Dergiler / Bartın Orman Fakültesi Dergisi / 2017 / Cilt: 19 Sayı: 2

Yapay Sinir Ağları İle Öngörü Modellemesi: Türkiye Kağıt-Karton Sanayi Örneği

Forecasting By Using Artificial Neural Networks: Turkey’s Paper-Paperboard Industry Case

Sayfa
99–106
Yayın Tarihi
2017-12-01
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Sonuçlar kağıt-karton ihracatının 2025 yılında 2011 yılına oranla %48,2’lik bir artış, 2015 yılına göre ise %3’lük bir azalış göstereceğini öngörmektedir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Günümüzde endüstrinin her alanında geleceğe ilişkin tahmin ve analizler tüm dünya ülkelerinde gerek özel, gerekse bilim dünyasında kabul görmüş ve bu konularda araştırmalar yapılmış ve yapılmaktadır.
📊
Temel Bulgular & Veri:Herhangi bir değişkenin gelecekte alacağı değer, o değişkenin geçmiş dönemlerdeki gözlem değerleri ile oluşturulan modeller yardımıyla tahmin edilmektedir.
💡
Sonuç & Katkı:Sonuçlar kağıt-karton ihracatının 2025 yılında 2011 yılına oranla %48,2’lik bir artış, 2015 yılına göre ise %3’lük bir azalış göstereceğini öngörmektedir.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:2025 Verileri
⚙️Değişkenler:Yapay Sinir Ağları · Kağıt-Karton · İhracat

Özet

Günümüzde endüstrinin her alanında geleceğe ilişkin tahmin ve analizler tüm dünya ülkelerinde gerek özel, gerekse bilim dünyasında kabul görmüş ve bu konularda araştırmalar yapılmış ve yapılmaktadır. Herhangi bir değişkenin gelecekte alacağı değer, o değişkenin geçmiş dönemlerdeki gözlem değerleri ile oluşturulan modeller yardımıyla tahmin edilmektedir. Yapay sinir ağları (YSA) son dönemlerde diğer bilimsel alanlarda olduğu gibi tahmin alanında da sıkça kullanılan bir yöntem haline gelmiştir. Bu çalışmada Türkiye kağıt-karton sanayisinin ihracat rakamları yapay sinir ağları kullanılarak tahmin edilmiştir. YSA girdi değişkeni olarak Türkiye kağıt-karton üretimi, atık kağıt, endüstriyel odun, tomruk üretimi, nüfus, GSYİH, TÜFE, ÜFE, döviz kurları ve ekonomik büyüme rakamları kullanılmıştır. Sonuçlar kağıt-karton ihracatının 2025 yılında 2011 yılına oranla %48,2’lik bir artış, 2015 yılına göre ise %3’lük bir azalış göstereceğini öngörmektedir.

Abstract

Today, future projections and analyses in all areas of industry are accepted both in private sector and in the scientific world in all countries around the world. The value that a variable will have in the future is projected using the models established based on its values in the past. Recently, as in many scientific areas, artificial neural networks (ANN) have started to be a frequently used method in the field of projection. In the current study, the export numbers of Turkey’s paper-paperboard industry are projected using artificial neural networks. Turkey’s paper-paperboard production, waste paper, industrial wood, logging production, population, gross domestic product, consumer price index, producer price index, currency rates and economic growth numbers are used as the artificial neural network input variable. As a result, it is estimated that in 2025 paper-paperboard export will show a 48.2% increase compared to 2011, and a 3% decrease compared to 2015.

🔖

Bu Makaleye Atıf Yap

Kurt, R., Karayılmazlar, S., İmren, E. (2017). Yapay Sinir Ağları İle Öngörü Modellemesi: Türkiye Kağıt-Karton Sanayi Örneği. Bartın Orman Fakültesi Dergisi, Cilt: 19 Sayı: 2, 99–106. https://doi.org/10.24011/barofd.334773

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (17)

  1. Akcan A, Kartal C (2011). İMKB Sigorta Endeksini Oluşturan Şirketlerin Hisse Senedi Fiyatlarının Yapay Sinir Ağları İle Tahmini, Muhasebe ve Finansman Dergisi, 51(3):27-40.
  2. Ataseven B (2013). Yapay Sinir Ağları İle Öngörü Modellemesi, Öneri Dergisi, 10(39):101-115.
  3. Aydın Ö (2005). Yapay Sinir Ağlarını Kullanarak Bir Ses Tanıma Sistemi Geliştirilmesi. Yüksek Lisans Tezi, Trakya Üniversitesi, Edirne, 74 s.
  4. Aytekin A (2017). Basit Düşün, Akış Diyagramları ile Programlama, Detay Yayıncılık, Ankara, 326 s.
  5. Beale MH, Hagan MT, Demuth HB (2010). Neural Network Toolbox 7 User’s Guide, The MathWorks Inc., Natick, MA.
  6. Çuhadar M (2006).Turizm Sektöründe Talep Tahmini için Yapay Sinir Ağları Kullanımı ve Diğer Yöntemlerle Karşılaştırmalı Analizi, Süleyman Demirel Üniversitesi, Sosyal Bilimler Enstitüsü, İşletme Anabilim Dalı, Doktora Tezi, 188 s.
  7. Çuhadar M, Kayacan C (2005). Yapay Sinir Ağları Kullanılarak Konaklama İşletmelerinde Doluluk Oranı Tahmini: Türkiye’deki Konaklama İşletmeleri Üzerine Bir Deneme, Anatolia, Turizm Araştırmaları Dergisi, 16 (1): 24-30,
  8. Efe Ö, Kaynak O (2000). Yapay Sinir Ağları ve Uygulamaları, Boğaziçi Üniversitesi Yayınevi, İstanbul, 141 s.
  9. Elmas Ç (2003). Yapay Sinir Ağları (Kuram, Mimari, Eğitim, Uygulama), Ankara, Seçkin Yayıncılık, 192 s.
  10. FAO (2016). Food and Agriculture Organization of the United Nations, Website, http://www.fao.org/faostat/ (12.05.2016)
  11. Hamzaçebi C (2008). Improving Artificial Neural Networks: Performance in Seasonal Time Series Forecasting, Information Sciences, 178 (23): 4550-4559
  12. Haykin S (1994). Neural Networks: A Comprehensive Foundation, Prentice Hall, NJ.
  13. Nabiyev V (2012). Yapay Zeka. Seçkin Yayınları, Ankara, 776 s.
  14. Özer K (2009). İstanbul Deniz Otobüslerinin Bir Hattında Yolcu Talep Tahmini, Marmara Üniversitesi, Sosyal Bilimler Enstitüsü, İşletme Ana Bilim Dalı, Yüksek Lisans Tezi, 72 s.
  15. Şen Z (2004).Yapay Sinir Ağları İlkeleri. Su Vakfı Yayınları, İstanbul, 183 s.
  16. Tiryaki S, Bardak S, Bardak T (2015). Experimental investigation and prediction of bonding strength of Oriental beech (Fagus orientalis Lipsky) bonded with polyvinyl acetate adhesive, Journal of Adhesion Science and Technology, 29(23):2521-2536.
  17. URL1 (2016). İleri algoritma analizi-5, Yapay sinir ağları, http://www.ibrahimcayiroglu.com/Dokumanlar/IleriAlgoritmaAnalizi/IleriAlgoritmaAnalizi-5.Hafta-YapaySinirAglari.pdf (15.07.2016).