Gazi Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi Gazi Akademi Genç Sosyal Bilimciler Sempozyumu 2017 Özel Sayısı (414-427) Türkiye deki İç Göçün Yapay Sinir Ağları ile İncelenmesi Geliş Tarihi (Received): 07.04.2017 Kabul Tarihi (Accepted): 23.05.2017 Özge DEMİRTAŞ * Öz Göç çok geniş kapsamlı ve yüzyıllar boyunca insanların defalarca zorunlu veya isteyerek çeşitli nedenlerden dolayı maruz kaldığı bir olgudur. 2011 yılında TÜİK tarafından yapılan çalışma baz alınarak Türkiye deki iç göçler göç olgusu hakkında yapay sinir ağları ile tahminde bulunulmuştur. Son zamanlarda yapılan çalışmalarla yapay sinir ağlarının diğer birçok yönteme göre daha doğru ve daha tutarlı sonuçlar verdiği sonucuna ulaşılmıştır. Bu durum araştırmamızda yapay sinir ağlarını kullanmamız açısından önemli bir etken olmuştur. Bireylerin iller arası göç nedenlerinin kişisel özellikler ve ferdi olunan hanehalkının karakteristikleri ile ilişkili olup olmadığı araştırılmıştır. Bireyin göç nedeninin hedef değişken olarak alınacağı bir model kurulmuştur. Yapay Sinir Ağları yöntemi ile tahmin yapılmıştır. Modelde 1 adet bağımlı değişken ve 10 adet bağımsız değişken yer almaktadır. Modelin bağımlı değişkeni 1 yıl önceki göç etme nedenleridir. Bağımsız değişken olarak ise bitirilen yaş, medeni durum, eğitim durumu, cinsiyet, kayıtlı olduğu ve bir yıl önce kayıtlı olduğu il gibi bireylerin demografik özelliklerini barındıran değişkenler ile iş arıyor mu, son hafta çalıştı mı, göç yönü, temel işgücü gibi göç etmesine yönelik ilişkili olabileceğine inanılan değişkenlere yer verilmiştir. Modelin yapay sinir ağları için bu doğruluk oranı % 77,46 dır. Anahtar Sözcükler: Göç, İç Göç, Yapay Sinir Ağları, Yapay Zeka, Tahminleme * Yüksek Lisans Öğrencisi., Gazi Üniversitesi Sosyal Bilimler Enstitüsü, Ekonometri Anabilim Dalı, ozge.demirtas.gazi@gmail.com 414
Investigation on Artificial Neural Network Migration in Turkey Abstract Migration is a phenomenon which is very comprehensive and exposed people repeatedly by force or intentionally for centuries to a variety of reasons. The latest migration statistics in Turkey were obtained by Turkish Statistic Institute (TUIK) in a population survey in 2011. In this study, internal migration in Turkey was estimated by using artificial neural networks for migration. Required data were obtained from the Turkey Statistical Institute. The data, which was obtained in Population and Housing Survey by Turkey Statistical Institute in 2011, was carried out by compiling the eligible ones. In this section, the reasons for migration were associated between the personal characteristics of individuals and the characteristics of owned households. A model has establish by considering the target variable of the reasons for individual s migration. Artificial Neural Networks method were made by prediction. 1 dependent variable and 10 independent variables are located in this model. The dependent variable of the model were based on the reasons of migration in previous year. Education, age, marital status, gender, province, province of one year ago, migration direction, business status, looking for work has been used as an argument.the accurate rate for the neural network model is 77,46%. Keywords: Migration, İnternal Migration, Artificial Neural Networks, Artificial İntelligence, Forecasting 415
