Türkiye Mobilya Sektörü Dış Ticaret Verilerinin Yapay Sinir Ağları İle Değerlendirilmesi

Öz

Çalışmada Türkiye mobilya sektörü dış ticaretinin farklı ekonometrik yöntemler ile modellemesi ve projeksiyonu amaçlanmıştır. Bu amaçla Türkiye mobilya dış ticaretinin, ekonomi parametreleri ile arasındaki ilişki incelenerek yapay sinir ağları (YSA) ile tahminde bulunulmuştur. Çalışma verilerinin elde edilmesinde 1969-2018 yıllarına ait Türkiye mobilya sektörü dış ticaret değerlerinden yararlanılmıştır. Mobilya ihracat ve ithalatının gelecek yıllarda değişimi üzerine varsayımlarda bulunularak mobilya sektöründe nasıl bir yol izleneceğine dair çözüm yolları araştırılmıştır. Yapılan analiz sonucunda reel değerlerde mobilya ihracat ve ithalat verilerinde artış olacağı görülmüştür.

Anahtar Kelimeler

• : Mobilya Sektörü
• dış ticaret
• yapay sinir ağı.

Evaluation of Foreign Trade Data of Turkish Furniture Industry with Artificial Neural Networks

Abstract

In the study, it is aimed to model and project the foreign trade of the Turkish furniture sector with different econometric methods. For this purpose, the relationship between Turkey's furniture foreign trade and economy parameters has been examined and an estimation has been made with artificial neural networks (ANN). In obtaining the study data, the foreign trade values of the Turkish furniture sector for the years 1969-2018 were used. By making assumptions about the change in furniture exports and imports in the coming years, solutions were searched for how to follow a path in the furniture industry. As a result of the analysis, it has been seen that there will be an increase in furniture export and import data in real values

Keywords

• Furniture industry
• foreign trade
• artificial neural networks

References

1. Aiken, M., Krosp, J., Vanjani, M., Govindarajulu, C. Sexton, R. (1995). A neural network for predicting total Industrial production. Journal of End User Computing, 7(2): 19-23.
2. Akaytay, A. (2010). Bağımsız Denetimin Etkinliğini Arttırma Aracı Olarak Yapay Sinir Ağları: Analitik Bir İnceleme. Doktora Tezi, Sakarya Üniversitesi, Sosyal Bilimler Enstitüsü, İşletme Anabilim Dalı, Sakarya, 203 s.
3. Akbal, U. (2015). Dayanıklı Tüketim, Mobilya ve Orman Ürünleri Sektör Raporu 2014. MÜSİAD, 73 s.
4. Akcan, A. ve Kartal, C. (2011). İMKB Sigorta Endeksini Oluşturan Şirketlerin Hisse Senedi Fiyatlarının Yapay Sinir Ağları ile Tahmini. Muhasebe ve Finansman Dergisi, 51(3):27-40.
5. Alan, S. (1998) Mobilya Sektör Raporu (Rapor No–8). Başbakanlık DTM Orta Anadolu İhracatçı Birlikleri Genel Sekreterliği, Ankara.
6. Anonim, (2014). TR63 Bölgesi Mobilyacılık Sektör Raporu, www.dogaka.gov.tr (Erişim Tarihi: 14.05.2016).
7. Aslay, F. (2013). Meteorolojik Parametreler Kullanılarak Yapay Sinir Ağları ile Toprak Sıcaklığının Tahmini. Doktora Tezi, Atatürk Üniversitesi, Sosyal Bilimler Enstitüsü, İşletme Anabilim Dalı, 124 s.
8. Aytekin, A. (2017). Basit düşün, akış diyagramları ile programlama. Detay Yayıncılık, Ankara, 326 s.

