Türkiye'de bölgesel gelir eşitsizliği mekânsal analizi

Abstract

Gelir eşitsizliği bir ülke için büyük bir endişe kaynağıdır. Son yıllarda gelir eşitsizliği çoğu ülkede artmış ve Türkiye'de de büyük bir endişe kaynaği haline gelmiştir. Bölgesel farklılıklar gelir eşitsizliğinin incelenmesinde önemli olacaktır. Bu bağlamda, yapılan çalışmanın bu farklılıkların ve gelir eşitsizliğini etkileyen faktörlerin bölgelerde nasıl bir örüntü oluşturduğunu incelemek ve anlamak için gerekli olduğu düşünülmektedir. Bu tezde, mekansal ölçümü analiz eden bir araç olan GEODA ile gelir eşitsizliğini ölçmek için Türkiye'nin Gini katsayısı incelenmiştir. Mekansal analiz bölgesel kümelenmeleri hesaba katmaktadır; Türkiye'nin 26 bölgesinin Gini katsayısını NUTS- 2 düzeyinde incelenmiştir. 2014 yılından 2023 yılına kadar, bölgesel gelir eşitsizliğini etkileyebilecek faktörler, iki değişkenli verilerin analizi yöntemiyle incelenmiştir. Mekansal otoregresif model, bölgesel gelir eşitsizliği için uzamsal ilişkileri yakalamada en iyi sonucu vermiştir. Araştırma ve geliştirme giderlerinin gayri safhi yurtiçi hasıla içindeki payı, bölgesel gelir eşitsizliğini en çok azaltan faktör olmuştur. Anahtar Kelimeler: Geoda, gelir eşitsizliği, Nuts 2 düzeyi, mekansal analiz, Gini katsayısıIncome inequality is a major concern for a country. In recent years, income inequality has increased in most countries and also became a major concern in Türkiye. Regional disparities will be important in examining income inequality. In this context, the study conducted is necessary to examine and understand how these differences and factors affecting income inequality also create a pattern in the regions. In this thesis, Türkiye's Gini coefficient was examined for measuring income inequality by GEODA, which is a tool for analysing spatial measurement. The spatial analysis takes into account regional clusters and observed the Gini coefficient at the NUTS 2 level, which consists of 26 regions in Türkiye. The factors that affect income inequality in Türkiye were examined from 2014 to 2023 by the method of bivariate analysis. Spatial Autoregressive Model is the best fit for obtaining spatial associations for regional income inequality. Research and development expenditure shares in GDP is the most affective factor that decrease regional income inequality. Key Words: Geoda, regional income inequality, Nuts 2 Level, spatial analysis, regional Gini index