| title:“İhracat ve Gayri Safi Yurt İçi Hasıla Arasındaki” |
| author: |
| name: MAMADENE DJAWARE MAHAMAT |
| affiliation: karabuk universitesi |
| date: “juin 10, 2024” |
| output: |
özet
İhracat ve gayri safi yurt içi hasıla (GSYİH) arasındaki ilişki ekonomik kalkınma açısından önemlidir. İhracat, bir ülkenin mal ve hizmetlerini yurtdışına satmasıdır ve bu, ulusal geliri artırabilir. İhracat artışı, bir ülkenin ekonomik büyümesine katkıda bulunabilir, çünkü dış pazarlarda daha fazla talep yaratır ve iş fırsatları sağlar. Bu da istihdamı artırabilir ve işletmelerin büyümesine olanak tanır. Gayri safi yurt içi hasıla (GSYİH), bir ülkede üretilen tüm mal ve hizmetlerin toplam değerini ölçer. GSYİH’nin büyümesi genellikle ekonomik refahın bir göstergesi olarak kabul edilir. İhracatın GSYİH üzerindeki etkisi, dış talep ve ekonomik büyümenin bir parçası olarak önemlidir. İhracatın artması GSYİH’yi olumlu yönde etkileyebilir çünkü dış talep artar ve bu da ülkenin toplam üretimini ve gelirini artırabilir.
Anahtar Kelimeler:
ihracat, Gayri Safi Yurt Ġçi Hasıla, Büyüme, EĢbütünleĢme, Türkiye
abstract:
“Türkiye ekonomisinde 1980 sonrasında yaşanan liberalleşme süreciyle birlikte büyüme modeli olarak ihracata dayalı büyüme modeli benimsenmiştir. 1980 yılına kadar bazı dönemler daha liberal, bazı dönemler daha devletçi ekonomi politikaları uygulanmıştır. İhracat politikaları da uygulanan ekonomik politikalara göre şekillenmiştir. 1980 öncesi son yirmi yıl ithal ikameci sanayileşme politikası izlenmiştir. Bu çalışmanın amacı, Türkiye ekonomisi için ihracat ile GSYİH arasındaki uzun dönem ilişkisini saptamaktır. Çalışmada Türkiye’nin 1923-2019 arasındaki GSYİH ve ihracat verileri ABD doları olarak kullanılmıştır. Öncelikle, Türkiye’de tarih boyunca uygulanan iktisat politikaları çerçevesinde ihracatın gelişimi incelenmiş ve GSYİH ile ihracat arasındaki ilişkinin ipuçları aranmıştır. Analiz bölümünde ise ekonometrik çalışma yapılmış ve ihracat ile GSYİH arasında bir uzun dönem ilişki bulunmamıştır. İhracatın ekonomik büyüme kaynağından çok ithalatın finansmanı açısından önemli bir iktisadi değişken olarak ele alınması, bu çalışmanın önemli bir çıktısının
GIRIŞ
İhracat ve Gayri Safi Yurt İçi Hasıla Arasındaki. Küreselleşme olgusu dünya ekonomileri arasındaki mesafeleri kısaltarak ülkeler arasında dış ticaret potansiyellerini önemli ölçüde arttırmıştır. Özellikle bu olgu gelişmekte olan ülkelerin (GOÜ) ticaret yapma imkânlarını arttırarak ekonomik büyümenin artmasında önemli katkılar sağlamıştır. Dış ticaretin büyüme üzerindeki etkisi, Klasik makro iktisat düşünce sistemi ile tartışılmaya başlayıp, Neo Liberal ekonomi politikaların geçerli olduğu günümüzde de tartışma güncelliğini korumaktadır. Literatürde, dış ticaret ve büyüme ile ilgili yapılan çalışmalarda, ihracatın büyümeyi arttırdığını öngören ihracata dayalı büyüme modelleri ki, bu görüş ekonomi literatüründe „„ihracata dayalı büyüme hipotezi‟‟ olarak bilinirken diğeri ise, ithalatın büyümeyi arttırdığını öngören ithalata dayalı büyüme modelleridir. 1980 öncesi Türkiye‟de dahil bir çok ithal ikamesine dayalı büyüme stratejisi izlerken, son dönemlerde bu stratejiden vazgeçilerek ülkeler ihracat dayalı büyüme stratejisini benimsemişlerdir. Türkiye, 1950-1960 döneminde liberal ticaret politikaları benimsemesine karşın, 1960-1980 döneminde ithal ikameci sanayileĢme stratejisi uygulamıştır. Bu strateji uygulamaya konulurken, sanayileşmeyi hızlandırma ve döviz tasarrufu sağlama gibi olumlu etkilerin ortaya çıkması bekleniyordu. Ancak beklenenin aksine, 1970’lerdeki petrol krizlerinin de etkisiyle önemli döviz darboğazlarının yaşanması, söz konusu politikaların sürdürülebilirliğini tartışmalı hale getirmiĢtir. 1970‟li yılların sonuna gelindiğinde, Türkiye ekonomisinde cari açıklarla birlikte şiddeti giderek artan enflasyon, 24 Ocak 1980 Kararları‟nın alınmasını kaçınılmaz hale getirmiştir .
