KaydedilenlerDerginizi ekleyin

Dergiler / Süleyman Demirel Üniversitesi Vizyoner Dergisi / 2026 / Cilt: 17 Sayı: 51

Türkiye İhracatının Tahmininde Makine Öğrenmesi Tabanlı Regresyon Modellerinin Performans Karşılaştırması

Performance Comparison of Machine Learning-Based Regression Models in Predicting Türkiye’s Exports

Bora Öçal(SULEYMAN DEMIREL UNIVERSITY)0000-0003-0654-0131
Sayfa
777–796
Yayın Tarihi
2026-08-30
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Elde edilen bulgular, regresyon yöntemlerinin Türkiye’nin ihracat dinamiklerini etkili şekilde yakalayabildiğini ve ihracat tahminleri için güvenilir bir temel sağladığını göstermektedir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Bu çalışma, Türkiye’nin ihracat performansını etkileyen makroekonomik göstergeleri analiz ederek, ihracatla yüksek korelasyona sahip değişkenler aracılığıyla ihracatın gelecekteki seyrini tahmin etmek için kullanılabilecek en uygun makine öğrenmesi tabanlı regresyon modelini tespit etmeyi amaçlamaktadır.
📊
Temel Bulgular & Veri:Çalışmada, Türkiye ve küresel ekonomiyle ilgili 12 farklı makroekonomik değişken kullanılmış ve bu değişkenler ile ihracat arasındaki ilişki korelasyon analiziyle incelenmiştir.
💡
Sonuç & Katkı:Elde edilen bulgular, regresyon yöntemlerinin Türkiye’nin ihracat dinamiklerini etkili şekilde yakalayabildiğini ve ihracat tahminleri için güvenilir bir temel sağladığını göstermektedir.
🔬Tür:Literatür & Derleme Çalışması
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Uluslararası Ticaret · İhracat Tahmin Modelleri · Regresyon Analizi

Özet

Bu çalışma, Türkiye’nin ihracat performansını etkileyen makroekonomik göstergeleri analiz ederek, ihracatla yüksek korelasyona sahip değişkenler aracılığıyla ihracatın gelecekteki seyrini tahmin etmek için kullanılabilecek en uygun makine öğrenmesi tabanlı regresyon modelini tespit etmeyi amaçlamaktadır. Çalışmada, Türkiye ve küresel ekonomiyle ilgili 12 farklı makroekonomik değişken kullanılmış ve bu değişkenler ile ihracat arasındaki ilişki korelasyon analiziyle incelenmiştir. İhracatla güçlü ilişki gösteren değişkenlere Python programlama dili kullanılarak, dört farklı ensemble tabanlı makine öğrenimi algoritması ile birlikte doğrusal bir model olan LASSO uygulanmıştır. Öngörü doğruluğunu tarafsız ve sağlam şekilde elde etmek için model performanları çapraz doğrulama çerçevesi kullanılarak değerlendirilmiştir. Sonuçlar, tüm modellerin yüksek öngörü performansı elde ettiğini göstermekle birlikte özellikle LASSO, neredeyse mükemmel açıklayıcılık ve düşük hata seviyesi ile en güçlü genel doğruluğu sağlamıştır. Ensemble yöntemleri arasında ise Gradient Boosting, en iyi performans gösteren yaklaşım olarak öne çıkmıştır. Elde edilen bulgular, regresyon yöntemlerinin Türkiye’nin ihracat dinamiklerini etkili şekilde yakalayabildiğini ve ihracat tahminleri için güvenilir bir temel sağladığını göstermektedir. Bu çalışma, Türkiye’nin ihracat dinamiklerini anlamaya yönelik metodolojik ve pratik açıdan literatüre katkıda bulunurken karar vericiler için de veriye dayalı politika geliştirme konusunda önemli çıkarımlar sağlayacaktır.

