Python ile Enerji Analizi (barissanli.com/python)

Baslangic
Python'a Giris - Petrol fiyat modeli
Kisa kodlama: Monte Carlo ile Pi hesabi
Oil price analysis(English)
Kayitzinciri(blockchain) Proof of work
Petrol fiyat analizi
Enerji depolama simulasyonu
Turkiye araba projeksiyonu
201904-ulastirma

Basit bir Türkiye Araba Projeksiyonu: Elektrikli ve Hibrit Araba Senaryoları

Barış SANLI , barissanli.com/python

Bu çalışmada yapılan projeksiyon GERÇEĞİ YANSITMAMAKTADIR. Sadece bir bakış açısının analitik gösterimi olarak değerlendirilmelidir. En altta bulunan kodları

deneyebilirsiniz.

Giriş

Türkiye'de 12 milyonun üzerinde araba var. Taşıt sayısı 23 milyon civarında. Bu çalışmada sadece araba sayılarına bakılacaktır. 2050'ye doğru Türkiye'deki nüfus ve 1000 kişiye düşen araba öngörülerinden toplam araba sayıları hesaplanacaktır. Daha sonra da bu sayı dizel, benzinli, lpgli ile elektrik ve hibrit araçlara göre ayrıştırılacaktır.

Bunun için de iki farklı yöntem kullanılacaktır. En sonda toplu kodlamayı da bulabilirsiniz

  1. Yöntemde diğer yakıtlı araçların 2050 payı hesaplanarak kalan pay elektrikli/hibrit araçlara bırakılır
  2. Yöntemde ise elektrikli/hibrit araçların 2050 payı hesaplanarak diğer arabaların payı 2018 oranlarında eksiltilir.

Veri

Veri setleri TÜİK'ten alınmıştır. Tüm veri dosyası Excel formatında bu adresten erişilebilir: 201904-ulastirma.xls. Veri kabullerinden bazıları da ICCT'nin "Passenger Car Emissions in Turkey" alınmıştır. Makine öğrenmesi-doğrusal regresyon gibi daha bilimsel yöntemler yerine basit bir S-eğrisi kullanılmıştır. Kabuller tamamen şahsidir, bu kabuller daha bilimsel temellere dayandırılabilir, örneğin ekonomik büyüme ve kentleşme hızı gibi. Bunlar okuyucunun takdirine bırakılmıştır.

Kabuller ile ilgili kısa bir tartışma

Türkiye ulaştırma sektörü benim uzmanlık alanım değil. Bu çalışmada yeni bir teknolojinin farklı yayılım hızlarına göre sistemdeki etkisinin nasıl olabileceğini modellemek istedim. Dolayısıyla bundan sonraki yorumlar kişiseldir.

Aşağıdaki grafik ICCT raporundan alınmıştır. 1000 kişiye araba sayısı

Raporda en çok dikkatimi çeken konu, 1000 kişi başına araç sahipliğinde Türkiye'nin ne kadar geride olduğudur. Mesela herkesin bisiklete bindiğini düşündüğümüz Danimarka ve Hollanda gibi ülkelerde bile neredeyse 1000 kişiye 400-500 araba düşmektedir. Türkiye'de ise bu rakam 150'nin üzerindedir. Yani AB'deki en iyi ulaştırma örneklerini verdiğimiz ülkelerde bile bizdeki araba yoğunluğunun 2-3 misli bir yoğunluk vardır.

Tarihsel süreçte trenlerden sonra otomobiller bir özgürlük sembolü olmuşlardır. Orta sınıf simgesi, hayata atılmış olmanın göstergesi olarak değerlendirilebilir. Herkes Uber vs kullanacak da olsa, ulaştırma talebi anlamında bugünden daha az bir ulaştırma talebi beklemiyoruz. Bugün bu tip ulaştırma sistemlerini kullanan ülkelerde bile araba sayısında düşüş kalıcı olarak gözlemlenmemiştir. Ancak nüfus düşüşü ile araba sahipliği düşüşünün gözlemlenebileceği düşünülebilir.

Kabuller

Kısaca kabullere göz atalım:

  • 1000 kişiye araba sayısı 2050'de Avrupa ortalamasına yakın olan 500 araba/1000 kişiye ulaşacaktır.
  • Nüfus projeksiyonu ise 2050'de 105 milyon kişi olarak TÜİK projeksiyonlarından alınmıştır.
  • Modellerin tamamında farklı artış hızları denenmiştir.

Şimdi programlamaya kütüphanelerimizi yükleyerek başlayalım.

In [1]:
%pylab inline
import pandas as pd
Populating the interactive namespace from numpy and matplotlib

Sigmoid - Yani S-eğrisi

Tüm projeksiyonumuzun kalbini Sigmoid denilen S-eğrisi oluşturacaktır. S eğrisininin çok basit bir formulasyonu vardır.

Sigmoid

Python'da şöyle çizdirebiliriz.

In [2]:
x=linspace(-4,4,100)
y=1/(1+exp(-x))
plot(x,y)
title("Sigmoid - S-eğrisi");

Kodu anlamak isteyenler için: x değişkenine -4 ile 4 arasında 100 eşit parçaya ayrılmış bir seri atıyoruz. Daha sonra sigmoid fonksiyonunu hesaplayarak y değişkenine yüklüyoruz. Çizdirip başlık ekliyoruz.

Fakat bizim bazen daha hızlı bazen ise daha yavaş artan bir s eğrisine ihtiyacımız var. Belki elektrikli arabaların daha hızlı veya yavaş geleceğini öngörmek isteyebiliriz. Bu sebeple sigmoid'imizi biraz değiştirmemiz gerekiyor.

