Türkiye’nin Bilgisayar, Elektronik ve Optik Ürünleri Dış Ticaretinin Makine Öğrenmesi İle Tahminlenmesi

Öz

Bu çalışmanın amacı, Türkiye'nin bilgisayar, elektronik ve optik ürünleri dış ticaretinin dinamiklerini anlamak ve makine öğrenmesi tekniklerini kullanarak bu ürünlerin dış ticaret verilerini tahmin etmektir. Çalışma, dış ticaret stratejilerinin geliştirilmesine katkıda bulunmayı ve Türkiye'nin uluslararası ticaret pazarındaki rekabet gücünü artırmak için veri odaklı karar verme süreçlerinin önemine vurgu yapmayı hedeflemektedir. Çalışma kapsamında öncelikle veri setindeki anomali gözlemler İzolasyon Ormanı (Isolation Forest) yöntemi ile tespit edilmiştir. Daha sonra Minimum Redundancy Maximum Relevance (MRMR) ve Recursive Feature Elimination (RFE) yöntemleri kullanılarak en etkili değişkenler belirlenmiştir. Kümeleme aşamasında, veri setindeki örüntüleri belirlemek amacıyla K-Ortalamalar (K-Means) ve CLARANS algoritmaları kullanılmıştır. Son olarak, tahminleme modelleri olarak XGBoost, LightGBM ve Rastgele Orman Regresörü (Random Forest Regressor) uygulanarak dış ticaret verilerinin gelecekteki eğilimleri öngörülmüştür. Bu yöntemlerden üç farklı model oluşturulmuştur. İlk modelde, Isolation Forest algoritması ile anomali tespiti yapılmış, ardından özellik seçimi için MRMR ve RFE yöntemleri kullanılmış ve sonuç olarak Random Forest Regressor, XGBoost ve LightGBM regresyon modelleri uygulanmıştır. İkinci modelde, yine özellik seçimi yapılmış, sonrasında CLARANS ve K-means kümeleme algoritmaları uygulanmış ve ardından regresyon analizi gerçekleştirilmiştir. Üçüncü modelde ise, anomali tespiti için Isolation Forest kullanılmış, özellik seçimi yapılmış, kümeleme algoritmaları uygulanmış ve regresyon modelleri ile sonuçlar değerlendirilmiştir. Elde edilen sonuçlar karşılaştırılarak, dış ticaret verileri üzerinde makine öğrenmesinin etkinliği ortaya konulmuştur Kullanılan metriklere göre en iyi sonuç model 2 (Clarans+MRMR+Random Forest) modeli ile R²=0,8322 olacak şekilde elde edilmiştir.

Anahtar Kelimeler

• Dış ticaret
• Makine öğrenmesi
• Regresyon

Prediction of Turkey's Foreign Trade of Computer, Electronic and Optical Products with Machine Learning

Öz

The objective of this study is to understand the dynamics of Türkiye's foreign trade in computer, electronic, and optical products and to predict the trade data of these products using machine learning techniques. The study aims to contribute to the development of foreign trade strategies and emphasizes the importance of data-driven decision-making processes to enhance Türkiye's competitiveness in the international trade market. In this study, anomalous observations in the dataset were first identified using the Isolation Forest method. Subsequently, the most effective variables were determined using the Minimum Redundancy Maximum Relevance (MRMR) and Recursive Feature Elimination (RFE) methods. In the clustering phase, K-Means and CLARANS algorithms were employed to identify patterns within the dataset. Finally, prediction models, including XGBoost, LightGBM, and Random Forest Regressor, were applied to forecast future trends in foreign trade data. Three different models were developed using these methods. In the first model, anomaly detection was performed using the Isolation Forest algorithm, followed by feature selection using MRMR and RFE, and subsequently, Random Forest Regressor, XGBoost, and LightGBM regression models were applied. In the second model, feature selection was again conducted, followed by the application of CLARANS and K-Means clustering algorithms, and regression analysis was performed. In the third model, the Isolation Forest was used for anomaly detection, feature selection was conducted, clustering algorithms were applied, and results were evaluated using regression models. The results obtained were compared to demonstrate the effectiveness of machine learning on foreign trade data. According to the metrics used, the best result was achieved with Model 2 (CLARANS + MRMR + Random Forest) with an R² value of 0.8322.

