ANFIS YÖNTEMİ KULLANILARAK TÜRKİYE'DE GSYİH TAHMİNİ

Year 2022, , 953 - 971, 27.12.2022

Derya Şencan , Arzu Şencan Şahin

https://doi.org/10.36543/kauiibfd.2022.039

Abstract

Gayri Safi Yurtiçi Hasıla (GSYİH), bir ülkenin makro ekonomik durumunun önemli göstergelerinden biridir. GSYİH büyümesinin büyük bir hassasiyetle tahmin edilmesi; politika yapıcılar, merkez bankaları ve diğer ekonomik aktörler için mali ve para politikalarının belirlenmesi ve planlanmasında önem taşımaktadır. Bu çalışmada, Türkiye’nin ekonomik büyümesini (GSYİH) tahmin etmek için yapay zekâ yöntemlerinden biri olan uyarlamalı ağ tabanlı bulanık mantık çıkarım sistemi (ANFIS) kullanılmıştır. İhracat, ithalat, devlet harcamaları, tüketici fiyat endeksi (TÜFE) ve enflasyon oranı girdilerine bağlı olarak ekonomik büyüme yani GSYİH tahmin edilmiştir. ANFIS modelinin güvenilirliği, çeşitli istatistiksel göstergeler kullanılarak belirlenmiştir. Ortalama mutlak yüzde hata oranı (MAPE) 1.5137 ve determinasyon katsayısı (R2) 0.9949 olarak elde edilmiştir. Bu değerlerin kabul edilebilir seviyelerde olduğu ve ekonomik büyümenin tahmin edilmesinde bu modelin başarıyla kullanılabileceği görülmüştür. Çalışmadan elde edilen sonuçlar, GSYİH büyümesini büyük bir hassasiyetle tahmin etmek, maliye ve ekonomi politikalarını belirlemek ve planlamak için kullanılabilir.

Keywords

Ekonomik Büyüme, Tahmin, ANFIS

FORECASTING GDP IN TÜRKİYE USING ANFIS METHOD

Abstract

Gross Domestic Product (GDP) is one of the important indicators of a country's macroeconomic status. Predicting GDP growth with great precision; It is important for policymakers, central banks and other economic actors in determining and planning fiscal and monetary policies. In this study, an adaptive network-based fuzzy logic inference system (ANFIS), which is one of the artificial intelligence methods, is used to predict Turkey's economic growth (GDP). Economic growth, namely GDP, is estimated based on the inputs of exports, imports, government expenditures, consumer price index (CPI) and inflation rate. The reliability of the ANFIS model was determined using various statistical indicators. The mean absolute percent error rate (MAPE) was1.5137 and the coefficient of determination (R2) was 0.9949. It has been seen that these values are at acceptable levels and this model can be used successfully in estimating economic growth. The results from the study can be used to predict GDP growth with great precision, and to set and plan fiscal and economic policies.

