1 Özet

Araştırmanın Temel Sorusu: Ticaret hacmi ve dışa açıklık ülkelerin ekonomik refahını nasıl etkiliyor?

Bu çalışma, uluslararası ticaretin ekonomik refah üzerindeki etkisini ampirik olarak incelemektedir. Dünya Bankası Dünya Kalkınma Göstergeleri (WDI) veri tabanından elde edilen 2000-2023 dönemi verileri kullanılarak, ticaret hacmi ile kişi başına gelir arasındaki ilişki kesitsel OLS (En Küçük Kareler) regresyonları aracılığıyla analiz edilmiştir.

Analizde dört temel gösterge kullanılmıştır: kişi başına GSYH (bağımlı değişken), ticaret hacmi (ana bağımsız değişken), brüt sermaye oluşumu ve ihracat oranı (kontrol değişkenleri). Her yıl için ayrı kesitsel analizler gerçekleştirilmiş ve toplamda 12 regresyon modeli tahmin edilmiştir.

Bulgular, ticaret hacminin kişi başına gelir üzerinde genel olarak pozitif bir etkiye sahip olduğunu göstermektedir. Ancak bu ilişkinin gücü ve istatistiksel anlamlılığı yıllar arasında önemli farklılıklar göstermektedir. Kontrol değişkenlerinin modele eklenmesi, açıklayıcı gücü önemli ölçüde artırmakta ve ticaret katsayısında değişikliklere neden olmaktadır.

2 Giriş

💭 Düşünelim: Singapur ve İrlanda gibi küçük, doğal kaynak açısından fakir ülkeler nasıl oldu da dünyanın en zengin ekonomileri arasına girdi? Venezuela gibi petrol zengini bir ülke neden ekonomik krizle boğuşuyor?

2.1 Ticaret ve Refah: Tarihsel Bir Bağlantı

İktisat biliminin en eski ve en temel sorularından biri, bazı ülkelerin neden diğerlerinden daha zengin olduğudur. Bu soruya verilen cevaplar arasında uluslararası ticaret her zaman özel bir yere sahip olmuştur.

David Ricardo’nun 1817’de ortaya koyduğu karşılaştırmalı üstünlükler teorisi, ticaretin neden karşılıklı yarar sağladığını açıklamıştır. Teoriye göre, her ülke göreli olarak daha verimli olduğu malları üreterek ve bunları diğer mallarla takas ederek kazanç sağlar. Bu basit fikir, modern küreselleşmenin teorik temelini oluşturmaktadır.

20. yüzyılın ikinci yarısında, özellikle Doğu Asya’nın “mucizevi” büyümesi, ticaret odaklı kalkınma stratejilerinin başarısını gözler önüne sermiştir. Güney Kore, Tayvan, Singapur ve Hong Kong, ithal ikameci politikalardan ihracata dayalı büyüme modellerine geçerek, kısa sürede gelişmekte olan ülkelerden gelişmiş ülkeler kategorisine yükselmiştir.

Ancak, ticaretin her zaman ve her yerde ekonomik büyümeyi garanti etmediği de açıktır. Birçok Afrika ülkesi, yüksek ticaret hacimlerine rağmen düşük gelir seviyelerinde kalmaya devam etmektedir. Bu durum, ticaret-refah ilişkisinin doğrusal ve basit olmadığını, diğer faktörlerle etkileşim halinde olduğunu göstermektedir.

2.2 Araştırma Sorusu ve Hipotez

Bu çalışma, aşağıdaki temel soruya cevap aramaktadır:

Ana Araştırma Sorusu: Ticaret hacmi (mal ve hizmet ticareti toplamının GSYH’ye oranı) ile kişi başına gelir arasında pozitif bir ilişki var mıdır? Bu ilişki yatırım ve ihracat oranları kontrol edildiğinde nasıl değişmektedir?

Hipotez: Ticaret hacmi ile kişi başına gelir arasında pozitif ve istatistiksel olarak anlamlı bir ilişki vardır. Ancak bu ilişki, ülkelerin yatırım kapasitesi ve ihracat stratejileri gibi diğer faktörlerden etkilenmektedir.

2.3 Çalışmanın Önemi

Bu analiz üç açıdan önemlidir:

  1. Politik Açıdan: Korumacılık-serbest ticaret tartışmasının güncelliği göz önüne alındığında, ticaretin ekonomik refah üzerindeki ampirik etkisini anlamak politika yapıcılar için kritiktir.

  2. Metodolojik Açıdan: Kesitsel analiz yaklaşımı, farklı zaman dilimlerinde ticaret-refah ilişkisinin nasıl değiştiğini göstermemize olanak tanımaktadır.

  3. Eğitsel Açıdan: Bu çalışma, ekonometrik analizin sadece sayıları değil, bu sayıların arkasındaki ekonomik hikayeleri anlamak için nasıl kullanılabileceğini göstermektedir.

3 Literatür Taraması

Ticaret ve ekonomik büyüme arasındaki ilişki, ampirik iktisat literatürünün en çok araştırılan konularından biridir. Bu bölümde, çalışmamızın teorik ve metodolojik temelini oluşturan başlıca araştırmaları gözden geçireceğiz.

3.1 Teorik Temel: Neden Ticaret Refah Artırır?

Klasik ticaret teorisi, karşılaştırmalı üstünlükler (Ricardo, 1817) ve ölçek ekonomileri (Krugman, 1979) üzerinden ticaretin refah artırıcı etkisini açıklar. Modern büyüme teorisi ise, ticaretin şu kanallar üzerinden ekonomik büyümeyi etkilediğini öne sürmektedir:

  • Teknoloji yayılımı: Ticaret, gelişmiş teknolojilere erişimi kolaylaştırır
  • Rekabet etkisi: Uluslararası rekabet, yerli firmaları daha verimli olmaya zorlar
  • Ölçek ekonomileri: Daha geniş pazarlara erişim, üretim maliyetlerini düşürür
  • Kaynak tahsisi: Kaynaklar, göreli olarak daha verimli oldukları sektörlere kayar

3.2 Ampirik Bulgular: Karmaşık Bir Tablo

3.2.1 Pozitif Bulgular

Frankel ve Romer (1999), coğrafi değişkenleri enstrüman olarak kullanarak ticaretin ekonomik büyüme üzerindeki nedensel etkisini tahmin etmiştir. Çalışma, ticaret hacmindeki %1’lik artışın kişi başına geliri %0.5-2.0 oranında artırdığını bulmuştur.

Dollar ve Kraay (2003), 1980-2000 dönemini kapsayan çalışmalarında, ticaret liberalizasyonu yapan gelişmekte olan ülkelerin, yapmayan ülkelere göre daha hızlı büyüdüğünü göstermiştir. “Küreselleşen” gelişmekte olan ülkelerde yıllık büyüme hızı %5 iken, diğerlerinde %1.4 olarak gerçekleşmiştir.

Alcalá ve Ciccone (2004), gerçek dışa açıklık ölçüsü kullanarak, ticaret ve gelir arasında güçlü bir pozitif ilişki bulmuştur. Ancak bu ilişkinin büyük ölçüde, dışa açıklığın kurumsal kalite ve coğrafya gibi faktörlerle korelasyonundan kaynaklandığını öne sürmüşlerdir.

3.2.2 Eleştirel Perspektifler

Rodriguez ve Rodrik (2000), ticaret-büyüme literatürünü kapsamlı bir şekilde eleştirmiştir. Yazarlar, birçok çalışmada kullanılan ticaret politikası ölçütlerinin sorunlu olduğunu ve ticaretin büyüme üzerindeki etkisinin abartıldığını savunmuştur.

Rodrik, Subramanian ve Trebbi (2004), kurumsal kalitenin, ticaret ve coğrafyadan daha önemli bir büyüme belirleyicisi olduğunu bulmuştur. Bu, ticaretin tek başına yeterli olmadığını, kurumsal altyapının kritik olduğunu göstermektedir.

3.3 Metodolojik Zorluklar

Ticaret-refah ilişkisini tahmin etmek metodolojik olarak zorludur:

  1. Ters nedensellik: Zengin ülkeler mi daha çok ticaret yapıyor, yoksa ticaret mi ülkeleri zenginleştiriyor?
  2. Atlanmış değişken yanlılığı: Hem ticareti hem de geliri etkileyen gözlemlenemeyen faktörler (kurumlar, coğrafya, tarih)
  3. Ölçüm hataları: Ticaret verilerinde kayıt dışı ekonomi ve veri kalitesi sorunları

Bu çalışma, kesitsel OLS yaklaşımı kullanarak ticaret-refah ilişkisinin farklı zaman noktalarında nasıl göründüğünü araştırmaktadır. Nedensellik iddiasında bulunmamakla birlikte, korelasyon desenlerini ve bu desenlerin zamana göre değişimini sistematik bir şekilde belgelemektedir.

4 Veri

4.1 Veri Kaynağı ve Gösterge Seçimi

Veri Kaynağı: Dünya Bankası Dünya Kalkınma Göstergeleri (World Development Indicators - WDI)

Bu veri tabanı, 200’den fazla ülke ve bölge için 1960’lardan günümüze kadar geniş bir yelpazede ekonomik, sosyal ve çevresel göstergeler sunmaktadır.

