Saglık, sosyal guvenlik ve calışma hayatının yasam süresi ve mutluluk uzerindeki rolu
SULTAN YESILDAG
GİRİS
Günümüzde insanların ne kadar mutlu olduğu ve ne kadar uzun süre yaşadığı önemli bir şey. Sağlık hizmetleri, sosyal güvenlik ve çalışma hayatı ile ilgili gelişmelerin temel özellikleri arasında yer almaktadır. Sağlığa yapılan harcamaların insanların daha uzun ve sağlıklı yaşamasına yardımcı olması, sosyal bireylerin kendilerine daha güvende hissetmesini sağlar. Çalışma saatleri ve çalışma koşulları da insanların mutluluğunu doğrudan gösterir. Bu olası sağlık, sosyal güvenlik ve çalışma koşullarının yaşam süresi ve mutluluk üzerindeki etkileri ele alınmaktadır.
Sağlık Hizmetleri, Sosyal Güvenlik ve Çalışma Koşullarının Yaşam Süresi ve Mutluluk Üzerindeki Etkileri
Günümüzde toplumların gelişmişlik düzeyi yalnızca ekonomik göstergelerle değil, bireylerin yaşam süresi ve mutluluk düzeyiyle de değerlendirilmektedir. İnsanların ne kadar uzun ve sağlıklı yaşadığı, aynı zamanda yaşamdan ne ölçüde tatmin olduğu; sağlık hizmetleri, sosyal güvenlik sistemleri ve çalışma koşulları gibi temel sosyal unsurlarla doğrudan ilişkilidir. Bu bağlamda, bireylerin refahını belirleyen bu faktörlerin yaşam süresi ve mutluluk üzerindeki etkilerinin incelenmesi büyük önem taşımaktadır.
İnsan ömrünün uzaması ve yaşam kalitesinin artması; kamu sağlığı yatırımları, kapsayıcı sosyal güvenlik sistemleri ve insancıl çalışma koşullarının bir bileşkesidir.Sağlık harcamaları, modern devletlerin en kritik yatırım alanıdır. Tıbbi teknolojilerdeki ilerlemeler ve koruyucu sağlık hizmetlerine ayrılan pay, bulaşıcı hastalıkların kontrol altına alınmasını ve kronik rahatsızlıkların yönetilmesini sağlamıştır. Araştırmalar, kişi başına düşen sağlık harcaması arttıkça doğumda beklenen yaşam süresinin de yükseldiğini göstermektedir. Sağlığa yapılan harcamalar, hastalıkların erken teşhis edilmesini ve etkili tedavi edilmesini mümkün kılarak ölüm oranlarını azaltmaktadır.Sağlık hizmetlerine kolay ve eşit erişim, bireylerde güven duygusu oluşturmakta ve psikolojik açıdan da olumlu etkiler yaratmaktadır. Bu durum, yalnızca fiziksel sağlığı değil, bireylerin genel mutluluk düzeyini de artırmaktadır.
Sosyal güvenlik sistemleri ise bireylerin geleceğe dair kaygılarını azaltan önemli bir unsurdur. Emeklilik, işsizlik sigortası ve sağlık sigortası gibi sosyal güvenlik uygulamaları, bireylerin ekonomik belirsizlikler karşısında kendilerini daha güvende hissetmelerini sağlar. Sosyal güvenlikten yoksun bireyler, gelecek endişesi nedeniyle stres ve kaygı yaşayabilmekte; bu durum hem ruhsal hem de fiziksel sağlıklarını olumsuz etkilemektedir. Güçlü bir sosyal güvenlik sistemi ise toplumsal refahı artırarak bireylerin yaşamdan aldıkları doyumu yükseltmektedir.İşsizlik, iş kazası, hastalık veya yaşlılık gibi durumlarda devlet desteğinin varlığı, bireyin geleceğe yönelik kaygı düzeyini minimize eder.
Çalışma saatleri ve çalışma koşulları da bireylerin mutluluğu üzerinde belirleyici bir role sahiptir. Uzun çalışma saatleri, yoğun iş yükü ve güvencesiz çalışma ortamları bireylerde tükenmişlik, stres ve mutsuzluğa yol açabilmektedir.Çalışma koşulları, bireylerin günlük yaşamını ve ruh hâlini doğrudan etkileyen bir faktördür. Uzun ve düzensiz çalışma saatleri, iş kazaları ve güvencesiz istihdam biçimleri, çalışanların yaşam kalitesini olumsuz etkileyebilir. Buna karşılık, adil ücretlendirme, makul çalışma saatleri ve güvenli çalışma ortamları bireylerin iş-yaşam dengesini korumasına yardımcı olur. İşinden memnun olan bireylerin hem psikolojik sağlığı daha iyi olmakta hem de topluma daha verimli katkı sağlamaktadır.
Sonuç olarak, yaşam süresi ve mutluluk, birbirinden bağımsız kompartımanlar değildir. Sağlık hizmetleri fiziksel bedeni korurken, sosyal güvenlik zihinsel huzuru inşa eder; çalışma koşulları ise bu yapının içinde bireyin kendini anlamlı bir şekilde var etmesini sağlar. Geleceğin toplumları, bu üç alanı birbirinden kopuk değil, birbirini besleyen bir bütün olarak tasarlamak zorundadır. Bireylerin yaşam süresi ve mutluluğu üzerinde sağlık hizmetleri, sosyal güvenlik sistemleri ve çalışma koşulları önemli bir role sahiptir. Bu alanlarda gerçekleştirilen düzenlemeler ve yatırımlar, toplumların refah seviyesini artırmakta ve daha dengeli bir sosyal yapı oluşturmaktadır. Gelecek nesiller için daha mutlu ve sağlıklı bir toplum inşa edebilmenin yolu, bu temel unsurların güçlendirilmesinden geçmektedir.
BU CALİSMADA KULLANACAGİM MAKROEKONOMİK VERİLER VE DATALA
Yaşam Süresi Ülke İçinde Yapılan Sağlık Harcamaları Mutluluk Oranları Sosyal Güvenlik Harcamaları Çalışma Saatleri
BAZ ALİNACAK YİLLAR VE VERİLER
Bu ödevimde kullanacağım tüm ekonomik göstergeler ve veriler için baz alacağım yıllar 2000-2022 yıllar arasıdır. Çünkü analizin doğru çıkmasını istiyorum.
