Türkiye İhracatının Tahmininde Makine Öğrenmesi Tabanlı Regresyon Modellerinin Performans Karşılaştırması

Creative Commons License

ÖÇAL B.

Süleyman Demirel Üniversitesi Vizyoner Dergisi, cilt.17, sa.51, ss.777-796, 2026 (TRDizin)

Özet

Bu çalışma, Türkiye’nin ihracat performansını etkileyen makroekonomik göstergeleri analiz ederek, ihracatla yüksek korelasyona sahip değişkenler aracılığıyla ihracatın gelecekteki seyrini tahmin etmek için kullanılabilecek en uygun makine öğrenmesi tabanlı regresyon modelini tespit etmeyi amaçlamaktadır. Çalışmada, Türkiye ve küresel ekonomiyle ilgili 12 farklı makroekonomik değişken kullanılmış ve bu değişkenler ile ihracat arasındaki ilişki korelasyon analiziyle incelenmiştir. İhracatla güçlü ilişki gösteren değişkenlere Python programlama dili kullanılarak, dört farklı ensemble tabanlı makine öğrenimi algoritması ile birlikte doğrusal bir model olan LASSO uygulanmıştır. Öngörü doğruluğunu tarafsız ve sağlam şekilde elde etmek için model performanları çapraz doğrulama çerçevesi kullanılarak değerlendirilmiştir. Sonuçlar, tüm modellerin yüksek öngörü performansı elde ettiğini göstermekle birlikte özellikle LASSO, neredeyse mükemmel açıklayıcılık ve düşük hata seviyesi ile en güçlü genel doğruluğu sağlamıştır. Ensemble yöntemleri arasında ise Gradient Boosting, en iyi performans gösteren yaklaşım olarak öne çıkmıştır. Elde edilen bulgular, regresyon yöntemlerinin Türkiye’nin ihracat dinamiklerini etkili şekilde yakalayabildiğini ve ihracat tahminleri için güvenilir bir temel sağladığını göstermektedir. Bu çalışma, Türkiye’nin ihracat dinamiklerini anlamaya yönelik metodolojik ve pratik açıdan literatüre katkıda bulunurken karar vericiler için de veriye dayalı politika geliştirme konusunda önemli çıkarımlar sağlayacaktır.
The study aims to identify the most suitable machine learning-based regression model that can be used to predict the future course of exports by analysing the macroeconomic indicators affecting Türkiye’s export performance and through variables with a high correlation with exports. The study utilises 12 different macroeconomic variables related to the Turkish and global economies, and the relationship between these variables and exports are examined using correlation analysis. For the variables showing a strong relationship with exports, the linear model LASSO is applied alongside four different ensemble-based machine learning algorithms, using the Python programming language. To obtain unbiased and robust predictive accuracy, model performances are evaluated using a cross-validation framework. The results demonstrate that all models achieve high predictive performance; however, LASSO, in particular, provides the strongest overall accuracy with near-perfect explanatory power and a low error rate. Among the ensemble methods, Gradient Boosting emerges as the approach with the best performance. The findings demonstrate that regression methods can effectively capture Türkiye’s export dynamics and provide a reliable foundation for export forecasts. The study contributes to the literature from both methodological and practical perspectives in understanding Türkiye’s export dynamics, whilst also supporting data-driven policy development for decision-makers.