Research Article
BibTex RIS Cite

YAPAY SİNİR AĞLARI İLE TÜRKİYE PLASTİK SEKTÖRÜ İTHALAT TAHMİNİ: 2023 YILI NİSAN-ARALIK AYLARI

Year 2023, Volume: 10 Issue: 23, 91 - 114, 31.12.2023

Kamil Abdullah Eşidir Yunus Emre Gür

https://doi.org/10.58884/akademik-hassasiyetler.1307536

Abstract

Plastik malzemeler, günümüzde birçok endüstriyel ve tüketici ürününün üretiminde önemli bir rol oynamaktadır. Türkiye gibi gelişmekte olan ülkelerde, endüstriyel büyüme ve nüfus artışı gibi faktörler plastik talebini artırmaktadır. Bu talebin karşılanması için de Türkiye gibi ülkeler, çoğunlukla ithalat yoluyla plastik malzemeleri temin etmektedirler. Dolayısıyla, Türkiye adına ekonomik açıdan oldukça önemli bir potansiyele sahip olan plastik sektörünün ithalat değerinin tahmin edilmesi önem arz etmektedir.
Bu çalışma, yapay sinir ağları (YSA) kullanarak, Türkiye’nin plastik sektöründeki gelecek ithalat değerini tahmin etmeyi amaçlamaktadır. Çalışmada kullanılan veriler, Türkiye İstatistik Kurumundan (TÜİK) ve Türkiye Cumhuriyet Merkez Bankasından (TCMB) edinilmiştir. Veri seti 2000 ile 2023 yılları arasındaki aylık verileri (267 ay) kapsamaktadır. Modelin bağımlı değişkeni, Türkiye aylık plastik ithalat değeridir. Bununla birlikte, modelin 6 adet bağımsız değişkeni vardır. Bunlar; aylık ortalama Amerikan Doları Kuru, aylık Türkiye ihracatı, aylık Türkiye ithalatı, plastik üretici fiyat endeksi (ÜFE), aylık Avrupa petrol varil fiyatı ve aylık plastik ihracat değeridir. Çalışmanın sonuçları, 2023 yılı Nisan-Aralık ayları arasında, Türkiye’nin aylık plastik ithalatının 1,25 ile 1,45 milyar USD arasında gerçekleşeceğini göstermektedir. Ayrıca bu çalışma, Türkiye plastik ithalatının tahmin edilmesinde YSA modellerinin potansiyelini vurgulamaktadır. Gelecekteki çalışmalar, daha kapsamlı veri setleri, daha karmaşık sinir ağı mimarileri ve farklı ekonomik değişkenlerin etkilerini dahil ederek tahmin performansını daha da iyileştirmeyi hedefleyebilir.