Anahtar Kelimeler

• Foreign trade
• Machine learning
• Regression

Kaynakça

1. Abar H. 2020. Xgboost ve Mars yöntemleriyle altın fiyatlarının kestirimi. Ekev Akad Derg, 2020(83): 427-446.
2. Ahmad G N, Fatima H, Ullah S, Saidi A S. 2022. Efficient medical diagnosis of human heart diseases using machine learning techniques with and without GridSearchCV. IEEE Access, 10: 80151-80173.
3. Akşehir Z D, Kılıç E. 2019. Makine öğrenmesi teknikleri ile banka hisse senetlerinin fiyat tahmini. Türkiye Bilisim Vakfı Bilgisayar Bilim Müh Derg, 12(2):30-39.
4. Aktan E. 2018. Büyük veri: Uygulama alanları, analitiği ve güvenlik boyutu. Bilgi Yönetimi, 1(1): 1-22.
5. Anderson J E. 2011. The gravity model. Annu Rev Econ, 3(1):133-160.
6. Ay A, Soydal H, Ay M. 2024. Çekim modeli çerçevesinde ticaret tahmininde makine öğrenmesi yöntemlerinin performans karşılaştırması: Türkiye ve Türk Cumhuriyetleri örneği. Yönetim Ekon Derg, 31(3): 439-459.
7. Aytekin İ. 2013. Küreselleşme ve ekonomik küreselleşme. Bitlis Eren Üniv Sos Bilim Derg, 1(2): 123-134.
8. Baxter G, Srisaeng P. 2018. The use of an artificial neural network to predict Australia’s export air cargo demand. Int J Traffic Transp Eng, 8(1): 15-30.

