Akademik Veri Yönetim Sistemi
19TH INTERNATIONAL CONFERENCE ON ENGINEERING & NATURAL SCIENCES, Dubai, Birleşik Arap Emirlikleri, 14 Şubat - 18 Mayıs 2026, ss.1080-1100, (Tam Metin Bildiri)
Bu çalışmada, Türkiye'nin kişi başına düşen GSYİH'si (cari USD) bazı elektrik üretim göstergeleri ile Yapay Sinir Ağları (YSA) kullanılarak modellenmiş ve 10 yıllık bir tahmin üretilmiştir. Elektrik üretimini temsil eden üç girdi şunlardır: doğal gaz bazlı üretim (𝑥₁), hidroelektrik üretim (𝑥₂) ve sıvı yakıt bazlı üretim (𝑥₃). Veriler Dünya Bankası'nın Dünya Kalkınma Göstergeleri'nden (WDI) alınmıştır. Veri seti 1970 − 2024 dönemini kapsamakta ve 𝑁 = 55 gözlem içermektedir. Normalizasyondan önce özellik seçimi uygulanmıştır. Düşük varyans elemesi, Spearman korelasyon taraması ve çoklu doğrusallık azaltma işlemlerinin ardından MRMR sıralaması yapılmıştır. Bu işlem sonucunda, üç değişken için sırasıyla 0,809, 0,587 ve 0,452 Spearman korelasyon değerleri elde edilmiş ve tüm girdiler modele dahil edilmiştir (𝐾 = 3). Normalizasyon, Min-Max yöntemi kullanılarak gerçekleştirilmiştir. Ağlar MATLAB R2024b ortamında eğitilmiştir. Veri bölme oranı %70– %15– %15 olup eğitim algoritması Levenberg–Marquardt’tır. Beş nöronlu tek gizli katmanlı ağ yapısında on iki farklı aktivasyon fonksiyonu karşılaştırıldı. Her fonksiyon için 5 tekrar olmak üzere toplam 60 eğitim oturumu gerçekleştirildi. Friedman testine göre istatistiksel olarak anlamlı farklılıklar gözlemlendi (𝑝 = 3,27 × 10⁻⁵). Tüm adaylar arasında 𝑙𝑜𝑔𝑠𝑖𝑔 aktivasyon fonksiyonu en düşük ortalama doğrulama hatasını üretti (Ortalama MSE=0.004054; Kararlılık İndeksi=0.6186). Nöron optimizasyonu 𝐻 ∈ {1,2,3,4,5,6,7,8,9,10,15} için gerçekleştirildi. Her yapı için 20 tekrar yapıldı. Toplam 220 eğitim gerçekleştirildi. Böylece 𝑙𝑜𝑔𝑠𝑖𝑔 aktivasyonu için en iyi yapının 𝐻 = 4 olduğu belirlendi (Ortalama ValMSE=0.004828; Standart Sapma ValMSE=0.004730). İlgili ağırlıklandırma ve sapma katsayıları (𝐼𝑊, 𝐿𝑊, 𝑏₁, 𝑏₂) elde edildi ve model kapalı formda ifade edildi. Elde edilen ANN modeli güçlü bir tahmin performansı sergilemektedir. Normalleştirilmiş alanda 𝑅𝑀𝑆𝐸 = 0.0556, 𝑀𝐴𝐸 = 0.0357 ve 𝑅² = 0.9625 elde edildi. Gerçek ölçekte ise 𝑅𝑀𝑆𝐸 = 836.73 ve 𝑀𝐴𝐸 = 536.98 elde edilmiştir. Duyarlılık analizi, doğal gaz bazlı elektrik üretiminin baskın rol oynadığını göstermektedir (𝑆₁ = 0.4918). Bunu hidroelektrik enerji üretimi (𝑆₂ = 0.2258) ve sıvı yakıt bazlı üretim (𝑆₃ = 0.0858) izledi. Son olarak, 2025 − 2034 dönemi için kişi başına düşen GSYİH tahmini 15473,29' dan 16779,06' ya yükseliyor. Genel olarak, bulgular elektrik üretim göstergelerinin kişi başına düşen GSYİH için güçlü tahmin edici bilgiler içerdiğini göstermektedir.
In this study, Türkiye's per capita GDP (current USD) and some electricity production indicators were modeled using Artificial Neural Networks (ANNs), and a 10-year forecast was generated. Three inputs represent electricity production: natural gas-based production (𝑥₁), hydroelectric production (𝑥₂), and liquid fuel-based production (𝑥₃). Data were obtained from the World Bank’s World Development Indicators (WDI). The dataset covers the period 1970– 2024 and consists of 𝑁 = 55 observations. Feature selection was applied before normalization. Low variance elimination, Spearman correlation screening, and collinearity reduction were followed by MRMR ranking. As a result of this process, Spearman correlation values of 0.809, 0.587, and 0.452 were obtained for the three variables, respectively, and all inputs were included in the model (𝐾 = 3). Normalization was performed using the min-max method. The networks were trained in MATLAB R2024b. The data split was 70%– 15%– 15%, and the training algorithm was Levenberg–Marquardt. Twelve different activation functions were compared in a single hidden layer network structure with five neurons. A total of 60 training sessions were conducted, with 5 repetitions for each function. According to the Friedman test, statistically significant differences were observed (𝑝 = 3.27 × 10⁻⁵). Among all candidates, the logsig activation function produced the lowest mean validation error (𝑀𝑒𝑎𝑛 𝑀𝑆𝐸 = 0.004054; 𝑆𝑡𝑎𝑏𝑖𝑙𝑖𝑡𝑦 𝐼𝑛𝑑𝑒𝑥 = 0.6186). Neuron optimization was performed in the range 𝐻 ∈ {1,2,3,4,5,6,7,8,9,10,15}. A total of 220 training sessions were conducted, with 20 repetitions for each construct, and the best construct for 𝑙𝑜𝑔𝑠𝑖𝑔 activation was determined to be 𝐻 = 4 (𝑀𝑒𝑎𝑛 𝑉𝑎𝑙𝑀𝑆𝐸 = 0.004828; 𝑆𝑡𝑑 𝑉𝑎𝑙𝑀𝑆𝐸 = 0.004730). The relevant weighting and bias coefficients (𝐼𝑊, 𝐿𝑊, 𝑏₁, 𝑏₂) were obtained, and the model was expressed in closed form. The resulting ANN model demonstrates strong predictive performance. In the normalized domain, 𝑅𝑀𝑆𝐸 = 0.0556, 𝑀𝐴𝐸 = 0.0357, and 𝑅² = 0.9625 were obtained. In the actual scale, 𝑅𝑀𝑆𝐸 = 836.73 and 𝑀𝐴𝐸 = 536.98 were obtained. Sensitivity analysis indicates that natural gas-based electricity generation plays the dominant role (𝑆₁ = 0.4918). This was followed by hydroelectric power generation (𝑆₂ = 0.2258) and liquid fuel-based production (𝑆₃ = 0.0858). Finally, the GDP per capita forecast for the 2025– 2034 period is increasing from 15473.29 to 16779.06. Overall, the findings suggest that electricity production indicators contain strong predictive information for GDP per capita.