ARIMA YÖNTEMİYLE TÜRKİYE ’NİN HAVA YOLU KARGO TALEP TAHMİN MODELLEMESİ VE ÖNGÖRÜSÜ

Hava yolu ile taşınan yıllık kargo yük miktarının daha doğru tahmin edilmesi ve buna bağlı kargo talep tahmin modeliinin belirlenmesinin pratikte iki önemli katkısı bulunmaktadır. Birincisi, mikro açıdan bu konuda sektörde faaliyet gösteren lojistik firmalarına fiyatlamalarını doğru yapabilmeleri, kapasitelerini iyi yönetebilmeleri, tedarik ve satın alma ihtiyaçlarını doğru bir şekilde planlayabilmeleri, taşıyıcıların etkin filo planlamalarına olanak sağlamaları ve bu alandaki yatırımcılara bir öngörü sağlanması amacıyla bir girdi kaynağı oluşturabilmesi, ikincisi de, makro açıdan ülkemizin ekonomik ve kalkınma planlarını geliştirebilmelerine bir fırsat yaratmasıdır. Bu açıklanan nedenlerle, çalışmada 1978–2017 yılları arasında yurt içi ve yurt dışı gerçekleşen toplam hava kargo yükü verilerinden yararlanılarak tek değişkenli zaman serileri analizi kullanılarak bu analizler için geliştirilen Bütünleşik Otoregresif Hareketli Ortalama (ARIMA) yöntemiyle Türkiye’nin toplam havayolu kargo talebi modelinin belirlenmesi ve bu modelden yararlanılarak 2019-2023 yıllarına yönelik yıllık toplam kargo yük miktarlarının tahmin edilmesi çalışmanın amacı olarak belirlenmiştir. Çalışmadatek değişkene dayalı zaman serileri analizi kapsamında Box Jenkins yöntemine dayalı olarak Oto Regresif Bütüneşik Hareketli Ortalamalar (ARIMA) modeli kullanılarak en uygun ARIMA modeli oluşturulmuş ve bu model çerçevesinde dinamik tahminleme yöntemiyle ileriye dönük tahminlemeler yapılmıştır. Çalışmanın sonucunda belirlenen en uygun ARIMA modelinin ardından 2019-2023 yılları için modelin dinamik tahminlemesi yapılarak Türkiye’nin havayolu kargo yükü talepleri tahmini olarak tespit edilmiştir. Elde edilen gerçek ve tahmini değerlerin %95 güven aralığı içinde olduğu ve modelin ortalama mutlak hata payı yüzdesinin (OMHP), Theil Eşitsizlik Katsayısının, ve “Bias” Oranı değerlerinin kabul edilebilir seviyede değerler olduğu belirlenerek tek değişkenli denkleme dayalı oluşturulan ARIMA modelinin uygun ve modelin tahmin gücünün güvenilir olduğu sonucuna varılmıştır. Anahtar Kelimeler: Hava Kargo Taşımacılığı, Lojistik Talep Tahminleme, ARIMA, Box Jenkins

TURKEY’S AIR FREIGHT DEMAND ESTIMATION MODELLING AND FORCASTING BY ARIMA METHODOLOGY

There are two important practical benefits of the more precise estimation of annual air freight quantity and determination of air freight demand forecasting model. The first one, as per micro prespective, is able to provide important input resource, such as they are enabling more accurate pricing for logistic companies operating in the industry, enabling optimal capacity management and more accuretly supply and purchasing needs planning, providing effective fleet planning for the freighters and forseeing the investors in this field and the second one, as per macro perspective, is able to provide opportunity for progression of state’s economic and development plans. These reasons why that, in the study by using domestic and international actual total carried freight data between 1978-2017, via Auto Regresive Integrated Moving Average (ARIMA) method used in the analysis of univariate time series, determination of Turkey’s air cargo demand model, and by means of this model forecasting the annual cargo quantity for the period 2020-2023 are the purpose of this study. As a methodology in the study, based on single variable time seires analysis depend on Box Jenkins Auto Regressive Integrated Moving Average (ARIMA) model was used and the optimal ARIMA model selected among the alternatives then in the framework of this model, forecasts have been done by using dynamic estimation model. After the optimal ARIMA model established, the Turkey’s air cargo demand quantities forecasted for the period 2020-2023. it was seen that actual and forecasted values are fitted in the boundires of %95 confidence interval and proposed ARIMA Model’s Mean Absolute Percent Error, Theil’s Inequality Coefficent and Bias Proportion values are acceptable levels. Therefore, it was concluded that the proposed ARIMA Model is fit and power of the its estimation is reliable. 