9. Bayrak T. 2020. A machine-learning-based model for forecasting medical device foreign trade. Eskisehir Tech Univ J Sci Technol A-Appl Sci Eng, 21(4): 477-485.
10. Carmona P, Climent F, Momparler A. 2019. Predicting failure in the US banking sector: An extreme gradient boosting approach. Int Rev Econ Finance, 61: 304-323.
11. Chan E M, Ho D C, Tsang C W. 2021. Estimating United States-Asia Clothing Trade: Multiple Regression vs. Artificial Neural Networks. J Asian Finance Econ Bus, 8(7): 403-411.
12. Circlaeys S, Kanitkar C, Kumazawa D. 2017. Bilateral trade flow prediction. Unpublished manuscript. Available at: http://cs229.stanford.edu/proj2017/final-reports/5240224.pdf (accessed date: September 28, 2024).
13. Da M. 2014. Outlier detection for temporal data. Berlin, Germany, pp: 45-65.
14. Demiralay M, Çamurcu A Y. 2005. Cure, agnes ve k-means algoritmalarındaki kümeleme yeteneklerinin karşılaştırılması. İstanbul Tic Univ Fen Bilim Derg, 4(8): 1-18.
15. Ding C, Peng H. 2005. Minimum redundancy feature selection from microarray gene expression data. J Bioinform Comput Biol, 3(2): 185-205.
16. Dumor K, Yao L. 2019. Estimating China’s trade with its partner countries within the Belt and Road Initiative using neural network analysis. Sustainability, 11(5): 1449.
17. Elgeldawi E, Sayed A, Galal A R, Zaki A M. 2021. Hyperparameter tuning for machine learning algorithms used for Arabic sentiment analysis. Informatics, 8(4): 79.
18. Emanet S, Baydoğmuş G K, Demir Ö. 2021. Öznitelik seçme yöntemlerinin makine öğrenmesi tabanlı saldırı tespit sistemi performansına etkileri. Dicle Univ Müh Fak Müh Derg, 12(5): 743-755.
19. Eşidir K A. 2025. Türkiye’nin kimyasal madde ithalatının gelecek tahmini: Makine öğrenmesi ve topluluk öğrenme yöntemleri performans analizi. Fırat Univ J Soc Sci, 35(1): 261-278.
20. Filimonova M, Kislyakov A, Tikhonyuk N. 2021. Structural and dynamic modelling of the regions’ foreign trade profile based on graph cluster analysis. Strategica: Shaping the Future of Business and Economy, Bucharest, Romania, pp: 34-49.
21. Gopinath M, et al. 2021. International agricultural trade forecasting using machine learning. Data Policy, 3:e1.
22. Gökalp Ö M. 2022. Makine öğrenmesi. Gazi Univ, Gazi Bilisim Enstitüsü, Adli Bilisim Bölümü, Ankara, Türkiye, pp: 1-14.
23. Gupta V, Kumar E. 2022. Evaluation of machine learning models for predicting exports of India, Proc 7th Int Conf Comput Eng Technol (ICCET), Goa, February 2022, India. IET, pp: 47-52.
24. Gür Y E, Eşidir K A. 2024. Türkiye hurda demir çelik ithalatının gelecek değerlerinin derin öğrenme, makine öğrenmesi ve topluluk öğrenme yöntemleri ile öngörülmesi. Alanya Akad Bakış, 8(3): 885-908.
25. Huang R, et al. 2020. Forecasting trade potential between China and the five Central Asian countries: under the background of Belt and Road Initiative. Comput Econ, 55: 1233-1247.
26. Jia H, Adland R, Wang Y. 2019. Latin American oil export destination choice: A machine learning approach, Proc IEEE Int Conf Ind Eng Eng Manag (IEEM), Macao, December 2019, pp: 345-348.
27. Jošić H, Žmuk B. 2022. A machine learning approach to forecast international trade: The case of Croatia. Bus Syst Res, 13(3): 144-160.
28. Ke G, et al. 2017. LightGBM: A highly efficient gradient boosting decision tree. Adv Neural Inf Process Syst, 30: 3146-3154.
29. Micocci F, Rungi A. 2023. Predicting exporters with machine learning. World Trade Rev, 22(5): 584-607.
30. Ng R T, Han J. 2002. CLARANS: A method for clustering objects for spatial data mining. IEEE Trans Knowl Data Eng, 14(5): 1003-1016.
31. Nummelin T, Hänninen R. 2016. Model for international trade of sawnwood using machine learning models. Helsinki, Finland, pp: 154-168.
32. Nuroğlu E. 2014. Estimating and forecasting trade flows by panel data analysis and neural networks. İstanbul Univ İktisat Fak Mec, 64(1): 85-111.
33. Reçus L, Tinbergen J. 1962. Shaping the world economy. Suggestions for an international economic policy. The Twentieth Century Fund, New York, XVIII+330 p., $2.25. Rech Econ Louvain, 30(2): 157.
34. Shen M L, Lee C F, Liu H H, Chang P Y, Yang C H. 2021. Effective multinational trade forecasting using LSTM recurrent neural network. Expert Syst Appl, 182: 115199.
35. Soydal H, Ay M, Koç S. 2024. Makine öğrenimi ile ticaretin öngörülmesi: Türkiye ve Balkan ülkeleri üzerine çekim modeli analizi. Selçuk Univ Sos Bil Meslek Yüksekokulu Derg, 27(2): 746-765.
36. Torkul O, Gülseçen S, Uyaroğlu Y, Çağıl G, Uçar M K. 2017. Mühendislikte yapay zeka ve uygulamaları. Ankara, Türkiye, pp: 156-158.
37. Yağmur E Ç. 2022. Atmosferik partikül maddelerin makine öğrenmesi ile tahmini: Beşiktaş, İstanbul örneği. Konya J Eng Sci, 10(4): 807-826.