TÜRKİYE’NİN GSYH DEĞERLERİNİN YAPAY SİNİR AĞLARI İLE TAHMİNİ ÜZERİNE BİR İNCELEME

Öz

Makroekonominin en önemli konularından birisi milli gelir analizleri ve bu analizlerin yorumlanmasıdır. Bu analizlerin iyi yorumlanması ekonomilerin gidişatı hakkında fikir sahibi olmamızı sağlar. Milli gelirin en önemli araçlarından biri olan Gayrisafi Yurtiçi Hasıla (GSYH) kavramı ülkelerin ekonomisi hakkında genel bir görünüm vermektedir. GSYH ülkelerin ekonomik büyüme ve ekonomik kalkınma düzeyleri hakkında bilgi sahibi olmamızı sağlayan bir ölçüttür. Bu değerler ülke içindeki yerli ve yabancı vatandaşlar tarafından üretilen tüm mal ve hizmetleri kapsadığı için önem arz etmektedir. Gelişmekte olan Türkiye ekonomisi için de bu hasıla değerlerinin yüksek olması ekonomisinin gelişmesine katkıda bulunacaktır. Bu çalışmanın amacı Türkiye’nin GSYH değerlerini tahmin etmektir. Teknolojinin ivme kazanması ile son zamanlarda önemi daha çok artan yapay sinir ağı teknolojileri sayesinde birçok öngörü modellemesi yapılabilmektedir. Öngörü modellemesi ekonomik etkinlik ve milli gelir düzeyinin ölçülmesinde de kullanılabilmektedir. Bu bağlamda bu çalışmada GSYH’ ye etki edebilecek değişkenler seçilerek GSYH değerlerinin öngörülmesi amaçlanmıştır. Veriler 1998-2017 yıllarını kapsamaktadır. Bu çalışmada literatürde yer alan çalışmalar da göz önünde bulundurularak GSYH’ yi etkileyebileceği düşünülen hanehalkı tüketim harcaması-devlet nihai tüketim harcaması, ithalat-ihracat, sabit sermaye yatırımı-toplam yurtiçi tasarruf, brüt dış borç stoku-sanayi-üretim ve döviz alış-döviz satış kurları bağımsız değişken olarak belirlenmiştir. Modelin bağımlı değişkeni ise GSYH’ dir. Yapay sinir ağları (YSA) modellerinin geliştirilmesinde MATLAB R2013a programından faydalanılmıştır. 240 tane yıllık verinin %70’lik bölümü eğitim, %15’lik bölümü geçerlilik, kalan %15’lik bölümü ise test için rastgele ayrılmıştır. Öğrenme algoritması olarak Levenberg-Marquardt algoritması seçilmiştir. 2 ile 5 arasında gizli katman sayısı denenerek oluşturulan modelde en iyi sonuca gizli katman sayısı 5 olarak seçildiğinde ulaşılmıştır. 5 gizli katmanda R2=0,996140651, RMSE=19444911,6, MAE=15845918,2 ve MAPE=32,29791086 değerleri elde edilerek kurulan modelin kabul edilebilir olduğu sonucuna ulaşılmıştır. Ayrıca istatistiksel olarak gizli katman sayısı arttıkça modelin daha iyi sonuç verdiği görülmüştür. GSYH’ nin gerçek değerleri ile tahmin değerleri birbirine çok yakın çıkmıştır. Buradan Yapay Sinir Ağının tahmin gücünün yüksek olduğu tespit edilmiştir.

Anahtar Kelimeler

• Yapay Sinir Ağı,GSYH,Milli Gelir,Tahmin

A STUDY ON THE PREDICTION OF NEURAL NETWORK VALUE OF TURKEY'S GDP

Abstract

One of the most important issues of macroeconomics is national income analysis and interpretation of these analyzes. The concept of Gross Domestic Product (GDP), which is one of the most important tools of national income, gives an overview of the economy of countries. GDP is a criterion that enables us to have information about countries' economic growth and economic development levels. These values are important as they cover all goods and services produced by local and foreign citizens in the country. The high value for the output of these emerging economies will contribute to the development of Turkey's economy. This study aimed to estimate the value of Turkey's GDP. With the acceleration of technology, many predictive modeling can be done thanks to artificial neural network technologies, which have become more important recently. Forecasting modeling can also be used to measure economic efficiency and national income level. In this context, in this study, it is aimed to predict GDP values by selecting variables that may affect GDP. The data covers 1998-2017. In this study, considering the studies in the literature, household consumption expenditure-state final consumption expenditure, import-export, fixed capital investment-total domestic savings, gross foreign debt stock-industry-production, and foreign exchange buying foreign exchange sales exchange rates are determined as independent variables. The dependent variable of the model is the GDP. MATLAB R2013a program was used in the development of artificial neural network (ANN) models. 70% of 240 annual data is reserved for education, 15% for validity, and the remaining 15% for testing. The Levenberg-Marquardt algorithm was chosen as the learning algorithm. In the model created by trying the number of hidden layers between 2 and 5, the best result was achieved when the number of hidden layers was selected as 5. It was concluded that the model established was acceptable by obtaining R2 = 0,996140651, RMSE = 19444911,6, MAE = 15845918,2 and MAPE = 32,29791086 in 5 hidden layers. Besides, it was seen that the model gave better results as the number of hidden layers increased statistically. Real values of GDP and estimation values are very close to each other. It has been determined that the Artificial Neural Network has high predictive power.

