Veri Zarflama Analizi (Data Envelopment Analysis, DEA), benzer karar verme birimlerinin belirli girdilerle elde ettikleri çıktıları karşılaştırarak göreli bir etkinlik sınırı oluşturan parametrik olmayan bir yöntemdir. Maya Tsoklinova tarafından yürütülen çalışma, 2016–2023 döneminde 11 Orta ve Doğu Avrupa (Central and Eastern Europe, CEE) Avrupa Birliği üyesinde sosyal koruma harcamalarının yoksulluk ve gelir dağılımı sonuçlarıyla ilişkili göreli etkinliğini DEA ile; zaman içindeki toplam faktör verimliliği değişimini ise Malmquist Verimlilik Endeksi (Malmquist Productivity Index, MPI) ile incelemektedir.

Çalışmada sosyal koruma harcamalarının gayrisafi yurtiçi hasılaya oranı tek girdi olarak kullanılmakta ve üç input-oriented BCC DEA modeli tahmin edilmektedir. Model 1 gelir eşitsizliği ile standart yoksulluk riskini, Model 2 gelir eşitsizliği ile daha ağır yoksulluğu, Model 3 ise gelir eşitsizliği ile nüfusun en düşük gelirli %40'ının toplam gelirden aldığı payı birlikte değerlendirmektedir. BCC yapısı değişken ölçeğe göre getiri (Variable Returns to Scale, VRS) varsayımına dayanmaktadır.

DEA sonuçları genel olarak yüksek göreli teknik etkinlik göstermektedir. Model 1'de yıllık ortalama VRS teknik etkinliği 0,91–0,94, Model 2'de 0,92–0,95 ve Model 3'te 0,89–0,92 aralığındadır. Çekya ve Slovakya ilk iki modelde 2016–2023 döneminin tamamında etkinlik sınırında yer alırken Romanya ve Macaristan da çoğu yılda 1'e eşit veya çok yakın skorlar elde etmektedir. Hırvatistan, Polonya ve Slovenya ise çoğu dönemde görece daha düşük etkinlik göstermektedir.

Ancak üçüncü model önemli bir farklılık ortaya koymaktadır. Çekya, yoksulluk göstergelerine dayalı ilk iki modelde etkinlik sınırında bulunmasına rağmen nüfusun en düşük gelirli %40'ının gelir payı dikkate alındığında aynı konumu koruyamamaktadır. Bu sonuç, düşük yoksulluk riskinin sosyal koruma sisteminin gelir dağılımının alt kesimlerine ilişkin performansıyla her zaman aynı şeyi göstermediğini ortaya koymaktadır.

Malmquist analizi de dönemler arasında farklı bir yapı göstermektedir. Yoksulluk odaklı Model 1 ve Model 2'de COVID-19 öncesinde verimlilik farklılıkları daha çok teknik etkinlik değişiminden kaynaklanırken 2019–2020 şokunda tüm ülkelerde verimlilik gerilemekte ve üretim/etkinlik sınırındaki teknolojik değişim ana belirleyici hâline gelmektedir. 2020–2023 döneminde ise çoğu ülkede yeniden verimlilik artışı görülmekte ve iyileşmenin önemli bölümü TECHCH bileşeninden gelmektedir. Gelir dağılımı odaklı Model 3'te ise dönem boyunca ülkeler arasındaki verimlilik farklılıkları ağırlıklı olarak teknik etkinlik değişimiyle ilişkilidir.

Sosyal koruma harcamalarının etkinliği neden yalnız harcama düzeyiyle ölçülemez?

Sosyal koruma sistemleri hastalık, engellilik, yaşlılık, ölüm sonrası haklar, aile ve çocuk destekleri, işsizlik, konut ve sosyal dışlanma gibi çok sayıda sosyal riski kapsar. Bu politikalar önemli mali kaynak gerektirir. Ancak yüksek harcama düzeyi tek başına düşük yoksulluk veya daha eşit gelir dağılımı anlamına gelmez.

İki ülke GSYH'nin benzer bir bölümünü sosyal korumaya ayırabilir fakat aynı kaynak düzeyiyle farklı sosyal sonuçlar elde edebilir. Bunun nedeni yardım tasarımı, hedefleme, kurumsal kapasite, demografik yapı, işgücü piyasası koşulları ve ekonomik çevre gibi çok sayıda faktör olabilir.

Bu çalışmanın temel sorusu bu nedenle “hangi ülke daha çok harcıyor?” değildir. Araştırma, gözlenen sosyal sonuçlar dikkate alındığında ülkelerin kullandıkları sosyal koruma kaynaklarının göreli etkinliğini değerlendirmektedir.