Geliştirilmiş S-eğrisi

Şimdi eğrimizi öyle bir formülasyona tabii tutalım ki :

  • Bir başlangıç(basla) yılından son yıla(doyum)
  • Farklı hızlarda (hız)

bir artış gösterebilsin. Dolayısıyla aşağıdaki karışık fonksiyon ile bir deneme yapabiliriz. Daha sonra bunu tek başına bir fonksiyon haline getirmeye çalışacağız.

Aşağıdaki grafikte farklı hızlara göre s-eğrisinin davranışını gözlemleyebilirsiniz. Hız katsayıları grafiğin başlığı şeklinde verilmiştir. Burada şekilsel olarak kullanılan iki fonksiyon var

  • subplots_adjust ile grafikler arasındaki boşluklar genişletilmiş
  • subplot(satır, sütun, sıra) ile de ardışık grafikleme yapılmıştır
In [3]:
basla=2010
doyum=2020
fark=doyum-basla+1
subplots_adjust(wspace=0.4, hspace=0.4)    # grafikler arasındaki açıklık
for k in range(0,12,2):
    hiz=0.1+k/10
    ilkoran=0.3
    sonoran=0.7
    x=linspace(-fark/2, fark/2,fark)
    y=(1/(1+exp(-hiz*(x))))
    y=y*(sonoran-ilkoran)+ilkoran
    subplot(2,3,floor(k/2)+1)              # aynı figurde ardışık grafikler
    plot(fark/2+basla+x,y)
    title(hiz)                             # başlık 
    pylab.ticklabel_format(axis="both",style='plain', scilimits=(0,0))       #eksenler okunabilir olsun

Yukarıdaki kod biraz karışık gelebilir. Daha basitini aşağıda göreceksiniz. Dikkat edilmesi gereken nokta hiz katsayısı 0'a yaklaştıkça s-eğrisi doğrusal bir hale geliyor. 1'e yaklaştıkça da daha da kavisli bir hal alıyor.

Bu eğriyi nasıl mı kullanacağız? Mesela 2018(basla) yılından 2050(doyum) yılına, 1000 kişiye 151(ilkoran)'dan 1000 kişiye 500(sonoran) araba düşeceğini ve bu artışın az kavisli (hiz=0.2) olacağını öngördüğümüzde bize bu fonksiyonu çıkaracaktır.

İşte tüm bu işlevi yapacak artis fonksiyonu aşağıdadır. Bu fonksiyon ile:

  • Nüfus artışının,
  • 1000 kişiye düşen araba sayısının,
  • Elektrikli-hibrit, dizel veya benzinli araç oranlarının değişimini belirleyebileceğiz.

Tüm modelin kalbi bu fonksiyon diyebiliriz.

In [4]:
def artis(basla,doyum, hiz,ilkoran, sonoran):
    fark=doyum-basla+1
    x=linspace(-fark/2, fark/2,fark)
    y=(1/(1+exp(-hiz*(x))))            #sigmoid fonksiyonu
    # ---sonuçları normalize ediyoruz ----
    y=y-y[0]
    son=y[len(y)-1]
    y=y/son
    # --- sonuçların normalizasyonu bitti----
    y=y*(sonoran-ilkoran)+ilkoran      # y değerini ilk ve son orana göre kalibre edelim
    x=x+basla+fark/2                   # x değerini basla-doyum arasına uzat
    return x,y

Modelleme Stratejisi

Modelimizde ana fonksiyonumuz (artis) belli olduktan sonra nasıl bir yöntem izleyebileceğimizi tartışabiliriz. Çok farklı yöntemler olmasına rağmen kafayı çok karıştırmamak adına şu şekilde hareket edeceğim:

  • Nüfus artışını doğrusal olarak TÜİK projeksiyonundaki 2050 yılı değerine getireceğiz.
  • 1000 kişiye düşen araba sayısını 151'den 500'e kavisli bir s-eğrisi ile ,
  • Sonra toplam araba miktarını yukarıdaki iki değeri çarparak ,
  • Elektrikli-hibrit arabaların 2050'deki oranını rastgele tahmin ederek,
  • Diğer yakıtlı araba oranlarından piyasa payları oranında düşerek,

tüm araba rakamlarını tahmin etmeye çalışacağız.

Önce hazırladığımız Excel dosyasındaki verileri yükleyerek cars değişkenine yükleyelim.

In [5]:
cars=pd.read_excel("201904-ulastirma.xls",sheet_name="cars", index_col='Year')

Her zaman olduğu gibi verimizin ilk 2 ve son 2 satırına bakalım.

In [6]:
cars.head(2) # ilk iki satır
Out[6]:
Total Car Minibus Bus Small truck Truck Motorcycle vehicles machinery Tractor nufus
Year
1966 231977 91469 10913 12041 31462 47931 32099 3610 2452.0 NaN NaN
1967 284194 112367 16008 13332 39927 56889 39647 3641 2383.0 NaN NaN
In [7]:
cars.tail(2) # son iki satır
Out[7]:
Total Car Minibus Bus Small truck Truck Motorcycle vehicles machinery Tractor nufus
Year
2017 22218945 12035978 478618 221885 3642625 838718 3102800 60099 NaN 1838222.0 80810525.0
2018 22865921 12398190 487527 218523 3755580 845462 3211328 63359 NaN 1885952.0 82003882.0

Görüldüğü üzere veri setinde tüm nüfus verileri yok. Açıkcası bu model için gerek de yok. Ben daha çok 2000 sonrası ile ilgileniyorum. Bunun içinde bir post2000 değişkeni ile orjinal verideki son 19 satırı kopyalıyorum.

In [8]:
post2000=cars.iloc[-19:,]

Sonra da oran isimli bir sütunda 1000 kişiye düşen araba sayısını, toplam araba sayısını (post2000.loc[:,1]) 'i nüfus'a bölerek (post2000.loc[:,-1]) 1000 ile çarpıyoruz.

