Türkiye’deki Hafif Ticari Araç Satışlarının Makine Öğrenmesi Yöntemleriyle Tahmin Edilmesi

Yıl 2023, Cilt: 9 Sayı: 4, 100 - 112, 31.12.2023

Mehmet Kayakuş , Mustafa Terzioğlu , Ayten Yağmur , Dilşad Erdoğan

Öz

Kamyonet, pikap, panelvan, minibüs gibi hafif ticari araçlar, özellikle ticaret ve hizmet sektörlerinde büyük miktarlarda kullanılan bir araç sınıfıdır. Bu sınıftaki araçlara yönelik talepteki değişimler, ülkelerin ekonomik canlılığının da bir göstergesi olarak algılanmaktadır. Bu çalışmada, makroekonomik bir gösterge olarak kabul edilen hafif ticari araç satış ve ithalatının tahmin edilmesinin, genel ekonomik göstergelerin değerlendirilmesine katkı sağlayacağı ve bu pazarda faaliyet gösteren otomotiv firmaları için mikro bakış açısıyla etkin kurumsal kaynak planlaması ve kaynakların verimli kullanılması açısından faydalı olacağı düşünülmektedir. Bu çalışmada tasarlanan satış tahmin modeli, literatürdeki önceki çalışmaların analiz edilmesi ve hafif ticari araç satışlarını etkileyebileceği düşünülen makroekonomik değişkenlerin modele dahil edilmesi ile oluşturulmuştur. Bu çalışmada tasarlanan satış tahmin modeli, literatürdeki önceki çalışmalar analiz edilerek ve hafif ticari araç satışlarını etkileyebileceği düşünülen makroekonomik değişkenler modele dahil edilerek oluşturulmuştur. Modelin tahmin başarısını ölçmek için yapay sinir ağı (YSA), çoklu doğrusal regresyon (MLR) ve karar ağacı regresyonu (DTR) olmak üzere üç makine öğrenmesi yöntemi kullanıldı. Çalışma sonucunda R2 değeri YSA için %94,6, ÇDR için %64,1 ve DTR için %82,2 olarak bulunmuştur. Elde edilen sonuçlara göre, Türkiye'deki hafif ticari araç satışlarının tahmini için tasarlanan modelin YSA yöntemi ile oldukça başarılı tahminler gerçekleştirdiği sonucuna varılmıştır.

Anahtar Kelimeler

Hafif ticari araç, taşıt talep tahmini, ekonomi, Türkiye, makine öğrenmesi

Forecasting Light Commercial Vehicle Sales in Turkey by Machine Learning Methods

Öz

Light commercial vehicles such as vans, pick-up trucks, panel vans, and minibuses are a class of vehicles used in large quantities, especially in the trade and service sectors. Changes in demand for this class of vehicles are also perceived as an indicator of the economic vitality of countries. In this study, it is thought that forecasting the sales and imports of light commercial vehicles, which is accepted as a macroeconomic indicator, will contribute to the evaluation of general economic indicators and will be useful for automotive companies operating in this market in terms of effective corporate resource planning and efficient use of resources from a micro perspective. The sales forecasting model designed in this study was created by analysing previous studies in the literature and including macroeconomic variables that are thought to affect light commercial vehicle sales in the model. The sales forecasting model designed in this study is constructed by analysing previous studies in the literature and including macroeconomic variables that are thought to affect light commercial vehicle sales in the model. Three machine learning methods, namely artificial neural network (ANN), multiple linear regression (MLR) and decision tree regression (DTR), were used to measure the forecasting success of the model. As a result of the study, the R2 value was found to be 94.6% for ANN, 64.1% for LVDR, and 82.2% for DTR. According to the results obtained, it is concluded that the model designed for the prediction of light commercial vehicle sales in Turkey performs very successful predictions with ANN method

Anahtar Kelimeler

Light commercial vehicle, vehicle demand forecast, economy, Turkey, machine learning

