Türkiye İç Piyasasında Ulusal Çimento Talebinin Yapay Sinir Ağları ile Tahmini

Yıl 2023, Sayı: 120, 131 - 154, 16.10.2023

Selim Tüzüntürk , Fatma Sert Eteman

https://doi.org/10.33203/mfy.1297367

Öz

Bu çalışma, Türkiye’de ulusal çimento talebini tahmin etme problemi ile ilgilidir. Türkiye’nin yurt içi çimento talebinin gelecekte ne kadar olacağına ilişkin araştırma sorusuna cevap bulmak amacıyla tasarlanana bu çalışmanın birinci amacı, Türkiye’nin yurt iç çimento talebinin YSA ile tahmin edilmesidir. Bu çalışmanın ikinci amacı, Türkiye’nin gelecek dönemde gerçekleşecek olan ancak henüz gerçekleşmemiş yurt iç çimento talebinin YSA ile öngörülmesidir. Bu çerçevede, öncelikle mevcut iç talep değerleri Ocak 2017 ve Kasım 2022 arasındaki dönem için Yapay Sinir Ağları Yöntemi kullanılarak tahmin edilmiştir. Böylece, gerçek değerlerle tahmin edilen değerler karşılaştırılmıştır. Tahmin değerleri ile gerçek değerler birbiri ile tutarlı bulunmuştur. Daha sonra, yine Yapay Sinir Ağları Yöntemi kullanılarak Aralık 2022 ve Aralık 2023 arasındaki dönemin öngörüsü yapılmıştır.

Anahtar Kelimeler

Çimento Sektörü, Tahmin, Yapay Sinir Ağları

Forecasting National Cement Demand in the Turkish Domestic Market with Artificial Neural Networks

Öz

This study is about the problem of estimating the national cement demand in Turkey. The primary purpose of this study, which is designed to answer the research question about how much domestic cement demand will be in Turkey in the future, is to estimate Turkey's domestic cement demand with ANN. The second aim of this study is to predict the domestic cement demand of Turkey, which will be realized in the future but has not yet been realized, with ANN. In this framework, first of all, the current domestic demand values were estimated using the Artificial Neural Networks Method for the period between January 2017 and November 2022. Thus, the estimated values were compared with the actual values. Estimated values and actual values were found to be consistent with each other. Then, the forecast for the period between December 2022 and December 2023 was made using the Artificial Neural Networks Method.

