Yeni korumacılığın gelişimi ve ithalat ile etkileşiminin yapay sinir ağları yöntemi ile incelenmesi: Türkiye örneği

Abstract

Bu çalışmada amaç; yeni korumacılığın serbest ticaret içerisindeki kullanım alanlarını incelemek ve yapay sinir ağları modeli kullanılarak ithalatın tahmin edebilecek en iyi mimarinin belirlenmesi ve yeni korumacılığın ithalat üzerindeki etkileşiminin ölçülmesidir. Bu kapsamda yeni korumacılığın tarihsel süreç içerisindeki gelişimi incelenmiş, yeni korumacılığın ithalat üzerindeki etkileşiminin diğer makro ekonomik değişkenler ile karşılaştırılması yapılmıştır. Analiz kısmında Türkiye'nin 1998-2020 yıllarına ait üç aylık veriler ile Harcama Yöntemi ile Gayri Safi Yurt İçi Hasıla (GSYİH), TÜFE bazlı Reel Efektif Döviz Kuru, ihracatın ithalatı karşılama oranı ve yeni korumacılık değişkenleri belirleyici değişken olarak kullanılmıştır. Yapay sinir ağları modeli kullanılarak farklı mimariler oluşturulmuş ve değişkenlerin ağırlıkları tespit edilmiştir. Değişkenlerin ağırlıklarının tespiti sonrası ortaya çıkan tahmini veriler ile gerçekte oluşan veriler karşılaştırılarak en uygun yapay sinir ağı mimarisi oluşturulmuştur. Oluşturulan yapay sinir ağı mimarisinin 0.95 oranı ile açıklayıcılığının yüksek olduğu belirlenmiştir. Gerçekleşen veriler ile tahmini verileri R2, RMSE ve VAF değerleri hesaplanarak karşılaştırılmıştır. Model içerisindeki 5 nöron hücresi ile yapılan denemelerde R2=0,95, RMSE=0,07 ve VAF= 95,09 olarak tespit edilmiştir. Öğrenme sürecinde çıktının tahmin edilebilmesi için girdilerin katsayı ağırlıkları hesaplanmıştır. Yeni korumacılık araçlarının model içerisindeki katsayısı 0,672724, GSYİH katsayısı -0,08987, reel döviz kurunun katsayısı -0,70297, ihracatın ithalatı karşılama oranının katsayısı ise 0,373448 olarak tespit edilmiştir. Elde edilen sonuçlar, ithalat tahmininde kullanılan değişkenler arasında yeni korumacılık araçlarının açıklayıcılığının yüksek, oluşturulan yapay sinir ağı modelinin tahmin edilebilirliğinin tutarlı ve güvenilirliğinin yüksek olduğunu göstermiştir.

The aim of this study; The aim of this study is to examine the usage areas of the new protectionism in free trade and to determine the best architecture to predict imports by using the artificial neural network model and to measure the interaction of the new protectionism on imports. In this context, the development of the new protectionism in the historical process was examined, and the interaction of the new protectionism on imports was compared with other macroeconomic variables. In the analysis part, Turkey's quarterly data for the years 1998-2020, Gross Domestic Product by Expenditure Method, CPI-based Real Effective Exchange Rate, export-import coverage ratio and new protectionism variables were used as determining variables. Different architectures were created using the artificial neural network model and the weights of the variables were determined. The most appropriate artificial neural network architecture was created by comparing the estimated data that emerged after the determination of the weights of the variables and the actual data. The most appropriate artificial neural network architecture was created by comparing the estimated data that emerged after the determination of the weights of the variables and the actual data. It has been determined that the artificial neural network architecture created has a high explanatory power with a ratio of 0.95. The actual data and the estimated data were compared by calculating R2, RMSE and VAF values. In experiments with 5 neuron cells in the model, R2=0.95, RMSE=0.07 and VAF= 95.09. In order to predict the output in the learning process, the coefficient weights of the inputs were calculated. The coefficient of the new protectionism tools in the model was 0.672724, the GDP coefficient was-0.08987, the coefficient of the real exchange rate was-0.70297, and the coefficient of the export-import coverage ratio was 0.373448. The results showed that the explanatory power of new protectionism tools is high among the variables used in import estimation, the predictability of the created artificial neural network model is consistent and its reliability is high.