Kaynakça

• [1] A. G. Ö. Görener, "Türk otomotiv sektörünün ülke ekonomisine katkıları ve geleceğe yönelik sektörel beklentiler," Yaşar Üniversitesi E-Dergisi, vol. 3, no. 10, pp. 1213-1232, 2008.
• [2] S. Yılmaz, K. Taştan, N. Ecek, ve E. Çınar, "Otomotiv sektörünün dünyadaki ve Türkiye’deki değişimi," Ordu Üniversitesi Sosyal Bilimler Enstitüsü Sosyal Bilimler Araştırmaları Dergisi, vol. 7, no. 3, pp. 685-695, 2017.
• [3] O. Başkol, "Türk otomotiv sektörünün uluslararası rekabet gücü (1996-2010)," Paradoks Ekonomi Sosyoloji ve Politika Dergisi, vol. 7, no. 2, pp. 63-78, 2011.
• [4] T.C. Sanayi ve Teknoloji Bakanlığı, "Otomotiv sektör raporu," [Online]. Available: https://www.sanayi.gov.tr/assets/pdf/plan-program/OtomotivSektorRaporu2020.pdf [Accessed: December. 12, 2023].
• [5] M. H. Eken ve M. Çiçek, "Türkiye’de otomotiv sektöründeki ürünlerin kredilerle finansmanının satışlara etkisi," Maliye ve Finans Yazıları, vol. 1, no. 84, pp. 61-77, 2009.
• [6] S. Kaynak ve Y. O. Ari, "Türk otomotiv sektöründe yoğunlaşma: binek ve hafif ticari araçlar üzerine bir uygulama," Ekonomik Yaklaşım, vol. 22, no. 80, pp. 39-58, 2011.
• [7] T. Efendigil ve Ö. E. Eminler, "Havacılık sektöründe talep tahminin önemi: Yolcu talebi üzerine bir tahmin modeli," Yaşar Üniversitesi E-Dergisi, vol. 12, pp. 14-30, 2017.
• [8] M. Soysal ve M. Ömürgönülşen, "Türk turizm sektöründe talep tahmini üzerine bir uygulama," Anatolia: Turizm Araştırmaları Dergisi, vol. 21, no. 1, pp. 128-136, 2010.
• [9] M. Karaatlı, Ö. C. Helvacıoğlu, N. Ömürbek ve G. Tokgöz, "Yapay sinir ağları yöntemi ile otomobil satış tahmini," Uluslararası Yönetim İktisat ve İşletme Dergisi, vol. 8, no. 17, pp. 87-100, 2012. Doi: 10.11122/ijmeb.2012.8.17.290
• [10] İ. Z. Akyurt, "Talep tahmininin yapay sinir ağlarıyla modellenmesi: Yerli otomobil örneği," Ekonometri ve İstatistik Dergisi, no. 23, pp. 147-157, 2015.
• [11] C. E. Alper ve A. Mumcu-Serdar, "Türkiye’de otomobil talebinin tahmini," Ekonomi ve Ekonometri Merkezi, Boğaziçi Üniversitesi, 2000.
• [12] F. K. Wang, K. K. Chang, and C. W. Tzeng, "Using adaptive network-based fuzzy inference system to forecast automobile sales," Expert Systems with Applications, vol. 38, no. 8, pp. 10587-10593, 2011. Doi: 10.1016/j.eswa.2011.02.100
• [13] Y. Kuvvetli, C. Dağsuyu, ve M. Oturakci, "Türkiye'deki araç satışları için ekonomik ve çevresel faktörleri göz önüne alan yapay sinir ağı tabanlı bir tahmin yaklaşımı," Endüstri Mühendisliği, vol. 26, no. 3, pp. 23-31, 2015.
• [14] P. F. Pai and C. H. Liu, "Predicting vehicle sales by sentiment analysis of Twitter data and stock market values," IEEE Access, vol. 6, pp. 57655-57662, 2018. Doi: 10.1109/ACCESS.2018.2873730 [15] S. Arslankaya and V. Öz, "Time series analysis of sales quantity in an automotive company and estimation by artificial neural networks," Sakarya Üniversitesi Fen Bilimleri Enstitüsü Dergisi, vol. 22, no. 5, pp. 1482-1492, 2018. Doi: 10.16984/saufenbilder.456518
• [16] S. Haykin, “Neural networks and learning machines”, 3/E. Pearson Education India, 2009.
• [17] M. Kayakuş and K. K. Çevik, "Estimation the number of visitors of e-commerce website by artificial neural networks during covid19 in turkey," Electronic Turkish Studies, vol. 15, no. 4, pp. 615-631, 2020.
