Kadın İstihdamını Etkileyen Faktörler
Betül Akıncı
library(WDI)library(tidyverse)library(broom)
library(dplyr)
library(knitr)Kadın İstihdamını Etkileyen Faktörler Nelerdir?
Kadın istihdamı, sadece bireysel haklar ve toplumsal adalet açısından değil, aynı zamanda ekonomik kalkınma ve sürdürülebilirlik açısından da kritik bir öneme sahiptir. Kadınların iş gücüne tam ve eşit katılımı, ülkelerin ekonomik büyümesine, toplumsal refahına ve genel yaşam kalitesine olumlu katkılar sağlar. Kadınların ekonomik hayatta daha aktif rol alması, sadece ekonomik kalkınmayı desteklemekle kalmaz, aynı zamanda daha adil ve eşitlikçi bir toplumun inşasına da katkıda bulunur.
Kadınların da istihdamda aktif rol oynayabilmesi için teşvik edici uygulamaların olması gerekir. Kentleşmemiş yerlerde kadınların hala ilkokul mezunu bile olmadığını biliyoruz. Kadınların eğitim seviyesinin artması, hem istihdamı hem de daha güvenli işlerde çalışma olasılıklarını arttırır. Eğitim bence kadınların işgücüne katılımını teşvik eden en temel unsurdur. Bu yazıda da kadın istihdamını etkileyen en önemli etkenin eğitim olup olmadığını analiz edeceğim. Bu analizi yaparken de birçok farklı etken kullanılmalıdır. Çünkü tek bir değişkene bağlı kalmak yanlıştır. Her ne kadar değişkenlerimiz birbiriyle bağlantılı çıksa da ne ölçüde olduğunu bilemeyiz.
Bir diğer değişkenimi eğitim kadar etkili olan doğurganlık olarak seçtim. Yüksek doğurganlık oranları, kadınların özellikle çocuk bakım yükümlülükleri nedeniyle işgücüne katılımını engelleyebilir. İş verenlerin bu durumda kadınlara daha fazla imkan sağlamasının işgücüne katılım oranlarını biraz da olsa arttıracağını düşünüyorum. Çocuk sayısının artması, kadınların eve yönlendirmekte ve bu durum işgücünden uzaklaşmalarına neden olabilmektedir.
Bir diğer değişkenim de kişi başına düşen gelir. Türkiye’de karşılaştığımız üzere bazı iş yerleri kadın ve erkek çalışan ayrımcılığı yapıp kadın çalışanlarına daha düşük maaşlar verebiliyor. Bu yüzden analiz yaparken belli bölgeye odaklanmaktan ziyade farklı ülkelere de yer verilmelidir.
Bunun yanı sıra kentleşme oranı, kadın istihdamı üzerinde belirleyici bir role sahiptir. Daha önce söylediğim gibi kentlerde yaşayan kadınlar, kırsal alanlara kıyasla daha fazla eğitim ve iş fırsatına erişebilmektedir. Kırsal bölgelerde ise geleneksel toplumsal cinsiyet rolleri ve sınırlı iş olanakları, kadınların istihdama katılımını zorlaştırmaktadır.
Kadınların Parlamentodaki Temsili bir diğer değişkenim olarak seçtim. Toplumsal cinsiyet eşitliğine yönelik politikaların gelişmesi açısından önemli bir etkendir. Özellikle iş yerlerindeki adaletsizliğin önüne geçilmesi işgücüne katkıyı arttırabilir.
Seçtiğim değişkenlerle bir regresyon denklemi oluşturup birbirleriyle ilişkisini inceleyeceğim.
Değişkenlerimi Dünya Bankası’ndan seçtim.
Regresyon denklemim şu şekildedir;
FemaleLFPR = β0 + β1.Education + β2.Fertility + β3.GDP + β4.Urban + β5.WomenParliament + ε
Kadın İstihdamını Etkileyen 6 Değişkenin Analizleri
1️⃣ Bağımlı Değiken (Y): Kadın İşgücüne Katılım Oranı - FemaleLFPR
Adı: Labor force participation rate, female (% of female population ages 15+)
Kod: SL.TLF.CACT.FE.ZS
Bağımsız Değişkenler (X):
2️⃣ Kadın Ortaöğretim Okullaşma Oranı - β.1Education
Adı: School enrollment, secondary, female (% gross)
Kod: SE.SEC.ENRR.FE
-Kadın eğitim oranının, kadın işgücüne katılım oranına etkisini inceleyelim.
