyal mesafe”nin korunması bakımından göreli olarak başarısız bir performans gösterdiğini gözlemliyoruz. Bunlardan en dikkat çekici olanı Amerika Birleşik Devletleri (ABD); bu ülkede “sosyal mesafe” 44 ülke içindeki en düşük “başlangıç” değerine ve 30 günlük ortalamaya sahip. “Sosyal mesafe”nin başlangıç ve ortalama değerler bakımından düşük seyrettiği diğer Batılı ülkeler arasında İngiltere, İspanya, İtalya, Fransa ve Almanya gibi ülkeler bulunuyor.

Vurgulamak istediğimiz başka bir bulgu, Güney Kore’de gözlemlenen “sosyal mesafe” başarısı. Bu ülkede, ilgili 30 günlük dönemde ulaşılan “sosyal mesafe” düzeyi, 44 ülke arasındaki en yüksek ortalamaya sahip. Güney Kore için ölçümlediğimiz değerler, 500. vakanın doğrulandığı günü takip eden 15 gün boyunca hızla artıyor ve sonraki 15 gün boyunca da oldukça yüksek bir düzeyde kararlı bir eğilim gösteriyor.

“Sosyal mesafe”nin belirleyenleri ve ekonomik etkileri

Çalışmamızda, türettiğimiz “sosyal mesafe” ölçümünün ülkeler arasında ve günden güne nasıl değiştiğini ve ekonomik etkilerinin ne boyutta olduğunu anlamak için de bazı analizler yapıyoruz.

“Sosyal mesafe”nin belirleyenleri için üç türde değişkene odaklanıyoruz. İlk olarak, hükümetlerin hayata geçirdiği politika önlemlerine, ikinci olarak insanların hastalıktan korunma davranışına etki eden toplam vaka ve ölüm sayılarına ve son olarak da günden güne değişmeyen ancak ülkelerin bulunduğu sosyo-ekonomik gelişmişlik düzeyini gösteren üçüncü grup değişkenlere bakıyoruz.

Türettiğimiz “sosyal mesafe” ölçümü, Oxford Üniversitesi araştırmacılarınca derlenen ve çeşitli politikaların ne kadar sıkı olduğunu her ülke ve gün için gösteren Stringency Index ile yüksek derecede uyum gösteriyor [5]. Yani, COVID-19 nedeniyle hayata geçirilen politika önlemleri sıkılaştıkça, ölçümlediğimiz “sosyal mesafe” değişkeninin ortalama olarak daha yüksek değerler aldığı sonucuna ulaşıyoruz.

Ayrıca 500. vakanın doğrulanmasını takip eden 30 gün içinde toplam vaka ve ölüm sayılarının da insanların hastalıktan korunma davranışlarını etkilediğini ve psikolojik etkiyle “sosyal mesafe”ye uyumu olumlu etkilediğini gözlemliyoruz.  Bu gözlem, vaka/ölüm sayılarının bölgesel ve şeffaf olarak paylaşılmasının önlemlere uyuma olumlu katkı yapacağı düşüncesini destekliyor. 

Son olarak, ülkelerin gelişmişlik düzeylerini gösteren, beşeri sermaye düzeyi, kişi başına gelir düzeyi, sosyal ilerleme endeksi gibi değişkenlerin, “sosyal mesafe”yi anlamlı biçimde etkilemediği sonucuna ulaşıyoruz.

“Sosyal mesafe”nin yarattığı ekonomik etkileri günden güne anlamak için odaklandığımız değişken ise, 2019’dan 2020’ye geçilirken, gün bazında, elektrik tüketiminin nasıl değiştiği. Bilindiği üzere, elektrik tüketimi ile üretim düzeyi arasında oldukça güçlü bir pozitif yönlü ilişki bulunuyor. Analizlerimizde, McWilliams ve Zachmann’ın [6] bizim örneklemimizde bulunan 20 ülke için derledikleri elektrik verilerini kullanıyoruz. Haftasonlarını ve tatil günlerini dikkate alarak yaptığımız hesaplamalar, ilgili 30 günlük dönemde “sosyal mesafe” düzeylerinin artmasının elektrik tüketimindeki azalma ile yüksek derecede ilişkili olduğunu gösteriyor. Yani ülke ve gün bazında “sosyal mesafe” arttıkça 2020 yılında yaşanan üretim kayıpları da artıyor.

