Kırsal-kentsel işgücü göçü, çalışanların kırsal köken bölgelerinden daha fazla iş ve gelir fırsatı bulunan kentsel veya bölge dışındaki çalışma merkezlerine hareket ettiği ve bu hareketin nüfus yapısı, hane refahı, işgücü piyasası ve para transferleri üzerinden köken ve hedef bölgeleri birlikte etkileyebildiği bir göç biçimidir. Bu çalışma, Endonezya'nın East Java bölgesindeki Malang Regency'de işgücü göçünü; Singosari, Pakis, Dampit, Gondanglegi ve Bantur adlı beş yüksek göç ilçesinden purposive sampling ile seçilmiş toplam 250 migrant worker üzerinden incelemektedir. Kaynak çalışmayı mixed-methods olarak tanımlamakta; nicel bölümde anket, yerleşme niyeti için lojistik regresyon, gelir için çoklu doğrusal regresyon ve betimsel istatistikler; nitel bölümde NGO temsilcileri ve community leaders ile derinlemesine görüşmeler kullanmaktadır. Kaynağın yayımlanan Tablo 2'sine göre AGE ve EDUC yerleşme niyeti modelinde negatif, INCM pozitif ve istatistiksel olarak anlamlıdır; MARIED, ASSET ve JOB_VELG anlamlı değildir. Tablo 3'e göre migrant income modelinde yalnız EDUC pozitif ve anlamlıdır. Ancak outcome kodlaması, sınıflandırma yüzdeleri ve bazı katsayıların metin ile tablolar arasındaki uyumsuzluğu nedeniyle exact etki yönleri ve büyüklükleri dikkatle yorumlanmalıdır.

Çalışmanın genel anlatısı, Malang Regency'deki göçün büyük ölçüde circular migration, yani kişinin kalıcı biçimde kente yerleşmesinden çok çalışma ve gelir biriktirme amacıyla hedef bölgeye gidip köken bölgesiyle ekonomik ve sosyal bağlarını koruduğu döngüsel göç yapısı gösterdiğini savunmaktadır. Betimsel veriler göçmenlerin çoğunun düşük veya orta eğitim düzeyinde, çalışma çağında, evli ve köken bölgesinde mülk sahibi olduğunu göstermektedir. Bu örüntü, gelir elde edilse bile aile, mülk ve köken bölgesindeki ekonomik bağların kalıcı kentsel yerleşmeyi sınırlayabileceği şeklinde yorumlanmaktadır.

Çalışmanın kalkınma açısından merkezi mekanizması remittances, yani göçmenlerin kazançlarının bir bölümünü köken bölgesindeki ailelerine veya ekonomik faaliyetlere aktarmasıdır. Ancak yayımlanan ampirik modeller doğrudan remittance miktarını veya rural-urban development endeksini bağımlı değişken olarak modellememektedir. Dolayısıyla çalışma göçün yerel kalkınmayla ilişkisini migrant income, yerleşme niyeti, köken bölgesiyle bağlar ve önceki remittance literatürü üzerinden yorumlamakta; doğrudan bir “göç kırsal kalkınmayı şu kadar artırdı” katsayısı hesaplamamaktadır.

Araştırmanın temel problemi

Kırsal ve kentsel alanlar arasındaki ekonomik fırsat farkı insanların nerede çalışacağı, ne kadar süre göç edeceği ve kazançlarını nerede kullanacağı üzerinde etkili olabilir. Malang Regency bağlamında kaynak, kırsal alanlarda sınırlı istihdam fırsatları ile kentsel bölgelerdeki daha yüksek gelir beklentisinin işgücü hareketini teşvik ettiğini tartışmaktadır.

Göçün kalkınma açısından iki yönlü bir sonucu olabilir. Bir taraftan çalışanların kentlerde elde ettiği gelir ve köken bölgesine gönderdiği para aile tüketimini, eğitimi, konutu ve yerel yatırımı destekleyebilir. Diğer taraftan kırsal bölgeden sürekli çalışma çağındaki nüfus kaybı tarım ve diğer yerel sektörlerde işgücü kıtlığı, nüfus yaşlanması ve remittances'a bağımlılık gibi sorunlar yaratabilir.

Kırsal ve kentsel harcama farkı neden önemli?

Kaynak Tablo 1, ekonomik çekim mekanizmasını açıklamak için kırsal ve kentsel aylık kişi başına harcamaları karşılaştırmaktadır.

Kaynak özellikle gıda dışı harcamadaki %70 farkı kentsel bölgelerin ekonomik çekiciliğini gösteren bir unsur olarak yorumlamaktadır. Ancak hemen sonraki anlatıda BPS'ye atfedilen farklı değerler de verilmektedir: urban food expenditure yaklaşık 689.148 rupiah, rural food expenditure yaklaşık 667.796 rupiah ve urban total expenditure 1.356.943 rupiah olarak yazılmıştır. Bu ikinci değer seti Tablo 1'deki değerlerle uyuşmamaktadır. Kaynak hangi BPS serisinin nihai olarak kullanılacağını açıklamadığı için iki set sessizce birleştirilmemelidir.