Regresyon denklemim şu şekildedir: FemaleLFPR = β0 + β1.Education
gostergeler <- c(
FemaleLFPR = "SL.TLF.CACT.FE.ZS",
Education = "SE.SEC.ENRR.FE",
Fertility = "SP.DYN.TFRT.IN",
GDP = "NY.GDP.PCAP.KD",
Urban = "SP.URB.TOTL.IN.ZS",
WomenParliament = "SG.GEN.PARL.ZS"
)veri <- WDI(indicator = gostergeler, country = "all", start = 2000, end = 2022, extra = TRUE)veri_temiz <- veri %>%
filter(region %in% c("Europe & Central Asia", "Middle East & North Africa"), country != "Aggregates") %>%
filter(!is.na(FemaleLFPR) &
!is.na(Education) &
!is.na(Fertility) &
!is.na(GDP) &
!is.na(Urban) &
!is.na(WomenParliament))df_2000 <- veri_temiz %>% filter(year == 2000)df_2000_temiz <- df_2000 %>% filter(!is.na(Education) & !is.na(FemaleLFPR))ggplot(df_2000_temiz, aes(x = Education, y = FemaleLFPR)) +
geom_point(size = 3) +
geom_smooth(method = "lm", se = FALSE) +
labs(x = "Kadin Ortaogretim Okullasma Orani",
y = "Kadin Isgucune Katilim Orani",
title = "Secili Ulkelerde Kadin Egitimi ve Isgucune Katilim Oranlari") +
theme_minimal()
regresyon_2000 <- lm(FemaleLFPR ~ Education, data = df_2000_temiz)summary(regresyon_2000)##
## Call:
## lm(formula = FemaleLFPR ~ Education, data = df_2000_temiz)
##
## Residuals:
## Min 1Q Median 3Q Max
## -24.331 -6.578 1.422 6.503 24.540
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 9.40652 6.29407 1.495 0.142
## Education 0.37925 0.06541 5.798 6.23e-07 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 11.59 on 45 degrees of freedom
## Multiple R-squared: 0.4276, Adjusted R-squared: 0.4149
## F-statistic: 33.61 on 1 and 45 DF, p-value: 6.226e-07df_ulkeler_temiz <- veri_temiz %>%
filter(!is.na(Education) & !is.na(FemaleLFPR))df_2000 <- df_ulkeler_temiz %>% filter(year == 2000)
df_2005 <- df_ulkeler_temiz %>% filter(year == 2005)
df_2010 <- df_ulkeler_temiz %>% filter(year == 2010)
df_2015 <- df_ulkeler_temiz %>% filter(year == 2015)
df_2020 <- df_ulkeler_temiz %>% filter(year == 2020)
df_2022 <- df_ulkeler_temiz %>% filter(year == 2022)Diğer yılların da analizi aşağıdaki gibidir.
-2005 yılı için;
df_2005_temiz <- df_2005 %>% filter(!is.na(FemaleLFPR), !is.na(Education))ggplot(df_2005_temiz, aes(x = FemaleLFPR, y = Education)) +
geom_point(size = 3) +
geom_smooth(method = "lm", se = FALSE) +
labs(x = "Kadin Ortaogretim Okullasma Orani", y = "Kadin Isgucune Katilim Orani", title = "Secili Ulkelerde Kadin Egitimi ve Isgucune Katilim Oranlari") +
theme_minimal()
regresyon_2005 <- lm(FemaleLFPR ~ Education, data = df_2005_temiz)summary(regresyon_2005)##
## Call:
## lm(formula = FemaleLFPR ~ Education, data = df_2005_temiz)
##
## Residuals:
## Min 1Q Median 3Q Max
## -28.447 -7.096 3.096 7.047 24.494
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 4.08338 8.37716 0.487 0.628
## Education 0.41789 0.08658 4.827 1.26e-05 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 12.51 on 52 degrees of freedom
## Multiple R-squared: 0.3094, Adjusted R-squared: 0.2961
## F-statistic: 23.3 on 1 and 52 DF, p-value: 1.259e-05-2010 yılı için;
df_2010_temiz <- df_2010 %>% filter(!is.na(FemaleLFPR), !is.na(Education))ggplot(df_2010_temiz, aes(x = FemaleLFPR, y = Education)) +
geom_point(size = 3) +
geom_smooth(method = "lm", se = FALSE) +
labs(x = "Kadin Ortaogretim Okullasma Orani", y = "Kadin Isgucune Katilim Orani", title = "Secili Ulkelerde Kadin Egitimi ve Isgucune Katilim Oranlari") +
