{r setup, include=FALSE knitr::opts_chunk$set(echo = TRUE) library(tidyverse) library(stevemisc)

Bu temayı seçmeye iten nedenler ve benim motivasyonum:

Enerji verimliliği yatırımlarının inovasyon ve istihdama etkisi oldukça önemli bir konudur ve birçok açıdan motive edici bir seçimdir. Enerji verimliliği yatırımları, enerji tüketimini azaltarak doğal kaynakların korunmasına yardımcı olur. Bu, iklim değişikliğiyle mücadelede önemli bir adımdır. Enerji verimliliği yatırımları, enerji maliyetlerini azaltırken aynı zamanda yeni iş fırsatları yaratır. Bu konuda çalışarak, hem kişisel hem de toplumsal düzeyde olumlu bir değişime katkı sağlayabiliriz.

Introduction

İlk önce, enerji verimliliği ürün ve hizmetlerin sağlanması için gereken enerji miktarını azaltma hedefidir. Örneğin, bir evin yalıtılması, bir binanın rahat bir sıcaklık elde etmek ve korumak için daha az ısıtma ve soğutma enerjisi kullanmasına izin verir. Enerji verimliliği yatırımları, bir ekonominin enerji tüketimini azaltmak ve mevcut enerji kaynaklarını daha etkili kullanmak için yapılan yatırımlardır. Bu yatırımlar, sadece enerji tasarrufu sağlamakla kalmaz, aynı zamanda inovasyon ve istihdam üzerinde de önemli etkiler yaratır.

A Subsection in the Introduction

Enerji verimliliği, günümüzde hem ekonomik hem de çevresel sürdürülebilirlik açısından büyük önem taşımaktadır. Küresel enerji talebinin sürekli artması ve fosil yakıtların çevresel etkileri, enerji verimliliğine yönelik yatırımları zorunlu kılmaktadır. Bu yatırımlar, sadece enerji tasarrufu sağlamakla kalmaz, aynı zamanda inovasyon ve istihdam üzerinde de geniş çaplı etkiler yaratır. Yenilikçi teknolojilerin geliştirilmesi ve enerji verimliliği projelerinin uygulanması, ekonomilerde önemli değişimlere yol açar.

Karaca (2003) Turkiye’de enflasyon-buyume iliskisi: zaman serisi analizi ile incelemiştir. For more details on using R Markdown see http://rmarkdown.rstudio.com. Here’s an obligatory citation to Xie (2013).

Literature Review

Aslında, enerji verimliliğine yapılan yatırımların inovasyon ve istihdam üzerindeki etkisinden bahsettiğimizde, bu etkileri ana hatları şunlardır:

  1. İnovasyon Üzerindeki Etkiler:

Yeni Teknolojilerin Geliştirilmesi: Enerji verimliliği yatırımları, yenilikçi teknolojilerin geliştirilmesini teşvik eder. Örneğin, daha az enerji tüketen makineler, akıllı enerji yönetim sistemleri ve yenilenebilir enerji kaynaklarının entegrasyonuna yönelik çözümler bu tür yatırımların sonucunda ortaya çıkar. Ar-Ge Faaliyetlerinin Artışı: Enerji verimliliğine yönelik yatırımlar, araştırma ve geliştirme (Ar-Ge) faaliyetlerini canlandırır. Üniversiteler, özel sektör ve kamu kurumları, enerji verimliliği alanında yeni buluşlar ve iyileştirmeler yapmak için iş birliği yapar. Yeşil Teknolojilerde Liderlik: Ülkeler, enerji verimliliğine yönelik yatırımlar sayesinde yeşil teknolojilerde liderlik pozisyonuna gelebilir. Bu, uluslararası pazarlarda rekabet avantajı sağlar ve çevresel sürdürülebilirlik hedeflerine ulaşılmasına yardımcı olur.