In [9]:
post2000.loc[:,"oran"]=(1000*post2000.iloc[:,1]/post2000.iloc[:,-1])
/home/bs/miniconda3/lib/python3.6/site-packages/pandas/core/indexing.py:362: SettingWithCopyWarning: 
A value is trying to be set on a copy of a slice from a DataFrame.
Try using .loc[row_indexer,col_indexer] = value instead

See the caveats in the documentation: http://pandas.pydata.org/pandas-docs/stable/indexing.html#indexing-view-versus-copy
  self.obj[key] = _infer_fill_value(value)
/home/bs/miniconda3/lib/python3.6/site-packages/pandas/core/indexing.py:543: SettingWithCopyWarning: 
A value is trying to be set on a copy of a slice from a DataFrame.
Try using .loc[row_indexer,col_indexer] = value instead

See the caveats in the documentation: http://pandas.pydata.org/pandas-docs/stable/indexing.html#indexing-view-versus-copy
  self.obj[item] = s

Uyarıya şimdilik dikkat etmeden, veri setimizdeki son 5 satıra bakalım

In [10]:
post2000.tail(5)
Out[10]:
Total Car Minibus Bus Small truck Truck Motorcycle vehicles machinery Tractor nufus oran
Year
2014 18828721 9857915 427264 211200 3062479 773728 2828466 40731 NaN 1626938.0 77695904.0 126.878181
2015 19994472 10589337 449213 217056 3255299 804319 2938364 45732 NaN 1695152.0 78741053.0 134.483050
2016 21090424 11317998 463933 220361 3442483 825334 3003733 50818 NaN 1765764.0 79814871.0 141.803123
2017 22218945 12035978 478618 221885 3642625 838718 3102800 60099 NaN 1838222.0 80810525.0 148.940723
2018 22865921 12398190 487527 218523 3755580 845462 3211328 63359 NaN 1885952.0 82003882.0 151.190281

1000 kişiye düşen araba sayısının bir de grafiğini görelim

In [11]:
plot(post2000.oran)
title("1000 kişiye düşen araba sayısı");

Görüldüğü üzere Türkiye'de 1000 kişiye düşen araba sayısı 15 yılda neredeyse 2 misline çıkmış nispeten daha doğrusal artmış.

Araba sayısı tahmini

Mevcut trendin benzer şekilde devam edeceğini, fakat doğrusaldan daha çok az kavisli bir s-eğrisine benzeyeceğini öngörebiliriz. Yani 2050'de 500 araba/1000 kişiye hiz=0.2 (hatırlarsak 0.1 doğrusaldı, 0.2 az kavisli olur) ile çıkacağımızı kabul ediyoruz. Daha önce yazdığımız artis fonksiyonuna ilgili değişkenleri giriyoruz.

artis(baslangic_yili=2018, son_yil=2050, hız=0.2, ilk değer =151, son değer = 500)

In [12]:
x,y=artis(2018,2050,0.2,151,500)

Her zaman olduğu gibi sonuçlarımızı bir çizdirelim. Başlığımızı da unutmayalım.

In [13]:
plot(x,y)
title("2050 yılına kadar 1000 kişiye düşen araç sayısının gelişimi")
Out[13]:
Text(0.5, 1.0, '2050 yılına kadar 1000 kişiye düşen araç sayısının gelişimi')

Nüfus artış tahmini

Nüfus projeksiyonu excel dosyasında var. Fakat yine s-eğrisi ile nispeten doğrusal ilk değer-son değer yaklaşımı ile bir nüfus öngörüsü de hesaplayabiliriz. Bu sefer hızımız 0.1, ilk değerimiz 83 milyon, son değerimiz de 105 milyon olsun

In [14]:
pop_x, pop_y=artis(2018, 2050, 0.1, 83000000,105000000)
In [15]:
plot(pop_x, pop_y)
title("2050'ye nüfus projeksiyonu")
Out[15]:
Text(0.5, 1.0, "2050'ye nüfus projeksiyonu")

Bazen veri setimizde kaç değişken olduğunu bilmek faydalı olabilir. Bunun için len komutunu kullanıyoruz.

In [16]:
len(pop_y)
Out[16]:
33

33 değişken var, ama 0'dan başladığından son değişkenin kaç olduğuna bakmak için 32nci indeksi çağırıyoruz.

In [17]:
pop_y[0]
Out[17]:
83000000.0
In [18]:
pop_y[32]
Out[18]:
105000000.0

Evet ilk değerimi 83 milyon ve son değerimiz 105 milyon. Tüm değerlerimiz sınırlarında.

Araba sayısının hesabı

Türkiye'nin 2050 yılına nüfus gelişimi pop_y değişkenindeydi. 2050 yılındaki, araba sayısı/1000 kişi y değişkeninde saklanmıştı. Şimdi iki rakamı çarpıp 1000'e bölerek (rakam 1000 kişiye düşen araç sayısıydı), Türkiye'de 2050 yılındaki toplam araba sayısını hesaplayabiliriz.

In [19]:
toplam_araba=pop_y*y/1000
plot(toplam_araba)
pylab.ticklabel_format(axis="both",style='plain', scilimits=(0,0))
title("2050 yılına toplam araba sayısı gelişimi")
Out[19]:
Text(0.5, 1.0, '2050 yılına toplam araba sayısı gelişimi')

Verileri bir araya getirmek

Şimdi elimizde, 2050 yılına nüfus tahmini, 1000 kişiye düşen araba sayısı ve çarpımlarının 1000'e bölümü olan araba sayısı var. Tüm bunları bir veri çerçevesinde toplayalım.

Öncelikle 2018'den 2050'ye yıl verilerini oluşturalım. range komutunda son yıl dahil olmadığından 2051 yazıyoruz.

In [20]:
yil=range(2018,2051,1)
In [21]:
len(yil)
Out[21]:
33

Bu kısımı kendim için de not alıyorum. Eğer 3-4 veri serisini bir araya getirecek isek, bunların transpozu yani döndürülmüş halini almamız gerekiyor. Bunun için de .T komutu ile çeviriyoruz. Sütunlarımız belli: yıl, nüfus, araba oranı ve toplam araba sayısı.