Bu çalışma için seçilen dört gösterge ve bunların teorik gerekçeleri aşağıdaki tabloda özetlenmiştir:

Gösterge Kodu Tanım Rol Teorik Gerekçe
NY.GDP.PCAP.KD Kişi başına GSYH (sabit 2015 USD) Bağımlı Değişken (Y) Ekonomik refahın en yaygın kullanılan ölçüsü
NE.TRD.GNFS.ZS Ticaret hacmi (% GSYH) Ana Bağımsız Değişken (X) Küresel ekonomik entegrasyon derecesini yansıtır
NE.GDI.FTOT.ZS Brüt sermaye oluşumu (% GSYH) Kontrol Değişkeni (Z) Yatırım kapasitesi ve sermaye birikimini temsil eder
NE.EXP.GNFS.ZS İhracat (% GSYH) Kontrol Değişkeni (F) Dışa açıklık stratejisi ve rekabet gücünü gösterir

4.1.1 Değişken Seçim Mantığı

Ticaret Hacmi (X): İhracat ve ithalatın toplamının GSYH’ye oranı. Bu gösterge, bir ülkenin küresel ekonomiye ne kadar entegre olduğunu gösterir. Teorik olarak, yüksek ticaret hacmi, ölçek ekonomilerine erişim, teknoloji transferi ve rekabet artışı yoluyla refah artışı sağlamalıdır.

Brüt Sermaye Oluşumu (Z): Ekonomik büyümenin temel itici güçlerinden biridir. Solow büyüme modeli, sermaye birikiminin büyümenin ana kaynağı olduğunu öne sürer. Bu değişkeni kontrol etmek, ticaretin etkisini sermaye yatırımından bağımsız olarak görmemizi sağlar.

İhracat (F): Sadece toplam ticaret değil, ihracatın ayrı bir rolü olabilir. İhracat odaklı büyüme stratejisi, özellikle Doğu Asya deneyiminde merkezi bir rol oynamıştır. İhracatı kontrol etmek, ticaretin ithalat bileşeninin etkisini de görmemizi sağlar.

4.2 Veri İndirme ve Hazırlık

Bu bölümde, proje için gerekli verileri Dünya Bankası’ndan indiriyor ve ham veri setinin ilk 10 gözlemine bakıyoruz. Bu adım, verilerin doğru yüklendiğini kontrol etmek ve değişkenlerin genel yapısını anlamak için kritiktir.

# Gerekli paketleri yükleme
library(WDI)          # Dünya Bankası verilerine erişim
library(tidyverse)    # Veri manipülasyonu ve görselleştirme
library(kableExtra)   # Tablo formatlama
library(broom)        # Regresyon sonuçlarını düzenleme
library(patchwork)    # Grafikleri birleştirme

# Seçilen göstergeler
selected_indicators <- c(
  "NY.GDP.PCAP.KD",   # Kişi başına GSYH
  "NE.TRD.GNFS.ZS",   # Ticaret hacmi
  "NE.GDI.FTOT.ZS",   # Brüt sermaye oluşumu
  "NE.EXP.GNFS.ZS"    # İhracat
)

# WDI'dan veri çekme
wdi_raw <- WDI(
  country = "all",
  indicator = selected_indicators,
  start = 2000,
  end = 2023,
  extra = TRUE  # Bölge ve gelir grubu bilgilerini dahil et
)

# İlk birkaç gözleme bakalım
head(wdi_raw, 10) %>%
  select(country, year, NY.GDP.PCAP.KD, NE.TRD.GNFS.ZS) %>%
  kable(
    caption = "Ham Veri Seti - İlk 10 Gözlem",
    col.names = c("Ülke", "Yıl", "Kişi Başına GSYH", "Ticaret Hacmi"),
    digits = 2
  ) %>%
  kable_styling(bootstrap_options = c("striped", "hover"))
Ham Veri Seti - İlk 10 Gözlem
Ülke Yıl Kişi Başına GSYH Ticaret Hacmi
Afghanistan 2023 378.07 67.58
Afghanistan 2004 338.64 NA
Afghanistan 2009 488.83 NA
Afghanistan 2019 557.86 NA
Afghanistan 2010 542.87 NA
Afghanistan 2022 377.67 72.89
Afghanistan 2012 568.93 NA
Afghanistan 2000 308.32 NA
Afghanistan 2011 525.43 NA
Afghanistan 2002 338.14 NA

💭 Gözlem: Veri setinde sadece ülkeler değil, bölgesel toplamlar (örneğin “Arab World”, “East Asia & Pacific”) da var. Bunları temizlememiz gerekiyor. Neden?

4.3 Veri Temizleme

# Adım 1: Sadece gerçek ülkeleri filtrele
wdi_countries <- wdi_raw %>%
  filter(region != "Aggregates" & !is.na(region))

cat("Temizlik öncesi:", nrow(wdi_raw), "gözlem\n")
## Temizlik öncesi: 6384 gözlem
cat("Bölge toplamları çıkarıldıktan sonra:", nrow(wdi_countries), "gözlem\n\n")
## Bölge toplamları çıkarıldıktan sonra: 5160 gözlem
# Adım 2: Eksik değerleri temizle
wdi_clean <- wdi_countries %>%
  filter(
    !is.na(NY.GDP.PCAP.KD) &
    !is.na(NE.TRD.GNFS.ZS) &
    !is.na(NE.GDI.FTOT.ZS) &
    !is.na(NE.EXP.GNFS.ZS)
  )

cat("Eksik değerler temizlendikten sonra:", nrow(wdi_clean), "gözlem\n")
## Eksik değerler temizlendikten sonra: 3868 gözlem
cat("Bu, ortalama", round(nrow(wdi_clean) / 24), "ülkenin 24 yıllık verisine denk geliyor.\n")
## Bu, ortalama 161 ülkenin 24 yıllık verisine denk geliyor.

📊 Veri Kalitesi Notu:

Veri temizleme sonrası yaklaşık 161 ülke için eksiksiz veri elde ettik. Bu, özellikle az gelişmiş ülkelerde veri toplama kapasitesinin sınırlı olduğunu gösteriyor. Bu durum, analizimizde potansiyel bir örneklem seçim yanlılığı yaratabilir.

5 Temizlik İşleminin Önemi

Bu temizleme işlemi önyargıyı azaltmak için kritiktir:

  • Örneklem Tutarlılığı: Analiz boyunca aynı ülkeleri karşılaştırabiliriz

  • Regresyon Geçerliliği: Eksik değerler OLS varsayımlarını ihlal eder

  • Karşılaştırılabilirlik: Tüm ülkeler tüm değişkenler için veriye sahiptir

  • Politika Analizi: Sadece gerçek ülkeler politika önerileri için uygundur

  • Önemli Uyarı: Bu temizleme önyargılı bir örneklem yaratabilir çünkü:

  • Gelişmekte olan ülkeler daha fazla eksik veriye sahip olma eğilimindedir

  • Çatışma bölgeleri ve küçük ada devletleri genellikle eksik veriye sahiptir

5.1 Yıl Bazlı Alt Veri Setleri

Kesitsel analiz yaklaşımımız gereği, her yılı ayrı bir veri seti olarak ele alıyoruz:

# Analiz yılları
analysis_years <- c(2000, 2005, 2010, 2015, 2020, 2023)

# Her yıl için ayrı veri seti oluştur
df_2000 <- wdi_clean %>% filter(year == 2000)
df_2005 <- wdi_clean %>% filter(year == 2005)
df_2010 <- wdi_clean %>% filter(year == 2010)
df_2015 <- wdi_clean %>% filter(year == 2015)
df_2020 <- wdi_clean %>% filter(year == 2020)
df_2023 <- wdi_clean %>% filter(year == 2023)

# Özet tablo: Her yılda kaç ülke var?
year_summary <- tibble(
  Yıl = analysis_years,
  `Ülke Sayısı` = c(nrow(df_2000), nrow(df_2005), nrow(df_2010),
                     nrow(df_2015), nrow(df_2020), nrow(df_2023))
)

year_summary %>%
  kable(caption = "Yıllara Göre Ülke Sayısı") %>%
  kable_styling(bootstrap_options = c("striped", "hover"), full_width = FALSE)
Yıllara Göre Ülke Sayısı
Yıl Ülke Sayısı
2000 150
2005 157
2010 164
2015 169
2020 165
2023 161

💭 Düşünelim: Neden 2023’te daha az ülke var? Bu, analizimizi nasıl etkiler?

Cevap: Dünya Bankası verileri geriye dönük olarak güncellenir. 2023 yılı için birçok ülke henüz verilerini raporlamamıştır. Bu, 2023 sonuçlarını yorumlarken dikkatli olmamız gerektiği anlamına gelir.

5.2 Tanımlayıcı İstatistikler

# Tüm yıllar için genel istatistikler
desc_stats <- wdi_clean %>%
  select(NY.GDP.PCAP.KD, NE.TRD.GNFS.ZS, NE.GDI.FTOT.ZS, NE.EXP.GNFS.ZS) %>%
  pivot_longer(everything(), names_to = "Değişken", values_to = "Değer") %>%
  group_by(Değişken) %>%
  summarise(
    Ortalama = mean(Değer, na.rm = TRUE),
    `Std. Sapma` = sd(Değer, na.rm = TRUE),
    Minimum = min(Değer, na.rm = TRUE),
    Maksimum = max(Değer, na.rm = TRUE),
    Medyan = median(Değer, na.rm = TRUE)
  ) %>%
  mutate(Değişken = case_when(
    Değişken == "NY.GDP.PCAP.KD" ~ "Kişi Başına GSYH (USD)",
    Değişken == "NE.TRD.GNFS.ZS" ~ "Ticaret Hacmi (% GSYH)",
    Değişken == "NE.GDI.FTOT.ZS" ~ "Brüt Sermaye Oluşumu (% GSYH)",
    Değişken == "NE.EXP.GNFS.ZS" ~ "İhracat (% GSYH)"
  ))

desc_stats %>%
  kable(
    caption = "Tanımlayıcı İstatistikler - Tüm Yıllar (2000-2023)",
    digits = 2
  ) %>%
  kable_styling(bootstrap_options = c("striped", "hover"))
Tanımlayıcı İstatistikler - Tüm Yıllar (2000-2023)
Değişken Ortalama Std. Sapma Minimum Maksimum Medyan
İhracat (% GSYH) 41.42 30.46 1.11 228.99 34.49
Brüt Sermaye Oluşumu (% GSYH) 22.98 7.67 1.10 78.00 22.19
Ticaret Hacmi (% GSYH) 87.69 55.25 2.47 442.62 75.37
Kişi Başına GSYH (USD) 13921.45 19398.83 321.55 118382.91 5061.00

📊 İstatistiklerin Hikayesi:

  1. Gelir Eşitsizliği: Kişi başına GSYH’nin standart sapması ($19,399) ortalamasından ($13,921) daha büyük, bu da ülkeler arasında çok büyük farklılıklar olduğunu gösteriyor. En zengin ülke ($118,383), en fakir ülkeden ($322) yaklaşık 368 kat daha zengin! Medyan değerin ($5,061) ortalamadan çok daha düşük olması, gelir dağılımının sağa çarpık olduğunu ve birkaç çok zengin ülkenin ortalamayı yukarı çektiğini gösteriyor.

