COVID-19 Pandemisi Sonrası Ülkelerin Yaşam Kalitesi İndeksi Değer Sıralamalarının Yapay Sinir Ağları ile Tahmini

Yıl 2024, , 689 - 698, 27.03.2024

Ali Uçucu , Başak Gök , Hadi Gökçen

https://doi.org/10.2339/politeknik.1113718

Cited By: 1

Öz

Ülkelerin yaşam kalitelerini etkileyen bazı indeksler bulunmaktadır. Ekonomik krizler, pandemiler, doğa olayları vb. koşullar bu indeksleri etkilemektedir. COVID-19 pandemisi de tüm bu indeksleri doğrudan etkilemiştir. Bu çalışmada COVID-19 pandemisinin ülkelerin yaşam kalitesine ne kadar etki ettiği araştırılmıştır. Bu kapsamda 2012 ile 2019 yılları arasında toplam altı indeksten oluşan Avrupa kıtasında bulunan 29 ülkenin verileri ile 29 ayrı Yapay Sinir Ağı (YSA) eğitilmiştir. 2020 yılı için ülkelerin yaşam kalitesi indeksleri tahmin edilmiş ve 2020 yılında gerçekleşen yaşam kalitesi indeksleri ile karşılaştırılmıştır. Çalışma R, R2, RMSE ve MAPE performans kriterlerine göre "çok iyi, iyi, geçerli ve geçersiz" aralığında değerlendirilmiş ve “çok iyi” sonuçlar vermiştir. Çalışma sonucunda pandemi sonrası yaşam kalitesi en fazla azalan ülkenin Almanya olduğu, en fazla yükselen ülkenin ise Bulgaristan olduğu görülmüştür. Türkiye ve İspanya’ya ait yaşam kalitesi indekslerinin değişimleri ise neredeyse sıfır olduğu görülmüştür. Sonuçlar doğrultusunda değerlendirmeler yapılmış ve öneriler sunulmuştur.

Anahtar Kelimeler

yapay sinir ağları, yaşam kalitesi, tahminleme, COVID-19 salgını, COVID-19 pandemic

Prediction of Life Quality Index Value Rankings of Countries After the COVID-19 Pandemic by Artificial Neural Networks

Öz

There are some indexes that affect the quality of life of countries. Economic crises, pandemics, natural events, etc. affect these indexes. The COVID-19 pandemic also had a direct impact on all these indexes. In this study, the impact of the COVID-19 pandemic on the quality of life of countries was investigated. In this context, 29 different artificial neural networks were trained between 2012 and 2019 with the data of 29 countries in the European continent, consisting of a total of six indexes. The countries' quality of life indexes for 2020 were predicted and compared with the quality of life indexes realized in 2020. The study was evaluated according to the performance criteria R, R2, RMSE and MAPE in the range "very good, good, valid and invalid" and showed “very good” results. In this study, it was found that the country with the highest decrease in quality of life after the pandemic was Germany and the country with the highest increase was Bulgaria. In Turkey and Spain, the change in quality of life indexes was close to zero. In accordance with the results, evaluations were made and suggestions were made.

