Box-Jenkins ve Winter Üstel Düzgünleştirme Yöntemleriyle Türkiye’de ticari yumurta üretiminin modellenmesi ve geleceğe yönelik öngörüsü

Amaç: Ticari yumurta tavukçuluğu sektöründe yaşanan büyükgelişmeler ve Türkiye’nin potansiyel ihracat pazarlarının önemlibir kısmına yakın olması nedeniyle bu sektöre ilgiyi arttırdı.Bu çalışmanın amacı, 2010-2018 yılları arası Türkiye ticari yumurtaaylık üretimine ilişkin zaman serisinin Box-Jenkins veWinter’s Üstel Düzgünleştirme yöntemi ile modellenmesi ve bumodellerin kıyaslanarak öngörülerinin değerlendirilmesidir.Gereç ve Yöntem: Veri, Türkiye İstatistik Kurumu (TUİK) veritabanından 2010 ile 2018 yılları arası ticari yumurta tavukçuluğuüretimine ilişkin aylık bazda üretilen yumurta miktarlarıdır.Bu çalışmada, zaman serisi analizlerinde mevsimsel birleştirilmişotoregresif hareketli ortalama (SARIMA) yöntemi veWinter’s üstel düzgünleştirme yöntemi kullanılarak öngörülerelde edilmiştir ve öngörü modelleri RMSE, MAPE ve MAE ilekarşılaştırılarak değerlendirilmiştir.Bulgular: Model uyum kriterlerine bakıldığı zaman, Winter’süstel düzgünleştirme yönteminin Box-Jenkins yöntemine göreveriyi daha doğru açıkladıkları söylenebilir. Winter’s üstel düzgünleştirmeyönteminden çarpımsal model, MAPE ve MAE değerleridaha küçük çıktığı için tercih edilir.Öneri: Çarpımsal Winter’s üstel düzgünleştirme yöntemindenelde edilen modele göre 2017 yılı baz alındığında, tavuk yumurtasıüretim miktarının 2018 yılında %3.27, 2019 yılında ise%7.69 artacağı öngörülmektedir. Böylece 2018-2019 yılları arasındaTürkiye ticari yumurta üretiminde artış beklenmektedir.Elde edilen öngörü değerleri, ticari yumurta tavukçuluğu sektöründeilgili karar alıcılara yön göstermesi ve üretim planlamasıyapabilmesi açısından faydalı olabilir.

Forecasting of commercial egg production in Turkey with Box-Jenkins and Winter’s Exponential Smoothing Methods

Aim: The developments in the poultry industry, due to its closeness to an important part of Turkey's potential export markets has increased the interest in this sector. The aim of this study was to evaluate between January (2010) and February (2018) of time series related to commercial egg monthly production in Turkey, with Box-Jenkins and Winter's exponential smoothing method and comparison of the forecast models. Materials and Methods: Data was obtained from Turkey Statistical Institute (TUIK) database which related to commercial egg monthly production in Turkey between 2010 to 2018. In this study, the predictions obtained by using the seasonal autoregressive integrated moving average (SARIMA) and Winter's exponential smoothing method and the forecast models were compared with RMSE, MAPE and MAE criterions. Results: When we look at the model of accuracy measures, it can be said that Winter's exponential smoothing is more accurate than Box-Jenkins method. The multiplicative model of Winter's exponential smoothing method is preferred because the MAPE and MAE values are smaller. Conclusion: According to multiplicative Winter's exponential smoothing method, it is predicted that commercial egg production will increase 3.27% in 2018, 7.69% in 2019 based on the year 2017. According to results, the amount of commercial egg production tends to increase between 2018 and 2019. Forecasting of commercial egg production can be used in the poultry sector and useful for better decision making and production planning for the future.

