Talep Tahminleme Değişkenlerinin Üssel Düzeltme Yöntemi ile Belirlenmesi


Özet Görüntüleme: 336 / PDF İndirme: 266

Yazarlar

DOI:

https://doi.org/10.5281/zenodo.6948405

Anahtar Kelimeler:

Talep tahmini, ETS, ortalama mutlak hata

Özet

Günümüzde birçok sektörde olduğu gibi ticari soğutucu sektöründe de üretim planlama için en doğru stratejileri belirleme durumunda önemli olan talep tahminlemede birçok yöntem kullanılmaktadır. Bu yöntemlerin başında zaman serisi yaklaşımları yer almaktadır. Özellikle müşterilerin gelecekteki talep eğilimleri, piyasa durumu ve mevsimsellik gibi birçok faktörden etkilenebilir. İşletmelerin üretim ile ilgili yaptıkları maliyet ve ürün planlanması ile kaynakların bu hedeflere uygun olarak düzenlenmesi ve yapılandırılması önemlidir. Bu hedeflerin amacı doğru ve güvenilir tahminler yaparak işletmeleri maddi ve ticari açıdan piyasada sağlam yerlere taşımaktır. Bu çalışmada 2003-2022 yılları arasında Manisa ilinde üretim sektöründeki soğutucu buzdolabı satışlarının tahmininde kullanılacak olan Dolar, Tüketici Fiyat Endeksi (TÜFE), Üretici Fiyat Endeksi (ÜFE) ve tüketici güven endeksi (TGE) değişkenlerinin gelecek tahminlerinin üssel düzeltme (ETS) yöntemleri ile bulunması planlanmıştır.

Talep değişkenine ait kurulacak olan modeldeki diğer değişkenlerin tahmini için üssel düzeltme yöntemi (ETS) kullanılarak hata, trend ve mevsimsellik gibi üç farklı bileşen dikkate alınıp tahminleme yapılmıştır. ETS modelleri içinde en iyi performansı yakalamak için ortalama mutlak yüzde hata (MAPE) değerinden yararlanılmıştır. Eldeki veriler ile kurulan ETS modelleri TGE için ETS (A, N, N) ve TÜFE, ÜFE ve Dolar için de ETS(M ,Ad, N) şeklinde bulunmuştur. Tüm bu değişkenlerde mevsimsellik tespit edilememiştir. Ayrıca TGE’de trend yok iken diğer değişkenlerde ise trendin zamanla etkisi azaldığı bulunmuştur. Ancak akan veri ile veri havuzu genişler ve başka bir ETS modelinin bulunabilme durumu ortaya kolaylıkla çıkabilmektedir. Bu yöntemin en büyük avantajlarından birisi de akan verinin de kolaylıkla dikkate alınarak yeni modellemelere izin vermesi olarak görünmektedir.

Referanslar

Arslankaya, S. (2019). Bir Lojistik Firmasında Zaman Serileri Analizi ve Yapay Sinir Ağları İle Talep Tahminin Karşılaştırılması. 4th International Symposium on Innovative Approaches in Engineering and Natural Sciences, ISAS WINTER-2019, Samsun, Turkey, Conference Proceedings, 4(6): 239-245.

Asilkan, Ö., Irmak, S. (2009). İkinci El Otomobillerin Gelecekteki Fiyatlarının Yapay Sinir Ağları ile Tahmin Edilmesi. Süleyman Demirel Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 14(2): 375-391.

Bağcı, B. (2020). Hareketli Ortalamalar ve Üssel Düzeltme Yöntemlerinin Tahmin Gücünün Artırılması: Türkiye’de Döviz Kuru Tahmini. Turkuaz Uluslararası Sosyo-Ekonomik Stratejik Araştırmalar Dergisi, 2(2):1-12.

