Öne çıkan

Küresel Ekonomik Beklentiler 2021 Ocak Dönemi Raporu

Dünya Bankası tarafından 5 Ocak 2021 tarihinde 234 sayfalık Küresel Ekonomik Beklentiler (Global Economic Prospects) raporunun Ocak 2021 sayısı yayınlanmıştır. Raporda ağırlıklı olarak COVID-19 pandemisinin ekonomik etkileri değerlendirilmiş, projeksiyonlar çizilerek sonuçları analiz edilmiş, ardından küresel toplumun ihtiyaç duyduğu alınacak politika tedbirleri ortaya konularak önerilerde bulunulmuştur. Bu yazımızda raporda yer verilen küresel ekonomik görünüm, Orta Doğu ve Kuzey Afrika (MENA) bölge ülkeleri ile Avrupa ve Batı Asya (ECA) bölge ülkelerine ilişkin ekonomik görünümlerde öne çıkan bulgular ele alınmıştır. Küresel Ekonomik Beklentiler Raporu’nun 2020 Ocak dönemi sayısında öne çıkan bulgular başlıklara göre şöyledir:

Küresel Ekonomik Görünüm

COVID-19 pandemisi, 1929 Dünya Ekonomik Bunalımı ve ikinci Dünya Savaşı’nın neden olduğu küresel durgunluktan daha derin küresel bir durgunluğa neden olmuştur. Küresel ekonomik faaliyet yeniden büyüyor olsa da öngörülebilir gelecekte olağan faaliyetlere dönülmesi olası değildir. Ciddi sayıda can kaybına neden olan salgın, aynı zamanda milyonları aşırı yoksulluğa sürüklemiştir. Uzun bir süre boyunca faaliyet ve geliri pandemi öncesi eğilimlerinin çok altında kalan bireylerin üzerinde kalıcı yaralar bırakması beklenmektedir. Küresel ekonomik çıktı, COVID-19’un tetiklediği ekonomik durgunluğun ardından toparlansa da, uzun bir süre için pandemi öncesi eğilimlerin altında kalacaktır. Pandemi, on yıllık bir küresel borç birikimi dalgasıyla ilişkili riskleri daha da kötüleştirmiştir. Pandeminin önümüzdeki on yılda potansiyel büyümede uzun zamandır beklenen yavaşlamayı da hızlandırması muhtemel görülmektedir.

Gelişmiş ekonomilerin, 2021 ve 2022 yıllarında sırasıyla yüzde 3,3 ve yüzde 3,5’e ulaşması öngörülen büyümenin yaygın aşılama ve maliye politikalarındaki kısmi genişleme ile birlikte para politikası düzenlemeleri sayesinde toparlanması beklenmektedir. Gelişmekte olan ülkelerde büyümenin 2021’de yüzde 5’e, 2022’de yüzde 4,2’ye yükselmesi öngörülse de iyileşme büyük ölçüde Çin’in beklenen toparlanmasını yansıtmaktadır.

Orta Doğu ve Kuzey Afrika (MENA) Bölgesi Ekonomik Görünümü

Orta Doğu ve Kuzey Afrika (MENA) ülkelerindeki üretimin 2020’de yüzde 5,0 daraldığı tahmin edilmektedir. COVID-19 kaynaklı aksaklıklar petrol fiyatları ve petrol talebindeki keskin düşüşle birlikte kendini göstermiştir. MENA ülkelerindeki petrol ihracatçılarının üretiminin 2020’de yüzde 5,7 daraldığı tahmin edilmektedir. Bu daralma, bölgede zaten yavaşlayan büyümeyi daha da şiddetlendirmekte ve pandemi öncesi kişi başına gelir kayıplarını artırmaktadır. Pandemi kontrol altına alındığında ve kısıtlamalar hafifletildiğinde küresel petrol talebi artarken ve politika desteği devam ederken büyümenin 2021’de yüzde 2,1’e yükselmesi beklenmektedir.

Ancak pandeminin bölgede kalıcı ekonomik izler bırakması ve potansiyel büyümeyi azaltması beklenmektedir. COVID-19’un yeniden alevlenmesi, jeopolitik gerilimler ve siyasi istikrarsızlıkla ilgili daha fazla sorun alanlarının olması, petrol fiyatları ve ödemeler dengesi üzerinde aşağı yönlü bir görünümün ortaya çıkmasına neden olan risklerdir. Petrol ihracatçı ülkeler arasında, petrol talebinin normalleşmesi, OPEC ve petrol üretim kesintilerinin planlı bir şekilde gevşetilmesi, politika desteği ve yerel salgınla ilgili kısıtlamaların kademeli olarak kaldırılmasıyla büyümenin 2021’de yüzde 1,8’e çıkması beklenmektedir. Suudi Arabistan’da pandemi sırasında ertelenen kamu sermayesi yatırım projelerinin yeniden başlaması büyümeyi destekleyecektir. İran’daki büyümenin iç tüketim ve turizmin normale dönmeye başlaması ve COVID-19’un seyrinin stabil hale gelmesiyle toparlanması beklenmektedir. MENA bölge ülkelerinde piyasa fiyatlarına göre reel GSYH’da büyüme tahminleri ve 2021 öngörüleri Tablo 1’de verilmiştir.

Tablo 1: Orta Doğu ve Kuzey Afrika (MENA) Bölge Ülkelerinde Piyasa Fiyatlarına Göre Reel GSYH Tahminleri (%)

Kaynak: Dünya Bankası verilerinden tarafımca düzenlenmiştir.

Avrupa ve Batı Asya (ECA) Bölgesi Ekonomik Görünümü

ECA ülkelerinde COVID-19’un yeniden alevlenmesi faaliyetlerde kalıcı kesintilere neden olduğu için bölgesel ekonominin 2021’de yüzde 3,3 büyümesi beklenmektedir. Virüsün hızlı yayılması ve artan jeopolitik gerilimlerle birlikte ECA ekonomilerinin yaklaşık yüzde 75’indeki aşağı yönlü revizyonları yansıtan bölgesel tahminler 2021’de daha da düşürülmüştür. Pandeminin ekonomik etkilerinin giderek azalması ve ticaret ve yatırımdaki toparlanmanın ivme kazanmasıyla ECA ülkelerindeki büyümenin 2022’de yüzde 3,9’a yükselmesi beklenmektedir. 2022’deki iyileşmeye rağmen, GSYH’nin pandemi öncesi döneme göre tahminlerin yaklaşık yüzde 3 altında kalması beklenmektedir. 2020 yılında ekonomilerin yaklaşık beşte birinde salgın nedeniyle kişi başına düşen gelir, beş veya daha fazla yıl boyunca kaybedilmiştir. Ayrıca salgının, yatırım ve beşeri sermaye birikimi üzerindeki zararlı etkileri nedeniyle uzun vadede verimlilik artışındaki yavaşlamayı daha da şiddetlendirmesi beklenmektedir. Orta Avrupa’da büyümenin 2021’de yüzde 3,6’ya yükselmesi öngörülmektedir. Bu öngörü Euro bölgesinde faaliyet hacminin artmasıyla birlikte ticaretteki toparlanmayla da desteklenmektedir. Ancak COVID-19 vakalarındaki son artışla birlikte ekonomik görünüm tahminleri düşürülmüştür. Sıfıra yakın politika faiz oranları olan Macaristan, Polonya ülkeleri de dahil olmak üzere olağanüstü politika düzenlemelerinin 2021 boyunca devam etmesi beklenmektedir. ECA alt bölgeleri arasında en yüksek oranda mali destek paketi GSYH’nın yüzde 9’uyla Orta Avrupa ülkelerinde gerçekleşmiştir. COVID-19 ile mücadelenin bir parçası olarak Orta Avrupa ülkelerine yönelik hazırlanan Avrupa Birliği (AB) yapısal fon paketi orta vadeli büyümeyi desteklemektedir.

Türkiye ekonomisi 2020’de daralmadan kaçınmış ve kredilerdeki önemli artışla birlikte işlem tahmini yüzde 0,5 oranında artırmıştır. İç talepteki toparlanmanın sürmesi ile büyümenin 2021’de yüzde 4,5’e yükselmesi beklenmektedir. Politika faiz oranındaki artışlara rağmen Türk lirası ABD doları karşısında yeniden düşüşe geçmiştir. Bu durum bilançoları aşındırmış ve ek döngüsel karşı politika tedbirlerine başvurulmuştur. Yeni COVID-19 vakalarındaki keskin artış beklenenden daha zayıf uluslararası turizm talebi oluşturmuş, daha sıkı para politikası uygulanması ise ekonomik iyileşme üzerinde baskı yaratmıştır.

Denemelerde yüksek etkinlik oranlarına sahip birden fazla COVID-19 aşısının geliştirilmesine rağmen ekonomik görünümün riskleri hala yüksektir. ECA ülkelerinde kısa vadeli büyüme görünümü bazı ülkelerde sosyal refah düşüşleri, yeniden tırmanan jeopolitik gerilimler ve yeni vakalardaki artışla birlikte daha da belirsiz bir hal almıştır. Birkaç Euro bölgesi ülkesi, ECA’daki dış talebi zayıflatabilecek ülke çapında kapanmaları yeniden uygulamaya zorlanmıştır. Benzer şekilde, ECA içinde artan vakalar daha katı kısıtlamalar getirebilir.

Seyahatteki gerileme uzun sürerse, özellikle turizme bağımlı Orta Avrupa, Türkiye, Batı Balkan ekonomilerinde büyüme tahminleri çok daha zayıf bir seyir izleyebilir. COVID-19 aşılarının üretimi, tedariki veya dağıtımındaki gecikmeler, beklenenden düşük aşı etkinliği veya pandemiye bağlı kısıtlamaların devam etmesi de ekonomik iyileşmeyi geciktirebilir. Dağıtım ve aşılamanın zorlukları, sağlık hizmeti kapasitesinin ECA’nın diğer bölgelerinden daha zayıf kalan Orta Asya’da özellikle artmaktadır. ECA bölge ülkelerinde piyasa fiyatlarına göre reel GSYH’da büyüme tahminleri ve 2021 öngörüleri ise Tablo 2’de verilmiştir.

Tablo 2: Avrupa ve Batı Asya (ECA) Bölge Ülkelerinde Piyasa Fiyatlarına Göre Reel GSYH Tahminleri (%)

Kaynak: Dünya Bankası verilerinden tarafımca düzenlenmiştir.

Faydalı olması ve farkındalık oluşturması dileğiyle.

Bilimle ve teknolojiyle kalınız.

Yararlanılan Kaynaklar

  • World Bank. 2021. Global Economic Prospects, January 2021. Washington, DC: World Bank. DOI: 10.1596/978-1-4648-1612-3. License: Creative Commons Attribution CC BY 3.0 IGO.
  • Microsoft Corporation. (2016). Microsoft Excel. Retrieved from https://office.microsoft.com/excel
Öne çıkan

Haziran 2020 Küresel Ekonomik Beklentiler Raporu

Dünya Bankası tarafından 8/6/2020 tarihinde 238 sayfalık Küresel Ekonomik Beklentiler (Global Economic Prospects) raporunun Haziran 2020 sayısı yayınlanmıştır. Raporun bu baskısında COVID-19 pandemisinin etkilerini değerlendirilmekte ve projeksiyonlar çizilerek sonuçları analiz edilmektedir. Aynı zamanda raporda küresel toplumun ihtiyaç duyduğu alınacak politika tedbirlerini ortaya koyarak önerilerde bulunulmaktadır.

COVID-19 resesyonu, 1870’ten bu yana pandeminin neden olduğu ilk resesyondur. Mevcut tahminler ise COVID-19 küresel resesyonunun II. Dünya Savaşı’ndan sonra yaşanan en derin resesyon olacağını göstermektedir. Son 60 yılda gelişmekte olan pazar ekonomileri ve gelişmekte olan ekonomilerin 2020’de ilk kez küçülmesi beklenmektedir. Mevcut küresel durgunluk, 1990’dan bu yana küresel büyüme tahminlerini diğer durgunluklardan daha sert ve hızlı bir şekilde revize edilmesi bakımından da benzersizdir. Rapora göre küresel ölçekte öne çıkan bulgular şöyledir:

  • Piyasa fiyatlarına göre 2020 yılı sonunda küresel ekonomide reel olarak % 5,2 daralma, 2021 yılı sonunda % 4,2’lik bir büyüme beklenmektedir.
  • Latin Amerika ve Karayipler (LAC) ve Avrupa ve Orta Asya (ECA), kısmen iç salgınlarının büyüklüğü nedeniyle diğer bölgelere göre büyümede daha büyük ölçekli bir düşüş beklentisi içerisinde olacaktır. Gelişmekte olan ülke ekonomilerinde sıkı maliye ve para politikası önlemleri alınsa da 2020 yılı içerisinde kişi başına düşen gelir büyük oranda düşecektir.
  • ABD, Japonya ve Euro bölgesinin oluşturduğu gelişmiş ekonomilerde reel olarak 2020 yılı sonunda % 7 küçülme, 2021 yılı sonunda ise % 7 büyüme olması öngörülmektedir. Ülke bazlı bakıldığında ABD ekonomisi 2020 yılı sonunda % 6,1 (-6,1) küçülmesi, 2021 yılı sonunda ise % 4 büyümesi beklenmektedir. Japonya ekonomisi ABD ekonomisine benzer olarak 2020 yılı sonunda % 6,1 küçülmesi, 2021 yılı sonunda ise % 2,5 büyümesi beklenmektedir. Diğer taraftan Euro Bölgesi ekonomileri 2020 yılı sonunda % 9,1 küçülmesi, 2021 yılı sonunda ise % 4,5 büyümesi beklenmektedir.
  • Rusya, Türkiye ve Polonya’nın aralarında bulunduğu gelişmekte olan Avrupa ve Orta Asya ekonomilerinde 2020 yılı sonunda % 4,7 küçülme, 2021 yılı sonunda ise % 3,6’lık bir büyüme beklenmektedir. Diğer taraftan ülke bazlı bakıldığında Rusya ekonomisi 2020 yılı sonunda % 6 küçülmesi, 2021 yılı sonunda ise % 2,7 büyümesi beklenmektedir. Türkiye ekonomisi 2020 yılı sonunda % 3,8 küçülmesi, 2021 yılı sonunda ise % 5 büyümesi beklenmektedir. Diğer taraftan Polonya 2020 yılı sonunda % 4,2 küçülmesi, 2021 yılı sonunda ise % 2,8 büyümesi beklenmektedir. Bu bulgulardan Avrupa ve Orta Asya ekonomilerinde 2021 yılı sonunda büyüme beklentisinin en yüksek olduğu ülkenin Türkiye olduğu anlaşılmaktadır. Aynı zamanda 2021 yılı sonunda Türkiye için belirlenen büyüme oranı Dünya ekonomisinde beklenen büyüme oranından da yüksektir.
  • 2020 yılı için alınan teşvik önlemleri kapsamında yapılan harcamaların Gayri Safi Yurtiçi Hasıla (GSYİH) içindeki oranı bakımından Türkiye küresel ölçekte Orta Avrupa bölgesinin ardından 2. sırada yer almaktadır.
  • Turizm sektörü Türkiye’nin de aralarında bulunduğu Avrupa ve Orta Asya bölgesinde kesintiye uğramıştır. Turizm sektöründe yaşanan bu kesintiden en fazla turizmin GSYİH içindeki payının yüksek olduğu Arnavutluk, Hırvatistan, Gürcistan, Karadağ ülkeleri etkilenmiştir.
  • Avrupa ve Orta Asya bölgesinde bulunan özellikle Bulgaristan, Macaristan, Polonya, Romanya ve Türkiye’nin aralarında imalat sanayi firmalarının Euro bölgesindeki ihracatlarında istikrarlı bir düşüş seyri gözlemlenmiştir.

Faydalı olması ve farkındalık oluşturması dileğiyle.

Bilimle ve teknolojiyle kalınız.

Saygılarımla.

Not: Kaynak gösterilmeden alıntı yapılamaz veya kopyalanamaz.

Note: It can not be cited or copied without referencing.

