Ekonometri II Vize Projesi

Bu projede, aşağıdaki konulara odaklanmayı planlıyorum:

• R programlama dilini ve RStudio arayüzünü etkin bir şekilde kullanmayı öğrenmek.

• Temel veri analizi için gereken paketleri ve kodlama tekniklerini öğrenmek.

• Veri görselleştirme yeteneklerini geliştirmek.

• Veri temizleme ve dönüştürme süreçlerini anlamak ve uygulamak.

• Farklı veri yapılarını, özellikle zaman serisi, panel veri ve kesit verilerini işlemek.

• Veri analizi sonuçlarını yorumlayarak ekonometrik analiz becerilerini geliştirmek.

Projemde, R programını kullanarak gerçek dünya verilerini indirip analiz edeceğim ve bu süreçte karşılaştığım zorlukları aşma ve çözme becerilerimi geliştireceğim. Ayrıca, ekonometri teorisini uygulamaya dönüştürerek, ekonometrik modelleme ve veri analizi konularında pratik yapma fırsatı bulacağım.

SORU

• Paketler nedir? Paketler neden önemlidir? Paketler neden kullanılır? Paketlere nasıl erişilir ve nasıl kullanır? 5 tane paket örneği veriniz?

CEVAP

Paketlere Nasıl Erişilir ve nasıl kullanır:

Paketler, hem R hem de Python gibi programlama dillerinde kullanıcıların işlerini kolaylaştıran önemli araçlardır. İşte her iki dilde de paketleri kurma, erişme ve kullanma hakkındakı bilgiler:

R Programlama Dili:

Paket Kurma: R’de paket kurmak için install.packages() fonksiyonunu kullanabilirsiniz. Örneğin, install.packages(“paket_adı”) şeklinde belirtilen paket adıyla paketi indirebilirsiniz.

Pakete Erişim: Paketi kullanmak için öncelikle library() fonksiyonunu kullanarak yüklemeniz gerekir. Örneğin, library(paket_adı) şeklinde kullanabilirsiniz veya aktifleşebilirsiniz.

Paket Kullanımı: Paketi yükledikten sonra, içindeki fonksiyonları kullanabilirsiniz. Örneğin, paket_adı::fonksiyon_adi() şeklinde kullanabilirsiniz.

Python Programlama Dili:

Paket Kurma: Python’da paketleri kurmak için pip veya conda gibi paket yöneticilerini kullanabilirsiniz. Örneğin, pip install paket_adı veya conda install paket_adı şeklinde belirtilen paket adıyla paketi indirebilirsiniz.

Pakete Erişim: Paketi kullanmak için import anahtar kelimesini kullanabilirsiniz. Örneğin, import paket_adı şeklinde kullanarak paketi projenize dahil edebilirsiniz.

Paket Kullanımı: Paketi yükledikten sonra, içindeki fonksiyonları veya sınıfları kullanabilirsiniz. Örneğin, paket_adı.fonksiyon_adi() veya paket_adı.sinif_adi şeklinde kullanabilirsiniz.

5 Tane Paket Örneği:

Örnek 1 (Wooldridge Paketi)

“wooldridge” paketi, özellikle ekonometri alanında kullanılan bir R paketidir. Bu paket, Jeffrey M. Wooldridge tarafından geliştirilmiş ve istatistiksel analizler, regresyon modelleri ve ekonometrik metodolojilerle ilgili araçları içermektedir.

• Temel Özellikleri:

Ekonometrik modelleme ve tahmine yönelik birçok fonksiyon içeren Wooldridge paketi, doğrusal regresyon, panel veri analizi, zaman serisi analizi ve kesit veri analizi gibi birçok ekonometrik yöntemi kapsar.

• Önemi:

Ekonometri ve diğer sosyal bilimlerde araştırma yapanlar için önemli bir araç olan Wooldridge paketi, ekonometrik modellerin kolayca tahmin edilmesini ve analiz edilmesini sağlayarak ekonometrik analizlerde zaman tasarrufu ve verimlilik sağlar.

Örnek 2 (Dplyr Paketi)

Dplyr paketi, R programlama dilinde veri manipülasyonu için kullanılan bir pakettir. Hadley Wickham tarafından geliştirilmiştir ve “The R Programming Language” adlı kitabında da yer almıştır.

