TÜRKİYE LİMANLARINDAKİ KONTEYNER VE YÜK ELLEÇLEME HACİMLERİNİN YSA NARX MODELİ İLE ÖNGÖRÜLMESİ

Yıl 2022, , 251 - 266, 29.04.2022

Gamze Kılınç , Meltem Karaatlı , Nuri Ömürbek

https://doi.org/10.51551/verimlilik.896525

Cited By: 1

Öz

Amaç: Bu çalışmada mevcut donanımı daha etkili ve verimli kullanabilmek amacıyla Türkiye’deki limanlarda gerçekleşen konteyner ve yük elleçleme miktarlarının öngörüsü yapılmıştır. Konteyner ve yük hacimlerinin öngörüsü, konteyner ve yük akışındaki planlamanın yapılmasını sağlayacak ve böylece işletmelerin hizmet kalitesinin iyileştirilmesine destek olacaktır.

Yöntem: Bu çalışmada Türkiye’deki limanlarda gerçekleşen konteyner ve yük elleçleme miktarının Yapay Sinir Ağları (YSA) Doğrusal Olmayan Dışsal Girdili Otoregresif Ağ (NARX) Modeli ile öngörüsü gerçekleştirilmiştir. Çalışmada iki bağımlı değişken olan konteyner elleçleme ve yük elleçleme miktarı ile ilgili bir öngörüde bulunabilmek için Döviz Sepeti Kuru (USD-EURO), Gayri Safi Yurtiçi Hasıla (GSYH), Tüketici Güven Endeksi, Brent Petrol, İhracat, İthalat ve Sanayi Üretim Endeksi bağımsız değişkenleri kullanılmıştır. Veri seti Ocak 2004-Ekim 2020 dönemine ait aylık verilerden oluşmaktadır.

Bulgular: Konteyner ve yük elleçleme miktarlarının, Temmuz 2020-Aralık 2021 dönemi için 18 aylık öngörü değerleri hesaplanmıştır. Bu öngörü değerlerinden açıklanan ilk 4 ay ile tahmin ve gerçek değer karşılaştırılması yapılmıştır. Ayrıca MAPE, MAE, RMSE ve MAD performans ölçütleri hesaplanmıştır.

Özgünlük: Türkiye limanlarında gerçekleşen konteyner ve yük elleçleme miktarlarının öngörüsü için daha önce kullanılan tahmin tekniklerinden farklı olarak NARX sinir ağları modeli kullanılmıştır.

Anahtar Kelimeler

NARX Sinir Ağları, Konteyner Elleçleme, Yük Elleçleme, Öngörü

FORECASTING CONTAINER AND CARGO HANDLING VOLUMES IN TURKEY'S PORTS WITH NARX NEURAL NETWORKS MODEL

Öz

Purpose: In this study, in order to use the existing equipment more effectively and efficiently, the amount of container and cargo handling realized at the ports in Turkey has been predicted. The forecast of container and cargo volumes will enable the planning of container and cargo flow and thus support the improvement of the service quality of the enterprises.

Methodology: In this study, the amount of container and cargo handling in ports in Turkey is forecasted with Artificial Neural Networks (ANN) Nonlinear External Input Autoregressive Network Model (NARX). In order to forecast the amount of container handling and cargo handling, which are two dependent variables in this study; The Foreign Exchange Basket Rate (USD-EURO), Gross Domestic Product (GDP), Consumer Confidence Index, Brent Oil, Export, Import and Industrial Production Index independent variables are used. Data set includes the monthly data for the period January 2004-October 2020.

Findings: For the period July 2020-December 2021, 18-month forecast values of container and cargo handling quantities are calculated. Forecast and actual value comparisons are made for the first 4 months with announced and predictive values. In addition, MAPE, MAE, RMSE and MAD performance measures are calculated.

Originality: Different from previous forecasting techniques, NARX neural network model is used for the prediction of container and cargo handling quantities in Turkish ports.