İstersek bu birlikteliği ilksonuclar diye bir değişkene atayabiliriz. Ama daha işimiz bitmediği için sadece gösteriyoruz. Son kısımdaki .astype(int) ile de tüm değişlenlerimizi tamsayıya çevirmiş oluyoruz. Yoksa yıllar dahil noktalı sayı formatında geliyor.

In [22]:
pd.DataFrame(np.vstack((yil, pop_y, y, pop_y*y/1000)).T,columns=['Yıl','Nufus','Araba Oranı','Araba Sayısı']).astype(int)
Out[22]:
Yıl Nufus Araba Oranı Araba Sayısı
0 2018 83000000 151 12533000
1 2019 83468352 153 12848172
2 2020 83969101 157 13222108
3 2021 84502789 161 13665364
4 2022 85069654 166 14189837
5 2023 85669596 172 14808625
6 2024 86302128 180 15535719
7 2025 86966346 188 16385442
8 2026 87660902 198 17371616
9 2027 88383984 209 18506394
10 2028 89133314 222 19798813
11 2029 89906159 236 21253140
12 2030 90699355 252 22867222
13 2031 91509347 269 24631129
14 2032 92332250 287 26526412
15 2033 93163912 306 28526304
16 2034 94000000 325 30597000
17 2035 94836087 344 32699977
18 2036 95667749 363 34795026
19 2037 96490652 381 36843491
20 2038 97300644 398 38811172
21 2039 98093840 414 40670443
22 2040 98866685 428 42401365
23 2041 99616015 441 43991798
24 2042 100339097 452 45436719
25 2043 101033653 462 46737025
26 2044 101697871 470 47898123
27 2045 102330403 478 48928522
28 2046 102930345 484 49838608
29 2047 103497210 489 50639637
30 2048 104030898 493 51342995
31 2049 104531647 497 51959685
32 2050 105000000 500 52500000

Veriye baktığımızda 2018'deki 12.5 milyon arabadan 2050'de 52.5 milyon arabaya bir artışın olduğu görülecektir. Hatırlarsanız bu 1000 kişiye 500 araba sayısı Avrupa ortalamasına yakın bir değer. S-eğrisinin yapısından dolayı son değerler hedeflerimizin biraz etrafında gerçekleşmiştir.

Yakıtlara göre araba dağılımı tahmini

Şimdi aynı Excel dosyamızdaki carshare alt sayfasını kullanarak şu ana kadar değişik yakıt kullanımlarına göre arabaların payının nasıl değiştiğine bakalım.

Önce veri dosyamızı yükleyerek son 2 yıla bakalım. Dosyada Türkçe karakterler sorun çıkarır diye bazı kısaltmalara gitmiştim.

  • gas_p : benzin oranı. Sonu _p ile biten tüm değişkenler orandır.
  • eh : elektrikli ve hibrit araç oranları. Hibrit araçlar aynı zamanda benzin de kullanabilirler. Bu tartışmaya girmedik
In [23]:
fuel=pd.read_excel("201904-ulastirma.xls",sheet_name="carshare", index_col='Year')
In [24]:
fuel.tail(2)
Out[24]:
Total Gasoline gas_p Diesel diesel_p LPG lpg_p eh eh_p unknown unknown_p
Year
2017 12035978 3120407 25.925662 4256305 35.363184 4616842 38.358678 1685 0.0139997 40739 0.338477
2018 12398190 3089626 24.919976 4568665 36.849451 4695717 37.874214 5367 0.0432886 38815 0.313070

Tüm veri seti ile ilgilenmiyoruz. Sadece oranları alarak fuel değişkeninin üzerine yazıyoruz.

  • ['gas_p', 'diesel_p','lpg_p','eh_p'] ile "bu isimleri bir dizi halinde verilen sütunlardaki verileri al" demiş oluyoruz.
In [25]:
fuel=fuel.loc[:, ['gas_p', 'diesel_p','lpg_p','eh_p']]

Daima veriyi çizdirerek veri setinin neye benzediğini görelim.

In [26]:
plot(fuel.gas_p, label="Benzin")
plot(fuel.diesel_p, label="Dizel")
plot(fuel.lpg_p, label="LPG")
#plot(fuel.eh_p) # elektrikli araçlarda boş satırlar var ve veri çok küçük gözükmüyor
legend(loc='upper left');
title("Yakıt kullanımlarına göre arabaların oranı (%)")
Out[26]:
Text(0.5, 1.0, 'Yakıt kullanımlarına göre arabaların oranı (%)')

Yakıt kullanımına göre araba oranları tahmini

Yukarıdaki grafikte dizelin hızla arttığını gördük. Bu artışın artık hız kesip bir süre sabit kalacağı daha sonra ise düşeceğini öngörebiliriz. Yani 2018deki %36.8 oranından, 2050'de %25'e önce yavaş daha sonra ise hızlı bir oran ile dizelin payı düşerek Türkiye'deki her 4 arabadan 1'i dizel olabilir. (Bu gerçek tahmin değildir, sadece sayısallaştırmak için örneklemedir)

In [27]:
x,diesel_x=artis(2018,2050,0.3,36.8,25)
In [28]:
plot(x,diesel_x)
title("2050 yılına dizel araç oranı");

Şimdi de benzinli araç oranında önce çok yavaş fakat daha sonra hızlanan bir artış öngörelim. Fakat bu artış %25'ten %30'a çıkmış olsun. Hız değişkenini 0.4 yaparak önce yavaş sonra hızlanan bir dönüşüm elde edebiliriz.

