PANDEMİ DÖNEMİNDE DEMİR ÇELİK İŞLETMELERİNDE SATIŞ DEĞERLENDİRMESİ VE SATIŞ MODELLEMESİ

Öz

Bir işletmenin gelecek yatırım/planlarında gelirinin/satışının tahmin edilmesi önemlidir. Demir-çelik işletmelerinin ürettiği ürünler imalat sanayisinin girdilerindendir. Yaşanan ekonomik durgunluk/buhran dönemleri birçok sektörde ürün taleplerini etkileyebilmektedir. Çalışmanın amacı, demir-çelik işletmesinin pandemi döneminde satış miktarlarındaki farklılıkların analizi, satışta etkili faktörlerin modellenmesi ve elde edilen sonuçların karar vericiler/araştırmacılara sunulmasıdır. Pandemi döneminde, demir çelik işletmesinin ürün fiyatlarının genel olarak düştüğü ve satışlarının artmış olduğu görülmüştür. Firma ürünlerinin üretim işletmelerine hammadde sağladığı bilindiğinden, bu üretim işletmeleri üretimin yavaşladığı bu dönemde düşen fiyatları fırsat bilerek, kendi hammadde stoklarını güçlendirdikleri şeklinde yorumlanabilir. Demir çelik işletmeleri satışı, satış tahmini/modellemesi üzerine ilgili literatürde oldukça az sayıda çalışmaya rastlanması, bu alanda gerçekleştirilecek regresyon modeline değişken belirleme aşamasında zorluklar olmasına rağmen, alanda yapılacak çalışmaların önemini arttırmaktadır. Regresyon modellerine göre, ürün kendi fiyatı ve “satın alma müdürleri endeksi” değişkenlerinin satışları belirlediği sonucuna varılabilir. Gerek nihai modellerde az sayıda değişken kalması, beş modelden üçünün kabul edilebilir olması ve gerekse de iktisadi teorinin tersine olarak fiyat-satış miktarı arasındaki ilişkinin iki modelde aynı yönlü çıkması, elde edilen sonuçlara temkinli yaklaşılması düşüncesine neden olmuş, yeni değişkenlerle doğrusal olmayan modellerin araştırılması önerilmiştir.

Anahtar Kelimeler

• Pandemide satışlar
• demir çelik talebi
• satış model tahmini
• regresyon
• istatistiksel analiz

SALES EVALUATION AND SALES MODELING IN IRON-STEEL ENTERPRISES DURING THE PANDEMIC PERIOD

Abstract

It is important to predict the income/sales of a business in its future investment/plans. It is one of the inputs of the iron-steel production company in the manufacturing industry with its products. Periods of economic recession/ depression may affect product demands in many industries. The study aims to analyze the differences in the sales amounts of the iron-steel businesses during the pandemic period, to model the factors effective in sales, and to present the results to decision-makers/researchers. During the pandemic period, it is seen that the product prices of the iron-steel business decreased in general and their sales increased. Since the company products are known to provide raw materials to the production enterprises, these production enterprises can be interpreted as taking advantage of the falling prices in this period when the production slows down and strengthen their raw material stocks. The fact that there are quite a few studies in the relevant literature on the sale of iron-steel enterprises, sales forecasting/modeling increases the importance of the studies to be carried out in the field, although the difficulties in variables determination for the regression model. According to the regression models, it can be concluded that the product's price and the variables of "purchasing managers index" determine the sales. The fact that there are few variables in the final models, that three of the five models are acceptable, and, contrary to the economic theory, the relationship between the price-sales volume in both models is positive, led to the thought of being cautious about the results obtained, and it is suggested to investigate nonlinear models with new variables.