9. Bashimov, G. (2017). Mobilya Endüstrisi: Türkiye’nin Küresel Piyasadaki Karşılaştırmalı Üstünlüğü. İktisadi Yenilik Dergisi, 4(2), 20-29.
10. Beale, M.H., Hagan, M.T. ve Demuth, H.B. (2010). Neural network toolbox 7 User’s guide. The MathWorks Inc., Natick, MA, 951 s.
11. Chiang, W.C., Urban, T.L. ve Baldridge, G.W. (1996). A neural network approach to mutual fund net asset value forecasting. Omega, 24: 205–215.
12. COMTRADE (2019). Birleşmiş Milletler Ticaret Veri Tabanı. https://comtrade.un.org/, (01.12.2019).
13. Cybenko, G. (1989). Approximation by Superposition of A Sigmoidal Function. Mathematical Control Signal Systems, 2: 303-314.
14. Çuhadar, M., ve Kayacan, C. (2005). Yapay Sinir Ağları Kullanılarak Konaklama İşletmelerinde Doluluk Oranı Tahmini: Türkiye'deki Konaklama İşletmeleri Üzerine Bir Deneme. Anatolia: Turizm Arastirmalari Dergisi, 16(1): 24-30.
15. Doğan, V. (2006). Hisse Senedi Getirisinin Yapay Sinir Ağları ile Tahmini. Yüksek Lisans Tezi, Boğaziçi Üniversitesi, Fen Bilimleri Enstitüsü, Sistem ve Kontrol Mühendisliği Anabilim Dalı, İstanbul, 85 s.
16. Elminir, H.K., Areed, F.F. ve Elsayed, T.S. (2005). Estimation Of Solar Radiation Components Incident On Helwan Site Using Neural Networks. Solar Energy, 79: 270-279.
17. FAO (2019). Birleşmiş Milletler Gıda ve Tarım Örgütü Veri Tabanı. http://www.fao.org/faostat, (01.12.2019).
18. Gately, E. (1996). Neural Networks For Financial Forecasting. John Wiley, New York.
19. Gentry, T.W., Wiliamowski, B.M. ve Weatherford, L.R. (1995). A Comparison of Traditional Forecasting Techniques and Neural Networks. Intelligent Engineering Systems Through Artificial Neural Networks, 1995(5): 765-770.
20. Güngör, E. (2007). Yapay Sinir Ağları Yardımı ile Makine Arızalarının Önceden Tahmin Edilmesi. Yüksek Lisans Tezi, Kocaeli Üniversitesi, Sosyal Bilimler Enstitüsü, Kocaeli, 74 s.
21. Güngör, İ., Kayacan, C. ve Korkmaz, M. (2004). Endüstriyel odun hammaddesi talebinin tahmininde yapay sinir ağlarının kullanımı ve bazı tahmin yöntemleri ile karşılaştırılması. Yöneylem Araştırması Endüstri Mühendisliği XXIV. Ulusal Kongresi, Çukurova Üniversitesi, 15-18 Haziran 2004, Adana.
22. Haas, D.J., Milano, J. ve Flitter, L. (1995). Prediction of helicopter component loads using neural networks. Journal of the American Helicopter Society, 40 (1): 72-82.
23. Hadavandi, E., Shavandi, H. ve Ghanbari, A. (2010). Integration of Genetic Fuzzy Systems and Artificial Neural Networks for Stock Price Forecasting. Knowledge-Based Systems, 23: 800-808.
24. Hamzaçebi, C. (2005). Geleceği Tahminde Yapay Sinir Ağları İçin Sezgisel Öğrenme Algoritmaları. Doktora Tezi, Gazi Üniversitesi, Fen bilimleri Enstitüsü, Endüstri Mühendisliği Anabilim Dalı, 159 s.
25. Hamzaçebi, C. (2008). Improving Artificial Neural Networks: Performance in Seasonal Time Series Forecasting. Information Sciences, 178 (23): 4550-4559.
26. Haykin, S. (2009). Neural Networks and Learning Machine. Pearson Education Inc. New Jersey. 936 s.
27. Ho, S.L., Xie, M. ve Goh T.N. (2002). A comperative study of neural network and box-jenkins ARIMA modeling in time series prediction. Computers and Industrıal Engineering, 42(2002): 371- 375.
28. Hornik, K., Stinchcombe, M. ve White, H. (1989). Multilayer feed–forward networks are universial approximators. Neural Networks, 2: 359-366.
29. İmren, E., Karayılmazlar, S., Kurt, R. (2016). Selection of optimal establishment place using AHP (Analytical Hierarchy Process): an application of furniture industry. Bartın Orman Fakültesi Dergisi, 18(2), 48-54. DOI: 10.24011/barofd.267287.
30. İstek, A., Özlüsoylu, İ. ve Kızılkaya, A. (2017). Türkiye Ahşap Esaslı Levha Sektör Analizi. Bartın Orman Fakültesi Dergisi, 19(1):, 132-138.
