Yapay Zekanın İş Piyasaları Üzerindeki Etkilerinin Değerlendirilmesi.
Özet
Yapay zekanın iş piyasaları üzerindeki etkilerini değerlendiren bu çalışma, yapay zeka teknolojilerinin yaygınlaşmasıyla ortaya çıkan ekonomik ve sosyal değişimleri incelemektedir. Çalışma, yapay zeka kullanımının iş gücüne etkilerini analiz etmek için ekonometrik yöntemler kullanmaktadır. Veri analizi, iş piyasalarındaki yapay zeka uygulamalarının ekonomik sonuçlarını anlamak için özel olarak tasarlanmıştır. Bulgular, iş piyasaları ve iş gücü üzerindeki yapay zeka teknolojilerinin etkilerini anlamaya yönelik önemli bir katkı sağlamaktadır.
Anahtar Kelimeler
Yapay Zeka, İş Piyasaları, İş Gücü, Ekonomik Etkiler, Veri Analizi, Ekonometri
Giriş
Günümüzde yapay zeka (YZ) teknolojileri, endüstride, işletmelerde ve günlük yaşamda giderek daha fazla kullanılmaktadır. Yapay zeka, veri analitiği, makine öğrenimi ve derin öğrenme gibi tekniklerle bilgisayar sistemlerine zeki davranışlar kazandırmayı amaçlayan bir alandır. Bu teknolojiler, iş süreçlerini otomatize etme, verimliliği artırma, yeni iş modelleri oluşturma ve iş gücü dinamiklerini değiştirme potansiyeline sahiptir.
Bu çalışmanın başlığını seçmemizdeki motivasyon, yapay zekanın iş piyasaları üzerindeki etkilerini anlamak ve bu etkilerin ekonomik ve sosyal sonuçlarını değerlendirmektir. Yapay zeka teknolojileri, geleneksel iş modellerini değiştirerek belirli işleri otomatik hale getirebilir veya insanlarla birlikte çalışabilir hale getirebilir. Bununla birlikte, yapay zeka kullanımının artması, bazı işlerin otomatikleştirilmesi ve iş gücü yapısında değişikliklere neden olabilir.
Bu çalışmanın amacı, yapay zeka teknolojilerinin iş piyasaları ve iş gücü üzerindeki etkilerini analiz etmektir. Yapılan araştırmaların ve literatürdeki bulguların ötesine geçerek, yapay zeka kullanımının ekonomik sonuçlarını anlamak için veri odaklı bir yaklaşım benimsenmiştir. Bu çalışma, yapay zekanın iş piyasaları üzerindeki potansiyel etkilerini değerlendirmek ve gelecekteki politika oluşturma süreçlerine katkıda bulunmak amacıyla yapılmıştır.
Literatür Taraması
Autor (2015), teknolojik ilerlemenin iş piyasalarındaki etkilerini inceleyen kapsamlı bir çalışmadır. İşlerin otomasyonu ve teknolojik değişimlerin işgücü yapısını nasıl dönüştürdüğünü detaylı bir şekilde ele almaktadır. Bu çalışma, iş gücü piyasasındaki eğilimlerin anlaşılmasına önemli katkılar sağlamaktadır.
Bessen (2017), bilgi teknolojilerinin sektörel yoğunluğa ve iş dağılımına olan etkilerini araştırmıştır. Teknolojik ilerlemenin sektörel dengeleri ve rekabeti nasıl etkilediğini incelerken, endüstriler arasındaki değişimleri ve bu değişikliklerin işgücü piyasalarına olan etkilerini ele almıştır.
Boyd ve Holton (2018), robotik ve yapay zeka gibi yeni teknolojilerin işgücü piyasaları üzerindeki etkilerini ele almışlardır. Bu çalışma, teknolojik gelişmelerin iş dünyasındaki ve toplumda genel olarak güç dinamiklerini nasıl değiştirebileceğini tartışmaktadır.
Dirican (2015), yapay zeka ve robotik teknolojilerin işletmeler üzerindeki etkilerini araştırmıştır. İşletmelerin bu teknolojileri benimsemesiyle birlikte iş süreçlerinde nasıl dönüşümler yaşandığını ve ekonomik etkilerini analiz etmiştir.
Frank ve diğerleri (2019), yapay zekanın işgücü piyasaları üzerindeki etkilerini derinlemesine incelemiş ve teknolojik değişimlerin işgücü yapısına olan etkilerini vurgulamışlardır. Bu çalışma, yapay zekanın iş dünyasındaki ve toplumdaki potansiyel etkilerini anlamak için önemli bir kaynaktır.
Frey ve Osborne (2013), yapay zekanın gelecekteki istihdam üzerindeki etkilerini değerlendirmiştir. Teknolojik ilerlemenin belirli iş türlerini nasıl etkileyebileceğini ve işgücü piyasasında eşitsizliklere yol açabileceğini analiz etmişlerdir.
Giacomo ve diğerleri (2021), yapay zekanın iş verimliliği üzerindeki etkilerini incelemişlerdir. Teknolojinin iş süreçlerini nasıl optimize ettiğini ve işgücü piyasalarında nasıl bir değişime yol açabileceğini araştırmışlardır.
