Bölüm 3.2‟de tanımları verilen büyüme üzerinde etkisi olabileceği düĢünülen değiĢkenlerin türü, kodu ve tanımı Tablo 24‟te bir bütün halinde verilmiĢtir.
Tablo 16. Analizde Yer Alan DeğiĢkenler Tablosu
TÜR DEĞĠġKEN KOD TANIM
1 Bağımlı DeğiĢken
Büyüme Oranı
BO GSYH‟de bir dönemden diğer döneme geçerken gerçekleĢen oransal artıĢtır.
PB Ġl bazında yapılan patent baĢvuru sayılarıdır.
3 Üniversite
Mezunu Sayısı
ÜM Ġl bazında üniversitelerden mezun olan kiĢi sayılarıdır.
AO Ġhracat + Ġthalat/GSYH'dir. Yani dıĢ ticaretin GSYH içerisindeki payıdır.
Tablo 16‟da verilen veriler ıĢığında adım adım analizimizi gerçekleĢtireceğiz. Ġlk olarak değiĢkenlerin genel değerlerini görmek amacıyla Tablo 17 yardımıyla değiĢkenlere ait tanımlayıcı istatistikleri inceleyelim:
99 Tablo 17 incelendiğinde; illere ait patent baĢvuru sayısı ortalama 45 iken bir ile ait en yüksek patent baĢvuru sayısının 3795 olduğu bazı illerde ise hiç patent baĢvurusunun olmadığı görülmektedir. Ortalama % 6 olan büyüme oranının bazı dönemlerde -%
17.2 kadar inerek daralma yaĢandığı bazı dönemlerde ise % 48.6‟ya kadar ulaĢtığı görülmektedir.
Panel veri analizi sonucunda doğru sonuçlar elde edebilmek için Yaman, Korkmaz ve Açıkgöz (2017)‟e göre panel veri analizi zaman boyutu ve yatay kesit verilerinin birlikte bulundurması sebebi ile panel veri modeli yatay kesit ve zaman serisi modellerinin varsayımlarını da birlikte bulundurmalıdır. Bu sebeple panel veri analizine geçilmeden bazı varsayımların test edilmesi büyük önem taĢımaktadır.
Ayrıca oluĢturulan veri seti ve kurulan modelin yapılacak analize uygunluğunun sınanması sağlıklı sonuçlar ortaya konabilmesi açısından önemli bir adımdır. Panel veri analizine geçmeden yapılması gereken sınamalar aĢağıdaki gibidir:
Çoklu doğrusal bağlantının sınanması
Yatay kesit bağımlılığı sınanması
Birim kök test sınaması
DeğiĢen varyansın ve ardıĢık bağımlılığın sınanması
Açıklayıcı değiĢkenler arasında iliĢki olması sorununa çoklu doğrusal bağlantı sorunu, değiĢkenler arasındaki iliĢkiye ise korelasyon denir. Bu değerin 1 olması tam çoklu doğrusal bağlantı sorunu, sıfıra yakın olması düĢük iliĢki iken bire yakın olması yüksek iliĢki olarak açıklanır. Açıklayıcı değiĢkenler arasında tam iliĢki çıkması parametrelerin tahminlerini belirsizleĢtirir ve varyansları sonsuz olmasına neden olur açıklayıcı değiĢkenler arasında yüksek iliĢki olması ise varyansların olduğundan büyük çıkmasına ve t testi anlamsız çıkarken modelin tümü ile anlamlı çıkması gibi sorunlara sebep olur. Bu sorundan; değiĢkenlerden birini atarak, n artırarak yahut hem zaman hem de birim arasındaki bilgiyi artırması özelliği ile panel veri analizi yaparak kurtulabiliriz. Bu doğrultuda Tablo 18 yardımıyla ikili korelasyonları açıklayalım:
100 Tablo 18. Ġkili Korelasyon (81 il)
PB ÜM AG AO
PB 1.0000
ÜM 0.9349 1.0000
AG 0.8750 0.9509 1.0000
AO 0.4498 0.4793 0.5075 1.0000
Bağımsız değiĢkenlerin kendi aralarındaki iliĢkiyi gösteren çoklu doğrusallığın korelasyon matrisi ile incelenmesi, ekonometrik modelleme öncesinde yapılması gereken sınamalardandır ve birlikte hareket eden değiĢkenler aynı model içerisinde kullanılmamalıdır bu doğrultuda Tablo 18‟de görüldüğü üzere, çalıĢmada ele alınan ÜM ve PB, AG ve PB, AG ve ÜM bağımsız değiĢkenleri arasında, yüksek düzeyde bir iliĢkiye rastlanmıĢtır. Bu sebeple yüksek iliĢkili değiĢkenlere aynı model içerisinde yer verilmemesi gerekmektedir.
