Bu çalışma, uzun dönemli ekonomik kalkınmayı açıklamak için iki farklı sıralamayı karşılaştıran teorik ve ekonometrik bir çerçeve geliştirmektedir. Ticaret → Yatırım → Teknoloji (Trade → Investment → Technology, TIT), ihracat ve dış rekabet yoluyla kaynak, öğrenme ve üretim kapasitesi oluşturan; daha sonra bunları fiziksel sermayeye, insan sermayesine ve yerli teknolojik yeteneğe dönüştüren bir kalkınma stratejisidir. Teknoloji → Yatırım → Ticaret (Technology → Investment → Trade, TIT*) ise dışarıdan alınan teknolojinin özellikle doğal kaynak ve birincil sektörlerde kullanılmasını, yatırımların büyük kamu veya enclave projelerinde yoğunlaşmasını ve ticaretin daha sonra bu üretim yapısından doğmasını temsil eden alternatif bir stratejidir. Çalışma yapay zekâyı bir Genel Amaçlı Teknoloji (General-Purpose Technology, GPT) olarak modele dahil eder ve mevcut teknolojik kapasitesi, insan sermayesi ve kurumsal yapısı daha güçlü ekonomilerin AI benimsenmesinden daha büyük marjinal fayda elde edebileceğini teorik olarak öngörür.

Yazar bu teoriyi gerçek ülke verileriyle sınamak üzere yaklaşık 100–120 ülkeyi 1960–2023 döneminde izleyecek kademeli benimsemeli bir difference-in-differences (DiD) tasarımı önermektedir. Temel sonuç değişkenleri kişi başına reel GDP büyümesi ve Human Development Index (HDI) olarak belirlenmiştir. Modern DiD literatüründeki heterojen tedavi etkisi sorunlarını azaltmak için Callaway–Sant’Anna tahmincisi ana yöntem olarak seçilmekte; event-study, triple difference ve instrumental-variables uzantılarıyla AI tamamlayıcılığı, kurumsal aracılık ve strateji seçiminin içselliği sınanmak istenmektedir.

Ancak çalışma henüz bu ekonometrik tasarımın ampirik sonuçlarını raporlamamaktadır. Nihai ülke-yıl panelinin oluşturulması devam etmektedir ve makaledeki özet istatistik tablosunun değerleri açıkça sentetik olarak tanımlanmıştır. Dolayısıyla TIT stratejisinin AI çağında TIT* stratejisinden daha yüksek büyüme veya HDI sağladığı henüz ampirik olarak gösterilmiş değildir. Makalenin sunduğu şey, bu iddiayı sınamaya yönelik matematiksel mekanizma, tanımlama stratejisi ve H1–H6 hipotezleridir.

Ticaret-Önce ve Teknoloji-Önce Kalkınma Stratejileri Arasındaki Temel Fark Nedir?

Ticaret-önce TIT stratejisinde dış ticaret rekabeti yatırım, insan sermayesi ve zamanla yerli teknoloji üretimini besleyen başlangıç mekanizmasıdır; teknoloji-önce TIT* stratejisinde ise başlangıç noktası çoğunlukla dışarıdan edinilmiş teknoloji olup bu teknoloji yatırım ve özellikle kaynak-temelli ihracat kapasitesinin geliştirilmesinde kullanılır.

Strateji A: Trade → Investment → Technology — TIT

Yazar TIT yolunu Doğu Asya'nın ihracata dayalı sanayileşme deneyimiyle ilişkilendirir. Stilize mekanizma şu sıraya dayanır:

1. Ekonomi başlangıçta görece emek yoğun veya rekabetçi ihracat sektörlerine girer.
2. Dış pazarlardaki rekabet üretici firmaları verimlilik, kalite ve yönetim açısından baskılar.
3. İhracat gelirleri fiziksel sermaye ve altyapı yatırımına dönüşür.
4. Eğitim ve insan sermayesi geliştirilir.
5. Firmalar üretim, ihracat ve teknoloji kullanımı sırasında öğrenir.
6. Ar-Ge ve yerli inovasyon kapasitesi zamanla güçlenir.
7. Ekonomi yalnız teknoloji kullanan değil, teknoloji üreten veya uyarlayan bir yapıya doğru ilerler.

