Projemin içeriği:

Word Bank İndicatos’dan seçtiğim Yoksulluk konusundaki ‘Ulusal yoksulluk sınırlarına göre yoksulluk oranı (% nüfus)’, ‘Çok boyutlu yoksulluk oranı (Dünya bankası)(% nüfus)’, ‘Yoksulluk sınırındaki kişi sayısı oranı(% nüfus)’, ‘Gini endeksi’ şeklinde dört dataya sorduğum soru ve cevaplardan, yılların iniş çıkışlarını grafik üzerinden göstiriminden, Türkiyedeki yoksulluk verilerinin regresyonundan, popülasyon datasından oluşmaktadır.

Birinci data:

SI.POV.NAHC: Ulusal yoksulluk sınırlarına göre yoksulluk oranı(%nüfus)

İkinci data:

SI.POV.MPWB: Çok boyutlu yoksulluk oranı (Dünya bankası)(% nüfus)

Üçüncü data:

SI.POV.SOPO: Yoksulluk sınırındaki kişi sayısı oranı(% nüfus)

Dördüncü data:

SI.POV.GINI: Gini endeksi

library(WDI)
data <- WDI(country = "all", indicator = c("SI.POV.NAHC","SI.POV.MPWB","SI.POV.SOPO","SI.POV.GINI" ))

SORU1:

Ulusal yoksulluk sınırlarına göre yoksulluk oranı (% nüfus)” göstergesi neyi ifade eder ve neden ülkeler arasında karşılaştırma yaparken dikkatli olunmalıdır?

CEVAP:

Bu gösterge, bir ülkede kendi ulusal yoksulluk sınırının altında yaşayan nüfusun toplam nüfusa oranını (%) ifade eder. Ulusal yoksulluk sınırı, her ülkenin yaşam koşulları, gelir düzeyi ve tüketim alışkanlıklarına göre belirlenir.

Ülkeler arasında karşılaştırma yaparken dikkatli olunmalıdır çünkü ulusal yoksulluk sınırları ülkeden ülkeye farklılık gösterir. Bu nedenle bu gösterge, ülkelerin kendi içindeki yoksulluk durumunu izlemek için uygundur; ancak farklı ülkeler arasında doğrudan yoksulluk karşılaştırması yapmak için uluslararası yoksulluk sınırları (örneğin günde 2,15 ABD doları) daha sağlıklı sonuçlar verir.

# Paket kurulumu ve yükleme
install.packages("WDI")
## Warning: package 'WDI' is in use and will not be installed
library(WDI)

# Dünya Bankası verisini çek (Türkiye, 2005–2022)
veri <- WDI(
  country = "TUR",
  indicator = "SI.POV.NAHC",
  start = 2005,
  end = 2022
)

# Eksik verileri temizle
veri <- na.omit(veri)

# Grafik (base R)
plot(
  veri$year,
  veri$SI.POV.NAHC,
  type = "o",
  col = "blue",
  pch = 16,
  xlab = "Yıl",
  ylab = "Yoksulluk Oranı (% nüfus)",
  main = "Ulusal Yoksulluk Sınırına Göre Yoksulluk Oranı (Türkiye)"
)

SORU2:

Dünya Bankası’na göre çok boyutlu yoksulluk oranı (% nüfus) neyi ölçer?

CEVAP:

Çok boyutlu yoksulluk oranı, bireylerin yalnızca gelir açısından değil; eğitim, sağlık ve yaşam koşulları gibi birden fazla alanda yoksunluk yaşayıp yaşamadığını ölçer ve bu yoksunlukları yaşayan nüfusun toplam nüfusa oranını (%) gösterir.

