Çoklu Regresyon Analizi ile Samsun Limanlarında Yük Talebinin Öngörülmesi

Öz

Bu çalışma, Türkiye’nin Karadeniz kıyısında yer alan Samsun Limanları için yük elleçleme miktarının gelecekteki eğilimini tahmin etmeyi amaçlamaktadır. 2005–2024 yılları arasındaki ekonomik ve demografik göstergeler kullanılarak çoklu doğrusal regresyon analizi gerçekleştirilmiştir. Bağımlı değişken olarak Samsun limanlarında yıllık yük elleçleme miktarı ele alınmış; bağımsız değişkenler ise Türkiye’nin Gayri Safi Yurtiçi Hasılası (GSYİH), Türkiye ve Samsun ili nüfusu, ithalat ve ihracat verileridir. Analiz sonuçları, modelin yüksek açıklayıcılık düzeyine sahip olduğunu (R² = 0.98) göstermektedir. Bulgulara göre Samsun’a yapılan ithalat hacmi liman talebini anlamlı biçimde artıran temel değişken olarak öne çıkarken, Türkiye nüfusu sınırda anlamlılık göstermiştir. Diğer makroekonomik göstergeler (GSYİH, toplam ithalat ve ihracat, Samsun ihracatı) modelde yer almakla birlikte istatistiksel olarak anlamlı bulunmamıştır. Projeksiyonlara göre Samsun limanlarında toplam yük elleçleme miktarının 2030 yılında yaklaşık 17,6 milyon ton, 2035 yılında ise 20,4 milyon ton seviyesine ulaşması beklenmektedir. Bu artış eğilimi, Samsun’un Karadeniz havzasındaki lojistik rolünün güçleneceğine ve hinterland bağlantılarının öneminin artacağına işaret etmektedir. Çalışma, liman yönetimleri, yerel idareler ve yatırımcılar için kapasite planlaması, altyapı yatırımları ve operasyonel stratejilerin geliştirilmesi açısından veri temelli bir karar destek mekanizması sunmaktadır. Gelecek araştırmalarda, konteyner ve Ro-Ro trafiği gibi ek değişkenlerin modele dahil edilmesi ve zaman serisi ya da yapay zekâ tabanlı yöntemlerin kullanılması önerilmektedir.

Anahtar Kelimeler

• Samsun Limanları
• Talep Tahmini
• Çoklu Regresyon
• Yük Elleçleme

Cargo Demand Forecasting at Samsun Ports Through Multiple Regression Analysis

Öz

This study seeks to forecast the future trajectory of cargo handling volumes at the ports of Samsun, situated along Türkiye’s Black Sea coast. Employing multiple linear regression analysis, economic and demographic indicators covering the period 2005–2024 were utilized. The dependent variable was defined as the annual cargo throughput at Samsun ports, while the independent variables comprised Türkiye’s Gross Domestic Product (GDP), the populations of Türkiye and Samsun province, as well as import and export figures. The results demonstrate that the model possesses a high explanatory power (R² = 0.98). The findings indicate that the volume of imports directed to Samsun constitutes the principal variable significantly driving port demand, whereas Türkiye’s population exhibits borderline statistical significance. Other macroeconomic indicators (GDP, total imports and exports, and Samsun’s exports), though included in the model, were not found to be statistically significant. Projections suggest that the total cargo throughput at Samsun ports will reach approximately 17.6 million tons by 2030 and 20.4 million tons by 2035. This upward trend underscores the strengthening of Samsun’s logistical role within the Black Sea basin and highlights the increasing importance of hinterland connectivity. The study provides a data-driven decision support mechanism for port authorities, local administrations, and investors in the domains of capacity planning, infrastructure development, and operational strategy formulation. Future research is recommended to incorporate additional variables such as container and Ro-Ro traffic, and to employ time-series or artificial intelligence-based methodologies. Projections suggest that the total cargo throughput at Samsun ports will reach approximately 17.6 million tons by 2030 and 20.4 million tons by 2035. This upward trend underscores the strengthening of Samsun’s logistical role within the Black Sea basin and highlights the increasing importance of hinterland connectivity. The study provides a data-driven decision support mechanism for port authorities, local administrations, and investors in the domains of capacity planning, infrastructure development, and operational strategy formulation. Future research is recommended to incorporate additional variables such as container and Ro-Ro traffic, and to employ time-series or artificial intelligence-based methodologies.

Anahtar Kelimeler

• Samsun Ports
• Demand Forecasting
• Multiple Regression
• Cargo Handling

Kaynakça

1. Akar, O. & Esmer, S. (2015). Cargo demand analysis of container terminals in Türkiye. Journal of ETA Maritime Science.
2. Armstrong, J. S. (Ed.). (2001). Principles of forecasting: a handbook for researchers and practitioners (Vol. 30). Springer Science & Business Media.
3. Büyüköztürk, Y. D. D. Ş. (2002). Faktör Analizi: Temel Kavramlar ve Ölçek Geliştirmede Kullanımı. Kuram ve Uygulamada Eğitim Yönetimi, 32(32), 470-483.
4. Chou, C. C., Chu, C. W. & Liang, G. S. (2008). A modified regression model for forecasting the volumes of Taiwan’s import containers. Mathematical and Computer Modelling, 47(9-10), 797-807.
5. Doğusel, V. (2021). Kocaeli Limanları Yük Talep Tahmini. Deniz Taşımacılığı ve Lojistiği Dergisi, 3(2), 45–60.
6. Ducruet, C., & Lee, S. W. (2006). Frontline soldiers of globalisation: Port–city evolution and regional competition. GeoJournal, 67(2), 107-122.
7. Ergün, S. & Şahin, S. (2019). İşletmelerde Talep Tahmini Üzerine Literatür İncelemesi. Ulakbilge, 7(27), 1234–1248.
8. Gürbüz, S. & Şahin, F. (2015). Sosyal Bilimlerde Araştırma Yöntemleri (Felsefe-Yöntem-Analiz), Ankara: Seçkin.

9. Güzey, H. (2019). Bir Liman İşletmesi İçin Kapasite Yeterlilik Analizi. Yüksek Lisans Tezi, Bursa Uludağ Üniversitesi.
10. Özkan, H. (2020). Lojistik Merkezler İçin İnsan Kaynağı Tedariki, İksad Yayınevi, Ankara, s:10, ISBN: 978-625-7687-52-2
11. Jarrett, JE (2015). Throughput Port Demand Forecasting. Int J Econ Manag Sci 4:293. doi:10.4172/2162-6359.1000293
12. Notteboom, T. (2006). The Time Factor in Liner Shipping Services. Maritime Economics & Logistics, 8(1), 19–39.
13. Notteboom, T. E., & Rodrigue, J. P. (2005). Port regionalization: towards a new phase in port development. Maritime Policy & Management, 32(3), 297–313. https://doi.org/10.1080/03088830500139885
14. Notteboom, T., Pallis, A., & Rodrigue, J.-P. (2016). Ports in global supply chains. In Port economics, management and policy. Routledge.
15. Söner, Ö. (2023) Türk Limanları İçin Regresyon Tabanlı Talep Tahmin Modellemesi Regression-Based Demand Forecast Modeling for Turkish Ports. DELOK’23.
16. Şenel, T., Cengiz, M., Savaş, N. & Terzi, Y. (2014). Çoklu Doğrusal Regresyonda Model Seçiminde Genelleştirilmiş Toplamsal Modellerin Kullanımı. Erzincan University Journal of Science and Technology, 2(2), 217-227.
17. Tabachnick, B. G., & Fidell, L. S. (1996). Using Multivariate Statistics 3rd edition Harper Collins. New York.
18. Türkiye İstatistik Kurumu (TÜİK). www.tuik.gov.tr
19. TÜRKLİM (2023). Limancılık Sektörünün Ana Gündemleri ve Çözüm Önerileri Raporu. Türkiye Liman İşletmecileri Derneği.
20. Yılmaz, C. (2015). “Samsun Şehri”, T.C. Çevre ve Şehircilik Bakanlığı ve Samsun Büyükşehir Belediyesi, Samsun Şehir Kimliği Çalıştayı Sonuç Kitabı, Samsun (41-113).
21. URL-1 Ports, terminals, and operational domains in Samsun. Accessed date: 20.08.2025, https://ticaret.gov.tr/gumruk-islemleri/dijital-gumruk-uygulamalari/edi-xml-referans-mesajlari/liman-kodlariturkiye-limanlari
22. URL-2 Vessel statistics, Accessed date: 22.08.2025, https://denizcilikistatistikleri.uab.gov.tr/ Uyanık, G. K. & Güler, N. (2013). A study on multiple linear regression analysis. Procedia-Social and Behavioral Sciences, 106, 234-240.
23. Ünver, Ö., Gamgam, H. & Altunkaynak, B. (2011). SPSS Uygulamalı Temel İstatistik Yöntemler, Seçkin Yayıncılık, Ankara.
24. Vanoutrive, T. (2010). Exploring the link between port throughput and economic activity: some comments on space-and time-related issues.