YAPAY SİNİR AĞLARI İLE TÜRKİYE LİMANLARINDA ELLEÇLENEN KONTEYNER TALEBİNİN TAHMİNİ: ULUSLARARASI TİCARET PERSPEKTİFİNDEN UYGULAMALI BİR MODEL

Yıl 2025, Sayı: 62, 112 - 123, 31.12.2025

Elif Meryem Yurdakul Şipal

Öz

Küresel ticaretin büyük ölçüde denizyolu taşımacılığına dayanması, liman altyapısının etkin kullanımını ve konteyner talebinin doğru tahmin edilmesini stratejik öneme sahip hâle getirmiştir. Geleneksel tahmin yöntemlerinin sınırlı doğruluk sağlaması, özellikle ekonomik dalgalanmalara duyarlı sektörlerde, yapay zekâ temelli yaklaşımları ön plana çıkarmaktadır. Bu çalışma, Türkiye limanlarında uluslararası ticarete konu olan konteyner talebini Yapay Sinir Ağları (YSA) yöntemi ile tahmin etmeyi amaçlamaktadır. Çalışmada 2013:01–2025:08 dönemine ait veriler kullanılmış; Sanayi Üretim Endeksi, reel efektif döviz kuru, enflasyon, faiz oranı, Brent petrol fiyatı, OECD Sanayi Üretim Endeksi ve Baltık Kuru Yük Endeksi bağımsız değişkenler olarak modele dâhil edilmiştir. Veriler min-max yöntemiyle normalize edilmiş, ardından ileri beslemeli YSA mimarileri farklı katman ve nöron sayılarıyla test edilmiştir. En yüksek performans, tansig transfer fonksiyonuna sahip, 3 katmanlı ve her katmanda 10 nöron bulunan yapıyla elde edilmiştir. Bu yapı ile MAPE %3,01 ve MSE değeri 0,01 olarak bulunmuştur. Türkiye limanlarında elleçlenen uluslararası konteyner talebini en iyi tahmin eden Yapay Sinir Ağı mimarisi belirlendikten sonra aynı mimari ile 2025:09 döneminden itibaren 7 aylık talep tahmin edilmiştir. Elde edilen bulgular, YSA yönteminin konteyner talep tahmininde yüksek doğruluk sağladığını ve lojistik planlamada etkin biçimde kullanılabileceğini göstermektedir. Model, liman işletmecileri ve politika yapıcılar için kapasite planlamasında ve yatırım kararlarında önemli bir karar destek aracı sunmaktadır.