Anahtar Kelimeler

Cement Industry, Forecasting, Artificial Neural Networks

Kaynakça

• Akdağ, R. (2016). Yapay Sinir Ağları, Destek Vektör Makineleri ve Box-Jenkins Yöntemleriyle Kentsel İçme Suyu Talebi Tahmini ve Karşılaştırmalı Analizi, Business and Economics Research Journal, 7(1), 123-138.
• Akgül, I. (2003a). Zaman Serilerinin Analizi ve ARIMA Modelleri, İstanbul: DER Yayınları.
• Akgül, I. (2003b). Geleneksel Zaman Serisi Yöntemleri, İstanbul: DER Yayınları.
• Albayrak, Ö. K. (2023). Forecasting Renewable Energy Generation for Türkiye by Artificial Neural Networks and ARIMA Model: 2023 Generation Targets by Renewable Energy Resources, Verimlilik Dergisi, 57(1), 121-138.
• Ataseven, B. (2013). Yapay Sinir Ağları ile Öngörü Modellemesi, Marmara Üniversitesi Sosyal Bilimler Enstitüsü Öneri Dergisi, 10(39), 101-115.
• Başaran, E. & Turunç, N. (1995). Türkiye’de Çimento Sektörünün Durumu, Çimento Sempozyumu, Ankara-Türkiye, 16-17 Kasım, 4-15.
• Bektaş, H. & Gökçen, A. (2011). Türk Bankacılık Sektöründe Finansal Güç Derecesine Sahip Olan Bankaların Kantitatif Verilerinin İstatistiksel Analizi, Marmara Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 31(2), 345-366.
• Can, Ş. & Gerşil, M. (2018). Manisa Pamuk Fiyatlarının Zaman Serisi Analizi ve Yapay Sinir Ağları Teknikleri ile Tahminlenmesi ve Tahmin Performanslarının Karşılaştırılması, Manisa Celal Bayar Üniversitesi İktisadi ve İdari Bilimler Fakültesi Yönetim ve Ekonomi Dergisi, 25(3), 1017-1031.
• Chatfield, C. (2000). Time Series Forecasting, USA: Chapman & Hall/CRC.
• Cinel, E. A. & Yolcu, U. (2021). Türkiye’de Aylık İşsizlik Oranlarının Yapay Sinir Ağları ile Öngörüsü, Journal of Yaşar University, 16(62), 492-508.
• Claveria, O. & Torra, S. (2014). Forecasting Tourism Demand to Catalonia: Neural Networks Versus Time Series Models, Economic Modelling, 36, 220-228.
• Çağatay, B. (2021). Türkiye’de Çimento Sektörüne İlişkin Gelecek Tahminleri: Küresel Ticaret ve Makroekonomik Değişkenler Işığında Yeni Politikalar, Dumlupınar Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 4(8), 95-115.
• Çelenk, A. (1995). Türkiye Çimento Sektörünün Dünü, Bugünü ve Yarını, Çimento Sempozyumu, Ankara-Türkiye, 16-17 Kasım, 16-32.
• d'Aspremont, C., Encaoua, D., & Ponssard, J. C. (2000). Competition policy and game-theory: reflections based on the cement industry case. In G. Norman & J. Thisse (Eds.), Market Structure and Competition Policy: Game-Theoretic Approaches (pp. 9-30). Cambridge: Cambridge University Press.
• Da Silva, I. N., Spatti, D. H., Flauzino, R. A., Liboni, L. H. B. & Dos Reis Alves, S. F. (2017). Artificial Neural Networks A Practical Course, Switzerland: Springer.
• Demirdöğen, O. (1998). Talep Tahmininde Monte-Carlo Simülasyon Tekniğinin Kullanılması, Atatürk Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 12(1-2), 229-240.
• Demirtaş, Ö. (2017). Türkiye’deki İç Göçün Yapay Sinir Ağları ile İncelenmesi, Gazi Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi Özel Sayısı, 414-427.
• Dilmen, B., Gencer, Ş., Arıkel, F., Kayır, Ş. & Erdemir, Ö. K. (2022). Yangın ve Doğal Afet Sigortası Priminin Box-Jenkins Modelleri ve Yapay Sinir Ağları ile Tahmin Edilmesi, İstatistikçiler Dergisi: İstatistik & Aktüerya, 2, 60-71.