Abstract

The study aims to identify the most suitable machine learning-based regression model that can be used to predict the future course of exports by analysing the macroeconomic indicators affecting Türkiye’s export performance and through variables with a high correlation with exports. The study utilises 12 different macroeconomic variables related to the Turkish and global economies, and the relationship between these variables and exports are examined using correlation analysis. For the variables showing a strong relationship with exports, the linear model LASSO is applied alongside four different ensemble-based machine learning algorithms, using the Python programming language. To obtain unbiased and robust predictive accuracy, model performances are evaluated using a cross-validation framework. The results demonstrate that all models achieve high predictive performance; however, LASSO, in particular, provides the strongest overall accuracy with near-perfect explanatory power and a low error rate. Among the ensemble methods, Gradient Boosting emerges as the approach with the best performance. The findings demonstrate that regression methods can effectively capture Türkiye’s export dynamics and provide a reliable foundation for export forecasts. The study contributes to the literature from both methodological and practical perspectives in understanding Türkiye’s export dynamics, whilst also supporting data-driven policy development for decision-makers.

🔖

Bu Makaleye Atıf Yap

Öçal, B. (2026). Türkiye İhracatının Tahmininde Makine Öğrenmesi Tabanlı Regresyon Modellerinin Performans Karşılaştırması. Süleyman Demirel Üniversitesi Vizyoner Dergisi, Cilt: 17 Sayı: 51, 777–796. https://doi.org/10.21076/vizyoner.1814982

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (45)

