NARX (DOĞRUSAL OLMAYAN OTOREGRESİF DIŞSAL GİRDİLİ) YAPAY SİNİR AĞLARI MODEL İLE OTOMOBİL SATIŞI TALEP TAHMİNİ-Reference-Cited by-同舟云学术

NARX (DOĞRUSAL OLMAYAN OTOREGRESİF DIŞSAL GİRDİLİ) YAPAY SİNİR AĞLARI MODEL İLE OTOMOBİL SATIŞI TALEP TAHMİNİ

Published:2024-07-30 Issue:1 Volume:5 Page:31-47
ISSN:2757-7279
Container-title:Güncel Pazarlama Yaklaşımları ve Araştırmaları Dergisi
language:
Short-container-title:

Author:

Seçmen Mehmet Zeki¹,Patır Sait²^ORCID

Affiliation:

1. Bingöl Gençlik ve Spor İl Müdürlüğü

2. BİNGÖL ÜNİVERSİTESİ

Abstract

Amaç: Bu çalışmanın amacı, günümüzde teknoloji alanında yaşanan hızlı değişim ve yapay zekânın da toplum içerisindeki öneminin giderek artmasıyla NARX (Doğrusal Olmayan Otoregresif Dışsal Girdili) YSA (Yapay Sinir Ağları) modelini kullanarak otomobil talep tahmini yapmaktır. Gereç ve Yöntem: Çalışmada, MATLAB (Matris Laboratuvarı) programı kullanılarak Türkiye’de otomobil üretip en çok satış yapan altı firmanın (OYAK Renault, Tofaş, Toyota, Ford, Honda ve Hyundai) Otomotiv Distribütörleri ve Mobilite Derneği (ODMD)’nin 2014–2024 yılları arasında yayınlamış olduğu aylık otomobil satış verilerinden NARX YSA modeli ile satış tahmini yapılmıştır. Tahmin modelinin geliştirilmesinde Sanayi ve Teknoloji Bakanlığının yıllık yayınlamış olduğu faaliyet raporlarından otomobil talebi üzerine etkisi olduğu düşünülen bağımsız değişkenler Brent petrol fiyatı, dolar kuru, taşıt kredi faizleri, TÜFE, araç alım düzeyi, otomobil üretim âdeti, bağımlı değişken ise yani çıktı değeri altı firmanın toplam otomobil satış âdeti olarak belirlenmiştir. Bulgular: NARX YSA, altı girdi, on gizli nöron ve bir çıktıdan oluşmaktadır. Önerilen modelin, test seviyesindeki performansı MSE=0,0654, MAPE=%12,23’dür. Bu sonuçlar, NARX YSA modelinin genel olarak iyi performansı sergilediğini göstermektedir. Sonuç: Önerilen modelin eğitim ve test aşamasından sonra 2024 yılının 12 aylık otomobil satışı talep tahmini yapılmıştır. Yapay sinir ağları ile talebin doğru tahmin edilmesi, otomobil üreten firmaların gelecekte tarifelerini hızlı bir şekilde pazar planlamasına olanak tanır, bu da güvenilirliğinin artmasına yardımcı olabilecektir.

Funder

Bu çalışma için herhangi bir kurumdan destek alınmamıştır. Çalışma için gereken harcamalar yazarlar tarafından karşılanmıştır.

Publisher

Guncel Pazarlama Yaklasimlari ve Arastirmalari Dergisi

Reference61 articles.

1. Accenture, (2023). Create your AI-ready workforce with continuous learning, Erişim adresi: https://www.accenture.com/us-en/services/data-ai. Erişim tarihi: 10.11.2023

2. Akın, E., & Şahin, M. E. (2024). Derin öğrenme ve yapay sinir ağı modelleri üzerine bir inceleme. EMO Bilimsel Dergi, 14(1), 27-38.

3. Adalı, E. (2012). Doğal dil işleme ve uygulamaları. ABC Yayınevi.

4. Akbulut, Ö. (2016). Korelasyon ve regresyon, İstatistiğe giriş II TUBİTAK. Erişim adresi: https://esatis.tubitak.gov.tr/ekitap.htm Erişim tarihi: 18.10.2023

5. Akyurt, İ. Z. (2015). Talep tahmininin yapay sinir ağlarıyla modellenmesi: yerli otomobil örneği. Ekonometri ve İstatistik Dergisi, (23), 147-157.