ULKE İCİNDE YAPİLACAK SAGLİK HARCAMALARİ
Sağlık harcamaları ile yaşam süresi arasında genel olarak pozitif ve güçlü bir korelasyon bulunmaktadır. Ancak bu ilişki doğrusal bir çizgiden ziyade, belirli bir noktadan sonra verimliliğin sorgulandığı karmaşık bir yapıya sahiptir.
ULKE İÇİNDE YAPİLAN SAGLİK HARCAMALARİ İCİN DUNYA BANKASİ VERİSİ
data <- read.csv("API_SH.XPD.CHEX.GD.ZS_DS2_en_csv_v2_31.csv", skip = 4, check.names = FALSE)
head(data)## Country Name Country Code
## 1 Aruba ABW
## 2 Africa Eastern and Southern AFE
## 3 Afghanistan AFG
## 4 Africa Western and Central AFW
## 5 Angola AGO
## 6 Albania ALB
## Indicator Name Indicator Code 1960 1961 1962 1963
## 1 Current health expenditure (% of GDP) SH.XPD.CHEX.GD.ZS NA NA NA NA
## 2 Current health expenditure (% of GDP) SH.XPD.CHEX.GD.ZS NA NA NA NA
## 3 Current health expenditure (% of GDP) SH.XPD.CHEX.GD.ZS NA NA NA NA
## 4 Current health expenditure (% of GDP) SH.XPD.CHEX.GD.ZS NA NA NA NA
## 5 Current health expenditure (% of GDP) SH.XPD.CHEX.GD.ZS NA NA NA NA
## 6 Current health expenditure (% of GDP) SH.XPD.CHEX.GD.ZS NA NA NA NA
## 1964 1965 1966 1967 1968 1969 1970 1971 1972 1973 1974 1975 1976 1977 1978
## 1 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
## 2 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
## 3 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
## 4 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
## 5 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
## 6 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
## 1979 1980 1981 1982 1983 1984 1985 1986 1987 1988 1989 1990 1991 1992 1993
## 1 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
## 2 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
## 3 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
## 4 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
## 5 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
## 6 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
## 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004
## 1 NA NA NA NA NA NA NA NA NA NA NA
## 2 NA NA NA NA NA NA 5.654105 5.813319 5.425560 6.005341 6.091936
## 3 NA NA NA NA NA NA NA NA 9.443391 8.941258 9.808474
## 4 NA NA NA NA NA NA 3.470715 3.491362 3.148023 4.440259 4.277096
## 5 NA NA NA NA NA NA 1.908599 4.483516 3.329461 3.547973 3.967199
## 6 NA NA NA NA NA NA 5.944198 5.925845 5.664645 5.911408 5.893649
## 2005 2006 2007 2008 2009 2010 2011 2012
## 1 NA NA NA NA NA NA NA NA
## 2 5.925002 5.932220 5.952762 5.841882 6.364673 6.383095 6.297302 6.103058
## 3 9.948289 10.622766 9.904675 10.256495 9.818487 8.569672 8.561908 7.897169
## 4 4.130361 4.057986 3.843788 3.652961 3.773190 3.532518 3.509138 3.481121
## 5 2.852195 2.685535 2.974391 3.322903 3.842608 2.695100 2.645608 2.395750
## 6 5.729545 5.631770 5.926091 5.509003 5.826039 6.236677 6.182977 6.157462
## 2013 2014 2015 2016 2017 2018 2019 2020
## 1 NA NA NA NA NA NA NA NA
## 2 6.095603 5.755343 5.926256 6.052830 5.909305 5.762398 5.783240 6.020254
## 3 8.805964 9.528878 10.105348 11.818590 12.620817 14.208419 14.831320 15.533614
## 4 3.609176 3.637388 3.872041 3.834696 3.742529 3.304624 3.264200 3.804803
## 5 2.732827 2.434129 2.605795 2.713150 2.793838 2.594822 2.475188 3.274885
## 6 6.282863 6.434511 6.464119 6.729327 6.578488 6.668446 6.862141 7.503894
## 2021 2022 2023 2024
## 1 NA NA NA NA NA
## 2 5.965593 5.657045 NA NA NA
## 3 21.508461 23.088169 NA NA NA
## 4 4.140221 4.219883 NA NA NA
## 5 3.092771 2.927376 NA NA NA
## 6 7.399132 6.193681 NA NA NAYapılan sağlık harcamaları için Dünya bankasından indirdiğim data.
ULKE İCİNDE YAPİLAN SAGLİK HARCAMALARİ İCİN AYNİ ZAMAN ARALİKLARİNİN BELİRLENMESİ
selected_years <- c("Country Name", "Country Code", as.character(2000:2022))
final_data <- data[, selected_years]
