1910504617
DÜNYA BANKASI
İkinci Dünya Savaşı’ndan sonra Dünya Bankası 1945 yılında Uluslararası İmar ve Kalkınma Bankası (IBRD) olarak kurulmuştur. 1947 yılında Birleşmiş Milletler’in özerk uzmanlık kuruluşlarından biri haline gelmiştir.
Bugün Banka’nın 188 üye ülkesi bulunmaktadır. Bunlardan on biri Banka sermayesinin %55’ine sahiptir. Dünya Bankası Guvernörler Kurulu, İcra Direktörleri Kurulu ve Başkanlık organları tarafından yönetilmektedir. Guvernörler Kurulu, her Üye Devlet tarafından atanan bir Guvernör ve bir Yedek Guvernörden oluşur ve yılda bir kez toplanır. İcra Direktörleri Kurulu, iki yıllık dönemler için atanan 24 üyesiyle daimi karar alma organıdır.
Zaman içinde Dünya Bankası Grubu olarak anılmaya başlanan kuruluş beş ana kurumdan oluşmaktadır.
Uluslararası İmar ve Kalkınma Bankası (IBRD) 1945 yılında kurulmuştur ve Dünya Bankası’nın gelişmekte olan ülkelerdeki kamu sektörüne kredi sağlayan bölümüdür. Türkiye bu kuruluşa 1947 yılında üye olmuştur. Kişi başına düşen GSYİH’ye göre yapılan dört gruplu sınıflandırmaya göre Türkiye, 5 yılı ödemesiz 17 yıla kadar vadeli kredilere erişim sağlayan 3. grupta yer almaktadır. Türkiye’nin oy ve sermaye gücü %0,5’tir.
Kullanayacak paketler
*Dünya Bankası Verilerinin bulunduğu internet sitesine girelim. https://data.worldbank.org/indicator .
*Arama çubuğuna “Imports of goods and services” yazalım ve çıkan göstergeye girelim. Burada verilerin ayrıntılarının çıkacağı internet sitesine yönlendirecektir.
*“Imports of goods and services” göstergesinin kodunu not edelim. Bu kod göstergenin linkinin bulunduğu arama çubuğundan bulabilirsiniz.
*Kodumuz ” NE.IMP.GNFS.ZS ” dur. Bu kod “Imports of goods and services” göstergesini temsil eder.
*https://data.worldbank.org/indicator/NE.IMP.GNFS.ZS?view=chart internet sitesi “Imports of goods and services” göstergesinin verilerinin tamımını gösteren sitedir.
*“Imports of goods and services” göstergesine karşı “Exports of goods and services” yani Mal ve Hizmet İhracatı göstergelerini kullanacağız.
*“Exports of goods and services” kodumuz “NE.EXP.GNFS.ZS” dir. https://data.worldbank.org/indicator/NE.EXP.GNFS.ZS linki population göstergelerini gösterecektir.
Veriler hakkında
Bunun için öncelikle WDI paketini aktif edelim.
Ardından, WDI paketinden “mal ve hizmet ithalatı” ve “mal ve hizmet ihracatı” göstergelerini projeye “mah_data” adı altında kaydediyoruz.
Şimdi “Mal ve hizmet ithalatı” ve “Mal ve hizmet ihracatı” göstergelerindeki bilgileri projemize ekleyelim.
## '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 ...
## $ NE.EXP.GNFS.ZS: num 4.13 4.45 4.88 9.17 8.89 ...
## ..- attr(*, "label")= chr "Exports of goods and services (% of GDP)"
## $ NE.IMP.GNFS.ZS: num 7.02 8.1 9.35 16.86 18.06 ...
## ..- attr(*, "label")= chr "Imports of goods and services (% of GDP)"TIDYVERSE VE EXPLORE PAKETI
“Tidyverse”, R programlama dilinde veri analizi ve veri görselleştirme için kullanılan bir paket koleksiyonudur.Tidyverse özellikle temiz, düzenli verilerin işlenmesi ve analizi için güçlüdür. Pakette yer alan araçlar, veri manipülasyonu, görselleştirme, modelleme ve rapor oluşturma gibi çeşitli veri analizi görevlerini kolaylaştırmak için tasarlanmıştır.