Sağlıklı sonuçlar ortaya koyan bir panel veri analizi yapabilmek için Önder (2017)‟ e göre regresyon sonucu ortaya çıkan tahmin edicilerin yansız ve tutarlı olmalıdır bunun içinde hem yatay kesit barındırmamalı hem de birim kök içermemelidir.
Yerdelen-Tatoğlu (2017:3-4)„ na göre de benzer özelliklere sahip olan birimler arasında korelasyon (yatay kesit bağımlılığı) ile karĢılaĢılması yüksek ihtimalli bir durumdur. Bu korelasyon aynı zamanda modelin tahmininde kullanılan tekniklerin seçiminde etkili olmaktadır.
Panel veri analizine geçilmeden önce yatay kesit bağımlılık testi ile hangi birim kök testinin kullanılacağının belirlenmesi gerekmektedir daha sonra ise değiĢkenlerin durağanlığının test edilmelidir. Bu sebeple ilk olarak panel veri modeli analizlerinde, yatay kesit bağımlılığı yani diğer bir ifade ile ortaya konulan seride bir değiĢken belli bir Ģoka tabi olduğunda yatay kesit birimlerinin bu Ģoktan aynı derecede etkilenip etkilenmediğine önem verilmelidir. Bu durumun anlaĢılabilmesi içinde hem sabit hem de rassal etkiler modellerinde kullanılabilen Pesaran CDLM olarak adlandırılan test kullanılması ile elde edilen Tablo 19‟daki yatay kesit bağımlılık testi sonucunu yorumlayalım:
101 Tablo 19. Yatay Kesit Bağımlılığı Test Sonuçları
DEĞĠġKENLER CD-Test Değeri Olasılık Corr Abs(corr)
PB 54.04 0.000 0.300 0.392 değiĢkenleri yatay kesit bağımlılık içermekte olup, bu değiĢkenler için ikinci kuĢak birim kök testlerinin yapılması gerekmektedir.
Panel birim kök testleri birimler arasında korelasyon bulunmayan birinci nesil testleri ve arasında korelasyon bulunduğunu varsayılan ikinci nesil testler olmak üzere ikiye ayrılmaktadır. ÇalıĢmamızda, yatay kesit bağımlılığı içeren değiĢkenler için kullanılacak ikinci kuĢak birim kök testleri Pesaran (2007) tarafından geliĢtirilmiĢtir. Tablo 20‟deki sonuçlar doğrultusunda değiĢkenlerimize ait durağanlık durumunu inceleyelim:
Sağlıklı analiz sonuçları ortaya koyabilmek için Kutlar (2000:43)‟a göre seriler durağan olmalıdır aksi takdirde ortalama korunamaz ve zaman sonsuza giderken varyans değeri de sonsuza doğru gider. Ayrıca artan gecikme sayısı ile birlikte
102 otokorelasyon değeri sıfırdan uzaklaĢmaktadır ve yüksek t istatiksel olarak anlamlı çıkmaktadır bu sebeple uzun dönem model tahminlerinden yanlıĢ sonuçlar elde edilerek sahte regresyon tuzağına düĢülmektedir. Böyle bir durumla karĢılaĢmamak için birim kök içeren değiĢkenlerin analizlerde kullanılabilmesi için birim kökten kurtarılarak, durağanlaĢtırılması gerekmektedir. Yapılan birim kök testleri sonucunda elde edilen olasılık değerlerinin durağan düzeyde 0,05‟in altında olması bizlere birim kök olmadığını göstermektedir. Yukarıdaki tabloya baktığımızda tüm değiĢkenlerin birim kök içermediği görülmektedir.
