KaydedilenlerDerginizi ekleyin

Dergiler / Ankara Hacı Bayram Veli Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi / 2020 / Cilt: 22 - Sayı: 3

Sınıflama Tipi Modeller İle Çoklu Regresyon Modellerinin Değerlendirilmesi: Taş Kömürü Sektörü Örneği

Gülsüm Merve GÖKÇİN
Şenol ALTAN
Sayfa
997–1024
Yayın Tarihi
2020-12-25
DOI
—
🏛️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)

Bu tahmin modelleri sayesinde Taş kömürü stok miktarını belirleyen faktörler tespit edilmiştir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Stok yönetimi, işletme yönetiminin bir dalı olup, tüm şirketler için kritik bir yönetim konusudur.
📊
Temel Bulgular & Veri:Çalışma dönemi 2010 Ocak-2015 Aralık olup, Armutçuk Müessesesi için aylık verilerle modellemeler gerçekleştirilmiştir.
💡
Sonuç & Katkı:Bu tahmin modelleri sayesinde Taş kömürü stok miktarını belirleyen faktörler tespit edilmiştir.
🔬Tür:Deneysel Tarla Denemesi
📍Kapsam:2010 Verileri
⚙️Değişkenler:Stok Tahmini · Sınıflama Tipi Modeller · Çoklu Regresyon Modelleri

Özet

Stok yönetimi, işletme yönetiminin bir dalı olup, tüm şirketler için kritik bir yönetim konusudur. İşletmelerin başarılı olabilmesi için tedarik zinciri yönetimlerinde de stok yönetimine ayrıca önem vermeleri gerekmektedir. Stok yönetimine vurgu yapmak amacıyla bu çalışmada Türkiye taş kömürü sektörü incelenmiş ve önemli bir maliyet unsuru olan stok miktarının tahmin modelleri üzerine denemeler yapılmıştır. Bu tahmin modelleri sayesinde Taş kömürü stok miktarını belirleyen faktörler tespit edilmiştir. Taş kömürü sektörüne ait modellerin kurulumu aşamasında Türkiye Taş Kömürü Kurumu (TTK) tarafından düzenli olarak derlenen aylık istatistiksel tablolar ile T.C. Enerji ve Tabii Kaynaklar Bakanlığı tarafından yayınlanan ekonomik gösterge verilerinden yararlanılmıştır. Çalışma dönemi 2010 Ocak-2015 Aralık olup, Armutçuk Müessesesi için aylık verilerle modellemeler gerçekleştirilmiştir. Armutçuk Müessesesi taş kömürü “stok miktarı” kapasitesi fazla ve stok verisi eksik olmayan bir müessese olduğu için tercih edilmiştir. Modellerde bağımlı değişken olarak “stok miktarı” ile stok miktarını etkilediği önsel olarak belirlenen 6 bağımsız değişken kullanılmıştır. Bu değişkenler arasındaki ilişkiler, Hendry’nin “Genelden-Özele” modelleme yöntemi ile incelenmiştir. Elde edilen özel modelde belirlenen değişkenlere ilişkin sınıflama tipi modeller olan “yapay sinir ağları(YSA)” ve karar ağaçları ile çoklu regresyon modelleri kurularak, tüm modellerin tahmin performansları karşılaştırılmıştır. Çalışmada elde edilen sonuçlara göre taş kömürü sektöründe “Armutçuk” müessesesi ele alınmış ve en yüksek performanslı stok miktarı tahmini için yapay sinir ağı” modeli seçilmiştir.

🔖

Bu Makaleye Atıf Yap

GÖKÇİN, G. M., ALTAN, Ş. (2020). Sınıflama Tipi Modeller İle Çoklu Regresyon Modellerinin Değerlendirilmesi: Taş Kömürü Sektörü Örneği. Ankara Hacı Bayram Veli Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, Cilt: 22 - Sayı: 3, 997–1024. https://ajindex.com/articles/87825

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (17)

  1. Babbitt, C. W. ve Lindner, A. S. (2005). A Life Cycle Inventory of Coal Used for Electricity Production in Florida, Journal of Cleaner Production, 13 (9), s.903-912.
  2. Bounsaythip, C. ve Esa, R. R. (2001). Overview of Data Mining For Customer Behavior Modeling, VTT Information Technology Research Report, Version 1, s.1-53.
  3. Breiman, L., Freidman, J. H., Olshen, R. A. ve Stone, C. J. (1998). Classification And Regression Trees (1 edition), U.S.: Chapman & Hall, s.246-280. Devlet Planlama Teşkilatı (DPT) (2001). Sekizinci Beş Yıllık Kalkınma Planı Madencilik Özel İhtisas Komisyonu Raporu, Ankara, s.6-130. Devlet Planlama Teşkilatı (DPT) (2007). Dokuzuncu Kalkınma Planı 2007-2013 Madencilik Özel İhtisas Komisyonu Raporu, Ankara, s. 13-202.
  4. Elibüyük M. ve Güler, Y. (2015). Türkiye Taş Kömürü Kurumu’nun Zonguldak İli Ekonomisine Etkisi, Journal of World of Turks, 7 (1), s.137-159.
  5. Goldsby, T. ve Martichenko, R. (2005). Lean Six Sigma Logistics: Strategic Development To Operational Success. Boca Raton: J. Ross Publishing, Inc, USA. Griffith, E. D. Ve Clarke, A. W. (1979).
  6. World Coal Production, Scientific American, 240(1), s.38-47.
  7. Han, J. ve Kamber, M. (2001).
  8. Data Mining Concepts and Techniques, Third Edition, San Francisco: Morgan Kaufmann Publishers.
  9. IBM (2010). IBM SPSS Modeler 14.1 User’s Guide, s.30-31. International Energy Agency (IEA) (2016). Coal Information 2016,
  10. Paris, International Energy Agency, s.73-438. Internet: T.C. Enerji ve Tabii Kaynaklar Bakanlığı (2016). https://enerji.gov.tr/File/?path=ROOT%2f1%2fDocuments%2fSayfalar%2fKömür+Nedir-.pdf, (Erişim Tarihi: 15.5.2015)
  11. Kulshreshtha, M. ve Parikh, J. K. (2000). Modeling Demand For Coal In India: Vector Autoregressive Models With Cointegrated Variables, Energy, Elsevier, 25(2), s.149–168.
  12. Kutner, M. H., Nachtsheim, C. J., Neter, J. ve Li, W. (2005). Applied Linear Statistical Models. New York, Mc Graw- Hill Irwin Companies Inc. Mohr, S.H. ve Evans, G.M. (2009). Forecasting Coal Production Until 2100, Fuel, 88(11), s.2059–2067.
  13. Öztemel, E. (2012).
  14. Yapay Sinir Ağları, İstanbul,
  15. Papatya Yayıncılık. Patzek, T.W. ve Croft, G. D. (2010). A Global Coal Production Forecast with Multi-Hubbert Cycle Analysis, Energy, 35(8), s.3109-3122.
  16. Rutledge, D. (2011). Estimating Long-term World Coal Production with Logit and Probit Transforms, International Journal of Coal Geology, 85 (1), s.23–33.
  17. T.C. Kalkınma Bakanlığı (2015). Onuncu Kalkınma Planı 2014-2018 Madencilik Politikaları Özel İhtisas Komisyonu Raporu, Anka