YAPAY SİNİR AĞLARI METODUYLA TÜRKİYE'NİN MAKROEKONOMİK PERFORMANS TAHMİNİ

Abstract

Makro ekonomi açısından temel değişkenler olarak kabul edilen enflasyon, işsizlik, GSYİH, Bütçe Açığı, Cari açık oranları ülke ekonomileri için büyük önem arz etmektedir. Dolayısıyla bu değişkenler bir ülkenin ekonomik performansının ölçülmesinde temel ölçütler olarak da değerlendirilmektedir. Buna bağlı olarak ekonomide yaşanan dalgalanmaların öncelikle bu belirtilen değişkeni etkilemesi, değişkenlerin ülke ekonomisinin istikrarı açısından da öneminin göstergesidir. Türkiye ekonomisi için enflasyon, işsizlik, GSYİH, Bütçe Açığı, Cari açık oranlarının seyri ekonomik performansın değerlendirilmesinde öncelikle izlenen ve takip edilen değişkenler arasında yer almaktadır. Yapay sinir ağları metodu insan beyni gibi çalışmaktadır. Beyin örnek bir olayda öğrendiği bilgiler ışığında yeni kararlar vermekte ve yeni tahminlerde bulunmaktadır. Yapay sinir ağları metodunda ağ öncelikle aynı beyin gibi geçmiş verileri kullanarak eğitime tabi tutulur ve ağın öğrenmesi sağlanır. Öğrenen ağ artık kendi tahminlerini yapabilir. Bu çalışmada istatistiksel tahmin tekniklerinden yapay sinir ağı modeli kullanılarak, Türkiye'nin 1990-2018 yıllarına ait temel ekonomik göstergelerinden yararlanılarak Makroekonomik performans tahmini yapılmıştır. Çalışmada, öncelikle Türkiye ekonomisini etkileyen unsurlarla ilgili veriler toplanarak analiz edilmiş, ardından bu etkenlere göre YSA modeli oluşturulmuş ve modelin eğitimi ve testi yapılmıştır. Sonrasında, model ile yıllık makro ekonomik performans tahmini yapılıp bu tahminlerin performans testleri hesaplanmıştır. Çalışma sonucunda YSA tahmin modelinin performansı ise, korelasyon katsayısı 0.99 ve regresyon katsayısı 0.98 olarak ölçülmüştür. Yani, modelin ürettiği tahminler ile gerçek değerler karşılaştırıldığında MSE, RMSE ve MAPE değerlerinin düşük olduğu ve dolayısıyla elde edilen modelin küçük oranda hatalı sonuçlar ürettiği ve tahmin tutarlılığının yüksek olduğu sonucuna ulaşılmıştır. Ayrıca bu çalışma literatürde oldukça yeni kullanılmaya başlanan YSA tanıtılarak araştırmacılar tarafından ülkemizde yapılacak çalışmalarda tanınırlığının ve kullanılabilirliğinin arttırılmasına olanak sağlamaktadır.

Inflation, unemployment, GDP, Budget Deficit, Current account deficit, which are accepted as basic variables in terms of macro economics, are of great importance for the economies of countries. Therefore, these variables are also considered as basic criteria in measuring the economic performance of a country. Accordingly, the fluctuations in the economy primarily affect this variable, indicating the importance of variables for the stability of the country's economy. Inflation, unemployment rate, GDP, budget deficit, the trend of current account rations are primary parameters, which are observed while evaluating Turkey's economy. Artificial neural networks method works like a human brain. The brain makes new decisions and makes new forecasting in the light of the information it has learned in a sample event. In the method of artificial neural networks, the network is first trained just like the brain by givinghistorical data and the learning of the network is provided. The learning network can now make its own forecasting. In this study, a statistical estimation techniques, which is artificial neural network, is used to estimate macroeconomic performance of Turkey by using basic economic indicators and data between 1990-2018. Firstly, the data of factors that affect the Turkey's economy is firstly gathered and analyzed. Then, ANN model was created based on these factors and the model was trained and tested. Afterwards, annual macroeconomic performance is estimated with the model and performance tests of these predictions was calculated. As a result of the study, the performance of the ANN predicction model was measured as the correlation coefficient 0.99 and the regression coefficient 0.98. In other words, when the estimates produced by the model were compared with the actual values, it was concluded that the values of MSE, RMSE and MAPE were low and therefore the obtained model produced slightly erroneous results and the prediction consistency was high. In addiction, this study provides an opportunity to increase the recognition and usability of ANN in studies to be carried out in our country by the researchers by introducing ANN, which has been used quite recently in the literature.