ÇalıĢmanın bu aĢamasında, bir bağımlı ve dört açıklayıcı değiĢken kullanılarak çeĢitli modeller kurgulanmıĢtır. Kurgulana modeller, panel veri analizinde kullanılan ve hangi modelin tercih edileceğine karar verilen F Testi, Breusch-Pagan LM testi ve Hausman testi sonuçlarına göre belirlenecektir. Bu doğrultuda kurgulanan alternatif modeller Tablo 21‟deki gibidir:
Tablo 21. Kurgulanan Alternatif Modeller
Hangi panel veri yönteminin kullanılacağının saptanması için tanımlanmıĢ olan 4 farklı model, havuzlanmıĢ EKK, Sabit ve Rassal Etkiler yöntemi ile tekrar tahmin edilmiĢtir. F testi, Breusch-Pagan LM testi ve Hausman testi ile de bu yöntemlerden hangisinin tercih edileceğine karar verilebilmek için test sonuçları Tablo 22‟de özetlenmiĢtir:
M1: BO = f(logPB AO ) M2: BO = f( AO ÜM) M3: BO = f ( AG AO) M4: BO= f ( logPB ) M5: BO= f( AO)
103 Tablo 22. F testi, Breusch-Pagan LM testi ve Hausman Testleri
Modellerimize F testi ve Breusch-Pagan-LM testi uyguladığımızda tüm olasılık değerleri 0.05‟ten büyük olması sebebi ile tüm modellerde reddedilememiĢtir, Hausman testi uygulandığında ise tüm olasılık değerleri 0.05‟ten küçük olması sebebi ile tüm modellerde reddedilmiĢtir. Modellerimizde F ve Breusch-Pagan LM testleri kullanıldığında havuzlanmıĢ ekk modelinin uygun olduğu görülmüĢ ancak Hausman testi uygulandığında ortaya çıkan farklı model sebebi ile hangi modelin kullanılacağına karar verilemediğinden Hausman testi belirleyici olmuĢtur.
Hausman testi sonuçlarına göre ise tüm modeller için sabit etkiler modelinin daha etkin sonuçlar ortaya koyacağı görülmektedir.
Parametrelerin etkinliğin ortadan kalmasına neden olan değiĢen varyans sorunu ve otokorelasyon sorunu panel veri analizi ortaya konulmadan önce tespit edilmesi ve çözülmesi gereken iĢlemler arasındadır. Analizimizin bu aĢamasında uygun model olarak tespit ettiğimiz sabit etkiler modelinde ardıĢık bağımlığı Bahargava, Franzini ve Narendranathan‟ın Durbin Watson Testi ve Balgati-Wu‟nun Yerel En Ġyi DeğiĢmezlik Testiyle değiĢen varyans sorunu olup olmadığını ise Wald değiĢen varyans testi ile analiz ettik. Bu analiz sonucunda elde ettiğimiz değiĢen varyans ve otokorelasyon değerleri Tablo 23‟te ki gibidir:
F Testi Breush- Pagan LM Testi
Hausman Testi
Model Ġstatistik Olasılık Ġstatistik Olasılık Ġstatistik Olasılık 1
* %5 anlamlılık düzeyinde, reddedilir.
104 Tablo 23. Sabit Etkiler Modelleri için DeğiĢen Varyans ve ArdıĢık Bağımlılık Testi
Wald DeğiĢen Varyans Testi
Bahargava, Franzıni ve Narendranathan’ın DW Testi
Balgati-Wu’nun Yerel En Ġyi DeğiĢmezlik Testi (BW-LBI)
Ġstatistik Olasılık Ġstatistik Ġstatistik 1 1673.44 0.0000 1.4092238 1.6815763
2 2272.95 0.0000 1.6850435 1.9525278 3 2327.33 0.0000 1.6811586 1.9520731 4 1.7e+32 0.0000 1.4117397 1.6847599 5 1158.84 0.0000 1.359478 1.3792279
: DeğiĢen varyans yoktur.
: Otokorelasyon yoktur.
Wald değiĢen varyans testi sonuçları incelendiğinde tüm sabit etkiler modelleri için olasılık değerine göre reddedilir yani tüm modellerde değiĢen varyans sorunu mevcuttur.
Birinci, ikinci ve üçüncü model için Bahargava, Franzıni ve Narendranathan‟ın DW Testi ile otokorelasyon durumu incelendiğinde:
ġekil 2: ArdıĢık Bağımlılık d-Ġstatistiği Göstergesi ( %5 Anlamlılıkta k=2, n=200) ( Gujarati, 2012:888).