theme_minimal()
regresyon_2010 <- lm(FemaleLFPR ~ Education, data = df_2010_temiz)summary(regresyon_2010)##
## Call:
## lm(formula = FemaleLFPR ~ Education, data = df_2010_temiz)
##
## Residuals:
## Min 1Q Median 3Q Max
## -34.452 -5.125 1.472 6.245 21.223
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 0.7593 8.4015 0.090 0.928
## Education 0.4604 0.0847 5.436 1.23e-06 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 11.91 on 56 degrees of freedom
## Multiple R-squared: 0.3454, Adjusted R-squared: 0.3337
## F-statistic: 29.55 on 1 and 56 DF, p-value: 1.231e-06-2015 yılı için;
df_2015_temiz <- df_2015 %>% filter(!is.na(FemaleLFPR), !is.na(Education))ggplot(df_2015_temiz, aes(x = FemaleLFPR, y = Education)) +
geom_point(size = 3) +
geom_smooth(method = "lm", se = FALSE) +
labs(x = "Kadin Ortaogretim Okullasma Orani", y = "Kadin Isgucune Katilim Orani", title = "Secili Ulkelerde Kadin Egitimi ve Isgucune Katilim Oranlari") +
theme_minimal()
regresyon_2015 <- lm(FemaleLFPR ~ Education, data = df_2015_temiz)summary(regresyon_2015)##
## Call:
## lm(formula = FemaleLFPR ~ Education, data = df_2015_temiz)
##
## Residuals:
## Min 1Q Median 3Q Max
## -30.4495 -4.9287 0.8317 6.0792 19.0237
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 26.54587 8.41079 3.156 0.00266 **
## Education 0.22605 0.07885 2.867 0.00597 **
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 10.44 on 52 degrees of freedom
## Multiple R-squared: 0.1365, Adjusted R-squared: 0.1199
## F-statistic: 8.219 on 1 and 52 DF, p-value: 0.005973-2020 yılı için;
df_2020_temiz <- df_2020 %>% filter(!is.na(FemaleLFPR), !is.na(Education))ggplot(df_2020_temiz, aes(x = FemaleLFPR, y = Education)) +
geom_point(size = 3) +
geom_smooth(method = "lm", se = FALSE) +
labs(x = "Kadin Ortaogretim Okullasma Orani", y = "Kadin Isgucune Katilim Orani", title = "Secili Ulkelerde Kadin Egitimi ve Isgucune Katilim Oranlari") +
theme_minimal()
regresyon_2020 <- lm(FemaleLFPR ~ Education, data = df_2020_temiz)summary(regresyon_2020)##
## Call:
## lm(formula = FemaleLFPR ~ Education, data = df_2020_temiz)
##
## Residuals:
## Min 1Q Median 3Q Max
## -30.313 -6.046 1.417 7.933 21.800
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 12.27858 8.47770 1.448 0.153
## Education 0.35461 0.08185 4.333 5.93e-05 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 12.13 on 58 degrees of freedom
## Multiple R-squared: 0.2445, Adjusted R-squared: 0.2315
## F-statistic: 18.77 on 1 and 58 DF, p-value: 5.926e-05-2022 yılı için;
df_2022_temiz <- df_2022 %>% filter(!is.na(FemaleLFPR), !is.na(Education))ggplot(df_2022_temiz, aes(x = FemaleLFPR, y = Education)) +
geom_point(size = 3) +
geom_smooth(method = "lm", se = FALSE) +
labs(x = "Kadin Ortaogretim Okullasma Orani", y = "Kadin Isgucune Katilim Orani", title = "Secili Ulkelerde Kadin Egitimi ve Isgucune Katilim Oranlari") +
theme_minimal()
regresyon_2022 <- lm(FemaleLFPR ~ Education, data = df_2022_temiz)summary(regresyon_2022)##
## Call:
## lm(formula = FemaleLFPR ~ Education, data = df_2022_temiz)
##
## Residuals:
## Min 1Q Median 3Q Max
## -36.417 -6.445 2.371 7.296 23.770
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 17.35993 9.07793 1.912 0.060955 .
## Education 0.31228 0.08596 3.633 0.000609 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 12.22 on 56 degrees of freedom
