Forecasting Tourism Demand By Box-Jenkins Method: The Case of Türkiye

Abstract

Tourism is one of the most important income sources of Turkiye. Therefore, determining the probable tourism for the country in future is critical for the distribution and planning of resources, determination of right price policies and selection of appropriate marketing techniques. In this respect, this study aims to estimate the tourism demand for Turkey in the period of October 2021 and September 2022 (2021:10 – 2022:09). The dataset included the number of tourists coming to Turkiye between 1990:01 - 2021:09 as proxy variable to predict the tourism demand. Two models of Box-Jenkins method namely ARIMA (integrated autoregressive moving average model) and SARIMA (seasonally integrated autoregressive moving average model) models were applied to estimate the expected tourism demand in the stated period. The study reveals that the model with the best fit is the SARIMA (2,1,2)(2,1,0) model. The study also offers a forecast for the coming 12-month period. 

Keywords

• Tourism demand forecasting
• Time series analysis
• Box-Jenkins method

Box-Jenkins Yöntemiyle Turizm Talebinin Tahmin Edilmesi: Türkiye Örneği

Öz

Türkiye’nin en önemli gelir kaynaklarından biri olan turizm sektöründe gelecek dönemlerdeki olası turizm talebinin belirlenmesi; kaynakların dağıtılması ve planlanması, doğru fiyat politikalarının tespit edilmesi ve uygun pazarlama tekniklerinin seçilmesi açısından önem arz etmektedir. Bu nedenle, bu çalışmada Ekim 2021 ve Eylül 2022 (2021:10 – 2022:09) tarihlerindeki Türkiye’ye yönelik turizm talebinin tahmin edilmesi amaçlanmıştır. Bu bağlamda turizm talebinin tahmin edilmesinde vekil değişken olarak 1990:01 - 2021:09 zaman aralığında Türkiye’ye gelen turist sayıları verileri kullanılmıştır. Belirtilen dönemde gerçekleşmesi beklenen turizm talebinin tahmin edilmesinde Box-Jenkins yöntemi altında ele alınan ARIMA (entegre otoregresif hareketli ortalama modeli) ve SARIMA (mevsimsel entegre otoregresif hareketli ortalama modeli) modelleri uygulanmıştır. Çalışmanın sonucunda en iyi uyum gösteren modelin, SARIMA (2,1,2)(2,1,0) modeli olduğu belirlenmiştir. Çalışmada ayrıca gelecek 12 aya yönelik öngörü yapılmıştır.

Anahtar Kelimeler

• Turizm talebi tahmini
• Zaman serisi analizi
• Box-Jenkins yöntemi

References

1. Akal, M. (2004). Forecasting Turkey’s Tourism Revenues by ARMAX Model, Tourism Management, 25 (5): 565-580.
2. Au, N. ve Law, R. (2002). Categorical Classification of Tourism Dining, Annals of Tourism Research, 29 (3): 819-833.
3. Aydın, A., Darıcı, B. ve Taşçı, H. M. (2015). Uluslararası Turizm Talebini Etkileyen Ekonomik Faktörler: Türkiye Üzerine Bir Uygulama, Erciyes Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 45: 143-177.
4. Box, G. E. P. ve Jenkins, G. M. (1970). Time Series Analysis, Forecasting and Control. San Francisco: Holden Day.
5. Bull, A., (1995). The Economics of Travel and Tourism. 2nd. Edition, Melbourne: Addison Wesley Longman Australia Pty Ltd.
6. Burger, M. D., Kathrada, M. ve Law, R. (2001). A Practitioners Guide to Time-Series Methods for Tourism Demand Forecasting a Case Study of Durban, South Africa, Tourism Management, 22 (4): 403-409.
7. Chen, J.C. (2000). Forecasting Method Applications to Recreation and Tourism Demand (PhD Thesis). USA: North Carolina State University.
8. Cho, V. (2001). Tourism Forecasting and its Relationship with Leading Economic Indicators, Journal of Hospitality and Tourism Research, 25 (4): 399-420.