Literatür boşluğu ve çalışmanın yeniliği

Kaynak önceki çalışmaların göçün belirli ekonomik belirleyicilerine veya Malang Regency içindeki belirli köylere odaklandığını, buna karşılık yüksek göç oranına sahip “migration pockets” arasında demografik faktörler, yerleşme niyeti, gelir ve kalkınma bağlantısının bütünleşik analizinin sınırlı olduğunu savunmaktadır.

Çalışmanın özgün katkısı olarak yaş, eğitim, medeni durum, gelir, köken bölgesindeki mülk ve iş bağlantıları gibi demografik/ekonomik faktörlerin yerleşme niyetiyle; eğitim ve diğer demografik faktörlerin migrant income ile ilişkisini aynı saha çalışması içinde incelemek gösterilmektedir.

Örneklem nasıl oluşturuldu?

Araştırmacılar Malang Regency'de yüksek göç oranına sahip beş subdistrict seçmiştir:

• Singosari,
• Pakis,
• Dampit,
• Gondanglegi,
• Bantur.

Her subdistrict'ten 50 migrant worker seçilmiş ve toplam örneklem 250 kişiye ulaşmıştır.

\[ 5\ \text{ilçe} \times 50\ \text{göçmen} = 250\ \text{katılımcı} \]

Örnekleme random probability sampling değildir. Kaynak, Department of Labor and Transmigration 2024 verisine dayanarak purposive sampling kullandığını belirtmektedir. Bu nedenle sonuçların Malang Regency'nin bütün nüfusuna veya Endonezya'nın bütün göçmenlerine otomatik olarak genellenmesi uygun değildir.

Bu Çalışmada Multinomial mı, Binary Lojistik Regresyon mu Kullanıldı?

Kaynak abstract ve yöntem anlatısında modeli “multinomial logistic regression” olarak adlandırsa da yayımlanan Denklem (1) yalnız INTENTION = 1 ile INTENTION = 0 olasılıklarını karşılaştırmakta ve sonuç bölümü yöntemi “binary logit” diye tanımlamaktadır; dolayısıyla yayımlanan matematiksel yapı iki kategorili ikili lojistik regresyon biçimindedir, fakat Verianla kaynak terminolojisindeki farkı sessizce düzeltmemektedir.

Denklem (1): Yerleşme niyeti modeli

Kaynağın yayımladığı denklem:

\[ \log\left( \frac{P(INTENTION=1)} {P(INTENTION=0)} \right) = \beta_0 +\beta_1AGE +\beta_2EDUC +\beta_3INCM +\beta_4MARIED +\beta_5ASSETS +\beta_6JOBVELG \]

Formül neyi hesaplar? Denklem, \(INTENTION=1\) olayının \(INTENTION=0\) olayına göre odds değerinin logaritmasını açıklayıcı değişkenlerin doğrusal birleşimi olarak modellemektedir.

\(INTENTION\), göçmenin hedef bölgede kalıcı biçimde yerleşme niyetini temsil eden ikili outcome değişkenidir.

\(AGE\), yaş değişkenidir.

\(EDUC\), eğitim düzeyidir.

\(INCM\), migrant income değişkenidir.

\(MARIED\), medeni durum değişkenidir. Kaynak değişken adını tek “R” ile MARIED şeklinde kullanmaktadır.

\(ASSETS\), köken bölgesindeki varlık/mülk sahipliğini temsil etmektedir. Tablo 2'de aynı değişken ASSET olarak yazılmıştır.

\(JOBVELG\), köken bölgesindeki işe ilişkin değişkendir. Kaynak farklı yerlerde JOBVELG, JOB VELG ve JOB_VELG yazımlarını kullanmaktadır.

\(\beta_0\), sabit terim; \(\beta_1\)–\(\beta_6\), ilgili açıklayıcı değişkenlerin log-odds katsayılarıdır.

INTENTION = 1 Kodlaması Neden Kritik?

Lojistik regresyonda katsayının yönünü yorumlayabilmek için hangi sonucun “1” olarak kodlandığının kesin bilinmesi gerekir; bu çalışmanın Tablo 2'si 0 = Stay ve 1 = No Stay yazarken kaynak metni katsayıları sanki 1 = Stay imiş gibi yorumladığından, AGE, EDUC ve INCM katsayılarının gerçek olay yönü yayımlanan materyalden kesin biçimde çözülememektedir.

Örneğin Tablo 2'de AGE katsayısı −0.358'dir. Eğer gerçekten \(INTENTION=1\) “No Stay” demekse negatif katsayı yaş arttıkça “No Stay” log-odds'unun azalmasını ifade eder. Fakat kaynak aynı negatif katsayıyı yaş arttıkça kalıcı yerleşme niyetinin azalması şeklinde açıklamaktadır. İki yorum aynı anda doğru olamaz.

Benzer biçimde INCM katsayısı +1.211'dir. Eğer 1 = No Stay ise pozitif katsayı daha yüksek gelirin “No Stay” odds'unu artırmasıyla uyumludur. Kaynak ise bu katsayıyı daha yüksek gelirin hedef bölgede daha uzun kalmayı teşvik etmesi şeklinde yorumlamaktadır.