• Erilli, N. A., Eğrioğlu, E., Yolcu, U., Aladağ, Ç. H. & Uslu, V. R. (2010). Türkiye’de Enflasyonun İleri ve Geri Beslemeli Yapay Sinir Ağlarının Melez Yaklaşımı ile Öngörüsü, Doğuş Üniversitesi Dergisi, 11(1), 42-55.
• Es, H. A., Kalender, F. Y. & Hamzaçebi, C. (2014). Yapay Sinir Ağları ile Türkiye Net Enerji Talep Tahmini, Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, 29(3), 495-504.
• Fışkın, C. S. & Cerit, A. G. (2019). Forecasting Domestic Shipping Demand of Cement: Comparison of SARIMAX, ANN and Hybrid SARIMAX-ANN, 4 th International Conference on Computer Science and Engineering, 68-72.
• Funahashi, K. (1989). On the Approximate Realization of Continuous Mapping by Neural Networks, Neural Networks, 3, 183-192.
• Güler, D., Saner, G. & Naseri, Z. (2017). Yağlı Tohum Bitkiler İthalat Miktarlarının ARIMA ve Yapay Sinir Ağları Yöntemleriyle Tahmini, Balkan ve Yakın Doğu Sosyal Bilimler Dergisi, 3(1), 60-70.
• Güner, Ş. N. (2021). Yapay Sinir Ağları Yöntemiyle Konut Satışlarının İncelenmesi: Ankara İli Örneği, Fiscaoeconomia, 5(1), 359-371.
• Güner, Ş. N. & Demir, H. U. (2022). Yapay Sinir Ağları ve Zaman Serileri Yöntemi ile Demir Çelik İthalatı Tahmini, Sakarya İktisat Dergisi, 11(3), 389-397.
• Hill, T., Marquez, L., O’Conner, M. & Remus, W. (1994). Artificial Neural Network Models for Forecasting and Decision Making, International Journal of Forecasting, 10(1), 5-15.
• Hornik, K. (1991). Approximation Capabilities of Multilayer Feedforward Networks Neural Networks, 4(2), 251-257.
• Hornik, K. (1993). Some New Results on Neural Network Approximation, Neural Networks, 6(8), 1069-1072.
• Hornik, K., Stinchcombe, M. & White, H. (1989). Multilayer Feedfprward Networks Are Universal Approximators, Neural Networks, 2(5), 359-366.
• Juliana, L., Lubis, A. P. & Lubis, I. A. (2023). Implementation of the Least Square Method to Forecast Cement Sales, Research of Applied Science and Education, 17, 131-137.
• Karaatlı, M, Helvacıoğlu, Ö. C., Ömürbek, N. & Tokgöz, G. (2012). Yapay Sinir Ağları Yöntemi ile Otomobil Satış Tahmini, Uluslararası Yönetim ve İşletme Dergisi, 5(17), 87-100.
• Keskin, F. D. & Soyuer, H. (2022). Bir Çimento Firmasında İstatistiksel Zaman Serileri Yöntemleri ve Derin Öğrenme ile Talep Tahminleme, Avrupa Bilim ve Teknoloji Dergisi, Özel Sayı 36, 15-20.
• Kurt, A. S. (2022). Türkiye Ekonomisi için ihracat ve İthalatın Yapay Sinir Ağları ile Tahmini, Fiscaoeconomia, 6(2), 808-822.
• Makas, Y. & Karaatlı, M. (2016). Yapay Sinir Ağlarıyla Hidroelektrik Enerji Üretiminin Çok Dönemli Tahmini, Süleyman Demirel Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 21(3), 757-772.
• Makridakis, S. & Wheelwright, S. C. (1989). Forecasting Methods for Management, John Wiley & Sons: New York.
• Marques, L., Hill, T., O’Connor, M. & Remus, W. (1992). Neural Network Models for Forecast: A Review, Proceedings of the Twenty-Fifth Hawaii International Conference on System Sciences, 494-498.
• Largo, E. (2001). Çimento Sektörü Açısından Türkiye ve Dünyada Rekabet Politikası Uygulamaları, Rekabet Kurumu Perşembe Konferansları, Ankara, 65-88.
• Özçalıcı, M. (2016). Yapay Sinir Ağları ile Çok Aşamalı Fiyat Tahmini: BIST30 Senetleri Üzerine Bir Araştırma, Dokuz Eylül Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 31(2), 209-227.
