The Effect of Artificial Intelligence on The Estimated of Turkey’s Budget Deficits From the View of Public Administration.

Abstract

Teknolojik ilerleme ve dijitalleşme, birçok alanda ciddi dönüşümlere yol açmıştır. Bu dönüşümler kamu yönetim anlayışını da etkilemiş ve bu alandaki araştırmalara yeni boyut kazandırmıştır. Bu kapsamda, en temel kamu yönetimi uygulamalarından biri olan bütçeleme ve bütçe açıkları ile dijitalleşmenin ve yapay zekanın etkileşimi, bu çalışmanın inceleme alanını oluşturmaktadır. Bütçe dengesinin sağlanması ülkeler açısından en önemli makroekonomik hedeflerin başında gelmektedir. Bütçe açıkları üzerinde özellikle yüksek enflasyon, dış ödeme güçlükleri, tasarruf oranlarının yetersizliği ve kamu borçlarındaki artışlar gibi faktörlerin etkili olduğu ifade edilmektedir. Bu çerçevede, mali disiplinin sağlanması sürdürülebilir bir ekonomik büyümenin gerçekleştirilmesi açısından zorunlu bir koşul olarak değerlendirilmektedir. Bu çalışmada Türkiye’de bütçe açıkları literatürde kullanılan yöntemlerden farklı olarak, yapay zekanın alt dallarından biri olan bulanık sinir ağları yöntemi ile test edilecektir. Bu çerçevede 1980-2019 dönemi için bütçe açıklarını etkiyen faktörler kullanılarak bütçe dengesi tahmin edilecek ve bu tahminde Bulanık Sinir Ağları yönteminin geçerliliği araştırılacaktır.

Keywords

• Public Administration
• Budget Deficit
• Artificial Intelligence

Kamu Yönetimi Açısından Yapay Zekanın Türkiye’deki Bütçe Açıklarının Tahmini Üzerine Etkisi

Öz

Teknolojik ilerleme ve dijitalleşme, birçok alanda ciddi dönüşümlere yol açmıştır. Bu dönüşümler kamu yönetim anlayışını da etkilemiş ve bu alandaki araştırmalara yeni boyut kazandırmıştır. Bu kapsamda, en temel kamu yönetimi uygulamalarından biri olan bütçeleme ve bütçe açıkları ile dijitalleşmenin ve yapay zekanın etkileşimi, bu çalışmanın inceleme alanını oluşturmaktadır. Bütçe dengesinin sağlanması ülkeler açısından en önemli makroekonomik hedeflerin başında gelmektedir. Bütçe açıkları üzerinde özellikle yüksek enflasyon, dış ödeme güçlükleri, tasarruf oranlarının yetersizliği ve kamu borçlarındaki artışlar gibi faktörlerin etkili olduğu ifade edilmektedir. Bu çerçevede, mali disiplinin sağlanması sürdürülebilir bir ekonomik büyümenin gerçekleştirilmesi açısından zorunlu bir koşul olarak değerlendirilmektedir. Bu çalışmada Türkiye’de bütçe açıkları literatürde kullanılan yöntemlerden farklı olarak, yapay zekanın alt dallarından biri olan bulanık sinir ağları yöntemi ile test edilecektir. Bu çerçevede 1980-2019 dönemi için bütçe açıklarını etkiyen faktörler kullanılarak bütçe dengesi tahmin edilecek ve bu tahminde Bulanık Sinir Ağları yönteminin geçerliliği araştırılacaktır.