Gardner, E.S. (1985). Exponential Smoothing: The State of the Art. Journal of Forecasting. 4: 1–28. https://doi.org/10.1002/for.3980040103

Gardner, E.S., McKenzie, E. (1989). Seasonal Exponential Smoothing with Damped Trends. Management Science. 35: 372–376. https://doi.org/10.1287/mnsc.35.3.372

Gardner, E.S. (2006). Exponential Smoothing: The State of the Art-Part II. International Journal of Forecasting. 22: 637–666. https://doi.org/10.1016/j.ijforecast.2006.03.005

Holt, C.C., 2004. Forecasting Seasonals and Trends by Exponentially Weighted Moving Averages. International Journal of Forecasting, 20:5-10. https://doi.org/10.1016/j.ijforecast.2003.09.015

Hyndman, R.J., Koehler, A.B., Snyder, R.D. & Grose, S. (2002). A State Space Framework for Automatic Forecasting Using Exponential Smoothing Methods. International Journal of Forecasting. 18(3): 439–454. https://doi.org/10.1016/S0169-2070(01)00110-8

Hyndman, R. J., Koehler, A. B., Ord, J. K., & Snyder, R. D. (2008). Forecasting with Exponential Smoothing: The State Space Approach. Berlin: Springer-Verlag.

Karaatlı, M, Helvacıoğlu, Ö. C. Ömürbek, N. & Tokgöz, G. (2012). Yapay Sinir Ağları Yöntemi ile Otomobil Satış Tahmini. Uluslararası Yönetim İktisat ve İşletme Dergisi, 8(17): 87-100.

Karahan, M. (2011). İstatistiksel Tahmin Yöntemleri: Yapay Sinir Ağları Metodu ile Ürün Talep Tahmin Uygulaması. TC Selçuk Ünv. Sosyal Bilimler Enstitüsü İşletme ABD Yayınlanmamış Doktora Tezi, Konya, Türkiye.

McKenzie, E., Gardner, E.S. (2010). The Damped Trend: A Modeling Viewpoint. International Journal of Forecasting.

Pegels, C.C. (1969). Exponential Forecasting: Some New Variations. Management Science. 15(5): 311–315. https://www.jstor.org/stable/2628137.

Sabır, C., Batuk, E. (2013). Demand Forecasting with of Using Time Series Models in Textile Dyeing-Finishing Mills. Tekstil ve Konfeksiyon, 23(2):143-151.

Svetunkov, I. (2022). Forecasting and Analytics with ADAM. https://openforecast.org/adam/Svetunkov%20(2022)%20-%20ADAM.pdf

Svetunkov, I. (2022) Statistics for Business Analytics. https://openforecast.org/sba/

Taylor, J.W. (2003). Exponential Smoothing with a Damped Multiplicative Trend. International Journal of Forecasting. 19: 715–725. https://doi.org/10.1016/S0169-2070(03)00003-7

TC Merkez Bankası. (2022). https://www.tcmb.gov.tr

Uğurlu, E. & Saraçoğlu, B. (2010). Türkiye’de Enflasyon Hedeflemesi ve Enflasyonun Öngörüsü. Dokuz Eylül Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 25(2): 57-72.

Wikipedia, Üretici fiyat endeksi, Wikipedia, (version: 2021-12-07). URL https://tr.wikipedia.org/wiki/%C3%9Cretici_fiyat_endeksi

Wikipedia, Tüketici fiyat endeksi, Wikipedia, (version: 2021-07-01). URL https://tr.wikipedia.org/wiki/T%C3%BCketici_fiyat_endeksi

Wikipedia, Tüketici Güven Endeksi, Wikipedia, (version: 2022-04-29). URL https://tr.wikipedia.org/wiki/T%C3%BCketici_G%C3%BCven_Endeksi

İndir

Yayınlanmış

01.08.2022

Nasıl Atıf Yapılır

Yılmaz, M. B., & Çilengiroğlu, Özgül V. (2022). Talep Tahminleme Değişkenlerinin Üssel Düzeltme Yöntemi ile Belirlenmesi. Euroasia Journal of Mathematics, Engineering, Natural & Medical Sciences, 9(22), 92–103. https://doi.org/10.5281/zenodo.6948405

Sayı

Bölüm

Makaleler