Türkiye’nin İthalat ve İhracatının Veri Madenciliği Yöntemleriyle Tahmini

Öz

Ekonomik süreçlerin hızla değiştiği günümüz dünyasında dış ticaret her geçen gün daha da önemli hale gelmekte olup ülkeler ekonomik kalkınma açısından ihracatı önemli bir araç olarak görmektedirler. İhracata yönelik çabalar ülkelerin politika yapıcıları açısından dikkatle izlenmektedir. Yine ülkelerin vaz geçemediği eylemlerden bir tanesi de ithalattır. Ülkeler açısından hem ithalat hem de ihracat verilerinin tahmin edilebilmesi yöneticilere avantaj sağlayacaktır. Çalışmada Türkiye’nin ithalat ve ihracat verileri tahmin edilmiştir. Tahmin için Türkiye’nin 1969-2022 yılları arasındaki verileri kullanılmıştır. Tahmin çalışmasında; Lineer Regresyon, MLPRegressor, Gaus Süreç Regresyon, RBF Regressor ve Destek Vektör Regresyon yöntemleri kullanılmıştır. İhracat tahmininde test verilerine göre %8,6987 MAPE değeriyle SmoReg algoritması en iyi sonucu vermiştir. İthalat tahmininde %7,6685 MAPE değeriyle yine SmoReg algoritması en düşük sonucu vermiştir. Çalışma MAPE kriterine göre Türkiye’nin ithalat verilerinin ihracat verilerine göre daha düşük hata oranıyla tahmin edilebildiğini göstermektedir.

Anahtar Kelimeler

• İthalat
• ihracat
• Veri madenciliği
• Weka

Forecast of Turkey's Import and Export by Data Mining Methods

Abstract

In today's world, where economic processes are changing rapidly, foreign trade is gaining importance day by day. Countries consider exports as an important tool for economic development. Export efforts are carefully monitored by the countries' policy makers. One of the measures that countries cannot do without is imports. Estimating import and export data for countries is useful for managers. In this study, Turkey's import and export data were estimated. Data for the years 1969-2022 in Turkey were used for the estimation. Linear regression, MLPRegressor, Gaussian Process Regression, RBF Regressor and Support Vector Regression methods were used for estimation. The SmoReg algorithm provided the lowest result with a MAPE value of 8.69% for the export estimate. The MLPRegressor algorithm provided the lowest result with a MAPE value of 13.19% for the imports estimate. The study shows that according to the MAPE criterion, Turkey's import data can be estimated with a lower error rate than export data.

Keywords

• Imports
• Exports
• Data Mining

Kaynakça

1. Abuzir S., Abuzir Y. Data mining for CO2 emissions prediction In Italy. Mühendislik Bilimleri ve Araştırmaları Dergisi 2021; 3(1): 59-68.
2. Acı M., Ayyıldız Doğansoy G. Makine öğrenmesi ve derin öğrenme yöntemleri kullanılarak e-perakende sektörüne yönelik talep tahmini. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi 2022; 37(3): 1325-1340.
3. Akgün K., Bulut Özek M. Eğitsel veri madenciliği yöntemi ile ilgili yapılmış çalışmaların incelenmesi: İçerik analizi. Uluslararası Eğitim Bilim ve Teknoloji Dergisi 2020; 6(3):197-213.
4. Akgün Z. Veri madenciliği ile yazılım hata tespiti. El-Cezeri 2016; 3(2). DOI: 10.31202/ecjse.264197
5. Aksu G., Doğan N. Veri madenciliğinde kullanılan güncel bir analiz programı: WEKA. Journal of Measurement and Evaluation in Education and Psychology 2019; 10(1): 80-95.
6. Alaeddinoğlu M., Aydın T., Dal D. Birliktelik kuralları ile mekânsal-zamansal veri madenciliği. Erzincan University Journal of Science and Technology 2014; 5(2): 191-212.
7. Albayrak YS., Yılmaz ÖK. Veri madenciliği: Karar ağacı algoritmaları ve İMKB verileri üzerine bir uygulama. Süleyman Demirel Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi 2009; 14(1): 31-52.
8. Artsın M. Veri madenciliği ve bilgi keşfi (Kitap özeti). Açıköğretim Uygulamaları ve Araştırmaları Dergisi 2019; 5(3): 174-180