DEA etkinlik skoru ne anlama geliyor?

DEA etkinlik skoru, aynı örneklem içindeki karar verme birimlerinin belirli girdilerle ürettikleri çıktılar karşılaştırılarak oluşturulan ampirik etkinlik sınırına göre göreli konumu gösterir. BCC modelinde skorun 1 olması birimin gözlenen örneklem içinde etkinlik sınırında bulunduğunu, 1'in altındaki skor ise aynı çıktı düzeylerini daha düşük girdiyle sağlayan referans birimlerin bulunduğunu ifade eder.

Bu nedenle DEA'daki “etkin ülke” ifadesi sosyal koruma sisteminin mutlak anlamda kusursuz olduğu anlamına gelmez. Sonuç, yalnız kullanılan girdi ve çıktılar, analiz dönemi ve karşılaştırılan ülkeler bağlamında göreli etkinliktir.

BCC ve CCR modelleri arasındaki fark

DEA literatüründe CCR modeli sabit ölçeğe göre getiri (Constant Returns to Scale, CRS) varsayımını kullanırken BCC modeli değişken ölçeğe göre getiriye izin verir. Çalışmada temel tercih BCC-VRS modelidir.

Bunun gerekçesi sosyal koruma sistemlerinin aynı büyüklükte veya aynı kurumsal ölçekte çalışmamasıdır. Ülkeler nüfus, ekonomik yapı, mali kapasite ve sosyal sistem tasarımı açısından farklı olduğundan, tüm karar verme birimlerinin optimal ölçekte çalıştığını varsaymak yerine ölçek farklılıklarına izin veren VRS yaklaşımı kullanılmaktadır.

Neden input-oriented model seçildi?

Input-oriented DEA, mevcut çıktı düzeyleri korunurken girdinin ne ölçüde azaltılabileceğini değerlendirir. Çalışmada amaç, belirli yoksulluk ve gelir dağılımı sonuçlarını korurken sosyal koruma kaynaklarının göreli kullanım etkinliğini değerlendirmek olduğu için input-oriented yapı tercih edilmiştir.

Output-oriented bir model farklı bir araştırma sorusuna yanıt verecekti: belirli bir harcama düzeyi sabitken sosyal sonuçların ne kadar iyileştirilebileceği. Kaynak çalışma bu soruyu değil, kaynak kullanım etkinliğini incelemektedir.

BCC modelinin matematiksel yapısı

Kaynakta kullanılan input-oriented BCC modelinin temel doğrusal programlama yapısı şöyledir:

\[ \theta^*=\min \theta \]

koşulları altında:

\[ \sum_{j=1}^{n}\lambda_j x_{ij}\leq\theta x_{i0}, \quad i=1,2,\ldots,m \]

\[ \sum_{j=1}^{n}\lambda_j y_{rj}\geq y_{r0}, \quad r=1,2,\ldots,s \]

\[ \sum_{j=1}^{n}\lambda_j=1 \]

\[ \lambda_j\geq0 \]

Burada \(\theta^*\) değerlendirilen karar verme biriminin etkinlik skorudur. \(\theta^*=1\) etkinlik sınırında bulunmayı, \(\theta^*<1\) ise göreli etkinlik açığını ifade eder.

\(\lambda_j\) katsayıları, değerlendirilen ülke için varsayımsal referans noktasını oluşturmada diğer karar verme birimlerinin katkısını göstermektedir.

Ölçek etkinliği

Çalışma saf teknik etkinliğin yanında ölçek etkinliğini de değerlendirmektedir. Ölçek etkinliği CRS altında hesaplanan teknik etkinliğin VRS teknik etkinliğine oranıdır:

\[ SE=\frac{CRSTE}{VRSTE} \]

SE değerinin 1'e yaklaşması karar verme biriminin optimal ölçeğe yakın çalıştığını gösterir. Çalışmada üç modelde de ortalama ölçek etkinliği genel olarak yüksektir; yıllık ortalamalar çoğunlukla yaklaşık 0,91–0,99 arasında bulunmaktadır.

Çalışmada sosyal koruma etkinliği hangi göstergelerle ölçülüyor?

Üç modelin tamamında tek girdi, ESSPROS metodolojisine göre ölçülen toplam sosyal koruma harcamalarının GSYH'ye oranıdır. ESSPROS, yalnız merkezi kamu harcamalarını değil, harmonize muhasebe yapısı içinde farklı kurumsal sektörler tarafından finanse edilen sosyal koruma sistemlerini kapsadığı için ülkeler arası karşılaştırmaya olanak sağlamaktadır.

