Occupancy Rate Forecasting in Lodging Properties by Using Artificial Neural Networks: An Experimental Study of Lodging Properties in Turkey

Abstract

Artificial neural networks are the computer programmes which are developed on the basis of the functioning principles of the human brain. The hotel properties that are licensed by the Turkish Tourism Ministry are included in this study. By using artificial neural networks, hotel property occupancy rates that are generated by foreign tourism demand are forecasted. The present study uses annual data that are published yearly by the Turkish Ministry of Tourism and covers the period between 1990 and 2002. The results indicate that forecasted values are very close to real values and these forecasts are accompanied by very low error rates. The contribution of the study to Turkish tourism literature is that it shows how a new method can be applied in forecasting occupancy rates in accommoda¬tion establishments. It is proposed that by using artificial neural networks future studies may forecast various other variables such as, domestic and foreign tourist expenditures, average length of stay and number of nights spent. In addition, future studies can forecast occupancy rates of accommodation establishments which operate in a specific city or a region.

Keywords

• artificial neural network (ann),hospitality companies,occurancy rate forecasting,tourism demand,tourism istatistics

Yapay Sinir Ağları Kullanılarak Konaklama İşletmelerinde Doluluk Oranı Tahmini: Türkiye'deki Konaklama İşletmeleri Üzerine Bir Deneme

Öz

Yapay sinir ağları, insan beyninin çalışma ilkelerinden hareketle geliştirilmiş bilgisayar programlarıdır. Bu çalışmada, yapay sinir ağı kullanılarak Türkiye'deki bakanlık belgeli konaklama işletmelerindeki, dış turizm talebi ile oluşan doluluk oranları tahmin edilmiştir. Çalışmada Turizm Bakanlığı tarafından yıllık olarak yayınlanan "Konaklama istatistikleri" bültenlerinden elde edilen "1990-2002" yıllarına ait aylık verilerden yararlanılmıştır. Çalışma neticesinde gerçek değerlere çok yakın tahmin değerleri ve çok düşük hata oranları elde edilmiştir. Çalışmanın Türk turizm literatürüne katkısı, konaklama işletmelerinde doluluk oranlarının tahmininde yeni bir yöntemi bir uygulama ile göstermektir. İleriye yönelik yapılacak çalışmalarda, yapay sinir ağları ile farklı değişkenleri kullanarak belirli bir bölge veya il sınırları içerisinde faaliyet gösteren konaklama işletmelerindeki doluluk oranlan, yerli ve yabancı konukların konaklama işletmelerindeki harcamaları, turistlerin geceleme sayıları ve ortalama kalış süreleri tahmin edilebilir

Anahtar Kelimeler

• yapay sinir ağları (ysa),konaklama işletmeleri,doluluk oranı tahmini,turizm talebi,turizm istatistikleri

References

1. Alataş, B. (2003). Sinirsel Ağlar, www.firat.edu.tr/akademik/fakulteler/muhendislik/bilgisayar/balatas/Sinirselaglar.pdf Athiyaman, A., Robertson, R.W. (1992). Time Series Forecasting Techniques: Short- Term Planning in Tourism, International Journal of Contemporary Hospitality Management, 4 (4): 8-11
2. Baylar, A., Emiroğlu, M.E.. Arslan A. (1999). Geriye Yayılma Ya¬pay Sinir Ağı Kullanılarak Yanal Su Alma Yapısına Yönelecek Olan Sürüntü Maddesi Oranının Bulunması, Dokuz Eylül Üniversitesi Fen ve Mühendislik Dergisi, 1 (2): 1-12
3. Benli, Y. (2002). Finansal Başarısızlığın Tahmininde Yapay Sinir Ağı Kullanımı ve IMKB'de Bir Uygulama, Muhasebe Bilim Dünyası Dergisi, 4 (4): 17-30
4. Burger, M., D., Kathrada, M. ve Law, R. (2001). A Practitioners Guide to Time-series Methods for Tourism Demand Forecasting - a Aase Study of Durban, South Africa, Tourism Management, 22 (4): 403-409
5. Carey, G. ve Raw, L. (2002). Modeling and Forecasting Tourism Demand for Arrivals with Stochastic Nonstationary Seasonality and Intervention, Tourism Management, 23 (5): 499-510
6. Cho, V. (2003). A comparison of Three Different Approaches to Tourist Arrival Forecasting, Tourism Management, 24 (3): 323-330
7. De Lurgio, A. S. (1998). Forecasting Principles and Applications, Irwin Mc Graw-Hill: Singapore Elmas, Ç. (2003). Yapay Sinir Ağlan (Kuram, Mimari, Eğitim, Uygulama). Ankara: Seçkin Yayıncılık
8. Efe, O. ve Kaynak, O. (2000). Yapay Sinir Ağları ve Uygulamaları. İstanbul: Boğaziçi Üniversitesi Yayını No: 696