Yararlanılan Kaynak

“World Bank. 2020. Global Economic Prospects, June 2020. Washington, DC: World Bank. © World Bank. https://openknowledge.worldbank.org/handle/10986/33748 License: CC BY 3.0 IGO.”

Düşük Doğurganlık Türkiye İçin Tehdit Mi Oluşturuyor?

Bilindiği üzere Türkiye İstatistik Kurumu (TÜİK) yakın zamanda Türkiye için önemli nüfus göstergelerinden biri olan toplam doğurganlık hızlarını açıkladı. Bir kadının doğurganlık dönemini içine alan 15 ile 49 yaş arasında doğurabileceği ortalama çocuk sayısını gösteren toplam doğurganlık hızı ürkütücü seviyelere düştü. Gelişmiş ülkelerde bir neslin yenilenme düzeyi eşik değeri 2,10 seviyesi olarak görülmektedir. Diğer bir deyişle, kadın başına ortalama doğum sayısının en az 2,10 seviyesinde olması gerekir. TÜİK tarafından 13 Mayıs 2020 tarihinde 2019 yılına ait açıklanan toplam doğurganlık hızı 2,10 yenilenme düzeyinin çok altında kalarak son 60 yılın en düşük seviyesi olan 1,88 seviyesinde gerçekleşmiştir. Tabiri caizse ülkemizin toplam doğurganlık hızları alarm vermektedir. Avrupa ülkelerine kıyasla övündüğümüz genç nüfus potansiyelimizi ve avantajımızı hızla kaybediyoruz. Ne yazık ki aynı azalma trendinin devam etmesi öngörüldüğünden bu avantajımızı koruyamayacağımızı da ifade etmek lazım. Bu düşüş trendinin devam etmesi bir yana durağan bir seyir izlemesi bile ülkeler için artık büyük bir başarı olarak görülmektedir. Zira Avrupa ülkeleri başta olmak üzere diğer Dünya ülkelerinde de toplam doğurganlık hızları düşmekte, dünya nüfusu yaşlanmaya devam etmektedir. Bazı ülkeler bu gerçeği bilerek politikalarını ona göre dizayn etmeye çoktan başlamışlardır. Örneğin, Japonya bu gerçeği çok iyi bilerek yaşlı nüfusun getireceği dezavantajları elimine etmek için Toplum 5.0 programını başlatmıştır.

Ülkeler ve bölgeler arası karşılaştırma yapılabilmesi adına TÜİK ve Dünya Bankası verileri kullanılmıştır. Dünya Bankası veri tabanında bulunan toplam doğurganlık veri setindeki zaman serisi 1960 yılından başlayıp 2018 yılında son bulduğu için adı geçen veri setinde 2019 yılına ait toplam doğurganlık hızı bulunmamaktadır. Bu yüzden TÜİK tarafından yayınlanmış 2019 yılına ait toplam doğurganlık verisi kullanılarak sonraki bölümlerde bahsedilen grafiklere yansıtılmıştır. Grafiklere toplam doğurganlık verisi grafiklere yansıtılırken ayrıca şöyle bir yol izlenmiştir: Toplam doğurganlık hızlarının genel seyrini görme adına ilk olarak 1960 yılından 2019 yılına kadar (bu yıl dahil) zaman serisi verisi verilmiş, ardından ise daha yakın plandan görebilmek adına zaman aralıkları daraltılarak toplam doğurganlık hızları sunulmuştur. Veri analizlerinde R programlama dili kullanılarak grafikler oluşturulmuştur.

Türkiye’de toplam doğurganlık hızlarının 1960 yılından 2019 yılına kadar (bu yıl dahil) geçen 60 yılda izlediği seyir, Dünya, Euro Bölgesi ve OECD Ülkeleri toplulaştırılmış toplam doğurganlık hızları ile karşılaştırmalı olarak Şekil 1’de verilmiştir. Şekil 1’de x eksenine paralel kesik mavi çizgi yenilenme düzeyi (2,10)’ni göstermektedir. Şekil 1’e göre öne çıkan bulgular şöyledir:

  • Geçen son 60 yılda genel olarak ülke ve bölgelere bakıldığında toplam doğurganlık hızları sürekli azalış trendi göstermektedir. Ancak toplam doğurganlık hızları açısından en keskin ve istikrarlı düşüş seyri Türkiye’de olduğu gözlenmiştir. Bu düşüş trendini Dünya ülkelerine ait toplulaştırılmış doğurganlık hızları takip etmiştir. Ancak Dünya ülkelerine ait toplulaştırılmış doğurganlık hızları hızlı bir düşüş seyri ortaya koysa da hala yenilenme düzeyinin altına düşmemiştir.
  • Toplam doğurganlık hızı en erken yenilenme düzeyi altına düşen ülke veya bölgeler sırasıyla Euro Bölgesi ve OECD ülkeleridir.

Şekil 1: Ülkelere / Bölgelere Göre Toplam Doğurganlık Hızlarının Yıllara Göre Dağılımı (1960-2019)

Kaynak: TÜİK ve Dünya Bankası verilerinden tarafımca düzenlenmiştir.

Şimdi de toplam doğurganlık hızlarını biraz daha yakın plandan görmek için 1989’dan 2019 yılına kadar (bu yıl dahil) geçen 31 yıllık zaman diliminde toplam doğurganlık hızlarını karşılaştırmalı olarak ele alalım. Elde edilen 31 yıllık zaman dilimine ait toplam doğurganlık hızları Şekil 2’de verilmiştir. Şekil 2’de x eksenine paralel kesik mavi çizgi yenilenme düzeyi (2,10)’ni göstermektedir. Şekil 2’ye göre öne çıkan bulgular şöyledir:

  • Türkiye’nin 31 yıllık zaman diliminde toplam doğurganlık hızları 60 yıllık zaman dilimindeki izlenen seyre benzer olarak diğer ülke veya bölgelere göre en keskin düşüşe sahip ülkedir. Toplam doğurganlık hızlarındaki bu keskin düşüsün en yüksek olduğu yıl 2019 yılıdır.
  • Son 31 yıllık zaman diliminde Euro Bölgesi ve OECD ülkelerinin toplam doğurganlık hızları 2,10 olan yenilenme düzeyinin altında kalmıştır. OECD ülkelerinin toplam doğurganlık hızları yenilenme düzeyinin altında kalsa da Euro Bölgesi toplam doğurganlık hızlarından daha yüksektir. Euro Bölgesi toplam doğurganlık hızlarının dip yaptığı yıl 1995 iken, OECD ülkelerin toplam doğurganlık hızlarının dip yaptığı yıl ise 2018 yılıdır.

Şekil 2: Ülkelere / Bölgelere Göre Toplam Doğurganlık Hızlarının Yıllara Göre Dağılımı (1989-2019)

Kaynak: TÜİK ve Dünya Bankası verilerinden tarafımca hazırlanmıştır.

Toplam doğurganlık hızlarını daha da yakın plandan görmek için 1999’dan 2019 yılına kadar (bu yıl dahil) geçen 21 yıllık zaman diliminde toplam doğurganlık hızlarını karşılaştırmalı olarak değerlendirelim. Elde edilen 21 yıllık zaman dilimine ait toplam doğurganlık hızları Şekil 3’te sunulmuştur. Şekil 3’te x eksenine paralel kesik mavi çizgi yenilenme düzeyi (2,10)’ni göstermektedir. Şekil 2’ye göre öne çıkan bulgular şöyledir:

  • Türkiye’de son 21 yıllık zaman diliminde toplam doğurganlık hızının en yüksek seviyesine ulaştığı 1999 yılında kadın başına ortalama doğum sayısı 2,56 olarak gerçekleşmiştir. Bu bulgu aynı zamanda son 21 yılda yenilenme düzeyi (2,10)’nin üstünde gerçekleşen en yüksek toplam doğurganlık hızıdır.
  • Türkiye’de toplam doğurganlık hızının en düşük seviyede gerçekleştiği 2019 yılında kadın başına ortalama doğum sayısı 1,88 olarak gerçekleşmiştir. Bu bulgu aynı zamanda son 60 yılda yenilenme düzeyinin altında gerçekleşen en düşük toplam doğurganlık hızıdır.

Şekil 3: Ülkelere / Bölgelere Göre Toplam Doğurganlık Hızlarının Yıllara Göre Dağılımı (1999-2019)

Kaynak: TÜİK ve Dünya Bankası verilerinden tarafımca hazırlanmıştır.

Toplam doğurganlık hızlarını çok daha yakın plandan görmek için 2009’dan 2019 yılına kadar (bu yıl dahil) geçen 11 yıllık zaman diliminde toplam doğurganlık hızlarını karşılaştırmalı olarak inceleyelim. Elde edilen 11 yıllık zaman dilimine ait toplam doğurganlık hızları Şekil 4’te verilmiş olup,  Şekil 4’te x eksenine paralel kesik mavi çizgi yenilenme düzeyi (2,10)’ni göstermektedir. Şekil 4’e göre öne çıkan bulgular şöyledir:

  • Türkiye’de son 11 yıllık zaman diliminde toplam doğurganlık hızı (TDH)’nın en yüksek seviyesine ulaştığı 2009 yılında kadın başına ortalama doğum sayısı 2,17 olarak gerçekleşmiştir. Bu bulgu aynı zamanda son 11 yılda yenilenme düzeyi (2,10)’nin üstünde gerçekleşen en yüksek TDH’dır.
  • Türkiye’de son 11 yıllık ve 60 yıllık zaman diliminde toplam doğurganlık hızı 2016 (TDH=2,09) yılından itibaren yenilenme düzeyinin altına inmeye başlamış ve bu düşüş trendi bir daha yenilenme düzeyinin üstüne çıkmamıştır. Aksine 2016 yılından itibaren toplam doğurganlık hızları yenilenme düzeyinin altında sürekli olarak azalmaya devam etmiş ve 2019 yılında bu azalış trendindeki artış zirveye ulaşmıştır.
  • Türkiye’de toplam doğurganlık hızının en düşük seviyede gerçekleştiği 2019 yılında kadın başına ortalama doğum sayısı 1,88 olarak gerçekleşmiştir. Bu bulgu aynı zamanda son 11 ve 60 yılda yenilenme düzeyinin altında gerçekleşen en düşük toplam doğurganlık hızıdır.
  • Euro Bölgesi ve OECD ülkelerinde toplam doğurganlık hızları yenilenme düzeyinin altında azalış gösterse de Türkiye’deki kadar keskin bir azalış trendi söz konusu değildir.

Şekil 4: Ülkelere / Bölgelere Göre Toplam Doğurganlık Hızlarının Yıllara Göre Dağılımı (2009-2019)

Kaynak: TÜİK ve Dünya Bankası verilerinden tarafımca hazırlanmıştır.

Toplam doğurganlık hızlarını Japonya’yı dahil ederek görmek için 1960’dan 2019 yılına kadar (bu yıl dahil) geçen 60 yıllık zaman diliminde toplam doğurganlık hızlarını karşılaştırmalı olarak inceleyelim. Elde edilen 60 yıllık zaman dilimine ait toplam doğurganlık hızları Şekil 5’te verilmiş olup,  Şekil 5’te x eksenine paralel kesik mavi çizgi yenilenme düzeyi (2,10)’ni göstermektedir. Şekil 5’e göre öne çıkan bulgular şöyledir:

  • Geçen son 60 yılda genel olarak ülke ve bölgelere bakıldığında toplam doğurganlık hızları sürekli azalış trendi göstermektedir. Ancak elde edilen bulgulardan toplam doğurganlık hızları hem düşük olması hem de toplam doğurganlık hızları uzun yıllar yenilenme düzeyinin altında seyretmesi açısından Japonya diğer ülkelere göre en dezavantajlı ülke olduğu görülmektedir. Diğer taraftan ülke ve bölgeler içerisinde toplam doğurganlık hızları açısından en keskin ve istikrarlı düşüş seyri Türkiye’de olduğu gözlenmiştir.

Şekil 5: Ülkelere / Bölgelere Göre Toplam Doğurganlık Hızlarının Yıllara Göre Dağılımı (1960-2019)

Kaynak: TÜİK ve Dünya Bankası verilerinden tarafımca hazırlanmıştır.

Toplam doğurganlık hızlarını Japonya özelinde daha net görebilmek adına 1960’dan 2018 yılına kadar (bu yıl dahil) geçen 59 yıllık zaman diliminde toplam doğurganlık hızlarını ele alalım. Elde edilen 59 yıllık zaman dilimine ait toplam doğurganlık hızları Şekil 6’da verilmiş olup, Şekil 6’da x eksenine paralel kesik mavi çizgi yenilenme düzeyi (2,10)’ni göstermektedir. Şekil 6’ya göre öne çıkan bulgular şöyledir:

  • Geçen son 59 yılda Japonya’nın toplam doğurganlık hızları sadece 1965, 1968-1973 dönemlerinde yenilenme düzeyinin çok az üstünde gerçekleşmiştir. Bu dönemler dışındaki yıllarda toplam doğurganlık hızları sürekli olarak yenilenme düzeyinin altında kalmakla birlikte toplam doğurganlık hızlarının dalgalı bir seyir izlediği gözlemlenmiştir. Toplam doğurganlık hızının en düşük olduğu 2005 yılında kadın başına düşen ortalama çocuk sayısı 1,26’dır.

Şekil 6: Japonya’nın Toplam Doğurganlık Hızlarının Yıllara Göre Dağılımı (1960-2018)

Kaynak: TÜİK ve Dünya Bankası verilerinden tarafımca hazırlanmıştır.

Toplam doğurganlık hızları neden düşüyor?

Toplum doğurganlık hızlarının düşme nedenleri arasında evrensel gerçekler olduğu kadar ülke gerçekleri de mevcuttur. Evrensel gerçeklerden bahsetmek gerekirse öne çıkabilecek birkaç neden şöyle belirtilebilir:

  • Özellikle kadın tarafından bakıldığında eğitim düzeylerinin yükselmesi doğurganlık hızlarını düşürmektedir. Diğer bir ifadeyle, eğitim düzeyi ile doğurganlık hızı ters orantılıdır.
  • Refah düzeylerinin artması doğurganlık düzeyini azaltmaktadır.
  • Kariyer odaklı beklentilerinin artması doğurganlık düzeylerinde azaltıcı yönde etkide bulunmaktadır.

Türkiye açısından bakıldığında doğurganlık hızlarının azalmasında öne çıkabilecek birkaç neden şöyle ifade edilebilir:

  • Kadınların işgücü piyasasına katılımının hızla artma eğilimi göstermesi hem çocuk sayısı kararını hem de çocuk yapma kararını ertelemektedir. Bu durum beraberinde geniş aileden çekirdek aile yapısına geçişi de hızlandırmış ve hızlandırmaya devam etmektedir.
  • İşsizlik oranının yüksek olmasına bağlı olarak özellikle erkeklerin bir gelecek kuramama endişesi yaşaması doğurganlık hızlarını olumsuz etkilemektedir.
  • Geleneksel evlilik kurumuna atfedilen kutsiyetin yavaş yavaş ortadan kaybolması ve birlikte yaşam (cohabitation) kültürünün ön plana çıkmaya başlaması doğurganlık hızlarını olumsuz yönde etkilemektedir.
  • Hem erkek hem de kadın tarafında evlilikten beklentilerin giderek artması doğurganlık hızları üzerinde olumsuz etkiye sahiptir.

Bahsedilenlere bakıldığında çok iç açıcı şeylerden bahsetmesek de bu nedenlere bakarak bundan sonra alınabilecek politika tedbirlerinin özellikle eğitim ve teknoloji bağlamında neler olabileceğini ele alabiliriz. Hal böyle olunca duruma göre ülke olarak pozisyon almamız ve gerçeği kabullenmemiz gerekir.

Peki bu durumda ne yapmalıyız?