Giriş Bir ülkenin coğrafi bölgeleri arasında yaşanan ekonomik ve sosyal farklılıklar bu bölgeleri birbirlerinden gelişmişlik anlamında ayırt etmektedir. Bu ayırımın en önemli sonucu nüfusun şartları kötü olan bir bölgeden daha iyi olan bölgeye doğru yer değiştirmesi yani göç etmesidir. Göç olgusu en basit şekliyle nüfusun, coğrafi bölgeler arasında yer değiştirmesi şeklinde gözükse de yarattığı sonuçlar nedeniyle toplumun sosyal, ekonomik, kültürel, psikolojik, siyasi vb. yapısını etkileyen önemli bir kavramdır. Göç olgusunun toplum üzerinde yarattığı bu etkilerin en aza indirgenmesi adına alınacak önlemlerin başarıya ulaşabilmesi için göçün nedenlerinin iyi analiz edilmesi gerekir. Bu ise hem göç veren hem de göç alan bölgede göçün tüm olumsuz etkilerinin en aza indirgenmesinde önemli rol oynayacaktır. Göçün yarattığı problemlerin bir matematiksel model çerçevesi içerisinde analiz edilmesi birçok araştırmanın konusunu oluşturmaktadır. Bu matematiksel modellerden bir tanesi de yapay sinir ağlarıdır. Yapay sinir ağları insan beynini taklit ederek bilgisayar ortamında problemlere çözüm arayan bir matematiksel modelleme yöntemidir. Bu yöntemde modelin tahmini için veri eğitimi yapılmakta ve bu sayede yeni bilgiler üretilebilmekte ve bu bilgiler arasında ilişkiler kurularak karar verme yeteneği bilgisayar ortamında geliştirilmektedir. Yapay sinir ağları insan beyninin çalışma sisteminden esinlenerek geliştirilmiş bilgisayar destekli bir modeldir. Bu modelde öğrenme yolu ile yardım almadan yeni bilgiler üretilebilmekte ve bu bilgiler arasında ilişkiler kurularak karar verme yeteneği bilgisayar ortamında geliştirilmektedir. Bu çalışmada Türkiye de bölgeler arasında yaşanan iç göçün nedenleri yapay sinir ağı modeli kullanılarak belirlenmiştir. Bu amaçla Türkiye İstatistik Kurumu nun 2011 yılında yapmış olduğu Nüfus ve Konut Araştırması nda yer alan göçe ilişkin verilerden yararlanılmıştır. Modelin kurgusunda 10 adet girdi değişkeni kullanılmıştır. Yaş, medeni durum, eğitim durumu, cinsiyet, kayıtlı olduğu ve bir yıl önce kayıtlı olduğu il, iş durumu, çalışma durumu, göç yönü, temel işgücü değişkenleri farklı sayıdaki alt kategorileri ile modele alınmıştır. Modelin çıktı değişkeni göç nedenidir. Bu değişken İş Aramak / Bulmak, Tayin / İş Değişikliği, Eğitim, Evlilik / Boşanma, Sağlık ve diğer alt kategorileri ile modele dahil edilmiştir. Modelin tahmini için yapay sinir ağı modellerinden biri olan Çok Katmanlı Yapay Sinir Ağı modeli kullanılmıştır. Modelin gerçeği doğru olarak tahmin etme oranı % 77,46 bulunmuştur. Yapay sinir ağı modeline göre Türkiye de bölgeler arası göçü etkileyen en önemli 416
değişken yaş çıkmıştır. Bunu medeni durum ve eğitim takip etmektedir. En az etkili olan değişken ise temel işgücü değişkenidir. 1.Kuramsal Çerçeve Göç farklı nedenlerden dolayı bir nüfusun karşı karşıya kaldığı olumsuz koşulları gidermek adına bir bölgeden başka bir bölgeye hareket etmesi olarak tanımlanabilir. Nüfusun bu hareketi hem göç veren hem de göç alan bölgede önemli ekonomik, sosyal, politik vs. sonuçlar yaratacaktır. Bu sonuçların olası negatif etkilerini en aza indirgemeye yönelik alınacak önlemlerde göç nedeninin iyi analiz edilmesi gerekir. Bu çalışmada göç nedenlerinin analizi matematiksel modelleme çerçevesinde ele alınmıştır. Bir ülkenin coğrafi bölgeleri arasında yaşanan ekonomik ve sosyal farklılıklar bu bölgeleri birbirlerinden gelişmişlik anlamında ayırt etmektedir. Bu ayırımın en önemli sonucu nüfusun şartları kötü olan bir bölgeden daha iyi olan bölgeye doğru yer değiştirmesi yani göç etmesidir. Göç olgusu en basit şekliyle nüfusun, coğrafi bölgeler arasında yer değiştirmesi şeklinde gözükse de yarattığı sonuçlar nedeniyle toplumun sosyal, ekonomik, kültürel, psikolojik, siyasi vb. yapısını etkileyen önemli bir kavramdır. Göç olgusunun toplum üzerinde yarattığı bu etkilerin en aza indirgenmesi adına alınacak önlemlerin başarıya ulaşabilmesi için göçün nedenlerinin iyi analiz edilmesi gerekir. Bu ise hem göç veren hem de göç alan bölgede göçün tüm olumsuz etkilerinin en aza indirgenmesinde önemli rol oynayacaktır. Ülkemiz coğrafi ve stratejik konumu sebebiyle tarih