• Temel Özellikleri:

Dplyr paketi, veri çerçevelerini (Data frames) seçmek, filtrelemek, düzenlemek, gruplandırmak ve özetlemek için fonksiyonlar içeren bir R paketidir.

• Önemi:

Dplyr paketi, R’da veri manipülasyon işlemlerini kolaylaştırır, zamandan tasarruf sağlar ve daha okunabilir kod yazmayı mümkün kılar.

Örnek 3 (Wbstats Paketi)

Wbstats paketi, R programlama dilinde web sayfalarından veri kazıma (web scraping) için kullanılan bir pakettir. Hadley Wickham tarafından geliştirilmiştir.

• Temel Özellikleri:

Wbstats paketi, web sayfalarından veri seçmek ve çıkarmak için fonksiyonlar içeren bir R paketidir.

• Önemi:

Wbstats paketi, R dilinde web sayfalarından veri çekme süreçlerini basitleştirir, kullanıcılarına zaman kazandırır ve daha okunabilir kod yazmayı sağlar.

Örnek 4 (NumPy Paketi)

NumPy paketi, Python programlama dilinde sayısal hesaplamalar için kullanılan bir pakettir. Travis Oliphant tarafından geliştirilmiştir.

• Temel Özellikleri:

NumPy paketi, Çok boyutlu diziler oluşturma ve yönetme, temel matematiksel işlemleri gerçekleştirme, istatistiksel işlemler yapma ve karmaşık matematiksel işlemleri gerçekleştirme gibi fonksiyonlar içeren bir Python paketidir.

• Önemi:

NumPy paketi,veri bilimi, makine öğrenmesi ve yapay zeka gibi alanlarda önemli oaln bir pakettir. Python’da sayısal hesaplamaları kolaylaştırır, standartlaştırır, hızlandırır ve hata riskini minimize eder.

Örnek 5 (Quantmod Paketi)

Quantmod paketi, R programlama dilinde finansal zaman serileri verilerini analiz etmek için kullanılan bir pakettir. Jeffrey A. Ryan tarafından geliştirilmiştir.

• Temel Özellikleri:

Quantmod paketi, R’da finansal zaman serileri verilerini analiz etmek için kullanılan popüler bir pakettir. Finansal zaman serileri verilerini okuma, yazma ve yönetme, teknik göstergeler hesaplama, geriye dönük ve ileriye dönük test yapma ve finansal modeller kurma gibi fonksiyonlar içerir.

• Önemi:

Quantmod paketi, Finansal analistler, yatırımcılar ve kuantitatif analistler için önemli bir araç olan paket, finansal verileri analiz etmeyi kolaylaştırır, hızlandırır ve hata riskini azaltır.

##install.packages("wbstats")

library(wbstats)

Mal Ihracatı (Mevcut ABD Doları):

“Merchandise exports (current US$)” terimi, bir ülkenin belirli bir dönemde mal ticaretinden kaynaklanan ihracat gelirini ifade eder ve bu gelir ABD doları cinsinden ölçülür. Bu terim, uluslararası ticaretin ekonomik analizlerinde ve karşılaştırmalı incelemelerinde sıkça kullanılır. Bir ülkenin ihracatının hacmi ve değeri, ekonomik büyüme, ticaret dengesi ve rekabet gücü gibi birçok faktörü etkileyen önemli bir göstergedir. Bu veri, ticaret politikalarının etkinliğini değerlendirmek, ticaret dengesi ve dış ticaret açığı gibi kavramları analiz etmek ve ekonomik tahminlerde bulunmak için temel bir araçtır.