Doğurganlık hızlarının düşmesine bağlı olarak çalışma çağındaki nüfusun azalması önümüzdeki yıllarda sigorta sistemimiz veya sistemleri üzerinde ciddi sıkıntılar oluşturacaktır. Bu durumda verimlilik esas alındıktan sonra bir yandan eğitim kalitesini yükselterek diğer yandan da hızla dijitalleşmenin yolunu açarak emin ve istikrarlı adımlarla ilerlemek zorundayız. Başta Avrupa ülkeleri olmak üzere dünya ülkelerinin birçoğu yaşlanan nüfusun sigorta sistemleri üzerine getireceği yükleri elimine etmek veya azaltmak için 4. sanayi devrimi olarak da adlandırdığımız sanayinin dijitalleşmesine ve tam otomasyona doğru adımlar attığı görülmektedir. Benzer şekilde Japonya’nın yaşlanan nüfusunun bir sonucu olarak bilgi toplumundan akıllı topluma geçişi amaçlayan ve 2015 yılında Beşinci Bilim ve Teknoloji Temel Planı (The 5th Science and Technology Basic Plan) raporu ile ortaya konulan Toplum 5.0 da böyledir. Esasında buradan bakıldığında bu adımlar mantıklı görülmektedir. Çünkü çalışma çağındaki nüfusun giderek azalan bir seyir izlemesi ve doğurganlık hızlarına bağlı olarak nüfusun yenilenme düzeyinin altında azalan bir seyir izlemesi bu adımları haklı kılmaktadır.

Diğer taraftan işveren tarafından bakıldığında ise dijitalleşme ve tam otomasyona geçiş firmalara verimlilik artışı sağlayarak hem rekabet avantajı hem de daha hızlı büyümelerine imkan sunacaktır. Şimdi şöyle düşünelim; dijitalleşme ve tam otomasyon işverenlerin iş kazalarındaki sorumluluğunu ve kıdem tazminatları ödenmesini azaltacaktır ve zamanla belki de bazı yüksek teknoloji sınıfındaki sektörlerde bu yükümlülükleri tamamen ortadan kaldıracak, buna bağlı olarak istihdam azalacaktır. Bu büyük bir artı olarak düşünülmesi gerekir işveren tarafında. Ancak devlet tarafından bakıldığında istihdam azalışı olması olumsuz yorumlanabilecek bir durum ortaya koyacaktır. Hal böyle iken devlet özellikle otomasyonun ve yapay zekâ teknolojilerinin hat safhaya ulaşacağı teknoloji yoğun sanayi sektörlerinin dışında istihdam artışı sağlamanın yollarını arayacaktır. Bu durumda ise ülkemiz sahanın ihtiyaçlarına uygun nitelikli eğitimin önünü açarak hizmet sektörleri başta olmak üzere insan kaynağı yetiştirmesi her zamankinden daha önemli hale gelecektir. 

Bahsedilenler özetlenecek olursa doğurganlık hızının yenilenme düzeyinin altında olması büyük bir dezavantaj görülse de bu durumun nitelikli eğitime ve dijitalleşmeye geçişi zorunlu kılacak olması açısından büyük bir avantaj sağlamaktadır eğer sürdürebilir adımlar atılırsa. Bu yönde ülkemizin attığı adımlar elbette mevcuttur ve esasen dijital teknolojilerde ülkemiz nispeten iyi durumdadır fakat özellikle bu teknolojilere yönelik kurumsallaşma adımlarının atılması ve tamamlanması bağlamında yeterli değildir. Benzer şekilde doğurganlık hızlarının en azından belirli seviyede durağan bir seyir izlenmesinin sağlanması adına aile politikalarının ve sosyal politikaların tekrar gözden geçirilerek ülke gerçekleri ve toplumsal dokuya uygun olarak revize edilmesi önemle tavsiye edilmektedir. Bu nedenle atılan veya atılacak bu adımları sürdürülebilir kılmak için kısır ve verimsiz tartışma ve konu alanlarından uzak durularak ve ülkemiz gerçekleri dikkate alınarak ivedi bir şekilde politika tedbirlerinin alınması ve kurumsallaşma adımlarının tesis edilmesi gerekir.

Faydalı olması ve farkındalık oluşturması dileğiyle.

Bilimle ve teknolojiyle kalınız.

Saygılarımla.

Analizlerde kullanılan veri setini aşağıdaki linkten indirebilirsiniz.

Makalenin pdf versiyonunu aşağıdaki linkten indirebilirsiniz.

Not: Kaynak gösterilmeden alıntı yapılamaz veya kopyalanamaz.

Note: It can not be cited or copied without referencing.

Yararlanılan Kaynaklar

Türkiye’deki COVID-19 Pandemisinin Büyüklüğü: Size of the Covid-19 Pandemics in Turkey

Dünyayı derinden etkileyen koronavirüs pandemisinin mevcut durumdaki büyüklüğünü ortaya koymaya yönelik geliştirdiğim epidemiyolojik dalga boyu modelleri Yale Üniversitesi destekli Uluslararası Tıp Arşivinde ön baskı olarak yayınlanmıştır. Bu modeller kullanılarak Türkiye’deki koronavirüs salgınının büyüklüğü dalga boyu uzunluğu olarak hesaplanmıştır. Analizde kullanılan vaka sayılarına ilişkin veri seti Sağlık Bakanlığı resmi web sitesinden edinilmiştir. Elde edilen bulgular Şekil 1’de verilmiştir. Şekil 1’e göre öne çıkan bulgular şöyledir.

  • Görülen koronavirüs vakalarının dalga boyu (Wc) 31. gün olan 11.04.2020 tarihinde zirveye ulaştığı, bu tarihten sonra vaka sayılarının düşmesine bağlı olarak ivme kaybettiği gözlenmiştir.
  • Koronavirüs hastalığından ölen vakaların dalga boyu (Wd) ise 36. gün olan 16.04.2020 tarihinde en yüksek seviyesine ulaşmıştır. Ölen vakaların dalga boyu ölüm vakalarındaki azalmayla doğru orantılı olarak az da olsa azalma yönünde bir eğilim sergilediği görülmüştür.
  • Koronavirüs hastalığından iyileşen vakaların dalga boyu (Wc) ise 37. gün olan 17.04.2020 tarihinde en yüksek seviyesine ulaşmıştır. İyileşen vakaların dalga boyu, bu tarihten sonra ise azalma trendinden sonra tekrar yükselişe geçmiştir. İyileşen dalga boyunun yükseliş trendi göstermesi olumlu yorumlanması gereken bir bulgudur.
  • Koronavirüs salgınındaki net dalga boyu (Wnet) ise vaka, ölüm ve iyileşen dalga boylarından oluşmakta ve salgının net büyüklüğünü ortaya koymaktadır. Elde edilen bulgulardan net dalga boyu uzunluğunun 15. gün olan 26.03.2020 tarihinde zirveye ulaştığı, bu tarihten sonra ise genel olarak istikrarlı bir şekilde azaldığı gözlemlenmiştir.

Not: Bu makale 20 Mayıs 2020 tarihinde Sanayi Gazetesi’nde yayınlanmıştır. Linki: http://www.sanayigazetesi.com.tr/turkiyedeki-covid-19-pandemisinin-buyuklugu-makale,1813.html.

Yararlanılan Kaynak

  • Bulut T. New Epidemiological Model Suggestions Revealing Size of Epidemics Based on the COVID-19 Pandemic Example: Wavelength Models. medRxiv; 2020. DOI: 10.1101/2020.04.07.20056432.          
  • Sağlık Bakanlığı, https://covid19.saglik.gov.tr/

Exploratory Data Analysis of Turkey Earthquakes

The main purpose of the study is to analysis Turkey earthquake data set obtained from AFAD (The Disaster and Emergency Management Presidency) online database using data mining techniques. In this way, it is targeted to be created awareness.

Loading Libraries

library(readr)
library(tibble)
library(tidyr)
library(dplyr)
library(lubridate)
library(formattable)
library(ggplot2)
library(ggpubr)
library(formattable)
library(GGally)
library(ggrepel)

Loading earthquage data set from year 1900 to date 2020-01-28

df<-read.csv("Catalogue2020.csv")

names(df)
##  [1] "No"                "Zaman..UTC."       "Ref1"             
##  [4] "Kaynak.Aç.klama.1" "Enlem"             "Boylam"           
##  [7] "Derinlik"          "Sabit.Derinlik"    "Kaynak.No.2"      
## [10] "Kaynak.Aç.klama.2" "Tip"               "Büyüklük"         
## [13] "Kaynak.No.3"       "Kaynak.Aç.klama.3" "Yer"
head(df)
##   No         Zaman..UTC. Ref1 Kaynak.Aç.klama.1   Enlem  Boylam Derinlik
## 1  0 2020-01-28 20:10:26    0                   39.0131 27.8700     5.08
## 2  0 2020-01-28 14:53:51    0                   39.0831 27.8295     7.00
## 3  0 2020-01-28 11:26:14    0                   39.1001 27.8411     6.98
## 4  0 2020-01-27 16:12:00    0                   38.3950 39.1333    11.94
## 5  0 2020-01-26 10:12:17    0                   38.4111 39.1530    12.25
## 6  0 2020-01-26 02:22:45    0                   38.2440 38.8013    12.52
##   Sabit.Derinlik Kaynak.No.2 Kaynak.Aç.klama.2 Tip Büyüklük Kaynak.No.3
## 1              -           7          AFAD-DDA  Mw      4.7           7
## 2              -           7          AFAD-DDA  Mw      4.1           7
## 3              -           7          AFAD-DDA  Mw      4.8           7
## 4              -           7          AFAD-DDA  Mw      4.2           7
## 5              -           7          AFAD-DDA  Mw      4.1           7
## 6              -           7          AFAD-DDA  Mw      4.3           7
##   Kaynak.Aç.klama.3 Yer
## 1          AFAD-DDA   -
## 2          AFAD-DDA   -
## 3          AFAD-DDA   -
## 4          AFAD-DDA   -
## 5          AFAD-DDA   -
## 6          AFAD-DDA   -
dim(df)
## [1] 6462   15
str(df)
## 'data.frame':    6462 obs. of  15 variables:
##  $ No               : int  0 0 0 0 0 0 0 0 0 0 ...
##  $ Zaman..UTC.      : Factor w/ 6462 levels "1900-01-18 15:30:00",..: 6462 6461 6460 6459 6458 6457 6456 6455 6454 6453 ...
##  $ Ref1             : int  0 0 0 0 0 0 0 0 0 0 ...
##  $ Kaynak.Aç.klama.1: Factor w/ 5 levels " ","Dakika ve saniye bilgisi yok",..: 1 1 1 1 1 1 1 1 1 1 ...
##  $ Enlem            : num  39 39.1 39.1 38.4 38.4 ...
##  $ Boylam           : num  27.9 27.8 27.8 39.1 39.2 ...
##  $ Derinlik         : num  5.08 7 6.98 11.94 12.25 ...
##  $ Sabit.Derinlik   : Factor w/ 2 levels "-","*": 1 1 1 1 1 1 1 1 1 1 ...
##  $ Kaynak.No.2      : int  7 7 7 7 7 7 7 7 7 7 ...
##  $ Kaynak.Aç.klama.2: Factor w/ 26 levels "AFAD-DDA","Alsan ve Di?.1975",..: 1 1 1 1 1 1 1 1 1 1 ...
##  $ Tip              : Factor w/ 8 levels "mb","md","Md",..: 7 7 7 7 7 7 7 7 7 7 ...
##  $ Büyüklük         : num  4.7 4.1 4.8 4.2 4.1 4.3 4.1 4.3 4.1 4.3 ...
##  $ Kaynak.No.3      : int  7 7 7 7 7 7 7 7 7 7 ...
##  $ Kaynak.Aç.klama.3: Factor w/ 32 levels "AFAD-DDA","Alsan ve Di?.1975",..: 1 1 1 1 1 1 1 1 1 1 ...
##  $ Yer              : Factor w/ 79 levels "-","?arköy-Tekirda?",..: 1 1 1 1 1 1 1 1 1 1 ...

Classification by year, yonth, day, hour, minute, and second

df1<-df[,c(2, 5, 6, 7, 12, 15)]

year<-tibble(Year=as.integer(year(df1$Zaman..UTC.)))

month<-tibble(Month=as.integer(month(df1$Zaman..UTC.)))

day<-tibble(Day=as.integer(day(df1$Zaman..UTC.)))

hour<-tibble(Hour=as.integer(hour(df1$Zaman..UTC.)))

minute<-tibble(Minute=as.integer(minute(df1$Zaman..UTC.)))

second<-tibble(Second=as.integer(second(df1$Zaman..UTC.)))

df2<-cbind(year, month, day, hour, minute, second, Latitude=as.numeric(df1[,2]),Longitude=as.numeric(df1[,3]), Depth= as.numeric(df1[,4]),Magnitute= as.numeric(df1[,5]), Place=as.character(df1[,6]))

df2<-as_tibble(df2)

str(df2)
## Classes 'tbl_df', 'tbl' and 'data.frame':    6462 obs. of  11 variables:
##  $ Year     : int  2020 2020 2020 2020 2020 2020 2020 2020 2020 2020 ...
##  $ Month    : int  1 1 1 1 1 1 1 1 1 1 ...
##  $ Day      : int  28 28 28 27 26 26 25 25 25 25 ...
##  $ Hour     : int  20 14 11 16 10 2 17 16 16 16 ...
##  $ Minute   : int  10 53 26 12 12 22 49 46 45 44 ...
##  $ Second   : int  26 51 14 0 17 45 47 58 6 23 ...
##  $ Latitude : num  39 39.1 39.1 38.4 38.4 ...
##  $ Longitude: num  27.9 27.8 27.8 39.1 39.2 ...
##  $ Depth    : num  5.08 7 6.98 11.94 12.25 ...
##  $ Magnitute: num  4.7 4.1 4.8 4.2 4.1 4.3 4.1 4.3 4.1 4.3 ...
##  $ Place    : Factor w/ 79 levels "-","?arköy-Tekirda?",..: 1 1 1 1 1 1 1 1 1 1 ...
#Removing rows including irrelevant records

c<-as.vector(which(df2$Place=="Gürcistan"))
d<-as.vector(which(df2$Place=="Rodos Adas?"))
e<-as.vector(which(df2$Place=="Yunanistan"))
f<-as.vector(which(df2$Place=="?ran"))
g<-as.vector(which(df2$Place=="Yunaistan"))

df2<-df2[-c(c,d,e,f,g),]

str(df2)
## Classes 'tbl_df', 'tbl' and 'data.frame':    6455 obs. of  11 variables:
##  $ Year     : int  2020 2020 2020 2020 2020 2020 2020 2020 2020 2020 ...
##  $ Month    : int  1 1 1 1 1 1 1 1 1 1 ...
##  $ Day      : int  28 28 28 27 26 26 25 25 25 25 ...
##  $ Hour     : int  20 14 11 16 10 2 17 16 16 16 ...
##  $ Minute   : int  10 53 26 12 12 22 49 46 45 44 ...
##  $ Second   : int  26 51 14 0 17 45 47 58 6 23 ...
##  $ Latitude : num  39 39.1 39.1 38.4 38.4 ...
##  $ Longitude: num  27.9 27.8 27.8 39.1 39.2 ...
##  $ Depth    : num  5.08 7 6.98 11.94 12.25 ...
##  $ Magnitute: num  4.7 4.1 4.8 4.2 4.1 4.3 4.1 4.3 4.1 4.3 ...
##  $ Place    : Factor w/ 79 levels "-","?arköy-Tekirda?",..: 1 1 1 1 1 1 1 1 1 1 ...