Bu nedenle Verianla katsayıların işaretini değiştirmez, outcome sınıfını yeniden kodlamaz ve kaynakta bulunmayan bir düzeltme yapmaz. Tablo ve yazar yorumu ayrı ayrı görünür tutulur.

Odds ve log-odds ne demektir?

Çalışmanın bulgusu değil, kavramsal açıklama: Bir olayın olasılığı \(p\) ise odds:

\[ Odds=\frac{p}{1-p} \]

şeklindedir.

Lojistik regresyon bunun logaritmasını modeller:

\[ logit(p)=\log\left(\frac{p}{1-p}\right) \]

Standart lojistik regresyonda bir katsayının üstel değeri \(e^\beta\) odds ratio verir. Ancak kaynak odds ratio tablosu yayımlamadığı ve outcome kodlaması kendi içinde tutarsız olduğu için Verianla bu çalışmaya yeni odds-ratio değerleri eklememektedir.

Yerleşme niyeti regresyonunun yayımlanan sonuçları

Kaynak Tablo 2 açısından güvenilir biçimde söylenebilen temel nokta şudur: AGE, EDUC ve INCM katsayılarının p-değerleri %5 eşiğinin altındadır; MARIED, ASSET ve JOB VELG'in p-değerleri %5'in üzerindedir. Katsayıların “Stay/No Stay” yönündeki kesin anlamı ise outcome kodlama tutarsızlığı nedeniyle ayrıca sınırlandırılmalıdır.

Abstract ile Tablo 2 neden aynı sonucu söylemiyor?

Abstract, yaş, eğitim ve marital status değişkenlerinin settlement intention üzerinde anlamlı negatif etkisi olduğunu söylemektedir.

Results bölümünün ilk paragrafı da bir yerde AGE, EDUC ve MARIED'i anlamlı değişkenler olarak saymaktadır.

Buna karşılık aynı bölümün hemen devamındaki anlatım ve Tablo 2, anlamlı değişkenleri AGE, EDUC ve INCM olarak göstermekte; MARIED için p = 0.549 vermektedir.

Sonuç bölümü de Tablo 2 ile uyumlu olarak yaş ve eğitimin negatif, gelirin pozitif ve anlamlı; medeni durum, mülk sahipliği ve köken bölgesindeki işin anlamsız olduğunu söylemektedir.

Bu nedenle kaynak içinde abstract/ilk sonuç paragrafı ile Tablo 2/sonuç bölümü arasında değişken kimliği uyuşmazlığı vardır.

Hosmer–Lemeshow Testi Bu Model İçin Ne Söylüyor?

Kaynak Hosmer–Lemeshow testi için χ² = 7.916 ve p = 0.378 raporlamakta ve p-değerinin yüksek olmasını model ile gözlenen sınıflar arasında belirgin bir uyumsuzluk kanıtı bulunmaması şeklinde yorumlamaktadır; ancak bu test tek başına modelin sınıflandırma performansının güçlü olduğunu veya bütün katsayı yorumlarının doğru olduğunu göstermez.

Sınıflandırma matrisi

Sınıflandırma matrisinin aritmetik tutarlılık kontrolü

Yeni model sonucu değildir; yalnız kaynak hücrelerinden yapılan aritmetik kontrol:

Stay grubunda toplam:

\[ 12+39=51 \]

olduğundan tabloda yayımlanan hücrelere göre doğru Stay sınıflandırması:

\[ \frac{12}{51}\times100 \approx 23.5\% \]

olur; tabloda %25,6 yazmaktadır.

No Stay grubunda toplam:

\[ 7+192=199 \]

ve doğru No Stay sınıflandırması:

\[ \frac{192}{199}\times100 \approx 96.5\% \]

olur; tabloda %57,0 yazmaktadır.

Toplam doğru tahmin:

\[ 12+192=204 \]

ve 250 kişi üzerinden:

\[ \frac{204}{250}\times100=81.6\% \]

olur. Kaynak yöntem/sonuç geçişinde bir yerde doğru prediction oranını %81,6 diye yazmakta, fakat Tablo 2 ve sonraki anlatıda overall accuracy %83,4 vermektedir.

Dolayısıyla model performansının exact yüzdesi konusunda yayımlanan raporlama kendi içinde tutarlı değildir. Ham sınıflandırma hücreleri %81,6 ile uyumludur.

Yerleşme niyeti yüzdesi neden tek bir sayı olarak verilemiyor?

Üç değer setinin ortak mesajı, göçmenlerin çoğunun kalıcı yerleşme istemediğidir. Fakat exact oran kaynak içinde değiştiği için Verianla tek bir oranı kesinleştirip diğerlerini silmez.

“Overseas” ifadesi neden Türkçeye “yurt dışı” diye çevrilmiyor?

Kaynak metin birçok yerde “overseas area” ifadesini kullanmaktadır. Ancak çalışmanın konusu uluslararası göç değil, Malang Regency'den başka kentsel/hedef bölgelere yönelik rural-urban labor migration'dır. Yöntem bölümü de settlement destination'ı “outside the region” biçiminde açıklamaktadır.