ArdıĢık bağımlılık testi sonucunda elde edilen ve Tablo 23‟de yer alan d istatistiği, DW kritik değeri ile karĢılaĢtırılmıĢtır. Bu sonuç hesaplanan d istatistiğinin ġekil 2‟den gözlemlenebileceği gibi 1. , 2. ve 3. modelde aynı yönlü ardıĢık bağımlılık olduğu kanıtlanmıĢtır.
105 Dördüncü ve beĢinci model için Bahargava, Franzıni ve Narendranathan‟ın DW Testi ile otokorelasyon sonucu ġekil 3 yardımıyla incelendiğinde:
ġekil 3: ArdıĢık Bağımlılık d-Ġstatistiği Göstergesi ( %5 Anlamlılıkta k=1, n=200 )
( Gujarati, 2012:888).
ArdıĢık bağımlılık testi sonucunda elde edilen ve Tablo 23‟de yer alan d istatistiği, DW kritik değeri ile karĢılaĢtırılmıĢtır. Bu sonuç hesaplanan d istatistiğinin ġekil 3‟ten gözlemlenebileceği gibi A bölgesine düĢmesi 3. ve 4. modelde aynı yönlü ardıĢık bağımlılık olduğu kanıtlanmıĢtır.
Tüm modeller için otokorelasyonun tespiti için kullanılan diğer bir test olan Balgati-Wu‟nun Yerel En Ġyi DeğiĢmezlik Testi‟nin sonuçları incelendiğinde istatistik değerleri 2‟den küçük olduğu için reddedilir yani Bahargava, Franzıni ve Narendranathan‟ın DW Testi ile ortaya konan tüm modellerde otokorelasyon sorunu vardır sonucu Balgati-Wu‟nun Yerel En Ġyi DeğiĢmezlik Testi ile de desteklenmiĢtir.
Sonuçlara göre, ortaya çıkan ardıĢık bağımlılık (otokorelasyon) ve değiĢen varyans, modelimizde etkinliğin azalması, t ve F istatistiklerinin ve R²‟nin de geçerliliğini etkilenmesi gibi problemlere yol açmaktadır. Panel veri modelinin varsayımları gereği ardıĢık bağımlılık ve değiĢen varyans sorununun düzeltilmesi gerekmektedir.
Bu sebeple modeller Beck-Katz dirençli tahmin ediciler ile tahmin edilerek standart hatalar düzeltilme yoluna gidilmiĢtir.
106 Bulguların Yorumlanması
Patent baĢvuru sayısı ve illerin dıĢ açıklık oranı, illere ait üniversite mezunu sayısı, illerin aldığı göç sayısından oluĢan yardımcı değiĢkenlerin ekonomik büyümeye olan etkilerini araĢtırılması amacı ile değiĢkenlere gerekli testler ve düzeltmeler yapılmıĢtır. Sabit etkiler modeli çerçevesinde değiĢkenler panel veri yöntemiyle tahmin edildiğinde Tablo 24‟te ki sonuçlar elde edilmiĢtir:
Tablo 24. Panel Veri Sabit Etkiler Modelleri Tahmin Sonuçları
MODELLER (1) (2) (3) (4) (5)
107 Tahmin edilen 5 modelin sonuçları Tablo 24‟te özetlenmiĢtir. Tablo yardımıyla bütün modeller birlikte değerlendirildiğinde tüm değiĢkenler ile büyüme oranı arasında pozitif yönlü bir iliĢki olduğu görülmektedir. Model 2‟deki illere ait üniversite mezunu sayısı değiĢkeni ve Model 3‟teki alınan göç sayısı hariç bütün katsayılar anlamlı çıkmıĢtır.
Tablo yardımıyla Model 1 ve Model 4 ele alındığında; patentin ekonomik büyüme üzerinde pozitif etkisi olduğu açıkça görülmektedir. Katsayıların iĢaretleri beklenildiği gibi pozitif çıkmıĢtır. Model 4 incelendiğinde; il bazında yıllık patent baĢvurularında 1 birimlik artıĢ olursa, illerin ekonomik büyümesinin % 0.6 oranında artıĢ göstereceği tahmin edilmektedir. KarakaĢ ve Adak (2016)‟ta yaptıkları çalıĢmada yıllık patent baĢvuruları ile yıllık ekonomik büyüme arasında olumlu yönde bir iliĢki olduğunu ortaya koymuĢlardır.