In [29]:
x,gas_x=artis(2018,2050,0.4,25,30)
plot(x, gas_x)
title("2050 yılına benzinli araç oranı");

LPGli araç payı da %37.8'den %20'lere doğrusal bir iniş yapsın. Kısaca 3 ayrı yakıtta 3 ayrı değişim şeklini de görmüş olalım

In [30]:
x,lpg_x=artis(2018,2050,0.2,37.8,20)
plot(lpg_x)
title("2050 yılına LPGli araç oranı");

Elektrikli/hibrit arabalara ne kaldı?

Peki tüm bu öngörülerden sonra elektrikli/hibrit(EH) arabalara kalan pay ne oldu? Bunun için tüm değişkenlerin son satırlarını toplayarak 100'den çıkarıyoruz.

In [31]:
100-(lpg_x[-1]+gas_x[-1]+diesel_x[-1])
Out[31]:
25.0

EH arabalara 2050 yılında kalan pay %25. Öyleyse bu artışı %0'dan %25'e, kavisli bir artış ile sisteme tanıtalım

In [32]:
x,eh_x=artis(2018, 2050, 0.35,0,25)
plot(x,eh_x,label="S-eğrisi ile artış")

eh_x=100-(lpg_x+gas_x+diesel_x)
plot(x,eh_x, label= "EH, 100%'e tamamlarsa'")

legend(loc='upper left');

Modellerde aşama aşama sürekli kontrol etmek gerekebilir. Bu aşama bu durumlardan biri oluştu. Bizim öngördüğümüz artış oranı ile diğer yakıtlardaki düşüşten elektriğe kalan oran birbirinden farklılaştı. Fakat en son eh_x değişkeni 100%'den geriye kalanlar olduğu için böyle de devam edebiliriz. Yani turuncu eğriyi göz önüne alacağız.

Oranların görülmesi

Verinin daima farklı grafikleme yöntemleri ile de kontrol edilmesinde fayda var. Şimdi de yığılmış alan grafiği ile arabaların yakıtlara göre oranlarına bir bakalım. Çizim için stackplot komutunu kullanacağız.

In [33]:
# Basic stacked area chart.
plt.stackplot(range(2018,2051,1),gas_x, lpg_x, diesel_x, eh_x, labels=['Benzin','LPG','Dizel', 'Elektrik/Hibrit'])
plt.legend(loc='upper left')
Out[33]:
<matplotlib.legend.Legend at 0x7f514d16cf98>

Yöntem 2 - Önce Elektrik/Hibrit(EH) araba gelişimini belirlemek

Az önceki senaryoda, diğer yakıt türlerine sahip arabaların oranlarını ve gelişimlerini belirleyerek geri kalanın EH arabalar olacağını kabul etmiştik. Şimdi ise diğer taraftan yaklaşalım.

  • 2050'de tüm arabaların %50'si EH araba olacağını kabul edelim.
  • EH'lardaki artışın diğer yakıt türlerinden payları oranında eksiltilerek devam edeceğini öngörelim.

Dolayısıyla bu yöntemde belirlememiz gereken iki değişken var.

  • Elektrikli/hibrit arabaların 2050 yılındaki oranı
  • EH arabaların hangi hız ile sisteme gireceği

Bu kısma da Senaryo Üreticisi diyelim

In [34]:
# Önce elektrik arabaların sisteme ne hızda geleceğini belirleyelim
eh_sonoran=50 # yani %50
eh_degisim_hizi=0.3
x,eh_x=artis(2018, 2050, eh_degisim_hizi,0,eh_sonoran)

# 2018 yılındaki oranları ana değişkenlere tanıtalım 
dizel_ilk=fuel.diesel_p.iloc[-1]
benzin_ilk=fuel.gas_p.iloc[-1]
lpg_ilk=fuel.lpg_p.iloc[-1]

# her yılın değişkenini saklamak için listeler oluşturalım

dizel_a=[];
benzin_a=[]; 
lpg_a=[];
eh_a=[];

for i in range(2018,2051,1):
    syc=i-2018
    toplam=dizel_ilk+benzin_ilk+lpg_ilk+eh_x[syc]
    
    # eğer toplam 100%'ün üzereinde ise fark'ı tüm kaynaklardan 2018 yılı oranları oranında çıkar
    if (toplam>100):      
        fark=toplam-100.001
        dizel_ilk=dizel_ilk-(fark*dizel_ilk/100)
        benzin_ilk=benzin_ilk-(fark*benzin_ilk/100)
        lpg_ilk=lpg_ilk-(fark*lpg_ilk/100)
        eh_x[syc]=eh_x[syc]+(100-lpg_ilk-benzin_ilk-dizel_ilk-eh_x[syc])
    # kontrol amaçlı
    # print(eh_x[syc]," ",dizel_ilk," ", benzin_ilk," ", lpg_ilk," ", (dizel_ilk+benzin_ilk+lpg_ilk+eh_x[syc]) )
    
    # hesaplanan değişkenleri listelerin sonuna ekle
    dizel_a.append(dizel_ilk)
    benzin_a.append(benzin_ilk)
    lpg_a.append(lpg_ilk)
    eh_a.append(eh_x[syc])
    

Grafiklendirme de ise hesapladığımız değerleri yığılmış alan grafiği haline getiriyoruz.

In [35]:
# Basic stacked area chart.
plt.stackplot(range(2018,2051,1),benzin_a, lpg_a, dizel_a, eh_x, labels=['Benzin','LPG','Dizel', 'Elektrik/Hibrit'])
plt.legend(loc='upper left')
Out[35]:
<matplotlib.legend.Legend at 0x7f514d158128>

Kodlama yaparken bazı kontrol noktaları bırakmak gerekir. Aşağıdaki kod aktif değil. Bir açıklama gibi gözüküyor. Ama program doğru çalışmaz ise açıklama için kullanılan # ları silerek kodun tamamında neyin ters gittiğini görebiliriz.

