Estimation of Urban Water Demand Forecast Using Statistical and SARIMA Methods: Scenario of Urban Water Demand in Mersin

Abstract

Accurate water demand forecasting is essential for optimizing investments and enhancing the operational efficiency of urban water management. This study examines monthly water consumption data from the Mersin Water and Sewerage Administration (MESKI) for 2015–2024 using statistical and time series models. Independent variables include average temperature, precipitation, CPI, PPI, population, and MESKI’s budget indicators. Descriptive statistics and SARIMA-based time series analyses were performed. The results show that water demand in Mersin exhibits seasonal variations, has a significant positive correlation with monthly average temperature, and that MESKI’s pricing policy has only a limited effect on overall water consumption.

Keywords

• Water policy, Water management
• Urban water management
• Machine learning
• Water estimation model

Kentsel Su Talebi Tahmini İçin İstatistiksel ve SARIMA Yöntemleri Analizi: Mersin Kentsel Su Talebi Senaryosu

Abstract

Su talebinin doğru tahmin edilmesi, yatırımların optimize edilmesi ve işletme verimliliğinin etkin ve verimli olması, su yönetiminin kararlarını etkilemektedir. Bu çalışmada, Mersin Su ve Kanalizasyon İdaresi'nin (MESKİ) 2015-2024 yılları arasındaki aylık su tüketim verileri üzerinden kentsel su tahmin modelleri istatistiksel ve zaman serisi modelleri kapsamında incelenmiştir. Mersin ilindeki ortalama sıcaklık, yağış, TÜFE ve ÜFE oranları, nüfus, MESKİ bütçesi bağımsız değişkenler olarak ele alınmış, Mersin ilindeki su tüketim verileri betimleyici istatistiksel analizi ile SARİMA zaman serisi modelleri çerçevesinde analiz edilmiştir. Özetle, Mersin ilinde su talebinin mevsimsel olarak farklılaştığı, aylık ortalama sıcaklık değerlerinin su tüketimi üzerinde istatistiksel olarak anlamlı pozitif bir ilişki gösterdiği, MESKİ fiyat politikasının su tüketimini sınırlı düzeyde etkilediği sonucuna ulaşılmıştır.

Keywords

• Su politikası
• Su yönetimi
• Kentsel su yönetimi
• Makine öğrenmesi
• Su tahmin modeli

References

1. Ayman Güler, B., Baran, E.A., Boztaş, N., Karabıyık, T., Kartal, F., Mutlu, G., Örge, A., Sayın, D. & Tulumtaş, S. (1999). Hukuksal ve kurumsal yapı. B. Ayman Güler (Ed.), Su hizmetleri yönetimi-genel yapı içinde (s.35-84). Ankara: TODAİE.
2. Adamowski, J., Fung Chan, H., Prasher, S. O., Ozga‐Zielinski, B., & Sliusarieva, A. (2012). Comparison of multiple linear and nonlinear regression, autoregressive integrated moving average, artificial neural network, and wavelet artificial neural network methods for urban water demand forecasting in Montreal, Canada. Water Resources Research, 48(1). https://doi.org/10.1029/2010WR009945
3. Ahmed, A. A., Sayed, S., Abdoulhalik, A., Moutari, S., & Oyedele, L. (2024). Applications of machine learning to water resources management: A review of present status and future opportunities. Journal of Cleaner Production, 441, 140715. https://doi.org/10.1016/j.jclepro.2024.140715
4. Akdağ, R. (2015). Kentsel su sunumunda bir yönetim aracı olarak su talep tahmini. Niğte Üniversitesi İktisadi ve İdari Bilimler Dergisi, 8(3), 69–81.
5. Alıcı, O. V., Deran, A., Yaman, A. & Işıldaklı, B. (2024). Kırsal mahalle uygulamasının su ve kanalizasyon idarelerinin hizmet sunumuna etkisi ve analizi: Mersin örneği. Kent Akademisi, 17(6), 2169-2193. https://doi.org/10.35674/kent.1497629
6. Altunkaynak, A., Özger, M., & Çakmakci, M. (2005). Water consumption prediction of Istanbul city by using fuzzy logic approach. Water Resources Management, 19(5), 641–654. https://doi.org/10.1007/s11269-005-7371-1
7. Antunes, A., Andrade-Campos, A., Sardinha-Lourenço, A., & Oliveira, M. S. (2018). Short-term water demand forecasting using machine learning techniques. Journal of Hydroinformatics, 20(6), 1343–1366. https://doi.org/10.2166/hydro.2018.163
8. Arbués, F., García-Valiñas, M. Á., & Martínez-Espiñeira, R. (2003). Estimation of residential water demand: A state-of-the-art review. Journal of Socio-Economics, 32(1), 81–102. https://doi.org/10.1016/S1053-5357(03)00005-2

