FORECASTING OF TURKEY'S UNEMPLOYMENT RATE FOR FUTURE PERIODS WITH ARTIFICIAL NEURAL NETWORKS

Yıl 2022, , 163 - 184, 30.08.2022

Mehmet Karahan , Fatma Çetintaş

https://doi.org/10.18070/erciyesiibd.1056618

Cited By: 1

Öz

In world economies, in order to achieve high national income level, employment has an important effect. Therefore, it is necessary for unemployment to be highly low. Labor force structure of a country specifies the state of that country, and that unemployment rates are at high levels is an indicator of that there is a deviation in the development and growth rate of country economy. In this context, forecasting unemployment rates in the next periods of Turkey, in order to develop solution suggestions for unemployment problem which is one of the most important problems of today, and make contribution to improving country economy, it was decided to conduct such a study. In this forecasting study conducted, due to the fact that the risk to obtain wrong results with traditional methods is high in the solutions of chaotic contented problems, it was decided to be used ANN (Artificial Neural Network) method, which presents healthy solutions of the chaotic problems including partly erroneous or over deviating data and is one of the contemporary methods, commonly used in the literature. In the study, utilizing the monthly basic economic indicators of Turkey belonging to the period of 2005-2018, forecast of unemployment rate for the next periods was made by ANN method, and the data belonging to totally six basic economic indicators were used in the forecast. As a conclusion of the study, it was identified that the forecast made by the model developed produced the reliable results that are quite close to the reality.

Anahtar Kelimeler

Artificial Neural Networks, Forecasting, Unemployment, Error Tests.

YAPAY SİNİR AĞLARI YÖNTEMİYLE TÜRKİYE’NİN GELECEK DÖNEM İŞSİZLİK ORANI TAHMİNİ

Öz

Dünya ekonomilerinde yüksek milli gelir düzeyine erişebilmek için istihdam önemli bir etkiye sahiptir. Bu nedenle işsizliğin oldukça düşük olması gerekmektedir. Bir ülkenin işgücü yapısı o ülkenin iktisadi durumunu belirtmekte olup işsizlik oranlarının yüksek düzeylerde olması, ülke ekonomisinin kalkınma ve büyüme oranlarında bir sapma olduğunun göstergesidir. Bu bağlamda, Türkiye’nin gelecek dönemleri için işsizlik oranı tahmini yapılarak günümüzün en önemli problemlerinden birisi olan işsizlik sorununa çözüm önerileri geliştirmek ve ülke ekonomisinin iyileştirilmesine katkı sağlamak amacıyla geleceğe yönelik böyle bir araştırma yapılmasına karar verilmiştir. Yapılan bu tahmin çalışmasında; kaotik içerikli problem çözümlerinde geleneksel yöntemlerle yanlış sonuçlar elde etme riskinin yüksek olmasından dolayı, kısmen hatalı veya aşırı sapmalı verilerin bulunduğu kaotik problemlerin çözümünde sağlıklı çözümler sunan ve literatürde yaygınca kullanılan çağdaş yöntemlerden birisi olan YSA metodunun kullanılmasına karar verilmiştir. Çalışmada, Türkiye’nin 2005-2018 yıllarına ait aylık temel ekonomik göstergelerinden yararlanılarak gelecek dönem için işsizlik oranı tahmini YSA yöntemiyle yapılmış, tahminde toplam altı temel ekonomik göstergeye ait veriler kullanılmıştır. Çalışma sonucunda, geliştirilen modelinin yaptığı tahminin gerçeğe oldukça yakın ve güvenilir sonuçlar ürettiği tespit edilmiştir.

Anahtar Kelimeler

Yapay Sinir Ağları, Tahmin, İşsizlik oranı, Hata Testleri.

