Giriş

Sanayi Devrimi’nden bu yana, teknolojik gelişmeler işgücü piyasası üzerinde önemli bir etkiye sahip olmuştur. Yeni makineler ve üretim yöntemleri, bazı işlerin ortadan kalkmasına yol açarken, aynı zamanda yeni iş imkanları da yaratmıştır. Bu durum, işsizlik ve teknolojik gelişme arasındaki karmaşık ilişkiyi ortaya koymaktadır.

Günümüzde yapay zeka, robotik ve otomasyon gibi yeni teknolojilerin gelişmesi, işsizlik konusundaki endişeleri yeniden gündeme getirmektedir. Bazı uzmanlar, bu teknolojilerin kitlesel işsizliğe yol açabileceğini savunurken, Bazıları ise hayal bile edemeyeceğimiz yeni işler yaratacaklarına inanıyor.

Peki, gerçek nedir? Teknolojik gelişmeler işsizliği artıracak mı, yoksa yeni iş imkanları mı yaratacak? Bu karmaşık sorunun cevabı, birçok faktöre bağlıdır. Hükümetlerin ve işletmelerin bu değişime nasıl uyum sağlayacağı, eğitim sisteminin yeni becerilere ne kadar hızlı cevap verebileceği ve toplumun bu değişime nasıl yaklaşacağı gibi faktörler, işsizliğin geleceğini belirlemede önemli rol oynayacaktır.

Bu makalede, teknolojik gelişmelerin işsizlik üzerindeki potansiyel etkilerini inceleyeceğiz. Farklı bakış açılarını ele alacak ve bu sorunun karmaşıklığını ortaya koyacağız. Ayrıca, bu değişime nasıl uyum sağlayabileceğimize dair bazı öneriler de sunacağız.

Anahtar Kelimeler: Teknolojik gelişme, işsizlik, yapay zeka, robotik, otomasyon, ekonomi, işgücü piyasası, eğitim, politika.

Literatür İncelemesi

Teknolojik gelişmeler, ekonomik ve sosyal yapıları derinden etkileyerek iş gücü piyasalarını yeniden şekillendirmektedir. Bu literatür incelemesi, teknolojik gelişmelerin işsizlik üzerindeki etkilerini anlamak için yapılan önemli çalışmaları ve bulguları özetlemekte, bu etkileri azaltmak için önerilen stratejileri eleştirel bir şekilde değerlendirmektedir.

Temel Bulgular

  1. Otomasyon ve İş Kaybı

    • Brynjolfsson ve McAfee (2014), teknolojik ilerlemelerin, özellikle otomasyonun, rutin ve tekrarlayan işleri hızla ortadan kaldırdığını belirtmektedir. Bu durum, özellikle düşük vasıflı işçiler için iş kaybına yol açmaktadır.

    • Frey ve Osborne (2017), ABD iş gücü piyasasında mevcut işlerin %47’sinin önümüzdeki birkaç on yıl içinde otomasyon riski altında olduğunu öne sürmektedir.

  2. Yeni İş Alanlarının Ortaya Çıkışı

    • Bessen (2015), tarihsel olarak teknolojik ilerlemelerin yeni iş alanları ve sektörler yaratarak işsizlik üzerindeki olumsuz etkilerini dengelediğini savunmaktadır. Örneğin, bilgi teknolojileri sektörü, geçmişte pek çok yeni istihdam fırsatı yaratmıştır.

    • Arntz, Gregory ve Zierahn (2016), otomasyonun etkilerinin abartıldığını, çünkü yeni teknolojilerin aynı zamanda yeni iş kolları oluşturduğunu belirtmektedirler.

  3. Yapısal İşsizlik ve Beceri Uyumsuzluğu

    • Autor (2015), teknolojik gelişmelerin beceri uyumsuzluğuna yol açtığını ve iş gücü piyasasında yapısal işsizlik yarattığını belirtmektedir. Yüksek teknoloji gerektiren işler artarken, düşük vasıflı işçilerin iş bulma olanakları azalmaktadır.

    • Acemoglu ve Restrepo (2018), teknolojik değişimlerin genellikle yüksek vasıflı işçilere olan talebi artırdığını ve böylece gelir eşitsizliğini de artırdığını vurgulamaktadır.

