Giriş

Bu çalışmada Dünya Bankası (World Development Indicators) verileri kullanılarak ekonomik büyüme ve finansal göstergeler incelenmektedir. Çalışma kapsamında dört temel değişken ele alınmıştır. Bu değişkenler, ülkelerin ekonomik performansını, finansal yapısını ve dijital altyapı düzeyini anlamaya yardımcı olmaktadır.

GSYH büyüme oranı (GDP growth, annual %), bir ülkenin ekonomik büyüme hızını göstermektedir. Bu gösterge, ülkelerin ekonomik performansını ve zaman içindeki büyüme eğilimlerini analiz etmek için kullanılmaktadır.

Reel faiz oranı (%), enflasyon etkisi çıkarıldıktan sonra faiz oranlarının gerçek değerini ifade etmektedir. Bu değişken, yatırımlar, tasarruflar ve ekonomik istikrar üzerinde önemli bir etkiye sahiptir.

Toplam borç servisi (% ihracat), bir ülkenin dış borç geri ödemelerinin ihracat gelirlerine oranını göstermektedir. Bu gösterge, ülkelerin borç sürdürülebilirliği ve dış finansman yükünü değerlendirmek için kullanılmaktadır.

Güvenli internet sunucuları (1 milyon kişi başına), ülkelerin dijital altyapı ve teknolojik gelişmişlik düzeyini yansıtmaktadır. Bu gösterge, dijitalleşme, e-ticaret ve bilgi ekonomisinin gelişimi açısından önem taşımaktadır.

Bu çalışmanın amacı, seçilen bu dört gösterge arasındaki ilişkileri incelemek ve ülkelerin ekonomik büyüme, finansal yapı ve dijital gelişmişlik düzeyleri hakkında genel bir değerlendirme yapmaktır.

NY.GDP.MKTP.KD.ZG , GDP growth (annual %)

FR.INR.RINR , Real interest rate (%)

DT.TDS.DECT.EX.ZS , Total debt service (% of exports of goods, services and primary income)

IT.NET.SECR.P6 , Secure Internet servers (per 1 million people)

library(WDI)
library(dplyr)
## 
## Attaching package: 'dplyr'
## The following objects are masked from 'package:stats':
## 
##     filter, lag
## The following objects are masked from 'package:base':
## 
##     intersect, setdiff, setequal, union
data <- WDI(indicator =c("NY.GDP.MKTP.KD.ZG", "FR.INR.RINR", "DT.TDS.DECT.EX.ZS", "IT.NET.SECR.P6"))
library(tidyverse)
## ── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
## ✔ forcats   1.0.1     ✔ readr     2.1.6
## ✔ ggplot2   4.0.1     ✔ stringr   1.6.0
## ✔ lubridate 1.9.4     ✔ tibble    3.3.0
## ✔ purrr     1.2.0     ✔ tidyr     1.3.1
## ── 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(readr)
write_csv(data, "macro_financialindicators.csv")
df <- read.csv("macro_financialindicators.csv")
years <- c(2010, 2013, 2016, 2019, 2022, 2024)
df_ulkeler_temiz <- na.omit(data)
head(df_ulkeler_temiz)
##        country iso2c iso3c year NY.GDP.MKTP.KD.ZG FR.INR.RINR DT.TDS.DECT.EX.ZS
## 51 Afghanistan    AF   AFG 2010        14.3624415   11.364094         0.3798003
## 52 Afghanistan    AF   AFG 2011         0.4263548   -1.241506         0.3235762
## 53 Afghanistan    AF   AFG 2012        12.7522871    7.174387         0.5987560
## 54 Afghanistan    AF   AFG 2013         5.6007447    9.784496         1.5832281
## 55 Afghanistan    AF   AFG 2014         2.7245434   14.351689         1.9381778
## 56 Afghanistan    AF   AFG 2015         1.4513147   12.252548         3.2996084
##    IT.NET.SECR.P6
## 51      0.4949779
## 52      0.5451874
## 53      1.2434541
## 54      1.4546511
## 55      1.7382011
## 56      2.1872936
summary(df_ulkeler_temiz)
##    country             iso2c              iso3c                year     
##  Length:1242        Length:1242        Length:1242        Min.   :2010  
##  Class :character   Class :character   Class :character   1st Qu.:2013  
##  Mode  :character   Mode  :character   Mode  :character   Median :2016  
##                                                           Mean   :2016  
##                                                           3rd Qu.:2020  
##                                                           Max.   :2024  
##  NY.GDP.MKTP.KD.ZG  FR.INR.RINR      DT.TDS.DECT.EX.ZS   IT.NET.SECR.P6     
##  Min.   :-32.909   Min.   :-80.610   Min.   :8.258e-03   Min.   :     0.00  
##  1st Qu.:  1.826   1st Qu.:  2.553   1st Qu.:5.183e+00   1st Qu.:     7.33  
##  Median :  3.843   Median :  6.084   Median :1.107e+01   Median :    50.19  
##  Mean   :  3.605   Mean   :  6.259   Mean   :1.429e+01   Mean   :  2599.67  
##  3rd Qu.:  5.854   3rd Qu.:  9.652   3rd Qu.:1.864e+01   3rd Qu.:   269.70  
##  Max.   : 63.335   Max.   : 57.626   Max.   :1.276e+02   Max.   :464560.08
table(df_ulkeler_temiz$year)
## 
## 2010 2011 2012 2013 2014 2015 2016 2017 2018 2019 2020 2021 2022 2023 2024 
##   90   88   91   93   93   94   94   93   83   83   78   76   69   66   51
df_ulkeler <- c("ALB", "DZA")
df_two <- df_ulkeler_temiz %>%
  filter(iso3c %in% c("ALB", "DZA"))
ggplot(df_two, aes(x = year, y = NY.GDP.MKTP.KD.ZG, colour = iso3c)) +
  geom_line(size = 1.2) +
  geom_point(size = 3) +
  labs(
    title = "GDP growth (annual %)" ,
    subtitle = "ALB , DZA", 
    x = "years", 
    y = "GDP growth (annual %", 
    color = "ulkeler"
  ) +
  theme_minimal()
## Warning: Using `size` aesthetic for lines was deprecated in ggplot2 3.4.0.
## ℹ Please use `linewidth` instead.
## This warning is displayed once every 8 hours.
## Call `lifecycle::last_lifecycle_warnings()` to see where this warning was
## generated.

