Enerji Tüketimi Ve Ekonomik Büyüme

Mireille Latifa Goubtanam Didama

Karabük Üniversitesi

r format(Sys.time(), ‘%B %d, %Y’)

Abstract

Lorem ipsum dolor sit amet, consectetur adipiscing elit. Donec sit amet libero justo. Pellentesque eget nibh ex. Aliquam tincidunt egestas lectus id ullamcorper. Proin tellus orci, posuere sed cursus at, bibendum ac odio. Nam consequat non ante eget aliquam. Nulla facilisis tincidunt elit. Nunc hendrerit pellentesque quam, eu imperdiet ipsum porttitor ut. Interdum et malesuada fames ac ante ipsum primis in faucibus. Suspendisse potenti. Duis vitae nibh mauris. Duis nec sem sit amet ante dictum mattis. Suspendisse diam velit, maximus eget commodo at, faucibus et nisi. Ut a pellentesque eros, sit amet suscipit eros. Nunc tincidunt quis risus suscipit vestibulum. Quisque eu fringilla massa.

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

Benim motivasyonum:

Enerji tüketiminin çevre üzerindeki etkisi: Gezegenimizin geleceği konusunda endişeliyiz ve enerji tüketiminin küresel ısınmayı ve doğal kaynakları nasıl etkilediğini keşfetmek istiyoruz; Ekonomik kalkınmada enerji verimliliğinin önemi: Enerji kullanımını optimize etmenin sürdürülebilir ekonomik büyümeye ve işletmeler için maliyetlerin azaltılmasına nasıl katkıda bulunabileceğiyle ilgileniyoruz; Enerji ve üretkenlik arasındaki ilişki: Enerjinin bulunabilirliği ve kalitesinin çalışanların ve endüstrilerin üretkenliğini ve dolayısıyla ekonomik büyümeyi nasıl etkileyebileceği ilgimizi çekiyor;

Özet:

Enerji, modern toplumlarımızın işleyişi, evlerimize, endüstrilerimize ve ulaşımımıza güç sağlamak için temel bir unsurdur. Ancak sürekli artan enerji talebi; sürdürülebilirlik, çevresel etki ve maliyetler açısından büyük zorlukları da beraberinde getiriyor. Enerji tüketimi ve bunun ekonomik büyüme üzerindeki etkisi sorunu birçok güncel tartışmanın merkezinde yer almaktadır. Ancak aşırı enerji tüketimi kirlilik ve iklim değişikliği gibi çevre sorunlarına yol açabilmektedir. Bu projede enerji tüketimi ile ekonomik büyüme arasındaki karmaşık ilişkiyi keşfetmeyi ve analiz etmeyi amaçlıyoruz. Enerjinin bulunabilirliği, verimliliği ve kaynağının bir ülkenin ekonomik performansını ve bunun sonucunda ortaya çıkan çevresel ve sosyal sonuçları nasıl etkileyebileceğini inceleyeceğiz. Bu ilişkinin farklı yönlerini vurgulayarak, enerji tüketiminin ekonomik kalkınmayı nasıl şekillendirebileceği ve enerjiye sürdürülebilir bir yaklaşımın daha müreffeh ve çevre dostu bir geleceğe nasıl katkıda bulunabileceği konusunda yeni anlayışlar ve zenginleştirici bakış açıları sağlamayı umuyoruz.

Anahtar Kelimeler:

Enerji Tüketimi; Ekonomik Büyüme;Enerji politikaları; İşsizlik ve enflasyon; Enerji verimliliği; teknolojik gelişmeler.

(karaca2003turkiye?) 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 (xie2013ddrk?).

Literature Review

Enerji tüketimi ve ekonomik büyümeye ilişkin literatür incelemesi aşağıdaki noktaları ele alabilir:

Enerji tüketiminin ekonomik büyüme üzerindeki etkisi: Birçok çalışma, enerji kullanılabilirliği ve verimliliğinin bir ekonominin üretkenliğini, yenilikçiliğini ve rekabet gücünü nasıl etkilediğini incelemiştir. Bazı araştırmalar yüksek enerji tüketimi ile daha güçlü ekonomik büyüme arasındaki bağlantıyı vurgularken, diğerleri fosil yakıtlara aşırı bağımlılığın ve buna bağlı sera gazı emisyonlarının risklerini vurguluyor.
Enerji politikaları ve ekonomik büyüme: Enerji politikaları ve düzenlemeleri, sürdürülebilir enerji tüketiminin teşvik edilmesinde ve ekonomik büyümenin teşvik edilmesinde önemli bir rol oynayabilir. Yenilenebilir enerjiye yönelik vergi teşvikleri, enerji verimliliği standartları ve enerji altyapısına yapılan yatırımlar gibi önlemler, ekonominin daha yeşil ve daha dayanıklı bir modele doğru yönlendirilmesine yardımcı olabilir.
Uluslararası perspektifler: Enerji tüketimi ve ekonomik büyüme, enerji güvenliği, uluslararası ticaret ve uluslararası işbirliği açısından sınır ötesi etkileri olan küresel sorunlardır. Mevcut enerji kaynakları, ulusal politikalar ve jeopolitik dinamiklerdeki farklılıklar, ülkelerin ekonomik performansını ve küresel enerji sisteminin istikrarını etkileyebilmektedir.
Zorluklar ve fırsatlar: Enerji şoklarına dayanıklı, düşük karbonlu bir ekonomiye geçiş, birçok ülke için önemli zorluklar doğurmaktadır; ancak aynı zamanda teknolojik yenilik, yeşil işlerin yaratılması ve yeni pazarların geliştirilmesi açısından fırsatlar da sunmaktadır. Enerji tüketimi ile ekonomik büyüme arasındaki bağlantıları anlamak, bu zorlukları öngörmek, yönetmek ve ortaya çıkan fırsatları yakalamak için çok önemlidir. Bu farklı yönleri dikkate alarak, enerji tüketimi ve ekonomik büyümeyle bağlantılı konuların tam bir özetini çıkarmak ve daha sürdürülebilir ve sürdürülebilir bir enerji ve ekonomik gelecek inşa etmek için eylem yollarını belirlemek mümkündür.

chooseCRANmirror(graphics = FALSE, ind = 1)
install.packages("WDI")

library(WDI)

## Warning: package 'WDI' was built under R version 4.2.3

indicators <- c("NY.GDP.MKTP.KD.ZG", "SE.XPD.TOTL.GD.ZS", "BAR.SCHL.15UP")
data <- WDI(country = "all", indicator = indicators, start = 2000, end = 2020)
names(data) <- c("Country", "CountryCode", "Year", "GDP_Growth", "Education_Expenditure", "Avg_Years_Schooling")

library(explore)

## Warning: package 'explore' was built under R version 4.2.3

describe_all(data)

data <- data[complete.cases(data), ]

data %>% describe_all()

model <- lm(GDP_Growth ~ Education_Expenditure + Avg_Years_Schooling, data = data)
summary(model)

## 
## Call:
## lm(formula = GDP_Growth ~ Education_Expenditure + Avg_Years_Schooling, 
##     data = data)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -6.7563 -4.7319 -0.2134  4.4743  5.8582 
## 
## Coefficients:
##                        Estimate Std. Error  t value Pr(>|t|)    
## (Intercept)           2.004e+03  7.211e-01 2778.931   <2e-16 ***
## Education_Expenditure 1.114e-01  6.339e-02    1.758   0.0798 .  
## Avg_Years_Schooling   2.389e-01  1.305e-01    1.830   0.0682 .  
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 4.105 on 307 degrees of freedom
## Multiple R-squared:  0.01791,    Adjusted R-squared:  0.01151 
## F-statistic:   2.8 on 2 and 307 DF,  p-value: 0.06239

library(ggplot2)

## Warning: package 'ggplot2' was built under R version 4.2.3

data <- data.frame(
  Energy_Consumption = c(1000, 1500, 2000, 2500, 3000, 3500, 4000),
  Economic_Growth = c(2.5, 3.0, 3.5, 4.0, 4.5, 5.0, 5.5)
)

ggplot(data, aes(x = Energy_Consumption, y = Economic_Growth)) +
  geom_point() +  # Ajouter les points de données
  geom_smooth(method = "lm") +  # Ajouter une ligne de tendance linéaire
  labs(title = "The Effect of Energy Consumption on Economic Growth", 
       x = "Energy Consumption (kWh per capita)", 
       y = "Economic Growth (%)")

## `geom_smooth()` using formula = 'y ~ x'

Enerji Tüketimi Histogramı

Veri kümenizdeki enerji tüketiminin dağılımını görselleştirmeye yönelik bir histogram.

ggplot(data, aes(x = Energy_Consumption)) +
  geom_histogram(binwidth = 500, fill = "blue", color = "black", alpha = 0.7) +
  labs(title = "Distribution of Energy Consumption",
       x = "Energy Consumption (kWh per capita)",
       y = "Frequency")