• [18] F. Recknagel, M. French, P. Harkonen, and K.-I. Yabunaka, "Artificial neural network approach for modelling and prediction of algal blooms," Ecological Modelling, vol. 96, no. 1-3, pp. 11-28, 1997. Doi: 10.1016/S0304-3800(96)00049-X
• [19] B. Karlik and A. V. Olgac, "Performance analysis of various activation functions in generalized MLP architectures of neural networks," International Journal of Artificial Intelligence and Expert Systems, vol. 1, no. 4, pp. 111-122, 2011.
• [20] G. Bandyopadhyay and S. Chattopadhyay, "Single hidden layer artificial neural network models versus multiple linear regression model in forecasting the time series of total ozone," International Journal of Environmental Science & Technology, vol. 4, pp. 141-149, 2007. Doi: 10.1007/BF03325972
• [21] S. B. Maind and P. Wankar, "Research paper on basic of artificial neural network," International Journal on Recent and Innovation Trends in Computing and Communication, vol. 2, no. 1, pp. 96-100, 2014.
• [22] S. Herzog, C. Tetzlaff, and F. Wörgötter, "Evolving artificial neural networks with feedback," Neural Networks, vol. 123, pp. 153-162, 2020. Doi: 10.1016/j.neunet.2019.12.004
• [23] C. Vidal et al., "Hybrid energy storage system state-of-charge estimation using artificial neural network for micro-hybrid applications," IEEE Transportation Electrification Conference and Expo (ITEC), 2018: IEEE, pp. 1075-1081. Doi: 10.1109/ITEC.2018.8450251
• [24] S. Cavalieri, P. Maccarrone, and R. Pinto, "Parametric vs. neural network models for the estimation of production costs: A case study in the automotive industry," International Journal of Production Economics, vol. 91, no. 2, pp. 165-177, 2004. Doi: 10.1016/j.ijpe.2003.08.005
• [25] L. E. Eberly, "Multiple linear regression," Topics in Biostatistics, pp. 165-187, 2007. Doi: 10.1007/978-1-59745-530-5_9
• [26] M. Kayakuş, D. Erdoğan, and M. Terzioğlu, "Predicting the share of tourism revenues in total exports," Alphanumeric Journal, vol. 11, no. 1, pp. 17-30, 2023. Doi: 10.17093/alphanumeric.1212189
• [27] M. Tranmer and M. Elliot, "Multiple linear regression," The Cathie Marsh Centre for Census and Survey Research (CCSR), vol. 5, no. 5, pp. 1-5, 2008.
• [28] S. Kılıç, "Doğrusal regresyon analizi," Journal of Mood Disorders, vol. 3, no. 2, pp. 90-92, 2013.
• [29] M. Kayakus, B. Tutcu, M. Terzioglu, H. Talaş, and G. F. Ünal Uyar, "ROA and ROE forecasting in iron and steel industry using machine learning techniques for sustainable profitability," Sustainability, vol. 15, no. 9, p. 7389, 2023. Doi: 10.3390/su15097389
• [30] X. Yan and X. Su, “Linear regression analysis: theory and computing”. World scientific, 2009. Doi: 10.1142/6986
• [31] W. Y. Loh, "Classification and regression trees," Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery, vol. 1, no. 1, pp. 14-23, 2011. Doi: 10.1002/widm.8
• [32] M. Kayakuş and F. Y. Açıkgöz, "Classification of News Texts by Categories Using Machine Learning Methods," Alphanumeric Journal, vol. 10, no. 2, pp. 155-166, 2022. Doi: 10.17093/alphanumeric.1149753
• [33] P. Perner, U. Zscherpel, and C. Jacobsen, "A comparison between neural networks and decision trees based on data from industrial radiographic testing," Pattern Recognition Letters, vol. 22, no. 1, pp. 47-54, 2001. Doi: 10.1016/S0167-8655(00)00098-2