Bu mekanizma literatürdeki learning by doing, learning by exporting ve absorptive capacity kavramlarıyla ilişkilendirilmektedir. Makalenin teorik mantığında ihracat yalnız döviz üreten bir faaliyet değildir; aynı zamanda firmaların uluslararası standart, üretim teknolojisi, organizasyon ve rekabet hakkında bilgi edinmesinin bir aracıdır.

Strateji B: Technology → Investment → Trade — TIT*

TIT* yolunda teknoloji başlangıçta içsel bilgi üretimi sonucunda değil, büyük ölçüde dışarıdan alınmaktadır. Yazar bu modeli özellikle maden, petrol ve ticari tarım gibi birincil veya kaynak çıkarıcı sektörlerin öne çıktığı ekonomilerle ilişkilendirir.

Tipik sıralama şu şekildedir:

1. Dışarıdan makine, üretim ekipmanı veya teknik bilgi edinilir.
2. Bu teknoloji özellikle kaynak çıkarma veya büyük ölçekli projelerde kullanılır.
3. Fiziksel yatırım artar.
4. İhracata konu birincil veya doğal kaynak çıktısı oluşur.
5. Ancak teknoloji ve üretim bilgisinin ekonominin geri kalanına yayılması sınırlı kalabilir.

Makalenin önemli ayrımı, embodied technology ile disembodied knowledge arasındadır. Embodied technology, ithal edilen makine veya sermaye malının içinde bulunan teknolojidir. Disembodied knowledge ise yerli Ar-Ge, eğitim, organizasyon kapasitesi ve üretim bilgisinde biriken yetenektir. Çalışma TIT* ekonomilerinin birincisini edinebilirken ikincisini aynı hızda geliştiremeyebileceği hipotezini kurmaktadır.

Enclave yatırım ne anlama geliyor?

Makaledeki enclave project kavramı, üretim veya yatırım faaliyetinin ulusal ekonominin diğer sektörleriyle sınırlı girdi, bilgi veya tedarik bağlantısı kurduğu yapılara işaret etmektedir. Büyük bir maden işletmesi yüksek teknoloji kullanabilir ve önemli ihracat oluşturabilir; fakat makinenin, mühendislik bilgisinin, ara girdilerin veya Ar-Ge'nin önemli kısmı dışarıdan geliyorsa yerel teknolojik yayılım düşük kalabilir.

Yapay Zekâ Neden İki Kalkınma Stratejisini Farklı Etkileyebilir?

Çalışmanın teorik modeline göre yapay zekânın getirisi yalnız AI teknolojisine erişime değil, ekonominin daha önce biriktirdiği teknoloji seviyesi, insan sermayesi, Ar-Ge kapasitesi ve kurumsal kaliteye de bağlıdır; bu nedenle aynı AI artışı başlangıç teknolojik kapasitesi daha yüksek bir ekonomide daha büyük üretkenlik etkisi oluşturabilir.

Çalışmada yapay zekâ bir Genel Amaçlı Teknoloji olarak ele alınır. Genel amaçlı teknolojiler yalnız bir sektörde kullanılan dar araçlar değildir; ekonominin çok sayıda sektörüne yayılır, zamanla gelişir ve başka yenilikleri mümkün hale getirir.

Yazarın teorik çerçevesine göre AI şu alanlarda tamamlayıcılık oluşturabilir:

• mevcut Ar-Ge faaliyetleri,
• yüksek eğitim düzeyi,
• kurumsal organizasyon kapasitesi,
• dijital altyapı,
• bilgi yoğun üretim,
• ihracat yoluyla edinilmiş üretim bilgisi.

Bu nedenle AI'nın tüm ekonomilere otomatik olarak eşit büyüme getireceği varsayılmamaktadır. Çalışmanın merkezi hipotezi, daha güçlü bir bilgi ve teknoloji tabanıyla AI dönemine giren ekonomilerin AI'yı daha üretken biçimde tamamlayabilecekleridir.