  1. İstihdam Üzerindeki Etkiler:

Yeni İş Alanları: Enerji verimliliği yatırımları, enerji yönetimi, mühendislik, inşaat ve yenilenebilir enerji sektörlerinde yeni iş alanları yaratır. Enerji verimliliği projelerinin planlanması, uygulanması ve bakımı için uzmanlaşmış iş gücüne ihtiyaç duyulur. Mevcut İşlerin Dönüşümü: Geleneksel enerji sektörlerinde çalışanlar, enerji verimliliği teknolojileri ve süreçlerine uyum sağlamak üzere yeniden eğitilir. Bu, mevcut iş gücünün yeni beceriler kazanmasına ve daha sürdürülebilir iş modellerine geçiş yapmasına olanak tanır. Bölgesel Ekonomik Kalkınma: Enerji verimliliği yatırımları, yerel ekonomilere de katkıda bulunur. Özellikle enerji verimliliği projelerinin yoğunlaştığı bölgelerde, inşaat ve mühendislik gibi sektörlerde yerel istihdam artar ve ekonomik canlanma yaşanır.

Örnekler ve Vaka İncelemeleri: Almanya’nın Enerji Dönüşümü (Energiewende): Almanya, enerji verimliliği ve yenilenebilir enerjiye büyük yatırımlar yaparak enerji dönüşümünü gerçekleştirdi. Bu süreçte enerji verimliliği teknolojilerinde büyük ilerlemeler kaydedildi ve yeni iş olanakları yaratıldı. Türkiye’de Enerji Verimliliği Stratejileri: Türkiye, enerji verimliliğini artırmak amacıyla çeşitli teşvikler ve projeler uygulamaktadır. Bu stratejiler, hem enerji tasarrufu sağlamakta hem de enerji sektöründe yeni iş imkanları oluşturmaktadır.

** Politika ve Regülasyonların Rolü

Enerji Verimliliği Politika ve Regülasyonlarının Etkisi:

** Enerji Verimliliği ve Ekonomik Büyüme

Ekonomik Kalkınma ve Enerji Verimliliği İlişkisi:

Research Design

Araştırma tasarımı, verileri, araştırma örneklem büyüklüğünü ve katılımcıları toplamak ve analiz etmek için izleyeceğiniz araştırma yöntemlerini, adımlarını veya prosedürlerini özetleyen bir taslak veya plandır; ve ayrıca etik hususların nasıl ele alınacağı.

Zaman serisi regresyonlarında, bildiğiniz doğrusal regresyon varsayımlarının yanında bit varsayıma daha ihtiyaç duyarız. Bu varsayım, durağanlık (stationarity) varsayımıdır. Durağanlık varsayımına göre, regresyon hata payı u‘nun dağımı ve u‘nun terimlerinin zaman içindeki korelasyonları zamana göre değişmez. Hata payının ortalamasının ve varyansının zaman değiştikçe sabit olmasını bekleriz.

library(WDI)
## Warning: package 'WDI' was built under R version 4.2.3
df = WDI(indicator=c(un='SL.UEM.TOTL.ZS', en='FP.CPI.TOTL.ZG'), country=c('TR'), start = 1991, end = 2022)

Veri setini zaman serisi(time series) olarak kaydetmemiz gerekir. ts() fonksiyonu bize yardımcı olacaktır. Böylece, boşluk olmadan bütün veriler bizim ellerimizde olacak.

zaman_serisi <- ts(df, start = c(1991), end = c(2022), frequency = 1)

Zaman_serisi yüklemesi ts kullanılacaktır.