Keywords

Yapay Sinir Ağları MultiLayer Perceptron Arima İthalat Plastik Sektörü

References

  • Alam, T. (2019). Forecasting exports and imports through artificial neural network and autoregressive integrated moving average. Decision Science Letters, 8, 249–260.
  • Arminarahmah, N., Rizki, S. D., Putra, O. A., & Wanto, A. (2022). Performance analysis and model determination for forecasting aluminum imports using the Powell-Beale algorithm. International Journal of Information System and Technology, 5(5), 624-632.
  • Barrowclough, D., & Birkbeck, C. D. (2022). Transforming the global plastics economy: the role of economic policies in the global governance of plastic pollution. Social Sciences, 11(1), 26.
  • Batarseh, F., Gopinath, M., Nalluru, G., & Beckman, J. (2019). Application of machine learning in forecasting international trade trends. ArXiv:1910.03112.
  • d’Ambrières, W. (2019). Plastics recycling worldwide: current overview and desirable changes.  The Journal of Field Actions, (Special Issue 19), 12-21.
  • Eris, E. D., Ozer, P. S., & Ozmen, O. N. T. (2012). Strategic and market oriented behaviors in Turkish plastics industry. International Journal of Business And Management Studies, 4(1), 87-99.
  • Eşidir, K. A. , Gür, Y. E. , Yoğunlu, V. & Çubuk, M. (2022). Yapay Sinir Ağları (YSA) ve ARIMA Modelleri ile Türkiye’de aylık sıfır km otomobil satış adetlerinin tahmin edilmesi. Pamukkale Üniversitesi İşletme Araştırmaları Dergisi, 9(2), 260-277.
  • Geyer, R., Jambeck, J. R., & Law, K. L. (2017). Production, use, and fate of all plastics ever made. Science Advances, 3(7), 1-5.
  • Gourmelon, G. (2015). Global plastic production rises, recycling lags. Vital Signs, 22, 91-95.
  • Gujarati, D. N. (2003). Basic econometrics. McGraw Hill: Newyork.
  • Halde, R. U. (2010). Plastics and health Risks. T. B. Center for environmental biotechnology içinde, The Annual Review of Public Health, 179–194. Baltimore, Maryland: Center for Water and Health, Bloomberg School of Public Health, Johns Hopkins University.
  • Kavaklıoğlu, K., Ceylan, H., Öztürk, H. K., & Canyurt, O. E. (2009). Modeling and prediction of Turkey’s electricity consumption using artificial neural networks. Energy Conversion and Management, 50(11), 2719-2727.
  • Kukreja, H., Bharath, N., Siddesh, C.S., Kuldeep, S. (2016), An introduction to artificial neural network. International Journal of Advance Research and Innovative Ideas in Education, 1, 27-30.
  • Kuo, R. J., & Li, P. S. (2016). Taiwanese export trade forecasting using firefly algorithm based k-means algorithm and svr with wavelet transform. Computers & Industrial Engineering, 99, 153–161. https://doi.org/10.1016/j.cie.2016.07.012.
  • Park, Y. S., & Lek, S. (2016). Artificial neural networks: Multilayer perceptron for ecological modeling. In Developments in environmental modelling, 28, 123-140.
  • Shen, M.-L., Lee, C.-F., Liu, H.-H., Chang, P.-Y., & Yang, C.-H. (2021). Effective multinational trade forecasting using lstm recurrent neural network. Expert Systems with Applications, 182, Article 115199. https://doi.org/10.1016/j.eswa.2021.115199.
  • Suler, P., Rowland, Z., & Krulicky, T. (2021). Evaluation of the accuracy of machine learning predictions of the Czech Republic’s exports to the China. Journal of Risk and Financial Management, 14(2), 76.
  • Sun, Y., Zhang, X., & Wang, S. (2020). A hierarchical forecasting model for china’s foreign trade. Journal of Systems Science and Complexity, 33, 743–759. https://doi. org/10.1007/s11424-020-8070-y.
  • Temurçin, K. (2015). Large scale industrial enterprises in Turkish industry: Their structures, characteristics and spatial distribution. Prace Komisji Geografii Przemysłu Polskiego Towarzystwa Geograficznego, 29(1), 89-112.
  • Türkiye Cumhuriyet Merkez Bankası Elektronik Veri Dağıtım Sistemi (2023, 5 Mayıs). 20 Mayıs 2023 tarihinde https://evds2.tcmb.gov.tr/index.php?/evds/serieMarket adresinden erişilmiştir.
  • Türkiye İstatistik Kurumu (2023, 18 Mayıs), www.tuik.gov.tr
  • Veenstra, A. W., & Haralambides, H. E. (2001). Multivariate autoregressive models for forecasting seaborne trade flows. Transportation Research Part E: Logistics and Transportation Review, 37, 311–319. https://doi.org/10.1016/S1366-5545(00) 00020-X.
  • Wang, Y., Wei, W., Bi, Z., Cao, R., Li, J., Shu, D., & Lou, Z. (2021). Decomposing the decoupling of plastics consumption and economic growth in G7 and China: Evidence from 2001 to 2020 based on China's import ban. Journal of Environmental Management, 296, 113225.
  • Wang, Y.-H., & Lee, J.-D. (2012). Estimating the import demand function for china. Economic Modelling, 29, 2591–2596. https://doi.org/10.1016/j.econmod.2012.08.
  • Wanto, A., Hayadi, B. H., Subekti, P., Sudrajat, D., Wikansari, R., Bhawika, G. W., ... & Surya, S. (2019). Forecasting the export and import volume of crude oil, oil products and gas using ANN. In Journal of Physics: Conference Series, 1255, No. 1, p. 012016.
  • Wen, Z., Xie, Y., Chen, M., & Dinga, C. D. (2021). China’s plastic import ban increases prospects of environmental impact mitigation of plastic waste trade flow worldwide. Nature communications, 12(1), 425.
  • Wibowo, S. M., Hakim, D. B., Barus, B., & Fauzi, A. (2022). Estimation of Energy Demand in Indonesia using Artificial Neural Network. International Journal of Energy Economics and Policy, 12(6), 261.
  • Yildizhan, F. S. (2021). A Technical and Industrial Analysis of Global Plastics Market, Trade, Financing, and Operations. ScienceOpen Preprints.
  • Yu, L., Wang, S., & Lai, K. K. (2008). Forecasting China’s foreign trade volume with a kernel-based hybrid econometric-ai ensemble learning approach. Journal of Systems Science and Complexity, 21, 1–19. https://doi.org/10.1007/s11424-008-9062-5.
  • Zhu, S., & Gong, S. (2023). Research on weighted directed dynamic multiplexing network of world grain trade based on improved mlp framework. Journal of Computer and Communications, 11(7), 191-207.

