Türkiye’deki İkinci El Konut Satışlarının Bulanık Mantık İlişkilere Dayalı Bulanık Zaman Serisi Yaklaşımı ile Öngörüsü

Abstract

Geleceğe ilişkin öngörüde bulunma ekonometrinin önemli konularından biridir. Öngörü yapmada Klasik zaman serisi yöntemlerinin kullanmak; doğrusallık, durağanlık, normal dağılma ve büyük örneklem gibi birçok istatistiksel varsayımın sağlanmasına gerek duymaktadır. Bununla birlikte, bulanık zaman serisi yöntemleri bu varsayımların hiçbirini gerektirmeyen parametrik olmayan istatistiksel yöntemler grubuna girmektedir. Bu nedenle, gerçek hayat zaman serilerinin öngörülmesinde sıklıkla tercih edilmektedir. Bu çalışmada öncelikle Türkiye’deki ikinci el konut satış verileri için klasik ARIMA(p,d,q) (Box ve Jenkıns, 1976) ile literatürde temel bulanık zaman serisi yöntemlerinden biri olan Chen (1996)’in bulanık mantık ilişkilere dayalı yöntemlerinin öngörü performansları karşılaştırılmıştır. Böylece, gelecekteki 1 ay, 4 ay ve 16 ay için yapılan öngörüler için, bulanık yaklaşımın klasik zaman serisi yaklaşımına göre çok daha iyi öngörü performansına sahip olduğu açıkça ortaya konulmuştur. Daha sonra, Chen (1996)’nın yöntemi ile Ağustos 2024 tarihine kadar olan ikinci el aylık konut sayıları kullanılarak Eylül 2024 ve Ekim 2024 için öngörüler yapılmış ve öngörülen değerlerin gerçekleşen değerlere oldukça yakın değerler elde edildiği saptanmıştır. Böylece, Chen (1996) yönteminin geleceği tahmin etmede iyi bir öngörü performansına sahip olduğu anlaşılmıştır. Chen (1996)’nın bulanık mantık ilişkilere dayalı yöntemi sadece birinci dereceden bir otoregresif model olan temel bir yöntem olmasına rağmen klasik zaman serisi yaklaşımına göre oldukça iyi öngörüler yapılabildiği gösterilmiştir. Çalışmamızda, ayrıca Chen (1996) yöntemi ile gelecekteki dönemlerde ikinci el konut satışlarına ilişkin öngörülerde bulunulmuştur. Elde edilen sonuçlara göre, Türkiye de Kasım 2024’te 109789 ve Aralık 2024’te 123814, 2024 yılında 987419 ve 2025 yılında 935827 ikinci el konut satılacağı öngörülmektedir.

Keywords

• Öngörü
• Bulanık Zaman Serileri
• ARIMA
• İkinci El Konut Satışı
• Konut Piyasası

Forecasting Second-Hand Housing Sales in Turkey with the Fuzzy Time Series Approach Based the Fuzzy Logic Relationship

Abstract

Forecasting about the future is one of the important topics of Econometrics. Using classical time series methods in forecasting requires many statistical assumptions such as linearity, stationarity, normal distribution and large sample. However, fuzzy time series methods are included in the group of nonparametric statistical methods that do not require any of these assumptions. Therefore, they are frequently preferred in forecasting real-life time series. In this study, firstly, the forecasting performances of classical ARIMA(p,d,q) (Box and Jenkins, 1976) and Chen (1996)’s method that is one of the basic fuzzy time series methods based on fuzzy logic relations in the literature has been compared for second-hand housing sales data in Turkey. Thus, it has been clearly demonstrated that the fuzzy approach has much better forecasting performance than the classical time series approach for forecasts which made for 1 month, 4 months and 16 months in the future. Then, forecasts have been made via the method of Chen (1996) for September 2024 and October 2024 by using the monthly second-hand housing numbers until August 2024, and it has been determined that the predicted values are very close to the actual values. Thus, it has been understood that the Chen (1996) method has a good forecasting performance in predicting of the future. Although Chen (1996)'s method based on fuzzy logic relations is a basic method that is only a first-order autoregressive model, it has been shown that quite good forecasts can be made in comparison with the classical time series approach. Forecasts have also been obtained regarding second-hand housing sales in the future periods with the Chen (1996)’s method in our study. According to the results obtained, it has been forecasted that 109789, 123814, 987419 and 935827 second-hand houses will be sold respectively in dates of November 2024, December 2024, 2024 year and 2025 year in Turkey.