## Multiple R-squared: 0.1907, Adjusted R-squared: 0.1763
## F-statistic: 13.2 on 1 and 56 DF, p-value: 0.0006091Şimdi bu sonuçları tablo haline getirelim ve analizimizi yapalım.
reg_tablo <- dplyr::bind_rows(
tidy(regresyon_2000) %>% mutate(year = 2000),
tidy(regresyon_2005) %>% mutate(year = 2005),
tidy(regresyon_2010) %>% mutate(year = 2010),
tidy(regresyon_2015) %>% mutate(year = 2015),
tidy(regresyon_2020) %>% mutate(year = 2020),
tidy(regresyon_2022) %>% mutate(year = 2022)
)
knitr::kable(
reg_tablo,
digits = 7,
caption = "Yillara Gore Regresyon Katsayilari"
)| term | estimate | std.error | statistic | p.value | year |
|---|---|---|---|---|---|
| (Intercept) | 9.4065221 | 6.2940687 | 1.4945058 | 0.1420233 | 2000 |
| Education | 0.3792524 | 0.0654127 | 5.7978364 | 0.0000006 | 2000 |
| (Intercept) | 4.0833797 | 8.3771571 | 0.4874422 | 0.6279937 | 2005 |
| Education | 0.4178857 | 0.0865765 | 4.8267782 | 0.0000126 | 2005 |
| (Intercept) | 0.7593321 | 8.4015024 | 0.0903805 | 0.9283073 | 2010 |
| Education | 0.4604336 | 0.0846981 | 5.4361721 | 0.0000012 | 2010 |
| (Intercept) | 26.5458715 | 8.4107906 | 3.1561684 | 0.0026588 | 2015 |
| Education | 0.2260470 | 0.0788488 | 2.8668411 | 0.0059731 | 2015 |
| (Intercept) | 12.2785801 | 8.4776973 | 1.4483391 | 0.1529070 | 2020 |
| Education | 0.3546057 | 0.0818461 | 4.3325900 | 0.0000593 | 2020 |
| (Intercept) | 17.3599283 | 9.0779316 | 1.9123220 | 0.0609551 | 2022 |
| Education | 0.3122789 | 0.0859559 | 3.6330139 | 0.0006091 | 2022 |
Tek tek yıllara göre analizimizi yapalım.
-2000 yılı için estimate yani katsayısı 0.3792524 çıkmış yani kadın ortaöğretim okullaşma oranındaki 1 birimlik artış kadın işgücüne katılım oranını yaklaşık 0.3792524 birim artırmaktadır. P-value değerimiz 0.0000006 çıkmış, 0,05’ in üstündeyse anlamsız altındaysa anlamlı kabul edilir. Bu bilgiye göre eğitim 2000 yılında kadın istihdamıyla çok anlamlı bir ilişkidedir.
-2005 yılı için estimate 0.4178857, p-value 0.0000126 çıkmış. Bu verilere göre 2000 yılına göre eğitimin gücü daha etkilidir. Anlamlılığını önceki analizini yaptığımız yıla göre yitirse de hala çok anlamlı olduğunu söyleyebiliriz.
-2010 yılında estimate 0.4604336, p-value 0.0000012’dir. 2000-2010 dönemlerinde eğitimin kadın istihdamı üzerindeki pozitif etkisi giderek güçlenmiştir. Eğitimli kadınların işgücündeki yeri bu dönemlerde daha da artmıştır.
-2015 yılında estimate 0.2260470, p-value 0.0059731 çıkmış. Eğitimin etkisi ve anlamı çok fazla düşüş yaşamış. Bunun nedeni seçtiğim ülkelerin mülteci sorunu olabilir. O yıllarda küresel bir mülteci sorunu ortaya çıkmıştı.
-2020 yılında estimate 0.3546057, p-value 0.0000593 olarak gözlemleriz. 2015 yılına göre biraz daha toparlanmış ama hala anlam zayıftır. Bu yıllar da pandemi zamanına denk geliyor. Sadece eğitimli kadınların değil genel bir işgücüne katılım oranı azalması görülür.
-2022 yılı estimate 0.3122789, p-value 0.0006091 çıkmış. Pandemi sonrası toparlanma yaşanmış.
Analizimizin sonucuna göre eğitimin kadın işgücüne katılım üzerindeki etkisi anlamlı, pozitif ve güçlü çıkmıştır. Ama bu sonuç tek başına yeterli gelmez çünkü kadın işgücünü etkileyen başka faktörler de olabilir bana göre en anlamlısının eğitim olması bunu kanıtlamaz. Bu sebeple başka değişkenleri eklemek şu anki durumda yapılacak en mantıklı şeydir.
Seçtiğim diğer değişkenler aşağıdaki gibidir.
3️⃣ Doğurganlık Oranı
Adı: Fertility rate, total (births per woman)
Kod: SP.DYN.TFRT.IN
4️⃣ Kişi Başına Düşen Gelir
Adı: GDP per capita (constant US$)
Kod: NY.GDP.PCAP.KD
5️⃣ Kentsel Nüfus Oranı
Adı: Urban population (% of total population)
Kod: SP.URB.TOTL.IN.ZS
6️⃣ Kadınların Parlamentodaki Temsili
Adı: Proportion of seats held by women in national parliaments (%)
Kod: SG.GEN.PARL.ZS
Değişkenlerimi regresyon denklemine katıp yıllara göre analizini yapacağım. Y eni denklemim şu şekildedir:
FemaleLFPR = β0 + β1.Education + β2.Fertility + β3.GDP + β4.Urban + β5.WomenParliament + ε
-2000 yılı için;
veri_coklu_tum_yillar <- veri_temiz %>%
filter(!is.na(FemaleLFPR) & !is.na(Education) & !is.na(Fertility) &
!is.na(GDP) & !is.na(Urban) & !is.na(WomenParliament))model_2000 <- lm(FemaleLFPR ~ Education + Fertility + GDP + Urban + WomenParliament,
data = veri_coklu_tum_yillar %>% filter(year == 2000))summary(model_2000)##
## Call:
## lm(formula = FemaleLFPR ~ Education + Fertility + GDP + Urban +
## WomenParliament, data = veri_coklu_tum_yillar %>% filter(year ==
## 2000))
##
## Residuals:
## Min 1Q Median 3Q Max
## -22.8931 -6.9011 0.4042 4.9594 23.9846
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 4.290e+01 1.436e+01 2.988 0.00473 **