# Paket kurulumu ve yükleme
install.packages("WDI")
## Warning: package 'WDI' is in use and will not be installed
library(WDI)

# Dünya Bankası verisini çek (örnek: Türkiye, 2010–2022)
veri <- WDI(
  country = "TUR",
  indicator = "SI.POV.MDIM",
  start = 2010,
  end = 2022
)

# Eksik verileri temizle
veri <- na.omit(veri)

# Grafik (base R)
plot(
  veri$year,
  veri$SI.POV.MDIM,
  type = "o",
  col = "darkgreen",
  pch = 16,
  xlab = "Yıl",
  ylab = "Çok Boyutlu Yoksulluk Oranı (% nüfus)",
  main = "Çok Boyutlu Yoksulluk Oranı (Dünya Bankası)"
)

SORU3:

Dünya Bankası’nın yoksulluk sınırı göstergesine göre, bir ülkede yoksulluk oranının zaman içinde azalması hangi sosyo-ekonomik gelişmelere işaret edebilir?

CEVAP:

Yoksulluk oranının azalması; gelir artışı, istihdam olanaklarının genişlemesi, sosyal yardım politikalarının güçlenmesi ve ekonomik büyümenin toplumun alt gelir gruplarına yansıması gibi olumlu sosyo-ekonomik gelişmelere işaret edebilir.

install.packages("WDI")
## Warning: package 'WDI' is in use and will not be installed
library(WDI)

veri <- WDI(
  country = "TUR",
  indicator = "SI.POV.DDAY",
  start = 2005,
  end = 2022
)

veri <- na.omit(veri)

plot(
  veri$year,
  veri$SI.POV.DDAY,
  type = "o",
  col = "blue",
  pch = 16,
  xlab = "Yıl",
  ylab = "Yoksulluk Sınırı Altındaki Nüfus (% )",
  main = "Yoksulluk Oranının Zaman İçindeki Değişimi"
)

##Grafik yorumu:

Daha az kişi yoksulluk sınırının altında yaşamaktadır, İstihdam artışı ve gelir düzeyinde iyileşme olasılığı vardır, Sosyal politika ve yardımların etkili olduğu söylenebilir.

##SORU4:

Bir ülkede Dünya Bankası Gini endeksinin yüksek çıkması, ekonomik büyüme tek başına artarken neden toplumsal refahın yükseldiğini göstermeyebilir?

##CEVAP:

Gini endeksinin yüksek olması, gelir dağılımının adaletsiz olduğunu gösterir. Bu durumda ekonomik büyüme gerçekleşse bile gelir artışı toplumun küçük bir kesiminde yoğunlaşabilir. Dolayısıyla büyüme, geniş nüfus kesimlerinin yaşam koşullarını iyileştirmediği için toplumsal refah artışı sınırlı kalabilir.

# Paket kurulumu ve yükleme
install.packages("WDI")
## Warning: package 'WDI' is in use and will not be installed
library(WDI)

# Dünya Bankası verisini çek (örnek: Türkiye, 2005–2022)
veri <- WDI(
  country = "TUR",
  indicator = "SI.POV.GINI",
  start = 2005,
  end = 2022
)

# Eksik verileri temizle
veri <- na.omit(veri)

# Grafik çizimi
plot(
  veri$year,
  veri$SI.POV.GINI,
  type = "o",
  col = "darkred",
  pch = 16,
  xlab = "Yıl",
  ylab = "Gini Endeksi",
  main = "Gelir Dağılımı Eşitsizliği (Gini Endeksi)"
)

Grafik yorumu:

Eğer grafikte: Gini endeksi yüksek veya artan trenddeyse Gelir dağılımı daha adaletsiz hale gelmektedir

Bu durum şunu gösterir: Ekonomik büyüme olsa bile gelir artışı toplumun tamamına eşit dağılmayıp toplumsal refah artışıyla sınırlı kalabilir.

Yoksulluk regresyonu:

“Yıllar geçtikçe yoksulluk oranı artıyor mu azalıyor mu?” veya “Gelir dağılımı (Gini), büyüme vb. yoksulluğu nasıl etkiliyor?”