boyunca kitlesel sığınma hareketleri de dahil olmak üzere geniş anlamda göç hareketlerinin nihai durağı olmuştur. Denilebilir ki; insanlar geçmişten günümüze birçok nedenden dolayı göç etme gereği duymuştur. Kimi iş olanakları, kimi eğitim, ailevi nedenler olabildiği gibi kimi ise ülkenin politik durumundan kaynaklı veya zorunlu nedenlerden dolayı olabilmektedir. Yani göç etmedeki neden insandan insana değişiklik göstermektedir. Bu durum da birçok araştırmacının merak konusu olmuştur. Bu araştırmada Türkiye deki iç göçler incelenmiştir. Yapay sinir ağları yöntemi ile sosyolojik bir konu olan göç olgusunu tahmin etme amacı gütmesi nedeniyle bu araştırma önem arz etmektedir. Günümüzde analiz veya tahmin etme amacıyla yapılan birçok araştırma olmasına rağmen direkt olarak göç modeli oluşturma, göç tahmini yapma amaçlarını güden çalışmalar çok nadirdir. En yakın anlamıyla tahmin yapılırken yoğun olarak nüfus konusu işlenmiştir. Bu araştırma ise hem göç olgusu hakkında tahminde bulunacak olma hem de bunu yaparken yapay sinir ağları yöntemini kullanacak olması açısında önemlidir. Yapay sinir ağları da son yıllarda tahmin amaçlı çokça tercih edilen ve bir çok yönteme göre daha yeni ve 417
algoritma olarak farklılık gösteren, bu nedenlerden ötürü de daha iyi sonuçlar veren bir matematiksel yöntemdir. 2. Yapay Sinir Ağları Yöntemi Yapay sinir ağları birbirine bağlı doğrusal ve/veya doğrusal olmayan birçok elemandan oluşmaktadır. Biyolojik bir beyin hücresinin yapısı ile yapay sinir ağının yapısı benzerlik gösterir. Biyolojik sinir ağlarının sinir hücreleri olduğu gibi yapay sinir ağlarının da yapay sinir hücreleri vardır. Biyolojik bir sinir hücresinin yapısı dentrit, akson, bağlantılar ve çekirdek olmak üzere 4 ana bölümden oluşur. Dentritler sinir hücrelerinin ucunda bulunurlar ve görevleri diğer hücrelerden veya duyu organlarından gelen sinyalleri çekirdeğe iletmektir. Çekirdek ise diğer hücrelerden gelen sinyalleri toplayarak aksonlara gönderir. Aksonlara gelen sinyaller burada işlenerek sinir hücresinden diğer kısmında bulunun bağlantılara gönderilir. Bağlantılara gelen yeni işlenmiş bilgiler diğer sinir hücrelerine iletilir. (Yıldız, 2009, ss. 31). Bir yapar sinir hücresi biyolojik sinir hücrelerine göre daha basit olmalarına karşın, biyolojik sinir hücrelerinin 4 ana bölümünü taklit ederler. Biyolojik sinir ağlarında olduğu gibi, yapay sinir ağları da, yapay sinir hücrelerinin ya da diğer adıyla nöronların bir araya gelmesinden oluşmaktadır. Nöronlar sinir ağlarını oluşturan, tek başına ele alındıklarında çok basit işleve sahip işlemcilerdir. Nöron girdileri sinaptik bağlantılar üzerindeki ağırlıklar ile çarpılarak bir toplayıcıya uygulanmakta ve elde edilen toplam, nöronun aktivasyon fonksiyonundan geçirilerek çıkışlar hesaplanmaktadır. (Karahan, 2011, ss. 5) Şekil 1. Yapay sinir hücresinin yapısı Yapay bir sinir hücresinde, diğer hücrelerden alınmış olan veriler yani girdi değerleri, ağırlıklar, toplama fonksiyonu, aktivasyon fonksiyonu ve çıkış değerleri yer alır. 418
Girdi değerleri i ve ağırlıklar wi sembolüyle gösterilmiştir. Girdi değerleri bir önceki sinir ağından veya dış dünyadan elde edilebilir. Bir sinir genellikle birçok girdileri alabilir. Ağırlıklar (w1j, w2j,, wij ) biyolojik nöronların farklı sinaptik güç düzeyleri olduğu gibi yapay nöronların da bağlantı gücünü göstermektedir. Girdi değerlerinin sinir hücresi üzerindeki etkisini belirleyen katsayılardır. (Anderson ve McNeill, 1992, ss. 22). Her bir girdi değeri için ayrı ağırlık katsayısı vardır. Ağırlık katsayısının büyük olması o girdinin yapay sinire daha güçlü bağlandığı ve katsayının küçük olması da o girdinin yapay sinire güçlü bağlanmadığı zayıf bağlandığı veya önemli olmadığı anlamına gelir. (Yıldız, 