head(final_data)## Country Name Country Code 2000 2001 2002 2003
## 1 Aruba ABW NA NA NA NA
## 2 Africa Eastern and Southern AFE 5.654105 5.813319 5.425560 6.005341
## 3 Afghanistan AFG NA NA 9.443391 8.941258
## 4 Africa Western and Central AFW 3.470715 3.491362 3.148023 4.440259
## 5 Angola AGO 1.908599 4.483516 3.329461 3.547973
## 6 Albania ALB 5.944198 5.925845 5.664645 5.911408
## 2004 2005 2006 2007 2008 2009 2010 2011
## 1 NA NA NA NA NA NA NA NA
## 2 6.091936 5.925002 5.932220 5.952762 5.841882 6.364673 6.383095 6.297302
## 3 9.808474 9.948289 10.622766 9.904675 10.256495 9.818487 8.569672 8.561908
## 4 4.277096 4.130361 4.057986 3.843788 3.652961 3.773190 3.532518 3.509138
## 5 3.967199 2.852195 2.685535 2.974391 3.322903 3.842608 2.695100 2.645608
## 6 5.893649 5.729545 5.631770 5.926091 5.509003 5.826039 6.236677 6.182977
## 2012 2013 2014 2015 2016 2017 2018 2019
## 1 NA NA NA NA NA NA NA NA
## 2 6.103058 6.095603 5.755343 5.926256 6.052830 5.909305 5.762398 5.783240
## 3 7.897169 8.805964 9.528878 10.105348 11.818590 12.620817 14.208419 14.831320
## 4 3.481121 3.609176 3.637388 3.872041 3.834696 3.742529 3.304624 3.264200
## 5 2.395750 2.732827 2.434129 2.605795 2.713150 2.793838 2.594822 2.475188
## 6 6.157462 6.282863 6.434511 6.464119 6.729327 6.578488 6.668446 6.862141
## 2020 2021 2022
## 1 NA NA NA
## 2 6.020254 5.965593 5.657045
## 3 15.533614 21.508461 23.088169
## 4 3.804803 4.140221 4.219883
## 5 3.274885 3.092771 2.927376
## 6 7.503894 7.399132 6.193681Analizin doğru çıkması için 2000-2022 yıllarını ayırmamız gerekiyor.
TURKİYEYİ BU DATADAN AYİRİYORUZ
turkey_data <- subset(final_data, `Country Code` == "TUR")
turkey_data## Country Name Country Code 2000 2001 2002 2003 2004
## 245 Turkiye TUR 4.599572 4.887849 5.062279 5.014277 4.909645
## 2005 2006 2007 2008 2009 2010 2011 2012
## 245 4.893897 5.145917 5.237608 5.217618 5.494387 5.020535 4.653051 4.444447
## 2013 2014 2015 2016 2017 2018 2019 2020
## 245 4.370999 4.325179 4.116904 4.284692 4.17975 4.121016 4.359543 4.616402
## 2021 2022
## 245 4.560656 3.703389Analizin doğru çıkması için bu veriden Türkiye’yi ayırıyoruz.
JAPONYAYİ BU DATADAN AYİRİYORUZ
japan_data <- subset(final_data, `Country Code` == "JPN")
japan_data## Country Name Country Code 2000 2001 2002 2003 2004
## 120 Japan JPN 7.034562 7.239479 7.352354 7.486548 7.535184
## 2005 2006 2007 2008 2009 2010 2011 2012
## 120 7.658186 7.686889 7.779357 8.089093 8.958782 9.063006 10.4878 10.67169
## 2013 2014 2015 2016 2017 2018 2019 2020
## 120 10.67439 10.72901 10.7497 10.65892 10.65627 10.73988 10.96998 11.20904
## 2021 2022
## 120 11.18997 11.42184Analizin doğru çıkması için bu veriden Japoya’yı ayırıyoruz.
TURKİYENİN ORTALAMASİ
Analizin doğru çıkması için Türkiye’nin ortalamasını alıyoruz.
turkey_values <- as.numeric(turkey_data[, as.character(2000:2022)])
turkey_mean <- mean(turkey_values, na.rm = TRUE)
turkey_mean## [1] 4.661722JAPONYANİN ORTALAMASİ
Analizin doğru çıkması için Japonya’nın ortalamasını alıyor
japan_values <- as.numeric(japan_data[, as.character(2000:2022)])
japan_mean <- mean(japan_values, na.rm = TRUE)
japan_mean## [1] 9.393127TURKIYE ILE JAPONYAYİ AYNI GRAFİKTE KİYASLAYALİM
Analizin doğru çıkması için Türkiye ile Japoya’yı aynı grafikte kıyaslıyoruz.
library(tidyr)
library(ggplot2)
combined_data <- rbind(turkey_data, japan_data)
plot_data <- pivot_longer(combined_data,
cols = as.character(2000:2022),
names_to = "Year",
values_to = "Value")
plot_data$Year <- as.numeric(plot_data$Year)
ggplot(plot_data, aes(x = Year, y = Value, color = `Country Name`, group = `Country Name`)) +
geom_line(linewidth = 1) +
geom_point() +
labs(title = "Health Expenditure Comparison (2000-2022)",
x = "Year",
y = "Value (% of GDP)") +
theme_minimal()
GRAFİGİN YORUMU
Grafik, gelişmiş bir ekonomi ve yaşlı nüfus yapısına sahip olan Japonya’nın, gelişmekte olan bir ekonomi olan Türkiye’ye kıyasla milli gelirinden sağlığa iki kat daha fazla pay ayırdığını net bir şekilde ortaya koymaktadır. Türkiye’nin harcamaları daha düşük ve son yıllarda azalma eğilimindeyken, Japonya’nın harcamaları stratejik bir artış göstermektedir.
MUTLULUK ORANLARİ
MUTLULUK ORANLARINI EN IYI ACIKLAYAN KAVRAM GSMH OLDUGU ICIN BU CALISMADA MILLI HASILAYI KONU ALICAZ.
DUNYA BANKASi VERİSİ GSMH İCİN
Yaşama süresini en iyi açıklayan kavramlardan biri mutluluk oranıdır. Mutluluk oaranını da en iyi açıklayan kavram da GYSM’dır.
# Loading the GDP data
gdp_data <- read.csv("API_NY.GDP.PCAP.PP.CD_DS2_en_csv_v2_138.csv", skip = 4, check.names = FALSE)
# Checking if the data is loaded correctly
head(gdp_data)## Country Name Country Code
