Dergiler / Cumhuriyet Üniversitesi İktisadi ve İdari Bilimler Dergisi / 2015 / Cilt: 16 - Sayı: 1

TÜRKİYE 'NİN GSYİH TAHMİNİ İÇİN YAPAY SİNİR AĞLARI MODEL PERFORMANSLARININ KARŞILAŞTIRILMASI*

Artificial Neural Networks Models Performance Comparisons For Turkey's GDP Forecasting

Sayfa
45–58
Yayın Tarihi
2022-10-11
DOI
—
🏛️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 sonuçlar yapay sinir ağlarının ekonomik büyüme tahmininde kullanılabilecek başarılı bir yöntem olduğunu göstermiştir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Bir ülkenin gelecek yıllara ait makroekonomik değişkenlerinin tahminleri, karar vericiler için ekonomi politikaların oluşturulmasında önemli bir role sahiptir.
📊
Temel Bulgular & Veri:Ekonomik büyüme için; Çok Katmanlı Algılayıcı (ÇKA), Radyal Tabanlı Fonksiyon Ağları (RTFA) ve geri dönüşümlü Elman Ağı kullanılarak kendi gecikmeli değerlerine göre tahminler elde edilmiştir.
💡
Sonuç & Katkı:Elde edilen sonuçlar yapay sinir ağlarının ekonomik büyüme tahmininde kullanılabilecek başarılı bir yöntem olduğunu göstermiştir.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Alan Parametreleri

Özet

Bir ülkenin gelecek yıllara ait makroekonomik değişkenlerinin tahminleri, karar vericiler için ekonomi politikaların oluşturulmasında önemli bir role sahiptir. Bu çalışmada; son yıllarda tahmin modellemesinde sıklıkla kullanılan yapay sinir ağları modeli yardımı ile ekonomik büyüme değişkeni GSYİH'nın tahmini yapılması amaçlanmıştır. Ekonomik büyüme için; Çok Katmanlı Algılayıcı (ÇKA), Radyal Tabanlı Fonksiyon Ağları (RTFA) ve geri dönüşümlü Elman Ağı kullanılarak kendi gecikmeli değerlerine göre tahminler elde edilmiştir. Kullanılan YSA mimarilerinin tahmin performansları incelendiğinde 4 girdi katmana sahip RTFA modelinin en yüksek doğruluğu sağladığı görülmüş ve bu model yardımıyla 2013Q4:2014Q4 dönemleri için ekonomik büyüme oranı tahminleri üretilmiştir. Elde edilen sonuçlar yapay sinir ağlarının ekonomik büyüme tahmininde kullanılabilecek başarılı bir yöntem olduğunu göstermiştir.

Abstract

Estimates of economic growth for the coming years in a country has an important role in determining business plans for business entities and fiscal policies formulation for goverments. In this study, It was intended to estimate the GDP of economic growth variable with the help of artificial neural networks models which have often been used in estimation modelling recently. For the economic growth estimation were obtained according with its own delayed values by using Multiple Layer Perception (MLP), Radial Basis Function Networks (RBFN) and Recurring Elman Networks. When the estimation performances of the used artificial neural network structures were analyzed,it was seen that RBFN model having 4 input layers got the highest accuracy and through this model estimates of economic growth were produced for 2013Q4 and 2014Q4 periods. The obtained results showed that artificial neural networks were a successful method to be used in the estimates of economic growth.

🔖

Bu Makaleye Atıf Yap

SÖYLER, H., KIZILKAYA, O. (2022). TÜRKİYE 'NİN GSYİH TAHMİNİ İÇİN YAPAY SİNİR AĞLARI MODEL PERFORMANSLARININ KARŞILAŞTIRILMASI*. Cumhuriyet Üniversitesi İktisadi ve İdari Bilimler Dergisi, Cilt: 16 - Sayı: 1, 45–58. https://ajindex.com/articles/480716

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (12)

  1. DÜZG ÜN, Recep (2008), "A Comparison o f Artificial Neural Networks and ARIM A M odels Success in GDP Forecast", Marmara Üniversitesi I. I. B. F. Dergisi, Cilt.XXV, Sayı. 2, 2008, s. 165-176.
  2. ERİLLİ, N. Alp; Erol EĞRİOĞLU; Ufuk YOLCU; Ç.Hakan A L A D A Ğ ve V.Rezan USLU (2010), "Türkiye'de Enflasyonun İleri ve Geri Beslem eli Yapay Sinir Ağlarının M elez Yaklaşımı İle Öngörüsü", Doğuş Üniversitesi Dergisi, 11(1):42-55.
  3. FAUSETT, Laurene (1994), Fundamentals o f Neural Networks: Architecture, Algoritma and Applications, N ew Jersey: Printice Hall. HAMZAÇEBİ, Coşkun (2011), Yapay Sinir Ağları: Tahmin Amaçlı Kullanımı Matlab ve Neurosolutions Uygulamalı, Bursa: Ekin Yayıncılık. H UANG, W ei; Kin K. LAI; Yoshiteru NAKAMORI; Shouyang W A N G and Lean Y U (2007), "Neural Networks in Finance and Economics Forecasting", International Journal o f Information Technology and D ecision Making, Vol. 6, N o.1, 113-140.
  4. JUNOH, Mohd Z. H. M. (2004), ''Predicting GDP Growth in M alaysia Using Knowledge - Based Economy Indicators: A Comparison Between Neural Network and Econometric Approach", Sunway College Journal, Vol. 1, 39­ 50. KAPLAN, Muhittin ve Recep TEKELİ (2008), Ekonomide Bekleyişler ve Tahmin: Yapay Sinir Ağları Uygulamaları, Konya: Tablet Yayınları.
  5. K AYNAR, Oğuz; Serkan TAŞTA N ve Ferhan DEMİRKOPARAN (2010),"Ham Petrol Fiyatlarının Yapay Sinir Ağları ile Tahmini", Ege Akademik Bakış / Ege Academ ic Review, 10 (2): 561-575.
  6. KUBAT, Cemalettin (2013), Elinizin Altındaki Matematik Laboratuvarı: Matlab: Yapay Zekâ ve Mühendislik Uygulamaları, İstanbul: Pusula Yayıncılık. LILIANA ve Togar A. NAPITUPULU (2012),"Artificial Neural Network Application in Gross Dom estic Product Forecasting an Indonesia Case", Journal o f Theoretical and Applied Information Technology, V ol. 45, N o. 2, pp. 410-415.
  7. MIRBAGHERI, Mirnaser (2010), "Fuzzy Logic and Neural Network Fuzzy Forecasting of Iran GDP Growth", African Journal of Business Management, Vol.4, No.6, 925-929.
  8. SUKIRNO, Sadono (2008), Makroekonomi: Teori Pengantar, 1st ed., PT Raja Grafindo Persada, Jakarta. TANG, Zaiyong ve Paul A. FISHWICK (1993), "Feedforward Neural Nets As M odels For Time Series Forecasting",ORSA Journal on Computing, 5(4), ss.374-385.
  9. TKACZ, Greg (2001), "Neural Network Forecasting of Canadian GDP Growth", International Journal o f Forecasting, 17, 57-69.
  10. TÜİK, İnternet Adresi:w w w.tuik.gov.tr, Erişim tarihi: 20.09.2013
  11. ÖZTEMEL, Ercan (2003),
  12. Yapay Sinir Ağları, İstanbul: Papatya Yayıncılık. ZHANG,