Gini katsayısı ile yoksulluk oranları “daha düşük olması daha iyi” türündeki istenmeyen çıktılardır. DEA modelinde daha yüksek çıktı değerinin olumlu performansı temsil etmesi gerektiğinden çalışma bu göstergeleri:

\[ y_i^*=100-y_i \]

dönüşümüyle arzu edilen çıktılara çevirmektedir.

Model 1 ve Model 2 koşullu olarak yoksulluk odaklı, Model 3 ise gelir dağılımı odaklı model olarak sınıflandırılmaktadır.

İncelenen ülkeler

Analiz, harmonize ESSPROS ve EU-SILC verilerinin 2016–2023 döneminin tamamı için bulunabildiği 11 Orta ve Doğu Avrupa AB üyesini kapsamaktadır:

• Bulgaristan
• Hırvatistan
• Çekya
• Estonya
• Macaristan
• Letonya
• Litvanya
• Polonya
• Romanya
• Slovakya
• Slovenya

Her DEA modeli yalnız bir girdi ve iki çıktı kullandığından 11 karar verme birimi, kaynakta belirtilen ve DMU sayısının toplam girdi ve çıktı sayısının en az üç katı olmasını öneren genel kuralı karşılamaktadır.

2016–2023 döneminde sosyal göstergeler nasıl değişti?

Örneklem ortalamasında sosyal koruma harcamaları GSYH'nin %18,25'i düzeyinden 2016'da başlayarak COVID-19 döneminde yükselmiş ve 2020'de %20,49'a ulaşmıştır. Harcama oranı daha sonra gerileyerek 2023'te %19,21 olmuştur.

Bu değişimler örneklem düzeyindeki betimleyici eğilimlerdir. DEA analizi bu göstergelerdeki iyileşmenin sosyal koruma harcamaları tarafından nedensel olarak yaratıldığını kanıtlamaz.

Malmquist Verimlilik Endeksi DEA'dan hangi açıdan farklıdır?

DEA belirli bir yıldaki ülkelerin göreli etkinlik konumunu ölçerken Malmquist Verimlilik Endeksi toplam faktör verimliliğinin iki dönem arasında nasıl değiştiğini ölçer. MPI, verimlilik değişimini teknik etkinlikteki “yakalama” değişimi ile etkinlik sınırının kendisindeki değişime ayırır.

Kaynakta temel ayrıştırma:

\[ MPI^{t,t+1}=EFFCH^{t,t+1}\times TECHCH^{t,t+1} \]

şeklindedir.

• MPI > 1: toplam faktör verimliliğinde artış.
• MPI = 1: verimlilikte değişim yok.
• MPI < 1: toplam faktör verimliliğinde gerileme.
• EFFCH: karar verme biriminin mevcut etkinlik sınırına yaklaşması veya sınırdan uzaklaşması.
• TECHCH: ampirik üretim/etkinlik sınırının dönemler arasında yer değiştirmesi.

Çalışma MPI'yi VRS teknolojisi altında hesaplamakta ve dönemi üç parçaya ayırmaktadır: 2016–2019 pandemi öncesi dönem, 2019–2020 ilk COVID-19 şoku ve 2020–2023 pandemi sonrası toparlanma dönemi. Çok yıllı dönemlerde MPI, EFFCH ve TECHCH değerlerinin geometrik ortalamaları kullanılmaktadır.

Kaynak, EFFCH veya TECHCH değişiminin doğrudan belirli bir yönetim reformunu veya politika kararını kanıtlamadığını özellikle vurgulamaktadır. Bu bileşenler ampirik etkinlik sınırına göre değişimi ölçer; altında yatan nedeni kendileri tanımlamaz.

Çalışmanın Yöntemi ve Bulguları

Model 1: Gelir eşitsizliği ve genel yoksulluk riski

Model 1, sosyal koruma harcamasının Gini katsayısı ve medyan eşdeğer kullanılabilir gelirin %60'ının altında kalan nüfusun oranıyla ilişkili göreli etkinliğini incelemektedir.

Yıllık ortalama BCC teknik etkinlik skorları 2016–2023 boyunca 0,91 ile 0,94 arasında değişmiştir. Bu sonuç, örneklem genelinde saf teknik etkinliğin oldukça yüksek ve zaman içinde görece istikrarlı olduğunu göstermektedir.