Enerji Tüketimi Çeyreklerine Göre Ekonomik Büyümenin Kutu Grafiği

Farklı enerji tüketimi seviyeleri arasındaki ekonomik büyümeyi karşılaştıran bir kutu grafiği.

data$Energy_Consumption_Quartile <- cut(data$Energy_Consumption, 
                                        breaks = quantile(data$Energy_Consumption, probs = seq(0, 1, 0.25)), 
                                        include.lowest = TRUE)

ggplot(data, aes(x = Energy_Consumption_Quartile, y = Economic_Growth)) +
  geom_boxplot(fill = "orange", color = "black") +
  labs(title = "Economic Growth by Energy Consumption Quartiles",
       x = "Energy Consumption Quartiles (kWh per capita)",
       y = "Economic Growth (%)")

Varyans Analizi (ANOVA)

Farklı enerji tüketimi seviyelerine bağlı olarak ekonomik büyümede anlamlı bir fark olup olmadığını test eder.

data$Energy_Consumption_Cat <- cut(data$Energy_Consumption, 
                                   breaks = quantile(data$Energy_Consumption, probs = seq(0, 1, 0.25)), 
                                   include.lowest = TRUE)


anova_result <- aov(Economic_Growth ~ Energy_Consumption_Cat, data = data)
summary(anova_result)

##                        Df Sum Sq Mean Sq F value Pr(>F)  
## Energy_Consumption_Cat  3  6.625   2.208   17.67 0.0207 *
## Residuals               3  0.375   0.125                 
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Research Design

Okun Yasası

Okun Yasası, ekonomist Arthur Okun’un ortaya attığı bir kanundur ve ekonomik büyüme ile işsizlik arasındaki ilişkiyi açıklar. Bu yasa, bir ülkedeki ekonomik büyüme oranının artmasıyla işsizlik oranının azalması arasındaki ters ilişkiyi ifade eder. Yani ekonomik büyüme arttıkça işsizlik oranı azalır veya ekonomik daralma yaşandığında işsizlik oranı artar.

library(ggplot2)

# Ekonomik büyüme ve işsizlik oranı verileri
büyüme <- c(1, 2, 3, 4, 5)
işsizlik <- c(5, 4, 3, 2, 1)

veri <- data.frame(büyüme, işsizlik)

# Grafik oluşturma
ggplot(data = veri, aes(x = büyüme, y = işsizlik)) +
  geom_line(color = "blue") +
  labs(title = "Okun Yasası", x = "Ekonomik Büyüme (%)", y = "İşsizlik Oranı (%)")

Bu kodda, ggplot2 paketi kullanılarak ekonomik büyüme ve işsizlik oranı verileri grafik üzerinde gösteriliyor.

Durağan (Stationary)

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.

library(WDI)

df = WDI(indicator=c(un='SL.UEM.TOTL.ZS', en='FP.CPI.TOTL.ZG'), country=c('TR'), start = 1991, end = 2022)

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 '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
## ✔ lubridate 1.9.3     ✔ tibble    3.2.1
## ✔ purrr     1.0.2     ✔ tidyr     1.3.1
## ── 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

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

~ Grafiği çizelim: enflasyon ve issizlik

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

Bu komut, “zaman_serisi” veri çerçevesindeki “un” ve “en” sütunlarını çizdirmek için kullanılır. “un” sütunu y ekseninde, “en” sütunu ise x ekseninde çizilir. Bu komut sayesinde iki değişken arasındaki ilişki veya trend grafik üzerinde görsel olarak görülebilir.

acf(zaman_serisi[,"un"])

Bu komut, bir zaman serisinin (time series) belirli bir değişkeninin oto korelasyon fonksiyonunu (ACF) hesaplar. Genellikle, ACF bir zaman serisinin kendi gecikmeleriyle olan ilişkilerini gösterir. Örneğin, eğer “zaman_serisi” veri çerçevesinde “un” adında bir sütununuz varsa ve bu sütun zaman serisi verilerini temsil ediyorsa, “acf(zaman_serisi[,”un”])” komutu bu zaman serisinin “un” değişkeninin oto korelasyon fonksiyonunu hesaplayacaktır.

