PROJE
2026-01-02
Giriş
- Araştırma Konusu: Ekonomik kalkınma, teknolojik kapasite ve insan sermayesi (okuryazarlık) arasındaki ilişkinin incelenmesi
- Amaç: Dünya Bankası verileri kullanılarak Türkiye ve karşılaştırmalı ülke analizleri yapmak
- Kapsam: 2000-2023 yılları arası, panel veri analizi
- Yöntem: Zaman serisi analizi, karşılaştırmalı görselleştirme, ekonometrik modelleme (panel veri regresyonu)
- Beklenen Katkı: Türkiye’nin teknoloji-ekonomi-eğitim üçgenindeki konumunu değerlendirmek ve politika önerileri geliştirmek
Bu proje, Dünya Bankası verilerini kullanarak kişi başına düşen GSYİH (NY.GDP.PCAP.CD), yüksek teknoloji ihracatının toplam imalat ihracatına oranı (TX.VAL.TECH.MF.ZS) ve yetişkin okuryazarlık oranı (SE.ADT.LITR.ZS) arasındaki ilişkiyi analiz etmeyi amaçlamaktadır. Çalışma, 2000-2023 yılları arasını kapsayan panel veri seti üzerinden hem Türkiye özelinde hem de karşılaştırmalı ülke analizleri ve ekonometrik modellemeler gerçekleştirmektedir.
library(WDI)
library(tidyverse)## ── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
## ✔ dplyr 1.1.4 ✔ readr 2.1.5
## ✔ forcats 1.0.0 ✔ stringr 1.5.1
## ✔ ggplot2 3.5.1 ✔ tibble 3.2.1
## ✔ lubridate 1.9.4 ✔ tidyr 1.3.1
## ✔ purrr 1.0.4
## ── 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 errorslibrary(ggplot2)
library(dplyr)data_raw <- WDI(
indicator = c(
"NY.GDP.PCAP.CD",
"TX.VAL.TECH.MF.ZS",
"SE.ADT.LITR.ZS"
),
start = 2000,
end = 2023,
extra = TRUE
)missing_data <- data_raw %>%
group_by(country) %>%
summarise(na_count = sum(is.na(NY.GDP.PCAP.CD)))kalacak_ulkeler <- missing_data %>%
filter(na_count == 0) %>%
pull(country)
veri_temiz <- data_raw %>%
filter(country %in% kalacak_ulkeler)str(veri_temiz)## 'data.frame': 5904 obs. of 15 variables:
## $ country : chr "Afghanistan" "Afghanistan" "Afghanistan" "Afghanistan" ...
## $ iso2c : chr "AF" "AF" "AF" "AF" ...
## $ iso3c : chr "AFG" "AFG" "AFG" "AFG" ...
## $ year : int 2010 2009 2012 2021 2005 2023 2011 2004 2020 2017 ...
## $ status : chr "" "" "" "" ...
## $ lastupdated : chr "2025-12-19" "2025-12-19" "2025-12-19" "2025-12-19" ...
## $ NY.GDP.PCAP.CD : num 561 452 651 356 254 ...
## ..- attr(*, "label")= chr "GDP per capita (current US$)"
## $ TX.VAL.TECH.MF.ZS: num NA NA NA NA NA NA NA NA NA NA ...
## ..- attr(*, "label")= chr "High-technology exports (% of manufactured exports)"
## $ SE.ADT.LITR.ZS : num NA NA NA 37.3 NA ...
## ..- attr(*, "label")= chr "Literacy rate, adult total (% of people ages 15 and above)"
## $ region : chr "South Asia" "South Asia" "South Asia" "South Asia" ...
## $ capital : chr "Kabul" "Kabul" "Kabul" "Kabul" ...
## $ longitude : chr "69.1761" "69.1761" "69.1761" "69.1761" ...
## $ latitude : chr "34.5228" "34.5228" "34.5228" "34.5228" ...
## $ income : chr "Low income" "Low income" "Low income" "Low income" ...
## $ lending : chr "IDA" "IDA" "IDA" "IDA" ...summary(veri_temiz)## country iso2c iso3c year
## Length:5904 Length:5904 Length:5904 Min. :2000
## Class :character Class :character Class :character 1st Qu.:2006
## Mode :character Mode :character Mode :character Median :2012
## Mean :2012
## 3rd Qu.:2017
## Max. :2023
##
## status lastupdated NY.GDP.PCAP.CD TX.VAL.TECH.MF.ZS
## Length:5904 Length:5904 Min. : 109.6 Min. : 0.000
## Class :character Class :character 1st Qu.: 1529.3 1st Qu.: 2.613
## Mode :character Mode :character Median : 4793.0 Median : 7.563
## Mean : 14111.0 Mean :11.250
## 3rd Qu.: 16755.3 3rd Qu.:17.482
## Max. :256799.8 Max. :95.618
## NA's :2745
## SE.ADT.LITR.ZS region capital longitude
## Min. : 14.38 Length:5904 Length:5904 Length:5904
## 1st Qu.: 66.95 Class :character Class :character Class :character
## Median : 85.64 Mode :character Mode :character Mode :character
## Mean : 80.31
## 3rd Qu.: 94.62
## Max. :100.00
## NA's :4109
## latitude income lending
## Length:5904 Length:5904 Length:5904
## Class :character Class :character Class :character
## Mode :character Mode :character Mode :character
##
##
##
## ggplot(veri_temiz %>% filter(country == "Turkiye"),
aes(x = year, y = NY.GDP.PCAP.CD)) +
geom_line(na.rm = TRUE) +
labs(title = "Türkiye: Kişi Başına GSYİH")
ggplot(veri_temiz %>% filter(country == "Turkiye"),
aes(x = year, y = SE.ADT.LITR.ZS)) +
geom_point(na.rm = TRUE) +
labs(title = "Türkiye: Okuryazarlık Oranı")
Gelişme
Veri Temizleme ve Hazırlık
Eksik Veri Kontrolü: Ülkeler bazında GSYİH verisi tam olmayan gözlemler çıkarılmış, böylece tutarlı bir panel veri seti oluşturulmuştur.
Temel İstatistikler: Veri setinin yapısı ve değişkenlerin dağılımı özetlenmiştir.
Türkiye Üzerine Zaman Serisi Analizleri
GSYİH Gelişimi: Türkiye’nin kişi başına GSYİH’sının 2000-2023 arasında dalgalı bir artış eğilimi gösterdiği, ancak 2018 sonrasında belirgin bir düşüş yaşandığı gözlemlenmiştir.
Okuryazarlık Oranı: Okuryazarlık oranının zaman içinde istikrarlı şekilde arttığı, ancak 2010’dan sonra artış hızının yavaşladığı görülmüştür.
Teknoloji İhracatı: Yüksek teknoloji ihracatının imalat ihracatı içindeki payının 2005’e kadar düştüğü, sonrasında ise dalgalı bir seyir izlediği tespit edilmiştir.
Teknoloji/Gelir Oranı: Teknoloji ihracatı payının GSYİH’ya oranı, teknolojik katma değerin ekonomik büyümeye etkisini göstermektedir.
Türkiye-Dünya Karşılaştırması
Bağıl Performans Analizi: Türkiye’nin GSYİH ve teknoloji ihracatı performansı dünya ortalamasıyla karşılaştırılmıştır.
Verimlilik Göstergesi: Türkiye’nin teknoloji ihracatına kıyasla GSYİH performansının zaman içinde dünya ortalamasına göre gerilediği görülmüştür.
Ülke Karşılaştırmaları
Türkiye, Almanya, Çin ve Hindistan’ın GSYİH performansları karşılaştırılmıştır.
Almanya’nın sürekli yüksek, Çin’in hızlı artan, Hindistan’ın ise Türkiye’ye kıyasla daha düşük ama istikrarlı bir seyir izlediği gözlemlenmiştir.
Ekonometrik Analizler
Çapraz Kesit Regresyonu (2020): GSYİH ve teknoloji ihracatının okuryazarlık üzerinde anlamlı pozitif etkisi olduğu bulunmuştur.