Burada en temel regresyon: Bağımlı değişken (Y): Yoksulluk oranı Bağımsız değişken (X): Zaman (yıl)

Türkiye İçin Yoksulluk Regresyonu (Zamana Göre):

install.packages("WDI")
## Warning: package 'WDI' is in use and will not be installed
library(WDI)

# Türkiye verisi
tur <- WDI(
  country = "TUR",
  indicator = "SI.POV.DDAY",
  start = 2005,
  end = 2022
)

tur <- na.omit(tur)

# Regresyon modeli
model_tur <- lm(SI.POV.DDAY ~ year, data = tur)

# Sonuçlar
summary(model_tur)
## 
## Call:
## lm(formula = SI.POV.DDAY ~ year, data = tur)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -1.0172 -0.5525 -0.2000  0.6096  2.0930 
## 
## Coefficients:
##              Estimate Std. Error t value Pr(>|t|)    
## (Intercept) 536.79763   73.97805   7.256 1.92e-06 ***
## year         -0.26553    0.03674  -7.227 2.02e-06 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 0.8087 on 16 degrees of freedom
## Multiple R-squared:  0.7655, Adjusted R-squared:  0.7508 
## F-statistic: 52.23 on 1 and 16 DF,  p-value: 2.019e-06

yorumlaması:

-year katsayısı negatifse → Türkiye’de yoksulluk zamanla azalıyor -p-value < 0.05 → Bu azalış istatistiksel olarak anlamlı -R² → Zaman, yoksulluğu ne kadar açıklıyor?

Türkiye İçin Regresyonu Grafik Üzerinde Gösterme:

plot(tur$year, tur$SI.POV.DDAY,
     pch = 16, col = "blue",
     xlab = "Yıl",
     ylab = "Yoksulluk Oranı (%)",
     main = "Türkiye'de Yoksulluk ve Regresyon")

abline(model_tur, col = "red", lwd = 2)

Dünya Geneli İçin Yoksulluk Regresyonu:

dunya <- WDI(
  country = "WLD",
  indicator = "SI.POV.DDAY",
  start = 2005,
  end = 2022
)

dunya <- na.omit(dunya)

model_world <- lm(SI.POV.DDAY ~ year, data = dunya)
summary(model_world)
## 
## Call:
## lm(formula = SI.POV.DDAY ~ year, data = dunya)
## 
## Residuals:
##      Min       1Q   Median       3Q      Max 
## -2.16092 -1.41339 -0.09657  1.42226  3.04602 
## 
## Coefficients:
##               Estimate Std. Error t value Pr(>|t|)    
## (Intercept) 2255.98034  164.35797   13.73 6.75e-10 ***
## year          -1.11188    0.08164  -13.62 7.53e-10 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 1.737 on 15 degrees of freedom
## Multiple R-squared:  0.9252, Adjusted R-squared:  0.9202 
## F-statistic: 185.5 on 1 and 15 DF,  p-value: 7.527e-10

Türkiye – Dünya Karşılaştırmalı Regresyon Mantığı:

plot(dunya$year, dunya$SI.POV.DDAY,
     type = "l", col = "black", lwd = 2,
     xlab = "Yıl", ylab = "Yoksulluk Oranı (%)",
     main = "Türkiye ve Dünya Yoksulluk Eğilimleri")

lines(tur$year, tur$SI.POV.DDAY, col = "blue", lwd = 2)
legend("topright",
       legend = c("Dünya", "Türkiye"),
       col = c("black", "blue"),
       lwd = 2)

regresyon yorumu:

Regresyon sonuçları, Türkiye’de yoksulluk oranının zaman içinde azalma eğiliminde olduğunu göstermektedir. Regresyon katsayısının negatif ve istatistiksel olarak anlamlı olması, bu düşüşün tesadüfi olmadığını ortaya koymaktadır. Dünya genelinde ise yoksulluk oranındaki azalışın daha sınırlı olduğu görülmektedir.

