APPROPRIATE NORMALIZATION TECHNIQUE AND ARTIFICIAL NEURAL NETWORK ANALYSIS FOR AUTOMOBILE SALES FORECAST

Öz

In this study, new automobile sales in Turkey were estimated using Artificial Neural Networks (ANN), which is an artificial intelligence-based forecasting method, and Holt-Winters, which is an exponential smoothing method. In the study, the dependent variable is the number of sales of automobiles, while the independent variables are the exchange rate, consumer confidence index, gross domestic product (GDP), and real sector confidence index. Various normalization methods have been approved on the monthly data between 2015 and 2020 received from the Turkish Statistical Institute (TSI), the Central Bank of the Republic of Turkey, and the Automobile Distributors Association, multiple regression analysis has been performed and the coefficient of variation has been examined. The feed-forward backpropagation algorithm of ANN has been analyzed by using the statistical Z-Score normalization method which ensures the minimum error performance. The network architecture and parameters were determined based on historical data and sales quantity of new automobile were estimated in 2019-2020. The estimation results were evaluated according to various error performances and the reasons for the estimation errors were interpreted. It has been determined that ANN gives better results compared to Holt-Winters' method.

Anahtar Kelimeler

• Artificial Neural Network (ANN)
• Holt Winters’
• demand forecasting
• normalization
• automotive

UYGUN NORMALİZASYON TEKNİĞİ VE YAPAY SİNİR AĞLARI ANALİZİ ile OTOMOBİL SATIŞ TAHMİNLEMESİ

Öz

Bu çalışmada, yapay zekâ temelli tahmin yöntemlerinden Yapay Sinir Ağları (YSA) ve bir üstel düzeltim yöntemi olan Holt Winters’ ile Türkiye’de sıfır otomobil satış adetlerinin tahminlemesi gerçekleştirilmiştir. Çalışmada, bağımlı değişken “otomobil satış adetleri” iken; bağımsız değişkenler “döviz kuru, tüketici güven endeksi, gayrisafi yurt içi hasıla (GSYHİ) ve reel kesim güven endeksi” olarak seçilmiştir. Türkiye İstatistik Kurumu (TÜİK), Türkiye Cumhuriyeti Merkez Bankası ve Otomobil Distribütörleri Derneği’nden alınan 2015 – 2020 yılları arasındaki aylık veriler üzerinde çeşitli normalizasyon yöntemleri denenmiş, çoklu regresyon analizi yapılmış ve değişkenlik katsayısı hesaplanmıştır. Minimum hata performansı gösteren istatiksel normalizasyon yöntemi (Z-Skor) seçilerek geçmiş verilerden hareketle ağ mimarisi ve çeşitli parametreler belirlenmiş ve YSA’nın ileri beslemeli geri yayılım algoritması kullanılarak 2019 ve 2020 yıllarında gerçekleşen sıfır otomobil satış adetleri tahmin edilmiştir. Ardından, YSA’nın performansı çeşitli performans göstergelerine göre Holt Winters’ yöntemi ile karşılaştırılarak yorumlanmıştır. YSA’nın Holt Winters’ yöntemine kıyasla daha iyi sonuç verdiği tespit edilmiş ve tahminlerdeki sapmaların sebepleri yorumlanmıştır.

Anahtar Kelimeler

• Yapay Sinir Ağı (YSA)
• Holt Winters’
• talep tahmini
• normalizasyon
• otomotiv

Kaynakça

1. Albayrak, Ş. G. (2018). Türkiye'de reel kesim güven endeksi ve imalat sanayi kapasite kullanım oranı arasındaki ilişki üzerine ampirik bir uygulama (2007-2017). Akademi Sosyal Bilimler Dergisi, 5(15), 18-27. Erişim Adresi: https://dergipark.org.tr/en/pub/asbider/issue/41362/500080
2. Alper, E., ve Mumcu, A. S. (2000). Türkiye’de Otomobil Talebinin Tahmini. İstanbul: Boğaziçi Üniversitesi, Ekonomi Bölümü, Ekonomi ve Ekonometri Merkezi. Erişim Adresi: https://core.ac.uk/download/pdf/7362337.pdf
3. Akyurt, İ. (2015). Talep tahmininin yapay sinir ağlarıyla modellenmesi: yerli otomobil örneği. Ekonometri ve İstatistik, 23, 147-157. Erişim Adresi: https://dergipark.org.tr/tr/download/article-file/411177
4. Asilkan, Ö., ve Irmak, S. (2009). İkinci el otomobillerin gelecekteki fiyatlarının yapay sinir ağları ile tahmin edilmesi. Süleyman Demirel Üniversitesi İktisadi İdari Bilimler Fakültesi Dergisi. 14(2), 375-391. Erişim Adresi: https://dergipark.org.tr/en/pub/sduiibfd/issue/20830/223124
5. Aslay F., ve Özen Ü. (2013). Meteorolojik paramatreler kullanılarak yapay sinir ağları ile toprak sıcaklığının tahmini. Politeknik Dergisi, 16(4), 139-145. Erişim Adresi: https://dergipark.org.tr/tr/pub/politeknik/issue/33068/367992
6. Ataseven, B. (2013). Yapay sinir ağlari ile öngörü modellemesi. Öneri Dergisi, 10(39), 101-115. Doi: 10.14783/od.v10i39.1012000311
7. Birgili, E., ve Düzer, M. (2010). Finansal analizde kullanılan oranlar ve firma değeri ilişkisi: imkb’de bir uygulama. Muhasebe ve Finansman Dergisi, 46, 74-83. Erişim Adresi: https://dergipark.org.tr/en/pub/mufad/issue/35625/395935
8. Büker, S., ve Çelikkol, H. (2019). Döviz kuru riski yönetim teknikleri ve sdş ortağı kobi’lerin bu tekniklerden yararlanabilme olanakları. Dumlupınar Üniversitesi Sosyal Bilimler Dergisi, 59, 123-139. Erişim Adresi: https://dergipark.org.tr/en/pub/dpusbe/issue/43067/486450