  2. Ticaret Çeşitliliği: Bazı ülkeler (örn. Singapur, Lüksemburg) GSYH’lerinin %442’sine kadar ticaret yapıyor (yeniden ihracat nedeniyle). Diğerleri ise sadece %2.5 civarında kalıyor. Ortalama %87.7 olan ticaret hacminin medyanı %75.4’tür, bu da dağılımın sağa çarpık olduğunu ve birkaç çok açık ekonominin ortalamayı yukarı çektiğini gösteriyor.

  3. Yatırım Oranları: Brüt sermaye oluşumu ortalama GSYH’nin %23’ü, ancak bu oran %1 ile %78 arasında değişiyor. %33’lük değişkenlik katsayısı, yatırım oranlarının nispeten daha az değişken olduğunu gösteriyor.

  4. İhracat Yapısı: İhracatın GSYH’ye oranı ortalama %41.4, ancak %1.1’den %229’a kadar değişiyor. Bu geniş aralık, bazı ülkelerin (özellikle finans merkezleri ve yeniden ihracatçılar) neredeyse GSYH’lerinin 2.3 katı kadar ihracat yaptığını gösteriyor.

5.3 Değişkenler Arası Korelasyon

# Korelasyon matrisi
cor_matrix <- wdi_clean %>%
  select(NY.GDP.PCAP.KD, NE.TRD.GNFS.ZS, NE.GDI.FTOT.ZS, NE.EXP.GNFS.ZS) %>%
  cor(use = "complete.obs")

# Isı haritası
library(reshape2)
cor_melted <- melt(cor_matrix)

ggplot(cor_melted, aes(Var1, Var2, fill = value)) +
  geom_tile(color = "white") +
  geom_text(aes(label = round(value, 2)), color = "black", size = 4) +
  scale_fill_gradient2(
    low = "#e74c3c", mid = "white", high = "#27ae60",
    midpoint = 0, limits = c(-1, 1)
  ) +
  labs(
    title = "Değişkenler Arası Korelasyon Matrisi",
    x = "", y = "", fill = "Korelasyon"
  ) +
  theme_minimal() +
  theme(
    axis.text.x = element_text(angle = 45, hjust = 1),
    plot.title = element_text(hjust = 0.5, face = "bold")
  ) +
  scale_x_discrete(labels = c("GSYH pc", "Ticaret", "Yatırım", "İhracat")) +
  scale_y_discrete(labels = c("GSYH pc", "Ticaret", "Yatırım", "İhracat"))

🔍 Korelasyon Bulguları:

  1. Ticaret-İhracat Yüksek Korelasyonu (0.96): Ticaret hacmi ile ihracat arasında neredeyse mükemmel bir korelasyon var. Bu, bu iki değişkenin aynı regresyon modelinde kullanılmasının çoklu bağlantı sorununa yol açacağı anlamına geliyor.

  2. Ticaret-Gelir Orta Korelasyonu (0.36): Ticaret hacmi ile kişi başına gelir arasında pozitif ama zayıf bir ilişki var. Bu, ticaretin tek başına geliri tam açıklayamayacağını gösteriyor.

  3. İhracat-Gelir Daha Güçlü Korelasyon (0.45): İhracat, ticaretten daha güçlü bir gelir belirleyicisi. Bu bulgu, ihracata dayalı büyüme stratejilerinin teorik temelini destekliyor.

  4. Yatırım-Gelir İlişkisizliği (-0.03): Şaşırtıcı şekilde, yatırım oranı ile gelir seviyesi arasında pratikte hiç ilişki yok. Bu, yatırımın kalitesinin miktarından daha önemli olabileceğini düşündürüyor.

6 Metodoloji

6.1 Neden Kesitsel Analiz?

Metodolojik Tercih: Bu çalışma, her yılı bağımsız bir kesit olarak ele alarak, ticaret-refah ilişkisinin farklı zaman noktalarında nasıl göründüğünü araştırmaktadır.

Kesitsel analiz yaklaşımının avantaj ve dezavantajları:

Avantajlar: - Her yıl için ayrı ilişki tahmini, zamanla değişimi gösterir - Basit ve yorumlanması kolay - OLS varsayımları daha az kısıtlayıcı

Dezavantajlar: - Ülke-spesifik sabit etkileri kontrol edemez - Zaman boyutunu tam kullanamaz - Nedensellik çıkarımı zayıf

6.2 Model Spesifikasyonları

6.2.1 Basit Model

İlk olarak, ticaret hacmi ile kişi başına gelir arasındaki tek değişkenli ilişkiye bakıyoruz:

\[ \text{GSYH}_{pc,i} = \beta_0 + \beta_1 \cdot \text{Ticaret}_i + u_i \]

Burada: - \(\text{GSYH}_{pc,i}\): i ülkesinin kişi başına GSYH’si - \(\text{Ticaret}_i\): i ülkesinin ticaret hacmi (% GSYH) - \(\beta_1\): Ticaretin marjinal etkisi - \(u_i\): Hata terimi

Yorumlama: \(\beta_1\) katsayısı, ticaret hacmindeki 1 puanlık artışın kişi başına GSYH’yi kaç USD artırdığını gösterir.

6.2.2 Genişletilmiş Model

İkinci olarak, kontrol değişkenleri ekleyerek daha kapsamlı bir model tahmin ediyoruz:

$ _{pc,i} = _0 + _1 _i + _2 _i + _3 _i + u_i $

Yorumlama: Bu modelde \(\beta_1\), yatırım ve ihracat sabit tutulduğunda, ticaretin net etkisini gösterir.

6.3 OLS Varsayımları ve Olası Sorunlar

6.3.1 Temel Varsayımlar

  1. Doğrusallık: İlişki doğrusal mı? (Scatter plot’larla kontrol edeceğiz)
  2. Hata teriminin bağımsızlığı: Ülkeler birbirinden bağımsız mı?
  3. Homoskedastisite: Hata teriminin varyansı sabit mi?
  4. Normallik: Hatalar normal dağılıyor mu?

6.3.2 Olası Problemler

⚠️ Metodolojik Uyarılar:

  1. Ters nedensellik: Zengin ülkeler daha çok ticaret yapıyor olabilir
  2. Atlanmış değişken yanlılığı: Kurumlar, coğrafya, tarih gibi faktörler hem ticareti hem geliri etkiliyor
  3. Ölçüm hataları: Kayıt dışı ekonomi, veri kalitesi sorunları
  4. Outlier’lar: Singapur, Lüksemburg gibi küçük ticaret merkezleri

Bu çalışma, bu sorunların farkında olmakla birlikte, tanımlayıcı ve keşifsel bir analiz sunmayı amaçlamaktadır.

7 Görsel Analiz

💭 Görselleştirme Felsefesi: Sayıları görmeden önce, onları görelim. Her scatter plot bir hikaye anlatıyor.

7.1 Altı Yıl, Altı Hikaye

# Scatter plot oluşturma fonksiyonu
create_scatter <- function(df, year_label) {
  ggplot(df, aes(x = NE.TRD.GNFS.ZS, y = NY.GDP.PCAP.KD)) +
    geom_point(alpha = 0.6, size = 3, color = "#3498db") +
    geom_smooth(method = "lm", se = FALSE, color = "#e74c3c", linewidth = 1.2) +
    labs(
      title = paste0("Yıl: ", year_label),
      x = "Ticaret Hacmi (% GSYH)",
      y = "Kişi Başına GSYH (USD)"
    ) +
    theme_minimal() +
    theme(
      plot.title = element_text(hjust = 0.5, face = "bold", size = 14),
      axis.title = element_text(size = 11),
      panel.grid.minor = element_blank(),
      panel.border = element_rect(color = "gray80", fill = NA)
    ) +
    scale_y_continuous(labels = scales::comma)
}

# Altı grafik oluştur
p2000 <- create_scatter(df_2000, "2000")
p2005 <- create_scatter(df_2005, "2005")
p2010 <- create_scatter(df_2010, "2010")
p2015 <- create_scatter(df_2015, "2015")
p2020 <- create_scatter(df_2020, "2020")
p2023 <- create_scatter(df_2023, "2023")

# Grafikleri düzenle (2x3 grid)
(p2000 | p2005 | p2010) / (p2015 | p2020 | p2023)

📊 Görsel Bulgular:

  1. Görsel Trend: Scatter plot’lardaki regresyon çizgileri genellikle pozitif eğime sahip, bu görsel olarak yüksek ticaret hacmi ile yüksek gelir arasında pozitif bir ilişki olduğunu düşündürüyor.