library(tidyverse)
## Warning: package 'tidyverse' was built under R version 4.2.3
## Warning: package 'ggplot2' was built under R version 4.2.3
## Warning: package 'tibble' was built under R version 4.2.3
## Warning: package 'tidyr' was built under R version 4.2.3
## Warning: package 'readr' was built under R version 4.2.3
## Warning: package 'purrr' was built under R version 4.2.3
## Warning: package 'dplyr' was built under R version 4.2.3
## Warning: package 'stringr' was built under R version 4.2.3
## Warning: package 'forcats' was built under R version 4.2.3
## Warning: package 'lubridate' was built under R version 4.2.3
## ── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
## ✔ dplyr     1.1.4     ✔ readr     2.1.4
## ✔ forcats   1.0.0     ✔ stringr   1.5.1
## ✔ ggplot2   3.5.0     ✔ tibble    3.2.1
## ✔ lubridate 1.9.3     ✔ tidyr     1.3.1
## ✔ purrr     1.0.2     
## ── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
## ✖ dplyr::filter() masks stats::filter()
## ✖ dplyr::lag()    masks stats::lag()
## ℹ Use the conflicted package (<http://conflicted.r-lib.org/>) to force all conflicts to become errors
str(zaman_serisi)
##  Time-Series [1:32, 1:6] from 1991 to 2022: 1 1 1 1 1 1 1 1 1 1 ...
##  - attr(*, "dimnames")=List of 2
##   ..$ : NULL
##   ..$ : chr [1:6] "country" "iso2c" "iso3c" "year" ...
names(zaman_serisi)
## NULL

str()` R’de “yapı” anlamına gelen bir fonksiyondur. Bir veri nesnesinin iç yapısını kısa ve öz bir şekilde görüntülemek için kullanılır. Bu işlev, bir nesnenin içerdiği veri türleri, vektörlerin uzunluğu, veri çerçeveleri için sütun adları vb. hakkında hızlı bir genel bakış elde etmek için çok kullanışlıdır. - zaman_serisi yapısını incelediğimiz cismin adıdır. Bu isim, bunun bir zaman serisi olabileceğini düşündürmektedir (“zaman serisi”, Türkçe’de “zaman serisi” anlamına gelir).

str(zaman_serisi) kullanarak, veri türleri, boyutlar (diziler ve veri çerçeveleri için) ve nesnenin her bir bileşeninin ilk elemanları gibi zaman_serisi nesnesinin doğası hakkında bilgi veren çıktı elde edersiniz.

isimler(zaman_serisi) - names(), R’de bir nesnenin öğelerinin adlarını döndüren veya ayarlayan bir işlevdir. Bir veri çerçevesi veya liste için bu, sırasıyla listenin sütunlarının veya bileşenlerinin adlarını döndürür. - isimler(zaman_serisi) çağırarak, sütunların adlarını (eğer zaman_serisi bir veri çerçevesi ise) veya bileşenlerin adlarını (eğer zaman_serisi bir liste ise) içeren bir karakter vektörü elde edersiniz. Bu iki işlev genellikle yeni bir veri kümesini keşfetmek ve daha derinlemesine analizler gerçekleştirmeden önce yapısını anlamak için birlikte kullanılır.

zaman_serisi <- zaman_serisi[ ,c("un","en")]

** Grafiği çizelim: işsizlik ve enflasyon beraber çizelim.

plot(zaman_serisi[ , c("un","en")])

İşsizlik ve enflasyon arasında bir ters ilişki olduğunu anlıyoruz. Yani işsizlik yükselirken, enflasyon düşer. Bunu Phillips eğrisi denir.

** Phillips Eğrisi

Philips eğrisinin ardındaki açıklayıcı mantık, çalışanların pazarlık gücünün analizine dayanmaktadır. İşletmeler işe alım yaptığında işsizlik azalır; Ancak bu, ücretleri artıran çalışanların pazarlık gücünü artırıyor. Ancak bu, fiyatlarda bir artışa (enflasyon) neden olur ve bu da çalışanların ücretlerini göreceli olarak azaltır: Çalışanların ücretlerinde hemen bir artış elde edememesi nedeniyle reel ücret düşer. Böylece reel ücretin düşmesiyle şirketler işe alımlarını artırıyor, bu da işsizliğin azalmasını sağlıyor. Philips eğrisinin açıklayıcı ilişkisi bu nedenle işe alımlardaki artış ile ücretlerdeki artış arasındaki geri bildirim döngüsüne dayanmaktadır.

set.seed(123)
issizlik <- runif(100, 5, 15)
enflasyon <- runif(100, 1, 10)

data <- data.frame(Issizlik = issizlik, Enflasyon = enflasyon)
head(data)