9. Emeksiz, M. (2002). Beş Yıldızlı Otel İşletmeleri için Getiri Yönetimi Uygulama Modeli. Eskişehir: Anadolu Üniversitesi Yayınları, No: 1337
10. İçöz, O. ve Kozak, M. (1998). Turizm Ekonomisi. Ankara: Turhan Kitabevi
11. Kozak, S. (1998). Otel işletmelerinde Onbüro Yönetimi. Eskişehir: Anadolu Üniversitesi Yayınları, No: 868
12. Keiser, J.R. (1989). Principles and Practises of Management in the Hospitality Industry. New York: Van Nostrand Reinhold
13. Law, R.ve Au, N. (1999). A Neural Network Model to Forecast Japanese Demand for Travel to Hong Kong, Tourism Ma¬nagement, 20 (1): 89-97
14. Law, R. (2000). Back-propagation Learning in Improving the ac¬curacy Of Neural Network-based Tourism Demand Forecasting, Tourism Management, 21 (4): 331-340
15. Law, R. (2000). Demand for Hotel Spending by Visitors to Hong Kong: A Study of Various Forecasting Techniques, Journal of Hospitality & Leisure Marketing, 6 (4): 17-29
16. Law, R. (1998). Room Occupancy Rate: A Neural Network Approach, International Journal of Contemporary Hospitality Management, 10 (6): 234-239
17. Lewis,. CD. (1982). Industrial and Business Forecasting Methods. Londra: Butterworths Publishing
18. Orhunbilge, N. (1999). Zaman Serileri Analizi Tahmin ve Fiyat Endeksleri. İstanbul: Avcıol Basım Yayın
19. Özalp, A. ve Anagün, S. (2003). Yapay Sinir Ağı Performansına Etki Eden Faktörlerin Analizinde Taguchi Yöntemi: Hisse Senedi Fiyat Tahmini Uygulaması, istatistik Araştırma Dergisi, 2 (1): 29-45
20. Pattie, D. C, Snyder, J. (1996). Using a Neural Network To Forecast Visitor Behavior, Annals of Tourism Research, 23 (1): 151-164
21. Shamsuddin, A. ve James, C. (1999). A Tourist Growth Model to Predict Accommodation Nights Spent in Australian Hotel Industry, Annual Colloquium of the Spatial Information Research Centre, University of Otago, Dunedin, New Zealand, December 13-15th
22. Sheng-Hshiung, T., Yi-Chang, C. ve Chung-Huei, H. (2002). Determinants of Guest Loyalty to International Tourist Hotels - A Neural Network Approach, Tourism Management, 23 (4): 397-405
23. Turizm Bakanlığı (2004). Turizm ve Konaklama İstatistikleri. Ankara: Araştırma ve Değerlendirme Daire Başkanlığı
24. Uysal, M. (1985). Turizmde Talep Projeksiyon Modelleri ve Özel¬likleri, Turizm Yıllığı, T.C. Turizm Bankası A.Ş: Ankara
25. Uysal, M. ve El Roubi, S. (1999). Artificial Neural Network Versus Multiple Regression İn Tourism Demand Analysis,, Journal of Travel Research, 38 (2): 111-118
26. Witt, S.F. ve Witt, C.A. (1992). Modeling and Forecasting Demand in Tourism. Londra: Academic Press
27. Yıldız, B. (2001). Finansal Başarısızlığın Öngörülmesinde Yapay Sinir Ağı Kullanımı ve Halka Açık Şirketlerde Ampirik Bir Uygulama, İMKB Dergisi, 5 (17): 51-67