TURKISH PLASTICS INDUSTRY IMPORT FORECAST WITH ARTIFICIAL NEURAL NETWORKS: APRIL-DECEMBER 2023

Year 2023, Volume: 10 Issue: 23, 91 - 114, 31.12.2023

Kamil Abdullah Eşidir Yunus Emre Gür

https://doi.org/10.58884/akademik-hassasiyetler.1307536

Abstract

Plastic materials play an important role in the production of many industrial and consumer products today. In developing countries such as Turkey, factors such as industrial growth and population growth increase the demand for plastics. In order to meet this demand, countries such as Turkey mostly supply plastic materials through imports. Therefore, it is important to estimate the import value of the plastics industry, which has a very important economic potential for Turkey.
This study aims to predict the future import value of Turkey's plastics industry by using artificial neural networks (ANN). The data used in the study were obtained from the Turkish Statistical Institute (TURKSTAT) and the Central Bank of the Republic of Turkey (CBRT). The data set includes monthly data (267 months) between 2000 and 2023. The dependent variable of the model is Turkey's monthly plastic import value. The model has 6 independent variables. These; monthly average US Dollar Rate, monthly Turkey export, monthly Turkey import, plastic producer price index (PPI), monthly European oil barrel price and monthly plastic export value. The results of the study show that Turkey's monthly plastic import will be between 1.25 and 1.45 billion USD between April and December 2023. In addition, this study highlights the potential of ANN models in estimating plastic imports in Turkey. Future work may aim to further improve forecasting performance by incorporating more comprehensive datasets, more complex neural network architectures, and the effects of different economic variables.