## Education 2.270e-01 1.155e-01 1.966 0.05610 .
## Fertility -5.638e+00 2.606e+00 -2.164 0.03638 *
## GDP 7.865e-05 1.127e-04 0.698 0.48910
## Urban -1.882e-01 1.391e-01 -1.353 0.18348
## WomenParliament 1.900e-01 2.383e-01 0.797 0.42980
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 11.26 on 41 degrees of freedom
## Multiple R-squared: 0.5081, Adjusted R-squared: 0.4481
## F-statistic: 8.468 on 5 and 41 DF, p-value: 1.428e-05-2005 yılı için;
veri_coklu_tum_yillar <- veri_temiz %>%
filter(!is.na(FemaleLFPR) & !is.na(Education) & !is.na(Fertility) &
!is.na(GDP) & !is.na(Urban) & !is.na(WomenParliament))model_2005 <- lm(FemaleLFPR ~ Education + Fertility + GDP + Urban + WomenParliament,
data = veri_coklu_tum_yillar %>% filter(year == 2005))summary(model_2005)##
## Call:
## lm(formula = FemaleLFPR ~ Education + Fertility + GDP + Urban +
## WomenParliament, data = veri_coklu_tum_yillar %>% filter(year ==
## 2005))
##
## Residuals:
## Min 1Q Median 3Q Max
## -20.5020 -5.5646 0.9751 5.3660 24.3684
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 4.929e+01 1.154e+01 4.271 9.16e-05 ***
## Education 1.930e-01 1.081e-01 1.785 0.08051 .
## Fertility -6.949e+00 2.060e+00 -3.374 0.00147 **
## GDP 2.273e-04 8.948e-05 2.540 0.01438 *
## Urban -2.666e-01 1.172e-01 -2.275 0.02741 *
## WomenParliament 1.873e-01 1.651e-01 1.135 0.26212
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 10.24 on 48 degrees of freedom
## Multiple R-squared: 0.5734, Adjusted R-squared: 0.529
## F-statistic: 12.9 on 5 and 48 DF, p-value: 5.711e-08-2010 yılı için;
veri_coklu_tum_yillar <- veri_temiz %>%
filter(!is.na(FemaleLFPR) & !is.na(Education) & !is.na(Fertility) &
!is.na(GDP) & !is.na(Urban) & !is.na(WomenParliament))model_2010 <- lm(FemaleLFPR ~ Education + Fertility + GDP + Urban + WomenParliament,
data = veri_coklu_tum_yillar %>% filter(year == 2010))summary(model_2010)##
## Call:
## lm(formula = FemaleLFPR ~ Education + Fertility + GDP + Urban +
## WomenParliament, data = veri_coklu_tum_yillar %>% filter(year ==
## 2010))
##
## Residuals:
## Min 1Q Median 3Q Max
## -19.8845 -5.3379 0.2464 5.2216 25.9604
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 4.044e+01 1.251e+01 3.232 0.00213 **
## Education 1.990e-01 1.117e-01 1.781 0.08075 .
## Fertility -6.350e+00 2.263e+00 -2.806 0.00703 **
## GDP 1.970e-04 7.899e-05 2.494 0.01584 *
## Urban -1.795e-01 1.099e-01 -1.634 0.10839
## WomenParliament 3.130e-01 1.549e-01 2.021 0.04843 *
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 10.34 on 52 degrees of freedom
## Multiple R-squared: 0.5418, Adjusted R-squared: 0.4977
## F-statistic: 12.3 on 5 and 52 DF, p-value: 6.897e-08-2015 yılı için;
veri_coklu_tum_yillar <- veri_temiz %>%
filter(!is.na(FemaleLFPR) & !is.na(Education) & !is.na(Fertility) &
!is.na(GDP) & !is.na(Urban) & !is.na(WomenParliament))model_2015 <- lm(FemaleLFPR ~ Education + Fertility + GDP + Urban + WomenParliament,
data = veri_coklu_tum_yillar %>% filter(year == 2015))summary(model_2015)##
## Call:
## lm(formula = FemaleLFPR ~ Education + Fertility + GDP + Urban +
## WomenParliament, data = veri_coklu_tum_yillar %>% filter(year ==
## 2015))
##
## Residuals:
## Min 1Q Median 3Q Max
## -25.7635 -5.1881 0.1804 5.4671 16.9291
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 4.713e+01 1.191e+01 3.957 0.00025 ***
