Deniz ticaret endekslerini zaman serisi modelleri kullanarak tahminleme
Forecasting maritime trade indexes by using the time series models
- Tez No: 755931
- Danışmanlar: PROF. DR. LEYLA TAVACIOĞLU
- Tez Türü: Doktora
- Konular: Denizcilik, Marine
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2022
- Dil: Türkçe
- Üniversite: İstanbul Teknik Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Deniz Ulaştırma Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Deniz Ulaştırma Mühendisliği Bilim Dalı
- Sayfa Sayısı: 95
Özet
Günümüzde şirketlerin geleceklerine yön verebilmesi, karlılıklarını arttırarak anlamlı bir büyüme ivmesi yakalayabilmeleri, gelir gider dengesini optimum düzeyde tutarak karlılığı maksimize etmeleri, olumsuz koşullarda varlıklarını sürdürebilmeleri ve doğru zamanda doğru kararlar alabilmeleri, sektörlerinde hızlı hareket eden ve yön veren bileşenleri okuma, anlama, doğru yorumlayarak karşılık verebilme kabiliyetlerine bağlıdır.“Veri Bazlı Karar Verme”yaklaşımı bugünün dünyasında kurumların ve kişilerin var olabilmesi için gerekli hale gelmiştir. Eldeki verilerden belli değişkenlerin tahminlenmesi, gelecekte karşılaşılması muhtemel durum ve senaryoları uygun veri ve analiz teknikleri kullanarak öngörmek ve duruma göre önlem almaktır. Denizcilik sektöründe ise özellikle iş zekâsı ve analitiği, raporlama, iş ve süreç geliştirme departmanları ve yöneticiler genellikle navlun oranları, ürün satışları, envanter gereksinimleri, sefer hesapları, sevkiyat oranları hakkında düzenli olarak tahminler yapmakta ve yorumlamaktadırlar. Yapılan analizler doğrultusunda tahmin değerlerine dayalı olarak kısa ve orta vadede operasyonel ve stratejik kararlar alınmaktadır. Denizcilik endüstrileri karmaşık küresel pazarlarda faaliyet göstermekte, işletmeler dış girdilere ve değişken çevre koşullarına karşı oldukça hassastır. Özellikle pandemi ile birlikte küresel çapta değişen yeni dünya ekonomisi ve gelişmeler denizcilik piyasalarını da derinden etkilediği gözlemlenmektedir. Ülkelerin virüse karşı aldığı tedbirler; örümcek ağı gibi birbirine bağlı denizcilik endüstrisi üzerinde Domino (Kelebek) etkisini başlatmıştır. Tedarik zincirindeki bu kırılma, ABD, Avrupa ve Asya' nın diğer limanlarını da etkisi altına alarak zincir boyunca dalgalanma yarattığı açıkça gözlemlendi. Özellikle konteyner piyasasında yaşanan önce azalan taleple düşen navlun oranları ve hemen akabinde boş konteyner ihtiyacı ile sürekli artış eğilimi gösteren taşıma ihtiyacı navlunları agresif şekilde yükseltmiştir. Bu sebeple, denizcilik sektöründe navlun fiyatlarının trendini tahmin etmek ve geleceğe yönelik pozitif değer yaratmaya yönelik stratejiler geliştirmek çok daha önemli hale gelmiştir. Geçmiş ve güncel veriler (veri ambarları) ile yapılacak çalışmalar dijitalleşen piyasalarda geleceği öngörmek için güçlü bir araç olarak karşımıza çıkmaktadır. Covid-19, dijital paralar, Fed faiz politikası, ticaret savaşları, enerji krizleri, enflasyon, web3.0 ve savaşlar gibi dünya küresel piyasalarında dönüm noktası sayılan