odev

GİRİŞ (Bilimsel Açıklama)

Ekonomik büyümenin ve gelir artışının temel belirleyicileri arasında beşeri sermaye önemli bir yer tutmaktadır. Beşeri sermaye kavramı; bireylerin eğitim düzeyi, okuryazarlık becerileri, bilgi birikimi ve üretkenlik kapasitesi gibi unsurları kapsamakta olup, uzun dönemli ekonomik performansın açıklanmasında sıklıkla kullanılan teorik bir çerçevedir. Özellikle içsel büyüme teorileri, eğitimin ve bilgi birikiminin yalnızca üretim sürecine katkı sağlamakla kalmadığını, aynı zamanda teknolojik ilerlemeyi hızlandırarak sürdürülebilir büyümeyi desteklediğini vurgulamaktadır.

Bu çalışma, beşeri sermayeyi temsilen kullanılan eğitim ve okuma ile ilişkili göstergeler ile ekonomik performans göstergesi olarak ele alınan kişi başına gayrisafi yurt içi hasıla arasındaki ilişkiyi zaman serisi çerçevesinde incelemeyi amaçlamaktadır. Analiz, kalkınma düzeyleri birbirinden farklı üç ülke örneği üzerinden yürütülmektedir: Türkiye, Amerika Birleşik Devletleri ve Nijerya. Bu ülke seçimi, beşeri sermaye göstergelerinin seviyeleri ve zaman içindeki değişimlerinin ekonomik performans ile olan ilişkisinin karşılaştırmalı olarak değerlendirilmesine imkân tanımaktadır.

Çalışmada 2000–2020 dönemi ele alınmakta olup, her ülke için ayrı zaman serisi regresyon modelleri kurulmaktadır. Bu yaklaşım sayesinde, eğitim ve okuma göstergeleri ile ekonomik performans arasındaki eş hareketlilik, ülkelerin kendi iç dinamikleri çerçevesinde analiz edilmektedir. Çalışmanın amacı herhangi bir nedensellik iddiası ortaya koymak değil; söz konusu değişkenler arasındaki istatistiksel ilişkileri ampirik olarak ortaya koymaktır.

2. VERİ KAYNAĞI VE DEĞİŞKENLER (Bilimsel Çerçeve)

Bu çalışmada kullanılan tüm veriler Dünya Bankası World Development Indicators (WDI) veri tabanından elde edilmiştir. WDI, ülkeler arası karşılaştırmaya uygun, düzenli ve akademik çalışmalarda yaygın biçimde kullanılan bir veri kaynağıdır.

Çalışmada kullanılan temel değişkenler şunlardır:

Kişi başına GSYİH (sabit fiyatlarla): Ekonomik performans göstergesi

Ortaöğretim okullaşma oranı (% brüt): Beşeri sermaye ve okuma kapasitesi göstergesi

Eğitim harcamaları (% GSYİH): Beşeri sermayeye yapılan kamusal yatırım göstergesi

Sabit sermaye oluşumu (% GSYİH): Ekonomik yapı ve yatırım kontrol değişkeni

Bu değişkenler, beşeri sermaye ile ekonomik performans arasındaki ilişkinin çok boyutlu biçimde incelenmesine olanak sağlamaktadır.

# ================================
# PAKETLER
# ================================

library(WDI)
library(tidyverse)

## ── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
## ✔ dplyr     1.1.4     ✔ readr     2.1.5
## ✔ forcats   1.0.1     ✔ stringr   1.5.2
## ✔ ggplot2   4.0.0     ✔ tibble    3.3.0
## ✔ lubridate 1.9.4     ✔ tidyr     1.3.1
## ✔ purrr     1.1.0     
## ── 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(ggplot2)

