Öz
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
Anahtar Kelimeler
Kaynakça
- Huang, W., Lai, K.K., Nakamori, Y., Wang, S., Yu, L., “Neural Networks in Finance and Economics Forecasting”, International Journal of Information Technology and Decision Making, Vol. 6, No.1, 113-140, 2007.
- Sukirno, S., Makroekonomi: Teori Pengantar, 1st ed., PT Raja Grafindo Persada, Jakarta, 2008.
- Liliana, Napitupulu, T. A., “Artificial Neural Network Application in Gross Domestic Product Forecasting an Indonesia Case”, Journal of Theoretical and Applied Information Technology, Vol. 45, No. 2, pp. 410-415, 2012.
- Kaplan, M., Tekeli, R., Ekonomide Bekleyişler ve Tahmin: Yapay Sinir Ağları Uygulamaları, Konya: Tablet Yayınları, 2008.
- TÜİK, www.tuik.gov.tr , Erişim tarihi: 20.09.2013
- Kubat C., Elinizin Altındaki Matematik Laboratuvarı: Matlab: Yapay Zekâ ve Mühendislik Uygulamaları, İstanbul: Pusula Yayıncılık, 2013.
- Hamzaçebi C., Yapay Sinir Ağları: Tahmin Amaçlı Kullanımı Matlab ve Neurosolutions Uygulamalı, Bursa: Ekin Yayıncılık, 2011.
- Zhang, G., Patuwo, B. E. ve Hu, M. Y., “Forecasting with artificial neural networks: the state of the art”, International Journal of Forecasting, 14, ss.35-6, 1998.
- Tkacz, G., “Neural Network Forecasting of Canadian GDP Growth”, International Journal of Forecasting, 17, 57-69, 2001.
- Junoh, M. Z. H. M., ”Predicting GDP Growth in Malaysia Using Knowledge- Based Economy Indicators: A Comparison Between Neural Network and Econometric Approach”, Sunway College Journal, Vol. 1, 39-50, 2004.
- Düzgün, R., “A Comparison of Artificial Neural Networks and ARIMA Models Success in GDP Forecast”, Marmara Üniversitesi İ. İ. B. F. Dergisi, Cilt.XXV, Sayı. 2, 2008, s. 165-176, 2008.
- Mirbagheri, M., “Fuzzy Logic and Neural Network Fuzzy Forecasting of Iran GDP Growth”, African Journal of Business Management, Vol.4, No.6, 925-929, 2010.
- Fausett, L., Fundamentals of Neural Networks: Architecture, Algoritma and Applications, New Jersey: Printice Hall, 1994.
- Zhang, X., Liu, Y., Yang, M., Zhang, T., Young, A. A., Li, X., “Comparative Study of Four Time Series Methods in Forecasting Typhoid Fever Incidence in China”, PloS ONE, 8(5): e63116, 2013.
- Kaynar, O., Taştan S. ve Demirkoparan F., “Ham Petrol Fiyatlarinin Yapay Sinir Ağlari ile Tahmini”, Ege Akademik Bakış / Ege Academic Review, 10 (2): 561-575, 2010.
- Erilli, N.A., Eğrioğlu, E., Yolcu, U., Aladağ, Ç.H. ve Uslu, V.R., “Türkiye’de Enflasyonun İleri ve Geri Beslemeli Yapay Sinir Ağlarının Melez Yaklaşımı İle Öngörüsü”, Doğuş Üniversitesi Dergisi, 11(1):42-55, 2010.
- Öztemel, E., Yapay Sinir Ağları, İstanbul: Papatya Yayıncılık, 2003.
Öz
Bir ülkenin gelecek yıllara ait ekonomik büyüme tahminleri, ticari kuruluşlar için iş planlarının belirlenmesinde ve hükümetler için mali 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.
Anahtar Kelimeler
Kaynakça
- Huang, W., Lai, K.K., Nakamori, Y., Wang, S., Yu, L., “Neural Networks in Finance and Economics Forecasting”, International Journal of Information Technology and Decision Making, Vol. 6, No.1, 113-140, 2007.
