Amaç: Ekonomik Kalkınma ve İşbirliği Örgütü [Organization of Economic Development and Cooperation (OECD)] üyesi ülkelerin bulaşıcı olmayan hastalıklar risk faktörleri (BOHRF) ile sağlık düzeyleri ve gelir dağılımları arasındaki ilişkiyi incelemek, ülkelerin araştırılan değişkenlere göre konumunu ve performansını belirlemektir. Gereç ve Yöntemler: OECD üye ülkelerinin bulaşıcı olmayan hastalıklar risk faktörleri, doğumda beklenen yaşam süresi (DBYS), bebek ölüm hızı (BÖH) ve GINI katsayısı araştırmanın değişkenleridir. Bu veriler OECD, Dünya Sağlık Örgütü ve Dünya Bankası istatistiklerinden faydalanılarak elde edilmiştir. BOHRF değişkenleri ve sağlık düzeyi değişkenleri ile GINI katsayısı arasındaki ilişki, kanonik korelasyon analizi (KKA) ile incelenmiştir. Ayrıca, Türkiye'nin BOHRF ve sağlık statüsü değişkenlerine göre OECD ülkeleri arasındaki konumunu belirlemek için Çok Boyutlu Ölçekleme (ÇBÖ) ve MULTIMOORA yöntemleri kullanılmıştır. Bulgular: KKA sonuçlarına göre BOHRF sağlık düzeyindeki değişkenliğin %38,5'ini açıklamaktadır. Birinci kanonik fonksiyonda, BOHRF ile BÖH, GINI katsayısı ve DBYS arasında orta derece (-0,596, -0,498 ve 0,579 sırasıyla) anlamlı ilişkiler bulunmuştur (p<0,001). İki boyutlu ÇBÖ modeline göre birbirine en çok benzeyen ülkelerin Almanya-Portekiz, en farklı ülkelerin ise Japonya-Meksika olduğu görülmüştür. Türkiye'ye en çok benzeyen ülkeler Meksika ve Şili'dir. MULTIMOORA sonuçlarına göre Finlandiya 1. Meksika sonuncu, Türkiye ise 34. ülke olarak sıralanmıştır. Sonuç: Ülkelerdeki BOHRF'nin fazlalığı ile sağlık düzeyi göstergeleri ve GINI katsayısı arasında anlamlı ilişkiler bulunmuştur. Çalışmada, incelenen değişkenlere göre Türkiye ile en fazla farklılaşan ülkeler MULTIMOORA sıralamasında üst sıralarda bulunan ülkelerdir. Bu farklılaşmanın, azaltılması ve sağlık statüsü göstergelerinin iyileştirilmesi için Türkiye'nin obezite ile mücadelede, tütün kullanımını azaltmada ve alkol tüketimini düşürmede etkin politikalar geliştirmesi gerekmektedir.
Anahtar Kelimeler: Bulaşıcı olmayan hastalıklar; risk faktörleri; sağlık düzeyi göstergeleri
Objective: To examine the relationship between noncommunicable disease risk factors and health status and income distribution of the countries of the Organization of Economic Development and Cooperation (OECD) and also examine the position and performance of the countries according to the research variables. Material and Methods: Noncommunicable diseases risk factors (NDRF), life expectancy at birth (LEB), infant mortality rate (IMR), and GINI coefficient of OECD countries in 2016 are research variables. The data obtained from the website records of the OECD, World Health Organization and the World Bank. The relationship between health status indicators and NDRF were analyzed by canonical correlation analysis (CCA). Multidimensional Scaling (MDS) and MULTIMOORA techniques were used to identify the place of Turkey among OECD countries, according to NDRF and health status variables. Results: NDRF variables can account for %38.5 of the variation of health status variables according to CCA. In the first canonical function, IMR, GINI and LEB had medium correlation with the set of NDRF variables: -0.596, -0.498 and 0.579, respectively (p<0.001). Germany and Portugal were the most similar countries, while Japan and Mexico were the most dissimilar countries. Chile and Mexico were more similar countries with Turkey in the two dimensions MDS model. According to MULTIMOORA, Finland was 1st, Mexico was the last, and Turkey was the 34th country among the OECD countries. Conclusion: Significant relationships were found between the excess BOHRF and the health status and GINI indicators in the countries. The countries that are the most dissimilar with Turkey are the countries that have the highest rank in the MULTIMOORA technique according to research variables. To reduce the dissimilarities and increase our health status, effective policies are necessary to fight against obesity, reduce tobacco and alcohol consumptions.
Keywords: Noncommunicable diseases; risk factors; health status indicators
- GBD 2017 DALYs and HALE Collaborators. Global, regional, and national disability-adjusted life-years (DALYs) for 359 diseases and injuries and healthy life expectancy (HALE) for 195 countries and territories, 1990-2017: a systematic analysis for the Global Burden of Disease Study 2017. Lancet. 2018; 392(10159):1859-922. Erratum in: Lancet. 2019;393(10190):e44. [PubMed] [PMC]
- WHO. Noncommunicable diseases. World Health Organization. [Link] Published 1 June 2018. Accessed June 2, 2020.
