Forecasting of Türkiye's industrial wood production via some trend analysis tools

Öz

This study deals with forecasting of Türkiye's industrial wood production and makes a projection for future five years. The data used within the scope of the study were provided from the statistics published by the General Directorate of Forestry, and in this regard, annual data covering the years 2000-2023 were used. The forecasting of industrial wood production was performed via the linear, exponential growth, quadratic and s-curve trend analysis functions. The mean absolute percentage error (MAPE) and the coefficient of determination (R2) were considered as the main performance evaluation criteria to compare the forecast success of the methods. Among the analysis methods considered, it was seen that the linear method yielded the highest MAPE with a value of 9.9238%, while the quadratic model yielded the lowest MAPE with a value of 6.2096%. Similarly, the linear model gave the lowest R2 with a value of 0.9098, while the quadratic model gave the highest R2 with a value of 0.9402. In summary, although the outcomes of all methods were satisfactory, it has been understood that the best outcomes in terms of performance criteria in forecasting of industrial wood production for the current data set were provided via the quadratic method.

Anahtar Kelimeler

• Forecasting
• Industrial wood
• Projection
• Trend analysis

Türkiye'nin endüstriyel odun üretiminin bazı trend analiz araçlarıyla tahmini

Öz

Bu çalışma Türkiye'nin endüstriyel odun üretiminin tahminini ele almakta ve gelecek beş yıl için bir projeksiyon yapmaktadır. Çalışma kapsamında kullanılan veriler Orman Genel Müdürlüğü tarafından yayımlanan istatistiklerden sağlanmış olup, bu bağlamda 2000-2023 yıllarını kapsayan yıllık veriler kullanılmıştır. Endüstriyel odun üretiminin tahmini doğrusal, üstel büyüme, karesel ve s-eğrisi trend analiz fonksiyonları aracılığıyla gerçekleştirilmiştir. Yöntemlerin tahmin başarısını karşılaştırmak için ana performans değerlendirme kriterleri olarak ortalama mutlak yüzde hata (OMYH) ve belirleme katsayısı (R2) dikkate alınmıştır. Dikkate alınan analiz yöntemleri arasında, %9,9238'lik bir değer ile en yüksek OMYH'yı doğrusal metodun ürettiği, en düşük OMYH'yı ise %6,2096'lik bir değer ile karesel modelin ürettiği görülmüştür. Benzer bir şekilde, 0,9098'lik bir değer ile en düşük R2'yi doğrusal model verirken, en yüksek R2'yi 0,9402'lik bir değer ile karesel model vermiştir. Özet olarak, tüm yöntemlerin sonuçları tatmin edici olmasına rağmen, mevcut veri seti için endüstriyel odun üretiminin tahmininde performans kriterleri açısından en iyi sonuçların karesel yöntem aracılığıyla sağlandığı anlaşılmıştır.

Anahtar Kelimeler

• Tahmin
• Endüstriyel odun
• Projeksiyon
• Trend analizi

Kaynakça

1. Acquah, S.B., Avuglah, R.K., Harris, E., 2014. Time series behavior of the volume of wood products export in Ghana. International Journal of Statistics and Probability, 3(4):12-24. doi:10.5539/ ijsp.v3n4p12
2. Adamowicz, K., Górna, A., 2020. The application of trend estimation model in predicting the average selling price of timber. Drewno, 63(206):147-159. doi: 10.12841/wood.1644-3985.350.07
3. Akkaya, M., Ok, K., Koç, M., Akseki, İ., Akkaş, M.E., 2021. Türkiye’de ithal odun hammaddesiyle ilişkili orman endüstri işletmelerinin genel yapısı. Turkish Journal of Forest Science, 5(1):57-77.
4. Anderson, F.N., Johnson, J.K.A., 2014. Revenue forecasting using trend analysis. Mathematical Theory and Modeling, 4(14): 166-172.
5. Akyüz, İ., 2019. Future projection and the sales of industrial wood in Turkey: artificial neural networks. Turkish Journal of Agriculture and Forestry, 43: 368-377. https://doi.org/10.3906/ tar-1901-20
6. Akyüz, İ., Ersen, N., Bayram, B.Ç., Acar, M., Akyüz, K.C., Üçüncü, T., 2019. Investigation of the similarities of industrial wood production statistics of regional directorates of forestry in Turkey using cluster and discriminant analysis. Kastamonu University Journal of Forestry Faculty, 19(2): 214-224. https://doi.org/10.17475/kastorman.625588
7. Bayramoğlu, M.M., 2018. Türkiye’de oduna dayalı orman ürünleri üzerine bir araştırma: Zaman serisi analizi. Artvin Çoruh Üniversitesi Orman Fakültesi Dergisi, 19(1): 18-26. https://doi.org/10.17474/artvinofd.333344
8. Erkan, N., 2021. Geçmişten günümüze Türkiye’deki endüstriyel ağaçlandırma çalışmalarının değerlendirilmesi. Ormancılık Araştırma Dergisi, 8(2):108-116. https://doi.org/10.17568/ ogmoad.789878