9. Aslan N., Terzi N. Gelişmiş ve gelişen ülkelerde uluslararası ticaret- ücret ilişkisi ve Türkiye uygulaması. Öneri Dergisi 2007; 7(27): 217-233.
10. Atsalakis G., Frantzis D., Zopounidis C. Energy’s exports forecasting by a neuro-fuzzy controller. Energy Syst 2015; 6: 249–267.
11. Ayanoğlu CC., Kurt M. Metal Sektöründe veri madenciliği yöntemleri ile bir iş kazası tahmin modeli önerisi. Ergonomi 2019; 2(2): 78-87.
12. Aydemir E. Ders geçme notlarının veri madenciliği yöntemleriyle tahmin edilmesi. Avrupa Bilim ve Teknoloji Dergisi 2019; 15: 70-76.
13. Aydemir E., Kaysi F., Yavuz M. İlaç satış verileri kullanılarak ağaç algoritmaları ile elde edilen gelirin tahmin edilmesi. Computer Science 2020; 5(1): 14-21.
14. Basak D., Pal S., Patranabis D. Support vector regression, neural ınformation processing – Letters and Reviews 2007; 11(10): 203-224.
15. Bayat M. Uluslararası ticarette rekabet gücü elde etmede küçük ve orta boy işletmelerin rolü ve önemi/ Mustafa Kemal Üniversitesi Sosyal Bilimler Enstitüsü Dergisi 2013; 8(16): 567-575.
16. Boonyakunakorn P., Pastpipatkul P., Sriboonchitta S. Forecasting Thailand’s Exports to ASEAN with non-linear models. In: Kreinovich, V., Sriboonchitta, S., Chakpitak, N. (eds) Predictive Econometrics and Big Data. TES 2018. Studies in Computational Intelligence 2018;753. doi.org/10.1007/978-3-319-70942-0_24.
17. Cortes C., Vapnik V. Support vector networks. Machine Learning 1995; 20(3): 273–297.
18. Dave E., Leonardo A., Jeanice M. Forecasting Indonesia exports using a hybrid model ARIMA-LSTM. 5th International Conference on Computer Science and Computational Intelligence (ICCSCI), 2021;179: 480-487.
19. David JCM. Introduction to gaussian processes. Dept. Of Physics, Cambridge University 1998. www.inference.org.uk/mackay/gpB.pdf.
20. Demirci E., Karaatlı M. Ülkelerin gelişmişlik seviyelerinin tahmininde kullanılan sınıflandırma algoritmalarının karşılaştırılması. Süleyman Demirel Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi 2019; 24(3): 703-714.
21. Durmuşoğlu A. Veri madenciliği çalışmaları üzerine bir analiz: Türkiye adresli yayınlar. Elektronik Sosyal Bilimler Dergisi 2017; 16(62): 1034-1047.
22. Eckert F., Hyndman RJ., Panagiotelis A. Forecasting swiss exports using bayesian forecast reconciliation. European Journal of Operational Research 2021; 291(2): 693-710. 10.1016/j.ejor.2020.09.046.
23. Eibe Frank Mark AH., Ian HW. The WEKA workbench. Online Appendix for "Data Mining: Practical Machine Learning Tools and Techniques". Morgan Kaufmann, 2016.
24. Emeksiz C., Doğan Z., Gökrem L., Yavuz AH. Tokat Bölgesi rüzgâr karakteristiğinin istatistiksel yöntemler ile incelenmesi. Politeknik Dergisi 2016; 19(4): 481-489.
25. Emre İE., Selçukcan Erol Ç. Veri analizinde istatistik mi veri madenciliği mi? Bilişim Teknolojileri Dergisi 2017; 10(2): 161-167.
26. Garcia Rodriguez MJ., Rodriguez Montequin V., Aranguren Ubierna A., Santana Hermida R., Sierra Araujo B., Zelaia Jauregi A. Award price estimator for public procurement auctions using machine learning algorithms: Case study with tenders from Spain, Studies in Informatics and Control 2021; 30(4): 67-76.