Oto korelasyon fonksiyonu, bir zaman serisinin kendisi ile gecikmiş versiyonları arasındaki korelasyonu ifade eder. Bu, veri serisindeki zaman bağımlılığını anlamak için önemli bir araç olabilir. Oto korelasyon fonksiyonu çıktısını inceleyerek, zaman serisinin hangi gecikmelerde korelasyon gösterdiğini ve bu korelasyonun yönünü anlayabilirsiniz. Güçlü bir korelasyon bir trendi veya dönemsel etkileri gösterebilirken, zayıf bir korelasyon rastgele dalgalanmaları işaret edebilir. Bu nedenle, oto korelasyon fonksiyonu, zaman serisinin analizinde önemli bir rol oynar.

Phillips Eğrisi

Phillips eğrisi, ekonomide işsizlik ile enflasyon arasındaki ilişkiyi gösteren bir grafiktir. Bu eğri, işsizlik düşerken enflasyonun yükseldiğini ve tersi durumda da enflasyonun azaldığını gösterir. Phillips eğrisi, ekonomik politika yapıcılarına işsizlik ve enflasyon arasındaki dengeyi anlamalarına yardımcı olur. Phillips eğrisi önemlidir çünkü işsizlik ve enflasyon arasındaki ilişkiyi görselleştirir ve ekonomi politikalarının bu iki değişken arasındaki dengeyi nasıl etkilediğini anlamamıza yardımcı olur. Bu eğri, ekonomik karar vericilere enflasyon ve işsizlik arasındaki dengeyi sağlamak için hangi politikaların uygulanabileceği konusunda yol gösterici olabilir.

Phillips eğrisi, işsizlik ile enflasyon arasındaki ters ilişkiyi ifade eden bir ekonomik modeldir. Genel olarak, Phillips eğrisi şu şekilde formüle edilebilir:

π = πe + β(u - u*)

Burada: - π, enflasyon oranını temsil eder. - πe, beklenti enflasyon oranını temsil eder. - β, Phillips eğrisinin eğim katsayısını temsil eder (işsizliğin enflasyon üzerindeki etkisini gösterir). - u, gerçek işsizlik oranını temsil eder. - u*, doğal işsizlik oranını temsil eder.

Bu formülde, enflasyon oranı, beklenti enflasyon oranı ve işsizlik oranı arasındaki ilişkiyi açıklar. İşsizlik oranı doğal işsizlik oranının üzerinde olduğunda enflasyon oranı artar ve işsizlik oranı doğal işsizlik oranının altında olduğunda enflasyon oranı düşer.

Otoregresyon

Oto regresyon, istatistik ve ekonometri alanlarında kullanılan bir terimdir. Oto regresyon, bir değişkenin kendi geçmiş değerleri ile ilişkisini modellemek için kullanılan bir regresyon yöntemidir. Yani, bir değişkenin bugünkü değerini, geçmiş dönemlerdeki kendi değerleri ile açıklamaya çalışan bir regresyon modelidir. Oto regresyon modelleri genellikle zaman serileri verilerinin analizinde kullanılır. Bu modeller, zaman serilerindeki trendleri, dönemsel etkileri ve diğer zaman bağımlı yapıları modellemek için kullanılır. Oto regresyon modellerinin temel amacı, bir değişkenin geçmiş değerleri ile bugünkü değeri arasındaki ilişkiyi belirlemektir. Bu ilişkiyi kullanarak, gelecekteki değerlerin tahmin edilmesi ve zaman serisinin davranışının anlaşılması sağlanabilir. Oto regresyon modelleri genellikle AR(p) şeklinde ifade edilir, burada p bir parametreyi temsil eder ve modelde kullanılacak geçmiş dönem sayısını belirtir. AR(1) modeli, bir değişkenin bir önceki dönemdeki değeri ile açıklanırken, AR(2) modeli ise iki önceki dönemdeki değerler ile açıklanır. Oto regresyon modelleri, zaman serileri analizinde önemli bir araç olup, değişkenler arasındaki zaman bağımlılığını ve gelecekteki değerlerin tahminini yapmak için kullanılırlar.

# Örnek veri oluşturma
veri <- ts(data = rnorm(100), start = 1)

# Otoregresyon modeli oluşturma
model <- arima(veri, order = c(1, 0, 0))
summary(model)

##           Length Class  Mode     
## coef        2    -none- numeric  
## sigma2      1    -none- numeric  
## var.coef    4    -none- numeric  
## mask        2    -none- logical  
## loglik      1    -none- numeric  
## aic         1    -none- numeric  
## arma        7    -none- numeric  
## residuals 100    ts     numeric  
## call        3    -none- call     
## series      1    -none- character
## code        1    -none- numeric  
## n.cond      1    -none- numeric  
## nobs        1    -none- numeric  
## model      10    -none- list

Durağan Olmayan (Nonstationary)

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.

