АНАЛИЗ БЕЗРАБОТИЦЫ И ИХ ФАКТОРОВ НА ПРИМЕРЕ ТУРЦИИ

Равшанова С.И.; Рахимбердиева М.В.; Холматов Ф.Н.; Пошаходжаева Г.Ж.

УДК.001.201

Равшанова С.И. студент 2 курса бакалавриата факультет «Налоги и налогообложение» Фискальный институт при Налоговом Комитете Узбекистана

Рахимбердиева М.В. студент 2 курса бакалавриата факультет «Налоги и налогообложение» Фискальный институт при Налоговом Комитете Узбекистана

Холматов Ф.Н. студент 2 курса бакалавриата факультет «Налоги и налогообложение» Фискальный институт при Налоговом Комитете Узбекистана

Пошаходжаева. Г.Ж.

доцент преподаватель

Фискальный институт при Налоговом Комитете Узбекистана

Узбекистан, г. Ташкент

АНАЛИЗ БЕЗРАБОТИЦЫ И ИХ ФАКТОРОВ НА ПРИМЕРЕ

ТУРЦИИ

Аннотация. В настоящей работе изучаются данные безработицы и их факторов в Турции. Мы сделали регрессионный анализ по безработицы и получили уравнение регрессии, проверили взаимосвязь между факторами и их влияние на эконометрическую модель.

Ключевые слова: МНК, регрессия, корреляция, методология, коллениарность, мультипликативность, безработица,

гетероскедастичность, модель линейной регрессии.

Ravshanova S.I. 2nd year undergraduate student faculty "Taxes and taxation " Fiscal Institute under the Tax Committee of Uzbekistan

Rakhimberdieva M. V. 2nd year undergraduate student faculty "Taxes and taxation " Fiscal Institute under the Tax Committee of Uzbekistan

Kholmatov F.N. 2nd year undergraduate student faculty "Taxes and taxation " Fiscal Institute under the Tax Committee of Uzbekistan

Poshakhodjaeva. G.Zh.

associate professor teacher

Fiscal Institute under the Tax Committee of Uzbekistan

Uzbekistan, Tashkent

ANALYSIS OF UNEMPLOYMENT AND THEIR FACTORS ON THE

EXAMPLE OF TURKEY

Annotation. This paper examines unemployment data and its factors in Turkey. We made a regression analysis on unemployment and obtained a regression equation, checked the relationship between factors and their influence on the econometric model.

Keywords: OLS, regression, correlation, methodology, collenarity, multiplicativity, unemployment, heteroscedasticity, linear regression model.

ВВЕДЕНИЕ

Безработица является одной из самых больших и насущных проблем всего мира. Это серьезная проблема, как в развитых, так и в бедных странах. Безработица означает, что часть экономически активного населения не может найти подходящую работу и становится трудовым резервом. Безработица - это экономический показатель, который обычно выражается в виде уровня безработицы. Хотя была проделана большая работа по взаимосвязи между безработицей и другими группами, гораздо меньше внимания уделялось макроэкономическим переменным и детерминантам безработицы.

В качестве основных переменных, влияющих на безработицу, были взяты инвестиции, валовой внутренний продукт (ВВП), уровень инфляции, прирост населения, безработица, ежемесячная заработная плата и государственные доходы. В этом исследовании делается попытка пролить свет на факторы, влиявшие на безработицу в Турции с 1990 по 2022 год, с использованием модели линейной регрессии МНК.

Если мы видим последовательность проделанной работы, то в первом разделе приводится литература по изучению безработицы и ее влияющих факторов.

Во втором разделе представлена методология, описательная статистика и наши предыдущие предположения.

В третьем разделе представлены результаты и выводы.

После этого мы увидим основные результаты, а затем Использованные источники: и проделанную работу в Stata.

МЕТОДОЛОГИЯ

Для этого исследования использовались вторичные данные индикаторов Всемирного банка и Международного валютного фонда. Турция охватывает период с 1990 по 2021 год. При сортировке данных,

полученных в процессе обработки данных, путем выбора связанной безработицы, в качестве независимых переменных были выбраны прямые постоянные цены ВВП, иностранные инвестиции, инфляция, средние потребительские цены, уровень безработицы, численность населения и общий доход государства. Мы использовали линейный метод наименьших квадратов, чтобы объяснить детерминанты безработицы в Турции, и построили следующую модель OLS для этого анализа.