Panel Veri Analizi (Rassal Etkiler Modeli): GSYİH’nın okuryazarlığı pozitif, teknoloji ihracatının ise negatif yönde etkilediği sonucuna varılmıştır. Bu sonuç, model spesifikasyonu ve değişkenler arası ilişkiler nedeniyle dikkatle yorumlanmalıdır.
Korelasyon Analizleri
2020 Yılı Korelasyon Matrisi: GSYİH, teknoloji ihracatı ve okuryazarlık arasında pozitif ilişkiler tespit edilmiştir.
Zaman İçinde Korelasyon Değişimi: GSYİH ile teknoloji ihracatı arasındaki ilişkinin zamanla değiştiği, özellikle 2008 küresel krizinden sonra zayıfladığı gözlemlenmiştir.
ggplot(veri_temiz %>% filter(country == "Turkiye"),
aes(x = year, y = TX.VAL.TECH.MF.ZS)) +
geom_line(na.rm = TRUE) +
labs(title = "Türkiye: Yüksek Teknoloji İhracatı")
df_TR <- veri_temiz %>% filter(country == "Turkiye")
df_TR <- df_TR %>%
mutate(gelir_tekno_orani = TX.VAL.TECH.MF.ZS / NY.GDP.PCAP.CD)
ggplot(df_TR, aes(year, gelir_tekno_orani)) +
geom_line() +
labs(title = "Türkiye: Teknoloji / Gelir Oranı")## Warning: Removed 7 rows containing missing values or values outside the scale range
## (`geom_line()`).
data_world <- veri_temiz %>% filter(country == "World")
data_world <- data_world %>%
select(year, W_gelir = NY.GDP.PCAP.CD,
W_tekno = TX.VAL.TECH.MF.ZS)
df_karsilastirma <- df_TR %>% left_join(data_world, by = "year")
df_karsilastirma <- df_karsilastirma %>%
mutate(
gelir_orani = NY.GDP.PCAP.CD / W_gelir,
tekno_orani = TX.VAL.TECH.MF.ZS / W_tekno,
verim = gelir_orani / tekno_orani
)
ggplot(df_karsilastirma, aes(year, verim)) + geom_line() +
labs(title = "Türkiye'nin Dünya Ortalama Performansı")## Warning: Removed 7 rows containing missing values or values outside the scale range
## (`geom_line()`).
ggplot(veri_temiz %>%
filter(country %in% c("Turkiye", "Germany", "China", "India")),
aes(year, NY.GDP.PCAP.CD, color = country)) +
geom_line() +
labs(title = "Seçilmiş Ülkeler: Kişi Başına GSYİH")
reg1 <- lm(SE.ADT.LITR.ZS ~ NY.GDP.PCAP.CD + TX.VAL.TECH.MF.ZS,
data = veri_temiz %>% filter(year == 2020))
summary(reg1)##
## Call:
## lm(formula = SE.ADT.LITR.ZS ~ NY.GDP.PCAP.CD + TX.VAL.TECH.MF.ZS,
## data = veri_temiz %>% filter(year == 2020))
##
## Residuals:
## Min 1Q Median 3Q Max
## -22.844 -9.072 1.436 8.122 16.607
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 8.125e+01 1.790e+00 45.400 < 2e-16 ***