Çekya ve Slovakya bütün yıllarda 1,00 VRSTE skoru elde etmektedir. Romanya da çoğu yılda etkinlik sınırında bulunurken Macaristan 2019'dan itibaren 1,00 değerine ulaşmaktadır.

Polonya, Hırvatistan ve Slovenya ise dönemin büyük bölümünde örneklem içindeki daha düşük teknik etkinlik skorlarını kaydetmektedir. Bulgaristan orta gruptadır.

Model 2: Gelir eşitsizliği ve ağır yoksulluk

Model 2'de %60'lık yoksulluk eşiği yerine medyan eşdeğer kullanılabilir gelirin %40'ının altında kalan nüfus kullanılmıştır. Böylece en düşük gelirli gruplara ilişkin daha katı bir yoksulluk ölçütü değerlendirilmiştir.

Yıllık ortalama VRSTE değerleri 0,92–0,95 aralığındadır. Model 1 ve Model 2 ülke sıralamalarının büyük ölçüde benzer olması, temel etkinlik farklılıklarının seçilen iki yoksulluk eşiğinden güçlü biçimde etkilenmediğini göstermektedir.

Slovakya ve Çekya yine bütün dönem boyunca etkinlik sınırında kalmaktadır. Romanya, Estonya ve Macaristan da yüksek değerlere sahiptir.

Model 3: Gelir eşitsizliği ve en düşük gelirli %40'ın payı

Model 3'te yoksulluk oranı yerine nüfusun en düşük gelirli %40'ının toplam gelirden aldığı pay kullanılmaktadır. Bu model, sosyal koruma harcamalarının yalnız yoksulluk eşiğinin altında kalan nüfusla değil, gelir dağılımının alt kısmının toplam ekonomik kaynaklardan aldığı payla ilişkili göreli etkinliğini değerlendirmektedir.

Yıllık ortalama VRSTE değerleri 0,89–0,92 aralığındadır ve ilk iki modele göre biraz daha düşüktür.

Model 3'ün en önemli sonucu Çekya'daki değişimdir. Çekya ilk iki modelde bütün dönem boyunca etkinlik sınırında bulunurken Model 3'te dönem ortalaması yaklaşık 0,93'e düşmektedir.

Kaynak bu sonucu, genel yoksulluk riskinde olumlu performans göstermenin gelir dağılımının en düşük %40'lık kesiminin payı bakımından aynı derecede olumlu sonuç anlamına gelmeyebileceği şeklinde yorumlamaktadır.

Slovakya ise üç modelde de yüksek performansını korumakta ve Model 3'te de bütün dönem boyunca etkinlik sınırında bulunmaktadır.

COVID-19 sosyal koruma verimliliğini nasıl etkiledi?

Malmquist sonuçları COVID-19'un etkisinin kullanılan çıktı tanımına göre farklı göründüğünü göstermektedir. Yoksulluk odaklı Model 1 ve Model 2'de 2019–2020 döneminde 11 ülkenin tamamında MPI 1'in altına düşmüş ve verimlilik gerilemesinin ana kaynağı TECHCH olmuştur. Buna karşılık gelir dağılımı odaklı Model 3'te aynı dönemde bazı ülkelerde MPI güçlü biçimde artmış ve değişimler daha çok EFFCH bileşeninden kaynaklanmıştır.

Model 1 MPI sonuçları

2016–2019 pandemi öncesi dönemde Model 1'in MPI değerleri çoğu ülke için 1'e yakındır. En güçlü artış Macaristan'da görülmektedir:

Macaristan MPI = 1,0449.

Letonya 0,9810, Litvanya 0,9857 ve Romanya 0,9965 ile sınırlı gerileme göstermektedir. Ülkeler arasındaki farkların önemli kısmı EFFCH değişiminden gelirken TECHCH daha homojendir.

2019–2020 döneminde 11 ülkenin tamamında MPI 1'in altındadır. Örnek değerler:

TECHCH değerlerinin tüm ülkelerde 1'in altında olması, ampirik etkinlik sınırının pandemi şokunda olumsuz yönde hareket ettiğini göstermektedir. Kaynak bunu daha zor bir sosyal ve ekonomik ortamla ilişkilendirmenin makul olduğunu belirtmekle birlikte MPI'nin bunun nedenini kendiliğinden belirlemediğini vurgulamaktadır.