Keywords

Economic growth, forecasting, ANFIS

References

• Abdiyeva, R., Çetintaş, H. (2017). Kamu harcamaları ve ekonomik büyüme arasındaki ilişki: Kırgızistan örneği. Optimum Ekonomi ve Yönetim Bilimleri Dergisi, 4(1), 19-34.
• Abonazel, M. R., Abd-Elftah, A. I. (2019). Forecasting Egyptian GDP using ARIMA models. Reports on Economics and Finance, 5(1), 35-47.
• Alaminos, D., Salas, M. B., Fernández-Gámez, M. A. (2022). Quantum computing and deep learning methods for GDP growth forecasting. Computational Economics, 59(2), 803-829.
• Barhoumi, K., Darné, O., Ferrara, L., Pluyaud, B. (2012). Monthly GDP forecasting using bridge models: Application for the French economy. Bulletin of Economic Research, 64, s53-s70.
• Cepni, O., Güney, I. E., Swanson, N. R. (2019). Nowcasting and forecasting GDP in emerging markets using global financial and macroeconomic diffusion indexes. International Journal of Forecasting, 35(2), 555-572.
• Çiçek, H., Gözegir, S., Çevik, E. (2010). Bir maliye politikası aracı olarak borçlanma ve ekonomik büyüme ilişkisi: Türkiye örneği (1990–2009). CÜ İktisadi ve İdari Bilimler Dergisi.
• Diler, H. (2016). Kamu Harcamaları–Ekonomik Büyüme: Türkiye Üzerine Bir Uygulama. Journal of Economic Policy Researches, 3(1), 21-36.
• Dinh, D. V. (2020). Impulse response of inflation to economic growth dynamics: VAR model analysis. Journal of Asian Finance, Economics and Business, 7(9), 219-228.
• Erdoğan, L., Tiryaki, A., Ceylan, R. (2018). Türkiye'de Uzun Dönem Ekonomik Büyümenin Belirleyicilerinin ARDL, FMOLS, DOLS ve CCR Yöntemleriyle Tahmini. Hacettepe Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 36(4), 39-57.
• Genç, M. C., Eser, L. Y. (2021). Ekonomik Büyüme ile Vergi Kompozisyonu Arasındaki İlişki: OECD Ülkeleri İçin Panel Veri Analizi. Maliye Dergisi, (180), 191-207.
• Ghazo, A. (2021). Applying the ARIMA Model to the Process of Forecasting GDP and CPI in the Jordanian Economy. International Journal of Financial Research, 12(3), 70.
• Haznedar B. 2017. Benzetilmiş Tavlama Algoritması İle Adaptif Ağ Tabanlı Bulanık Mantık Çıkarım Sisteminin (Anfıs) Eğitilmesi. Doktora Tezi, Erciyes Üniversitesi, Fen Bilimleri Ensitüsü, 174s, Kayseri.
• Jand JS. ANFIS: adaptive-network-based fuzzy inference system. IEEE Trans Syst Man Cybern 1993;23:665–85.
• Kordanuli, B., Barjaktarović, L., Jeremić, L., Alizamir, M. (2017). Appraisal of artificial neural network for forecasting of economic parameters. Physica A: Statistical Mechanics and its Applications, 465, 515-519.
• Kouziokas, G. N. (2020). A new W-SVM kernel combining PSO-neural network transformed vector and Bayesian optimized SVM in GDP forecasting. Engineering Applications of Artificial Intelligence, 92, 103650.
• Lehmann, R., Wohlrabe, K. (2015). Forecasting GDP at the regional level with many predictors. German Economic Review, 16(2), 226-254.
• Liu, C., Xie, W., Lao, T., Yao, Y. T., Zhang, J. (2020). Application of a novel grey forecasting model with time power term to predict China's GDP. Grey Systems: Theory and Application.
• Mourougane, A. (2006). Forecasting monthly GDP for Canada. OECD Economics Department Working Papers No. 515.
• Nguyen, L. P., Pham, V. H. T. (2020). Trade of ICT products, government, and economic growth: Evidence from East Asia-Pacific region. Journal of Asian Finance, Economics and Business, 7(8), 175-183.
• Özgür, M. I. (2015). İhracat, ithalat ve ekonomik büyüme arasındaki nedensellik ilişkileri: Türkiye örneği. Uluslararası Alanya İşletme Fakültesi Dergisi, 7(2).
• Raju, D., Sumalatha,M. Ramani,Lakshmi KV. Solving Uncertain Problems using ANFIS. Int J Comput Appl 2011;29:14–21.
• Sanusı, N. A., Moosın, A. F., Kusaırı, S. (2020). Neural network analysis in forecasting the Malaysian GDP. The Journal of Asian Finance, Economics, and Business, 7(12), 109-114.
• Söyler, H., Kızılkaya, O. (2015). Türkiye’nin GSYİH Tahmini İçin Yapay Sinir Ağları Model Performanslarının Karşılaştırılması. Cumhuriyet Üniversitesi İktisadi ve İdari Bilimler Dergisi, 16(1), 45-58.
• Şimşek, M., Kadılar, C. (2010). Türkiye’de beşeri sermaye, ihracat ve ekonomik büyüme arasındaki ilişkinin nedensellik analizi. CÜ İktisadi ve İdari Bilimler Dergisi, 11(1), 115-140.
• Tariq, R., Khan, M. A., Rahman, A. (2020). How does financial development impact economic growth in Pakistan? New evidence from threshold model. Journal of Asian Finance, Economics and Business, 7(8), 161-173.
• T.C. Strateji ve Bütçe Başkanlığı. (2022). ttps://www.sbb.gov.tr/temel-ekonomik-gostergeler-veritabani/
• Türkiye İstatistik Kurumu (TÜİK). (2022). https://www.tuik.gov.tr/
• Tkacz, G. (2001). Neural network forecasting of Canadian GDP growth. International Journal of Forecasting, 17(1), 57-69.
• Türedi, S., Berber, M. (2010). Finansal Kalkinma, Ticari Açiklik ve Ekonomik Büyüme Arasindaki İlişki: Türkiye Üzerine Bir Analiz. Erciyes Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, (35), 301-316.
• Wabomba, M. S., Mutwiri, M., Fredrick, M. (2016). Modeling and forecasting Kenyan GDP using autoregressive integrated moving average (ARIMA) models. Science Journal of Applied Mathematics and Statistics, 4(2), 64-73.
• Yoon, J. (2021). Forecasting of real GDP growth using machine learning models: Gradient boosting and random forest approach. Computational Economics, 57(1), 247-265.
• Zhang, H., & Rudholm, N. (2013). Modeling and forecasting regional GDP in Sweden using autoregressive models. Dalama University.