تابع هذا والأعمال الإضافية في:https://journals.tubitak.gov.tr/elektrik
جزء من مجتمع هندسة الكمبيوتر، مجتمع علوم الكمبيوتر، ومجتمع الهندسة الكهربائية وهندسة الكمبيوتر

PEKKAYA، محمد؛ UYSAL، ظافر؛ ألتان، أيتاش؛ و KARASU، سيتكين (2024) “تقييم قائم على الذكاء الاصطناعي للعوامل المؤثرة على مبيعات شركة الحديد والصلب،” المجلة التركية للهندسة الكهربائية وعلوم الحاسوب: المجلد 32: العدد 1، المقال 4.https://doi.org/10.55730/1300-0632.4055متوفر في:https://journals.tubitak.gov.tr/elektrik/vol32/iss1/4

المجلة التركية للهندسة الكهربائية وعلوم الحاسوب
http://journals.tubitak.gov.tr/elektrik/
مقالة بحثية

تركيا ج. هندسة الكهرباء وعلوم الحاسوب
(2024) 32: 51-67
© TÜBİTAK
doi:10.55730/1300-0632.4055

الكلمات الرئيسية: محددات بيع الحديد/الفولاذ، الشبكة العصبية الاصطناعية، تحليل العلاقات الرمادية، استنتاجات متكاملة مستمدة

تنبؤ مبيعات شركة الحديد والصلب المستقبلية هو قرار حاسم يؤثر على العديد من جوانب العمل، من عمليات المصنع إلى تخطيط الإنتاج. ترتبط المبيعات المتوقعة ارتباطًا مباشرًا بالدخل التشغيلي المتوقع، حيث أن الدخل يعتمد بشكل كبير على المبيعات. تعتبر صناعة الحديد والصلب مصدرًا رئيسيًا للمواد الخام للتصنيع، حيث تزود مجموعات متنوعة من المنتجات التي تعمل كمدخلات لمختلف الصناعات. لذلك، فإن صحة قطاع الحديد والصلب لها تأثير كبير على الصناعات الفرعية ذات الصلة وتساهم في التنمية الوطنية الشاملة. يمكن أن يشير التباطؤ أو الركود في هذا القطاع إلى حالة الاقتصاد بسبب ترابطه مع الصناعات الأخرى. نظرًا للحجم الكبير والإنتاج العالي الذي يميز هذه الصناعة، فإن

دقة توقعات المبيعات لها تداعيات مالية كبيرة. على سبيل المثال، قد تواجه شركة كبيرة للحديد والصلب تقلبات في المبيعات تتراوح بين 200,000 إلى 300,000 طن سنويًا لمنتج واحد بسعر متوسط يبلغ 700 دولار أمريكي للطن. خطأ في تقدير الطلب على منتج واحد فقط يترجم إلى تغيير في الإيرادات بحوالي 35 مليون دولار أمريكي [1].

تركيا لديها 34 شركة تعمل في إنتاج الصلب الخام، مع ثلاثة مصانع متكاملة. في عام 2021، كانت تركيا سابع أكبر منتج للصلب في العالم، حيث ساهمت بـ 40.36 مليون طن في الإنتاج العالمي البالغ 1.951 مليار طن (زيادة قدرها في العام السابق). كما أنها ثاني أكبر منتج للصلب في أوروبا بعد روسيا. بلغت صادرات الصلب 22.4 مليار دولار في عام 2021، مما يمثل من إجمالي صادرات تركيا نظرًا لحجم سوق الحديد والصلب وروابطه مع الصناعات الأخرى، فإن التنبؤ بالمبيعات المستقبلية أصبح أمرًا ذا أهمية متزايدة.

يمكن أن تؤثر تقلبات السوق، التي تتأثر بالظروف الاقتصادية والسياسية، على المبيعات في فترات معينة. يمكن أن تؤثر الانكماشات الاقتصادية، والركود، أو التغيرات المفاجئة في المؤشرات الاقتصادية الكلية على صناعات مختلفة. يلعب فهم العوامل التي تؤثر على طلب المنتج خلال التغيرات في المناخ الاقتصادي الخارجي وتقييم تأثيرها دورًا رئيسيًا في توقعات المبيعات. بينما درست العديد من الدراسات الأكاديمية توقعات المبيعات/الطلب في صناعات متنوعة مثل الطاقة، والنفط، والسياحة، والتجزئة، والإسكان، لا تزال الأبحاث حول هذه القضية الاقتصادية المهمة في صناعات المعادن والصلب نادرة، مما يبرز أهمية دراستنا. الدافع وراء هذه الدراسة هو البحث عن طريقة/نموذج يمكن أن يتنبأ بشكل أفضل بمبيعات الشركات في قطاع الحديد والصلب، الذي يوفر مدخلات أساسية تقريبًا لجميع الصناعات، والحاجة إلى معرفة أولويات المتغيرات التي يجب أخذها في الاعتبار في توقع مبيعات الشركات في هذا القطاع لضمان تخطيط أفضل، وكون الدراسات في هذا المجال التي تشمل هذه الأغراض محدودة جدًا. كان الهدف في دراستنا هو تحديد أولويات وتقييم العوامل المؤثرة في توقعات مبيعات الشركات الكبرى في الحديد والصلب باستخدام منهجية فعالة.

في مجال بيانات السلاسل الزمنية، بما في ذلك المالية والاقتصادية والطاقة والطقس وأسعار الأسهم، تُستخدم الطرق التقليدية للسلاسل الزمنية بالإضافة إلى الشبكات العصبية الاصطناعية (ANNs) وتقنيات التعلم الآلي على نطاق واسع للتنبؤ بدقة بالقيم المستقبلية. توفر الشبكات العصبية الاصطناعية نماذج غير خطية تتفوق في التقاط العلاقات غير الخطية بين بيانات المدخلات والمخرجات، مما يجعلها متفوقة في التنبؤ. تستخدم الشبكات العصبية الاصطناعية خوارزمية الانتشار العكسي أثناء التدريب، والتي تهدف إلى تقليل متوسط الخطأ التربيعي بين المخرجات المتوقعة والفعلية عبر مجموعة بيانات التدريب. تتيح هذه التقنية التدريبية المراقبة للمصممين إنتاج النتيجة المرغوبة. على الرغم من وجود العديد من الدراسات حول توقعات المبيعات في الأدبيات، إلا أن هذه الدراسات تُجرى بشكل رئيسي في قطاعات الطاقة والسياحة والتجزئة والإسكان والقطاعات المتعلقة بالنفط. عدد الدراسات في قطاع المعادن محدود للغاية، وبالمقارنة مع الدراسات الملاحظة، لم يتم العثور تقريبًا على أي دراسة تم فيها تقييم عدد كبير من المتغيرات المهمة كما في دراستنا باستخدام نهج الشبكات العصبية الاصطناعية الهجينة والنتائج المتكاملة للمتغيرات المؤثرة على المبيعات من النماذج. توضح هذه التصريحات مساهمات عملنا في الأدبيات.

كان الهدف الرئيسي من الدراسة الحالية هو تحديد ونمذجة العوامل الهامة التي تؤثر على مبيعات شركة الحديد والصلب باستخدام الشبكات العصبية الاصطناعية. بعد ذلك، نهدف إلى تقديم هذه النتائج لصانعي القرار والباحثين. أولاً، اخترنا العوامل الرئيسية بناءً على الأدبيات الأكاديمية ذات الصلة. بالإضافة إلى ذلك، اخترنا أفضل 5 منتجات مبيعًا من 5 مجموعات منتجات تنتجها شركة تركية كبيرة للحديد والصلب وجمعنا بيانات المبيعات الشهرية للسنوات العشر الماضية. بعد جمع بيانات المتغيرات، قمنا ببناء نماذج الشبكات العصبية الاصطناعية باستخدام خوارزمية تدريب ليفنبرغ-ماركاردت وقمنا بتقييم النتائج. لمقارنة

لأداء نماذج الشبكات العصبية الاصطناعية، قمنا ببناء نموذج انحدار المربعات الصغرى العادية لتحديد المتغيرات التي تؤثر بشكل كبير على المبيعات. ثم قمنا بمقارنة إحصائية لسنة واحدة من البيانات (فترة الاختبار) مع السنوات التسع السابقة من البيانات في نموذج الشبكة العصبية الاصطناعية.

في القسم الثاني، نقيم صناعة الحديد والصلب في تركيا وحول العالم، مع التركيز على الإنتاج وحجم السوق. في القسم الثالث، يتم تحديد العوامل المؤثرة على الطلب على الحديد والصلب استنادًا إلى مراجعة الأدبيات. يحتوي القسم الرابع على تفاصيل حول فترات البيانات المذكورة، والمتغيرات، وطرق التحليل، بالإضافة إلى نتائج التطبيق. أخيرًا، في القسم الأخير، يتم تقييم النتائج.

تعتبر صناعة الحديد والصلب قوة دافعة في التصنيع لدول العالم وتقدم اقتصاداتها. تكمن أهميتها في دورها كمورد للمواد الخام لمختلف القطاعات الصناعية. يكشف فحص العلاقة بين تنمية البلاد وصناعة الحديد والصلب أن التقدم والابتكارات في هذا القطاع تسهم بشكل كبير في نمو الصناعات المرتبطة بالحديد والصلب، مما يؤدي إلى تأثير مضاعف على تنمية الأمة. تدعم صناعة الحديد والصلب إنتاج وسائل النقل، بما في ذلك السيارات والسفن والحاويات والطائرات والسكك الحديدية والعربات. كما تلعب دورًا حيويًا في إنتاج مواد التعبئة والتغليف والآلات والأدوات الزراعية ومواد البناء ومعدات التدفئة والسلع المنزلية والمكتبية. .

يتم إنتاج الصلب الخام في تركيا في كل من منشآت الأفران الكهربائية والمنشآت المتكاملة. تستخدم المنشآت المتكاملة خام الحديد كمادة خام أساسية، بينما تعتمد منشآت الأفران الكهربائية على الخردة من الحديد والصلب. حوالي ربع إجمالي إنتاج تركيا من الصلب الخام يأتي من المنشآت المتكاملة، بينما يأتي الثلاثة أرباع المتبقية من منشآت الأفران الكهربائية. يُعزى انتشار منشآت الأفران الكهربائية في الصناعة إلى الاستثمارات الكبيرة والتمويل المطلوب للمنشآت المتكاملة، بالإضافة إلى محدودية توفر رواسب خام الحديد في تركيا. يوفر قطاع الحديد والصلب فرص عمل لحوالي 88,000 فرد في مختلف الشركات. .