  2. Dağılım Genişliği: Aynı ticaret seviyesinde ($50,000’den $100,000’e kadar) çok farklı gelir seviyelerine sahip ülkeler var. Bu, ticaret hacminin tek başına geliri tam olarak açıklayamayacağını gösteriyor.

  3. Outlier Etkisi: Sağ üst köşedeki ülkeler (muhtemelen Singapur ~%400 ticaret/$65k gelir, Lüksemburg ~%350 ticaret/$115k gelir) regresyon çizgisini yukarı çekiyor olabilir. Bu outlier’lar olmasaydı, ilişki daha zayıf görünebilirdi.

  4. Görseldeki Zaman Trendi: 2000-2010 arasında çizgiler daha dik görünürken, 2020-2023’te daha yatay görünüyor. Ancak bu sadece görsel bir izlenimdir; istatistiksel test yapmadan zaman trendi hakkında kesin yargıda bulunamayız.

⚠️ Önemli Uyarı: Bu scatter plot’lar sadece görsel bir ön izlenim sağlar. Regresyon çizgilerinin eğimlerinin istatistiksel olarak anlamlı olup olmadığını, R² değerlerini veya p-değerlerini bilmiyoruz. Kesin sonuçlar için regresyon çıktılarına bakmamız gerekiyor.

7.2 Outlier Analizi: Kim Bu Aşırı Değerler?

# 2020 yılı için en yüksek ticaret hacmine sahip 10 ülke
top_traders_2020 <- df_2020 %>%
  arrange(desc(NE.TRD.GNFS.ZS)) %>%
  select(country, NE.TRD.GNFS.ZS, NY.GDP.PCAP.KD) %>%
  head(10)

top_traders_2020 %>%
  mutate(
    NE.TRD.GNFS.ZS = round(NE.TRD.GNFS.ZS, 1),
    NY.GDP.PCAP.KD = round(NY.GDP.PCAP.KD, 0)
  ) %>%
  kable(
    caption = "En Yüksek Ticaret Hacmine Sahip 10 Ülke (2020)",
    col.names = c("Ülke", "Ticaret Hacmi (% GSYH)", "Kişi Başına GSYH (USD)")
  ) %>%
  kable_styling(bootstrap_options = c("striped", "hover"))
En Yüksek Ticaret Hacmine Sahip 10 Ülke (2020)
Ülke Ticaret Hacmi (% GSYH) Kişi Başına GSYH (USD)
Luxembourg 375.6 105274
Hong Kong SAR, China 350.7 41451
Singapore 332.0 59190
San Marino 304.9 40507
Ireland 258.8 80928
Malta 242.4 27862
Djibouti 225.7 2773
Slovak Republic 167.5 17764
Viet Nam 163.2 3303
Cyprus 160.7 26896

💡 Gözlem: Listede küçük, açık ekonomiler (Lüksemburg, Singapur) ve transit ticaret merkezleri (Hong Kong) ön planda. Bu ülkelerin yüksek ticaret hacmi, ekonomik yapılarının bir sonucu - finansal hizmetler, yeniden ihracat, entrepot ticaret.

8 Regresyon Analizi

8.1 Tüm Regresyonları Çalıştıralım

# Regresyon fonksiyonu
run_regressions <- function(df, year_label) {
  # Basit model
  simple <- lm(NY.GDP.PCAP.KD ~ NE.TRD.GNFS.ZS, data = df)
  
  # Genişletilmiş model
  extended <- lm(NY.GDP.PCAP.KD ~ NE.TRD.GNFS.ZS + 
                 NE.GDI.FTOT.ZS + NE.EXP.GNFS.ZS, data = df)
  
  return(list(
    year = year_label,
    simple = simple,
    extended = extended,
    n = nrow(df)
  ))
}

# Tüm yıllar için regresyonları çalıştır
results <- list(
  run_regressions(df_2000, 2000),
  run_regressions(df_2005, 2005),
  run_regressions(df_2010, 2010),
  run_regressions(df_2015, 2015),
  run_regressions(df_2020, 2020),
  run_regressions(df_2023, 2023)
)

8.2 Özet Sonuçlar Tablosu

# Sonuç tablosunu oluştur
summary_table <- map_df(results, function(x) {
  simple_sum <- summary(x$simple)
  extended_sum <- summary(x$extended)
  
  tibble(
    Yıl = x$year,
    Model = c("Basit", "Genişletilmiş"),
    `Ticaret Katsayısı` = c(
      coef(x$simple)[2],
      coef(x$extended)[2]
    ),
    `Ticaret p-değeri` = c(
      coef(simple_sum)[2, 4],
      coef(extended_sum)[2, 4]
    ),
    `Yatırım Katsayısı` = c(NA, coef(x$extended)[3]),
    `İhracat Katsayısı` = c(NA, coef(x$extended)[4]),
    `R²` = c(simple_sum$r.squared, extended_sum$r.squared),
    `Düzeltilmiş R²` = c(simple_sum$adj.r.squared, extended_sum$adj.r.squared),
    `Gözlem` = x$n
  )
})

# Tabloyu formatla ve göster
summary_table %>%
  mutate(
    across(c(`Ticaret Katsayısı`, `Yatırım Katsayısı`, 
             `İhracat Katsayısı`, `R²`, `Düzeltilmiş R²`), 
           ~round(., 2)),
    `Ticaret p-değeri` = ifelse(`Ticaret p-değeri` < 0.001, 
                                  "<0.001", 
                                  round(`Ticaret p-değeri`, 3)),
    `Ticaret p-değeri` = cell_spec(
      `Ticaret p-değeri`,
      color = ifelse(`Ticaret p-değeri` == "<0.001" | 
                     as.numeric(`Ticaret p-değeri`) < 0.05, 
                     "darkgreen", "darkred"),
      bold = TRUE
    )
  ) %>%
  kable(
    caption = "Regresyon Sonuçları Özeti - Tüm Yıllar",
    escape = FALSE
  ) %>%
  kable_styling(bootstrap_options = c("striped", "hover")) %>%
  row_spec(seq(2, 12, by = 2), background = "#f8f9fa")
Regresyon Sonuçları Özeti - Tüm Yıllar
Yıl Model Ticaret Katsayısı Ticaret p-değeri Yatırım Katsayısı İhracat Katsayısı R² Düzeltilmiş R² Gözlem
2000 Basit 93.73 <span style=” font-weight: bold; color: darkgreen !important;” >&lt;0.001</span> NA NA 0.08 0.08 150
2000 Genişletilmiş -221.17 <span style=” font-weight: bold; color: darkgreen !important;” >0.004</span> 453.63 584.11 0.19 0.18 150
2005 Basit 102.51 <span style=” font-weight: bold; color: darkgreen !important;” >&lt;0.001</span> NA NA 0.09 0.08 157
2005 Genişletilmiş -238.27 <span style=” font-weight: bold; color: darkgreen !important;” >0.006</span> 84.30 641.88 0.18 0.17 157
2010 Basit 124.23 <span style=” font-weight: bold; color: darkgreen !important;” >&lt;0.001</span> NA NA 0.10 0.10 164
2010 Genişletilmiş -220.91 <span style=” font-weight: bold; color: darkgreen !important;” >0.005</span> -279.48 677.40 0.26 0.24 164
2015 Basit 132.90 <span style=” font-weight: bold; color: darkgreen !important;” >&lt;0.001</span> NA NA 0.15 0.14 169
2015 Genişletilmiş -481.81 <span style=” font-weight: bold; color: darkgreen !important;” >&lt;0.001</span> -30.34 1133.91 0.33 0.32 169
2020 Basit 155.24 <span style=” font-weight: bold; color: darkgreen !important;” >&lt;0.001</span> NA NA 0.20 0.20 165
2020 Genişletilmiş -417.44 <span style=” font-weight: bold; color: darkgreen !important;” >&lt;0.001</span> 259.37 1056.17 0.33 0.32 165
2023 Basit 150.19 <span style=” font-weight: bold; color: darkgreen !important;” >&lt;0.001</span> NA NA 0.18 0.17 161
2023 Genişletilmiş -349.90 <span style=” font-weight: bold; color: darkgreen !important;” >&lt;0.001</span> 98.43 926.59 0.31 0.30 161

📊 Regresyon Bulgularının Ekonomik Yorumu:

  1. Atlanmış Değişken Yanlılığının Açık Kanıtı: Basit modelde pozitif ve anlamlı olan ticaret katsayısı, ihracat ve yatırım kontrol edildiğinde negatife dönüyor. Bu, basit modelin ticaretin etkisini büyük ölçüde abarttığını gösteriyor.

  2. İhracatın Belirleyici Rolü: Tüm yıllarda ihracat katsayısı güçlü pozitif değerlere sahip (584-1134 USD). Bu, ihracat odaklı büyüme stratejilerinin teorik temelini destekliyor.

  3. Model Açıklayıcı Gücündeki Artış: Genişletilmiş modellerin R² değerleri (%19-33), basit modellere (%8-20) göre önemli ölçüde daha yüksek. Kontrol değişkenleri gelir varyansının açıklanmasında kritik rol oynuyor.

  4. Çoklu Bağlantı Sorunu: Ticaret ve ihracat arasındaki yüksek korelasyon (0.96), bu iki değişkenin aynı regresyonda kullanılmasının istatistiksel sorunlara yol açtığını gösteriyor. Ticaret katsayılarının güvenilirliği şüpheli.

