Basit öğe kaydını göster

dc.contributor.advisorProf. Dr. Sait PATIRen_US
dc.contributor.authorSEÇMEN, Mehmet Zeki
dc.date.accessioned2024-09-28T10:57:02Z
dc.date.available2024-09-28T10:57:02Z
dc.date.issued2024
dc.identifier.urihttp://acikerisim.bingol.edu.tr/handle/20.500.12898/5817
dc.description.abstractÖZET: Dünya nüfusundaki hızlı artış, otomobil talebinin de hızla büyümesine yol açmaktadır. Bu durum, otomobil üreticileri için önemli bir baskı oluşturmakta ve gelecekteki talebi karşılamak amacıyla etkili planlama yapma gerekliliğini artırmaktadır. Piyasa koşu lları, ekonomik göstergeler ve tüketici alışkanlıkları, otomobil talebini etkileyen temel faktörlerdir. Bu bağlamda, talep tahminine yönelik stratejiler geliştirmek, otomobil üreticilerinin rekabet gücünü artırmak ve üretim süreçlerini optimize etmek açısı ndan büyük önem taşır. Talep tahmin yöntemleri , karmaşık süreçlerin modellenmesi ve bu süreçlere etki eden parametrelerin belirlenmesi için etkili çözümler sunmaktadır. T alep tahmin yöntemleri temel olarak nitel ve nicel yöntemler olmak üzere iki grupta ele alınmaktadır. Bu çalışmada nicel talep tahmin yöntemleri uygulanmıştır. Bu araştırm ada, otomobil talebi tahmininde Çoklu Regresyon Analizi, NARX (Nonlinear Autoregressive with Exogenous Inputs) modeli ve Yapay Sinir Ağları modeli kullanılarak satış tahminleri yapılmıştır. Otomobil talebini etkileyen bağımsız değişke nler Brent Petrol Fiyatı, Dolar Kuru, Taşıt Kredi Faizleri, Tüketici Fiyat Endeksi (TÜFE), Araç Alım Düzeyi ve Otomobil Üretim Aded i, b ağımlı değişken ise OYAK Renault, Tofaş, Toyota, Ford, Honda ve Hyundai firmalarının toplam otomobil satış ade d i olarak alınmıştır. Çalışmada, üç modelin sonuçları karşılaştırılmış ve en etkili model belirlenmiştir. Model ler in tahmin doğruluğunu değerlendirmek amacıyla, Ortalama Hata Kareleri (MSE) ve Ortalama Mutlak Yüzde Hata (MAPE) gibi performans kriterleri kullanılmıştır. Yapılan analizler sonucunda, Yapay Sinir Ağları modelinin performansı MSE=0,0210 ve MAPE=MAPE=%11,66 olarak hesaplanmıştır. Bu sonuçlar, Yapay Sinir Ağları modelinin diğer iki yönteme kıyasla daha başarılı olduğunu ve otomobil talebini tahmin etmede daha güçlü bir performans sergilediğini ortaya koymuştur. Yapay Sinir Ağları Modeli ile 2014 2024 yılları arasındaki aylık otomobil satış veriler i temel alınarak Ocak 2024 Aralık 2024 arasındaki 12 aylık süreçte gerçekleşmesi beklenen otomobil talep tahmini yapılmıştır. Yapay Sinir Ağları modeli, gelecekteki otomobil satışlarını daha isabetli tahmin etme potansiyeli sunmuş ve bu sayede üreticilerin stratejik planlamalarına katkıda bulunabilecek bir tahmin aracı olarak öne çıkmıştır.en_US
dc.description.abstractABSTRACT: The rapid growth of the global population has led to a significant increase in automobile demand. This situation creates considerable pressure on automobile manufacturers and heightens the necessity for effective planning to meet future demand. Market cond itions, economic indicators, and consumer habits are the key factors influencing automobile demand. In this context, developing strategies for demand forecasting is crucial for enhancing the competitiveness of automobile manufacturers and optimizing their production processes. Demand forecasting methods offer effective solutions for modeling complex processes and determining the parameters that affect these processes. These methods are generally categorized into two groups: qualitative and quantitative appr oaches. In this study, quantitative demand forecasting methods have been applied. In this research, automobile demand forecasts were made using Multiple Regression Analysis, the NARX (Nonlinear Autoregressive with Exogenous Inputs) model, and the Artificial Neural Networks (ANN) model. The independent variables affecting automobile dema nd were identified as Brent Oil Price, Dollar Exchange Rate, Vehicle Loan Interest Rates, Consumer Price Index (CPI), Vehicle Purchase Level, and Automobile Production Quantity, while the dependent variable was the total number of car sales from the compan ies OYAK Renault, Tofaş, Toyota, Ford, Honda, and Hyundai. The results of the three models were compared in the study, and the most effective model was determined. To evaluate the accuracy of the models' predictions, performance metrics such as Mean Squared Error (MSE) and Mean Absolute Percentage Error (MAPE) wer e used. The analysis revealed that the performance of the Artificial Neural Networks model resulted in MSE = 0.0210 and MAPE = 11.66%. These findings demonstrated that the Artificial Neural Networks model outperformed the other two methods, providing a str onger performance in predicting automobile demand. Using the Artificial Neural Networks model, automobile demand forecasts for the 12 month period from January 2024 to December 2024 were made based on monthly automobile sales data from 2014 to 2024. The Artificial Neural Networks model has shown the potent ial to make more accurate predictions of future automobile sales, positioning itself as a valuable forecasting tool that can contribute to manufacturers' strategic planning.en_US
dc.language.isoTurkishen_US
dc.rightsinfo:eu-repo/semantics/openAccessen_US
dc.subjectYapay Zekâ , Yapay Sinir Ağları, Otomobil Talep Tahmini.en_US
dc.subjectArtificial Intelligence, Artificial Neural Networks, Automobile Demand Forecasting.en_US
dc.titleYapay Sinir Ağları ile Talep Tahmini: Türkiye’deki Otomobil Sektöründe Bir Uygulamaen_US
dc.title.alternativeDemand Forecasting with Artificial Neural Networks: An Application in the Automobile Industry in Turkeyen_US
dc.typePhD Dissertationsen_US
dc.contributor.departmentBusiness Administrationen_US


Bu öğenin dosyaları:

Thumbnail

Bu öğe aşağıdaki koleksiyon(lar)da görünmektedir.

Basit öğe kaydını göster