في عام 2021، كانت تركيا سابع أكبر منتج للصلب (الجدول 1) في العالم وثاني أكبر منتج في أوروبا. علاوة على ذلك، شكلت صادرات الحديد والصلب من إجمالي صادرات تركيا في نفس العام. نظرًا للدور المهم الذي تلعبه صناعة الحديد والصلب في الاقتصاد التركي وتأثيرها على قطاعات أخرى متنوعة، كان الهدف في دراستنا هو نمذجة العوامل التي تؤثر على أحجام المبيعات المستقبلية في هذه الصناعة. ستؤكد التقديرات الدقيقة للمبيعات للفترات المستقبلية على أهمية وتأثير بحثنا.

تم البحث في الدراسات الأكاديمية حول العوامل المؤثرة في توقع الطلب، وتوقع المبيعات، وتوقع الاستهلاك في صناعة الحديد والصلب. يُذكر أن التنمية الاقتصادية للدول مرتبطة باستهلاك الصلب ويمكن اعتبارها مؤشراً على تطور صناعة البلد [8]. في [9] يُقترح أن الطلب على الصلب البريطاني حساس لدرجة استخدام الصلب وللتغيرات في مستوى النشاط الاقتصادي الكلي. يدعم هذا الرأي بأن النشاط الاقتصادي يؤثر على طلب الصلب ويستخدم متغيرات مثل الدخل القومي، وسعر الصرف، وسعر الصلب، وحالة الصناعة التحويلية، والتي تعتبر من العوامل الاقتصادية المؤثرة في استهلاك الصلب [10]. بخلاف ذلك، في صناعة الصلب اليابانية [11]، وفي صناعة الصلب البولندية [12]، وفي صناعة الصلب الصينية [13]، وفي صناعة الصلب البريطانية [14]، وفي الصناعة الكورية.

تمت دراسة تأثيرات الأجواء الاقتصادية والدخل القومي وشدة استخدام الفولاذ في الصناعة على استهلاك الفولاذ في دراساته حول صناعة الفولاذ في المملكة المتحدة.

الجدول 2. العوامل التي تحدد المبيعات/الطلب.

نظرًا لعدد الدراسات المحدود التي تبحث بشكل خاص في العوامل المؤثرة على مبيعات المنتجات والطلب، قمنا بتوسيع منظورنا من خلال تضمين النتائج من صناعات مختلفة، كما هو ملخص في الجدول 2. يُظهر الجدول أن بعض العوامل الاقتصادية تُستخدم بشكل شائع في الأبحاث الأكاديمية حول المبيعات. هذه العوامل

تشمل الدخل القومي، مؤشر التصنيع، التضخم، أسعار الصرف، أسعار المنتجات، وبيانات المبيعات/الإنتاج التاريخية. في هذا البحث، نعتبر هذه المتغيرات محور اهتمامنا الأساسي.

تُعتبر تقنيات التنبؤ التقليدية مثل تحليل الاتجاهات والمتوسطات المتحركة الموزونة، التي تُستخدم عادةً في توقعات المبيعات، معروفة عمومًا من حيث فعاليتها من حيث التكلفة وسهولة استخدامها. ومع ذلك، قد تفشل في أخذ مرور الوقت، والتأثيرات الموسمية، والتقلبات الاقتصادية في الاعتبار بشكل كافٍ في توقعاتها. يمكن أن تتقلب الأسواق الاقتصادية بناءً على المشهد الاقتصادي والسياسي الأوسع في البلاد، مما يمكن أن يؤثر بدوره على المبيعات. يمكن أن تؤثر الانكماشات الاقتصادية، والركود، أو التغيرات في المؤشرات الاقتصادية الكلية بشكل متفاوت على طلب المنتجات ضمن صناعات معينة. إن تحديد هذه العوامل التي تشكل طلب المنتجات استجابةً للتغيرات في المناخ الاقتصادي الخارجي وتقييم تأثيرها يلعب دورًا رئيسيًا في توقع المبيعات المستقبلية.

تشمل الأدبيات المتعلقة بتوقعات المبيعات مجموعة واسعة من الدراسات العلمية التي تغطي صناعات مختلفة، بما في ذلك الطاقة، النفط، السياحة، التجزئة، والعقارات. إن حقيقة أن عددًا قليلاً من الدراسات قد أُجريت على صناعة المعادن التركية أو صناعة الحديد والصلب تزيد من أهمية الدراسة الحالية. ونتيجة لذلك، فإن البحث في العوامل الاقتصادية التي تؤثر على دوران الشركات في صناعة الحديد والصلب، والتي هي محور هذه الدراسة، يعد أمرًا في غاية الأهمية.

كان هدف الدراسة هو تحديد ونمذجة العوامل المهمة مع أولوياتها التي تؤثر على حجم مبيعات شركة الحديد والصلب من خلال استخدام الشبكة العصبية الاصطناعية. في هذا القسم، يتم عرض خريطة معالجة نموذج الشبكة العصبية الاصطناعية في الشكل 1. تشرح الفقرات الفرعية التالية المتغيرات والبيانات المستخدمة في التطبيق ونموذج الشبكة العصبية الاصطناعية.

يوضح المخطط الانسيابي النهج المستخدم لنمذجة العوامل الهامة التي تؤثر على مبيعات شركة الحديد والصلب باستخدام الشبكة العصبية الاصطناعية (ANN) كما هو موضح في الشكل 1. الخطوة الأولى هي إعداد قاعدة بيانات للمنتجات لجعلها مناسبة للتحليل. كخطوة معالجة مسبقة، يتم إنشاء مجموعات بيانات منفصلة لـ 5 منتجات مختلفة. يتم تنفيذ تعبئة البيانات باستخدام تقنية الجيران الأقرب (KNN). يتم استخدام نهج قياس الحد الأدنى والحد الأقصى لتطبيع الميزات وإدخالها في نطاق موحد. بعد ذلك، يتم استخدام نموذج ANN للتنبؤ بأرقام المبيعات لكل منتج. أخيرًا، يتم تقييم أداء النموذج باستخدام بيانات الاختبار. يمكن العثور على شرح مفصل لنموذج ANN في القسم 4.2.

بينما يتم إجراء تحليل لمبيعات/طلب الحديد والصلب لشركة تركية، يتم استخدام المتغيرات الكلية التركية في عملية النمذجة. وفقًا للأدبيات ذات الصلة، تم استخدام 6 متغيرات اقتصادية يُفترض أنها تؤثر على مبيعات/طلب الحديد والصلب، كما هو موضح في الجدول 2. بالإضافة إلى ذلك، يتم اعتبار أسعار المنتج وحجم مبيعاته المتأخرة كعوامل محتملة تؤثر على مبيعات/طلب الحديد والصلب. تتكون هذه المتغيرات الاقتصادية من مؤشر أسعار المنتج ( الناتج المحلي الإجمالي )، سعر الفائدة، سعر صرف الدولار الأمريكي مقابل الليرة التركية (USD/TRY)، مؤشر ثقة المستهلك ( ) ومؤشر مديري المشتريات (PMI) للتضخم (كما هو موضح في الجدول 3).

نظرًا لأن صناعة الحديد والصلب تؤثر على صناعات أخرى، بما في ذلك التصنيع، فقد استخدمت بعض الدراسات في كثير من الأحيان مؤشر التصنيع أو المؤشر الصناعي للصناعات التي تؤثر على صناعة الصلب. يمكن استخدام مؤشر مديري المشتريات لتتبع اتجاه الصناعات التحويلية التي تستخدم منتجات الصلب كمدخلات. يمكن حساب مؤشر مديري المشتريات باستخدام بيانات من استبيان لمديري المشتريات الذين يُسألون عن الاتجاه الذي تسير فيه المعايير مثل الإنتاج، والطلبات الجديدة، والمخزونات، سواء كان ذلك بالزيادة/التحسن أو بالنقصان/التدهور.
تتحرك البطالة وأداء الموردين واتجاهات الأسعار. نظرًا لأن المنتجات يُعتقد أنها تؤثر على المستخدم النهائي، تم تضمين قيمة مؤشر استهلاك التصنيع أيضًا في [18]. كما تم تضمين مؤشر ثقة المستهلك في النموذج لأنه سيظهر الميل نحو استهلاك المنتجات النهائية.

تعتبر متغيرات سعر الصرف [23]، ومعدل التضخم [20،23،24]، ومعدل الفائدة [10]، وأسعار المنتجات [10،17،21]، وبيانات السكان [11، 19] عوامل اقتصادية تؤثر على المبيعات وفقًا لبعض الدراسات. وبناءً عليه، يتم استخدام مؤشر أسعار المنتجين الشهري كبيانات للتضخم، وسعر صرف الدولار الأمريكي مقابل الليرة التركية الشهري، ومعدلات الفائدة المرجعية في السوق في النموذج. نظرًا لأن التطبيق يتعلق بالتصنيع، يتم استخدام متغير مؤشر أسعار المنتجين كمتغير للتضخم في التحليل. نظرًا لأن تجارة الحديد والصلب عادة ما تتم في ثم يتم استخدام سعر صرف الدولار الأمريكي مقابل الليرة التركية. يُعتبر مؤشر مديري المشتريات معادلاً لمؤشر الصناعة التحويلية.

من الجدير بالذكر أيضًا أنه في العديد من الدراسات المدرجة في الجدول 2، تم استخدام الدخل القومي، والدخل الفردي، وبيانات المبيعات التاريخية بشكل شائع. ومع ذلك، خلال جمع البيانات، لوحظ أن بيانات المبيعات والأسعار الشهرية كانت متاحة، بينما كانت بيانات الدخل القومي متاحة فقط على أساس ربع سنوي. للتغلب على هذه الفجوة، تم تطبيق طريقة الاستيفاء الخطي على بيانات الدخل القومي، مما سمح بإدراجها في النموذج على أساس شهري. تم الحصول على مجموعات البيانات الشهرية لهذه المتغيرات التي تغطي الفترة من يناير 2010 إلى مارس 2021، والتي تم تفصيل مصادرها في الجدول 3.