Bu projede, Dünya Bankası verilerini kullanarak dünya genelindeki Mal İhracatını (TX.VAL.MRCH.CD.WT) inceleyeceğiz ve bunu ülkelerin Gayri Safi Yurtiçi Hasıla (GSYİH) verileri (NY.GDP.MKTP.CD) ile birleştireceğiz. Dünya Bankası’nın sunduğu çeşitli ekonomik göstergeleri analiz ederek, ülkelerin Mal İhracatındaki değişimlerin GSYİH üzerindeki etkisini inceleyeceğiz.

library(WDI)

Data_WDI <- WDI(country = "all", indicator = c("TX.VAL.MRCH.CD.WT","NY.GDP.MKTP.CD"))

str(Data_WDI)

## 'data.frame':    17024 obs. of  6 variables:
##  $ country          : chr  "Afghanistan" "Afghanistan" "Afghanistan" "Afghanistan" ...
##  $ iso2c            : chr  "AF" "AF" "AF" "AF" ...
##  $ iso3c            : chr  "AFG" "AFG" "AFG" "AFG" ...
##  $ year             : int  1960 1961 1962 1963 1964 1965 1966 1967 1968 1969 ...
##  $ TX.VAL.MRCH.CD.WT: num  5.0e+07 5.3e+07 5.8e+07 7.0e+07 6.4e+07 7.4e+07 6.7e+07 6.6e+07 7.2e+07 8.2e+07 ...
##   ..- attr(*, "label")= chr "Merchandise exports (current US$)"
##  $ NY.GDP.MKTP.CD   : num  5.38e+08 5.49e+08 5.47e+08 7.51e+08 8.00e+08 ...
##   ..- attr(*, "label")= chr "GDP (current US$)"

library(explore)

describe_all(Data_WDI)

## # A tibble: 6 × 8
##   variable          type     na na_pct unique      min     mean      max
##   <chr>             <chr> <int>  <dbl>  <int>    <dbl>    <dbl>    <dbl>
## 1 country           chr       0    0      266      NA  NA       NA      
## 2 iso2c             chr       0    0      266      NA  NA       NA      
## 3 iso3c             chr       0    0      262      NA  NA       NA      
## 4 year              int       0    0       64    1960   1.99e 3  2.02e 3
## 5 TX.VAL.MRCH.CD.WT dbl    2853   16.8   8922       0   2.43e11  2.50e13
## 6 NY.GDP.MKTP.CD    dbl    3826   22.5  13090 8824744.  1.22e12  1.01e14

library(tidyverse)

Data_WDI %>% describe_all()

## # A tibble: 6 × 8
##   variable          type     na na_pct unique      min     mean      max
##   <chr>             <chr> <int>  <dbl>  <int>    <dbl>    <dbl>    <dbl>
## 1 country           chr       0    0      266      NA  NA       NA      
## 2 iso2c             chr       0    0      266      NA  NA       NA      
## 3 iso3c             chr       0    0      262      NA  NA       NA      
## 4 year              int       0    0       64    1960   1.99e 3  2.02e 3
## 5 TX.VAL.MRCH.CD.WT dbl    2853   16.8   8922       0   2.43e11  2.50e13
## 6 NY.GDP.MKTP.CD    dbl    3826   22.5  13090 8824744.  1.22e12  1.01e14

Ek_veri <- WDI_data$country

df <- left_join(Data_WDI, Ek_veri)

• Kullandığımız veri setinde, bazı girdiler gerçek ülkeleri temsil etmemekte, bunun yerine Sınıflandırılmamış, OECD üyeleri veya Diğer küçük devletler gibi açıklamalar içermektedir. Analizimizde doğruluk sağlamak için bu ülkeler dışı girdileri hariç tutmamız gerekmektedir.

df <- df %>% filter(region != "Aggregates")

df %>% describe_all()

## # A tibble: 12 × 8
##    variable          type     na na_pct unique      min          mean      max
##    <chr>             <chr> <int>  <dbl>  <int>    <dbl>         <dbl>    <dbl>
##  1 country           chr       0    0      215      NA            NA  NA      
##  2 iso2c             chr       0    0      215      NA            NA  NA      
##  3 iso3c             chr       0    0      215      NA            NA  NA      
##  4 year              int       0    0       64    1960          1992.  2.02e 3
##  5 TX.VAL.MRCH.CD.WT dbl    2610   19     6074       0   36364301897.  3.59e12
##  6 NY.GDP.MKTP.CD    dbl    3362   24.4  10392 8824744. 192049519539.  2.54e13
##  7 region            chr       0    0        7      NA            NA  NA      
##  8 capital           chr       0    0      210      NA            NA  NA      
##  9 longitude         chr       0    0      210      NA            NA  NA      
## 10 latitude          chr       0    0      210      NA            NA  NA      
## 11 income            chr       0    0        5      NA            NA  NA      
## 12 lending           chr       0    0        4      NA            NA  NA