Keywords

• Sales in pandemic
• sales model estimation
• iron-steel demand
• regression
• statistical analysis

Kaynakça

1. Akyurt, İ.Z. (2015). Talep tahmininin yapay sinir ağlarıyla modellenmesi: Yerli otomobil örneği. İstanbul Üniversitesi İktisat Fakültesi Ekonometri ve İstatistik Dergisi, 23, 147-157.
2. Azadeh A., Neshat N., Mardan E., & Saberi M. (2013). Optimization of steel demand forecasting with complexand uncertain economic inputs by an integrated neural network–fuzzy mathematical programming approach. The International Journal of Advanced Manufacturing Technology, 65, 833-841.
3. Azlina A.B., Nik H.N.M., & Ismail R. (2013). Factors affecting energy demand in developing countries: A dynamic panel analysis. International Journal of Energy Economics and Policy, 3(4), 1-6.
4. Chang, P., Wang Y.-W., & Tsai, C.-Y. (2005). Evolving neural network for printed circuit board sales forecasting. Expert Systems with Applications, 29(1), 83-92.
5. ÇİB (2020). Çelik İhracatçıları Birliği web sayfasından İstatistikler. Erişim Tarihi: 02.10.2020, http://www.cib.org.tr/tr/istatistikler.html.
6. DÇB (2020). Dünya Çelik Birliği web sayfası, Erişim Tarihi: 02.10.2020, http:// www.worldsteel.org.
7. Dökmen, G., Pekkaya, M. & Saymaz, N. (2019). Sigara bağımlılığı ve devletin sigara tüketimi ile mücadele yöntemleri arasındaki ilişki. Maliye Dergisi, 176, 599-623.
8. Ecemiş, O. (2018). Model ağaç yöntemiyle satış tahmini: Paslanmaz çelik sektöründe bir uygulama. Akademik Sosyal Araştırmalar Dergisi, 6(84), 336-350.

9. Efendigil, T., Önüt, S., & Kahraman, C. (2009). A decision support system for demand forecasting with artificial neural networks and neuro-fuzzy models: A comparative analysis. Expert Systems with Applications, 36(3), 6697-6707.
10. Hayes, A.F., & Cai, L. (2007). Using heteroskedasticity-consistent standard error estimators in OLS regression: An introduction and software implementation. Behavior Research Methods, 39(4), 709-722.
11. Hicham, A., & Bouhorma, M. (2012). Hybrid intelligent system for sale forecasting using delphi and adaptive fuzzy back-propagation neural networks. (IJACSA) International Journal of Advanced Computer Science and Applications, 3(11), 122-130.
12. İSO (2020). İstanbul Sanayi Odası, Erişim Tarihi: 02.10.2020, http://www.iso.org.tr/.
13. Koochakpour K, & Tarokh M.J. (2016). Sales budget forecasting and revision by adaptive network fuzzy base inference system and optimization methods. Journal of Computer & Robotics, 9(1), 25-38.
14. Oğcu G., Demirel O.F., & Zaim S. (2012). Forecasting electricity consumption with neural networks and support vector regression. Procedia – Social and Behavioral Sciences, 58, 1576-1585.
15. Pekkaya, M. (2011), ARFIMA ve FIGARCH yöntemlerinin Markowitz ortalama varyans portföy optimizasyonunda kullanılması: İMKB-30 endeks hisseleri üzerine bir uygulama, (Yayınlanmamış Doktora Tezi) Zonguldak Bülent Ecevit Üniversitesi, Sosyal Bilimler Enstitüsü, Zonguldak.
16. Pekkaya, M., & Akıllı, F. (2013). Hava Yolu Hizmet Kalitesinin SERVPERF-SERVQUAL Ölçeği ile Değerlendirmesi ve İstatistiksel Analizi. AİBÜ İİBF Ekonomik ve Sosyal Araştırmalar Dergisi, 9(1), 75-96.
17. Psiloglou B.E., Giannakopoulos C., Majithia S., & Petrakis M. (2009). Factors affecting electricity demand in Athens, Greece and London, UK: A comparative assessment. Energy, 34(11), 1855-1863.
18. TB (2018). Ticaret Bakanlığı, Demir-Çelik, Demir-çelikten eşya sektör raporu. Erişim Tarihi: 02.10.2020, https://ticaret.gov.tr/data/5b87000813b8761450e18d7b/Demi_Celik _Demir_Celikten_Esya.pdf.
19. TCMB (2020). Türkiye Cumhuriyet Merkez Bankası, Erişim Tarihi: 02.10.2020, https://www.tcmb.gov.tr/.
20. TÜİK (2020). Türkiye İstatistik Kurumu, Erişim Tarihi: 02.10.2020, https://www.tuik.gov.tr/.