في التحليل، قمنا بتدقيق بيانات المبيعات ، و ) لشركة تركية للحديد والصلب للفترة من 2010 إلى 2021، تغطي حوالي 11 عامًا، عبر 5 منتجات مختارة. يجب الإشارة إلى أنه في تم العثور على 5 ملاحظات من السنة الأولى مفقودة، ولم يتم تطبيق أي طريقة تعويض لمعالجة هذه الفجوة في البيانات. علاوة على ذلك، تتوفر مجموعة البيانات من يناير 2012 فصاعدًا، بينما تتوفر مجموعة بيانات PMI من أبريل 2015 فصاعدًا.

الشبكات العصبية الاصطناعية هي نماذج حاسوبية يمكنها توليف واستنتاج معلومات جديدة، واستخدام المعلومات التي تم تعلمها أو تصنيفها سابقًا لاتخاذ قرارات، وتقليد الهيكل العصبي العضوي للدماغ البشري. أدت الوصف الرياضي لعملية التعلم باستخدام الدماغ البشري كمثال إلى تطوير الشبكات العصبية الاصطناعية. إنها تشبه تنظيم الشبكات العصبية العضوية في الدماغ وقدرتها على التعلم والتذكر والتعميم. في الأنظمة البيولوجية، يتم تحقيق التعلم من خلال تعديل الاتصالات المشبكية بين الخلايا العصبية. بعبارة أخرى، يبدأ التعلم البشري عند الولادة. ينمو الدماغ باستمرار خلال هذه العملية. يتم تعديل الاتصالات المشبكية أو حتى إنشاؤها نتيجة لتجاربنا وحياتنا اليومية. هذه هي الطريقة التي يحدث بها التعلم. الشبكة العصبية الاصطناعية تناسب هذا أيضًا. التدريب هو العملية التي يحدث من خلالها التعلم من خلال المثال؛ بعبارة أخرى، يحدث الإدراك من خلال معالجة بيانات الإدخال/الإخراج، أو بشكل أكثر تحديدًا، من خلال خوارزمية التدريب التي تعدل باستمرار أوزان المشابك باستخدام هذه البيانات حتى يتم تحقيق التقارب. حساب قيمة التحيز ومعلمات الوزن w، التي سيوفر النموذج من أجلها أفضل نتيجة، هو الخطوة الأساسية في الشبكات العصبية الاصطناعية. تتصل الخلايا العصبية ببعضها البعض إما على التوالي أو بالتوازي، وتقوم كل خلية عصبية بإجراء الحسابات بنفس الطريقة. تتكون الخلية العصبية الاصطناعية من خمسة مكونات: المدخلات، الأوزان، دالة الجمع، دالة التنشيط، والمخرجات. توضح الشكل 2 هذه المكونات لشبكة عصبية بسيطة ذات طبقة واحدة. المدخلات ( ) متصلة بالعصبون في الشكل 2، مع الأوزان ( لكل اتصال. يتم تضخيم كل إشارة بواسطة الأوزان المقابلة للاتصال قبل أن يتم جمعها معًا بواسطة الخلية العصبية. الناتج النهائي، ثم يتم الحصول على ذلك عن طريق تمرير هذه المخرجات من خلال دالة تنشيط، والتي غالبًا ما تكون غير خطية [26].

في هذا القسم، يتم تقديم نتائج تحديد أولويات المتغيرات المحددة التي تؤثر على مبيعات الشركة من الحديد والصلب باستخدام نهج الشبكات العصبية الاصطناعية. أولاً، يتم تقديم بعض الإحصائيات الوصفية للبيانات في الجداول 4 و 5. واحدة من الإحصائيات الوصفية المعروفة، معامل التباين (CoV) يظهر تجانس السلسلة، والذي يُفضل لتفكيك السلسلة من متوسطها ووحدة القياس بدلاً من الانحراف المعياري [27]. يمكن حساب قيم CoV عن طريق قسمة الانحراف المعياري على المتوسط. متوسط) لكل سلسلة. وفقًا لقيم CoV، على وجه الخصوص، يتبعها و هي سلاسل أكثر تغايرًا من غيرها. في الفقرات الفرعية التالية، يتم إجراء تقدير النموذج باستخدام طريقة المربعات الصغرى العادية للمقارنة مع نتائج الشبكة العصبية الاصطناعية. ثم يتم الإبلاغ عن نتائج الشبكة العصبية الاصطناعية. أخيرًا، يتم تقييم أولويات المتغيرات المستخلصة من الشبكة العصبية الاصطناعية بشكل مقارن باستخدام تحليل العلاقات الرمادية (GRA). GRA هو طريقة قرار متعددة المعايير (MCDM) وتستخدم لاستخلاص استنتاج متكامل من النتائج في نماذج مختلفة لمستويات أولوية المتغيرات المستخلصة من الشبكة العصبية الاصطناعية.

تُستخدم طريقة المربعات الصغرى العادية (OLS) كنهج إحصائي بديل للشبكات العصبية الاصطناعية (ANNs) لتحديد المتغيرات التي تؤثر على مبيعات الحديد والصلب. تُعتبر OLS طريقة إحصائية شائعة الاستخدام لتقدير المعلمات، وتحديد تأثير المتغيرات المستقلة على المتغير التابع [1،28،29]، وتوقع/تنبؤ القيم التابعة غير المعروفة [30،31]. يتيح لنا هذا النهج مقارنة النتائج بتلك التي تم الحصول عليها باستخدام الشبكات العصبية الاصطناعية. تم بناء خمسة نماذج انحدار منفصلة للخمسة منتجات، باستخدام نفس مجموعة المتغيرات الاقتصادية الكلية. يتم تقديم المعاملات المستخرجة من هذه النماذج ومستويات دلالتها في الجدول 6. من أجل معالجة مشكلة الجذور الوحدة في السلاسل، يتم إجراء الانحدار باستخدام سلسلة العائد اللوغاريتمي [32]. يجب ملاحظة، مع ذلك، أن افتراضات OLS لا تتحقق لهذه
نماذج الانحدار. على وجه التحديد، يُلاحظ أن التوزيع الطبيعي لسلسلة المتبقيات غير مُحقق وأن هناك مشكلة في الارتباط الذاتي في جميع النماذج، كما تشير إليه اختبار الارتباط التسلسلي لبريوش-غودفري بمستوى دلالة 0.05. وبالتالي، يتم تطبيق نهج متسق مع التباين غير المتجانس والارتباط الذاتي (HAC) على مؤشرات النموذج، وبشكل خاص على إحصائيات الاختبار، من أجل الحصول على قيم احتمالية قوية أو مقدرات التباين المتسقة مع التباين غير المتجانس والتلقائي [33]. في هذه النماذج، يتم تنفيذ نهج تراجعي لإزالة المتغيرات من النموذج بشكل متسلسل، بدءًا من أضعف المتغيرات التي ليست ذات دلالة إحصائية عند مستوى 0.10، حتى يتم الحصول على نموذج بمعاملات ذات دلالة [29]. ومن الجدير بالذكر، مع ذلك، أن النهج التراجعي لم ينتج نموذجًا أفضل بشكل ملحوظ من النماذج الأولية. لذلك، يتم الإبلاغ عن نماذج الانحدار الأولية في الجدول 6.

هنا هو القيمة الحالية للشهر و هو قيمة الشهر السابق. المتغير يمثل مقدار التغير لكل وحدة زمنية لـ سلاسل زمنية مع المشغل. تعاني النماذج من مشكلة الارتباط الذاتي، ويتم استخدام نهج HAC، والقيم p التي تم الحصول عليها من تُعطى معاملات الاختبار بين قوسين. المعاملات الم underline هي ذات دلالة إحصائية عند 0.05 والمعاملات المائل هي ذات دلالة عند 0.10.

وفقًا لنتائج OLS في الجدول 6، فإن مؤشر مديري المشتريات وخاصة مبيعات المنتجات المتوسطة المتأخرة لها تأثيرات سلبية على متوسط مبيعات المنتجات الحالية. في النموذج 5، يؤثر سعر المنتج وتغير السعر أيضًا على متوسط دوران المنتج. ومع ذلك، على الرغم من أن إحصائيات F مرضية إلى حد كبير، فإن القوة التنبؤية للنماذج تكاد تكون فيما يتعلق بـ عند التنبؤ بمبيعات المنتج المتوسطة لشهر ما، والتي تعتبر المتغير التابع. وبالتالي يمكن الاستنتاج أنه من المثير للجدل بناء نموذج OLS قوي مع المتغيرات/البيانات التي تم النظر فيها في الدراسة الحالية. مقارنةً بنتائج [1]، التي تحتوي على تطبيق OLS مشابه وتظهر بشكل خاص أن و له تأثير على المبيعات، فقط نموذجين في دراستنا أظهرا نتائج مشابهة بالتوازي مع تلك الدراسة.

تم عرض تمثيل المدخلات والمخرجات لنموذج توقعات المبيعات المطبق على 5 منتجات في الشكل 3. هي متغيرات شائعة تستخدم في مدخلات النموذج لتحديد كمية مبيعات المنتج. متوسط مبيعات المنتج الشهري (بالأطنان)، التغير في القيمة، و
القيمة السابقة لـ أسعار المنتجات المتوسطة الشهرية تعتمد على 5 منتجات. أخيرًا، توقع الفترة القادمة تُستخدم القيمة في مخرجات النموذج.

قبل مرحلة تدريب النموذج، تم ملء البيانات المفقودة باستخدام طريقة KNN. على سبيل المثال، تم ملء البيانات المفقودة في بيانات المبيعات الثالثة باستخدام هذه الطريقة. عملية تطبيع الحد الأدنى والحد الأقصى تجلب الميزات المستخدمة في مدخلات النموذج إلى نفس مجموعة الأرقام. تم استخدام نموذج شبكة عصبية لإنشاء نموذج توقع المبيعات. تم بناء خمسة نماذج مختلفة للبيانات الخاصة بخمس مبيعات. تم استخدام تسعة متغيرات كمدخلات لخمس نماذج. لنموذج توقع المبيعات تدريب التحقق، و تم استخدام بيانات الاختبار (95-20-20 عينة). تم أخذ عدد الخلايا العصبية في الطبقة المخفية كـ 50. كانت خوارزمية التدريب المختارة هي ليفنبرغ-ماركارد.