  1. Aktaş, C. (2009). Türkiye’nin ihracat, ithalat ve ekonomik büyüme arasındaki nedensellik analizi. Kocaeli Üniversitesi Sosyal Bilimler Dergisi, (18), 35–47.
  2. Al Farisy, A. A., Mayangsari, C., Al Amany, S. U., Sartika, D., & Harlan, F. B. (2024, October). The determinants of Indonesia export performance: Gravity model and random forest model. In 2024 Ninth International Conference on Informatics and Computing (ICIC), (p. 1–6). IEEE. Medan, Indonesia.
  3. Alghushairy, O. (2025, May). Enhancing global logistics forecasting: Leveraging machine learning approaches for predicting import and export flows. In 2025 International Conference on Innovation in Artificial Intelligence and Internet of Things (AIIT), (p. 1–15). IEEE. Jeddah, Saudi Arabia.
  4. Bakari, S. (2017). The nexus between export, import, domestic investment and economic growth in Japan (MPRA Paper No. 76110). Munich Personal RePEc Archive (MPRA). https://mpra.ub.uni-muenchen.de/76110/
  5. Balcılar, M., Bal, H., Algan, N., & Demiral, M. (2014). Türkiye’nin ihracat performansı: İhracat hacminin temel belirleyicilerinin incelenmesi (1995–2012). Ege Akademik Bakış, 14(3), 451–462.
  6. Bista, R. B. (2004). FDI in Nepal: Regression analysis in aspect of GDP growth and export. Economic Journal of Development Issues, 5(2), 1–10.
  7. Bolat, İ. (2025). Türkiye’de sanayi üretim endeksini etkileyen faktörlerin analizi. Ekonomik ve Sosyal Araştırmalar Dergisi, 21(1), 20–35.
  8. Breiman, L. (2001). Random forests. Machine Learning, 45(1), 5–32. https://doi.org/10.1023/A:1010933404324
  9. Can, Ş., & Gerşil, M. (2025). İhracat tutarı tahminlerinin R ile modellenmesi ve model performanslarının karşılaştırılması. Alanya Akademik Bakış, 9(1), 131–145. https://doi.org/10.29023/alanyaakademik.1507145
  10. Çakmak, M. A., Kurt, M. E., & Çakmak, C. (2022). Makine öğrenmesi algoritmaları ile Covid-19 hastalarının mortalite risklerinin hesaplanması. Süleyman Demirel Üniversitesi Vizyoner Dergisi, 13(35), 994-1011. https://doi.org/10.21076/vizyoner.1074212
  11. CPB. (2025). CPB World Trade Monitor. Retrieved August 2025, from https://www.cpb.nl/en/wtm/cpb-world-trade-monitor-july-2025
  12. Çelik, T., & İlkay, S. Ç. (2016). Türkiye’de ihracat ve ithalat arasında uzun dönemli ilişkinin 1989–2015 dönemi için test edilmesi. Süleyman Demirel Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 21(3), 961-969.
  13. Değirmen, S., & Elmas, F. (2008). Türkiye’de faiz ve kur politikalarının ihracat üzerindeki etkisi. Ekonomik Yaklaşım, 19(69), 47–66. https://doi.org/10.5455/ey.10675
  14. Emsen, Ö. (2018). Türkiye ekonomisinde ihracat ile ithalat ve döviz kuru arasındaki ilişkiler. Cumhuriyet Üniversitesi İktisadi ve İdari Bilimler Dergisi, 19(1), 78–91.
  15. Erdoğan, A. (2016). Türkiye’nin ihracatını etkileyen faktörler: Çoklu regresyon analizi. Sosyal Bilimler Araştırma Dergisi, 5(2), 1–8.
  16. Friedman, J. H. (2001). Greedy function approximation: A gradient boosting machine. Annals of Statistics, 29(5), 1189–1232. https://doi.org/10.1214/aos/1013203451
  17. Gayaker, S. (2025). Döviz kuru politikası ve döviz kuru oynaklığının ihracat üzerindeki etkisi: Türkiye örneği. Üçüncü Sektör Sosyal Ekonomi Dergisi, 60(3), 3032–3052. https://doi.org/10.63556/tisej.2025.1524
  18. Genç, M. C., Değer, M. K., & Berber, M. (2010). Beşeri sermaye, ihracat ve ekonomik büyüme: Türkiye ekonomisi üzerine nedensellik analizi. Bilgi Ekonomisi ve Yönetimi Dergisi, 5(1), 29–41.
  19. Geurts, P., Ernst, D., & Wehenkel, L. (2006). Extremely randomized trees. Machine Learning, (63), 3–42. https://doi.org/10.1007/s10994-006-6226-1
  20. Gupta, V., & Kumar, E. (2024, May). Predicting India’s high export goods trade: A machine learning approach. In 2024 International Conference on Communication, Computer Sciences and Engineering (IC3SE), (p. 263–267). IEEE. Gautam Buddha Nagar, Hindistan. Hastie, T., Tibshirani, R., & Friedman, J. (2009). The elements of statistical learning: Data mining, inference, and prediction (2nd ed.). Springer.
  21. Istiqlala, H. Y., & Kurdhi, N. A. (2024, October). Forecasting import-export volume and value using support vector machines and random forests. In Proceeding International Conference on Mathematics and Learning Research, (p. 37–49). Surakarta, Indonesia.
  22. Karaş, G., & Karaş, E. (2017). Reel efektif döviz kuru, ihracat ve ithalat arasındaki ilişki: Türkiye özelinde ekonometrik bir değerlendirme. Uşak Üniversitesi Sosyal Bilimler Dergisi, 10(IASOS Özel Sayısı), 27–46.
  23. Kasman, A. (2003). Türkiye’de reel döviz kuru oynaklığı ve bunun ihracat üzerine etkisi: Sektörel bir analiz. Uludağ Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 22(2), 169–186.
