Markalara Göre Otomobil Satışlarının R Diliyle Kümelemesi: Türkiye Örneği

Year 2023, Volume: 10 Issue: 18, 96 - 113, 07.07.2023

İlker İbrahim Avşar

https://doi.org/10.54709/jobesam.1306892

Abstract

Otomobil sektörü gerek yüksek istihdam potansiyeli gerekse iyi bir ihraç ürünü olabilme olanağıyla dikkat çekmektedir. Çünkü sektör, günümüz kent yaşamınınım vazgeçilmez teknolojilerinin üretimini yapmaktadır. Toplumlar otomotiv sektörünü olabildiğince benimsemiş ve onunla yaşamaya alışmıştır. Elektrik motorlu araç örneğinde olduğu gibi sürekli gelişen özellikleriyle otomobiller ülkelerin dış ticareti açısında da önemli fırsatlar oluşturmaktadır. Ülkeler otomobil sektöründe ne kadar fazla üretim yaparlarsa o kadar az dış ticaret açığı riski yaşayacaklardır. Ayrıca, otomobil üretimi ülkenin ekonomik göstergelerine geniş yelpazede olumlu katkı sağlayacaktır. Otomotiv sektörüne odaklanılan çalışmada, Türkiye’deki otomobil markaları satış sayısına göre R programlama dili kullanılarak kümelenmiştir. Kümeleme analizi; Türkiye’de satılan otomobil markalarının birbirine benzer ve benzemez olanlarını göstermektedir. Çalışmada, literatürde geniş bir kullanım alanına sahip olan k-ortalamalar kümeleme algoritması kullanılmıştır. K-ortalamalar kümeleme yöntemi önceden küme sayısının belirlenmesi istemektedir ve bu gereklilikten dolayı ideal küme sayısını belirlemek için GAP analizi kullanılmıştır. Bahsedilen yöntemler kullanılarak yapılan kümeleme analiziyle otomobil satış sayısına göre Türkiye’de sektörün durumu ortaya konmaktadır. Analiz sonucunda, Türkiye’de istatistiklere girebilecek kadar satış yapan markalardan Fiat, Ford, Hyundai, Opel, Renault, Toyota ve Volkswagen bir grupta toplanmıştır. Bu gurubun 2004-2021 yılları arası satış performansı diğer markaların üzerindedir. Türkiye’deki yerli otomobil sektörünün gelecek planlamasının bu markalarla rekabet edebilecek düzeyde bir vizyona göre şekillendirmesi gerekmektedir. Başka bir deyişle yerli otomotiv sektörünün ürün satış performansı açısından ulaşması gereken seviye bu markaların arasında yer alabilmek olmalıdır. Müşterileri bu markalara yönlendiren sebepler iyi analiz edilmeli, bu markalarla rekabet edilebilirlik seviyesi yakalanmalıdır. Çalışmayla, Türkiye’de satışı yapılan otomobillerin oluşturduğu kümelerle sektörün durumunu göstermek amaçlanmaktadır. Bu amaçla seçilen kümeleme yöntemiyle birbirine benzeyen işletmeleri görmek mümkün olacaktır. Çalışmanın Türkiye ile kısıtlı olması araştırmanın sınırlılığıdır. Çalışma, seçili yıllar içerisindeki satışlarına göre Türk otomotiv sektörünü k-ortalamalar kümeleme yöntemiyle incelemesi açısından özgünlük taşımaktadır. Bu bağlamda elde edilen sonuçlarla otomotiv literatürüne katkı amaçlanmaktadır.