Anahtar Kelimeler

Denizyolu Taşımacılığı , Uluslararası Ticaret , Yapay Sinir Ağları

Kaynakça

• [1] Abiodun, O. I., Jantan, A., Omolara, A. E., Dada, K. V., Mohamed, N. A., Arshad, H. (2018), State-Of-The-Art in Artificial Neural Network Applications: A Survey. Heliyon, 4(11).
• [2] Akar, O., Esmer, S. (2015), “Türkiye’deki Konteyner Terminalleri İçin Yük Talep Analizi”, Journal of ETA Maritime Science, 3(2), ss. 117-122.
• [3] Akkan, B., Çalışır, V. (2022), “Klasik Zaman Serisi Yöntemleri İle Konteyner Elleçleme Tahmini”. Journal of Anatolian Environmental and Animal Sciences, 7(3), ss. 341-349.
• [4] Altın, F. G., Çelik Eroğlu, Ş. (2020), “Gri Tahmin ve Box-Jenkins Yöntemleri ile Antalya Limanı için Aylık Konteyner Talep Tahmini”, Mehmet Akif Ersoy Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 7(3), ss .540-562.
• [5] Ataseven, B. (2013), “Yapay Sinir Ağları ile Öngörü Modellemesi”, Öneri Dergisi, 10 (39), ss. 101-115.
• [6] Ceylan, S. (2020), “Deniz Taşımacılığı ve Incoterms: Fob’a İlişkin Bir Değerlendirme”, Uygulamalı Bilimler Fakültesi Dergisi, 2(2), ss. 13-39.
• [7] Chou, C.C, Chu, C.W., Liang, G. (2008), “A Modified Regression Model for Forecasting the Volumes of Taiwan’s İmport Containers”, Mathematical and Computer Modelling. 47(9-10), pp. 797-808,
• [8] Çuhadar, Y., Güngör, P., Göksu, Y. (2009), “Turizm Talebinin Yapay Sinir Ağları ile Tahmini ve Zaman Serisi Yöntemleri ile Karşılaştırmalı Analizi: Antalya İline Yönelik Bir Uygulama”, Süleyman Demirel Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 14(1), ss. 99-114.
• [9] Darendeli, A., Alparslan, A., Erdoğan, M.S., Kabadurmuş, Ö. (2021), “Container Demand Forecasting Using Machine Learning Methods: A Real Case Study from Turkey”, In: Durakbasa, N.M., Gençyılmaz, M.G. (eds) Digital Conversion on the Way to Industry 4.0. ISPR 2020. Lecture Notes in Mechanical Engineering. Springer, Cham.
• [10] Demuth, H., Beale, M., Hagan, M. (2008), Neural Network. Toolbox 6 User's Guide, Natick, MA: The MathWorks, Inc.
• [11] Doğusel, V. (2021), “Kocaeli limanları talep tahmini”, Journal of Maritime Transport and Logistics, 2(2), ss. 82-90.
• [12] Dongare, A.D., Kharde, R.R. Kachare, A.R. (2012), “Introduction to Artificial Neural Network, International Journal of Engineering and Innovative Technology (IJEIT), 2(1), pp. 189-194.
• [13] Elmas. Ç. (2003), Yapay Sinir Ağları Kuram, Mimari, Eğitim, Uygulama, Seçkin Yayıncılık, Ankara.
• [14] Franco, G., Santurro, M. (2021), “Makine Öğrenimi, Yapay Sinir Ağları ve Sosyal Araştırma”, Qual Quant 55, pp .1007–1025.
• [15] Gökkuş, Ü., Yıldırım, M.S., Aydın, M. M. (2017), “Estimation of Container Traffic at Seaports by Using Several Soft Computing Methods: A Case of Turkish Seaports, Discrete Dynamics in Nature and Society, 2984853.
• [16] Gupta, N. (2013), “Artificial Neural Network”, Network and Complex Systems, 3(1), pp. 24-28.
• [17] Güzey, H., Akansel, M. (2019), “Comparison of Svm And Traditional Methods for Demand Forecasting in a Seaport: a Case Study”, International Journal of Scientific and Technological Research, 5(3), pp. 168-176.
• [18] Haykin, S. (2005), “Neural Networks a Comprehensive Foundation”, N.J.: Prentice Hall.
• [19] Jang, S., Mizutani, E. (1997), “Neuro-Fuzzy and Soft Computing A Computational Approach to Learning and Machine Intelligence”, Prentice Hall, Inc.
• [20] Karahan, M. (2011), “İstatistiksel Tahmin Yöntemleri Yapay Sinir Ağları Metodu İle Ürün Talep Tahmini Uygulaması”, Doktora Tezi, Selçuk Üniversitesi Sosyal Bilimler Enstitüsü: Konya.
• [21] Kayıran, B., Saatçioğlu, Ö. (2022), “Container Cargo Demand Forecast for Gemlik Bay Ports”, Journal of Maritime Transport and Logistics, 3(2), pp. 50-60.
• [22] Kılınç, G., Karaatlı, M., Ömürbek, N. (2022), “ Türkiye Limanlarındaki Konteyner ve Yük Elleçleme Hacimlerinin YSA Narx Modeli ile Öngörülmesi”, Verimlilik Dergisi (2), ss. 251-266.
• [23] Lee, G. C., Bang, J. Y. (2024), “Forecasting Container Throughput of Singapore Port Considering Various Exogenous Variables Based on SARIMAX Models”, Forecasting, 6(3), pp. 748-760.
• [24] OECD Resmi İnternet Sitesi. https://www.oecd.org/en/data/indicators/industrial-production.html 07.02.2025
• [25] Özdemir, Ü. (2021), Model “Proposal for Future Estimates İn Maritime Industry: The Case of Container Handling İn Turkish Ports”, Journal of ETA Maritime Science, 9(1), pp. 3-21.
• [26] Öztemel, E. (2006), “Yapay Sinir Ağları”, Papatya Yayıncılık, İstanbul.
• [27] Sarker, I. H. (2021), “Deep Learning: A Comprehensive Overview on Techniques, Taxonomy, Applications and Research Directions”, SN Computer Science, 2(6), pp. 420.
• [28] Tsai, F.M., Huang, J.W (2017), “Using Artificial Neural Networks to Predict Container Flows Between the Major Ports of Asia”, International Journal of Production Research, 55(17), pp. 5001-5010,
• [29] UTİKAD (2023), “Lojistik Sektörü Raporu”. Utikad.org.tr/UTIKAD-Raporlari 29.01.2025
• [30] Yavuz, S., Deveci, M. (2012), “İstatiksel Normalizasyon Tekniklerinin Yapay Sinir Ağın Performansına Etkisi”, Erciyes Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 40, ss. 167-187.
• [31] Yurtoğlu, H. (2005), “Yapay Sinir Ağları Metodolojisi ile Öngörü Modellemesi: Bazı Makroekonomik Değişkenler İçin Türkiye Örneği”, Uzmanlık Tezi, Devlet Planlama Teşkilatı.
• [32] Zheng, H., Wu, J., Song, R., Guo, L. (2024), “Predicting Financial Enterprise Stocks and Economic Data Trends Using Machine Learning Time Series Analysis”.