İhracat Tutarı Tahminlerinin R ile Modellenmesi ve Model Performanslarının Karşılaştırılması

Year 2025, Volume: 9 Issue: 1, 131 - 145, 30.01.2025

Şengül Can , Mustafa Gerşil

https://doi.org/10.29023/alanyaakademik.1507145

Abstract

İşletmelerin karar alma ve strateji belirleme süreçleri için gelecek tahminleri oldukça önemlidir. Veri tahmini kesinlik içermediği için karmaşık bir süreçtir. Bu nedenle doğruya en yakın değeri tahmin etmek stratejik karar almak için kritik öneme sahiptir. Karar alma sürecine etki eden değişkenlerin belirlenmesi, belirlenen değişkenlerin etkisinin gerçeğe en yakın değerde ölçülmesi başarılı bir tahmin süreciyle gerçekleşmektedir. Başarılı tahmin sürecinde tercih edilen model oldukça belirleyicidir. Bu çalışma ile, stratejik karar almak için önemli bir veri olan ihracat verisi tahmin edilmiştir. Öncelikle ihracatı etkileyen faktörler belirlenmiştir. Tahmin işlemi için veri ambarı oluşturulmuştur. R programında yapay sinir ağı, regresyon ve zaman serisi analizi teknikleriyle tahmin modelleri oluşturulmuştur. İstatistiksel hata terimleri kullanılarak oluşturulan modellerin performansları karşılaştırılmıştır. En başarılı performansı gösteren tekniğin yapay sinir ağı olduğu görülmüştür.

Keywords

İhracat, Veri Tahmini, Tahmin Performansı

Modelling of Export Amount Estimates with R and Comparison of Model Performances

Abstract

Future forecasting is very important for business decision-making and strategy determination processes. Data forecasting is a complex process as it lacks precision. Therefore, estimating the closest value to the truth is critical for strategic decision making. Determining the variables that affect the decision-making process and measuring the effect of the determined variables in the closest value to the truth is performed through a successful forecasting process. The model preferred in the successful forecasting process is quite decisive. In this study, export data, which is an important data for strategic decision making, was estimated. First of all, the factors affecting exports was identified. A data warehouse was created for the forecasting process. Forecasting models were created with artificial neural network, regression and time series analysis techniques in R program. The performances of the models using statistical error terms were compared. It was detected that the artificial neural network was the most successful technique.