2009, ss. 31). Toplama fonksiyonu, sinirde her bir ağırlığın ait olduğu girdi değerleriyle çarpımının toplamlarının eşik değeriyle toplanmasıyla elde edilir. Şekil 1 de görülen b bir sabittir, bias veya aktivasyon fonksiyonunun eşik değeri olarak ifade edilir. Buradan elde edilen değer aktivasyon fonksiyonuna gönderilir. (Elmas, 2003, ss. 33) Toplama fonksiyonunun sonucu ise aktivasyon fonksiyonundan geçirilip çıkışa iletilir. Çıkış, o = f (W.X + b) şeklinde nöron çıkışı hesaplanır. (Demuth, Beale ve Hagan, 2011, ss. 2-6). Buradaki W ağırlıklar matrisi, X ise girişler matrisidir. Formülde gösterilen f aktivasyon fonksiyonudur ve aktivasyon fonksiyonları genellikle doğrusal olmazlar ( Yaşar, 2004, ss. 53-54). Yapay sinir ağları diğer klasik programlarda olduğu gibi belirli bir algoritma üzerinden işlem yapmazlar. Nasıl ki insanlar belirli örnekler üzerinden eğitilir ve öğrenme işlemini gerçekleştirirlerse yapay sinir ağları da örnekler üzerinden eğitilirler. Yapay sinir ağlarında öğrenme algoritmaları temelde üç türlüdür: Danışmanlı, Danışmansız ve Takviyeli (destekleyici) öğrenme. (Vural, 2007, ss. 37). Danışmanlı (Öğretmenli) öğrenmede yapay sinir ağına girdi ve çıktılar aynı zamanda verilmektedir. Yapay sinir ağı verilen bu girdiler için istenilen çıktıları oluşturmaya çalışır. Bunu yapabilmek için kendi ağırlıklarını günceller. Bu süreçte yapay sinir ağından elde edilen çıktılar ile beklenen çıktılar arasındaki hata hesaplanır. Daha sonra yapay sinir ağı yeni ağırlıkları bu hata payına göre tekrar düzenler. (Polat, 2011, ss. 59). Danışmansız (Öğretmensiz) öğrenmede ise yapay sinir ağı bir öğreticiye ihtiyaç duymaz. Danışmansız öğrenmede ağa sadece örnek girdiler verilmektedir. Herhangi bir beklenen çıktı bilgisi verilmemektedir. Girişte verilen girdi bilgilerine göre ağ her bir örneği kendi arasında sınıflandırır ve kendi kurallarını oluşturur. Ağ bağlantı ağırlıklarını aynı özellikte olan dokuları ayırabilecek şekilde düzenleyerek öğrenme işlemini tamamlar (Gürler, 2015, ss. 45). 419
Takviyeli (Destekleyici) öğrenmede yine bir öğretmene ihtiyaç vardır. Öğretmenli öğrenmeden farkı ise bu durumda öğretmenin ağın üretmesi gereken sonuç yerine, onun ürettiği sonucun sadece doğru veya yanlış olduğunu söylemesidir. Yapay sinir ağlarında öğrenme işlemi, çok parametreli, karmaşık ve matematiksel olarak ifade edilmesi zor bir işlemdir. Kullanılan öğrenme kuralları, bu karmaşık işlemin basitleştirilmiş ve farklı formatta ifade edilmiş şeklidir. Bu algoritmalardan dört tanesi temel olup diğerleri bunlardan türetilmiştir. Bunlar; Hebb, Hopfield, Delta ve Kohonen öğrenme kurallarıdır. Hebb öğrenme kuralı; bilinen en eski kuraldır. Hebb öğrenme kuralına göre öğrenme sinyali hücre çıkışına eşittir. Yani bir hücre aktif ise bağlı olduğu hücreyi aktif, pasif ise bağlı olduğu hücreyi pasif yapma eğilimi gösterir. (Hebb, 1949) Hopfield öğrenme kuralı; Hebb kuralına benzemekle birlikte yapay sinir ağı elemanlarının bağlantılarının ne kadar zayıflatılıp kuvvetlendirilmesi gerektiğini belirtir. Eğer beklenen çıktı ve girdilerin ikisi de aktif ise öğrenme katsayısı kadar ağırlık değerleri kuvvetlendirilmeli, benzer şekilde beklenen çıktı ve girdiler pasif ise öğrenme katsayısı kadar ağırlık değerleri zayıflatılmalıdır. (Hopfield, 1985) Delta öğrenme kuralı; delta öğrenme kural Hebb kuralının geliştirilmiştir ve günümüzde çok yaygın olarak kullanılmaktadır. Delta kuralında gerçek çıktı ile beklenen çıktı arasındaki fark (delta) en aza indirilmeye çalışılmaktadır. İlke olarak, yapay sinir hücresinin gerçek çıktısı ile beklenen çıktı arasındaki farkı azaltmak için yapay sinir ağlarının işlemci elemanları arasındaki bağlantı ağırlık değerlerinin sürekli değiştirilmesine dayanır (Yurdakul, 