## Education 8.282e-02 9.844e-02 0.841 0.40435
## Fertility -1.601e-01 3.034e+00 -0.053 0.95812
## GDP 1.722e-04 7.845e-05 2.195 0.03307 *
## Urban -2.034e-01 1.109e-01 -1.835 0.07276 .
## WomenParliament 2.227e-01 1.583e-01 1.407 0.16598
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 9.774 on 48 degrees of freedom
## Multiple R-squared: 0.3019, Adjusted R-squared: 0.2292
## F-statistic: 4.152 on 5 and 48 DF, p-value: 0.003251-2020 yılı için;
veri_coklu_tum_yillar <- veri_temiz %>%
filter(!is.na(FemaleLFPR) & !is.na(Education) & !is.na(Fertility) &
!is.na(GDP) & !is.na(Urban) & !is.na(WomenParliament))model_2020 <- lm(FemaleLFPR ~ Education + Fertility + GDP + Urban + WomenParliament,
data = veri_coklu_tum_yillar %>% filter(year == 2020))summary(model_2020)##
## Call:
## lm(formula = FemaleLFPR ~ Education + Fertility + GDP + Urban +
## WomenParliament, data = veri_coklu_tum_yillar %>% filter(year ==
## 2020))
##
## Residuals:
## Min 1Q Median 3Q Max
## -25.524 -7.060 -0.506 5.976 27.990
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 4.668e+01 1.504e+01 3.104 0.00304 **
## Education 1.428e-01 1.038e-01 1.376 0.17455
## Fertility -5.931e+00 3.016e+00 -1.966 0.05441 .
## GDP 1.758e-04 8.993e-05 1.955 0.05578 .
## Urban -1.695e-01 1.155e-01 -1.467 0.14811
## WomenParliament 2.080e-01 1.668e-01 1.247 0.21776
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 11.27 on 54 degrees of freedom
## Multiple R-squared: 0.3926, Adjusted R-squared: 0.3364
## F-statistic: 6.981 on 5 and 54 DF, p-value: 4.294e-05-2022 yılı içi;
veri_coklu_tum_yillar <- veri_temiz %>%
filter(!is.na(FemaleLFPR) & !is.na(Education) & !is.na(Fertility) &
!is.na(GDP) & !is.na(Urban) & !is.na(WomenParliament))model_2022 <- lm(FemaleLFPR ~ Education + Fertility + GDP + Urban + WomenParliament,
data = veri_coklu_tum_yillar %>% filter(year == 2022))summary(model_2022)##
## Call:
## lm(formula = FemaleLFPR ~ Education + Fertility + GDP + Urban +
## WomenParliament, data = veri_coklu_tum_yillar %>% filter(year ==
## 2022))
##
## Residuals:
## Min 1Q Median 3Q Max
## -21.6048 -6.4190 -0.6973 5.7990 28.7222
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 5.705e+01 1.367e+01 4.174 0.000114 ***
## Education 5.701e-02 9.651e-02 0.591 0.557290
## Fertility -7.491e+00 2.919e+00 -2.567 0.013186 *
## GDP 1.747e-04 7.557e-05 2.312 0.024791 *
## Urban -1.719e-01 1.069e-01 -1.608 0.113943
## WomenParliament 2.683e-01 1.433e-01 1.872 0.066766 .
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 10.41 on 52 degrees of freedom
