Makina Öğrenmesi Yoluyla İşsizlik Oranlarının Tahmini: Türkiye İçin Bir Uygulama

Authors : Gülferah Ertürkmen, Ali Öter

Pages : 869-886

Doi:10.15869/itobiad.1629420

View : 114 | Download : 133

Publication Date : 2025-06-30

Article Type : Research Paper

Abstract :Bu çalışma, Türkiye’de işsizlik oranlarının tahmini için geleneksel istatistiksel yöntemler ile makine öğrenmesi tekniklerini karşılaştırarak analiz etmektedir. İşsizlik oranları; ekonomik büyüme, enflasyon, nüfus artışı, göç hareketleri ve eğitim harcamaları gibi makroekonomik değişkenlerden etkilenmektedir. Bu nedenle, TÜİK verilerine dayalı olarak Rastgele Ormanlar (RF), Gradyan Artırma (GB) ve Çok Katmanlı Algılayıcı (MLP) gibi makine öğrenmesi algoritmaları kullanılarak işsizlik oranları tahmin edilmiş ve modellerin performansları karşılaştırılmıştır. Çalışmada, makine öğrenmesi modelleri arasından MLP modeli en düşük hata oranları ile en iyi tahmin performansını (MAE: 1,945, RMSE: 2,235) göstermiştir. RF ve GB modelleri belirli bir doğruluk seviyesine ulaşsa da, hata oranları MLP modeline kıyasla daha yüksek çıkmıştır. Bulgular, makine öğrenmesi tekniklerinin işsizlik tahmininde geleneksel istatistiksel modellere göre daha başarılı olduğunu göstermektedir. Özellikle MLP modeli, doğrusal olmayan ilişkileri öğrenebilme kapasitesi sayesinde diğer modellere göre daha hassas tahminler sunmuştur. Ayrıca, yapılan korelasyon analizleri, işsizlik oranlarının enflasyon, ekonomik büyüme ve göç hareketleri ile anlamlı ilişkiler içinde olduğunu ortaya koymuştur. Ekonomik büyümenin işsizlik üzerindeki negatif etkisi belirgin şekilde gözlemlenirken, göç hareketlerinin işsizlik oranlarını artırabileceği tespit edilmiştir. Özellikle enflasyon ve eğitim harcamaları arasındaki negatif korelasyon, ekonomik istikrarsızlık dönemlerinde eğitim yatırımlarının azaldığını göstermektedir. Bu çalışmada, makine öğrenmesi teknikleri kullanılarak 2025, 2026 ve 2027 yıllarına ait işsizlik oranları tahmin edilmiştir. Yapılan analizler sonucunda, 2025 yılında işsizlik oranının %9,2 ile %11,5 arasında değişmesi beklenirken, 2026 yılında bu oranın %8,8 ile %11,0 seviyelerinde olacağı öngörülmüştür. 2027 yılı tahminlerine göre ise işsizlik oranının %8,5 ile %10,7 seviyelerine gerileyeceği hesaplanmıştır. Analiz sonuçları, MLP modelinin TÜİK verilerine en yakın tahminleri sunduğunu göstermektedir. RF ve GB modelleri ise işsizlik oranlarını %9-14 aralığında tahmin ederek daha geniş bir hata payına sahip olmuştur. Bu tahminler, ekonomik politika yapıcıları ve işgücü piyasası analistleri için önemli bir rehber niteliğinde olup, işsizlik oranlarının gelecekteki seyri hakkında öngörüler sunmaktadır.
Keywords : İşsizlik, Makine Öğrenmesi, İşsizlik Oranı Tahmini, Rastgele Ormanlar, Gradyan Artırma, Çok Katmanlı Algılayıcı

ORIGINAL ARTICLE URL