Gri Markov Modeli ile Türkiye’de İşsizlik Oranı Tahmini

Buğra Bağcı

doi:10.32331/sgd.840571

Gri Markov Modeli ile Türkiye’de İşsizlik Oranı Tahmini

Öz

Gelişmemiş ve gelişmekte olan ülkelerin kronik problemlerinden birisi olan işsizlik, özellikle küresel kriz zamanlarında gelişmiş ülkelerde dahi gündem haline gelebilmektedir. Bu sebeple işsizlik, dünya ülkelerinin ortak problemi olarak düşünülebilir. Dolayısıyla bu kadar önemli bir ekonomik değişkenin geçmiş dönemlerde aldığı değerlerden hareketle gelecek dönemlerde alabileceği değerlerin tahmin edilmesi çok önemli hale gelmektedir. Günümüzde zaman serilerinin tahmini için birçok nicel teknik kullanılmaktadır. Fakat burada önemli olan tekniklerin yaptıkları tahminler neticesinde oluşan hata oranlarının minimum seviyede tutulabilmesidir. Bu anlamda, bazen hata terimlerinin modifiye edilmesi, bazen de farklı tekniklerin kombinlenmesi ile hata oranları düşürülmeye ve daha doğru tahminler elde etmeye çalışılmaktadır. Çünkü geleceğe yönelik yapılan planlar ve belirlenebilecek politikalar ancak bu öngörülerle anlam kazanmaktadır. Çalışmamızda da daha doğru tahmin yapmaya odaklanılarak, Türkiye’de işsizlik oranı GM (1,1) modeli ile tahmin edildikten sonra GM (1,1) modeline Markov zincirleri entegre edilerek Gri Markov modeli kurulmuş ve işsizlik oranı bu şekilde yeniden tahminlenmiştir. Sonuçta, GM (1,1) modelinin ürettiği tahmin sonuçları ile Gri Markov modelinin ürettiği tahmin sonuçları karşılaştırılmış ve Gri Markov modelinin yüksek doğruluk değerleriyle tahmin değerleri ürettiği görülmüştür.

Anahtar Kelimeler

Kaynakça

Akay, D. and Atak, M. (2007). Grey Prediction with Rolling Mechanism for Electricity Demand Forecasting of Turkey. Energy. 32(9). 1670-1675.
Chen, C. I. (2008). Application of the Novel Nonlinear Grey Bernoulli Model for Forecasting Unemployment Rate. Chaos, Solitons & Fractals. 37(1). 278-287.
Chen, K. M., Xie, L. F. and Xiang, W. S. (2012). Traffic Accidents Prediction Using Improved Grey-Markov Model. In Advanced Materials Research, Trans Tech Publications Ltd. Vol. 378. 222-225.
Chen, L. H. and Guo, T. Y. (2011). Forecasting Financial Crises for an Enterprise By Using the Grey Markov Forecasting Model. Quality & Quantity. 45(4). 911-922.
Chen, S., Ye, L., Zhang, G., Zeng, C., Dong, S. and Dai, C. (2011, October). Short-Term Wind Power Prediction Based on Combined Grey-Markov Model. In 2011 International Conference on Advanced Power System Automation and Protection IEEE. Vol. 3. 1705-1711.
Chen, X., Jiang, K. and Liu, Y. (2015, August). Inflation Prediction for China Based on the Grey Markov Model? In 2015 IEEE International Conference on Grey Systems and Intelligent Services (GSIS). 301-306.
Deng, J. L. (1982). Control Problems of Grey Systems. Sys. & Contr. Lett. 1(5). 288-294.
Deng, J. L. (1989). Introduction to Grey System Theory. The Journal of Grey System. 1(1). 1-24.