___

  • Asteriou, D., & Hall, S. G. (2011). ARIMA models and the Box–Jenkins methodology. Applied Econometrics, 2(2), 265-286.
  • Atag (2007). Air Transport Drives Economic and Social Progress, The Economic &Social Benefits of Air transportation.
  • Balık. M. (2015). Hava Kargo Taşımacılığı Ve Türkiye’deki Gelişimini Etkileyen Faktörler (Master's thesis, Afyon Kocatepe Üniversitesi Sosyal Bilimler Enstitüsü).
  • Basak, M., West, M., & Narang, S. (2013). Forecasting Air Cargo Demand in India. International Journal of Engineering Science and Innovative Technology, 2(6), 39-401.
  • Batur, B. S. (2008). Hava yolcu ve kargo taşımacılığı dünyadan ve Türkiye'den Uygulamalar (Doctoral dissertation,DEÜ Sosyal Bilimleri Enstitüsü).
  • Bircan, H., ve Karagöz, Y. (2003). Box-Jenkins Modelleri ile Aylık Döviz Kuru Tahmini Üzerine Bir Uygulama.
  • Box, G.E.P & Jenkins, G.M.(1976) Time Series Analysis Forecasting and Control, Revised Edition, Holden. DayInc., California, 170p.
  • Bozkurt, H.Y. (2013). Zaman Serileri Analizi, Ekin Yayınevi, Kocaeli.
  • Boeing (2018). https://boeing.mediaroom.com/2010-11-02-Boeing-World-Air-Cargo-Forecast(Erişim Tarihi:03.11.2018).
  • Cenan, N., ve Gürcan, İ. S. (2011). Türkiye çiftlik hayvan sayılarının ileriye yönelik projeksiyonu: ARIMA Modellemesi. Veteriner Hekimler Derneği Dergisi, 82(1), 35-42.
  • Chi, J., and J. Baek (2012). Price and Income Elasticities of Demand for AirTransportation: Empirical Evidence from U.S. Aircargo Industry. Journalof Air Transport Management, Vol. 20, pp. 18–19. Chudy-Laskowska, K., and Pisula, T. (2917). “Seasonal Forcasting For Air Passenger “,Conference Paper , DOI: 10.5593/sgemsocial2017/14/S04.089 Trafic
  • Chang, Y. H., & Chang, Y. W. (2009). Air cargo expansion and economic growth: Finding the empirical link. Journal of Air Transport Management, 15(5), 264-265.
  • Gujarati, D. (2014). Econometrics by example. Macmillan International Higher Education.
  • Jiang, H., Ren, L & Hansman, R.J. (2003). Market and Infrastructure Analysis of Future Air Cargo Demand in Chaina‖, AIAA's 3rd Annual Aviation Technology, Integration, and Operations (ATIO) Forum, Denver, Colorado,pp.17-19, Series/Report no.: AIAA-2003-6770, Nov.
  • Hassan,S.A ve Quadi, A.T.(2018). Forecasting Passenger Numbers in Saudi Arabian Airlines Flights, International Journal of Engineering Science Invention (IJESI) ISSN (Online): 2319 – 6734, ISSN (Print): 2319 – 6726.
  • Heng, H. J., Zheng, B. Z., & Li, Y. J. (2009). Study of SVM-based air-cargo demand forecast model, In Computational Intelligence and Security, December,CIS'09. International Conference on (Vol. 2, pp. 53-55). IEEE.
  • International Air Transportation Association (2012). “2012 Annual Review”, http://www.iata.org/about/Documents/annual-review-2012.pdf. (Erişim Tarihi: 24.10.2018).
  • Irmak, S., Köksal, C. D.,ve Asilkan, Ö. (2012). Hastanelerin Gelecekteki Hasta Yoğunluklarının Veri Madenciliği Yöntemleri İle Tahmin Edilmesi. Journal of Alanya Faculty of Business/Alanya Isletme Fakültesi Dergisi, 4(1).
  • Jiang, H., L. Ren, and R. J. Hansman (2003). Market and Infrastructure Analysisof Future Air Cargo Demand in China. Proc., 3rd AIAA Annual AviationTechnology, Integration and Operations (ATIO) Forum, Denver, Colo.,Nov. 17–19.
  • Kasarda, J. D., & Green, J. D. (2005). Air cargo as an economic development engine: A note on opportunities and constraints. Journal of Air Transport Management, 11(6), 459-462.
  • Kiracı, K., ve Battal, Ü. (2018). Havayolu Taşımacılığının Makroekonomik Belirleyicileri: Türkiye Üzerine Bir VAR Analizi. Gaziantep University Journal of Social Sciences, 17(4), 1536-1557.
  • Korul, V. ve Küçükönal, H. (2003). “Türk Sivil Havacılık Sisteminin Yapısal Analizi”, Ege Akademik Bakış. Sayı: 1, Cilt: 3. İzmir
  • Leinbach, T.R. ve Capineri, C. (2007). Globalized Freight Transport. Intermodality, e-Commerce, Logistics and Sustainability, Northampton, Edward Elgar Publishing.