Bilgiyle genişletilmiş üretim fonksiyonu

Çalışmanın temel üretim fonksiyonu şöyledir:

\[ Y_{it}=A_{it}K_{it}^{\alpha}L_{it}^{\beta}H_{it}^{\gamma}T_{it}^{\delta}AI_{it}^{\mu}\exp(\varepsilon_{it}) \tag{1} \]

Burada:

• \(Y_{it}\): ekonomi \(i\)'nin \(t\) zamanındaki reel çıktısıdır.
• \(A_{it}\): kurumsal etkinlik veya total factor productivity bileşenidir.
• \(K_{it}\): fiziksel sermaye stokudur.
• \(L_{it}\): etkin emektir.
• \(H_{it}\): insan sermayesidir.
• \(T_{it}\): teknolojik kapasitedir.
• \(AI_{it}\): yapay zekâ benimseme yoğunluğudur.
• \(\varepsilon_{it}\): modele dahil edilmeyen özgül şokları temsil eder.

Üsler pozitif kabul edilmekte ve kaynakta:

\[ \alpha+\beta+\gamma+\delta+\mu\leq1 \]

koşulu kullanılmaktadır. Bu koşul firma düzeyinde sabit veya azalan getiriye izin verirken \(A_{it}\) aracılığıyla ekonomi düzeyinde bilgi dışsallıklarının bulunabilmesine olanak sağlamaktadır.

Logaritmik biçim

Üretim fonksiyonunun doğal logaritması:

\[ y_{it}=a_{it}+\alpha k_{it}+\beta l_{it}+\gamma h_{it} +\delta\tau_{it}+\mu ai_{it}+\varepsilon_{it} \tag{2} \]

şeklindedir. Küçük harfler ilgili değişkenlerin doğal logaritmasını göstermektedir. Böylece katsayılar, uygun koşullarda girdilerdeki oransal değişimlerin çıktı ile ilişkisini yorumlamayı kolaylaştırmaktadır.

Kişi başına büyüme denklemi

Kaynak kişi başına GDP büyümesini:

\[ g_{it} = \Delta y_{it}-\Delta n_{it} = \Delta a_{it} +\alpha\Delta k_{it} +\beta\Delta l_{it} +\gamma\Delta h_{it} +\delta\Delta\tau_{it} +\mu\Delta ai_{it} +\Delta\varepsilon_{it} \tag{3} \]

olarak tanımlar. Burada \(n_{it}\), nüfusun doğal logaritmasıdır ve \(\Delta\) birinci fark operatörüdür.

Teknolojik kapasite nasıl birikiyor?

Makalenin teknoloji birikim denklemi:

\[ T_{it} = \phi_0 +\phi_1 TRADE_{it} +\phi_2 K^F_{it} +\phi_3 R_{it} +\phi_4 AI_{it} +\phi_5 A_{it}T_{i,t-1} +\nu_{it} \tag{4} \]

şeklindedir.

\(K^F_{it}\), foreign-direct-investment embodied capital; \(R_{it}\), yerli Ar-Ge harcaması; \(A_{it}T_{i,t-1}\) ise kurumların mevcut teknoloji stokuyla etkileşimini temsil etmektedir.

Stratejilerin matematiksel ayrımı kaynakta:

\[ \phi_1^A \gg \phi_2^A \tag{5} \]

ve

\[ \phi_2^B \gg \phi_1^B \tag{6} \]

olarak ifade edilmektedir. İlkinde ticaret teknolojik kapasiteyi daha güçlü biçimde tetiklerken ikincisinde yabancı sermaye içinde taşınan teknoloji daha baskın kanaldır.

Uzun dönem teknoloji düzeyi

Modelin steady-state teknoloji düzeyi:

\[ T^*= \frac{ \phi_0+ \phi_1TRADE+ \phi_2K^F+ \phi_3R+ \phi_4AI }{ 1-\phi_5\bar A }, \qquad \phi_5\bar A<1 \tag{7} \]

olarak türetilmektedir.

Denklemin pay kısmında ticaret, dış sermaye, Ar-Ge ve AI teknolojik kapasiteyi artıran kanallar olarak yer alır. Paydadaki kurumsal yapı ise mevcut teknoloji stokunun ne kadar etkili biçimde korunup geliştirilebildiğini belirler. \(\bar A\) yükseldiğinde, diğer koşullar sabitken teknoloji stokunun steady-state seviyesi büyüyebilir; ancak modelin istikrarlı olması için \(\phi_5\bar A<1\) koşulu gerekir.

Ekonomik büyüme ve insani gelişme neden birlikte kullanılıyor?

