TS-FIS Yöntemi Bulanık Çıkarım Sistemi ile Enflasyon Öngörüsü: Türkiye Örneği

Year 2024, , 1903 - 1916, 15.12.2024

Mehmet Akif Kara

https://doi.org/10.31466/kfbd.1504384

Abstract

Ekonomik krizlerin gün geçtikçe etkilerinin daha fazla hissedildiği dönemlerde sıkça konuşulan kavramlardan birisi de enflasyondur. Enflasyon fiyatların genel düzeyindeki artış olarak tanımlanmaktadır. Enflasyon öngörüleri krizle mücadele ve krizin etkilerinin azaltılması açısından önemli bir süreçtir. Bu öngörülerin gerçeğe daha yakın elde edilmeleri kararların da doğru verilmesine fayda sağlamaktadır. Türkiye Cumhuriyeti Merkez Bankası her yılın belirli dönemlerinde yayınladığı enflasyon raporlarında enflasyon beklentisi anketi sonuçlarına da yer verilmektedir. Bu çalışmada veri seti olarak 2003-2023 yılları arasında Türkiye Cumhuriyeti Merkez Bankası TÜFE oranları kullanılmıştır. Çalışmada yöntem olarak Yolcu, Eğrioğlu ve Baş (2018) tarafından önerilen TS-FIS yöntemi ile enflasyon tahmininde bulunulmaktadır. Bulanık çıkarım sistemleri zaman serisi tahmini için yaygın olarak kullanılmaktadır. Klasik bulanık çıkarım sistemlerinin makul bir tahmin performansı için çok fazla parametre tahmin etmesi gerekmektedir. Yolcu, Eğrioğlu ve Baş (2018) tarafından önerilen çıkarım sistemi ile daha iyi tahmin sonuçları üretildiği görülmektedir. Elde edilen sonuçlar klasik zaman serisi yöntemleri (ARIMA, Holt’s, Naive) ile bulanık zaman serisi yöntemleri (Chen, 1996 ve Chen, 2002) ile karşılaştırılmıştır. Sonuç olarak TS-FIS yönteminin enflasyon öngörüsü problemi için en başarılı performansı ürettiği ortaya konulmuştur.

Keywords

Bulanık zaman serisi, Öngörü, TS-FIS, Bulanık çıkarım sistemleri

Inflation Forecasting With TS-FIS Method Fuzzy Inference System: The Case of Türkiye

Abstract

Inflation is one of the most frequently discussed concepts in times when the effects of economic crises are felt more and more. Inflation is defined as the increase in the general level of prices. Inflation forecasts are an important process in terms of combating the crisis and reducing the effects of the crisis. Obtaining these forecasts closer to reality helps to make the right decisions. The Central Bank of the Republic of Turkey includes the results of the inflation expectations survey in its inflation reports published at certain periods of each year. In this study, CPI rates of the Central Bank of the Republic of Turkey between 2003 and 2023 are used as the data set. As a method in the study, the TS-FIS method proposed by Yolcu, Eğrioğlu and Baş (2018) is used to forecast inflation. Fuzzy inference systems are widely used for time series forecasting. Classical fuzzy inference systems need to estimate too many parameters for a reasonable forecasting performance. The inference system proposed by Yolcu, Eğrioğlu and Baş (2018) produces better forecasting results. The results obtained are compared with classical time series methods (ARIMA, Holt's, Naive) and fuzzy time series methods (Chen, 1996 and Chen, 2002). As a result, it is revealed that the TS-FIS method produces the best performance for the inflation forecasting problem.