In [36]:
# Kontrol noktası - sorun olursa veride ne olduğunu buradan gör
# pd.DataFrame(np.vstack((yil, pop_y, y,dizel_a,benzin_a,lpg_a,eh_a)).T,columns=['Yil','nufus',
# 'Araba Oranı', 'Dizel Oran','Benzin Oran','LPG Oran','EH Oran']).astype(int)

Sonuç tablosu

Şimdi tüm verileri hesapladık. Oranlar dizel_a, benzin_a ... gibi değişkenlerin içindedir. Hesapladığımız değerleri şimdi bir veri çerçevesine yükleyelim. Daha sonra, bu hesapladığımız oranlardan araba sayılarını hesaplayacağız.

Önce sırası ile "Yıl"(yil), "Nüfus tahmini"(pop_y), "Dizel araç oranı"(dizel_a), "Benzinli araç oranı"(benzin_a),"LPGli araç oranı"(lpg_a),"EH araç oranı"(eh_a) rakamlarını tahmin isimli bir veri çerçevesi (DataFrame) yapıyoruz.

In [37]:
tahmin=pd.DataFrame(np.vstack((yil, pop_y, y,dizel_a,benzin_a,lpg_a,eh_a)).T,columns=['Yil','Nüfus',
                                                                               'Araba Oranı',
                                                                               'Dizel Oran','Benzin Oran','LPG Oran','EH Oran'])
In [38]:
tahmin.head(2)
Out[38]:
Yil Nüfus Araba Oranı Dizel Oran Benzin Oran LPG Oran EH Oran
0 2018.0 8.300000e+07 151.000000 36.849451 24.919976 37.874214 0.000000
1 2019.0 8.346835e+07 153.928671 36.849451 24.919976 37.874214 0.128093

Şimdi de sırası ile

  • Toplam Araba Sayısını : Nüfus * Araba Oranı /1000 , yani 1 ve 2. sütun çarpılıyor (UYARI: Python'da satır/sütun 0'dan başlar, 1.sütun sıralamada 2. sıradadır)
  • Diğer araç sayıları da Nüfus (Araba Oranı/1000) (Yakıtlı Araç oranı/100) ile elde edilir.
In [39]:
tahmin.loc[:,"Toplam Araba Sayısı"]=(tahmin.iloc[:,1]*tahmin.iloc[:,2]/(1000))
tahmin.loc[:,"Dizel Arac"]=(tahmin.iloc[:,1]*tahmin.iloc[:,2]*tahmin.iloc[:,3]/(1000*100))
tahmin.loc[:,"Benzinli Arac"]=(tahmin.iloc[:,1]*tahmin.iloc[:,2]*tahmin.iloc[:,4]/(1000*100))
tahmin.loc[:,"LPGli Arac"]=(tahmin.iloc[:,1]*tahmin.iloc[:,2]*tahmin.iloc[:,5]/(1000*100))
tahmin.loc[:,"EH Arac"]=(tahmin.iloc[:,1]*tahmin.iloc[:,2]*tahmin.iloc[:,6]/(1000*100))

Şimdi tüm hesaplamaları tam sayı yaparak, noktadan sonraki kısımları silelim. Bunun için astype(int) kullanacağız. Sonucu ekrana yazalım.

In [40]:
tahmin=tahmin.astype(int)
tahmin.tail(2)
Out[40]:
Yil Nüfus Araba Oranı Dizel Oran Benzin Oran LPG Oran EH Oran Toplam Araba Sayısı Dizel Arac Benzinli Arac LPGli Arac EH Arac
31 2049 104531647 497 18 12 19 49 51959685 9678632 6545315 9947789 25787947
32 2050 105000000 500 18 12 19 49 52500000 9743259 6589020 10014213 26153506

Burada çok ilginç bir sonuç karşımıza çıkıyor. Araba oranı Avrupa ortalamasını yakaladığında toplam araba sayısı 52.5 milyon oluyor. Dizel araba sayısı 9.7 milyon, benzin+LPG'li araç sayısı ise 16.5 milyon, elektrikli/hibrit araba sayısı ise 26 milyon oluyor. Yani geleneksel fosil yakıtlı araba sayısı bugünkinden fazla oluyor.

Bu durumu bir de yığımlı alan grafiği ile görelim

In [41]:
plt.stackplot(yil,tahmin.iloc[:,8],tahmin.iloc[:,9],tahmin.iloc[:,10],tahmin.iloc[:,11], labels=['Benzin','LPG','Dizel', 'Elektrik/Hibrit'])
plt.legend(loc='upper left')
pylab.ticklabel_format(axis="both",style='plain', scilimits=(0,0))

Tüm tahmin ve Excel'e aktarılması

Şimdi tüm tahminimizi hem görelim hem de Excel dosyasına aktaralım.

tahmin yazarak tüm veri setini görelim.

Daha sonra da

tahmin.to_excel("Dosya.xls") ile excel dosyasına yazacağız. HATIRLATMA: Excel dosyası yazabilmek için xlwt paketi yüklü olmalı. pip install xlwt ile yüklenebilir.