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")

head(gsyh)

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:

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

1965’ten 2015’e, yani son 50 yılda dünya ekonomisi (enflasyon hariç) büyüdü yılda ortalama %3,7 oranında. Aynı dönemde küresel olarak tüketilen enerji (hacim olarak) yılda %2,6 arttı. Son 50 yılı kapsayan bir yıldan diğerine analiz yaparak Yıllar süren küresel ekonomik büyüme ve küresel tüketimdeki büyüme enerjinin korelasyonu açıkça görülmektedir.Ekonomi ne kadar büyürse, enerji tüketimi de o kadar artar,ancak bir katsayıyla zamanla azalan korelasyon, yani enerji verimliliği ile teknolojik gelişmeler sayesinde artıyor. olmayan hiçbir insan faaliyeti yoktur. doğrudan veya enerji tüketmez dolaylı olarak. Üretmek için petrole ihtiyacınız var taşıma için gerekli yakıt (hava, karayolu, denizcilik) veya tarım (araçlar) tarımsal), evsel ve endüstriyel ısıtma için gaz, gaz ve petrol üretilen ürünler (plastik, kozmetik vb.), çelik üretmek için kömür ve çimento (inşaat ve bayındırlık işleri) ve elektrik (kömür, gaz, nükleer kökenli) veya yenilenebilir) enerji taşımacılığına demiryolu ve kentsel, evsel kullanıma izin veriyor (aydınlatma, ev aletleri) ve elektro-yoğun endüstrileri (çelik, metalurji, kimya, cam yapımı vb.) işletiyor. Dijitalleşmeyle bağlantılı hizmet meslekleri bile tüketimden kaçamıyor enerjinin. Amazon’un gelişimi Örneğin, e-ticaret olsa bile, bir yandan büyük ölçüde yakıt tüketen bir fiziksel dağıtım ağı tarafından destekleniyor, diğer yandan da başka yerlerdeki “fiziksel” dijital endüstriye parça (bilgisayarlar, akıllı telefonlar, sunucular, kablolar ve aynı zamanda enerji tüketen optik fiberler vb. Amazon için hepsi bu iki unsur küresel düzeyde 1 ila 2 enerji santralinin yıllık üretimine karşılık gelen enerji tüketimini temsil etmektedir nükleer silahlar büyüklük sırasına göre Ve hatta finansal hizmetler. BT ekipmanı ve altyapısının (bilgisayarlar, sunucular, kablolar ve optik fiberler vb.). Katma değerleri oldukça maaşlarda yoğunlaşıyor kalacak yer bulmak zorunda olan çalışanlarının, besleyin, ısıtın, kendinizi donatın, iletişim kurun, Kendinizi eğitin, kendinize iyi bakın, dolaşın, eğlenin… bu da yine enerji tüketir.

You can also embed plots, for example:

plot(pressure)

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

plot(mtcars)

Önerilen Referanslar:

1.data.worldbank.org/ 2. “Energy Consumption and Economic Growth: A Survey of the Empirical Evidence” - by Richard York, Eugene A. Rosa, and Thomas Dietz; 3. “Energy Consumption and Economic Growth in China: A Panel Cointegration Analysis” - by Sheng-Tung Chen and Ching-Cheng Chang; 4. “The Relationship between Energy Consumption and Economic Growth: Evidence from Pakistan” - by Muhammad Arshad Khan and Qazi Muhammad Adnan Hye; 5. “Energy Consumption, Economic Growth, and Carbon Emissions: Causality Evidence from Nigeria” - by Timothy O. Olayeni and Abimbola S. Alabi 6. “Energy Consumption and Economic Growth in the United States: A Multivariate Cointegration and Causality Analysis” - by Ki-Hong Choi and J. Phill Mahoney.