• Özdemir, M. E. (2021). Yapay Sinir Ağları Kullanılarak Orta Dönem Elektrik Enerjisi Tüketim Tahmini: İskenderun Örneği, Avrupa Bilim ve Teknoloji Dergisi, Özel Sayı 28, 489-492.
• Özeken, A. A. (1939). Türkiye Çimento Sanayinin İktisadi ve Mali Bünyesi, İstanbul Üniversitesi İktisat Fakültesi Mecmuası, 1(1), 478-506.
• Özkan, F. (2011). Döviz Kuru Tahmininde Yapay Sinir Ağlarıyla Alternatif Yaklaşım, Eskişehir Osmangazi Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 6(2), 185-200.
• Pençe, İ., Kalkan, A. & Çeşmeli, M. Ş. (2019). Türkiye Sanayi Elektrik Enerjisi Tüketiminin 2017-2023 Dönemi için Yapay Sinir Ağları ile Tahmini, Mehmet Akif Ersoy Üniversitesi Uygulamalı Bilimler Dergisi, 3(2), 206-228.
• RT International. (2009). Regulatory Impact Analysis: National Emission Standards for Hazardous Air Pollutants from the Portland Cement Manufacturing Industry. U.S. Environmental Protection Agency, (Erişim 27.02.2023),
• Selçi, B. Y. & Akgül, Y. (2020). Türkiye’nin İhracat Değerlerinin Yapay Sinir Ağları ile Tahmini Üzerine Bir İnceleme, Nicel Bilimler Dergisi, 2(2), 29-42.
• Singh, L. P. & Challa, R. T. (2016). Integrated Forecasting Using the Discrete Wavelet Theory and Artificial Intelligence Techniques to Reduce the Bullwhip Effect in a Supply Chain, Global Journal of Flexible Systems Management, 17(2), 157-169.
• Sofyalıoğlu, Ç. & Öztürk, Ş. (2013). Bir Çimento Firması için Dönemsel Satış Miktarlarının Tahmininde Bulanık Zaman Serisi Modellerinin Karşılaştırılması, Süleyman Demirel Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 18(3), 161-186.
• Söyler, H. & Kızılkaya, O. (2015). Türkiye’nin GSYİH Tahmini için Yapay Sinir Ağları Model Performanslarının Karşılaştırılması, Cumhuriyet Üniversitesi İktisadi ve İdari Bilimler Fakültesi, 16(1), 45-58.
• Sümer, M. & Yavuz, B. (1998). Türkiye’de Çimento Sanayii’ndeki Gelişmeler, Sakarya Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 1, 35-39.
• Süleymanlı, C. (2021). Yapay Sinir Ağları ile Türkiye’nin Brüt Döviz Tahminlerine Yönelik Öngörü, Finans Ekonomi ve Sosyal Araştırmalar Dergisi, 6(4), 612-624.
• Tüzemen, A. & Yıldız, Ç. (2018). Geleceğe Yönelik Tahminleme Analizi: Türkiye Çimento Üretimi Uygulaması, Yönetim ve Ekonomi Araştırmaları Dergisi, 16(3), 162-177.
• Ünlü, U., Yıldız, B. & Yalama, A. (2009). İlk Halka Arzlarda Uzun Dönem Getirilerinin Tahmini: Yapay Sinir Ağları ile İMKB için Ampirik Bir Çalışma, İstanbul Üniversitesi İktisat Fakültesi Ekonometri ve İstatistik Dergisi, 10, 29-47.
• Walczak, S. & Cerpa, N. (2001). Artificial Neural Networks. In Robert A. Meyers (Ed.), Encyclopedia of Physical Science Technology (pp. 631-645). California: Academic Press.
• Yılmaz, A O., M. Vieil, İ. Alp, İ. Çavuşoğlu & E. Yazıcı. (2004). 1970-2002 Döneminde Çimento Sektörümüzün İstatistiksel Değerlendirilmesi. 5. Endüstriyel Hammaddeler Sempozyumu, İzmir-Türkiye, 13-14 Mayıs, 149-160.
• Yılmazel, Ö., Afşar, A. & Yılmazel, S. (2018). Konut Fiyat Tahmininde Yapay Sinir Ağları Yönteminin Kullanılması, Uluslararası İktisadi ve İdari İncelemeler Dergisi, 20, 285-300.
• Zhang, G., Patuwo, B. E. & Hu, M. Y. (1998). Forecasting with Artificial Neural Networks: The State of the Art, International Journal of Forecasting, 14, 35-62.