TÜRKİYE'DEKİ ARAÇ SATIŞLARI İÇİN EKONOMİK VE ÇEVRESEL FAKTÖRLERİ GÖZ ÖNÜNE ALAN YAPAY SİNİR AĞI TABANLI BİR TAHMİN YAKLAŞIMI

Yıl 2015, Cilt: 26 Sayı: 3, 23 - 31, 12.10.2015

Yusuf Kuvvetli , Cansu Dağsuyu , Murat Oturakçı

Öz

Bu çalışmada, çevresel ve ekonomik parametreler dikkate alınarak farklı segment ve markalar için aylık araç satışlarının tahmininin yapılması amaçlanmıştır. Bu amaçla,  ürünlerin segmenti ve markası, geçmiş satış miktarları, taşıt kredileri için faiz oranı, gayrisafi milli hasıla, CO2 emisyonu, yakıt tüketim miktarları ve fiyatı parametreleri girdi olarak seçilmiştir. Bu girdileri kullanarak satış miktarlarını tahmin edecek bir yapay sinir ağı modeli önerilmiştir. Tahminlemede kullanılan veriler üç farklı marka ve her bir markaya ait üç farklı segmentteki araç için 2008-2012 yılları arasındaki aylık satış rakamlarını içermektedir. 
Yapay sinir ağı modeli için ileri beslemeli yapay sinir ağları kullanılmış ve modelin eğitimi için ise Levenberg-Marquadt algoritması seçilmiştir. Yapay sinir ağı sonuçları lineer regresyon modeli ile karşılaştırılmıştır. Yapay sinir ağı modeli ile lineer regresyon modeline göre daha doğru tahminler elde edilmiştir.

Anahtar Kelimeler

Talep tahmini, yapay sinir ağları, çevresel faktörler

A PREDICTION APPROACH BASED ON ARTIFICIAL NEURAL NETWORKS WITH CONSIDERATION OF ENVIRONMENTAL AND ECONOMIC INDICATORS FOR CAR SALES IN TURKEY

Öz

In this study, car sales forecasting for different segments and brands has been aimed considering both environmental and economic indicators. For this purpose, segments and brands of products, past sales quantity, interest rate, gross national product, CO2 emission, fuel consumption and fuel price have been selected as prediction inputs. Using those prediction inputs, artificial neural network model has been recommended to predict car sales.  Dataset which is used for prediction, includes car sales of three different brands and three different segments of each brand between the years of 2008-2012.
For the artificial neural network model, feed neural network model (FFNN) has been applied. Levenberg-Marquadt algorithm has been used for training of the model. Results of artificial neural networks and linear regression have been compared with each other. Ultimately, It has been acquired that artificial neural network model has more accurate prediction results than linear regression model.

Anahtar Kelimeler

Demand forecast, artificial neural networks, environmental factors

Kaynakça

• 1. Alper, E., C., Mumcu, A. 2007. “Interaction between Price, Quality and Country of Origin When Estimating Automobile Demand: The Case of Turkey,” Applied Economics, vol. 39 (14), p. 1789-1796.
• 2. Asilkan, Ö., Irmak, S. 2009. “İkinci El Otomobillerin Gelecekteki Fiyatlarının Yapay Sinir Ağları ile Tahmin Edilmesi,” Süleyman Demirel Üniversitesi İktisadi İdari Bilimler Fakültesi Dergisi, cilt. 14 (2), s. 375-39.
• 3. Atik, K., Deniz, E., Yıldız, E. 2007. “Meteorolojik Verilerin Yapay Sinir Ağları ile Modellenmesi,” KSÜ Fen ve Mühendislik Dergisi, cilt. 10 (1), s. 148-152.
• 4. Barış, İ., Erdamar, M., Sümer, E., Erdem, H. 2002. “Ses İşaretlerinin Yapay Sinir Ağları ile Tanınması ve Kontrol İşlemleri için Kullanılması,” URSI-Türkiye Birinci Ulusal Kongresi, 18-20 Eylül 2002, İstanbul.
• 5. Chisasa, J., Dlamini, W. 2013. “An Empirical Analysis of The Interest Rate-Vehicle Purchase Decision Nexus in South Africa,” International Business & Economics Research Journal, vol. 12 (5).
• 6. Çuhadar, M. 2006. “Turizm Sektöründe Talep Tahmini Için Yapay Sinir Ağları Kullanımı ve Diğer Yöntemlerle Karşılaştırmalı Analizi,” Doktora Tezi, Süleyman Demirel Üniversitesi Sosyal Bilimler Enstitüsü İşletme Anabilim Dalı, Isparta.
• 7. Karaatlı, M., Helvacıoğlu, Ö. C., Ömürbek, N., Tokgöz, G. 2012. “Yapay Sinir Ağları Yöntemi ile Otomobil Satış Tahmini,” Uluslararası Yönetim İktisat ve İşletme Dergisi, cilt. 8 (17), s. 87-100.
• 8. Keleşoğlu, Ö., Fırat, A. 2006. “Tuğla Duvardaki ve Tesisattaki Isı Kaybının Yapay Sinir Ağları İle Belirlenmesi,” Fırat Üniversitesi, Fen ve Mühendislik Bil. Dergisi, sayı 18 (1), s. 133-141.
• 9. Kobu, B. 2010. Üretim Yönetimi, Beta Yayınevi, İstanbul.
• 10. Kumar, C. M., Mittal, M. L. 2012. “Application of Artificial Neural Networks for Sales Forecasting in an Indian Automobile Manufacturing Company,” Advances in Management, vol. 5 (9).
• 11. Sa-ngasoongsong, A., Bukkapatnam, S. T., Kim, J., Iyer, P. S., Suresh, R. P. 2012. “Multi-step Sales Forecasting In Automotive Industry Based On Structural Relationship Identification,” International Journal of Production Economics, vol. 140 (2), p. 875-887.
• 12. Sanayi Genel Müdürlüğü 2013. Sektörel Raporlar ve Analizler Serisi, Otomotiv Sektörü Raporu, 2013: 1.
• 13. Sharma, R., Sinha, A. K. 2012. “Sales Forecast of an Automobile Industry,” International Journal of Computer Applications, vol. 53.
• 14. Üreten, S. 2001. İşlemler Yönetimi, Nobel Yayınevi, Ankara.
• 15. Wang, F. K., Chang, K. K., Tzeng, C. W. 2011. “Using Adaptive Network-Based Fuzzy Inference System To Forecast Automobile Sales,” Expert Systems with Applications, vol. 38 (8), p. 10587-10593.
• 16. Car Emissions. 2014. “Car MPG, CO2 and Emissions Data,” http://www.car-emissions.com, son erişim tarihi: 8 Mart 2014.
• 17. Petrol Ofisi A.Ş. 2014. http://gm.poas.com.tr/POASFIYAT/Fiyatlar.aspx?u=guest, son erişim tarihi: 8 Mart 2014.
• 18. U.S. Department of Energy. 2014. “The official U.S. Government Source for Fuel Economy Information,” http://www.fueleconomy.gov., son erişim tarihi: 8 Mart 2014.
• 19. Türkiye İstatistik Kurumu (TÜİK). 2014. “Kişi başına Gayrisafi Yurt İçi Hasıla,” http://www.tuik.gov.tr., son erişim tarihi: 8 Mart 2014.
• 20. Türkiye Cumhuriyeti Merkez Bankası (TCMB), http://evds.tcmb.gov.tr., son erişim tarihi: 8 Mart 2014.
• 21. Otomobil Distribütörleri Derneği’nden (ODD), www.odd.org.tr, son erişim tarihi: 8 Mart 2014.