Bu nedenle Türkçe aktarımda “overseas” mekanik olarak “yurt dışı” diye çevrilmemiş; hedef bölge, göç edilen bölge veya hedef şehir ifadeleri kullanılmıştır. Böylece çalışmanın coğrafi kapsamı değiştirilmemektedir.

Denklem (2): Migrant income modeli

Kaynak, migrant income belirleyicileri için şu çoklu doğrusal regresyon denklemini vermektedir:

\[ INCM = \alpha_0 +\alpha_1AGE +\alpha_2EDUC +\alpha_3MARIED +\alpha_4ASSETS +\alpha_5JOBVELG +\epsilon \]

Formül neyi hesaplar? Denklem migrant income değişkenini yaş, eğitim, medeni durum, köken bölgesindeki varlık ve köken bölgesindeki iş değişkenleriyle doğrusal olarak ilişkilendirmektedir.

\(\alpha_0\), sabit terimdir.

\(\alpha_1\)–\(\alpha_5\), diğer değişkenler sabitken ilgili açıklayıcı değişkenin INCM üzerindeki doğrusal katsayısını temsil eder.

\(\epsilon\), modelde açıklanmayan gelir farklılıklarını içeren hata terimidir.

Denklem (2) ile Tablo 3 neden tam uyuşmuyor?

Denklem (2) AGE, EDUC, MARIED, ASSETS ve JOBVELG değişkenlerini içermektedir.

Ancak yayımlanan Tablo 3:

• EDUC,
• AGE,
• MARIED,
• RES,
• LOG_JOB

değişkenlerini göstermektedir.

ASSET Tablo 3'te bulunmamaktadır. Buna karşılık RES adlı family responsibilities değişkeni denkleme sonradan girmiş görünmektedir. JOBVELG yerine LOG_JOB adı kullanılmaktadır.

Sonraki metin ise anlamlı olmayan değişkenler arasında RES, ASSET, LONG_JOB ve MARIED'i saymakta; AGE değişkenini bu listede belirtmemektedir.

Dolayısıyla yayımlanan denklem, tablo ve sözlü değişken listesi kullanılarak tek ve tamamen yeniden üretilebilir bir gelir modeli oluşturmak mümkün değildir.

Tablo 3: Gelir regresyonu

Tablo 3'e göre p < 0.05 koşulunu yalnız EDUC karşılamaktadır. Bu nedenle kaynağın sonuç bölümündeki “education is the sole significant positive predictor of migrant income” ifadesi Tablo 3 ile uyumludur.

Eğitim Düzeyinin Gelir Sonucu Nasıl Yorumlanmalıdır?

Kaynak Tablo 3 eğitim için unstandardized B = 0.127, standardized Beta = 0.199 ve p = 0.005 raporladığından güvenilir kaynak-tablo sonucu eğitimin migrant income ile pozitif ve istatistiksel olarak anlamlı ilişkisidir; fakat kaynak EDUC ve INCM değişkenlerinin exact sayısal kodlama ölçeğini açıklamadığı ve sonraki metinde çelişkili β = 0.456, p < 0.001 değeri kullandığı için eğitimin geliri “%45,6 artırdığı” sonucu güvenli biçimde kabul edilemez.

Kaynak tartışmanın ilerleyen bölümünde eğitim için:

\[ \beta=0.456,\qquad p<0.001 \]

yazmakta ve her eğitim seviyesindeki artışın geliri yaklaşık %45,6 yükselttiğini belirtmektedir.

Ancak Tablo 3'ün yayımlanan değerleri:

\[ B=0.127,\qquad \beta_{standardized}=0.199,\qquad p=0.005 \]

şeklindedir.

Kaynakta 0.456 değerinin nereden geldiğini gösteren ayrı hesaplama veya tablo bulunmamaktadır. Ayrıca INCM'nin regresyonda rupiah, gelir kategorisi veya dönüştürülmüş başka bir ölçekle mi kodlandığı açık değildir.

Bu nedenle Verianla çalışmanın güvenilir ortak sonucunu “eğitim ile migrant income arasında pozitif ve anlamlı ilişki raporlanmıştır” şeklinde sınırlar.

VIF ve Tolerance neyi gösteriyor?

Çalışmanın bulgusu değil, kavramsal açıklama: Variance Inflation Factor (VIF), bir açıklayıcı değişkenin diğer açıklayıcı değişkenlerle doğrusal ilişkisi nedeniyle katsayı varyansının ne ölçüde büyüyebileceğini değerlendirmeye yarayan bir collinearity göstergesidir.

Kaynak Tablo 3'te VIF değerlerini 1.220 ile 2.452 arasında vermektedir. Kaynak bunlarla ilgili ayrı bir multicollinearity tartışması yapmamaktadır; dolayısıyla Verianla yeni bir tanı testi sonucu üretmemektedir.

Remittances gerçekten ölçüldü mü?

Kaynak abstract ve araştırma amacında remittances'ı kalkınmanın merkezi ekonomik mekanizması olarak vurgulamaktadır ve questionnaire verisinin labor conditions ile remittances'ı içerdiğini belirtmektedir.

