Rusya-Ukrayna Savaşının Borsa İstanbul’daki Orman, Kağıt ve Basım Sektörüne Etkisinin Makine Öğrenmesi Modelleri ile Analizi

Creative Commons License

Neslihanoglu S., ALTAY A.

Düzce Üniversitesi Orman Fakültesi Ormancılık Dergisi, cilt.22, sa.1, ss.124-133, 2026 (TRDizin)

Özet

Türkiye’nin orman ürünleri konusunda ithalat alanında önde gelen ülkelerinden olan Rusya ve Ukrayna arasında Şubat 2022 tarihinden itibaren savaş başlamıştır. Bu savaşın etkisiyle ülkeler arasındaki ticaret kanallarında yaşanan aksaklıklar nedeniyle ithal edilen orman ürünlerinin fiyatlarında öngörülemeyen dalgalanmalar gözlemlenmiştir. Borsa İstanbul (BIST)’da işlem gören orman, kağıt ve basım sektörlerindeki firmaların endekslerinde benzer değişimlerin etkin olacağı düşünülmektedir. Bu amaç doğrultusunda, literatürde ilk olarak BIST’deki orman, kağıt ve basım sektörlerinde faaliyet gösteren 17 adet firmanın endekslerinin Rusya-Ukrayna savaş döneminden başlamak üzere 2022-2026 tarihleri dönemini kapsayacak verilere odaklanılmıştır. Bu verilerin modellenmesi ve gelecek tahmini CatBoost, GBM, LightGBM, Prophet, TabPFN ve XGBoost makine öğrenmesi algoritmaları ile karşılaştırmalı olarak analiz edilmiştir. Bulgular sonucunda, GBM modelinin verilerin modellenmesi ve Prophet modelinin ise gelecek tahmini performansı konusunda diğer modellere kıyasla daha etkin olduğu görülmüştür.
The war between Russia and Ukraine, of which Turkey is a leading importer of forest products, began in February 2022. Due to trade channel disruptions between countries as a result of the war, unpredictable price fluctuations have been observed in imported forest products. It is thought that similar changes will be effective in the indices of companies in the forestry, paper, and printing sectors traded on the Istanbul Stock Exchange (BIST). To this end, the literature newly focused on data covering the period from the start of the Russia-Ukraine war to 2022-2026, specifically the indices of 17 companies operating in the forestry, paper, and printing sectors on BIST. The modeling and future forecasting of these data were analyzed comparatively using CatBoost, GBM, LightGBM, Prophet, TabPFN, and XGBoost machine learning algorithms. The findings revealed that the GBM model was more effective than other models in terms of data modeling, while the Prophet model was more effective than others in terms of future forecasting performance.