##GRAFIK ACIKLAMASI

Grafikte Arnavutluk (ALB) ve Cezayir’in (DZA) yıllara göre GSYH büyüme oranları karşılaştırılmıştır. Her iki ülkede de büyüme oranlarının zaman içinde dalgalı bir seyir izlediği görülmektedir. Bu durum, ekonomik büyümenin iç ve dış ekonomik faktörlerden etkilendiğini göstermektedir.

Arnavutluk’un büyüme oranları bazı yıllarda daha istikrarlı bir yapı sergilerken, Cezayir’de büyüme oranlarında daha belirgin dalgalanmalar dikkat çekmektedir. Bu farklılıklar, ülkelerin ekonomik yapıları, gelir kaynakları ve dış şoklara karşı hassasiyetleri ile açıklanabilir.

Genel olarak grafik, iki ülke arasında ekonomik büyüme açısından belirli farklılıklar olduğunu ve ülkelerin zaman içinde farklı büyüme performansları sergilediğini göstermektedir.

ggplot(df_two, aes(x = year, y = FR.INR.RINR, colour = iso3c)) +
  geom_line(size = 1.2) +
  geom_point(size = 3) +
  labs(
    title = "Real interest rate (%)" ,
    subtitle = "ALB , DZA", 
    x = "years", 
    y = "Real interest rate (%)", 
    color = "ulkeler"
  ) +
  theme_minimal()

##GRAFIK ACIKLAMASI

Grafikte Arnavutluk (ALB) ve Cezayir’in (DZA) yıllara göre reel faiz oranları karşılaştırılmıştır. Her iki ülkede de reel faiz oranlarının zaman içinde dalgalı bir yapı gösterdiği görülmektedir. Bu durum, enflasyon, para politikaları ve ekonomik koşullardaki değişimlerle ilişkilendirilebilir.

Arnavutluk’ta reel faiz oranları genel olarak daha istikrarlı bir seyir izlerken, Cezayir’de bazı yıllarda ani artış ve düşüşler dikkat çekmektedir. Bu farklılıklar, ülkelerin para politikası uygulamaları ve ekonomik yapılarındaki farklılıklardan kaynaklanabilir.