Bununla birlikte yayımlanan ana sonuç tablolarında ayrı bir remittance amount değişkeni, remittance regression, ortalama remittance tutarı veya remittance'ın kırsal kalkınma üzerindeki katsayısı bulunmamaktadır.

Bu nedenle remittances'a ilişkin politika çıkarımları çalışmanın göçmen geliri, köken bölgesindeki aile/varlık bağları ve önceki literatürle yaptığı kalkınma yorumuna dayanmaktadır.

Figure 1–9 ne gösteriyor?

Döngüsel göç yorumu hangi bulgulara dayanıyor?

Kaynak üç betimsel özelliği özellikle circular migration yorumuyla ilişkilendirmektedir.

Birincisi, bütün raporlama farklarına rağmen her settlement-intention gösteriminde çoğunluğun hedef bölgede kalıcı yerleşme istemediği görülmektedir.

İkincisi, migrantların %87,7'si köken bölgesinde mülk sahibi olarak gösterilmektedir. Kaynak bunu köken bölgesiyle devam eden ekonomik bağlardan biri olarak yorumlamaktadır.

Üçüncüsü, katılımcıların %84,2'si evlidir ve ortalama aile sorumluluğu dört kişidir. Kaynak aile sorumluluğu ve remittances ilişkisini, hedef bölgede kazanılan gelirin köken bölgesindeki hane refahına aktarılması çerçevesinde tartışmaktadır.

Bununla birlikte MARIED ve ASSET değişkenleri Tablo 2'de settlement intention üzerinde istatistiksel olarak anlamlı değildir. Dolayısıyla betimsel olarak güçlü köken bağlarının bulunması ile regresyonda bağımsız istatistiksel etki bulunması aynı şey değildir.

Çalışmanın Yöntemi ve Bulguları

Araştırma tasarımının teknik özeti

Yerleşme niyeti: sonuçların güvenli çekirdeği

Kaynağın Tablo 2'sine göre:

• AGE: katsayı −0.358, p = 0.000; anlamlı.
• EDUC: katsayı −0.078, p = 0.006; anlamlı.
• INCM: katsayı +1.211, p = 0.029; anlamlı.
• MARIED: katsayı −0.353, p = 0.549; anlamlı değil.
• ASSET: katsayı −0.459, p = 0.457; anlamlı değil.
• JOB VELG: katsayı −0.058, p = 0.519; anlamlı değil.

Kaynak sözlü yorumunda AGE ve EDUC'in daha düşük yerleşme eğilimiyle, INCM'nin ise hedef bölgede daha uzun kalmayla ilişkili olduğunu savunmaktadır. Ancak INTENTION kodlamasıyla bu yorumun matematiksel yönü uyuşmadığı için bu sözlü sonuç “kaynak yazarlarının yorumu” olarak ayrılmalıdır.

Model uygunluğu ve sınıflandırma

Hosmer–Lemeshow:

\[ \chi^2=7.916,\qquad p=0.378 \]

Kaynak bunu acceptable model fit olarak yorumlamaktadır.

Sınıflandırma performansı için ise kaynak içinde %81,6 ve %83,4 olmak üzere iki farklı overall accuracy değeri bulunmaktadır. Ham confusion-matrix hücreleri %81,6'yı üretmektedir.

Gelir modeli: sonuçların güvenli çekirdeği

Tablo 3'e göre yalnız EDUC p = 0.005 ile %5 anlamlılık eşiğinin altındadır.

AGE p = 0.357, MARIED p = 0.923, RES p = 0.134 ve LOG_JOB p = 0.478 ile anlamlı değildir.

Kaynağın sonuç bölümünde eğitim migrant income için “sole significant positive predictor” olarak özetlenmiştir; bu ifade Tablo 3 ile uyumludur.

Buna karşılık tartışmadaki β = 0.456, p < 0.001 ve %45,6 artış yorumu Tablo 3 değerleriyle uyuşmamaktadır ve ayrıca gelir kodlama ölçeği verilmediği için bağımsız doğrulama yapılamamaktadır.

Figure 8 çalışma süresi neden önemli?

Kaynak migrantların ortalama hedef bölge çalışma süresini 12,2 yıl olarak vermektedir. Dağılımın en büyük iki grubu %31,8 ile beş yıldan az çalışanlar ve %27 ile 6–10 yıl çalışanlardır.

Uzun çalışma süresine rağmen kaynak LOG_JOB / LONG_JOB değişkeninin migrant income üzerinde anlamlı olmadığını belirtmektedir. Bu durum çalışma süresinin tek başına daha yüksek gelirle bağlantılı olmadığını gösteren kaynak sonucu olarak sunulmaktadır.

Kaynak bunu katılımcıların %80'den fazlasının informal sector içinde çalışmasıyla ilişkilendirmektedir. Ancak informal-sector mekanizması ayrı bir mediation veya interaction modeliyle test edilmemiştir.

Figure 9 gelir dağılımı nasıl yorumlanıyor?

Kaynak Figure 9'a göre migrantların %9,3'ü ayda bir milyon rupiah'ın altında, %37,2'si bir ile iki milyon rupiah arasında ve %53,5'i iki milyon rupiah'ın üzerinde gelir elde etmektedir.