من خلال مقارنة نتائج بيانات الاختبار في الجدول 7، يمكن ملاحظة أن أداء النماذج 2 و3 و4 أعلى من أداء النماذج 1 و5. ظل الأداء العام للنماذج 2 و3 و4 فوق الأداء العام للنماذج 1 و 5 حوالي .

قيم الأداء لمجموعات بيانات التدريب والتحقق والاختبار للنموذج 4 من حيث MSE و مقدمة في الجدول 8. بالإضافة إلى ذلك، يتم عرض توزيعات الأخطاء لبيانات التدريب والتحقق والاختبار للنموذج 4 في الشكل 4. أخيرًا، يتم عرض منحنى الانحدار لبيانات التدريب والتحقق والاختبار للنموذج 4 كمثال في الشكل 5.

الشكل 4. توزيع الأخطاء لبيانات التدريب والتحقق والاختبار للنموذج 4.

تم فحص مرتبة أهمية الميزات المطبقة في مدخلات النموذج باستخدام تحليل المكونات الرئيسية بشكل منفصل لكل منتج. يتم تقديم ترتيب أهمية الميزات لكل نموذج كما هو موضح في الجدول 9. بالنسبة للنموذج 1، فإن الميزة الأكثر أهمية هي بينما هو الأقل أهمية. بالنسبة للنموذج 2، فإن المعامل الأكثر أهمية هو وأقل أهمية هو . عند النظر إلى النموذج 3، هو الأكثر أهمية و الأقل أهمية. بالنسبة للنموذج 4، هو الميزة الأكثر أهمية و هو الأقل أهمية. أخيرًا، بينما هو أهم ميزة للنموذج هو أقل الميزات أهمية. يمكن فحص مستوى فعالية جميع الميزات بناءً على النموذج في الجدول 9 ورؤيتها بصريًا من خلال فحص الرسم البياني العنكبوتي في الشكل 6 بمزيد من التفصيل.

تتضح أولويات المتغيرات بالنسبة للنماذج المعروضة في الجدول 9 والشكل 6، ولكن من أجل الحصول على نتيجة متكاملة من هذه النتائج التي تم الحصول عليها بواسطة الشبكات العصبية الاصطناعية، استخدمنا تحليل الترتيب العام للحصول على نتيجة أكثر وضوحًا وتكاملًا لأولوية المتغيرات. نظرًا لأن كل منتج مستخدم في النماذج يتناول صناعات تصنيع مختلفة، لوحظ أنه يتأثر بمتغيرات مختلفة وفقًا لهيكل صناعة التصنيع. هنا يتم استخلاص استنتاجات عامة وتقييمها باستخدام تحليل الترتيب العام.

يوضح الجدول 10 أولويات المتغيرات التي تم تطبيعها بناءً على الجدول 8 (الذي تم الحصول عليه باستخدام طريقة الشبكة العصبية الاصطناعية). من أجل مقارنة نتائج أولوية هذه المتغيرات التي تم الحصول عليها من النماذج الخمسة، من المفيد استخدام التطبيع الخطي لعناصر الأولوية. تم إجراء التقييم مع التطبيع من أجل القدرة على مقارنة نتائج أولويات النماذج المختلفة وتجنب تخصيص مفرط للسلاسل ذات الدرجات العالية نسبيًا عند حساب النتائج المدمجة للنماذج الخمسة.

كما تظهر الرتب في الجدول 9، يمكن ترتيب المتغيرات التي تؤثر على مستوى مبيعات شركة الحديد والصلب من حيث أولوياتها. لذلك، نحتاج إلى استخدام إجراء حسابي متكامل لترتيب أولويات المتغيرات في هذه المشكلة. من المقبول أن هناك نقاطًا أخرى يجب أخذها في الاعتبار في هذه المرحلة من حساب الأولويات المتكاملة. يجب ألا تُقبل أولويات المتغيرات التي تم الحصول عليها على أنها متساوية، لأن مؤشرات أداء نماذج الشبكات العصبية الاصطناعية أو حجم مبيعات المنتجات/سعرها، إلخ، قد تؤثر على هذه الأولويات المتكاملة. يوضح الجدول 11 سيناريوهات الوزن لحساب الأولويات المتكاملة. وبناءً عليه، يسمح حساب الأولويات المتكاملة باستخدام طرق اتخاذ القرار المتعددة. تعتبر GRA طريقة اتخاذ قرار متعددة، ومشتقة من نظرية النظام الرمادي (التي طورها دينغ في الثمانينيات)، والتي تأخذ في الاعتبار العلاقة بين قيم سلسلة مرجعية وسلاسل أخرى. نظرًا لأن GRA تأخذ في الاعتبار التشابه بين السلاسل التي تتم مقارنتها، فإن لها بعض المزايا على طرق اتخاذ القرار البديلة، وقد تم استخدامها في مجموعة متنوعة من الدراسات في السنوات الأخيرة. لمزيد من خطوات حساب GRA، انظر بحث [34]. من أجل الحصول على نتيجة متكاملة من نتائج أولويات المتغيرات للنماذج عبر الشبكات العصبية الاصطناعية، يتم عرض درجات مؤشر GRA المحسوبة وترتيبها لكل متغير من حيث السيناريوهات في الجدول 12. في هذه النتائج المتكاملة، تعتبر أداء فترة الاختبار للنماذج (Scnr2)، والأداء العام للنماذج (Scnr3)، وكمية مبيعات المنتجات بالنسبة لحجم مبيعات المنتجات (Scnr4)، ومؤشر سعر مبيعات المنتجات (Scnr5) مؤشرات على شدة اعتبار نتائج النموذج. إذا تم قبول كل نتيجة أولوية بالتساوي من حيث النماذج، يمكن أخذ Scnr1 في الاعتبار. تم حساب درجات مؤشر GRA في العمود الأخير باستخدام متوسط درجات مؤشر GRA لخمسة سيناريوهات.

وفقًا للجدول 12، فإن الدولار الأمريكي له الأولوية القصوى وبالتالي له تأثير كبير على توقعات كمية مبيعات هذه الشركة للحديد والصلب فيما يتعلق بطريقة الشبكة العصبية الاصطناعية. سعر المنتج ( ) ومعدل الفائدة ( ) لها أيضًا تأثير كبير على توقع كمية المبيعات وفقًا لجميع السيناريوهات. تغيير السعر في الشهر الماضي ( ) , ، و يبدو أن لها أضعف تأثير على توقع كمية المبيعات. هذه النتائج تختلف تمامًا عن نتائج OLS. كما و PMI هما المحددان الأكثر أهمية في نماذج OLS، وهما متغيران مهمان بشكل معتدل في نماذج ANN. كما
و هي أقل العوامل أهمية في نماذج OLS، لكنها أكثر المتغيرات أهمية مع في نماذج الشبكات العصبية.

في هذا الجزء، المتغيرات ذات التأثير الكبير على ، و في توقع كمية المبيعات يتم تقييمها ومقارنتها مع نتائج الأدبيات ذات الصلة.

اكتشاف كعامل فعال، أظهر توازياً مع دراسات أخرى أجريت في إيران [23] وتركيا [24]. المنتجات والمواد الخام التي تستخدمها الشركات في صناعة الحديد والصلب تخضع للتجارة العالمية وعادة ما تتم التجارة في . تغييرات في قد يؤثر سعر الصرف على التكاليف والربحية وأسعار المنتجين، مما قد يؤثر بدوره على أحجام المبيعات. بالإضافة إلى ذلك، إذا تسببت تقلبات أسعار الليرة التركية نتيجة لتغيرات أسعار الصرف في تأخير الطلب والاستثمار.
قد تكون الشركات مغرمة بشراء منتجات الحديد والصلب قبل زيادة محتملة في أسعار الصرف من أجل حماية نفسها.

ال يتم قبوله أيضًا كمتغير فعال في الدراسة التي أجراها [10] لصناعة الصلب في المملكة المتحدة. وُجد أنه مؤشر على البيئة الاقتصادية العامة بدلاً من أن يكون له تأثير مباشر على الطلب في القطاع، وأن له تأثير غير مباشر. في الحالات التي يكون فيها مرتفع، يميل الاستثمار إلى الانخفاض حيث يميل رأس المال إلى كسب الفائدة، وهذا يمكن أن يؤثر على تكلفة المواد الخام وبالتالي سعر المنتج النهائي على المدى الطويل.

وفقًا للنظرية الاقتصادية الأساسية، من الطبيعي أن لتأثير على الكمية المباعة. ومع ذلك، لم يكن المتغير الأكثر تأثيرًا في دراستنا. في السنوات الأخيرة، عندما كانت التضخم في تركيا في اتجاه تصاعدي، زاد الطلب المدفوع بالصادرات بشكل خاص ووازن الانخفاض في السوق المحلية. من وجهة نظر أخرى، بالنظر إلى أن صناعة الحديد والصلب هي قطاع يزود الصناعات الأخرى بالمواد الخام، يمكن الافتراض أن التوقع بزيادة في يؤدي ذلك إلى قيام شركات الإنتاج بتخزين المواد الخام وزيادة الطلب بشكل دوري. قد تكون هذه الحالة ناتجة عن وجود منافسة أقل مقارنة بالقطاع الذي يُوجه إليه المنتج، وأن هناك منافسين مختلفين في القطاع، وأنه مؤثر على المنتجات ذات القيمة المضافة المنخفضة.