## Multiple R-squared: 0.4545, Adjusted R-squared: 0.4021
## F-statistic: 8.666 on 5 and 52 DF, p-value: 5.018e-06Analizlerimizi tablo haline getirip yorumumuzu yapalım.
reg_tablo2 <- dplyr::bind_rows(
tidy(model_2000) %>% mutate(year = 2000),
tidy(model_2005) %>% mutate(year = 2005),
tidy(model_2010) %>% mutate(year = 2010),
tidy(model_2015) %>% mutate(year = 2015),
tidy(model_2020) %>% mutate(year = 2020),
tidy(model_2022) %>% mutate(year = 2022)
)
knitr::kable(
reg_tablo2,
digits = 7,
caption = "Yillara Gore Regresyon Katsayilari"
)| term | estimate | std.error | statistic | p.value | year |
|---|---|---|---|---|---|
| (Intercept) | 42.9014303 | 14.3595904 | 2.9876500 | 0.0047309 | 2000 |
| Education | 0.2269789 | 0.1154539 | 1.9659700 | 0.0560985 | 2000 |
| Fertility | -5.6380725 | 2.6059880 | -2.1635067 | 0.0363826 | 2000 |
| GDP | 0.0000787 | 0.0001127 | 0.6980252 | 0.4891016 | 2000 |
| Urban | -0.1882332 | 0.1391260 | -1.3529685 | 0.1834797 | 2000 |
| WomenParliament | 0.1900487 | 0.2383299 | 0.7974184 | 0.4298022 | 2000 |
| (Intercept) | 49.2901422 | 11.5415279 | 4.2706774 | 0.0000916 | 2005 |
| Education | 0.1929748 | 0.1080830 | 1.7854318 | 0.0805103 | 2005 |
| Fertility | -6.9491399 | 2.0597457 | -3.3737854 | 0.0014744 | 2005 |
| GDP | 0.0002273 | 0.0000895 | 2.5399645 | 0.0143781 | 2005 |
| Urban | -0.2666420 | 0.1172062 | -2.2749810 | 0.0274134 | 2005 |
| WomenParliament | 0.1873119 | 0.1650723 | 1.1347267 | 0.2621247 | 2005 |
| (Intercept) | 40.4408935 | 12.5118907 | 3.2321968 | 0.0021343 | 2010 |
| Education | 0.1989506 | 0.1117069 | 1.7810057 | 0.0807529 | 2010 |
| Fertility | -6.3497614 | 2.2625200 | -2.8064996 | 0.0070323 | 2010 |
| GDP | 0.0001970 | 0.0000790 | 2.4941204 | 0.0158440 | 2010 |
| Urban | -0.1794857 | 0.1098736 | -1.6335658 | 0.1083910 | 2010 |
| WomenParliament | 0.3130200 | 0.1548752 | 2.0211111 | 0.0484303 | 2010 |
| (Intercept) | 47.1327148 | 11.9116229 | 3.9568676 | 0.0002498 | 2015 |
| Education | 0.0828219 | 0.0984448 | 0.8413033 | 0.4043499 | 2015 |
| Fertility | -0.1601413 | 3.0336472 | -0.0527884 | 0.9581196 | 2015 |
| GDP | 0.0001722 | 0.0000784 | 2.1945250 | 0.0330690 | 2015 |
| Urban | -0.2033981 | 0.1108634 | -1.8346731 | 0.0727557 | 2015 |
| WomenParliament | 0.2227369 | 0.1583470 | 1.4066384 | 0.1659764 | 2015 |
| (Intercept) | 46.6789561 | 15.0405328 | 3.1035440 | 0.0030412 | 2020 |
| Education | 0.1427909 | 0.1037836 | 1.3758524 | 0.1745472 | 2020 |
| Fertility | -5.9305790 | 3.0161156 | -1.9662970 | 0.0544135 | 2020 |
| GDP | 0.0001758 | 0.0000899 | 1.9548928 | 0.0557804 | 2020 |
| Urban | -0.1694819 | 0.1155107 | -1.4672395 | 0.1481113 | 2020 |
| WomenParliament | 0.2080466 | 0.1668308 | 1.2470511 | 0.2177605 | 2020 |
| (Intercept) | 57.0507271 | 13.6678019 | 4.1740967 | 0.0001142 | 2022 |
| Education | 0.0570063 | 0.0965087 | 0.5906858 | 0.5572897 | 2022 |
| Fertility | -7.4910346 | 2.9185847 | -2.5666669 | 0.0131864 | 2022 |
| GDP | 0.0001747 | 0.0000756 | 2.3116602 | 0.0247915 | 2022 |
| Urban | -0.1718965 | 0.1069165 | -1.6077640 | 0.1139425 | 2022 |
| WomenParliament | 0.2683431 | 0.1433080 | 1.8724912 | 0.0667663 | 2022 |
Basit regresyon analizimde görüldüğü üzere eğitim kadın işgücüyle çok anlamlı ve güçlü çıkmıştı. Eğitim en önemli faktör mü?
-2000 yılı analizi için;
Bu yılın en belirleyici faktörü Doğurganlık (Fertility) olmuş.
Doğurganlık (-5.6380725, p=0.0363826): Katsayı negatiftir ve istatistiksel olarak anlamlıdır. Bir kadına düşen çocuk sayısı 1 birim arttığında, kadının işgücüne katılımı yaklaşık %5.6 oranında azalmaktadır. Bu, geleneksel aile yapısının ve çocuk bakım yükünün 2000 yılında kadın istihdamı önündeki en büyük engel olduğunu gösterir.
Eğitim (0.2269789, p=0.0560985): P-değeri 0.05 sınırının hemen üzerindedir. Anlamlı ancak daha anlamlı etkenler de var.