Anahtar Kelimeler

artificial neural networks, quality of life, prediction, COVID-19 pandemic

Kaynakça

• [1] Türkmen, M., Özsarı, A., “Covid-19 Salgını ve Spor Sektörüne Etkileri”. International Journal of Sport Culture and Science, 8(2): 55-67, (2020).
• [2] Atay, L., “Covid-19 Salgını ve Turizme Etkileri”, Seyahat ve Otel İşletmeciliği Dergisi, 17(1): 168-172, (2020).
• [3] İbiş, S., “Covid-19 Salgınının Seyahat Acentaları Üzerine Etkisi”, Safran Kültür ve Turizm Araştırmaları Dergisi, 3(1): 85-98, (2020).
• [4] Kahraman, M. E., “Covid-19 Salgınının Kültür ve Sanat Organizasyonlarına Etkisi”, Yıldız Journal of Art and Design, 7(1): 84-99, (2020).
• [5] Ay, İ. C., “COVID-19 Pandemisinin Türkiye’nin İhracatı Üzerine Etkileri İçin Bir Analiz”, JOEEP: Journal of Emerging Economies and Policy, 6(1): 272-283, (2021).
• [6] Yavuz, E., “COVID-19 aşıları”. Türkiye Aile Hekimliği Dergisi, 24(4): 223-234, (2020).
• [7] Lieberoth, A., Lin, S. Y., Stöckli, S., Han, H., Kowal, M., Gelpi, R., Dubrov, D., “Stress and Worry in the 2020 Coronavirus Pandemic: Relationships to Trust and Compliance with Preventive Measures Across 48 Countries in the COVIDiSTRESS Global Survey”, Royal Society Open Science, 8(2), (2021).
• [8] Bittmann, F., “How trust makes a difference: The impact of the first wave of the COVID-19 pandemic on life satisfaction in Germany”, Applied research in quality of life, 17(3): 1389-1405, (2020).
• [9] Jena, P. R., Majhi, R., Kalli, R., Managi, S., & Majhi, B., “Impact of COVID-19 on GDP of major economies: Application of the artificial neural network forecaster.” Economic Analysis and Policy, 69: 324-339, (2021).
• [10] Demir, Z. “Alüminyum Boyasının Parlaklık ve Kaplama Değerlerini Yapay Sinir Ağları ve Çoklu Regresyon Yöntemleri ile Tahmini”, Yayımlanmamış Yüksek Lisans Tezi, Sakarya Üniversitesi Fen Bilimleri Enstitüsü, Sakarya, (2019).
• [11] Lin, Y. L., Yen, M. F., Yu, L. C., “Grid-based crime prediction using geographical features”, ISPRS International Journal of Geo-Information, 7(8): 298, (2018).
• [12] Ser, G., Bati, C. T., “Derin sinir ağları ile en iyi modelin belirlenmesi: mantar verileri üzerine keras uygulaması”, Yüzüncü Yıl Üniversitesi Tarım Bilimleri Dergisi, 29(3): 406-417, (2019).
• [13] Tektaş, A., Karataş, A, “Yapay Sinir Ağları ve Finans Alanında Uygulanması: Hisse Senedi Fiyat Tahminlemesi”, Iktisadi ve Idari Bilimler Dergisi, 18(3-4): 337-348, (2004).
• [14] Sönmez, O., Zengin, K., “Yiyecek ve İçecek İşletmelerinde Talep Tahmini: Yapay Sinir Ağları ve Regresyon Yöntemleriyle Bir Karşılaştırma”, Avrupa Bilim ve Teknoloji Dergisi, Özel Sayı: 302-308, (2019).
• [15] Sinecen, M., Kaya, B., Yıldız, Ö., “Aydın İlinde İnsan Sağlığını Birincil Dereceden Etkileyen Hava Değişkenlerine Yönelik Yapay Sinir Ağı Tabanlı Erken Uyarı Modeli”, Gazi Üniversitesi Fen Bilimleri Dergisi Part C: Tasarım ve Teknoloji, 5:4: 121-131, (2017).
• [16] Erdoğan, E., Özyürek, H, “Yapay Sinir Ağları ile Fiyat Tahminlemesi”, Sosyal ve Beşeri Bilimler Dergisi, 4 (1): 85-92, (2012).
• [17] Şentürk, A., Şentürk, Z., “Yapay Sinir Ağları ile Göğüs Kanseri Tahmini”. El-Cezeri Journal of Science and Engineering, 3(2): 345-350, (2016).
• [18] Küçükoğul, S., Türkoğlu, H., “Kırsal Yerleşmelerde Yaşam Kalitesinin Ölçülmesi İçin Bir Yöntem Önerisi: Bursa köylerinden örnekler”, Planlama, 31(1): 47-62, (2021).
• [19] Heritage, http://www.heritage.com, (Erişim tarihi:12.11.2021).
• [20] Prosperity, http://www.prosperity.com, (Erişim tarihi:12.11.2021).
• [21] Numbeo, http://www.numbeo.com, (Erişim tarihi:12.11.2021).