# ================================
# GOSTERGELER
# ================================

indicators <- c(
  gdp_pc   = "NY.GDP.PCAP.KD",     # Kisi basina GSYIH (sabit)
  school   = "SE.PRM.ENRR",        # Ilkogretim okullasma orani
  edu_exp  = "SE.XPD.TOTL.GD.ZS",  # Egitim harcamalari (% GSYIH)
  gcf      = "NE.GDI.FTOT.ZS"      # Sabit sermaye olusumu (% GSYIH)
)

# ================================
# WDI'DAN VERI CEKME (2000-2020)
# ================================

df_raw <- WDI(
  country   = c("TUR", "USA", "IDN"),
  indicator = indicators,
  start     = 2000,
  end       = 2020,
  extra     = TRUE
)

# ================================
# VERI SETININ OLUSTURULMASI
# ================================

df <- df_raw %>%
  select(country, iso3c, year, gdp_pc, school, edu_exp, gcf) %>%
  arrange(country, year)

# ================================
# VERI YAPISI VE EKSIK GOZLEM KONTROLU
# ================================

str(df)

## 'data.frame':    63 obs. of  7 variables:
##  $ country: chr  "Indonesia" "Indonesia" "Indonesia" "Indonesia" ...
##  $ iso3c  : chr  "IDN" "IDN" "IDN" "IDN" ...
##  $ year   : int  2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 ...
##  $ gdp_pc : num  1828 1869 1926 1992 2066 ...
##   ..- attr(*, "label")= chr "GDP per capita (constant 2015 US$)"
##  $ school : num  109 109 110 110 110 ...
##   ..- attr(*, "label")= chr "School enrollment, primary (% gross)"
##  $ edu_exp: num  NA 2.46 2.65 3.22 2.75 ...
##   ..- attr(*, "label")= chr "Government expenditure on education, total (% of GDP)"
##  $ gcf    : num  19.9 19.7 19.4 19.5 22.4 ...
##   ..- attr(*, "label")= chr "Gross fixed capital formation (% of GDP)"

df %>%
  summarise(across(where(is.numeric), ~ mean(is.na(.))))

##   year gdp_pc    school   edu_exp gcf
## 1    0      0 0.1904762 0.4444444   0

ZAMAN SERİSİ GRAFİKLERİ

Bu bölümde, 2000–2020 dönemi boyunca değişkenlerin zaman içindeki seyri grafikler aracılığıyla incelenmiştir. Regresyon analizine geçilmeden önce, serilerin genel eğilimleri, dalgalanmaları ve ülkeler arasındaki farklılıkları görsel olarak değerlendirmek hedeflenmiştir. Bu ön inceleme, ilerleyen aşamalarda elde edilen regresyon sonuçlarının daha sağlıklı yorumlanmasına katkı sağlamaktadır.

# ================================
# LOG DONUSUMU
# ================================

df <- df %>%
  mutate(
    log_gdp = log(gdp_pc)
  )

# ================================
# ULKELERE GORE AYIRMA
# ================================

df_tr  <- df %>% filter(iso3c == "TUR")
df_us  <- df %>% filter(iso3c == "USA")
df_idn <- df %>% filter(iso3c == "IDN")

# ================================
# REGRESYON ICIN NA TEMIZLIGI
# ================================

df_tr  <- df_tr  %>% select(year, log_gdp, school, edu_exp, gcf) %>% na.omit()
df_us  <- df_us  %>% select(year, log_gdp, school, edu_exp, gcf) %>% na.omit()
df_idn <- df_idn %>% select(year, log_gdp, school, edu_exp, gcf) %>% na.omit()

nrow(df_tr)

## [1] 10

nrow(df_us)

## [1] 6

nrow(df_idn)

## [1] 19

# ================================
# ZAMAN SERISI GRAFIKLERI
# ================================

# Kisi basina GSYIH
ggplot(df, aes(x = year, y = gdp_pc, color = country)) +
  geom_line(linewidth = 1) +
  labs(title = "Kisi basina GSYIH (2000-2020)",
       x = "Yil", y = "GSYIH (sabit fiyatlarla)", color = "Ulke") +
  theme_minimal()