gelişmelerde önemi daha da artmaktadır. Öngörünün önemi, yalnız kriz zamanlarında değil, tüm şartların uygun olduğu zamanlarda bile kolayca görülebilir. Bu bağlamda kullanabilecek öngörü modellerinden en çok tercih edilen ve başvurulan yöntemlerin başında zaman serisi modelleri gelmektedir. Tahmin için kullanılabilecek birçok zaman serisi tekniği üzerine son yıllarda çalışılmaktadır. Tek ve karmaşık değişkenlere bağlı veri yapılarında tahminleme için ARIMA, Support Vector Regression (SVR), bulanık kümeler, yapay sinir ağları ve makine öğrenimi ön plana çıkmaktadır. Zaman serileri üzerine ilk çalışma Klein ve Verbeke (1987) tarafından yapılmış olup, Antwerp limanında aylık veriler içeren tek değişkenli zaman serileri kullanılarak Antwerp limanındaki çelik trafik akışını modellemiştir. Pino ve arkadaşları çok fazla veriden oluşan herhangi bir zaman serisini hızlı şekilde tahminlemek için çalışmalarında, İspanya'nın elektrik üretim piyasasındaki rolü içi enerji fiyatının saatlik öngörülerini hesaplamaktadır. Zeng ve arkadaşları, Baltic Dry Index (BDI) tahmini için empirical mode decomposition (EMD) ve artificial neural networks (ANN) dayalı bir yöntem geliştirmiştir. Angelopoulos çalışmasında, Baltic Dry Index (BDI) dinamik spektral içeriğini araştırmaktadır. Baltic Dry Index'in dinamik spektral içeriği, zaman içindeki olası varyasyonlarını ortaya çıkarmak için Zhao-Atlas-Marks çift doğrusal zaman-frekans gösterimi aracılığıyla analiz ederek tasvir etmiştir. Tahmin üzerine başka bir çalışmada, Fahran mevsimsel değişiklikleri dikkate alarak bazı uluslararası konteyner limanlarında SARIMA modellerini kullanarak konteyner elleçleme tahmininde bulunmuştur. Sezer ise çalışmasında 2005-2019 arasındaki finansal zaman serisi tahmin uygulamasına ilişkin çalışmalara yönelik kapsamlı bir literatür incelemesi yapmıştır. Çalışmalarını endeks, forex ve emtia tahmini gibi öngörülen tahmin uygulama alanlarına göre kategorize etmiştir Zaman serisi analizi kullanılarak çeşitli endüstrilerde birçok model ve yöntem geliştirilmiştir. Zaman serileri literatürde yeni bir konu olmamasına rağmen denizcilik endüstrisinde çalışmaların kısıtlı olduğu ve çoğunlukla güncel olmadığı görülmektedir. Bu çalışma ile Institute of Shipping Economics and Logistics (ISL) and the Leibniz-Institut für Wirtschaftsforschung (RWI) Container Throughput Index, Shanghai Containerized Freight Index (SCFI), The Baltic Exchange Dry Index aylık verilerine dayanarak bir öngörü yapılması amaçlanmaktadır. RWI/ISL container throughput index ile ilgili bir çalışmaya rastlanmamış olmaması nedeniyle bu konuda yapılan ilk çalışma olacaktır. Pandemi ve sonrası tahminlemeye dayalı güncel yayınların az olmasına istinaden yapmayı hedeflediğimiz SCFI ve BDI ile ilgili çalışmamızın literatüre önemli katkı sağlaması beklenmektedir. Aynı zamanda denizcilik sektörü de bu çalışmalardan faydalanabilecektir. Çalışmanın giriş bölümünde veri bazlı karar verme ve tahminlemenin önemi, denizcilik sektörü üzerine değerlendirilmesi ve çalışmanın aşamalarına değinilmektedir. Toplamda 