Kaynakça

• Akçalı, B. Y. (2015). MIST Ülkeleri Finansal Baskı Endekslerinin Yapay Sinir Ağları ve Box-Jenkıns Yöntemleriyle Tahmin Edilerek Finansal Krizlerin Öngörülmesi, Muhasebe Bilim Dünyası Dergisi, Cilt: 17, Sayı: 2, ss.347-384.
• Akcan, A. T. ve Ener, M. (2018). Makroekonomik değişkenlerin işsizlik ile ilişkisi: Türkiye örneği. Yönetim bilimleri dergisi, 16(31), 263-285.
• Akdag, R. (2014). Yapay Sinir Ağları Yöntemiyle Diyarbakır İli Kent Merkezi İçme Suyu Talep Tahmini Uygulaması, Doktora Tezi, Dicle Üniversitesi, Sosyal Bilimler Enstitüsü, Diyarbakır.
• Akgül, I. (2003). Zaman serilerinin analizi ve arıma modelleri (1.Baskı). İstanbul: Der yayınları.
• Ballı, M. T.(2014). Yapay Sinir Ağları ile Talep Tahmin ve Gıda Sektöründe Uygulanması, Yüksek Lisans Tezi, Yıldız Teknik Üniversitesi Fen Bilimleri Enstitüsü, İstanbul
• Bayır, F. (2006). Yapay sinir ağları ve tahmin modellemesi üzerine bir uygulama, Yüksek lisans tezi, İstanbul Üniversitesi Sosyal Bilimler Enstitüsü, İstanbul.
• Bayrakdar, S. (2015). Türkiye İçin İşsizlik Histerisi Ya Da Doğal İşsizlik Oranı Hipotezini Geçerliliğinin Sınanması, Journal Of Economic Policy Researches, Cilt:2, Sayı:2, s.45-61.
• Benli, Y. K. (2005). “Bankalarda mali başarısızlığın öngörülmesi lojistik regresyon ve yapay sinir ağı karşılaştırması”. Gazi Üniversitesi Endüstriyel Sanatlar Eğitim Fakültesi Dergisi, (16): 31-46.
• Coleman, K. A. and Tettey K. F. A. (2008). Impact of macroeconomic indicators on stock market performance. The Journal of Risk Finance, 9(4), 365-378.
• Cuhadar, M., Güngör, I. and Göksu, A. (2009). Turizm talebinin yapay sinir ağları ile tahmini ve zaman serisi yöntemleri ile karşılaştırmalı analizi: Antalya iline yönelik bir uygulama. Süleyman Demirel Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 14(1): 99-114.
• Daşbaşı, B., Barak, D. and Celik, T. (2019). Türkiye için Makro Ekonomik Performans endeksinin Analizi (1990-2017): Yapay Sinir Ağı Yaklaşımı, Bingöl Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, Volume 3, Issue 1, p.93-112.
• Duruel, M. (2007). Avrupa Birliği’nde Uzun Dönemli İşsizliğe Karşı Uygulanan İstihdam Politikaları, Sosyal Siyaset Konferansları, Sayı: 53, 2007/2, Haşmet Başar’a Armağan Özel Sayısı, s. 375-421.
• Efe, O. and Kaynak, O. (2000). Yapay Sinir Ağları ve Uygulamaları. Boğaziçi Üniversitesi Yayınevi, İstanbul.
• Efendigil, T., Onut, S. ve Kahraman, C. (2009). “A decision support system for demand forecasting with artificial neural networks and neuro-fuzzy models: a comparative analysis”. Expert Systems with Applications, (36): 6697-6707.
• Erdoğan, E. and Ozyurek, H. (2012). Yapay Sinir Ağları ile Fiyat Tahminlemesi, Sosyal ve Beşeri Bilimler Dergisi Cilt 4, No 1.
• Erol, H. and Aytur, G. (2017). Türkiye’ de İşsizlik ve Sendikalaşma İlişkisi Üzerine Ekonometrik Bir Analiz, Aydın İktisat Fakültesi Dergisi, Cilt:2, Sayı: 2.
• Etci, Hilme and Karagöl, Veysel (2019). Türkiye’ de istihdam ve işsizlik: 2000- 2018, Munzur Üniversitesi sosyal bilimler dergisi, Cilt: 7, Sayı: 14
• Fausett, L. (1994). Fundamentals of Neural Networks: Architectures, Algorithms and Applications. New Jersey: Prentice Hall.
• Göktaş, A. and Işci, Ö. (2010). Türkiye’de İşsizlik Oranının Temel Bileşenli Regresyon Analizi ile Belirlenmesi, Selçık Üniversitesi Sosyal Ekonomik Araştırmalar Dergisi, Cilt 10, Sayı 20, ss.279-294.
• Gür, B. (2017). Türkiye’nin Makroekonomik Performansı Üzerine Bir Değerlendirme: 2002-2016 Dönemi, Social Science Studies Journal, Vol: 3, Issue, 6, s.726-737.
• Guris, Selahattin and Yaman, Berna (2018). OECD Ülkelerinde İşsizliği Etkileyen Faktörlerin Panel Veri Modelleri ile Analizi, Sosyal Bilimler Araştırma Dergisi, Cilt:7, Sayı: 1, s.136-146.
• Haider, Adnan and Hanif, Muhammad Nadeem (2009). Inflation forecasting in Pakistan using artificial neural networks, Pakistan Economic and Social Review, Vol. 47, No. 1, pp.123-138.
