Türkiye Hava Kargo Trafiğinin Zaman Serisi Analizi: ARIMA Modeli ile 2026–2030 Dönemi Öngörüsü

Abstract

Bu çalışma, Türkiye’nin 2002–2024 dönemi yıllık hava yolu yük trafiği verilerini kullanarak 2026–2030 dönemi için bir projeksiyon sunmayı amaçlamaktadır. Veri setinin yıllık frekansı ve sınırlı örneklem büyüklüğü dikkate alınarak, metodolojik tutarlılık ve güvenilirlik sağlamak amacıyla Otoregresif Entegre Hareketli Ortalama (ARIMA) yöntemi benimsenmiştir. Zaman serisinin durağanlık özellikleri Genişletilmiş Dickey–Fuller (ADF) testi ile incelenmiş, yapısal kırılmalar gözetilerek durağanlığı sağlamak üzere uygun fark alma işlemleri uygulanmıştır. Akaike Bilgi Kriteri (AIC) doğrultusunda en uygun model olarak ARIMA(2,1,0) belirlenmiş; tanısal testlerle hata terimlerinin otokorelasyon içermediği ve beyaz gürültü (white noise) varsayımını sağladığı doğrulanmıştır. Modelin tahmin performansı örneklem dışı (out-of-sample) doğrulama ile değerlendirilmiş ve hesaplanan %3,8’lik Ortalama Mutlak Yüzde Hata (MAPE) değeri yüksek bir tahmin doğruluğuna işaret etmiştir. Elde edilen bulgular, Türkiye’nin hava kargo trafiğinin 2030 yılına kadar yıllık ortalama yaklaşık %2,7 oranında istikrarlı bir büyüme eğilimi sergileyeceğini öngörmektedir. Çalışmanın sonuçları, havacılık ve lojistik sektörlerindeki stratejik planlama ve kapasite yönetimi kararlarına katkı sağlayacak ampirik bir dayanak sunmaktadır.

Keywords

• Hava Kargo
• Talep Tahmini
• ARIMA Modeli
• Türkiye Havacılık Sektörü
• Lojistik

Forecasting Air Cargo Traffic in Türkiye with the ARIMA Model: A Projection for the 2026-2030 Period

Abstract

This study aims to forecast Türkiye’s air cargo traffic for the 2026–2030 period using annual data covering the years 2002–2024. Considering the annual frequency and limited sample size of the dataset, the Autoregressive Integrated Moving Average (ARIMA) methodology was employed to ensure methodological consistency and reliability. The stationarity properties of the series were examined using the Augmented Dickey–Fuller (ADF) test, and appropriate differencing was applied to achieve stationarity while accounting for structural breaks. Based on the Akaike Information Criterion (AIC), the ARIMA(2,1,0) model was identified as the most suitable specification, and diagnostic tests confirmed that the residuals do not exhibit autocorrelation and satisfy the white noise assumption. The forecasting performance of the model was evaluated using out-of-sample validation, and the Mean Absolute Percentage Error (MAPE) was calculated as 3.8%, indicating a high level of predictive accuracy. The findings suggest that Türkiye’s air cargo traffic is expected to maintain a stable growth trend, with an average annual increase of approximately 2.7% until 2030. The results provide empirical evidence to support strategic planning and capacity management decisions in the aviation and logistics sectors.

Keywords

• Air Cargo
• Demand Forecasting
• ARIMA Model
• Turkish Aviation Sector
• Logistics

References

1. KAYNAKÇA Alıcı, A., ve Akar, A. S. (2020). Macroeconomic determinants of air cargo demand: A panel data analysis. Transport & Logistics: The International Journal, 20(48), 2406–1069.
2. Alnıpak, S., ve Kale, S. (2022). Determinants of air cargo demand in the European region. Journal of Aviation, 6(2), 118–125. https://doi.org/10.30518/jav.1053662
3. Anguita, J. G. M., ve Olariaga, O. D. (2023). Air cargo transport demand forecasting using ConvLSTM2D, an artificial neural network architecture approach. Case Studies on Transport Policy, 12, 101009. https://doi.org/10.1016/j.cstp.2023.101009.
4. Baydar, A. M., Süral, H., ve Çelik, M. (2019). Potential effects of logistics clusters: The case of Turkish freight villages. Journal of Cleaner Production, 233, 399–411.
5. Chang, Y.-H., ve Chang, Y.-W. (2009). Air cargo expansion and economic growth: Finding the empirical link. Journal of Air Transport Management, 15(5), 264–265. https://doi.org/10.1016/j.jairtraman.2008.09.016
6. Duyguvar, A. S., ve Erol, S. (2018). Türkiye’deki mevcut lojistik üslerin değerlendirilmesi ve sürdürülebilir yeni bir lojistik üs için yer seçimi modeli önerisi. Gazi Üniversitesi Fen Bilimleri Dergisi Part C: Tasarım ve Teknoloji, 6(1), 121–140.
7. Gabrielyan, H. (2022). Turkey as a transport hub: A vision strategy for integrating regional infrastructures and services. Journal of Political Science: Bulletin of Yerevan University, 1(1), 11–29. https://doi.org/10.46991/JOPS/2022.1.1.011.
8. Georgieva, A. D., Düzgün, M., ve Tanyaş, M. (2015). The importance of Istanbul Grand Airport (IGA) for Turkey and its influence on widely regional air traffic around. Research in Logistics & Production, 5(3), 239–254.

9. Hussain, M. M., ve Alidrisi, M. (2025). Forecasting air cargo demand of Saudia Cargo Company. International Journal of Scientific Engineering and Science, 9(1), 56–63.
10. Karanki, F., Bilotkach, V., Gao, Y., ve Lu, C. T. (2024). The economic impact of e-commerce on the US airports: Cost savings and productivity growth. Journal of Air Transport Management, 118, 102598. https://doi.org/10.1016/j.jairtraman.2024.102598
11. Kuzu, S., ve Yıldırım, B. F. (2017). Box-Jenkins ve gri tahmin yöntemleri ile Türkiye’de hava yolu ulaşım talebinin tahmini. Söke İşletme Fakültesi Priene Uluslararası Sosyal Bilimler Dergisi, 1(2), 36–49.
12. 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
13. Önen, V. (2024). ARIMA-ARIMAX yöntemiyle Türkiye havayolu yolcu talep tahmin modellemesi, öngörüsü ve karşılaştırması. Journal of Transportation and Logistics, 8(2), 242–273. https://doi.org/10.26650/JTL.2023.1270944
14. Pan, Y., Liu, B., Wang, S., Xiong, H., Lou, B., ve Gu, G. (2023). Forecasting analysis of logistics freight volume based on ARIMA model. Proceedings of the 2023 4th International Conference on Big Data Economy and Information Management, 882–887. https://doi.org/10.1145/3659211.3659363.
15. Suh, S. S., Park, J. W., Song, G., ve Cho, S. G. (2014). A study of air freight forecasting using the ARIMA model. Journal of Distribution Science, 12(2), 59–71. http://doi.org/10.15722/jds.12.2.201402.59.