Keywords

Artificial Neural Networks MultiLayer Perceptron Arima Import Plastic Sector

References

  • Alam, T. (2019). Forecasting exports and imports through artificial neural network and autoregressive integrated moving average. Decision Science Letters, 8, 249–260.
  • Arminarahmah, N., Rizki, S. D., Putra, O. A., & Wanto, A. (2022). Performance analysis and model determination for forecasting aluminum imports using the Powell-Beale algorithm. International Journal of Information System and Technology, 5(5), 624-632.
  • Barrowclough, D., & Birkbeck, C. D. (2022). Transforming the global plastics economy: the role of economic policies in the global governance of plastic pollution. Social Sciences, 11(1), 26.
  • Batarseh, F., Gopinath, M., Nalluru, G., & Beckman, J. (2019). Application of machine learning in forecasting international trade trends. ArXiv:1910.03112.
  • d’Ambrières, W. (2019). Plastics recycling worldwide: current overview and desirable changes.  The Journal of Field Actions, (Special Issue 19), 12-21.
  • Eris, E. D., Ozer, P. S., & Ozmen, O. N. T. (2012). Strategic and market oriented behaviors in Turkish plastics industry. International Journal of Business And Management Studies, 4(1), 87-99.
  • Eşidir, K. A. , Gür, Y. E. , Yoğunlu, V. & Çubuk, M. (2022). Yapay Sinir Ağları (YSA) ve ARIMA Modelleri ile Türkiye’de aylık sıfır km otomobil satış adetlerinin tahmin edilmesi. Pamukkale Üniversitesi İşletme Araştırmaları Dergisi, 9(2), 260-277.
  • Geyer, R., Jambeck, J. R., & Law, K. L. (2017). Production, use, and fate of all plastics ever made. Science Advances, 3(7), 1-5.
  • Gourmelon, G. (2015). Global plastic production rises, recycling lags. Vital Signs, 22, 91-95.
  • Gujarati, D. N. (2003). Basic econometrics. McGraw Hill: Newyork.
  • Halde, R. U. (2010). Plastics and health Risks. T. B. Center for environmental biotechnology içinde, The Annual Review of Public Health, 179–194. Baltimore, Maryland: Center for Water and Health, Bloomberg School of Public Health, Johns Hopkins University.
  • Kavaklıoğlu, K., Ceylan, H., Öztürk, H. K., & Canyurt, O. E. (2009). Modeling and prediction of Turkey’s electricity consumption using artificial neural networks. Energy Conversion and Management, 50(11), 2719-2727.
  • Kukreja, H., Bharath, N., Siddesh, C.S., Kuldeep, S. (2016), An introduction to artificial neural network. International Journal of Advance Research and Innovative Ideas in Education, 1, 27-30.
  • Kuo, R. J., & Li, P. S. (2016). Taiwanese export trade forecasting using firefly algorithm based k-means algorithm and svr with wavelet transform. Computers & Industrial Engineering, 99, 153–161. https://doi.org/10.1016/j.cie.2016.07.012.
  • Park, Y. S., & Lek, S. (2016). Artificial neural networks: Multilayer perceptron for ecological modeling. In Developments in environmental modelling, 28, 123-140.
  • Shen, M.-L., Lee, C.-F., Liu, H.-H., Chang, P.-Y., & Yang, C.-H. (2021). Effective multinational trade forecasting using lstm recurrent neural network. Expert Systems with Applications, 182, Article 115199. https://doi.org/10.1016/j.eswa.2021.115199.
  • Suler, P., Rowland, Z., & Krulicky, T. (2021). Evaluation of the accuracy of machine learning predictions of the Czech Republic’s exports to the China. Journal of Risk and Financial Management, 14(2), 76.
  • Sun, Y., Zhang, X., & Wang, S. (2020). A hierarchical forecasting model for china’s foreign trade. Journal of Systems Science and Complexity, 33, 743–759. https://doi. org/10.1007/s11424-020-8070-y.
  • Temurçin, K. (2015). Large scale industrial enterprises in Turkish industry: Their structures, characteristics and spatial distribution. Prace Komisji Geografii Przemysłu Polskiego Towarzystwa Geograficznego, 29(1), 89-112.
  • Türkiye Cumhuriyet Merkez Bankası Elektronik Veri Dağıtım Sistemi (2023, 5 Mayıs). 20 Mayıs 2023 tarihinde https://evds2.tcmb.gov.tr/index.php?/evds/serieMarket adresinden erişilmiştir.
  • Türkiye İstatistik Kurumu (2023, 18 Mayıs), www.tuik.gov.tr
  • Veenstra, A. W., & Haralambides, H. E. (2001). Multivariate autoregressive models for forecasting seaborne trade flows. Transportation Research Part E: Logistics and Transportation Review, 37, 311–319. https://doi.org/10.1016/S1366-5545(00) 00020-X.
  • Wang, Y., Wei, W., Bi, Z., Cao, R., Li, J., Shu, D., & Lou, Z. (2021). Decomposing the decoupling of plastics consumption and economic growth in G7 and China: Evidence from 2001 to 2020 based on China's import ban. Journal of Environmental Management, 296, 113225.
  • Wang, Y.-H., & Lee, J.-D. (2012). Estimating the import demand function for china. Economic Modelling, 29, 2591–2596. https://doi.org/10.1016/j.econmod.2012.08.
  • Wanto, A., Hayadi, B. H., Subekti, P., Sudrajat, D., Wikansari, R., Bhawika, G. W., ... & Surya, S. (2019). Forecasting the export and import volume of crude oil, oil products and gas using ANN. In Journal of Physics: Conference Series, 1255, No. 1, p. 012016.
  • Wen, Z., Xie, Y., Chen, M., & Dinga, C. D. (2021). China’s plastic import ban increases prospects of environmental impact mitigation of plastic waste trade flow worldwide. Nature communications, 12(1), 425.
  • Wibowo, S. M., Hakim, D. B., Barus, B., & Fauzi, A. (2022). Estimation of Energy Demand in Indonesia using Artificial Neural Network. International Journal of Energy Economics and Policy, 12(6), 261.
  • Yildizhan, F. S. (2021). A Technical and Industrial Analysis of Global Plastics Market, Trade, Financing, and Operations. ScienceOpen Preprints.
  • Yu, L., Wang, S., & Lai, K. K. (2008). Forecasting China’s foreign trade volume with a kernel-based hybrid econometric-ai ensemble learning approach. Journal of Systems Science and Complexity, 21, 1–19. https://doi.org/10.1007/s11424-008-9062-5.
  • Zhu, S., & Gong, S. (2023). Research on weighted directed dynamic multiplexing network of world grain trade based on improved mlp framework. Journal of Computer and Communications, 11(7), 191-207.
There are 30 citations in total.