Keywords

• Artificial Neural Network,GDP,National Income

References

1. Aiken, M. (2000), Forecasting the United States Gross Domestic Product with a Neural Network, Journal of International Information Management, 9(1), 67-75.
2. Amınıan, F., Suarez, D., Amınıan, M. and Walz, D. T. (2006), Forecasting Economic Data with Neural Networks, Computational Economics, 28, 71-88.
3. Aşkın, D., İskender, İ. ve Mamızadeh, A. (2011), Farklı Yapay Sinir Ağları Yöntemlerini Kullanarak Kuru Tip Transformatör Sargısının Termal Analizi, Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, 26(4), 905-913.
4. Chamzını-Yazdani, A., Yakhchali, S. H., Volungevıčıenė, D. and Zavadskas, E. K. (2012), Forecasting Gold Price Changes by Using Adaptive Network Fuzzy Inference System. Journal of Business Economics and Management, 13(5), 994-1010.
5. Chuku, C., Oduor, J. and Simpasa, A. (2017), Intelligent Forecasting of Economic Growth for African Economies: Artificial Neural Networks Versus Time Series and Structural Econometric Models, Washington Research Program on Forecasting, 1-28.
6. Düzgün, R. (2008), A Comparison of Artificial Neural Networks and ARIMA Models Success in GDP Forecast, Marmara Üniversitesi İ İ. B. F. Dergisi, XXV(2), 165-176.
7. http://databank.worldbank.org, Erişim Tarihi: 29.09.2018.
8. https://evds2.tcmb.gov.tr/, Erişim Tarihi: 27.09.2018.

9. http://tuik.gov.tr/UstMenu.do?metod=temelist, Erişim Tarihi: 10.01.2019.
10. http://tuik.gov.tr/PreHaberBultenleri.do?id=27840, Erişim Tarihi:17.01.2019.
11. http://www.tuik.gov.tr, Erişim Tarihi:25.09.2018.
12. Islam, R. (2013), Predicting Recessions: Forecasting US GDP Growth Through Supervised Learning, Department of Electrical Engineering, Stanford University.
13. Jahn, M. (2018), Artificial Neural Network Regression Models: Predicting GDP Growth, Hamburg İnstitute of İnternational Economics, 185, 1-15.
14. Junoh, M. Z. H. M. (2004), Predicting GDP Growth in Malaysia Using Knowledge – Based Economy Indicators: A Comparison Between Neural Network and Econometric Approach, Sunway College Journal, 1, 39- 50.
15. Kaplan, M. ve Tekeli, R. (2008), Ekonomide Bekleyişler ve Tahmin: Yapay Sinir Ağları Uygulamaları, Tablet Yayınları, Konya.
16. Lewıs, C. D. (1982), Industrial and Business Forecasting Methods, Butterworths Publishing, London.
17. Liliana, S. T., and Napitupulu, T. A. (2010), Artificial Neural Network Application in Gross Domestic Product Forecasting an Indonesia Case, Second International Conference on Advances in Computing, Control and Telecommunication Technologies, Indonesia.
18. Maliki, O. S., Emmanuel, I. and Obinwanne, E. E. (2014), Neural Network Applications in the Forecasting of GDP of Nigeria as a Function of Key Stock Market İndicators, Advances in Applied Science Research, 5(3), 204-212.
19. Pasarica, A. E., and Popescu, M. (2015), Prediction of the GDP of Romania Using Neural Networks, İnterdisciplinary Approaches Between Traditional and Modern Methods Nord 1 International Conference, Romania.
20. Söyler, H. ve Kızılkaya, O. (2015), Türkiye’nin GSYİH Tahmini İçin Yapay Sinir Ağları Model Performanslarının Karşılaştırılması, C.Ü. İktisadi ve İdari Bilimler Dergisi, 16(1), 45-58.
21. Tkacz, G. and Hu, S. (1999), Forecasting GDP Growth Using Artificial Neural Networks, Department of Monetary and Financial Analysis Bank of Canada, 1-24.
22. Vrbka, J. (2016), Predicting Future GDP Development by Means of Artificial Intelligence, Littera Scripta, 9(3), 154-167.
23. Wang, Y.M. and Elhag, T. M. S. (2007), A Comparison of Neural Network, Evidential Reasoning and Multiple Regression Analysis in Modelling Bridge Risks, Expert Systems with Applications, 32, 336-348.