3 farklı indeks ile yapılacak olan bu çalışma 4 aşamadan oluşmaktadır. Birinci bölümde literatür çalışmaları çerçevesinde çalışmamızın amacı ve önemi önemi vurgulanmaktadır. Ayrıca denizcilik ve diğer sektörlerde zaman serileri üzerine yapılan öngörü çalışmaları incelenmiştir. İkinci bölümde zaman serileri ve temel kavramlar açıklanmaktadır. Üçüncü bölüm, çalışma metodolojisi ve modellerin belirlenmesi, seçilen denizcilik indeksleri ile uygulama süreçlerinin belirlenmesi, analizlerin gerçekleştirilmesi, değerlendirilmesi ve yorumlanması aşamalarını içermektedir. Dördüncü bölümle çalışma sonuçlandırılmıştır. Çalışmada, RWI/ISL Container Throughput Index, Shanghai Containerized Freight Index (SCFI), The Baltic Exchange Dry Index aylık verileriyle modellemek için Box-Jenkins modellerinden ARIMA ve SARIMA'ya odaklanılmıştır. RWL/ISL ve BDI verilerini modelleme aşamasında R programlama dili, SCFI'da ise Python programlama dili kullanılmıştır. İlk çalışmada, Ocak 2007'den Aralık 2019'a kadar olan dönem aralığında aylık veriler ile RWI/ISL Konteyner Endeksi'nin kısa vadeli tahmininin incelemesi amaçlanmıştır. Model, SARIMA ve ETS modelleri kullanılarak tahmin edilmiştir. Tahmin sonuçları, orijinal RWI/ISL serisi Nisan 2020 ayından sonra artarken, Mart 2020'den sonra mevsimsel ve iş günü ayarlı RWI/ISL serisi azalmıştır. SARIMA modelin ETS modeline göre daha iyi sonuç vermektedir. RWL/ISL ile literatürde yapılan ilk çalışma olması ve öngörü modelinizin başarılı performansının denizcilik sektörüne ve literatüre katkı sağlaması beklenmektedir. Bu çalışmada, iki farklı zaman serisi modelleme yaklaşımı ve yaklaşımların varsayımlarını sağlamak için uygun kriterler kullanarak SCFI'nin tahmin doğruluğunun iyileştirilmesine katkıda bulunulması amaçlanmıştır. Bu amaçla SCFI verileri Holt-Winters ve SARIMA yöntemleri ile incelenmiştir. SARIMA modeli Holt-Winters ile karşılaştırıldığında minimum MAPE ve RMSE değerlerine sahiptir. Zaman serisi analizi sonucunda, tahmin doğruluğu kabul edilebilir olduğundan seçilen SARIMA (0,2,3) (1,0,0)12 modeli gelecekteki değerleri tahmin etmek için kullanılabilir. Çalışma sonuçları, SARIMA modelinin daha kesin ve doğru bir model olduğunu göstermektedir. Belirlenen SARIMA modeli doğrultusunda Ağustos 2021-Şubat 2022 dönemi için tahmin değerleri hesaplanmıştır. Baltıc Dry Index çalışmasında ise Ocak 2011 ve Haziran 2021 dönemini kapsayan aylık veriler, tek değişkenli zaman serilerinde Otoregresif Bütünleşik Hareketli Ortalama (ARIMA) yöntemi ile Baltic Dry Index (BDI) için 12 (aylık) dönemlik öngörü yapılmıştır. ARIMA modelinin belirlenmesi için önce inceleme kapsamında mevsimsellik ve birim kök testleri ile veri setinin dışsal bileşenleri araştırılmıştır. Belirlenen model için spesifikasyon testleri varsayımlarını sağlamış ve modelin geçerli ve güvenilir olduğuna karar verilmiştir. Sonuç olarak, deniz taşımacılığı piyasası analistleri, önerdiğimiz tatmin edici tahmin modellerinin performansından faydalanabilir, bunları kendi analiz araçlarına entegre edebilir.