Keywords

Fuzzy time series, Forecasting, TS-FIS, Fuzzy inference systems

References

• Akdağ, M., ve Yiğit, V. (2016). Box-Jenkins ve yapay sinir ağı modelleri ile enflasyon Tahmini, Atatürk Üniversitesi İktisadi ve İdari Bilimler Dergisi, 30(2), 269-283.
• Al Kadry, I. R., Massalesse, J., & Nur, M. (2022). Forecasting inflation in Indonesia using the modified fuzzy time series Cheng, Jurnal Matematika, Statistika dan Komputasi, 19(1), 210-222.
• Almosova, A., & Andresen, N. (2023). Nonlinear inflation forecasting with recurrent neural networks, Journal of Forecasting, 42(2), 240-259.
• Araujo, G. S., & Gaglianone, W. P. (2023). Machine learning methods for inflation forecasting in Brazil: New contenders versus classical models, Latin American Journal of Central Banking, 4(2), 100087.
• Aydın, A. (2023). Türkiye ekonomisi için 1980 sonrasında enflasyon ve büyümenin işsizlik üzerindeki etkileri: ARDL yaklaşımı, Sosyal Bilimlerde Nicel Araştırmalar Dergisi, 3(1), 1-22.
• Aytürk, Y. (2011). Finansallaşma ve reel ekonomi, Derleyen Hayri Kozanoğlu içinde Uç(ur)amayan Balon: Finans, 60-90, Ayrıntı Yayınları, İstanbul.
• Chen, S.M. (1996). Forecasting enrolment based on fuzzy time series, Fuzzy Sets Systems, 81, 311-319.
• Erdem, N. (2011). Türkiye ekonomisinde dışa bağımlılığın değişen “bilançosu”. Hazırlayan Erkin Başer, Nihal Koçyiğit, Mustafa Öziş içinde, Bugüne Bakmak: 1980 Sonrası Türkiye’de Yaşanan Toplumsal Dönüşüm Süreçleri, s. 65-93, Dipnot Yayınları, Ankara
• Guttmann, R. (2023). Can we reform capitalism for its own good? A roadmap to sustainability., PSL Quarterly Review, 76(304).
• Hauzenberger, N., Huber, F., & Klieber, K. (2023). Real-time inflation forecasting using non-linear dimension reduction techniques, International Journal of Forecasting, 39(2), 901-921.
• Kozanoğlu, H. (2011). Finansallaşma ve Türkiye, Derleyen Hayri Kozanoğlu içinde Uç(ur)amayan Balon: Finans, s.11-59, Ayrıntı Yayınları, İstanbul.
• Levine, R. Ve Zervos, S. (1993). Looking at the facts: What we know about policy and growth from cross-country analysis, WorlBank Policy Research Working Papers, No: 1115, March, 1-51.
• Mehmetcik, H., & Taskiran, D. (2023). Political crises of capitalism. In Capitalism at a Crossroads: A New Reset?, pp. 181-194, Springer International Publishing.
• Önder, İ. (2011). Emperyalizmin Türkiye’yi dönüştürme etkisi: 1980 sonrası politikalar, Hazırlayan Erkin Başer, Nihal Koçyiğit, Mustafa Öziş içinde, Bugüne Bakmak: 1980 Sonrası Türkiye’de Yaşanan Toplumsal Dönüşüm Süreçleri, s. 31-58, Dipnot Yayınları, Ankara.
• Pierdzioch, C. (2023). A bootstrap-based efficiency test of growth and inflation forecasts for Germany, Economics Letters, 224, 111029.
• Samuelson, P.A. & Nordhaus, W.D.(1992). Economics. McGraw-Hill: Int. Editions.
• Shi, Y. & Eberhart, R.C. (1999). Empirical study of particle swarm optimization, Proceedings of the 1999 Congress on Evolutionary Computation- CEC99, 3, 1945-1950, IEEE.
• Şiriner, İ. ve Doğru, Y. (2008). Türkiye’de büyümenin ekonomi politiği: 1980 sonrası Türkiye ekonomisi üzerine bir inceleme, Dipnot Yayınları, Ankara.
• Theoharidis, A. F., Guillén, D. A., & Lopes, H. (2023). Deep learning models for inflation forecasting. Applied Stochastic Models in Business and Industry, 39, 447-470.
• Turan, Z. (2011). Dünyadaki ve Türkiye’deki krizlerin ortaya çıkış nedenleri ve ekonomik kalkınmaya etkisi, Niğde Üniversitesi İİBF Dergisi, 4(1), 56-80.
• Uğurlu, E. & Saraçoğlu, B. (2010). Türkiye’de enflasyon hedeflemesi ve enflasyonun öngörüsü, Dokuz Eylül Üniversitesi İktisadi İdari Bilimler Fakültesi Dergisi, 25(2), 57-72 .
• Uslu, V. R. , Yolcu, U. , Eğrioğlu, E. , Aladağ, Ç. & Başaran, M. A. (2012). Yüksek dereceli bulanık zaman serisi yaklaşımı ile Türkiye enflasyon öngörüsü . Dokuz Eylül Üniversitesi İktisadi İdari Bilimler Fakültesi Dergisi, 27 (1) , 85-95.
• Ünüvar, İ., & Alemdar, H. (2023). 2001-2020 yılları arasında enflasyon ve ekonomik büyüme ilişkisinin genel bir yorumu. Sosyal Beşeri Ve İdari Bilimler Alanında Uluslararası Araştırmalar XII, 39.
• Yolcu, U., Baş, E. ve Eğrioğlu, E. (2018). A new fuzzy inference system for time series forecasting and obtaining the probabilistic forecasts via subsampling block bootstrap. Journal of Intelligent & Fuzzy Systems, 35(1), 1-10.
• Zengin, B. (2023). Finansal gelişmenin ekonomik büyümeye etkisi: Türkiye ekonomisinin toda-yamamoto yaklaşımıyla analizi. İşletme Araştırmaları Dergisi, 15(3), 2331-2346.