Çalışma iki ayrı sonuç değişkeni belirlemektedir:

\[ g_{it}=\Delta\log(Y_{it}/Pop_{it}) \tag{8} \]

ve

\[ HDI_{it}=f(y_{it},e_{it},h_{it}) \tag{9} \]

İlk değişken reel kişi başına GDP büyümesini, ikinci değişken ise gelir yanında yaşam beklentisi ve eğitim boyutlarını içeren insani gelişmeyi temsil etmektedir. Yazar HDI'yi GDP'nin yerine değil, GDP'nin kapsamadığı refah boyutlarını izleyen tamamlayıcı bir sonuç olarak kullanmaktadır.

AI Tamamlayıcılığı Önermesi Neyi İfade Ediyor?

Proposition 1, model varsayımları altında AI benimsenmesindeki aynı marjinal artışın başlangıçtaki teknoloji cephesi daha yüksek olan Strateji A ekonomisinde daha büyük anlık teknoloji-büyüme etkisi oluşturacağını söyler; bu matematiksel sonuç gerçek ülke verilerinde henüz doğrulanmış değildir.

Schumpeterci teknoloji cephesi

Makale teknoloji kalitesinin büyümesini şu denklemle ifade eder:

\[ \dot q_{it} = \lambda n^{R\&D}_{it}q_{it}^{\sigma} + \psi AI_{it}q_{it} \tag{10} \]

Burada \(q_{it}\) kalite-ayarlı teknoloji cephesini, \(n^{R\&D}_{it}\) Ar-Ge'de çalışan işçi kitlesini, \(\lambda\) yeniliklerin Poisson arrival rate'ini, \(\sigma\) geçmiş bilgi stokundan yararlanma derecesini ve \(\psi\) AI'nın teknoloji cephesini güçlendirme parametresini temsil eder.

AI teriminin etkisi mevcut \(q\) seviyesiyle çarpılmaktadır. Bu yapı nedeniyle daha yüksek başlangıç teknolojisine sahip ekonomide aynı AI değişimi daha büyük marjinal etki üretir.

Kaynağın Proposition 1 sonucu:

\[ \frac{\partial \dot q^A}{\partial AI} - \frac{\partial \dot q^B}{\partial AI} = \psi(q^A-q^B)>0 \tag{11} \]

şeklindedir.

Bu eşitsizliğin geçerli olması için kaynakta \(\psi>0\) ve \(q^A>q^B\) varsayımları kullanılmaktadır. Dolayısıyla sonuç varsayımsal ve model-içidir. Yazar da bunun statik, birinci derece ve anlık marjinal karşılaştırma olduğunu; teknoloji farkının sonsuza kadar genişleyeceğini göstermediğini özellikle belirtmektedir.

Çalışmanın Yöntemi ve Bulguları

Önce önemli ayrım: Bu bölümde henüz nihai ampirik “bulgu” yoktur

Makale ayrıntılı bir ekonometrik yöntem geliştirmesine rağmen nihai panel veri seti henüz tamamlanmamıştır. Dolayısıyla aşağıda açıklanan DiD, event-study, DDD ve IV yapıları uygulanması planlanan tahmin tasarımlarıdır. Kaynakta gerçek ATT değerleri, nihai \(\beta\) katsayıları, gerçek standart hatalar veya gerçek p değerleri raporlanmamaktadır.

Strateji A ve Strateji B Ülkeleri Nasıl Sınıflandırılacak?

Çalışma bir ülkenin ticaret-önce veya teknoloji-önce grubuna atanmasını, AI döneminden önce hesaplanan imalat ihracatının birincil ürün ihracatına oranına dayalı strateji endeksiyle planlamaktadır; ülkenin dönem ortalaması ülkeler-arası medyanın üzerindeyse Strateji A grubuna atanacaktır.

Strateji endeksi:

\[ S_{i\tau} = \frac{ Manufacturing\ exports_{i\tau}/Total\ exports_{i\tau} }{ Primary\ commodity\ exports_{i\tau}/Total\ exports_{i\tau} } \tag{12} \]

olarak tanımlanır.

Daha sonra AI öncesi bir temel dönem için:

\[ \bar S_i = \frac{1}{\tau_1-\tau_0+1} \sum_{\tau=\tau_0}^{\tau_1}S_{i\tau} \]

hesaplanır. \(\bar S_i\), ülkeler arası medyan \(\bar S\)'ye eşit veya büyükse ülke Strategy A olarak sınıflandırılmaktadır.

