Research Article
BibTex RIS Cite

Forecasting Hazelnut Prices with Artificial Neural Networks: The Case of Turkiye

Year 2024, Volume: 14 Issue: 1, 31 - 42, 07.07.2024
https://doi.org/10.55024/buyasambid.1394033

Abstract

Fındık hiç kuşkusuz Türkiye için önemli bir tarım ürünüdür. Fındık fiyatlarının tahminlenmesi fiyatın belirlenmesi, ürünün pazarlanması vs. açıdan çok önemlidir. Fiyat tahminlemede bir çok yöntem kullanılmaktadır. Bu yöntemlerden birisi de yapay zekanın bir alt türü ola yapay sinir ağlarıdır. Bu çalışmada yapay sinir ağları ile fındık fiyatının tahminlenmesi yapılmıştır. Çalışmanın amacı fiyat tahminlenmesinde yapay sinir ağları kullanılarak bir model ortaya konulması ve uygulamasının gerçekleştirilmesidir. Alan yazındaki çalışmalardan farkı da bu yöntem ile fındık fiyatı tahminlenmesi üzerine uygulanmasıdır. Çalışmada, Giresun Ticaret Borsası’ndan elde edilen 2000-2023 yıllarına ait aylık fındık fiyatlarından oluşan 214 veriden oluşan zaman serisi kullanılmıştır. Çalışmanın analizi için MATLAB Neural Network Toolbox araç paketi kullanılmıştır. Çalışmada kullanılan veri seti tek değişkenli zaman serisi olduğu için Nonlinear Autoregressive (NAR) ile analiz gerçekleştirilmiştir. Çalışma neticesinde fındık fiyatlarının tahminine ilişki yapay sinir ağı modeli kurulmuş ve %33 hata payı ile tahminleme yapılmıştır.