## 1 Aruba ABW
## 2 Africa Eastern and Southern AFE
## 3 Afghanistan AFG
## 4 Africa Western and Central AFW
## 5 Angola AGO
## 6 Albania ALB
## Indicator Name Indicator Code 1960 1961
## 1 GDP per capita, PPP (current international $) NY.GDP.PCAP.PP.CD NA NA
## 2 GDP per capita, PPP (current international $) NY.GDP.PCAP.PP.CD NA NA
## 3 GDP per capita, PPP (current international $) NY.GDP.PCAP.PP.CD NA NA
## 4 GDP per capita, PPP (current international $) NY.GDP.PCAP.PP.CD NA NA
## 5 GDP per capita, PPP (current international $) NY.GDP.PCAP.PP.CD NA NA
## 6 GDP per capita, PPP (current international $) NY.GDP.PCAP.PP.CD NA NA
## 1962 1963 1964 1965 1966 1967 1968 1969 1970 1971 1972 1973 1974 1975 1976
## 1 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
## 2 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
## 3 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
## 4 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
## 5 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
## 6 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
## 1977 1978 1979 1980 1981 1982 1983 1984 1985 1986 1987 1988 1989 1990
## 1 NA NA NA NA NA NA NA NA NA NA NA NA NA 21732.858
## 2 NA NA NA NA NA NA NA NA NA NA NA NA NA 1851.173
## 3 NA NA NA NA NA NA NA NA NA NA NA NA NA NA
## 4 NA NA NA NA NA NA NA NA NA NA NA NA NA 2128.812
## 5 NA NA NA NA NA NA NA NA NA NA NA NA NA 3704.863
## 6 NA NA NA NA NA NA NA NA NA NA NA NA NA 2655.060
## 1991 1992 1993 1994 1995 1996 1997
## 1 23099.940 23889.045 24575.661 25791.043 26254.743 26004.496 27240.803
## 2 1866.164 1820.063 1807.250 1832.163 1903.827 1994.831 2063.258
## 3 NA NA NA NA NA NA NA
## 4 2167.920 2213.876 2177.110 2158.470 2180.441 2259.841 2331.209
## 5 3740.351 3486.207 2627.588 2632.888 2989.761 3341.912 3525.083
## 6 1988.181 1898.820 2142.681 2384.729 2776.188 3053.330 2759.428
## 1998 1999 2000 2001 2002 2003 2004
## 1 27412.755 27765.653 30245.7070 31920.239 31888.5087 32507.084 35059.2731
## 2 2071.874 2103.977 2167.0226 2238.455 2299.2556 2353.972 2486.0910
## 3 NA NA 813.5503 747.688 926.5079 966.962 971.6335
## 4 2373.913 2377.367 2457.4451 2575.017 2807.4063 2948.095 3184.3453
## 5 3609.093 3618.776 3689.5378 3801.633 4241.2915 4322.198 4770.6880
## 6 3085.573 3549.284 3976.9261 4451.001 4840.3479 5169.843 5595.5506
## 2005 2006 2007 2008 2009 2010 2011
## 1 35098.798 35937.595 37768.566 38904.999 34339.939 33729.512 35324.072
## 2 2649.498 2835.845 3023.755 3132.536 3095.109 3210.348 3320.033
## 3 1076.087 1121.834 1286.950 1333.747 1570.698 1765.538 1744.061
## 4 3380.219 3569.235 3762.120 3963.394 4122.853 4346.834 4531.803
## 5 5415.612 6017.818 6727.963 7315.602 7227.564 7411.655 7537.597
## 6 6014.327 6754.357 7584.971 8469.260 9025.926 9755.929 10273.467
## 2012 2013 2014 2015 2016 2017 2018
## 1 34095.647 35901.646 35657.287 35972.860 36117.535 37524.915 39287.060
## 2 3244.664 3373.824 3514.322 3539.816 3634.442 3837.726 3723.216
## 3 1988.429 2133.241 2224.491 2284.076 2213.181 2335.796 2432.277
## 4 4661.175 4861.151 5114.692 5056.739 4965.330 5026.648 5179.360
## 5 8246.361 8504.095 9017.690 8067.486 7766.838 8006.837 8278.369
## 6 10608.791 10882.058 11787.872 12389.932 13055.559 14110.517 15054.998
## 2019 2020 2021 2022 2023 2024
## 1 38543.907 28854.597 35104.787 41758.896 46574.357 50649.302 NA
## 2 3801.413 3708.095 4028.377 4369.191 4501.601 4635.788 NA
## 3 2583.485 2561.982 2144.167 2122.996 2201.723 NA NA
## 4 5484.249 5414.043 5690.968 6220.123 6520.280 6815.991 NA
## 5 8572.879 7827.428 8862.281 9588.241 9753.600 10118.609 NA
## 6 16441.804 16287.643 18212.853 22032.461 24128.845 26693.193 NA2000-2022 YİLLARİNİ DATADAN AYİRMA
Analizin doğru çıkması için 2000-2022 yıllarını ayırmamız gerekiyor.
gdp_selected_years <- c("Country Name", "Country Code", as.character(2000:2022))
gdp_final <- gdp_data[, gdp_selected_years]
head(gdp_final)## Country Name Country Code 2000 2001 2002
## 1 Aruba ABW 30245.7070 31920.239 31888.5087
## 2 Africa Eastern and Southern AFE 2167.0226 2238.455 2299.2556
## 3 Afghanistan AFG 813.5503 747.688 926.5079
## 4 Africa Western and Central AFW 2457.4451 2575.017 2807.4063
## 5 Angola AGO 3689.5378 3801.633 4241.2915
## 6 Albania ALB 3976.9261 4451.001 4840.3479
## 2003 2004 2005 2006 2007 2008 2009
## 1 32507.084 35059.2731 35098.798 35937.595 37768.566 38904.999 34339.939
## 2 2353.972 2486.0910 2649.498 2835.845 3023.755 3132.536 3095.109
## 3 966.962 971.6335 1076.087 1121.834 1286.950 1333.747 1570.698
## 4 2948.095 3184.3453 3380.219 3569.235 3762.120 3963.394 4122.853
## 5 4322.198 4770.6880 5415.612 6017.818 6727.963 7315.602 7227.564
## 6 5169.843 5595.5506 6014.327 6754.357 7584.971 8469.260 9025.926
## 2010 2011 2012 2013 2014 2015 2016
## 1 33729.512 35324.072 34095.647 35901.646 35657.287 35972.860 36117.535
## 2 3210.348 3320.033 3244.664 3373.824 3514.322 3539.816 3634.442
## 3 1765.538 1744.061 1988.429 2133.241 2224.491 2284.076 2213.181
## 4 4346.834 4531.803 4661.175 4861.151 5114.692 5056.739 4965.330
## 5 7411.655 7537.597 8246.361 8504.095 9017.690 8067.486 7766.838
## 6 9755.929 10273.467 10608.791 10882.058 11787.872 12389.932 13055.559
## 2017 2018 2019 2020 2021 2022
## 1 37524.915 39287.060 38543.907 28854.597 35104.787 41758.896
## 2 3837.726 3723.216 3801.413 3708.095 4028.377 4369.191
## 3 2335.796 2432.277 2583.485 2561.982 2144.167 2122.996
## 4 5026.648 5179.360 5484.249 5414.043 5690.968 6220.123
## 5 8006.837 8278.369 8572.879 7827.428 8862.281 9588.241
## 6 14110.517 15054.998 16441.804 16287.643 18212.853 22032.461TURKİYEYİ AYİRMA
Analizin doğru çıkması için 2000-2020 yılları arasından Türkiye’yi ayırıyoruz.
turkey_gdp <- subset(gdp_final, `Country Code` == "TUR")
turkey_gdp## Country Name Country Code 2000 2001 2002 2003 2004
## 245 Turkiye TUR 9323.821 9015.014 9154.452 9475.238 10760.78
## 2005 2006 2007 2008 2009 2010 2011 2012
## 245 11803.36 13558.22 14951.69 16141.69 15551.64 17468.2 19717.24 20739.27
## 2013 2014 2015 2016 2017 2018 2019 2020
## 245 22475.29 24192.54 25896.98 26730.76 28353.54 28640.34 29016.46 29209.33
## 2021 2022
## 245 32105.55 39919.16JAPONYAYİ AYİRMA
Analizin doğru çıkması için 2000-2020 yılları arasından Japonya’yı ayırıyoruz.
