Ulusal Gayri Safi Yurtiçi Hasıla Tahmini için hafif bir sinir ağı yaklaşımı (LightNet-GDP) ve regresyon kıyaslamaları

Bir ülkenin gelirini tahmin etmenin neden önemi var

Hükümetler, yatırımcılar ve sıradan vatandaşlar, ülkelerinin önümüzdeki yıllarda ekonomi olarak nasıl performans göstereceğini merak eder. Bu performansın temel ölçütlerinden biri Gayri Safi Yurtiçi Hasıla (GSYH) — üretilen tüm mal ve hizmetlerin toplam değeri — dir. GSYH’yi doğru ve maliyeti düşük biçimde tahmin edebilmek; vergi politikası, sosyal harcamalar, iş genişlemeleri ve hatta nerede çalışılması veya eğitim alınması gibi kişisel kararlar için yol gösterici olabilir. Bu makale, süper bilgisayarlara veya büyük veri akışlarına ihtiyaç duymadan güvenilir GSYH tahminleri vaat eden yeni, sadeleştirilmiş bir yapay zeka modelini sunuyor.

Karmaşık bir dünya için basit bir model

Yazarlar, özellikle ulusal GSYH’yi tahmin etmek üzere tasarlanmış “hafif” bir sinir ağı olan LightNet-GDP’yi tanıtıyor. Finans alanında sıklıkla kullanılan büyük ve çok enerji tüketen yapay zeka sistemlerinden farklı olarak bu model kompakt: az sayıda katman ve önemli desenleri yakalamaya odaklanan akıllı tasarım seçimleriyle gereksiz karmaşıklıktan kaçınıyor. Ağ, nüfus, okuryazarlık oranları, ekonomide tarım veya sanayinin payı, göç akımları gibi temel ülke bilgilerini alıp kişi başına düşen gelir tahmini üretiyor. Amaç; doğruluk, hız ve yorumlanabilirlik arasında bir denge kurmak; böylece veri açısından kısıtlı hükümetler veya kurumlar bile bu modeli kullanabilsin.

Veriyi temizleme ve anlama

Herhangi bir model kurulmadan önce araştırmacılar, kamu kaynaklarından derlenmiş 227 ülke ve bölgeyi içeren bir veri setini titizlikle hazırladı. Her birine ilişkin nüfus yoğunluğu, kıyı uzunluğu, bebek ölümlülüğü, telefon erişimi ve tarım-sanayi-hizmet dağılımı gibi demografik, sosyal ve ekonomik göstergeler toplandı. Gerçek dünya verileri dağınık olduğundan ekip, eksik girdileri makul tahminlerle doldurdu, farklı değişkenlerin ölçeklerini standartlaştırdı ve her özelliğin GSYH ile ilişkisini inceledi. Isı haritaları ve dağılım grafikleri, örneğin yüksek okuryazarlığın genellikle yüksek GSYH ile birlikte olduğunu; yüksek bebek ölümlülüğünün ise daha yoksul ülkelerde daha yaygın olduğunu ortaya koydu. Ayrıca modelin küçük ve sağlam kalmasına yardımcı olmak için girdi listesini bilgi verici ama gereksiz tekrar içermeyenlere indirgediler.

Hafif yapay zekayı teste tabi tutmak

LightNet-GDP’nin gerçekten faydalı olup olmadığını değerlendirmek için yazarlar onu tanıdık bir dizi tahmin aracına karşı kıyasladılar. Bunlar arasında doğrusal regresyon gibi basit yöntemlerin yanı sıra karar ağaçları, rastgele ormanlar ve popüler boosting algoritmaları gibi daha esnek teknikler de vardı. Tüm modeller aynı temizlenmiş veri seti üzerinde eğitildi ve test edildi; tahminlerin gerçek GSYH değerlerinden ne kadar saptığı ve ülkeler arasındaki varyasyonun ne kadarını açıklayabildikleri gibi çeşitli ölçütlerle değerlendirildiler. LightNet-GDP, ortalama hatalarda daha düşük değerler ve gelirdaki farklılıkları açıklama konusunda güçlü bir yetenek gösterirken, birçok rakip makine öğrenimi yaklaşımına kıyasla çok daha küçük ve daha az hesaplama gerektiren bir yapı sergiledi.

Gürültülü bir ekonomide kararlı tahminler

Ekonomik veriler kötü şöhretle istikrarsızdır: ani şoklar, politika değişiklikleri veya ölçüm hataları düz desenleri bozabilir. Bunu taklit etmek için araştırmacılar verilerini kasıtlı olarak biraz karıştırdı (girdi değerlerini hafifçe pertürbe etti) ve modelin tahminlerinin ne kadar değiştiğini kontrol ettiler. LightNet-GDP’nin hatası yalnızca hafifçe arttı; bu da tahminlerinin kırılgan değil, dayanıklı olduğunu gösteriyor. Yazarlar, modelin en çok hangi faktörlere dayandığını görmek için SHAP adlı açıklanabilir yapay zeka tekniğini kullanarak bir adım daha ileri gittiler. Nüfus yoğunluğu, göç ve sanayi faaliyetinin GSYH tahminlerinde özellikle güçlü roller oynadığı bulundu; bu da iş gücü, insan hareketliliği ve üretken sektörlerin önemine dair iyi bilinen ekonomik sezgiyle örtüşüyor.

Bu, gerçek dünya kararları için ne anlama geliyor

Günlük ifadeyle çalışma, dikkatle tasarlanmış, orta büyüklükte bir yapay zeka modelinin ülkelerin ekonomik çıktısını, daha ağır ve uygulanması zor yöntemler kadar iyi ya da daha iyi biçimde tahmin edebileceğini gösteriyor. LightNet-GDP nispeten çalıştırılması ve yorumlanması kolay olduğundan hükümet panellerine, durgunluklara karşı erken uyarı sistemlerine veya kalkınma ajanslarının ilerlemeyi takip etmesini sağlayan araçlara entegre edilebilir. Henüz uzun dönemli eğilimleri zaman içinde yakalamasa da temel ulusal istatistiklerin akıllıca kullanımıyla ekonominin gücüne dair sağlam, anlaşılır tahminler elde edilebileceğini gösteriyor — dünya çapında daha erişilebilir, veri odaklı karar alma süreçlerine yönelik pratik bir adım sunuyor.

Atıf: Raghavendran, C.V., Mouli, K.C., Latha, S.B. et al. A lightweight neural network approach for predicting national Gross Domestic Product (LightNet-GDP) with regression benchmarks. Sci Rep 16, 6634 (2026). https://doi.org/10.1038/s41598-026-37672-y

Anahtar kelimeler: GSYH tahmini, sinir ağları, ekonomik göstergeler, makine öğrenimi, ekonomik planlama