Operasyonelleştirme planında manufacturing exports, UN Comtrade SITC Rev. 3 bölümleri 5–8; primary commodities ise kaynakta belirtildiği üzere 0–4 bölümleri, enerji bölümü 3 hariç tutularak hesaplanacaktır.

AI benimseme zamanı

Her ülke için tek bir küresel AI başlangıç yılı atanmayacaktır. Ülkenin bileşik AI-readiness endeksinin belirlenmiş bir eşiği ilk geçtiği yıl \(T_i\) olarak tanımlanacaktır. Örnek eşik küresel dağılımın 25. yüzdelik dilimidir.

Bu nedenle bazı ülkeler daha erken, bazıları daha geç “treated” hale gelir. İşte staggered adoption kavramı tam olarak bunu ifade etmektedir.

Kademeli Benimsemeli Difference-in-Differences Neden Kullanılıyor?

Kademeli DiD, ülkelerin AI benimseme eşiğini farklı yıllarda geçmesi nedeniyle tedavinin aynı anda başlamadığı panel yapısını analiz etmek için kullanılır; çalışma klasik two-way fixed-effects tahmincisindeki heterojen tedavi ve yanlış kontrol karşılaştırması sorunlarını azaltmak amacıyla Callaway–Sant’Anna yaklaşımını tercih etmektedir.

Benchmark TWFE modeli

Kaynağın başlangıç modeli:

\[ Y_{it} = \alpha + \beta(D_i\times Post_{it}) + \gamma_i + \delta_t + X'_{it}\theta + \varepsilon_{it} \tag{13} \]

şeklindedir.

\(Y_{it}\) GDP per capita growth veya HDI'dir. \(D_i\) strateji grubunu, \(Post_{it}\) ülkenin AI eşiğini geçip geçmediğini, \(\gamma_i\) ülke sabit etkilerini ve \(\delta_t\) yıl sabit etkilerini temsil eder.

Ancak makale bu modeli yalnız benchmark olarak kullanmayı planlamaktadır. Bunun nedeni, tedavi tarihi farklı olduğunda klasik TWFE katsayısının erken tedavi edilen bir ülkeyi daha geç tedavi edilen ülkenin kontrolü gibi kullanabilmesidir. Tedavi etkileri zaman veya ülke grubuna göre farklıysa bu tür karşılaştırmalar yanıltıcı ağırlıklar yaratabilir.

Callaway–Sant’Anna ATT

Tercih edilen tahminci:

\[ ATT(g,t) = E[Y_{it}(1)-Y_{it}(0)\mid G_i=g], \qquad g\leq t \tag{14} \]

olarak tanımlanmaktadır.

\(G_i=g\), ülkenin AI benimseme kohortunun \(g\) yılı olduğunu gösterir. ATT(g,t), aynı benimseme kohortundaki ülkelerin \(t\) zamanındaki ortalama treatment effect on the treated etkisini temsil eder.

Temel tanımlama koşulu conditional parallel trends varsayımıdır:

\[ E[ Y_{it}(0)-Y_{i,t-1}(0) \mid X_{it},G_i=g ] = E[ Y_{it}(0)-Y_{i,t-1}(0) \mid X_{it},G_i=\infty ] \tag{15} \]

Bu, AI eşiğini henüz geçmemiş olsalardı ilgili grupların koşullu olarak benzer karşı-olgusal eğilimleri izleyeceği varsayımıdır.

Çeşitli kohort-zaman ATT değerleri:

\[ \theta = \sum_{g\in G} \sum_{t\geq g} \omega(g,t)ATT(g,t) \tag{16} \]

şeklinde pozitif ağırlıklarla bir araya getirilecektir.

Event-study yapısı

Dinamik etkinin zaman içinde izlenmesi için:

\[ Y_{it} = \gamma_i+\delta_t + \sum_{\substack{k=\underline k\\k\neq-1}}^{\bar k} \beta_k 1(t-T_i=k) + X'_{it}\theta + \varepsilon_{it} \tag{17} \]

modeli kullanılacaktır.