# Extracting Japan from the GDP dataset
japan_gdp <- subset(gdp_final, `Country Code` == "JPN")
# View the result
japan_gdp## Country Name Country Code 2000 2001 2002 2003 2004
## 120 Japan JPN 27287.27 27942.35 28623.59 29392.25 30830.66
## 2005 2006 2007 2008 2009 2010 2011 2012
## 120 32169.87 33634.63 35015.99 35273.79 33547.28 35335.37 36214.44 37605.97
## 2013 2014 2015 2016 2017 2018 2019 2020
## 120 39402.03 39555.41 40906.59 40596.97 41444.22 42141.94 42678.15 42425.69
## 2021 2022
## 120 44355.35 47395.84TURKİYE ORTALAMASİ
Analiz için Türkiye’nin oratalamasını aldım.
# Calculate Turkey's average GDP
turkey_gdp_values <- as.numeric(turkey_gdp[, as.character(2000:2022)])
turkey_gdp_mean <- mean(turkey_gdp_values, na.rm = TRUE)
# Show the result
turkey_gdp_mean## [1] 20182.63JAPONYA ORTALAMASİ
Analiz için Japonya’nın ortalamasını aldım.
# Calculate Japan's average GDP
japan_gdp_values <- as.numeric(japan_gdp[, as.character(2000:2022)])
japan_gdp_mean <- mean(japan_gdp_values, na.rm = TRUE)
# Show the result
japan_gdp_mean## [1] 36685.9###TURKİYE GRAFİK OLARAK KİYASLAMA
library(tidyr)
library(ggplot2)
# 1. Combine Turkey and Japan GDP data
combined_gdp <- rbind(turkey_gdp, japan_gdp)
# 2. Reshape to Long format for plotting
plot_gdp_data <- pivot_longer(combined_gdp,
cols = as.character(2000:2022),
names_to = "Year",
values_to = "GDP_Value")
# 3. Convert Year column to numeric
plot_gdp_data$Year <- as.numeric(plot_gdp_data$Year)
# 4. Create the Comparison Plot
ggplot(plot_gdp_data, aes(x = Year, y = GDP_Value, color = `Country Name`, group = `Country Name`)) +
geom_line(linewidth = 1.2) +
geom_point(size = 2) +
labs(title = "GDP per Capita Comparison (2000-2022)",
subtitle = "Turkey vs Japan",
x = "Year",
y = "GDP per capita (PPP, Current Intl $)") +
theme_minimal()
GRAFİGİN YORUMU
Türkiye ekonomik refah düzeyinde Japonya ile arasındaki farkı hızla kapatmakta olsa da, sağlığa ayrılan pay bakımından henüz Japonya’nın yarısı düzeyindedir. Bu durum, Türkiye’nin büyüme odaklı bir model izlediğini, Japonya’nın ise sosyal refah ve sağlık odaklı harcama yapısını koruduğunu göstermektedir
SOSYAL GUVENLİK HARCAMALARİ
Bir ülke sosyal güvenliğe ve sağlığa ne kadar çok kaynak ayırırsa, o ülkede insanların ortalama yaşam süresi de o kadar uzama eğilimi gösterir. Devlet sağlığa daha çok para ayırdığında, insanlar hastalandığında para derdi düşünmeden doktora gidebilir ve erkenden iyileşir.
DUNYA BANKASİ VERİSİ
social_data <- read.csv("API_GC.XPN.TOTL.GD.ZS_DS2_en_csv_v2_1902.csv", skip = 4, check.names = FALSE)head(social_data)## Country Name Country Code Indicator Name Indicator Code
## 1 Aruba ABW Expense (% of GDP) GC.XPN.TOTL.GD.ZS
## 2 Africa Eastern and Southern AFE Expense (% of GDP) GC.XPN.TOTL.GD.ZS
## 3 Afghanistan AFG Expense (% of GDP) GC.XPN.TOTL.GD.ZS
## 4 Africa Western and Central AFW Expense (% of GDP) GC.XPN.TOTL.GD.ZS
## 5 Angola AGO Expense (% of GDP) GC.XPN.TOTL.GD.ZS
## 6 Albania ALB Expense (% of GDP) GC.XPN.TOTL.GD.ZS
## 1960 1961 1962 1963 1964 1965 1966 1967 1968 1969 1970 1971 1972 1973 1974
## 1 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
## 2 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
## 3 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
## 4 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
## 5 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
## 6 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
## 1975 1976 1977 1978 1979 1980 1981 1982 1983 1984 1985 1986 1987 1988 1989
## 1 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
## 2 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
## 3 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
## 4 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
## 5 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
## 6 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
## 1990 1991 1992 1993 1994 1995 1996 1997 1998 1999
## 1 NA NA NA NA NA NA NA NA NA NA
## 2 NA NA NA NA NA NA NA NA NA 87.35034
## 3 NA NA NA NA NA NA NA NA NA NA
## 4 NA NA NA NA NA NA NA NA NA NA
## 5 NA NA NA NA NA NA NA NA NA 19.65245
## 6 NA NA NA NA NA 21.32495 20.85113 25.19065 29.40509 NA
## 2000 2001 2002 2003 2004 2005 2006 2007
## 1 NA NA NA NA NA NA NA NA
## 2 NA 22.84206 20.71667 21.85563 20.78484 21.78098 21.09977 21.29169
## 3 NA NA NA NA NA NA 20.57817 24.24326
## 4 NA NA NA NA NA NA NA NA
## 5 21.83002 29.01578 18.65100 22.68236 14.08470 18.59909 16.99722 18.60740
## 6 NA NA 23.91376 22.15053 22.11084 NA NA NA
## 2008 2009 2010 2011 2012 2013 2014 2015
## 1 NA NA NA NA NA NA NA NA
## 2 22.82977 22.62293 22.48524 24.89733 22.56948 23.94592 23.92913 23.10839
## 3 50.71930 44.31784 50.86300 59.48478 42.32925 42.09368 44.58930 37.02257
## 4 NA NA NA NA NA NA NA NA
## 5 20.06252 21.94315 22.49562 23.74784 20.91494 25.08099 24.78094 18.37306
## 6 NA NA NA 22.86390 23.14536 24.12158 24.25765 24.26860
## 2016 2017 2018 2019 2020 2021 2022 2023 2024
## 1 NA NA NA NA NA NA NA NA NA
## 2 22.12482 23.15040 23.27996 23.58146 27.35250 26.16872 25.99058 NA NA
## 3 43.92277 39.22011 NA NA NA NA NA NA NA
## 4 NA NA NA NA NA NA NA NA NA
## 5 15.43037 14.55965 13.85321 14.65210 NA NA NA NA NA
## 6 23.70201 23.43816 22.92932 22.87840 24.60482 24.39832 27.00315 25.43597 NA
##
## 1 NA
## 2 NA
## 3 NA
## 4 NA
## 5 NA
## 6 NA2000-2022 YİLLARİNİ BAZ ALİYORUZ
Bu analizin doğru çıkması için 2000-2022 yıllarını baz alıyoruz.