Number of earthquakes of 5 and more magnitude by years

year<-df2 %>% filter (Magnitute>4.99) %>% group_by(Year) %>% tally()

formattable (year)
Year	n
1900	7
1901	9
1902	12
1903	7
1904	4
1905	12
1906	3
1907	7
1908	9
1909	9
1910	6
1911	4
1912	9
1913	2
1914	10
1915	5
1916	2
1917	3
1918	6
1919	8
1920	7
1921	7
1922	4
1923	5
1924	8
1925	8
1926	15
1927	2
1928	9
1929	4
1930	11
1931	4
1932	4
1933	3
1934	2
1935	8
1936	8
1937	3
1938	5
1939	13
1940	8
1941	12
1942	10
1943	8
1944	19
1945	8
1946	5
1947	2
1948	3
1949	9
1950	3
1951	4
1952	4
1953	12
1954	6
1955	2
1956	13
1957	15
1958	7
1959	11
1960	2
1961	9
1962	4
1963	6
1964	6
1965	8
1966	14
1967	12
1968	15
1969	14
1970	25
1971	11
1972	2
1974	1
1975	6
1976	17
1977	11
1978	3
1979	11
1980	6
1981	2
1982	1
1983	8
1984	4
1985	3
1986	5
1987	4
1988	7
1989	6
1990	5
1991	7
1992	4
1993	1
1994	7
1995	7
1996	8
1997	5
1998	6
1999	15
2000	5
2001	3
2002	5
2003	11
2004	12
2005	15
2006	2
2007	10
2008	4
2009	4
2010	8
2011	22
2012	9
2013	4
2014	3
2015	4
2016	3
2017	17
2018	2
2019	7
2020	3
year%>%ggplot(aes(Year, n))+
      geom_line(size=1, col="red")+
      scale_x_continuous(breaks=seq(min(year$Year),max(year$Year), 10))+
      ggtitle("Number of Earthquakes of 5 and More Magnitude by Years") +
      xlab("Year") + ylab("Number of Cases")+
      labs(caption = "Source: By Tevfik Bulut")+
      theme(plot.title = element_text(family = "Trebuchet MS", face="bold", 
            size=14, hjust=0.5)) +
      theme(axis.title = element_text(family = "Trebuchet MS", face="bold", 
            size=12))+
      geom_hline(yintercept=mean(year$n), linetype="twodash", color = 
                 "green", size=1)

Number of earthquakes of 6 and more magnitude by years

year<-df2 %>% filter (Magnitute>5.99) %>% group_by(Year) %>% tally()

year%>%ggplot(aes(Year, n))+
geom_line(size=1, col="red")+
  scale_x_continuous(breaks=seq(min(year$Year),max(year$Year), 13))+
   ggtitle("Number of Earthquakes of 6 and More Magnitude by Years") +
           xlab("Year") + ylab("Number of Cases")+
  labs(caption = "Source: By Tevfik Bulut")+
  theme(plot.title = element_text(family = "Trebuchet MS", face="bold", size=14, hjust=0.5)) +
theme(axis.title = element_text(family = "Trebuchet MS", face="bold", size=12))+
 geom_hline(yintercept=mean(year$n), linetype="twodash", color = "blue", size=1)

Number of earthquakes of 7 and more magnitude by years

year<-df2 %>% filter (Magnitute>6.99) %>% group_by(Year) %>% tally()

year%>%ggplot(aes(Year, n))+
geom_point(size=1, col="red")+
   ggtitle("Number of Earthquakes of 7 and More Magnitude by Years") +
           xlab("") + ylab("Number of Cases")+
  labs(caption = "Source: By Tevfik Bulut")+
  theme(plot.title = element_text(family = "Trebuchet MS", face="bold", size=14, hjust=0.5)) +
theme(axis.title = element_text(family = "Trebuchet MS", face="bold", size=12))+
geom_text_repel(aes(label=Year), size=3, data=year) + theme(legend.position = "None")

Number of cases by months

month<-df2 %>% group_by(Month) %>% tally()

formattable (month)
Month	n
1	518
2	431
3	564
4	557
5	644
6	485
7	568
8	573
9	465
10	620
11	550
12	480
month<-month %>% select(Month, n)%>%
                 arrange(desc(n))
month
##    Month     n
##  1     5   644
##  2    10   620
##  3     8   573
##  4     7   568
##  5     3   564
##  6     4   557
##  7    11   550
##  8     1   518
##  9     6   485
## 10    12   480
## 11     9   465
## 12     2   431
month %>% ggplot(aes(Month, n))+
geom_line(size=1, col="brown")+
  scale_x_continuous(breaks=seq(1, 12, 1))+
   ggtitle("Number of Cases by Months") +
           xlab("Month") + ylab("Number of Cases")+
  labs(caption = "Source: By Tevfik Bulut")+
  theme(plot.title = element_text(family = "Trebuchet MS", face="bold", size=14, hjust=0.5)) +
theme(axis.title = element_text(family = "Trebuchet MS", face="bold", size=12))+
  geom_hline(yintercept=mean(month$n), linetype="twodash", color = "red", size=1)

Number of earthquakes of 6 and more magnitude by months

month<-df2 %>% filter (Magnitute>5.99) %>% group_by(Month) %>% tally()

month%>%ggplot(aes(Month, n))+
geom_line(size=1, col="red")+
  scale_x_continuous(breaks=seq(1, 12, 1))+
   ggtitle("Number of Earthquakes of 6 and More Magnitudes by Months") +
           xlab("") + ylab("Number of Cases")+
  labs(caption = "Source: By Tevfik Bulut")+
  theme(plot.title = element_text(family = "Trebuchet MS", face="bold", size=14, hjust=0.5)) +
theme(axis.title = element_text(family = "Trebuchet MS", face="bold", size=12))+
  geom_hline(yintercept=mean(month$n), linetype="twodash", color = "blue", size=1)

Number of earthquakes of range from 7 to 8 magnitudes by months

month<-df2 %>% filter (between(Magnitute, 7, 8)) %>% group_by(Month) %>% tally()

month%>%ggplot(aes(Month, n))+
geom_line(size=1, col="red")+
  scale_x_continuous(breaks=seq(1, 12, 1))+
   ggtitle("Number of Earthquakes of 7 and 8 Magnitudes by Months") +
           xlab("") + ylab("Number of Cases")+
  labs(caption = "Source: By Tevfik Bulut")+
  theme(plot.title = element_text(family = "Trebuchet MS", face="bold", size=14, hjust=0.5)) +
theme(axis.title = element_text(family = "Trebuchet MS", face="bold", size=12))+
  geom_hline(yintercept=mean(month$n), linetype="twodash", color = "green", size=1)

Number of cases by hour

hour<-df2 %>% group_by(Hour) %>% tally()

formattable (hour)
Hour	n
0	343
1	267
2	292
3	271
4	278
5	275
6	243
7	257
8	254
9	267
10	265
11	271
12	242
13	238
14	262
15	254
16	273
17	278
18	275
19	261
20	280
21	272
22	285
23	252
hour<-hour %>% select(Hour, n)%>%
      arrange(desc(n))
hour
##     Hour     n
##  1     0   343
##  2     2   292
##  3    22   285
##  4    20   280
##  5     4   278
##  6    17   278
##  7     5   275
##  8    18   275
##  9    16   273
## 10    21   272
## # … with 14 more rows
hour %>% ggplot(aes(Hour, n))+
geom_line(size=1, col="red")+
  scale_x_continuous(breaks=seq(0, 24, 2))+
   ggtitle("Number of Cases by Hour") +
           xlab("Time") + ylab("Number of Cases")+
  labs(caption = "Source: By Tevfik Bulut")+
  theme(plot.title = element_text(family = "Trebuchet MS", face="bold", size=14, hjust=0.5)) +
theme(axis.title = element_text(family = "Trebuchet MS", face="bold", size=12))+
  geom_hline(yintercept=mean(hour$n), linetype="twodash", color = "blue", size=1)

Number of earthquakes of 6 and more magnitudes by hour

hour<-df2 %>% filter (Magnitute>5.99) %>% group_by(Hour) %>% tally()

hour%>%ggplot(aes(Hour, n))+
geom_line(size=1, col="red")+
  scale_x_continuous(breaks=seq(0, 24, 2))+
   ggtitle("Number of Earthquakes of 6 and More Magnitudes by Hour") +
           xlab("") + ylab("Number of Cases")+
  labs(caption = "Source: By Tevfik Bulut")+
  theme(plot.title = element_text(family = "Trebuchet MS", face="bold", size=14, hjust=0.5)) +
theme(axis.title = element_text(family = "Trebuchet MS", face="bold", size=12))+
  geom_hline(yintercept=mean(hour$n), linetype="twodash", color = "blue", size=1)

Number of earthquakes of range from 6 to 8 magnitudes by hour

hour<-df2 %>% filter (between (Magnitute, 6, 8)) %>% group_by(Hour) %>% tally()

hour%>%ggplot(aes(Hour, n))+
geom_line(size=1, col="red")+
  scale_x_continuous(breaks=seq(0, 24, 2))+
   ggtitle("Number of Earthquakes of 6 and 8 Magnitudes by Hour") +
           xlab("") + ylab("Number of Cases")+
  labs(caption = "Source: By Tevfik Bulut")+
  theme(plot.title = element_text(family = "Trebuchet MS", face="bold", size=14, hjust=0.5)) +
theme(axis.title = element_text(family = "Trebuchet MS", face="bold", size=12))

Number of earthquakes of 7 and more magnitudes by hour

hour<-df2 %>% filter (Magnitute>6.99) %>% group_by(Hour) %>% tally()

hour%>%ggplot(aes(Hour, n))+
geom_line(size=1, col="red")+
  scale_x_continuous(breaks=seq(0, 24, 2))+
   ggtitle("Number of Earthquakes of 7 and More Magnitudes by Hour") +
           xlab("") + ylab("Number of Cases")+
  labs(caption = "Source: By Tevfik Bulut")+
  theme(plot.title = element_text(family = "Trebuchet MS", face="bold", size=14, hjust=0.5)) +
theme(axis.title = element_text(family = "Trebuchet MS", face="bold", size=12))+
  geom_hline(yintercept=mean(hour$n), linetype="twodash", color = "blue", size=1)

Earthquages by magnitutes

df2 %>% ggplot(aes(x=seq_along(df2$Magnitute), y=df2$Magnitute))+
 geom_point(col="red")+
   ggtitle("Earhtquages by Magnitudes") +
           xlab("") + ylab("Magnitude")+
  labs(caption = "Source: By Tevfik Bulut")+
  theme(plot.title = element_text(family = "Trebuchet MS", face="bold", size=14, hjust=0.5)) +
theme(axis.title = element_text(family = "Trebuchet MS", face="bold", size=12))+
  geom_hline(yintercept=mean(df2$Magnitute), linetype="twodash", color = "blue", size=1)

Earthquages of magnitutes by years

df2 %>% ggplot(aes(x=Year, y=Magnitute))+
 geom_point(col="red")+
   ggtitle("Magnitudes of Earhtquages by Years") +
           xlab("Year") + ylab("Magnitude")+
  labs(caption = "Source: By Tevfik Bulut")+
  theme(plot.title = element_text(family = "Trebuchet MS", face="bold", size=14, hjust=0.5)) +
theme(axis.title = element_text(family = "Trebuchet MS", face="bold", size=12))+
  geom_hline(yintercept=mean(df2$Magnitute), linetype="twodash", color = "blue", size=1)

Earthquages of magnitudes (>=5) by years

m5<-df2 %>% filter(Magnitute>4.99)%>% select(Place, Year, Magnitute)%>%
  arrange(desc(Magnitute))

m5 %>% ggplot(aes(x=Year, y=Magnitute))+
 geom_point(col="red")+
   ggtitle("Magnitudes (>=5) of Earhtquages by Years") +
           xlab("Year") + ylab("Magnitude")+
  labs(caption = "Source: By Tevfik Bulut")+
  theme(plot.title = element_text(family = "Trebuchet MS", face="bold", size=14, hjust=0.5)) +
theme(axis.title = element_text(family = "Trebuchet MS", face="bold", size=12))+
  geom_hline(yintercept=mean(m5$Magnitute), linetype="twodash", color = "blue", size=1)

Earthquages of magnitutes (>=6) by years

m6<-df2 %>% filter(Magnitute>5.99)%>% select(Place, Year, Magnitute)%>%
  arrange(desc(Magnitute))

m6 %>% ggplot(aes(x=Year, y=Magnitute))+
 geom_point(col="red")+
   ggtitle("Magnitutes (>=6) of Earhtquages by Years") +
           xlab("Year") + ylab("Magnitude")+
  labs(caption = "Source: By Tevfik Bulut")+
  theme(plot.title = element_text(family = "Trebuchet MS", face="bold", size=14, hjust=0.5)) +
theme(axis.title = element_text(family = "Trebuchet MS", face="bold", size=12))+
  geom_hline(yintercept=mean(m6$Magnitute), linetype="twodash", color = "blue", size=1)

Earthquages of magnitutes (>=7) by years

m7<-df2 %>% filter(Magnitute>6.99)%>% select(Place, Year, Magnitute)%>%
  arrange(desc(Magnitute))

m7 %>% ggplot(aes(x=Year, y=Magnitute))+
 geom_point(size=1, col="red")+
   ggtitle("Magnitutes (>=7) of Earhtquages by Years") +
           xlab("") + ylab("Magnitude")+
  labs(caption = "Source: By Tevfik Bulut")+
  theme(plot.title = element_text(family = "Trebuchet MS", face="bold", size=14, hjust=0.5)) +
theme(axis.title = element_text(family = "Trebuchet MS", face="bold", size=12))+
  geom_hline(yintercept=mean(m7$Magnitute), linetype="twodash", color = "blue", size=1)+
geom_text_repel(aes(label=Year), size=3, data=m7) + theme(legend.position = "None")

The highest twenty five earthquake magnitudes by years

hm<-df2 %>% select(Year, Magnitute)%>%
  arrange(desc(Magnitute))

hm_25<-head(hm,25)

hm_25 %>% ggplot(aes(Year, Magnitute))+
geom_line(size=1, col="red")+
  scale_x_continuous(breaks=seq(min(hm_25$Year),max(hm_25$Year), 10))+
   ggtitle("The Highest Twenty Five Earthquake Magnitudes by Years") +
           xlab("Year") + ylab("Magnitude")+
  labs(caption = "Source: By Tevfik Bulut")+
  theme(plot.title = element_text(family = "Trebuchet MS", face="bold", size=14, hjust=0.5)) +
theme(axis.title = element_text(family = "Trebuchet MS", face="bold", size=12))+
  geom_hline(yintercept=mean(hm_25$Magnitute), linetype="twodash", color = "blue", size=1)

The highest twenty five earthquake magnitudes (>5) by years

mag_5<-df2 %>% filter(Magnitute>5)%>% select(Year, Magnitute)%>%
               arrange(desc(Magnitute))

mag_25<-head(mag_5,25)

mag_25
##     Year Magnitute
##  1  1939       7.9
##  2  1926       7.7
##  3  1999       7.6
##  4  1956       7.4
##  5  1912       7.4
##  6  1944       7.3
##  7  1970       7.2
##  8  1953       7.2
##  9  1943       7.2
## 10  2011       7.1
## # … with 15 more rows
mag_25 %>% ggplot(aes(Year, Magnitute))+
geom_line(size=1, col="red")+
  scale_x_continuous(breaks=seq(min(mag_25$Year),max(mag_25$Year), 10))+
   ggtitle("The Highest Twenty Five Earthquake Magnitudes (>5) by Years") +
           xlab("Year") + ylab("Magnitude")+
  labs(caption = "Source: By Tevfik Bulut")+
  theme(plot.title = element_text(family = "Trebuchet MS", face="bold", size=14, hjust=0.5)) +
theme(axis.title = element_text(family = "Trebuchet MS", face="bold", size=12))+
  geom_hline(yintercept=mean(mag_25$Magnitute), linetype="twodash", color = "blue", size=1)

The highest twenty five earthquake magnitudes (>6) by years

mag_6<-df2 %>% filter(Magnitute>6)%>% select(Place, Year, Magnitute)%>%
                     arrange(desc(Magnitute))

mag_25<-head(mag_6,25)

mag_25
##    Place                    Year Magnitute
##  1 Erzican                  1939       7.9
##  2 Datça Aç?klar?-Ege Dizi  1926       7.7
##  3 Gölcük-Kocaeli           1999       7.6
##  4 Ege Denizi               1956       7.4
##  5 ?arköy-Tekirda?          1912       7.4
##  6 Gerede-Bolu              1944       7.3
##  7 Kütahya                  1970       7.2
##  8 Çanakkale                1953       7.2
##  9 Ilgaz-Çak?r?             1943       7.2
## 10 Van-Merkez               2011       7.1
## # … with 15 more rows
mag_25 %>% ggplot(aes(Year, Magnitute))+
geom_line(size=1, col="red")+
  scale_x_continuous(breaks=seq(min(mag_25$Year),max(mag_25$Year), 10))+
   ggtitle("The Highest Twenty Five Earthquake Magnitudes (>6) by Years") +
           xlab("Year") + ylab("Magnitude")+
  labs(caption = "Source: By Tevfik Bulut")+
  theme(plot.title = element_text(family = "Trebuchet MS", face="bold", size=14, hjust=0.5)) +
theme(axis.title = element_text(family = "Trebuchet MS", face="bold", size=12))+
  geom_hline(yintercept=mean(mag_25$Magnitute), linetype="twodash", color = "green", size=1)