Keywords

Otomobil, Kümeleme, Ulaşım

Supporting Institution

-

Project Number

-

Clustering Car Sales by Brands in R Language: The Example of Türkiye

Abstract

The automotive industry attracts attention due to its high employment potential and the possibility of being a good export product. This is because the industry produces technologies that are essential for today's urban life. Societies have largely adopted the automotive industry and are used to living with it. As with electric vehicles, cars, with their constantly evolving features, are opening important opportunities for countries' foreign trade. The more countries produce in the automotive sector, the lower the risk of a foreign trade deficit. In addition, automobile production contributes positively to the country's economic indicators in a wide range. The study focused on the automotive sector; the car brands sold in Türkiye are clustered according to the number of sales using R programming language. Cluster analysis: it shows the similar and dissimilar car brands sold in Türkiye. In the study, the k-means clustering algorithm used, which is widely used in the literature. The k-means clustering method requires prior determination of the number of clusters, so the GAP analysis used to determine the ideal number of clusters. The situation of the sector in Türkiye in terms of the number of car sales is clear from the cluster analysis conducted using the above methods. As a result of the analysis, Fiat, Ford, Hyundai, Opel, Renault, Toyota and Volkswagen, the brands that sell enough to be included in the statistics, were grouped together. The sales performance of this group between 2004 and 2021 is higher than that of the other brands. The future planning of the domestic automotive industry in Türkiye should be designed according to a vision that can compete with these brands. In other words, the level that the domestic automotive industry should reach in terms of sales performance of its products should not be below these brands. The reasons that lead customers to these brands should be analyzed in detail and the level of competitiveness with these brands should be achieved. The study aims to show the status of the sector by clustering the automobiles sold in Turkey. With the clustering method chosen for this purpose, it will be possible to see businesses that are like each other. The limitation of the study is that it is limited to Türkiye. The study is unique in terms of examining the Turkish automotive sector with the k-means clustering method. In this context, the study aims to contribute to the automotive literature with the results obtained from the study.