social_selected_years <- c("Country Name", "Country Code", as.character(2000:2022))
social_final <- social_data[, social_selected_years]head(social_final)## Country Name Country Code 2000 2001 2002 2003
## 1 Aruba ABW NA NA NA NA
## 2 Africa Eastern and Southern AFE NA 22.84206 20.71667 21.85563
## 3 Afghanistan AFG NA NA NA NA
## 4 Africa Western and Central AFW NA NA NA NA
## 5 Angola AGO 21.83002 29.01578 18.65100 22.68236
## 6 Albania ALB NA NA 23.91376 22.15053
## 2004 2005 2006 2007 2008 2009 2010 2011
## 1 NA NA NA NA NA NA NA NA
## 2 20.78484 21.78098 21.09977 21.29169 22.82977 22.62293 22.48524 24.89733
## 3 NA NA 20.57817 24.24326 50.71930 44.31784 50.86300 59.48478
## 4 NA NA NA NA NA NA NA NA
## 5 14.08470 18.59909 16.99722 18.60740 20.06252 21.94315 22.49562 23.74784
## 6 22.11084 NA NA NA NA NA NA 22.86390
## 2012 2013 2014 2015 2016 2017 2018 2019
## 1 NA NA NA NA NA NA NA NA
## 2 22.56948 23.94592 23.92913 23.10839 22.12482 23.15040 23.27996 23.58146
## 3 42.32925 42.09368 44.58930 37.02257 43.92277 39.22011 NA NA
## 4 NA NA NA NA NA NA NA NA
## 5 20.91494 25.08099 24.78094 18.37306 15.43037 14.55965 13.85321 14.65210
## 6 23.14536 24.12158 24.25765 24.26860 23.70201 23.43816 22.92932 22.87840
## 2020 2021 2022
## 1 NA NA NA
## 2 27.35250 26.16872 25.99058
## 3 NA NA NA
## 4 NA NA NA
## 5 NA NA NA
## 6 24.60482 24.39832 27.00315###TURKİYEYİ AYİRALİM
Analizin doğru çıkması için 2000-2020 yılları arasından Türkiye’yi ayırıyoruz.
turkey_social <- subset(social_final, `Country Code` == "TUR")turkey_social## Country Name Country Code 2000 2001 2002 2003 2004 2005 2006 2007 2008
## 245 Turkiye TUR NA NA NA NA NA NA NA NA 30.14583
## 2009 2010 2011 2012 2013 2014 2015 2016
## 245 35.31732 32.64192 30.14444 29.42086 28.98914 29.27131 28.84367 30.60554
## 2017 2018 2019 2020 2021 2022
## 245 31.55277 33.14434 34.89092 33.4511 30.20098 29.06241JAPONYAYİ AYİRALİM
Analizin doğru çıkması için 2000-2022 yılları arasından Japoya’yı ayırıyoruz.
japan_social <- subset(social_final, `Country Code` == "JPN")japan_social## Country Name Country Code 2000 2001 2002 2003 2004
## 120 Japan JPN 17.10956 16.2334 16.10706 15.72938 15.07376
## 2005 2006 2007 2008 2009 2010 2011 2012
## 120 15.05184 14.84533 14.00379 15.26441 18.2117 17.22175 18.59568 18.1117
## 2013 2014 2015 2016 2017 2018 2019 2020
## 120 18.14065 17.57416 16.97385 16.71124 16.19535 16.07132 16.4239 23.6059
## 2021 2022
## 120 21.61865 20.93119TURKİYENİN ORTALAMASİ
Analiz için Türkiye’nin oratalamasını aldım.
turkey_social_values <- as.numeric(turkey_social[, as.character(2000:2022)])
turkey_social_mean <- mean(turkey_social_values, na.rm = TRUE)turkey_social_mean## [1] 31.17884JAPONYANİN ORTALAMASİ
Analiz için Japonya’nın ortalamasını aldım.
japan_social_values <- as.numeric(japan_social[, as.character(2000:2022)])
japan_social_mean <- mean(japan_social_values, na.rm = TRUE)japan_social_mean## [1] 17.20894###TURKİYE VE JAPOYA GRAFİKLERİNİ KARŞİLAŞTİRALİM
Analizin doğru çıkması için Türkiye ile Japoya’yı aynı grafikte karşılaştırıyoruz.
library(tidyr)
library(ggplot2)
combined_social <- rbind(turkey_social, japan_social)
plot_social_final <- pivot_longer(combined_social,
cols = as.character(2000:2022),
names_to = "Year",
values_to = "Expense_Value")
plot_social_final$Year <- as.numeric(plot_social_final$Year)ggplot(plot_social_final, aes(x = Year, y = Expense_Value, color = `Country Name`, group = `Country Name`)) +
geom_line(linewidth = 1.2) +
geom_point(size = 2) +
labs(title = "Social Security & Gov. Expense Comparison (2000-2022)",
subtitle = "Percentage of GDP",
x = "Year",
y = "Expense (% of GDP)") +
theme_minimal()## Warning: Removed 8 rows containing missing values or values outside the scale range
## (`geom_line()`).## Warning: Removed 8 rows containing missing values or values outside the scale range
## (`geom_point()`).
GRAFİGİN YORUMU
Türkiye’nin kamu harcamalarının GSYH içindeki payı, Japonya’ya göre yapısal olarak daha yüksektir. Japonya’nın harcamaları genellikle daha istikrarlı bir seyir izlerken, Türkiye’nin harcama dengesi konjonktürel olaylara ve ekonomik politikalara bağlı olarak daha büyük dalgalanmalar göstermektedir.