References

  • Akan Esen, B. (2023).Yapay sinir ağının ana öğeleri, www.akanesen.com, Erişim tarihi: 18.12.2023.
  • Akkan, T., Mutlu, T. ve Baş, E. (2022). Forecasting sea surface temperature with feed-forward artificial networks in combating the global climate change: The sample of Rize, Türkiye. Ege Journal of Fisheries and Aquatic Sciences, 39 (4), 311-315.
  • Alhendi, A., Al-Sumaiti, A.S., Marzband, M., Kumar, R., ve Diab, A.A.Z. (2023). Short-term load and price forecasting using artificial neural network with enhanced markov chain for ISO New England, Energy Reports, 9, 4799-4815.
  • Arı, A. ve Berberler, M.E. (2017). Yapay sinir ağları ile tahmin ve sınıflandırma problemlerinin çözümü için arayüz tasarımı. ACTA INFOLICA, 2(1), 55-73.
  • Bayyurt, D. ve Deveci Kocakoç, İ. (2023). Yapay sinir ağları NARX ile Türkiye fındık üretim miktarı tahmini, Giresun Üniversitesi İktisadi ve İdari Bilimler Dergisi, 9(1), 15-35.
  • Bozoğlu, M. ve Kabaoğlu, S. (2023). Türkiye’deki fındık kırma ve işleme sanayinin yapısı. Tarım Ekonomisi Araştırmaları Dergisi (TEAD), 9(1), 68-80.
  • Can, Ş., ve Gerşil, M. (2018). Manisa pamuk fiyatlarının zaman serisi analizi ve yapay sinir ağı teknikleri ile tahminlenmesi ve tahmin performanslarının karşılaştırılması. Yönetim ve Ekonomi Dergisi, 25(3), 1017-1031.
  • Caner, M., Gedik, E., & Keçebaş, A. (2011). Investigation on thermal performance calculation of two type solar air collectors using artificial neural network. Expert Systems with Applications, 38(3), 1668-1674.
  • Cansu, T., Kolemen, E., Karahasan, Ö., Bas, E., ve Egrioglu, E. (2023). A new training algorithm for long short-term memory artificial neural network based on particle swarm optimization. Granular Computing, 1-14.
  • Çakır Sönmez, F. (2019). Yapay sinir ağları matlab kodları ve matlab toolbox çözümleri, Ankara: Nobel.
  • Çamoğlu, S., Akıncı, M. ve Bozkurt, A. (2015). Fındık sektörü, ekonomik ve yapısal problemleri: Ordu ili değerlendirmesi, Uluslararası İktisadi ve İdari İncelemeler Dergisi, 6, 27-48.
  • Eğrioğlu, E., Aladağ, C.H., Yolcu, U. ve Baş, E. (2015). Recurrent multiplicative neuron model artificial neural network for non-linear time series forecasting. Neural Processing Letters, 41(2), 249-258.
  • Eğrioğlu, E., Yolcu, U. ve Baş, E. (2019). Yapay sinir ağları öngörü ve tahmin uygulamaları. Ankara: Nobel.
  • Giresun Ticaret Borsası (2023). https://www.giresuntb.org.tr/Istatistikler. Erişim Tarihi: 09.08.2023.
  • Hazneci, E., Naycı, E. ve Çelikkan, G. (2022). Fındık üretiminde maliyet ve karlılık analizi: Giresun ili örneği, Ege Üniversitesi Ziraat Fakültesi Dergisi, 59(3), 499-511.
  • Hüsnüoğlu, N. (2018). Türkiye’de fındık üretim miktarı ve fiyat ilişkisi: ARDL sınır testi yaklaşımı. Sosyal Bilimler Araştırma Dergisi, 7(4), 24-41.
  • Kara, M.A. (2022). Fındık ekonomisi. K.Y.Genç, Y.Mamur Işıkçı & M.Özdemir (Edt.) Fındık ekonomisinde kooperatiflerin yeri: dünden bugüne Fiskobirlik, (ss.105-120). Bursa: Ekin.
  • Karaman, G. (2022). Fındık ekonomisi, K.Y.Genç, Y.Mamur Işıkçı & M.Özdemir(Edt.), İnsan Kaynakları yönetimi perspektifinde Türkiye’de fındık ekonomisi, (s.22-37). Bursa: Ekin.
  • Khamis, A., ve Abdullah, S. N. S. B. (2014). forecasting wheat price using back propagation and NARX neural network. The International Journal Of Engineering And Science, 3(11), 19-26.
  • Khosravi, Z.M.H., Barghinia, S., Ansarimehr, P. (2006). New momentum adjustment technique for Levenberg-Marquardt neural network used in short term load forecasting, in Proc. of 21st International Power System Conference (PSC 2006), Tehran, Iran.
  • Kırsahanoğlu, Ş. (2022). Fındık ekonomisi. K.Y.Genç, Y.Mamur Işıkçı & M.Özdemir (Edt.), fındık fiyatını etkileyen faktörlerin VAR modeliyle analizi, (s.165-182). Bursa: Ekin.
  • Kotan, B. ve Erener, A. (2023). PM10, SO2 hava kirleticilerinin çoklu doğrusal regresyon ve yapay sinir ağları ile sezonsal tahmini, Geomatik, 8(2), 163-179.
  • Kumari, P., Goswami, V., N, H., ve Pundir, R. S. (2023). Recurrent neural network architecture for forecasting banana prices in Gujarat, India. Plos one, 18(6), e0275702.
  • Kurani, A., Doshi, P., Vakharia, A., ve Shah, M. (2023). A comprehensive comparative study of artificial neural network (ANN) and support vector machines (SVM) on stock forecasting. Annals of Data Science, 10(1), 183-208.
  • Öztürk, Ş. , Nas, F. ve İçöz, E. (2008). 24 Ocak kararları, neo-liberal politikalar ve Türkiye tarımı. Pamukkale Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, (2) , 15-32.
  • Saplıoğlu, K. ve Çimen, M. (2010). Yapay sinir ağlarını kullanarak günlük yağış miktarının tahmini. Mühendislik Bilimleri ve Tasarım Dergisi, 1(1), 14-21.
  • Spaulding, A.D., Tulum, O., Saghaian, S. ve Özertan, G. (2009). Impact of a new price support policy on the Turkish hazelnut ındustry. Acta Hortic, 845, 795-800.
  • Szoplik, J., ve Muchel, P. (2023). Using an artificial neural network model for natural gas compositions forecasting. Energy, 263, 126001.
  • Şenol, D. ve Denizhan, B. (2023). Kripto para değerinin yapay sinir ağları ile tahmini, Endüstri Mühendisliği, 34(1), 42-69.
  • Şeyranlıoğlu, O. (2022). Fındık ekonomisi. K.Y.Genç, Y.Mamur Işıkçı & M.Özdemir (Edt.), Fındık fiyatları ile döviz kuru arasındaki saklı ilişkinin analizi, (s.261-278). Bursa: Ekin.
  • Özer, O. O., ve Yavuz, G. G. (2014). Box-Jenkıns Modeli Yardımıyla Fındık Fiyatının Tahmini. XI. Ulusal Tarım Ekonomisi Kongresi, 3(5).
  • Wang, J., Wang, Z., Li, X., ve Zhou, H. (2022). Artificial bee colony-based combination approach to forecasting agricultural commodity prices. International Journal of Forecasting, 38, 21–34.
  • Wang, Y. (2023) Agricultural Products price prediction based on improved RBF neural network model, Applied Artificial Intelligence, 37:1, DOI: 10.1080/08839514.2023.2204600.
  • Xu, X., ve Zhang, Y. (2023). Yellow corn wholesale price forecasts via the neural network. EconomiA. 24 (1), 44-67. https://doi.org/10.1108/ECON-05-2022-0026.
  • Yang, J., Haigh, M. S., ve Leatham, D. J. (2001). Agricultural liberalization policy and commodity price volatility: a GARCH application. Applied Economics Letters, 8(9), 593-598.
  • Yaman Selçi, B. (2021). Türkiye’nin konut satışı değerlerinin yapay sinir ağları ile öngörülmesi. EKOIST Journal of Econometrics and Statistics, (35), 19-32.