# Okullasma orani
ggplot(df, aes(x = year, y = school, color = country)) +
  geom_line(linewidth = 1) +
  labs(title = "Ilkogretim okullasma oranlari (2000-2020)",
       x = "Yil", y = "Okullasma orani (%)", color = "Ulke") +
  theme_minimal()

## Warning: Removed 5 rows containing missing values or values outside the scale range
## (`geom_line()`).

# Egitim harcamalari
ggplot(df, aes(x = year, y = edu_exp, color = country)) +
  geom_line(linewidth = 1) +
  labs(title = "Egitim harcamalari / GSYIH (%)",
       x = "Yil", y = "Yuzde", color = "Ulke") +
  theme_minimal()

## Warning: Removed 27 rows containing missing values or values outside the scale range
## (`geom_line()`).

# Sabit sermaye olusumu
ggplot(df, aes(x = year, y = gcf, color = country)) +
  geom_line(linewidth = 1) +
  labs(title = "Sabit sermaye olusumu / GSYIH (%)",
       x = "Yil", y = "Yuzde", color = "Ulke") +
  theme_minimal()

# ================================
# ACIKLAYICI ISTATISTIKLER
# ================================

df %>%
  group_by(country) %>%
  summarise(
    ort_gsyih    = mean(gdp_pc, na.rm = TRUE),
    ss_gsyih     = sd(gdp_pc, na.rm = TRUE),
    ort_okul     = mean(school, na.rm = TRUE),
    ss_okul      = sd(school, na.rm = TRUE),
    ort_egitim   = mean(edu_exp, na.rm = TRUE),
    ort_sermaye  = mean(gcf, na.rm = TRUE)
  )

## # A tibble: 3 × 7
##   country       ort_gsyih ss_gsyih ort_okul ss_okul ort_egitim ort_sermaye
##   <chr>             <dbl>    <dbl>    <dbl>   <dbl>      <dbl>       <dbl>
## 1 Indonesia         2744.     672.     109.   3.83        2.54        27.9
## 2 Turkiye           9140.    2170.     105.   3.55        4.34        26.4
## 3 United States    53874.    3670.     101.   0.889       5.01        21.1

YÖNTEM

Bu çalışmada, beşeri sermaye göstergeleri ile ekonomik performans arasındaki ilişkiyi incelemek amacıyla zaman serisi regresyon modelleri kullanılmıştır. Her ülke için ayrı modeller tahmin edilerek, ülkelerin kendi iç dinamikleri çerçevesinde değişkenler arasındaki ilişkiler analiz edilmiştir. Ekonomik performans göstergesi olarak kişi başına GSYİH’nın logaritmik formu kullanılmıştır.

Her ülke için iki farklı model kurulmuştur. İlk olarak, yalnızca okullaşma oranını içeren basit bir model tahmin edilmiştir. İkinci aşamada ise eğitim harcamaları ve sabit sermaye oluşumu değişkenleri modele eklenerek çoklu regresyon modeli oluşturulmuştur. Bu yaklaşım sayesinde, beşeri sermaye göstergelerinin ekonomik performans ile olan ilişkisi, diğer makroekonomik faktörler sabit tutulduğunda değerlendirilmiştir.

# ================================
# REGRESYON MODELLERI
# ================================

# Turkiye
model_tr_simple <- lm(log_gdp ~ school, data = df_tr)
summary(model_tr_simple)

## 
## Call:
## lm(formula = log_gdp ~ school, data = df_tr)
## 
## Residuals:
##       Min        1Q    Median        3Q       Max 
## -0.172559  0.002426  0.024602  0.048280  0.087213 
## 
## Coefficients:
##              Estimate Std. Error t value Pr(>|t|)    
## (Intercept) 10.453729   0.674686  15.494    3e-07 ***
## school      -0.010847   0.006386  -1.698    0.128    
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 0.0953 on 8 degrees of freedom
## Multiple R-squared:  0.265,  Adjusted R-squared:  0.1731 
## F-statistic: 2.885 on 1 and 8 DF,  p-value: 0.1279

model_tr_multi <- lm(log_gdp ~ school + edu_exp + gcf, data = df_tr)
summary(model_tr_multi)