Eleştiriler

  • Teknolojik İyimserlik ve Gerçekçilik

    • Bazı araştırmalar, teknolojik gelişmelerin iş gücü piyasası üzerindeki etkilerini değerlendirirken fazlasıyla iyimser ya da kötümser olabilir. Brynjolfsson ve McAfee (2014) gibi araştırmalar, teknolojik değişimin hızını ve etkisini abartarak sosyal ve ekonomik etkilerin daha ciddi olacağını savunmaktadır. Buna karşılık, Arntz, Gregory ve Zierahn (2016) gibi çalışmalarda teknolojinin iş yaratma potansiyelini fazla vurgulamak, politik müdahalelerin gerekliliğini göz ardı edebilir.

  • Politika Önerileri

    • Literatürde, iş gücü piyasasında teknolojik değişimlerin olumsuz etkilerini azaltmak için önerilen politikalar genellikle eğitim ve yeniden beceri kazandırma programlarına odaklanmaktadır. Ancak, bu öneriler genellikle geneldir ve belirli sektörler ya da bölgeler için özel stratejiler geliştirilmemiştir. Acemoglu ve Restrepo (2018), özellikle düşük vasıflı işçilerin teknolojiye uyum sağlayabilmesi için daha somut ve sektöre özgü çözümler geliştirilmesi gerektiğini vurgulamaktadır.

Araştırma Tasarımı

Bu çalışmanın amacı, teknolojik gelişmelerin işsizlik oranları üzerindeki etkisini ampirik olarak analiz etmektir. Çalışmada, Dünya bankası Türkiyenin 2000-2020 yılları arasındaki verileri kullanılarak, teknolojik ilerlemelerin iş gücü piyasası üzerindeki etkileri incelenecektir.

Veri ve Metodoloji

Veri Seti

  1. Bağımlı Değişken:

    • İşsizlik Oranı (%)

      • Kaynak: Dünya Bankası

  2. Bağımsız Değişkenler:

    • Ar-Ge Harcamalarının GSYH’ye Oranı (%)

      • Kaynak: Dünya Bankası

    • Eğitim Seviyesi (Yüksek Öğrenim Mezunlarının Oranı)

      • Kaynak: Dünya Bankası

  3. Kontrol Değişkenleri:

    • GSYH Büyüme Oranı (%)

      • Kaynak: Dünya Bankası

    • Enflasyon Oranı (%)

      • Kaynak: Dünya Bankası
Metodoloji

Çalışmada, panel veri analiz yöntemi kullanılacaktır. Panel veri analizi, zaman serisi ve kesit verilerini birleştirerek daha güçlü ve güvenilir sonuçlar elde edilmesini sağlar. Analiz için sabit etkiler modeli (Fixed Effects Model) ve rastgele etkiler modeli (Random Effects Model) kullanılacaktır. Hausman testi ile uygun model belirlenecektir.

Model

İşsızlık oranı = β0 +β1 Ar-Ge Harcamaları + +B2Gsyh büyüme oranı+ B3Enflasyon oranı + u

Hipotez

Teknolojik Gelişme pozitif yada negatif bir ilişki yoktur. Çünkü teknolojik gelişme yeni iş imkanları sağlarken, düşük vasifli işçilerin işlerini alıyor