31. Kariniotakis, G.N., Stavrakakis, G.S. ve Nogaret, E.F. (1996). Wind power forecasting using advenced artificial neural network models. IEEE Transactions on Energy Conversion, 11(4): 762-767.
32. Kiartzis, S.J., Bakirtzis, A.G. ve Petridis, V. (1995). Short-term load forecasting using neural networks. Electric Power Systems Research, 33:1-6.
33. Kolehmainen, M., Martikainen, H. ve Ruuskanen, J. (2001). Neural networks and periodic components used in air quality forecasting. Atmospheric Environment, 35: 815-825.
34. Kunt, F. (2007). Hava Kirliliğinin Yapay Sinir Ağları Yöntemiyle Modellenmesi ve Tahmini. Yüksek Lisans Tezi, Selçuk Üniversitesi, Fen Bilimler Enstitüsü, Çevre Mühendisliği Anabilim Dalı, Konya, 89 s.
35. Kurt, R. (2018). İstatistiksel Süreç Kontrolünde Shewhart, CUSUM ve EWMA Kontrol Kartları ile Yapay Sinir Ağlarının Bütünleşik Kullanımı: Bir Orman Endüstri İşletmesinde Uygulama. Doktora Tezi, Bartın Üniversitesi, Fen Bilimleri Enstitüsü, Orman Endüstri Mühendisliği Anabilim Dalı, Bartın, 234 s.
36. Kurt, R. (2019a). Mobilya Sektöründe E-Ticaret’in GZFT Analizi ile Değerlendirilmesi. Düzce Üniversitesi Bilim ve Teknoloji Dergisi, 7 (1), 616-627. DOI: 10.29130/dubited.485746
37. Kurt, R. (2019b). Determination of the Most Appropriate Statistical Method for Estimating the Production Values of Medium Density Fiberboard. BioResources, 14(3), 6186-6202.
38. Kurt, R., Karayılmazlar, S., İmren, E., Çabuk, Y. (2017). Forecasting by using artificial neural networks: Turkey's paper-paperboard industry case. Bartın Orman Fakültesi Dergisi, 19(2), 99-106. DOI: 10.24011/barofd.334773
39. Kurt, R., ve Karayilmazlar, S. (2019). Estimating Modulus of Elasticity (MOE) of Particleboards Using Artificial Neural Networks to Reduce Quality Measurements and Costs. Drvna industrija: Znanstveni časopis za pitanja drvne tehnologije, 70(3), 257-263.
40. Masaebi, P. (2016). Yapay Sinir Ağları ile İran Elektrik Tüketim Tahmini. Yüksek Lisans Tezi, Karadeniz Teknik Üniversitesi, Fen Bilimleri Enstitüsü, Endüstri Mühendisliği Anabilim Dalı, Trabzon, 75 s.
41. Niska, H., Hiltunen, T., Karppinen, A., Ruuskanen, J. ve Kolehmainen, M. (2004). Evolving the neural network model for forecasting air pollution time series. Engineering Applications of Artificial Intelligence, 17: 159-167.
42. Özlüsoylu, İ. ve İstek, A. (2015). Mobilya Üretiminde Kullanılan Panellerden Salınan Formaldehit Emisyonu ve İnsan Sağlığı Üzerine Etkileri. Selcuk University Journal of Engineering Sciences, 14(2): 213-227.
43. Öztemel, E. (2016). Yapay Sinir Ağları. Papatyabilim Yayıncılık, İstanbul, 232 s.
44. Pijanowski, B.C., Brown, D.G., Shellito, B.A. ve Manik G.A. (2002). Using Neural Networks and GIS To Forecast Land Use Changes: A Land Transformation Model. Computers, Environment and Urban Systems, 2002(26): 553–575.
45. Pindoriya, N.M., Singh, S.N. ve Singh, S.K. (2008). An Adaptive Wavelet Neural Network-Based Energy, Price Forecasting in Electricity Markets. IEEE Transactıons On Power Systems, 23(3): 1423-1432.
46. Sakarya, S., ve Doğan, Ö. (2016). Mobilya Sektör Raporu. Orta Anadolu İhracatçı Birlikleri Genel Sekreterliği, Ankara, 36 s.
47. Şahin, M., Büyüktümtürk, F. ve Oğuz, Y. (2013). Yapay Sinir Ağları ile Aydınlık Kalitesi Kontrolü. Afyon Kocatepe Üniversitesi Fen ve Mühendislik Bilimleri Dergisi, 13(2013): 1-10.
48. Ticaret Bakanlığı (2018). Mobilya Sektör Raporu. T.C. Ticaret Bakanlığı İhracat Genel Müdürlüğü, 14 s.
49. WBG (2019). Dünya Bankası Açık Verileri. https://data.worldbank.org/, (11.02.2020).
50. Zhang, G., Patuwo, B.E. ve Hu, M.Y. (1998). Forecasting With Artificial Neural Networks: The State Of The Art. International Journal of Forecasting, 14: 35-62.