Literature
Literatürde yapılan çalışmalarda, nedensellik analizlerinin bazılarında dış ticaretten büyüme üzerine, bazılarında büyümeden dış ticarete, bazılarında karşılıklı pozitif iliĢki bulunmuştur.Çalışmada kullanılan veriler; reel GSYĠH, toplam ihracat ve toplam ithalat olmak üzere 1998 yılı baz alınarak belirlenmiştir. Kullanılan verilerle çalışmanın amacına uygun düşecek şekilde nedensellik analizi gerçekleştirilmiştir. Bu yöntemde serilerin durağanlığının sağlanıp sağlanmadığı önemlidir. Söz konusu serilerin durağan olup olmadıklarının tespitinde genişletilmiş Dickey- Fuller (ADF) birim kök testi kullanılmıştır. ADF birim kök testi sonrasında durağan olduğu saptanan verilerle ilk olarak VAR modeli oluĢturulmuĢtur. Kurulan VAR modelinin analizinde öncelikle tespit edilmesi gereken gecikme uzunluğunun bilgi kriterlerine göre belirlenmesidir. Gecikme uzunluğunun belirlenmesinden sonra değişkenler arasındaki nedensellik ilişkisinin varlığı ve bu nedenselliğin yönü Granger nedensellik analizi aracılığıyla ölçüme tabi tutulmuştur. Bu bağlamda gayri safi yurtiçi hasıladaki büyümenin nedeninin ithalatla mı yoksa ihracatla mı daha iyi açıklandığının tespiti yapılarak, söz konusu değiĢkenlerin birbirleriyle olan etkileşimleri ortaya koyulmuĢtur. Granger nedensellik testinden sonra son olarak serilerin Etki- Tepki grafikleri incelenerek analiz tamamlanmıĢtır. Burada ölçülmek istenen ithalat ve ihracat değişkenlerinde meydana gelen bir birimlik Ģokun zaman içerisinde GSYĠH değişkeni üzerinde oluĢturacağı değişiminin yönü ve boyutudur.
“Korkmaz2012turkiye” ifadesi bir model adı gibi görünüyor. Eğer bu bir R paketi, fonksiyon veya veri seti ismi ise, kullanmak istediğiniz işlevselliği sağlamak için doğru syntax ve argümanları kullanmanız gerekir. Bu ad, genellikle bir veri setinin veya bir analitik modelin adı olabilir. Eğer “Korkmaz2012turkiye” bir model ismi ise ve bu hatayı alıyorsanız, muhtemelen modeli doğru bir şekilde oluşturmadınız veya çağırmak için doğru syntax kullanmadınız demektir. Modelin nasıl oluşturulacağı veya kullanılacağına dair belgeleri ve örnekleri kontrol etmek işe yarayabilir. Eğer “Korkmaz2012turkiye” bir veri seti veya bir başka nesne ismi ise, bunu tanımlayan bir nesne oluşturmanız veya bir paketi yüklemeniz gerekebilir. Eğer “Korkmaz2012turkiye” tam olarak ne olduğunu belirtirseniz, size daha spesifik bir yardım sunabilirim. GDP (Gayri Safi Yurtiçi Hasıla): Bir ülkenin belirli bir zaman diliminde ürettiği tüm nihai mal ve hizmetlerin toplam değeridir. Bu, bir ülkenin ekonomik büyüklüğünü, üretkenliğini ve refah seviyesini ölçmek için kullanılan bir anahtar göstergedir. Genellikle ulusal gelir veya milli gelir olarak da adlandırılır. Genel Nüfus: Bir ülkedeki toplam insan sayısını ifade eder. Nüfus, bir ülkenin sosyal, ekonomik ve politik dinamiklerini etkileyen önemli bir faktördür. Bu iki kavram arasındaki ilişki, bir ülkenin ekonomik performansının ve refahının nüfus büyüklüğüne göre değerlendirilmesine olanak tanır. Örneğin, bir ülkenin yüksek bir GDP’ye sahip olması, büyük bir ekonomik üretkenliği ve potansiyeli olduğunu gösterebilir; ancak, aynı zamanda yüksek bir nüfusa sahip olması, kişi başına düşen gelirin düşük olabileceğini ve kaynakların daha fazla talep gördüğünü de işaret edebilir. Bu nedenle, ekonomik analizler genellikle GDP’yi nüfus büyüklüğü ile ilişkilendirir ve kişi başına düşen GDP gibi göstergeler de sıkça kullanılır.