## NY.GDP.PCAP.CD 3.763e-04 1.133e-04 3.322 0.00141 **
## TX.VAL.TECH.MF.ZS 2.173e-01 1.106e-01 1.964 0.05336 .
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 10.69 on 72 degrees of freedom
## (171 observations deleted due to missingness)
## Multiple R-squared: 0.2461, Adjusted R-squared: 0.2251
## F-statistic: 11.75 on 2 and 72 DF, p-value: 3.839e-05veri_temiz %>% filter(iso3c == "WLD") %>% select(country) %>% distinct()## country
## 1 Worldlibrary(plm)##
## Attaching package: 'plm'## The following objects are masked from 'package:dplyr':
##
## between, lag, leadmodel_panel <- plm(SE.ADT.LITR.ZS ~ NY.GDP.PCAP.CD + TX.VAL.TECH.MF.ZS,
data = veri_temiz,
index = c("country", "year"),
model = "random")
summary(model_panel)## Oneway (individual) effect Random Effect Model
## (Swamy-Arora's transformation)
##
## Call:
## plm(formula = SE.ADT.LITR.ZS ~ NY.GDP.PCAP.CD + TX.VAL.TECH.MF.ZS,
## data = veri_temiz, model = "random", index = c("country",
## "year"))
##
## Unbalanced Panel: n = 160, T = 1-17, N = 1102
##
## Effects:
## var std.dev share
## idiosyncratic 5.013 2.239 0.029
## individual 170.636 13.063 0.971
## theta:
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 0.8311 0.9354 0.9506 0.9408 0.9572 0.9585
##
## Residuals:
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## -10.9378 -0.9711 0.5105 0.0013 1.2924 8.6657
##
## Coefficients:
## Estimate Std. Error z-value Pr(>|z|)
## (Intercept) 8.1927e+01 1.1305e+00 72.4670 < 2.2e-16 ***
## NY.GDP.PCAP.CD 2.0537e-04 3.0370e-05 6.7622 1.359e-11 ***
## TX.VAL.TECH.MF.ZS 1.7493e-02 2.4335e-02 0.7188 0.4722
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Total Sum of Squares: 11728
## Residual Sum of Squares: 5849.7
## R-Squared: 0.50123
## Adj. R-Squared: 0.50032
## Chisq: 47.5257 on 2 DF, p-value: 4.7855e-11veri_temiz <- veri_temiz %>%
filter(!is.na(NY.GDP.PCAP.CD) & !is.na(TX.VAL.TECH.MF.ZS) & !is.na(SE.ADT.LITR.ZS))# 1. Korelasyon matrisi
cor_matrix <- veri_temiz %>%
filter(year == 2020) %>%
select(NY.GDP.PCAP.CD, TX.VAL.TECH.MF.ZS, SE.ADT.LITR.ZS) %>%
cor(use = "complete.obs")
# 2. Zaman içinde teknoloji-gelir ilişkisi
veri_temiz %>%
group_by(year) %>%
summarise(
cor_gelir_tekno = cor(NY.GDP.PCAP.CD, TX.VAL.TECH.MF.ZS, use = "complete.obs")
) %>%
ggplot(aes(year, cor_gelir_tekno)) + geom_line()
Sonuç
1- Türkiye’nin Teknolojik Dönüşümü: Türkiye’nin yüksek teknoloji ihracatı performansının, ekonomik büyümesine kıyasla yetersiz kaldığı ve dünya ortalamasının gerisinde olduğu tespit edilmiştir.
2- Eğitim-Ekonomi İlişkisi: Okuryazarlık oranı ile ekonomik gelişmişlik arasında güçlü bir pozitif ilişki bulunmaktadır. Ancak Türkiye’de okuryazarlıktaki artışın ekonomik büyümeye tam olarak yansımadığı görülmüştür.
3- Karşılaştırmalı Analiz: Türkiye, gelişmiş ülkeler (Almanya) ile gelişmekte olan ülkeler (Çin, Hindistan) arasında bir performans sergilemektedir. Özellikle Çin’in teknoloji odaklı büyüme modelinin başarısı dikkat çekicidir.
4- Modelleme Sonuçları: Ekonometrik analizler, değişkenler arasındaki ilişkinin karmaşık olduğunu ve tek bir modelle açıklanamayacağını göstermiştir. Farklı model spesifikasyonları ve kontrol değişkenleri eklenerek analiz derinleştirilebilir.
Açıklama
Bu proje, ekonomik büyüme, teknolojik kapasite ve insan sermayesi arasındaki etkileşimi anlamak için bir başlangıç niteliğindedir. Bulgular, Türkiye’nin sürdürülebilir kalkınma için teknoloji ve eğitim odaklı stratejilere ihtiyaç duyduğunu göstermektedir.