Gries ve Naudé (2018), yapay zeka, işler, üretkenlik ve eşitsizlik arasındaki ilişkiyi irdelemişlerdir. Bu çalışma, yapay zekanın işgücü talebi üzerindeki etkilerini değerlendirerek, toplumsal ve ekonomik sonuçları tartışmaktadır.
Haenlein ve Kaplan (2019), yapay zeka tarihine genel bir bakış sunmuş ve teknolojinin geçmişten günümüze ve geleceğe kadar olan rolünü açıklamışlardır. Yapay zekanın iş dünyasındaki ve toplumdaki dönüşüm potansiyelini detaylı bir şekilde ele almışlardır.
Huang ve Rust (2018), yapay zekanın hizmet sektöründeki kullanımını inceleyerek, iş süreçlerini nasıl dönüştürdüğünü ve müşteri deneyimini nasıl etkilediğini analiz etmişlerdir.
Araştırma Tasarımı
1-Amaçlar:
- Yapay zekanın iş gücü üzerindeki etkilerini değerlendirmek.
- İş piyasalarındaki yapay zeka kullanımının ekonomik ve sosyal etkilerini incelemek.
2-Veri Kaynakları:
- İşgücü istatistikleri ve ekonomik göstergelerle ilgili önde gelen araştırma kuruluşlarının raporları.
- İş piyasalarıyla ilgili resmi istatistik kuruluşlarının veritabanları.
3-Bağımlı Değişken:
- İşsizlik oranı.
- İşgücü piyasasındaki gelir dağılımı.
- İş kayıpları ve fırsatları.
4-Bağımsız Değişkenler:
- Yapay zeka teknolojilerine yapılan yatırımlar.
- İşletmelerde yapay zeka kullanımı.
- İşgücünün eğitim düzeyi ve adaptasyon becerileri.
5-Kontrol Değişkenleri:
- Ekonomik büyüme oranları.
- Endüstriyel ve sektörel değişimler.
- Mevsimsel etkiler.
6-Araştırma Modeli
Panel veri analizi yöntemleri kullanılarak ekonometrik modellerle analiz yapılacaktır.
\[ Y_{it} = \beta_0 + \beta_1 X_{1,it} + \beta_2 X_{2,it} + \ldots + \beta_n X_{n,it} + \varepsilon_{it} \]
Burada: - \(Y_{it}\), \(i\) ülkesinin \(t\) zamanındaki bağımlı değişkendir. - \(X_{1,it}, X_{2,it}, \ldots, X_{n,it}\) bağımsız değişkenlerdir. - \(\beta_0, \beta_1, \beta_2, \ldots, \beta_n\) katsayılardır. - \(\varepsilon_{it}\) hata terimidir.
Yapay zeka kullanımının iş piyasaları üzerindeki etkisini değerlendirmek için ülkeler ve zaman periyotları üzerinde panel veri analizi yapılacaktır.
Veri Analizi
Veri toplama, keşfetme, temizleme ve görselleştirme adımlarını gerçekleştirin. Her açıklamanın yanında R Markdown kodu kullanarak ilerleyelim.
1- Veri Toplama
Veri toplamak için Dünya Bankası Veri Portalı’ndan gerekli göstergeleri çekeceğiz.
## Warning: package 'WDI' was built under R version 4.3.3## Warning: package 'ggplot2' was built under R version 4.3.3## Warning: package 'tidyr' was built under R version 4.3.3## Warning: package 'dplyr' was built under R version 4.3.3## Warning: package 'lubridate' was built under R version 4.3.3## ── 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 3.5.0 ✔ 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# İndikatörlerin listesini alalım
indicators <- WDIsearch()
# Hangi indikatörlerin bulunduğuna bakalım
head(indicators)## indicator name
## 712 5.51.01.10.gdp Per capita GDP growth
## 714 6.0.GDP_current GDP (current $)
## 715 6.0.GDP_growth GDP growth (annual %)
## 716 6.0.GDP_usd GDP (constant 2005 $)
## 717 6.0.GDPpc_constant GDP per capita, PPP (constant 2011 international $)
## 1557 BG.GSR.NFSV.GD.ZS Trade in services (% of GDP)Veri Toplama
Tablodaki verileri çekerken, analizimiz için gerekli olan değişkenleri belirledik. İşsizlik oranı, gelir dağılımı, işgücüne katılım oranı gibi anahtar göstergelerin yanı sıra yapay zeka yatırımları ve kullanımıyla ilgili verilere de ihtiyacımız var. Veri setini çektiğimizde, değişkenleri daha iyi tanımlamak için sütun adlarını da değiştireceğiz.
