Unemployment is the most important problem that countries need to solve in their economic development plans. The uncontrolled growth and unpredictability of unemployment are some of the biggest obstacles to economic development. Considering the benefits of technology to human life, the use of artificial intelligence is extremely important for a stable economic policy. This study aims to use machine learning methods to forecast unemployment rates in Turkey on a monthly basis. For this purpose, two different models are created. In the first model, monthly unemployment data obtained from TURKSTAT for the period between 2005 and 2023 are trained with Artificial Neural Networks (ANN) and Support Vector Machine (SVM) algorithms. The second model, which includes additional economic parameters such as inflation, exchange rate, and labor force data, is modeled with the XGBoost algorithm in addition to ANN and SVM models. The forecasting performance of both models is evaluated using various performance metrics such as Mean Absolute Error (MAE), Root Mean Square Error (RMSE), and Mean Absolute Percentage Error (MAPE). The findings of the study show how successful artificial intelligence methods are in forecasting economic developments and that these methods can be used in macroeconomic studies. They also highlight the effects of economic parameters such as exchange rates, inflation, and labor force on unemployment and reveal the potential of these methods to support economic decisions. As a result, this study shows that modeling and forecasting different parameter values during periods of economic uncertainty are possible with artificial intelligence technology.

Youth unemployment remains one of the most persistent and structurally sensitive challenges in emerging economies, particularly in environments characterized by macroeconomic volatility and frequent shocks. This study investigates the dynamics and forecasting performance of youth unemployment in Turkey by adopting a symmetry-based multivariate framework that explicitly contrasts equilibrium-oriented and asymmetric temporal behaviors. Using monthly data covering the period 2009–2024, youth unemployment is modeled jointly with key macroeconomic indicators, including economic growth, inflation, overall unemployment, labor force participation, migration, exchange rates, and consumer confidence. The empirical strategy integrates traditional econometric models and modern machine learning approaches under a unified and leakage-free evaluation protocol. Stationarity and long-run properties of the series are examined using unit root tests and the Bayer–Hanck cointegration approach, followed by long-run coefficient estimation via FMOLS and DOLS. Forecasting performance is then compared across VARIMA, Prophet, and deep learning models (RNN, LSTM, and GRU), including both vanilla and hyperparameter-tuned specifications. The results reveal a clear performance hierarchy. VARIMA models, particularly the VARIMA (p = 2, q = 0) specification, consistently outperform all alternatives by a wide margin, achieving exceptionally low forecast errors. This finding indicates that youth unemployment in Türkiye is predominantly governed by symmetric co-movements and long-run equilibrium relationships among macroeconomic variables. Prophet and GRU models capture short-term and regime-sensitive fluctuations more flexibly, reflecting asymmetric temporal responses, but at the cost of higher forecast dispersion. In contrast, RNN and LSTM models exhibit limited generalization capability and are prone to overfitting in the small-sample macroeconomic context. As a result, this study positions the estimation of youth unemployment as both an econometric challenge and a symmetry-based analytical problem, offering new methodological and conceptual insights consistent with a fresh perspective.

As technology advances, concepts like information technologies, internet, digitalization, machine learning, and artificial intelligence (AI) increasingly impact all aspects of life, including the workplace. This influence extends to human resources management, where digitalization has gained importance. Digital technologies such as AI, chatbots, and online platforms for various HR functions are now commonplace. In the competitive landscape of recruitment, AI is playing a growing role, with businesses leveraging AI applications to streamline candidate selection processes. This integration of AI with recruitment activities reflects the broader trend of digital transformation in HR management