Keywords

• Forecasting
• Fuzzy Time Series
• ARIMA
• Second-Hand Home Sales
• Housing Market

References

1. Akay, E. Ç., Topal, K. H., Kizilarslan, S., & Bulbul, H. (2019). Türkiye konut fiyat endeksi öngörüsü: ARIMA, rassal orman ve ARIMA-rassal orman. PressAcademia Procedia, 10(1), 7–11.
2. Akdağ, M., & Yiğit, V. (2016). Box-Jenkins ve yapay sinir ağı modelleri ile enflasyon tahmini. Atatürk Üniversitesi İktisadi ve İdari Bilimler Dergisi, 30(2).
3. Aladağ, C. H., Başaran, M. A., Eğrioğlu, E., Yolcu, U., & Uslu, V. R. (2009). Forecasting in high order fuzzy time series by using neural networks to define fuzzy relations. Expert Systems with Applications, 36, 4228–4231.
4. Alpaslan, F., Çağcağ, Ö., İlter Fakhouri, D., & Yolcu, U. (2012). İstanbul temiz su tüketiminin bulanık zaman serisi yaklaşımları ile öngörüsü. İstatistik Araştırma Dergisi, 9(2), 1–11.
5. Baş, E., Yolcu, U., & Eğrioğlu, E. (2021). Intuitionistic fuzzy time series functions approach for time series forecasting. Granular Computing, 6, 619–629. https://doi.org/10.1007/s41066-020-00220-8
6. Box, G. E. P., & Jenkins, G. M. (1976). Time series analysis: Forecasting and control (575th ed.). Holden-Day.
7. Chen, S. M. (1996). Forecasting enrollments based on fuzzy time-series. Fuzzy Sets and Systems, 81, 311–319.
8. Chen, S. M. (2002). Forecasting enrollments based on high-order fuzzy time series. Cybernetics and Systems, 33, 1–16.