References

1. Altınışık, E. (2017). “Dijitalleşme Söyleminin Kamu Yönetimi Disiplinine Olası Etkisi: 1950 Deneyiminden Yola Çıkan Bir Öngörü”, Süleyman Demirel Üniversitesi İkt. İdr. Bil. Fak. Dergisi, 22, Özel sayı, 1933-1943.
2. Bacanlı, Ü.G.,F. Dikbaş ve M. Fırat (2011). Sinir Ağları Ve Bulanık Mantık Yöntemleri İle Kuraklık Tahmini, Pamukkale Üniversitesi Bilimsel Araştırma Yapay Projeleri Koordinasyon Birimi. Bap Projesi
3. Baykal, N. veT. Beyan (2004). Bulanık Mantık Uzman Sistemler ve Denetleyiciler, Bıçaklar Kitabevi, Ankara,
4. Bulut, C. ve Y. B. Canbolat (2003). “Türkiye Ekonomisi’nde Artan Kamu Açıklarının Enflasyon, Faiz Oranı ve Döviz Kuru Üzerindeki Etkileri”, Journal of QafqazUniversity, 12, 13-28.
5. Chang F.J. ve Y. T. Chang (2006). “Adaptive Neuro-Fuzzy Inference System for Prediction of Water Level in Reservoir”, Advances in WaterResources, 29, 1-10.
6. Coşkun, B. ve Ç. P. Yıldırım (2018). “Kamu Yönetimi Açısından Digital Zekanın İyi Yönetime Etkisi”, Ombudsman Akademi, Özel sayı 1, 141-162.
7. Çevik, K. K. ve E. Dandil (2012). “Yapay Sinir Ağları İçin Net Platformunda Görsel Bir Eğitim Yazılımının Geliştirilmesi”, Bilişim Teknolojileri Dergisi, 5( 1), 19-28.
8. Diler, A.İ. (2003). “İMKB Ulusal 100 Endeksinin Yönünün Yapay Sinir Ağları Hata Geriye Yayma Yöntemi ile Tahmin Edilmesi”, İMKB Dergisi, 7 ( 25-26), 65-81.