Unemploymenti=a+ p1populatюn+ p2mflat+p3mvest+p4GDPconst+p5wag

e+

+в6 governmentrevenue + в

Descriptive Statistics

Variable Obs Mean Std. Dev. Min Max

unemployment 33 9.262 2.022 5.997 13.731

inflation 33 36.576 32.255 6.251 104.54

investment 33 1.198 .844 .305 3.624

wage 33 59.233 6.541 50.326 69.57

GDP constant 33 1078.235 480.225 511.604 2109.285

population 33 70.276 9.077 55.511 85.682

Goverment revenue 33 535.684 811.703 40.675 4153.757

Средний уровень безработицы в Турции в 1990-2021 годах составляет 9 262 процента, а максимальный показатель — 13 731 процент. Инфляция в среднем составляет 36%, с минимумом 6% и максимумом 10%. Средняя инвестиция составляет 1,1%, максимальная — 3,6%, средняя заработная плата сотрудников — 59%, максимальная — 69%. ВВП в неизменных ценах составляет в среднем 10% и достигает максимума в 21%. Средняя численность населения составляет 70 миллионов человек, а максимальная — 85 миллионов. Доходы сектора государственного управления составляют в среднем 5% и достигают пика в 41%.

По результатам исследования, рост населения положительно влияет на уровень безработицы. Потому что рост населения снижает уровень занятости. Это также увеличивает конкуренцию на рынке труда и снижает вероятность трудоустройства. Влияние инфляции на безработицу отрицательно, поскольку повышение уровня цен при неизменной заработной плате снижает покупательную способность потребителей и увеличивает распространение потерь рабочих мест в коммерческом секторе. В целом существует отрицательная корреляция между инвестициями и безработицей, потому что чем больше инвестиций, тем больше будет занято людей и снизится уровень безработицы. Между безработицей и ВВП существует обратная зависимость. Потому что ВВП определяет уровень продукции, произведенной работниками в стране. Без высокого уровня занятости в стране невозможно добиться высокого роста цен на валовой внутренний продукт. Общие государственные доходы

обратно пропорциональны уровню безработицы, поскольку чем выше государственные доходы, тем ниже уровень безработицы.

КОРРЕЛЯЦИЯ

Корреляция — это статистическая оценка взаимосвязи между двумя переменными. Возможные корреляции варьируются от +1 до -1. Нулевая корреляция указывает на отсутствие взаимосвязи между переменными. Корреляция -1 указывает на идеальную отрицательную корреляцию, означающую, что когда одна переменная повышается, другая понижается. Отношение +1 указывает на идеальную положительную корреляцию, означающую, что оба параметра движутся в одном направлении.

Variables (1) (2) (3) (4) (5) (6)

(1) unemployment (2) inflation 1.000 -0.664 1.000

(3) investment 0.305 -0.668 1.000

(4) wage 0.764 -0.675 0.474 1.000

(5) GDP constant 0.747 -0.572 0.375 0.982 1.000

(6) population 0.777 -0.685 0.447 0.982 0.974 1.000

(7) 0.558 -0.164 0.129 0.742 0.833 0.748

Goverment reve~e

Из этой таблицы видно, что многие переменные не коррелированы, только ВВП и месячная зарплата, население и месячная зарплата, население и ВВП имеют более сильную корреляцию. Государственные доходы и ВВП имеют небольшую корреляцию.