9. Chen, S. M., & Chung, N. Y. (2006). Forecasting enrollments using high-order fuzzy time series and genetic algorithms. International Journal of Intelligent Systems, 21, 485–501.
10. Cheng, C.-H., Cheng, G.-W., & Wang, J.-W. (2008). Multi-attribute fuzzy time series method based on fuzzy clustering. Expert Systems with Applications, 34, 1235–1242.
11. Çiçekgil, Z., & Yazıcı, E. (2016). Türkiye’de tavuk yumurtası mevcut durumu ve üretim öngörüsü. Tarım Ekonomisi Araştırmaları Dergisi, 2(2), 26–34.
12. Dickey, D. A., & Fuller, W. A. (1979). Distribution of estimators for autoregressive time series with a unit root. Journal of the American Statistical Association, 74, 427–431.
13. Eğrioğlu, E., Aladağ, C. H., Yolcu, U., Uslu, V. R., & Başaran, M. A. (2009). A new approach based on artificial neural networks for high order multivariate fuzzy time series. Expert Systems with Applications, 36, 10589–10594.
14. Eğrioğlu, E., Aladağ, C. H., Yolcu, U., Uslu, V. R., & Başaran, M. A. (2010). Finding an optimal interval length in high order fuzzy time series. Expert Systems with Applications, 37, 5052–5055.
15. Eğrioğlu, E., Yolcu, U., Aladağ, C. H., & Koçak, C. (2013). An ARMA type fuzzy time series forecasting method based on particle swarm optimization. Mathematical Problems in Engineering, 2013, 935815. https://doi.org/10.1155/2013/935815
16. Eğrioğlu, E., Baş, E., Yolcu, U., & Chen, M. Y. (2020). Picture fuzzy time series: Defining, modeling and creating a new forecasting method. Engineering Applications of Artificial Intelligence, 88, 103367. https://doi.org/10.1016/j.engappai.2019.103367
17. Eğrioğlu, E., Fildes, R., & Baş, E. (2022). Recurrent fuzzy time series functions approaches for forecasting. Granular Computing, 7, 163–170. https://doi.org/10.1007/s41066-021-00257-3
18. Elliott, G., Rothenberg, T. J., & Stock, J. H. (1996). Efficient tests for an autoregressive unit root. Econometrica, 64(4), 813–836.
19. Elmas, Ç. (2007). Yapay zeka uygulamaları (425th ed.). Seçkin Yayıncılık.
20. Göksu, E., & Saner, G. (2021). Çam balı üretici satış fiyatlarının Box-Jenkins modeli ile öngörüsü. Turkish Journal of Forestry, 22(2), 111–116. https://doi.org/10.18182/tjf.917303
21. Huarng, K. (2001). Effective length of intervals to improve forecasting in fuzzy time-series. Fuzzy Sets and Systems, 123, 387–394.
22. Huarng, K., & Yu, T. H.-K. (2006). Ratio-based lengths of intervals to improve fuzzy time series forecasting. IEEE Transactions on Systems, Man, and Cybernetics—Part B: Cybernetics, 36, 328–340. Iqbal, S., Zhang, C., Arif, M., Hassan, M., & Ahmad, S. (2020). A new fuzzy time series forecasting method based on clustering and weighted average approach. Journal of Intelligent & Fuzzy Systems, 38(5), 6089–6098. https://doi.org/10.3233/JIFS-179693
23. Jilani, T. A., & Burney, S. M. A. (2007). M-factor high order fuzzy time series forecasting for road accident data: Analysis and design of intelligent systems using soft computing techniques. Advances in Soft Computing, 41, 246–254.
24. Jilani, T. A., & Burney, S. M. A. (2008). Multivariate stochastic fuzzy forecasting models. Expert Systems with Applications, 35(3), 691–700.
25. Koçak, C. (2012). Bulanık zaman serileri öngörüsü için yeni bir model sınıfı (Doktora tezi, No. 306888). Ondokuz Mayıs Üniversitesi Fen Bilimleri Enstitüsü. YÖK Tez Merkezi'nden edinilmiştir.
26. Koçak, C. (2013). First-order ARMA type fuzzy time series method based on fuzzy logic relation tables. Mathematical Problems in Engineering, 2013, 769125. https://doi.org/10.1155/2013/769125
27. Koçak, C. (2015). A new high order fuzzy ARMA time series forecasting method by using neural networks to define fuzzy relations. Mathematical Problems in Engineering, 2015, 128097. https://doi.org/10.1155/2015/128097