DURAGANLIK
https://donnees.banquemondiale.org/indicateur/NY.GDP.PCAP.KD.ZG?view=chart https://donnees.banquemondiale.org/indicateur/TX.VAL.MRCH.CD.WT?view=chart
library(WDI)df= WDI(indicator = c(GDP = "NY.GDP.PCAP.KD.ZG", ih="TX.VAL.MRCH.CD.WT"),country = c("TR") , start=1968, end=2022)knitr::opts_chunk$set(echo = TRUE)
library(tidyverse)## ── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
## ✔ dplyr 1.1.4 ✔ readr 2.1.5
## ✔ forcats 1.0.0 ✔ stringr 1.5.1
## ✔ ggplot2 3.5.1 ✔ tibble 3.2.1
## ✔ lubridate 1.9.3 ✔ tidyr 1.3.1
## ✔ purrr 1.0.2
## ── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
## ✖ dplyr::filter() masks stats::filter()
## ✖ dplyr::lag() masks stats::lag()
## ℹ Use the conflicted package (<http://conflicted.r-lib.org/>) to force all conflicts to become errorslibrary(stevemisc)##
## Attachement du package : 'stevemisc'
##
## L'objet suivant est masqué depuis 'package:lubridate':
##
## dst
##
## L'objet suivant est masqué depuis 'package:dplyr':
##
## tbl_dfzaman_serisi <- ts(df, start = c(1968), end=c(2022), frequency = 1)zaman_serisi <- zaman_serisi [, c("GDP", "ih")]plot(zaman_serisi[ , c("GDP", "ih")])
#Gecikme ve Otokorelasyon
library(tidyverse)`
ihracat<- data.frame(cbind(df$ih, lag(df$ih, 1)))ihracat <- ihracat[2:55,]cor(ihracat$X1, ihracat$X2)## [1] 0.9880331acf(zaman_serisi[,"ih"])
ekobuyume<-data.frame(cbind(df$GDP, lag(df$GDP, 1)))ekobuyume <-ekobuyume[2:55,]cor(ekobuyume$X1, ekobuyume$X2)## [1] 0.02295357Zaman serisi GDP, belirli bir dönem boyunca bir ülkenin GDP’sindeki değişiklikleri gösteren bir veri dizisidir. Örneğin, bir ülkenin yıllık GDP verileri zaman serisi olarak kaydedilir ve analiz edilir. Bu veri seti, ekonomik eğilimleri ve döngüleri anlamak, ekonomik politikaların etkilerini değerlendirmek ve gelecekteki ekonomik performansı tahmin etmek için kullanılır.