Fındık Fiyatlarının Yapay Sinir Ağları ile Tahminlenmesi: Türkiye Örneği

Year 2024, Volume: 14 Issue: 1, 31 - 42, 07.07.2024
https://doi.org/10.55024/buyasambid.1394033

Abstract

Fındık hiç kuşkusuz Türkiye için önemli bir tarım ürünüdür. Fındık fiyatlarının tahminlenmesi fiyatın belirlenmesi, ürünün pazarlanması vs. açıdan çok önemlidir. Fiyat tahminlemede bir çok yöntem kullanılmaktadır. Bu yöntemlerden birisi de yapay zekanın bir alt türü ola yapay sinir ağlarıdır. Bu çalışmada yapay sinir ağları ile fındık fiyatının tahminlenmesi yapılmıştır. Çalışmanın amacı fiyat tahminlenmesinde yapay sinir ağları kullanılarak bir model ortaya konulması ve uygulamasının gerçekleştirilmesidir. Alan yazındaki çalışmalardan farkı da bu yöntem ile fındık fiyatı tahminlenmesi üzerine uygulanmasıdır. Çalışmada, Giresun Ticaret Borsası’ndan elde edilen 2000-2023 yıllarına ait aylık fındık fiyatlarından oluşan 214 veriden oluşan zaman serisi kullanılmıştır. Çalışmanın analizi için MATLAB Neural Network Toolbox araç paketi kullanılmıştır. Çalışmada kullanılan veri seti tek değişkenli zaman serisi olduğu için Nonlinear Autoregressive (NAR) ile analiz gerçekleştirilmiştir. Çalışma neticesinde fındık fiyatlarının tahminine ilişki yapay sinir ağı modeli kurulmuş ve %33 hata payı ile tahminleme yapılmıştır.