في الدراسة الحالية، تم تطوير 5 نماذج مختلفة لمنتجات مختلفة بهدف تقدير قيمة الناتج. استنادًا إلى المتغيرات المدخلة بما في ذلك ، و underwent training, validation, and testing processes. Before entering the model, all variables were subjected to min-max normalization within their respective ranges. This approach ensured that the ANN model was sensitive to changes in all variables, rather than being overly influenced by a single variable. Model validation was performed using the 10-fold cross-validation method. In the training phase, estimation plots and linear regression curves were generated for the output. Test performance was evaluated for the model type that produced the lowest error during training. In general, the test performance values for the ANN models were as follows: models 2, 3, and 4 achieved ، و0.8228، على التوالي، بينما حققت النماذج 1 و5 0.6112 و0.5990، على التوالي. أظهر فحص أهمية المتغيرات في النماذج أن في النماذج 2 و3 و4 المتغيرات ، و هيمنت على عمليات التقدير. وعلى العكس، كانت النماذج 1 و 5 أقل أداءً لأن المتغيرات التي استندت إليها لم تكن مميزة بشكل كاف. نظرًا لهيمنة الـ ، و بناءً على المتغيرات في النماذج 2 و3 و4 والأداء العالي لهذه النماذج، يمكن الاستنتاج أن هذه المتغيرات ساهمت بشكل كبير في أدائها الإيجابي. بشكل عام، تشير النتائج إلى أن النماذج المعتمدة على الشبكات العصبية الاصطناعية تتمتع بقدرات قوية في التحقق من صحة النموذج والتعميم حتى عند تطبيقها على مجموعات بيانات محدودة.

من أجل توطيد هذه النتائج من نماذج الشبكات العصبية الاصطناعية، استخدمنا تحليل الاستجابة العامة، مع دمج الأوزان المعينة لنتائج كل نموذج من حيث فترة الاختبار / الأداء العام عبر الشبكات العصبية، ومبلغ مبيعات المنتج، وما إلى ذلك. وفقًا لنتائج تحليل الاستجابة العامة المدمجة عبر جميع السيناريوهات الخمسة، من الواضح أن الدولار الأمريكي، وPi، وInt تؤثر المتغيرات بشكل كبير على تحديد مبيعات شركة الحديد والصلب من خلال الشبكة العصبية الاصطناعية. وبالتالي، يجب على شركات الحديد والصلب أن تعطي الأولوية لـ ، و عند توقع مبيعاتهم المستقبلية والتخطيط. وهذا يعني أنه في الاقتصادات التي تعاني من معدلات تضخم أعلى من المتوسط، قد تتأثر شركات التداول غير المشتقة من حيث الطلب على الحديد والصلب كوسيلة للتحوط ضد الزيادات في الأسعار بسبب مخاطر سعر الصرف.

علاوة على ذلك، تكشف الدراسة الحالية عن نتيجتين هامتين. أولاً، يمكن أن توفر نماذج الشبكات العصبية الاصطناعية أداءً متفوقًا مقارنةً بنماذج الانحدار الكلاسيكية. باستخدام نفس مجموعة البيانات، كان أداء تقدير نماذج الانحدار أقل بكثير من أداء نماذج الشبكات العصبية الاصطناعية. ثانياً، تم الاستنتاج أن استخدام طرق اتخاذ القرار متعددة المعايير مثل تحليل الاستجابة العامة يمكن أن يكون مفيدًا في الحصول على نتائج شاملة عند مواجهة تحدي استنتاج النتائج من العديد من نتائج الشبكات العصبية الاصطناعية التي تحتوي على متغيرات متطابقة، مما يؤدي إلى الحصول على رؤى متكاملة بناءً على مستويات أداء النماذج.

في الدراسات المستقبلية، بدلاً من التركيز على شركة واحدة، يمكن استخدام بيانات من شركات كبيرة مختلفة تعمل في دول مختلفة لتطوير نماذج هجينة تعتمد على الذكاء الاصطناعي. يمكن استخدام هذه النماذج لتحديد الخصائص التي تؤثر على الأداء التنبؤي، وتعيين أوزان لها، واختيارها بناءً على درجة أهميتها. هذه الطريقة لديها القدرة على تقليل عدم اليقين في المعلمات في النموذج.

[1] Pekkaya M, Uysal Z. Pandemi döneminde demir çelik işletmelerinde satış değerlendirmesi ve satış modellemesi. Uluslararası Yönetim İktisat ve İşletme Dergisi 2021; 17: 69-83 (in Turkish).
[2] Altan A, Karasu S, Bekiros S. Digital currency forecasting with chaotic meta-heuristic bio-inspired signal processing techniques. Chaos, Solitons & Fractals 2019; 126: 325-336.
[3] Chang V. Towards data analysis for weather cloud computing. Knowledge-Based Systems 2017; 127: 29-45.
[4] Chen A, Blue J. Performance analysis of demand planning approaches for aggregating, forecasting and disaggregating interrelated demands. International Journal of Production Economics 2010; 128 (2): 586-602.
[5] Jeon S, Hong B, Chang V. Pattern graph tracking-based stock price prediction using big data. Future Generation Computer Systems 2018; 80: 171-187.
[6] Karasu S, Altan A, Bekiros S, Ahmad W. A new forecasting model with wrapper-based feature selection approach using multi-objective optimization technique for chaotic crude oil time series. Energy 2020; 212: 118750.
[7] Gashler MS, Ashmore SC. Modeling time series data with deep Fourier neural networks. Neurocomputing 2016; 188: 3-11.
[8] Huh KS. Steel consumption and economic growth in Korea: long-term and short-term evidence. Resources Policy 2011; 36 (2): 107-113.
[9] Evans M. Modelling steel demand in the UK. Ironmaking & Steelmaking 1996; 23 (1): 17-24.
[10] Abbott AJ, Lawler KA, Armistead C. The UK demand for steel. Applied Economics 1999; 31 (11): 1299-1302.
[11] Crompton P. Future trends in Japanese steel consumption. Resources Policy 2000; 26 (2): 103-114.
[12] Barska M. Demand forecast with business climate index for a steel and iron industry representative. Metody Ilościowe w Badaniach Ekonomicznych 2014; 15 (2): 27-36.
[13] Crompton P, Wu Y. Bayesian vector autoregression forecasts of Chinese steel consumption. Journal of Chinese Economic and Business Studies 2003; 1 (2): 205-219.
[14] Evans M. An alternative approach to estimating the parameters of a generalised Grey Verhulst model: an application to steel intensity of use in the UK. Expert Systems with Applications 2014; 41 (4): 1236-1244.
[15] Chang PC, Wang YW, Tsai CY. Evolving neural network for printed circuit board sales forecasting. Expert Systems with Applications 2005; 29 (1): 83-92.
[16] Psiloglou BE, Giannakopoulos C, Majithia S, Petrakis M. Factors affecting electricity demand in Athens, Greece and London, UK: a comparative assessment. Energy 2009; 34 (11): 1855-1863.
[17] Efendigil T, Önüt S, Kahraman C. A decision support system for demand forecasting with artificial neural networks and neuro-fuzzy models: a comparative analysis. Expert Systems with Applications 2009; 36 (3): 6697-6707.
[18] Hicham A, Mohammed B, Anas S. Hybrid intelligent system for sale forecasting using Delphi and adaptive fuzzy back-propagation neural networks. Editorial Preface 2012.
[19] Oğcu G, Demirel OF, Zaim S. Forecasting electricity consumption with neural networks and support vector regression. Procedia – Social and Behavioral Sciences 2012; 58: 1576-1585.
[20] Azadeh A, Neshat N, Mardan E, Saberi M. Optimization of steel demand forecasting with complex and uncertain economic inputs by an integrated neural network-fuzzy mathematical programming approach. The International Journal of Advanced Manufacturing Technology 2013; 65: 833-841.
[21] Aziz AA, Mustapha NHN, Ismail R. Factors affecting energy demand in developing countries: a dynamic panel analysis. International Journal of Energy Economics and Policy 2013; 3 (4): 1-6.
[22] Akyurt İZ. Talep tahmininin yapay sinir ağlarıyla modellenmesi: yerli otomobil örneği. Ekonometri ve İstatistik Dergisi 2015; 23: 147-157 (in Turkish).
[23] Koochakpour K, Tarokh MJ. Sales budget forecasting and revision by adaptive network fuzzy base inference system and optimization methods. Journal of Computer & Robotics 2016; 9 (1): 25-38.
[24] Ecemiş O. Model ağaç yöntemiyle satış tahmini: paslanmaz çelik sektöründe bir uygulama. The Journal of Academic Social Science 2019; 84 (84): 336-350 (in Turkish).
[25] Jain AK, Mao J, Mohiuddin KM. Artificial neural networks: a tutorial. Computer 1996; 29 (3): 31-44.
[26] Agatonovic-Kustrin S, Beresford R. Basic concepts of artificial neural network (ANN) modeling and its application in pharmaceutical research. Journal of Pharmaceutical and Biomedical Analysis 2000; 22 (5): 717-727.
[27] Pekkaya M, Pulat Ö, Koca H. Evaluation of healthcare service quality via Servqual scale: an application on a hospital. International Journal of Healthcare Management 2019; 12 (4): 340-347.
[28] Pekkaya M, Pulat Ö, Zeydan İ. Service quality determiners in higher education: the student’s perspective. International Journal of Services, Economics and Management 2023; 14 (3): 270-300.
[29] Dökmen G, Pekkaya M, Saymaz N. Sigara bağımlılığı ve devletin sigara tüketimi ile mücadele yöntemleri arasındaki ilişki. Maliye Dergisi 2019; 176: 599-623 (in Turkish).
[30] Madhukumar M, Sebastian A, Liang X, Jamil M, Shabbir MNSK. Regression model-based short-term load forecasting for university campus load. IEEE Access 2022; 10: 8891-8905.
[31] Singh U, Rizwan M, Alaraj M, Alsaidan I. A machine learning-based gradient boosting regression approach for wind power production forecasting: a step towards smart grid environments. Energies 2021; 14 (16): 5196.
[32] Pekkaya M. ARFIMA ve FIGARCH yöntemlerinin Markowitz ortalama varyans portföy optimizasyonunda kullanılması: İMKB-30 endeks hisseleri üzerine bir uygulama. İstanbul Üniversitesi İşletme Fakültesi Dergisi 2013; 42 (1): 93-112 (in Turkish).
[33] Hayes AF, Cai L. Using heteroskedasticity-consistent standard error estimators in OLS regression: an introduction and software implementation. Behavior Research Methods 2007; 39: 709-722.
[34] Hamzaçebi C, Pekkaya M. Determining of stock investments with grey relational analysis. Expert Systems with Applications 2011; 38 (8): 9186-9195.