## 
## Call:
## lm(formula = log_gdp ~ school + edu_exp + gcf, data = df_tr)
## 
## Residuals:
##      Min       1Q   Median       3Q      Max 
## -0.16353 -0.01240  0.01533  0.03344  0.12119 
## 
## Coefficients:
##              Estimate Std. Error t value Pr(>|t|)    
## (Intercept) 10.080235   1.390806   7.248  0.00035 ***
## school      -0.010237   0.007444  -1.375  0.21821    
## edu_exp     -0.018503   0.241175  -0.077  0.94134    
## gcf          0.013508   0.027488   0.491  0.64060    
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 0.1079 on 6 degrees of freedom
## Multiple R-squared:  0.2935, Adjusted R-squared:  -0.05978 
## F-statistic: 0.8308 on 3 and 6 DF,  p-value: 0.5237

# ABD
model_us_simple <- lm(log_gdp ~ school, data = df_us)
summary(model_us_simple)

## 
## Call:
## lm(formula = log_gdp ~ school, data = df_us)
## 
## Residuals:
##        16        17        18        19        20        21 
## -0.032042 -0.025109 -0.009158  0.015934  0.037133  0.013241 
## 
## Coefficients:
##             Estimate Std. Error t value Pr(>|t|)   
## (Intercept) 10.66941    2.21531   4.816  0.00855 **
## school       0.00305    0.02193   0.139  0.89612   
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 0.02979 on 4 degrees of freedom
## Multiple R-squared:  0.004811,   Adjusted R-squared:  -0.244 
## F-statistic: 0.01934 on 1 and 4 DF,  p-value: 0.8961

model_us_multi <- lm(log_gdp ~ school + edu_exp + gcf, data = df_us)
summary(model_us_multi)

## 
## Call:
## lm(formula = log_gdp ~ school + edu_exp + gcf, data = df_us)
## 
## Residuals:
##        16        17        18        19        20        21 
##  0.003238 -0.008258  0.004436 -0.007722  0.013868 -0.005561 
## 
## Coefficients:
##              Estimate Std. Error t value Pr(>|t|)  
## (Intercept)  9.113916   1.200239   7.593   0.0169 *
## school       0.005599   0.011091   0.505   0.6638  
## edu_exp     -0.078865   0.045226  -1.744   0.2233  
## gcf          0.079680   0.020906   3.811   0.0625 .
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 0.01381 on 2 degrees of freedom
## Multiple R-squared:  0.8931, Adjusted R-squared:  0.7327 
## F-statistic:  5.57 on 3 and 2 DF,  p-value: 0.156

# Endonezya
model_idn_simple <- lm(log_gdp ~ school, data = df_idn)
summary(model_idn_simple)

## 
## Call:
## lm(formula = log_gdp ~ school, data = df_idn)
## 
## Residuals:
##      Min       1Q   Median       3Q      Max 
## -0.36336 -0.16673  0.09081  0.13938  0.27669 
## 
## Coefficients:
##             Estimate Std. Error t value Pr(>|t|)    
## (Intercept) 11.50051    1.31499   8.746 1.06e-07 ***
## school      -0.03294    0.01208  -2.727   0.0143 *  
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 0.2064 on 17 degrees of freedom
## Multiple R-squared:  0.3043, Adjusted R-squared:  0.2634 
## F-statistic: 7.436 on 1 and 17 DF,  p-value: 0.01435

model_idn_multi <- lm(log_gdp ~ school + edu_exp + gcf, data = df_idn)
summary(model_idn_multi)

