Türkiye'nin ihracat değerlerinin yapay sinir ağları ile tahmini

Abstract

Yaklaşık iki buçuk asırlık bir geçmişe sahip olan ve dışa açık ekonomiler için büyük önem arz eden dış ticaret kavramı günümüz küresel rekabet ortamında ülke ekonomilerinin gelişmesi ve kalkınmasında kilit rol oynamaktadır. Dış ticaret işlemleri içerisinde ihracat önemli bir yer kaplamaktadır. Çünkü ihracat, ekonomik büyüme, döviz ve sermaye girdisi arasında itici bir güç bulunmaktadır. Bu çalışmada öncelikle Türkiye'nin 2002-2017 tarihlerini kapsayan yıllık verileri kullanılarak ihracatı etkileyen değişkenlerin tespiti amacı ile yapısal eşitlik modeli kurulmuştur. Modelde literatürde yer alan çalışmalara göre ihracatı etkileyebileceği düşünülen gayri safi sermaye oluşumu, sanayi, tasarruf, kur, lojistik, GSYİH, kişi başına düşen GSYİH, ticari servis ve mal ihracatı bağımsız değişkenleri kullanılmıştır. Analiz sonucunda bağımsız değişkenlerin ihracat bağımlı değişkenini % 99 gibi yüksek oranda açıkladığı belirlenmiştir. Modelin CR, AVE ve Cronbach's Alpha değerlerinin eşik değerlerini aştığı ve böylelikle modelin güvenilirlik ve iç geçerliliğinin tatmin edici bir şekilde karşılandığı görülmüştür. Ticari servis ve mal ihracatı bağımsız değişkenlerinin ihracat bağımlı değişkeni üzerinde olumlu ve anlamlı ve etkisi olduğu saptanırken diğer bağımsız değişkenlere kıyasla lojistik değişkeninin ihracat bağımlı değişkeni için daha yüksek önceliğe sahip olduğu görülmüştür. Araştırma modelinin % 99 oran ile yüksek bir genellenebilirliğe sahip olduğu belirlenmiştir. Analizin son kısmında aynı değişkenler kullanılarak yapay sinir ağları ile bir model kurulmuştur. Yapay sinir ağları ile kurulan modelde 2 – 9 gizli katman ile tahminler oluşturulmuştur ve gerçek değerler ile tahmin değerleri R2, RMSE, MAE ve MAPE (%) değerleri hesaplanarak karşılaştırılmıştır. Modelde 9 gizli katmanda R2=0,99, RMSE=3611616, MAE=2613313 ve MAPE= %45,14141 olarak hesaplanmıştır. Bu durum yapılan denemeler sonucunda en iyi sonucun gizli katman sayısı 9 olduğunda ortaya çıktığını göstermektedir. Modelde ağın gizli katman sayısı arttıkça istatistiksel olarak daha anlamlı sonuçlar elde edileceği doğrulanmıştır.

The concept of foreign trade, which has a history of about two and a half centuries and which is of great importance for the open economies, plays a key role in the development and development of national economies in today's global competition environment. Exports have an important place in foreign trade transactions. Because, there is a driving force between export, economic growth, foreign exchange, and capital inflow. This study, the first in Turkey with the aim to identify the variables that affect the export using annual data covering 2002-2017 dates for the structural equation model was established. According to the studies in the literature, independent variables such as gross capital formation, industry, savings, exchange rate, logistics, GDP, per capita GDP, commercial service, and export of goods are used. As a result of the analysis, it was determined that the independent variables explained the export dependent variable as high as 99%. It was observed that the model's CR, AVE and Cronbach's Alpha values exceeded the threshold values, thus satisfying the reliability, and internal validity of the model. While the independent variables of commercial service and goods export have a positive and meaningful effect on the export dependent variable, it is seen that the logistic variable has higher priority for the export dependent variable compared to other independent variables. The research model was found to have a high generalizability of 99%. In the last part of the analysis, a model was established with artificial neural networks using the same variables. Estimates were calculated with 2 - 9 hidden layers in the model established with artificial neural networks and the real values and predicted values were compared by calculating the values of R2, RMSE, MAE and MAPE (%). In the model, in the 9 hidden layers R2 = 0.99, RMSE = 3611616, MAE = 2613313 and MAPE = 45,14141%. this shows that the best result is the number of hidden layers 9. As the number of hidden layers of the network increased, statistically significant results were obtained.