# Veri çekme işlemi için gerekli kütüphaneleri yükleyelim
library(WDI)
library(dplyr)
# Veri çekme işlemi
my_data <- WDI(country = "all",
indicator = c("SL.UEM.TOTL.ZS", "SI.POV.GINI", "SL.TLF.ACTI.ZS",
"GB.XPD.RSDV.GD.ZS", "TX.VAL.TECH.MF.ZS", "IP.PAT.RESD",
"SE.ADT.LITR.ZS", "SE.TER.ENRR", "NY.GDP.MKTP.KD.ZG",
"SL.AGR.EMPL.ZS", "SL.IND.EMPL.ZS", "SL.SRV.EMPL.ZS"),
start = 2000, end = 2020, extra = FALSE)
# İndikatörlerin veri setindeki sütunlarını yeniden adlandıralım
indicator_names <- c("işsizlik_oranı", "gelir_dağılımı_gini", "işgücü_katılım_oranı",
"ard_expenditure_gdp", "yüksek_teknoloji_ihracatı", "patent_başvuruları",
"okuryazarlık_oranı", "yükseköğretim_kayıt_oranı", "gdp_büyüme",
"tarım_istihdamı", "sanayi_istihdamı", "hizmet_istihdamı")
# Sütunları yeniden adlandırma işlemi
colnames(my_data) <- c("ülke", "iso2c", "iso3c", "yıl", indicator_names)
# Veri setinin ilk birkaç gözlemine bakalım
head(my_data)## ülke iso2c iso3c yıl işsizlik_oranı gelir_dağılımı_gini
## 1 Afghanistan AF AFG 2000 7.942 NA
## 2 Afghanistan AF AFG 2001 7.942 NA
## 3 Afghanistan AF AFG 2002 7.935 NA
## 4 Afghanistan AF AFG 2003 7.929 NA
## 5 Afghanistan AF AFG 2004 7.926 NA
## 6 Afghanistan AF AFG 2005 7.925 NA
## işgücü_katılım_oranı ard_expenditure_gdp yüksek_teknoloji_ihracatı
## 1 47.795 NA NA
## 2 47.840 NA NA
## 3 47.909 NA NA
## 4 47.991 NA NA
## 5 48.079 NA NA
## 6 48.169 NA NA
## patent_başvuruları okuryazarlık_oranı yükseköğretim_kayıt_oranı gdp_büyüme
## 1 NA NA NA NA
## 2 NA NA NA NA
## 3 NA NA NA NA
## 4 NA NA 1.38107 8.832278
## 5 NA NA 1.38966 1.414118
## 6 NA NA NA 11.229715
## tarım_istihdamı sanayi_istihdamı hizmet_istihdamı
## 1 65.34796 9.207863 25.44418
## 2 65.25419 9.007953 25.73786
## 3 63.93161 9.719544 26.34884
## 4 63.25609 10.121118 26.62281
## 5 62.64062 10.455429 26.90397
## 6 61.63718 11.074541 27.28828Veri keşfi
Veri keşfi aşamasında, veri setimizi anlamak ve içerdiği bilgileri görselleştirmek için çeşitli analizler yapacağız. Bu aşamada veri setinin yapısını inceleyecek, eksik verileri kontrol edecek, değişkenler arasındaki ilişkilere bakacak ve önemli göstergelerin zaman içindeki değişimini görselleştireceğiz.
## 'data.frame': 5586 obs. of 16 variables:
## $ ülke : chr "Afghanistan" "Afghanistan" "Afghanistan" "Afghanistan" ...
## $ iso2c : chr "AF" "AF" "AF" "AF" ...
## $ iso3c : chr "AFG" "AFG" "AFG" "AFG" ...
## $ yıl : int 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 ...
## $ işsizlik_oranı : num 7.94 7.94 7.93 7.93 7.93 ...
## ..- attr(*, "label")= chr "Unemployment, total (% of total labor force) (modeled ILO estimate)"
## $ gelir_dağılımı_gini : num NA NA NA NA NA NA NA NA NA NA ...
## ..- attr(*, "label")= chr "Gini index"
## $ işgücü_katılım_oranı : num 47.8 47.8 47.9 48 48.1 ...
## ..- attr(*, "label")= chr "Labor force participation rate, total (% of total population ages 15-64) (modeled ILO estimate)"