acf(zaman_serisi[,"GDP"])
##Regresyon
ekobuyume <- zaman_serisi[,"GDP"]
deltaihracat <- diff(zaman_serisi[,"ih"])
plot(ekobuyume)
plot(deltaihracat)
library(dynlm)## Le chargement a nécessité le package : zoo##
## Attachement du package : 'zoo'## Les objets suivants sont masqués depuis 'package:base':
##
## as.Date, as.Date.numeric##Hata payı
uhat <- dynlm(ekobuyume~deltaihracat)
summary(uhat)##
## Time series regression with "ts" data:
## Start = 1969, End = 2022
##
## Call:
## dynlm(formula = ekobuyume ~ deltaihracat)
##
## Residuals:
## Min 1Q Median 3Q Max
## -9.8215 -1.8893 0.4534 2.8707 5.9843
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 2.134e+00 5.326e-01 4.007 0.000197 ***
## deltaihracat 1.543e-10 4.271e-11 3.613 0.000682 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 3.626 on 52 degrees of freedom
## Multiple R-squared: 0.2007, Adjusted R-squared: 0.1853
## F-statistic: 13.06 on 1 and 52 DF, p-value: 0.0006818reg <- dynlm(ekobuyume~deltaihracat)
summary(reg)##
## Time series regression with "ts" data:
## Start = 1969, End = 2022
##
## Call:
## dynlm(formula = ekobuyume ~ deltaihracat)
##
## Residuals:
## Min 1Q Median 3Q Max
## -9.8215 -1.8893 0.4534 2.8707 5.9843
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 2.134e+00 5.326e-01 4.007 0.000197 ***
## deltaihracat 1.543e-10 4.271e-11 3.613 0.000682 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 3.626 on 52 degrees of freedom
## Multiple R-squared: 0.2007, Adjusted R-squared: 0.1853
## F-statistic: 13.06 on 1 and 52 DF, p-value: 0.0006818hapa <- resid(reg)
plot(hapa)
Hata payının otokorelasyonunu da ölçelim.
plot(uhat)
ACF, bir zaman serisinin kendi geçmiş değerleriyle olan korelasyonunu (ilişkisini) farklı gecikmeler (lags) için ölçer. Zaman serisindeki desenleri ve ilişkileri belirlemek için kullanılır.
acf(hapa)
Gecıkme Testi
library(lmtest)
bgtest(reg, order=1, type="F")##
## Breusch-Godfrey test for serial correlation of order up to 1
##
## data: reg
## LM test = 0.047578, df1 = 1, df2 = 51, p-value = 0.8282## Warning in grid.Call(C_stringMetric, as.graphicsAnnot(x$label)): famille de
## police introuvable dans la base de données des polices Windows
## Warning in grid.Call(C_stringMetric, as.graphicsAnnot(x$label)): famille de
## police introuvable dans la base de données des polices Windows
## Warning in grid.Call(C_stringMetric, as.graphicsAnnot(x$label)): famille de
## police introuvable dans la base de données des polices Windows## Warning in grid.Call(C_textBounds, as.graphicsAnnot(x$label), x$x, x$y, :
## famille de police introuvable dans la base de données des polices Windows
## Warning in grid.Call(C_textBounds, as.graphicsAnnot(x$label), x$x, x$y, :
## famille de police introuvable dans la base de données des polices Windows## Warning in grid.Call.graphics(C_text, as.graphicsAnnot(x$label), x$x, x$y, :
## famille de police introuvable dans la base de données des polices Windows
## Warning in grid.Call.graphics(C_text, as.graphicsAnnot(x$label), x$x, x$y, :
## famille de police introuvable dans la base de données des polices Windows
## Warning in grid.Call.graphics(C_text, as.graphicsAnnot(x$label), x$x, x$y, :
## famille de police introuvable dans la base de données des polices Windows
## Warning in grid.Call.graphics(C_text, as.graphicsAnnot(x$label), x$x, x$y, :
## famille de police introuvable dans la base de données des polices Windows
A Simple ggplot with the mtcars Data in 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. :120.00Including Plots
ACF, bir zaman serisinin kendi geçmiş değerleriyle olan korelasyonunu (ilişkisini) farklı gecikmeler (lags) için ölçen bir fonksiyondur. Bu fonksiyon, zaman serisindeki desenleri ve ilişkileri belirlemek için kullanılır.