\(k=-1\) referans dönemidir. Tedavi öncesindeki \(\beta_k\) katsayıları parallel trends varsayımına ilişkin tanısal bilgi sağlar; tedavi sonrası katsayılar ise tahmini etkinin AI benimsenmesinden sonra nasıl değiştiğini gösterecektir.

Triple Difference ve AI tamamlayıcılığı

AI'nın Strateji A ile özellikle tamamlayıcı olup olmadığını sınamak için kaynak şu DDD modelini önerir:

\[ \begin{aligned} Y_{it} =&\, \alpha +\beta_1(D_i\times Post_{it}) +\beta_2AI_{it}\\ &+\beta_3(D_i\times Post_{it}\times AI_{it}) +\beta_4(D_i\times AI_{it})\\ &+\beta_5(Post_{it}\times AI_{it}) +\gamma_i+\delta_t+X'_{it}\theta+\varepsilon_{it}. \end{aligned} \tag{18} \]

Merkezi parametre \(\beta_3\)'tür:

\[ \beta_3 = \frac{ \partial^2E[Y_{it}] }{ \partial(D_i\times Post_{it})\partial AI_{it} } \tag{19} \]

H3 hipotezi \(\beta_3>0\) öngörmektedir. Ancak kaynakta bu katsayı henüz tahmin edilmemiştir.

Strateji seçiminin içselliği

Bir ülkenin TIT veya TIT* yoluna rastgele girmediği açıktır. Kurumlar, coğrafya, sömürge geçmişi, doğal kaynaklar ve tarihsel üretim yapısı hem strateji seçimini hem ekonomik büyümeyi etkileyebilir. Bu nedenle çalışma instrumental-variables uzantısı önermektedir.

Birinci aşama:

\[ D_i = \pi_0+\pi_1Z_i+W'_i\pi+u_i \tag{20} \]

İkinci aşama:

\[ Y_{it} = \alpha + \beta^{IV}(\hat D_i\times Post_{it}) + \gamma_i+\delta_t+X'_{it}\theta+\varepsilon_{it}. \tag{21} \]

Önerilen araçlardan biri tarihsel settler mortality ve pre-colonial population density değişkenleri, diğeri ise 1960 ihracat sepetinden türetilen ürün karmaşıklığı göstergesidir.

Bu araçların geçerliliği otomatik değildir. Kaynağın kendisi exclusion restriction varsayımına ihtiyaç olduğunu belirtmektedir. Dolayısıyla bunlar ampirik olarak uygulanıp tanılama testleri yapılmadan “geçerli araç” olarak kabul edilemez.

Tanımlama tehditleri

Planlanan örneklem

Makalenin tercih edilen veri yapısı yaklaşık 100–120 ülkeyi 1960–2023 arasında kapsayan dengesiz paneldir. Hedef yaklaşık 5.000–6.000 ülke-yıl gözlemidir. Her ülkenin AI benimseme eşiğinden önce ve sonra en az on gözleme sahip olması planlanmaktadır.

Bu değerler gerçekleşmiş nihai örneklem değil, çalışma tasarımındaki hedef yapıdır.

AI Adoption Index nasıl oluşturulacak?

Bileşik endeksin ilk principal component'ı şu dört bilgi kaynağından oluşturulacaktır:

1. milyon kişi başına AI ve machine-learning patent başvuruları,
2. cloud computing infrastructure adoption index,
3. AI/ML kullanan firmaların oranı,
4. Stanford AI Index ülke göstergeleri.

Endeks, küresel AI faaliyetindeki hızlı zaman eğilimini azaltmak amacıyla her beş yıllık kayan pencerede ortalaması sıfır ve standart sapması bir olacak şekilde standardize edilecektir.

Kontrol değişkenleri

• World Bank governance indicators,
• Barro–Lee ve Penn World Tables insan sermayesi ölçümleri,
• IMF Financial Development Index,
• ticaret açıklığı,
• elektrik erişimi,
• internet penetrasyonu,
• landlocked göstergesi,
• teknoloji cephesine uzaklık,
• malaria ecology index,
• legal origin,
• settler mortality.

Makaledeki Sayısal Sonuçlar Gerçek Ampirik Bulgular mı?