9. Batty, M. (2012). Smart cities, big data. Environment and Planning B: Planning and Design, 39(2), 191–193. https://doi.org/10.1068/B3902ED
10. Batty, M., Axhausen, K. W., Giannotti, F., Pozdnoukhov, A., Bazzani, A., Wachowicz, M., Ouzounis, G., & Portugali, Y. (2012). Smart cities of the future. European Physical Journal: Special Topics, 214(1), 481–518. https://doi.org/10.1140/EPJST/E2012-01703-3
11. Bayırbağ, M. K. (2013). Kamu politikası analizi için bir çerçeve önerisi. M. Yıldız & M. Z. Sobacı (Ed.), Kamu politikası kuram ve uygulama içinde (s. 44–66). Ankara: Adres Yayınları.
12. Billings, R. B., Horrace, W. C., & Agthe, D. E. (1998). State-space versus multiple regression for forecasting urban water demand. Economics - Faculty Scholarship, 29, 1-5.
13. Di, C. A., Coli M., I. A., & J, M. (2012). Advanced statistical methods for the analysis of large data-sets. Springer Science & Business Media.
14. Hauke, J., & Kossowski, T. (2011). Comparison of values of pearson’s and spearman’s correlation coefficients on the same sets of data. QUAGEO, 30(2), 87–93. https://doi.org/10.2478/v10117-011-0021-1
15. Knoepfel, P., Larrue, C., Varone, F., & Hill, M. (2007). Public policy analysis. Policy Press.
16. Küçüker, G., & Uzun Araz, Ö. (2023). Toplu taşıma yolcu talebinin sarıma ve prophet yöntemleri ile tahmini. Endüstri Mühendisliği, 34(3), 334–356. https://doi.org/10.46465/endustrimuhendisligi.1281645
17. Lambert, A. O. (2002). International report: water losses management and techniques. Water Science and Technology: Water Supply, 2(4), 1–20. https://doi.org/10.2166/WS.2002.0115
18. OECD. (1998). Water management. OECD. https://doi.org/10.1787/9789264162600-en
19. OECD. (2009). Managing water for all. Managing Water for All. 1-35, https://doi.org/10.1787/9789264060548-EN
20. OECD. (2023). Implementing water economics in the eu water framework directive. OECD. https://doi.org/10.1787/d6abda81-en
21. OECD. (2025). Environment at a glance: Türkiye.
22. OpenWeather. (2025). History bulk: historical weather data. https://openweathermap.org/history-bulk
23. Örselli, E., & Akbay, C. (2019). Teknoloji ve kent yaşamında dönüşüm: akıllı kentler. Uluslararası Yönetim Akademisi Dergisi, 228–241. https://doi.org/10.33712/mana.544549
24. Shan, S., Ni, H., Chen, G., Lin, X., & Li, J. (2023). A machine learning framework for enhancing short-term water demand forecasting using attention-bilstm networks ıntegrated with xgboost residual correction. Water, 15(20), 3605. https://doi.org/10.3390/w15203605
25. T.C. Kalkınma Bakanlığı. (2018). Su kaynakları yönetimi ve güvenliği özel ihtisas komisyonu raporu.
26. TESEV. (2020). Kentsel politikanın desteklenmesi için yeni araçlar: açık veri platformları ve dijital kent panelleri.
27. Tuna, M., Armut, S., & Tanrıvermiş, H. (2022). Türkiye’de içme-kullanma ve sulama suyunun fiyatlandırılması ve tarifeye esas fiyatlandırma çalışmalarının geliştirilmesi gerekliliği. Akdeniz İİBF Dergisi, 22(2), 58–73. https://doi.org/10.25294/AUIIBFD.1107735
28. Wilson, G. T. (2016). Time series analysis: forecasting and control (5th ed.), by G. E. P. Box, G. M. Jenkins, G. C. Reinsel, & G. M. Ljung. Journal of Time Series Analysis, 37(5), 709–711. https://doi.org/10.1111/jtsa.12194
29. Wu, S., Bates, B., Zbigniew Kundzewicz, A. W., & Palutikof, J. (2008). Intergovernmental panel on climate change wmo unep climate Change and Water.
30. Xenochristou, M. (2022). Water demand forecasting – machine learning. J. Lee & J. Keck (Eds.), Embracing analytics in the drinking water ındustry. IWA Publishing. https://doi.org/10.2166/9781789062380
31. Yaman, A. (2022). Pandemi döneminde kentsel politikaların ve uygulama araçlarının (repertuvar) analizi. Çağdaş Yerel Yönetimler, 31(1), 35–66.
32. Yılmazel, Ö. (2019). Scalable implementations of descriptive statistics on hadoop tt - hadoop üzerinde ölçeklenebilir betimleyici istatistik uygulamaları. Nicel Bilimler Dergisi, 1(1), 43–58. https://dergipark.org.tr/tr/pub/nicel/issue/46083/544379
33. Zhou, H., Deng, Z., Xia, Y., & Fu, M. (2016). A new sampling method in particle filter based on pearson correlation coefficient. Neurocomputing, 216, 208–215. https://doi.org/10.1016/J.NEUCOM.2016.07.036
34. Zhou, S. L., McMahon, T. A., Walton, A., & Lewis, J. (2002). Forecasting operational demand for an urban water supply zone. Journal of Hydrology, 259(1), 189–202. https://doi.org/https://doi.org/10.1016/S0022-1694(01)00582-0