CALİSMA SAATLERİ
Ekonomik ve istatistiksel analizlerde çalışma saatleri, genellikle işgücü verimliliği ve yaşam kalitesi standartlarını ölçmek için kullanılan temel bir göstergedi
DUNYA BANKASİ VERİSİ
labor_data <- read.csv("API_SL.TLF.ACTI.ZS_DS2_en_csv_v2_5036.csv", skip = 4, check.names = FALSE)head(labor_data)## Country Name Country Code
## 1 Aruba ABW
## 2 Africa Eastern and Southern AFE
## 3 Afghanistan AFG
## 4 Africa Western and Central AFW
## 5 Angola AGO
## 6 Albania ALB
## Indicator Name
## 1 Labor force participation rate, total (% of total population ages 15-64) (modeled ILO estimate)
## 2 Labor force participation rate, total (% of total population ages 15-64) (modeled ILO estimate)
## 3 Labor force participation rate, total (% of total population ages 15-64) (modeled ILO estimate)
## 4 Labor force participation rate, total (% of total population ages 15-64) (modeled ILO estimate)
## 5 Labor force participation rate, total (% of total population ages 15-64) (modeled ILO estimate)
## 6 Labor force participation rate, total (% of total population ages 15-64) (modeled ILO estimate)
## Indicator Code 1960 1961 1962 1963 1964 1965 1966 1967 1968 1969 1970 1971
## 1 SL.TLF.ACTI.ZS NA NA NA NA NA NA NA NA NA NA NA NA
## 2 SL.TLF.ACTI.ZS NA NA NA NA NA NA NA NA NA NA NA NA
## 3 SL.TLF.ACTI.ZS NA NA NA NA NA NA NA NA NA NA NA NA
## 4 SL.TLF.ACTI.ZS NA NA NA NA NA NA NA NA NA NA NA NA
## 5 SL.TLF.ACTI.ZS NA NA NA NA NA NA NA NA NA NA NA NA
## 6 SL.TLF.ACTI.ZS NA NA NA NA NA NA NA NA NA NA NA NA
## 1972 1973 1974 1975 1976 1977 1978 1979 1980 1981 1982 1983 1984 1985 1986
## 1 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
## 2 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
## 3 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
## 4 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
## 5 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
## 6 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
## 1987 1988 1989 1990 1991 1992 1993 1994 1995 1996
## 1 NA NA NA NA NA NA NA NA NA NA
## 2 NA NA NA 73.26260 73.31898 73.40265 73.39071 73.47062 73.62833 73.67881
## 3 NA NA NA 48.33700 48.27800 48.21200 48.13700 48.05300 47.96600 47.88200
## 4 NA NA NA 77.49101 77.50399 77.38401 77.40038 77.39857 77.35610 77.24148
## 5 NA NA NA 77.73100 77.78100 77.80700 77.77100 77.80800 77.86200 77.89700
## 6 NA NA NA 66.45600 69.08800 69.78800 69.11300 68.57300 67.72300 67.20100
## 1997 1998 1999 2000 2001 2002 2003 2004
## 1 NA NA NA NA NA NA NA NA
## 2 73.65003 73.58646 73.50623 73.44162 73.37758 73.35603 73.34589 73.31340
## 3 47.80100 47.72500 47.65800 47.60200 47.56000 47.53400 47.52500 47.53400
## 4 77.15633 77.07742 77.04654 76.93091 76.80471 76.52235 76.33973 76.14983
## 5 77.90400 77.89600 77.87600 77.85500 77.83200 77.83700 77.80900 77.80800
## 6 68.17400 67.65700 66.93000 66.62400 66.25300 66.17200 65.23900 64.29900
## 2005 2006 2007 2008 2009 2010 2011 2012
## 1 NA NA NA NA NA NA NA NA
## 2 73.29623 73.13835 72.92843 72.70702 72.31739 71.66310 72.12432 72.09261
## 3 47.56200 47.60500 47.66200 47.73000 47.80300 47.88300 47.96700 48.05500
## 4 75.97345 75.80551 75.61430 75.32633 75.00488 74.68957 74.46980 74.20036
## 5 77.82400 77.83500 77.85900 77.88100 77.87500 77.88300 77.86700 77.63600
## 6 63.36000 62.42600 61.48400 60.52100 62.93200 63.34800 68.09700 64.41700
## 2013 2014 2015 2016 2017 2018 2019 2020
## 1 NA NA NA NA NA NA NA NA
## 2 72.06577 71.17255 70.85125 70.38513 69.75088 69.34288 69.00484 67.48008
## 3 48.15300 48.24800 48.33900 48.42900 48.52100 46.76200 44.99100 42.59600
## 4 73.84597 73.47782 73.21400 73.14176 72.67151 72.44769 72.24806 71.67665
## 5 77.40200 77.16500 76.92600 76.68600 76.44400 76.20200 75.95900 75.68600
## 6 59.71100 61.31900 64.08700 66.17900 66.91900 68.30500 69.66100 67.15300
## 2021 2022 2023 2024
## 1 NA NA NA NA NA
## 2 68.04997 68.30753 70.69074 70.59441 NA
## 3 41.90300 38.60000 38.63400 38.45900 NA
## 4 71.77562 71.78913 72.32453 72.19236 NA
## 5 77.38800 76.46000 76.59200 76.55300 NA
## 6 68.57000 70.89300 71.30100 72.02800 NAZAMAN ARALİKLARİ
labor_selected_years <- c("Country Name", "Country Code", as.character(2000:2022))
labor_final <- labor_data[, labor_selected_years]head(labor_final)## Country Name Country Code 2000 2001 2002 2003
## 1 Aruba ABW NA NA NA NA
## 2 Africa Eastern and Southern AFE 73.44162 73.37758 73.35603 73.34589
## 3 Afghanistan AFG 47.60200 47.56000 47.53400 47.52500
## 4 Africa Western and Central AFW 76.93091 76.80471 76.52235 76.33973
## 5 Angola AGO 77.85500 77.83200 77.83700 77.80900
## 6 Albania ALB 66.62400 66.25300 66.17200 65.23900
## 2004 2005 2006 2007 2008 2009 2010 2011
## 1 NA NA NA NA NA NA NA NA
## 2 73.31340 73.29623 73.13835 72.92843 72.70702 72.31739 71.66310 72.12432
## 3 47.53400 47.56200 47.60500 47.66200 47.73000 47.80300 47.88300 47.96700
## 4 76.14983 75.97345 75.80551 75.61430 75.32633 75.00488 74.68957 74.46980
## 5 77.80800 77.82400 77.83500 77.85900 77.88100 77.87500 77.88300 77.86700
## 6 64.29900 63.36000 62.42600 61.48400 60.52100 62.93200 63.34800 68.09700
## 2012 2013 2014 2015 2016 2017 2018 2019
## 1 NA NA NA NA NA NA NA NA
## 2 72.09261 72.06577 71.17255 70.85125 70.38513 69.75088 69.34288 69.00484
## 3 48.05500 48.15300 48.24800 48.33900 48.42900 48.52100 46.76200 44.99100
## 4 74.20036 73.84597 73.47782 73.21400 73.14176 72.67151 72.44769 72.24806
## 5 77.63600 77.40200 77.16500 76.92600 76.68600 76.44400 76.20200 75.95900
## 6 64.41700 59.71100 61.31900 64.08700 66.17900 66.91900 68.30500 69.66100
## 2020 2021 2022
## 1 NA NA NA
## 2 67.48008 68.04997 68.30753
## 3 42.59600 41.90300 38.60000
## 4 71.67665 71.77562 71.78913
## 5 75.68600 77.38800 76.46000
## 6 67.15300 68.57000 70.89300TURKİYEYİ AYİRALİM
Analizin doğru çıkması için 2000-2022 yılları arasından Türkiye’yi ayıralım.