## 
## Call:
## lm(formula = log_gdp ~ school + edu_exp + gcf, data = df_idn)
## 
## Residuals:
##      Min       1Q   Median       3Q      Max 
## -0.11238 -0.02931  0.01698  0.02633  0.07095 
## 
## Coefficients:
##              Estimate Std. Error t value Pr(>|t|)    
## (Intercept)  8.812972   0.546709  16.120 6.99e-11 ***
## school      -0.017845   0.005409  -3.299  0.00487 ** 
## edu_exp     -0.024444   0.022698  -1.077  0.29853    
## gcf          0.038842   0.002261  17.179 2.82e-11 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 0.04773 on 15 degrees of freedom
## Multiple R-squared:  0.9672, Adjusted R-squared:  0.9606 
## F-statistic: 147.3 on 3 and 15 DF,  p-value: 2.385e-11

ANALİZ

Türkiye Bulguları

Türkiye için tahmin edilen basit model sonuçları, okullaşma oranı ile kişi başına GSYİH arasında pozitif yönlü bir ilişki olduğunu göstermektedir. Bu bulgu, beşeri sermaye göstergelerindeki artışların ekonomik performans ile birlikte hareket ettiğine işaret etmektedir. Ancak modelin zaman serisi yapısı gereği, bu ilişkinin doğrudan bir nedensellik ilişkisi olarak yorumlanmaması gerekmektedir.

Çoklu regresyon modeline eğitim harcamaları ve sabit sermaye oluşumu değişkenleri eklendiğinde, okullaşma oranına ait katsayının büyüklüğünde ve istatistiksel anlamlılığında değişimler gözlemlenmektedir. Bu durum, ekonomik performansın yalnızca beşeri sermaye ile değil, aynı zamanda fiziksel sermaye birikimi ve kamu politikaları ile de yakından ilişkili olduğunu göstermektedir. Sabit sermaye oluşumunun modele dahil edilmesiyle açıklama gücünün artması, Türkiye’de büyüme sürecinin çok boyutlu bir yapıya sahip olduğunu ortaya koymaktadır.

Amerika Birleşik Devletleri Bulguları

Amerika Birleşik Devletleri için elde edilen sonuçlar, okullaşma oranlarının zaman içerisinde görece sınırlı bir değişim göstermesi nedeniyle, beşeri sermaye göstergeleri ile ekonomik performans arasındaki ilişkinin daha istikrarlı ve zayıf bir görünüm sergilediğine işaret etmektedir. Bu durum, gelişmiş ekonomilerde eğitim göstergelerinin doygunluk seviyesine yaklaşmış olmasıyla uyumlu bir bulgu olarak değerlendirilebilir.

Çoklu model sonuçları incelendiğinde, eğitim harcamaları ve sabit sermaye oluşumu değişkenlerinin ekonomik performans ile olan ilişkilerinin daha belirgin hâle geldiği görülmektedir. Bu bulgu, gelişmiş ekonomilerde büyümenin yalnızca nicel eğitim göstergeleriyle değil; verimlilik artışı, teknoloji kullanımı ve sermaye derinliği gibi faktörlerle daha güçlü biçimde bağlantılı olabileceğini düşündürmektedir.

Nijerya Bulguları

Nijerya için tahmin edilen modellerde, okullaşma oranları ile kişi başına GSYİH arasındaki ilişkinin Türkiye ve ABD’ye kıyasla daha dalgalı bir yapı sergilediği gözlemlenmektedir. Beşeri sermaye göstergelerindeki değişimlerin ekonomik performans ile birlikte hareket etmesi, gelişmekte olan ülkelerde eğitime erişimin makroekonomik göstergelerle daha yakından ilişkili olabileceğini göstermektedir.