Keywords

Export, Data Prediction, Prediction Performance

References

• Aaby, N.E. ve Slater, S.F. (1989). Management influences on export performance: a review of the empirical literature 1978-88. International Marketing Review, 6(4), 7- 23.
• Abrougui, K., Gabsi, K., Mercatoris, B., Khemis, C., Amami, R. ve Chehaibi, S. (2019). Prediction of organic potato yield using tillage systems and soil properties by artificial neural network (ann) and multiple linear regressions (mlr). Soil and Tillage Research, 190, 202-208.
• Aditian, A., Kubota, T. ve Shinohara, Y. (2018). Comparison of gıs-based landslide susceptibility models using frequency ratio, logistic regression, and artificial neural network ın a tertiary region of ambon, ındonesia. Geomorphology, 318, 101-111.
• Akay, H. (2021). Uluslararası ticarette ürün ve fiyat adaptasyonunun ihracat performansına etkisi: konya imalat sanayinde bir uygulama [Yüksek Lisans Tezi]. KTO Karatay Üniversitesi.
• Al-Bayati, O. A. S. (2019). Using artifıcial neural network with comparative analysis of different techniques for the classification of sentiment analysis [Yüksek Lisans Tezi]. Altınbaş Üniversitesi.
• Almahmud, B. (2019). Yapay sinir ağı ve box-jenkins modeli ile yazıcı sarf malzemeler verilerinin tahmini ırak örneği [Yüksek Lisans Tezi]. Süleyman Demirel Üniversitesi.
• Arslan, İ. (2017). R ile istatistiksel programlama. Pusula Yayıncılık.
• Aşıkgil, M. (2012). Conceptual quantity modeling of single span highway bridges by regression, neural networks and case based reasoning methods [Yüksek Lisans Tezi]. ODTÜ.
• Avşar İ.İ. ve Ecemiş O. (2023). Türkiye’nin ithalat ve ihracatının veri madenciliği yöntemleriyle tahmini. Osmaniye Korkut Ata Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 6(3), 1890-1907.
• Bayır, F. (2006). Yapay sinir ağları ve tahmin modellemesi üzerine bir uygulama [Yüksek Lisans Tezi]. İstanbul Üniversitesi.
• Borsa İstanbul (2020). https://www.borsaistanbul.com/tr/sayfa/340/kapanis-seansi (Erişim Tarihi: 15.12.2020)
• Calp M. H. (2017). Yazılım projeleri için yapay zekâ tabanlı risk yönetimi [Doktora Tezi]. Gazi Üniversitesi.
• Calp, M. H. (2019). İşletmeler için personel yemek talep miktarının yapay sinir ağları kullanılarak tahmin edilmesi. Politeknik Dergisi, 22(3), 675-686. https://doi.org/10.2339/politeknik.444380
• Can, Ş. (2022). 'R' programlama dilinde tahmin edici veri madenciliği algoritmalarının modellenmesi ve performanslarının karşılaştırılması [Doktora Tezi]. Manisa Celal Bayar Üniversitesi.
• Can, Ş. ve Gerşil, M. (2018). Manisa pamuk fiyatlarının zaman serisi analizi ve yapay sinir ağı teknikleri ile tahminlenmesi ve tahmin performanslarının karşılaştırılması. Yönetim ve Ekonomi: Celal Bayar Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 25(3), 1017-1031.
• Cansız ÖF., Erginer İ. ve Doğru E. (2021). amerika’da meydana gelen trafik kazalarının yapay sinir ağları ve çok değişkenli regresyon yöntemleriyle tahmini. Osmaniye Korkut Ata Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 4(3), 342-354.
• Cesur, F. ve Kozhan, S. (2020). İmalat sanayisine kısa bir bakış. Sosyal Bilimler Araştırma Dergisi, 9(3), 170-179.
• Co, H.C. ve Boosarawongse, R. (2007). Forecasting thailand rice export: statistical techniques vs. Artificial neural networks. Computers & Industrial Engineering, 53, 610-27.
• Çelik, Ş. ve Köleoğlu, N. (2022). Trend analizi ve yapay sinir ağları: tarımda bir uygulaması. Journal of Awareness, 7(1), 39-46.
• Çınar, U.K. (2018). Yapay sinir ağları ve r programıyla uygulama. https://www.veribilimiokulu.com/yapay-sinir-aglari/ (Erişim Tarihi: 01.01.2022)
• Çınar, U.K. (2019). Zaman serileri: geleneksel yöntemler ile yapay sinir ağlarının karşılaştırılması https://www.veribilimiokulu.com/zaman-serileri-geleneksel-yontemler-ile-yapay-sinir-aglarinin-karsilastirilmasi/ (Erişim Tarihi: 01.01.2022).
• Çoban, F. ve Demir, L. (2021). Yapay sinir ağları ve destek vektör regresyonu ile talep tahmini: gıda işletmesinde bir uygulama. Dokuz Eylül Üniversitesi Mühendislik Fakültesi Fen ve Mühendislik Dergisi, 23(67), 327-338. https://doi.org/10.21205/deufmd.2021236729