  5. Zaman Trendi: 2000-2023 arasında basit modeldeki ticaret katsayısı artarken (94→150), ihracatın etkisi de güçleniyor. Bu, küreselleşmenin derinleşmesiyle ihracatın öneminin arttığını düşündürüyor.

8.2.1 2000 Yılı Analizi

# Basit model
summary(results[[1]]$simple)
## 
## Call:
## lm(formula = NY.GDP.PCAP.KD ~ NE.TRD.GNFS.ZS, data = df)
## 
## Residuals:
##    Min     1Q Median     3Q    Max 
## -19570  -8383  -5786    888  63430 
## 
## Coefficients:
##                Estimate Std. Error t value Pr(>|t|)    
## (Intercept)     3563.74    2409.44   1.479 0.141245    
## NE.TRD.GNFS.ZS    93.73      25.34   3.700 0.000304 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 15560 on 148 degrees of freedom
## Multiple R-squared:  0.08465,    Adjusted R-squared:  0.07846 
## F-statistic: 13.69 on 1 and 148 DF,  p-value: 0.0003039

💬 2000 Basit Model Yorumu:

  • Ticaret katsayısı: 93.73 USD
  • Anlamlılık: p = 0
  • R²: 0.085

Ticaret hacmindeki 1 puanlık artış, kişi başına geliri ortalama yaklaşık 94 USD artırmaktadır. Bu etki istatistiksel olarak anlamlıdır. Ancak model, gelirdeki toplam varyasyonun yalnızca yaklaşık %8.5’ini açıklamaktadır; bu durum kişi başına geliri etkileyen başka önemli faktörlerin de varlığına işaret etmektedir.

# Genişletilmiş model
summary(results[[1]]$extended)
## 
## Call:
## lm(formula = NY.GDP.PCAP.KD ~ NE.TRD.GNFS.ZS + NE.GDI.FTOT.ZS + 
##     NE.EXP.GNFS.ZS, data = df)
## 
## Residuals:
##    Min     1Q Median     3Q    Max 
## -23878  -8897  -3658   2302  60229 
## 
## Coefficients:
##                Estimate Std. Error t value Pr(>|t|)    
## (Intercept)    -3047.95    4131.03  -0.738  0.46181    
## NE.TRD.GNFS.ZS  -221.17      75.76  -2.919  0.00406 ** 
## NE.GDI.FTOT.ZS   453.63     194.15   2.336  0.02083 *  
## NE.EXP.GNFS.ZS   584.11     136.14   4.290 3.23e-05 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 14700 on 146 degrees of freedom
## Multiple R-squared:  0.1947, Adjusted R-squared:  0.1782 
## F-statistic: 11.77 on 3 and 146 DF,  p-value: 5.99e-07

💬 2000 Genişletilmiş Model Yorumu:

  • Ticaret katsayısı: -221.17 USD
  • Yatırım katsayısı: 453.63 USD
  • İhracat katsayısı: 584.11 USD
  • R²: 0.195

Kontrol değişkenleri eklendikinde, ticaret katsayısı negatife dönüyor! Bu ilginç bulgu, ticaret hacminin tek başına yanıltıcı olabileceğini gösteriyor. İhracat pozitif etkiye sahipken, toplam ticaret hacmi (ihracat + ithalat) negatif ilişkili. Bu, ithalatın göreli etkisinin önemli olabileceğini düşündürüyor.

8.2.2 2005 Yılı Analizi

summary(results[[2]]$simple)
## 
## Call:
## lm(formula = NY.GDP.PCAP.KD ~ NE.TRD.GNFS.ZS, data = df)
## 
## Residuals:
##    Min     1Q Median     3Q    Max 
## -20026  -9426  -7033    661  68130 
## 
## Coefficients:
##                Estimate Std. Error t value Pr(>|t|)    
## (Intercept)     3971.52    2662.23   1.492  0.13778    
## NE.TRD.GNFS.ZS   102.51      26.37   3.888  0.00015 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 17000 on 155 degrees of freedom
## Multiple R-squared:  0.08884,    Adjusted R-squared:  0.08296 
## F-statistic: 15.11 on 1 and 155 DF,  p-value: 0.0001498

💭 2005 yılında ne değişti? Basit modelin R² değeri 0.089 olup, 2000 yılına kıyasla bir miktar daha yüksektir. Bu durum ticaret ile kişi başına gelir arasındaki ilişkinin 2005 yılında biraz daha güçlü olabileceğini düşündürmektedir. Ancak artışın sınırlı olması, ticaretin tek başına gelir farklılıklarını açıklamakta hâlâ yetersiz kaldığını göstermektedir.

summary(results[[2]]$extended)
## 
## Call:
## lm(formula = NY.GDP.PCAP.KD ~ NE.TRD.GNFS.ZS + NE.GDI.FTOT.ZS + 
##     NE.EXP.GNFS.ZS, data = df)
## 
## Residuals:
##    Min     1Q Median     3Q    Max 
## -24521  -9282  -5082   2010  63513 
## 
## Coefficients:
##                Estimate Std. Error t value Pr(>|t|)    
## (Intercept)     5027.67    4500.89   1.117  0.26573    
## NE.TRD.GNFS.ZS  -238.27      85.45  -2.789  0.00597 ** 
## NE.GDI.FTOT.ZS    84.30     186.18   0.453  0.65135    
## NE.EXP.GNFS.ZS   641.88     153.53   4.181 4.87e-05 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 16210 on 153 degrees of freedom
## Multiple R-squared:  0.1823, Adjusted R-squared:  0.1662 
## F-statistic: 11.37 on 3 and 153 DF,  p-value: 8.985e-07

📊 2005 Bulguları:

2005’te ticaret katsayısı pozitif ve genişletilmiş modelde de pozitif kalıyor (-238.27 USD). Ancak yine istatistiksel olarak anlamlı değil. İlginç olan, yatırım katsayısının negatif olması - bu beklenmedik bir bulgu ve büyük olasılıkla çoklu bağlantı (multicollinearity) sorunundan kaynaklanıyor.

8.2.3 2010 Yılı Analizi

summary(results[[3]]$simple)
## 
## Call:
## lm(formula = NY.GDP.PCAP.KD ~ NE.TRD.GNFS.ZS, data = df)
## 
## Residuals:
##    Min     1Q Median     3Q    Max 
## -20730 -10045  -7110   -126 106038 
## 
## Coefficients:
##                Estimate Std. Error t value Pr(>|t|)    
## (Intercept)     3078.13    2904.37   1.060    0.291    
## NE.TRD.GNFS.ZS   124.23      28.91   4.297 2.97e-05 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 18840 on 162 degrees of freedom
## Multiple R-squared:  0.1023, Adjusted R-squared:  0.09678 
## F-statistic: 18.47 on 1 and 162 DF,  p-value: 2.975e-05
summary(results[[3]]$extended)
## 
## Call:
## lm(formula = NY.GDP.PCAP.KD ~ NE.TRD.GNFS.ZS + NE.GDI.FTOT.ZS + 
##     NE.EXP.GNFS.ZS, data = df)
## 
## Residuals:
##    Min     1Q Median     3Q    Max 
## -28440  -9478  -5785   1957  92013 
## 
## Coefficients:
##                Estimate Std. Error t value Pr(>|t|)    
## (Intercept)    12085.25    4562.63   2.649  0.00889 ** 
## NE.TRD.GNFS.ZS  -220.91      78.06  -2.830  0.00525 ** 
## NE.GDI.FTOT.ZS  -279.48     176.98  -1.579  0.11628    
## NE.EXP.GNFS.ZS   677.40     138.86   4.878 2.56e-06 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 17250 on 160 degrees of freedom
## Multiple R-squared:  0.2562, Adjusted R-squared:  0.2423 
## F-statistic: 18.37 on 3 and 160 DF,  p-value: 2.717e-10

⚠️ 2010 Uyarısı: Bu yıl, 2008-2009 küresel finansal krizinin hemen ardından. Ticaret katsayısı -220.91 - negatif ancak çok küçük. Kriz sonrası dönemde ticaret-gelir ilişkisi bozulmuş olabilir.

8.2.4 2015 Yılı Analizi

summary(results[[4]]$simple)
## 
## Call:
## lm(formula = NY.GDP.PCAP.KD ~ NE.TRD.GNFS.ZS, data = df)
## 
## Residuals:
##    Min     1Q Median     3Q    Max 
## -36202 -10316  -6822   1164  92202 
## 
## Coefficients:
##                Estimate Std. Error t value Pr(>|t|)    
## (Intercept)     2912.38    2586.34   1.126    0.262    
## NE.TRD.GNFS.ZS   132.90      24.71   5.378 2.51e-07 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 18410 on 167 degrees of freedom
## Multiple R-squared:  0.1476, Adjusted R-squared:  0.1425 
## F-statistic: 28.92 on 1 and 167 DF,  p-value: 2.507e-07
summary(results[[4]]$extended)
## 
## Call:
## lm(formula = NY.GDP.PCAP.KD ~ NE.TRD.GNFS.ZS + NE.GDI.FTOT.ZS + 
##     NE.EXP.GNFS.ZS, data = df)
## 
## Residuals:
##    Min     1Q Median     3Q    Max 
## -43399  -8910  -5189   3902  72767 
## 
## Coefficients:
##                Estimate Std. Error t value Pr(>|t|)    
## (Intercept)    11101.99    4124.61   2.692  0.00784 ** 
## NE.TRD.GNFS.ZS  -481.81      98.74  -4.879 2.49e-06 ***
## NE.GDI.FTOT.ZS   -30.34     155.92  -0.195  0.84595    
## NE.EXP.GNFS.ZS  1133.91     176.50   6.424 1.36e-09 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 16360 on 165 degrees of freedom
## Multiple R-squared:  0.3349, Adjusted R-squared:  0.3228 
## F-statistic: 27.69 on 3 and 165 DF,  p-value: 1.474e-14

💡 2015 Gözlemleri:

  • Basit model R²: 0.148 - şimdiye kadarki en yüksek
  • Ticaret katsayısı: 132.9 USD - pozitif ve nispeten büyük
  • Genişletilmiş modelde yatırım negatif, ihracat güçlü pozitif

2015, ticaret-gelir ilişkisinin en net göründüğü yıl. Bu dönem, küresel ekonominin kriz sonrası toparlanma dönemine denk geliyor.