yoksulluk verileriyle birlikte kişi başı gelir (ve nüfus/popülasyon) verilerini bulma:

Dünya Bankası’nda: -Yoksulluk oranı → yüzde (%) olarak verilir -Kişi başı gelir (GDP per capita) → dolar cinsinden verilir -Nüfus (Population) → toplam kişi sayısıdır

verileri çekme:

install.packages("WDI")
## Warning: package 'WDI' is in use and will not be installed
library(WDI)

veri <- WDI(
  country = "TUR",   # Türkiye (WLD = Dünya)
  indicator = c(
    "SI.POV.DDAY",      # Yoksulluk oranı
    "NY.GDP.PCAP.CD",   # Kişi başı gelir
    "SP.POP.TOTL"       # Nüfus
  ),
  start = 2005,
  end = 2022
)

veri <- na.omit(veri)
head(veri)
##   country iso2c iso3c year SI.POV.DDAY NY.GDP.PCAP.CD SP.POP.TOTL
## 1 Turkiye    TR   TUR 2005         6.5       7331.854    69329557
## 2 Turkiye    TR   TUR 2006         4.8       7990.083    70045349
## 3 Turkiye    TR   TUR 2007         4.0       9766.917    70158112
## 4 Turkiye    TR   TUR 2008         3.3      10913.408    71051678
## 5 Turkiye    TR   TUR 2009         3.0       9076.925    72039206
## 6 Turkiye    TR   TUR 2010         2.8      10698.970    73142150

Yoksul Kişi Sayısını Hesaplama:

veri$yoksul_kisi_sayisi <- 
  (veri$SI.POV.DDAY / 100) * veri$SP.POP.TOTL

Kişi Başı Gelir – Yoksulluk İlişkisi (Grafik):

plot(
  veri$NY.GDP.PCAP.CD,
  veri$SI.POV.DDAY,
  pch = 16,
  col = "blue",
  xlab = "Kişi Başı Gelir (USD)",
  ylab = "Yoksulluk Oranı (%)",
  main = "Kişi Başı Gelir ve Yoksulluk İlişkisi"
)

yorum:

📉 Genelde:

Gelir ↑ → Yoksulluk ↓ (negatif ilişki)

regresyon:

model <- lm(SI.POV.DDAY ~ NY.GDP.PCAP.CD, data = veri)
summary(model)
## 
## Call:
## lm(formula = SI.POV.DDAY ~ NY.GDP.PCAP.CD, data = veri)
## 
## Residuals:
##      Min       1Q   Median       3Q      Max 
## -2.11221 -1.10832  0.09579  0.99004  2.24831 
## 
## Coefficients:
##                  Estimate Std. Error t value Pr(>|t|)    
## (Intercept)     9.4494549  2.3333546   4.050  0.00093 ***
## NY.GDP.PCAP.CD -0.0007089  0.0002246  -3.156  0.00612 ** 
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 1.311 on 16 degrees of freedom
## Multiple R-squared:  0.3837, Adjusted R-squared:  0.3452 
## F-statistic: 9.961 on 1 and 16 DF,  p-value: 0.006116

yorum:

-Katsayı negatifse → Gelir arttıkça yoksulluk azalır -p-value < 0.05 → ilişki anlamlıdır

dünya için:

veri_dunya <- WDI(
  country = "WLD",
  indicator = c(
    "SI.POV.DDAY",
    "NY.GDP.PCAP.CD",
    "SP.POP.TOTL"
  ),
  start = 2005,
  end = 2022
)

veri_dunya <- na.omit(veri_dunya)

Açıklama:

Dünya Bankası verilerinden kişi başı gelir ve nüfus bilgileri elde edilerek, yoksulluk oranları mutlak yoksul kişi sayılarına dönüştürülmüştür. Bu yaklaşım, yoksulluğun ekonomik büyüme ve gelir düzeyiyle ilişkisini daha sağlıklı analiz etmeye olanak sağlamaktadır.