References

  • Akan Esen, B. (2023).Yapay sinir ağının ana öğeleri, www.akanesen.com, Erişim tarihi: 18.12.2023.
  • Akkan, T., Mutlu, T. ve Baş, E. (2022). Forecasting sea surface temperature with feed-forward artificial networks in combating the global climate change: The sample of Rize, Türkiye. Ege Journal of Fisheries and Aquatic Sciences, 39 (4), 311-315.
  • Alhendi, A., Al-Sumaiti, A.S., Marzband, M., Kumar, R., ve Diab, A.A.Z. (2023). Short-term load and price forecasting using artificial neural network with enhanced markov chain for ISO New England, Energy Reports, 9, 4799-4815.
  • Arı, A. ve Berberler, M.E. (2017). Yapay sinir ağları ile tahmin ve sınıflandırma problemlerinin çözümü için arayüz tasarımı. ACTA INFOLICA, 2(1), 55-73.
  • Bayyurt, D. ve Deveci Kocakoç, İ. (2023). Yapay sinir ağları NARX ile Türkiye fındık üretim miktarı tahmini, Giresun Üniversitesi İktisadi ve İdari Bilimler Dergisi, 9(1), 15-35.
  • Bozoğlu, M. ve Kabaoğlu, S. (2023). Türkiye’deki fındık kırma ve işleme sanayinin yapısı. Tarım Ekonomisi Araştırmaları Dergisi (TEAD), 9(1), 68-80.
  • Can, Ş., ve Gerşil, M. (2018). Manisa pamuk fiyatlarının zaman serisi analizi ve yapay sinir ağı teknikleri ile tahminlenmesi ve tahmin performanslarının karşılaştırılması. Yönetim ve Ekonomi Dergisi, 25(3), 1017-1031.
  • Caner, M., Gedik, E., & Keçebaş, A. (2011). Investigation on thermal performance calculation of two type solar air collectors using artificial neural network. Expert Systems with Applications, 38(3), 1668-1674.
  • Cansu, T., Kolemen, E., Karahasan, Ö., Bas, E., ve Egrioglu, E. (2023). A new training algorithm for long short-term memory artificial neural network based on particle swarm optimization. Granular Computing, 1-14.
  • Çakır Sönmez, F. (2019). Yapay sinir ağları matlab kodları ve matlab toolbox çözümleri, Ankara: Nobel.
  • Çamoğlu, S., Akıncı, M. ve Bozkurt, A. (2015). Fındık sektörü, ekonomik ve yapısal problemleri: Ordu ili değerlendirmesi, Uluslararası İktisadi ve İdari İncelemeler Dergisi, 6, 27-48.
  • Eğrioğlu, E., Aladağ, C.H., Yolcu, U. ve Baş, E. (2015). Recurrent multiplicative neuron model artificial neural network for non-linear time series forecasting. Neural Processing Letters, 41(2), 249-258.
  • Eğrioğlu, E., Yolcu, U. ve Baş, E. (2019). Yapay sinir ağları öngörü ve tahmin uygulamaları. Ankara: Nobel.
  • Giresun Ticaret Borsası (2023). https://www.giresuntb.org.tr/Istatistikler. Erişim Tarihi: 09.08.2023.
  • Hazneci, E., Naycı, E. ve Çelikkan, G. (2022). Fındık üretiminde maliyet ve karlılık analizi: Giresun ili örneği, Ege Üniversitesi Ziraat Fakültesi Dergisi, 59(3), 499-511.
  • Hüsnüoğlu, N. (2018). Türkiye’de fındık üretim miktarı ve fiyat ilişkisi: ARDL sınır testi yaklaşımı. Sosyal Bilimler Araştırma Dergisi, 7(4), 24-41.
  • Kara, M.A. (2022). Fındık ekonomisi. K.Y.Genç, Y.Mamur Işıkçı & M.Özdemir (Edt.) Fındık ekonomisinde kooperatiflerin yeri: dünden bugüne Fiskobirlik, (ss.105-120). Bursa: Ekin.
  • Karaman, G. (2022). Fındık ekonomisi, K.Y.Genç, Y.Mamur Işıkçı & M.Özdemir(Edt.), İnsan Kaynakları yönetimi perspektifinde Türkiye’de fındık ekonomisi, (s.22-37). Bursa: Ekin.
  • Khamis, A., ve Abdullah, S. N. S. B. (2014). forecasting wheat price using back propagation and NARX neural network. The International Journal Of Engineering And Science, 3(11), 19-26.