## $ ard_expenditure_gdp : num NA NA NA NA NA NA NA NA NA NA ...
## ..- attr(*, "label")= chr "Research and development expenditure (% of GDP)"
## $ yüksek_teknoloji_ihracatı: num NA NA NA NA NA NA NA NA NA NA ...
## ..- attr(*, "label")= chr "High-technology exports (% of manufactured exports)"
## $ patent_başvuruları : num NA NA NA NA NA NA NA NA NA NA ...
## ..- attr(*, "label")= chr "Patent applications, residents"
## $ okuryazarlık_oranı : num NA NA NA NA NA NA NA NA NA NA ...
## ..- attr(*, "label")= chr "Literacy rate, adult total (% of people ages 15 and above)"
## $ yükseköğretim_kayıt_oranı: num NA NA NA 1.38 1.39 ...
## ..- attr(*, "label")= chr "School enrollment, tertiary (% gross)"
## $ gdp_büyüme : num NA NA NA 8.83 1.41 ...
## ..- attr(*, "label")= chr "GDP growth (annual %)"
## $ tarım_istihdamı : num 65.3 65.3 63.9 63.3 62.6 ...
## ..- attr(*, "label")= chr "Employment in agriculture (% of total employment) (modeled ILO estimate)"
## $ sanayi_istihdamı : num 9.21 9.01 9.72 10.12 10.46 ...
## ..- attr(*, "label")= chr "Employment in industry (% of total employment) (modeled ILO estimate)"
## $ hizmet_istihdamı : num 25.4 25.7 26.3 26.6 26.9 ...
## ..- attr(*, "label")= chr "Employment in services (% of total employment) (modeled ILO estimate)"## ülke iso2c iso3c
## 0 0 0
## yıl işsizlik_oranı gelir_dağılımı_gini
## 0 651 4057
## işgücü_katılım_oranı ard_expenditure_gdp yüksek_teknoloji_ihracatı
## 651 3097 3048
## patent_başvuruları okuryazarlık_oranı yükseköğretim_kayıt_oranı
## 3130 4042 1802
## gdp_büyüme tarım_istihdamı sanayi_istihdamı
## 279 651 651
## hizmet_istihdamı
## 651## ülke iso2c iso3c yıl
## Length:5586 Length:5586 Length:5586 Min. :2000
## Class :character Class :character Class :character 1st Qu.:2005
## Mode :character Mode :character Mode :character Median :2010
## Mean :2010
## 3rd Qu.:2015
## Max. :2020
##
## işsizlik_oranı gelir_dağılımı_gini işgücü_katılım_oranı ard_expenditure_gdp
## Min. : 0.100 Min. :23.20 Min. :32.74 Min. :0.0054
## 1st Qu.: 4.239 1st Qu.:30.80 1st Qu.:60.36 1st Qu.:0.3074
## Median : 6.438 Median :35.30 Median :67.23 Median :0.7278
## Mean : 7.916 Mean :37.12 Mean :65.90 Mean :1.0416
## 3rd Qu.:10.272 3rd Qu.:42.20 3rd Qu.:72.51 3rd Qu.:1.6065
## Max. :37.320 Max. :64.80 Max. :89.45 Max. :5.7056
## NA's :651 NA's :4057 NA's :651 NA's :3097
## yüksek_teknoloji_ihracatı patent_başvuruları okuryazarlık_oranı
## Min. : 0.000 Min. : 1.0 Min. : 14.38
## 1st Qu.: 2.675 1st Qu.: 40.0 1st Qu.: 65.57
## Median : 7.569 Median : 325.5 Median : 83.95
## Mean :11.137 Mean : 49925.2 Mean : 79.41
## 3rd Qu.:17.178 3rd Qu.: 2187.0 3rd Qu.: 94.17
## Max. :95.618 Max. :2386300.0 Max. :100.00
## NA's :3048 NA's :3130 NA's :4042
## yükseköğretim_kayıt_oranı gdp_büyüme tarım_istihdamı sanayi_istihdamı
## Min. : 0.1174 Min. :-54.336 Min. : 0.123 Min. : 2.244
## 1st Qu.: 11.9979 1st Qu.: 1.359 1st Qu.: 7.279 1st Qu.:14.162
## Median : 29.6019 Median : 3.562 Median :23.230 Median :20.233
## Mean : 35.5445 Mean : 3.284 Mean :28.463 Mean :19.665
## 3rd Qu.: 56.3118 3rd Qu.: 5.793 3rd Qu.:45.969 3rd Qu.:24.801
## Max. :143.3107 Max. : 86.827 Max. :91.865 Max. :59.579
## NA's :1802 NA's :279 NA's :651 NA's :651
## hizmet_istihdamı
## Min. : 5.891
## 1st Qu.:36.844
## Median :52.652
## Mean :51.872
## 3rd Qu.:66.962
## Max. :93.417
## NA's :651## işsizlik_oranı gelir_dağılımı_gini
## işsizlik_oranı 1 NA
## gelir_dağılımı_gini NA 1
## işgücü_katılım_oranı NA NA
## ard_expenditure_gdp NA NA
## yüksek_teknoloji_ihracatı NA NA
## patent_başvuruları NA NA
## okuryazarlık_oranı NA NA
## yükseköğretim_kayıt_oranı NA NA
## gdp_büyüme NA NA
## tarım_istihdamı NA NA
## sanayi_istihdamı NA NA
## hizmet_istihdamı NA NA