• [22] Yelmen B., Çakır M.T., Şahin H.H., Kurt C., “Yapay sinir ağı (YSA) Kullanarak Sera Sistemlerinde Enerji Verimliliğinin Modellenmesi”, Politeknik Dergisi, 24(1): 151-160, (2021).
• [23] Haykin, S., “Neural Networks- A Comprehensive Foundation”, 2nd Edition. ABD: Prentice Hall: 33-178, (1999).
• [24] Özşahin Ş., Singer H., “Odunun Yüzey Pürüzlülüğünün ve Adezyon Direncinin Yapay Sinir Ağları ile Tahmini”, Politeknik Dergisi, 22(4): 889-900, (2019).
• [25] Sönmez Çakır F., “Analysis of Financial Time Series with Model Hybridization”, Doktoral Thesis, Gebze Technical University, İnstitute Of Social Sciences, Business Administration, (2018).
• [26] Akbilek, N., Boran, S., “Yapay Sinir Ağları ile Fonksiyon Belirleme”, Sakarya University Journal of Science, 7(3): 233-240, (2003).
• [27] Gaya, M. S., Zango, M. U., Yusuf, L. A., Mustapha, M., Muhammad, B., Sani, A., Wahab, N. A., Khairi, M. T. M., “Estimation of turbidity in water treatment plant using Hammerstein-Wiener and neural network technique”, Indonesian Journal of Electrical Engineering and Computer Science, 5(3): 666-672, (2017).
• [28] Diler A.İ., “İMKB Ulusal-100 Endeksinin Yönünün Yapay Sinir Ağları Hata Geriye Yayma Yöntemi ile Tahmin Edilmesi Türkiye’de Bankalar, Sermaye Piyasası ve Ekonomik Büyüme: Koentegrasyon ve Nedensellik Analizi”, İMKB Dergisi, 5(3): 65-81, (2003).
• [29] Öztemel E., “Yapay Sinir Ağları”, 3rd Edition, Papatya Yayıncılık, İstanbul, (2012).
• [30] Saatçioğlu D., Özçakar N., “Yapay Sinir Ağları Yöntemi ile Aralıklı Talep Tahmini”, Beykoz Akademi Dergisi, 4(1): 1-32, (2016).
• [31] Risqiwati D., Wibawa, A. D., Pane, E. S., Islamiyah, W. R., Tyas, A. E., Purnomo, M. H., “Feature selection for EEG-based fatigue analysis using pearson correlation”, International Seminar on Intelligent Technology and Its Applications, 164-169, (2020).
• [32] Chicco, D., Warrens, M. J., Jurman, G., “The coefficient of determination R-squared is more informative than SMAPE, MAE, MAPE, MSE and RMSE in regression analysis evaluation”, PeerJ Computer Science,7: 623, (2021).
• [33] Lewis, C. D., “Industrial and Business Forecasting Methods: A Practical Guide to Exponential Smoothing and Curve Fitting”, 1st Edition, United Kingdom: Butterworth-Heinemann, 40, (1982).
• [34] Aksu N., Uçan K., “Zaman ve Konum Girdileri Kullanılarak Yapay Sinir Ağlarıyla Referans Evapotranspirasyonun Tahmin Edilmesi” El-Cezeri Journal of Science and Engineering, 3(2): 204-221, (2016).
• [35] Karagiannidis, C., Windisch, W., McAuley, D. F., Welte, T., Busse, R., “Major differences in ICU admissions during the first and second COVID-19 wave in Germany.” The Lancet Respiratory Medicine, 9(5): 47-48, (2021).
• [36] Graichen, H., “What is the difference between the first and the second/third wave of Covid-19? – German perspective.” Journal of orthopaedics, 24: 1-3, (2021).
• [37] Dzakula, A., Banadinovic, M., Lovrencic, I. L., Vajagic, M., Dimova, A., Rohova, M., Minev, M., Scintee, S. G., Vladescu, C., Farcasanu, D., Robinson, S., Spranger, A., Sagan, A., Rechel, B., “A comparison of health system responses to COVID-19 in Bulgaria, Croatia and Romania in 2020.” Health Policy, 126(5): 456-464, (2022).
• [38] Tauscher, S., Topal, F., Eskicioğlu, Y. C., Hopyar, Z., Avrupa’da ve Türkiye’de Yaşanan COVID-19 Salgınına İlişkin Algılar (Birinci Baskı). Türkiye: Karınca Yayınevi; 42-45, (2020).
• [39] Koçak, S. Y., “Kamu yönetiminde açıklık için bilgi edinme hakkı.” Selçuk Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, (23): 115-125, (2010).