28. Koçak, C. (2017). ARMA (p,q) type high order fuzzy time series forecast method based on fuzzy logic relations. Applied Soft Computing, 58, 92–103. https://doi.org/10.1016/j.asoc.2017.04.021
29. Koçak, C., Eğrioğlu, E., & Baş, E. (2023). A new explainable robust high-order intuitionistic fuzzy time-series method. Soft Computing, 27, 1783–1796. https://doi.org/10.1007/s00500-021-06079-4
30. Küçükoflaz, M., Akçay, A., Çelik, E., & Sarıözkan, S. (2019). Türkiye’de kırmızı et ve süt fiyatlarının Box-Jenkins modeller ile geleceğe yönelik kestirimleri. Veteriner Hekimler Derneği Dergisi, 90(2), 122–131. https://doi.org/10.33188/vetheder.534469
31. Kwiatkowski, D., Phillips, P. C., Schmidt, P., & Shin, Y. (1992). Testing the null hypothesis of stationarity against the alternative of a unit root: How sure are we that economic time series have a unit root?. Journal of Econometrics, 54(1–3), 159–178.
32. Ng, S., & Perron, P. (1992). Lag length selection and the construction of unit root tests with good size and power. Econometrica, 69, 1519–1554.
33. Önder, A. Ö., Metin, K., & Muradoğlu, G. (1999). Hisse senedi fiyatlarının çeşitli zaman serisi modelleriyle yapılmış öngörüsü: İstanbul Menkul Kıymetler Borsası örneği. ODTÜ Gelişme Dergisi, 26(1–2), 163–178. Retrieved from http://www2.feas.metu.edu.tr/metusd/ojs/index.php/metusd
34. Önen, V. (2020). ARIMA yöntemiyle Türkiye’nin hava yolu kargo talep tahmin modellemesi ve öngörüsü. Yönetim ve Ekonomi Araştırmaları Dergisi, 18(4), 29–53. https://doi.org/10.11611/yead.677319
35. Öztemel, E. (2006). Yapay sinir ağları (232nd ed.). Papatya Yayıncılık.
36. Özkan, M. M. (2003). Bulanık hedef programlama (288th ed.). Ekin Kitapevi.
37. Park, J.-I., Lee, D.-J., Song, C.-K., & Chun, M.-G. (2010). TAIFEX and KOSPI 200 forecasting based on two factors high order fuzzy time series and particle swarm optimization. Expert Systems with Applications, 37, 959–967.
38. Panigrahi, S., & Behera, H. S. (2020). Fuzzy time series forecasting: A survey. In H. Behera, J. Nayak, B. Naik, & D. Pelusi (Eds.), Computational intelligence in data mining (Vol. 990, pp. 663–674). Springer. https://doi.org/10.1007/978-981-13-8676-3_54
39. Phillips, P.C.B., & Perron, P. (2010). Testing for a unit root in a time series regression. Biometrica, 75, 335–346.
40. Pişkin, M. D., & Baş, E. (2022). Forecasting monthly housing sales to foreigners with type 1 fuzzy regression functions approach based on ridge regression. Karadeniz Fen Bilimleri Dergisi, 12(2), 571–583. https://doi.org/10.31466/kfbd.1074832
41. Selçi, B. Y. (2021). Türkiye’nin konut satışı değerlerinin yapay sinir ağları ile öngörülmesi. EKOIST Journal of Econometrics and Statistics, 35, 19–32. https://doi.org/10.26650/ekoist.2021.35.180033
42. Song, Q., & Chissom, B.S. (1993). Fuzzy time series and its models. Fuzzy Sets and Systems, 54, 269–277.
43. Uğurlu, E., & Saraçoğlu, B. (2016). Türkiye’de enflasyon hedeflemesi ve enflasyonun öngörüsü. Dokuz Eylül Üniversitesi İktisadi İdari Bilimler Fakültesi Dergisi, 25(2), 57–72.
44. Uslu, V. R., Yolcu, U., Eğrioğlu, E., Aladağ, Ç., et al. (2012). Yüksek dereceli bulanık zaman serisi yaklaşımı ile Türkiye enflasyon öngörüsü. Dokuz Eylül Üniversitesi İktisadi İdari Bilimler Fakültesi Dergisi, 27(1), 85–95. Yolcu, U., Eğrioğlu, E., Uslu, V. R., Başaran, M. A., & Aladağ, C. H. (2009). A new approach for determining the length of intervals for fuzzy time series. Applied Soft Computing, 9, 647–651.
45. Yu, T. H.-K., & Huarng, K.-H. (2010). A neural network-based fuzzy time series model to improve forecasting. Expert Systems with Applications, 37, 3366–3372.
46. adeh, L. A. (1965). Fuzzy sets. Information and Control, 8, 338–353.