• [34] M. Kayakuş and F. Yiğit Açıkgöz, "Twitter'da makine öğrenmesi yöntemleriyle sahte haber tespiti," Abant Sosyal Bilimler Dergisi, vol. 23, no. 2, pp. 1017-1027, 2023. Doi: 10.11616/asbi.1266179
• [35] G. K. Tso and K. K. Yau, "Predicting electricity energy consumption: A comparison of regression analysis, decision tree and neural networks," Energy, vol. 32, no. 9, pp. 1761-1768, 2007. Doi: 10.1016/j.energy.2006.11.010
• [36] M. Xu, P. Watanachaturaporn, P. K. Varshney, and M. K. Arora, "Decision tree regression for soft classification of remote sensing data," Remote Sensing of Environment, vol. 97, no. 3, pp. 322-336, 2005. Doi: 10.1016/j.rse.2005.05.008
• [37] L. Breiman, J. H. Friedman, R. A. Olshen, and C. J. Stone, “Classification and regression trees”, Routledge, 2017. Doi: 10.1201/9781315139470
• [38] G. Hughes, "On the mean accuracy of statistical pattern recognizers," IEEE Transactions on Information Theory, vol. 14, no. 1, pp. 55-63, 1968. Doi: 10.1109/TIT.1968.1054102
• [39] C. Kingsford and S. L. Salzberg, "What are decision trees?," Nature Biotechnology, vol. 26, no. 9, pp. 1011-1013, 2008. Doi: 10.1038/nbt0908-1011
• [40] J. Elith, J. R. Leathwick, and T. Hastie, "A working guide to boosted regression trees," Journal of Animal Ecology, vol. 77, no. 4, pp. 802-813, 2008. Doi: 10.1111/j.1365-2656.2008.01390.x
• [41] W.-Y. Loh and Y.-S. Shih, "Split selection methods for classification trees," Statistica Sinica, pp. 815-840, 1997.
• [42] E. Pekel, "Estimation of soil moisture using decision tree regression," Theoretical and Applied Climatology, vol. 139, no. 3, pp. 1111-1119, 2020. Doi: 10.1007/s00704-019-03048-8
• [43] B. M. Moret, "Decision trees and diagrams," ACM Computing Surveys (CSUR), vol. 14, no. 4, pp. 593-623, 1982. Doi: 10.1145/356893.356898
• [44] J. R. Quinlan, C4. 5: Programs for machine learning. Elsevier, 2014.
• [45] A. Günel, "Regresyon denkleminin başarısını ölçmede kullanılan belirleme katsayısı ve kritiği," Doğuş Üniversitesi Dergisi, vol. 4, no. 2, pp. 133-140, 2003. Doi: 10.31671/dogus.2019.313
• [46] D. J. Ozer, "Correlation and the coefficient of determination," Psychological Nulletin, vol. 97, no. 2, p. 307, 1985. Doi: 10.1037/0033-2909.97.2.307
• [47] N. J. Nagelkerke, "A note on a general definition of the coefficient of determination," Biometrika, vol. 78, no. 3, pp. 691-692, 1991. Doi: 10.1093/biomet/78.3.691
• [48] O. Renaud and M.-P. Victoria-Feser, "A robust coefficient of determination for regression," Journal of Statistical Planning and Inference, vol. 140, no. 7, pp. 1852-1862, 2010. Doi: 10.1016/j.jspi.2010.01.008
• [49] C. J. Willmott and K. Matsuura, "Advantages of the mean absolute error (MAE) over the root mean square error (RMSE) in assessing average model performance," Climate Research, vol. 30, no. 1, pp. 79-82, 2005. Doi: 10.3354/cr030079
• [50] T. Chai and R. R. Draxler, "Root mean square error (RMSE) or mean absolute error (MAE)," Geoscientific Model Development Discussions, vol. 7, no. 1, pp. 1525-1534, 2014. Doi: 10.5194/gmdd-7-1525-2014
• [51] M. Şahan, "Yapay sinir ağları ve Angström-Prescott denklemleri kullanılarak Gaziantep, Antakya ve Kahramanmaraş için global güneş radyasyonu tahmini," Süleyman Demirel Üniversitesi Fen Edebiyat Fakültesi Fen Dergisi, vol. 16, no. 2, pp. 368-384, 2021. Doi: 10.29233/sdufeffd.953182