2014, ss. 129). Kohonen öğrenme kuralı; Kohonen tarafından ortaya atılan bu öğrenme kuralı, biyolojik sistemlerdeki öğrenmeden esinlenerek geliştirilmiştir. Kohonen Kuralı na göre ağın hücreleri ağırlıklarını değiştirmek için birbirleriyle yarışırlar. En büyük çıktıyı üreten hücre kazanan hücre olmakla beraber, bağlantı ağırlıklarını da değiştirmektedir. Bu, o hücrenin, yakınındaki hücrelere karşı daha kuvvetli hale gelmesi demektir (Yurdakul, 2014, ss. 129). Çok Katmanlı Algılayıcı, Radyal Tabanlı Sinir Ağı, Vektör Kuantalamalı Öğrenme Ağı, Olasılık Tabanlı Yapay Sinir Ağı ve Genel Regresyon Yapay Sinir Ağı modelleri ileri beslemeli danışmanlı ağlar iken; Adaptif Rezonans Yapay Sinir Ağı, Kohonen Ağı, Elman Ağı, Jordan Ağı, Geri Dönüşümlü BP ağları gibi ağlar ise geri beslemeli ağlardır. (Hamzaçebi, 2011, ss. 29-30) 420
Çok katmanlı algılayıcılar (ÇKA) tek katmanlı algılayıcıların geliştirilmiş halidir. Geri yayılım çok katmanlı ağlarda kullanılan delta kuralı için genelleştirilmiş bir algoritmadır. Özellikle sınıflandırma, tanıma ve genelleme yapmayı gerektiren problemler için çok önemli bir çözüm olmuştur. Geri yayılım çok katmanlı ağlarda kullanılan delta kuralı için genelleştirilmiş bir algoritmadır. Geri yayılımlı ağlarda gizli katman ve gizli katmandaki düğüm sayısı değiştirilebilir. Düğüm sayısı ağın hatırlama yeteneğiyle ve öğrenme işleminin süresiyle doğru orantılıdır. (Okutan, 2014, ss. 20). Düğüm sayısı arttıkça hatırlama yeteneği artar ve ağın öğrenme süresi uzar. Ağ içerisinde her katmandaki düğümler kendisinden sonra gelen katmanın düğümlerine bağlıdır. Yani denilebilir ki, her katmanın çıkış değerleri kendisinden sonra gelen katmanın giriş değerleridir. Çok katmanlı algılayıcı ağı öğretmenli öğrenme stratejisini kullanır. Yani bu ağlara eğitim sırasında hem girdiler hem de o girdilere karşılık üretilmesi gereken beklenen çıktılar gösterilir. Çok katmanlı algılayıcı ağının öğrenme kuralı en küçük kareler yöntemine dayalı Delta Öğrenme Kuralının genelleştirilmiş halidir. Çok katmanlı algılayıcıların ayırt edici üç özelliği bulunmaktadır. Bunlardan ilki ağdaki her bir nöronun doğrusal olmama özelliği göstermesidir. İkinci bir özelliği gizli nöronlardan oluşan bir veya daha fazla gizli katmana sahip olmalarıdır. Üçüncü özellikleri ise ağ bağlantıları sayesinde elde ettikleri yüksek derecede bilgi işleme becerileridir. Ağın bilgi işlemedeki becerisi bağlantı sayısı ve ağırlıklarla ilişkilidir. (Akdağ, 2015, ss. 39-40). 3. Bulgular Bu araştırmada Türkiye deki iç göçler yapay sinir ağları yöntemi ile incelenmiştir. Gerekli olan veriler Türkiye İstatistik Kurumu ndan temin edilmiştir. Türkiye İstatistik Kurumu nun 2011 yılında gerçekleştirdiği Nüfus ve Konut Araştırması çalışmasında elde edilen veriler içerisinde çalışmaya uygun olanlar derlenerek uygulama gerçekleştirilmiştir. Bu kısımda bireylerin iller arası göç nedenlerinin kişisel özellikler ve ferdi olunan hanehalkının karakteristikleri ile ilişkili olup olmadığı araştırılmıştır. Bireyin göç nedeninin hedef değişken olarak alınacağı bir model kurulmuştur. Yapay Sinir Ağları yöntemi ile tahmin yapılmıştır. Modelde 1 adet bağımlı değişken ve 10 adet bağımsız değişken yer almaktadır. Modelin bağımlı değişkeni 1 yıl önceki göç etme nedenleridir. Bağımsız değişken olarak ise bitirilen yaş, medeni durum, eğitim durumu, cinsiyet, kayıtlı olduğu ve bir yıl önce kayıtlı olduğu il gibi bireylerin demografik özelliklerini barındıran değişkenler ile iş arıyor mu, son hafta çalıştı mı, göç yönü, 421