• Çot, E. (2019). Yapay sinir ağı tekniği kullanılarak polipropilen bcf ipliklerinin uzama, mukavemet ve kıvrımlılık değerlerinin tahminlemesi: tekstil sektöründe bir uygulama [Yüksek Lisans Tezi]. Osmaniye Korkut Ata Üniversitesi.
• Deliçay, M. (2015). Dünyada ve Türkiye’de dış ticareti kolaylaştırmaya yönelik ulusal koordinasyon çalışmaları. Kalkınma Bakanlığı, İktisadi Sektörler ve Koordinasyon Genel Müdürlüğü. https://kutuphane.sbb.gov.tr/vufind/Record/63898?sid=10983
• Hawley, D. D., Johnson, J. D. ve Raina, D. (1990). Artificial neural systems: a new tool for financial decision-making. Financial Analysts Journal, 46(6), 63-72.
• Doğan, O. (2012). Talep tahmininde sinirsel ağ tabanlı bulanık mantık yöntemi (anfis) kullanımı ve yalın yapay sinir ağı metodu ile karşılaştırmalı bir uygulama [Doktora Tezi]. Dokuz Eylül Üniversitesi.
• Durgun, A. ve Çapik, E. (2018). Ar-ge harcamaları ve yüksek teknolojili ürün ihracatının büyümeye etkisi: türkiye örneği. Yönetim ve Ekonomi Araştırmaları Dergisi, 16(4), 301-314.
• Düzgün, R. ve Taşçı, H.M. (2014). Türk işletmelerinin ihracat performansını belirleyen faktörler: iso-500 üzerine bir uygulama. Eskişehir Osmangazi Üniversitesi İktisadi ve İdari Bilimler Dergisi, 9(3), 7-24.
• Emeksiz Dündar, A. (2021). İhracat pazarlama stratejisinin ihracat performansı üzerindeki etkisi: Almanya’ya otomotiv ihracatı örneği [Yüksek Lisans Tezi]. TOBB Ekonomi ve Teknoloji Üniversitesi.
• Gandomi H. A. ve Roke D. A. (2015). Assessment of artificial neural network and genetic programming as predictive tools. Advances in Engineering Software, 88, 63-72.
• Genceli, M. (1990). Durbin-watson testinin irdelenmesi. İstanbul Üniversitesi Maliye Araştırma Merkezi Konferansları Dergisi, 33.
• Gökçe, A. S. ve Evren, A. (2022, Mart). Çoklu bağıntı ve rı̇dge, lı̇u, zaman serı̇sı̇ kestı̇rı̇cı̇sı̇yle türkı̇ye’nı̇n ihracat modelı̇ içı̇n bı̇r uygulama. B. Bayram (Başkan). 13. Uluslararası Bilimsel Araştırmalar Kongresi, Ankara.
• Gündoğdu, S. (2021). Osteoporoza bağlı kifozlu hastalara uygulanan egzersizlerin oluşturduğu denge değişikliklerine ilişkin veriler kullanılarak yapay sinir ağlarının diğer sınıflandırma algoritmalarıyla karşılaştırılması. Iğdır Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 11(4), 2660-2672.
• Gür, Y.E. ve Eşidir, K.A. (2024). Türkiye alabalık ihracatının arima ve multilayer perceptron modelleri ile tahmini. Turkish Studies - Economy, 19(1), 187-206. https://dx.doi.org/10.7827/TurkishStudies.70444
• Gür, Y. E., Eşidir, K. A. ve Kaldırımcı, Ş. G. (2024). Makine öğrenimi ile binek otomobil ihracat tahmini: mlp ve rbf modeli kullanımı [Özel Sayı]. Kocatepe İİBFD, 26, 17-34. https://doi.org/10.33707/akuiibfd.1426338
• Han, G., Sönmez, E.F., Avcı, S. ve Aladağ, Z. (2022). Uygun normalizasyon tekniği ve yapay sinir ağları analizi ile otomobil satış tahminlemesi. İşletme Ekonomi ve Yönetim Araştırmaları Dergisi, 5(1), 19-45.
• Hassanipour, S., Ghaem, H., Arab-Zozani, M., Seif, M., Fararouei, M., Abdzadeh, E., Sabetian, G. ve Paydar, S. (2019). Comparison of artificial neural network and logistic regression models for prediction of outcomes in trauma patients: a systematic review and meta-analysis. Injury, 50(2), 244-250.
• Hosseinzadeh, A., Baziar, M., Alidadi, H., Zhou, J. L., Altaee, A., Najafpoor, A. A., ve Jafarpour, S. (2020). Application of artificial neural network and multiple linear regression in modeling nutrient recovery in vermicompost under different conditions. Bioresource Technology, 303, 1-8.
• Hultman, M., Robson, M. J. ve Katsikeas, C. S. (2009). Export product strategy fit and performance: an empirical ınvestigation. Journal of International Marketing, 17(4), 1–23.
• Jain, A. K., Mao, J. ve Mohiuddin, K. M. (1996). Artificial neural networks: a tutorial. Computer, 3, 31-44.
• Karaçor, A. G. (2017). Artificial neural network based decisive prediction models on high frequency financial data [Doktora Tezi]. Atılım Üniversitesi.
• Karahan, M. (2011). İstatistiksel tahmin yöntemleri: yapay sinir ağları metodu ile ürün talep tahmini uygulaması [Doktora Tezi]. Selçuk Üniversitesi.
