İkinci El Araba Fiyatlarının Tahmini

Abstract

Günümüz ekonomik koşullarında, ikinci el ürünlere ilgi daha da artmıştır. Özellikle ikinci el araba ya da araçların geniş bir müşteri tabanı bulunmaktadır. Böyle bir pazara sahip olan sektörde hızlı satış yapabilmek, doğru fiyatlandırma yapmak, doğru fiyattan alış-veriş yapabilmek için araçların ideal fiyatları hesaplamak büyük önem taşımaktadır. Bu gibi durumlarda kullanılan lineer regresyon analizi ile önce fiyat üzerinde etkisi olan değişkenlerin tespiti sonra tahminleme modeli kurulup fiyat hesaplamak mümkündür. Bu çalışmada, fiyat, marka ve model yılı gibi fiyatı etkileyen 5041 ikinci el otomobile ait 78 değişkenden 23'ü belirlenerek model oluşturulmuştur. Bu 23 değişkenin Açıklayıcılık Oranı (R²) %89,1 olarak bulunmuştur. Daha sonra, bu regresyon modeli kullanılarak, araçların ikinci el fiyatları makine öğrenme algoritması ile tahmin edilmiştir. Veri seti eğitim ve test verileri olarak ikiye ayrılmıştır (%70-30 ve %80-20). Çalışma sonucunda gerçek değerler ile hesaplanan değerler arasındaki yakınlıklar tespit edilmiştir. Çalışma sonucunda hesaplanan yakınlık oranı (±%), tahmin sonuçlarının gerçek sonuçlara yakınlık derecesini göstermektedir. Makine öğrenmesi sonucu oluşturulan tahmin modeli ile doğru sonuçların %10 yakınlık derecesine göre (üst limit; %110, alt limit; %90) tahmin başarı oranı %81,15 olarak bulunmuştur. Elde edilen sonuçlara göre, ikinci el araba fiyatlarının tahmininde makine öğrenme tekniğinin ikinci el olabileceği düşünülmektedir. Fakat daha fazla birim sayısına sahip bir veri seti ve farklı değişkenler ile daha iyi tahmin oranlarına ulaşmak mümkündür.

Keywords

• Fiyat Tahminleme,İkinci El Araba,Makine Öğrenmesi,Doğrusal Regresyon

Prediction of The Prices of Second-Hand Cars

Abstract

In today's economic conditions, interest in second hand products has increased. Especially second-hand car or vehicles have a wide customer base. In the sector which has a workshop market, it is very important to make fast sales, to make the right pricing and to calculate the ideal prices of the cars in order to exchange at the right price. With linear regression analysis second-hand in such cases first determination of variables with effect on price, then it is possible to calculate the price by establising estimating model. In this study, the model was established by determining 23 of 78 variables affecting the price such as price, brands and model years of 5041 second-hand cars. The Determination Rate (R²) of these 23 variables was found to be 89.1%. Then, by using this regression model, second hand prices of the cars were estimated via machine learning algorithm. The data set is divided into two as training and test data (70-30% and 80-20%). As a result of the study, it was determined the affinities between the real values and the estimated values. The proximity rate (±%) calculated in result of study shows affinity intensity of the estimation results to the true results. Via the prediction model established as a result of machine learning, the predictive accuracy rate was found to be 81.15% according to the 10% proximity of the correct results (upper limit; 110%, lower limit; 90%). According to the results, it is thought that machine learning technique could be second-hand to estimate second hand car prices.  However, it is possible to reach a better estimation rate with a data set with more units and different variables.

Keywords

• Prediction Price,Second-Hand Car,Machine Learning,Linear Regression

References

1. Onat, M. G. (2007). Otomotiv Sektöründe Oranlar Yöntemi Aracılığı le Finansal Analiz.
2. Asilkan, O., & Irmak, A. G. S. (2009). İkinci el otomobillerin gelecekteki fiyatlarının yapay sinir ağları ile tahmin edilmesi. Süleyman Demirel Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 14(2).
3. WEB-ACEA, Association Des Connstructeurs Europeens D’automobiles, Economic Report, Acea’s Position On Motor Car Distribution in The European Union, 2001, www.acea.be, (15/09/2007)
4. Lee, J. (2006). Empirical analysis of wholesale used car auctions. ProQuest.
5. DATAMONITOR, “Used Cars in Europe”, Industry Profile, Reference Code: 0201-0750, December 2007.
6. Genesove, D. (1993), “Adverse Selection in the Wholesale Used Car Market”, Journal of Political Economy, 101(4), 644-665.
7. Murray, J. & Sarantis, N. (1999). Price-quality relations and hedonic price indexes for cars in the United Kingdom. International Journal of the Economics of Business, 6(1), 5-27.
8. Pazarlıoğlu, M. V. & Gunes, M. (2000), “The Hedonic Price Model for Fusion on Car Market”, International Conference of of Information Fusion, Paris, France, 4-13, http://ieeexplore.ieee.org/document/862707/, (Access: 20.08.2016).