Bu dağılım betimleyicidir. Figure 9 tek başına göçün geliri artırdığına ilişkin before-after karşılaştırması değildir; aynı kişilerin göç öncesi gelirleriyle doğrudan karşılaştırma verilmemiştir.

Çalışmanın kalkınma yorumu

Kaynak rural-urban labor migration'ı geçici gelir biriktirme stratejisi olarak yorumlamaktadır. Göçmenlerin şehirlerde kazandığı gelirin köken bölgelerindeki hanelere gönderilmesi veya burada harcanması rural welfare açısından olumlu bir mekanizma oluşturabilir.

Diğer yandan kaynak remittance dependence, kırsal işgücü kaybı, depopulation ve sectoral imbalance risklerini de tartışmaktadır.

Bu nedenle göçün çalışmadaki kalkınma anlamı tek yönlü değildir: kısa ve orta vadede gelir/remittance akışı yarar sağlayabilirken uzun vadeli sürekli işgücü çıkışı kırsal ekonomik yapıyı zayıflatabilir.

Bu Çalışma Göçün Kırsal-Kentsel Kalkınmaya Nedensel Etkisini Ölçüyor mu?

Hayır; çalışma migrant settlement intention ve migrant income için regresyonlar, göçmen profili için betimsel analiz ve göç nedenlerine ilişkin nitel görüşmeler kullanmaktadır, fakat rural-urban development veya remittance miktarını doğrudan bağımlı değişken olarak tahmin eden nedensel bir kalkınma modeli bulunmadığından göçün kalkınmayı belirli bir yüzde ya da katsayı kadar değiştirdiği sonucu çıkarılamaz.

Çalışmanın desteklediği sonuçlar

• Kaynak Tablo 2'ye göre AGE, EDUC ve INCM yerleşme niyeti modelinde istatistiksel anlamlıdır.
• MARIED, ASSET ve JOB VELG Tablo 2'de anlamlı değildir.
• Kaynak Tablo 3'e göre yalnız EDUC migrant income ile pozitif ve anlamlı ilişki göstermektedir.
• Betimsel veriler örneklemde çalışma çağındaki kişilerin baskın olduğunu göstermektedir.
• Örneklemin %84,2'si evlidir.
• Figure 5'e göre %87,7'sinin köken bölgesinde mülkü vardır.
• Ortalama çalışma süresi kaynakta 12,2 yıl olarak raporlanmıştır.
• Figure 9'a göre örneklemin %53,5'i aylık iki milyon rupiah'ın üzerinde gelir kategorisindedir.
• Yerleşme niyeti oranları kaynak içinde farklı verilse de bütün versiyonlarda çoğunluk kalıcı yerleşme istemeyen gruptadır.
• Kaynak bu örüntüyü circular migration ve origin-area attachment çerçevesinde yorumlamaktadır.

Çalışmanın desteklemediği sonuçlar

• Göçün rural development'ı belirli bir miktar artırdığı doğrudan tahmin edilmemiştir.
• Remittance miktarının kalkınmaya etkisi için ayrı katsayı raporlanmamıştır.
• Abstract'taki marital-status sonucu Tablo 2 tarafından desteklenmemektedir.
• Kaynağın β = 0.456 ve %45,6 gelir artışı yorumu Tablo 3'teki eğitim katsayısıyla doğrulanmamaktadır.
• Figure 1'deki %75,6 No Stay oranı, Tablo 2'nin %79,6 dağılımı ve metindeki %87,6 değeri birbirinin yerine kullanılamaz.
• %83,4 overall accuracy ham confusion-matrix hücrelerinden yeniden üretilememektedir.
• Medeni durum ve asset ownership örneklemde yaygın olsa da regresyonda anlamlı değildir; yalnız yaygın olmaları bağımsız etki kanıtı değildir.
• Purposive sample bütün Endonezya migrant population'ını temsil eden probability sample değildir.
• Mixed-methods ifadesi nitel katmanın ayrıntılı metodolojik raporlamasının bulunduğu anlamına gelmez; interview sample size ve coding procedure belirtilmemiştir.
• Çalışma göç öncesi ve sonrası aynı bireylerin gelirlerini longitudinal biçimde karşılaştırmamaktadır.

Temel yöntemsel sınırlılıklar

Purposive sampling: Örneklem yüksek göç oranlı beş ilçeden amaçlı biçimde seçilmiştir. İstatistiksel temsil iddiası sınırlıdır.

Outcome kodlaması: INTENTION = 1/0 etiketleri ile katsayıların kaynak yorumları arasında yön uyuşmazlığı bulunmaktadır.

Model adı: Multinomial logistic regression ifadesi kullanılırken matematik ve sonuçlar binary logit yapısı göstermektedir.

Sınıflandırma raporlaması: Confusion matrix hücreleri, % Correct sütunu ve overall accuracy birbirini tam doğrulamamaktadır.

Yerleşme niyeti dağılımı: Figure 1, Tablo 2 ve sonuç metninde üç farklı oran bulunmaktadır.

Gelir modeli spesifikasyonu: Denklem (2), Tablo 3 ve tartışma bölümündeki predictor listeleri aynı değildir.