2020–2023 döneminde ülkelerin çoğunda toparlanma vardır. En güçlü ortalama MPI artışları Hırvatistan, Litvanya, Slovenya ve Romanya'da görülür. Slovakya 0,9887 ile bu dönemde Model 1'de MPI'si 1'in altında kalan tek ülkedir.

Model 2 MPI sonuçları

Ağır yoksulluk göstergesine dayalı Model 2'nin zaman profili Model 1'e oldukça yakındır.

Pandemi öncesinde ülkelerin çoğunda MPI 1'e yakın olup Macaristan 1,0437 ile en güçlü artışlardan birini göstermektedir. 2019–2020 döneminde bütün ülkelerin MPI değerleri yeniden 1'in altına düşmektedir.

2020–2023'te ise dokuz ülkenin MPI değeri 1'in üzerindedir. Yalnız Bulgaristan 0,9958 ve Slovakya 0,9896 ile 1'in altında kalmaktadır.

Model 2'de pandemi sonrası TECHCH bütün ülkelerde 1'in üzerindedir. Buna rağmen Bulgaristan ve Slovakya'daki EFFCH gerilemesi, teknolojik/sınır değişiminin olumlu katkısını tam olarak telafi edememektedir.

Model 3 MPI sonuçları neden farklı?

Model 3'te verimlilik dinamikleri daha heterojendir ve değişimler ağırlıklı olarak EFFCH ile ilişkilidir. TECHCH çoğu durumda 1'e yakın veya daha sınırlı değişmektedir.

2016–2019 döneminde Romanya 1,0979, Slovakya 1,0823 ve Polonya 1,0718 ile görece güçlü verimlilik artışı göstermektedir. Estonya 0,9257 ve Hırvatistan 0,9490 ile daha belirgin gerileme kaydetmektedir.

2019–2020 döneminde Model 1 ve Model 2'nin aksine bazı ülkelerde güçlü MPI artışı vardır:

Kaynak, Hırvatistan, Macaristan, Estonya ve Letonya'daki artışların esas olarak teknik etkinlik değişiminden geldiğini belirtmektedir. Buna karşılık Slovakya, Slovenya, Romanya ve Çekya'daki düşüşler de büyük ölçüde EFFCH gerilemesiyle ilişkilidir.

2020–2023 döneminde Slovakya 1,0666, Slovenya 1,0655 ve Çekya 1,0642 ile Model 3'te en güçlü verimlilik artışlarını gösterirken Letonya 0,9253 ve Litvanya 0,9284 en büyük gerilemeler arasındadır.

Üç model birlikte ne söylüyor?

Bu ayrım, yoksulluk ölçütleri ile gelir dağılımının alt kesimine ilişkin göstergenin sosyal koruma sistemlerinin performansındaki farklı boyutları yakaladığını göstermektedir.

Ölçek etkinliği ve 2023 getirileri

Üç modelde de ölçek etkinliği yüksektir ve çoğu ülke optimal çalışma ölçeğine yakın görünmektedir. 2023'te üç modeldeki returns-to-scale sınıflandırmaları tamamen aynı hâle gelmektedir.

• Artan ölçeğe göre getiri (IRS): Bulgaristan, Hırvatistan, Estonya, Letonya, Litvanya ve Romanya.
• Azalan ölçeğe göre getiri (DRS): Çekya, Polonya, Slovakya ve Slovenya.
• Sabit ölçeğe göre getiri (CRS): Macaristan.

Yüksek ölçek etkinliği nedeniyle kaynak, ülkeler arasındaki performans farklarının yalnız sosyal koruma sistemlerinin ölçeğini değiştirmekle açıklanmasının güç olduğunu belirtmektedir.

Çalışmanın bilimsel yorum sınırı

Bu araştırmadaki yüksek DEA skoru, bir ülkenin sosyal koruma sisteminin toplumsal olarak ideal olduğu veya daha düşük harcamanın mutlaka mümkün olduğu anlamına gelmez. DEA yalnız örneklem içindeki mevcut girdi ve çıktı kombinasyonlarını karşılaştırmaktadır.

Aynı şekilde çalışma “sosyal koruma harcamasının artması yoksulluğu şu kadar azaltır” biçiminde nedensel bir katsayı tahmin etmemektedir. Girdi ve çıktılar aynı gözlem dönemine aittir ve DEA statik benchmarking aracıdır.

MPI ayrıştırması da EFFCH değişiminin doğrudan daha iyi yönetimden, TECHCH değişiminin ise doğrudan belirli bir reformdan kaynaklandığını kanıtlamaz. Bunlar ampirik etkinlik sınırına göre ölçülen değişimlerdir. Makroekonomik koşullar, demografi, veri hataları, dışsal krizler, kurumsal yapı ve politika tasarımı gibi başka faktörler de sonuçları etkileyebilir.