## işgücü_katılım_oranı ard_expenditure_gdp
## işsizlik_oranı NA NA
## gelir_dağılımı_gini NA NA
## işgücü_katılım_oranı 1 NA
## ard_expenditure_gdp NA 1
## yüksek_teknoloji_ihracatı NA NA
## patent_başvuruları NA NA
## okuryazarlık_oranı NA NA
## yükseköğretim_kayıt_oranı NA NA
## gdp_büyüme NA NA
## tarım_istihdamı NA NA
## sanayi_istihdamı NA NA
## hizmet_istihdamı NA NA
## yüksek_teknoloji_ihracatı patent_başvuruları
## işsizlik_oranı NA NA
## gelir_dağılımı_gini NA NA
## işgücü_katılım_oranı NA NA
## ard_expenditure_gdp NA NA
## yüksek_teknoloji_ihracatı 1 NA
## patent_başvuruları NA 1
## okuryazarlık_oranı NA NA
## yükseköğretim_kayıt_oranı NA NA
## gdp_büyüme NA NA
## tarım_istihdamı NA NA
## sanayi_istihdamı NA NA
## hizmet_istihdamı NA NA
## okuryazarlık_oranı yükseköğretim_kayıt_oranı
## işsizlik_oranı NA NA
## gelir_dağılımı_gini NA NA
## işgücü_katılım_oranı NA NA
## ard_expenditure_gdp NA NA
## yüksek_teknoloji_ihracatı NA NA
## patent_başvuruları NA NA
## okuryazarlık_oranı 1 NA
## yükseköğretim_kayıt_oranı NA 1
## gdp_büyüme NA NA
## tarım_istihdamı NA NA
## sanayi_istihdamı NA NA
## hizmet_istihdamı NA NA
## gdp_büyüme tarım_istihdamı sanayi_istihdamı
## işsizlik_oranı NA NA NA
## gelir_dağılımı_gini NA NA NA
## işgücü_katılım_oranı NA NA NA
## ard_expenditure_gdp NA NA NA
## yüksek_teknoloji_ihracatı NA NA NA
## patent_başvuruları NA NA NA
## okuryazarlık_oranı NA NA NA
## yükseköğretim_kayıt_oranı NA NA NA
## gdp_büyüme 1 NA NA
## tarım_istihdamı NA 1 NA
## sanayi_istihdamı NA NA 1
## hizmet_istihdamı NA NA NA
## hizmet_istihdamı
## işsizlik_oranı NA
## gelir_dağılımı_gini NA
## işgücü_katılım_oranı NA
## ard_expenditure_gdp NA
## yüksek_teknoloji_ihracatı NA
## patent_başvuruları NA
## okuryazarlık_oranı NA
## yükseköğretim_kayıt_oranı NA
## gdp_büyüme NA
## tarım_istihdamı NA
## sanayi_istihdamı NA
## hizmet_istihdamı 1# Önemli göstergelerin zaman içindeki değişimini görselleştirelim
library(ggplot2)
# İşsizlik oranı
ggplot(my_data, aes(x = yıl, y = işsizlik_oranı)) +
geom_line() +
labs(title = "İşsizlik Oranı Zaman İçinde Değişimi",
x = "Yıl",
y = "İşsizlik Oranı")
# Gelir dağılımı Gini endeksi
ggplot(my_data, aes(x = yıl, y = gelir_dağılımı_gini)) +
geom_line() +
labs(title = "Gelir Dağılımı Gini Endeksi Zaman İçinde Değişimi",
x = "Yıl",
y = "Gini Endeksi")## Warning: Removed 13 rows containing missing values or values outside the scale range
## (`geom_line()`).
# İşgücü katılım oranı
ggplot(my_data, aes(x = yıl, y = işgücü_katılım_oranı)) +
geom_line() +
labs(title = "İşgücü Katılım Oranı Zaman İçinde Değişimi",
x = "Yıl",
y = "İşgücü Katılım Oranı")
## Veri Temizleme Veri temizleme aşamasında, veri setindeki eksik veya
aykırı değerleri ele alacağız ve veri setimizi modelleme için
hazırlayacağız.
# Eksik değerlerin kontrolü ve düzeltilmesi
# Eksik değerlerin toplam sayısı
missing_values <- colSums(is.na(my_data))
print(missing_values)## ülke iso2c iso3c
## 0 0 0
## yıl işsizlik_oranı gelir_dağılımı_gini
## 0 651 4057
## işgücü_katılım_oranı ard_expenditure_gdp yüksek_teknoloji_ihracatı
## 651 3097 3048
## patent_başvuruları okuryazarlık_oranı yükseköğretim_kayıt_oranı
## 3130 4042 1802
## gdp_büyüme tarım_istihdamı sanayi_istihdamı
## 279 651 651
## hizmet_istihdamı
## 651## Warning in mean.default(my_data, na.rm = TRUE): argument is not numeric or
## logical: returning NA## ülke iso2c iso3c yıl
## Length:5586 Length:5586 Length:5586 Min. :2000
## Class :character Class :character Class :character 1st Qu.:2005
## Mode :character Mode :character Mode :character Median :2010
## Mean :2010
## 3rd Qu.:2015
## Max. :2020
##
## işsizlik_oranı gelir_dağılımı_gini işgücü_katılım_oranı ard_expenditure_gdp
## Min. : 0.100 Min. :23.20 