Bir ile ait üniversite mezunlarının sayısı iĢaretsel olarak beklentileri karĢılamasına rağmen istatiksel olarak katsayısı anlamsız çıkmıĢtır. Lakin ÇalıĢkan vd. (2013) iyi eğitilmiĢ iĢ gücünün verimliliği ve bilgi üretim kapasitesini artırarak büyümeyi artıracağını ayrıca üniversite eğitiminde elde edilen bilgilerin üretime aktarılarak daha fazla katkı sağlanmasının ekonomik büyümeyi olumlu yönde etkileyeceği görüĢünü savunmuĢlardır.
Model 3‟e ait sonuçlardan görüleceği üzere; alınan göç sayısı iĢaret olarak anlamlı istatiksel olarak anlamsızdır. Sevinç vd. (2016) ortaya koydukları çalıĢmalarında göç ile ekonomik büyüme arasında iĢaretsel olarak aynı yönlü bir iliĢki tespit etmiĢtir.
Model 5 ele alındığında illerin dıĢa açıklık oranında 1 birimlik artıĢ olursa, illerin ekonomik büyümesinin 12 birim artıĢ göstereceği tahmin edilmektedir. Özcan ve Arı (2014) ortaya koydukları çalıĢmalarında elde ettiğimiz sonucu doğrular nitelikte dıĢa açıklık oranının ekonomik büyümeyi pozitif yönde etkilediğini belirtmiĢlerdir.
Benzer Ģekilde Yapraklı (2007) yaptığı çalıĢma sonrasında uzun dönemde ekonomik büyüme ile dıĢa açıklık arasında pozitif iliĢki olduğu sonucunu ortaya koymuĢtur.
108 SONUÇ
Ekonomik büyüme, gerek geliĢmiĢ gerekse geliĢmekte olan ülkeler için ulaĢılması gereken temel bir hedeftir. Bu doğrultuda oluĢturulan politikalarla istenilen hedeflere ulaĢılamadığında ise ekonomik büyüme temel bir problemdir. ÇalıĢmanın amacı Türkiye‟deki illere patent ait baĢvuru sayılarının büyümeye olan etkisini analiz etmek ve Türkiye‟ye ait büyümeyi il bazına indirgeyerek daha kapsamlı bilimsel sonuçlar ortaya koyabilmektir. Bu çalıĢmada yapılan analizin temel bir amacı da sürekli değiĢim içerisinde olan ekonomide yeniliğin göstergelerinden biri olarak kabul edilen patentin ülke ekonomisinde ne kadar karĢılık bulduğunu tespit etmektir.
Ġllere ait patent baĢvuru sayısının büyüme üzerindeki etkisini ortaya koyabilmek için 81 ile ait ekonomik veriler panel veri yöntemi ile analiz edilmiĢtir. Literatür taraması sonucunda analizin temel konusunu oluĢturan patent baĢvuru sayısıyla beraber büyümeye etkisi olabileceğini düĢündüğümüz üniversite mezunu sayısı, illerin dıĢa açıklık oranları, alınan göç sayıları değiĢkenlerini veri setine ekleyerek 4 açıklayıcı değiĢkenden oluĢan 2004-2017 yılları arasını kapsayan bir analiz ortaya konulmuĢtur.
ÇalıĢmada 5 temel model tahmin edilmiĢtir. Model tahmin sonuçlarına göre değiĢkenlerin hepsinin teorik ve ampirik beklentiler ile uyumlu sonuçlar verdiği görülmektedir. Bağımlı değiĢken olan büyüme oranının; bağımsız değiĢkenler olan illere ait patent baĢvuru sayısı, alınan göç sayısı, üniversite mezunu sayısı ve illerin dıĢa açıklık oranı ile pozitif yönlü bir iliĢki içerisinde olduğu tespit edilmiĢtir.