РЕЗУЛЬТАТ

Linear regression

unemployment Coef. St.Err. t- p- [95% Interval] Sig

value value Conf

inflation -.019 .008 -2.34 .027 -.037 -.002 **

investment -.556 .268 -2.07 .048 -1.108 -.005 **

wage .621 .217 2.86 .008 .175 1.067 ** *

population .481 .186 2.59 .016 .099 .862 **

ln_GDPConsta -23.779 5.618 -4.23 0 -35.328 -12.231 **

nttant *

ln_Goverment 2.498 .692 3.61 .001 1.074 3.921 **

_revenue *

Constant 90.39 18.85 4.80 0 51.643 129.136 **

*

Mean dependent var 9.262 SD dependent var 2.022

R-squared 0.840 Number of obs 33

F-test 22.742 Prob > F 0.000

Akaike crit. (AIC) 92.625_Bayesian crit. (BIC) 103.100

*** p<.01, **p<.05, *p<.1

Согласно результатам OLS, если население увеличивается на 1 миллион, уровень безработицы увеличивается на 0,481%. Это означает, что возможности трудоустройства не развиваются параллельно с ростом населения, а рост населения намного выше, чем рост новых возможностей трудоустройства. Коэффициент инфляции показывает небольшой эффект, и он тоже не в том знаке, но его влияние незначительно. То есть уровень инфляции отрицательно влияет на уровень безработицы, а увеличение инфляции на 1% снижает безработицу на 0,019%. Увеличение инвестиций на 1% снижает уровень безработицы на 0,556%. Увеличение ВВП на 1% (в постоянных ценах) снизит уровень безработицы примерно на 23%. Более высокий рост ВВП не гарантирует более низкий уровень безработицы, и это может произойти из-за природных потрясений. Увеличение месячной заработной платы на 1% увеличивает уровень безработицы на 0,621%. Увеличение государственных доходов на 1% увеличивает уровень безработицы на 2,498%. В этом случае R в квадрате показывает точность ответов на значения переменных по отношению к безработице. Этот результат составляет 84%. Adj R в квадрате составляет 80% и быстро растет по сравнению с R в квадрате. ВЫВОД

Проводя это исследование, мы изучили факторы, влияющие на безработицу в Турции. Соответственно, в качестве факторов, влияющих на безработицу, мы выбрали инвестиции, инфляцию, уровень безработицы, ВВП в постоянных ценах, доходы населения, доходы государства. В исследовании анализируются основные детерминанты безработицы в Турции в период с 1990 по 2021 год с использованием метода линейной МНК. Результаты регрессии показывают, что инвестиции и инфляция оказывают негативное влияние на уровень безработицы. Рост ВВП и рост населения положительно влияют на уровень безработицы.

МНК допущение

1. Коэффициенты или параметры и стандартные ошибки регрессионной модели должны быть линейными. Если рассматривать модель Y, Yi=a+ЫX1+b2X2+b3X3+...+ biXi+e. Y должен быть всеми коэффициентами Ь, а степень е должна быть равна единице.

2. Остатки должны иметь одинаковую дисперсию, поэтому не должно быть проблемы гетероскедастичности.

Гетероскедастический означает «различное рассеяние» от греческих слов «гетеро» («различный») и «скедасис» («распространение»). Это относится к изменению условий ошибки в модели регрессии для независимой переменной. Если в данных присутствует гетероскедастичность, дисперсия будет различаться по значениям объясняющих переменных и нарушать предположение. Это делает оценку OLS ненадежной из-за систематической ошибки. Поэтому очень важно проверить гетероскедастичность и применить корректирующие меры, если

таковые имеются. Выявить гетероскедастичность помогают различные тесты, такие как тест Бреуша-Пагана и тест Уайта. Тесты гетероскедастичности используют стандартные ошибки из результатов регрессии. Поэтому первым шагом является запуск регрессии с тремя переменными, обсуждавшимися в предыдущей статье.

Breusch-Pagan / Cook-Weisberg test for heteroskedasticity

Ho: Constant variance

Variables: fitted values of D.unemployment chi2(1) =0.07

Prob > chi2 =0.7924

Если p-значение ниже определенного порога (обычно выбирают 0,01, 0,05 и 0,10), то есть достаточно доказательств, чтобы сказать, что гетероскедастичность существует. Здесь мы имеем проблему гетероскедастичности.

3. Независимые переменные не должны иметь очевидной линейной зависимости.

