TÜRKİYE’DE BAZI TEMEL GIDA FİYATLARI İÇİN YAPAY SİNİR AĞLARI VE ZAMAN SERİSİ TAHMİN MODELLERİNİN KARŞILAŞTIRMALI ANALİZİ

Yıl 2016, Cilt: 7 Sayı: 13, 253 - 280, 15.06.2016

İrfan Ertuğrul , Atiyye Bekin

Öz

Bu çalışmada temel gıda olarak buğday arpa ve çeltik
ürünleri ele alınmış, bu ürünlerin fiyatları Türkiye İstatistik Kurumu
veritabanından 2000-2014 yılları arası için aylık bazda temin edilmiştir. Bu
veriler öncelikle analiz edilerek verilerin yapısı belirlenmiştir. Veriler bir
trend içermekte ancak düzenli bir mevsimsellik gözlenmemektedir. Bu durumda
öncelikle geleneksel zaman serisi analiz yöntemlerinden verilerimize
uygulanabilecek olan trend analizi, Holt üstel düzleştirme yöntemi ve mevsimsel
olmayan Box-Jenkins (ARIMA) modelleri uygulanmış, ardından yapay sinir ağı ile
zaman serisi modellemesi bilgisayar programı (Matlab Neural Network Toolbox)
yardımıyla gerçekleştirilmiştir. Sonuç olarak hata oranları (MSE) karşılaştırılmış,
buğday ve arpa fiyatları veri setleri için Holt üstel düzleştirme, ARIMA ve YSA
modelleri birbirine yakın sonuçlar vermiştir. Çeltik fiyatları için ise YSA
modeli daha iyi sonuç vermiştir.

Anahtar Kelimeler

Gıda fiyatları, zaman serisi modelleri, yapay sinir ağları

Kaynakça

• Anderson, D. R., Sweeney, D. J., Williams, T. A. (2011), Essentials of Statistics for Business and Economics, Sixth Edition, Cengage Learning, Ohio.
• Akdi, Y. (2010), Zaman Serileri Analizi (Birim Kökler ve Kointegrasyon), Gazi Kitapevi, Ankara.
• Akmut, Ö., Aktaş, R. ve Binay,H. S. (1999), Öngörü Teknikleri ve Finans Uygulamaları, Ankara Üniv. Siyasal Bilgiler Fakültesi Yayını, Ankara, s. 148-149.
• Bekin, A. (2015), Türkiye’de Bazı Temel Gıda Fiyatları İçin Yapay Sinir Ağları ve Zaman Serisi Tahmin Modellerinin Karşılaştırmalı Analizi, Pamukkale Üniversitesi, Sosyal Bilimler Enstitüsü (Basılmamış Yüksek Lisans Tezi), Denizli.
• Çetin, E. (2003), Yapay Sinir Ağları (Kuram,Mimari,Eğitim,Uygulama), 1.Baskı, Seçkin Yayıncılık, Ankara, s. 23.
• Freeman, J. A., Skapura, D. M. (1991), Neural Networks Algorithms, Applications, and Programming Techniques, Addison-Wesley Publishing Company, USA.
• Fu, L. (1994), Neural Networks in Computer Intelligence, McGraw-Hill, First Edition, New York, p.473.
• Granger, C. W. J., Newbold, P. (1986), Forecasting Economic Time Series, Second Edition, Academic Press, Florida,
• Keleşoğlu, Ö., Ekinci, C. E. ve Fırat, A. (2005), “TheUsing Artificial Neural Networks in Insulation Computations”, Journal of Engineering and Natural Sciences, 3, s. 58-66.
• Kutay, F. (1989), Zaman Serilerinde Tahmin Teknikleri ve Box-Jenkins Modelleri, Gazi Üniversitesi Mühendislik Mimarlık Fakültesi, Ankara, s. 19.
• Mills, T. C. (1990), Time Series Techniques for Economists, Cambridge University Press, London, s.78.
• Öztaş, T. (2015),Bulanık Zaman Serilerinin Talep Tahminlerinde Kullanılmasına Yönelik İşletme Uygulaması, Pamukkale Üniversitesi, Sosyal Bilimler Enstitüsü (Basılmamış Yüksek Lisans Tezi), Denizli.
• Öztemel, E. (2003), Yapay Sinir Ağları, Papatya Yayıncılık, İstanbul, s. 49-76.
• Palit, A. K., Popovic, D. (2005), Computational Intelligence in Time Series Forecasting Theory and Engineering Applications, Springer-Verlag, London.
• Sevüktekin, M. ve Nargeleçekenler, M. (2010),Ekonometrik Zaman Serileri Analizi, Nobel Yayın Dağıtım, Ankara, s. 7-182.
• Taylor, H. M., Karlin, S. (1998), An Introduction to Stochastic Modeling, Third Edition, Academic Press, Massachusetts.
• Yurtoğlu, H. (2005), Yapay Sinir Ağları Metodolojisi ile Öngörü Modellemesi: Bazı Makroekonomik Değişkenler İçin Türkiye Örneği, (BasılmamışDPT Uzmanlık Tezi), Ankara, s. 13.