• Veri kümemizde hala bazı eksik değerler (‘NA’) bulunmaktadır. Bu eksik değerleri filtreleyerek verilerimizi daha temiz hale getireceğiz.

kayıp_veri <- df %>%
  group_by(country) %>%
  summarise(kayıp_sayısı =sum(is.na(TX.VAL.MRCH.CD.WT) |is.na(NY.GDP.MKTP.CD)), .groups = 'drop')

kayıp_sayısı <- df %>%
  group_by(country) %>%
  summarise(sayı= sum(is.na(TX.VAL.MRCH.CD.WT) | is.na(NY.GDP.MKTP.CD)))

df <- left_join(df, kayıp_sayısı)

df<- df %>% filter(sayı<2)

df <- df%>% filter(year>=2000)

df <- df %>% filter(NY.GDP.MKTP.CD != "NA", TX.VAL.MRCH.CD.WT != "NA")

df %>% describe_all()

## # A tibble: 13 × 8
##    variable          type     na na_pct unique        min          mean      max
##    <chr>             <chr> <int>  <dbl>  <int>      <dbl>         <dbl>    <dbl>
##  1 country           chr       0      0     81        NA            NA  NA      
##  2 iso2c             chr       0      0     81        NA            NA  NA      
##  3 iso3c             chr       0      0     81        NA            NA  NA      
##  4 year              int       0      0     23      2000          2011   2.02e 3
##  5 TX.VAL.MRCH.CD.WT dbl       0      0   1761  13000000  122283022544.  3.59e12
##  6 NY.GDP.MKTP.CD    dbl       0      0   1863 421695770. 636286157962.  2.54e13
##  7 region            chr       0      0      7        NA            NA  NA      
##  8 capital           chr       0      0     81        NA            NA  NA      
##  9 longitude         chr       0      0     81        NA            NA  NA      
## 10 latitude          chr       0      0     81        NA            NA  NA      
## 11 income            chr       0      0      4        NA            NA  NA      
## 12 lending           chr       0      0      4        NA            NA  NA      
## 13 sayı              int       0      0      1         1             1   1   e 0

unique(df$country)

##  [1] "Algeria"                        "Australia"                     
##  [3] "Austria"                        "Bahamas, The"                  
##  [5] "Belize"                         "Benin"                         
##  [7] "Bolivia"                        "Botswana"                      
##  [9] "Burkina Faso"                   "Burundi"                       
## [11] "Cameroon"                       "Canada"                        
## [13] "Central African Republic"       "Chad"                          
## [15] "Chile"                          "China"                         
## [17] "Colombia"                       "Congo, Rep."                   
## [19] "Costa Rica"                     "Cote d'Ivoire"                 
## [21] "Dominican Republic"             "Ecuador"                       
## [23] "Eswatini"                       "Fiji"                          
## [25] "Finland"                        "France"                        
## [27] "Gabon"                          "Ghana"                         
## [29] "Greece"                         "Guatemala"                     
## [31] "Guyana"                         "Haiti"                         
## [33] "Honduras"                       "Hong Kong SAR, China"          
## [35] "Iceland"                        "India"                         
## [37] "Ireland"                        "Italy"                         
## [39] "Jamaica"                        "Japan"                         
## [41] "Kenya"                          "Korea, Rep."                   
## [43] "Lesotho"                        "Madagascar"                    
## [45] "Malaysia"                       "Mexico"                        
## [47] "Morocco"                        "Myanmar"                       
## [49] "Nepal"                          "Netherlands"                   
## [51] "Niger"                          "Nigeria"                       
## [53] "Norway"                         "Pakistan"                      
## [55] "Panama"                         "Papua New Guinea"              
## [57] "Philippines"                    "Portugal"                      
## [59] "Rwanda"                         "Senegal"                       
## [61] "Seychelles"                     "Sierra Leone"                  
## [63] "Singapore"                      "South Africa"                  
## [65] "Spain"                          "Sri Lanka"                     
## [67] "St. Kitts and Nevis"            "St. Vincent and the Grenadines"
## [69] "Sudan"                          "Suriname"                      
## [71] "Sweden"                         "Thailand"                      
## [73] "Togo"                           "Trinidad and Tobago"           
## [75] "Turkiye"                        "Uganda"                        
## [77] "United Kingdom"                 "United States"                 
## [79] "Uruguay"                        "Zambia"                        
## [81] "Zimbabwe"