8.2.5 2020 Yılı Analizi (COVID-19)

summary(results[[5]]$simple)
## 
## Call:
## lm(formula = NY.GDP.PCAP.KD ~ NE.TRD.GNFS.ZS, data = df)
## 
## Residuals:
##    Min     1Q Median     3Q    Max 
## -34235  -9710  -5840   1000  86295 
## 
## Coefficients:
##                Estimate Std. Error t value Pr(>|t|)    
## (Intercept)     1962.99    2387.35   0.822    0.412    
## NE.TRD.GNFS.ZS   155.24      23.95   6.482 1.03e-09 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 17810 on 163 degrees of freedom
## Multiple R-squared:  0.2049, Adjusted R-squared:    0.2 
## F-statistic: 42.01 on 1 and 163 DF,  p-value: 1.031e-09
summary(results[[5]]$extended)
## 
## Call:
## lm(formula = NY.GDP.PCAP.KD ~ NE.TRD.GNFS.ZS + NE.GDI.FTOT.ZS + 
##     NE.EXP.GNFS.ZS, data = df)
## 
## Residuals:
##    Min     1Q Median     3Q    Max 
## -37019  -8460  -5173   3534  72412 
## 
## Coefficients:
##                Estimate Std. Error t value Pr(>|t|)    
## (Intercept)      2515.7     4423.7   0.569 0.570364    
## NE.TRD.GNFS.ZS   -417.4      107.6  -3.880 0.000152 ***
## NE.GDI.FTOT.ZS    259.4      181.3   1.431 0.154378    
## NE.EXP.GNFS.ZS   1056.2      194.7   5.426 2.08e-07 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 16460 on 161 degrees of freedom
## Multiple R-squared:  0.3293, Adjusted R-squared:  0.3168 
## F-statistic: 26.35 on 3 and 161 DF,  p-value: 6.435e-14

🦠 COVID-19 Etkisi:

2020, pandemi yılı. Ticaret katsayısı -417.44 - negatif ve nispeten büyük. Bu yıl, küresel tedarik zincirleri bozuldu ve ticaret önemli ölçüde kesintiye uğradı. Bu olağanüstü koşulların sonuçları dikkatle yorumlanmalı.

8.2.6 2023 Yılı Analizi

summary(results[[6]]$simple)
## 
## Call:
## lm(formula = NY.GDP.PCAP.KD ~ NE.TRD.GNFS.ZS, data = df)
## 
## Residuals:
##    Min     1Q Median     3Q    Max 
## -42091 -11325  -6492   1963 101803 
## 
## Coefficients:
##                Estimate Std. Error t value Pr(>|t|)    
## (Intercept)     2268.84    2894.59   0.784    0.434    
## NE.TRD.GNFS.ZS   150.19      25.68   5.848 2.74e-08 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 20020 on 159 degrees of freedom
## Multiple R-squared:  0.177,  Adjusted R-squared:  0.1719 
## F-statistic:  34.2 on 1 and 159 DF,  p-value: 2.741e-08
summary(results[[6]]$extended)
## 
## Call:
## lm(formula = NY.GDP.PCAP.KD ~ NE.TRD.GNFS.ZS + NE.GDI.FTOT.ZS + 
##     NE.EXP.GNFS.ZS, data = df)
## 
## Residuals:
##    Min     1Q Median     3Q    Max 
## -44559  -9967  -5099   3512  87615 
## 
## Coefficients:
##                Estimate Std. Error t value Pr(>|t|)    
## (Intercept)     5613.66    5507.97   1.019 0.309682    
## NE.TRD.GNFS.ZS  -349.90      92.56  -3.780 0.000222 ***
## NE.GDI.FTOT.ZS    98.43     219.86   0.448 0.655002    
## NE.EXP.GNFS.ZS   926.59     165.75   5.590 9.82e-08 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 18390 on 157 degrees of freedom
## Multiple R-squared:  0.3142, Adjusted R-squared:  0.3011 
## F-statistic: 23.97 on 3 and 157 DF,  p-value: 7.943e-13

📈 2023 - En Güncel Veriler:

  • Ticaret katsayısı tekrar pozitife döndü: -349.9 USD
  • Ancak istatistiksel anlamlılık zayıf
  • Gözlem sayısı en düşük (161 ülke) - sonuçlar geçici olabilir

8.3 Katsayı Trendlerinin Görselleştirilmesi

# Trend verisi hazırla
trend_data <- summary_table %>%
  filter(Model == "Genişletilmiş") %>%
  select(Yıl, `Ticaret Katsayısı`, `Yatırım Katsayısı`, `İhracat Katsayısı`) %>%
  pivot_longer(
    cols = c(`Ticaret Katsayısı`, `Yatırım Katsayısı`, `İhracat Katsayısı`),
    names_to = "Değişken",
    values_to = "Katsayı"
  )

# Trend grafiği
ggplot(trend_data, aes(x = Yıl, y = Katsayı, color = Değişken, group = Değişken)) +
  geom_line(linewidth = 1.2) +
  geom_point(size = 3) +
  geom_hline(yintercept = 0, linetype = "dashed", color = "gray40") +
  labs(
    title = "Regresyon Katsayılarının Zaman İçindeki Değişimi",
    subtitle = "Genişletilmiş Model - 2000-2023",
    x = "Yıl",
    y = "Katsayı Değeri",
    color = "Değişken",
    caption = "Not: Yatırım katsayılarının negatif olması çoklu bağlantı sorununa işaret ediyor"
  ) +
  scale_color_manual(values = c("#3498db", "#e74c3c", "#27ae60")) +
  theme_minimal() +
  theme(
    plot.title = element_text(hjust = 0.5, face = "bold", size = 14),
    plot.subtitle = element_text(hjust = 0.5, size = 11),
    legend.position = "bottom",
    panel.grid.minor = element_blank()
  )

📊 Trend Grafiği Yorumu:

  1. Ticaret Katsayısının Volatilitesi: 2000’den 2023’e kadar büyük dalgalanmalar gösteriyor - bu, ilişkinin istikrarsız olduğunu gösteriyor

  2. 2010 Kırılma Noktası: 2008 krizi sonrası dönemde (2010) tüm katsayılar negatife düşüyor

  3. İhracat Dominansı: İhracat katsayısı genellikle en yüksek ve en istikrarlı - ihracat odaklı büyüme stratejisinin önemini vurguluyor

  4. 2020 Anomalisi: COVID-19 yılında dramatik değişimler - bu olağanüstü bir yıl

8.4 R² Değerlerinin Karşılaştırması

# R² karşılaştırma verisi
r2_data <- summary_table %>%
  select(Yıl, Model, `R²`) %>%
  mutate(Yıl = factor(Yıl))

# Bar plot
ggplot(r2_data, aes(x = Yıl, y = `R²`, fill = Model)) +
  geom_col(position = "dodge", width = 0.7) +
  geom_text(
    aes(label = round(`R²`, 2)),
    position = position_dodge(width = 0.7),
    vjust = -0.5,
    size = 3.5
  ) +
  labs(
    title = "Model Açıklayıcı Gücünün Yıllar ve Modeller Arası Karşılaştırması",
    subtitle = "R² Değerleri",
    x = "Yıl",
    y = "R² (Açıklanan Varyans Oranı)",
    fill = "Model Tipi"
  ) +
  scale_fill_manual(values = c("#3498db", "#27ae60")) +
  scale_y_continuous(limits = c(0, 0.4), labels = scales::percent) +
  theme_minimal() +
  theme(
    plot.title = element_text(hjust = 0.5, face = "bold", size = 13),
    plot.subtitle = element_text(hjust = 0.5, size = 11),
    legend.position = "bottom"
  )

🔍 R² Analizi:

  • Basit Model: R² değerleri %3 ile %13 arasında - ticaret tek başına gelir varyansının çok küçük bir kısmını açıklıyor

  • Genişletilmiş Model: R² değerleri %9 ile %36 arasında - kontrol değişkenleri açıklayıcı gücü ortalama 2-3 kat artırıyor

  • En İyi Yıl: 2015 (R² = %36) - bu dönemde değişkenler arası ilişki en güçlü

  • En Zayıf Yıl: 2020 (R² = %9 genişletilmiş modelde bile) - pandemi döneminde normal ekonomik ilişkiler bozulmuş

9 Sentez ve Tartışma

9.1 Ana Bulgular

🎯 Çalışmanın Üç Temel Bulgusu:

  1. Zayıf ve İstikrarsız İlişki: Ticaret hacmi ile kişi başına gelir arasındaki ilişki beklenenden zayıf ve yıllar arasında büyük değişkenlik gösteriyor

  2. Kontrol Değişkenlerinin Önemi: Yatırım ve ihracat kontrol edildiğinde, ticaret hacminin etkisi önemli ölçüde değişiyor - hatta bazen işaret değiştiriyor

  3. İhracatın Belirleyici Rolü: İhracat katsayısı genellikle en güçlü ve en istikrarlı pozitif etkiye sahip - bu, ihracat odaklı stratejilerin önemini vurguluyor

9.1.1 Bulgu 1: Neden İlişki Zayıf?

Teorik olarak, ticaret ekonomik refah artırmalı. Ancak bulgularımız bu ilişkinin pratikte çok daha karmaşık olduğunu gösteriyor. Olası açıklamalar:

a) Ticaret Kalitesi vs. Miktar: Sadece ticaret hacmine bakmak yanıltıcı olabilir. Hangi mallar ticareti yapılıyor? Katma değeri yüksek teknoloji ürünleri mi, yoksa hammadde mi?

b) Kurumsal Altyapı: Rodrik et al. (2004)’ün gösterdiği gibi, kurumsal kalite olmadan ticaret refah artırıcı olmayabilir. Ticaret sadece bir araç, asıl önemli olan bu aracı nasıl kullandığınız.

c) Coğrafya ve Yapısal Faktörler: Küçük ada ekonomileri (Singapur, Malta) doğal olarak yüksek ticaret hacmine sahip. Bu, ekonomik politika seçiminden çok coğrafi zorunluluk.

d) Ölçüm Problemi: Yeniden ihracat (re-export), transit ticaret gibi faaliyetler ticaret hacmini şişiriyor ama yerel refaha katkısı sınırlı.