Min. :32.74 Min. :0.0054
## 1st Qu.: 4.239 1st Qu.:30.80 1st Qu.:60.36 1st Qu.:0.3074
## Median : 6.438 Median :35.30 Median :67.23 Median :0.7278
## Mean : 7.916 Mean :37.12 Mean :65.90 Mean :1.0416
## 3rd Qu.:10.272 3rd Qu.:42.20 3rd Qu.:72.51 3rd Qu.:1.6065
## Max. :37.320 Max. :64.80 Max. :89.45 Max. :5.7056
## NA's :651 NA's :4057 NA's :651 NA's :3097
## yüksek_teknoloji_ihracatı patent_başvuruları okuryazarlık_oranı
## Min. : 0.000 Min. : 1.0 Min. : 14.38
## 1st Qu.: 2.675 1st Qu.: 40.0 1st Qu.: 65.57
## Median : 7.569 Median : 325.5 Median : 83.95
## Mean :11.137 Mean : 49925.2 Mean : 79.41
## 3rd Qu.:17.178 3rd Qu.: 2187.0 3rd Qu.: 94.17
## Max. :95.618 Max. :2386300.0 Max. :100.00
## NA's :3048 NA's :3130 NA's :4042
## yükseköğretim_kayıt_oranı gdp_büyüme tarım_istihdamı sanayi_istihdamı
## Min. : 0.1174 Min. :-54.336 Min. : 0.123 Min. : 2.244
## 1st Qu.: 11.9979 1st Qu.: 1.359 1st Qu.: 7.279 1st Qu.:14.162
## Median : 29.6019 Median : 3.562 Median :23.230 Median :20.233
## Mean : 35.5445 Mean : 3.284 Mean :28.463 Mean :19.665
## 3rd Qu.: 56.3118 3rd Qu.: 5.793 3rd Qu.:45.969 3rd Qu.:24.801
## Max. :143.3107 Max. : 86.827 Max. :91.865 Max. :59.579
## NA's :1802 NA's :279 NA's :651 NA's :651
## hizmet_istihdamı
## Min. : 5.891
## 1st Qu.:36.844
## Median :52.652
## Mean :51.872
## 3rd Qu.:66.962
## Max. :93.417
## NA's :651# Aykırı değerleri filtreleyerek kontrol edelim
outliers <- boxplot.stats(my_data$işsizlik_oranı)$out
print(outliers)## [1] 29.770 27.300 25.900 23.720 19.590 25.483 26.489 27.432 28.416 29.293
## [11] 30.213 31.110 28.980 23.410 24.070 27.310 27.580 28.010 27.490 27.520
## [21] 27.690 25.410 20.530 21.308 23.800 21.739 19.865 19.336 19.702 19.618
## [31] 20.090 21.020 19.920 20.520 19.913 19.912 19.629 19.908 19.925 19.800
## [41] 19.516 19.928 19.995 19.851 19.368 19.444 19.883 19.709 20.275 20.715
## [51] 21.212 21.275 20.808 22.667 27.176 27.063 27.036 26.876 26.812 26.815
## [61] 26.707 26.562 26.391 26.578 26.624 26.526 26.324 26.266 26.273 26.105
## [71] 25.972 26.060 26.218 26.307 27.848 24.616 25.334 25.855 26.323 26.754
## [81] 27.246 27.698 28.240 27.919 27.533 26.869 26.061 25.099 24.393 23.774
## [91] 23.263 22.720 22.650 22.637 22.535 24.769 19.776 20.390 19.764 19.470
## [101] 19.562 19.732 19.820 20.041 20.283 20.479 20.369 21.432 20.710 20.200
## [111] 19.630 19.650 19.420 24.730 27.690 26.710 24.980 23.510 21.410 19.480
## [121] 19.379 19.387 19.369 19.685 19.421 19.708 30.330 30.409 30.336 30.372
## [131] 30.338 30.310 24.825 19.400 19.650 19.760 19.810 19.590 20.300 21.075
## [141] 21.626 22.221 22.090 22.109 21.780 22.114 21.969 22.303 22.120 19.488
## [151] 20.752 23.350 21.783 19.880 19.957 21.146 32.200 30.520 31.940 36.690
## [161] 37.160 37.320 36.390 35.230 33.930 32.350 33.130 31.500 31.200 29.140
## [171] 28.380 26.430 24.300 22.810 21.200 19.890 19.370 20.850 20.850 22.960
## [181] 24.000 22.150 19.587 20.069 19.887 19.781 19.882 19.732 19.608 19.401
## [191] 19.342 19.510 20.510 23.180 21.420 21.790 22.040 22.610 22.870 24.020
## [201] 23.990 24.220 25.540 24.340 19.860 21.390 24.790 26.090 24.440 22.060
## [211] 19.640 20.390 22.180 20.970 22.210 21.555 20.789 19.749 20.410 20.794
## [221] 21.100 20.619 19.972 19.530 19.452 19.368 19.930 20.005 19.819 19.323
## [231] 20.678 21.490 27.460 23.000 23.210 20.020 22.910 20.450 21.420 19.890
## [241] 20.530 23.000 23.940 25.680 26.260 25.340 25.890# Aykırı değerleri filtreleyerek temizleyelim
cleaned_data <- my_data[!my_data$işsizlik_oranı %in% outliers, ]
# Temizlenmiş veri setinin boyutu
dim(cleaned_data)## [1] 5339 16Ekonometrik model
# Doğrusal modeli oluştur
lm_model <- lm(işsizlik_oranı ~ gelir_dağılımı_gini + işgücü_katılım_oranı +