Genel olarak grafik, iki ülkenin reel faiz oranları açısından zaman içinde farklı eğilimler gösterdiğini ve ekonomik koşullara farklı tepkiler verdiğini ortaya koymaktadır

ggplot(df_two, aes(x = year, y = DT.TDS.DECT.EX.ZS, colour = iso3c)) +
  geom_line(size = 1.2) +
  geom_point(size = 3) +
  labs(
    title = "Total debt service (% of exports of goods, services and primary income)" ,
    subtitle = "ALB , DZA", 
    x = "years", 
    y = "Total debt service (% of exports of goods, services and primary income)", 
    color = "ulkeler"
  ) +
  theme_minimal()

##GRAFIK ACIKLAMASI Grafikte Arnavutluk (ALB) ve Cezayir’in (DZA) toplam borç servisi oranı (ihracat, hizmetler ve birincil gelirlerin yüzdesi olarak) yıllara göre gösterilmektedir. Arnavutluk’ta borç servisi oranının zaman içinde oldukça dalgalı olduğu ve bazı yıllarda belirgin zirvelere ulaştığı görülmektedir. Bu durum, borç geri ödeme yükünün belirli dönemlerde arttığını göstermektedir.

Buna karşılık Cezayir’de borç servisi oranı düşük seviyelerde seyretmekte ve yıllar boyunca daha istikrarlı bir yapı göstermektedir. Bu, Cezayir’in dış borç geri ödeme baskısının Arnavutluk’a kıyasla daha sınırlı olduğunu göstermektedir.

Genel olarak grafik, Arnavutluk’un dış borç servis yükünün daha yüksek ve değişken olduğunu, Cezayir’in ise daha dengeli bir borç yapısına sahip olduğunu ortaya koymaktadır.

ggplot(df_two, aes(x = year, y = IT.NET.SECR.P6, colour = iso3c)) +
  geom_line(size = 1.2) +
  geom_point(size = 3) +
  labs(
    title = "Secure Internet servers (per 1 million people)" ,
    subtitle = "ALB , DZA", 
    x = "years", 
    y = "Secure Internet servers (per 1 million people)", 
    color = "ulkeler"
  ) +
  theme_minimal()

##GRAFIK ACIKLAMASI

Grafik, 1 milyon kişi başına düşen güvenli internet sunucusu sayısının yıllar içinde değişimini gösteriyor.

ALB (Arnavutluk) için belirgin ve istikrarlı bir artış trendi var. Özellikle son yıllarda artış hızı yükselmiş; bu da dijital altyapı ve e-ticaret/fintech gibi alanlarda gelişmeye işaret ediyor.

DZA (Cezayir) ise ya çok düşük seviyede kalmış ya da grafikte ALB’ye kıyasla belirgin şekilde geride görünüyor.

İki ülke arasındaki fark zamanla açılıyor, bu da dijitalleşme ve güvenli internet altyapısında ALB’nin daha hızlı ilerlediğini gösteriyor

model_2010 <- lm(
  NY.GDP.MKTP.KD.ZG ~ FR.INR.RINR + DT.TDS.DECT.EX.ZS + IT.NET.SECR.P6,
  data = df_ulkeler_temiz %>% filter(year == 2010))

summary(model_2010)
## 
## Call:
## lm(formula = NY.GDP.MKTP.KD.ZG ~ FR.INR.RINR + DT.TDS.DECT.EX.ZS + 
##     IT.NET.SECR.P6, data = df_ulkeler_temiz %>% filter(year == 
##     2010))
## 
## Residuals:
##      Min       1Q   Median       3Q      Max 
## -11.0560  -2.0215  -0.1831   2.0113   8.4140 
## 
## Coefficients:
##                   Estimate Std. Error t value Pr(>|t|)    
## (Intercept)        6.37756    0.56954  11.198   <2e-16 ***
## FR.INR.RINR       -0.03452    0.04248  -0.813   0.4186    
## DT.TDS.DECT.EX.ZS -0.05083    0.03945  -1.288   0.2010    
## IT.NET.SECR.P6    -0.03532    0.01356  -2.605   0.0108 *  
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 3.31 on 86 degrees of freedom
## Multiple R-squared:  0.1134, Adjusted R-squared:  0.08248 
## F-statistic: 3.667 on 3 and 86 DF,  p-value: 0.01538
model_2013 <- lm(
  NY.GDP.MKTP.KD.ZG ~ FR.INR.RINR + DT.TDS.DECT.EX.ZS + IT.NET.SECR.P6,
  data = df_ulkeler_temiz %>% filter(year == 2013))