The highest twenty five earthquake magnitudes (>7) by years

mag_7<-df2 %>% filter(Magnitute>7)%>% select(Place, Year, Magnitute)%>%
                      arrange(desc(Magnitute))

mag_25<-head(mag_7,15)

mag_25
##    Place                    Year Magnitute
##  1 Erzican                  1939       7.9
##  2 Datça Aç?klar?-Ege Dizi  1926       7.7
##  3 Gölcük-Kocaeli           1999       7.6
##  4 Ege Denizi               1956       7.4
##  5 ?arköy-Tekirda?          1912       7.4
##  6 Gerede-Bolu              1944       7.3
##  7 Kütahya                  1970       7.2
##  8 Çanakkale                1953       7.2
##  9 Ilgaz-Çak?r?             1943       7.2
## 10 Van-Merkez               2011       7.1
## 11 Düzce-Bolu               1999       7.1
## 12 Düzce-Bolu               1957       7.1
## 13 Akdeniz                  1957       7.1
## 14 Tokat                    1916       7.1
mag_25 %>% ggplot(aes(Year, Magnitute))+
geom_line(size=1, col="red")+
   ggtitle("The Highest Twenty Five Earthquake Magnitudes (>7) by Years") +
           xlab("Year") + ylab("Magnitude")+
  labs(caption = "Source: By Tevfik Bulut")+
  theme(plot.title = element_text( family="American Typewriter", face="bold", size=14, hjust=0.5)) +
theme(axis.title = element_text(family = "Trebuchet MS", face="bold", size=12))+
  geom_hline(yintercept=mean(mag_25$Magnitute), linetype="twodash", color = "blue", size=1)+
geom_text_repel(aes(label=Year), size=3, data=mag_25) + theme(legend.position = "None")

Earthquages of magnitutes (>=5) by month

m5<-df2 %>% filter(Magnitute>4.99)%>% select(Place, Month, Magnitute)%>%
  arrange(desc(Magnitute))

m5 %>% ggplot(aes(x=Month, y=Magnitute))+
 geom_point(col="red")+
  scale_x_continuous(breaks=seq(1, 12, 1))+
   ggtitle("Magnitudes (>=5) of Earhtquages by Month") +
           xlab("Month") + ylab("Magnitude")+
  labs(caption = "Source: By Tevfik Bulut")+
  theme(plot.title = element_text(family = "Trebuchet MS", face="bold", size=14, hjust=0.5)) +
theme(axis.title = element_text(family = "Trebuchet MS", face="bold", size=12))+
  geom_hline(yintercept=mean(m5$Magnitute), linetype="twodash", color = "blue", size=1)

Earthquages of magnitudes (>=6) by month

m6<-df2 %>% filter(Magnitute>5.99)%>% select(Place, Month, Magnitute)%>%
  arrange(desc(Magnitute))

m6 %>% ggplot(aes(x=Month, y=Magnitute))+
 geom_point(col="red")+
  scale_x_continuous(breaks=seq(1, 12, 1))+
   ggtitle("Magnitudes (>=6) of Earhtquages by Month") +
           xlab("Month") + ylab("Magnitude")+
  labs(caption = "Source: By Tevfik Bulut")+
  theme(plot.title = element_text(family = "Trebuchet MS", face="bold", size=14, hjust=0.5)) +
theme(axis.title = element_text(family = "Trebuchet MS", face="bold", size=12))+
  geom_hline(yintercept=mean(m6$Magnitute), linetype="twodash", color = "blue", size=1)

Earthquages of magnitudes (>=7) by month

m7<-df2 %>% filter(Magnitute>6.99)%>% select(Place, Month, Magnitute)%>%
  arrange(desc(Magnitute))
m7
##    Place                   Month Magnitute
##  1 Erzican                    12       7.9
##  2 Datça Aç?klar?-Ege Dizi     6       7.7
##  3 Gölcük-Kocaeli              8       7.6
##  4 Ege Denizi                  7       7.4
##  5 ?arköy-Tekirda?             8       7.4
##  6 Gerede-Bolu                 2       7.3
##  7 Kütahya                     3       7.2
##  8 Çanakkale                   3       7.2
##  9 Ilgaz-Çak?r?               11       7.2
## 10 Van-Merkez                 10       7.1
## 11 Düzce-Bolu                 11       7.1
## 12 Düzce-Bolu                  5       7.1
## 13 Akdeniz                     4       7.1
## 14 Tokat                       1       7.1
## 15 Çald?ran-Van               11       7  
## 16 Karacabey-Bursa            10       7  
## 17 Erbaa-Tokat                12       7  
## 18 Ayval?k-Bal?kesir          11       7  
## 19 Burdur                     10       7
m7 %>% ggplot(aes(x=Month, y=Magnitute))+
 geom_point(col="red")+
  scale_x_continuous(breaks=seq(1, 12, 1))+
   ggtitle("Magnitudes (>=7) of Earhtquages by Month") +
           xlab("Month") + ylab("Magnitude")+
  labs(caption = "Source: By Tevfik Bulut")+
  theme(plot.title = element_text(family = "Trebuchet MS", face="bold", size=14, hjust=0.5)) +
theme(axis.title = element_text(family = "Trebuchet MS", face="bold", size=12))+
  geom_hline(yintercept=mean(m7$Magnitute), linetype="twodash", color = "blue", size=1)+
geom_text_repel(aes(label=Place), size=3, data=m7) + theme(legend.position = "None")

Earthquages of magnitudes (>=5) by hour

h5<-df2 %>% filter(Magnitute>4.99)%>% select(Place, Hour, Magnitute)%>%
  arrange(desc(Magnitute))

h5 %>% ggplot(aes(x=Hour, y=Magnitute))+
 geom_point(col="red")+
  scale_x_continuous(breaks=seq(0, 24, 2))+
   ggtitle("Magnitudes (>=5) of Earhtquages by Hour") +
           xlab("Hour") + ylab("Magnitude")+
  labs(caption = "Source: By Tevfik Bulut")+
  theme(plot.title = element_text(family = "Trebuchet MS", face="bold", size=14, hjust=0.5)) +
theme(axis.title = element_text(family = "Trebuchet MS", face="bold", size=12))+
  geom_hline(yintercept=mean(h5$Magnitute), linetype="twodash", color = "blue", size=1)

Earthquages of magnitutes (>=6) by hour

h6<-df2 %>% filter(Magnitute>5.99)%>% select(Place, Hour, Magnitute)%>%
  arrange(desc(Magnitute))

h6 %>% ggplot(aes(x=Hour, y=Magnitute))+
 geom_point(col="red")+
  scale_x_continuous(breaks=seq(0, 24, 2))+
   ggtitle("Magnitudes (>=6) of Earhtquages by Hour") +
           xlab("Hour") + ylab("Magnitude")+
  labs(caption = "Source: By Tevfik Bulut")+
  theme(plot.title = element_text(family = "Trebuchet MS", face="bold", size=14, hjust=0.5)) +
theme(axis.title = element_text(family = "Trebuchet MS", face="bold", size=12))+
  geom_hline(yintercept=mean(h6$Magnitute), linetype="twodash", color = "blue", size=1)

Earthquages of magnitutes (>=7) by hour

h7<-df2 %>% filter(Magnitute>6.99)%>% select(Place, Hour, Magnitute)%>%
  arrange(desc(Magnitute))

h7 %>% ggplot(aes(x=Hour, y=Magnitute))+
 geom_point(col="red")+
  scale_x_continuous(breaks=seq(0, 24, 2))+
   ggtitle("Magnitutes (>=7) of Earhtquages by Hour") +
           xlab("Hour") + ylab("Magnitude")+
  labs(caption = "Source: By Tevfik Bulut")+
  theme(plot.title = element_text(family = "Trebuchet MS", face="bold", size=14, hjust=0.5)) +
theme(axis.title = element_text(family = "Trebuchet MS", face="bold", size=12))+
  geom_hline(yintercept=mean(h7$Magnitute), linetype="twodash", color = "blue", size=1)+
geom_text_repel(aes(label=Magnitute), size=3, data=h7) + theme(legend.position = "None")

Relationship between depth of earthquage and magnitude of earthquage

df2%>%ggplot(aes(Magnitute, Depth))+
geom_point(size=1, col="red")+
   ggtitle("Relationship between depth of earthquage and magnitude of earthquage") +
           xlab("Magnitute") + ylab("Depth")+
  labs(caption = "Source: By Tevfik Bulut")+
  theme(plot.title = element_text(family = "Trebuchet MS", face="bold", size=12, hjust=0.5)) +
theme(axis.title = element_text(family = "Trebuchet MS", face="bold", size=10))+
 geom_vline(xintercept=mean(df2$Magnitute), linetype="twodash", color = "green", size=1)

Density plot of magnitute

ggdensity(df2$Magnitute, 
          main = "Density plot of magnitude",
          xlab = "Magnitute")

Density plot of depth

ggdensity(df2$Depth, 
          main = "Density plot of depth",
          xlab = "Depth")

QQ plot of magnitute

ggqqplot(df2$Magnitute)

QQ plot of depth

ggqqplot(df2$Depth)

Kolmogorov-Smirnov Normality test

#Kolmogorov-Smirnov test is used in place of Shapiro-Wilk’s one because sample size exceeds 5000.

ks.test(df2$Magnitute, df2$Depth)
## 
##  Two-sample Kolmogorov-Smirnov test
## 
## data:  df2$Magnitute and df2$Depth
## D = 0.88799, p-value < 2.2e-16
## alternative hypothesis: two-sided

Correlation between depth of earthquage and magnitude of earthquage

ggscatter(df2, x = "Magnitute", y = "Depth", 
          add = "reg.line", conf.int = TRUE, 
          cor.coef = TRUE, cor.method = "pearson",
          xlab = "Magnitute", ylab = "Depth", main="Correlation between depth of earthquage and magnitude of earthquage")

Correlation Analysis

#There is no strong relationship between depth and manitude
cor.test(df2$Magnitute, df2$Depth, 
                    method = "pearson")
##  Pearson's product-moment correlation
## 
## data:  df2$Magnitute and df2$Depth
## t = 8.0256, df = 6453, p-value = 1.191e-15
## alternative hypothesis: true correlation is not equal to 0
## 95 percent confidence interval:
##  0.07519906 0.12350870
## sample estimates:
##        cor 
## 0.09941246

Hope to create awareness..

I attribute this work to our citizens who died in the earthquake.

References

https://rpubs.com/tevfik1461/Turkey

https://www.afad.gov.tr/

https://www.r-project.org/

R’da Türk Alfabesi Karakterleri ile Tekrarlı ve Tekrarsız Şifre Üretimi Üzerine Vaka Çalışmaları (Case Studies on with Replacament and without Replacament Password Generation with Turkish Alphabet Characters in R)

Günümüzde ve hayatın pek çok alanında şifreler yaygın bir şekilde kullanılmaktadır. Güvenli girişi sağlamak ve kullanım izinlerine düzenleme getiren şifreler bankacılık, telefon operatörlerini içine alan telekom sektöründe, veri tabanı uygulamaları gibi adını sayamayacağımız birçok alanda yoğun bir şekilde kullanılmaktadır.

Şifre belirleme işlemi genellikle rastgele üretilen sayılardan oluştuğu gözlenmekle birlikte güvenlik kaygısından dolayı daha fazla kombinasyona ve haneye ihtiyaç duyulmaktadır. Artan dijitalleşme ve her geçen gün gelişen teknoloji sayesinde kullanılan bu şifreleri kırarak kişiler, şirketler ve kamu kurum veya kuruluşları tarafında güvenlik açığı ortaya çıkarmaktadır. Son dönemlerde ülkemize yapılan siber saldırıların yoğunluk kazanması da güvenli ve güçlü şifre oluşturulmasını zorunlu hale getirmiştir.

Şifre uygulamalarına bakıldığında genellikle ya sadece rakamlardan oluşmakta ya da daha güçlü bir şifre oluşturulması adına harf ve rakam kombinasyonlarından oluştuğu görülmektedir. Harf kombinasyonunda ise 26 harften oluşan İngiliz alfabesindeki harflerin yaygın bir şekilde kullanıldığı gözlenmektedir.

Bu çalışmada Cumhuriyetimizin 96. yıl anısına 7 haneli harf ve rakam kombinasyonlarından oluşan Türk alfabesi kullanılarak özgün şifre oluşturma uygulaması yapılmıştır. İstenirse aşağıda verilen R kod bloğu içerisindeki fonksiyonlarla çok daha fazla veya az haneli şifreler üretilebilir. Bu durum tamamen kullanıcının kararına ve ihtiyacına bağlıdır. Şifre kombinasyonunda Türk alfabesindeki harflere de yer verilmesinin nedeni hem çok daha güçlü şifre kombinasyonu oluşturulmasından ve hem de yerli olması amaçlanmasından kaynaklanmaktadır. Türk alfabesinin kullanılmasındaki bir diğer neden, 26 harften oluşan İngiliz alfabesinin aksine Türk alfabesinin 29 harften oluşuyor olmasıdır. Bu durum çok daha fazla kombinasyonda güvenli şifre oluşturulmasına imkan tanımaktadır.

Örnek uygulamada 7 haneli şifre oluşturmada kullanılan harf seti Tablo 1’de verilmiştir.

Tablo 1. Harf ve Rakamlar

Şifre oluşturma adımında rakam olarak belirlenen set ise 0’dan 9 (dahil)’a kadar olan rakamlardan oluşmaktadır.

Her bir haneye harflerin ve/veya rakamların atanmasında tekrarlı örneklem seçim tekniği (sampling technique with replacement) ve tekrarsız örneklem seçim tekniği (sampling technique without replacement) kullanılarak iki farklı 7 haneli şifre oluşturma uygulaması yapılmıştır.

İlk şifre oluşturma uygulaması tekrarlı örneklem seçim tekniği kullanılarak yapılmıştır. Örnek uygulamaya ilişkin R kod bloğu aşağıda verilmiştir.

Tekrarlı Şifre Uygulaması İçin R Kod Bloğu-1

# Gelişmiş ve esnek tablo (data frame) oluşturmak için.
library(tibble)

#Elde edilen sonucu sabitlemek, diğer bir deyişle kod bloğunun her çalıştırılmasında aynı sonucu almak için
set.seed(1923)

#Türk Alfabesinde 1'den 29'a kadar ID (sıra) numarası atayarak harfleri tablo formatında vermek için

Harf<-tibble(ID=1:29, Alfabe=c("A","B", "C", "Ç", "D", "E","F","G", "Ğ", "H", "I", "İ", "J", "K", "L", "M", "N", "O", "Ö", "P", "R", "S", "Ş", "T", "U", "Ü", "V", "Y", "Z"))

X1<-sample(Harf$Alfabe, 1, replace = T)#Harf tablosundan Alfabe adlı değişken veri setinin elemanları içerisinden tekrarlı örneklem seçim tekniği kullanılarak harf seçimi yapmak için.

X2<-sample(0:9, size=1, replace= T)#0'dan 9 (dahil)'a  kadar olan rakam seti içerisinden tekrarlı örneklem seçim tekniği kullanılarak rakam seçmek için.

X3<-sample(Harf$Alfabe, 1, replace = T)#Harf tablosundan Alfabe adlı değişken veri setinin elemanları içerisinden tekrarlı örneklem seçimi yapmak için.

X4<-sample(0:9, size=1, replace= T)#0'dan (dahil)'a  kadar olan rakam seti içerisinden tekrarlı örneklem seçim tekniği kullanılarak rakam seçmek için.

X5<-sample(0:9, size=1, replace= T)#0'dan 9 (dahil)'a kadar olan rakam seti içerisinden tekrarlı örneklem seçim tekniği kullanılarak rakam seçmek için.

