Abstract
International trade, and especially the promotion of exports, is regarded as a key driver of sustainable economic growth. In this context, the European Union (EU) is one of Türkiye’s most important export destinations, supported by the Customs Union Agreement (1995), which deepens economic integration between the parties. The present study analyzes Türkiye’s exports to the EU and aims to forecast future export realizations based on historical quarterly data. For this purpose, a dataset covering the period from the first quarter of 1996, when the Customs Union came into force, to the fourth quarter of 2025 is constructed, and multiple machine learning methods are applied. The analysis focuses on exports from Türkiye to the EU in three selected product groups classified under the Harmonized System: Articles of apparel and clothing accessories (Chapter 61), iron and steel (Chapter 72) and motor vehicles and parts (Chapter 87). For each of these product groups, export changes are computed on a percentile basis and modeled using both binary (decrease vs. increase) and ternary (low, medium, high) classifications. The explanatory variables include Türkiye’s and the EU’s macroeconomic indicators such as total trade flows, GDP growth rates, employment rates, consumer price indices, exchange rates, foreign direct investment flows and production volume indices. Three machine learning algorithms, Decision Tree, Gradient Boosted Trees and Random Forest, are implemented using the KNIME analytics platform. The models’ performances are evaluated and compared using accuracy metrics for both binary and ternary classification schemes. The empirical findings indicate that ensemble-based methods, particularly Gradient Boosted Trees and Random Forest, generally yield higher overall accuracy rates across product groups and classification structures. These results suggest that suitable machine learning models can provide reliable forecasts for Türkiye’s exports to the EU and may offer useful insights for policymakers and exporting firms in designing export-oriented production and market strategies.

Key words: Türkiye’s exports, European Union, international trade, machine learning models, export forecasting. JEL Codes: F10, F13, F15.

---

Türkiye'nin Avrupa Birliği'ne İhracatının Tahmininde Makine Öğrenmesi Modellerinin Karşılaştırılması

Ozet
Uluslararası ticaret, özellikle ihracatın desteklenmesi, sürdürülebilir ekonomik büyümenin başlıca itici güçlerinden biri olarak görülmektedir. Bu çerçevede Avrupa Birliği (AB), taraflar arasındaki ekonomik entegrasyonu derinleştiren 1995 tarihli Gümrük Birliği Anlaşması sayesinde, Türkiye’nin en önemli ihracat pazarlarından biri konumundadır. Bu çalışma, Türkiye’nin AB’ye yönelik ihracatını analiz etmekte ve tarihsel çeyreklik verilere dayanarak gelecekteki ihracat değerlerini öngörmeyi amaçlamaktadır. Bu amaçla, Gümrük Birliği’nin fiilen yürürlüğe girdiği 1996 yılının birinci çeyreğinden 2025 yılının dördüncü çeyreğine kadar olan dönemi kapsayan bir veri seti oluşturulmuş ve birden fazla makine öğrenmesi yöntemi kullanılmıştır. Analiz, Armonize Sistem sınıflandırmasına göre seçilen üç ürün grubu için Türkiye’den AB’ye yapılan ihracata odaklanmaktadır: giyim eşyaları ve giyim aksesuarları (Fasıl 61), demir ve çelik (Fasıl 72) ile motorlu kara taşıtları ve aksam ve parçaları (Fasıl 87). Bu ürün gruplarının her biri için ihracat değişimleri yüzdelik dilimler temelinde hesaplanmakta ve hem ikili (azalış–artış) hem de üçlü (düşük, orta, yüksek) sınıflandırma yapıları kullanılarak modellenmektedir. Açıklayıcı değişkenler, Türkiye ve AB’ye ilişkin toplam dış ticaret hacmi, GSYH büyüme oranları, istihdam oranları, tüketici fiyat endeksleri, döviz kurları, doğrudan yabancı sermaye girişleri ve üretim hacmi endeksleri gibi çeşitli makroekonomik göstergeleri kapsamaktadır. Çalışmada Karar Ağacı, Gradient Boosted Trees ve Random Forest olmak üzere üç makine öğrenmesi algoritması, KNIME analitik platformu üzerinde uygulanmıştır. Modellerin performansları, hem ikili hem de üçlü sınıflandırma yapıları için doğruluk ölçütleri kullanılarak değerlendirilmiş ve birbirleriyle karşılaştırılmıştır. Ampirik bulgular, özellikle Gradient Boosted Trees ve Random Forest gibi topluluk temelli yöntemlerin, farklı ürün grupları ve sınıflandırma yapıları genelinde, çoğunlukla daha yüksek doğruluk oranları sağladığını göstermektedir. Bu sonuçlar, uygun makine öğrenmesi modellerinin Türkiye’nin AB’ye ihracatına ilişkin güvenilir öngörüler üretebileceğini ve politika yapıcılar ile ihracatçı firmalar açısından ihracata dönük üretim, risk yönetimi ve pazar stratejilerinin tasarlanmasında yararlı içgörüler sunabileceğini ortaya koymaktadır.

Anahtar Kelimeler: Türkiye’nin ihracatı, Avrupa Birliği, uluslararası ticaret, makine öğrenmesi, ihracat tahmini. JEL Sınıflaması: F10, F13, F15.