** Otokorelasyon

Otokorelasyon ise bir serinin kendisiyle olan korelasyonu. Otokorelasyon, ya da öz ilinti, bir sinyalin farklı zamanlardaki değerleri arasındaki korelasyonudur. Başka bir deyişle, gözlemlenen değerler arasındaki benzerliğin, zamansal gecikmenin bir fonksiyonu olarak ifadesidir. x ile x arasında korelasyon bakıyoruz.

set.seed(123)
yatirim <- runif(100, 50, 500)
inovasyon <- runif(100, 0, 100)
istihdam <- runif(100, 50, 100)

data <- data.frame(Yatirim = yatirim, Inovasyon = inovasyon, Istihdam = istihdam)

Verilerin ilk birkaç satırını görüntüleyelim

head(data)

Yatırım verilerinin otokorelasyon fonksiyonu

acf(data$Yatirim, main="Enerji Verimliliği Yatırımlarının Otokorelasyon Fonksiyonu")

İnovasyon verilerinin otokorelasyon fonksiyonu

acf(data$Inovasyon, main="İnovasyon Verilerinin Otokorelasyon Fonksiyonu")

** Korelasyon

Korelasyon, olasılık kuramı ve istatistikte iki rassal değişken arasındaki doğrusal ilişkinin yönünü ve gücünü belirtir. Genel istatistiksel kullanımda korelasyon, bağımsızlık durumundan ne kadar uzaklaşıldığını gösterir. x, y. Bu durumda korelasyon var diyoruz.

Korelasyon matrisini hesaplama

correlation_matrix <- cor(data)
correlation_matrix
##              Yatirim  Inovasyon   Istihdam
## Yatirim    1.0000000 -0.0872707 -0.0682825
## Inovasyon -0.0872707  1.0000000 -0.1044471
## Istihdam  -0.0682825 -0.1044471  1.0000000

Korelasyon grafiği

pairs(data, main = "Enerji Verimliliği Yatırımları, İnovasyon ve İstihdam Arasındaki İlişkiler",
      pch = 19, col = "blue")

** Otoregresyon

Otokorelasyon, ya da öz ilinti, bir sinyalin farklı zamanlardaki değerleri arasındaki korelasyonudur. Başka bir deyişle, gözlemlenen değerler arasındaki benzerliğin, zamansal gecikmenin bir fonksiyonu olarak ifadesidir.

** Regresyon

Regresyon, genellikle finans ve yatırımda kullanılan, bir bağımlı değişken ile bir dizi bağımsız değişken arasındaki ilişkinin gücünü ve niteliğini belirlemeye çalışan istatistiksel bir terimdir. Regresyon analizi, bağımlı değişken ile bağımsız değişken arasındaki ilişkiyi tahmin etmek için kullanılan istatistiksel bir araçtır. Daha spesifik olarak, bağımlı değişkenin bağımsız değişkenlerdeki değişikliklere göre nasıl değiştiğine odaklanır.

set.seed(123)
verimlilik <- runif(100, 50, 500)
inovasyon <- runif(100, 0, 100)
istihdam <- runif(100, 50, 100)