X6<-sample(0:9, size=1, replace= T)#0'dan 9 (dahil)'a kadar olan rakam seti içerisinden tekrarlı örneklem seçim tekniği kullanılarak rakam seçmek için.

X7<-sample(0:9, size=1, replace= T)#0'dan 9 (dahil)'a kadar olan rakam seti içerisinden tekrarlı örneklem seçim tekniği kullanılarak rakam seçmek için.

hane1<-sample(c(X1, X2, X3, X4, X5, X6, X7), 1, replace= T)

hane2<-sample(c(X1, X2, X3, X4, X5, X6, X7), 1, replace= T)

hane3<-sample(c(X1, X2, X3, X4, X5, X6, X7), 1, replace= T)

hane4<-sample(c(X1, X2, X3, X4, X5, X6, X7), 1, replace= T)

hane5<-sample(c(X1, X2, X3, X4, X5, X6, X7), 1, replace= T)

hane6<-sample(c(X1, X2, X3, X4, X5, X6, X7), 1, replace= T)

hane7<-sample(c(X1, X2, X3, X4, X5, X6, X7), 1, replace= T)

#Elde edilen şifrenin 7 haneli olarak birarada gözükmesi için

sifre<-paste0("Yedi Haneli Şifreniz:",hane1, hane2, hane3, hane4, hane5, hane6, hane7)

sifre

Yukarıdaki R kod bloğunun run (CTRL + ALT + I) edilmesiyle elde edilen şifre aşağıda verilmiştir.

Tekrarlı Şifre Uygulaması Kod Bloğu Sonucu-1 (Output-1)

"Yedi Haneli Şifreniz:990M981"

Yukarıdaki tekrarlı 7 haneli şifre oluşturma uygulamasına alternatif olarak hazırlanan diğer bir R kod bloğu, R’da fonksiyon (function) özelliği kullanılarak aşağıda verilmiştir.

Tekrarlı Şifre Uygulaması İçin R Kod Bloğu-2


#Elde edilen sonucu sabitlemek, diğer bir deyişle kod bloğunun her çalıştırılmasında aynı sonucu almak için

set.seed(96)

# Gelişmiş ve esnek tablo (data frame) oluşturmak için.
library(tibble)

#Görevleri yapmak üzere tanımlanan fonksiyon

tekrarli_sifre <- function(uzunluk, satir_sayisi){

  tablo<-cbind(1:satir_sayisi,matrix(ncol=0,nrow=satir_sayisi))

  rakam <- 0:9

  harf <- c("A","B", "C", "Ç", "D", "E","F","G", "Ğ", "H", "I", "İ", "J", "K", "L", "M", "N", "O", "Ö", "P", "R", "S", "Ş", "T", "U", "Ü", "V", "Y", "Z")#Türk Alfabesinde 1'den 29'a kadar ID (sıra) numarası atayarak harfleri tablo formatında vermek için

  birlesik <- c(rakam, harf)

  olasılık <- c(rep(10/39, 10), rep(29/39, 29))#rakamların ve harflerin popülasyon içindeki oranı: bu oranlar örneklem seçiminde olasılık (prob) değerlerinin belirlenmesi için yapılmıştır.
  sifre<-replicate(nrow(tablo),paste0(sample(birlesik, uzunluk, TRUE, prob = olasılık), collapse = ""))#örneklem seçim tekniği olarak (T=TRUE) tekrarlı olan alınmıştır.
  tablo<-tibble(Sıra=1:satir_sayisi, Şifreleriniz=sifre)#sıra numarası ile birlikte belirlenen şifreleri tablo formatında vermek için.
  return(tablo)
}
tekrarli_sifre(uzunluk = 7, satir_sayisi = 10)# tanımlanan fonksiyona göre 10 satırlık ve 7 haneli şifre oluşturulur.

Yukarıdaki R kod bloğunun run (CTRL + ALT + I) edilmesiyle elde edilen 10 adet şifre aşağıda verilmiştir.

Tekrarlı Şifre Uygulaması Kod Bloğu Sonucu-2 (Output-2)

Sıra  Şifreleriniz
1	Ğ32U7Z5			
2	NECVU3I			
3	IKINGMT			
4	GÜRLIR7			
5	5BGCZKH			
6	Ğ79ÖBÇS			
7	YYEGUVB			
8	JBUPCMY			
9	ZARLFUL			
10	51İDFŞH

İstenirse yukarıdaki kod bloğundaki fonksiyonla daha uzun (daha çok haneli) ve daha çok sayıda (satır olarak) şifre üretilebilir. Söz gelimi tekrarli_sifre(uzunluk = 10, satir_sayisi = 100) fonksiyonu yazılmış olursa 10 haneli 100 satırlık şifre oluşturulmuş olur. R kod bloğundaki set.seed()” fonksiyonu kaldırıldıktan sonra run (CTR + ALT + I) ederek her defasında yeni şifreler üretebilirsiniz.

İlk şifre oluşturma uygulaması tekrarlı örneklem seçim tekniği kullanılarak yukarıda yapılmıştı. Şimdi ise tekrarsız örneklem seçim tekniği kullanılarak 7 haneli şifre uygulaması yapılmıştır. Örnek uygulamaya ilişkin R kod bloğu aşağıda verilmiştir. Bir önceki kod bloğu içinde kullanılan fonksiyon ve onu oluşturan parametreler açıklandığından aşağıdaki kod bloğunda bu açıklamalara tekrar yer verilmemiştir.

Tekrarsız Şifre Uygulaması İçin R Kod Bloğu-3

set.seed(1923)
library(tibble)
tekrarsiz_sifre <- function(uzunluk, satir_sayisi){
  tablo<-cbind(1:satir_sayisi,matrix(ncol=0,nrow=satir_sayisi))
  rakam <- 0:9
  harf <- c("A","B", "C", "Ç", "D", "E","F","G", "Ğ", "H", "I", "İ", "J", "K", "L", "M", "N", "O", "Ö", "P", "R", "S", "Ş", "T", "U", "Ü", "V", "Y", "Z")
  birlesik <- c(rakam, harf)
  olasılık <- c(rep(10/39, 10), rep(29/39, 29))
  sifre<-replicate(nrow(tablo),paste0(sample(birlesik, uzunluk, FALSE, prob = olasılık), collapse = ""))
  tablo<-tibble(Sıra=1:satir_sayisi, Şifreleriniz=sifre)
  return(tablo)
}
tekrarsiz_sifre(uzunluk = 7, satir_sayisi = 10)

Yukarıdaki R kod bloğunun run (CTRL + ALT + I) edilmesiyle elde edilen tekrarsız 10 adet şifre aşağıda verilmiştir.

Tekrarsız Şifre Uygulaması Kod Bloğu Sonucu-3 (Output-3)

Sıra  Şifreleriniz
1	ÜRHŞP72			
2	7OÜÇLHG			
3	6MDĞZCE			
4	57İFÜTÖ			
5	26KCRNU			
6	AJÜPTFS			
7	UR3SDP8			
8	GJKCNFE			
9	TONADİS			
10	4LĞDYRP

İhtiyaç duyulması halinde yukarıdaki kod bloğundaki fonksiyonla daha uzun (daha çok haneli) ve daha çok sayıda (satır olarak) şifre üretilebilir. Söz gelimi tekrarsiz_sifre(uzunluk = 9, satir_sayisi = 50) fonksiyonu yazılmış olursa 9 haneli 50 satırlık tekrarsız şifre oluşturulmuş olur. R kod bloğundaki set.seed()” fonksiyonu kaldırıldıktan sonra run (CTR + ALT + I) ederek her defasında yeni şifreler üretebilirsiniz.

Özetle, şifre belirleme tekniği olarak iki farklı örneklem seçim tekniği kullanılarak 7 haneli şifre oluşturma uygulaması yapılmıştır. Ancak tekrarlı seçim tekniği kullanılarak üretilecek şifre adeti tekrarsız seçime göre çok daha fazla olması olasıdır. Ancak istenirse yukarıdaki örnekte de olduğu gibi tekrarsız seçim tekniği de kullanılarak şifre üretilebilir.

Yapılan çalışma yapacağınız çalışmalara rahatlıkla uyarlanabilme özelliği taşıdığından tek yapılması gereken şey, kod bloğu içerisindeki fonksiyonların ihtiyacınıza uygun (şifrenin kaç haneden oluşacağı) düzenlenmesidir.

Faydalı olması dileğiyle.

Bilimle ve teknolojiyle kalınız.

Saygılarımla.

Not: Emeğe saygı adına, bu sitede yer alan çalışmanın başka bir ortamda paylaşılması halinde alındığı yer adının belirtilmesini rica ederim.

Note: For the sake of respect for labor, I kindly ask you to indicate the name of the place where the work on this site is shared in another environment.

Yararlanılan Kaynak

https://www.r-project.org/

https://tevfikbulut.com/2019/10/30/microsoft-excelde-turk-alfabesi-karakterleri-ile-sifre-uretimi-uzerine-bir-vaka-calismasi-a-case-study-on-password-generation-with-turkish-alphabet-characters-in-microsoft-excel/

https://www.listendata.com/

https://www.tutorialspoint.com/

Dolar Kurundaki Dalga Boylarının Hesaplanmasına Yönelik Yöntem Önerileri: Wt ve Ct Yöntemleri

Giriş

Gelişmekte olan ülke ekonomilerinde döviz kuru dalgalanmaları iç veya dış kaynaklı olarak daha sık yaşanmaktadır. Bunun altında esasen birçok neden olmakla birlikte öne çıkabilecek bir kaç sebep sayılabilir; Bunlardan ilki reel üretiminin düşük veya yetersiz olması, diğer bir deyişle, dışarıya bağımlı bir ülke ekonomisinin hakim olması ve üretimden ziyade tüketime odaklı ekonomik yapının ağırlık kazanmasıdır. İkincisi, katma değeri düşük hizmet ana sektörü altındaki alt sektörlerin yaygın olmasıdır. Son olarak, reel üretiminin yeterli olmasına rağmen para politikası,  maliye politikasının ve ithalata dayalı üretim ekonomisinin döviz kurlarında dalgalanmaya sebebiyet vermesidir. Bütün bu sayılanlar aslında ekonominin kırılgan bir ekonomik yapıya sahip olduğunu da göstermektedir.

Bu çalışmanın amacı, T.C. Merkez Bankası veri tabanından alınan Dolar döviz alış kurunun geliştirilen formülle aylık ve yıllık zaman dilimlerine dayalı olarak dalga boylarının, diğer bir ifadeyle, döviz şoklarının spektrumunu (etki alanını) hesaplayarak ortaya koymaktır. Öncü ekonomik göstergelerinden biri olan döviz kurundaki dalga boylarının hesaplanması, ekonomideki şokların ve krizlerin olumsuz etkilerinin boyutunun ortaya konulması açısından önemli bir yere sahiptir. Yapılan çalışma, alanı içerisinde özgün bir çalışma niteliği taşımasının yanı sıra döviz kurlarının keşifsel veri analizine yeni bir bakış açısı da getirmektedir. Bu çalışmayla birlikte mevcut durumun bilimsel bir zeminde ortaya konulmasının yanında benzer fakat odağı farklı yapılacak diğer çalışmalara da ışık tutulacaktır.

Metodoloji

Araştırmada kullanılan veri seti, 24.04.2019 tarihinde TC. Merkez Bankasının veri tabanından indirilmiştir. Veri seti, dolar alış kuru için 4 değişken ve orjinal 9915 gözlemden oluşmaktadır. 40 yıllık zaman serisini içinde barındıran veri seti 1980 yılı ile 24.04.2019 tarihleri arasında Merkez Bankası işlem günlerindeki günlük Dolar döviz alış kuru (TL) verilerinden oluşmaktadır (Merkez Bankası, 2019). Bu yıldan başlanılmasının nedeni, 1980 öncesine ait günlük zaman serisi temelinde veri elde edilememesinden kaynaklanmaktadır. 2005 yılından geçerli olmak üzere TL’den 6 sıfır atıldığı için, karşılaştırma sağlanabilmesi adına bu yıldan önceki zaman serilerine ait veriler de ağırlıklandırılmıştır (Türkiye Cumhuriyeti Devletinin Para Birimi Hakkında Kanun, 2004). Diğer bir deyişle, 2005 öncesi Dolar döviz alış kurlarına karşılık gelen TL tutarları 1 milyona oranlanarak indirgenmiştir.

Veri seti, analize uygun hale getirilmeden önce ve analiz sırasında Microsoft Excel 2016 ve R programlama dili kullanılmıştır. Alınan bu veri setinin keşifsel veri analizi yapılarak döviz alış kurlarının aylık ve yıllık olarak dalga boyları ortaya konulmuştur. Dalga boyu hem fark olarak hem de yüzdesel fark olarak sunulmuştur. Aylık fark hesaplamaları, döviz alış kurunun ait olduğu aydaki en küçük değeri ile ait olduğu aydaki en büyük değerin farkının hesaplanması esasına dayanmaktadır. Bu hesaplamalar geliştirilen yalın bir eşitlik (1)’deki formüller yardımıyla yapılmaktadır.

Eşitlik 1’de wt belirli bir zaman serisi içerisindeki döviz kurunun dalga boyunu göstermektedir. Maxi, ilgili döviz kurunun ait olduğu aylık veya yıllık zaman serisi içerisindeki en yüksek döviz alış kur değerini, Mini ise ilgili döviz kurunun ait aylık veya yıllık zaman serisi içerisindeki en düşük döviz alış kur değerini ifade etmektedir. ct ise zaman serisi içerisinde Maxi ile Mini arasındaki farkın Mini değerine göre yüzdesel değişimini göstermektedir. Buradaki geliştirilen formüllerle döviz kuru dalga boyları, aylık ve yıllık zaman serisi bağlamında hesaplansa da haftalık, günlük veya istenilen zaman serilerine göre de hesaplanabilir.

Aylık % fark, diğer bir ifadeyle, aylık dalga boyu ise maksimum değerin minimum değere göre yüzdesel değişimini göstermektedir. Benzer şekilde, yıllık fark hesaplamalarında ise döviz alış kurunun ait olduğu yıldaki en küçük değeri ile ait olduğu yıldaki en büyük değer arasındaki fark hesaplanmıştır. Yıllık % fark, diğer bir ifadeyle, yıllık dalga boyu ise maksimum değerin minimum değere göre yüzdesel değişimini göstermektedir.

Bulgular

İlk olarak yıllık olarak 1980’den 2019 yılının 24.4.2019 tarihine kadar olan zaman serisi içinden dolar alış kuruna göre dalga boyu en yüksek yıllar büyükten küçüğe doğru sunulmuştur. Dolar alış kuruna göre elde edilen yıllık dalga boylarına ilişkin büyükten küçüğe doğru ilk 25 gözlem Tablo 1’de sunulmuştur. Tablo 1’e göre kur dalga boyunun en yüksek olduğu yıl 2001 yılıdır. Bu yılı sırasıyla 2018 ve 1999 yılları izlemektedir.

Tablo 1: Dolar Alış Kurundaki Yıllık Dalga Boyları

Tablo 1’de sunulan yıllık dalga boylarının grafiksel gösterimine ilişkin R kod bloğu aşağıda verilmiştir.