Follow this and additional works at: https://journals.tubitak.gov.tr/elektrik
8 Part of the Computer Engineering Commons, Computer Sciences Commons, and the Electrical and Computer Engineering Commons

PEKKAYA, Mehmet; UYSAL, Zafer; Altan, Aytaç; and KARASU, Seçkin (2024) “Artificial intelligence-based evaluation of the factors affecting the sales of an iron and steel company,” Turkish Journal of Electrical Engineering and Computer Sciences: Vol. 32: No. 1, Article 4. https://doi.org/10.55730/1300-0632.4055 Available at: https://journals.tubitak.gov.tr/elektrik/vol32/iss1/4

Turkish Journal of Electrical Engineering & Computer Sciences
http://journals.tubitak.gov.tr/elektrik/
Research Article

Turk J Elec Eng & Comp Sci
(2024) 32: 51-67
© TÜBİTAK
doi:10.55730/1300-0632.4055

Key words: Iron/steel sale determiners, artificial neural network, gray relational analysis, deriving integrated inferences

Forecasting an iron and steel company’s future sales is a critical decision that affects many aspects of the business, from plant operations to production planning. Projected sales directly correlate with expected operating income, as income is largely derived from sales. The iron and steel industry serves as a primary source of raw materials for manufacturing, supplying various product groups that act as inputs for various industries. Therefore, the health of the iron and steel sector has a significant impact on related subindustries and contributes to overall national development. A slowdown or stagnation in this sector can serve as an indicator due to its interconnectedness with other industries. Given the large scale and high tonnage production that characterizes the industry, the

accuracy of sales forecasts has significant financial implications. For example, a large iron and steel company may experience sales fluctuations of 200,000 to 300,000 tonnes per year for a single product with an average price of 700 USD per tonne. A error in demand estimation for just one product translates into a variation in revenue of approximately 35 million USD [1].

Türkiye has 34 companies engaged in crude steel production, with three integrated plants. In 2021, Türkiye was the seventh largest steel producer in the world, contributing 40.36 million tonnes to the global production of 1.951 billion tonnes (an increase of on the previous year). It is also the second largest steel producer in Europe after Russia. Steel exports amounted to 22.4 billion dollars in 2021, accounting for of Türkiye’s total exports . Given the size of the iron and steel market and its links with other industries, forecasting future sales is becoming increasingly important.

Market fluctuations, influenced by economic and political conditions, can affect sales in certain periods. Economic downturns, recessions, or abrupt changes in macroeconomic indicators can affect different industries. Understanding the factors that influence product demand during changes in the external economic climate and assessing their impact play a key role in sales forecasting. While numerous academic studies have examined sales/demand forecasting in various industries such as energy, oil, tourism, retail, and housing, research on this important economic issue in the metals and steel industries remains scarce, which underscores the importance of our study. The motivation for the present study is the search for a method/model that can better predict the sales of companies in the iron and steel sector, which provides basic inputs to almost all industries, and the need to know the priorities of variables that must be taken into account in forecasting the sales of companies in the sector in order to ensure better planning, and the fact that there are very limited studies in the field that include these purposes. The aim in our study was to prioritize and assess the factors influencing the sales forecasts of major iron and steel companies using an effective methodology.

In the field of time series data, including financial, economic, energy, weather, and stock prices, traditional time series methods as well as artificial neural networks (ANNs) and machine learning techniques are widely used to accurately predict future values [2-6]. ANNs provide nonlinear models that excel at capturing nonlinear relationships between input and output data, making them superior for prediction [7]. ANNs use the backpropagation algorithm during training, which aims to minimize the mean squared error between expected and actual outputs across the training dataset. This supervised training technique allows designers to produce the desired result. Although many studies on sales forecasting can be found in the literature, these studies are mainly conducted in the energy, tourism, retail, housing, and oil-related sectors. The number of studies in the metal sector is quite limited, and compared to the studies observed, almost no study has been found in which as many important variables as in our study have been evaluated with hybrid ANN approaches and the integrated results of the variables affecting sales from models. These statements set out the contributions of our work to the literature.

The primary objective of the present study was to identify and model the significant factors influencing the sales of an iron and steel company using an ANN. Subsequently, we aim to present these results to decision makers and researchers. We first selected the key factors based on the relevant academic literature. In addition, we selected the 5 best-selling products from 5 product groups produced by a large Turkish iron and steel company and collected monthly sales data for the last 10 years. After collecting the variable data, we constructed ANN models using the Levenberg-Marquardt training algorithm and evaluated the results. To compare the

performance of the ANN models, we built an ordinary least squares regression model to determine the variables that significantly affect sales. We then statistically compared 1 year of data (the test period) with the previous 9 years of data in the ANN model.

In the second section, we assess the iron and steel industry in Türkiye and worldwide, focusing on production and market size. In the third section, the factors influencing the demand for iron and steel are identified based on a literature review. The fourth section contains details on the aforementioned data periods, variables, and analysis methods, as well as the results of the application. Finally, in the last section, the results are evaluated.

The iron and steel industry is regarded as a driving force in the industrialization of nations and the advancement of their economies. Its significance lies in its role as a supplier of raw materials to various industrial sectors. An examination of the relationship between a country’s development and the iron and steel industry reveals that advances and innovations in this sector contribute significantly to the growth of iron- and steel-related industries, thereby having a multiplier effect on a nation’s development. The iron and steel industry supports the production of transportation vehicles, including automobiles, ships, containers, aircraft, railways, and wagons. It also plays a crucial role in the production of packaging materials, machinery, agricultural tools, construction materials, heating equipment, and household and office goods .

Crude steel production in Türkiye is carried out in both arc furnace facilities and integrated facilities. Integrated plants utilize iron ore as their primary raw material, while arc furnace plants rely on iron and steel scrap. Approximately one-fourth of Türkiye’s total crude steel production is derived from integrated facilities, with the remaining three-fourths originating from arc furnace facilities. The prevalence of arc furnace facilities in the industry is attributed to the substantial investments and financing required for integrated facilities, as well as the limited availability of iron ore deposits in Türkiye. The iron and steel industry provides employment to around 88,000 individuals within various companies .

In 2021, Türkiye was the seventh largest steel producer (Table 1) in the world and the second largest in Europe. Moreover, iron and steel exports accounted for of Türkiye’s total exports in the same year. Given the important role of the iron and steel industry in the Turkish economy and its impact on various other sectors, the aim in our study was to model the factors influencing future sales volumes in this industry. Accurately estimating sales for future periods will further underscore the relevance and impact of our research.

Academic studies on the factors influencing the demand forecast, sales forecast, and consumption forecast in the iron and steel industry were searched. It is stated that the economic development of countries is related to steel consumption and it can be regarded as an indicator of the development of the country’s industry [8]. In [9] it is suggested that British steel demand is sensitive to the intensity of steel use and to changes in the level of macroeconomic activity. It supports the view that economic activity affects steel demand and uses the variables of national income, exchange rate, steel price, and state of the manufacturing industry, which are among the economic factors affecting steel consumption [10]. Apart from these, in the Japanese steel industry [11], in the Polish steel industry [12], in the Chinese steel industry [13], in the British steel industry [14], and in the Korean

steel industry [8], the effects of economic atmosphere, national income, and the intensity of use of steel in the industry on steel consumption were examined in his studies of the UK steel industry.

Table 2. Factors determining sales/demand.

Given the limited number of studies specifically looking at factors influencing product sales and demand, we broadened our perspective by including findings from different industries, as summarized in Table 2. The table shows that certain economic factors are commonly used in academic research on sales. These factors

include national income, the manufacturing index, inflation, exchange rates, product prices, and historical sales/production data. In this research endeavor, we consider these variables as our primary focus.

Traditional forecasting techniques such as trend analysis and moving weighted averages, which are commonly used in sales forecasting, are generally recognized for their cost-effectiveness and ease of use. However, they may fail to adequately take into account the passage of time, seasonal influences, and economic fluctuations in their forecasts. Economic markets can fluctuate based on a country’s broader economic and political landscape, which can subsequently affect sales. Economic downturns, recessions, or shifts in macroeconomic indicators can have varying effects on product demand within specific industries. Identifying these factors that shape product demand in response to changes in the external economic climate and assessing their impact play a key role in forecasting future sales.

The literature on sales forecasting encompasses a wide array of scientific studies spanning different industries, including energy, oil, tourism, retail, and real estate. The fact that few studies have been conducted on the Turkish metal industry or the iron and steel industry increases the importance of the present study. As a result, research on the economic factors influencing the turnover of companies in the iron and steel industry, which is the focus herein, is of paramount importance.

The aim of the study was to determine and model the significant factors with their priorities that influence the sales volume of an iron and steel company by means of an ANN. In this section, the processing map of the ANN model is shown in Figure 1. The following subsections explain the variables and data used in the application and the ANN model.

The flowchart illustrating the approach for modeling the significant factors influencing the sales of an iron and steel company using an ANN is presented in Figure 1. The first step is to prepare a product database to make it suitable for analysis. As a preprocessing step, separate datasets are created for 5 different products. Data imputation is performed using the k-nearest neighbors (KNN) technique. A min-max scaling approach is used to normalize the features and bring them into a uniform range. Subsequently, an ANN model is employed to predict the sales figures for each product. Finally, the model’s performance is evaluated using test data. A detailed explanation of the ANN model can be found in section 4.2.

As the analysis of iron and steel sales/demand is carried out for a Turkish company, Turkish macroeconomic variables are used in the modeling process. In line with the relevant literature, 6 economic variables that are assumed to affect iron and steel sales/demand are used, as shown in Table 2. In addition, the prices of the product and its lagged sales volumes are considered as potential factors influencing iron and steel sales/demand. These economic variables consist of the producer price index ( ), gross domestic product ( ), interest rate, US dollar to Turkish lira exchange rate (USD/TRY), consumer confidence index ( ), and Purchasing Managers Index (PMI) for inflation (as shown in Table 3).

As the iron and steel industry has an impact on other industries, including manufacturing, some studies have often used the manufacturing index or the industrial index of the industries that affect the steel industry . The PMI can be used to track the direction of manufacturing industries that use steel products as inputs. The PMI can be calculated using data from a survey of purchasing managers who are asked in which direction (increase/improve or decrease/worsen) parameters such as production, new orders, stocks,
employment, supplier performance, and price trends are moving. As products are thought to affect the end user, the value of the manufacturing consumer index was also included in [18]. The consumer confidence index is also included in the model as it will show the tendency towards consumption of final products.

