Almanya’dan Konaklama Amacıyla Türkiye’ye Gelen Turist Sayısının Yapay Zekâ Teknikleri Kullanılarak Tahmin Edilmesi

Yıl 2021, Sayı: 27, 961 - 971, 30.11.2021

Hande Erdoğan Mustafa Terzioğlu Mehmet Kayakuş

https://doi.org/10.31590/ejosat.983323

Cited By: 2

Öz

Turizmde turist sayısı odaklı talep tahmini çalışmaları, sosyal bilimlerin iktisat, finans ve turizm literatüründe detaylı incelenen konular arasında gelmektedir. Bu çalışmada AB ülkeleri içerisinde Akdeniz Bölgesi'nde önemli destinasyon merkezlerine sahip Türkiye’yi konaklama amacıyla en çok tercih eden Alman turist sayısı tahmin edilmeye çalışılmıştır. Çalışmada geleneksel bir yöntem olan çoklu doğrusal regresyon yöntemi ile önemli öğrenme tekniklerinden olan yapay sinir ağı ve destek vektör regresyonu teknikleri kullanılarak bu üç yöntemle oluşturulan modellerin tahmin gücü karşılaştırılmıştır. Araştırmada turist talebinde bulunan Almanya’nın literatürde de kullanılan makro ekonomik ve nüfus bilgileri bağımsız değişkenler olarak kullanılmıştır. 1998-2019 dönemini kapsayan bu araştırmada diğer tekniklere göre yapay sinir ağı tekniği ile kullanılan tahmin modelinin en yüksek tahmin gücüne sahip olduğu sonucuna ulaşılmıştır. Bu yöntemi tahmin gücü açısından sırasıyla çoklu doğrusal regresyon ve destek vektör regresyonu teknikleri ile kullanılarak yapılan tahmin modelleri izlemektedir.

Anahtar Kelimeler

Turizm, konaklama, çoklu doğrusal regresyon, yapay sinir ağı, destek vektör regresyonu, Almanya, Türkiye

Forecasting The Number of Tourists Coming to Turkey for Accommodation from Germany Using Artificial Intelligence Techniques

Öz

Demand forecasting studies focused on the number of tourists in tourism are among the topics that are examined in detail in the economics, finance, and tourism literature of social sciences. In this study, it has been tried to estimate the number of German tourists among EU countries, who prefer one of the most important destination centers in the Mediterranean Region, Turkey for accommodation purposes. In the study, the predictive power of the models created by these three methods using multiple linear regression method and artificial neural network and support vector regression techniques, which are important learning techniques, were compared. Macroeconomic indicators and population, which are widely used in the literature, were used as independent variables in determining the German tourist demand. In this study covering the period of 1998-2019, it was concluded that the prediction model used with the artificial neural network technique has the highest predictive accuracy compared to other techniques. This method is followed by prediction models using multiple linear regression and support vector regression techniques, respectively.

Anahtar Kelimeler

Tourism, Accommodation, Multiple Linear Regression, Artificial Neural Network, Support Vector Regression, Germany, Turkey

Kaynakça

• Abyaneh, H. Z. (2014). