TÜRKİYE’DE TURİZM GELİRİNİ ETKİLEYEN FAKTÖRLERİN ÖNEM DÜZEYLERİNİN BELİRLENMESİ

Öz

Turizm, karmaşık sosyal, ekonomik ve fiziksel etkisiyle uluslararası bir fenomen haline gelen ve uluslararası pazarda en büyük ve en hızlı büyüyen endüstrilerden biridir. Oldukça rekabetçi bir sektör olan turizm, günümüzde arz odaklı olmak yerine talep odaklı bir piyasa olarak ele alınmaktadır. Türkiye, tarihi zenginlikleri ve doğal güzellikleri ile turistlerin sıklıkla tercih ettiği ender turizm merkezleri arasında yer almaktadır. Bu durum sayesinde Türkiye’deki turizm sektörü, ülke ekonomisine oldukça önemli katkılar sağlamaktadır. Bu çalışmada Türkiye’nin turizm gelirine etki eden değişkenlerin önem düzeylerinin belirlenmesi amaçlanmıştır. Bu amaç doğrultusunda Türkiye’nin 2001-2019 yılları arasındaki turizm gelirinin belirleyicileri olarak, ziyaretçi sayısı, dolar kuru, acente sayısı ve yatak sayısı değişkenleri ele alınmıştır. Çalışmada analiz yöntemi olarak Yapay Sinir Ağları (YSA) ve Path Analizi kullanılmıştır

Anahtar Kelimeler

• Turizm Geliri
• Yapay Sinir Ağları
• Path Analizi

DETERMINING THE IMPORTANCE LEVELS OF FACTORS AFFECTING TOURISM INCOME IN TURKEY

Öz

Tourism is one of the largest and fastest growing industries in the international market, which has become an international phenomenon with its complex social, economic and physical impact. Tourism, which is a highly competitive sector, is today considered as a demand-oriented market rather than supply-oriented. Turkey, with its historical riches and natural beauty, is among the rare tourist centers that tourists often prefer. In this way, the tourism sector in Turkey, provides a very significant contribution to the national economy. In this study, it was aimed to determine the importance levels of variables affecting Turkey's tourism income. For this purpose, the number of visitors, dollar rate, number of agents and number of beds were considered as the determining variables of Turkey's tourism income between 2001 and 2019. Artificial Neural Networks (ANN) and Path Analysis were used as analysis methods in the study.

Anahtar Kelimeler

• Tourism Income
• Artificial Neural Networks
• Path Analysis

Kaynakça

1. Akcan, A.,ve Kartal, C. (2011). İMKB Sigorta Endeksini Oluşturan Şirketlerin Hisse Senedi Fiyatlarının Yapay Sinir Ağları İle Tahmini. Muhasebe ve Finansman Dergisi, (51), 27-40.
2. Akintunde, A. (2012). Path analysis step by step using excel. Journal of Technical Science and Technologies, 1(1), 09-15.
3. Aktaş, C. (2005). Türkiye'nin turizm gelirini etkileyen değişkenler için en uygun regresyon denkleminin belirlenmesi.
4. Alpar, R. (2011). Uygulamalı çok değişkenli istatistiksel yöntemler. Detay yayıncılık.
5. Aydın, A., Darıcı, B., ve Taşçı, H. (2015). Uluslararası turizm talebini etkileyen ekonomik faktörler: Türkiye üzerine bir uygulama. Erciyes Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, (45), 143-177.
6. Bollen, K. A. (1989). Structural equations with laten tvariables. NewYork: Wiley.
7. Budak, H., ve Erpolat, S. (2012). Kredi Riski Tahmininde Yapay Sinir Ağları ve Lojistik Regresyon Analizi Karşılaştırılması. AJIT‐e: Online Academic Journal of Information Technology, 3(9), 23-30
8. Bunghez, C. L. (2016). The importance of tourism to a destination’s economy. Journal of Eastern Europe Research in Business & Economics, 2016, 1-9. Çeken, H., Ateşoğlu, L., Dalgın, T. ve Karadağ, L. (2008). Turizm Talebine Bağlı Olarak Uluslar Arası Turizm Hareketlerindeki Gelişmeler. Electronic Journal of SocialSciences, 7(26).

9. Çımat, A. ve Bahar, O., (2003) Turizm Sektörünün Türkiye Ekonomisi İçindeki Yeri ve Önemi Üzerine Bir Değerlendirme, Akdeniz Üniversitesi, İktisadi ve İdari Bilimler Fakültesi Dergisi, 3 (6), 1-18.
10. 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.
11. Çuhadar, M., Güngör, İ. ve Göksu, A. (2009). “Turizm Talebinin Yapay Sinir Ağları İle Tahmini ve Zaman Serisi Yöntemleri ile Karşılaştırmalı Analizi: Antalya İline Yönelik Bir Uygulama”, Süleyman Demirel Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 14(1): 99-114.
12. Gonzalez, S., (2000). “Neural networks for macroeconomic forecasting: a complementary approach to linear regression models” (pp. 2000-07). Ottawa, Ontario, Canada: Department of Finance.
13. Güngör, İ. ve Çuhadar, M. (2005). “Antalya iline Yönelik Alman Turist Talebinin Yapay sinir Ağı Yöntemi ile Tahmini”, Gazi Üniversitesi Ticaret ve Turizm Eğitim Fakültesi Dergisi, (2): 84-98.
14. Hepkorucu, A. ve Doğan, Ö. (2019). Turizm Gelirleri için Mevsimsel Birim Kök Yapısının İncelenmesi. Journal of International Social Research, 12(62).
15. Kaastra I. ve Boyd M., (1996), “Designing a Neural Network for Forecasting Financial and Economic Time Series,” Neurocomputing, Vol. 10, p.215-236.
16. Karaatlı, M., Güngör, İ., Demir, Y. ve Kalaycı, Ş. (2005). Hisse senedi fiyat hareketlerinin yapay sinir ağları yöntemi ile tahmin edilmesi. Yönetim ve Ekonomi Araştırmaları Dergisi, 3(3), 38-48.
17. Karagöz, K. (2008). Türkiye'nin Turizm Potansiyeli: Çekim Modeli Yaklaşımı. Anatolia: Turizm Araştırmaları Dergisi, 19(2), 149-156. Karagöz, Y. (2019). SPSS-AMOS-META uygulamalı istatistiksel analiz. Ankara: Atlas Akademik Basın Yayım Dağ. Ltd. Şti.
18. Kırca, M., Canbay, Ş., Türkay, K., Yelman, E. ve Pirali, K. (2020). Türkiye’de Uluslararası Turizm Talebi ve İktisadi Büyüme Arasındaki İlişkiler: 1995-2017 Dönemi. Ekonomi Maliye İşletme Dergisi, 2(2), 48-68.
19. Kızılgöl, Ö. ve Erbaykal, E. (2008). Türkiye’de Turizm Gelirleri Ekonomik Büyüme İlişkisi: Bir Nedensellik Analizi. Suleyman Demirel University Journal of Faculty of Economics&Administrative Sciences, 13(2).
20. Martıns, L. F., Gan, Y. ve Ferreıra-Lopes, A. (2017). An empirical analysis of the influence of macroeconomic determinants on World tourism demand. Tourism Management, 61, 248-260.
21. Orhan, H. ve Kaşıkçı, D. (2002). Path, korelasyon ve kısmi regresyon katsayılarının karşılaştırılmalı olarak incelenmesi. Hayvansal Üretim, 43(2), 68-78.
22. Özalp A.,ve Anagün S. (2003). Yapay Sinir Ağı Performansına Etki Eden Faktörlerin Analizinde Taguchi Yöntemi: Hisse Senedi Fiyat Tahmini Uygulaması”, İstatistik Araştırma Dergisi, 2(1), 29-45.
23. Peng, Y., Feng, T. ve Timmermans, H. (2019). A path analysis of out door comfort in urban publicspaces. Building and Environment, 148, 459-467.
24. Proença, S. ve Soukiazis, E. (2008). Tourism as an economic growth factor: a case study for Southern European countries. Tourism Economics, 14(4), 791-806.