The variables of exchange rate [23], inflation rate [20,23,24], interest rate [10], product prices [10,17,21], and population data [11, 19] are economic factors affecting sales according to some studies. Accordingly, monthly producer price index as inflation data, monthly USD/TRY exchange rate, and market benchmark interest rates are used in the model. As the application is on manufacturing then the producer price index variable is used for the inflation variable in the analysis. Since the iron and steel trade is usually conducted in , then the USD/TL rate is used for the exchange rate. The PMI is regarded as equivalent to the manufacturing industry index.

It is also worth noting that in many of the studies listed in Table 2, national income, per capita income, and historical sales data have been commonly employed. Nevertheless, during data collection, it was observed that monthly sales and price data were available, while national income data were only accessible on a quarterly basis. To overcome this discrepancy, a linear interpolation method was applied to the national income data, allowing them to be incorporated into the model on a monthly basis. The monthly datasets for these variables covering the period from January 2010 to March 2021 were obtained, the sources of which are detailed in Table 3.

In the analysis, we scrutinized the sales data ( , and ) of a Turkish iron and steel company for the period 2010 to 2021, covering about 11 years, across 5 selected products. It should be noted that in the dataset, 5 observations from the first year were found to be missing, and no imputation method was applied to address this data gap. Furthermore, the dataset is available from January 2012 onward, while the PMI dataset is available from April 2015 onward.

ANNs are computer models that can synthesize and infer new information, use previously learned or classified information to make decisions, and mimic the organic neural structure of the human brain. The mathematical description of the learning process using the human brain as an example led to the development of ANNs. It resembles the organization of the brain’s organic neural networks and their ability to learn, remember, and generalize. In biological systems, learning is achieved by modifying the synaptic connections between neurons. In other words, human learning begins at birth. The brain grows continuously during this process. Synaptic connections are modified or even created as a result of our experiences and daily life. This is how learning happens. ANN also fits into this. Training is the process by which learning by example occurs; in other words, realization occurs by processing input/output data, or more specifically, by the training algorithm continuously modifying the weights of the synapses using these data until convergence is achieved [25]. Calculating the bias value and w weight parameters, for which the model will provide the best score, is the fundamental step in ANNs. Neurons are connected to one another either in series or in parallel, and each neuron performs calculations in the same way. Five components make up an artificial neuron: inputs, weights, a summation function, an activation function, and outputs. Figure 2 shows these components for a simple single layer neural network. Inputs ( ) are connected to neuron in Figure 2, along with weights ( ) for each connection. Each signal is amplified by the corresponding weights of the connection before being summed together by the neuron. The final output, , is then obtained by passing this output through an activation function, which is often nonlinear [26].

In this section, the results of the prioritization of the determining variables that influence the company’s iron and steel sales using the ANN approach are presented. First, some descriptive statistics of the data are presented in Tables 4 and 5. One of the commonly known descriptive statistics, the coefficient of variation ( CoV ) shows the homogeneity of the series, which is preferred for the decomposition of the series from its mean and unit of measurement instead of the standard deviation [27]. CoV values can be calculated by dividing the standard deviation by the mean ( Mean) of each series. According to the CoV values, in particular, followed by and , are more heterogeneous series than the others. In the following subsections, the model estimation is carried out using the ordinary least squares method for comparison with the ANN results. Then the ANN results are reported. Finally, the priorities of the variables obtained from ANN are evaluated comparatively using gray relational analysis (GRA). GRA is a multicriteria decision method (MCDM) and is used to draw an integrated conclusion from the results in different models of variable priority levels obtained from an ANN.

The ordinary least squares (OLS) method is employed as an alternative statistical approach to ANNs to identify the variables influencing iron and steel sales. OLS is a commonly used statistical method for estimating parameters, determining the impact of independent variables on the dependent variable [1,28,29], and predicting/forecasting unknown dependent values [30, 31]. This approach allows us to compare the results with those obtained using ANNs. Five separate regression models are constructed for the 5 products, using the same set of macroeconomic variables. The coefficients obtained from these models and their levels of significance are presented in Table 6. In order to address the issue of unit roots in the series, the regression is conducted using the logarithmic return series [32]. It should be noted, however, that the OLS assumptions are not met for these
regression models. Specifically, it is noted that the normal distribution of the residual series is not satisfied and that there is an autocorrelation problem in all models, as indicated by the Breusch-Godfrey serial correlation LM test with a significance level of 0.05 . Consequently, a heteroskedasticity and autocorrelation consistent (HAC) approach is applied to the model indicators, and in particular to the test statistics, in order to obtain robust probability values or heteroskedasticity and autocorrelation consistent covariance estimators [33]. In these models, a backward approach is implemented to sequentially remove variables from the model, starting with the weakest variables that are not statistically significant at the 0.10 level, until a model with significant coefficients is obtained [29]. It is worth noting, however, that the backward approach did not produce a significantly better model than the initial models. Therefore, the initial regression models are reported in Table 6.

Here is the current value of the month and is the value of the previous month. The variable represents the amount of change per unit time for the time series with the operator. The models have an autocorrelation problem, the HAC approach is used, and the obtained p-values of the test coefficients are given in parentheses. Underlined coefficients are statistically significant at 0.05 and italicized coefficients are significant at 0.10 .

According to the OLS results in Table 6, the PMI and especially lagged average product sales ( ) have negative effects on current average product sales. In model 5, product price and price change also have an effect on average product turnover. However, although the F-statistics are quite satisfactory, the predictive power of the models is almost with respect to when forecasting the average product sales of a month, which is the dependent variable. It can therefore be concluded that it is controversial to build a strong OLS model with the variables/data considered in the present study. Compared to the results of [1], which has a similar OLS application and shows in particular that and have an effect on sales, only 2 models in our study showed similar results in parallel with that study.

The representation of the inputs and the output of the sales forecasting model applied to the 5 products is shown in Figure 3. are common variables used in the model inputs to determine the amount of product sales. The monthly average product sales (tonnes), the change in the value, and
the previous value of the monthly average product prices ( ) depend on the 5 products. Finally, the forecast of the next value is used in the model output.

Prior to the model training phase, the missing data were filled using the KNN approach. For example, missing data in the 3rd sales data were filled using this method. The min-max normalization process brings the features used in the model input to the same set of numbers. A neural network model was used to create a sales prediction model. Five different models were built for the data for 5 sales. Nine variables are used as input for 5 models. For the sales prediction model training, validation, and test data were used (95-20-20 samples). The number of neurons in the hidden layer was taken as 50 . The training algorithm chosen was Levenberg-Marquardt.

Comparing the test data results in Table 7, it can be seen that the performance of models 2, 3, and 4 is higher than that of models 1 and 5 . The overall performance of models 2,3 , and 4 remained above . The overall performance of models 1 and 5 is around .

The performance values for the training, validation and test datasets for model 4 in terms of MSE and are given in Table 8. In addition, the error distributions of the training, validation, and test data for model 4 are shown in Figure 4. Finally, the regression curve for the training, validation, and test data for model 4 is shown as an example in Figure 5.

Figure 4. Errors distributions of training, validation, and test data for model 4.

The rank of importance of the features applied in the model inputs with principal component analysis was examined separately for each product. The order of importance of the features is given for each model as shown in Table 9. For model 1, the most important feature is , while is the least important. For model 2, the most important parameter is and the least important is . Looking at model 3, is the most important and the least important. For model 4, is the most important feature and is the least important. Finally, while is the most important feature for model is the least important feature. The level of effectiveness of all the features based on the model can be examined in Table 9 and visually by examining the spider graph in Figure 6 in more detail.

The priorities of the variables in relation to the models presented in Table 9 and Figure 6 are clear, but in order to obtain an integrated result from these results obtained by ANN, we used GRA to obtain a more understandable and integrated result for the priorities of the variables. Since each product used in the models addresses different manufacturing industries, it was observed that it is affected by different variables according to the structure of the manufacturing industry. Here general conclusions are drawn and evaluated with GRA.

Table 10 shows the priorities of the variables normalized on the basis of Table 8 (obtained with the ANN method). In order to compare the results of the priority of these variables obtained by the 5 models, it is useful to use linear normalization for the priority elements. The scoring with normalization was done in order to be able to compare the results of the different model priorities and to avoid an excessive allocation to the relatively high scoring series when calculating the integrated results of the 5 models.

As the ranks in Table 9 show, the variables that affect the level of sales of an iron and steel company can be ordered in terms of their priorities. Therefore, we need to use an integrated calculation procedure to order the variable priorities in this problem. It is accepted that there are other points to be considered in this integrated priority calculation phase. The obtained variable priorities should not be accepted as equal, because models’ ANN performance indicators or product sales volume/price etc. may have a affect on these integrated priorities. Table 11 shows the weighting scenarios for the integrated prioritization calculation. Accordingly, the calculation of integrated priorities allows us to use MCDMs. GRA is an MCDM and is derived from gray system theory (developed by Deng in the 1980s), which considers the relationship between the values of a reference series and other series [34]. Since GRA takes into account the similarity between the series being compared, it has some advantages over alternative MCDMs, and it has been used in a variety of studies in recent years. For the computational steps of GRA, see the research of [34]. In order to obtain an integrated result from the variable priority results of the models via ANN, the calculated GRA index scores and their ranks for each variable in terms of scenarios are shown in Table 12. In these integrated results, the test period performance of the models (Scnr2), the general performance of the models (Scnr3), the amount of product sales in relation to the volume of product sales (Scnr4), and the product sales price index (Scnr5) are indicators of the severity of the consideration of the model results. If each priority finding is accepted equally in terms of models, Scnr1 can be taken into account. The GRA index scores in the last column are calculated using the average of the 5 scenario GRA index scores.

According to Table 12, USD has the highest priority and thus has a dominant influence on forecasting the sales amount of this iron and steel company with respect to the ANN method. Product price ( ) and interest rate ( ) also have quite an overwhelming effect on predicting the sales amount according to all scenarios. Last month’s price change ( ) , , and seem to have the weakest effect on predicting the sales amount. These results are quite different from the OLS results. As and PMI are the most important determinants in OLS models, they are moderately important variables in ANN models. As
and are the least important determinants in OLS models, they are the most important variables with in ANN models.

In this part, the overwhelmingly influential variables of , and in predicting the amount of sales are evaluated and compared with the findings of related literature.