Hayır. Tablo 3'teki GDP büyümesi, HDI, AI Index, insan sermayesi ve governance ortalamaları nihai ülke verilerinden tahmin edilmiş sonuçlar değildir; yazar bunların yalnız beklenen desenleri göstermek üzere oluşturulmuş sentetik değerler olduğunu açıkça belirtmektedir.

Örneğin Tablo 3'te Strategy A için %3,85 ve Strategy B için %1,42 GDP per capita growth değerleri görünmektedir. Benzer biçimde HDI, AI Index ve governance değerleri arasında büyük farklar gösterilmektedir. Ancak makalenin kendi notuna göre bunlar illustrative synthetic values niteliğindedir.

Tablodaki üç yıldız da gerçek bir örneklemden elde edilmiş %1 anlamlılık sonucu değildir. Kaynak bunu varsayılan data-generating process altında oluşturulmuş hipotetik iki örneklem t-testinin işareti olarak tanımlamaktadır.

Bu ayrım makalenin doğru okunması açısından merkezidir.

Altı test edilebilir hipotez

H1 — Strategy dominance in the AI era: AI yayılımından sonra TIT grubunun GDP per capita growth ve HDI'da TIT* grubuna göre daha yüksek artış göstermesi beklenmektedir.

H2 — Dynamic effects: AI öncesi event-study katsayılarının yaklaşık sıfır, AI sonrası katsayıların ise pozitif ve zamanla büyüyen bir desen göstermesi beklenmektedir.

H3 — AI complementarity: DDD modelindeki \(\beta_3\)'ün pozitif olması beklenmektedir.

H4 — Institutional mediation: TIT avantajının governance seviyesi daha yüksek ülkelerde daha güçlü olması öngörülmektedir.

H5 — Human capital complementarity: İnsan sermayesi yüksek ekonomilerin AI ve TIT tamamlayıcılığından daha fazla yararlanması beklenmektedir.

H6 — HDI effects exceed GDP effects: Standardize HDI etkisinin kişi başına GDP büyüme etkisinden daha büyük olabileceği hipotezi ortaya konmaktadır.

Bu altı madde araştırmanın bulguları değil, sınanması gereken hipotezlerdir.

Yazarın politika tartışması

Makalenin politika bölümü özellikle Namibia ve daha geniş SADC bölgesine atıfla, Strategy B tipi kaynak bağımlı yapıdan daha yüksek yerli öğrenme kapasitesine sahip bir yapıya geçiş için çeşitli araçları tartışmaktadır. Bunlar çalışmanın yazarının teorik modelden çıkardığı politika önerileridir; henüz bu makalenin ampirik tahminleriyle doğrulanmış politika etkileri değildir.

• İhracat çeşitlendirmesi: Yalnız ihracat miktarını artırmak yerine daha karmaşık ve üretken ürünlere geçiş.
• Ticareti öğrenme mekanizması olarak kullanma: kalite sertifikasyonu, buyer–supplier eşleştirmesi ve exporter learning programları.
• AI ve dijital altyapıya erken yatırım: broadband, cloud infrastructure, digital literacy ve open-data ekosistemleri.
• İnsan sermayesini sıralı biçimde geliştirme: teknik eğitim, STEM ve üniversite düzeyinde AI/data programları.
• Kurumsal kapasite: corruption control, property rights ve regulatory simplification.
• Bölgesel üretim zincirleri: AfCFTA ve SADC ölçeğinde manufacturing value chains oluşturulması.

Çalışmanın desteklediği

• TIT ve TIT* yolları matematiksel olarak aynı üretim/teknoloji çerçevesinde temsil edilebilir.
• Model varsayımları altında başlangıç teknoloji seviyesi daha yüksek ekonomi AI artışından daha yüksek anlık marjinal teknoloji-cephesi etkisi elde eder.
• Staggered AI adoption klasik TWFE yerine heterojen treatment effect'lere dayanıklı yöntemleri gerekli kılabilir.
• Strateji seçimi potansiyel olarak içseldir ve causal interpretation güçlü tanımlama varsayımlarına bağlıdır.
• GDP ile HDI farklı kalkınma boyutlarını temsil eder.