-2005 yılı analizi için;
Bu yılda öne yine doğurganlık, ona bağlı olarak kentleşme ve kişi başına düşen gelir dikkat çekmektedir. Bunun nedeni 2000 yılında köylerdeki doğumların işgücünü o kadar etkilememesinin sebebi çocuk bakımının iş hayatına etki etmemesi yüzünden olabilir. 2005 yılında kentlere göç arttığından çocuk bakımının işgücüne olumsuz etkileri görülür. Çocuk bakmak mı işe girip çalışılmalı mı ikilemi oluşur. Normalde kentleşmenin negatif değil poztif etkisi beklenir ama bu şekilde düşününce negatif etkilemesi çok normaldir.
Kişi başına düşen gelirin artması ekonominin büyüdüğü anlamına gelebilir. Ailenin geliri artarsa kadının çalışma yükü ortadan kalkar.
-2010 yılı analizi için;
Yine doğurganlığın negatif ama en güçlü ve anlamlı çıkmasının yanında kadınların parlamentodaki yerinin artması dikkat çekici olmuştur. Parlamentodaki kadın oranı arttıkça, kadın işgücü de artmaktadır. Kadınların karar mekanizmalarında yer almasının, kadınların sosyal hayattaki olumsuzluklarını politikalara taşıyıp işgücüne katılması için teşvik ettiğini gösterir. Açıkçası beni en mutlu eden analiz de bu olmuştur.
-2015 yılı için;
Kentleşme ve gdp hariç diğer veriler anlamsız çıkmış. Bu yılın bu şekilde sonuçlanmasının etkenini mülteci krizi olduğunu söyleyebiliriz.
-2020 yılı için;
Doğurganlık tekrar toparlanıp kadın işgücüyle anlamlı hale gelmiş, gdp de doğurganlıkla hemen hemen aynı anlamlılıkta ama ikisinin de sınırda olduğunu görüyoruz. Bu yıl da bilindiği üzere pandemi zamanı o yüzden analiz yapmak çok zor.
-2022 yılı için;
Doğurganlık tekrardan işgücünü etkileyen en büyük etken olmuş. Çocuk sahibi olmak işgücünü çok fazla etkiliyor diyebiliriz. Gdp artışı işgücünü pozitif etkileme devam ediyor ve 2020 yılından bu yana çok az oynadığını görebiliriz. Kadınların parlamentodaki katılım durumunun ne kadar anlamlı olduğu konusu sınırda olmasına rağmen hala işgücünü etkiliyor.
Sonuç olarak;
Bu analizde görüldüğü üzere kadınların işgücüne katılım oranını etkileyen en belirleyici, en tutarlı ve etkisi en yüksek faktörün Doğurganlık Oranı (Fertility Rate) olduğu tespit edilmişti. 2000 yılından 2022 yılına kadar yapılan analizlerde, doğurganlık katsayısı sürekli olarak negatif ve anlamlı çıkmıştır. Özellikle 2022 yılında ulaşılan -7.49 katsayısı çocuk bakımının kadınların çalışma hayatından kopmasındaki en belirgin rol olduğu görülür.
Benim en anlamlı ve en açıklayıcı olduğunu düşündüğüm Eğitim faktörü basit regresyon analizimin sonucunda kadın istihdamını pozitif yönde güçlü bir şekilde etkilese de GDP ve Kentleşme gibi etkenler eklendiğinde bu etkenin direkt etkilemediğini söyleyebiliriz.
Her ne kadar mantıklı sonuçlar alsak da, kadın işgücünü açıklayan tek ve kesin gerçek bu analiz sonuçlarıdır diyemeyiz. Kadın istihdamı sosyal ve kültürel ögelere de sahiptir bu yüzden sadece belirlediğim faktörlerle sınırlı kalmak yanlıştır.
Bu analizde eklemediğim din, kültür ve yönetim biçimi gibi faktörler, en az ekonomik etkenler kadar etkilidir. Örneğin;
Dini kuralların hukuk sistemine uyarlanması veya geleneksel toplumlarda, kadınların işgücündeki yerini sınırlandırılarak işgücü oranlarını düşebilir.
Bunun yanında laiklik, demokrasi ve cumhuriyet değerlerini benimseyen, kadın-erkek eşitliğini savunan yönetim sistemlerinde kadın işgücünü pozitif yönde etkilediğini söyleyebiliriz.
Kadın istihdamını ve işgücünü artırmak isteyen politikacıların sadece ekonomik teşviklere değil çocuk bakım hizmetlerinin yaygınlaştırılmasına ve toplumsal cinsiyet eşitliğini destekleyen kurumlara da odaklanması gerekmektedir.
Kaynakça:
World Bank
https://www.benovaconsulting.com/kadin-istihdaminin-onemi-ekonomik-ve-toplumsal-kazanimlar/