  • Lewis, C. D. (1982). Industrial and business forecasting methods: A practical guide to exponential smoothing and curve fitting. Butterworth-Heinemann.
  • Meriç, O. ve Karabacak, M. (2011). “ARIMA Modelleri İle Enflasyon Tahminlemesi: Türkiye Uygulaması”, Sosyal Ekonomik Araştırmalar Dergisi, 11(22), 177-198.
  • Morrell, P.S (2017). “Moving Boxes by Air”, The Economics of International Air Cargo, Cranfield University, UK. Ozan, C., Başkan, Ö., Haldenbilen, S., & Ceylan, H. (2014). Yurtiçi hava taşımacılığı talebinin modellenmesi ve senaryolar altında değerlendirilmesi.
  • Özer, O.,ve İlkdoğan, U. (2013). Box-Jenkins Modeli Yardımıyla Dünya Pamuk Fiyatının Tahmini.
  • Popescu, A.(2006). “Air Cargo Revenue and Capacitiy Management”, Georgia Institute of Technology - School of Industrial and Systems Engineering PhD Thesis, Atlanta.
  • Solak, A. O. (2013). “Türkiye’nin Toplam Petrol Talebi ve Ulaştırma Sektörü Petrol Talebinin ARIMA Modeli İle Tahmin Edilmesi”, Süleyman Demirel Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 18(3), 131-142.
  • Senguttuvan, P. S. (2006). Air Cargo: Engine for economic growth and development a case study of Asian region. In National Urban Freight Conference (pp. 1-3), February.
  • Subaşı, D.B. (2005). Enflasyonun ARIMA Modelleri İle Tahminlenmesi:1994–2005 Türkiye Uygulaması, Yüksek Lisans Tezi, Dumlupınar Üniversitesi, Sosyal Bilimler Enstitüsü, İktisat Anabilim Dalı, Kütahya.
  • Suh, S. S., Park, J. W., Song, G. S., and Cho, S. G. (2014). A Study of Air Freight Forecasting Using the ARIMA Model. Journal of Distribution Science, 12(2), 59-71.
  • Tuik (2018). https://www.tuik.org.tr, (Erişim Tarihi: 2018, Aralık).
  • Ulaştırma ve Alt Yapı Bakanlığı (2013). “11. Ulaştırma, Denizcilik ve Haberleşme Şurası”, Havacılık ve UzayTeknolojileri Çalışma Raporu, s.220, Ankara
  • Tortum, A., Gözcü, O., ve Codur, M. Y. (2014a). Türkiye’de Hava Ulaşım Talebinin Arıma Modelleri ile Tahmin Edilmesi. Iğdır Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 4(2), 39-54.
  • Tortum, A., Gözcü, O., ve Codur, M. Y. (2014b)."Türkiye’de Hava Ulaşım Talebinin Arıma Modelleri le Tahmin Edilmesi." Iğdır Üniversitesi Fen Bilimleri Enstitüsü Dergisi 4.2.
  • Totamane, R., Dasgupta, A., Mulukutla, R. N., & Rao, S. (2009). Air cargo demand prediction. In 2009 3rd Annual IEEE Systems Conference (pp. 401-406). IEEE.
  • Turşucu, E. (1995). Türkiye’de Hava Yolu Kargo Taşımacılığı Pazarlaması: Sorunları ve Çözüm Önerileri, Yüksek Lisans Tezi, Gzi Üniversitesi, Ankara
  • Vandaele, W. (1983). Applied time series and Box-Jenkins models (No.04; HB3730, V3.).
  • Vergil, H., ve Özkan, F. (2007). Döviz Kurları Öngörüsünde Parasal Model ve Arima Modelleri: Türkiye Örneği. Kocaeli Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, (13), 211-231.
  • Wang, G. H. K., W. Maling, and E. McCarthy (1981). Functional Forms andAggregate U.S. Domestic Air Cargo Demand: 1950–1977. TransportationResearch Part A, Vol. 15, 1981, pp. 249–256.
  • Yakut, F. (2012). Hava Kargo Taşımacılığının Türkiye’de Mevcut Durmunun Geliştirilmesi İçin Yapılması Gerekenler, Yüksek Lisans Tesi, Eskişehir Anadolu Üniversitesi
  • Yılmaz, A. (2003). Zaman Serileri Analizi, Bıçaklar Kitapevi, Ankara.
  • Yücesan, M. (2018). “YSA, ARIMA ve ARIMAX Yöntemleriyle Satış Tahmini: Beyaz Eşya Sektöründe bir Uygulama”, İşletme Araştırmaları Dergisi, 10(1), 689-706.
  • Yücesan, M., Gul, M.,ve Celik, E. (2018a). “Performance comparison between ARIMAX, ANN and ARIMAX-ANN hybridization in sales forecasting for furniture industry”, Drvna industrija: Znanstveni časopis za pitanja drvne tehnologije, 69(4), 357-370.
  • Yücesan, M., Gul, M.,ve Celik, E. (2018b)Yü. “A multi-method patient arrival forecasting outline for hospital emergency departments. International Journal of Healthcare Management,” 1-13.
  • Zhang, A. ve Zhang, Y. (2002). “Issues on Liberalization of Air Cargo Services in International Aviation”, Journal of Air TransportManagement, Hong Kong.