“Explore” paketi, R programlamada veri analizi ve keşfi için kullanılan bir koleksiyondur. Bu koleksiyon, veri setlerini daha iyi anlamak ve keşfetmek için çeşitli işlevler sunar.
## # 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 1992. 2023
## 5 NE.EXP.GNFS.ZS dbl 6268 36.8 10648 0.01 34.2 434.
## 6 NE.IMP.GNFS.ZS dbl 6153 36.1 10765 0.02 38.5 429.Örneğin, bir Dünya Kalkınma Göstergeleri (WDI) veri setinde “ülke” sütunu veri setindeki her bir gözlemin hangi ülkeye ait olduğunu gösterir. Bu sütunu “ülke” adlı yeni bir değişkene atamak, bu sütunu daha sonra analiz veya görselleştirmede kullanmak için uygun bir adım olabilir. Bu şekilde, bu bilgiyi daha erişilebilir hale getirecek ve işleme sürecinde daha kolay kullanabileceksiniz.
Şimdi oluşturduğumuz “ülke” verilerini WDI verileriyle birleştirelim ve yeni veri setine “bah_ekbilgi” adını verelim.
“bah_ekbilgi” veri çerçevesinde, “Aggregates” bölgesine sahip gözlemler çıkarılır, böylece bu filtreleme işleminde yalnızca “Aggregates” olmayan bölgedeki gözlemler kalır. Bu genellikle analiz veya görselleştirme sırasında belirli bir kategoriye ait gözlemleri hariç tutmak için kullanılır.