Details

Primary Language Turkish
Journal Section Research Article
Authors

Kamil Abdullah Eşidir 0000-0002-8106-1758

Yunus Emre Gür 0000-0001-6530-0598

Early Pub Date December 29, 2023
Publication Date December 31, 2023
Submission Date May 31, 2023
Published in Issue Year 2023 Volume: 10 Issue: 23

Cite

APA Eşidir, K. A., & Gür, Y. E. (2023). YAPAY SİNİR AĞLARI İLE TÜRKİYE PLASTİK SEKTÖRÜ İTHALAT TAHMİNİ: 2023 YILI NİSAN-ARALIK AYLARI. Akademik Hassasiyetler, 10(23), 91-114. https://doi.org/10.58884/akademik-hassasiyetler.1307536
AMA Eşidir KA, Gür YE. YAPAY SİNİR AĞLARI İLE TÜRKİYE PLASTİK SEKTÖRÜ İTHALAT TAHMİNİ: 2023 YILI NİSAN-ARALIK AYLARI. Akademik Hassasiyetler. December 2023;10(23):91-114. doi:10.58884/akademik-hassasiyetler.1307536
Chicago Eşidir, Kamil Abdullah, and Yunus Emre Gür. “YAPAY SİNİR AĞLARI İLE TÜRKİYE PLASTİK SEKTÖRÜ İTHALAT TAHMİNİ: 2023 YILI NİSAN-ARALIK AYLARI”. Akademik Hassasiyetler 10, no. 23 (December 2023): 91-114. https://doi.org/10.58884/akademik-hassasiyetler.1307536.
EndNote Eşidir KA, Gür YE (December 1, 2023) YAPAY SİNİR AĞLARI İLE TÜRKİYE PLASTİK SEKTÖRÜ İTHALAT TAHMİNİ: 2023 YILI NİSAN-ARALIK AYLARI. Akademik Hassasiyetler 10 23 91–114.
IEEE K. A. Eşidir and Y. E. Gür, “YAPAY SİNİR AĞLARI İLE TÜRKİYE PLASTİK SEKTÖRÜ İTHALAT TAHMİNİ: 2023 YILI NİSAN-ARALIK AYLARI”, Akademik Hassasiyetler, vol. 10, no. 23, pp. 91–114, 2023, doi: 10.58884/akademik-hassasiyetler.1307536.
ISNAD Eşidir, Kamil Abdullah - Gür, Yunus Emre. “YAPAY SİNİR AĞLARI İLE TÜRKİYE PLASTİK SEKTÖRÜ İTHALAT TAHMİNİ: 2023 YILI NİSAN-ARALIK AYLARI”. Akademik Hassasiyetler 10/23 (December 2023), 91-114. https://doi.org/10.58884/akademik-hassasiyetler.1307536.
JAMA Eşidir KA, Gür YE. YAPAY SİNİR AĞLARI İLE TÜRKİYE PLASTİK SEKTÖRÜ İTHALAT TAHMİNİ: 2023 YILI NİSAN-ARALIK AYLARI. Akademik Hassasiyetler. 2023;10:91–114.
MLA Eşidir, Kamil Abdullah and Yunus Emre Gür. “YAPAY SİNİR AĞLARI İLE TÜRKİYE PLASTİK SEKTÖRÜ İTHALAT TAHMİNİ: 2023 YILI NİSAN-ARALIK AYLARI”. Akademik Hassasiyetler, vol. 10, no. 23, 2023, pp. 91-114, doi:10.58884/akademik-hassasiyetler.1307536.
Vancouver Eşidir KA, Gür YE. YAPAY SİNİR AĞLARI İLE TÜRKİYE PLASTİK SEKTÖRÜ İTHALAT TAHMİNİ: 2023 YILI NİSAN-ARALIK AYLARI. Akademik Hassasiyetler. 2023;10(23):91-114.
 Download Cover Image

