Türkiye’de İşsizlik ve İstihdam Oranlarının Ekonomik Büyüme Göstergeleriyle Öngörülmesi: İstatistiksel, Yapay Sinir Ağı ve Bulanık Modellerin Karşılaştırılması[Forecasting Unemployment and Employment Rates in Türkiye with Economic Growth Indicators: A Comparison of Statistical, Artificial Neural Network and Fuzzy Models]

İşgücü, üretim sürecinin temel faktörlerinden biri olarak ekonomik büyümeyle yakından ilişkiliyken, ekonomik aktivitedeki değişimler de işgücü piyasası göstergelerinin öngörüsünde bilgi sağlayabilmektedir. Bu çalışmada, Türkiye’de ekonomik büyüme göstergelerinin işgücü piyasasına ilişkin iki temel değişken olan işsizlik oranı ve istihdam oranı için taşıdığı öngörü bilgisi karşılaştırmalı bir modelleme çerçevesinde incelenmektedir. Bu amaçla, 2005Q1–2025Q4 dönemine ait çeyreklik TÜİK verileri kullanılmıştır. Çalışma, nedensel veya uzun dönemli denge ilişkilerini incelemekten ziyade, büyüme göstergelerinin işsizlik ve istihdam oranları açısından sağladığı öngörü katkısını değerlendirmektedir. Bu kapsamda otoregresif yapı, toplam reel GSYH büyümesi, sektörel reel büyüme göstergeleri, harcama bileşenleri ve seçilmiş ekonomik değişkenlerden oluşan beş farklı model senaryosu altında istatistiksel modeller, yapay sinir ağı modelleri ve bulanık modeller karşılaştırılmıştır. Elde edilen bulgular, ekonomik büyüme göstergelerinin öngörü katkısının hedef değişkene, öngörü ufkuna, kullanılan model ailesine ve değişken senaryosuna bağlı olarak değiştiğini göstermektedir. İşsizlik oranı ve istihdam oranı için bir yıllık öngörü ufkunda sektörel reel büyüme göstergelerini içeren senaryoda basamaklı ileri beslemeli yapay sinir ağı modeli öne çıkarken, iki yıllık işsizlik öngörüsünde naif model güçlü bir referans yapı sunmuştur. İki yıllık istihdam öngörüsünde ise harcama bileşenlerini içeren senaryoda çok katmanlı algılayıcı modeli ilgili test penceresinde en düşük RMSE değerini üretmiştir. Bu bulgular, işgücü piyasası göstergelerinin öngörüsünde toplam büyüme oranının yanı sıra büyümenin sektörel bileşimi, talep yönlü yapısı ve model seçiminin birlikte değerlendirilmesinin yararlı olabileceğine işaret etmektedir. Labor is one of the main factors of production and is closely related to economic growth, while changes in economic activity may also provide useful information for forecasting labor market indicators. This study examines the forecasting power of economic growth indicators for two key labor market variables in Türkiye, namely the unemployment rate and the employment rate, within a comparative modeling framework. For this purpose, quarterly data obtained from the Turkish Statistical Institute for the period 2005Q1–2025Q4 were used. The study evaluates the forecasting information provided by growth indicators for unemployment and employment rates rather than examining causal or long-term equilibrium relationships. Within this framework, statistical models, artificial neural network models, and fuzzy models were compared under five model scenarios consisting of an autoregressive structure, total real GDP growth, sectoral real growth indicators, expenditure components, and selected economic variables. The findings show that the forecasting contribution of economic growth indicators varies depending on the target variable, forecasting horizon, model family, and variable scenario. For both the unemployment rate and the employment rate, the cascade-forward neural network (CFNN) model stood out in the one-year forecasting horizon under the scenario including sectoral real growth indicators, whereas the naive model provided a strong benchmark structure for the two-year unemployment forecast. In the two-year employment forecast, the multilayer perceptron (MLP) model produced the lowest RMSE value in the relevant test window under the scenario including expenditure components. These findings suggest that forecasting labor market indicators may benefit from considering not only the total growth rate, but also the sectoral composition of growth, demand-side components and model selection.