Eğitim katsayısı: Tablo 3'te B = 0.127, standardized Beta = 0.199 ve p = 0.005 iken metnin başka bölümünde β = 0.456 ve p < 0.001 kullanılmaktadır.

Değişken kodlama eksikliği: EDUC, INCM, MARIED ve diğer kategorik değişkenlerin regression coding scheme ayrıntılı olarak verilmediği için katsayıların gerçek birim yorumları tam olarak yeniden üretilemez.

Mixed-methods ayrıntısı: NGO/community interview sayısı, interview protocol, transcription/coding procedure ve mixed-method integration yöntemi raporlanmamıştır.

Remittance ölçümü: Remittance araştırmanın temel kalkınma mekanizması olarak sunulsa da sonuç bölümünde bağımsız bir remittance tablosu veya modeli yoktur.

Yazılım: Kullanılan istatistik yazılımı kaynakta belirtilmemiştir.

Etik/onam raporlaması: Kaynak PDF'de 250 katılımcılı questionnaire ve in-depth interview çalışması için ayrı ethics approval veya informed-consent beyanı görünmemektedir. Bu bilginin PDF'de yer almaması, etik süreç uygulanmadığını kanıtlamaz.

Politika önerileri

Kaynak sonuçlarını üç ana politika alanına bağlamaktadır.

Kırsal eğitim ve vocational training: Eğitim migrant income ile anlamlı ilişki gösterdiğinden, köken bölgelerinde işgücü becerisinin yükseltilmesi önerilmektedir.

Informal-sector formalization: Kaynak migrantların büyük bölümünün informal işlerde çalıştığını ve uzun çalışma süresinin gelir artışına dönüşmeyebildiğini tartışarak daha güvenli ve formal employment koşullarının önemini vurgulamaktadır.

Remittance investment: Göçmen gelirinin yalnız günlük tüketimde değil, eğitim, üretken yerel yatırım ve kırsal ekonomik kapasite üzerinde daha kalıcı biçimde kullanılmasını teşvik eden politikalar önerilmektedir.

Gelecek araştırmalar

Kaynak future research için longitudinal design önermektedir. Böylece migrantların zaman içinde kentte kalma, köylerine dönme, gelirlerini nasıl kullanma ve return migration sonrasında hangi ekonomik sonuçlarla karşılaşma süreçleri izlenebilir.

Ayrıca mevcut modelde ölçülmeyen social networks gibi değişkenlerin ileride modele eklenmesi önerilmektedir.

Kaynak ve Yöntem Notu

Özgün çalışma: Demographic Drivers of Labor Migration and Their Impact on Rural-Urban Development.

Yazarlar: Arini Fitria Mustapita, Mohammad Rizal.

Yazar sırası: Kaynak PDF ve resmî makale kaydındaki sıra korunmuştur.

Eş katkı: Kaynak PDF'de eş birinci yazarlık/eş katkı beyanı bulunmamaktadır.

Sorumlu yazar: Arini Fitria Mustapita.

Kurum: Universitas Islam Malang.

Dergi: Economics Development Analysis Journal.

Yayımlayıcı: Department of Economic Development, Faculty of Economics, Universitas Negeri Semarang ve Asosiasi Pendidikan Ekonomi LPTK yayımlayıcı yapısı.

Cilt / sayı: Volume 14, Number 4.

Sayı yılı: 2025.

Sayfalar: 588–602.

Article ID: 34174.

DOI: 10.15294/edaj.v14i4.34174.

Makale geçmişi — PDF: Received October 2025; Accepted January 2026; “Pusblished February 2026”.

Resmî çevrimiçi yayın tarihi: 22 Şubat 2026.

Kaynak türü: Mixed-methods araştırma makalesi; saha anketi, nicel regresyonlar, betimsel analiz ve nitel görüşmeler içermektedir.

Hakemlik: Derginin resmî politika sayfası double-blind peer review sürecini belirtmektedir.

Preprint durumu: Kaynak PDF ve resmî makale kaydında ayrı preprint sürümü belirtilmemektedir.

Lisans: Kaynak PDF'de makaleye özgü açık Creative Commons satırı bulunmamaktadır. Derginin eski resmî About/Copyright politikası CC BY 3.0 göstermektedir; bu nedenle lisans bilgisi dergi politikası düzeyinde değerlendirilmelidir.

Finansman: Kaynak PDF'de ayrı funding statement bulunmamaktadır.

Çıkar çatışması: Kaynak PDF'de ayrı conflict-of-interest beyanı bulunmamaktadır.

Veri erişilebilirliği: Ayrı Data Availability bölümü bulunmamaktadır. Figure 1–9 “Authors' survey, 2024” olarak kaynaklandırılmıştır; ham bireysel veri deposu bildirilmemektedir.

CRediT / yazar katkıları: Kaynak PDF'de ayrı CRediT veya author-contribution bölümü bulunmamaktadır.

Etik kurul / informed consent: Kaynak PDF'de questionnaire ve in-depth interview katılımcıları için ayrı etik kurul/onam beyanı görünmemektedir. Raporlanmamış bir prosedürün varlığı veya yokluğu varsayılmamıştır.

