AI Summary & Key Takeaways
AI InsightUnlike other studies in the literature, the Support Vector Regression model was used in this study, and SVR produced a more suitable model for analyzing income inequality.
📌 3 Key Takeaways
Abstract
This study examines the socioeconomic indicators such as human development, urbanization, and female employment rate in MIST countries on income distribution with both econometric and machine learning methods. Although there are many studies on growth in the economics literature, the income distribution has not found the place it should be. To fill this void, the intensity of studies between growth and income distribution has increased recently. For this purpose, we employed two separate analyzes using the panel data method and the Support Vector Regression method, which is one of the machine learning methods, by reaching the Gini coefficients, HDI, urbanization, and female labor force participation data of the MIST countries for the years 1990-2019. As a result, all determinants in the random-effects model have a statistically significant effect on income inequality. In the model, while HDI and urbanization are significant at 5%, female labor force participation is significant at 0.1%. Signs of all explanatory variables are negative, and therefore they have a decreasing effect on income inequality. As HDI, urbanization, and female labor force participation values of MIST countries have improved since 1990, the Gini coefficients have improved. In other words, the income distribution of these countries has become fairer. Unlike other studies in the literature, the Support Vector Regression model was used in this study, and SVR produced a more suitable model for analyzing income inequality.
Özet
Bu çalışma, MİST ülkelerinde insani gelişme, şehirleşme ve kadın istihdam oranı gibi sosyoekonomik göstergelerin gelir dağılımı üzerindeki etkisini hem ekonometrik hem de makine öğrenmesi yöntemleriyle incelemektedir. Ekonomi yazınında büyüme ile ilgili çokça çalışma olmasına rağmen gelir dağılımı olması gerektiği kadar yer bulamamıştır. Bu boşluğu doldurmak için olsa gerek son zamanlarda büyüme ile gelir dağılımı arasındaki çalışmaların yoğunluğu artmıştır. Bu amaçla MİST ülkelerinin 1990-2019 yılı Gini katsayıları, İGE, şehirleşme ve kadınların iş gücüne katılımı verilerine ulaşılarak, panel veri yöntemi ve makine öğrenmesi yöntemlerinden biri olan Destek Vektör Regresyonu yöntemi aracılığı ile iki ayrı analiz yapılmıştır. Yapılan analizler sonucunda tesadüfi etkiler modelindeki tüm belirleyicilerin gelir adaletsizliği üzerinde istatistiksel olarak anlamlı etkiye sahip olduğu anlaşılmıştır. Modelde İGE ve kentleşme %5 düzeyinde anlamlıyken kadınların iş gücüne katılımı ise %0,1 oranında anlamlı çıkmıştır. Tüm açıklayıcı değişkenlerin işaretleri negatiftir ve dolayısıyla gelir adaletsizliğini azaltıcı yönde etkilerinin olduğu söylenebilir. Kısaca çalışmanın sonucunda MIST ülkelerinin 1990 yılından bu tarafa İGE, şehirleşme ve kadınların işgücüne katılım değerleri iyileştikçe Gini katsayıları iyileşmiş, yani bir başka ifadeyle bu ülkelerin gelir dağılımı daha adil olmuştur. (İngilizce) Bu çalışmada literatürde tespit edilen çalışmalardan farklı olarak Destek Vektör Regresyonu modeli de kullanılmış ve gelir adaletsizliğinin analizi için daha uygun bir model ürettiği gözlemlenmiştir.