temel işgücü gibi göç etmesine yönelik ilişkili olabileceğine inanılan değişkenlere yer verilmiştir. Standart bir sinir ağı, girdiyi alan bir gizli katmandan ve çıktıyı düzenleyen bir çıktı katmanından oluşur. Gizli katmanda yeterli sayıda nöron olmak koşulu ile yapay sinir ağı kullanılarak, devamlı veya sonlu sayıda devamsızlığı olan bütün fonksiyonlar için bir yaklaşım elde edilebilir. Yaklaşımın başarısı kullanılan baz fonksiyonlarına doğrudan bağlıdır. Çok geniş bir gradyant aralığına sahip hiperbolik tanjant fonksiyonu bu amaç için en iyi fonksiyonlardan birisidir (Özkan, 2006, ss. 79). Bu yüzden gizli katmanda ve çıktı katmanında hiperbolik tanjant fonksiyonu kullanılmıştır. Ağın öğrenme algoritması danışmanlı öğrenmedir. Model için en uygun olan yapay sinir ağı mimarisi 1 girdi katmanı, 1 gizli katman ve 1 çıktı katmanı bulunan ve ağın performansının en iyi olduğu mimaridir. Yapay sinir ağının mimarisinin belirlenmesinde önemli olan bir diğer konuda kaç nöronun kullanılmasıdır. Bunun için kullandığımız programdaki tecrübeye dayalı Exhaustive search method kullanılmıştır. Buna göre ara katmandaki nöron sayısı için 1 den 50 ye kadar her sayı için uygun model aranmıştır. Ara katman nöron sayısı 13 olarak saptanmıştır. Veride Olan İş Aramak / Bulmak Tayin / İş Değişikliği Tablo 1. Hedef Değişkenin Tahmin Oranları İş Aramak / Bulmak Tayin / İş Değişikliği Tahmin Edilen Eğitim Evlilik / Boşanma Sağlık Diğer 70,3 17,7 6,4 3,8 0,2 1,6 8,3 81,6 6,3 3,0 0,1 0,7 Eğitim 2,2 10,6 86,0 1,2 0,0 0,0 Evlilik / Boşanma 3,6 14,7 0,2 80,5 0,3 0,7 Sağlık 16,3 4,5 1,5 8,1 41,6 28,1 Diğer 23,4 11,0 6,6 6,8 8,8 43,5 Tablo 1 de hedef değişkenin tahmin edilme aşamasında aldığı oranlar yer almaktadır. Satırlar hedef değişkenin gerçek değerlerini, sütunlar ise tahmin edilen değerlerini gösterir. Tabloya bakıldığında hangi değerin ne kadar iyi tahmin edildiği yani önsel bilgilerle ne derece örtüştüğü ve örtüşmediği görülebilir. Şöyle ki; - İş aramak / bulmak nedeniyle göç edenlerin % 70,3 ünün önsel bilgilerle örtüştüğü ve doğru olarak tahmin edildiği görülmektedir. İş aramak / bulmak nedeniyle göç edenlerin % 422
17,7 sinin tayin / iş değişikliği, % 6,4 ünün eğitim, % 3,8 inin evlilik / boşanma, % 0,2 sinin sağlık ve % 1,6 sının diğer nedenler olmak üzere yanlış tahmin edilerek önsel bilgilerle örtüşmediği tespit edilmiştir. - Tayin / iş değişikliği nedeniyle göç edenlerin % 81,6 sının önsel bilgilerle örtüştüğü ve doğru olarak tahmin edildiği görülmektedir. Tayin/ iş değişikliği nedeniyle göç edenlerin % 8,3 ünün iş aramak / bulmak, % 6,3 ünün eğitim, % 3,0 ünün evlilik / boşanma, % 0,1 inin sağlık ve % 0,7 sinin diğer nedenler olmak üzere yanlış tahmin edilerek önsel bilgilerle örtüşmediği tespit edilmiştir. - Eğitim nedeniyle göç edenlerin % 86,0 sının önsel bilgilerle örtüştüğü ve doğru olarak tahmin edildiği görülmektedir. Eğitim nedeniyle göç edenlerin % 3,6 sının iş aramak/ bulmak, % 14,7 sinin tayin / iş değişikliği, % 1,2 sinin evlilik / boşanma nedeni olmak üzere yanlış tahmin edilerek önsel bilgilerle örtüşmediği tespit edilmiştir. - Evlilik / Boşanma nedeniyle göç edenlerin % 80,5 inin önsel bilgilerle örtüştüğü ve doğru olarak tahmin edildiği görülmektedir. Evlilik / Boşanma nedeniyle göç edenlerin % 2,2 sinin iş aramak / bulmak, % 10,6 sının tayin / iş değişikliği, % 0,2 sinin eğitim, % 0,3 ünün sağlık ve % 0,7 sinin diğer nedenler nedenler olmak üzere yanlış tahmin edilerek önsel bilgilerle örtüşmediği tespit edilmiştir. - Sağlık nedeniyle göç edenlerin yalnızca % 41,6 sının önsel bilgilerle örtüştüğü ve doğru olarak tahmin edildiği görülmektedir. Sağlık nedeniyle göç edenlerin % 16,3 ünün iş aramak / bulmak, % 4,5 inin tayin / iş değişikliği, % 1,5 inin eğitim, % 8,1 inin evlilik / boşanma, % 28,1 inin ise diğer nedenler olmak üzere yanlış tahmin edilerek önsel bilgilerle örtüşmediği tespit edilmiştir. - Diğer nedenlerle göç edenlerin yalnızca % 43,1 inin önsel bilgilerle örtüştüğü ve doğru olarak tahmin edildiği görülmektedir. Diğer nedenlerle göç edenlerin % 23,4 ünün iş aramak / bulmak, % 11,0 inin tayin / iş değişikliği, % 6,6 sının eğitim, % 6,8 inin evlilik / boşanma, % 8,8 inin ise sağlık nedeni olmak üzere yanlış tahmin edilerek önsel bilgilerle örtüşmediği tespit edilmiştir. 423