In [42]:
tahmin
Out[42]:
Yil Nüfus Araba Oranı Dizel Oran Benzin Oran LPG Oran EH Oran Toplam Araba Sayısı Dizel Arac Benzinli Arac LPGli Arac EH Arac
0 2018 83000000 151 36 24 37 0 12533000 4618341 3123220 4746775 0
1 2019 83468352 153 36 24 37 0 12848172 4734481 3201761 4866144 16457
2 2020 83969101 157 36 24 37 0 13222108 4872274 3294946 5007769 39875
3 2021 84502789 161 36 24 37 0 13665364 5026613 3399320 5166400 73030
4 2022 85069654 166 36 24 37 0 14189837 5203007 3518609 5347700 120519
5 2023 85669596 172 36 24 37 1 14808625 5406777 3656411 5557136 188299
6 2024 86302128 180 36 24 37 1 15535719 5639916 3814075 5796759 284968
7 2025 86966346 188 36 24 37 2 16385442 5903287 3992183 6067454 422517
8 2026 87660902 198 35 24 36 3 17371616 6195962 4190109 6368268 617275
9 2027 88383984 209 35 23 36 4 18506394 6514477 4405509 6695641 890765
10 2028 89133314 222 34 23 35 6 19798813 6852166 4633877 7042721 1270047
11 2029 89906159 236 33 22 34 8 21253140 7198846 4868324 7399042 1786926
12 2030 90699355 252 32 22 33 10 22867222 7541202 5099847 7750919 2475253
13 2031 91509347 269 31 21 32 13 24631129 7864175 5318262 8082873 3365817
14 2032 92332250 287 30 20 31 16 26526412 8153355 5513825 8380096 4479135
15 2033 93163912 306 29 19 30 20 28526304 8397865 5679178 8631405 5817856
16 2034 94000000 325 28 18 28 24 30597000 8592727 5810956 8831686 7361628
17 2035 94836087 344 26 18 27 27 32699977 8739727 5910367 8982773 9067108
18 2036 95667749 363 25 17 26 31 34795026 8846359 5982478 9092371 10873816
19 2037 96490652 381 24 16 24 34 36843491 8923418 6034591 9171573 12713908
20 2038 97300644 398 23 15 23 37 38811172 8982268 6074389 9232059 14522455
21 2039 98093840 414 22 15 22 39 40670443 9032740 6108521 9283935 16245245
22 2040 98866685 428 21 14 22 42 42401365 9082048 6141866 9334614 17842835
23 2041 99616015 441 20 14 21 43 43991798 9134608 6177411 9388636 19291142
24 2042 100339097 452 20 13 20 45 45436719 9192433 6216516 9448070 20579698
25 2043 101033653 462 19 13 20 46 46737025 9255766 6259346 9513164 21708748
26 2044 101697871 470 19 13 20 47 47898123 9323716 6305298 9583004 22686102
27 2045 102330403 478 19 12 19 48 48928522 9394800 6353370 9656064 23524287
28 2046 102930345 484 18 12 19 48 49838608 9467335 6402423 9730616 24238233
29 2047 103497210 489 18 12 19 49 50639637 9539705 6451364 9804999 24843568
30 2048 104030898 493 18 12 19 49 51342995 9610509 6499246 9877772 25355468
31 2049 104531647 497 18 12 19 49 51959685 9678632 6545315 9947789 25787947
32 2050 105000000 500 18 12 19 49 52500000 9743259 6589020 10014213 26153506
In [43]:
tahmin.to_excel("sonuclar.xls")

Sonuç

Türkiye'de elektrik ve hibrit arabaların artışını bir teknolojik yayılma olarak düşünürsek, bunu s-eğrisi ile modelleyebiliriz. Bu çalışmada sigmoid yani s-eğrisi ile 2 yöntem ile geleceğe dair kurgusal araba senaryoları sayısallaştırıldı.

  1. Yöntemde diğer araçların 2050 yılına düşecekleri paylar hesaplanarak artık payın EH arabalar olacağı varsayıldı.
  2. Yöntemde ise EH arabaların 2050 yılında gelecekleri paylar hesaplanarak diğer yakıtlı arabalardan payları oranında eksiltme yapıldı.

Belki de en önemli kabulumuz ise

  • 2050 yılında 1000 kişiye düşen araba sayısının Avrupa'nın bugün ki seviyesinde olacağı kabul edildi.

Dolayısıyla ilginç bir sonuca geldik. EH arabalar 2050'e %50 paya sahip de olsa, 2050 yılındaki dizel, benzinli ve LPG'li araç sayısı bugünden fazla oluyor. Burada toplam araba sayısını AB'de toplu taşıma/bisiklet gibi araçları en çok kullanan Hollanda ve Danimarka'nın bugünki durumlarını da baz aldığımız unutulmamalıdır.

Bu defterdeki kodlar daha bilimsel öngörüler ile desteklenerek tekrar hesaplanabilir. Farklı hesaplarınızı mutlaka bekliyorum.

Barış Sanlı (barissanli2@gmail.com)

14 Nisan 2018

EK - Toplu Senaryo Üretimi

In [44]:
#  -------------------------------
#    YÖNTEM 1
#   Benzin, Dizel, LPG'nin 2050 yılı oranları belirlendikten sonra geriye kalan elektrikli/hibrit araç kabul edilir.
#  -------------------------------


%pylab inline
import pandas as pd

nufus_2050=105000000
araba_orani_2050=500
dizel_payi_2050=25
benzin_payi_2050=30
lpg_payi_2050=20

def artis(basla,doyum, hiz,ilkoran, sonoran):
    fark=doyum-basla+1
    x=linspace(-fark/2, fark/2,fark)
    y=(1/(1+exp(-hiz*(x))))            #sigmoid fonksiyonu
    # ---sonuçları normalize ediyoruz ----
    y=y-y[0]
    son=y[len(y)-1]
    y=y/son
    # --- sonuçların normalizasyonu bitti----
    y=y*(sonoran-ilkoran)+ilkoran      # y değerini ilk ve son orana göre kalibre edelim
    x=x+basla+fark/2                   # x değerini basla-doyum arasına uzat
    return x,y