data <- data.frame(Verimlilik = verimlilik, Inovasyon = inovasyon, Istihdam = istihdam)
head(data)
model_inovasyon <- lm(Inovasyon ~ Verimlilik, data = data)
summary(model_inovasyon)
## 
## Call:
## lm(formula = Inovasyon ~ Verimlilik, data = data)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -51.061 -21.159  -0.986  17.769  48.695 
## 
## Coefficients:
##             Estimate Std. Error t value Pr(>|t|)    
## (Intercept) 56.34695    6.26243   8.998 1.81e-14 ***
## Verimlilik  -0.01795    0.02070  -0.867    0.388    
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 26.41 on 98 degrees of freedom
## Multiple R-squared:  0.007616,   Adjusted R-squared:  -0.00251 
## F-statistic: 0.7521 on 1 and 98 DF,  p-value: 0.3879
model_istihdam <- lm(Istihdam ~ Verimlilik, data = data)
summary(model_istihdam)
## 
## Call:
## lm(formula = Istihdam ~ Verimlilik, data = data)
## 
## Residuals:
##      Min       1Q   Median       3Q      Max 
## -23.5268 -12.9577   0.1906  12.6453  25.8049 
## 
## Coefficients:
##              Estimate Std. Error t value Pr(>|t|)    
## (Intercept) 76.452268   3.499156  21.849   <2e-16 ***
## Verimlilik  -0.007836   0.011565  -0.678      0.5    
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 14.76 on 98 degrees of freedom
## Multiple R-squared:  0.004663,   Adjusted R-squared:  -0.005494 
## F-statistic: 0.4591 on 1 and 98 DF,  p-value: 0.4997

** Okun Yasası

Okun yasası, işsizlik oranı ile ekonomik büyüme arasındaki ilişkiyi ifade eden bir ekonometrik kuraldır. 1962 yılında Amerikalı iktisatçı Arthur Okun tarafından formüle edilmiştir. Bu yasa, işsizlik oranındaki değişikliklerle reel gayri safi yurtiçi hasıla (GSYİH) büyümesi arasındaki ters yönlü ilişkiyi açıklamaktadır. Temel varsayımı, ekonomik büyümenin hızlandığı dönemlerde işsizlik oranının düştüğünü, ekonomik büyümenin yavaşladığı veya durgunluk dönemlerinde ise işsizlik oranının arttığını belirtir. Okun yasası genellikle şu şekilde formüle edilir: \[ \Delta U = -k (g - g*) \]

Bu denklemde: - \(\Delta U\): İşsizlik oranındaki değişim. - \(g\): Gerçekleşen GSYİH büyüme oranı. - \(g*\): Potansiyel GSYİH büyüme oranı (ekonominin tam istihdam seviyesinde büyüyebileceği oran). - \(k\): Okun katsayısı (genellikle 2 ile 3 arasında bir değere sahip olduğu kabul edilir). Okun yasasına göre, ekonomik büyüme potansiyel büyüme oranının üzerinde gerçekleştiğinde işsizlik oranı düşer ve tersi durumda işsizlik oranı artar. Örneğin, potansiyel büyüme oranı %3 ise ve ekonomi %5 büyüyorsa, işsizlik oranı düşecektir. Ancak ekonomi %1 büyüyorsa, işsizlik oranı artacaktır. Bu ilişki, ekonomistler ve politika yapıcılar için önemli bir araçtır çünkü ekonomik büyüme ve işsizlik oranlarını dengelemek için politikalar geliştirirken kullanılabilir. Ancak, Okun yasasının mükemmel bir doğrulukla işlemeyebileceği ve ülkeler ve dönemler arasında değişiklik gösterebileceği de göz önünde bulundurulmalıdır.

# Gerekli kütüphaneleri yükleyelim
library(ggplot2)
library(dplyr)

# Örnek veri oluşturma (Gerçek veri yerine)
# Gerçek veriyi yüklemek için read.csv veya benzeri bir fonksiyon kullanabilirsiniz.
set.seed(123)
years <- 2000:2020
gdp_growth <- rnorm(21, mean = 2, sd = 2)
unemployment_rate <- 5 - 0.5 * gdp_growth + rnorm(21, mean = 0, sd = 1)

data <- data.frame(
  Year = years,
  GDP_Growth = gdp_growth,
  Unemployment_Rate = unemployment_rate
)

head(data)
ggplot(data, aes(x = GDP_Growth, y = Unemployment_Rate)) +
  geom_point() +
  geom_smooth(method = "lm", se = FALSE, col = "blue") +
  labs(
    title = "Okun Yasası: İşsizlik Oranı ve GSYİH Büyüme Oranı İlişkisi",
    x = "GSYİH Büyüme Oranı (%)",
    y = "İşsizlik Oranı (%)"
  )
## `geom_smooth()` using formula = 'y ~ x'