data <- WDI(country="TR", indicator = c("SL.UEM.TOTL.ZS","GB.XPD.RSDV.GD.ZS","NY.GDP.MKTP.KD.ZG", "NY.GDP.DEFL.KD.ZG" ),start = 2000,end = 2020)
sabit_etkiler_modeli <- plm(SL.UEM.TOTL.ZS ~ GB.XPD.RSDV.GD.ZS + NY.GDP.MKTP.KD.ZG + NY.GDP.DEFL.KD.ZG, data = data, model = "within")
rastgele_etkiler_modeli <- lm(SL.UEM.TOTL.ZS ~ GB.XPD.RSDV.GD.ZS + NY.GDP.MKTP.KD.ZG + NY.GDP.DEFL.KD.ZG, data = data)
summary(sabit_etkiler_modeli)
## Oneway (individual) effect Within Model
## 
## Call:
## plm(formula = SL.UEM.TOTL.ZS ~ GB.XPD.RSDV.GD.ZS + NY.GDP.MKTP.KD.ZG + 
##     NY.GDP.DEFL.KD.ZG, data = data, model = "within")
## 
## Balanced Panel: n = 1, T = 1, N = 21
## 
## Residuals:
##     Min.  1st Qu.   Median  3rd Qu.     Max. 
## -2.29761 -0.84046 -0.52173  1.15903  1.96802 
## 
## Coefficients:
##                    Estimate Std. Error t-value Pr(>|t|)  
## GB.XPD.RSDV.GD.ZS  2.651725   1.230963  2.1542  0.04586 *
## NY.GDP.MKTP.KD.ZG -0.108516   0.079017 -1.3733  0.18750  
## NY.GDP.DEFL.KD.ZG -0.034027   0.026204 -1.2985  0.21145  
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Total Sum of Squares:    59.314
## Residual Sum of Squares: 32.45
## R-Squared:      0.45291
## Adj. R-Squared: 0.35636
## F-statistic: 4.69112 on 3 and 17 DF, p-value: 0.014541
summary(rastgele_etkiler_modeli)
## 
## Call:
## lm(formula = SL.UEM.TOTL.ZS ~ GB.XPD.RSDV.GD.ZS + NY.GDP.MKTP.KD.ZG + 
##     NY.GDP.DEFL.KD.ZG, data = data)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -2.2976 -0.8405 -0.5217  1.1590  1.9680 
## 
## Coefficients:
##                   Estimate Std. Error t value Pr(>|t|)    
## (Intercept)        9.02961    1.46903   6.147 1.08e-05 ***
## GB.XPD.RSDV.GD.ZS  2.65173    1.23096   2.154   0.0459 *  
## NY.GDP.MKTP.KD.ZG -0.10852    0.07902  -1.373   0.1875    
## NY.GDP.DEFL.KD.ZG -0.03403    0.02620  -1.299   0.2114    
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 1.382 on 17 degrees of freedom
## Multiple R-squared:  0.4529, Adjusted R-squared:  0.3564 
## F-statistic: 4.691 on 3 and 17 DF,  p-value: 0.01454

Sonuç

Modelimizin tahminleri, teknolojik gelişme ile işsizlik arasında istatistiksel olarak anlamlı bir ilişki bulunmadığını göstermektedir. Bu sonuçlar, yapılan analizin, iki değişken arasında doğrudan bir ilişkinin olmadığı yönünde bir kanıya varmasına olanak tanımaktadır. Dolayısıyla, modelimizdeki değişkenlerin işsizlik oranını etkileme konusunda önemli bir rol oynamadığı sonucuna varabiliriz. Bu durum, başka faktörlerin veya değişkenlerin işsizlik oranını açıklamada daha etkili olduğunu düşündürebilir ve gelecekteki analizlerin bu faktörler üzerinde yoğunlaşması gerekebilir.

Kaynakça

  • Acemoglu, D., & Restrepo, P. (2018). “Artificial Intelligence, Automation, and Work”. NBER Working Paper No. 24196.

  • Arntz, M., Gregory, T., & Zierahn, U. (2016). “The Risk of Automation for Jobs in OECD Countries: A Comparative Analysis”. OECD Social, Employment and Migration Working Papers, No. 189.

  • Autor, D. H. (2015). “Why Are There Still So Many Jobs? The History and Future of Workplace Automation”. Journal of Economic Perspectives, 29(3), 3-30.

  • Bessen, J. (2015). “Learning by Doing: The Real Connection between Innovation, Wages, and Wealth”. Yale University Press.

  • Brynjolfsson, E., & McAfee, A. (2014). “The Second Machine Age: Work, Progress, and Prosperity in a Time of Brilliant Technologies”. W. W. Norton & Company.

  • Frey, C. B., & Osborne, M. A. (2017). “The Future of Employment: How Susceptible Are Jobs to Computerization?”. Technological Forecasting and Social Change, 114, 254-280.