Özet (Çeviri)
In today's world, more and more companies are seeking highly motivated decision makers. Business managers and intelligence and analytics departments within the maritime industry are frequently required to make forecasts of sales, inventory, shipment levels, and more. These forecasts are then used as the basis for making strategic decisions. For instance, retail stores forecast sales with the help of these forecasts. In order to predict sales for the future, these firms use data from the past purchases of consumers. Similarly, energy companies forecast reserves production demand and price forecasts of reserves for use in long-term investment plans, while short-term production forecasts for use in short-term production planning and competitive pricing strategies. For the purpose of evaluating business plans, banks and lending institutions predict new home purchases and venture capital firms estimate market potential. A maritime industry operates in an environment where global markets are complex and markets are constantly changing, and businesses operate in complex markets. For a company to survive in today's world, it is essential that it be able to read, understand, and respond to the range of rapidly moving components that comprise a market. In the maritime industry, forecasting is of the utmost importance to increase profitability and save money. There is no doubt that freight prices are at their highest levels in history. The rates for containerized cargo have surpassed all previous records. It was recorded that the World Container Index increased by 480% between January 2020 and August 2021 (Drewry, 2020), reaching $8,795.77 for each 40 ft container. Among the reasons for this increase we can identify that the beginning of mobility during the period of the pandemic was combined with other factors such as maritime trade wars, previously established and strengthened joint service structures, alternative routes, empty container problems, oil price volatility, the blockage of the Suez Canal by a ship, vaccine approvals and production, increasing demand, supply shortages, Christmas preparations in global trade, and the expected rapid growth in world trade. In the light of recent developments in the maritime industry, it seems that a new era has begun when it comes to maritime trading. The long-term forecasting of container lines is an effective tool to formulate appropriate short- and medium-term strategies and build a plan for the future as a means of ensuring success When all the circumstances are normal, or when there is a crisis, the importance of forecasting can be clearly seen There has been a significant fluctuation in index rates during the pandemic period. Index rates are affected by major fluctuations during the pandemic period. To take control of the future, companies can now understand and interpret the components that move quickly and provide direction in their sectors, allowing them to achieve meaningful growth momentum while simultaneously increasing profitability, maximizing profitability while maintaining an optimal income-expenditure balance, and sustaining their existence in adverse conditions. Data-based decision-making has become important to the survival of both organizations and people in today's environment. Using existing data to estimate certain variables, forecasting possible future circumstances and scenarios, and taking preemptive action. Freight rates, product sales predictions, inventory forecasts, and need forecasts, as well as shipment projections, are common occurrences for marine sector managers, especially those in the business intelligence and analytics, report writing, and process development departments. Analyses are used to make short- and long-term choices on operations and strategy. Businesses in the shipping industry are heavily dependent on external inputs and constantly changing environmental circumstances. This pandemic has had a tremendous influence on the worldwide marine markets, as we've seen in the new global economy and advancements therein. There was a domino effect (Butterfly) on the marine sector that is interwoven like a spider web as a consequence of nations' anti-virus efforts. Several ports in the United States, as well as Europe and Asia, were impacted by the supply chain breakdown that took place. Freight costs in the container market fell as the demand for empty containers declined, but when transportation became more necessary, freight rates rose sharply. Predicting freight pricing and implementing methods for creating profit in the future has become more crucial as a consequence. In digitalized marketplaces, such as COVID-19, digital money and new investment tools (bitcoin), Metaverse, web3.0, and warfare, studies employing history and current data (data warehouses) prove to be a valuable instrument for future prediction. These advances are becoming more important. Although foresight is critical in times of crisis, its usefulness is obvious even under the best of circumstances. In this context, time-series models are among the most extensively used and popular methodologies. A slew of time series forecasting methods have been tested in recent years. Machine learning and artificial neural networks, as well as ARIMA and SVR, take center stage when it comes to making predictions in data structures with single and multiple variables. For the first time-series analysis, Klein and Verbeke (1987) used univariate time series incorporating monthly data from the port of Antwerp to estimate the flow of steel in the port of Antwerp. Using massive amounts of historical data, Pino and his colleagues develop hourly estimates of energy prices for Spain's