Abstract
Bu çalışma, Türkiye’de vergi gelirlerinin ekonomik büyüme üzerindeki etkisini analiz etmeyi amaçlamaktadır. Vergi politikaları ve gelirlerinin, ekonomik büyüme üzerinde önemli etkileri olduğu düşünülmektedir. Bu bağlamda, Türkiye’nin 2000-2020 yılları arasındaki vergi gelirleri ve GSYİH büyüme oranı verileri kullanılarak bir ekonometrik analiz gerçekleştirilmiştir.Veri seti, Dünya Bankası’nın World Development Indicators (WDI) veri tabanından temin edilmiştir. Vergi gelirleri, Gayri Safi Yurtiçi Hasıla’nın (GSYİH) yüzdesi olarak alınmış ve ekonomik büyüme oranı yıllık GSYİH büyüme oranı olarak ölçülmüştür. Çalışmada, verilerin grafiksel ve istatistiksel analizleri yapılmış, ardından vergi gelirlerinin ekonomik büyüme üzerindeki etkisini belirlemek amacıyla lineer regresyon modeli uygulanmıştır.1 Araştırmanın Amacı Bu araştırmanın amacı, Türkiye’de vergi gelirlerinin ekonomik büyüme üzerindeki etkilerini analiz etmektir. Vergi politikalarının ekonomik büyümeyi nasıl etkilediğini anlamak, etkili politikaların geliştirilmesi açısından önemlidir.
2 Veri Kaynağı Araştırmada kullanılan veriler, Türkiye İstatistik Kurumu (TÜİK) ve Dünya Bankası veritabanlarından elde edilmiştir. Veriler, 1980-2023 yıllarını kapsayan yıllık frekansta toplanmıştır. GSYİH büyüme oranı, toplam vergi gelirleri, doğrudan ve dolaylı vergiler gibi makroekonomik değişkenler kullanılmıştır.
3 Değişkenler Bağımlı Değişken: Ekonomik büyüme oranı (yıllık GSYİH artış oranı) Bağımsız Değişkenler: Toplam vergi gelirleri (GSYİH’ye oran olarak) Doğrudan vergiler (gelir ve kurumlar vergisi) Dolaylı vergiler (KDV ve ÖTV) Kamu harcamaları Enflasyon oranı İşsizlik oranı
Ekonometrik Model Araştırmada, vergi gelirlerinin ekonomik büyüme üzerindeki etkilerini incelemek için çoklu regresyon analizi kullanılacaktır. Temel model şu şekildedir:
\[ \text{Büyüme}{t} = \beta_0 + \beta_1 \text{ToplamVergiGelirleri}{t} + \beta_2 \text{DoğrudanVergiler}{t} + \beta_3 \text{DolaylıVergiler}{t} + \beta_4 \text{KamuHarcamaları}{t} + \beta_5 \text{Enflasyon}{t} + \beta_6 \text{İşsizlik}{t} + \epsilon{t} \]
Burada, \(\text{Büyüme}{t}\) t dönemindeki ekonomik büyüme oranını, \(\text{ToplamVergiGelirleri}{t}\) toplam vergi gelirlerini, \(\text{DoğrudanVergiler}{t}\) doğrudan vergileri, \(\text{DolaylıVergiler}{t}\) dolaylı vergileri, \(\text{KamuHarcamaları}{t}\) kamu harcamalarını, \(\text{Enflasyon}{t}\) enflasyon oranını ve \(\text{İşsizlik}{t}\) işsizlik oranını temsil etmektedir. \(\beta_0, \beta_1, \beta_2, \beta_3, \beta_4, \beta_5, \beta_6\) modelin katsayıları olup, \(\epsilon{t}\) hata terimidir.
library(WDI)
library(ggplot2)
veri <- WDI(country = "TR", indicator = c("NY.GDP.TOTL.RT.ZS", "NY.GDP.MKTP.KD.ZG"), start = 2000, end = 2020)
colnames(veri) <- c("Country", "Year", "Tax_Revenue", "GDP_Growth")
summary(veri)
## Country Year Tax_Revenue GDP_Growth
## Length:21 Length:21 Length:21 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
## NA NA
## Min. :0.1859 Min. :-5.750
## 1st Qu.:0.2594 1st Qu.: 3.013
## Median :0.3828 Median : 5.763
## Mean :0.4562 Mean : 4.791
## 3rd Qu.:0.5300 3rd Qu.: 7.502
## Max. :1.1560 Max. :11.200
head(veri)
## Country Year Tax_Revenue GDP_Growth NA NA
## 1 Turkiye TR TUR 2000 0.2416540 6.933240
## 2 Turkiye TR TUR 2001 0.2907486 -5.750007
## 3 Turkiye TR TUR 2002 0.2083528 6.447722
## 4 Turkiye TR TUR 2003 0.1858628 5.763206
## 5 Turkiye TR TUR 2004 0.2580400 9.795936
## 6 Turkiye TR TUR 2005 0.2465556 8.992305
sum(is.na(veri))
## [1] 0
veri <- na.omit(veri)
ggplot(veri, aes(x = Year)) +
geom_line(aes(y = Tax_Revenue, color = "Vergi Gelirleri (% of GDP)")) +
geom_line(aes(y = GDP_Growth, color = "GSYİH Büyüme Oranı (%)")) +
labs(title = "Türkiye: Vergi Gelirleri ve GSYİH Büyüme Oranı", x = "Yıl", y = "Yuzde (%)") +
scale_color_manual("", breaks = c("Vergi Gelirleri (% of GDP)", "GSYİH Büyüme Orani (%)"),
values = c("blue", "red"))
Quantmod paketi yüklendikten sonra, internet bağlantısı olan kullanıcıların Yahoo ve Google Finance’ten günlük hisse senedi verilerine erişmek için tik sembollerini kullanmalarına ve FRED’den 1000’den fazla ekonomik ve finansal zaman serisine erişmek için getSymbols komutunu kullanmalarına olanak tanır. Paket ayrıca, örneğin kapanış fiyatı ve işlem hacminin zaman serisi grafiklerini elde etmek gibi bazı güzel işlevlere de sahiptir.
