HAKAN HOTUNLUOĞLU, İsmet GÖÇER, Mehmet MERCAN

Türk bütçe dengesinin yapay sinir ağları yöntemiyle tahmini

Kamu gelir ve giderleri arasındaki denge ülkelerin ekonomik kalkınma ve bu kal- kınmayı sürdürebilmesi açısından önem arz etmektedir. Gelir ve gider arasında- ki dengesizliklerin temel nedenleri literatürde ekonomik ve siyasi nedenler olarak iki başlık altında değerlendirilmiştir. Bütçe dengesi üzerinde etkili olan ekonomik değişkenler işsizlik, ekonomik krizlerin varlığı, enflasyon ve borç stoku olarak değerlendirilmektedir. Siyasi nedenlerin bütçe üzerindeki etkisi de genellikle seçimlerin yapıldığı yıllardaki artan kamu harcamalarına bağlanmaktadır. Bu çalışmada Türkiye’nin bütçe dengesi geleneksel yöntemlerden farklı olarak bir yapay zeka uygulaması olan Yapay Sinir Ağları yöntemi ile analiz edilecek- tir. Bütçe dengesi üzerinde etkili olan ekonomik ve siyasi göstergeler kullanılarak Türkiye’nin bütçe dengesi tahmini gerçekleştirilecek ve bu bütçe tahmininde Yapay Sinir Ağları yönteminin kullanılabilirliği araştırılacaktır.

Turkish budget balance estimate with artificial neural networks method

The balance between public revenues and expenditures are crucial for econo- mic development and to sustain this development. In the literature, the Main reasons of imbalances between revenue and expenditure considered under two he- adings: economic and political reasons. Economic reasons that affect the budget balance are unemployment, economic growth, economic crises, inflation and the debt stock. The effects of Political reasons on the budget are usually attributed to increased public spending in election years. In this study, the budget balance, unlike traditional methods, will be analyzed by artificial neural networks. Turkey’s budget balance will be estimated using eco- nomic and political indicators. Particularly, the availability of this method in budget balance estimation will be investigated.

PDF

___

BULUT, C. ve CANBOLAT, Y.B. (2003) “Türkiye Ekonomisi’nde artan Kamu Açıklarının Enflasyon, Fazi Oranı ve Döviz Kuru Üzerindeki Etkileri” Journal of Qafqaz University, 12, 13-28.
DPT, Devlet Planlama Teşkilatı.
EDWARDS, S. and TABELLİNİ, G., (1991) “Explaining fiscal policies and inflation in developing countries” Journal of International Money and Finance 10, 516–548.
EFE, Ö. ve KAYNAK, O. (2004) Yapay Sinir Ağları ve Uygulamaları, Boğaziçi Üniversitesi. İstanbul.
GALUSHKIN, A.I. (2007) Neural Networks Theory, Springer- Verlag Berlin Heidelberg
GIMENO, F. A. and JURADO, I. (2011) “Minority governments and budget deficits: The role of the opposition” European Journal of Political Economiy, 554-565.
GRILLI, V., MASCİANDARO, D. and TABELLİNİ, G., 1991. Political and monetary institutions and public financial policies in the industrial countries. Economic Policy 6, 342–392.
HAMZAÇEBİ, C. ve KUTAY, F, (2004) Yapay Sinir Ağları İle Türkiye Elektrik Enerjisi Tüketiminin 2010 Yılına Kadar Tahmini, Gazi Üniv. Müh. Mim. Fak. Der. 19 (3), 227-233..
HANSEN, J.V. ve NELSON, R.D. (1997) “Neural Networks and Traditional Time Series Methods: A Synergistic combination in State Economic Forecasts”, IEEE Transactions on Neural Networks, 8 (4), 863-873.
HAYKIN, S. (2001) Neural Networks A Comprehensive Foundation, Pearson Education, Singapore.
KAASTRA, I. and BOYD, M. (1996) “Designing a Neural Network for Forecasting Financial and Economic Time Series” Neurocomputing, cilt: 10, 215-236.
KAPLAN, M. ve TEKELİ, R. (2008) Ekonomide Bekleyişler ve Tahmin, Yapay Sinir Ağları Uygulamaları, Tablet Yayınları, Konya.
MAO, H., LIU, D., JIN, Y. and LIN, J. (2010) “Forecasting model on general budget revenue of regional finance based on dynamic combination of BP neural Network” 2010 International Conference of Information Science and Management Engineering, 282-286.
MINSKY, M. and PAPERT, S. (1969). Perceptrons. MIT Press, Cambridge.
MURAT, Y. S. ve CEYLAN, H. (2006) “Use of Artificial Neural Networks for Transport Energy Demand Modeling” Energy Policy, 34, 3165-3172.
ÖZTEMEL, E. (2006) Yapay Sinir Ağları, Papatya Yayıncılık, İstanbul.
PALAU, A., VELO, E. and PUIGJANER, L. (1999) “Use of Neural Networks and Expert Systems to Control a Gas/Solid Sorption Chilling Machine” International Journal of Refrigeration, 22, 59-66.
PICHÉ, S.W. (1994) “Steepest Descent Algorithms for Neural Network Controllers and Filtres”, IEEE Transactions on Neural Networks, 5 (2), 198-212.
ROUBINI, N., (1991) “Economic and political determinants of budget deficits in developing countries” Journal of International Money and Finance 10, 549–572.
ROUBINI, N., SACHS, J., (1989) “Government spending and budget deficits in the industrial countries” Economic Policy 4, 100–132.
SHARDA, R. ve PATIL, R. (1992) “Connectionist Approach to Time Series Prediction: An Empirical Test”, Journal of Intelligent Manufacturing, 3 (5), 317-323.
TCHORZEWSKI, J ve WROBEL, L (2011) “Using the matlab and neural network toolbox fort he purpose of state budget identification” Informatıon Systems In Management IX: Business Intelligence and Knowledge Management WULS Press, Warsaw.
VOLKERINK, B., de HAAN, J., (2001) “Fragmented government effects on fiscal policy” Public Choice 109, 221–242.
YURTOĞLU, H. (2005) Yapay Sinir Ağları Metodolojisi ile Öngörü Modellemesi: Bazı Makroekonomik Değişkenler için Türkiye Örneği, Uzmanlık Tezi, Ekonomik Modeller ve Strateji Araştırmalar Genel Müdürlüğü, Devlet Planlama Teşkilatı, No:2683.
YUSOF, N.B.M. (2005) “Time series modelling and Designing of artifical neural networks (ANN) for Revenue forecasting”, Faculty of Computer Science and Infırmation, System, Universiti Teknologi Malaysia, Yayınlanmamış Yüksek Lisans Tezi.