ard_expenditure_gdp + yüksek_teknoloji_ihracatı + okuryazarlık_oranı +
yükseköğretim_kayıt_oranı + gdp_büyüme + tarım_istihdamı +
sanayi_istihdamı + hizmet_istihdamı,
data = cleaned_data)
# Model özetini görüntüle
summary(lm_model)##
## Call:
## lm(formula = işsizlik_oranı ~ gelir_dağılımı_gini + işgücü_katılım_oranı +
## ard_expenditure_gdp + yüksek_teknoloji_ihracatı + okuryazarlık_oranı +
## yükseköğretim_kayıt_oranı + gdp_büyüme + tarım_istihdamı +
## sanayi_istihdamı + hizmet_istihdamı, data = cleaned_data)
##
## Residuals:
## Min 1Q Median 3Q Max
## -10.7563 -2.2322 -0.3876 1.9656 7.9816
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 5.204e+05 1.288e+06 0.404 0.68704
## gelir_dağılımı_gini -2.038e-02 4.839e-02 -0.421 0.67448
## işgücü_katılım_oranı -1.943e-01 6.123e-02 -3.173 0.00199 **
## ard_expenditure_gdp 2.569e+00 8.825e-01 2.911 0.00442 **
## yüksek_teknoloji_ihracatı -1.301e-01 4.302e-02 -3.023 0.00315 **
## okuryazarlık_oranı 1.072e-01 5.199e-02 2.062 0.04173 *
## yükseköğretim_kayıt_oranı 3.304e-02 2.462e-02 1.342 0.18252
## gdp_büyüme -1.423e-01 1.051e-01 -1.354 0.17858
## tarım_istihdamı -5.204e+03 1.288e+04 -0.404 0.68705
## sanayi_istihdamı -5.205e+03 1.288e+04 -0.404 0.68703
## hizmet_istihdamı -5.204e+03 1.288e+04 -0.404 0.68705
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 3.405 on 103 degrees of freedom
## (5225 observations deleted due to missingness)
## Multiple R-squared: 0.3262, Adjusted R-squared: 0.2608
## F-statistic: 4.986 on 10 and 103 DF, p-value: 6.981e-06Bu modelde, işsizlik oranını etkileyen çeşitli faktörler üzerine bir regresyon analizi yapılmıştır. İşsizlik oranı bağımlı değişken olarak alınmıştır ve çeşitli bağımsız değişkenlerin (gelir dağılımı, işgücü katılım oranı, AR&D harcamaları, vb.) etkisi değerlendirilmiştir.
- (Intercept) (Sabit Terim): İşsizlik oranının, diğer bağımsız değişkenler sabitken olduğu tahmini değerdir. 5.204e+05 olarak hesaplanmıştır.
- gelir_dağılımı_gini: Gelir dağılımındaki eşitsizliğin işsizlik oranı üzerindeki etkisini gösterir. Bu katsayı -0.02038 olarak hesaplanmıştır.
- işgücü_katılım_oranı: İşgücüne katılım oranındaki değişimlerin işsizlik oranı üzerindeki etkisini gösterir. -1.943e-01 olarak hesaplanmıştır.
- ard_expenditure_gdp: AR&D harcamalarının gayri safi yurt içi hasılaya oranının işsizlik üzerindeki etkisini gösterir. Katsayı 2.569 olarak hesaplanmıştır.
- yüksek_teknoloji_ihracatı: Yüksek teknoloji ürünlerinin ihracatının işsizlik oranı üzerindeki etkisini gösterir. -0.1301 olarak hesaplanmıştır.
- okuryazarlık_oranı: Okuryazarlık oranındaki değişikliklerin işsizlik oranı üzerindeki etkisini gösterir. Katsayı 0.1072 olarak hesaplanmıştır.
- yükseköğretim_kayıt_oranı: Yükseköğretim kayıt oranının işsizlik oranı üzerindeki etkisini gösterir. Katsayı 0.03304 olarak hesaplanmıştır.
- gdp_büyüme: Gayri safi yurt içi hasıladaki büyümenin işsizlik oranı üzerindeki etkisini gösterir. -0.1423 olarak hesaplanmıştır.
- tarım_istihdamı, sanayi_istihdamı, hizmet_istihdamı: Tarım, sanayi ve hizmet sektörlerinde istihdamdaki değişikliklerin işsizlik oranı üzerindeki etkisini gösterir. Bu üç değişken için katsayılar aynı (-5204) olarak hesaplanmıştır.
Ayrıca, modelin istatistiksel anlamlılığına dair F istatistiği ve R-kare değerleri de verilmiştir. Multiple R-squared değeri 0.3262’dir, yani modeldeki bağımsız değişkenlerin işsizlik oranındaki varyansın yaklaşık %32.62’sini açıklamaktadır. Adjusted R-squared değeri ise 0.2608’dir, bu da modelin düzeltilmiş R-kare değeridir ve modeldeki fazla parametrelerin etkisiyle düşmüştür. F-statistic değeri anlamlıdır ve p-value < 0.05’tir, bu da modelin genel anlamda istatistiksel olarak anlamlı olduğunu göstermektedir..