Son yıllarda, küresel çevre krizleri, iklim değişikliği, doğal kaynakların tükenmesi ve karbon emisyonlarının artması gibi sorunlar, şirketlerin sürdürülebilirlik odaklı iş modellerine yönelmesine neden olmuştur. Ayrıca, sosyal adalet, işçi hakları, çeşitlilik ve kapsayıcılık gibi konular daha fazla ön plana çıkmış ve şirketlerin ESG politikalarını güçlendirmeleri gerektirmiştir. ESG kriterleri, yatırımcılar, düzenleyici kurumlar ve paydaşlar tarafından şirketlerin uzun vadeli başarılarını ve etik sorumluluklarını anlamak amacıyla giderek daha fazla dikkate alınmaktadır. Bu faktörler, şirketlerin çevresel etkilerini nasıl yönettiklerini, sosyal sorumluluklarını ne ölçüde yerine getirdiklerini ve kurumsal yönetim süreçlerini ne kadar şeffaf ve etik bir şekilde yürüttüklerini analiz etmeye yardımcı olur. Yapılan çalışmada 2009-2023 yılları arasında Borsa İstanbul’da faaliyet gösteren 16 işletmenin sürdürebilirlik skorlarının işletmenin karlılığı üzerinde etkisini panel veri analiz yöntemiyle incelenmiştir. Araştırmada şirketlerin karlılığı gösteren ROA (Aktif karlılık oranı) ve ROE (Öz sermaye karlılık oranı) bağımlı değişkenler olarak iki farklı model kurulmuştur. Bağımsız değişkenler olarak Es (Çevre skoru), Ss (Sosyal skor) ve Gs (Kurumsal yönetişim skoru) seçilmiştir. Yatay kesit bağımlılığı, heteroskedastisite ve otokorelasyonu aynı anda dikkate alan Driscoll–Kraay Standart Hataları ile Havuzlanmış En Küçük Kareler (Pooled OLS) yöntemiyle modeller tahmin edilmiştir. Araştırmanın analizinin sonuçları, Ss (Sosyal skor) ve Gs (Kurumsal yönetişim skoru) değişkenlerini ROA ve ROE değişkenleri üzerinde anlamlı ve negatif bir etkiye sahip olduğunu göstermektedir. Bu bulgu, şirketlerin sosyal sorumluluk faaliyetleri ve kurumsal yönetişim standartlarını geliştirmeye yönelik yaptıkları harcamaların kısa vadede maliyetleri artırarak kârlılığı azalttığını ortaya koymaktadır.

Bu çalışmada sosyal diyalog uygulamalarının iş sağlığı ve güvenliği kültürüne olan katkısı Uluslararası Çalışma Örgütü’nün (ILO) perspektifinden değerlendirilecektir. İş sağlığı ve güvenliği kültürünün geliştirilmesinde sosyal diyalog faaliyetleri önemli bir etki sağlamaktadır. İş sağlığı ve güvenliği kültürü, işyerlerinde çalışanlar arasında bilinç oluşturarak farkındalık yaratır. Aynı zamanda, endüstri ilişkilerinin taraflarından olan işverenlerle çalışanlar arasında güçlü bir iletişim ve iş birliği ortamı oluşturarak, iş sağlığı ve güvenliği politikalarının geliştirilmesine ve uygulanmasına katkı sağlar. Genel olarak çalışma hayatında ve özellikle konu bağlamında iş sağlığı ve güvenliği konularında sosyal diyalog, uygulama ve denetleme süreçlerine katılımı artırarak daha etkili çözümler geliştirilmesine yardımcı olmaktadır. Sosyal diyalog ile desteklenen iş sağlığı ve güvenliği kültürü işyerlerinde daha etkili politika oluşturma ve uygulama süreçlerine de imkân tanımaktadır. Bu kapsamda işçi ya da işçi temsilcileri ve işverenler arasında karşılıklı anlayış ve güven ortamı oluşturularak iş sağlığı ve güvenliği konusunda tüm paydaşların bilgi bilinç ve farkındalığının artırılması sağlanmaktadır. Bu nedenle, sosyal diyalogla desteklenen iş sağlığı ve güvenliği kültürü, işyerlerinde daha sağlıklı ve güvenli çalışma ortamlarının oluşturulmasına önemli bir katkı sağlar. Çalışmada, işletmelerde sosyal diyalog temelli yaklaşımın, çalışan temsilcisi ve işveren arasındaki diyaloğun gelişimine katkı sunarak, iş sağlığı ve güvenliği kültürünün çalışanlar tarafından daha hızlı şekilde benimsenmesine olanak sağladığı sonucuna varılmaktadır.