Investigation of Turkey's Energy Demand in Transportation by Robust Statistical Methods

Yıl 2022, , 85 - 95, 30.06.2022

Ebru Gündoğan Aşık

https://doi.org/10.51541/nicel.1010981

Cited By: 1

Öz

Due to the increase in developing levels of the populations, development levels, and depending on the number of people travelling with the number of vehicles, the energy demand in the world is increasing. Due to the limited of Turkey's energy sources, it is necessary to meet the continuous growing energy demand and consumption. Turkey, petroleum and liquid fuel imports with energy demand and consumption. The establishment of energy-related demand and consumption models is an important step. In this study, with a solid regression analysis of regression analysis technique approaches, Turkey's energy demand has been evaluated. In all methods, the best method has been determined that the quantile regression of 0.50. According to the OLS method, ton-km, vehicle-km, passenger-km and oil price variables have been determined the ratio of determination of transport energy to be 85,6%. When the quantile regression of 0.50 method is applied, it is seen that ton-km, vehicle-km, passenger-km and oil price variables have been determined the ratio of determination of transport energy to be 90,5%.

Anahtar Kelimeler

Transportation, Energy, Regression, Robust, Outliers

Türkiye’deki Ulaşımda Enerji Talebinin Sağlam İstatistiksel Yöntemler İle Araştırılması

Öz

Toplumların nüfuslarının ve kalkınma düzeylerinin artması buna bağlı olarak, taşıt sayılarının ve seyahat eden kişi sayılarının da artmasıyla, dünyadaki enerji talebi de artmaktadır. Türkiye’nin enerji kaynaklarının sınırlı olması sebebiyle, sürekli artan enerji talebini ve tüketimini karşılaması gerekmektedir. Türkiye, petrol ve sıvı yakıt ithalatı ile enerji talebini ve tüketimini karşılamaktadır. Enerji ile ilgili talep ve tüketim modellerinin kurulması önemli bir adım olarak karşımıza çıkmaktadır. Bu çalışmada, regresyon analizi tekniği yaklaşımlarından olan sağlam regresyon analiziyle, Türkiye’nin ulaşıma enerji talebi değerlendirilmiştir. Tüm yöntemler içinde, en iyi yöntemin Kantil regresyonu 0.50 olduğu belirlenmiştir. EKK yöntemine göre, Ton-Km, Araç-Km, Yolcu-Km ve Petrol fiyatı değişkenlerinin ulaşım enerjisini açıklama oranının %85,6 olduğu belirlenmiştir. Kantil regresyonu 0.50 yöntemi uygulandığında, Ton-Km, Araç-Km, Yolcu-Km ve Petrol fiyatı değişkenlerinin ulaşım enerjisini açıklama oranının %90,5 olduğu görülmektedir.

Anahtar Kelimeler

Ulaşım, Enerji, Regresyon, Sağlam, Aykırı değer

Kaynakça

• Çodur, M.Y. ve Ünal, A. (2019), An estimation of transport energy demand in turkey via artificial neural networks, Promet – Traffic & Transportation, 31(2), 151-161.
• International Energy Outlook (2016), U.S. Energy Information Administration, https://www.eia.gov/outlooks/ieo/pdf/0484(2016).pdf.
• Ceylan, Z. ve Bulkan, S. (2018), Türkiye ulaşım kaynaklı enerji ihtiyacının hibrit anfis-pso metodu ile tahmini, AKU J. Sci. Eng.,18, 740-750.
• Samimi, R. (1995), Road transport energy demand in Australia, Energy Economics, 17(4), 329-339.
• Murat, Y.S. ve Ceylan, H. (2006), Use of artificial neural networks for transport energy demand modelling, Energy Policy, 34, 3165-3172.
• Zhang, M., Mu, H., Li, G. ve Ning, Y. (2009), Forecasting the transport energy demand based on PLSR method in China, Energy, 34, 1396-1400.
• Limanond, T., Jomnonkwao, S. ve Srikaew, A. (2011), Projection of future transport energy demand of Thailand, Energy Policy, 39, 2754-2763.
• Annan, J., Arthur, Y.D. ve Qanah, E. (2015), Modelling transport energy demand in Ghana: The policy implication on ghanaian economy, British Journal of Economics, Management & Trade, 10(1), 1-12.
• Moriarty, P. ve Honnery, D. (2016), Global Transport Energy Consumption, 1st Edition, John Wiley and Sons, New York, USA.
• Huber, P.J. (1981), Robust Statistics, John Wiley and Sons, New York, USA.
• Rousseeuw, P.J. ve Yohai, V. J. (1984), Robust and Nonlinear Time Series, J. Franke, W. H¨ardle and R. D. Martin (eds.), Robust regression by means of s-estimators, 256-272, Springer, New York, USA.
• Yu, C., Yao, W. ve Bai, X. (2014), Robust linear regression: a review and comparison, Communications in Statistics - Simulation and Computation, 46(8), 6261-6282.
• Koenker, R. ve Bassett, G. Jr. (1978), Regression Quantiles, Econometrica, 46(1), 33-50.
• Maiti, M. (2019), OLS versus quantile regression in extreme distributions, Contaduría y Administración, 64(29), 1-11.
• Yavuz, A. A. ve Aşık, E. G. (2017), Kantil regresyon, Uluslararası Mühendislik Araştırma ve Geliştirme Dergisi, 9(2), 137-146.