Bireysel ülke seçimi ve grafiği:

df_US <- df %>% filter(iso2c == "US")

ggplot(df_US, aes(x= year, y= TX.VAL.MRCH.CD.WT)) + geom_line(color= "blue") + labs( title = "Merchandise Exports(current US$) in USA") + theme_gray()

df_FR_AU <- df %>% filter(iso2c %in% c("FR","AU"))

ggplot(df_FR_AU, aes(year, TX.VAL.MRCH.CD.WT, color= country)) + geom_line() + labs(x="year", y="Merchandise exports(current US$)", title = "Merchandise exports(current US$) Comparison Between France & Australia") + theme_gray()

Sene seçimi:

Şimdi, bütün ülkelerin bir yıl içinde Mal Ihracatını (Mevcut ABD Doları) Nüfus bazında göstermek istiyorum. Buna (kesit verileri) diyoruz.

df_2022 <- df %>% filter(year == 2022)

ggplot(df_2022, aes(x=NY.GDP.MKTP.CD , y=TX.VAL.MRCH.CD.WT, colour = region)) + geom_point() + geom_text(label = df_2022$iso2c) + theme_gray()

Garafikte görüldüğü üzere, Çin ve Amerika’nın ekonomik büyüklükleri göz önünde bulundurulduğunda, bu ülkelerin diğerlerinden daha yüksek yerlerde olduğu görülmektedir.

bu iki ülke çıkaralım diğerlereni bakalım.

df_2022_CNveUSsiz <- df_2022 %>% filter(iso2c != "CN")

df_2022_CNveUSsiz <-  df_2022_CNveUSsiz %>% filter(iso2c != "US")

ggplot(df_2022_CNveUSsiz, aes(x=NY.GDP.MKTP.CD , y=TX.VAL.MRCH.CD.WT, colour = region)) + geom_point() + geom_text(label = df_2022_CNveUSsiz$iso2c) + theme_gray()

Mal İhracatın GSYİH Üzerindeki Etkisinin Analizi: Regresyon Modeli

Bu çalışmada, mal ihracatın Gayri Safi Yurt İçi Hasıla (GSYİH) üzerindeki etkisini anlamak için bir regresyon analizi gerçekleştirildi. Aşağıda, oluşturulan regresyon modelinin detaylı analizi ve sonuçları sunulmaktadır.

reg_model <- lm(NY.GDP.MKTP.CD ~ TX.VAL.MRCH.CD.WT , data = df)
summary(reg_model)

## 
## Call:
## lm(formula = NY.GDP.MKTP.CD ~ TX.VAL.MRCH.CD.WT, data = df)
## 
## Residuals:
##        Min         1Q     Median         3Q        Max 
## -5.059e+12 -1.652e+08  1.413e+11  1.516e+11  1.231e+13 
## 
## Coefficients:
##                     Estimate Std. Error t value Pr(>|t|)    
## (Intercept)       -1.504e+11  2.912e+10  -5.166 2.65e-07 ***
## TX.VAL.MRCH.CD.WT  6.433e+00  9.142e-02  70.375  < 2e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 1.16e+12 on 1861 degrees of freedom
## Multiple R-squared:  0.7269, Adjusted R-squared:  0.7267 
## F-statistic:  4953 on 1 and 1861 DF,  p-value: < 2.2e-16

ggplot(data = df, aes(x = TX.VAL.MRCH.CD.WT , y = NY.GDP.MKTP.CD)) + geom_point(color = "blue", shape = 16) + geom_smooth(method = "lm", formula = y ~ x, se = FALSE, color = "red") +
  labs(title = "Mal İhracatın GSYİH Üzerindeki Etkisi", x = "Mal İhracat", y = "GSYİH") 

Bu grafik, mal ihracatının bir ülkenin Gayri Safi Yurtiçi Hasılası (GSYİH) üzerindeki etkisini göstermektedir. Mavi noktalar her bir ülkenin belirli bir yıldaki mal ihracatı ve GSYİH değerlerini gösterirken, kırmızı doğru regresyon çizgisi bu noktaların genel eğilimini gösterir ve mal ihracatının GSYİH üzerindeki etkisini yansıtır.