В статистике мультиколлинеарность (также коллинеарность) — это явление, при котором одна предикторная переменная в модели множественной регрессии может быть предсказана линейно по другим с достаточной точностью. В этом случае, коэффициенты множественной регрессии могут изменяться случайным образом в ответ на небольшие изменения в модели или данных. Мультиколлинеарность обычно не снижает прогностическую силу или надежность модели, по крайней мере, в пределах выборочного набора данных; это влияет только на расчеты отдельных предикторов. То есть модель многомерной регрессии с коллинеарными предикторами может показать, насколько хорошо весь набор предикторов предсказывает переменную результата, но не указывает, какие отдельные предикторы или какие предикторы

превосходят другие, может не давать точных результатов._

VIF_1/VIF_

1.910 0.523

1.890 0.530

1.420 0.702 1.420 0.702 1.130 0.884

1.090 0.920

1.480

У нас нет проблем в мультиколениярности, то есть наше значение P находится между 1 и 5.

iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.

4. Среднее значение значения P должно быть равно нулю. Значения, близкие к нулю или менее 0,1, указывают на верную оценку.

5. Не должно быть проблем с автокорреляцией при соблюдении членов ошибки. Он исследует корреляцию временного ряда текущего значения связанного значения со значением предыдущего года.

Поскольку мы использовали годовые данные, мы использовали тест Бреуша-Годфери для проверки автокорреляции. Объяснение теста Бреуша -Годфри: В статистике тест Бреуша-Годфри используется для оценки достоверности определенных допущений моделирования, присущих применению регрессионных моделей к наблюдаемым рядам данных. В частности, он проверяет серийные корреляции, которые не включены в предлагаемую структуру модели и, если они присутствуют, могут привести к ложным выводам из других тестов или неоптимальным оценкам параметров модели..

К регрессионным моделям, для которых может быть применен тест, относятся те, в которых лаговые значения зависимых переменных используются в качестве независимых переменных при задании модели для последующих наблюдений. Этот тип структуры распространен в эконометрических моделях.

Test Trevor S. Breusch va Leslie G. Godfrey sharafiga nomlangan.

Breusch-Godfrey LM test df Prob>Chi2

for autocorrelation

chi2

0.005 1 0.941

1.662 2 0.436

4.776 3 0.189

5.692 4 0.223

6.680 5 0.246

9.141 6 0.166

10.735 7 0.151

11.291 8 0.186

По этому тесту он проверил, есть ли проблема автокорреляции за последние 8 лет безработицы в Турции. Согласно результатам, проблемы автокорреляции нет.

6. Одна переменная не должна зависеть от другой переменной.

7. Количество исследований должно быть больше количества параметров.

8. Значения х в объясняющих переменных не должны совпадать.

9. Должна быть надлежащая спецификация модели, в которой должны быть правильно смоделированы отношения между зависимыми и независимыми переменными.

10. Независимые переменные не должны иметь очевидной линейной зависимости.

Стационарная проверка

Мы использовали годовые данные и выполнили две операции над нашими данными,то есть мы анализировали проблемы стационарности и автокорреляции.

Автокорреляционная функция и коррелограмма. Коррелограмма показывает, быстро или медленно затухает корреляция временного ряда с несколькими лагами. Если он затухает слишком медленно, временной ряд может быть стационарным. Тест на единичный корень. Если на основе теста Дикки-Фуллера или расширенного теста Дикки-Фуллера мы находим один или несколько единичных корней во временном ряду, это может быть еще одним свидетельством стационарности. Если после диагностических тестов обнаруживается, что временной ряд является стационарным, но с трендом, мы можем удалить тренд, регрессировав этот временной ряд по времени или переменной тренда. Эти регрессионные остатки затем представляют временной ряд без тренда. Когда мы создаем модель для целей прогнозирования при анализе временных рядов, нам требуются стационарные временные ряды для лучшего прогнозирования. Таким образом, первый шаг в работе по моделированию — сделать временной ряд стационарным. Проверка стационарности часто используется в авторегрессионном моделировании. Мы можем выполнять различные тесты, такие как KPSS, Phillips-Perron и Augmented Dickey-Fuller. Мы больше сосредоточились на тесте Дики-Фуллера. Мы увидим, как мы можем реализовать это во временном ряду. По сути, мы проверяем 3 разными способами;

1. Константа

2. Непостоянная

3. Тренд

Если наши переменные не выходят стационарными после проверки 3-мя разными способами, мы входим в 4-й способ, т.е. переменные (разность). Проанализируем переменные:

Dickey-Fuller test for unit root Number of obs=32