Kod, GSYİH büyümesi (GDP_Büyüme) ile işsizlik oranı (İşsizlik_Oranı) arasındaki ilişkiyi gösteren bir dağılım grafiği oluşturuyor. Ayrıca bu ilişkinin genel eğilimini göstermek için grafik başlığı ve eksenler için uygun etiketlerle birlikte doğrusal bir regresyon çizgisi de ekler

model <- lm(Unemployment_Rate ~ GDP_Growth, data = data)
summary(model)
## 
## Call:
## lm(formula = Unemployment_Rate ~ GDP_Growth, data = data)
## 
## Residuals:
##      Min       1Q   Median       3Q      Max 
## -1.65227 -0.57344 -0.00082  0.64348  1.40596 
## 
## Coefficients:
##             Estimate Std. Error t value Pr(>|t|)    
## (Intercept)  4.80269    0.26247  18.298 1.59e-13 ***
## GDP_Growth  -0.42788    0.09062  -4.722 0.000148 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 0.7976 on 19 degrees of freedom
## Multiple R-squared:  0.5399, Adjusted R-squared:  0.5157 
## F-statistic:  22.3 on 1 and 19 DF,  p-value: 0.0001484
summary(model)
## 
## Call:
## lm(formula = Unemployment_Rate ~ GDP_Growth, data = data)
## 
## Residuals:
##      Min       1Q   Median       3Q      Max 
## -1.65227 -0.57344 -0.00082  0.64348  1.40596 
## 
## Coefficients:
##             Estimate Std. Error t value Pr(>|t|)    
## (Intercept)  4.80269    0.26247  18.298 1.59e-13 ***
## GDP_Growth  -0.42788    0.09062  -4.722 0.000148 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 0.7976 on 19 degrees of freedom
## Multiple R-squared:  0.5399, Adjusted R-squared:  0.5157 
## F-statistic:  22.3 on 1 and 19 DF,  p-value: 0.0001484

Bu basit analiz, Okun Yasası’nın işsizlik oranı ile ekonomik büyüme arasındaki ilişkisini anlamamıza yardımcı olmaktadır. Daha ileri analizler ve daha geniş veri setleri ile bu ilişkiyi daha detaylı inceleyebiliriz.

cor(issizlik$X1, issizlik$X2)

[1] 0.8051165

acf(zaman_serisi[,"un"])

** Durağanlık olmayan

Basitçe bir zaman serisinin ortalaması, varyansı ve zamana göre kovaryansı zaman içinde değişiklik gösteriyorsa, o zaman serisi durağan değildir diyebiliriz. Durağanlık varsayımına göre, regresyon hata payı u‘nun dağımı ve u‘nun terimlerinin zaman içindeki korelasyonları zamana göre değişmez. Hata payının ortalamasının ve varyansının zaman değiştikçe sabit olmasını bekleriz. Durağan olmayan serileri regresyona genellikle koyamayız. Durağan olmayan seriler, hatalı bir korelasyona sahip olabilirler ve analizimizi yanıltırlar. Bu duruma sahte (spurious) regresyon denilir. Zamanın değişimiyle birlikte hareket ediyormuş gibi görünen serilerin genellikle birbirleriyle bir ilgisi olmayabilir.

library(WDI)
gsyh <- WDI(country=c("US", "TR","JP"), indicator=c("NY.GDP.PCAP.CD"), start=1960, end=2020)
names(gsyh) <- c("iso2c", "Ülke", "KisiBasiGSYH", "Sene")

Serilerin grafiklerini gözlemleyelim, bu sefer plot fonksiyonu yerine ggplot paketini kullanalım.

library(ggplot2)
ggplot(gsyh, aes(Sene, KisiBasiGSYH, color=Ülke, linetype=Ülke)) + geom_line()

Önerilen Referanslar:

1)European Commission. “Energy Efficiency and its Contribution to Energy Security and the 2030 Framework for Climate and Energy Policy.” European Commission, 2014. 2)OECD. “Energy Efficiency and Innovation: The Role of Energy Efficiency Policies.” OECD, 2015. 3)IRENA. “Renewable Energy and Jobs – Annual Review 2020.” International Renewable Energy Agency, 2020. 4)Fraunhofer ISI. “Employment Impacts of Energy Efficiency: An Input-Output Approach.” Fraunhofer Institute for Systems and Innovation Research, 2015. 5)European Union. “Directive 2012/27/EU of the European Parliament and of the Council on Energy Efficiency.” Official Journal of the European Union, 2012. 6)US Department of Energy. “Energy Efficiency and Renewable Energy.” DOE, 2018. 7)United Nations. “World Economic and Social Survey 2013: Sustainable Development Challenges.” United Nations, 2013.

Another Subsection

```{r, echo=F, fig.cap = “A Simple ggplot with the mtcars Data in R”, message=F, fig.width=8

mtcars %>% ggplot(.,aes(wt, mpg)) + geom_point() + theme_steve_web() + geom_smooth(method=“lm”) + labs(caption = “Data: 1974 Motor Trend US magazine”, x = “Weight (1,000 Pounds)”, y = “(U.S.) Miles per Gallon”)

 
When you click the **Knit** button a document will be generated that includes both content as well as the output of any embedded R code chunks within the document. You can embed an R code chunk like this:
 

```r
summary(cars)
##      speed           dist       
##  Min.   : 4.0   Min.   :  2.00  
##  1st Qu.:12.0   1st Qu.: 26.00  
##  Median :15.0   Median : 36.00  
##  Mean   :15.4   Mean   : 42.98  
##  3rd Qu.:19.0   3rd Qu.: 56.00  
##  Max.   :25.0   Max.   :120.00

Results

Including Plots

You can also embed plots, for example:

Note that the echo = FALSE parameter was added to the code chunk to prevent printing of the R code that generated the plot.

plot(pressure): Bu komut, basınç veri setinde yer alan verilerin bir grafiğini oluşturur. basınç, farklı sıcaklıklarda cıva buharı basıncı ölçümlerini içeren, R’de yerleşik bir veri kümesidir. RMarkdown, metin, grafik ve kodu yeniden üretilebilir bir şekilde birleştiren belgeler oluşturmanıza olanak tanır. Bu, aynı sonuçları üretmek için aynı belgenin tekrar çalıştırılabileceği anlamına gelir; bu da bilimsel şeffaflık ve işbirliği için gereklidir.

plot(mtcars)

Bu R kodu, mtcars veri kümesinde yer alan verilerin bir grafiğini oluşturmak ve görüntülemek için bir RMarkdown belgesinde kullanılır. Plot(mtcars) komutu, keşif amaçlı veri analizi için gerekli olan verileri grafiksel olarak görselleştirmenize olanak tanır. Grafikler eğilimleri, anormallikleri ve değişkenler arasındaki ilişkileri tanımlamaya yardımcı olur.

Conclusion

Enerji verimliliği yatırımları, inovasyon ve istihdam üzerinde önemli ve olumlu etkiler yaratır. Yeni teknolojilerin geliştirilmesi, Ar-Ge faaliyetlerinin artışı ve yeşil teknolojilerde liderlik gibi inovasyon alanında sağlanan faydalar; yeni iş alanları yaratılması, mevcut işlerin dönüşümü ve bölgesel ekonomik kalkınma gibi istihdam alanındaki kazanımlar, bu yatırımların önemini bir kez daha ortaya koymaktadır. Dolayısıyla, enerji verimliliğine yönelik yatırımlar, sürdürülebilir ekonomik büyüme ve çevresel koruma açısından stratejik bir öneme sahiptir.

Karaca, Orhan. 2003. “Türkiye’de Enflasyon-büyüme Ilişkisi: Zaman Serisi Analizi.” Doğuş Üniversitesi Dergisi 4 (2): 247–55.
Xie, Yihui. 2013. Dynamic Documents with r and Knitr. Boca Raton, FL: CRC Press.