Dünya Bankası Verileriyle Ekonomik Büyüme, İşsizlik ve Enflasyon (2000–2023)

GİRİŞ

Ekonomik büyüme, işsizlik ve enflasyon ülkelerin makroekonomik performansını belirleyen temel göstergelerdir. Bu değişkenler arasındaki ilişkilerin anlaşılması, etkin ekonomi politikalarının oluşturulabilmesi açısından büyük önem taşımaktadır. Özellikle küreselleşme sürecinde ülkeler arası karşılaştırmalı analizler, ekonomik yapıların benzerlik ve farklılıklarını ortaya koymaktadır.

çalışmanın amacı, Dünya Bankası (World Bank) verileri kullanılarak, seçilmiş ülkelerde ekonomik büyüme, işsizlik ve enflasyon arasındaki ilişkileri korelasyon ve regresyon analizleri ile incelemek ve sonuçları grafiklerle desteklemektir.

Araştırma Soruları

Makroekonomik değişkenler arasında nasıl bir korelasyon vardır?
Bu ilişkiler zaman içinde değişmekte midir?
İşsizlik ve enflasyon ekonomik büyümeyi nasıl etkilemektedir?
Yatırımlar büyüme üzerinde ne ölçüde belirleyicidir?

LİTERATÜR TARAMASI

Okun (1962), ekonomik büyüme ile işsizlik arasında negatif yönlü bir ilişki olduğunu ortaya koymuştur. Phillips (1958) ise enflasyon ile işsizlik arasında ters yönlü bir ilişki tespit etmiştir. Barro (1995), yüksek enflasyonun ekonomik büyümeyi olumsuz etkilediğini göstermiştir. Levine ve Renelt (1992), yatırımların büyümenin temel belirleyicilerinden biri olduğunu vurgulamıştır.

Bu çalışma, literatürdeki bulguları güncel Dünya Bankası verileriyle karşılaştırmalı olarak incelemektedir.

VERİ SETİ VE DEĞİŞKENLER

Ülkeler

ABD
Almanya
Türkiye
Brezilya

Dönem

2000–2023

Değişkenler

GDP Reel GSYH (USD) UNEMP İşsizlik Oranı (%) INF Enflasyon (TÜFE, %) INV Yatırımlar (% GSYH)

R KODLARI – VERİ ÇEKME

library(WDI)
library(tidyverse)
## ── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
## ✔ dplyr     1.1.4     ✔ readr     2.1.6
## ✔ forcats   1.0.1     ✔ stringr   1.6.0
## ✔ ggplot2   4.0.1     ✔ tibble    3.3.0
## ✔ lubridate 1.9.4     ✔ tidyr     1.3.2
## ✔ purrr     1.2.0     
## ── 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
library(zoo)
## 
## Attaching package: 'zoo'
## 
## The following objects are masked from 'package:base':
## 
##     as.Date, as.Date.numeric
countries <- c("USA","DEU","TUR","BRA")

data <- WDI(country = countries,
            indicator = c("NY.GDP.MKTP.KD",
                          "SL.UEM.TOTL.ZS",
                          "FP.CPI.TOTL.ZG",
                          "NE.GDI.TOTL.ZS"),
            start = 2000, end = 2023)
data <- data %>% 
  drop_na() %>%
  rename(
    GDP   = "NY.GDP.MKTP.KD",
    UNEMP = "SL.UEM.TOTL.ZS",
    INF   = "FP.CPI.TOTL.ZG",
    INV   = "NE.GDI.TOTL.ZS"
  )

TANIMSAL İSTATİSTİKLER VE MEDYANLAR

median_values <- data %>%
  group_by(country) %>%
  summarise(
    Median_GDP = median(GDP),
    Median_UNEMP = median(UNEMP),
    Median_INF = median(INF),
    Median_INV = median(INV)
  )

median_values
## # A tibble: 4 × 5
##   country       Median_GDP Median_UNEMP Median_INF Median_INV
##   <chr>              <dbl>        <dbl>      <dbl>      <dbl>
## 1 Brazil           1.75e12         9.88       6.27       18.0
## 2 Germany          3.28e12         5.67       1.53       20.4
## 3 Turkiye          7.04e11        10.5       10.0        29.8
## 4 United States    1.67e13         5.31       2.36       21.7

Yorum:

Medyan değerler, uç değerlerin etkisini azaltarak ülkelerin tipik makroekonomik görünümünü ortaya koymaktadır. Gelişmiş ülkelerde medyan enflasyon ve işsizlik oranlarının daha düşük olduğu görülmektedir.