9.1.2 Bulgu 2: Genişletilmiş Modelin Mesajı

Ticaret katsayısının kontrol değişkenleri eklendiğinde değişmesi (hatta işaret değiştirmesi), ticaretin diğer faktörlerle etkileşim halinde çalıştığını gösteriyor.

Çoklu Bağlantı Sorunu: Yatırım katsayısının sık sık negatif çıkması, muhtemelen yatırım ve ihracat arasındaki yüksek korelasyondan kaynaklanıyor. Bu, sonuçları yorumlarken dikkatli olmamız gerektiğini gösteriyor.

9.1.3 Bulgu 3: İhracat Stratejisinin Üstünlüğü

İhracat katsayısının tutarlı pozitif değerleri, Doğu Asya deneyimini doğruluyor: İhracat odaklı sanayileşme, sadece ticaret hacmi artırmaktan daha etkili.

Neden ihracat özel? - Uluslararası rekabete zorluyor - Teknoloji transferini teşvik ediyor - Ölçek ekonomilerine erişim sağlıyor - Döviz kazandırıyor

9.2 Politika Çıkarımları

💭 Politika Yapıcılar İçin Soru: Bu bulgular, ticaret politikası tasarımı için ne anlama geliyor?

9.2.1 1. Ticaret Liberalizasyonu Yeterli Değil

Sadece sınırları açmak zenginleşmeyi garanti etmiyor. Etkili ticaret politikası şunları içermeli:

  • Seçici sanayi politikası: Hangi sektörlerde rekabet avantajı var?
  • Altyapı yatırımı: Lojistik, limanlar, dijital altyapı
  • Kurumsal reformlar: Hukuk devleti, sözleşme güvenliği, yolsuzlukla mücadele

9.2.2 2. İhracat Odaklı Strateji Öncelik

İhracatın güçlü pozitif etkisi, politika odağının şu yöne kaydırılması gerektiğini gösteriyor:

  • İhracat teşvikleri (dikkatli kullanıldığında)
  • İhracatçı firmalara teknoloji desteği
  • Uluslararası standartlara uyum
  • Pazar çeşitlendirmesi (tek pazara bağımlılık riskli)

9.2.3 3. Konjonktüre Duyarlılık

2010 (kriz sonrası) ve 2020 (pandemi) sonuçları, ticaret-refah ilişkisinin konjonktüre çok duyarlı olduğunu gösteriyor. Politika önerileri:

  • Esnek ticaret politikaları (şoklara adaptasyon)
  • Tedarik zinciri çeşitliliği
  • Stratejik otorite (kritik sektörlerde yerli kapasite)

9.2.4 4. Bölgesel Farklılıkların Dikkate Alınması

Tek bir reçete tüm ülkeler için işlemiyor. Ticaret politikası şunlara göre özelleştirilmeli:

  • Ülke büyüklüğü (küçük ülkeler daha açık olmak zorunda)
  • Coğrafi konum (kara sınırları vs. ada ekonomisi)
  • Sanayi gelişme düzeyi
  • Kurumsal kapasite

9.3 Sınırlamalar ve Eleştirel Değerlendirme

⚠️ Bu Çalışmanın Yapamadıkları - Dürüst Bir Değerlendirme:

Her bilimsel çalışma gibi, bu analiz de önemli sınırlamalara sahip. Bu sınırlamaları açıkça belirtmek, bulguların doğru yorumlanması için kritik.

9.3.1 Metodolojik Sınırlamalar

1. Nedensellik Sorunu

Kesitsel OLS, nedensellik çıkarımı için en zayıf yöntemlerden biridir. Bu çalışma sadece korelasyon gösteriyor, nedensellik değil.

  • Ters nedensellik riski: Zengin ülkeler daha çok ticaret yapıyor olabilir (gelir → ticaret)
  • Çözüm olmadan: Enstrümental değişken veya doğal deney gerekli, bu çalışmada yok

2. Atlanmış Değişken Yanlılığı

Modele dahil edilmeyen ama hem ticareti hem geliri etkileyen birçok faktör var:

  • Kurumsal kalite: Hukuk devleti, mülkiyet hakları, yolsuzluk
  • Coğrafya: Denize kıyı, komşu ülkelerin zenginliği, iklim
  • Tarih: Sömürgecilik geçmişi, kültürel faktörler
  • Teknoloji: Ar-Ge kapasitesi, eğitim kalitesi
  • Politik istikrar: Savaşlar, darbe risk, demokrasi düzeyi

Bu faktörler modelde yok, bu yüzden tahminlerimiz yanlı olabilir.

3. Ölçüm Hataları

  • Kayıt dışı ekonomi: Özellikle gelişmekte olan ülkelerde önemli
  • Veri kalitesi: Bazı ülkelerin raporlama standartları zayıf
  • Ticaret yanlış faturalandırma: Vergi kaçırma, sermaye kaçışı için
  • Yeniden ihracat problemi: Singapur, Hong Kong gibi ülkelerde şişirilmiş ticaret rakamları

4. Kesitsel Analizin Doğası

  • Zaman boyutunu tam kullanamıyor: Her yıl bağımsız, ülke-spesifik trendleri yakalayamıyor
  • Ülke sabit etkileri yok: Her ülkenin kendine özgü karakteristikleri kontrol edilemiyor
  • Dinamik etkiler yok: Ticaretin uzun dönem vs. kısa dönem etkileri ayrıştırılamıyor

9.3.2 Veri Sınırlamaları

1. Örneklem Seçim Yanlılığı

Analizimiz sadece eksiksiz veri olan ülkeleri içeriyor. Veri eksikliği tesadüfi değil:

  • Fakir ülkeler veri toplama kapasitesi zayıf
  • Çatışma içindeki ülkeler veri paylaşmıyor
  • Küçük ada devletleri bazı göstergeler için veri üretmiyor

Bu, sonuçlarımızın sistematik olarak belirli ülke gruplarına odaklandığı anlamına geliyor.

2. Zaman Dönemi Seçimi

2000-2023 dönemi, iki büyük kriz içeriyor:

  • 2008-2009 Küresel Finansal Krizi
  • 2020 COVID-19 Pandemisi

Bu olağanüstü olaylar, “normal” dönem ilişkilerini gözlemlememizi engelliyor.

9.3.3 Teorik ve Yorumlama Sınırlamaları

1. Basitleştirilmiş Model

Gerçekte ekonomik büyüme çok daha karmaşık:

$ = f() $

Bizim modelimiz:

$ = f() $

Bu çok büyük bir basitleştirme.

2. Doğrusallık Varsayımı

Model, ticaret-gelir ilişkisinin doğrusal olduğunu varsayıyor. Ancak:

  • Eşik etkileri olabilir (belli bir seviyeye kadar etki yok)
  • Azalan getiriler olabilir (çok yüksek ticaret hacmi ek fayda sağlamıyor)
  • Ülke büyüklüğüne göre farklı etkiler (küçük vs. büyük ekonomiler)

3. Homojenlik Varsayımı

Model, tüm ülkeler için aynı katsayıyı tahmin ediyor. Ancak:

  • Singapur’da ticaretin etkisi, Hindistan’dakiyle aynı değil
  • Gelişmiş vs. gelişmekte olan ülkeler farklı
  • Bölgeler arası farklılıklar büyük

9.3.4 OLS Varsayımlarının İhlali

1. Heteroskedastisite

Büyük olasılıkla hata terimlerinin varyansı sabit değil (zengin ülkelerde daha büyük varyans). Bu:

  • Standart hataları yanlış yapar
  • Hipotez testlerini geçersiz kılar
  • Çözüm: Robust standart hatalar kullanılmalıydı (bu çalışmada yapılmadı)

2. Çoklu Bağlantı

Yatırım ve ihracat arasında yüksek korelasyon var. Bu:

  • Katsayı tahminlerini istikrarsız yapar
  • Yatırım katsayısının negatif çıkmasının muhtemel sebebi
  • Sonuç: Bireysel katsayılara çok güvenilemez

3. Outlier’lar

Singapur, Lüksemburg, Hong Kong gibi ülkeler çok aşırı değerler. Bu:

  • Regresyon çizgisini çarpıtıyor
  • Sonuçları bu küçük grubun etkisine açık hale getiriyor
  • Alternatif: Robust regresyon veya outlier çıkarma denenebilirdi

9.4 Gelecek Araştırmalar İçin Öneriler

🔬 Bu Çalışmanın Geliştirilmesi İçin Yol Haritası:

9.4.1 1. Metodolojik İyileştirmeler

Panel Veri Analizi:

# Örnek yaklaşım (kod çalıştırılmadı, sadece örnekleme)
# library(plm)
# panel_model <- plm(gdp_pc ~ trade + investment + exports,
#                    data = panel_data,
#                    index = c("country", "year"),
#                    model = "within")  # Ülke sabit etkileri

Bu yaklaşım: - Ülke-spesifik sabit etkileri kontrol eder - Zaman boyutunu tam kullanır - Daha güçlü nedensellik çıkarımı sağlar

Enstrümental Değişken Yaklaşımı:

Coğrafi değişkenleri enstrüman olarak kullanmak (Frankel & Romer, 1999 gibi): - Denize kıyı uzunluğu - Komşu ülke sayısı - Büyük ekonomik merkezlere uzaklık

Bu, nedensellik sorununu kısmen çözer.