Anahtar Kelimeler

NARX Neural Networks, Container Handling, Cargo Handling, Forecasting

Kaynakça

• Abdirassilov, Z. ve Sladkowski, A. (2018). “Application of Artificial Neural Networks for Shortterm Prediction of Container Train Flows in Direction of China–Europe via Kazakhstan”, Transport Problems, 13, 103-113.
• Akar, O. ve Esmer, S. (2015). “Cargo Demand Analysis of Container Terminals in Turkey”, Journal of ETA Maritime Science, 3(2), 117-122.
• Ateş, A. ve Esmer, S. (2014). “Farklı Yöntemler ile Türk Konteyner Limanlarının Verimliliği”, Verimlilik Dergisi, (1), 61-76.
• Ateş, A., Karadeniz, Ş. ve Esmer, S. (2010). “Dünya Konteyner Taşımacılığı Pazarında Türkiye'nin Yeri”, Denizcilik Fakültesi Dergisi, 2(2), 83-98.
• Bal, E.T. ve Çalışır, V. (2018). “Konteyner Elleçleme Için Ekonometrik Tahminleme: Arma Modeli Uygulaması”, OPUS Uluslararası Toplum Araştırmaları Dergisi, 9(16), 2067-2096.
• Barros, C.P. (2003). “Incentive Regulation and Efficiency of Portuguese Port Authorities”, Maritime Economics & Logistics, 5(1), 55-69.
• Bichou, K. (2013). “An Empirical Study of the Impacts of Operating and Market Conditions on Container-Port Efficiency and Benchmarking”, Research in Transportation Economics, 42(1), 28-37.
• Bolzan, A.C., Machado R.A.F. ve Piaia J.C.Z. (2008). “Egg Hatchability Prediction by Multiple Linear Regression and Artificial Neural Networks”, Brazilian Journal of Poultry Science, 10(2), 97-102.
• Boussaada, Z., Curea, O., Remaci, A., Camblong, H. ve Mrabet Bellaaj, N. (2018). “A Nonlinear Autoregressive Exogenous (NARX) Neural Network Model for the Prediction of the Daily Direct Solar Radiation”, Energies, 11(3), 620.
• Chaudhuri, T.D. ve Ghosh, I. (2016). “Artificial Neural Network and Time Series Modeling Based Approach to Forecasting the Exchange Rate in a Multivariate Framework”, Journal of Insurance and Financial Management, 5, 92-123.
• Cheng, B. ve Titterington, D.M. (1994). “Neural Networks: A Review from a Statistical Perspective”, Statistical Science, 2-30.
• Chou, C.C., Chu, C.W. ve Liang, G.S. (2008). “A Modified Regression Model for Forecasting the Volumes of Taiwan’s Import Containers”, Mathematical and Computer Modelling, 47(9-10), 797-807.
• Coto-Millán, P., Baños-Pino, J. ve Castro, J.V. (2005). “Determinants of the Demand for Maritime Imports and Exports”, Transportation Research Part E: Logistics and Transportation Review, 41(4), 357-372.
• Çağlar, A.G.V. ve Oral, E.Z. (2011). “Liman Verimlilik ve Etkinlik Ölçme Yöntemlerinin Analizi”, Kıyı Mühendisliği Sempozyumu, 665-676.
• Çavuşlu, M.A., Becerikli, Y. ve Karakuzu, C. (2012). “Levenberg-Marquardt Algoritması ile YSA Eğitiminin Donanımsal Gerçeklenmesi”, Türkiye Bilişim Vakfı Bilgisayar Bilimleri ve Mühendisliği Dergisi, 5(1).
• Di Piazza, A., Di Piazza, M.C. ve Vitale, G. (2016). “Solar and Wind Forecasting by NARX Neural Networks”, Renewable Energy and Environmental Sustainability, 1, 39.
• Ding, N., Benoit, C., Foggia, G., Bésanger, Y. ve Wurtz, F. (2015). “Neural Network-Based Model Design for Short-Term Load Forecast in Distribution Systems”, IEEE Transactions on Power Systems, 31(1), 72-81.
• Doğan, A. (2019). “Namazgâh Barajına Ait Buharlaşma Miktarının Yapay Sinir Ağı ile Tahmin Edilmesi”, Yüksek Lisans Tezi, Kocaeli Üniversitesi Fen Bilimleri Enstitüsü, Kocaeli.
• Elektronik Veri Dağıtım Sistemi, (2020). “EVDS Veri Tabanı”, https://evds2.tcmb.gov.tr/index.php?/evds/serieMarket, (Erişim tarihi: 20.11.2020).
• Esmer, S. (2009). “Konteyner Terminallerinde Lojistik Süreçlerin Optimizasyonu ve Bir Simülasyon Modeli”, Doktora Tezi, Dokuz Eylül Üniversitesi Sosyal Bilimler Enstitüsü, İzmir.
• Eswari, J.S., Majdoubi, J., Naik, S., Gupta, S., Bit, A., Rahimi-Gorji, M. ve Saleem, A. (2020). “Prediction of Stenosis Behaviour in Artery by Neural Network and Multiple Linear Regressions”, Biomechanics and Modeling in Mechanobiology, 19(5), 1697-1711.
