DEMAND FORECASTING WITH ARTIFICIAL NEURAL NETWORKS: AN APPLICATION IN THE AUTOMOBILE INDUSTRY IN TURKEY

Yıl 2024, Cilt: 9 Sayı: 18, 148 - 169

Mehmet Zeki Seçmen , Sait Patır

https://doi.org/10.54831/vanyyuiibfd.1485384

Öz

In this study, a new prediction model was developed using artificial neural networks. In the study, based on the monthly sales data of the 6 companies that produce and sell automobiles in Turkey (OYAK Renault, Tofaş, Toyota, Ford, Honda and Hyundai) between 2014 and 2024, sales data were used using Multiple Regression Analysis, NARX model and artificial neural network model. prediction was made. In the development of forecast models, the independent variables that are thought to have an impact on automobile demand were determined as Brent Oil Price, Dollar Exchange Rate, Vehicle Loan Interest Rates, CPI, Vehicle Purchase Level, Number of Automobile Production, and the dependent variable, that is, the output value, was determined as the total number of automobile sales of 6 companies. The performance of the proposed model at the test level is MSE = 0.0210, MAPE = 11.66%. These results show that it is more powerful in predicting automobile sales demand than the other two compared models. After the training and testing phase of the proposed model, a 12-month automobile demand forecast between January 2024 and December 2024 was made.

Anahtar Kelimeler

Artificial Intelligence, Artificial Neural Networks, Automobile Demand Forecasting

YAPAY SİNİR AĞLARI İLE TALEP TAHMİNİ: TÜRKİYE’DEKİ OTOMOBİL SEKTÖRÜNDE BİR UYGULAMA

Öz

Bu çalışmada, yapay sinir ağları kullanarak yeni bir tahmin modeli geliştirilmiştir. Çalışmada, Türkiye’de otomobil üretip en çok satışı yapan 6 firmanın (OYAK Renault, Tofaş, Toyota, Ford, Honda ve Hyundai) 2014–2024 yılları arasındaki aylık satış verilerinden yola çıkılarak Çoklu Regresyon Analizi, NARX modeli ve yapay sinir ağı modeli ile satış tahmini yapılmıştır. Tahmin modellerinin geliştirilmesinde otomobil talebi üzerine etkisi olduğu düşünülen bağımsız değişkenler Brent Petrol Fiyatı, Dolar Kuru, Taşıt Kredi Faizleri, TÜFE, Araç Alım Düzeyi, Otomobil Üretim Âdeti, bağımlı değişken ise yani çıktı değeri 6 firmanın toplam otomobil satış âdeti olarak belirlenmiştir. Önerilen modelin, test seviyesindeki performansı MSE=0,0210, MAPE=%11,66’dir. Bu sonuçlar karşılaştırılan diğer iki modelden otomobil satış talebini tahmin etmede diğerlerinden daha güçlü olduğunu göstermektedir. Önerilen modelin eğitim ve test aşamasından sonra Ocak 2024 ile Aralık 2024 arasındaki 12 aylık otomobil talep tahmini yapılmıştır.

Anahtar Kelimeler

Yapay Zekâ, Yapay Sinir Ağları, Otomobil Talep Tahmini

Kaynakça

• Aktaş, R., Doğanay, M., ve Yıldız, B. (2003). Mali Başarısızlığın Öngörülmesi: İstatistiksel Yöntemler ve Yapay Sinir Ağı Karşılaştırması. Ankara Üniversitesi SBF Dergisi, 58(4), 1-24.
• Al-Hamadi, H., ve Soliman, S. (2004). Short-Term Electric Load Forecasting Based on Kalman Filtering Algorithm with Moving Window Weather and Load Model. Electric Power Systems Research, 47-59.
• Anonim. (2014/a). Otomotiv Sektör Raporu (2013/1). T.C. Bilim Sanayi ve Teknoloji Bakanlığı, Sanayi Genel Müdürlüğü, Sektörel Raporlar ve Analizler Serisi. 11 22, 2023 tarihinde alındı.
• Arslan, B. (2019). Gelecekte Karar Vericiler Kim Olacak? Uluslararası Yönetim, Ekonomi ve Politika Kongresi. İstanbul.
• Bolt, G. (1994). Market and Sales Forecasting: A Total Approach. Londra: Kogan Page.
• Brown, S., Lamming, R., Bessant J. ve Jones, P. (2005). Strategic Operations Management. Elsevier Butterworth-Heinemann.
• Değirmenci, N., Pabuçcu, H. (2016). Borsa İstanbul ve Risk Primi Arasındaki Etkileşim: VAR ve NARX Model. The Journal of Academic Social Science, 4(35), 248-261.
• Elmas, Ç. (2018). Yapay zekâ Uygulamaları. Ankara: Seçkin Yayıncılık.
• Eski, H. V. (2006). Ankara: Gazi Kitabevi.
• Fırat, M., ve Güngör, M. (2004). Askı Madde Konsantrasyonu ve Miktarının Yapay Sinir Ağları ile Belirlenmesi. İMO Teknik Dergisi, 3267-3282.
• Forbes, (2019). 4 ways AI and associated technologies are changing the nature of work -- and the structure of business, Erişim adresi:https://www.forbes.com/sites/insights-microsoftai/2019/02/04/4-ways-ai-and-associated-technologies-are-changing-the-nature-of-work-and-the-structure-of-business/?sh=4d6bf328110e. Erişim tarihi: 12.12.2023
• Hamzaçebi, C. (2011). Yapay Sinir Ağları Tahmin Amaçlı Kullanımı Matlab ve Neurosolutions Uygulamalı. Ekin Basım Yayın Dağıtım.
• Heizer, J., ve Render, B. (2004). Operations Management. Uluslarası Basım 7. Baskı: Prentice Hall.
• Hocaoğlu, F. O., Kaysal, K., ve Kaysal, A. (2015). Yük Tahmini İçin Hibrit (YSA ve Regresyon) Model. Academic Platform Journal of Engineering and Science, 3(2), 33-39.
• Hu, C. (2002). Advanced Tourism Demand Forecasting ANN and Box-Jenkins Modelling. MI, USA: Doktora Tezi, Purdue University.
• Huang, S., ve Shih, K. (2003). Short-Term Load Forecasting via ARMA Model Identification Including Non-Gaussian Process Considerations. IEEE Transactions on Power Systems, 673-679.
• Karaatlı, M., Demirci, E., ve Baykaldı, A. (2020). Ticari Kredi Faiz Oranlarının YSA NARX ve VAR Modelleri ile Öngörülmesi. İşletme Araştırmaları Dergisi, 12(3), 2327-2343.
• Kesici, B. ve Yildiz, M. (2016). Kalite Kontrol Faaliyetlerinde Yapay Zekâ Kullanimi ve Bir Otomotiv Yan Sanayisinde Uygulanması. Yalova Sosyal Bilimler Dergisi, 307-323.
• Lewis, C. D. (1982). Industrial and Business Forecasting Methods. Butterworths Publishing(40).
• Moon, M. A., Mentzer, J. T., ve Smith, C. D. (2003). Conducting A Sales Forecasting Audit. International Journal of Forecasting, 19(1), 5-25.
• ODMD, (2023). Otomotiv Distribütörleri ve Mobilite Derneği, Erişim adresi: https://www.odmd.org.tr/web_2837_1/neuralnetwork.aspx?type=35, Erişim tarihi: 5.11.2023.
• Öztemel, E. (2006). Yapay Sinir Ağları (2. b.). İstanbul: Papatya Yayıncılık.
• Öztürk, K., ve Şahin, M. E. (2018). Yapay Sinir Ağları Ve Yapay Zekâ’ya Genel Bir Bakış. Takvim-İ Vekayi, 6(2), 25-36.
• Pirim, A. G. H. (2006). Yapay Zeka. Yaşar Üniversitesi E-Dergisi, 1(1), 81-93. Https://Doi.Org/10.19168/Jyu.72783, Erişim Tarihi: 10.06.2024
• Sagiroglu, S., Besdok, E., ve Erler, M. (2003). Muhendislikte Yapay Zekâ Uygulamaları. Kayseri: Ufuk Yayıncılık. Sarı, M. (2006). Yapay Sinir Ağları ve Bir Otomotiv Firmasında Satış Talep Tahmini Uygulaması. Sakarya Üniversitesi.
• Söylemez, Y. (2020). Çok Katmanlı Yapay Sinir Ağları Yöntemi ile Altın Fiyatlarının Tahmini. Sosyoekonomi, 271-291.
• TCMB, (2023). Türkiye Cumhuriyeti Merkez Bankası Erişim adresi: https://evds2.tcmb.gov.tr/index.php?/evds/serieMarket, Erişim tarihi: 5.11.2023
• Ulgen, K. E. (2024). Makine Öğrenimi Bölüm-6 (Regresyon). Erişim adresi: https://medium.com/ Erişim tarihi: 24.03.2024
• Ünal, Ş. N. (2024), NARX Sinir Ağı Yöntemi ile Safranbolu Turist Sayısının Analizi, Turizm ve İşletme Bilimleri Dergisi,
• Wang, W. ve Xu, Z. (2004). A Heuristic Training For Support Vector Regression, Neurocomputing, 61: 259-275
• Yıldırım, H. ve Karaatlı, M. (2022). Yapay Sinir Ağları NARX Modeli ile Elma Üretim Miktarinin Öngörülmesi. Süleyman Demirel Üniversitesi Sosyal Bilimler Enstitüsü Dergisi ( 42 ), 1-29.
• Yılmaz, A. (2019). Yapay Zekâ. İstanbul: KODLAB Yayın Dağıtım.
• Yücesoy, M. (2011). Temizlik Kağıtları Sektöründe Yapay Sinir Ağları İle Talep Tahmini. İstanbul: (Doktora Tezi, Fen Bilimleri Enstitüsü).
• Zhang, G., Patuwo, B., ve Hu, M. (1998). Forecastıng Wıth Artıfıcıal Neural Networks: The State Of The Art. International Journal of Forecasting, 35-62.