Veri zarflama analizi ve makine öğrenimi algoritmalarına dayalı çevresel etkinlik tahmini: G-20 ülkeleri örneği

---

Tezin Türü: Yüksek Lisans

Tezin Yürütüldüğü Kurum: Eskişehir Osmangazi Üniversitesi, FEN BİLİMLERİ ENSTİTÜSÜ, İSTATİSTİK ANABİLİM DALI, Türkiye

Tezin Onay Tarihi: 2026

Tezin Dili: Türkçe

Öğrenci: NURİYE ÇETİN

Danışman: SEVGİ ABDALLA

Özet:

Bu çalışmada, G20 üyesi 19 ülkenin 1993–2020 dönemine ait verileri kullanılarak çevresel performansa dayalı sürdürülebilir büyüme (ÇPDSB) için kapsamlı bir etkinlik analizi gerçekleştirilmiştir. Analizde çevresel ve ekonomik göstergeler birlikte ele alınmış; istenmeyen çıktılar uygun dönüşüm yöntemleriyle modele dâhil edilmiştir. İlk aşamada ülkelerin yıllık etkinlik skorları, klasik çıktı yönelimli BCC Veri Zarflama Analizi (VZA) modeli kullanılarak hesaplanmıştır. Çevresel göstergelerdeki ölçüm belirsizliklerini dikkate alabilmek amacıyla bulanık Veri Zarflama Analizi (VZA) yaklaşımı uygulanmıştır. Ülkelerin zaman içerisindeki performans değişimlerini incelemek üzere bulanık Malmquist Toplam Faktör Verimliliği endeksinden yararlanılmıştır. Son aşamada ise elde edilen etkinlik skorları, ağaç tabanlı makine öğrenimi algoritmalarından biri olan XG-Boost Algoritmasıyla analiz edilerek etkinliği etkileyen değişkenlerin göreli önem düzeyleri belirlenmiştir. Tüm analizler Visual Studio Code üzerinden Python programlama dili kullanılarak gerçekleştirilmiştir. Elde edilen bulgular, G20 ülkelerinin ÇPDSB etkinliği farklılıklarını ortaya koymakta ve politika yapıcılara yönelik performans iyileştirme önerileri sunmaktadır. Bu çalışma, etkinlik analizlerinde bulanık Veri Zarflama Analizi (VZA), dinamik verimlilik ölçütleri ve makine öğrenimi yaklaşımlarını bütüncül biçimde bir 5araya getirerek literatüre metodolojik ve uygulamalı katkı sağlamaktadır.