Farklı Ülkelerde Mal İhracatının GSYİH İçindeki Payının Analizi:

Mal ihracatının ekonomik büyüme üzerindeki etkisini inceledikten sonra, farklı ülkelerin mal ihracatı stratejilerini anlamak ve verimliliklerini değerlendirmek için bir analiz gerçekleştirdik. Bu çalışma, ülkeler arasındaki ticaretin ve ekonomik performansın karşılaştırmalı bir değerlendirmesini sunmaktadır.

Dunya_MI <- df %>% group_by(year) %>%
  summarise(dunyamalihracati = sum(TX.VAL.MRCH.CD.WT), dunyauretimi = sum(NY.GDP.MKTP.CD), kisibasinamalihracati = dunyamalihracati/dunyauretimi)

df <- left_join(df, Dunya_MI, by = "year")

ggplot(Dunya_MI, aes(x =year , y = kisibasinamalihracati)) + geom_line( colour = "red") + labs(title = "kişi Başına Mal Ihracatı(Mevcut ABD Doları)", x = "year" , y="kişi Başına Mal Ihracatı") + theme_gray()

df <- df%>% mutate(ulkeninmalihracatorani = TX.VAL.MRCH.CD.WT/dunyamalihracati, ulkeninuretimorani = NY.GDP.MKTP.CD/dunyauretimi,
                   verim = ulkeninmalihracatorani/ulkeninuretimorani)

• Şimdi örnek olarak bir ülke seçip, onu verimliğini bakalım.

ggplot(df[898:920,], aes(x = year , y = verim)) + geom_line(colour = "purple") + labs(title = "Japonya'nın Verimliliği", x = "year" , y= "verim")

Grafik, Japonya’nın mal ihracatının GSYİH’ye oranının zaman içindeki değişimini göstermektedir. Mal ihracatının GSYİH’ye oranının yıllara göre nasıl değiştiğini anlamak, Japonya’nın dış ticaret performansı ve ekonomik büyümesi hakkında fikir edinmemize yardımcı olabilir. Grafiğin eğimi, Japonya’nın dış ticaretindeki dönemsel değişimlerin yoğunluğunu yansıtırken, başlıktaki ‘Japonya’nın Verimliliği’ ifadesi ise verimlilik kavramının bu bağlamdaki önemini vurgular.

Subregion

Şimdi bölgelerin ve ülkelerin zaman içindeki verimlilik değişimini animasyonla göstereceğiz.

library(plotly)

library(readxl)

pwt <- read_excel("C:/Users/MARYANSAIDMOHAMED/Desktop/pwt10.01.xlsx", sheet = "Data")

pwt <- pwt %>% filter(year>=2000)

df <- df %>% left_join(pwt)

libraries <- c(
    "tidyverse", "sf", "rnaturalearth",
    "wbstats", "gganimate", "classInt")

invisible(lapply(libraries, library, character.only = TRUE))

df_latinAmerica_Caribbean <- df %>% filter(region== "Latin America & Caribbean")

phi <-ggplot(df_latinAmerica_Caribbean, aes(x = year, y = verim, col = country)) + geom_line(show.legend = FALSE) + facet_wrap(~country, scales = "free") + transition_reveal(year) + labs(title = "year: {frame_long}")

animate(plot = phi,
        nframes = 30)

df_sub_sah_africa <- df %>% filter(region== "Sub-Saharan Africa")

phi_2 <-ggplot(df_sub_sah_africa, aes(x = year, y = verim, col = country)) + geom_line(show.legend = FALSE) + facet_wrap(~country, scales = "free") + transition_reveal(year) + labs(title = "year: {frame_long}")

animate(plot = phi_2,
        nframes = 30)

df_East_asia_pacific <- df %>% filter(region== "East Asia & Pacific")

phi_3 <-ggplot(df_East_asia_pacific, aes(x = year, y = verim, col = country)) + geom_line(show.legend = FALSE) + facet_wrap(~country, scales = "free") + transition_reveal(year) + labs(title = "year: {frame_long}")