Conclusion

Enerji tüketimi ve ekonomik büyüme konusundaki projenin sonuçlarının önemli ve değerli olacağından eminim. Bu projenin sonuçları, enerji politikalarının ekonomik büyümeye etkisi, enerji verimliliğinin ekonomik büyümeye olan katkısı ve enerji tüketimindeki değişikliklerin ekonomik göstergelere nasıl yansıdığı gibi konuları analiz edebilir. Sonuçlarınızda, enerji tüketimi ile ekonomik büyüme arasında bir ilişki olduğunu ve bu ilişkinin karmaşık ve çok yönlü olduğunu belirtmek önemli olacaktır. Ayrıca, belirli enerji politikalarının ve tedbirlerinin ekonomik büyümeye olan etkilerini ve bu bağlamda önerilerde bulunarak projenizi sonlandırabilirsiniz. Sonuçlarımızı net ve açık bir şekilde sunarak, enerji tüketimi ve ekonomik büyüme arasındaki ilişkiyi anlamak ve gelecekte daha sürdürülebilir bir ekonomik büyüme hedefine ulaşmak için değerli bir katkı sağlamış olacagiz.

Hocanın verdiği ödev

Başlangıç olarak, 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)

## Warning: package 'quantmod' was built under R version 4.2.3

## Loading required package: xts

## Warning: package 'xts' was built under R version 4.2.3

## Loading required package: zoo

## Warning: package 'zoo' was built under R version 4.2.3

## 
## Attaching package: 'zoo'

## The following objects are masked from 'package:base':
## 
##     as.Date, as.Date.numeric

## 
## ######################### 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.  #
## #                                                                             #
## ###############################################################################

## 
## Attaching package: 'xts'

## The following objects are masked from 'package:dplyr':
## 
##     first, last

## Loading required package: TTR

## Warning: package 'TTR' was built under R version 4.2.3

## Registered S3 method overwritten by 'quantmod':
##   method            from
##   as.zoo.data.frame zoo

Quantmod paketi indirdikten sonra bir şirkete secip onun hisse senedini inceleceğiz.
Örnek olarak Apple’nin hisse senedi fiyatlarını indirelim. Yahoo-finance bize şirketlerin sembollerini verecektir. Apple hisse senedi veri setini indirmek için getSymbols komutunu kullanıyoruz.

getSymbols("AAPL", src = "yahoo")

## [1] "AAPL"

Artık Apple’nin 2 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(AAPL)

## [1] 4397    6

head(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      2.928890

tail(AAPL)

##            AAPL.Open AAPL.High AAPL.Low AAPL.Close AAPL.Volume AAPL.Adjusted
## 2024-06-13    214.74    216.75   211.60     214.24    97862700        214.24
## 2024-06-14    213.85    215.17   211.30     212.49    70122700        212.49
## 2024-06-17    213.37    218.95   212.72     216.67    93728300        216.67
## 2024-06-18    217.59    218.63   213.00     214.29    79943300        214.29
## 2024-06-20    213.93    214.24   208.85     209.68    86172500        209.68
## 2024-06-21    210.39    211.89   207.11     207.49   241805100        207.49

AAPL.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(AAPL)

Bu hem zaman serisinin grafiğini, hem işlem yapan kişi sayısını göstermektedir. Aynı grafiği beyaz olarak almak istiyorsak, chartSeries(, theme =‘white’) kullanabiliriz.

chartSeries(AAPL, theme = 'white')

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

getSymbols("JPNRGDPEXP", src = "FRED")

## [1] "JPNRGDPEXP"

chartSeries(JPNRGDPEXP)

chartSeries, R’deki quantmod paketinin bir fonksiyonudur. Özellikle finansal veriler ve piyasa fiyatlarının teknik analizi için yararlı olan zaman serisi grafikleri oluşturmak için kullanılır. JPNRGDPEXP:

JPNRGDPEXP, Japonya için ekonomik genişlemeye (örneğin ihracat) dayalı gerçek GSYİH (Gayri Safi Yurtiçi Hasıla) verilerinin bir zaman serisini temsil eder. Bu bağlamda JPNRGDPEXP’in Japonya’nın ekonomik verilerini içeren xts veya zoo tipi bir nesne olduğu varsayılmaktadır.

chartSeries(JPNRGDPEXP, theme = 'white')

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")

## 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)

chartSeries(USDTRY, theme = 'white')

USDTRY, ABD Doları (USD) ile Türk Lirası (TRY) arasındaki döviz kurlarının zaman serisini temsil eder. Bu bağlamda USDTRY’nin USD/TRY döviz çiftinin verilerini içeren bir xts veya zoo nesnesi olduğu varsayılmaktadır. tema = ‘beyaz’:

Bu isteğe bağlı bağımsız değişken grafiğin temasını belirtir. ‘Beyaz’ kullanıldığında grafiğin arka planı beyaz olacaktır. Bu, estetik veya okunabilirlik nedenleriyle yararlı olabilir.