25. Radovanov, B., Dudic, B., Gregus, M., Marcikic Horvat, A., ve Karovic, V. (2020). Using a Two-Stage DEA Model toMeasure Tourism Potentials of EU Countries and Western Balkan Countries: An Approach to Sustainable Development. Sustainability, 12(12), 4903.
26. Saner, R., Yiu, L. ve Filadoro, M. (2019). Tourism development in least developed countries: challenges and opportunities. In Sustainable Tourism: Break throughs in Research and Practice(pp. 229-255). IGI Global.
27. Selim, S. ve Eryiğit, P. (2016). Türkiye ve AB 27 ülkelerinde turizm gelirlerini belirleyen faktörler: Panel veri analizi. Aksaray Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 8(2), 85-94.
28. Solmaz, A. R. ve Bayraktutan, Y. (2020). Türkiye Turizm Talebi: Panel Çekim Modeli. Nevşehir Hacı Bektaş Veli Üniversitesi SBE Dergisi, 10(1), 425-435.
29. Streiner, D. L. (2005). Finding our way: an introduction to path analysis. The Canadian Journal of Psychiatry, 50(2), 115-122 Şen, A., ve Şit, M. (2015). Reel Döviz Kurunun Türkiye'nin Turizm Gelirleri Üzerindeki Etkisinin Ampirik Analizi. Journal of Yasar university, 10(40).
30. TC Kültür ve Turizm Bakanlığı, (2007). Türkiye Turizm Stratejisi 2023, Eylem Planı 2007-2023. TC Kültür ve Turizm Bakanlığı Yayınları, (3085). ISBN:978-975-17-3260-6.
31. TC Kültür ve Turizm Bakanlığı, Yıllara Göre Seyahat Acentası Sayıları, Erişim Adresi https://yigm.ktb.gov.tr/TR-243988/yillara-gore-seyahat-acentasi -sayilari .html, Erişim Tarihi: 11.10.2020.
32. TC Kültür ve Turizm Bakanlığı, Turizm Yatırım ve İşletme (Bakanlık) Belgeli Tesis İstatistikleri–Yıllık İstatistikler, Erişim Adresi https://yigm.ktb.gov.tr/TR-243988/yillara-gore-seyahat-acentasi-sayilari.html, Erişim Tarihi: 11.10.2020.
33. Tektaş, A., ve Karataş, A. (2004). Yapay sinir ağları ve finans alanına uygulanması: Hisse senedi fiyat tahminlemesi. Atatürk Üniversitesi İktisadi ve İdari Bilimler Dergisi, 18(3-4).
34. TÜİK, (2020). Çıkış Yapan Ziyaretçiler ve Vatandaş Giriş Araştırmaları, Turizm Geliri, Gideri ve Ortalama Geceleme Sayısı, 2001 – 2020 Erişim adresi https://www.tuik.gov.tr/tr/PreIstatistikTablo.do/?istab_id=1609, Erişim Tarihi: 03.09.2020.
35. Uğur, A. ve Kınacı, A. C. (2006). Yapay zeka teknikleri ve yapay sinir ağları kullanılarak web sayfalarının sınıflandırılması. XI. Türkiye'de İnternet Konferansı (inet-tr'06), Ankara, 1-4.
36. UNWTO, (2020), World Tourizm Barometer,Volume 18, Issue 5, August/September.
37. Van der Zee, E. ve Vanneste, D. (2015). Tourism network sunravelled; a review of the literature on networks in tourism management studies. Tourism Management Perspectives, 15, 46-56.Yıl: 2, Sayı: 1
38. Yıldırım, B. I., Yıldırım, F. ve Gülmez, M. (2017). Türkiye’de enflasyon ve turizm gelirleri ilişkisi üzerine ekonometrik bir analiz. Uluslararası İktisadi ve İdari Bilimler Dergisi, 3(1), 69-81.
39. Zhou, M., Liu, X., Pan, B., Yang, X., Wen, F., ve Xıa, X. (2017). Effect of tourism building investments on tourist revenues in China: A spatial panel econometric analysis. EmergingMarkets Finance and Trade, 53(9), 1973-1987.