Forecasting with SARIMA Model for an Agricultural Machinery Manufacturer

Öz

The most significant risks encountered in agricultural machinery production today can be considered as shifts in demand times and quantities due to climate change, as well as competitive factors. Therefore, statistical demand forecasting has become an essential issue in the production of agricultural machinery. The aim of this study is to forecast the production quantities of the two most important product produced by a manufacturer in the agricultural machinery sector for the next 12 months using monthly production data from 2011-2021 and to develop recommendations. To reflect seasonality in future forecasts for agricultural machinery production, the SARIMA (Box-Jenkins) model has been employed. The Box-Jenkins method is one of the techniques developed for analyzing time series and is used to analyze univariate time series. In the research, the best statistical results among the SARIMA models for the specified product are indicated. For Product 1, the SARIMA(1,1,2)(0,1,1) model has been identified as the most suitable model, while for Product 2, the SARIMA(0,1,1)(1,1,0) model has been determined to be the best fit. By examining the appropriate SARIMA model determined for the selected two product, the 12-month production forecast and expectations for 2022 have been calculated for the manufacturer.

Anahtar Kelimeler

• Agricultural machinery
• SARIMA
• Time series analysis
• Box-Jenkins model

Bir Tarım Makineleri Üreticisi için SARIMA Modeli ile Tahminleme

Öz

Tarım makineleri üretiminde karşılaşılan en önemli riskler günümüzde iklim değişikliğinden kaynaklı talep zamanlarında ve miktarlarında kayma ve rekabet unsurları olarak değerlendirilebilir. Bu nedenle tarım makineleri üretiminde istatistiksel talep tahmini yapmak elzem bir konu olmuştur. Bu çalışmanın amacı, tarım makineleri sektöründe bir imalatçıdan elde edilen 2011-2021 yılları arasındaki aylık üretim verilerinden yararlanarak gelecek 12 aylık dönemde üreticinin ürettiği en önemli iki ürününe ait üretim miktarlarını tahmin etmek ve gelecek üretim adetlerine dair öneriler geliştirmektir. Tarım makineleri üretimi adedi için gelecek tahmininde bulunurken mevsimselliği yansıtmak adına SARIMA diğer adıyla Box-Jenkins modeli kullanılmıştır. Zaman serilerini analiz etmek için geliştirilen yöntemlerden biri olan SARIMA yöntemi, tek değişkenli zaman serilerini analiz etmek için kullanılan güçlü metotlardandır. Araştırmada, belirlenen iki ürün için SARIMA modelleri arasında en iyi istatistiksel sonuçlar belirtilmiştir. Ürün 1 için SARIMA(1,1,2)(0,1,1) modeli, ürün 2 için ise SARIMA(0,1,1)(1,1,0) modeli en uygun model olarak bulunmuştur Seçilen iki ürün için belirlenen uygun SARIMA modeline bakarak, üretici için 2022 yılı 12 aylık üretim tahmini ve beklentisi hesaplanmıştır.

Anahtar Kelimeler

• Tarım makineleri
• SARIMA
• Zaman serileri analizi
• Box-Jenkins Modeli

Kaynakça

1. Akusta A. Konut piyasası trendlerinin çözümlenmesi: Türkiye’de toplam konut satışlarının tahmini. Necmettin Erbakan Üniversitesi Siyasal Bilgiler Fakültesi Dergisi 2024; 6(1): 113-127.
2. Ashutosh KD., Abhishek K., Vicente GD., Arpit KS., Kishan K. Study and analysis of SARIMA and LSTM in forecasting time series data. Sustainable Energy Technologies and Assessments 2021; 47: 101474
3. Box G., Jenkins G. Time series analysis: Forecasting and control. 5th ed.San Francisco: Holden-Day; 1970.
4. Chikkakrishna NK., Hardik C., Deepika K., Sparsha N. Short-term traffic prediction using SARIMA and FBPropeth. 16th India Council International Conference (INDICON), 2019, sayfa no: 1-4, India.
5. Çevik O., Yürekli K. Mevsimsel ARIMA modeli kullanılarak Yeşilırmak nehri aylık akım serisinin Modellenmesi. Tarım Bilimleri Dergisi 2003; 9(3): 261-268.
6. Çiftçi S., Batur Sir GD. Acil servise başvuru sayısının zaman serisi analiz ve makine öğrenmesi yöntemleri ile tahmin edilmesine yönelik bir uygulama. Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi 2023; 29(7): 667-679
7. Dabral PP., Murry MZ. Modelling and forecasting of rainfall time series using SARIMA. Environmental Processes 2017; 4: 399-419.
8. Dickey DA., Fuller WA. Distributions of the estimators for autoregressive time series with a unit root, Journal of American Statistical Association 1979; 74(366): 427-481.