yil=range(2018,2051,1)
pop_x, pop_y=artis(2018, 2050, 0.1, 83000000,nufus_2050)
x,y=artis(2018,2050,0.2,151,araba_orani_2050)
x,diesel_x=artis(2018,2050,0.3,36.8,dizel_payi_2050)
x,gas_x=artis(2018,2050,0.4,25,benzin_payi_2050)
x,lpg_x=artis(2018,2050,0.2,37.8,lpg_payi_2050)
eh_x=100-(lpg_x+gas_x+diesel_x)
tahmin=pd.DataFrame(np.vstack((yil, pop_y, y,diesel_x,gas_x,lpg_x,eh_x)).T,columns=['Yil','Nüfus',
                                                                               'Araba Oranı',
                                                                               'Dizel Oran','Benzin Oran','LPG Oran','EH Oran'])
tahmin.loc[:,"Toplam Araba Sayısı"]=(tahmin.iloc[:,1]*tahmin.iloc[:,2]/(1000))
tahmin.loc[:,"Dizel Arac"]=(tahmin.iloc[:,1]*tahmin.iloc[:,2]*tahmin.iloc[:,3]/(1000*100))
tahmin.loc[:,"Benzinli Arac"]=(tahmin.iloc[:,1]*tahmin.iloc[:,2]*tahmin.iloc[:,4]/(1000*100))
tahmin.loc[:,"LPGli Arac"]=(tahmin.iloc[:,1]*tahmin.iloc[:,2]*tahmin.iloc[:,5]/(1000*100))
tahmin.loc[:,"EH Arac"]=(tahmin.iloc[:,1]*tahmin.iloc[:,2]*tahmin.iloc[:,6]/(1000*100))
tahmin=tahmin.astype(int)


plt.stackplot(yil,tahmin.iloc[:,8],tahmin.iloc[:,9],tahmin.iloc[:,10],tahmin.iloc[:,11], labels=['Benzin','LPG','Dizel', 'Elektrik/Hibrit'])
plt.legend(loc='upper left')
pylab.ticklabel_format(axis="both",style='plain', scilimits=(0,0))
Populating the interactive namespace from numpy and matplotlib
In [45]:
#  -------------------------------
#    YÖNTEM 2
#   EH arabaların 2050 payı ve yayılım hızı belirlenir, diğer yakıtlardan eksiltilir
#  -------------------------------

%pylab inline
import pandas as pd

nufus_2050=105000000
araba_orani_2050=500
eh_payi_2050=80
eh_artis_hizi=0.35

def artis(basla,doyum, hiz,ilkoran, sonoran):
    fark=doyum-basla+1
    x=linspace(-fark/2, fark/2,fark)
    y=(1/(1+exp(-hiz*(x))))            #sigmoid fonksiyonu
    # ---sonuçları normalize ediyoruz ----
    y=y-y[0]
    son=y[len(y)-1]
    y=y/son
    # --- sonuçların normalizasyonu bitti----
    y=y*(sonoran-ilkoran)+ilkoran      # y değerini ilk ve son orana göre kalibre edelim
    x=x+basla+fark/2                   # x değerini basla-doyum arasına uzat
    return x,y

yil=range(2018,2051,1)
pop_x, pop_y=artis(2018, 2050, 0.1, 83000000,nufus_2050)
x,y=artis(2018,2050,0.2,151,araba_orani_2050)
x,eh_x=artis(2018, 2050, eh_artis_hizi,0,eh_payi_2050)


# 2018 yılındaki oranları ana değişkenlere tanıtalım 
dizel_ilk=36.8
benzin_ilk=25
lpg_ilk=37.8

# her yılın değişkenini saklamak için listeler oluşturalım

dizel_a=[];
benzin_a=[]; 
lpg_a=[];
eh_a=[];

for i in range(2018,2051,1):
    syc=i-2018
    toplam=dizel_ilk+benzin_ilk+lpg_ilk+eh_x[syc]
    
    # eğer toplam 100%'ün üzereinde ise fark'ı tüm kaynaklardan 2018 yılı oranları oranında çıkar
    if (toplam>100):      
        fark=toplam-100.001
        dizel_ilk=dizel_ilk-(fark*dizel_ilk/100)
        benzin_ilk=benzin_ilk-(fark*benzin_ilk/100)
        lpg_ilk=lpg_ilk-(fark*lpg_ilk/100)
        eh_x[syc]=eh_x[syc]+(100-lpg_ilk-benzin_ilk-dizel_ilk-eh_x[syc])

    # hesaplanan değişkenleri listelerin sonuna ekle
    dizel_a.append(dizel_ilk)
    benzin_a.append(benzin_ilk)
    lpg_a.append(lpg_ilk)
    eh_a.append(eh_x[syc])
    
tahmin=pd.DataFrame(np.vstack((yil, pop_y, y,dizel_a,benzin_a,lpg_a,eh_a)).T,columns=['Yil','Nüfus',
                                                                               'Araba Oranı',
                                                                               'Dizel Oran','Benzin Oran','LPG Oran','EH Oran'])

tahmin.loc[:,"Toplam Araba Sayısı"]=(tahmin.iloc[:,1]*tahmin.iloc[:,2]/(1000))
tahmin.loc[:,"Dizel Arac"]=(tahmin.iloc[:,1]*tahmin.iloc[:,2]*tahmin.iloc[:,3]/(1000*100))
tahmin.loc[:,"Benzinli Arac"]=(tahmin.iloc[:,1]*tahmin.iloc[:,2]*tahmin.iloc[:,4]/(1000*100))
tahmin.loc[:,"LPGli Arac"]=(tahmin.iloc[:,1]*tahmin.iloc[:,2]*tahmin.iloc[:,5]/(1000*100))
tahmin.loc[:,"EH Arac"]=(tahmin.iloc[:,1]*tahmin.iloc[:,2]*tahmin.iloc[:,6]/(1000*100))

tahmin=tahmin.astype(int)

plt.stackplot(yil,tahmin.iloc[:,8],tahmin.iloc[:,9],tahmin.iloc[:,10],tahmin.iloc[:,11], labels=['Benzin','LPG','Dizel', 'Elektrik/Hibrit'])
plt.legend(loc='upper left')
pylab.ticklabel_format(axis="both",style='plain', scilimits=(0,0))
Populating the interactive namespace from numpy and matplotlib
In [ ]: