Data Analysis of The Port of Freight Transportation in Turkey

Öz

Revealing meaningful information from the data and being able to take a step forward in strategic decisions made data analytics necessary in every field of developing information technology. One of these areas is the freight transport data of the seaports that carry the commercial cargo of our country. Ports are the most important tool of the trade. In today's world where our country has priority to increase its export target to increase its competitiveness, logistics foresight, policy and analysis should also include the analysis of our past transportation data. In this study, T.C. Data analysis has been applied to the freight statistics data of the last 15 years in Turkish ports taken from the Ministry of Transport and Infrastructure. The study is also the first application made on the data of freight transportation in ports. Linear regression and artificial neural network methods were applied on Weka and written in Phyton language, respectively, and the results were compared. The accuracy rates of the predictions made on the historical data were compared. According to the results obtained, it has been seen that the artificial neural network method gives more realistic results. As a result of the study, an important method and source of information are presented to the literature for future export and import decisions and policies with techniques such as the use of data of past freight transportation in trade with our ports and artificial neural networks. Using this information correctly will bring countries to a more advantageous position in the competition. At the same time, the widespread use of data mining applications in freight transportation will provide an opportunity to make analytical predictions for commercial activities.

Anahtar Kelimeler

• Load Statistics Data
• Data Mining
• Artificial Neural Networks
• Linear Regression
• Time Series Analysis

Türkiye’de Limanlarda Yük Taşımacılığı Veri Analizi

Öz

Günümüz dünyasında gelişen bilişim teknojisiyle birlikte veriler içerisinden anlamlı bilgileri ortaya çıkarmak ve stratejik kararlarda bir adım öne geçebilmek veri madenciliğini her alanda önemli hale getirmiştir. Bu çalışmada, T.C Ulaştırma ve Altyapı Bakanlığı’ndan alınan Türk limanlarındaki yük istatistik verileri kullanılmış, bu veriler üzerinde Lineer Regresyon Yöntemi ve Yapay Sinir Ağları Yöntemini kullanılarak zaman serisi analizi gerçekleştirilmiştir. Aynı zamanda bu alandaki veriler üzerine yapılmış ilk uygulama niteliğindedir. Geçmiş veriler üzerinde yapılan tahminlerin doğruluk oranları kıyaslanmıştır. Yapay Sinir Ağları yönteminin gerçeğe daha yakın sonuçlar verdiği görülmüştür. Yapılan bu çalışma sonucu deniz yolu ile yapılan ticarette geçmişte elde edilen yük taşımacılığına ait verilerin kullanılması, gelecekte yapılacak ihracat ve ithalat için önemli bir bilgi kaynağı oluşturacaktır. Bu bilgileri doğru şekilde kullanmak, ülkeleri rekabette daha avantajlı konuma getirebilecek ve yük taşımacılığında veri madenciliği uygulanarak yapılacak ticari faaliyetler için öngörülerde bulunma fırsatı sunabilecektir.

Anahtar Kelimeler

• yük istatistik verileri
• verimadenciliği
• yapay sinir ağları
• lineer regrasyon
• zaman serileri analizi

Kaynakça

1. Akçetin, E., Çelik U., Takçı H., (2013).’Lojistik ve Denizcilik Sektörü Açısından Veri Madenciliği Uygulamalarının Önemi’, Journal of ETA Maritime Science Vol. 1, No. 2, 73-80.
2. Aksoy, M. B. (2019).’Türkiye’de Taşımacılık Alt Yapılarının Ekonomik Büyüme Üzerine Etkileri.’, Yüksek Lisans Tezi, Gaziantep Üniversitesi.
3. Alnıpak, S., Alkan, F., Günay, G. (2017). ‘Veri Madenciliği, Büyük Veri Analizi Ve Rfıd Teknolojisi Tabanlı Konteyner Limanları’, III. Ulusal Liman Kongresi.
4. Arslan, A. (2011).’Avrupa Birliği Uyum Sürecinde, Türkiye’de Denizyolu Konteyner Taşımacılığı ve Limanların Ekonomideki Yeri. Yüksek Lisans Tezi’, Marmara Üniversitesi, İstanbul.
5. Aydemir, E. (2019). ‘Weka ile Yapay Zeka, Seçkin Yayınları’, ISBN: 978-975-02-5536-6, Ankara, Türkiye.
6. Birant, D. (2006). ’Modeling and Analyzing Marine Data Using Data Mining Techniques. Yüksek Lisans Tezi’, Dokuz Eylül Universitesi, İzmir.
7. Bolat, H. (2019).’ Kayseri İli Emniyet Müdürlüğü Trafik Kaza Verilerinin Veri Madenciliği Yaklaşımları ile Analizi. Yüksek Lisans Tezi’, Erciyes Üniversitesi, Kayseri.
8. Gün, D., (2013).’Değişim Çağında Sürdürülebilir Lojistik Süreç ve Stratejilerinin Yönetimsel Bakış Açısıyla Değerlendirilmesi ve Küresel Lojistik Üs Vizyonu’, Rize Kalkınma Sempozyumu.

9. Kalaycı, İ. (2014):’Deniz Ticareti ve Küresel Mali Kriz: İpek Yolu’nda Türkiye için Yeni Stratejiler’.
10. Kılcı, Ö. G. H., (2017).’Taşımacılık Faaliyetlerinin Rekabet Üstünlüğü Oluşturmada İşletmecilikte Yeri ve Önemi Türkiye Örneği ve Türkiye’de Taşımacılığın Gelişimi’, Balkan Sosyal Bilimler Dergisi.
11. Kiremitci, B., (2005).’ Veri Ambarlarında Veri Madenciliği ve Ulaştırma-Lojistik Sektöründe Bir Uygulama. Yüksek Lisans Tezi’, İstanbul Üniversitesi, İstanbul.
12. Kokotos D.X., Linardatos D.S., (2010).’An application of data mining tools for the study of shipping safety in restricted waters’, Safety Science 49 , 192–197.
13. Lambert, D.M. - James R.S. (1999).’Strategic Logistics Management. Irwin\McGraw-Hill.’ 3. Baskı. Boston.
14. Özkan, Y., (2016).’ Veri Madenciliği Yöntemleri, Papatya Yayıncılık Eğitimi’, ISBN:978-975-6797-82-2, İstanbul, Türkiye, Eylül.
15. Ulaştırma ve Altyapı Bakanlığı, (t.y.), İstatistiklerle Ulaştırma Denizcilik Ve Haberleşme 2004-2019. http://www.uab.gov.tr/images/istatistik/2004.2019.pdf
16. Wang, J., Simin Pulat, P. and Shen, G., (2012).‘Data mining for the development of a global port-to-port freight movement database’, Int. J. Shipping and Transport Logistics, Vol. 4, No. 2, pp.137–156.
17. https://lpi.worldbank.org/international/global?sort=asc&order=LPI%20Rank#datatabl
18. Jingjing Y., Guolei T., Xiangqun S., Xuhui Y., Yue Q., Da L., Yong Z., (2018).‘Ship Arrival Prediction and Its Value on Daily Container Terminal Operation’, Ocean Engineering 157 (2018) 73-86.
19. Jose A.S., Juan A.G., Agapito L., (2017). ’Forecasting Sea Level Changes Applying Data Mining Techniques to the Cristobal Bay Time Series Panama’, IWA Publishing.
20. Khair A.F., Awang M.K., Zakarala Z.A., Mazlan M., (2017).’Daily Streamflow Prediction On Time Series Forecasting’, Journal of Theoretical and Applied Information Technology.
21. S. Nataraj, C. Alvarez, L. Sada , A. A. Juan, J. Panadero, C. Bayliss, (2019).’ Applying Statistical Learning Methods for Forecasting Prices and Enhancing the Probability of Success in Logistics Tenders’, Transportation Research Procedia 47 (2020) 529–536.
22. L. Cornejo-Bueno, E.C. Garrido-Merchán, D. Hernández-Lobato, S. Salcedo-Sanz, (2017).’ Bayesian optimization of a hybrid system for robust ocean wave features prediction’ ,Neurocomputing (2018) 818-821.
23. Sousa N., Campos A. (2018).’ Data mining for anomaly detection in maritime traffic data’, Escola Naval.