Keywords

Automobile, Clustering, Transportation

Project Number

-

References

• Akal, M., Alpdoğan, H. & Akat, A. (2019). İstanbul İli Otomobil Talebi Yapısı ve Tüketici Tercihlerinde Değişmeler. Ekonomik ve Sosyal Araştırmalar Dergisi, 15(2), 177-197.
• Akçi, Y. (2016). İkinci El Otomobil: Tüketici Bakışıyla. Adıyaman Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, (22), 329-362. Doi: 10.14520/adyusbd.68749.
• Aktan, M. (2013). Kamuoyunun Yerli Otomobil Projesini Algısı. Öneri Dergisi, 10(39), 1-9.
• Aktaş, C. & Akkurt, H. (2006). ARCH Modelleri ve Türkiye'ye Ait Otomobil Üretimi Verilerinin Farklı Varyanslığının İncelenmesi. Dumlupınar Üniversitesi Sosyal Bilimler Dergisi, (16), 87-106.
• Aradnia, A., Haeri, M.A. & Ebadzadeh, M.M. (2022). Adaptive Explicit Kernel Minkowski Weighted K-means. Information Sciences, 584, 503-518. https://doi.org/10.1016/j.ins.2021.10.048.
• Ari, Y. O. (2020). Küresel Elektrikli Otomobil Piyasasına Genel Bakış. Kırklareli Üniversitesi Sosyal Bilimler Dergisi, 4(2), 193-203. https://doi.org/ 10.47140/kusbder.714905.
• Awangga, R. M., Pane, S. F., & Tunnisa, K. (2019). Collaboration FMADM and K-Means Clustering to Determine the Activity Proposal in Operational Management Activity. EMITTER International Journal of Engineering Technology, 7(1), 44-54. https://doi.org/10.24003/emitter.v7i1.317.
• Aydın, N. & Arı, E. (2016). Hanehalki Otomobil Talebini Belirleyen Etkenlerin İkili Lojistik Regresyon Yöntemiyle Analizi: Türkiye Örneği. Kastamonu Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 12(2), 76-97.
• Bayraç, H. N. & Doğan, E. (2018). Teknoloji Yoksulluğu ve Türkiye'de İhracatın İthalata Olan Bağımlılığı. International Journal of Social Inquiry, 11(1), 17-42.
• Bendiabdellah, Z., Senouci, S.M. & Feham, M. (2014). A Hybrid Algorithm for Planning Public Charging Stations. Global Information Infrastructure and Networking Symposium (GIIS). Sep 15-19, 2014, Montreal, Canada, 978-1-4799-5490-2.
• Bişkin, F. (2010). Markanın Pazarlama Açısından Önemi ve Tüketici Tercihleri-Memnuniyeti Çerçevesinde Otomobil Sahipleri Üzerinde Bir Araştırma. Sosyal Ekonomik Araştırmalar Dergisi, 10(20), 411-434.
• Can, E. (2007). Marka ve Marka Yapılandırma. Marmara Üniversitesi İktisadi ve İdari Bilimler Dergisi, 22(1), 225-237.
• Chiang, M. & Mirkin, B.G. (2010). Intelligent Choice of the Number of Clusters in K-Means Clustering: An Experimental Study with Different Cluster Spreads. Journal of Classification, 27(1), 3-40. https://doi.org/10.1007/s00357-010-9049-5.
• Cluster, cluster: "Finding Groups in Data": Cluster Analysis Extended Rousseeuw et al. (r-project.org), https://cran.r-project.org/web/packages/cluster/cluster.pdf.
• Çetin, A.C. (2020). Türkiye’deki İthal Otomobil ve Hafif Ticari Araç Perakende Satışlarının Döviz Kuru ile İlişkisi. Sinop Üniversitesi Sosyal Bilimler Dergisi, 4(2), 401-432. https://doi.org/10.30561/sinopusd.806649.
• Çınar, M. (2018). Çalışan Bireylerin Otomobil Sahipliğini Etkileyen Faktörler: Bursa Örneği. Yalova Sosyal Bilimler Dergisi, 8(16), 1-19.
• Çırpıcı, Y. A. (2023). Dependency on Imported Intermediates in Turkey: Two Different IO Approach. Fiscaoeconomia, 7(1), 660-677 https://doi.org/10.25295/fsecon.1186260.
• Çizmecioğlu, S. & Cura, F. (2022). Consumers White Automobile Purchase Behavior: Turkey Automobile Market Application with Swara Method. Erciyes Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, (61), 43-64. https://doi.org/10.18070/erciyesiibd.918762.
• Dilek, Ö. (2022). Otomobil Talebine Etki Eden Faktörler: Öğretmenler Üzerine Rize’de Bir Uygulama. Uluslararası İktisadi ve İdari İncelemeler Dergisi, (34), 61-74. https://doi.org/10.18092/ulikidince.1021219.
• Doğan, A. (2021). İnsansız Hava Araçları ve Elektrikli Otomobil Üretimi Teknolojik Yakalamada Türkiye İçin Fırsat Pencereleri Olabilir Mi? . Fırat Üniversitesi Uluslararası İktisadi ve İdari Bilimler Dergisi, 5(1), 27-50.
• Duan, L., Bo, W., Wen, Q., Ren, S. & Zhang, C. (2019). Research on Customer Segmentation Method for Multi-value-Chain Collaboration. In: Sun, Y., Lu, T., Yu, Z., Fan, H., Gao, L. (eds) Computer Supported Cooperative Work and Social Computing. ChineseCSCW 2019. Communications in Computer and Information Science, vol 1042. Springer, Singapore. https://doi.org/ 10.1007/978-981-15-1377-0_15.
• Eren, C. & Dal, N. E. (2019). Markaların Kişilik Arketiplerinin Algılanması: Otomobil Markaları Üzerine Bir Araştırma. Karadeniz Uluslararası Bilimsel Dergi, (43), 39-66. https://doi.org/10.17498/kdeniz.518918.
• Factoextra, factoextra: Extract and Visualize the Results of Multivariate Data Analyses, CRAN - Package factoextra (r-project.org), https://cran.r-project.org/web/packages/factoextra/index.html.
• Güneş, S. (2012). Türk Toplumu ve Otomobil. Süleyman Demirel Üniversitesi Fen-Edebiyat Fakültesi Sosyal Bilimler Dergisi, (25), 213-230.
• Güngör, İ. & İşler, D. B. (2005). Analitik Hiyerarşi Yaklaşımı ile Otomobil Seçimi. Uluslararası Yönetim İktisat ve İşletme Dergisi, 1(2), 21-33.
• Işık, N., Yılmaz, S. S. & Kılınç, E. C. (2017). İthal Otomobil Satışlarının Döviz Kuru Esnekliği: Türkiye Üzerine Bir Uygulama. Karamanoğlu Mehmetbey Üniversitesi Sosyal ve Ekonomik Araştırmalar Dergisi, 19(33), 84-92. https://doi.org/10.18493/kmusekad.400168.
• Kamson, S., Tulus, & Nababan E.B. (2017). K-Means Algorithm Performance Analysis with Determining the Value of Starting Centroid with Random And KD-Tree Method. Journal of Physics: Conference Series, International Conference on Information and Communication Technology (IconICT) 25–26 August 2017, Medan, Sumatera Utara, Indonesia, 930, 1-7. https://doi.org/10.1088/1742-6596/930/1/012016.
• Kaymaz, V. & Akdağ, A. A. (2020). Rational and Irrational Dynamics of Automobile Demand in Turkey. Çankırı Karatekin Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 10(1), 43-61. https://doi.org/10.18074/ckuiibfd.591866.
• Keleş, M. K. (2019). Entropi Temelli Electre III Yöntemi ile B Segmenti Otomobil Markalarının Sıralanması. Süleyman Demirel Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, (33), 29-50.
• Keser, E., Aslan, D. & Demir, İ. (2018). Otomotiv Sektöründe Tüketici İlgileniminin İncelenmesi. Ağrı İbrahim Çeçen Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 4(1), 229-258.
• Kłopotek, M.A. & Kłopotek, R.A. (2023). On the Discrepancy between Kleinberg’s Clustering Axioms and k-Means Clustering Algorithm Behavior. Mach Learn. https://doi.org/10.1007/s10994-023-06308-x.
• Li, X.G., Zhu, J., Shi, H.R. & Cong, Z.J. (2021). Surface Defect Detection of Seals Based on K-Means Clustering Algorithm and Particle Swarm Optimization, Scientific Programming, https://doi.org/10.1155/2021/3965247.
• Liang, K., Zhao, Z., Li, W., Zhou J. & Yan, D. (2023). Comprehensive Identification of Driving Style Based on Vehicle's Driving Cycle Recognition. IEEE Transactions on Vehicular Technology, 72(1), 312-326. https://doi.org/ 10.1109/TVT.2022.3206951.
• Liu, F., Wei, F., Yu, K. & Wu, X. (2018). Sentiment Classification of Reviews on Automobile Websites by Combining Word2Vec and Dependency Parsing. In: Qiu, M. (eds) Smart Computing and Communication. SmartCom 2017. Lecture Notes in Computer Science, vol 10699. Springer, Cham. https://doi.org/10.1007/978-3-319-73830-7_21.
• Mar, J.C., Wells, C.A. & Quackenbush, J. (2011). Defining an informativeness metric for clustering gene expression data. Bioinformatics, 27(8), 1094–1100. https://doi.org/10.1093/bioinformatics/btr074.
• Miniak-Górecka, A., Podlaski, K., & Gwizdałła, T. (2022). Using K-Means Clustering in Python with Periodic Boundary Conditions. Symmetry, 14(6), 1237. https://doi.org/10.3390/sym14061237.
• Özçelebi, O. & Şafak, F. (2018). Kredi Hacmi Otomobil Talebi Etkileşimi: Nedensellik Analizinde Kümülatif Toplamlar Yaklaşımı. Ağrı İbrahim Çeçen Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 4(2), 47-69 https://doi.org/10.31463/aicusbed.421590.
• Özgüven, N. (2010). Marka Değeri: Global Markaların Değerlendirilmesi. Organizasyon ve Yönetim Bilimleri Dergisi, 2(1), 141-148.
• Özyurt Kaptanoğlu, R. , Kılıçarslan, M. & Tosun, A. (2019). Marka ve Marka Farkındalığı. The Journal of Social Science, 3(5), 248-266. https://doi.org/10.30520/tjsosci.520673.
• Pehlivanoğlu, F. & Riyanti, R. (2018). Macroeconomic Effect on the Automobile Sales in Top Four Automobile Production Countries. Kocaeli Üniversitesi Sosyal Bilimler Dergisi, (35), 139-161.
• R K-means, kmeans: K-Means Clustering: Perform k-means clustering on a data matrix., https://www.rdocumentation.org/packages/stats/versions/3.6.2/topics/kmeans.