9. Fumo, N., Biswas, M.A.R., 2015. Regression analysis for prediction of residential energy consumption. Renewable and Sustainable Energy Reviews, 47: 332-343. https://doi.org/10.1016/j.rser. 2015.03.035
10. Hodson, T.O., 2022. Root-mean-square error (RMSE) or mean absolute error (MAE): when to use them or not. Geoscientific Model Development, 15: 5481–5487. https://doi.org/10.5194/ gmd-15-5481-2022.
11. Huda, K., Wibowo, C.E., Gunawan, V., 2023. Implementation of time series forecasting with Box Jenkins ARIMA method on wood production of Indonesian forests. AIP Conference Proceedings. 2738: 060004. https://doi.org/10.1063/5.0141187
12. Kasemset, C., Sae-Haew, N., Sopadang, A., 2014. Multiple regression model for forecasting quantity of supply of off-season longan. Chiang Mai University Journal of Natural Sciences, 13(3): 391-402. doi: 10.12982/cmujns.2014.0044
13. Kim, S., Kim, H., 2016. A new metric of absolute percentage error for intermittent demand forecasts. International Journal of Forecasting, 32: 669-679. https://doi.org/10.1016/j.ijforecast. 2015.12.003
14. Korkmaz, M., Duman, E.A., 2019. Türkiye’de bazı odun dışı orman ürünlerinin dış ticaretine yönelik değerlendirmeler. Türkiye Ormancılık Dergisi, 20(4): 401-410. https://doi.org/10.18182/ tjf.600146
15. Lewis, C. D., 1982. Industrial and business forecasting methods: A practical guide to exponential smoothing and curve fitting. London: Butterworth Scientific.
16. OGM, 2023. T.C Tarım ve Orman Bakanlığı Orman Genel Müdürlüğü, 2022 Yılı İdare Faaliyet Raporu. Strateji Geliştirme Dairesi Başkanlığı, Ankara, https://www.ogm.gov.tr/tr/e-kutuphane-sitesi/FaaliyetRaporu/2022%20-%20Orman%20Genel%20M%C3%BCd%C3%BCrl%C3%BC%C4%9F%C3%BC%20Faaliyet%20Raporu.pdf, Erişim: 01.08.2025
17. OGM, 2025. Orman Genel Müdürlüğü, Resmi İstatistikler, Ankara, https://www.ogm.gov.tr/tr/e-kutuphane/resmi-istatistikler, Erişim: 26.04.2025.
18. Ostertagová, E., Ostertag, O., 2012. Forecasting using simple exponential smoothing method. Acta Electrotechnica et Informatica, 12(3): 62–66. doi: 10.2478/v10198-012-0034-2
19. Raj, S.V., Narmadha, N., Alagumani, T., Chinnaduri, M., Ashok, K.R., 2014. Estimation of demand and supply of pulpwood by artifıcial neural network: A case study in Tamil Nadu. Sri Lanka Journal of Economic Research, 2(1): 81-88. Renaud, O., Victoria-Feser, M.-P., 2010. A robust coefficient of determination for regression. Journal of Statistical Planning and Inference, 140: 1852–1862. https://doi.org/10.1016/j.jspi. 2010.01.008
20. Satu, M.S., Howlader, K.C., Mahmud, M., Kaiser, M.S., Shariful Islam, S.M., Quinn, J.M.W., Alyami, S.A., Moni, M.A., 2021. Short-term prediction of COVID-19 cases using machine learning models. Applied Sciences, 11: 4266. https://doi.org/10.3390/app11094266
21. Sevinç, V., 2023. Assessment of the effects of the biotic and abiotic harmful factors on the amount of industrial wood production with deep learning. Environmental Science and Pollution Research, 30: 41999–42015. https://doi.org/10.1007/s11356-023-25161-y
22. Sharma, V.K., Nigam, U., 2020. Modeling and forecasting of COVID-19 growth curve in India. Transactions of the Indian National Academy of Engineering, 5: 697–710. https://doi.org/10.1007/s41403-020-00165-z
23. Sun, K., Pan, J., 2023. Model of storm surge maximum water level increase in a coastal area using ensemble machine learning and explicable algorithm. Earth and Space Science, 10: e2023EA003243. https://doi.org/10.1029/2023EA003243
24. Tiryaki, S., Aydın, A., Adanur, H., 2022. Hammadde tedarik sorunlarının Türkiye mobilya üretimi açısından değerlendirilmesi ve bir projeksiyon çalışması. Ormancılık Araştırma Dergisi, 9(Özel Sayı): 247-253. https://doi.org/ 10.17568/ogmoad.1089496
25. Upadhyay, V.K., Tailor, R., Shanbhag, R.R., Murthy, N., Kushwaha, P.K., Ranjan, M., 2025. Status and trend analysis of the production, export and import of wood and wood products in the G20 countries from 2004 to 2021. Journal of Forest Science, 71(4): 159–170. https://doi.org/10.17221/42/2024-JFS
26. URL-1: https://support.minitab.com/en-us/minitab/help-and-how-to/statistical-modeling/time-series/how-to/trend-analysis/methods-and-formulas/methods-and-formulas/, Accessed: 26.04.2025.
27. Yeşilkaya, M., Çabuk, Y., Karayılmazlar, S., 2022. TOPSIS-VIKOR yöntemleriyle Türkiye’deki illerin endüstriyel odun üretimi analizi. Bartın Orman Fakültesi Dergisi, 24(3): 476 – 487. https://doi.org/10.24011/barofd.1137955
28. Yeşilkaya, M., Daş, G.S., Yaşin, M.F., 2023. Türkiye orman ürünleri sektörünün döngüsel ekonomi ve endüstriyel simbiyoz bağlamında değerlendirilmesi. Journal of Turkish Operations Management, (7)2:1701-1723.
29. Yıldırım, H.T., 2012. Industrial wood production and consumption in Turkey and some future projections. African Journal of Business Management, 6(6): 2261-2266. doi: 10.5897/ AJBM11.2053