  24. Kumar, S., Basavaraj, M. S., & Pachava, V. (2025). Machine learning-driven export forecasting: A comparative analysis for MSME growth. Journal of Economics, Innovative Management and Entrepreneurship, 3(1), 14-24. https://doi.org/10.59652/jeime.v3i1.401
  25. Medineckiene, M., & Kirdaite, V. (2021). Evaluation of influencing factors on Great Britain’s export values. Economics and Culture, 18(1), 59–69. https://doi.org/10.2478/jec-2021-0005
  26. Moschos, D. (1989). Export expansion, growth and the level of economic development: An empirical analysis. Journal of Development Economics, 30(1), 93–102. https://doi.org/10.1016/0304-3878(89)90052-7
  27. Otchere, D. A., Ganat, T. O. A., Ojero, J. O., Tackie-Otoo, B. N., & Taki, M. Y. (2022). Application of gradient boosting regression model for the evaluation of feature selection techniques in improving reservoir characterisation predictions. Journal of Petroleum Science and Engineering, 208, 109244. https://doi.org/10.1016/j.petrol.2021.109244
  28. Özden, E. (2022). The dynamics affecting the export-import ratio in Turkey: A hybrid model proposal with econometrics and machine learning approach. İktisat Politikası Araştırmaları Dergisi, 9(2), 265–291. https://doi.org/10.26650/JEPR1088322
  29. Pamornmast, C., Jermsittiparsert, K., & Sriyakul, T. (2013). Exchange rate and country’s export competitiveness: An empirical discourse analysis. Asian Social Science, 9(13), 147–156.
  30. Remeikienė, R., Gasparėnienė, L., & Sadeckas, A. (2019). The determinants of the competitiveness of Lithuanian export: Macroeconomic approach. Business: Theory and Practice, 20, 170–178. https://doi.org/10.3846/btp.2019.16
  31. Ruzekova, V., Kittova, Z., & Steinhauser, D. (2020). Export performance as a measurement of competitiveness. Journal of Competitiveness, 12(1), 145–160. https://doi.org/10.7441/joc.2020.01.09
  32. Sarı, A. (2010). Döviz kuru oynaklığının ithalata etkileri: Türkiye örneği. Istanbul University Econometrics and Statistics e-Journal, (11), 31–44.
  33. Serra, F., Pointon, J., & Abdou, H. (2012). Factors influencing the propensity to export: A study of UK and Portuguese textile firms. International Business Review, 21(2), 210–224. https://doi.org/10.1016/j.ibusrev.2011.02.006
  34. Soydal, H., Ay, M., & Koç, S. (2024). Makine öğrenimi ile ticaretin öngörülmesi: Türkiye ve Balkan ülkeleri üzerine çekim modeli analizi. Selçuk Üniversitesi Sosyal Bilimler Meslek Yüksekokulu Dergisi, 27(2), 746–765. https://doi.org/10.29249/selcuksbmyd.1545687
  35. TCMB. (2025). Elektronik veri dağıtım sistemi (EVDS). Retrieved August 2025, from https://evds2.tcmb.gov.tr/index.php?/evds/serieMarket
  36. Tibshirani, R. (1996). Regression shrinkage and selection via the lasso. Journal of the Royal Statistical Society: Series B (Methodological), 58(1), 267-288. https://doi.org/10.1111/j.2517-6161.1996.tb02080.x
  37. Uysal, Ö., & Mohamoud, A. S. (2018). Determinants of export performance in East Africa countries. Chinese Business Review, 17(4), 168–178. https://doi.org/10.17265/1537-1506/2018.04.002
  38. Velnampy, T., & Achchuthan, S. (2013). Export, import and economic growth: Evidence from Sri Lanka. Journal of Economics and Sustainable Development, 4(9), 147–155.
  39. World Bank. (2025). Commodity markets outlook. Retrieved August 2025, from https://www.worldbank.org/en/research/commodity-markets
  40. Xu, H., Chaiboonsri, C., & Chokethaworn, K. (2023, February). Research on export prediction model based on machine learning: Application of China’s agricultural products export. In Proceedings of the 2023 3rd International Conference on Bioinformatics and Intelligent Computing, (p. 259–263). Sanya, China. https://doi.org/10.1145/3592686.3592733
  41. Yapraklı, S. (2007). İhracat ile ekonomik büyüme arasındaki nedensellik: Türkiye üzerine ekonometrik bir analiz. ODTÜ Gelişme Dergisi, (34), 97–112.
  42. Yenisu, E. (2019). Türkiye’de ihracat, ithalat ve ekonomik büyüme ilişkisi: ARDL sınır testi yaklaşımı. Gaziantep Üniversitesi Sosyal Bilimler Dergisi, 18(3), 1175–1193. https://doi.org/10.21547/jss.418935
  43. Yousfani, K., Qureshi, M., Daniyal, M., & Ismail, M. (2024). Comparative study of machine learning (ML) and conventional time series methodologies in modelling the exports trade of Pakistan. Indus Journal of Social Sciences, 2(2), 349–367.
  44. Zakaria, Z. (2013). The relationship between export and exchange rate volatility: Empirical evidence based on the trade between Malaysia and its major trading partners. Journal of Emerging Issues in Economics, Finance and Banking, 2(2), 668–684.
  45. Zhu, Q. (2025). Predicting the total export-import volume of China’s economic trade through machine learning. International Journal of Mathematical, Engineering and Management Sciences, 10(1), 63-75. https://doi.org/10.33889/IJMEMS.2025.10.1.004