9. Cho, V. (2003). A Comparison of Three Different Approaches to Tourist Arrival Forecasting, Tourism Management, 24 (3): 323-330.
10. Chun-Fu, C., Mıng-Cheng, L. ve Chıng-Chıang, Y. (2012). Forecasting Tourism Demand Based on Empirical Mode Decomposition and Neural Network, Knowledge-Based Systems, 26: 281-287.
11. Çolak, F.D. (2013). Volatilitenin Modellenmesinde ve Öngörülmesinde ARCH Modelleri: IMKB-100 Endeksi Üzerine Bir Uygulama (Basılmamış Yüksek Lisans Tezi). İstanbul: İstanbul Üniversitesi Sosyal Bilimler Enstitüsü.
12. Çuhadar, M. ve Kayacan, C. (2005). Yapay Sinir Ağları Kullanılarak Konaklama İşletmelerinde Doluluk Oranı Tahmini: Türkiye’deki Konaklama İşletmeleri Üzerine Bir Deneme, Anatolia: Turizm Araştırmaları Dergisi, 16 (1): 24-30.
13. Çuhadar, M. (2006). Turizm Sektöründe Talep Tahmini için Yapay Sinir Ağları Kullanımı ve Diğer Yöntemlerle Karşılaştırmalı Analizi (Antalya İlinin Dış Turizm Talebinde Uygulama) (Basılmamış Doktora Tezi), Isparta: Süleyman Demirel Üniversitesi Sosyal Bilimler Enstitüsü.
14. Çuhadar, M. (2013). Türkiye’ye Yönelik Dış Turizm Talebinin MLP, RBF veTDNN Yapay Sinir Ağı Mimarileri ile Modellenmesi ve Tahmini: Karşılaştırmalı Bir Analiz. Journal of Yaşar University, 8 (1): 5274-5295.
15. Çuhadar, M. (2014). Muğla İline Yönelik Dış Turizm Talebinin Modellenmesi ve 2012-2013 Yılları İçin Tahminlenmesi, International Journal of Economic and Administrative Studies, 6 (12): 1-22.
16. Çuhadar, M., Kervankıran, İ. ve Ongun, U. (2020). Türkiye’de İç Turizm Hareketlerinin Tahmin Modellemesi: Karşılaştırmalı Analiz, Journal of Tourism and Gastronomy Studies, 8 (2): 1113-1131.
17. Goh, C. ve Law, R. (2002). Modeling and Forecasting Tourism Demand for Arrivals with Stochastic Nonstationary Seasonality and Intervention, Tourism Management, 23 (5): 499-510.
18. Güngör, İ. ve Çuhadar, M. (2005). Antalya İline Yönelik Alman Turist Talebinin Yapay Sinir Ağı Yöntemi ile Tahmini, Gazi Üniversitesi Ticaret ve Turizm Eğitim Fakültesi Dergisi, 1: 84-98.
19. Karaoğlu, N. (2019). Türkiye'de Uluslararası Turizm Talebinin Dinamik Panel Veri Analizi, Bulletin of Economic Theory and Analysis, 4 (1): 85-101.
20. Kulendran, N. ve Witt, S.F. (2003). Leading Indicator Tourism Forecasts, Tourism Management, 24: 503-510.
21. Law, R. (1998). Room Occupancy Rate Forecasting: A Neural Network Approach, International Journal of Contemporary Hospitality Management, 10 (6): 234-239.
22. Law, R. (2000). Back-Propagation Learning in Improving The Accuracy of Neural Network-Based Tourism Demand Forecasting, Tourism Management, (21): 331-340.
23. Law, R. ve Au, N. (2000). Relationship Modeling in Tourism Shopping: A Decision Rules Induction Approach, Tourism Management, 21 (3): 241-249.
24. Lim, C., C. Chang ve M. McAleer (2009). Forecasting H(m)otel Guest Nights in New Zealand, International Journal of Hospitality Management, 28 (2): 228-235.
25. Loganathan, N. ve Yahaya, İ. (2010). Forecasting International Tourism Demand in Malaysia Using Box Jenkins Sarima Application, South Asian Journal of Tourism and Heritage, 3: 50-60.
26. Mert, M. ve Çağlar, A.E. (2019). Eviews ve Gauss Uygulamalı Zaman Serileri Analizi. Detay Yayıncılık: Ankara.
27. Önen, V. (2020). ARIMA Yöntemiyle Türkiye’nin Hava Yolu Kargo Talep Tahmin Modellemesi ve Öngörüsü, Yönetim ve Ekonomi Araştırmaları Dergisi, 18 (4): 29-53.
28. Prideaux, B., Laws, E. ve Faulkner, B. (2003). Events in Indonesia: Exploring The Limits to Formal Tourism Trends Forecasting Methods in Complex Crisis Situations, Tourism Management, 24 (4): 475-487.
29. Schwartz, Z. ve Cohen, E. (2004). Subjective Estimates of Occupancy Forecast Uncertainty by Hotel Revenue Managers, Journal of Travel & Tourism Marketing, 16 (4): 59-66.
30. Shan, J. ve Wilson, K. (2001). Causality between Trade and Tourism: Empirical Evidence from China, Applied Economics Letters, 8: 279-283.
31. Smeral, E. (2004). Long-term Forecasts for International Tourism, Tourism Economics, 10 (2): 145-166.
32. Smeral, E. ve Wüger, M. (2005). Does Complexity Matter? Methods for Improving Forecasting Accuracy in Tourism: The Case of Austria, Journal of Travel Research, 44 (1): 100-110.
33. Song H. ve Witt, S.F. (2000). Tourism Demand Modelling and Forecasting: Modern Econometric Approaches. Pergamon: Cambridge.
34. Song, H., Wong, K.K.F. ve Chon, K.K.S. (2003). Modelling and Forecasting The Demand for Hong Kong Tourism, International Journal of Hospitality Management, 22: 435-451.
35. Soysal, M. ve Ömürgönülşen, M. (2010). Türk Turizm Sektöründe Talep Tahmini Üzerine Bir Uygulama, Anatolia: Turizm Araştırmaları Dergisi, 21 (1): 128-136.
36. Turner, L. W. ve Witt, S. F. (2001). Factors Influencing Demand for International Tourism: Tourism Demand Analysis Using Structural Equation Modelling, Revisited, Tourism Economics, 7: 21-38.
37. Uysal, M. ve El Roubi, M.S. (1999). Artificial Neural Network Versus Multiple Regression in Tourism Demand Analysis, Journal of Travel Research, 38 (2): 111-118.
38. Yüksel, S. (2007). An Integrated Forecasting Approach to Hotel Demand, Mathematical and Computer Modelling, 46 (7-8): 1063-1070.