library(quantmod)
getSymbols("RACE")
## Warning: RACE contains missing values. Some functions will not work if objects
## contain missing values in the middle of the series. Consider using na.omit(),
## na.approx(), na.fill(), etc to remove or replace them.
## [1] "RACE"
dim(RACE)
## [1] 2174 6
head(RACE)
## RACE.Open RACE.High RACE.Low RACE.Close RACE.Volume RACE.Adjusted
## 2015-10-21 60.00 60.97 55.00 55.00 22498800 51.25080
## 2015-10-22 57.07 58.20 55.70 56.75 4545100 52.88152
## 2015-10-23 57.77 58.00 56.27 56.38 1967600 52.53673
## 2015-10-26 57.00 57.00 54.54 55.02 1466300 51.26945
## 2015-10-27 54.80 54.99 49.36 53.85 5949200 50.17920
## 2015-10-28 54.02 54.16 50.10 51.87 2411300 48.33416
tail(RACE)
## RACE.Open RACE.High RACE.Low RACE.Close RACE.Volume RACE.Adjusted
## 2024-06-04 410.56 413.360 410.10 410.74 195100 410.74
## 2024-06-05 420.58 422.705 417.00 422.40 331200 422.40
## 2024-06-06 423.18 423.540 416.49 416.92 393400 416.92
## 2024-06-07 414.91 416.700 411.89 412.93 184200 412.93
## 2024-06-10 411.15 414.190 410.76 413.48 107100 413.48
## 2024-06-11 NA NA NA NA NA NA
chartSeries(RACE)
getSymbols("AML.L")
## Warning: AML.L contains missing values. Some functions will not work if objects
## contain missing values in the middle of the series. Consider using na.omit(),
## na.approx(), na.fill(), etc to remove or replace them.
## [1] "AML.L"
dim(AML.L)
## [1] 1435 6
head(AML.L)
## AML.L.Open AML.L.High AML.L.Low AML.L.Close AML.L.Volume
## 2018-10-03 4521.851 4557.549 4151.059 4307.658 10068884
## 2018-10-04 4309.085 4366.680 4175.334 4283.858 1547968
## 2018-10-05 4271.959 4271.959 4045.866 4045.866 1332784
## 2018-10-08 4067.285 4067.285 3722.673 3807.874 822247
## 2018-10-09 3807.398 3926.870 3785.027 3793.594 746738
## 2018-10-10 3795.975 3854.521 3688.878 3831.673 999521
## AML.L.Adjusted
## 2018-10-03 4307.658
## 2018-10-04 4283.858
## 2018-10-05 4045.866
## 2018-10-08 3807.874
## 2018-10-09 3793.594
## 2018-10-10 3831.673
tail(AML.L)
## AML.L.Open AML.L.High AML.L.Low AML.L.Close AML.L.Volume
## 2024-06-04 148.5 150.2 146.7 146.7 1294261
## 2024-06-05 148.4 158.7 147.3 157.0 3192519
## 2024-06-06 157.8 167.9 155.8 162.9 6000712
## 2024-06-07 164.2 166.6 157.6 164.0 2153145
## 2024-06-10 163.2 165.1 156.3 156.3 1564698
## 2024-06-11 NA NA NA NA NA
## AML.L.Adjusted
## 2024-06-04 146.7
## 2024-06-05 157.0
## 2024-06-06 162.9
## 2024-06-07 164.0
## 2024-06-10 156.3
## 2024-06-11 NA
chartSeries(AML.L)
getSymbols("FPCPITOTLZGAUT",src="FRED")
## [1] "FPCPITOTLZGAUT"
chartSeries(FPCPITOTLZGAUT,theme="white")
getFX("USD/TRY",from="2020-01-01")
## Warning in doTryCatch(return(expr), name, parentenv, handler): Oanda only
## provides historical data for the past 180 days. Symbol: USD/TRY
## [1] "USD/TRY"
chartSeries(USDTRY,theme="white")
getSymbols("CPGREN01ATM657N",src="FRED")
## [1] "CPGREN01ATM657N"
chartSeries(CPGREN01ATM657N,theme="white")
getFX("USD/TRY",from="2016-01-01")
## Warning in doTryCatch(return(expr), name, parentenv, handler): Oanda only
## provides historical data for the past 180 days. Symbol: USD/TRY
## [1] "USD/TRY"
chartSeries(USDTRY,theme="white")