participation in the global power-generating market. Empirical Mode Decomposition (EMD) and Artificial Neural Networks (ANN) were used by Zeng et al. to estimate the Baltic Dry Index (BDI) (ANN). As part of his research, Angelopoulos examines the Baltic Dry Index's (BDI) dynamic spectrum. A bilinear time-frequency model of the Baltic Dry Index's dynamic spectral content (BDI) was used to show probable changes in the index's dynamic spectral content over time. Fahran examined the container handling at a few international container ports using SARIMA models, which considered seasonal changes. When it comes to using financial time series estimations, however, Sezer did a comprehensive review of the literature from 2005 to 2019. Many models and approaches for use in many industries have been developed using time series analysis. Although time series have a long tradition in literature, marine industry research is rare, and recent studies are much rarer. Use monthly data from the Institute of Shipping Economics and Logistics (ISL) and RWI's Container Throughput Index, Shanghai containerized freight index (SCFI), and Baltic Exchange Dry Index to make a forecast about the future of container shipping. RWI/ISL container utilization index research will be the first of its kind. Given the dearth of articles on pandemic and post-pandemic forecasting, we expect our work on SCFI and BDI to make a substantial contribution to the field. This research will also benefit the maritime sector. There will be three distinct indices used in this research, which will be divided into four phases. In the first part, we'll discuss the importance of our research by looking at existing studies. Maritime and other sectors will be examined for time series foresight research. After that, you'll learn about time series and the foundations of these theories. In the third part, the phases of establishing the working methodology and models, choosing the marine indexes and application methods, and executing, evaluating, and interpreting the studies are discussed. The last portion of the research concludes the investigation. Using data from the RWI/ISL Container Throughput Index, the Shanghai Containerized Freight Index (SCFI), and the Baltic Exchange Dry Index, we examined the Box-Jenkins models ARIMA and SARIMA. Programming languages R and Python were used for RWL/ISL and BDI data modeling, respectively. The first research used monthly data from January 2007 through December 2019 to gauge the short-term outlook for the RWI/ISL Container Index. To estimate data, the SARIMA and ETS models were utilized. RWI/ISL is expected to rise after April 2020, whereas seasonal and workday adjusted RWI/ISL is expected to fall after March 2020, according to the prediction. The SARIMA model outperforms the ETS model in terms of performance metrics. The maritime industry and the scientific community will profit from your study's usage of RWL/ISL and the model's superior forecasting capabilities. Using two different time series modeling strategies and acceptance criteria, we aimed to improve the accuracy of SCFI forecasts in this work. Holt-Winters and SARIMA algorithms were used to assess SCFI data. The MAPE and RMSE values of the SARIMA model are lower than those of the Holt-Winters model. It is possible to anticipate future values using the specified SARIMA (0,2,3) (1,0,0)12 model since the prediction accuracy is sufficient. The SARIMA model was shown to be more exact and accurate, according to the outcomes of the research. The calculated SARIMA model was used to estimate values for the period August 2021–February 2022. In the Baltic Dry Index study, monthly data from January 2011 to June 2021 and 12-month period projections for the Baltic Dry Index (BDI) were developed using the Autoregressive Integrated Moving Average (ARIMA) method for univariate time series. Using seasonality and unit root tests, the exogenous components of the data set were analyzed in order to create the ARIMA model. The testing assumptions for the specified model were provided, and it was determined that the model was valid and reliable. As a result, analysts in the shipping sector may benefit from the performance of the appropriate forecasting models we supply and integrate them into their research instruments.
Benzer Tezler
- Kıyı kentlerindeki sosyo-ekonomik gelişmişlik niteliğinin mekansal büyümeye etkileri
The effects of socio-economic development characteristic of coastal cities on urban spatial development
MERVE YILMAZ
Doktora
Türkçe
2019
Şehircilik ve Bölge Planlamaİstanbul Teknik ÜniversitesiŞehir ve Bölge Planlama Ana Bilim Dalı
PROF. DR. FATİH TERZİ
- Türk koster işletmeciliğinde üçüncü taraf ve tam kurum içi yönetimler arası gemicilik performans endekslerine dayalı değerlendirme
Assessment of third party and full in-house management based on shipping performance indexes in Turkish coaster management
MEHMET ÖZKAN KELEŞ
Yüksek Lisans
Türkçe
2018
Denizcilikİstanbul Teknik ÜniversitesiDeniz Ulaştırma Mühendisliği Ana Bilim Dalı
PROF. DR. SERDAR KUM
- Bir Kuşak Bir Yol Projesi ve Türkiye'nin dış ticaretine etkileri
One Belt and One Road Project and its effects on Turkey's foreign trade
ERDEM ATEŞ
- Analysing the effects of cross-border electricity trade on power production from different energy sources
Uluslararası elektrik ticaretinin farklı enerji kaynaklarından elektrik üretimine etkilerinin analizi
DENİZ EGE BOZ
Yüksek Lisans
İngilizce
2020
Ekonomiİhsan Doğramacı Bilkent ÜniversitesiEnerji Ekonomisi, Politikası ve Güvenliği Ana Bilim Dalı
PROF. DR. M. HAKAN BERUMENT
- Navlun sözleşmesinde gönderilenin sorumluluğu
Responsibility of the consignee under the contract of affreightment
ZEYNEP ARSLAN