Dong, S., Chi, K., Zhang, Q. and Zhang, X. (2012). The Application of a Grey Markov Model to Forecasting Annual Maximum Water Levels at Hydrological Stations. Journal of Ocean University of China. 11(1). 13-17.
Dumičić, K., Čeh Časni, A., and Žmuk, B. (2015). Forecasting Unemployment Rate in Selected European Countries using Smoothing Methods. World Academy of Science, Engineering and Technology: International Journal of Social, Education, Economics and Management Engineering. 9(4). 867-872.
Edlund, P. O. and Karlsson, S. (1993). Forecasting the Swedish Unemployment Rate VAR vs. Transfer Function Modelling. International Journal of Forecasting. 9(1). 61-76.
Floros, C. (2005). Forecasting the UK Unemployment Rate: Model Comparisons. International Journal of Applied Econometrics and Quantitative Studies. 2(4). 57-72.
Funke, M. (1992). Time‐Series Forecasting of the German Unemployment Rate. Journal of Forecasting. 11(2). 111-125.
Golan, A. and Perloff, J. M. (2004). Superior Forecasts of the US Unemployment Rate Using a Nonparametric Method. Review of Economics and Statistics. 86(1). 433-438.
He, Y. and Huang, M. (2005, November). A Grey-Markov Forecasting Model for the Electric Power Requirement in China. In Mexican International Conference on Artificial Intelligence. 574-582. Springer, Berlin, Heidelberg.
Hu, Y. C. (2017). Predicting Foreign Tourists for the Tourism Industry Using Soft Computing-Based Grey–Markov Models. Sustainability. 9(7). 1228.
Huang, M., He, Y. and Cen, H. (2007). Predictive Analysis on Electric-Power Supply and Demand in China. Renewable Energy. 32(7). 1165-1174.
İçen, D. ve Günay, S. (2015). Türkiye’deki İşsizlik Oranının Bulanık Doğrusal Regresyon Analiziyle Tahmini. İstatistikçiler Dergisi: İstatistik ve Aktüerya. 8(1). 10-26. Johnes, G. (1999). Forecasting Unemployment. Applied Economics Letters. 6(9). 605-607.
Karaali, F. Ç. ve Ülengin, F. (2011). Yapay Sinir Ağları ve Bilişsel Haritalar Kullanılarak İşsizlik Oranı Öngörü Çalışması. İTÜDERGİSİ/d. 7(3). 15-26.
Kurita, T. (2010). A Forecasting Model for Japan''s Unemployment Rate. Eurasian Journal of Business and Economics. 3(5). 127-134.
Lasso-Valderrama, F. and Zárate-Solano, H. M. (2019). Forecasting the Colombian Unemployment Rate Using Labour Force Flows, Banco de la Republica de Colombia. 1073. 1-19.
Ma, H. and Zhang, Z. (2009). Grey Prediction with Markov-Chain for Crude Oil Production and Consumption in China. In the Sixth International Symposium on Neural Networks (ISNN 2009). Springer, Berlin, Heidelberg. 56. 551-561.
Önalan, O. (2014). Currency Exchange Rate Estimation Using Grey Markov Prediction Model. Journal of Economics Finance and Accounting. 1(3). 205-217.
Proietti, T. (2003). Forecasting the US Unemployment Rate. Computational Statistics & Data Analysis. 42(3). 451-476.Qingfu, L., Qunfang, H. and Peng, Z. (2007, November). Application of Grey-Markov Model in Predicting Traffic Volume. In 2007 IEEE International Conference on Grey Systems and Intelligent Services. 707-711.
Rapach, D. E. and Strauss, J. K. (2008). Forecasting US Employment Growth using Forecast Combining Methods. Journal of Forecasting. 27(1). 75-93.
Seyidoğlu, H. (1999). Ekonomik Terimler. İstanbul: Güzem Can Yayınları.
Sun, X., Sun, W., Wang, J., Zhang, Y. and Gao, Y. (2016). Using a Grey–Markov Model Optimized by Cuckoo Search Algorithm to Forecast the Annual Foreign Tourist Arrivals to China. Tourism Management. 52. 369-379.
TÜİK (2020). http://www.tuik.gov.tr/UstMenu.do?metod=temelist. (Erişim: 1 Haziran.2020).
Tüzemen, A. ve Yıldız, Ç. (2018). Holt-Winters Tahminleme Yöntemlerinin Karşılaştırmalı Analizi: Türkiye İşsizlik Oranları Uygulaması. Atatürk University Journal of Economics & Administrative Sciences. 32(1). 1-19.
Wang, X. P. and Meng, M. (2008, July). Forecasting Electricity Demand Using Grey-Markov Model. In 2008 International Conference on Machine Learning and Cybernetics. 3. 1244-1248.
Wei, S. and Yanfeng, X. (2017). Research on China's Energy Supply and Demand Using an Improved Grey-Markov Chain Model Based on Wavelet Transform. Energy. 118. 969-984.
Wu, L., Liu, S., Liu, D., Fang, Z. and Xu, H. (2015). Modelling and Forecasting CO2 Emissions in the BRICS (Brazil, Russia, India, China, and South Africa) Countries Using a Novel Multi-Variable Grey Model. Energy. 79. 489-495.
Xu, W., Li, Z. and Chen, Q. (2012, January). Forecasting the Unemployment Rate By Neural Networks Using Search Engine Query Data. 45th Hawaii International Conference on System Sciences. 3591-3599.
Yücel, L. I. (2017). Türkiye'de 2012-1/2016-3 Arası Dönemde 15-64 Yaş Grubu için İstihdam Dışı Oranın Bulanık Doğrusal Regresyon Analizi ile Tahmini. Ekonometri ve İstatistik Dergisi. 27. 29-50.
Zhang, Y. (2010). Predicting Model of Traffic Volume Based on Grey-Markov. Modern Applied Science. 4(3). 46-50.
Zhan-Li, M. and Jin-Hua, S. (2011). Application of Grey-Markov Model in Forecasting Fire Accidents. Procedia Engineering. 11. 314-318.