Çalışmanın henüz desteklemediği

• TIT ülkelerinin gerçek veride TIT* ülkelerinden daha hızlı büyüdüğü sonucunu bu çalışmanın ampirik tahmini olarak desteklemez.
• AI'nın TIT ekonomilerine ölçülmüş belirli bir yüzde avantaj sağladığını göstermez.
• \(\beta\), \(\beta_3\) veya ATT değerlerinin pozitif olduğunu ampirik olarak kanıtlamaz.
• HDI etkisinin GDP etkisinden gerçekten daha büyük olduğunu göstermiş değildir.
• Tablo 3'teki sayıları gerçek ülke-yıl istatistikleri olarak desteklemez.
• Önerilen politika paketlerinin Namibia, SADC veya başka bir ülkede kesin sonuç vereceğini kanıtlamaz.

Çalışmanın güçlü yanı

Makalenin güçlü tarafı, kalkınma sıralaması tartışmasını AI, bilgi birikimi ve modern causal panel yöntemleriyle aynı teorik çerçevede birleştirmesidir. Özellikle klasik TWFE'nin staggered adoption altında yaratabileceği heterojenlik sorunlarını dikkate alması metodolojik olarak önemlidir.

Çalışmanın temel sınırlılığı

En önemli sınırlılık aynı zamanda makalenin mevcut statüsünü belirlemektedir: teorik ve ekonometrik tasarım ayrıntılı olmasına rağmen nihai veri derlenmemiş ve planlanan causal estimates henüz üretilmemiştir. Bu nedenle çalışma şu aşamada bir empirical result paper değil, güçlü biçimde formüle edilmiş bir theoretical and empirical research framework olarak okunmalıdır.

Kaynağın kendisi ayrıca political economy boyutunun yeterince modellenmediğini belirtmektedir. Hükümetlerin neden belirli kalkınma stratejilerini sürdürebildiği, elite capture, dağılım çatışması ve reformların siyasi teşvikleri modelde endojenleştirilmemiştir. Yazar bunu gelecekteki çalışma alanı olarak bırakmaktadır.

Kaynak ve Yöntem Notu

Tam özgün başlık:Trade-First versus Technology-First Development Strategies in the Age of Artificial Intelligence: A Difference-in-Differences Framework with Staggered Adoption

Yazar: Voxi Heinrich S. Amavilah.

Kurum: REEPS ve Estrella Mountain College.

Yazım tarihi: 18 Temmuz 2026.

SSRN'de yayımlanma/yüklenme: 1 Ağustos 2026.

DOI: 10.2139/ssrn.7137378.

Kaynak türü: 27 sayfalık SSRN çalışma makalesi / preprint niteliğinde akademik çalışma.

Hakemlik durumu: İncelenen SSRN kaydında hakemli bir dergi yayını bilgisi bulunmamaktadır.

Telif/lisans: SSRN kaydı tüm hakların saklı olduğunu ve izin olmadan yeniden kullanıma izin verilmediğini belirtmektedir.

Teorik temel: Lewis'in yapısal dönüşüm yaklaşımı; Romer ve Lucas'ın endogenous growth kuramları; Aghion–Howitt Schumpeterian innovation modeli; absorptive capacity yaklaşımı ve genel amaçlı teknoloji literatürü.

Temel yöntem: Knowledge-augmented production function ile TIT/TIT* teorik modellemesi; staggered-adoption DiD; Callaway–Sant'Anna ATT; event study; triple difference; instrumental variables extension.

Planlanan sonuç değişkenleri: Real GDP per capita growth ve Human Development Index.

Planlanan örneklem: Yaklaşık 100–120 ülke, 1960–2023 ve yaklaşık 5.000–6.000 ülke-yıl gözlemi.

Veri kaynakları: Penn World Tables, UNDP Human Development Reports, UN Comtrade, Barro–Lee, World Bank WGI, WIPO PatentScope, Oxford Internet Institute, World Bank Enterprise Surveys, IMF Financial Development Index ve MIT Observatory of Economic Complexity.

Kritik veri durumu: Nihai panel veri seti çalışma sürümünde tamamlanmamıştır. Tablo 3'teki özet istatistiklerin tamamı sentetiktir ve gerçek tahmin sonucu olarak kullanılmamalıdır.

Bilimsel yorum sınırı: Makale TIT stratejisinin AI çağındaki olası üstünlüğünü teorik olarak türetmekte ve ampirik testini tasarlamaktadır; bu üstünlük henüz bu çalışma tarafından gözlemsel ülke verisi üzerinde doğrulanmış değildir.