27. GaussianProcesses. GaussianProcesses weka.classifiers.functions fonksiyonu. (Erişim tarihi: https://pentaho-community.atlassian.net/wiki/spaces/DATAMINING/pages/284461153 /GaussianProcesses), (Erişim tarihi: 30 Ağustos 2022).
28. George-Nektarios T. Weka classifiers summary. Athens University of Economics and Bussiness Intracom-Telecom, Athens. 2013.
29. Ghauri SP., Ahmed RR., Streimikiene D., Streimikis, J. Forecasting exports and ımports by using autoregressive (ar) with seasonal dummies and box-jenkins approaches: A case of Pakistan, Inzinerine Ekonomika-Engineering Economics 2020; 31(3): 291-301.
30. Gürsoy UT., Bilgin Ş. Banka müşterilerinin internet bankacılığına ilişkin yaklaşımlarının veri madenciliği teknikleri ile incelenmesi. Kafkas Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi 2017; 7(14): 421-442.
31. Han ZA., Zhu ZJ., Zhao SJY., Dai WH. Research on nonlinear forecast and influencing factors of foreign trade export based on support vector neural network, Neural Computing & Applications, 2022; 34(4): 2611-2622.
32. Irmak S., Köksal CD., Asilkan Ö. Hastanelerin gelecekteki hasta yoğunluklarının veri madenciliği yöntemleri ile tahmin edilmesi. Uluslararası Alanya İşletme Fakültesi Dergisi 2012; 4(1): 101-114.
33. Kılıç F., Akkaya MR., Memili N. Yemekhane için yapay zekâ teknikleri kullanımı ile günlük talep tahmini. Avrupa Bilim ve Teknoloji Dergisi 2018; 13: 65-71.
34. Kılıç S. Doğrusal regresyon analizi. Journal of Mood Disorders 2013; 3(2): 90-92.
35. Kitessa BD., Ayalew SM., Gebrie GS., Teferi ST. Long-term water-energy demand prediction using a regression model: a case study of Addis Ababa city. Journal of Water and Climate Change 2021; 12(6): 2555-2578.
36. Kriegel HP., Borgwardt KM., Kroger P., Pryakhin A., Schubert M., Zimek A. Future trends in data mining, Data Mining and Knowledge Discovery 2007; 15(1): 87-97.
37. Lehmann R. Forecasting exports across Europe: What are the superior survey indicators?. Empirical Economics 2020; 60(5): 2428-2459.
38. Lewis CD. Industrial and business forecasting methods. Butterworths Scientific. London;1982.
39. Linear Regression. Linear Regression weka.classifiers.functions fonksiyonu. (Erişim tarihi: https://pentaho-community.atlassian.net/wiki/spaces/DATAMINING/pages/284461164/ LinearRegression). (Erişim tarihi: 30 Ağustos 2022).
40. Liu Y. Foreign trade export forecast based on fuzzy neural network. Complexity. 2021. 10.1155/2021/5523222. Mendo L. Estimation of a probability with guaranteed normalized mean absolute error. IEEE Communıcations Letters 2009; 13(11): 817-819.
41. MLPRegressor. Weka sınıflandırma fonksiyonları (weka.classifiers.functions, Class MLPRegressor), https://weka.sourceforge.io/doc.packages/multiLayerPerceptrons/weka/classifiers/functions/MLPRegressor.html, (Erişim: 3.12.2022)
42. Multilayer Perceptron. Multilayer Perceptron weka.classifiers.functions , https://pentaho-community.atlassian.net/wiki/spaces/DATAMINING/pages/284461168/MultilayerPerceptron, (Erişim: 30.08.2022).
43. Myttenaere AD., Golden B., Grand BL., Rossi F., Mean absolute percentage error for regression models. Neurocomputing 2016; 92: 38-48.
44. Nagy G. Sector based linear regression, a new robust method for the multiple linear regression. Acta Cybernetica 2018; 23(4): 1017-1038.