acf(zaman_serisi[,"GDP"])
acf(zaman_serisi[,"ih"])
library(dynlm)
Ilkgecikme <- dynlm(ekobuyume ~ L(ekobuyume, 1))
summary(Ilkgecikme)##
## Time series regression with "ts" data:
## Start = 1969, End = 2022
##
## Call:
## dynlm(formula = ekobuyume ~ L(ekobuyume, 1))
##
## Residuals:
## Min 1Q Median 3Q Max
## -10.0555 -1.9633 0.4784 2.6968 7.6158
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 2.79350 0.67886 4.115 0.000139 ***
## L(ekobuyume, 1) 0.02297 0.13874 0.166 0.869142
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 4.054 on 52 degrees of freedom
## Multiple R-squared: 0.0005269, Adjusted R-squared: -0.01869
## F-statistic: 0.02741 on 1 and 52 DF, p-value: 0.8691library(dynlm)
ikigecikme <- dynlm(ekobuyume ~ L(ekobuyume, 2))
summary(ikigecikme)##
## Time series regression with "ts" data:
## Start = 1970, End = 2022
##
## Call:
## dynlm(formula = ekobuyume ~ L(ekobuyume, 2))
##
## Residuals:
## Min 1Q Median 3Q Max
## -10.3989 -1.9591 0.6885 2.7069 7.3771
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 3.02112 0.68477 4.412 5.32e-05 ***
## L(ekobuyume, 2) -0.05088 0.14487 -0.351 0.727
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 4.086 on 51 degrees of freedom
## Multiple R-squared: 0.002413, Adjusted R-squared: -0.01715
## F-statistic: 0.1234 on 1 and 51 DF, p-value: 0.7269library(dynlm)
üçgecikme <- dynlm(ekobuyume ~ L(ekobuyume,3))
summary(üçgecikme)##
## Time series regression with "ts" data:
## Start = 1971, End = 2022
##
## Call:
## dynlm(formula = ekobuyume ~ L(ekobuyume, 3))
##
## Residuals:
## Min 1Q Median 3Q Max
## -10.2218 -2.0213 0.8117 2.8262 7.4137
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 3.15191 0.69632 4.527 3.73e-05 ***
## L(ekobuyume, 3) -0.08368 0.14597 -0.573 0.569
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 4.108 on 50 degrees of freedom
## Multiple R-squared: 0.006531, Adjusted R-squared: -0.01334
## F-statistic: 0.3287 on 1 and 50 DF, p-value: 0.569library(dynlm)
dortgecikme <- dynlm(ekobuyume ~ L(ekobuyume,4))
summary(üçgecikme)##
## Time series regression with "ts" data:
## Start = 1971, End = 2022
##
## Call:
## dynlm(formula = ekobuyume ~ L(ekobuyume, 3))
##
## Residuals:
## Min 1Q Median 3Q Max
## -10.2218 -2.0213 0.8117 2.8262 7.4137
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 3.15191 0.69632 4.527 3.73e-05 ***
## L(ekobuyume, 3) -0.08368 0.14597 -0.573 0.569
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 4.108 on 50 degrees of freedom
## Multiple R-squared: 0.006531, Adjusted R-squared: -0.01334
## F-statistic: 0.3287 on 1 and 50 DF, p-value: 0.569library(dynlm)
beşgecikme <- dynlm(ekobuyume ~ L(ekobuyume,5))
summary(üçgecikme)##
## Time series regression with "ts" data:
## Start = 1971, End = 2022
##
## Call:
## dynlm(formula = ekobuyume ~ L(ekobuyume, 3))
##
## Residuals:
## Min 1Q Median 3Q Max
## -10.2218 -2.0213 0.8117 2.8262 7.4137
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 3.15191 0.69632 4.527 3.73e-05 ***
## L(ekobuyume, 3) -0.08368 0.14597 -0.573 0.569
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 4.108 on 50 degrees of freedom
## Multiple R-squared: 0.006531, Adjusted R-squared: -0.01334
## F-statistic: 0.3287 on 1 and 50 DF, p-value: 0.569Ödev:Quantmod Paketi
library(quantmod)## Le chargement a nécessité le package : xts##