- Sukirno, S., Makroekonomi: Teori Pengantar, 1st ed., PT Raja Grafindo Persada, Jakarta, 2008.
- Liliana, Napitupulu, T. A., “Artificial Neural Network Application in Gross Domestic Product Forecasting an Indonesia Case”, Journal of Theoretical and Applied Information Technology, Vol. 45, No. 2, pp. 410-415, 2012.
- Kaplan, M., Tekeli, R., Ekonomide Bekleyişler ve Tahmin: Yapay Sinir Ağları Uygulamaları, Konya: Tablet Yayınları, 2008.
- TÜİK, www.tuik.gov.tr , Erişim tarihi: 20.09.2013
- Kubat C., Elinizin Altındaki Matematik Laboratuvarı: Matlab: Yapay Zekâ ve Mühendislik Uygulamaları, İstanbul: Pusula Yayıncılık, 2013.
- Hamzaçebi C., Yapay Sinir Ağları: Tahmin Amaçlı Kullanımı Matlab ve Neurosolutions Uygulamalı, Bursa: Ekin Yayıncılık, 2011.
- Zhang, G., Patuwo, B. E. ve Hu, M. Y., “Forecasting with artificial neural networks: the state of the art”, International Journal of Forecasting, 14, ss.35-6, 1998.
- Tkacz, G., “Neural Network Forecasting of Canadian GDP Growth”, International Journal of Forecasting, 17, 57-69, 2001.
- Junoh, M. Z. H. M., ”Predicting GDP Growth in Malaysia Using Knowledge- Based Economy Indicators: A Comparison Between Neural Network and Econometric Approach”, Sunway College Journal, Vol. 1, 39-50, 2004.
- Düzgün, R., “A Comparison of Artificial Neural Networks and ARIMA Models Success in GDP Forecast”, Marmara Üniversitesi İ. İ. B. F. Dergisi, Cilt.XXV, Sayı. 2, 2008, s. 165-176, 2008.
- Mirbagheri, M., “Fuzzy Logic and Neural Network Fuzzy Forecasting of Iran GDP Growth”, African Journal of Business Management, Vol.4, No.6, 925-929, 2010.
- Fausett, L., Fundamentals of Neural Networks: Architecture, Algoritma and Applications, New Jersey: Printice Hall, 1994.
- Zhang, X., Liu, Y., Yang, M., Zhang, T., Young, A. A., Li, X., “Comparative Study of Four Time Series Methods in Forecasting Typhoid Fever Incidence in China”, PloS ONE, 8(5): e63116, 2013.
- Kaynar, O., Taştan S. ve Demirkoparan F., “Ham Petrol Fiyatlarinin Yapay Sinir Ağlari ile Tahmini”, Ege Akademik Bakış / Ege Academic Review, 10 (2): 561-575, 2010.
- Erilli, N.A., Eğrioğlu, E., Yolcu, U., Aladağ, Ç.H. ve Uslu, V.R., “Türkiye’de Enflasyonun İleri ve Geri Beslemeli Yapay Sinir Ağlarının Melez Yaklaşımı İle Öngörüsü”, Doğuş Üniversitesi Dergisi, 11(1):42-55, 2010.
- Öztemel, E., Yapay Sinir Ağları, İstanbul: Papatya Yayıncılık, 2003.
Ayrıntılar
| Birincil Dil | Türkçe |
|---|---|
| Bölüm | Makaleler |
| Yazarlar | |
| Yayımlanma Tarihi | 24 Nisan 2015 |
| Gönderilme Tarihi | 17 Temmuz 2014 |
| Yayımlandığı Sayı | Yıl 2015Cilt: 16 Sayı: 1 |
Cumhuriyet Üniversitesi İktisadi ve İdari Bilimler Dergisi Creative Commons Atıf-GayriTicari 4.0 Uluslararası Lisansı (CC BY NC) ile lisanslanmıştır.