• Hamzaçebi, Coşkun (2011). Yapay Sinir Ağları: Tahmin Amaçlı Kullanımı, Matlab ve NeuroSolutions Uygulamalı. (1. Baskı). Bursa: Ekin Basım Yayın Dağıtım.
• Haykin, Simon (1999). Neural Networks A Comprehensive Foundation. (2 nd Edition). New Jersey: Prentice Hall.
• Hu, C. (2002). “Advanced Tourism Demand Forecasting: ANN and Box-Jenkins Modelling”. PhD diss., Purdue University.
• Kahyaoğlu, H., Tüzün, O., Ceylan, F. and Ekinci, R. (2016). İşsizlik Histerisinin Geçerliliği: Türkiye ve Seçilmiş AB Ülkeleri Üzerine Bir Uygulama, MCBÜ Sosyal Bilimler Dergisi, Cilt: 14, Sayı: 4.
• Karaali, F. Ç. and Ulengin, F. (2008). Yapay Sinir Ağları ve Bilişsel Haritalar Kullanılarak İşsizlik Oranı Öngörü Çalışması, İstanbul Teknik Üniversitesi Dergisi, Cilt:7, Sayı: 3, s.15-28.
• Karahan, Mehmet (2011). İstatistiksel Talep Tahmin Yöntemleri ile İhracat Miktarlarının Tahmini, Doktora Tezi, Selçuk Üniversitesi Sosyal Bilimler Enstitüsü, Konya.
• Karahan, Mehmet (2015). Turizm Talebinin Yapay Sinir Ağları Yöntemiyle Tahmin Edilmesi, Süleyman Demirel Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, Cilt: 20, Sayı: 2, ss. 195-209.
• Karahan, Mehmet (2015). Yapay Sinir Ağları Metodu ile İhracat Miktarlarının Tahmini: ARIMA ve YSA Metodunun Karşılaştırılmalı Analizi, Ege Akademik Bakış, Cilt: 3, Sayı:1.
• Kock, A.B. and Teräsvirta, T. (2016). Forecasting macroeconomic variables using neural network models and three automated model selection techniques. Econometric Reviews, 35(8–10), 1753–1779.
• Lewis, C.D. (1982). Industrial and Business Forecasting Methods. Butterworths Publishing, London.
• Monks, J.G. (1996). İşlemler yönetimi teori ve problemler. (Çeviren: Sevinç Üreten), Ankara, Nobel Yayın Dağıtım.
• Moshiri, S. and Cameron, N. (2000). Neural Network Versus Econometric Models in Forecasting Inflation, Journal of Forecasting, 19, pp.201-217
• OECD, (2019). OECD Data, https://data.oecd.org/, Erişim Tarihi: 25.12.2019.
• Özalp, A. and Anagün, A.S. (2003). “Yapay sinir ağı performansına etki eden faktörlerin analizinde Taguchi yöntemi: hisse senedi fiyat tahmini uygulaması”. İstatistik Araştırma Dergisi. 2(1): 29-45.
• Sevinçtekin, E. (2014). İmalat Sektöründe Yapay Sinir Ağları Uygulaması Yüksek Lisans Tezi, Yıldız Teknik Üniversitesi Fen Bilimleri Enstitüsü, İstanbul.
• Sonmez, F., Zontul, M. and Bulbul, S. (2015). Mevduat Bankalarının Karlılığının Yapay Sinir Ağları ile Tahmini: Bir Yazılım Modeli Tasarımı, BDDK Bankacılık ve Finansal Piyasalar, Cilt: 9, Sayı: 1.
• Tang, T. C. and Chi, L.C. (2005). “Neural networks analysis in business failure prediction of chinese ımporters: a between-countries approach”. Expert Systems With Applications, (29): 244–255.
• TCMB (2019). Turkey C. Merkez Bankası Veri Sayfası, https://www.tcmb.gov.tr/, Erişim Tarihi: 25.12.2019.
• Tekin, M. (2009). Üretim Yönetimi (6.Baskı), Günay Ofset, Konya.
• Tektaş, A. and Karatas A. (2004). Yapay Sinir Ağları ile Finans Alanına Uygulanması: Hisse Senedi Fiyat Tahminlemesi, Cilt: 18, Sayı: 3-4.
• Urfalıoğlu, F. and Tanriverdi, I. (2018). Anfis ve Regresyon Analizi ile Enflasyon Tahmini ve Karşılaştırması, Sosyal Bilimler Araştırma Dergisi, Cilt: 7, Sayı: 3, ss.120-141.
• Wıtt, S.F. and Wıtt, C.A. (2000), Modeling and Forecasting Demand in Tourism, Academic Press, Londra.
• World Bank (2019). Dünya Kalkınma Göstergeleri Veri Bankası, https://databank.worldbank.org/home.aspx, Erişim Tarihi: 25.12.2019.
• Yıldız, Birol (2001). Finansal Başarısızlığın Öngörülmesinde Yapay Sinir Ağı Kullanımı ve Halka Açık Şirketlerde Ampirik Bir Uygulama. İMKB Dergisi. 5 (17), 51-67.
• Yüksel, R. and Akkoc, S. (2016). Altın Fiyatlarının Yapay Sinir Ağları ile Tahmini ve Bir Uygulama, Doğuş Üniversitesi Dergisi, Cilt: 17, Sayı: 1, s.39-50.
• Zeren, F. and Erguzel, O.S. (2014). “Forecast share prices with artificial neural network in crisis periods”. Journal of Business Research-Turk, 6(3),16-28.