animate(plot = phi_3,
        nframes = 30)

df_mideast_northafrica <- df %>% filter(region== "Middle East & North Africa")

phi_4 <-ggplot(df_mideast_northafrica, aes(x = year, y = verim, col = country)) + geom_line(show.legend = FALSE) + facet_wrap(~country, scales = "free") + transition_reveal(year) + labs(title = "year: {frame_long}")

animate(plot = phi_4,
        nframes = 30)

df_EU_CentAsia <- df %>% filter(region== "Europe & Central Asia")

phi_5 <-ggplot(df_EU_CentAsia, aes(x = year, y = verim, col = country)) + geom_line(show.legend = FALSE) + facet_wrap(~country, scales = "free") + transition_reveal(year) + labs(title = "year: {frame_long}")

animate(plot = phi_5,
        nframes = 30)

df_SouthAsia <- df %>% filter(region== "South Asia")

phi_6 <-ggplot(df_SouthAsia, aes(x = year, y = verim, col = country)) + geom_line(show.legend = FALSE) + facet_wrap(~country, scales = "free") + transition_reveal(year) + labs(title = "year: {frame_long}")

animate(plot = phi_6,
        nframes = 30)

df_NorthAmerica <- df %>% filter(region== "North America")

phi_7 <-ggplot(df_NorthAmerica, aes(x = year, y = verim, col = country)) + geom_line(show.legend = FALSE) + facet_wrap(~country, scales = "free") + transition_reveal(year) + labs(title = "year: {frame_long}")

animate(plot = phi_7,
        nframes = 30)

VERİM VE İNSAN SERMAYESİ:

Işletmelerin başarısı, iki temel unsur olan verim ve insan sermayesine bağlıdır. Verim, bir işletmenin girdi kaynaklarını etkin bir şekilde kullanarak çıktılarını maksimize etmesini ifade eder. İnsan sermayesi ise çalışanların bilgi, beceri ve deneyimlerini içeren değerli varlıklardır. Bu iki faktör, bir işletmenin büyüme potansiyelini belirler.

Bu iki unsur, bir ülkenin Gayri Safi Yurtiçi Hasılası’nı (GSYİH) doğrudan etkiler. Verimlilik arttıkça, ekonomik büyüme ivme kazanır çünkü daha fazla çıktı üretilir. İnsan sermayesine yapılan yatırımlar da uzun vadede ekonomik büyümeyi destekler çünkü daha nitelikli iş gücü, daha yenilikçi çözümler ve daha yüksek katma değerli ürünlerin üretilmesini sağlar.

Daha yüksek verimlilik ve insan sermayesine yapılan yatırımlar, bir ülkenin mal ihracatının artmasına ve ekonomik büyümesinin desteklenmesine katkıda bulunur. Bu nedenle, bir ülke mal ihracatını artırmak istiyorsa, verimlilik artışı ve insan sermayesine yönelik yatırımlara odaklanması genellikle önemlidir.

verimlilik artışı ve insan sermayesine yapılan yatırımlar, bir ülkenin ekonomisindeki büyümeyi önemli ölçüde etkiler. Bu iki unsur arasındaki ilişkiyi anlamak için grafiklerle bir analiz yapalım.

library(showtext)
library(ggtext)
library(ggrepel)

data <- df %>% filter(year==2019 & !is.na(hc))

hcverim <- data %>%
  ggplot(aes(x= hc, y=verim)) + 
  geom_point() +
  geom_text(data= data, aes(y = verim + .25, label=iso2c, colour = region),
            size = 2) +
  geom_hline(yintercept=1, linetype='dotted', col = 'black') +
  geom_vline(xintercept=2.5, linetype='dotted', col = 'black') +
  geom_smooth(data=subset(data,verim>1 & hc>2.5),
               method=lm,se=FALSE) +
  labs(title = "VERİM VE İNSAN SERMAYESİ (2022)",
       subtitle = NULL,
       tag = NULL, 
       x = "İNSAN SERMAYESİ",
       y= "Verim",
       color = NULL) +
  theme(
    axis.title.x = element_markdown(),
    axis.title.y = element_markdown(),
    axis.ticks = element_blank(),
    axis.line = element_line(),
    panel.background = element_rect(fill="#FFFFFF")) 