Ödev(quantmod)

  • Yahoo Finance, Google Finance ve Federal Reserve Bank of St. Louis’in Federal Rezerv Ekonomik Verileri (FRED) dahil olmak üzere bazı açık kaynaklardan doğrudan mali verileri indirmek için Quantmod paketini indireceğiz. Paket, Jeffry A. Ryan tarafından oluşturulmuştur.
library("quantmod")

  • Quantmod paketi indirdikten sonra bir şirkete secip onun hisse senedini inceleceğiz.

  • Örnek olarak Microsoft Corporation (MSFT)’nin hisse senedi fiyatlarını indirelim. Yahoo-finance bize şirketlerin sembollerini verecektir. Microsoft Corporation (MSFT)hisse senedi veri setini indirmek için getSymbols komutunu kullanıyoruz.

getSymbols("MSFT", src = "yahoo")
## [1] "MSFT"
  • Artık microsoft’nin 3 ocak 2007 sonrası günlük verilerine sahibiz. Dataya bir göz atalım. Datanın boyutuna dim() komutuyla bakalım, ve verinin ilk 6 ve son 6 gözlemine bir göz atalım.
dim(MSFT)
## [1] 4390    6
head(MSFT)
##            MSFT.Open MSFT.High MSFT.Low MSFT.Close MSFT.Volume MSFT.Adjusted
## 2007-01-03     29.91     30.25    29.40      29.86    76935100      21.35890
## 2007-01-04     29.70     29.97    29.44      29.81    45774500      21.32314
## 2007-01-05     29.63     29.75    29.45      29.64    44607200      21.20153
## 2007-01-08     29.65     30.10    29.53      29.93    50220200      21.40897
## 2007-01-09     30.00     30.18    29.73      29.96    44636600      21.43043
## 2007-01-10     29.80     29.89    29.43      29.66    55017400      21.21584
tail (MSFT)
##            MSFT.Open MSFT.High MSFT.Low MSFT.Close MSFT.Volume MSFT.Adjusted
## 2024-06-04    412.43    416.44   409.68     416.07    14348900        416.07
## 2024-06-05    417.81    424.08   416.30     424.01    16988000        424.01
## 2024-06-06    424.01    425.31   420.58     424.52    14861300        424.52
## 2024-06-07    426.20    426.28   423.00     423.85    13621700        423.85
## 2024-06-10    424.70    428.08   423.89     427.87    14003000        427.87
## 2024-06-11        NA        NA       NA         NA          NA            NA

  • MSFT.Open: Hisse senedinin o günkü açılış fiyatı, Close: Kapanış, High: En yüksek, Low: En düşük, Adjuste: Yarlanmış fiyatlarını vermektedir, Volume: Kaç kişinin işlem yaptığını gösterir.

  • Bu zaman serisinin grafiğini chartSeries() ile gösterebiliriz.

chartSeries(MSFT)

-Mesela, afghanistan için Reel Gayri Safi Yurtiçi Hasıla verisini indirmek istiyorsak. FRED, bu veri setinin sembolünü bize verir. Bu zaman serisi için sembol PPPTTLAFA618NUPN’dir.

getSymbols("PPPTTLAFA618NUPN", src = "FRED")
## [1] "PPPTTLAFA618NUPN"
dim(PPPTTLAFA618NUPN)
## [1] 41  1
head(PPPTTLAFA618NUPN)
##            PPPTTLAFA618NUPN
## 1970-01-01       0.02558026
## 1971-01-01       0.02677380
## 1972-01-01       0.02287589
## 1973-01-01       0.02132080
## 1974-01-01       0.02170636
## 1975-01-01       0.02073652
tail(PPPTTLAFA618NUPN)
##            PPPTTLAFA618NUPN
## 2005-01-01         17.08877
## 2006-01-01         18.12902
## 2007-01-01         18.82638
## 2008-01-01         18.91553
## 2009-01-01         19.09546
## 2010-01-01         23.81406
chartSeries(PPPTTLAFA618NUPN)

  • Farketiyseniz, src kaynağınızın neresi olacağını yazabilmenizi sağlıyor. Hiçbirşey yazmasak, sembolü Yahoo’da arayacaktır. Diyelim ki, son bir yıl için TL USD değerini istiyoruz. getFX(““) komutunu her döviz kuru için kullanabiliriz.
getFX("USD/TRY",from="2023-05-25")
## [1] "USD/TRY"
chartSeries(USDTRY)