Yapay Sinir Ağları Ve Bilişsel Haritalar Yöntemleri İle İşsizlik Oranı Ve İstiham Endeksi Seviyesi Öngörü Çalışması

Abstract

Bu çalışmanın amacı, yapay sinir ağları ve bilişsel haritalar yöntemleri aracılığı ile bir öngörü modeli kurulmasıdır. İlgili çalışma Türkiye’de işsizlik oranı ve imalat sektörü istihdam endeksi verileri için gerçekleştirilmiştir. Çalışmanın birinci aşamasında Türkiye ile ilgili makroekonomik alışmaları bulunan beş araştırmacının görüşleri bilişsel haritalar yöntemi ile birleştirilerek Türkiye’de işsizliği etkileyen değişkenler belirlenmiş; ikinci aşamasında ise belirlenen bu değişkenler yapay sinir ağında girdi seti olarak kullanılarak bir öngörü çalışması yapılmıştır. Çalışma sonucunda işsizlik oranı ve istihdam endeksi verileri için belirlenen en iyi modeller üzerinden öngörü modellerine göreceli olarak katkısı en yüksek olan değişkenler belirlenmiş ve yapay sinir ağlar ile elde edilen en iyi modeller doğrusal AR ve VAR modelleri sonuçları ile karşılaştırılmıştır. Çalışma sonuçları yapay sinir ağı modellerinin AR modellerine göre daha iyi performans gösterdiğini, VAR modellerine göre ise öngörü performanslarının daha düşük olduğunu göstermiştir.This study aims to develop a prediction model framework with the integrated use of artificial neural networks and cognitive mapping methodologies. The data set used in the prediction application are unemployment rates in Turkey and employment index levels in the manufacturing industry in Turkey. In the first stage of the study cognitive mapping methodology is used in the identification of the factors that have important impact on unemployment in Turkey by taking the views of five different experts who have made research on macroeconomic problems of Turkey. The variables identified by the experts are used in the second phase of the study as the input data set in developing a multi-variate forecasting model by using multi-layer feedforward neural networks. With the best models obtained, the relative importance of independent variables are evaluated and finally the best models obtained using neural networks methodology are compared with linear AR and VAR models. The comparison results indicate that ANN models perform better compared to AR models for the both data sets however, their performances are lower than the performance of VAR models.