• Karahan, M. (2015). Yapay sinir ağları metodu ile ihracat miktarlarının tahmini: arıma ve ysa metodunun karşılaştırmalı analizi. Ege Akademik Bakış, 15(2), 165-172.
• Kavuncuoğlu, H., Kavuncuoglu, E., Karatas, S. M., Benli, B., Sagdic, O. ve Yalcin, H. (2018). Prediction of the antimicrobial activity of walnut (juglans regia l.) Kernel aqueous extracts using artificial neural network and multiple linear regression. Journal of Microbiological Methods, 148, 78-86. https://doi.org/10.1016/j.mimet.2018.04.003
• Kayakuş, M. ve Terzioğlu, M. (2021). Yapay sinir ağları ve çoklu doğrusal regresyon kullanarak emeklilik fonu net varlık değerlerinin tahmin edilmesi. Bilişim Teknolojileri Dergisi, 14(1), 95-103
• Keskin, L. (2020). Yağış – akış ilişkisinin yapay sinir ağları ve otoregresif hareketli ortalamalar modelleri ile tahmini. [Yüksek Lisans Tezi]. İskenderun Teknik Üniversitesi.
• Khosravi, A., Koury, R.N.N., Machado, L. ve Pabon, J.J.G. (2018). Prediction of wind speed and wind direction using artificial neural network, support vector regression and adaptive neuro-fuzzy inference system. Sustainable Energy Technologies and Assessments, 25, 146-160.
• Koç, E., Şenel, M. C. ve Kaya, K. (2017). Türkiye’de ekonomik göstergeler - imalat sanayi kapasite kullanım oranı. Mühendis ve Makine, 58(689), 1-22.
• Mohammadi, F., Pourzamani, H., Karimi, H., Mohammadi, M., Mohammadi, M., Ardalan, N., Khoshravesh, R. Pooresmaeil, H., Shahabi, S., Sabahi, M., Miryonesi, F. S., Nafaji, M., Yavari, Z., Mohammadi, F., Teiri, H. ve Jannati, M. (2021). Artificial neural network and logistic regression modelling to characterize covıd-19 ınfected patients in local areas of Iran. Biomedical Journal, 44(3), 304- 316.
• Nhu, V. H., Shirzadi, A., Shahabi, H., Singh, S. K., Al-Ansari, N., Clague, J. J., Jaafari, A., Chen, W., Miraki, S., Dou, J., Luu, C., Górski, K., Pham, B.T., Nguyen, H. D. ve Ahmad, B. B. (2020). Shallow landslide susceptibility mapping: a comparison between logistic model tree, logistic regression, naïve bayes tree, artificial neural network, and support vector machine algorithms. International Journal Of Environmental Research And Public Health, 17(8), 2749.
• Özçalıcı, M. ve Ayrıçay, Y. (2016). Bilgi işlemsel zekâ yöntemleri ile hisse senedi fiyat tahmini: bist uygulaması. Pamukkale Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, Ek(1), 274-298.
• Özkan, Y., Sarer-Yürekli, B. ve Suner, A. (2021). Diyabet tanısının tahminlenmesinde denetimli makine öğrenme algoritmalarının performans karşılaştırması. Gümüşhane Üniversitesi Fen Bilimleri Dergisi, 12(1), 211-226.
• Özmen-Akyol, S. (2022). Estimating breast cancer class using artificial neural network and logistic regression methods. Estudam Bilişim Dergisi, 3(1), 26-31.
• Öztemel E. (2003). Yapay sinir ağları 1. Baskı. Papatya Yayıncılık.
• Öztemiz, H. (2021). Türkiye ihracat birim değer endeksi ve ihracat miktar endeksinin markov süreçleri ile uzun dönem analizi. Gümrük ve Ticaret Dergisi, 8(25), 50-61.
• Polat, Ö. (2009). Türkiye’nin dış ticaret verilerinin öngösüründe yapay sinir ağları ve box-jenkins modellerinin karşılaştırmalı analizi [Doktora Tezi]. Atatürk Üniversitesi.
• Polykretis, C. ve Chalkias, C. (2018). Comparison and evaluation of landslide susceptibility maps obtained from weight of evidence, logistic regression, and artificial neural network models. Natural Hazards, 93(1), 249-274.
• Saygılıoğlu Erdoğan, A. (2016). Türkiye’nin ihracatını etkileyen faktörler: çoklu regresyon analizi. Sosyal Bilimler Araştırma Dergisi, 5(2): 1-8.
• Sezgin, E. ve Çelik, Y. (2013, Ocak). Veri madenciliğinde kayıp veriler için kullanılan yöntemlerin karşılaştırılması. M. Akgül (Başkan), Akademik Bilişim Konferansı, Akdeniz Üniversitesi, Antalya.
• Shams, S. R., Jahani, A., Moeinaddini, M. ve Khorasani, N. (2020). Air carbon monoxide forecasting using an artificial neural network in comparison with multiple regression. Modeling Earth Systems and Environment, 6(3), 1467-1475.