## # 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. 2023
## 5 NE.EXP.GNFS.ZS dbl 5193 37.7 8565 0.01 36.3 434.
## 6 NE.IMP.GNFS.ZS dbl 5184 37.7 8577 0.02 41.8 429.
## 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 NAŞimdi kaç ülke olduğunu görelim.
## [1] "Afghanistan" "Albania"
## [3] "Algeria" "American Samoa"
## [5] "Andorra" "Angola"
## [7] "Antigua and Barbuda" "Argentina"
## [9] "Armenia" "Aruba"
## [11] "Australia" "Austria"
## [13] "Azerbaijan" "Bahamas, The"
## [15] "Bahrain" "Bangladesh"
## [17] "Barbados" "Belarus"
## [19] "Belgium" "Belize"
## [21] "Benin" "Bermuda"
## [23] "Bhutan" "Bolivia"
## [25] "Bosnia and Herzegovina" "Botswana"
## [27] "Brazil" "British Virgin Islands"
## [29] "Brunei Darussalam" "Bulgaria"
## [31] "Burkina Faso" "Burundi"
## [33] "Cabo Verde" "Cambodia"
## [35] "Cameroon" "Canada"
## [37] "Cayman Islands" "Central African Republic"
## [39] "Chad" "Channel Islands"
## [41] "Chile" "China"
## [43] "Colombia" "Comoros"
## [45] "Congo, Dem. Rep." "Congo, Rep."
## [47] "Costa Rica" "Cote d'Ivoire"
## [49] "Croatia" "Cuba"
## [51] "Curacao" "Cyprus"
## [53] "Denmark" "Djibouti"
## [55] "Dominica" "Dominican Republic"
## [57] "Ecuador" "Egypt, Arab Rep."
## [59] "El Salvador" "Equatorial Guinea"
## [61] "Eritrea" "Estonia"
## [63] "Eswatini" "Ethiopia"
## [65] "Faroe Islands" "Fiji"
## [67] "Finland" "France"
## [69] "French Polynesia" "Gabon"
## [71] "Gambia, The" "Georgia"
## [73] "Germany" "Ghana"
## [75] "Gibraltar" "Greece"
## [77] "Greenland" "Grenada"
## [79] "Guam" "Guatemala"
## [81] "Guinea-Bissau" "Guinea"
## [83] "Guyana" "Haiti"
## [85] "Honduras" "Hong Kong SAR, China"
## [87] "Hungary" "Iceland"
## [89] "India" "Indonesia"
## [91] "Iran, Islamic Rep." "Iraq"
## [93] "Ireland" "Isle of Man"
## [95] "Israel" "Italy"
## [97] "Jamaica" "Japan"
## [99] "Jordan" "Kazakhstan"
## [101] "Kenya" "Kiribati"
## [103] "Korea, Dem. People's Rep." "Korea, Rep."
## [105] "Kosovo" "Kuwait"
## [107] "Kyrgyz Republic" "Lao PDR"
## [109] "Latvia" "Lebanon"
## [111] "Lesotho" "Liberia"
## [113] "Libya" "Liechtenstein"
## [115] "Lithuania" "Luxembourg"
## [117] "Macao SAR, China" "Madagascar"
## [119] "Malawi" "Malaysia"
## [121] "Maldives" "Mali"
## [123] "Malta" "Marshall Islands"
## [125] "Mauritania" "Mauritius"
## [127] "Mexico" "Micronesia, Fed. Sts."
## [129] "Moldova" "Monaco"
## [131] "Mongolia" "Montenegro"
## [133] "Morocco" "Mozambique"
## [135] "Myanmar" "Namibia"
## [137] "Nauru" "Nepal"
## [139] "Netherlands" "New Caledonia"
## [141] "New Zealand" "Nicaragua"
## [143] "Niger" "Nigeria"
## [145] "North Macedonia" "Northern Mariana Islands"
## [147] "Norway" "Oman"
## [149] "Pakistan" "Palau"
## [151] "Panama" "Papua New Guinea"
## [153] "Paraguay" "Peru"
## [155] "Philippines" "Poland"
## [157] "Portugal" "Puerto Rico"
## [159] "Qatar" "Romania"
## [161] "Russian Federation" "Rwanda"
## [163] "Samoa" "San Marino"
## [165] "Sao Tome and Principe" "Saudi Arabia"
## [167] "Senegal" "Serbia"
## [169] "Seychelles" "Sierra Leone"
## [171] "Singapore" "Sint Maarten (Dutch part)"
## [173] "Slovak Republic" "Slovenia"
## [175] "Solomon Islands" "Somalia"
## [177] "South Africa" "South Sudan"
## [179] "Spain" "Sri Lanka"
## [181] "St. Kitts and Nevis" "St. Lucia"
## [183] "St. Martin (French part)" "St. Vincent and the Grenadines"
## [185] "Sudan" "Suriname"
## [187] "Sweden" "Switzerland"
## [189] "Syrian Arab Republic" "Tajikistan"
## [191] "Tanzania" "Thailand"
## [193] "Timor-Leste" "Togo"
## [195] "Tonga" "Trinidad and Tobago"
## [197] "Tunisia" "Turkiye"
## [199] "Turkmenistan" "Turks and Caicos Islands"
## [201] "Tuvalu" "Uganda"
## [203] "Ukraine" "United Arab Emirates"
## [205] "United Kingdom" "United States"
## [207] "Uruguay" "Uzbekistan"
## [209] "Vanuatu" "Venezuela, RB"
## [211] "Virgin Islands (U.S.)" "West Bank and Gaza"
## [213] "Yemen, Rep." "Zambia"
## [215] "Zimbabwe"Eksik veri listesi oluşturulduktan sonra, veri setimizdeki eksik verileri azaltmamız gerekir. Bunu yapmak için belirli bir dönem seçebiliriz. Biz burada 2005’ten sonraki verilere odaklanacağız.
Ardından, her ülkede ne kadar eksik veri olduğunu görelim.
eksik_sayisi <- df %>% group_by(country) %>% summarise(eksik_NE_EXP = sum(is.na(NE.EXP.GNFS.ZS)),
eksik_NE_IMP = sum(is.na(NE.IMP.GNFS.ZS)))Bu kodda, her ülke için eksik veri öğelerinin sayısını gösteren bir liste oluşturduk.
Şimdi bu eksik veri sayısını veri verimimizle birleştirelim.
Gördüğümüz gibi, eksik verilerin çoğu hala veritabanımızda mevcut. Bu eksik verileri azaltmak için başka bir yöntem kullanalım.
Bu kodla eksik veri sayısına göre filtreleme yaptık. Yalnızca 6’ün altındaki eksik verileri seçtik. Veri setimizde hala eksik veriler var gibi görünüyor. Aşağıdaki kodu kullanarak yalnızca 2022 yılı ve sonrasını seçeceğiz, bu da veri setimizi daha temiz hale getirecektir.
eksik_sayisi <- df %>% group_by(country) %>% summarise(eksik_NE_EXP = sum(is.na(NE.EXP.GNFS.ZS)),
eksik_NE_IMP = sum(is.na(NE.IMP.GNFS.ZS)))Gördüğünüz gibi verilerimizi temizledik. Böylece veri temizleme işlemimiz tamamlandı. Artık daha doğru grafikler oluşturabiliriz.