KORELASYON ANALİZİ

Genel Korelasyon Matrisi

cor_matrix <- data %>%
  select(GDP, UNEMP, INF, INV) %>%
  cor()

cor_matrix
##              GDP      UNEMP        INF        INV
## GDP    1.0000000 -0.5535504 -0.2989235 -0.1709503
## UNEMP -0.5535504  1.0000000  0.2428523  0.1563847
## INF   -0.2989235  0.2428523  1.0000000  0.4333267
## INV   -0.1709503  0.1563847  0.4333267  1.0000000

Yorum:

GSYH ile işsizlik arasında genel olarak negatif, yatırımlar ile GSYH arasında pozitif korelasyon gözlemlenmektedir. Enflasyonun büyüme ile ilişkisi ise ülkelere göre farklılaşmaktadır.

YILLARA GÖRE KORELASYON (HAREKETLİ KORELASYON)

GDP – İşsizlik (5 Yıllık Hareketli Korelasyon)

rolling_corr <- data %>%
  arrange(country, year) %>%
  group_by(country) %>%
  mutate(
    roll_corr = rollapply(
      cbind(GDP, UNEMP),
      width = 5,
      FUN = function(x) cor(x[,1], x[,2]),
      by.column = FALSE,
      fill = NA
    )
  )

ggplot(rolling_corr, aes(year, roll_corr, color = country)) +
  geom_line() +
  labs(title = "Yıllara Göre GDP-İşsizlik Korelasyonu (5 Yıllık Hareketli)",
     y = "Korelasyon Katsayısı",
     x = "Yıl")

## Yorum: Grafik, işsizlik ile büyüme arasındaki ilişkinin zaman içinde sabit olmadığını göstermektedir. Kriz dönemlerinde korelasyonun güçlendiği, bazı dönemlerde ise zayıfladığı gözlemlenmektedir.

REGRESYON MODELLERİ

Model 1 – Basit Regresyon

m1 <- lm(GDP ~ UNEMP, data=data)
summary(m1)
## 
## Call:
## lm(formula = GDP ~ UNEMP, data = data)
## 
## Residuals:
##        Min         1Q     Median         3Q        Max 
## -8.574e+12 -3.507e+12 -1.556e+12  2.706e+12  1.375e+13 
## 
## Coefficients:
##               Estimate Std. Error t value Pr(>|t|)    
## (Intercept)  1.620e+13  1.728e+12   9.379 3.84e-15 ***
## UNEMP       -1.282e+12  1.990e+11  -6.444 4.93e-09 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 5.745e+12 on 94 degrees of freedom
## Multiple R-squared:  0.3064, Adjusted R-squared:  0.299 
## F-statistic: 41.53 on 1 and 94 DF,  p-value: 4.931e-09

Model 2 – Çoklu Regresyon

m2 <- lm(GDP ~ UNEMP + INF, data=data)
summary(m2)
## 
## Call:
## lm(formula = GDP ~ UNEMP + INF, data = data)
## 
## Residuals:
##        Min         1Q     Median         3Q        Max 
## -8.593e+12 -3.758e+12 -1.523e+12  2.820e+12  1.313e+13 
## 
## Coefficients:
##               Estimate Std. Error t value Pr(>|t|)    
## (Intercept)  1.616e+13  1.701e+12   9.500 2.34e-15 ***
## UNEMP       -1.184e+12  2.019e+11  -5.864 6.85e-08 ***
## INF         -9.747e+10  4.860e+10  -2.006   0.0478 *  
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 5.655e+12 on 93 degrees of freedom
## Multiple R-squared:  0.3352, Adjusted R-squared:  0.3209 
## F-statistic: 23.44 on 2 and 93 DF,  p-value: 5.702e-09