45. Namlı E., Ünlü R., Gül E. Fiyat tahminlemesinde makine öğrenmesi teknikleri ve doğrusal regresyon yöntemlerinin kıyaslanması; Türkiye’de satılan ikinci el araç fiyatlarının tahminlenmesine yönelik bir vaka çalışması. Konya Mühendislik Bilimleri Dergisi 2019; 7(4): 806-821.
46. Narayan PK., Narayan S., Prasad BC. Forecasting Fiji's exports and imports, 2003-2020, International Journal of Social Economics 2008; 35(12): 1005.
47. Özarı Ç., Demirkale Ö. K-en yakın komşu algoritması ile dolar-TL ve Euro-TL kuru kullanarak borsa endeks tahmini. maliye ve finans yazıları 2022; 117: 41-62.
48. Özbay Ö. Veri madenciliği kavramı ve eğitimde veri madenciliği uygulamaları. Uluslararası Eğitim Bilimleri Dergisi 2015; 5: 262-272.
49. Özdemir A., Saylam R., Bilen BB. Eğitim sisteminde veri madenciliği uygulamaları ve farkındalık üzerine bir durum çalışması. Atatürk Üniversitesi Sosyal Bilimler Enstitüsü Dergisi 2018; 2159-2172.
50. Özel C., Topsakal A. Veri madenciliği kullanarak beton basınç dayanımının belirlenmesi. Cumhuriyet Üniversitesi Fen Edebiyat Fakültesi Fen Bilimleri Dergisi 2014; 35(1): 1-11.
51. Pereira F., Aires-de-Sousa J. Machine learning for the prediction of molecular dipole moments obtained by density functional theory. Journal of cheminformatics, 2018; 10(1): 1-11.
52. Platt JC. Fast training of support vector machines usingsequential minimal optimization. In Advances in Kernel Methods:Support Vector Machines, ed. B. Scholkopf, C. Burges, and A. Smola,Cambridge, MA: MIT Press;1998.
53. Purlu M., Turkay BE. Estimating the distributed generation unit sizing and ıts effects on the distribution system by using machine learning methods. Elektronika Ir Elektrotechnika 2021; 27(4): 24-32.
54. Rasmussen CE. Gaussian processes in machine learning. In: Bousquet, O., von Luxburg, U., Rätsch, G. (eds) Advanced Lectures on Machine Learning. ML 2003. Lecture Notes in Computer Science 2004;3176. doi.org/10.1007/978-3-540-28650-9_4.
55. Raza H., Manarvi I., Ahmed J., Khan K., Rehman K. A methodology of export sectors identification through data mining. International Conference on Computers & Industrial Engineering 2009: 1496-1499.
56. Savaş S., Topaloğlu N., Yılmaz M. Veri madenciliği ve Türkiye’deki uygulama örnekleri. İstanbul Ticaret Üniversitesi Fen Bilimleri Dergisi 2012; 11(21): 1-23.
57. Sebik NB., Bülbül, Hİ. Veri madenciliği modellerinin akciğer kanseri veri seti üzerinde başarılarının incelenmesi. TÜBAV Bilim Dergisi 2018; 11(3): 1-7.
58. Shevade SK., Keerthi SS., Bhattacharyya C., Murthy KRK. Improvements to the SMO Algorithm for SVM Regression. IEEE Transactions on Neural Networks 2000; 11(5): 1188-1193.
59. Smith S., Sincich T. Stability over time in the distribution of population forecast errors. Demography 1988; 25: 461–474.
60. Smola AJ., Scholkopf B. A tutorial on support vector regression, Statistics and Computing 2004; 14: 199–222.
61. SMOreg. SMOreg weka.classifiers.functions fonksiyonu. (Erişim tarihi: https://pentaho-community.atlassian.net/wiki/spaces/DATAMINING/pages/284461182/SMOreg), (Erişim tarihi: 30 Ağustos 2022).
62. Sohrabpour V., Oghazi P., Toorajipour R. Nazarpour A. Export sales forecasting using artificial intelligence. Technological Forecasting and Social Change 2021; 163. 10.1016/j.techfore.2020.120480.