• Solmaz, A.H., Tiren, Y. ve Özkaya, U. (2021, Kasım). Kalp hastalıklarının tahmin edilmesi karşılaştırmalı analiz. 1st International Conference on Applied Engineering and Natural Sciences. Konya.
• Sousa, C.M.P., Martínez-Lopez, F.J. ve Coelho, F. (2008). The determinants of export ve f. Coelho: performance: a review of the research in the literature between 1998 and 2005. International Journal of Management Reviews, 10(4), 343–374.
• Sönmez, O. ve Zengin, K. (2019). Yiyecek ve içecek işletmelerinde talep tahmini: yapay sinir ağları ve regresyon yöntemleriyle bir karşılaştırma [Özel Sayı]. European Journal of Science and Technology, 302-308.
• Sözgen, B. (2009). Neural network and regression models to decide whether or not to bid for a tender in offshore petroleum platform fabrication industry [Yüksek Lisans Tezi]. ODTÜ.
• Subaşı, A. ve Erdem, K. (2021). Hibrit nanoakışkanların özgül ısılarının yapay sinir ağları ile tahmin edilmesi. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, 37(1), 377-388.
• Suzuki, K. (2011). Artifıcial neural networks - methodological advances and biomedical applications. Published by InTech.
• Şahin, Y. ve Yalçınkaya, S. (2021). Bazı polimerlerin tribolojik davranışlarının tahmini analizi. Güven-Plus Grup A.Ş Yayınlar.
• Tabar, M.E., Başara, A.C. ve Şişman, Y. (2021). Çoklu regresyon ve yapay sinir ağları ile tokat ilinde konut değerleme çalışması. Türkiye Arazi Yönetimi Dergisi, 3(1), 01-07.
• TCMB (2020). https://www.tcmb.gov.tr/wps/wcm/connect/tr/tcmb+tr/main+menu/istatistikler (Erişim Tarihi: 20.12.2020)
• Tipi, İ. (2019). Rekabetçi bir yaklaşımla ihracat performansını etkileyen faktörlerin belirlenmesi ıso-500 üzerine uygulamalı bir araştırma [Yüksek Lisans Tezi]. Marmara Üniversitesi.
• TUİK (2020). https://data.tuik.gov.tr/Bulten/Index?p=Dis-Ticaret-Istatistikleri-Ekim-2023-49628 (Erişim Tarihi: 20.12.2020)
• Turaç, A. (2020). Yapay sinir ağları ile tahminleme: Türkiye’nin ihracatının tahmini üzerine bir uygulama [Yüksek Lisans Tezi]. Gebze Teknik Üniversitesi.
• Ünvan, A. Y. ve Ergenç, C. (2022). Forecasting bıst 100 ındex with artificial neural networks and regression analysis. BILTURK, The Journal of Economics and Related Studies, 4(1), 20-32.
• Vural, Y. (2008). Kredi kartı için yapay sinir ağları (ysa) uygulaması [Yüksek Lisans Tezi]. Haliç Üniversitesi.
• Yakut, E. (2012). Veri madenciliği tekniklerinden c5.0 algoritması ve destek vektör makineleri ile yapay sinir ağlarının sınıflandırma başarılarının karşılaştırılması: imalat sektöründe bir uygulama [Doktora Tezi]. Atatürk Üniversitesi.
• Yaman Selçi B. ve Akgül Y. (2020), Türkiye’nin ihracat değerlerinin yapay sinir ağları ile tahmini üzerine bir inceleme, Nicel Bilimler Dergisi, 2(2), 29-42.
• Yasin, M.G. (2013). Turkey’s short term hourly electricity demand forecasting using artificial neural network [Yüksek Lisans Tezi]. Bahçeşehir Üniversitesi.
• Yörübulut, S., Dogan, O., Erdugan, F. ve Yörübulut, S. (2020). Tahribatsız yöntem verileri kullanılarak yapay sinir ağı ve regresyon yöntemi ile beton basınç dayanımının tahmin edilmesi. International Journal of Engineering Research and Development, 12(2), 769-776.
• Yücel, A. (2006). İhracat pazarlaması stratejilerinin firma performansı üzerine etkileri hazır giyim firmaları üzerine bir uygulama [Doktora Tezi]. Ankara Üniversitesi.
• Zhang, D., Lin, J., Peng, Q., Wang, D., Yang, T., Sorooshian, S., Liu, X. ve Zhuang, J. (2018). Modeling and simulating of reservoir operation using the artificial neural network, support vector regression, deep learning algorithm. Journal of Hydrology, 565, 720-736.
• Zhang, T., Liu, Y., Rao, Y., Li, X. ve Zhao, Q. (2020). Optimal design of building environment with hybrid genetic algorithm, artificial neural network, multivariate regression analysis and fuzzy logic controller. Building and Environment, 175, 106810.
• Zilouchian, A. (2001). Fundamentals of neural networks. Intelligent control systems using soft computing methodologies. CRC Press.
• Zou, S. ve Stan, S. (1998). The determinants of export performance: a review of the empirical literature between 1987 and 1997. International Marketing Review, 15(5), 333-356.