R Kod Bloğu: Dolar Alış Kurundaki Yıllık Dalga Boyları

#Dolar Alış Kurundaki Yıllık Dalga Boyları için grafik kod bloğu
library(ggplot2)
x_max<-max(dizaynR$Percent)
x_min<-min(dizaynR$Percent)
yillik_dalga_boyu<-ggplot(dizaynR, 
       aes(x=Percent, 
           y=reorder(Yıl, Percent))) +
  geom_point(color="red", 
             size = 2) +
  geom_segment(aes(x = 40, 
               xend = Percent, 
               y = reorder(Yıl, Percent), 
               yend = reorder(Yıl, Percent)),
               color = "lightgrey") +
  labs (x = "Dalga Boyu (%)",
        y = "Yıl",
        title = "Şekil 1: Dolar Alış Kurundaki Yıllık Dalga Boyları",
        subtitle = "", caption = "By Tevfik Bulut")+
theme(
  plot.title = element_text(hjust=.5, size = 14, face = "bold"),
  plot.caption = element_text(face = "italic")
)+
 theme(
  panel.grid.major = element_blank(),
  panel.grid.minor = element_blank()
)+
    theme(axis.text.x = element_text(face="bold", color="black", 
                           size=8),
          axis.text.y = element_text(face="bold", color="black", 
                           size=8))+
 theme(axis.title.x = element_text(face="bold", color="black", 
                           size=12),
       axis.title.y = element_text(face="bold", color="black", 
                           size=12))+
  scale_x_continuous(breaks = c(x_min, x_min))+
  scale_x_continuous(breaks=seq(30, x_max, 30))+
  theme(axis.line = element_line(size = 3, colour = "grey80"))+
  theme(axis.ticks = element_line(size = 2))+
  theme(panel.background = element_rect(fill = "white"))
yillik_dalga_boyu

# PNG formatında grafiği almak için
ggsave("yillik dalga.png", plot = yillik_dalga_boyu)

Yıllık dalga boyuna ilişkin yukarıdaki R kod bloğunun çalıştırılmasından sonra elde edilen grafik Şekil 1’de verilmiştir.

Dalga boylarının yıllara göre büyükten küçüğe doğru tüm listesini aşağıdaki linkten indirebilirsiniz.

Döviz alış kurlarına göre yıllık dalga boyları ortaya konulduktan sonra hangi yılın hangi ayında dalga boyunun en yüksek olduğu analiz edilecektir. Buna göre döviz alış kuruna göre dalga boyunun en yüksek olduğu aylar bulunduğu yılı da gösterecek şekilde ilk 25 gözlem Tablo 2’de verilmiştir. İlk olarak Tablo 2’de Dolar alış kuruna göre aylık dalga boyu en yüksek ilk 25 gözlem sunulmuştur.

Tablo 2: Dolar Alış Kurundaki Aylık Dalga Boyları

Tablo 2’de sunulan aylık dalga boylarının grafiksel gösterimine ilişkin R kod bloğu aşağıda verilmiştir.

R Kod Bloğu: Dolar Alış Kurundaki Aylık Dalga Boyları

#Dolar Alış Kurundaki Aylık Dalga Boyları için grafik kod bloğu
library(ggplot2)
x_max<-max(d_ay$Percent)
x_min<-min(d_ay$Percent)
Aylik_Dalga_Boyu<-ggplot(d_ay, 
       aes(x=Percent, 
           y=reorder(Ay, Percent))) +
  geom_point(color="red", 
             size = 2) +
  geom_segment(aes(x = 40, 
               xend = Percent, 
               y = reorder(Ay, Percent), 
               yend = reorder(Ay, Percent)),
               color = "lightgrey") +
  labs (x = "Dalga Boyu (%)",
        y = "Ay",
        title = "Şekil 2: Dolar Alış Kurundaki Aylık Dalga Boyları",
        subtitle = "", caption = "By Tevfik Bulut")+
theme(
  plot.title = element_text(hjust=.5, size = 14, face = "bold"),
  plot.caption = element_text(face = "italic")
)+
 theme(
  panel.grid.major = element_blank(),
  panel.grid.minor = element_blank()
)+
    theme(axis.text.x = element_text(face="bold", color="black", 
                           size=8),
          axis.text.y = element_text(face="bold", color="black", 
                           size=8))+
 theme(axis.title.x = element_text(face="bold", color="black", 
                           size=12),
       axis.title.y = element_text(face="bold", color="black", 
                           size=12))+
  scale_x_continuous(breaks = c(x_min, x_min))+
  scale_x_continuous(breaks=seq(10, x_max, 30))+
  theme(axis.line = element_line(size = 3, colour = "grey80"))+
  theme(axis.ticks = element_line(size = 2))+
  theme(panel.background = element_rect(fill = "white"))
Aylik_Dalga_Boyu

# PNG formatında grafiği almak için
png("aylik_dalga_boyu.png")
print(Aylik_Dalga_Boyu)
dev.off()

Aylık dalga boyuna ilişkin yukarıdaki R kod bloğunun çalıştırılmasından sonra elde edilen grafik Şekil 2’de verilmiştir.

Tablo 2’ye göre dalga boyunun en yüksek olduğu ay, 1980 yılının 1. ayı olduğu görülmektedir. Bu yılın ayını sırasıyla 1994 yılının 4. ayı ve 2001 yılının 2. ayı izlemektedir. Dalga boylarının aylara göre büyükten küçüğe doğru tüm listesini aşağıdaki linkten indirebilirsiniz.

Sonuç

Çalışmayla geliştirilen formüllerle döviz alış kurlarına ilişkin aylık ve yıllık olarak dalga boyları veya döviz şoklarının spektrumu hesaplanarak geçerli ve güvenilir sonuçların ortaya konulmasına yönelik deneysel bir çalışma yapılması amaçlanmıştır. Döviz kurları ülke ekonomilerinde öncü göstergelerden biri olduğu için döviz kurundaki dalga boylarının hesaplanması, ekonomideki kriz dönemlerinin belirlenmesi ve döviz şoklarının olumsuz etkilerinin boyutunun ortaya konulması açısından büyük önem arz etmektedir.

Dolar alış kuruna göre dalga boyunun en yüksek olduğu yıl 1994 yılıdır. Bu yılı sırasıyla 1980 ve 2001 yılları izlemektedir. Dolar kurunda dalga boyunun en yüksek olduğu ay ise, 1980 yılının 1. ayı’dır. Bu yılın ve ayını sırasıyla 1994 yılının 4. ayı ve 2001 yılının 2. ayı takip etmiştir.

Geliştirilen bu formüllerle aylık ve yıllık dalga boylarının hesaplanması yanında daha kısa zaman dilimlerini içine alan zaman serilerinde de dalga boyları ortaya konulabilecektir. Bu çalışmadan elde edilen bulgular ve çalışma kapsamında geliştirilen formül, döviz kurlarının mevcut durumunun analizi olduğu kadar öngörüsel analitik çalışmalara ve benzer fakat odağı farklı diğer çalışmalara da ışık tutacaktır.

Ayrıca ihtiyaç duyulması halinde işlenmiş veri setinin tamamına ve aylık zaman serisi temelinde döviz alış kurlarının yıllara göre göstermiş olduğu dalga boylarına aşağıdaki linklerden ulaşabilirsiniz.

Faydalı olması ve farkındalık oluşturması dileğiyle.

Saygılarımla

Not: Emeğe saygı adına, yapılan çalışmanın başka bir mecrada ya da ortamda paylaşılması halinde kaynak gösterilmeden alıntı yapılmamasını önemle rica ederim.

Yararlanılan Kaynaklar

T.C. Merkez Bankası:https://evds2.tcmb.gov.tr/index.php?/evds/serieMarket/#collapse_2. Ulaşım Tarihi: 19/02/2019.

Türkiye Cumhuriyeti Devletinin Para Birimi Hakkında Kanun,
Kanun No: 5083, Resmi Gazete Tarihi: 31/01/2004, Resmi Gazete Sayısı: 25363 http://www.resmigazete.gov.tr/eskiler/2004/01/20040131.htm#3.Ulaşım Tarihi: 19/02/2019.

Tukey, J. W. (1993). Exploratory Data Analysis: Past, Present, and Future. Princeton University, Department of Statistics, Technical Report No:302. https://apps.dtic.mil/dtic/tr/fulltext/u2/a266775.pdf. Ulaşım Tarihi: 19/02/2019.

Döviz Kurlarındaki Dalga Boylarının Hesaplanmasına Yönelik Yöntem Önerileri: Wt ve Ct Yöntemleri: https://tevfikbulut.com/2019/02/24/21-yillik-doviz-verisinin-kesifsel-analizi/

https://www.r-project.org/

2018 Türkiye Organize Sanayi Bölgeleri Yatırım Engelleri Araştırması (Elekronik Versiyon): 2018 Turkey Organized Industrial Zone Investment Barriers Survey (Electronik Version)

Hazırlıklarına 2016 yılında başladığım ulusal düzeyde örneklem araştırması olan 2018 Türkiye Organize Sanayi Bölgeleri Yatırım Engelleri Araştırması, araştırma raporunun yazımıyla birlikte 2019 yılında tamamlanmıştır.

847 firmanın katılımıyla gerçekleştirilen araştırmayla;

  • Organize Sanayi Bölgeleri (OSB’ler)’ndeki firmaların teknoloji düzeyi,
  • OSB’nin pazara olan mesafesi, OSB’nin altyapı tamamlanma durumu ve OSB’nin ulaşım merkezlerine olan mesafesinin firmaların OSB’lerdeki ilk kuruluş kararlarına etkisi,
  • OSB’lerin firmaların yatırım yeri tercihlerine etkisi,
  • Firmaları kuruluş ve işletme aşamasında olumlu etkileyen en önemli faktörler,
  • Firmaların kuruluş ve işletme aşamasında karşılaştığı en önemli yatırım engelleri,
  • Firmaların 4. sanayi devrimine hazırlık durumu,
  • OSB’nin bulunduğu ilin güvenlik ortamının firmaların yatırım kararlarına etkisi,
  • OSB’nin bulunduğu ilin sosyo-ekonomişlik gelişmik durumunun firmaların yatırım kararlarına etkisi,
  • Suriye’den Türkiye’ye gelen göçmenlerin firmaların yatırım kararlarına etkisi,
  • Makroekonomik faktörlerin firmaların yatırım kararlarına etkisi,
  • Ülkenin genel siyasi ortamının firmaların yatırım kararlarına etkisi,
  • Firmaların kullandığı finansman metotları,
  • Finansmana erişim olanaklarının firmaların ilk kuruluş kararlarına etkisi,
  • Bürokratik iş ve işlemlerin firmaların yatırım kararlarına etkisi,
  • Hammadde, ara malı, enerji gibi girdi maliyetleri ile iş gücü maliyetlerinin firmalara etkisi,
  • Kalifiye personel eksikliğinin firmalara etkisi,
  • Teşvik ve vergi mevzuatları ile Avrupa Birliği mevzuatına uyum çalışmalarının firmalara etkisi,
  • Firmaların ilk kuruluş kararlarını olumsuz etkileyen faktörlerin karşılaştırması

hakkında bulgular ortaya konulmuştur. Araştırmanın bulguları genel olarak;

  • Cevaplayıcıların ve firmanın özelliklerine,
  • Türkiye ölçeğine,
  • Firmaların faaliyette bulunduğu OSB türüne,
  • Firmanın faaliyet gösterdiği ana sektörlere,
  • İmalat sanayi teknoloji sınıflamasına,
  • Düzey 1 (NUTS1) bölge sınıflamasına

göre olabildiğince yalın bir şekilde sunulmuştur.

Araştırma yayınıyla Sanayi ve Teknoloji Bakanlığının ve OSB’lerin veriye dayalı politika geliştirmesine ve gelecek araştırmalar için araştırma altyapısının oluşturulmasına katkı sağlanması hedeflenmektedir. Yapılan çalışma, konu alanları itibariyle ilk, güncel ve en geniş kapsamlı çalışma niteliği taşımaktadır.

Kitabın basımı 600 adet olarak Organize Sanayi Bölgeleri Üst Kurulu (OSBÜK) tarafından yapılmıştır. Söz konusu kitabın dağıtımı da OSBÜK tarafından ücretsiz yapılmıştır. Dağıtım yapılan kurum ya da kuruluşlar şöyledir:

  • Sanayi ve Teknoloji Bakanlığı Merkez Teşkilatı
  • Organize Sanayi Bölgeleri

Bütün kesimlerin adı geçen araştırma yayınına ücretsiz ulaşılmasını sağlamak adına araştırma yayınının dijital ortamda pdf olarak paylaşılması için Kültür ve Turizm Bakanlığı’ndan basılı olan baskıdan farklı olarak dijital ortamda yayınlanması için ayrı bir ISBN numarası alınmıştır.

Dijital baskıya aşağıdaki linkten doğrudan erişebilirsiniz.

Not: 1. Baskıya ait kitap stoku tükenmiştir.

Ortaya konulan bu araştırma yayınının karar verici ve politika belirleyici konumundaki kurum, kuruluşlara ve akademik camiaya faydalı olmasını dilerim.

Saygılarımla.

Tevfik Bulut

2018 Türkiye Organize Sanayi Bölgeleri Yatırım Engelleri Araştırması: 2018 Turkey Organized Industrial Zone Investment Barriers Survey

Hazırlıklarına 2016 yılında başladığım ulusal düzeyde örneklem araştırması olan 2018 Türkiye Organize Sanayi Bölgeleri Yatırım Engelleri Araştırması, araştırma raporunun yazımıyla birlikte 2019 yılında tamamlanmıştır.

Bu çalışmada sunulan bulgular, “Organize Sanayi Bölgelerindeki Firmalar Üzerinde Posta ve İnternet Veri Toplama Yöntemlerinin Karşılaştırılması” adlı metodolojik örneklem araştırmasının birinci aşamasına katılan firmaların cevaplarına dayanmaktadır. 847 firmanın katılımıyla gerçekleştirilen araştırmayla;

  • Organize Sanayi Bölgeleri (OSB’ler)’ndeki firmaların teknoloji düzeyi,
  • OSB’nin pazara olan mesafesi, OSB’nin altyapı tamamlanma durumu ve OSB’nin ulaşım merkezlerine olan mesafesinin firmaların OSB’lerdeki ilk kuruluş kararlarına etkisi,
  • OSB’lerin firmaların yatırım yeri tercihlerine etkisi,
  • Firmaları kuruluş ve işletme aşamasında olumlu etkileyen en önemli faktörler,
  • Firmaların kuruluş ve işletme aşamasında karşılaştığı en önemli yatırım engelleri,
  • Firmaların 4. sanayi devrimine hazırlık durumu,
  • OSB’nin bulunduğu ilin güvenlik ortamının firmaların yatırım kararlarına etkisi,
  • OSB’nin bulunduğu ilin sosyo-ekonomişlik gelişmik durumunun firmaların yatırım kararlarına etkisi,
  • Suriye’den Türkiye’ye gelen göçmenlerin firmaların yatırım kararlarına etkisi,
  • Makroekonomik faktörlerin firmaların yatırım kararlarına etkisi,
  • Ülkenin genel siyasi ortamının firmaların yatırım kararlarına etkisi,
  • Firmaların kullandığı finansman metotları,
  • Finansmana erişim olanaklarının firmaların ilk kuruluş kararlarına etkisi,
  • Bürokratik iş ve işlemlerin firmaların yatırım kararlarına etkisi,
  • Hammadde, ara malı, enerji gibi girdi maliyetleri ile iş gücü maliyetlerinin firmalara etkisi,
  • Kalifiye personel eksikliğinin firmalara etkisi,
  • Teşvik ve vergi mevzuatları ile Avrupa Birliği mevzuatına uyum çalışmalarının firmalara etkisi,
  • Firmaların ilk kuruluş kararlarını olumsuz etkileyen faktörlerin karşılaştırması

hakkında bulgular ortaya konulmuştur. Araştırmanın bulguları genel olarak;

  • Cevaplayıcıların ve firmanın özelliklerine,
  • Türkiye ölçeğine,
  • Firmaların faaliyette bulunduğu OSB türüne,
  • Firmanın faaliyet gösterdiği ana sektörlere,
  • İmalat sanayi teknoloji sınıflamasına,
  • Düzey 1 (NUTS1) bölge sınıflamasına

göre olabildiğince yalın bir şekilde sunulmuştur.

Araştırma yayınıyla Sanayi ve Teknoloji Bakanlığının ve OSB’lerin veriye dayalı politika geliştirmesine ve gelecek araştırmalar için araştırma altyapısının oluşturulmasına katkı sağlanması hedeflenmektedir. Yapılan çalışma, konu alanları itibariyle ilk, güncel ve en geniş kapsamlı çalışma niteliği taşımaktadır.