63. Subaşı Ertekin M. Türkiye'de 1980 sonrasında döviz kuru politikaları ve dış ticaret. Afyon Kocatepe Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi 2001; 3(1): 183-198.
64. TUİK, Türkiye İstatistik Kurumu. https://data.tuik.gov.tr/Kategori/GetKategori?p=dis-ticaret-104, (Erişim: 29.08.2022).
65. Tütünsatar A. Zengezur koridorunun uluslararası ticaret politikası ve lojistik açıdan önemi. Türkiye Mesleki ve Sosyal Bilimler Dergisi 2022; 8: 66-74.
66. Urfalıoğlu M., Şahin S. Veri madenciliği ile özel öğrenme güçlüğünün tahmini. Türkiye Bilimsel Araştırmalar Dergisi 2022; 7(1): 115-122.
67. Urrutia JD., Abdul AM., Atienza JBE. Forecasting Philippines ımports and exports using bayesian artificial neural network and autoregressive ıntegrated moving average. 8th SEAMS-UGM International Conference on Mathematics and Its Applications, AIP Conference Proceedings, 2019;2192.
68. Uyar Erdem Z., Çalış B., Fırat SÜ. Customer Churn prediction analysis in a telecommunication company with machine learning algorithms. Endüstri Mühendisliği 2021; 32(3): 496-512.
69. Uzun R., İşler Y., Toksan M. WEKA yazılım paketinin siğil tedavi yöntemlerinin başarısının tahmininde kullanımı. Düzce Üniversitesi Bilim ve Teknoloji Dergisi 2019; 7(1): 699-708.
70. Wang L., Tan L., Yu C., Wu Z. Study and application of non-linear time series prediction in ground source heat pump system. 2nd International Conference on Consumer Electronics, Communications and Networks (CECNet) 2012:3522-3525. 10.1109/CECNet.2012.6201751.
71. Wang Y. Import and export trade forecasting algorithm based on blockchain security and PSO optimized hybrid RVM model, Security and Privacy 2022.
72. Weisberg S. Applied linear regression, Wiley. New Jersey;2005.
73. Willmott CJ., Matsuura K. Advantages of the mean absolute error (MAE) over the root mean square error (RMSE) in assessing average model performance, Climate Research 2005; 30(1): 79-82.
74. Witten IH., Frank E. Data mining practical machine learning tools and techniques. Morgan Kaufmann; 2005.
75. Witten IH., Frank E., Hall MA. Pal CJ. Data mining practical machine learning tools and techniques Morgan Kaufmann; 2017. ISBN: 978-0-12-804291-5.
76. Wong HL., Tu YH., Wang CC. Application of fuzzy time series models for forecasting the amount of Taiwan export, Expert Systems with Applications 2010; 37(2): 1465-1470.
77. Yu Y. GDP Economic forecasting model based on ımproved RBF neural network. Mathematical Problems in Engineering 2022. doi.org/10.1155/2022/7630268.
78. Yuan YL. Forecasting method for import and export trade on the basis of GMDH network model, Journal of Discrete Mathemamatical Sciences and Cryptography 2017; 20(4): 755-766. 10.1080/09720529.2017.1358859.
79. Yurduseven N., Müngen AA. Finansal zaman serilerini tahminlemede kullanılan yöntemlere genel bir bakış. Bilecik Şeyh Edebali Üniversitesi Fen Bilimleri Dergisi 2022; 9(1): 653-671.
80. Zhang DB., Zhu H., Zhang JG. Forecasting of customs export based on gray theory. 2nd International Conference on Business Intelligence and Financial Engineering Jul 24-26 Beijing China. 2009:630-633. 10.1109/BIFE.2009.148.