The finding of as an effective variable has shown parallelism with other studies conducted in Iran [23] and Türkiye [24]. The products and raw materials used by companies in the iron and steel industry are subject to global trade and the trade is usually conducted in . Changes in the exchange rate may affect the costs, profitability, and prices of producers, which in turn may affect sales volumes. In addition, if fluctuations in Turkish lira prices as a result of changes in exchange rates cause delays in demand and investment
decisions, companies may be tempted to purchase iron and steel products ahead of a possible increase in exchange rates in order to hedge themselves.

The is also accepted as an effective variable in the study by [10] for the UK steel industry. It was found to be an indicator of the general economic environment rather than having a direct effect on demand in the sector and to have an indirect effect. In cases in which is high, investment tends to fall as capital tends to earn interest and this can affect the cost of raw materials and therefore the price of the final product in the long run.

According to basic economic theory, it is normal for to affect the quantity sold. However, it was not the most influential variable in our study. In recent years, when inflation in Türkiye has been on an upward trend, especially the export-driven demand has increased and balanced the decline in the domestic market . From another point of view, considering that the iron and steel industry is a sector that supplies raw materials to other industries, it can be assumed that the expectation of an increase in causes the producing companies to stock up on raw materials and increase demand periodically. This situation may be due to the fact that there is less competition compared to the sector to which the product is addressed, that there are different competitors in the sector, and that it is influential for products with low added value.

In the present study, 5 different models were developed for different products with the aim of estimating the output value based on input variables including , and . These models underwent training, validation, and testing processes. Before entering the model, all variables were subjected to min-max normalization within their respective ranges. This approach ensured that the ANN model was sensitive to changes in all variables, rather than being overly influenced by a single variable. Model validation was performed using the 10 -fold cross-validation method. In the training phase, estimation plots and linear regression curves were generated for the output. Test performance was evaluated for the model type that produced the lowest error during training. In general, the test performance values for the ANN models were as follows: models 2,3 , and 4 achieved , and 0.8228 , respectively, while models 1 and 5 achieved 0.6112 and 0.5990 , respectively. An examination of the importance of the variables in the models showed that in models 2,3 , and 4 the variables , and dominated the estimation processes. Conversely, models 1 and 5 performed less well because the variables on which they were based were not sufficiently distinctive. Given the dominance of the , and variables in models 2,3 , and 4 and the high performance of these models, it can be concluded that these variables contributed significantly to their positive performance. Overall, the results suggest that ANN-based models have robust model validation and generalization capabilities even when applied to limited datasets.

In order to consolidate these findings from the ANN models, we used GRA, incorporating assigned weights for each model’s results in terms of test period/general performance via ANN, product sales amount, etc. According to the integrated GRA results across all 5 scenarios, it is evident that the USD, Pi, and Int variables have the most significant influence on determining the sales of an iron and steel company via an ANN. Consequently, iron and steel companies should prioritize , and when forecasting their future sales and planning. This implies that in economies with higher than average inflation rates, nonderivative trading firms may be influenced in terms of iron and steel demand as a hedge against price increases due to exchange rate risk.

Furthermore, the present study reveals two significant outcomes. First, ANN models can provide superior performance compared to classical regression models. Using the same dataset, the estimation performance of regression models was significantly lower than that of ANN models. Second, it was concluded that the use of MCDMs such as GRA can be beneficial in obtaining comprehensive results when faced with the challenge of making inferences from numerous ANN results containing identical variables, thereby obtaining integrated insights based on the performance levels of the models.

In future studies, rather than focusing on a single company, data from different large companies operating in different countries can be used to develop hybrid artificial intelligence-based models. These models could be utilized to identify characteristics that affect predictive performance, assign weights to them, and select them based on their degree of importance. This approach has the potential to reduce parameter uncertainty in the model.

[1] Pekkaya M, Uysal Z. Pandemi döneminde demir çelik işletmelerinde satış değerlendirmesi ve satış modellemesi. Uluslararası Yönetim İktisat ve İşletme Dergisi 2021; 17: 69-83 (in Turkish).
[2] Altan A, Karasu S, Bekiros S. Digital currency forecasting with chaotic meta-heuristic bio-inspired signal processing techniques. Chaos, Solitons & Fractals 2019; 126: 325-336.
[3] Chang V. Towards data analysis for weather cloud computing. Knowledge-Based Systems 2017; 127: 29-45.
[4] Chen A, Blue J. Performance analysis of demand planning approaches for aggregating, forecasting and disaggregating interrelated demands. International Journal of Production Economics 2010; 128 (2): 586-602.
[5] Jeon S, Hong B, Chang V. Pattern graph tracking-based stock price prediction using big data. Future Generation Computer Systems 2018; 80: 171-187.
[6] Karasu S, Altan A, Bekiros S, Ahmad W. A new forecasting model with wrapper-based feature selection approach using multi-objective optimization technique for chaotic crude oil time series. Energy 2020; 212: 118750.
[7] Gashler MS, Ashmore SC. Modeling time series data with deep Fourier neural networks. Neurocomputing 2016; 188: 3-11.
[8] Huh KS. Steel consumption and economic growth in Korea: long-term and short-term evidence. Resources Policy 2011; 36 (2): 107-113.
[9] Evans M. Modelling steel demand in the UK. Ironmaking & Steelmaking 1996; 23 (1): 17-24.
[10] Abbott AJ, Lawler KA, Armistead C. The UK demand for steel. Applied Economics 1999; 31 (11): 1299-1302.
[11] Crompton P. Future trends in Japanese steel consumption. Resources Policy 2000; 26 (2): 103-114.
[12] Barska M. Demand forecast with business climate index for a steel and iron industry representative. Metody Ilościowe w Badaniach Ekonomicznych 2014; 15 (2): 27-36.
[13] Crompton P, Wu Y. Bayesian vector autoregression forecasts of Chinese steel consumption. Journal of Chinese Economic and Business Studies 2003; 1 (2): 205-219.
[14] Evans M. An alternative approach to estimating the parameters of a generalised Grey Verhulst model: an application to steel intensity of use in the UK. Expert Systems with Applications 2014; 41 (4): 1236-1244.
[15] Chang PC, Wang YW, Tsai CY. Evolving neural network for printed circuit board sales forecasting. Expert Systems with Applications 2005; 29 (1): 83-92.
[16] Psiloglou BE, Giannakopoulos C, Majithia S, Petrakis M. Factors affecting electricity demand in Athens, Greece and London, UK: a comparative assessment. Energy 2009; 34 (11): 1855-1863.
[17] Efendigil T, Önüt S, Kahraman C. A decision support system for demand forecasting with artificial neural networks and neuro-fuzzy models: a comparative analysis. Expert Systems with Applications 2009; 36 (3): 6697-6707.
[18] Hicham A, Mohammed B, Anas S. Hybrid intelligent system for sale forecasting using Delphi and adaptive fuzzy back-propagation neural networks. Editorial Preface 2012.
[19] Oğcu G, Demirel OF, Zaim S. Forecasting electricity consumption with neural networks and support vector regression. Procedia – Social and Behavioral Sciences 2012; 58: 1576-1585.
[20] Azadeh A, Neshat N, Mardan E, Saberi M. Optimization of steel demand forecasting with complex and uncertain economic inputs by an integrated neural network-fuzzy mathematical programming approach. The International Journal of Advanced Manufacturing Technology 2013; 65: 833-841.
[21] Aziz AA, Mustapha NHN, Ismail R. Factors affecting energy demand in developing countries: a dynamic panel analysis. International Journal of Energy Economics and Policy 2013; 3 (4): 1-6.
[22] Akyurt İZ. Talep tahmininin yapay sinir ağlarıyla modellenmesi: yerli otomobil örneği. Ekonometri ve İstatistik Dergisi 2015; 23: 147-157 (in Turkish).
[23] Koochakpour K, Tarokh MJ. Sales budget forecasting and revision by adaptive network fuzzy base inference system and optimization methods. Journal of Computer & Robotics 2016; 9 (1): 25-38.
[24] Ecemiş O. Model ağaç yöntemiyle satış tahmini: paslanmaz çelik sektöründe bir uygulama. The Journal of Academic Social Science 2019; 84 (84): 336-350 (in Turkish).
[25] Jain AK, Mao J, Mohiuddin KM. Artificial neural networks: a tutorial. Computer 1996; 29 (3): 31-44.
[26] Agatonovic-Kustrin S, Beresford R. Basic concepts of artificial neural network (ANN) modeling and its application in pharmaceutical research. Journal of Pharmaceutical and Biomedical Analysis 2000; 22 (5): 717-727.
[27] Pekkaya M, Pulat Ö, Koca H. Evaluation of healthcare service quality via Servqual scale: an application on a hospital. International Journal of Healthcare Management 2019; 12 (4): 340-347.
[28] Pekkaya M, Pulat Ö, Zeydan İ. Service quality determiners in higher education: the student’s perspective. International Journal of Services, Economics and Management 2023; 14 (3): 270-300.
[29] Dökmen G, Pekkaya M, Saymaz N. Sigara bağımlılığı ve devletin sigara tüketimi ile mücadele yöntemleri arasındaki ilişki. Maliye Dergisi 2019; 176: 599-623 (in Turkish).
[30] Madhukumar M, Sebastian A, Liang X, Jamil M, Shabbir MNSK. Regression model-based short-term load forecasting for university campus load. IEEE Access 2022; 10: 8891-8905.
[31] Singh U, Rizwan M, Alaraj M, Alsaidan I. A machine learning-based gradient boosting regression approach for wind power production forecasting: a step towards smart grid environments. Energies 2021; 14 (16): 5196.
[32] Pekkaya M. ARFIMA ve FIGARCH yöntemlerinin Markowitz ortalama varyans portföy optimizasyonunda kullanılması: İMKB-30 endeks hisseleri üzerine bir uygulama. İstanbul Üniversitesi İşletme Fakültesi Dergisi 2013; 42 (1): 93-112 (in Turkish).
[33] Hayes AF, Cai L. Using heteroskedasticity-consistent standard error estimators in OLS regression: an introduction and software implementation. Behavior Research Methods 2007; 39: 709-722.
[34] Hamzaçebi C, Pekkaya M. Determining of stock investments with grey relational analysis. Expert Systems with Applications 2011; 38 (8): 9186-9195.