Kitabın basımı 600 adet olarak Organize Sanayi Bölgeleri Üst Kurulu (OSBÜK) tarafından yapılmıştır. Söz konusu kitabın dağıtımı da OSBÜK tarafından ücretsiz yapılacaktır. Dağıtım yapılması planlanan kurum ya da kuruluşlar şöyledir:

  • Sanayi ve Teknoloji Bakanlığı Merkez Teşkilatı
  • Türkiye Odalar ve Borsalar Birliği (TOBB)
  • Organize Sanayi Bölgeleri

Ortaya koyulan bu çalışmanın başta ülkemizde karar verici konumdaki kişi, kurum ya da kuruluşlara faydalı olmasını dilerim.

İlerleyen zaman diliminde okuyucuların adı geçen araştırma yayınına ücretsiz ulaşılmasını sağlamak için araştırma yayınının tarafımca dijital ortamda pdf olarak paylaşılması planlanmaktadır.

Not: 1. Baskıya ait kitap stoku tükenmiştir.

Saygılarımla.

DÖVİZ KURLARINDAKİ DALGA BOYLARININ HESAPLANMASINA YÖNELİK YÖNTEM ÖNERİLERİ: Wt VE Ct YÖNTEMLERİ

GİRİŞ

Gelişmekte olan ülke ekonomilerinde döviz kuru dalgalanmaları iç veya dış kaynaklı olarak daha sık yaşanmaktadır. Bunun altında esasen birçok neden olmakla birlikte öne çıkabilecek bir kaç sebep sayılabilir; Bunlardan ilki reel üretiminin düşük veya yetersiz olması, diğer bir deyişle, dışarıya bağımlı bir ülke ekonomisinin hakim olması ve üretimden ziyade tüketime odaklı ekonomik yapının ağırlık kazanmasıdır. İkincisi, katma değeri düşük hizmet ana sektörü altındaki alt sektörlerin yaygın olmasıdır. Son olarak, reel üretiminin yeterli olmasına rağmen para politikası,  maliye politikasının ve ithalata dayalı üretim ekonomisinin döviz kurlarında dalgalanmaya sebebiyet vermesidir. Bütün bu sayılanlar aslında ekonominin kırılgan bir ekonomik yapıya sahip olduğunu da göstermektedir.

Bu çalışmanın amacı, T.C. Merkez Bankası veri tabanından alınan Dolar ve Euro döviz alış kurlarının geliştirilen formülle aylık ve yıllık zaman dilimlerine dayalı olarak dalga boylarının, diğer bir ifadeyle, döviz şoklarının spektrumunu (etki alanını) hesaplayarak ortaya koymaktır. Döviz kurundaki dalga boylarının hesaplanması, ekonomideki şokların olumsuz etkilerinin boyutunun ortaya konulması açısından önemli bir yere sahiptir. Yapılan çalışma, alanı içerisinde özgün bir çalışma niteliği taşımasının yanı sıra döviz kurlarının keşifsel veri analizine yeni bir bakış açısı da getirmektedir. Bu çalışmayla birlikte mevcut durumun bilimsel bir zeminde ortaya konulmasının yanında benzer fakat odağı farklı yapılacak diğer çalışmalara da ışık tutulacaktır.

TÜRKİYEDEKİ DÖVİZ ALIŞ KURU HAREKETLERİ

Metodoloji kısmına geçmeden önce Dolar ve Euro döviz alış kurlarının aylık ve yıllık olarak izlediği seyrin keşifsel veri analizi ile ortaya konulmasının yerinde bir karar olacağı düşünülmektedir (Tukey, 1993). Bu amaçla, ilk olarak döviz alış kurunun izlediği seyir ilk olarak yıllık, sonra aylık olarak verilmiştir. Sunulan zaman serisine ait ham veriler, 01.01.1999-18.02.2019 tarih aralığındaki T.C. Merkez Bankasının veri tabanından elde edilen döviz alış kur verilerini kapsamaktadır (Merkez Bankası, 2019). Döviz alış kurunun izlediği günlük seyri içeren verilerin tamamı Dolar ve Euro bazında yıllık olarak verilerek vakaların seyrinin bir röntgeninin çekilmesi amaçlanmıştır. Şekil 1’de Dolar ve Euro bazında döviz alış kurlarının seyri 21 yılı içerecek şekilde yıllara göre verilmiştir. Daha gerçekçi ve daha güvenilir bir resmin ortaya konulması adına, döviz alış kurlarının ortalaması alınarak sunulması yoluna gidilmemiştir. Bunun nedeni, ortalamalardan yola çıkıldığında döviz kurundaki sapmaların görülemiyor olmasıdır. Şekil 1, içerisinde yer aldığı yıl boyunca döviz alış kurlarının izlediği bütün hareketleri yansıtmaktadır. Buna göre, izlenen döviz kuru hareketlerinden;

  • Euro ve Dolar alış kurlarının birbirine paralel ve zamana bağlı olarak sürekli bir artış gösterdiği görülmektedir.
  • Hem Euro ve Dolar alış kurunda 2001 ve 2018 yıllarında büyük bir dalgalanma olduğu, ancak bu dalgalanmanın 2019 yılı içerisinde dengelenme seyrine girdiği görülmektedir.

Şekil 1: Yıllara Göre Döviz Alış Kurunun Seyri


Şekil 2’de ise aylara göre Dolar ve Euro bazında döviz alış kurlarının seyri verilmiştir. Şekil 2, içerisinde yer aldığı ilgili ay boyunca döviz alış kurlarının izlediği bütün hareketlerin bir röntgenini ortaya koymaktadır. Buna göre, izlenen döviz kuru hareketlerinden;

  • Euro ve Dolar alış kurlarının aylık zaman serisi içerisinde birbirine paralel bir seyir izlediği tespit edilmiştir.
  • Hem Euro ve Dolar alış kurunda Ocak ve Şubat aylarında dalga boyu yükseldikten sonra yaklaşık 4 aylık bir durgun seyirden sonra Ağustos, Eylül ve Ekim aylarında Ocak ve Şubat aylarında daha yüksek bir dalga boyuna ulaştığı görülmektedir. 11 ve 12. aylarda ise bu yükseliş trendi yerini daha durağan bir seyre bıraktığı tespit edilmiştir.

Şekil 2: Aylara Göre Döviz Alış Kurunun Seyri

Şekil 1 ve Şekil 2’de verilen grafikler her ne kadar döviz alış kurlarının izlediği seyrin röntgenini ortaya koysa da, yıllık ve aylık olarak bütün zaman serisi içerisinde ne kadarlık bir dalga boyuna sahip olduğunu tam olarak ortaya koymamaktadır. Bu nedenle, aylık ve yıllık döviz alış kurlarının dalga boylarının, diğer bir deyişle, döviz şoklarının spektrumunun hesaplanmasına ihtiyaç duyulmaktadır. Bu amaçla, bu ihtiyacın giderilmesine yönelik olarak metodoloji kısmında da bahsedileceği üzere dalga boylarının geçerli ve güvenilir bir şekilde hesaplanmasına yönelik yöntemler geliştirilmiştir.

METODOLOJİ

Örnek uygulama yapılacak veri seti, 19.02.2019 tarihinde TC. Merkez Bankasının veri tabanından indirilmiştir. Veri seti, 4 değişken ve her bir döviz alış kuru için 5067 gözlemden oluşmaktadır. 21 yıllık zaman serisini içinde barındıran veri seti 1999 yılı ile 18.02.2019 tarihleri arasında Merkez Bankası işlem günlerindeki günlük Dolar ve Euro döviz alış kuru (TL) verilerinden oluşmaktadır (Merkez Bankası, 2019). Bu yıldan başlanılmasının nedeni, eşit zaman serisi elde edilerek karşılaştırma yapılmak istenmesinden kaynaklanmaktadır. 2005 yılından geçerli olmak üzere TL’den 6 sıfır atıldığı için, karşılaştırma sağlanabilmesi adına bu yıldan önceki zaman serilerine ait veriler de ağırlıklandırılmıştır (Türkiye Cumhuriyeti Devletinin Para Birimi Hakkında Kanun, 2004). Diğer bir deyişle, 2005 öncesi döviz kurlarına karşılık gelen TL tutarları 1 milyona bölünerek indirgenmiştir.

Veri seti, analize uygun hale getirilmeden önce ve analiz sırasında Microsoft Excel 2016 ve R programlama dili kullanılmıştır. Alınan bu veri setinin keşifsel veri analizi yapılarak döviz alış kurlarının aylık ve yıllık olarak dalga boyları ortaya konulacaktır. Dalga boyu hem fark olarak hem de yüzdesel fark olarak sunulmuştur. Aylık fark hesaplamaları, döviz alış kurunun ait olduğu aydaki en küçük değeri ile ait olduğu aydaki en büyük değerin farkının hesaplanması esasına dayanmaktadır. Bu hesaplamalar geliştirilen eşitlik (1)’deki formüller yardımıyla yapılmaktadır.

Eşitlik 1’de wt belirli bir zaman serisi içerisindeki döviz kurunun dalga boyunu göstermektedir. Maxi, ilgili döviz kurunun ait olduğu aylık veya yıllık zaman serisi içerisindeki en yüksek döviz alış kur değerini, Mini ise ilgili döviz kurunun ait aylık veya yıllık zaman serisi içerisindeki en düşük döviz alış kur değerini ifade etmektedir. ct ise t belirli bir zaman serisi içerisinde Maxi ile Mini arasındaki farkın Mini değerine göre yüzdesel değişimini göstermektedir. Buradaki geliştirilen formüllerle döviz kuru dalga boyları, aylık ve yıllık zaman serisi bağlamında hesaplansa da haftalık, günlük veya istenilen zaman serilerine göre de hesaplanabilir.

Aylık % fark, diğer bir ifadeyle, aylık dalga boyu ise maksimum değerin minimum değere göre yüzdesel değişimini göstermektedir. Benzer şekilde, yıllık fark hesaplamalarında ise döviz alış kurunun ait olduğu yıldaki en küçük değeri ile ait olduğu yıldaki en büyük değer arasındaki fark hesaplanmıştır. Yıllık % fark, diğer bir ifadeyle, yıllık dalga boyu ise maksimum değerin minimum değere göre yüzdesel değişimini göstermektedir.

BULGULAR

İlk olarak yıllık olarak 1999’dan 2019 yılının 18.2.2019 tarihine kadar olan zaman serisi içinden dolar alış kuruna göre dalga boyu en yüksek yıllar büyükten küçüğe doğru sunulmuştur. Dolar alış kuruna göre elde edilen yıllık dalga boyuna ilişkin sonuçlar Tablo 1’de sunulmuştur. Buna göre kur dalga boyunun en yüksek olduğu yıl 2001 yılıdır. Bu yılı sırasıyla 2018 ve 1999 yılları izlemektedir.

Tablo 1: Dolar Alış Kurundaki Yıllık Dalga Boyları

Benzer şekilde, Euro alış kurunun yıllık olarak dalga boyları ise büyükten küçüğe doğru Tablo 2’de verilmiştir. Euro alış kuruna göre ise kur dalga boyunun en yüksek olduğu yıl dolar kurunda olduğu gibi 2001 yılıdır. Bu yılı sırasıyla 2018 ve 2002 yılları izlemektedir.

Tablo 2: Euro Alış Kurundaki Yıllık Dalga Boyları

Döviz alış kurlarına göre yıllık dalga boyları ortaya konulduktan sonra hangi yılın hangi ayında dalga boyunun en yüksek olduğu analiz edilecektir. Buna göre döviz alış kuruna göre dalga boyunun en yüksek olduğu aylar bulunduğu yılı da gösterecek şekilde ilk 25 gözlem aşağıdaki tablolarda verilmiştir. İlk olarak Tablo 3’te Dolar alış kuruna göre aylık dalga boyu en yüksek ilk 25 gözlem sunulmuştur.

Tablo 3: Dolar Alış Kurundaki Aylık Dalga Boyları

Tablo 3’e göre dalga boyunun en yüksek olduğu ay, 2001 yılının 2. ayı olduğu görülmektedir. Bunu sırasıyla 2018 yılının 8. ayı ve 2008 yılının 10 ayı izlemektedir. Dalga boylarının aylara göre büyükten küçüğe doğru tüm listesini aşağıdaki linkten indirebilirsiniz.

Dolar alış kuruna göre dalga boyu en yüksek ilk 25 gözlem sunulduktan sonra Tablo 4’te Euro alış kuruna göre aylık dalga boyu en yüksek ilk 25 gözlem verilmiştir.

Tablo 4: Euro Alış Kurundaki Aylık Dalga Boyları

T

Euro alış kuruna göre de en yüksek dalga boyunun olduğu aylar, büyükten küçüğe doğru bulunduğu yıla göre ilk 25 kayıt Tablo 4’te verilmiştir. Buna göre dalga boyunun en yüksek olduğu ay, 2001 yılının 2. ayı olduğu görülmektedir. Bunu sırasıyla 2018 yılının 8. ayı ve 2001 yılının 4. ayı izlemektedir. Euro alış kuru dalga boylarının aylara göre büyükten küçüğe doğru tüm listesini ise aşağıdaki linkten indirebilirsiniz.

SONUÇ

Yapılan çalışmayla veri seti üzerinde ilk olarak keşifsel veri analizi yapılmıştır. Bunun ardından ilk kez geliştirilen formüllerle döviz alış kurlarına ilişkin aylık ve yıllık olarak dalga boyları veya döviz şoklarının spektrumu hesaplanarak geçerli ve güvenilir sonuçların ortaya konulması amaçlanmıştır. Döviz kurundaki dalga boylarının hesaplanması ekonomideki şokların olumsuz etkilerinin boyutunun ortaya konulması açısından büyük önem arz etmektedir.

Dolar alış kuruna göre dalga boyunun en yüksek olduğu yıl 2001 yılıdır. Bu yılı sırasıyla 2018 ve 1999 yılları izlemektedir. Dolar kurunda dalga boyunun en yüksek olduğu ay ise, 2001 yılının 2. ayı’dır. Bunu sırasıyla 2018 yılının 8. ayı ve 2008 yılının 10 ayı izlemektedir.

Euro alış kuruna dalga boyunun en yüksek olduğu yıl dolar kurunda olduğu gibi 2001 yılıdır. Bu yılı sırasıyla 2018 ve 2002 yılları izlemektedir. Euro kurunda dalga boyunun en yüksek olduğu ay, 2001 yılının 2. ayı olduğu görülmektedir. Bunu sırasıyla 2018 yılının 8. ayı ve 2001 yılının 4. ayı izlemektedir.

Geliştirilen bu formüllerle aylık ve yıllık dalga boylarının hesaplanması yanında daha kısa zaman dilimlerini içine alan zaman serilerinde de dalga boyları ortaya konulabilecektir. Bu çalışmadan elde edilen bulgular ve çalışma kapsamında geliştirilen formül, döviz kurlarının mevcut durumunun analizi olduğu kadar öngörüsel analitik çalışmalara ve benzer fakat odağı farklı diğer çalışmalara da ışık tutacaktır.

Ayrıca ihtiyaç duyulması halinde işlenmiş veri setinin tamamına ve aylık olarak döviz alış kurlarının yıllara göre göstermiş olduğu dalga boylarına aşağıdaki linklerden ulaşabilirsiniz.

Faydalı olması ve farkındalık oluşturması dileğiyle.

Saygılarımla

Not: Emeğe saygı adına, yapılan çalışmanın başka bir mecrada ya da ortamda paylaşılması halinde kaynak gösterilmeden alıntı yapılmamasını önemle rica ederim.

Kaynaklar

T.C. Merkez Bankası:https://evds2.tcmb.gov.tr/index.php?/evds/serieMarket/#collapse_2. Ulaşım Tarihi: 19/02/2019

Türkiye Cumhuriyeti Devletinin Para Birimi Hakkında Kanun,
Kanun No: 5083, Resmi Gazete Tarihi: 31/01/2004, Resmi Gazete Sayısı: 25363 http://www.resmigazete.gov.tr/eskiler/2004/01/20040131.htm#3.Ulaşım Tarihi: 19/02/2019

Tukey, J. W. (1993). Exploratory Data Analysis: Past, Present, and Future. Princeton University, Department of Statistics, Technical Report No:302. https://apps.dtic.mil/dtic/tr/fulltext/u2/a266775.pdf. Ulaşım Tarihi: 19/02/2019