• Fiyadh, S.S., Alsaadi, M.A., Alomar, M.K., Fayaed, S.S. ve El-Shafie, A. (2018). “Arsenic Removal from Water Using N, N-Diethylethanolammonium Chloride Based DES-Functionalized CNTS:(NARX) Neural Network Approach”, Journal of Water Supply: Research and Technology-Aqua, 67(6), 531-542.
• Gosasang, V., Chandraprakaikul, W. ve Kiattisin, S. (2011). “A Comparison of Traditional and Neural Networks Forecasting Techniques for Container Throughput at Bangkok Port”, The Asian Journal of Shipping and Logistics, 27(3), 463-482.
• Güzey, H. (2019). “Bir Liman İşletmesi için Kapasite Yeterlilik Analizi”, Yüksek Lisans Tezi, Bursa Uludağ Üniversitesi Fen Bilimleri Enstitüsü, Bursa.
• Hamzaçebi, C. (2005). “Geleceği Tahminde Yapay Sinir Ağları İçin Sezgisel Öğrenme Algoritması”, Doktora Tezi, Gazi Üniversitesi Fen Bilimleri Enstitüsü, Ankara.
• Hamzaçebi, C. ve Kutay, F. (2004). “Yapay Sinir Ağları ile Türkiye Elektrik Enerjisi Tüketiminin 2010 Yılına Kadar Tahmini”, Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, 19(3), 227-233.
• Kalogirou, S.A. ve Bojic, M. (2000). “Artificial Neural Networks for the Prediction of the Energy Consumption of a Passive Solar Building”, Energy, 25(5), 479-491.
• Kara, A. (2011). “İzmir (Alsancak) Limanı Gelecek Talep Tahmini için Bir Yöntem Önerisi”, Yüksek Lisans Tezi, Dokuz Eylül Üniversitesi Fen Bilimleri Enstitüsü, İzmir.
• Karaatlı, M., Demirci, E. ve Baykaldı, A. (2020). “Ticari Kredi Faiz Oranlarının YSA NARX ve VAR Modelleri ile Öngörülmesi”, İşletme Araştırmaları Dergisi, 12(3), 2327-2343.
• Karahan, M. (2015). “Yapay Sinir Ağları Metodu ile İhracat Miktarlarının Tahmini: ARIMA ve YSA Metodunun Karşılaştırmalı Analizi”, Ege Academic Review, 15(2), 165-172.
• Karataş, Ç. ve Çetin, P.S. (2014). “Liman İnovasyonları ve Bilgi Sistemleri: Türkiye Limanları Üzerine Bir Araştırma”, Girişimcilik ve İnovasyon Yönetimi Dergisi, 3(2), 81-104.
• Konings, J.W. (2008). “The Future of Intermodal Freight Transport: Operations, Design and Policy”, Edward Elgar Publishing.
• Köse, S., Uyar, B.B., Özkök, M. ve Demirel, F.B. (2018). “Trabzon Limanı Elleçleme Ekipmanlarının Yakıt Tüketim Maliyetleri Üzerine Bir Araştırma”, Technological Applied Sciences (NWSATAS), 13(3), 264-271.
• Lahmiri, S. (2014). “Wavelet Low-And High-Frequency Components as Features For Predicting Stock Prices with Backpropagation Neural Networks”, Journal of King Saud University-Computer and Information Sciences, 26(2), 218-227.
• Larose, D.T. (2005). “Discovering Knowledge in Data: An Introduction to Data Mining”, John Wiley and Sons Inc., New Jersey.
• Levenberg, K. (1944). “A Method for the Solution of Certain Non-Linear Problems in Least Squares”, Quarterly of Applied Mathematics, 2(2), 164-168.
• Lewis, C.D. (1982). “Industrial and Business Forecasting Methods”, Butterworths Publishing, Londra.
• Lin, T., Horne, B.G., Tino, P. ve Giles, C.L. (1996). “Learning Long-Term Dependencies in NARX Recurrent Neural Networks”, IEEE Transactions on Neural Networks, 7(6), 1329-1338.
• Maier, H.R. ve Dandy, G.C. (1996). “The Use of Artificial Neural Networks for the Prediction of Water Quality Parameters”, Water Resources Research, 32(4), 1013-1022.
• Marquardt, D.W. (1963). “An Algorithm for Least-Squares Estimation of Nonlinear Parameters”, Journal of the Society for Industrial and Applied Mathematics, 11(2), 431-441.
• Mcculloch, W.S. ve Pitts, W. (1943). “A Logical Calculus of the Ideas Immanent in Nervous Activity”, The Bulletin of Mathematical Biophysics, 5(4), 115-133.
• Milenkovic, M., Milosavljevic, N., Bojovic, N. ve Val, S. (2019). “Container Flow Forecasting through Neural Networks Based on Metaheuristics”, Operational Research, 21, 965-997.
• Öztemel, E. (2003). “Yapay Sinir Ağları”, PapatyaYayıncılık, İstanbul. Panda, C. ve Narasimhan, V. (2007). “Forecasting Exchange Rate Better with Artificial Neural Network”, Journal of Policy Modeling, 29(2), 227-236.