  • Khosravi, Z.M.H., Barghinia, S., Ansarimehr, P. (2006). New momentum adjustment technique for Levenberg-Marquardt neural network used in short term load forecasting, in Proc. of 21st International Power System Conference (PSC 2006), Tehran, Iran.
  • Kırsahanoğlu, Ş. (2022). Fındık ekonomisi. K.Y.Genç, Y.Mamur Işıkçı & M.Özdemir (Edt.), fındık fiyatını etkileyen faktörlerin VAR modeliyle analizi, (s.165-182). Bursa: Ekin.
  • Kotan, B. ve Erener, A. (2023). PM10, SO2 hava kirleticilerinin çoklu doğrusal regresyon ve yapay sinir ağları ile sezonsal tahmini, Geomatik, 8(2), 163-179.
  • Kumari, P., Goswami, V., N, H., ve Pundir, R. S. (2023). Recurrent neural network architecture for forecasting banana prices in Gujarat, India. Plos one, 18(6), e0275702.
  • Kurani, A., Doshi, P., Vakharia, A., ve Shah, M. (2023). A comprehensive comparative study of artificial neural network (ANN) and support vector machines (SVM) on stock forecasting. Annals of Data Science, 10(1), 183-208.
  • Öztürk, Ş. , Nas, F. ve İçöz, E. (2008). 24 Ocak kararları, neo-liberal politikalar ve Türkiye tarımı. Pamukkale Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, (2) , 15-32.
  • Saplıoğlu, K. ve Çimen, M. (2010). Yapay sinir ağlarını kullanarak günlük yağış miktarının tahmini. Mühendislik Bilimleri ve Tasarım Dergisi, 1(1), 14-21.
  • Spaulding, A.D., Tulum, O., Saghaian, S. ve Özertan, G. (2009). Impact of a new price support policy on the Turkish hazelnut ındustry. Acta Hortic, 845, 795-800.
  • Szoplik, J., ve Muchel, P. (2023). Using an artificial neural network model for natural gas compositions forecasting. Energy, 263, 126001.
  • Şenol, D. ve Denizhan, B. (2023). Kripto para değerinin yapay sinir ağları ile tahmini, Endüstri Mühendisliği, 34(1), 42-69.
  • Şeyranlıoğlu, O. (2022). Fındık ekonomisi. K.Y.Genç, Y.Mamur Işıkçı & M.Özdemir (Edt.), Fındık fiyatları ile döviz kuru arasındaki saklı ilişkinin analizi, (s.261-278). Bursa: Ekin.
  • Özer, O. O., ve Yavuz, G. G. (2014). Box-Jenkıns Modeli Yardımıyla Fındık Fiyatının Tahmini. XI. Ulusal Tarım Ekonomisi Kongresi, 3(5).
  • Wang, J., Wang, Z., Li, X., ve Zhou, H. (2022). Artificial bee colony-based combination approach to forecasting agricultural commodity prices. International Journal of Forecasting, 38, 21–34.
  • Wang, Y. (2023) Agricultural Products price prediction based on improved RBF neural network model, Applied Artificial Intelligence, 37:1, DOI: 10.1080/08839514.2023.2204600.
  • Xu, X., ve Zhang, Y. (2023). Yellow corn wholesale price forecasts via the neural network. EconomiA. 24 (1), 44-67. https://doi.org/10.1108/ECON-05-2022-0026.
  • Yang, J., Haigh, M. S., ve Leatham, D. J. (2001). Agricultural liberalization policy and commodity price volatility: a GARCH application. Applied Economics Letters, 8(9), 593-598.
  • Yaman Selçi, B. (2021). Türkiye’nin konut satışı değerlerinin yapay sinir ağları ile öngörülmesi. EKOIST Journal of Econometrics and Statistics, (35), 19-32.
There are 36 citations in total.

Details

Primary Language Turkish
Subjects Time-Series Analysis
Journal Section Research Article
Authors

Mehmet Akif Kara 0000-0003-4308-9933

Publication Date July 7, 2024
Submission Date November 21, 2023
Acceptance Date January 11, 2024
Published in Issue Year 2024 Volume: 14 Issue: 1

Cite

APA Kara, M. A. (2024). Fındık Fiyatlarının Yapay Sinir Ağları ile Tahminlenmesi: Türkiye Örneği. Batman Üniversitesi Yaşam Bilimleri Dergisi, 14(1), 31-42. https://doi.org/10.55024/buyasambid.1394033