Elektrikli Araçların Teknik Özelliklerine Dayalı Fiyat Tahmini: Keşifsel Veri Analizi ve Makine Öğrenmesi Yaklaşımları
Abstract views: 13
/ 
PDF downloads: 9
Keywords:
Elektrikli Araç, Keşifsel Veri Analizi, Makine Öğrenmesi, Regresyon, Veri AnaliziAbstract
Elektrikli araçlar, sürdürülebilir ulaşım politikalarının temel bileşenlerinden biri haline gelmiş olup,
son yıllarda hem teknolojik gelişmeler hem de çevresel kaygılar doğrultusunda hızlı bir pazar büyümesi
göstermektedir. Bu bağlamda, elektrikli araçların fiyatlandırma dinamiklerinin anlaşılması; tüketiciler,
üreticiler ve politika yapıcılar açısından stratejik önem taşımaktadır. Bu çalışmanın amacı, elektrikli
araçlara ait teknik ve yapısal özellikler kullanılarak araç fiyatlarının analiz edilmesi ve tahmin edilmesidir.
Bu çalışmada, 246 farklı elektrikli araç modeline ait 23 değişkenden oluşan kapsamlı bir veri seti
kullanılmıştır. İlk aşamada keşifsel veri analizi uygulanarak fiyat, batarya kapasitesi, menzil, hızlanma
performansı ve araç segmenti gibi değişkenlerin dağılımları ve ilişkileri görsel ve istatistiksel yöntemlerle
incelenmiştir. Bulgular, batarya kapasitesi ve performans göstergelerinin araç fiyatı üzerinde belirgin bir
etkiye sahip olduğunu ortaya koymuştur. İkinci aşamada, araç fiyatı tahmini amacıyla doğrusal regresyon
gibi makine öğrenmesi tabanlı regresyon modelleri uygulanmıştır. Özellik önem analizleri, batarya
kapasitesinin fiyat tahmininde en baskın değişken olduğunu ortaya koymuştur. Çalışma, çok disiplinli bir
analitik çerçeve sunarak elektrikli araç pazarına ilişkin önemli akademik ve uygulamalı çıkarımlar
sağlamaktadır.
Downloads
References
Doucette, R. T., & McCulloch, M. D. (2011). Modeling the prospects of plug-in hybrid electric vehicles to reduce CO2 emissions. Applied Energy, 88(7), 2315-2323.
International Energy Agency (IEA). (2023). Global EV Outlook 2023. Paris: IEA.
Rezvani, Z., Jansson, J., & Bodin, J. (2015). Advances in consumer electric vehicle adoption research: A review and research agenda. Transportation research part D: transport and environment, 34, 122-136.
Nykvist, B., & Nilsson, M. (2015). Rapidly falling costs of battery packs for electric vehicles. Nature climate change, 5(4), 329-332.
König, A., Nicoletti, L., Schröder, D., Wolff, S., Waclaw, A., & Lienkamp, M. (2021). An overview of parameter and cost for battery electric vehicles. World Electric Vehicle Journal, 12(1), 21.
Li, W., Long, R., Chen, H., & Geng, J. (2017). A review of factors influencing consumer intentions to adopt battery electric vehicles. Renewable and Sustainable Energy Reviews, 78, 318-328.
Hardman, S., Shiu, E., & Steinberger-Wilckens, R. (2016). Comparing high-end and low-end early adopters of battery electric vehicles. Transportation Research Part A: Policy and Practice, 88, 40-57.
Hastie, T. (2009). The elements of statistical learning: data mining, inference, and prediction.
Breiman, L. (2001). Random forests. Machine learning, 45(1), 5-32.
Alpaydin, E. (2021). Machine learning. MIT press.
Zhou, Y., Wang, M., Hao, H., Johnson, L., Wang, H., & Hao, H. (2015). Plug-in electric vehicle market penetration and incentives: a global review. Mitigation and Adaptation Strategies for Global Change, 20(5), 777-795.
Jensen, A. F., Thorhauge, M., Mabit, S. E., & Rich, J. (2021). Demand for plug-in electric vehicles across segments in the future vehicle market. Transportation Research Part D: Transport and Environment, 98, 102976.
Sahoo, K., Samal, A. K., Pramanik, J., & Pani, S. K. (2019). Exploratory data analysis using Python. International Journal of Innovative Technology and Exploring Engineering, 8(12), 4727-4735.
Milo, T., & Somech, A. (2020, June). Automating exploratory data analysis via machine learning: An overview. In Proceedings of the 2020 ACM SIGMOD international conference on management of data (pp. 2617-2622).
Luo, Y., Xu, X., Yang, Y., Liu, Y., & Liu, J. (2025). Impact of electric vehicle disordered charging on urban electricity consumption. Renewable and Sustainable Energy Reviews, 212, 115449.
Zhao, A. P., Li, S., Li, Z., Wang, Z., Fei, X., Hu, Z., ... & Xie, D. (2024). Electric vehicle charging planning: a complex systems perspective. IEEE Transactions on Smart Grid.
Efendioğlu, İ. H. (2024). Elektrikli Araç Satın Alma Niyetini Etkileyen Faktörler. İstanbul Gelişim Üniversitesi Sosyal Bilimler Dergisi, 11(1), 106-122.
Çoşkun, İ. T. (2022). Subjektif ve objektif karar verme teknikleri ile elektrikli araç seçiminde etkili olan kriterlerin değerlendirilmesi. Çukurova Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 26(2), 173-190.
Beresteanu, A., & Li, S. (2011). Gasoline prices, government support, and the demand for hybrid vehicles in the United States. International Economic Review, 52(1), 161-182.
Wu, Z., Ma, Q., & Li, C. (2015). Performance investigation and analysis of market-oriented low-speed electric vehicles in China. Journal of Cleaner Production, 91, 305-312.
Helveston, J. P., Liu, Y., Feit, E. M., Fuchs, E., Klampfl, E., & Michalek, J. J. (2015). Will subsidies drive electric vehicle adoption? Measuring consumer preferences in the US and China. Transportation Research Part A: Policy and Practice, 73, 96-112.
Mitchell, R. (2018). Web scraping with Python: Collecting more data from the modern web. " O'Reilly Media, Inc.".
Vanden Broucke, S., & Baesens, B. (2018). Practical Web scraping for data science (pp. 3-5). New York, NY: Apress.
Khder, M. A. (2021). Web scraping or web crawling: State of art, techniques, approaches and application. International Journal of Advances in Soft Computing & Its Applications, 13(3).
Salganik, M. J. (2019). Bit by bit: Social research in the digital age. Princeton University Press.
Tukey, J. W. (1977). Exploratory data analysis addision-wesley. Reading, Ma, 688, 581-582.