9. Divisekara RW., Jayasinghe GJMSR., Kumari KWSN. Forecasting the red lentils commodity market price using SARIMA models. SN Business & Economics 2021; 1: 20.
10. Hanke JE., Wichern D. Business forecasting. England. 9th ed.England: Pearson Education;2014
11. He K., Lei J., Chi WDW., Kwok FGT. Using SARIMA–CNN–LSTM approach to forecast daily tourism demand. Journal of Hospitality and Tourism Management 2021; 49: 25-33.
12. Karakaş E. Türkiye’nin otomotiv ihracat gelirinin ARIMA modeli ile tahmin edilmesi, Journal of Yasar University 2019; 14(55): 318-328.
13. Komori-Zevallos AR., Montedoro-Garay FM., Garcia-Lopez YJ., Quiroz Flores JC. A production model based in lean 4.0 principles and machine learning to enhance the productivity of small and medium-sized enterprises (SMEs) in Peru's food manufacturing sector. Proceedings of the Conference on Production Systems and Logistics, Şubat 2023, sayfa no:139-150, Hannover, Germany.
14. Liu J., Zhao Z., Zhong Y., Zhao C., Zhang G. Prediction of the dissolved gas concentration in power transformer oil based on SARIMA. Energy Reports 2022; 8(5): 1360-1367.
15. Loganathan N., Ibrahim Y. Forecasting international tourism demand in Malaysia using Box Jenkins SARIMA application, South Asian Journal of Tourism and Heritage 2010; 3(2): 50-60.
16. Martínez-Acosta L., Medrano-Barboza JP., López-Ramos Á., Remolina López JF., López-Lambraño ÁA. SARIMA approach to generating synthetic monthly rainfall in the Sinú River Watershed in Colombia. Atmosphere 2020; 11(6): 602.
17. Megha S., Namita M., Anukram MA., Arun G. Time-series forecasting of power consumption and feature extraction in agriculture sector using machine learning. International Journal of Power and Energy Systems 2023; 43(10).
18. Milenković M., Švadlenka L., Melichar V., Bojović N., Avramović Z. SARIMA modelling approach for railway passenger flow forecasting. Transport 2018; 33(5): 1113-1120.
19. Mombeni HA., Rezaei S., Nadarajah S.. Estimation of water demand in Iran based on SARIMA models. Environmental Modeling and Assesment. 2013; 18: 559–565
20. Oliveira CDG. Indústria de máquinas agrícolas no Brasil: um modelo para estimação da demanda de tratores para o triênio 2016–2018. Foundation Getúlıo Vargas School Of Economics Of São Paul Master tezi, Sao Paul, Brasil, 2016.
21. Önen V. Using the ARIMA and ARIMAX methodologies to estimate, model, forecast, and compare airline passenger transportation demand in Türkiye. Journal of Transportation and Logistics 2023; 8(2): 242-273.
22. Peng C., Aichen N., Duanyang L., Wei J., Bin M. Time series forecasting of temperatures using SARIMA: an example from Nanjing. IOP Conference Series: Materials Science and Engineering 2018; 394(5): 052024.
23. Vagropoulos SI., Chouliaras GI., Kardakos EG., Simoglou CK., Bakirtzis AG. Comparison of SARIMAX, SARIMA, modified SARIMA and ANN-based models for short-term PV generation forecasting," IEEE International Energy Conference (ENERGYCON) 4-8 Nisan 2016, sayfa no: 1-6. Leuven, Belgium
24. Valipour M. Long-term runoff study using SARIMA and ARIMA models in the United States. Meteorological Applications 2015; 22: 592-598.
25. Wei WWS. Time series analysis. Addision Wesley Publishing Company, California, 1989; 478 s.