Bölgelerle eş zamanlı kalmak: bölgesel input-output tablolarını tahmin etmek için hibrit bir makine öğrenimi çerçevesi

Bölgesel ekonomiler neden önemli

Bir fabrika kapandığında, yeni bir hastane açıldığında veya bir liman genişletildiğinde etkiler doğrudan işyerinin ötesine dalga dalga yayılır. Ekonomistler, tarım, imalat ve hizmetler gibi sektörler arasındaki para ve istihdam akışlarını izlemek için ayrıntılı "input–output" tablolarını kullanır. Ancak ülkeler içindeki birçok bölge için bu tabloları oluşturmak maliyetli ve veri gerektirdiğinden nadiren, hatta hiç güncellenmez. Bu makale, yerel ekonomilerin haritalarını modern makine öğrenimi kullanarak tahmin etmenin yeni bir yolunu sunuyor; planlamacılar, analistler ve yerel ekonomilerin nasıl birbirine bağlandığıyla ilgilenen herkes için daha hızlı ve daha doğru araçlar vaat ediyor.

Yerel ekonomik bağlantıları haritalama bulmacası

Input–output tabloları, bir ekonomide kimlerin kimden ne satın aldığını tanımlar: otomobil üreticilerinin ne kadar çelik satın aldığı, üreticilerin kaç tane hukuk hizmeti kullandığı vb. Ulusal tablolar birçok ülke için mevcutken, eyaletler, iller veya şehir bölgeleri gibi yerel versiyonlar genellikle eksiktir çünkü büyük, pahalı anketler gerektirir. Bunu aşmak için ekonomistler genellikle ulusal tablodan başlayıp bilinen bölgesel toplamlarla, örneğin sektörlere göre istihdam veya üretim gibi, eşleşecek şekilde basit matematiksel tariflerle yeniden biçimlendirir. Location quotients ve RAS gibi popüler kestirme yollar ucuz ve hızlıdır fakat sektörlerin kendilerine ve birkaç kilit ortağa yoğun olarak alış eğilimi gibi kritik desenleri çarpıtabilir. Bu çarpıtmalar altyapı, iklim politikası veya şok hazırlığına dair kararları yanıltabilir.

Eski ekonomi ile yeni algoritmaları harmanlamak

Yazarlar, klasik ekonomik yapıyı en son yapay zeka ile evlendiren hibrit bir çerçeve öneriyor. Bunun merkezinde, genellikle gerçekçi görüntüler oluşturmak için kullanılan bir tür üretici model olan GAN bulunuyor. Burada resimler yerine GAN, tarihsel verilerde gözlemlenenlere benzeyen bütün input–output tabloları oluşturmayı öğreniyor. Özel bir iç katman, üretilen her tablonun katı muhasebe kurallarına uymasını sağlıyor: satır ve sütun toplamları bilinen bölgesel rakamlarla eşleşmeli ve hücre değerleri negatif olamaz. Bu, makine öğrenimi modelini salt istatistiksel desenlerin peşinden gitmek yerine temel ekonomiyle bağlı tutuyor.

Taslağı ince ayar yapmak

İyi eğitilmiş bir GAN bile küçük, sistematik hatalar yapma eğilimindedir—örneğin belirli sektörlerin kendi aralarındaki ticareti hafifçe düşük tahmin etmek gibi. Bunu düzeltmek için yazarlar, artık residual boosting olarak bilinen ikinci bir aşama ekliyor. GAN en iyi tahminini ürettikten sonra, karar ağacı topluluğundan oluşan ayrı bir ansambl, GAN’in tipik hatalarını öğreniyor ve bir düzeltme öngörüyor. Düzeltilen tablo daha sonra gerçekçi olmayan değerleri önlemek için nazikçe ayarlanıyor. Bu iki aşamalı tasarım, akışların genel şekli ve yoğunlaşması gibi büyük resmi yakalamadaki GAN’in yeteneğinden yararlanırken, booster ile yerel detayları keskinleştiriyor. Yöntem ayrıca gerçek ekonomilerin birkaç çok büyük akışa ve birçok küçük akışa sahip olduğu, yani çarpık bir örüntüye sahip olduğu gerçeğinden besleniyor; modelin bu deseni açıkça taklit etmesi teşvik ediliyor.

Yöntemi teste sokmak

Bu hibrit yaklaşımın pratikte işe yarayıp yaramadığını görmek için yazarlar iki büyük veri seti üzerinde test ediyor: birçok ülkenin ulusal tablolarından oluşan bir koleksiyon ve düzinelerce sektör ve bölgeyi kapsayan küresel tedarik zincirlerini tanımlayan dünya input–output tabloları seti. Bu durumlarda gerçek tablolar bilindiğinden, araştırmacılar tahminlerini doğrudan gerçekle ve geliştirilmiş geleneksel RAS versiyonlarıyla karşılaştırabiliyor. Genel uyum, ortalama hatalar, ana köşegenin ne kadar iyi yeniden üretildiği ve büyük-küçük akışların düzensiz dağılımının ne kadar korunduğu gibi çok çeşitli ölçütlerde hibrit yöntem öne çıkıyor. Ulusal veri setinde geliştirilmiş RAS’a kıyasla standart uyum ölçüsünü yaklaşık dokuz puan iyileştiriyor ve sektör içi kendi kullanımını yakalama doğruluğunu iki kattan fazla artırıyor. Küresel tablolarda ise altta yatan yapıyı neredeyse kusursuza yakın şekilde yeniden üreterek daha da yakın bir uyum sağlıyor.

Gerçek dünya kararları için bunun anlamı

Uzman olmayanlar için ana mesaj şu: artık saha ekipleri kapı kapı dolaşmadan çok daha güvenilir bölgesel ekonomi tabloları oluşturabiliyoruz. Hibrit model, politika analistlerinin güvendiği tanıdık muhasebe mantığını korurken, ileri makine öğrenimi eskimiş araçların kaçırdığı ince düzenlilikleri keşfetmesine izin veriyor. Daha iyi bölgesel input–output tabloları, yerel şokların nasıl yayıldığına, hangi sektörlerin en kritik olduğuna ve politikaların iş, gelir ve emisyonlar üzerinden nasıl yankılanacağına dair daha güvenilir tahminlere dönüşüyor. Yöntem hâlâ iyi eğitim verilerine ve geleneksel yaklaşımlardan daha fazla hesaplama gücüne bağlı olsa da, güçlü performansı modern veri biliminin bölgesel kalkınma, dayanıklılık ve yapısal değişim bakışımızı önemli ölçüde keskinleştirebileceğini gösteriyor.

Atıf: De Pretis, F., Tortoli, D. & Caria, S. Keeping up with the regions: a hybrid machine learning framework for estimating regional input-output tables. Sci Rep 16, 10893 (2026). https://doi.org/10.1038/s41598-026-45382-8

Anahtar kelimeler: bölgesel input-output tabloları, ekonomik ağlar, makine öğrenimi, üretici modeller, bölgesel kalkınma