9. Büyükuysal, M. Ç., ve Öz, İ. İ. (2016). Çoklu doğrusal bağıntı varlığında en küçük karelere alternatif yaklaşım: Ridge regresyon. Düzce Üniversitesi Sağlık Bilimleri Enstitüsü Dergisi, 6(2), 110-114. Erişim Adresi: https://dergipark.org.tr/tr/pub/duzcesbed/issue/24384/258502
10. Büyükcangaz, H., Değirmenci, H., ve Kartal, S. (2018). Bursa bölgesi sulama şebekelerinin istatistiksel yöntemlerle değerlendirilmesi. Türk Tarım ve Doğa Bilimleri Dergisi, 5(4), 501-508. Erişim Adresi: https://dergipark.org.tr/en/pub/duzcesbed/issue/24384/258502
11. Çelik, B. (2019). Tüketici tercihlerinin yapay sinir ağları yöntemiyle tahmini: perakende sektöründe bir uygulama. Doktora Tezi, Manisa Celal Bayar Üniversitesi, Manisa, TR. Erişim Adresi: https://tez.yok.gov.tr/UlusalTezMerkezi/tezDetay.jsp?id=mex0flfUXwRE2QTNTk1vRQ&no=oM0y_GgOQpXGUk9x_mRJ8g
12. Çınaroğlu E. ve Avcı T. (2020). THY hisse senedi değerinin yapay sinir ağları ile tahmini. İktisadi ve İdari Bilimler Dergisi, 34(1), 1-19. Doi: https://doi.org/10.16951/atauniiibd.530322
13. Çuhadar, M., Güngör, İ., ve Göksu, A. (2009). Turizm talebinin yapay sinir ağları ile tahmini ve zaman serisi yöntemleri ile karşılaştırmalı analizi: Antalya iline yönelik bir uygulama. Süleyman Demirel Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 14(1), 99-114. Erişim Adresi: https://dergipark.org.tr/en/pub/sduiibfd/issue/20831/223138
14. Doğan, H., (2019). Beklenmedik Uçak Yönlendirmelerini Azaltma: Zaman Serisi Analizi ve Yapay Sinir Ağları ile Modelleme. Yüksek Lisans Tezi, TOBB Ekonomi ve Teknoloji Üniversitesi, Ankara, TR. Erişim Adresi: http://earsiv.etu.edu.tr/handle/20.500.11851/3431
15. Efendigil, T. (2008). Müşteri odaklı sistemler için yapay sinir ağı ve bulanık çıkarım tabanlı bir karar destek sistemi yaklaşımı. Doktora Tezi, Yıldız Teknik Üniversitesi Fen Bilimleri Enstitüsü, İstanbul. Erişim Adresi: http://dspace.yildiz.edu.tr/xmlui/handle/1/1480
16. Erenler, A. (2019). KNN ve yapay sinir ağları kullanarak sistem etkinliği ve kalite kaybı tahmini. Yüksek Lisans Tezi, Çukurova Üniversitesi, Adana, TR. Erişim Adresi:https://tez.yok.gov.tr/UlusalTezMerkezi/tezDetay.jspid=MZ_hN7i67FBLoOP0NkvndQ&no=SohXeIfll8WrZ02nRjJa1A
17. Erdoğan, E. ve Özyürek, H. (2012). Yapay sinir ağları ile fiyat tahminlemesi. Sosyal ve Beşeri Bilimler Dergisi, 4(1), 85-92. Erişim Adresi: https://dergipark.org.tr/en/download/article-file/117281
18. Ersoy, E., ve Karal, Ö. (2012). Yapay sinir ağları ve insan beyni. İnsan ve Toplum Bilimleri Araştırmaları Dergisi, 1(2), 188-205. Erişim Adresi: http://www.itobiad.com/tr/download/article-file/92756
19. Gültekin, M. (2015). Ham petrol fiyatlarındaki oynaklık ile gayri safi yurt içi hasıla arasındaki ilişki: türkiye uygulaması 1970-2013. Yüksek Lisans Tezi, Nevşehir Hacı Bektaş Veli Üniversitesi, Nevşehir, TR. Erişim Adresi: http://acikerisim.nevsehir.edu.tr/bitstream/handle/20.500.11787/242/meryem_gultekin_tez.pdf?sequence=1&isAllowed=y
20. Kaya, H. (2008). Kamu ve özel sektör kuruluşlarının örgütsel kültürünün analizi ve kurum kültürünün çalışanların örgütsel bağlılığına etkisi: görgül bir araştırma. Maliye Dergisi, 155, 119,143. Erişim Adresi: https://ms.hmb.gov.tr/uploads/2019/09/08.Harun_.KAYA_.pdf
21. Ketrez, Ö., ve Saldanlı, A., (2018). Yapay sinir ağları yöntemi ile petrol fiyatları tahmini. Kırklareli Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 7(3), 91-106, Erişim Adresi: https://dergipark.org.tr/en/pub/klujfeas/issue/39222/446784.
22. Kuvvetli, Y., Dağsuyu, C. ve Oturakçı, M. (2015). Türkiye'deki araç satışları için ekonomik ve çevresel faktörleri göz önüne alan yapay sinir ağı tabanlı bir tahmin yaklaşımı. Endüstri Mühendisliği, 26(3), 23-31, Erişim Adresi: https://dergipark.org.tr/en/pub/endustrimuhendisligi/issue/46767/586076
23. Lewis, C. D. (1982). Industrial and business forecasting methods: A practical guide to exponential smoothing and curve fitting. Butterworth-Heinemann.
24. Otomobil Distribütörleri Derneği. (2020). Pazar-Perakende Satışlar. [Çevrim-içi: http://www.odd.org.tr/web_2837_1/neuralnetwork.aspx?type=36], Erişim tarihi: 30.8.2021
25. Otomobil Distribütörleri Derneği. (2020). Özet Değerlendirme – 2019/2020. [Çevrim-içi: http://www.osd.org.tr/sites/1/upload/files/2020-06_OSD_Ozet_Rapor-5502.pdf ], Erişim tarihi: 30.8.2021
26. Özer, M., Ayhan, U. ve İrdem, İ. (2017). Avrupa Birliği’nin akdeniz politikası ve bölgesel güvenlik. Güvenlik Çalışmaları Dergisi, 19(3), 165-184. Erişim Adresi: https://dergipark.org.tr/en/pub/gcd/issue/53129/704278
27. Özdemir, G. Z. (2013). Tüketici güveninin tüketim harcamaları ile ilişkisi ve öngörü gücü: türkiye örneği. Uzmanlık Yeterlilik Tezi, Türkiye Cumhuriyet Merkez Bankası İletişim ve Dış İlişkiler Genel Müdürlüğü, Ankara, TR. Erişim Adresi: http://www3.tcmb.gov.tr/kutuphane/TURKCE/tezler/goncaozdemir.pdf
28. Pençe, İ., Kalkan, A., ve Şişeci Çeşmeli, M. (2019). Türkiye sanayi elektrik enerjisi tüketiminin 2017-2023 dönemi için yapay sinir ağları ile tahmini. Mehmet Akif Ersoy Üniversitesi Uygulamalı Bilimler Dergisi, 3(2), 206-228. Doi: https://doi.org/10.31200/makuubd.538878
29. Vural, D., Küçükaşçı, E. ve Ayvaz, B. (2019). Türkiye’de perakende sektöründe elektronik ürünlere olan talebin yapay sinir ağı ile modellenmesi, İstanbul Ticaret Üniversitesi Fen Bilimleri Dergisi, 18(35), 1-16. Erişim Adresi: https://dergipark.org.tr/en/pub/ticaretfbd/issue/55970/509724
30. Yaşar, M. (2004). Günlük akışlardaki boşlukların yapay sinir ağları kullanılarak tamamlanması. Yüksek Lisans Tezi, Pamukkale Üniversitesi, Denizli, TR. Erişim Adresi: http://acikerisim.pau.edu.tr/xmlui/handle/11499/1220
31. T.C. Bilim Sanayi ve Teknoloji Bakanlığı. (2013). Faaliyet Raporu. [Çevrim-içi:https://www.sanayi.gov.tr/plan-program-raporlar-ve-yayinlar/faaliyet-raporlari/mu1607011625], Erişim tarihi: 30.8.2021.
32. Tüzemen, A. (2020). Cumhuriyet altını fiyatlarının arıma yöntemi kullanılarak ileri tahmini. Karadeniz Teknik Üniversitesi Sosyal Bilimler Enstitüsü Sosyal Bilimler Dergisi, 10(20), 361-381. Erişim Adresi: https://dergipark.org.tr/tr/pub/sbed/issue/59236/757262