summary(model_2013)
## 
## Call:
## lm(formula = NY.GDP.MKTP.KD.ZG ~ FR.INR.RINR + DT.TDS.DECT.EX.ZS + 
##     IT.NET.SECR.P6, data = df_ulkeler_temiz %>% filter(year == 
##     2013))
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -6.1505 -1.8755 -0.1555  1.4174  9.3170 
## 
## Coefficients:
##                    Estimate Std. Error t value Pr(>|t|)    
## (Intercept)        4.266819   0.534991   7.975 4.88e-12 ***
## FR.INR.RINR        0.083717   0.040263   2.079   0.0405 *  
## DT.TDS.DECT.EX.ZS -0.027414   0.028709  -0.955   0.3422    
## IT.NET.SECR.P6    -0.004810   0.002629  -1.830   0.0706 .  
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 2.883 on 89 degrees of freedom
## Multiple R-squared:  0.09072,    Adjusted R-squared:  0.06007 
## F-statistic:  2.96 on 3 and 89 DF,  p-value: 0.03655
model_2016 <- lm(
  NY.GDP.MKTP.KD.ZG ~ FR.INR.RINR + DT.TDS.DECT.EX.ZS + IT.NET.SECR.P6,
  data = df_ulkeler_temiz %>% filter(year == 2016))

summary(model_2016)
## 
## Call:
## lm(formula = NY.GDP.MKTP.KD.ZG ~ FR.INR.RINR + DT.TDS.DECT.EX.ZS + 
##     IT.NET.SECR.P6, data = df_ulkeler_temiz %>% filter(year == 
##     2016))
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -7.1646 -1.6230  0.0465  1.7977  8.3374 
## 
## Coefficients:
##                     Estimate Std. Error t value Pr(>|t|)    
## (Intercept)        4.8179194  0.5318923   9.058 2.61e-14 ***
## FR.INR.RINR        0.0321477  0.0354859   0.906  0.36739    
## DT.TDS.DECT.EX.ZS -0.0744210  0.0224385  -3.317  0.00132 ** 
## IT.NET.SECR.P6    -0.0006457  0.0003871  -1.668  0.09879 .  
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 2.773 on 90 degrees of freedom
## Multiple R-squared:  0.1489, Adjusted R-squared:  0.1206 
## F-statistic: 5.249 on 3 and 90 DF,  p-value: 0.002201
model_2019 <- lm(
  NY.GDP.MKTP.KD.ZG ~ FR.INR.RINR + DT.TDS.DECT.EX.ZS + IT.NET.SECR.P6,
  data = df_ulkeler_temiz %>% filter(year == 2019))

summary(model_2019)
## 
## Call:
## lm(formula = NY.GDP.MKTP.KD.ZG ~ FR.INR.RINR + DT.TDS.DECT.EX.ZS + 
##     IT.NET.SECR.P6, data = df_ulkeler_temiz %>% filter(year == 
##     2019))
## 
## Residuals:
##    Min     1Q Median     3Q    Max 
## -8.013 -2.238  0.208  1.793 20.000 
## 
## Coefficients:
##                     Estimate Std. Error t value Pr(>|t|)    
## (Intercept)        3.297e+00  6.201e-01   5.316 9.57e-07 ***
## FR.INR.RINR        9.604e-02  3.379e-02   2.842   0.0057 ** 
## DT.TDS.DECT.EX.ZS -3.477e-02  2.038e-02  -1.706   0.0919 .  
## IT.NET.SECR.P6     2.000e-06  5.887e-05   0.034   0.9730    
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 3.639 on 79 degrees of freedom
## Multiple R-squared:  0.1248, Adjusted R-squared:  0.09157 
## F-statistic: 3.755 on 3 and 79 DF,  p-value: 0.01412
model_2022 <- lm(
  NY.GDP.MKTP.KD.ZG ~ FR.INR.RINR + DT.TDS.DECT.EX.ZS + IT.NET.SECR.P6,
  data = df_ulkeler_temiz %>% filter(year == 2022))

summary(model_2022)
## 
## Call:
## lm(formula = NY.GDP.MKTP.KD.ZG ~ FR.INR.RINR + DT.TDS.DECT.EX.ZS + 
##     IT.NET.SECR.P6, data = df_ulkeler_temiz %>% filter(year == 
##     2022))
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -32.826  -2.804  -0.407   2.097  57.731 
## 
## Coefficients:
##                     Estimate Std. Error t value Pr(>|t|)   
## (Intercept)        5.981e+00  2.145e+00   2.788  0.00694 **
## FR.INR.RINR        9.179e-02  1.301e-01   0.705  0.48306   
## DT.TDS.DECT.EX.ZS -6.499e-02  1.247e-01  -0.521  0.60412   
## IT.NET.SECR.P6     7.581e-06  2.875e-05   0.264  0.79284   
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 9.936 on 65 degrees of freedom
## Multiple R-squared:  0.01104,    Adjusted R-squared:  -0.0346 
## F-statistic: 0.2419 on 3 and 65 DF,  p-value: 0.8668
model_2024 <- lm(
  NY.GDP.MKTP.KD.ZG ~ FR.INR.RINR + DT.TDS.DECT.EX.ZS + IT.NET.SECR.P6,
  data = df_ulkeler_temiz %>% filter(year == 2024))