- DSÖ Avrupa Bölge Ofisi. [Multisectoral Action Plan of Turkey for Noncommunicable Diseases 2017-2025]. Ankara; 2017. [Link]
- Boz C, Kurtulus SA. The Effects of Income , Income Distribution and Health Expenditures on Under-Five Mortality Rate. International Journal of Humanities and Social Science Invention. 2017;6(3):42-9. [Link]
- Erçakar M, Güvenoğlu H. [An Overview of Income Distribution and Social Protection Expenditures in Turkey]. Sos Bilim Metinleri. 2018;(1):38-53. [Link]
- OECD. [OECD Health Systems Reviews: Turkey]. Fransa; 2008. [Link]
- Erdoğan E, Ener M, Arıca F. The Strategic Role of Infant Mortality in the Process of Economic Growth: An Application for High Income OECD Countries. Procedia - Soc Behav Sci. 2013;99:19-25. [Crossref]
- Yiğit P, Kumru S. Joinpoint Regression Analysis of the Basic Health Indicators Between the Years of 2003-2016 in Turkey. Turkiye Klin J Biostat. 2019;11(1):47-65. [Crossref]
- Ersöz F. [Analysis of health levels and expenditures of Turkey and OECD countries]. İstatistikçiler Derg. 2008;2:95-104. [Link]
- WHO | World Health Organization. [Link] Accessed May 7, 2020.
- World Bank. World {Bank} {Group} - {International} {Development}, {Poverty}, & {Sustainability}. World Bank. [Link] Published 2017. Accessed May 7, 2020.
- Alpar R. Uygulamalı Çok Değişkenli İstatistiksel Yöntemler. 3. Baskı. Ankara: Detay Yayıncılık; 2011.
- Hair JF, Black WC, Babin BJ, Anderson RE. Multivariate Data Analysis A Global Perspective. 7th ed. London: Pearson Education; 2010.
- Wickelmaier F. An Introduction to MDS. Aalborg University, Denmark; 2003. [Link]
- Özdamar K. Paket Programlarla İstatistiksel Veri Analizi. 9. Baskı. Eskişehir: Nisan Kitabevi; 2013.
- Eren Ö, Orhunbilge N. [Determination of the Signals of 2009 Global Financial Crisis Through Past Era Socio-Economic Indicators by Multidimensional Scaling Technique and an Application]. Balkan Sosyal Bilimler Dergisi. 2015;4(8):96-107.
- Kruskal JB. Multidimensional scaling by optimizing goodness of fit to a nonmetric hypothesis. Psychometrika. 1964;29(1):1-27. [Crossref]
- Önay O, Çetin E. [Determining the popularity of tourist destinations: Istanbul case]. Islet Iktis Enst Yönetim Derg. 2012;23(72):90-109. [Link]
- Brauers WKM, Zavadskas EK. Project management by multimoora as an instrument for transition economies. Technol Econ Dev Econ. 2010;16(1):5-24. [Crossref]
- Willem Karel Brauers M, Kazimieras Zavadskas E. The MOORA method and its application to privatization in a transition economy. Control Cybern. 2006;35(2). [Link]
- Yıldırım BF, Önder E. Çok Kriterli Karar Verme Yöntemleri. 2. Baskı. Bursa: Dora Basım-Yayın Dağıtım; 2015.
- Arslankaya S, Göraltay K. Çok Kriterli Karar Verme Yöntemlerinde Güncel Yaklaşımlar, Ankara: İKSAD Publishing House; 2019.
- Baležentis A, Baležentis T, Valkauskas R. Evaluating situation of lithuania in the european union: Structural indicators and multimoora method. Technol Econ Dev Econ. 2010;16(4):578-602. [Crossref]
- Brauers WKM, Ginevičius R. The Economy of the Belgian Regions Tested with MULTIMOORA. J Bus Econ Manag. 2010;11(2):173-209. [Crossref]
- Brauers WKM, Zavadskas EK. Multimoora optimization used to decide on a bank loan to buy property. Technol Econ Dev Econ. 2011;17(1):174-188. [Crossref]
- Ersöz F, Atav A. [MOORA method in multi-criteria decision making problems]. KHO Savun Bilim Enstitüsü Harekat Araştırması. 2011:1-10. [Link]
- Murakami Y, Ueshima H, Okamura T, Kadowaki T, Hozawa A, Kita Y, et al; NIPPON DATA80 Research Group. Life expectancy among Japanese of different smoking status in Japan: NIPPON DATA80. J Epidemiol. 2007;17(2):31-7. [Crossref] [PubMed] [PMC]
- Arem H, Matthews CE, Lee IM. Physical Activity Is Key for Successful Aging-Reply: Even a Little Is Good. JAMA Intern Med. 2015;175(11):1863. [Crossref] [PubMed]
- Bauman A, Merom D, Bull FC, Buchner DM, Fiatarone Singh MA. Updating the Evidence for Physical Activity: Summative Reviews of the Epidemiological Evidence, Prevalence, and Interventions to Promote "Active Aging". Gerontologist. 2016;56 Suppl 2:S268-80. [Crossref] [PubMed]
- Erikli S, Yücel A. [Does income inequality affect the well-being of individuals? Findings from Turkey]. Aksaray Üniversitesi Sos Bilim Enstitüsü Derg. 2019;3(2):243-260. [Crossref]
- Boz C, Sur H, Söyük S. The Similarities and Differences Analysis of OECD Countries in Terms of Health System Indicators. ACU Sağlık Bilim Derg. 2016;7(3):154-64. [Link]
- Mut S, Akyürek ÇE. [Classifying OECD Countries According to Health Indicators Using Clustering Analysis]. Int J Acad Value Stud. 2017;3(12):411-22. [Crossref]
- Yiğit A. Performance Analysis of OECD Countries Based On Health Outcomes and Expenditure Indicators. J Int Heal Sci Manag. 2019;5(9):114-23. [Link]
- Haluk ÖS, Boz C. Comparison of Health Status and Macroeconomic Indicators in Organization for Economic Cooperation and Development Countries Using Multidimensional Scaling and TOPSIS. J Heal Sci Prof. 2019;6(3):545-54. [Crossref]
.: Process List