Tahmin edilen modellerden elde ettiğimiz sonuçlar çerçevesinde illerin dıĢa açıklık oranının büyümeye büyük katkı sağladığını görmekteyiz. Ġllere ait ihracat ve ithalat toplamının yani dıĢ ticaret toplamının illere ait Gayri Safi Yurtiçi Hasılaya oranlaması ile elde edilen bu oran dıĢ ticaretin hasılayı olan etkisini ortaya koymaktadır. Dolayısıyla illerin ekonomisinin totalde ise ülke ekonomisinin daha yüksek büyüme performansı ortaya koyabilmesi; dıĢ alımın tüketim malları üzerinde yoğunlaĢması yerine üretimde kullanmak üzere hammadde ve ara malı Ģeklinde olmasına bağlıdır. Böylelikle dıĢ alım sonrası alınan malları üretime sokup daha yüksek katma değeri olan nihai mallar ortaya çıkarıp ürettiğini baĢka ülkelere satma imkânı elde edilecektir. Bu imkânla beraber dıĢ ticaret ülke lehine olacak üretim daha
109 da artacak, iĢsizlik azalacak, ülkenin gelirleri yükselecek ve büyüme daha da artacaktır.
Yaptığımız çalıĢma sonrasında üniversite mezunu sayısının katsayı olarak anlamsız olduğunu iĢaret olarak ise büyüme ile aynı yönlü hareket ettiğini görmekteyiz. Tüm ekonomik kararları alanların insanlar olduğunu düĢündüğümüzde insana yapılan her yatırımın aslında hem beĢeri hem ekonomik olarak ülkeye yapıldığını söyleyebiliriz.
Üniversite mezunu kiĢilerin teorik bilgilerinin uygulamalı bilgiye dönüĢmesi noktasında üretime doğru entegrasyonu yenilikleri ve büyümeyi beraberinde getirecektir böylelikle anlamsız çıkan katsayı anlamlı hale dönüĢecektir. Ayrıca yaptığımız tez çalıĢmasının ikinci kısmında ar-ge alanında çalıĢan kiĢi sayısının toplam nüfus içerisindeki payı ile eğitimli insanın nüfus içerisindeki payının sıralaması yapıldığında ikisi içinde sıralamanın aynı olduğu gözlemlenmiĢtir.
Buradan da görüleceği üzere eğitimli nüfus araĢtıran, geliĢtiren ve üreten nüfustur.
Bu açıdan illerin mevcut potansiyellerinin keĢfedilerek o alana yönelik fakülteler açmak, araĢtırma merkezleri kurmak ve iĢgücünü o alanda eğitmek illerin ekonomisinin dolayısıyla ülke ekonomisinin geliĢmesi noktasında en önemli adım olacaktır.
ÇalıĢmamızın üçüncü bölümünün analiz kısmında tahmin edilen modellerden elde ettiğimiz sonuçlara göre değiĢkenin iĢareti dikkate alındığında alınan göç sayısının ekonomik büyümeyi pozitif yönde etkilediğini tespit etmiĢtik katsayıyı ise istatistiksel olarak anlamsız bulmuĢtuk. ÇalıĢmamızın ikinci bölümümde ise terör, iĢsizlik, eğitim kalitesinde ve sağlık kalitesinde düĢüklük gibi unsurlar bölgeler açısından verilen göç sayısını artıran; istihdam oranı yüksekliği, eğitim ve sağlık kalitesinin yüksek olması gibi pozitif göstergelerin ise alınan göç sayısını artıran unsurlardan olduğunu yorumunu yapmıĢtık. Ġkinci bölüm içerisinde yaptığımız incelemede, alınan göç sayısının kendi içerisindeki sıralaması ile kiĢi baĢına düĢen GSYH kendi arasındaki sıralamasının benzer olduğu tespit ettik. Bu durum adeta insanların yaĢam standartlarını ve gelirlerini yükseltebileceği bölgelere göçtüğünün açık göstergesidir. ġen (2014) iç göçlerin nedenlerini araĢtırdığı çalıĢmasında bizin çalıĢmamızda elde ettiğimiz sonuçlara benzer olarak göç alan illere bakıldığında, göç kararının daha çok göç alan yerlerdeki yüksek gelir düzeyine bağlı olduğu sonucuna ulaĢmıĢtır. Ġller aldıkları göç nitelikli iĢgücü olarak üretime kanalize edebildiği sürece alınan göç ekonomik büyüme üzerinde pozitif etki sağlayacaktır. Ülke
110 ekonomisinin bir bütün halinde büyümesi için tüm illerin üretim potansiyelin ve kaynaklarının belirlenip doğru üretim planlamaları çerçevesinde her ili kendi bünyesinde yaĢayanlar için cazibe merkezi haline getirmek kaynakların etkin kullanılması ve iç göç isteğinin bulunduğu yerde üretime evrilmesi noktasında ekonomik büyümenin sağlanması için daha büyük katkı sağlayacaktır böylelikle ekonomik büyüme açısından anlamsız olan katsayılar anlamlı hale gelecektir.
Ġllere ait patent baĢvurularının büyüme üzerinde etkisi olumlu bir etkisi olduğu yapılan analizler sonucunda tespit edilmiĢtir. Ortaya konulan yeniliğin yahut fikrin korunması o fikri ortaya artan açısından piyasada tekel olma durumuna benzeyen bir imkân yaratmaktadır. Dolayısıyla ortaya koyduğu yeniliği üretimle birleĢtirebilen yenilik sahibi patent koruması ile birlikte karlı bir döneme girmektedir. Benzer Ģekilde pazar payını kaybetmek istemeyen firmalar yenilik arayıĢına girmekte ve araĢtırma geliĢtirme ile birlikte üretimde daha iyi noktalara gelmektedir. Ülke ekonomisi açısından faydalı olan yenilik arayıĢı rekabeti üretimle beraber ticari rekabete dönüĢmektedir. Dolayısıyla bu rekabet sonrasında üretim artmakta, istihdam ve iĢ imkânları artmakta, dünya standartlarında ürünler konulması ile birlikte dıĢ ticaret artmakta, ülke hasılası artmakta ve ekonomik büyüme sağlanmaktadır.
Bakıldığında patentle korunan ürünlerin uluslararası piyasada karĢılık bulması durumunda ihracat artacaktır ve daha önce söz ettiğimiz illerin dıĢa açıklık oranı artıĢ gösterecektir. Bununla beraber analiz sonucumuzda illerin dıĢa açıklık oranının ekonomik büyümeyi pozitif etkilemesi durumu gerçekleĢerek ekonomik büyüme sağlanacaktır. Ayrıca ortaya patent ile korunabilecek düzeyde bir yenilik ortaya koymak için iyi bir ar-ge çalıĢmasını gerektirmektedir. Ar-ge çalıĢmasının yapılabilmesi bu alanda yetiĢmiĢ nitelikle iĢgücüne bağlıdır. Bu iĢgücünün de ortaya çıkmasını sağlayan en önemli unsur üniversite eğitimidir. Yaptığımız analizle beraber elde ettiğimiz model tahminlerinde üniversite mezunu sayılarının ekonomik büyüme üzerinde iĢaret olarak pozitif etkisi olduğunu katsayı olarak anlamsız olduğunu tespit etmiĢtik. Buradan yola çıkarak üniversite mezunu sayılarının patent üzerinde dolaylıda olsa bir etkisi olduğunu görmekteyiz. Patent ile beraber artan üretim beraberinde getirdiği istihdam olanakları ile o ile olan göçü artıracak nitelikli iĢ gücü üretimi daha da artırarak büyümeye katkı sağlayacaktır. Sonuç olarak
Bakıldığında patentle korunan ürünlerin uluslararası piyasada karĢılık bulması durumunda ihracat artacaktır ve daha önce söz ettiğimiz illerin dıĢa açıklık oranı artıĢ gösterecektir. Bununla beraber analiz sonucumuzda illerin dıĢa açıklık oranının ekonomik büyümeyi pozitif etkilemesi durumu gerçekleĢerek ekonomik büyüme sağlanacaktır. Ayrıca ortaya patent ile korunabilecek düzeyde bir yenilik ortaya koymak için iyi bir ar-ge çalıĢmasını gerektirmektedir. Ar-ge çalıĢmasının yapılabilmesi bu alanda yetiĢmiĢ nitelikle iĢgücüne bağlıdır. Bu iĢgücünün de ortaya çıkmasını sağlayan en önemli unsur üniversite eğitimidir. Yaptığımız analizle beraber elde ettiğimiz model tahminlerinde üniversite mezunu sayılarının ekonomik büyüme üzerinde iĢaret olarak pozitif etkisi olduğunu katsayı olarak anlamsız olduğunu tespit etmiĢtik. Buradan yola çıkarak üniversite mezunu sayılarının patent üzerinde dolaylıda olsa bir etkisi olduğunu görmekteyiz. Patent ile beraber artan üretim beraberinde getirdiği istihdam olanakları ile o ile olan göçü artıracak nitelikli iĢ gücü üretimi daha da artırarak büyümeye katkı sağlayacaktır. Sonuç olarak