lm_eqn <- function(df){
    m <- lm(verim ~ hc, df);
    eq <- substitute(verim == a + b %.% hc*","~r^2~"="~r2, 
         list(a = format(unname(coef(m)[1]), digits = 2),
              b = format(unname(coef(m)[2]), digits = 2),
             r2 = format(summary(m)$r.squared, digits = 3)))
    as.character(as.expression(eq));
}

hcverim + geom_text(x = 4, y = 3, label = lm_eqn(data %>% filter(hc>2.5, verim>1)), size = 4, parse = TRUE) + 
  geom_text(x = 1.2, y = 8, label = "A", size = 6, parse = TRUE) + 
  geom_text(x = 1.2, y = 0, label = "B", size = 6, parse = TRUE) + 
  geom_text(x = 4.2, y = 8, label = "C", size = 6, parse = TRUE) + 
  geom_text(x = 4.2, y = 0, label = "D", size = 6, parse = TRUE)

Grafikte görüldüğü gibi, bazı ülkelerde insan sermayesi yüksek olabilir ancak verimlilik düşük olabilir. Bunun nedeni, insan sermayesinin yüksek olması (örneğin, eğitim seviyesinin ve işgücü kalitesinin yüksek olması) her zaman doğrudan verimlilikle ilişkili olmayabilir. Verimliliği etkileyen diğer faktörler arasında teknolojik gelişmeler, altyapı, işletme yönetimi, politik istikrar ve ekonomik politikalar gibi unsurlar da yer alır.

Bazı durumlarda, insan sermayesi düşük olmasına rağmen verimlilik yüksek olabilir. Bu, teknolojik yenilikler veya etkili işletme yönetimi gibi faktörlerin varlığından kaynaklanabilir. Örneğin, otomasyon teknolojileri veya diğer ileri üretim süreçleri sayesinde az sayıda işçiyle yüksek üretim elde edilebilir.

Verimlilik ve Hükümet Harcamaları Payı:

Hükümet harcamaları, ekonomik büyüme ve istikrar için kritik bir faktördür ve mal ihracatı ile GSYİH arasındaki dengeyi sağlamak açısından önemli bir rol oynar. Hükümetin mal ihracatını destekleyici politikaları ve altyapı yatırımları yapması, ihracatın artmasına ve dolayısıyla GSYİH’nin büyümesine katkıda bulunabilir. Ancak, etkin olmayan veya dengesiz hükümet harcamaları, ekonominin performansını olumsuz yönde etkileyebilir. Bu nedenle, mal ihracatı, GSYİH ve hükümet harcamaları arasındaki dengeli bir ilişkinin sürdürülmesi ekonomik büyüme ve istikrar için önemlidir.

govverim <- data %>%
  ggplot(aes(x= csh_g, y=verim)) + 
  geom_point() +
  geom_text(data= data, aes(y = verim + .25, label=iso2c, colour = region),
            size = 2) +
  geom_hline(yintercept=1, linetype='dotted', col = 'black')  +
  geom_smooth(data=subset(data,verim>1),method=lm,se=FALSE) +
  labs(title = "Verimlilik ve Hükümet Harcamaları Payı",
       subtitle = NULL,
       tag = NULL, 
       x = "Verimlilik ve Hükümet Harcamaları Payı",
       y= "Verim",
       color = NULL) +
  theme(
    axis.title.x = element_markdown(),
    axis.title.y = element_markdown(),
    axis.ticks = element_blank(),
    axis.line = element_line(),
    panel.background = element_rect(fill="#FFFFFF")
  ) 

lm_eqn2 <- function(df){
    m <- lm(verim ~ csh_g, df);
    eq <- substitute(verim == a + b %.% csh_g*","~r^2~"="~r2, 
         list(a = format(unname(coef(m)[1]), digits = 2),
              b = format(unname(coef(m)[2]), digits = 2),
             r2 = format(summary(m)$r.squared, digits = 3)))
    as.character(as.expression(eq));
}

govverim + geom_text(x = 0.09, y = 2.5, label = lm_eqn2(data %>% filter(verim>1)), size = 3, parse = TRUE)