9. Andersson, Henrik (2005), “The Value of Safety as Revealed in the Swedish Car Market: An Application of the Hedonic Pricing Approach”, Journal of Risk and Uncertainty, 30(3), 211-239.
10. Alper, C. E. & Mumcu, A. (2007), “Interaction between Price, Quality and Country of Origin When Estimating Automobile Demand: The Case of Turkey”, Applied Economics, 39, 1789–1796.
11. Cumhur. E. & Senturk, I. (2009), “A Hedonic Analysis of Used Car Prices in Turkey”, International Journal of Economic Perspectives, 3(2), 141-149.
12. Matas, A. & Raymond, J. L. (2009), “Hedonic Prices for Cars: An Application to the Spanish Car Market, 1981- 2005”, Applied Economics, 41, 2887-2904.
13. Ecer, F. (2013), “Türkiye’de 2. El Otomobil Fiyatının Tahmini ve Fiyat Belirleyicilerinin Tahmini”, Anadolu Üniversitesi Sosyal Bilimler Dergisi, 13(4), 101-112.
14. Galarraga, I., Ana R., Josu L. & Xavier L. (2014), “The Price of Energy Efficiency in the Spanish Car Market”, Transport Policy, 36 (2014), 272–282.
15. Prieto, M., Barbara C. & George B. (2015), “Using a Hedonic Price Model to Test Prospect Theory Assertions: The Asymmetrical and Nonlinear Effect of Reliability on Used Car Prices”, Journal of Retailing and Consumer Services, 22 (2015), 206–212.
16. Dastan, H. (2016), “Türkiye’de İkinci El Otomobil Fiyatlarını Etkileyen Faktörlerin Hedonik Fiyat Modeli ile Belirlenmesi”, Gazi Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 18(1), 303-327.
17. Sirmacek, B. (2007). FPGA ile mobil robot için öğrenme algoritması modellenmesi (Doctoral dissertation).
18. Altunisik, R. (2015). Büyük Veri: Fırsatlar Kaynağı mı Yoksa Yeni Sorunlar Yumağı mı?. Yildiz Social Science Review, 1(1).
19. Gor, I. (2014). Vektör nicemleme için geometrik bir öğrenme algoritmasının tasarımı ve uygulaması (Master's thesis, Adnan Menderes Üniversitesi).
20. Turkmenoglu, C. (2016). Türkçe Metinlerde Duygu Analizi (Doctoral dissertation, Fen Bilimleri Enstitüsü).
21. David A. F. (2009). Statistical Models: Theory and Practice. Cambridge University Press. p. 26. A simple regression equation has on the right hand side an intercept and an explanatory variable with a slope coefficient. A multiple regression equation has two or more explanatory variables on the right hand side, each with its own slope coefficient
22. Rencher, A. C., Christensen, W. F. (2012), "Chapter 10, Multivariate regression – Section 10.1, Introduction", Methods of Multivariate Analysis, Wiley Series in Probability and Statistics, 709 (3rd ed.), John Wiley & Sons, p. 19, ISBN 9781118391679.
23. Hilary L. S. (1967). "The historical development of the Gauss linear model". Biometrika. 54 (1/2): 1–24. doi:10.1093/biomet/54.1-2.1. JSTOR 2333849.
24. Yan, X. (2009), Linear Regression Analysis: Theory and Computing, World Scientific, pp. 1–2, ISBN 9789812834119.
25. Pudaruth, S. (2014). Predicting the price of used cars using machine learning techniques. Int. J. Inf. Comput. Technol, 4(7), 753-764.
26. Ozcalici, M. (2017). Predicting Second-Hand Car Sales Price Using Decision Trees and Genetic Algorithms. Alphanumeric Journal, 5(1), 103-114.