# Tahmin edilen değerler
predicted <- predict(lm_model, newdata = cleaned_data)
# Hata hesapla
residuals <- cleaned_data$işsizlik_oranı - predicted
# Hata dağılım grafiği
plot(predicted, residuals,
xlab = "Tahmin Edilen Değerler",
ylab = "Artık (Residuals)",
main = "Hata Dağılım Grafiği",
col = "blue",
pch = 16)
# Gerekli kütüphaneleri yükle
library(ggplot2)
# Tahmin edilen değerleri ve gerçek değerleri içeren bir veri çerçevesi oluştur
viz_data_linear <- data.frame(Actual = cleaned_data$işsizlik_oranı, Predicted = predicted)
# Gerçek ve tahmin edilen değerleri görselleştir
ggplot(viz_data_linear, aes(x = Actual, y = Predicted)) +
geom_point() +
geom_abline(slope = 1, intercept = 0, color = "blue", linetype = "dashed") +
labs(title = "Gerçek vs. Tahmin Edilen Değerler (Doğrusal Model)",
x = "Gerçek İşsizlik Oranı",
y = "Tahmin Edilen İşsizlik Oranı")## Warning: Removed 5225 rows containing missing values or values outside the scale range
## (`geom_point()`).
Sonuç
Çalışmanın sonucunda, yapay zekanın iş gücü ve iş piyasaları üzerindeki etkilerini anlamak için geniş bir literatür taraması yapılmıştır. İncelenen çalışmalar, yapay zekanın iş dünyasında önemli değişimlere neden olabileceğini ve iş piyasalarında dönüşümlere yol açabileceğini göstermektedir. Yapay zekanın yaygınlaşmasıyla birlikte işlerin dönüşümü, işgücü piyasasındaki eşitsizliklerin artması gibi konuların daha da önem kazandığı görülmektedir.
Özellikle, yapay zekanın endüstri konsantrasyonunu artırabileceği ve belirli sektörlerde iş kayıplarına yol açabileceği belirtilmektedir. Ancak aynı zamanda, yapay zekanın iş verimliliğini artırabileceği ve yeni iş fırsatları yaratabileceği vurgulanmaktadır.
Sonuç olarak, yapay zekanın iş dünyası üzerindeki etkilerini anlamak ve bu değişime uyum sağlamak için politika yapıcıların, işletmelerin ve bireylerin uygun stratejiler geliştirmesi önemlidir. Yapay zekanın getirdiği fırsatları en iyi şekilde değerlendirmek ve iş gücünü gelecekteki değişimlere hazırlamak için eğitim, yeniden eğitim ve politika müdahaleleri gerekebilir.
Referanslar
Autor, D. (2015). Neden Hala Bu Kadar Çok İş Var?, Ekonomi Perspektifleri Dergisi, 29(3), 3–30.
Bessen, J. (2017). Bilgi Teknolojisi ve Endüstri Konsantrasyonu, No. 17-41 Boston Üniversitesi Hukuk Fakültesi, Hukuk ve Ekonomi Çalışma Serisi.
Boyd, R. & Holton, R.J. (2018). Teknoloji, İnovasyon, İstihdam ve Güç: Robotik ve Yapay Zeka Gerçekten Toplumsal Dönüşüm Anlamına mı Geliyor?, Sosyoloji Dergisi, 54(3), 331–345.
Dirican, C. (2015). İşletme ve Ekonomi Üzerinde Robotik ve Yapay Zeka Etkileri, Procedia - Sosyal ve Davranışsal Bilimler, 195, 564–573.
Frank, M.R., Autor, D., Bessen, J.E., Brynjolfsson, E., Cebrian, M., Deming, D.J., Feldman, M., Groh, M., Lobo, J., Moro, E., Wang, D., Youn, H. & Rahwan, I. (2019). Yapay Zekanın İşgücü Üzerindeki Etkisini Anlamaya Doğru, Ulusal Bilimler Akademisi Bildirileri, 116 (14), 6531–6539.
Frey, C.B. & Osborne, M.A. (2013). İstihdamın Geleceği: İşler Bilgisayarlaştırmaya Ne Kadar Duyarlı?, Oxford, İngiltere: Üniversite Martin Okulu.
Giacomo, D., Roy, V.R. & Vertesy, D. (2021). Yapay Zekanın İş Verimliliği Üzerindeki Etkisi. Avrasya İşletme İncelemesi. 125.
Gries, T. & Naudé, W. (2018). Yapay Zeka, İşler, Verimlilik: Eşitsizlik ve Toplam Talep Önemli mi?, IZA Tartışma Belgesi 12005, İş Ekonomisi Enstitüsü (IZA), 1-36.
Haenlein, M. & Kaplan, A. (2019). Yapay Zekanın Kısa Bir Tarihi: Yapay Zekanın Geçmişi, Bugünü ve Geleceği Üzerine, California Yönetim İncelemesi, 61(4), 5–14.
Huang, M.-H. & Rust, R. T. (2018). Hizmette Yapay Zeka. Hizmet Araştırmaları Dergisi, 21(2), 155–172.