SavedAdd your journal

Journals / Uluslararası Yönetim İktisat ve İşletme Dergisi / 2012 / Cilt: 8 - Sayı: 17

AN ARTIFICIAL NEURAL NETWORK BASED AUTOMOBILE SALES FORECASTING

YAPAY SİNİR AĞLARI YÖNTEMİ İLE OTOMOBİL SATIŞ TAHMİNİ

Meltem KARAATLI
Özlem Ceyda HELVACIOĞLU
Nuri ÖMÜRBEK
Gönül TOKGÖZ
Pages
87–100
Publication Date
2012-01-01
DOI
—
🏛️Bibliographic metadata and full text access for this article are provided via DergiPark.
DergiPark Record ↗
✨

AI Summary & Key Takeaways

AI Insight
⚡ TL;DR(Too Long; Didn't Read)

While the total number of automobile sold has been used as dependent variable, the gross domestic product, real sector confidence index, investment spending, consumer spending, consumer confidence index, USD Exchange rate and time have been selected as independent variables

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Sales forecasting is a method of predicting the quantity of products or services that consumers may demand in the future by utilizing variables.
📊
Key Findings & Data:In this study, monthly data between January-2007 and June-2011 has been used.
💡
Conclusion & Impact:While the total number of automobile sold has been used as dependent variable, the gross domestic product, real sector confidence index, investment spending, consumer spending, consumer confidence index, USD Exchange rate and time have been selected as independent variables
🔬Design:Research Article
📍Scope:2007 Verileri
⚙️Variables:Talep Tahmini · Otomotiv Sektörü · Yapay Sinir Ağları

Abstract

Sales forecasting is a method of predicting the quantity of products or services that consumers may demand in the future by utilizing variables. Sales forecasting methods can be divided in two groups, qualitative and quantiative. The objective of this study is to predict the amount of future automotive sales by using Artificial Neural Networks in order to help decision makers on their policies about the automotive industry. In this study, monthly data between January-2007 and June-2011 has been used. While the total number of automobile sold has been used as dependent variable, the gross domestic product, real sector confidence index, investment spending, consumer spending, consumer confidence index, USD Exchange rate and time have been selected as independent variables

Özet

Talep tahmini tüketicilerin gelecekte ne kadar mal ve hizmet talep edeceklerinin değişkenler yardımıyla tahmin edilmesidir. Talep tahmin metotları kantitatif ve kalitatif yöntemler olmak üzere iki grupta toplanmaktadır. Bu çalışmanın amacı da yeni otomobil satış miktarlarının yapay sinir ağları yöntemiyle önceden tahmin edilerek otomotiv sektörü ile ilgili bir takım politikaların belirlenmesine katkı sağlamaktır. Çalışmada Ocak-2007 ile Haziran-2011 yılları arasındaki aylık veriler kullanılmıştır. Çalışmada bağımsız değişkenler olarak gayri safi yurtiçi hasıla, reel kesim güven endeksi, yatırım harcamaları, tüketim harcamaları, tüketici güven endeksi, dolar kuru ve zaman, bağımlı değişken olarak ise satılan toplam otomobil sayısı alınmıştır.

🔖

Cite This Article

KARAATLI, M., HELVACIOĞLU, Ö. C., ÖMÜRBEK, N., TOKGÖZ, G. (2012). AN ARTIFICIAL NEURAL NETWORK BASED AUTOMOBILE SALES FORECASTING. Uluslararası Yönetim İktisat ve İşletme Dergisi, Cilt: 8 - Sayı: 17, 87–100. https://ajindex.com/articles/170490

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (13)

  1. Alper, E., & Mumcu, A. S. (2000). Türkiye’de otomobil talebinin tahmini. İstanbul:
  2. Boğaziçi Üniversitesi,
  3. Ekonomi Bölümü, Ekonomi ve Ekonometri Merkezi. Asilkan, Ö., & Sezgin, I. (2009). İkinci el otomobillerin gelecekteki fiyatlarının yapay sinir ağları ile tahmin edilmesi. Süleyman Demirel Üniversitesi İktisadi İdari Bilimler Fakültesi Dergisi, 14(2), 375-391.
  4. Chen, H. W., Yang, H. H., & Wang, Y. S. (2009). Automobile gross emitter screening with remote sensing data using objetive-oriented neural network. Science of Total Environment, 407, 5811-5817.
  5. Cho, V. (2003). A comparison of three different approaches to tourist arrival forecasting. Tourism Management, 24: 323-330.
  6. Chunq, Y. W., & Lee, S. C. (2008). A selective aqs system with artificial neural network in automobile. Sensor and Actuators, 130, 258-263.
  7. Çuhadar, M., & Kayacan, C. (2005). Yapay sinir ağları kullanılarak konaklama işletmelerinde doluluk oranı tahmini: Türkiye’deki konaklama işletmeleri üzerine bir deneme. Anatolia: Turizm Araştırmaları Dergisi, 16(1), 24-30.
  8. De Lurgio, A. S. (1998). Forecasting principles and applications. Singapore: Irwin McGraw-Hill. Dikmen, I. (2006). Otomotiv sektörü ve rekabet değerlendirme. Erişim Tarihi: 10.12.2011, http://www.kalder.org.tr/genel/15kongre/sunumlar/isik_dikmen.doc
  9. Efendigil, T., Önüt, S., & Kahraman, C. (2009). A decision support system for demand forecasting with artificial neural networks and neuro-fuzzy models: A comparative analysis. Expert Systems with Applications, 36, 6697–6707.
  10. Hamid, S., A. & Iqbal, Z. (2004). Using neural networks for forecasting volatility of s&p 500 index futures prices, Journal of Business Research, 57, 1116-1125.
  11. Hamzaçebi, C., & Kutay, F. (2004). Yapay sinir ağları ile Türkiye elektrik enerjisi tüketiminin 2010 yılına kadar tahmini. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, 19(3), 227-233.
  12. Hosoz, M., & Ertunç, H.M. (2006). Artificial neural network analysis of an automobile air conditioning system. Energy Conversion and Management, 47, 1574-1587. Erişim Tarihi: 26.05.2012, http://www.cnnturk.com/2010/ekonomi/03/31/iste.son.10.yilin.buyume.rakamlari/ 570273.0/index.html İşeri, A., & Karlık, B. (2009). An artificial neural network approach on automobile pricing. Expert Systems with Applications, 36, 2155-2160.
  13. Karbuz, F., Silahçı, & Çalışkan, E., Otomotiv sektör raporu. İstanbul Ticaret Odası Ekonomi ve Sosyal Araştırmalar Şubesi. Erişim Tarihi: 10.12.2011, http://www.ito.org.tr/Dokuman/Sektor/1-69.