• Shang, X., Li, X., Morales-Esteban, A., Asencio-Cortés, G., & Wang, Z. (2018). Data Field-Based K-Means Clustering for Spatio-Temporal Seismicity Analysis and Hazard Assessment. Remote Sensing, 10(3), 461. https://doi.org/10.3390/rs10030461.
• Soba, M. (2012). Promethee Yöntemi Kullanarak En Uygun Panelvan Otomobil Seçimi ve Bir Uygulama. Yaşar Üniversitesi E-Dergisi, 7(28), 4708-4721.
• Terlemez, L. & İçöz, C. (2018). Bütünleşik Veri: Kayıtlı Motorlu Kara Taşıtlarına Farklı Bir Bakış. Alphanumeric Journal, 6(1), 193-210. https://doi.org/10.17093/alphanumeric.385396.
• Thorpe S.G., Thibeault C.M., Canac N, Jalaleddini K, Dorn A, et al. (2020) Toward automated classification of pathological transcranial Doppler waveform morphology via spectral clustering. Plos One, 15(2), e0228642. https://doi.org/10.1371/journal.pone.0228642.
• Tibshirani, R., Walther, G., & Hastie, T. (2001). Estimating the Number of Clusters in a Data Set via the Gap Statistic. Journal of the Royal Statistical Society. Series B (Statistical Methodology), 63(2), 411–423.
• Tran, T.-N., Nguyen, T.-L., Hoang, V. T., & Voznak, M. (2023). Sensor Clustering Using a K-Means Algorithm in Combination with Optimized Unmanned Aerial Vehicle Trajectory in Wireless Sensor Networks. Sensors, 23(4), 2345. https://doi.org/10.3390/s23042345.
• Trappey, C.V., Trappey, A.J.C., Chang, A. & Huang, A.Y.L. (2010). Clustering analysis prioritization of automobile logistics services. Industrial Management & Data Systems, 110(5), 731-743. https://doi.org/10.1108/02635571011044759.
• Tsai, C.-F., Hu, Y.-H., & Lu, Y.-H. (2015). Customer segmentation issues and strategies for an automobile dealership with two clustering techniques. Expert Systems, 32, 65– 76. https://doi.org/10.1002/exsy.12056.
• Tunç, H. (2018). Kişilerin Alman Marka Otomobil Tercihlerinde Bazı Tutum ve Davranışların Rolü: Bölgesel Bir Uygulama. Yönetim Ekonomi Edebiyat İslami ve Politik Bilimler Dergisi, 3(1), 29-43. https://doi.org/10.24013/jomelips.392324.
• TÜİK, İstatistik Veri Portalı, https://data.tuik.gov.tr/Kategori/GetKategori?p=ulastirma-ve-haberlesme-112&dil=1, (Erişim: 8.3.2023).
• Ünalan, M., Yapraklı, T. Ş. & Keser, E. (2020). Marka Güveni ve Marka Özdeşleşmesinin Marka Evangelizmi Üzerindeki Etkisi. Uluslararası İktisadi ve İdari İncelemeler Dergisi, (27), 35-54. https://doi.org/10.18092/ulikidince.565037.
• Wei, D., Zhu, S.B., Wang, J. & Alshalabi, R. (2022). Construction and application of automobile user portrait based on k-mean clustering model. Applied Mathematics and Nonlinear Sciences, https://doi.org/10.2478/amns.2022.2.0077.
• Yalçın, F. & Bulut, Ö. (2002). Marka Finansmanı. Öneri Dergisi, 5(18), 7-12. Doi: 10.14783/maruoneri.682943. Yavas, M., Ersoz, T., Kabak, M. & Ersoz, F. (2014). Otomobil Seçimine Çok Kriterli Yaklaşım Önerisi. İşletme ve İktisat Çalışmaları Dergisi, 2(4), 110-118.
• Yavuz Tiftikçigil, B. & Öztürk, A. C. (2021). Hindistan Otomobil Endüstrisinin Gelişiminde Devletin Rolü. Nevşehir Hacı Bektaş Veli Üniversitesi SBE Dergisi, 11(2), 944-968. https://doi.org/10.30783/nevsosbilen.770005.
• Yavuz, S. (2015). Öğretmenlerin Otomobil Tercihlerinde Etkili Olan Faktörlerin Analitik Hiyerarşi Yöntemiyle Belirlenmesi. Dumlupınar Üniversitesi Sosyal Bilimler Dergisi, (32), 29-46.
• Yayar, R., Çoban, N. & Tekin, B. (2016). Otomobil Sahipliğini Etkileyen Faktörlerin Belirlenmesi: Tokat İli Kentsel Alanda Bir Uygulama. Yönetim ve Ekonomi Dergisi, 22(2), 603-617. https://doi.org/10.18657/yecbu.30802.
• Yi, M., Yang, Z.H., Guo, F.Y. & Liu, J.L. (2017). A Clustering-Based Algorithm for Automatic Detection of Automobile Dashboard. 43rd Annual Conference of the IEEE-Industrial-Electronics-Society (IECON), Oct 29-Nov 01, 2017, Beijing, Peoples R China.
• Yu, S., Yang, M., Wei, L.-H., Hu, J.-S., Tseng, H.-W & Meen, T.-H. (2020). Combination of Self-organizing Map and k-means Methods of Clustering for Online Games Marketing. Sens. Mater., 32(8), 2697-2707. https://doi.org/10.18494/SAM.2020.2800.
• Yudhanegara, M. R., Indratno, S. W. & Sari, R. K. N. (2020). Clustering for Item Delivery Using Rule-K-Means. Journal of the Indonesian Mathematical Society, 26(2), 185–191. https://doi.org/10.22342/jims.26.2.871.185-191.
• Zach, (2020). K-Means Clustering in R: Step-by-Step Example, https://www.statology.org/k-means-clustering-in-r/.