Şimdi “Çad’da mal ve hizmet ihracatı ve ithalatı” grafiğini çizelim. Öncelikle “df_TD” adında bir veri öğesi oluşturalım. Bu veri sadece Çad’ya ait bilgileri içerecek ve grafikle göstereceğiz.
Bu kod, “df” veri çerçevesindeki sadece Çad’ya (TD) ait gözlemleri filtreleyerek yeni bir veri çerçevesi oluşturur. Bu işlem, “iso2c” sütununda “TD” değerine sahip gözlemleri seçer ve bunları “df_TD” adlı yeni bir veri çerçevesinde saklar.Şimdi bu gözlemleri grafiksel bir gösterime dönüştürelim.
ggplot(df_TD, aes(year)) +
geom_line(aes(y = NE.EXP.GNFS.ZS, color = country, linetype = "Mal İhracatı")) +
geom_line(aes(y = NE.IMP.GNFS.ZS, color = country, linetype = "Mal İthalatı")) +
labs(x = "Yıl", y = "Mal ve Hizmet İhracatı-İthalatı", title = "Çad'NİN İHRACATI ve İTHALATI") +
theme_minimal()
“df_TD” adlı bir veri çerçevesinden (varsayılan olarak df_TD olarak adlandırılır) yıllar içinde Çad’daki (TD) mal ve hizmet ihracatını ve ithalatını temsil eden çevrimiçi bir grafik oluşturuyoruz.
Dünyadaki mal ve hizmet ihracat/ithalatının grafik gösterimi.
dunya_verisi <- df %>%
group_by(year) %>%
summarise(
toplam_ihracat = sum(NE.EXP.GNFS.ZS, na.rm = TRUE),
toplam_ithalat = sum(NE.IMP.GNFS.ZS, na.rm = TRUE),
toplam_hacim = toplam_ihracat + toplam_ithalat) Yıllara göre toplam ihracat, toplam ithalat ve toplam hacim gibi özet istatistikleri hesaplamak ve görüntülemek için yeni bir veri kümesi oluşturabilirsiniz.
Şimdi bir çizgi grafiği kullanarak veri kümesini görselleştirelim.
ggplot(dunya_verisi, aes(x = year, y = toplam_ihracat)) +
geom_line(colour="blue") +
labs(
title = "dunya ihracat hacmi",
x = "Yıl",
y = "toplam ihracat" )
ggplot(dunya_verisi, aes(x = year, y = toplam_ithalat)) +
geom_line(colour="red") +
labs(
title = "dunya ithalat hacmi",
x = "Yıl",
y = "toplam ithalat" )
ggplot(dunya_verisi, aes(x = year)) +
geom_line(aes(y = toplam_ihracat, color = "Toplam İhracat")) +
geom_line(aes(y = toplam_ithalat, color = "Toplam İthalat"), linetype = "dashed") +
labs(
title = "Dunya İhracat ve İthalat Hacmi",
x = "Yıl",
y = "Hacim"
) + scale_color_manual(values = c("Toplam İhracat" = "blue", "Toplam İthalat" = "red")) +
theme_minimal()
Şimdi verilerimizi bu mevcut veri setiyle birleştirelim.
df <- left_join(df, dunya_verisi, by='year')
df <- df %>%
mutate(
ihracat_orani = NE.EXP.GNFS.ZS / toplam_ihracat * 1000,
ithalat_orani = NE.IMP.GNFS.ZS / toplam_ithalat * 1000,
denge = ihracat_orani / ithalat_orani )df veri çerçevesine üç yeni sütun eklenir. Yeni sütunlar, mevcut sütunlardan bazılarının işlenmesiyle elde edilen anahtar rakamları içerir. Bu işlem, df veri çerçevesine ekstra sütunlar ekleyerek anahtar rakamları hesaplar ve bu anahtar rakamları kullanarak yeni bir sütun oluşturur.
df <- df %>%
arrange(country, year) %>%
group_by(country) %>%
mutate(cumulative_change = (denge / first(denge) - 10) * 1000)Veri çerçevesini sıralar, ülkeleri gruplandırır ve her ülke için kümülatif değişimi hesaplar. Bu işlem, her ülkenin verimlilik oranındaki kümülatif değişimi hesaplayarak zaman içindeki eğilimleri ve farklı ülkeler arasındaki performans farklılıklarını anlamak için kullanılır.