Şekil 2. Bağımsız Değişkenlerin Hedef Değişken ile İlişkisi Bununla birlikte bağımsız değişkenlerin hedef değişkene ne derece etki ettiği ne derece önemli olduğu da sonuçların yorumlanması aşamasında önemlidir. Şekil 1 de tahmin edilen modelin bağımsız değişkenlerinin hedef değişkeni etkileme oranları verilmiştir. Buna göre; en yüksek oran ile etkileyen 0,26 bitirilen yaş değişkenidir. Bunu 0,19 ile medeni durum değişkeni takip ederken, sırasıyla 0,19 ile eğitim, 0,09 ile şimdiki il kayıt no, 0,08 ile 1 yıl önceki il kayıt no, 0,06 ile cinsiyet takip etmektedir. İş arıyor mu?, Son hafta çalıştı mı?, Göç yönü ve temel işgücü değişkenleri aynı oranla 0,05 etki etmiştir. Sonuç Göç farklı nedenlerden dolayı bir nüfusun karşı karşıya kaldığı olumsuz koşulları gidermek adına bir bölgeden başka bir bölgeye hareket etmesi olarak tanımlanabilir. Nüfusun bu hareketi hem göç veren hem de göç alan bölgede önemli ekonomik, sosyal, politik vs. sonuçlar yaratacaktır. Bu sonuçların olası negatif etkilerini en aza indirgemeye yönelik alınacak önlemlerde göç nedeninin iyi analiz edilmesi gerekir. Bu çalışmada göç nedenlerinin analizi matematiksel modelleme çerçevesinde ele alınmıştır. Yapay sinir ağları da son yıllarda tahmin amaçlı çokça tercih edilen ve bir çok yönteme göre daha yeni ve algoritma olarak farklılık 424
gösteren, bu nedenlerden ötürü de daha iyi sonuçlar veren bir matematiksel yöntemdir. Buna göre göç eden bireylere bakılarak aşağıdaki yorumlar yapılabilir. Göç eden kadınların oranı % 51,2 erkeklere göre % 48,8 yüksektir. - Evli olan bireyler % 46,1 göç etmeye daha meyillidir. - Göç eden bireylerin yaş dağılımlarına bakıldığında 25 34 yaş arası % 27,6 olan bireylerle 18 yaş altı % 25,8 olan bireylerin oranlarının birbirine yakın olduğu görülmektedir. Buradan da,18 yaş altı bireyler hane halkına bağımlı olarak göç ettikleri için, evli ve çocuklu olan bireylerin göç etme eğilimlerinin yüksek olduğu çıkarımı yapılabilir. - Yüksekokul / Fakülte mezunu % 26,9 olan bireyler en yüksek oranla göç eden bireylerdir. - Göç etme nedenlerine bakıldığında; % 47,0 oranla hanehalkından birine bağımlı göç, % 15,1 oranla tayin / iş değişikliği, % 13,7 oranla iş aramak / bulmak, % 12,7 oranla eğitim, % 8,5 oranla evlilik / boşanma, % 1,9 oranla diğer nedenler ve % 1,1 oranı ile sağlık gibi nedenlerinden dolayı bireylerin göç ettiği tespit edilmiştir. - Göç etme yönüne bakıldığında da % 70,5 gibi yüksek bir oranla bireylerin şehirden şehire göç ettiği görülmüştür. Şehirden köye % 12,2 ve köyden şehire % 14,9 göç edenler arasında ise çok büyük farklılık görülmemiştir. - Göç etmiş ve çalışmayan bireylere son hafta iş arayıp aramadıkları sorulduğunda ise % 86,5 oranla bireyler iş aramadıklarını belirtmiştir. - Erkeklerin % 33,0 ü kadınların ise % 60,3 hane fertlerinden birine bağımlı olarak göç etmiştir. Bunu takiben erkeklerin % 24,8 i iş aramak / bulmak ve % 22,6 sı tayin / iş değişikliği nedenlerinden dolayı göç etmiştir. - 18 yaşın altındaki bireylerin % 89,4 ü hane fertlerinden birine bağımlı olarak göç ederken, 18 24 yaş arasında olanların % 41,8 i eğitim, 25 44 yaş arası olanların % 425