## ######################### Warning from 'xts' package ##########################
## # #
## # The dplyr lag() function breaks how base R's lag() function is supposed to #
## # work, which breaks lag(my_xts). Calls to lag(my_xts) that you type or #
## # source() into this session won't work correctly. #
## # #
## # Use stats::lag() to make sure you're not using dplyr::lag(), or you can add #
## # conflictRules('dplyr', exclude = 'lag') to your .Rprofile to stop #
## # dplyr from breaking base R's lag() function. #
## # #
## # Code in packages is not affected. It's protected by R's namespace mechanism #
## # Set `options(xts.warn_dplyr_breaks_lag = FALSE)` to suppress this warning. #
## # #
## #################################################################################
## Attachement du package : 'xts'## Les objets suivants sont masqués depuis 'package:dplyr':
##
## first, last## Le chargement a nécessité le package : TTR## Registered S3 method overwritten by 'quantmod':
## method from
## as.zoo.data.frame zoogetSymbols("AAPL", src = "yahoo")## [1] "AAPL"dim(AAPL)## [1] 4388 6head(AAPL)## AAPL.Open AAPL.High AAPL.Low AAPL.Close AAPL.Volume AAPL.Adjusted
## 2007-01-03 3.081786 3.092143 2.925000 2.992857 1238319600 2.530319
## 2007-01-04 3.001786 3.069643 2.993571 3.059286 847260400 2.586482
## 2007-01-05 3.063214 3.078571 3.014286 3.037500 834741600 2.568063
## 2007-01-08 3.070000 3.090357 3.045714 3.052500 797106800 2.580745
## 2007-01-09 3.087500 3.320714 3.041071 3.306071 3349298400 2.795127
## 2007-01-10 3.383929 3.492857 3.337500 3.464286 2952880000 2.928891tail(AAPL)## AAPL.Open AAPL.High AAPL.Low AAPL.Close AAPL.Volume AAPL.Adjusted
## 2024-05-31 191.44 192.57 189.91 192.25 75158300 192.25
## 2024-06-03 192.90 194.99 192.52 194.03 50080500 194.03
## 2024-06-04 194.64 195.32 193.03 194.35 47471400 194.35
## 2024-06-05 195.40 196.90 194.87 195.87 54156800 195.87
## 2024-06-06 195.69 196.50 194.17 194.48 41181800 194.48
## 2024-06-07 194.65 196.94 194.14 196.89 53044700 196.89chartSeries(AAPL)
chartSeries(AAPL, theme="white")
getSymbols("STICKCPIM157SFRBATL" , src="FRED")## [1] "STICKCPIM157SFRBATL"Genellikle hisse senedi fiyatları, endeksler ve diğer finansal verileri çizgi grafikleri, mum çubukları veya OHLC (Open-High-Low-Close) grafikleri olarak gösterir.
chartSeries(STICKCPIM157SFRBATL ,theme="white")
getFX("EUR/TRY", from = "2020-01-01")## Warning in doTryCatch(return(expr), name, parentenv, handler): Oanda only
## provides historical data for the past 180 days. Symbol: EUR/TRY## [1] "EUR/TRY"chartSeries(EURTRY, theme="white")
.SONUÇ
Bu çalışmada ihracata dayalı büyüme modelinin Türkiye ekonomisi için geçerliliği analiz edilmiştir. Bu çerçevede cumhuriyet öncesi dönemden başlayarak uygulanan ekonomik politikalar bağlamında ihracatın gelişimi incelenmiştir. Osmanlı imparatorluğu, merkantilizm ve sanayi devrimi süreçlerine dahil olamadığı için iktisadi anlamda Avrupa‟nın gerisinde kalmış ve cumhuriyete sağlam bir ekonomi miras bırakamamıştır. Cumhuriyetin ilk dönemlerinde Osmanlı‟dan kalan yapının etkili olduğu görülmektedir.Çalışmanın ekonometrik bölümünde ise ihracat ve GSYĠH serileri eşbütünleşme analizi yapılmıştır. Eşbütünleşme testi, yapısal kırılmaları da dikkate alan Maki testi ile yapılmıştır. Test sonucunda ihracat ve GSYĠH arasında uzun dönemli bir iliĢki tespit edilememiştir. Bir başka ifadeyle Türkiye ekonomisi açısından ihracata dayalı büyüme tezi geçerli değildir. Literatür taramasında görüldüğü gibi, bazı ülkeler için ihracata dayalı büyüme tezi geçerliyken bazılarında geçerli olamamaktadır. Güney Asya ülkeleri için geçerli olduğu halde, Avrupa ülkelerinin bir kısmında ihracata dayalı büyüme tezinin geçerliolmadığı, yapılan çalışmalarda gösterilmiştir.