Ayrıntılar

Birincil Dil

Türkçe

Konular

-

Bölüm

Araştırma Makalesi

Yazarlar

Buğra Bağcı Bu kişi benim
0000-0002-3268-3702
Türkiye

Yayımlanma Tarihi

20 Aralık 2020

Gönderilme Tarihi

13 Temmuz 2020

Kabul Tarihi

16 Aralık 2020

Yayımlandığı Sayı

Yıl 2020 Cilt: Cilt 10 Sayı: Sayı 2

DOI

https://doi.org/10.32331/sgd.840571

IZ

https://izlik.org/JA25BM98GB

Kaynak Göster

RIS / Bibtex

APA

Bağcı, B. (2020). Gri Markov Modeli ile Türkiye’de İşsizlik Oranı Tahmini. Sosyal Güvenlik Dergisi, Cilt 10(Sayı 2), 259-272. https://doi.org/10.32331/sgd.840571

AMA

1.Bağcı B. Gri Markov Modeli ile Türkiye’de İşsizlik Oranı Tahmini. SGD. 2020;Cilt 10(Sayı 2):259-272. doi:10.32331/sgd.840571

Chicago

Bağcı, Buğra. 2020. “Gri Markov Modeli ile Türkiye’de İşsizlik Oranı Tahmini”. Sosyal Güvenlik Dergisi Cilt 10 (Sayı 2): 259-72. https://doi.org/10.32331/sgd.840571.

EndNote

Bağcı B (01 Aralık 2020) Gri Markov Modeli ile Türkiye’de İşsizlik Oranı Tahmini. Sosyal Güvenlik Dergisi Cilt 10 Sayı 2 259–272.

IEEE

[1]B. Bağcı, “Gri Markov Modeli ile Türkiye’de İşsizlik Oranı Tahmini”, SGD, c. Cilt 10, sy Sayı 2, ss. 259–272, Ara. 2020, doi: 10.32331/sgd.840571.

ISNAD

Bağcı, Buğra. “Gri Markov Modeli ile Türkiye’de İşsizlik Oranı Tahmini”. Sosyal Güvenlik Dergisi CILT 10/Sayı 2 (01 Aralık 2020): 259-272. https://doi.org/10.32331/sgd.840571.

JAMA

1.Bağcı B. Gri Markov Modeli ile Türkiye’de İşsizlik Oranı Tahmini. SGD. 2020;Cilt 10:259–272.

MLA

Bağcı, Buğra. “Gri Markov Modeli ile Türkiye’de İşsizlik Oranı Tahmini”. Sosyal Güvenlik Dergisi, c. Cilt 10, sy Sayı 2, Aralık 2020, ss. 259-72, doi:10.32331/sgd.840571.

Vancouver

1.Buğra Bağcı. Gri Markov Modeli ile Türkiye’de İşsizlik Oranı Tahmini. SGD. 01 Aralık 2020;Cilt 10(Sayı 2):259-72. doi:10.32331/sgd.840571

Cited By

Veri Madenciliği: Makine Öğrenme Algoritmaları ile Türkiye’nin İşsizlik Oranı Tahminini Etkileyen Faktörlerin Tespit Edilmesi

Uluslararası Yönetim Bilişim Sistemleri ve Bilgisayar Bilimleri Dergisi

https://doi.org/10.33461/uybisbbd.1129013

TÜRKİYE KÜRESEL KONTEYNER LİMAN PROJELERİ: 2035 YILI KONTEYNER TRAFİK HACMİ VE DIŞ TİCARET PROJEKSİYONU

Anadolu Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi

https://doi.org/10.53443/anadoluibfd.1253057

Otomobil Tercihlerinin Markov Analizi İle İncelenmesi: Kilis İli Örneği

Gaziantep University Journal of Social Sciences

https://doi.org/10.21547/jss.1292875