Çalışmanın genel sonucu

Çalışma, ortak sosyalist geçmiş, AB üyeliği ve benzer yakınsama süreçlerine rağmen Orta ve Doğu Avrupa ülkelerinin sosyal koruma sistemlerinde tek tip performans olmadığını göstermektedir.

İlk iki yoksulluk odaklı modelde Çekya ve Slovakya özellikle güçlü görünürken, gelir dağılımının en düşük %40'lık kesimi dikkate alındığında Çekya'nın göreli konumu gerilemektedir. Bu sonuç yoksulluk azaltma ile gelir dağılımı performansının aynı sosyal politika boyutu olmadığını göstermektedir.

COVID-19 dönemi de modele göre farklı davranmaktadır. Genel ve ağır yoksulluk odaklı modellerde 2019–2020 şoku tüm ülkelerde verimlilik gerilemesi yaratırken, gelir dağılımı odaklı model daha karmaşık ve ülkeye özgü bir desen göstermektedir.

Kaynak, gelecekte analizin daha geniş Avrupa ülke grubuna yayılmasını ve ülkeler arasındaki etkinlik/verimlilik farklarının nedenlerini açıklayabilecek sosyal koruma tasarımı, demografi, işgücü piyasası, makroekonomik çevre, kurumsal kalite ve politika uygulaması gibi faktörlerin ayrıca incelenmesini önermektedir.

Kaynak ve Yöntem Notu

Özgün çalışma başlığı: Assessing the Efficiency and Total Factor Productivity of Social Protection Expenditure: A Study of CEE Countries

Yazar: Maya Tsoklinova

Kurum: Department of Economics, University of National and World Economy, Sofia, Bulgaria.

Dergi: Economies

Yayınevi: MDPI, Basel, Switzerland

Bibliyografik kayıt: Economies 2026, 14, 326

DOI: 10.3390/economies14080326

Gönderim tarihi: 28 Haziran 2026

Revizyon tarihi: 31 Temmuz 2026

Kabul tarihi: 3 Ağustos 2026

Yayın tarihi: 6 Ağustos 2026

Kaynak türü: Harmonize ikincil Avrupa verileriyle yürütülen karşılaştırmalı, parametrik olmayan etkinlik ve toplam faktör verimliliği analizi.

Veri kaynakları: Eurostat; European System of Integrated Social Protection Statistics (ESSPROS); EU Statistics on Income and Living Conditions (EU-SILC).

İncelenen dönem: 2016–2023.

Karar verme birimleri: 11 Orta ve Doğu Avrupa AB üyesi ülke.

Temel yöntem: Input-oriented BCC Data Envelopment Analysis, Variable Returns to Scale.

Verimlilik yöntemi: VRS altında Malmquist Productivity Index; toplam faktör verimliliği değişimi EFFCH ve TECHCH bileşenlerine ayrılmıştır.

Finansman: Araştırma UNWE Research Programme, Research Grant No. 13/2025 tarafından finanse edilmiştir. Makale işlem ücreti de aynı araştırma programı tarafından karşılanmıştır.

Etik kurul: Uygulanamaz.

Bilgilendirilmiş onam: Uygulanamaz.

Veri erişilebilirliği: Çalışma Eurostat'taki kamuya açık ESSPROS ve EU-SILC verilerini kullanmaktadır.

Teşekkür: Yazar UNWE Research Programme tarafından sağlanan Research Grant No. 13/2025 mali desteğini belirtmektedir.

Çıkar çatışması: Yazar çıkar çatışması olmadığını bildirmektedir.

Lisans: Creative Commons Attribution (CC BY).

Temel yöntemsel sınırlılıklar: DEA sonuçları göreli ve örnekleme bağımlıdır. Girdi ve çıktılar aynı dönemlerden alınmıştır; çalışma dinamik bir nedensel model değildir. EFFCH ve TECHCH değişimleri belirli yönetim, kurumsal veya politika mekanizmalarının nedensel etkisini tanımlamaz. Analiz 11 CEE AB üyesi ve mevcut ESSPROS/EU-SILC değişkenleriyle sınırlıdır. Sosyal koruma sistemi tasarımı, demografik yapı, işgücü piyasası, makroekonomik çevre ve kurumsal kalite gibi ülkeler arası farkların nedenleri bu çalışmada doğrudan modellenmemiştir.