• [52] M. Kayakuş, "Yazılım çaba tahmininde yapay sinir ağları için optimum yapının belirlenmesi," Avrupa Bilim ve Teknoloji Dergisi, no. 22, pp. 43-48, 2021. Doi: 10.31590/ejosat.847712
• [53] A. De Myttenaere, B. Golden, B. Le Grand, and F. Rossi, "Mean absolute percentage error for regression models," Neurocomputing, vol. 192, pp. 38-48, 2016. Doi: 10.1016/j.neucom.2015.12.114
• [54] F. Liantoni and A. Agusti, "Forecasting bitcoin using double exponential smoothing method based on mean absolute percentage error," JOIV: International Journal on Informatics Visualization, vol. 4, no. 2, pp. 91-95, 2020. Doi: 10.30630/joiv.4.2.335
• [55] J. McKenzie, "Mean absolute percentage error and bias in economic forecasting," Economics Letters, vol. 113, no. 3, pp. 259-262, 2011. Doi: 10.1016/j.econlet.2011.08.010
• [56] E. Karadağ, "Eğitim bilimleri doktora tezlerinde kullanılan araştırma modelleri: Nitelik düzeyleri ve analitik hata tipleri," Kuram ve Uygulamada Eğitim Yönetimi, vol. 1, no. 1, pp. 49-71, 2010.
• [57] A. Oğuzlar, "Veri ön işleme," Erciyes Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, no. 21, pp. 67-76, 2003.
• [58] F. Arslan ve H. T. Kahraman, "Yapay zekâ tabanlı büyük veri yönetim aracı," Journal of Investigations on Engineering and Technology, vol. 2, no. 1, pp. 8-21, 2019.
• [59] P. J. M. Ali, R. H. Faraj, E. Koya, P. J. M. Ali, and R. H. Faraj, "Data normalization and standardization: a technical report," Mach Learn Tech Rep, vol. 1, no. 1, pp. 1-6, 2014.
• [60] Y. Gültepe, "Makine öğrenmesi algoritmaları ile hava kirliliği tahmini üzerine karşılaştırmalı bir değerlendirme," Avrupa Bilim ve Teknoloji Dergisi, no. 16, pp. 8-15, 2019. Doi: 10.31590/ejosat.530347
• [61] S. Yavuz ve M. Deveci, "İstatiksel normalizasyon tekniklerinin yapay sinir ağın performansına etkisi," Erciyes Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, no. 40, pp. 167-187, 2012.
• [62] D. Singh and B. Singh, "Investigating the impact of data normalization on classification performance," Applied Soft Computing, vol. 97, p. 105524, 2020. Doi: 10.1016/j.asoc.2019.105524
• [63] L. Munkhdalai, T. Munkhdalai, K. H. Park, H. G. Lee, M. Li, and K. H. Ryu, "Mixture of activation functions with extended min-max normalization for forex market prediction," IEEE Access, vol. 7, pp. 183680-183691, 2019. Doi: 10.1109/ACCESS.2019.2959789
• [64] D. Borkin, A. Némethová, G. Michaľčonok, and K. Maiorov, "Impact of data normalization on classification model accuracy," Research Papers Faculty of Materials Science and Technology Slovak University of Technology, vol. 27, no. 45, pp. 79-84, 2019. Doi: 10.2478/rput-2019-0029
• [65] M. F. Keskenler, D. Deniz, ve T. Aydın, "Yapay zekâ destekli ÇOKS yöntemi ile kredi kartı sahtekarlığının tespiti," El-Cezeri, vol. 8, no. 2, pp. 1007-1023, 2021. Doi: 10.31202/ecjse.908260
• [66] M. K. Uçar, M. Nour, H. Sindi, ve K. Polat, "The effect of training and testing process on machine learning in biomedical datasets," Mathematical Problems in Engineering, vol. 2020, 2020. Doi: 10.1155/2020/2836236
• [67] F. Aslay ve Ö. Üstün, "Meteorolojik parametreler kullanılarak yapay sinir ağları ile toprak sıcaklığının tahmini," Politeknik Dergisi, vol. 16, no. 4, pp. 139-145, 2013.