Sonuç yerine

21. yüzyılın en büyük küresel halk sağlığı krizi olarak tarihe geçen COVID-19 salgını, yarattığı ekonomik etkiler (ve bunların beklenen sosyal ve politik sonuçları) nedeniyle, sosyal bilimlerin de ilgi alanına girdi. Salgın hakkında, şu an genişlemekte olan önemli bir literatür bulunuyor.

Bu genişleyen literatüre katkı sağlamaya çalışan iktisatçıların, salgının yarattığı ekonomik tahribat konusunda ortaya koyabildikleri sonuçlar, şu an için pek de küçük olmayan hata payları içeriyor. İlerleyen dönemde, 2020 yılına ilişkin gerçek üretim ve istihdam verilerine ulaştığımızda, daha güvenli tahminler ortaya koyabileceğimizi vurgulamalıyız.

İktisatçılar, bir yandan da, salgının sağlık sistemlerini felce uğratmayacak biçimde yönetilmesi için uygulanması gereken optimal politikalar konusunda çalışıyorlar. Bu çalışmalarda, salgının zaman içindeki hareketini betimleyen epidemiyolojik modellere başvuruyorlar.

Bizim çalışmamızın böyle bir modelden hareketle ortaya koyduğu ana sonuçlar, insanların “sosyal mesafe”ye uyumunun zaman içinde sabit olmadığına, aksine önemli değişimler gösterdiğine işaret ediyor. Ayrıca, hem hükümetlerin politika önlemlerinin sıkılık derecesi hem de vaka ve ölüm sayılarındaki artışlar insanların “sosyal mesafe”ye uyumlarını artırıyor. Dolayısıyla kamu sağlığı önlemlerinin ne zaman ve nasıl gevşetileceği salgının yönetilmesinde başarı sağlamak için büyük önem arz ediyor.

M. Aykut Attar (Hacettepe Üniversitesi İktisat Bölümü, [email protected])
Ayça Tekin-Koru  (TED Üniversitesi, Ekonomi Bölümü, [email protected])

Notlar/Kaynaklar

[1] Attar, M. A. & A. Tekin-Koru (2020) “Latent Social Distancing: Identification, Causes and Consequences,” Covid Economics: Vetted and Real-Time Papers, 1(26), 43-78.
[2] Çalıştayı düzenleyen Bilim Akademisi’ne ve çalıştayda değerli yorumlarını bizimle paylaşan araştırmacılara teşekkürü bir borç biliriz. Ayrıca, Sarkaç.org yayın yönetmeni Defne Üçer Şaylan’a da değerli yorum ve önerileri için müteşekkiriz.
[3] JHU (2020) COVID-19 Data Repository, https://github.com/CSSEGISandData/COVID-19.
[4] He, S., S. Tang, & L. Rong (2020) “A Discrete Stochastic Model of the COVID-19 Outbreak: Forecast and Control,” Mathematical Biosciences and Engineering, 17(4), 2792-2804.
[5] Hale, T., N. Angrist, B. Kira, A. Petherick, T. Phillips, & S. Webster (2020) “Variation in government responses to COVID-19,” BSG Working Paper Series 2020/032, https://www.bsg.ox.ac.uk/research/research-projects/coronavirus-government-response-tracker
[6] McWilliams, B., & G. Zachmann (2020) Bruegel electricity tracker of COVID-19 lockdown effects,” https://www.bruegel.org/publications/datasets/bruegel-electricity-tracker-of-covid-19-lockdown-effects/, Bruegel Datasets.