turkey_labor <- subset(labor_final, `Country Code` == "TUR")turkey_labor## Country Name Country Code 2000 2001 2002 2003 2004 2005 2006
## 245 Turkiye TUR 52.576 52.519 52.515 51.327 49.481 49.775 49.805
## 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017
## 245 49.89 50.629 51.725 52.754 53.862 54.03 55.036 54.824 55.684 56.554 57.545
## 2018 2019 2020 2021 2022
## 245 58.068 58.056 54.506 56.89 58.925JAPONYAYİ AYİRALİM
Analizin doğru çıkması için 2000-2022yılları arasından japonya’yı ayırıyoruz.
japan_labor <- subset(labor_final, `Country Code` == "JPN")japan_labor## Country Name Country Code 2000 2001 2002 2003 2004 2005 2006
## 120 Japan JPN 72.624 72.748 72.436 72.387 72.415 72.919 73.432
## 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016
## 120 73.845 74.023 74.083 74.064 74.116 74.371 75.241 75.902 76.225 77.122
## 2017 2018 2019 2020 2021 2022
## 120 77.884 79.073 79.798 79.842 80.257 80.9TURKİYENİN ORTALAMASİNİ ALALİM
turkey_labor_values <- as.numeric(turkey_labor[, as.character(2000:2022)])
turkey_labor_mean <- mean(turkey_labor_values, na.rm = TRUE)turkey_labor_mean## [1] 53.78157###JAPONYANİN ORTALAMASİNİ ALALİM
japan_labor_values <- as.numeric(japan_labor[, as.character(2000:2022)])
japan_labor_mean <- mean(japan_labor_values, na.rm = TRUE)japan_labor_mean## [1] 75.46552GRAFİK OLARAK KARŞİLAŞTİRMA
Analizin doğru çıkması için Türkiye ile Japoya’yı aynı grafikte karşılaştırıyoruz.
library(tidyr)
library(ggplot2)
combined_labor <- rbind(turkey_labor, japan_labor)
plot_labor_final <- pivot_longer(combined_labor,
cols = as.character(2000:2022),
names_to = "Year",
values_to = "Participation_Rate")
plot_labor_final$Year <- as.numeric(plot_labor_final$Year)ggplot(plot_labor_final, aes(x = Year, y = Participation_Rate, color = `Country Name`, group = `Country Name`)) +
geom_line(linewidth = 1.2) +
geom_point(size = 2) +
labs(title = "Labor Force Participation Rate Comparison (2000-2022)",
subtitle = "Total (% of population ages 15-64)",
x = "Year",
y = "Participation Rate (%)") +
theme_minimal()
GRAFİĞİN YORUMU
Japonya işgücünü maksimize etme konusunda çok daha başarılı bir profil çizerken, Türkiye özellikle 2005 sonrası ivme kazansa da hala potansiyel işgücünün (özellikle kadın katılımı gibi faktörler nedeniyle) önemli bir kısmını ekonomiye dahil edememiş görünmektedir
GENEL DEGERLENDİRME
Hazırladığı veriler, bir ülkenin sadece zengin olmasının (GSYH) değil, bu zenginliği nasıl dağıttığının (Sağlık ve Sosyal Güvenlik) yaşam kalitesi üzerindeki belirleyici rolünü kanıtlıyor.Japonya, GSYH’sinin yaklaşık %10’undan fazlasını sağlığa ayırırken Türkiye’nin bu oranın yarısında kalması, iki ülke arasındaki ortalama yaşam süresi farkının temel nedenlerinden biridir.Türkiye’nin harcamalarındaki son dönem azalışı, uzun vadede halk sağlığı göstergeleri üzerinde bir risk oluşturabilir. Grafiklerde Türkiye’nin GSYH (Satın Alma Gücü Paritesi) açısından Japonya’ya yaklaştığını görüyoruz.Türkiye’nin ekonomik büyümesi hızla yükselirken, sağlık ve sosyal güvenlik harcamalarının aynı hızda artmaması, “büyümenin özelliği”olarak akla gelmektedir. Japonya: Yüksek katılım oranıyla işgücünü verimli kullanıyor. ürkiye: %50’ler seviyesindeki katılım oranı, toplumun yarısının (özellikle kadınların) ekonomik değer yaratma sürecinin dışında kaldığını gösteriyor. Bu durum, bireysel mutluluğu ve sosyal güvenlik sisteminin sürdürülebilirliğini olumsuz etkileyen bir unsurdur. Türkiye’nin sosyal güvenlik harcamalarındaki dalgalanmalar, ekonomik kırılganlıklara karşı hassasiyeti gösterirken; Japonya’nın istikrarlı yapısı, bireylerin gelecek kaygısını azaltan bir “sosyal güvenlik kalkanı” görevi görüyor. Japonya’da devletin sosyal harcamalardaki istikrarlı duruşu, vatandaşın “başıma bir şey gelirse devlet yanımda” algısını güçlendirir. Bu da uzun vadeli yaşam planlarını ve mutluluk endeksini olumlu etkiler. Türkiye grafiğindeki dalgalanmalar ise ekonomik belirsizlik dönemlerinde sosyal koruma kalkanının zorlandığını gösterir. Bu durum, bireylerde tasarruf yapma zorunluluğunu artırırken, mutluluk oranları üzerinde baskı oluşturabilir. İşgücü = Sosyal Aidiyet: Japonya’da işgücü katılımının çok yüksek olması, insanların toplumun bir parçası hissetmesini sağlar. Türkiye’deki Risk: Türkiye’de katılımın düşük kalması, özellikle genç ve kadın nüfusun ekonomik sistemin dışında kalması demektir. Bu durum, “işsizlik kaygısı” yaratarak GSYH artsa bile genel mutluluk oranının neden aynı hızla artmadığını açıklar.