MAKALE DEĞERLENDİRME SÜRECİ

Yazar tarafından gönderilen bir makale, gönderim tarihinden itibaren 10 gün içinde dergi sekreteri tarafından makalenin, telif sözleşmesinin ve benzerlik raporunun (Turnitin programı) eksiksiz ve düzgün bir şekilde gönderilip gönderilmediği yönünden incelenir. İstenilen bu dosyalar eksiksiz ve düzgün bir şekilde gönderilmiş ise makale; ikinci aşamada derginin yayın çizgisine uygun olup olmadığı yönünden değerlendirilir. Bu süreçte makale yayın çizgisine uygun değilse yazara iade edilir. Makale yayın çizgisine uygun ise şablona uygun bir şekilde gönderilip gönderilmediği yönünden değerlendirilir. Şayet makale şablona uyarlanıp gönderilmemiş ise değerlendirme sürecine alınmaz. Bu süreçte yazarın derginin belirlediği şartlara uygun bir şekilde sisteme makale yüklemesi beklenir. Makale şablona uygun bir şekilde hazırlanıp gönderilmiş ise son aşamada makale derginin yayın ilkeleri, yazım kuralları, öz, abstract, extented abstract, kaynakça gösterimi vb. yönlerden incelenir. Bu ayrıntılarda makalede bir sorun varsa yazarın bu hususları tamamlaması istenir ve verilen süre içerisinde eksiksiz bir şekilde yeniden makaleyi göndermesi istenir.
Tüm bu aşamaları geçen makale, editör tarafından bilimsel yeterliliğinin denetlenmesi amacıyla ikinci 7 günlük süre içerisinde çalışmaya uygun iki hakeme değerlendirmeleri için gönderilir. Hakemlerin değerlendirme süreleri 15 gündür. Bu süre zarfında hakemlik görevini tamamlamayan bir hakem olursa ilgili hakeme değerlendirmeyi tamamlaması için 7 günlük ek süre verilebilir. Bu süre zarfında hakem görevini yerine getirmezse yerine yeni bir hakem ataması yapılır. En az iki hakemden gelen raporlar olumlu ise makale yayın aşamasına alınır. Hakem raporlarından birisi olumlu diğeri olumsuz ise makale üçüncü bir hakeme gönderilir. Üçüncü hakem raporu da olumsuz ise makale ret edilir. Üçüncü hakemin değerlendirmesi olumlu ise makaleyle ilgili hakem raporları dergi alan editörlerinden oluşan Editörler Kurulu tarafından incelenir. Makalenin yayınlanmasıyla ilgili nihai karar alan editörlerinden oluşan Editörler Kurulu tarafından verilir. Hakem raporlarının yetersiz ve tatmin etmekten uzak olması veya İngilizce editör tarafından abstract ve extented abstract’ın yetersiz görülmesi hallerinde de yine makaleyle ilgili son karar Editörler Kurulu tarafından verilir. Tüm bu aşamalardan geçen bir makale en yakın sayıya yayınlanmak üzere eklenir. İlgili sayıda yer kalmaması halinde makalenin yayımı bir sonraki sayıya kaydırılır. Bu durumda ve tüm değerlendirme sürecinde yazar isterse makalesini geri çekme hakkına sahiptir. Ancak bu durumu dergiye bildirmesi gerekir. Makale gönderim tarihinden makalenin yayına kabul tarihine kadar tüm bu işlemler için ortalama 3 aylık bir süre öngörülmektedir.