9. Gramlich, E. M. (1989). “Budget Deficits and National Saving; Are Politicians Exogenous?”, Journal of Economic Perspectives, 3(2) Spring, 23-35
10. Gül, H. (2017). “Dijitalleşmenin Kamu Yönetimi ve Politikaları ile Bu Alanlardaki Araştırmalara Etkileri”, Yasama Dergisi, 36, 5-36.
11. Hamzaçebi, C. ve F. Kutay (2004). “Yapay Sinir Ağları İle Türkiye Elektrik Enerjisi Tüketiminin 2010 Yılına Kadar Tahmini”, Gazi Üniv. Müh. Mim. Fak. Der. 19 (3), 227-233.
12. Hansen, J.V. ve R. D. Nelson (1997). “Neural Networks andTraditional Time Series Methods: A Synergistic Combination in State Economic Forecasts”, IEEE Transactions on Neural Networks, 8 (4), 863-873.
13. Hotunluoğlu, H.,İ. Göçer ve M. Mercan (2013). “Türk Bütçe Dengesinin Yapay Sinir Ağları Yöntemiyle Tahmini”, Finans, Politik ve Ekonomik Yorumlar,50(582),91-99.
14. Huang, W.,Laı, King K.,Nakamori, Y.,Wang, S. andL. YU (2007). “Neural Networks in Finance and Economics Forecasting”, International Journal of Information Technology and Decision Making, 6 (1), 113-140.
15. Jang, J. S. R.,(1993). “ANFIS Adaptive-Network-Based-Fuzzy Inference Systems”. IEEE Transactions on Systems,Man and Cybernetics, 23 (3), 665-685.
16. Kaastra, I. and M. Boyd (1996). “Designing a Neural Network for Forecasting Financial and Economic Time Series” Neurocomputing, 10, 215-236.
17. Kaplan, M. ve R. Tekeli, (2008). Ekonomide Bekleyişler ve Tahmin, Yapay Sinir Ağları Uygulamaları, Tablet Yayınları, Konya
18. Konu, A. ve A. Y. Ata (2016). “Etnik Farklılık ve Kamu Borcu Üzerine Etkileri: Analitik Bir Bakış Açısı”, Sosyoekonomi Dergisi, 24(28), 175-187.
19. Lester, J.M. (2003). Investigation of theApplicability of Neural- Fuzzy Logic Modeling for Culvert Hydrodynamics, Doctor of PhilosophyThesis, College of Engineeringand Mineral Resources at West Virginia University,
20. Mao, H.,Lıu, D., Y. Jın ve J. Lın (2010). “Forecasting Model On General Budget Revenueof Regional Finance Based on Dynamic Combination Of BP Neural Network” 2010 International Conference of Information Scienceand Management Engineering, 282-286.
21. Nayak, P.C., Sudheer, K.P., ve Ramasastri, K.S. (2004). Fuzzy computing based rainfall-runoff model for real time flood forecasting. Hydrological Process, 17: 3749–3762,
22. Önder, M. ve H. Saygılı (2018). “Yapay Zeka ve Kamu Yönetimine Yansımaları”, Türk İdare Dergisi,487, 629-668.
23. Özkan, N. (1987). Planlı Dönemde Türkiye’de Konsolide Devlet Bütçesi Açıklarının Nedenleri (Vergi Gelirleri Açısından), Maliye ve Gümrük Bakanlığı Bütçe ve Mali Kontrol Genel Müdürlüğü, Ankara,
24. Özveren, U. (2006). PEM Yakıt Hücrelerinin Yapay Sinir Ağları ile Modellenmesi, Yayınlanmamış Yüksek Lisans Tezi, T.C. Yıldız Teknik Üniversitesi Fen Bilimleri Enstitüsü, İstanbul.
25. Radulescu, M., L. Banıca, ve T. Zamfıroıu (2015). “Forecasting Public Expenditure by Using Feed-Forward Neural Networks”,EconomicResearch-EkonomskaIstrazivanja, 28(1), 668- 686.
26. Safdari, M. ve M. Shamsoddini (2012). “Using Artificial Neural Networks and Monte Carlo Simulation in Terms of UncertaintyforPrediction of Budget Deficit in Iran”, Interdisciplinary Journal of ContemporaryResearch in Business, 4 (2), 132-139.
27. Sungur, C. ve A. A. Altun (2010). “Konya Bölgesindeki Don Olaylarına Karşı Mistleme Sisteminin Yapay Sinir Ağları ile Modellenmesi”, Selçuk Tarım ve Gıda Bilimleri Dergisi, 24 (4), 70-75.
28. Şahbaz, A., A. Koç ve A.Y. Ata (2013). “Yolsuzluk ve Kamu Borcu İlişkisi: AB Ülkeleri Üzerine Ampirik Bir İnceleme”, Akdeniz İİBF Dergisi, 26, 206-220.
29. Takagı, T.ve M. Sugeno(1985). “FuzzyIdentification of Systems and its Application toModeling and Control”, IEEE Transactions on Systems, Man, and Cybernetics, 15, 116–132.
30. Yakıt O. ve Y. Özkan (2017). “Kurumsal Kaynak Planlama Sistemlerinde Yapay Sinir Ağlarının Değerlendirilmesi Yaklaşımı”, Siyaset, Ekonomi ve Yönetim Araştırmaları Dergisi, 5, 287-296
31. Yurtoğlu, H. (2005). Yapay Sinir Ağları Metodolojisi ile Öngörü Modellemesi: Bazı Makroekonomik Değişkenler için Türkiye Örneği, Uzmanlık Tezi, Ekonomik Modeller ve Strateji Araştırmalar Genel Müdürlüğü, Devlet Planlama Teşkilatı, No:2683.
32. Yusof, N.B.M. (2005). “Time Series Modelling and Designing of Artifical Neural Networks (ANN) for Revenue Forecasting”,Faculty of ComputerScienceand Information, System, Universiti Teknologi Malaysia,
33. Zadeh, L. A. (1965). “FuzzySets”, Information and Control, 8, 338–353.
34. Zhang, G., B. E. Patuwo ve M. Y. Hu (1998). “Forecasting with Artificial Neural Networks: The State of the Art”, International Journal of Forecasting, 14: 35-62,