summary(model_2024)
## 
## Call:
## lm(formula = NY.GDP.MKTP.KD.ZG ~ FR.INR.RINR + DT.TDS.DECT.EX.ZS + 
##     IT.NET.SECR.P6, data = df_ulkeler_temiz %>% filter(year == 
##     2024))
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -14.449  -1.442  -0.654   0.400  38.741 
## 
## Coefficients:
##                     Estimate Std. Error t value Pr(>|t|)   
## (Intercept)        4.901e+00  1.756e+00   2.792  0.00755 **
## FR.INR.RINR        5.457e-02  9.626e-02   0.567  0.57347   
## DT.TDS.DECT.EX.ZS -6.950e-02  7.978e-02  -0.871  0.38815   
## IT.NET.SECR.P6    -3.534e-06  1.408e-05  -0.251  0.80294   
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 6.492 on 47 degrees of freedom
## Multiple R-squared:  0.02829,    Adjusted R-squared:  -0.03374 
## F-statistic: 0.4561 on 3 and 47 DF,  p-value: 0.7142

##Gayri Safi Yurt İçi Hasıla Büyüme Oranı (NY.GDP.MKTP.KD.ZG):

Regresyon analizi, gayri safi yurt içi hasıla büyümesi üzerinde etkili olan çeşitli değişkenleri incelemek için kullanılabilir. Örneğin, faiz oranları, kamu harcamaları veya özel sektör yatırımları gibi faktörlerin, ekonomik büyüme üzerindeki etkisini inceleyebilirsiniz. Genellikle, yatırım ile büyüme arasında pozitif bir ilişki beklenir; çünkü sermaye yatırımları verimliliği arttırır.

##Gerçek Faiz Oranı (FR.INR.RINR):

Gerçek faiz oranının yatırım ve tüketim kararları üzerinde doğrudan bir etkisi olabilir. Regresyon analizinde, faiz oranlarındaki değişimlerin ekonomik büyüme veya kamu ve özel yatırımlar üzerindeki etkisini inceleyebilirsiniz. Genelde, gerçek faiz oranlarındaki artış, tüketim ve yatırımı azaltarak büyüme üzerinde olumsuz bir etki yaratabilir.

##Borç Servis Oranı (DT.TDS.DECT.EX.ZS):

Borç servis oranı ile ekonomik büyüme arasında genellikle negatif bir ilişki gözlemlenebilir. Yani, ihracatın borç miktarına oranı arttıkça, devletin kalkınma projelerine yatırım yapma kapasitesi azalabilir, bu da büyümenin yavaşlamasına neden olabilir. Borç yükünün hükümet bütçeleri üzerindeki etkisini incelemek önemlidir.

##Güvenli İnternet Sunucuları (IT.NET.SECR.P6):

Dijital ekonomi bağlamında, güvenli sunucu sayısı ile ekonomik büyüme arasında bir ilişki olabilir. Buradaki regresyon analizi, siber güvenliğin yatırımları çekmede ne kadar önemli olduğunu vurgulayabilir. Güvenli sunucuların artması, hem tüketicilerin hem de şirketlerin güvenini artırarak teknoloji sektöründeki yatırımları artırabilir.

##Sonuç:

Regresyon analizi, bu göstergeler arasındaki dinamik ilişkileri anlamada güçlü bir araçtır. Modelin temel varsayımlarını, örneğin doğrusal değişim ve bağımsızlık gibi, kontrol etmek önemlidir. Ayrıca, varyans analizi (ANOVA) ve dışsal faktörlerin etkisinin incelenmesi gibi daha ileri analizler yapılması gerektiği de göz önünde bulundurulmalıdır. Verilerin mevcut olduğu her durumda, bu analizler ekonominin yönü ve gelecekteki eğilimleri hakkında daha net bir resim sunabilir. Daha fazla detay veya bu konulardan herhangi biri üzerine derinlemesine bir analiz isterseniz, lütfen bana bildirin