• Pham-Gia, T. ve Hung, T.L. (2001). “The Mean and Median Absolute Deviations”, Mathematical and Computer Modelling, 34(7-8), 921-936.
• Pulido-Calvo, I., Montesinos, P., Roldán, J. ve Ruiz-Navarro, F. (2007). “Linear Regressions and Neural Approaches to Water Demand Forecasting in Irrigation Districts with Telemetry Systems”, Biosystems Engineering, 97(2), 283-293.
• Rosenblatt, F. (1958). “The Perceptron: A Probabilistic Model for Information Storage and Organization in the Brain”, Psychological Review, 65(6), 386.
• Ruiz, L.G.B., Cuéllar, M.P., Calvo-Flores, M.D. ve Jiménez, M.D.C.P. (2016). “An Application of Non-Linear Autoregressive Neural Networks to Predict Energy Consumption in Public Buildings”, Energies, 9(9), 684.
• Rumelhart, D.E., Hinton, G.E. ve Williams, R.J. (1986). “Learning Representations by Back-Propagating Errors”, Nature, 323(6088), 533-536.
• Ruslan, F.A., Zain, Z.M. ve Adnan, R. (2014, March). “Flood Water Level Modeling and Prediction Using NARX Neural Network: Case Study at Kelang River”, 2014 IEEE 10th International Colloquium on Signal Processing and its Applications, 204-207.
• Sert, F. (2014). “Hava Durumunun Yapay Sinir Ağları ile Kestirimi ve Bulanık Mantıkla Sınıflandırılması”, üksek Lisans Tezi, Uludağ Üniversitesi Sosyal Bilimler Enstitüsü, Bursa.
• Siegelmann, H.T., Horne, B.G. ve Giles, C.L. (1997). “Computational Capabilities of Recurrent NARX Neural Networks”, IEEE Transactions on Systems, Man, and Cybernetics, Part B (Cybernetics), 27(2), 208-215.
• Süleyman, K. (2018). “Trabzon Limanı Elleçleme Ekipmanlarının Yakıt Tüketim Maliyetleri Üzerine Bir Araştırma”, Technological Applied Sciences, 13(3), 264-272.
• T. C. Cumhurbaşkanlığı Strateji ve Bütçe Başkanlığı, (2019-2023). “On Birinci Kalkınma Planı”, 1- 209.
• T.C. Ticaret Bakanlığı, (2021). “Bakanlık İstatistikleri”, https://ticaret.gov.tr/data, (Erişim Tarihi: 25.02.2021).
• T.C. Ulaştırma ve Altyapı Bakanlığı, (2020). “Deniz İstatistikleri Veri Tabanı”, https://atlantis.udhb.gov.tr/istatistik/istatistik_filo.aspx, (Erişim tarihi: 20.11.2020).
• T.C. Ulaştırma ve Altyapı Bakanlığı, (2021). “İstatistikler”, https://www.uab.gov.tr, (Erişim Tarihi: 25.02.2021).
• Tatar, V., Özer, M. ve Kartal, A. (2019). “Deniz Taşımacılığı ve Limanların Ekonomik Etkileri: Hopa Limanı Analizi”, Avrasya Sosyal ve Ekonomi Araştırmaları Dergisi, 6(5), 138-150.
• Tatlı, A. ve S. Kahvecioğlu, (2016). “NARX Neural Networks Based Time Series Prediction for Amount of Airworthiness Time”, National Conference on Electrical, Electronics and Biomedical Engineering (ELECO), Bursa, 130-134.
• Trujillo, L. ve Tovar, B. (2007). “The European Port Industry: An Analysis of its Economic Efficiency”, Maritime Economics & Logistics, 9(2), 148-171.
• Tsai, F.M. ve Huang, L.J. (2017). “Using Artificial Neural Networks to Predict Container Flows between the Major Ports of Asia”, International Journal of Production Research, 55(17), 5001-5010. Türkiye İstatistik Kurumu, (2020). “TÜİK Veri Tabanı”, https://www.tuik.gov.tr, (Erişim tarihi: 20.11.2020).
• Valentine, V.F. ve Gray, R. (2001). “The Measurement of Port Efficiency Using Data Envelopment Analysis”, Proceedings of the 9th World Conference on Transport Research, Seoul.
• Wilamowski, B. M. ve Yu, H. (2010). Improved Computation for Levenberg–Marquardt Training, IEEE Transactions on Neural Networks, 21(6), 930-937.
• Yavuz, S. ve Deveci, M. (2012). “İstatiksel Normalizasyon Tekniklerinin Yapay Sinir Ağın Performansına Etkisi”, Erciyes Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 40, 167-187.
• Yu, H. ve Wilamowski, B.M. (2011). “Levenberg-Marquardt Training”, Industrial Electronics Handbook, 5(12), 1.
• Yüksekyıldız, E. (2021). “Entropi ve EATWOS Yöntemleri ile Türkiye Konteyner Limanlarının Verimlilik Analizi”, Verimlilik Dergisi, 2, 3-24.