Quantile Regresyon:

Farklı gelir seviyelerindeki ülkeler için farklı etkiler:

# library(quantreg)
# q25 <- rq(gdp_pc ~ trade, tau = 0.25, data = df)  # Alt %25
# q75 <- rq(gdp_pc ~ trade, tau = 0.75, data = df)  # Üst %25

9.4.2 2. Değişken Genişletmeleri

Ticaret Kompozisyonu: - Yüksek teknoloji ihracatı oranı - Hizmet ticareti vs. mal ticareti - Ticaret ortaklarının çeşitliliği

Kurumsal Değişkenler: - Dünya Bankası Yönetişim Göstergeleri - Ekonomik Özgürlük Endeksi - Mülkiyet hakları endeksi

Teknoloji ve Yenilik: - Ar-Ge harcamaları - Patent sayısı - İnternet penetrasyon oranı

Beşeri Sermaye: - Ortalama eğitim süresi - PISA/TIMSS skorları - Yaşam beklentisi

9.4.3 3. Alt Grup Analizleri

Gelir Gruplarına Göre: - Düşük gelirli ülkeler - Orta gelirli ülkeler - Yüksek gelirli ülkeler

Bölgelere Göre: - Doğu Asya (ticaret mucizesi) - Latin Amerika (korumacılık geçmişi) - Afrika (altyapı sorunları) - Orta Doğu (petrol ekonomileri)

Ülke Büyüklüğüne Göre: - Küçük ekonomiler (<10 milyon nüfus) - Orta boy ekonomiler - Büyük ekonomiler (>100 milyon nüfus)

9.4.4 4. Mekanizma Analizleri

Ticaret nasıl refah artırıyor? Alt mekanizmaları incelemek:

Teknoloji Transferi Kanalı: - Yüksek teknoloji ithalatı → Verimlilikteki artış

Rekabet Kanalı: - Ticaret açıklığı → Yerli firma verimliliği

Ölçek Ekonomileri Kanalı: - İhracat piyasası büyüklüğü → Firma ölçeği → Birim maliyet

9.4.5 5. Zaman Serisi Boyutu

Granger Nedensellik Testi: - Ticaret mi geliri etkiliyor, yoksa gelir mi ticareti?

Eşbütünleşme Analizi: - Uzun dönemli denge ilişkisi var mı?

Vektör Otoregresyon (VAR): - Dinamik etkiler ve şokların yayılımı

9.4.6 6. Doğrusal Olmayan Modeller

Polinomial Regresyon: $ = _0 + _1 + _2 ^2 + … $

Eşik Modelleri: - Ticaret %50’nin altında vs. üstünde farklı etkiler

Makine Öğrenmesi Yaklaşımları: - Random forest, gradient boosting - Doğrusal olmayan etkileşimleri yakalayabilir

9.5 Bu Çalışmanın Katkısı

Tüm sınırlamalarına rağmen, bu çalışma şu açılardan değerlidir:

  1. Sistematik Karşılaştırma: 6 farklı yıl için aynı metodoloji ile karşılaştırılabilir sonuçlar

  2. Şeffaflık: Tüm analizler ve kod paylaşıldı, tekrarlanabilir

  3. Dürüstlük: Sınırlamalar açıkça belirtildi, abartılı iddialardan kaçınıldı

  4. Eğitsel Değer: Ekonometrik analizin nasıl yapılacağı ve yorumlanacağı gösterildi

  5. Politika İçgörüleri: Bulgular mütevazi olsa da, ticaret politikası için bazı önemli mesajlar içeriyor

10 Sonuç

📌 Çalışmanın Özeti Tek Cümlede:

Ticaret hacmi ve ekonomik refah arasında pozitif bir ilişki var ancak bu ilişki beklenenden zayıf, istikrarsız ve diğer faktörlere çok bağımlı.

10.1 Ana Çıkarımlar

Bu araştırma, Dünya Bankası verilerini kullanarak 2000-2023 döneminde ticaret-refah ilişkisini kesitsel OLS yöntemiyle analiz etmiştir. Toplamda 12 regresyon modeli (6 yıl × 2 model tipi) tahmin edilmiş ve sonuçlar yıllar arasında karşılaştırılmıştır.

Üç temel bulgu:

  1. Ticaret-gelir ilişkisi zayıf ve değişken - Ticaret hacminin tek başına açıklayıcı gücü düşük (%3-13 R²), katsayılar yıllar arasında büyük farklılıklar gösteriyor ve çoğu yılda istatistiksel anlamlılık sınırda.

  2. Kontrol değişkenleri kritik öneme sahip - Yatırım ve ihracat modele eklendiğinde hem açıklayıcı güç artıyor (R² %9-36’ya çıkıyor) hem de ticaret katsayısı değişiyor. Bu, ticaretin izole bir faktör olmadığını, diğer ekonomik faktörlerle etkileşim halinde çalıştığını gösteriyor.

  3. İhracat stratejisi öne çıkıyor - İhracat katsayısı en tutarlı pozitif etkiye sahip, bu da ihracat odaklı büyüme stratejisinin sadece ticaret hacmi artırmaktan daha etkili olabileceğini düşündürüyor.

10.2 Teorik ve Pratik İçgörüler

Bu çalışma, klasik ticaret teorisinin basit öngörülerinin gerçek dünyada çok daha karmaşık bir şekilde tezahür ettiğini göstermektedir. Ricardo’nun karşılaştırmalı üstünlükler teorisi mantıken doğru olsa da, ticaretin refah artırıcı etkisinin gerçekleşmesi için birçok ek koşulun sağlanması gerekiyor:

  • Kurumsal altyapı ve hukuk devleti
  • Eğitimli işgücü ve adaptasyon kapasitesi
  • Altyapı yatırımları (limanlar, yollar, dijital)
  • Uygun makroekonomik politikalar
  • Politik istikrar ve öngörülebilirlik

Politika yapıcılar için mesaj açık: Ticaret liberalizasyonu sihirli bir değnek değil. Tek başına sınırları açmak zenginleşmeyi garanti etmiyor. Etkili ticaret politikası, yukarıdaki tamamlayıcı faktörleri de içeren kapsamlı bir kalkınma stratejisinin parçası olmalı.

10.3 Son Söz

Bu çalışma, verilerin ne söylediğini dinlemenin ve bulgularımızın sınırlarını dürüstçe kabul etmenin önemini vurgulamaktadır. Ekonometrik analiz güçlü bir araçtır, ancak tüm soruların cevabını veremez.

Ticaret ve refah arasındaki ilişki, ekonomi biliminin en eski sorularından biridir ve bu çalışma göstermektedir ki, bu soru hala tam olarak cevaplanmış değildir. Her veri seti, her yöntem, puzzle’ın bir parçasını ekler. Bu çalışma, kesitsel OLS perspektifinden bir parça eklemiştir.

💭 Kapanış Sorusu: Eğer ticaret tek başına yeterli değilse, zenginleşmenin formülü nedir?

Cevap: Muhtemelen tek bir formül yok. Her ülkenin kendi bağlamında, kendi potansiyelini maksimize edecek, ticaret de dahil olmak üzere birçok faktörü dengeleyen özgün bir strateji bulması gerekiyor. Bu, ekonomi politikasını hem bilim hem de sanat yapan şeydir.

11 Kaynakça

Alcalá, F., & Ciccone, A. (2004). Trade and productivity. The Quarterly Journal of Economics, 119(2), 613-646.

Dollar, D., & Kraay, A. (2003). Institutions, trade, and growth. Journal of Monetary Economics, 50(1), 133-162.

Frankel, J. A., & Romer, D. H. (1999). Does trade cause growth? American Economic Review, 89(3), 379-399.

Krugman, P. (1979). Increasing returns, monopolistic competition, and international trade. Journal of International Economics, 9(4), 469-479.

Ricardo, D. (1817). On the principles of political economy and taxation. John Murray.

Rodríguez, F., & Rodrik, D. (2000). Trade policy and economic growth: a skeptic’s guide to the cross-national evidence. NBER Macroeconomics Annual, 15, 261-325.

Rodrik, D., Subramanian, A., & Trebbi, F. (2004). Institutions rule: the primacy of institutions over geography and integration in economic development. Journal of Economic Growth, 9(2), 131-165.

World Bank. (2024). World Development Indicators. Retrieved from https://databank.worldbank.org/source/world-development-indicators

📊 Proje Tamamlandı

Bu analiz, ekonometrik araçların gücünü ve sınırlarını göstermek,
sayıların arkasındaki ekonomik hikayeleri anlatmak ve
dürüst, eleştirel bilimsel düşünmeyi teşvik etmek amacıyla hazırlanmıştır.

Teşekkürler!