PDF

___

Akdi Y, 2012. Zaman Serileri Analizi (Birim Kökler ve Kointegrasyon), 3. Baskı, Gazi kitabevi, Ankara, Türkiye, pp;1.
Anonim, 2017. Yumurta tavukçuluğu verileri.http://www. yum-bir.org/UserFiles/File/yumurta-veriler2017web. pdf, Erişim tarihi; 14.05.2018.
Anonim,2016. Durum ve tahmin kümes hayvancılığı http://www.tepge.gov.tr/Dosyalar/Yayinlar/673390d8ff57 426dacd46d15e456caf9.pdf, Erişim tarihi; 14.05.2018.
Anonim,2018.Kümes hayvancılığı üretimi tavuk yumurtası (bin adet) https://biruni.tuik.gov.tr/ medas/?kn=80&locale=tr, Erişim tarihi; 26.04.2018.
Anonim,2017.Afyonkarahisar Tavukçuluk ve Yumurta Sektörü İhracat Kümelenme Artıma Projesi. http://www.afyonborsa.org.tr/mngr/dokuman/ ATB%20Tavuk%C3%A7uluk%20%20ve%20 Yumurta%20Sekt%C3%B6r%C3%BC%20URGE%20 %C4%B0htiya%C3%A7%20Analiz%20Raporu.pdf. Erişim Tarihi: 06.06.2018
Anonim, 2016. Gıda Tarım ve Hayvancılık Bakanlığı Avrupa Birliği Ve Dış İlişkiler Genel Müdürlüğü.https://www.tarim. gov.tr/ABDGM/Belgeler/%C4%B0DAR%C4%B0%20 %C 4%B 0%C 5%9 E L E R / D%C 4%B 1%C 5%9 F%2 0 P a z a r % 2 0 S t r a t e j i l e r i / Y u m u r t a % 2 0 Sekt%C3%B6r%C3%BC%20D%C4%B1%C5%9F%20 Pazar%20Stratejileri%20Raporu.pdf . Erişim Tarihi: 06.06.2018
Box GEP, Jenkins GM, 1976. Time Series Analysis: Forecasting and Control Revised Edition, San Francisco: Holden Day.
Brockwell P, Davis R, 2002. Introduction to Time Series and Forecasting. 2nd. Ed., Springer,
Cenan N, Gürcan IS, 2011. Türkiye çiftlik hayvan sayılarının ileriye dönük projeksiyonu: ARIMA modellemesi, Veteriner Hekimler Derneği Dergisi, 81(1), 35-42
Chaudhari DJ , Tingre AS, 2015. Forecasting eggs production in India, Indian J. Anim. Res, 49 (3), 367-372.
Chen KY ,Wang CH, 2007. A hybrid SARIMA and support vector machines in forecasting the production values of the machinery industry in Taiwan, Expert Systems with Applications. 32, 254–264.
Çelik Ş, 2015. Tavuk sayısı, yumurta sayısı ve yumurta fiyatı arasındaki nedensellik ilişkinin incelenmesi, Erciyes Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 31(2), 156-162.
Çelik Ş, 2012. Türkiye’de et üretiminin Box-Jenkis yöntemiyle modellenmesi ve üretim projeksiyonu, Hayvansal Üretim, 53(2), 32-39, 2012
Çiçekgil Z, Yazıcı E, 2016. Türkiye’de Tavuk Yumurtası Mevcut Durumu ve Üretim Öngörüsü, TEAD,2(2), 26-34.
Dickey DA, Fuller WA, 1981. Likelihood ratio statistics for autoregressive time series with a unit root, Econometrica, 49(4), 1057-1072.
Fischer B, 1995. Decomposition of Time Series Comparing Different Methods in Theory and Practice, Eurostat Working Paper, no9/1998/A/8.
IBM Corp. Released 2015. IBM SPSS Statistics for Windows, Version 23.0. Armonk, NY: IBM Corp.
Irmak S, Köksal CD, Asilkan Ö, 2012. Hastanelerin Gelecekteki Hasta Yoğunluklarının Veri Madenciliği Yöntemleri İle Tahmin Edilmesi, Uluslararası Alanya İşletme Fakültesi Dergisi, 4, 1,101-114.
Kadılar C, 2005. SPSS Uygulamalı Zaman Serileri Analizine Giriş, Bizim Büro Basımevi, Ankara, Türkiye,300.
Lewis CD, 1997. Demand Forecasting and Inventory Control, Wiley, New York, USA.
Out AO, Osuji GA, Opara J, Mbachu HI, Iheagwara AI, (2014). Application of SARIMA Models in Modelling and Forecasting Nigeria’s Inflation Rates, American Journal of Applied Mathematics and Statistics, 2(1), 16-28.
Özcömert VB, 2016. Sağlık Alanında Zaman Serileri Analiz Yöntemlerinin Kullanılması ve Modellerin Karşılaştırılması, Yüksek lisans tezi, MÜ Sağlık Bilimleri Enstitüsü, Mersin.
Özen D, 2017. Türkiye’de küçükbaş hayvan sayısının Box- Jenkis yöntemiyle modellenmesi ve ileriye yönelik projeksiyonu, II. Ulusal Hayvancılık Ekonomisi Kongresi Bildiri Kitabı (Tam Metin), 170.
Sankar TJ, 2014. Design of a Stochastic Forecasting Model for Egg Production, IJISET,1,6,319-325.
Tekindal MA, Güllü Ö, Yazıcı AC, Yavuz Y, 2016. The modelling of time-series and the evaluation of forecasts for the future: the case of the number of persons per physician in turkey between 1928 and 2010, Biomedical Research, 27 (3), 965-971.
Torun N, 2015. Birim Kök Testlerinin Performanslarının Karşılaştırılması, Yükseklisans tezi, İÜ Sosyal Bilimler Enstitüsü, İstanbul.
Temuçin T, Temiz İ, 2016. Türkiye dış ticaret ihracat hacminin projeksiyonu: Holt-Winters ve Box-Jenkins modellerinin bir kıyaslaması, Süleyman Demirel Üniversitesi İktisadi ve İdari Bilimler Dergisi, 21(3), 937-960.
Yaffee R, McGee M, 2000. An Introduction to Time Series Analysis and Forecasting: With Applications of SAS and SPSS. Academic Presss, Inc, New York, 39-43.
Wickramarachchi AR, Herath HMLK, Jayasinghe-Mudalige UK, Edirisinghe JC, Udugama MM, Lokuge LDMN, Wijesuriya W, 2017. An Analysis of Price Behavior of Major Poultry Products in Sri Lanka, The Journal of Agricultural Sciences, 12(2), 138-148.
Zhang GP, 2003. Time series forecasting using a hybrid ARIMA and neural network model, Neurocomputing. 50,159–175.
Kam HJ, Sung JO, Park RW, 2010. Prediction of Daily Patient Numbers for a Regional Emergency Medical Center using Time Series Analysis, Healthc Inform Res., 16(3),158-165.