30,5 i tayin / iş değişikliği, 45 54 yaş arası olanların % 50,5 i ve 55 yaş üzeri olanların ise % 64, 3 ü hane fertlerinden birine bağımlı olarak göç etmiştir. - Hiç evlenmemiş bekar bireylerin % 42,2 si eğitim nedeniyle göç ederken, evli bireylerin % 39,6 sı hanehalkına bağımlı olarak göç etmiş, boşanmış bireylerin % 28,7 si evlilik / boşanma nedeniyle göç ederken, eşi ölmüş olan bireyler % 76,1 gibi yüksek bir oranla hanehalkından birine bağımlı olark göç etmiştir. - Eğitim durumu bir okul bitirmemiş olanların % 88,8 i, ilkokul olanların %55,7 si ve ilköğretim / ortaokul olanların % 50,3 ü, lise mezunu olanların % 31,8 i hanehalkından birine bağımlı olarak göç ederken, yüksekokul / fakülte mezunu olanların % 41,5 i ve yükseklisans / doktora mezunu olanların da % 62,4 ü tayin / iş değişikliği nedenleriyle göç etmiştir. Sonuç olarak, modelin doğruluk oranı % 77,46 olarak bulunmuştur. Yapay sinir ağları ile yapılan bu tahmin çalışmasında önsel bilgilerle benzerlik göstermesi yapay sinir ağlarının tutarlı sonuçlar verdiğinin bir göstergesidir. 426
Kaynakça Akdağ, M. (2015). Box Jenkins ve yapay sinir ağı modelleri ile enflasyon tahmini Atatürk Üniversitesi (Yüksek Lisans Tezi). Erişim Adresi: tez.yok.gov.tr/ulusaltezmerkezi/tarama.jsp Anderson, D.,McNeill, G. (1992). Artificial neural networks technology. A Dacs State-of- The-Art Report, Contract Number f30602-89- c-0082. Demuth, H. M.,Beale, M. H., Hagan M. T. (2011). Neural network toolbox. The Math works Inc.,2011. Elmas, Ç. (2003). Yapay sinir ağları (kuram, mimari, eğitim, uygulama). Ankara: Seçkin Yayıncılık. Gürler, H. (2015). Türkiye deki havalimanlarının etkinlik tahmini: veri zarflama analizi ve yapay sinir ağlarının birlikte kullanımı İstanbul Teknik Üniversitesi (Yüksek Lisans Tezi). Erişim Adresi: tez.yok.gov.tr/ulusaltezmerkezi/tarama.jsp Hebb, D. (1949). The organization of behavior. John Wıley & Sons Inc. Erişim Adresi: http://s- f-walker.org.uk/pubsebooks/pdfs/the_organization_of_behavior- Donald_O._Hebb.pdf Hamzaçebi, C. (2011). Yapay sinir ağları (tahmin amaçlı kullanımı matlab ve neurololutions uygulamalı). İstanbul: Ekin Yayınevi. Hopfield, J. J., Tank, D.W. (1985). Neural computation of decisions ın optimization problems. Biol. Cybern(52), 141-152. doi: 10.1007/BF00339943 Karahan, M. (2011). İstatistiksel tahmin yöntemleri: yapay sinir ağları metodu ile ürün talep tahmini uygulaması Selçuk Üniversitesi (Doktora Tezi). Erişim Adresi: tez.yok.gov.tr/ulusaltezmerkezi/tarama.jsp Okutan, C. (2014). Borsa istanbul şirketlerinin hisse senedi getirilerinin yapay sinir ağları ve çoklu regresyon yöntemleri kullanılarak analizi Kocaeli Üniversitesi (Yüksek Lisans Tezi). Erişim Adresi: tez.yok.gov.tr/ulusaltezmerkezi/tarama.jsp Özkan,A.İ. (2006). Tornalamada kesme kuvvetlerinin ve takım ucu sıcaklığının bulanık mantık ve yapay sinir ağı teknikleriyle tahmin edilmesi Selçuk Üniversitesi (Yüksek Lisans Tezi). Erişim Adresi: tez.yok.gov.tr/ulusaltezmerkezi/tarama.jsp Polat, Ö. (2011). Katkılı sıvı kristallerin viskoelastik ve elektrooptik özelliklerinin ışık saçılması yöntemiyle incelenmesi ve yapay sinir ağları ile modellenmesi Gebze Yüksek Teknoloji Enstitüsü (Doktora Tezi). Erişim Adresi: tez.yok.gov.tr/ulusaltezmerkezi/tarama.jsp Vural, B. B. (2007). Yapay sinir ağları ile finansal tahmin Ankara Üniversitesi (Yüksek Lisans Tezi). Erişim Adresi: http://acikarsiv.ankara.edu.tr/browse/2249/ Yaşar, M. (2004). Günlük akışlardaki boşlukların yapay sinir ağları kullanarak tamamlanması Pamukkale Üniversitesi (Yüksek Lisans Tezi). Erişim Adresi: tez.yok.gov.tr/ulusaltezmerkezi/tarama.jsp Yıldız, D. (2009). Zaman serileri analizi ve yapay sinir ağları ile tahmin: yabancı portföy yatırımları üzerine uygulama Ankara Üniversitesi (Doktora Tezi). Erişim Adresi: tez.yok.gov.tr/ulusaltezmerkezi/tarama.jsp Yurdakul, E. (2014). Türkiye de ithalatın gelişimi ve ithalatın yapay sinir ağları yöntemi ile tahmin edilebilirliğine yönelik bir analiz Adnan Menderes Üniversitesi (Yüksek Lisans Tezi). Erişim Adresi: tez.yok.gov.tr/ulusaltezmerkezi/tarama.jsp 427