Coğrafi kapsam: Malang Regency, East Java, Indonesia.

Subdistrictler: Singosari, Pakis, Dampit, Gondanglegi, Bantur.

Örneklem: 250 migrant worker; 50 kişi/subdistrict.

Örnekleme yöntemi: Purposive sampling.

Nicel veri: Questionnaire ile labor conditions ve remittance ilişkili bilgiler.

Nitel veri: NGO representatives ve community leaders ile in-depth interviews. Nitel katılımcı sayısı, coding scheme ve analytic integration ayrıntıları raporlanmamıştır.

Yerleşme modeli: Kaynak abstract/yöntemde multinomial logistic regression ifadesini kullanmaktadır; Denklem (1) ve conclusion binary-logit yapı göstermektedir.

Denklem (1): \(\log(P(INTENTION=1)/P(INTENTION=0))=\beta_0+\beta_1AGE+\beta_2EDUC+\beta_3INCM+\beta_4MARIED+\beta_5ASSETS+\beta_6JOBVELG\).

Tablo 2 ana sonuçları: AGE = −0.358 (p = 0.000); EDUC = −0.078 (p = 0.006); INCM = +1.211 (p = 0.029); MARIED = −0.353 (p = 0.549); ASSET = −0.459 (p = 0.457); JOB VELG = −0.058 (p = 0.519).

Outcome-coding sınırı: Tablo 2 0 = Stay, 1 = No Stay göstermektedir; kaynak sözlü katsayı yorumları bu kodlamayla matematiksel olarak uyuşmamaktadır.

Hosmer–Lemeshow: χ² = 7.916; p = 0.378.

Sınıflandırma: Ham hücreler 12/39 ve 7/192 olup aritmetik toplam %81,6 doğru sınıflandırma verir. Kaynak başka yerlerde %83,4 overall accuracy raporlamaktadır.

Yerleşme niyeti oranları: Figure 1 %24,4 Stay / %75,6 No Stay; Tablo 2 ham sınıfları %20,4 / %79,6; başka bir sonuç cümlesi %87,6 No Stay bildirmektedir.

Gelir modeli Denklem (2): \(INCM=\alpha_0+\alpha_1AGE+\alpha_2EDUC+\alpha_3MARIED+\alpha_4ASSETS+\alpha_5JOBVELG+\epsilon\).

Tablo 3 model farkı: Tablo 3 EDUC, AGE, MARIED, RES ve LOG_JOB değişkenlerini raporlar; ASSET tabloda bulunmaz.

Tablo 3 eğitim sonucu: EDUC B = 0.127; Std. Error = 0.037; standardized Beta = 0.199; t = 3.114; p = 0.005; VIF = 1.279.

Eğitim katsayısı raporlama farkı: Tartışmanın sonraki bölümünde β = 0.456, p < 0.001 ve yaklaşık %45,6 income increase ifadesi kullanılmıştır; bu değer Tablo 3 tarafından desteklenmemektedir.

Diğer gelir sonuçları: AGE p = 0.357; MARIED p = 0.923; RES p = 0.134; LOG_JOB p = 0.478.

Figure 2 eğitim: Kaynakta elementary %28,4; junior high %34,7; high school %21,3; “baccalaureate” %7,4; bachelor's %8,2 olarak gösterilmektedir.

Figure 3 yaş: <20 %3,2; 21–30 %28,3; 31–40 %32,2; 41–50 %25,9; 51–60 %9,0; >60 %1,4.

Figure 4 medeni durum: Evli %84,2; evli değil %15,8.

Figure 5 köken bölgesinde mülk: Var %87,7; yok %12,3.

Figure 6 aile sorumluluğu: Kaynak ortalama dört kişilik sorumluluk bildirmektedir.

Figure 7 köken bölgesindeki iş: %87,1 işi bulunduğunu/koruduğunu, %1,8 bulunmadığını gösterir; kalan %11,1 üçüncü kategori olarak görünmektedir. Metnin “majority did not provide answers” ifadesi grafikle uyuşmamaktadır.

Figure 8 çalışma süresi: <5 yıl %31,8; 6–10 yıl %27,0; 11–15 yıl %15,8; 16–20 yıl %11,3; 21–25 yıl %6,2; >25 yıl %7,9; ortalama 12,2 yıl.

Figure 9 gelir: <1 milyon rupiah %9,3; 1–2 milyon %37,2; >2 milyon %53,5.

Remittance sınırı: Remittances çalışmanın kalkınma anlatısında merkezidir fakat ayrı remittance outcome/regression sonucu yayımlanmamaktadır.

Rural-urban development sınırı: Kaynak doğrudan bir rural-development index tahmin etmemektedir; kalkınma bağlantısı göçmen geliri, remittances, geri dönüş yönelimi ve köken bölgesi bağları üzerinden yorumlanmaktadır.

Ana politika önerileri: Rural vocational training, informal-sector formalization ve remittance investment incentives.

Gelecek çalışma: Longitudinal return-migration tasarımları ve social networks gibi ölçülmeyen değişkenlerin eklenmesi.