ÇAD’NIN TİCARET DENGESİ GRAFİĞİ
“df_TD” adında bir veri kümesi oluşturarak başlayalım. Bu veri kümesi sadece tek bir sütunda Çad ile ilgili verileri içerecektir.
Şimdi bu veri setinin çizgi grafiğini oluşturup görselleştirelim.
ggplot(df_TD, aes(x = year, y = denge)) +
geom_line(color = "red") +
labs(
title = "Çad'nın Ticaret Dengesi",
x = "Yıl", y = "Denge" ) +
theme_minimal()
ÇAD ve TÜRKİYE ’NiN İHRACAT ORANLARI KARŞILAŞITMASI GRAFİĞİ
Şimdi bu veri setinin çizgi grafiğini oluşturup görselleştirelim.
df %>%
filter(country %in% c("Çad", "Turkiye")) %>%
ggplot(aes(x = year, y = NE.EXP.GNFS.ZS, col = country)) +
geom_point() +
labs(
title = "Çad ve Türkiye'nin İhracat Oranları Karşılaştırması",
x = "Yıl",
y = "İhracat Oranı" ) +
theme_minimal()
ÇAD ve TÜRKİYE ’NiN İTHALAT ORANLARI KARŞILAŞTIRMASI GRAFİĞİ
Şimdi bu veri setinin çizgi grafiğini oluşturup görselleştirelim.
df %>%
filter(country %in% c("Çad", "Turkiye")) %>%
ggplot(aes(x = year, y = NE.IMP.GNFS.ZS, col = country)) +
geom_point() +
labs(
title = "Çad ve Türkiye'nin İhracat Oranları Karşılaştırması",
x = "Yıl",
y = "İthalat Oranı"
) +
theme_minimal()
Bu kod, bir veri çerçevesini (df) filtrelemek ve ardından “Çad ve Türkiye” ülkeleri için İhracat (NE.EXP.GNFS.ZS) ve İthalat (NE.IMP.GNFS.ZS) noktalarının grafiklerini yılların bir fonksiyonu olarak görüntülemek için R dilindeki dplyr ve ggplot2 paketlerini kullanır. Sonuç olarak, bu kod parçası Çad ve Türkiye’nin ihracat ve ithalat miktarlarını yıllara göre görselleştirmek için kullanılmaktadır.
2005 YILINDAKİ TÜM ÜLKELERİN GRAFİĞİ
Öncelikle “data_2005” adında 2005 yılındaki tüm ülkelerin verilerinin oluştuğu bir veri seti oluşturalım.
library(ggplot2)
library(ggrepel)
ggplot(data_2005, aes(x = NE.EXP.GNFS.ZS, y = NE.IMP.GNFS.ZS, label = iso2c, colour = region)) +
geom_point(size = 3, alpha = 0.7) +
geom_text_repel(aes(fill = region), hjust = -0.2, vjust = -0.5, size = 3) +
scale_color_brewer(palette = "Set1") +
labs(
title = "2005 Yılında Ülkelerin İhracat ve İthalat Oranları",
x = "İhracat Oranı",
y = "İthalat Oranı"
) +
theme_minimal() +
theme(
axis.title = element_text(size = 14, face = "bold"),
axis.text = element_text(size = 12),
plot.title = element_text(size = 16, face = "bold", hjust = 0.5)
)## Warning in geom_text_repel(aes(fill = region), hjust = -0.2, vjust = -0.5, :
## Ignoring unknown aesthetics: fill## Warning: Removed 3 rows containing missing values or values outside the scale range
## (`geom_point()`).## Warning: Removed 3 rows containing missing values or values outside the scale range
## (`geom_text_repel()`).## Warning: ggrepel: 146 unlabeled data points (too many overlaps). Consider
## increasing max.overlaps