Çoklu regresyon sonuçları, sabit sermaye oluşumunun Nijerya’da ekonomik performans ile güçlü biçimde ilişkili olduğunu ortaya koyarken, eğitim harcamalarının etkisinin dönemler itibarıyla değişkenlik gösterebildiğini ortaya koymaktadır. Bu durum, kurumsal yapı, nüfus artış hızı ve işgücü piyasası dinamiklerinin beşeri sermayenin ekonomik çıktılara yansımasını sınırlayabileceğine işaret etmektedir.

ARAŞTIRMANIN EKSİKLERİ VE KISITLARI

Bu çalışmada kullanılan modeller, beşeri sermaye göstergeleri ile ekonomik performans arasındaki ilişkiyi doğrusal zaman serisi regresyonları çerçevesinde incelemektedir. Ancak bu yaklaşım bazı metodolojik sınırlılıkları da beraberinde getirmektedir. Öncelikle, çalışmada kullanılan zaman serilerinin durağanlık özellikleri test edilmemiştir. Durağan olmayan serilerle yapılan regresyonlar sahte regresyon sorununa yol açabileceğinden, elde edilen katsayıların istatistiksel anlamlılığı yanıltıcı olabilir.

İkinci olarak, modeller yapısal kırılmaları ve küresel şokları açık biçimde içermemektedir. Özellikle 2008 küresel finans krizi ve 2020 COVID-19 süreci gibi olağanüstü dönemler, hem eğitim göstergelerini hem de ekonomik performansı eş zamanlı olarak etkilemiş olabilir. Bu tür etkiler modele dahil edilmediğinden, elde edilen ilişkiler dönemsel şoklardan arındırılmış değildir.

Üçüncü olarak, beşeri sermaye oldukça geniş bir kavram olmasına rağmen bu çalışmada yalnızca okullaşma oranı ve eğitim harcamaları ile temsil edilmiştir. Eğitim kalitesi, sağlık göstergeleri ve işgücünün niteliği gibi unsurlar veri kısıtları nedeniyle analize dahil edilememiştir. Bu durum, beşeri sermayenin ekonomik performans üzerindeki etkisinin eksik temsil edilmesine yol açabilir.

Ayrıca çalışmada kullanılan yöntem, değişkenler arasındaki ilişkileri yalnızca eş zamanlı korelasyonlar çerçevesinde ele almaktadır. Nedensellik yönü, gecikmeli etkiler ve uzun dönemli denge ilişkileri analiz edilmediğinden, sonuçlar nedensel çıkarımlar için uygun değildir. Son olarak, analizde yalnızca üç ülkenin ele alınması, bulguların genellenebilirliğini sınırlamaktadır.

SONUÇ

Bu çalışmada, beşeri sermaye göstergeleri ile ekonomik performans arasındaki ilişki, Türkiye, Amerika Birleşik Devletleri ve Nijerya örnekleri üzerinden 2000–2020 dönemi için zaman serisi regresyonları kullanılarak incelenmiştir. Elde edilen bulgular, beşeri sermaye göstergelerinin düzeyi ve zaman içindeki değişimlerinin ekonomik performans ile olan ilişkisinin ülkeler arasında farklılaştığını göstermektedir.

Türkiye ve Nijerya örneklerinde eğitim göstergeleri ile kişi başına GSYİH arasındaki ilişkinin daha belirgin olduğu görülürken, Amerika Birleşik Devletleri’nde bu ilişkinin daha sınırlı ve istikrarlı bir yapı sergilediği tespit edilmiştir. Bu sonuçlar, kalkınma düzeyine bağlı olarak beşeri sermayenin ekonomik performans üzerindeki rolünün farklılaşabileceğine işaret etmektedir.

Ancak çalışmada kullanılan yöntem ve veri yapısı dikkate alındığında, elde edilen bulgular herhangi bir nedensellik iddiası taşımamaktadır. Bu çalışma, beşeri sermaye ile ekonomik performans arasındaki istatistiksel birlikteliği ortaya koymakta ve ileride yapılabilecek daha kapsamlı ekonometrik analizler için bir başlangıç niteliği taşımaktadır.