Model 3 – Logaritmik Model

data <- data %>% mutate(logGDP = log(GDP), logINV = log(INV))

m3 <- lm(logGDP ~ logINV + INF, data=data)
summary(m3)
## 
## Call:
## lm(formula = logGDP ~ logINV + INF, data = data)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -1.6281 -0.8541 -0.2592  1.3576  2.1525 
## 
## Coefficients:
##              Estimate Std. Error t value Pr(>|t|)    
## (Intercept) 31.222566   1.778098  17.560  < 2e-16 ***
## logINV      -0.726673   0.583945  -1.244    0.216    
## INF         -0.040054   0.009658  -4.147 7.43e-05 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 1.066 on 93 degrees of freedom
## Multiple R-squared:  0.2242, Adjusted R-squared:  0.2075 
## F-statistic: 13.44 on 2 and 93 DF,  p-value: 7.475e-06

Model 4 – Genişletilmiş Model

m4 <- lm(GDP ~ UNEMP + INF + INV, data=data)
summary(m4)
## 
## Call:
## lm(formula = GDP ~ UNEMP + INF + INV, data = data)
## 
## Residuals:
##        Min         1Q     Median         3Q        Max 
## -8.580e+12 -3.710e+12 -1.446e+12  2.893e+12  1.314e+13 
## 
## Coefficients:
##               Estimate Std. Error t value Pr(>|t|)    
## (Intercept)  1.669e+13  3.194e+12   5.226 1.07e-06 ***
## UNEMP       -1.182e+12  2.033e+11  -5.812 8.81e-08 ***
## INF         -9.305e+10  5.363e+10  -1.735   0.0861 .  
## INV         -2.648e+10  1.325e+11  -0.200   0.8421    
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 5.684e+12 on 92 degrees of freedom
## Multiple R-squared:  0.3355, Adjusted R-squared:  0.3138 
## F-statistic: 15.48 on 3 and 92 DF,  p-value: 3.126e-08

Ülke Bazlı Ayrı Regresyonlar

by_country_models <- data %>%
  group_by(country) %>%
  do(model = lm(GDP ~ UNEMP + INF + INV, data = .))

by_country_models
## # A tibble: 4 × 2
## # Rowwise: 
##   country       model 
##   <chr>         <list>
## 1 Brazil        <lm>  
## 2 Germany       <lm>  
## 3 Turkiye       <lm>  
## 4 United States <lm>

GRAFİKLER

Zaman Serileri

ggplot(data, aes(year, GDP, color=country)) + geom_line()

ggplot(data, aes(year, UNEMP, color=country)) + geom_line()

ggplot(data, aes(year, INF, color=country)) + geom_line()

ggplot(data, aes(year, INV, color=country)) + geom_line()

Scatter & Regresyon

ggplot(data, aes(UNEMP, GDP, color=country)) +
  geom_point() + geom_smooth(method="lm", se=FALSE)

## Diagnostik Grafikler

par(mfrow=c(2,2))
plot(m4)

TARTIŞMA

Elde edilen korelasyon ve regresyon sonuçları, literatürle büyük ölçüde uyumludur. İşsizlik ile büyüme arasındaki negatif ilişki Okun Yasası’nı destekler niteliktedir. Ancak hareketli korelasyon analizleri, bu ilişkinin zaman içinde değişebildiğini göstermektedir.

POLİTİKA ÖNERİLERİ

İstihdam artırıcı politikalar büyüme üzerinde olumlu etki yaratabilir. Enflasyonun kontrol altında tutulması özellikle gelişmekte olan ülkelerde büyüme açısından kritik önemdedir. Yatırım teşvikleri sürdürülebilir büyümenin temel araçlarından biridir.

SONUÇ

Bu çalışma, Dünya Bankası verileri kullanılarak seçilmiş ülkelerde makroekonomik değişkenler arasındaki ilişkileri korelasyon, regresyon ve grafiksel analizlerle incelemiştir. Bulgular, ekonomik ilişkilerin hem ülkelere hem de zaman dilimlerine göre farklılaştığını ortaya koymaktadır.

KAYNAKÇA

Barro, R. J. (1995). Inflation and economic growth. NBER. Levine, R., & Renelt, D. (1992). American Economic Review. Okun, A. (1962). Potential GNP. Phillips, A. W. (1958). Economica. World Bank (2024). World Development Indicators.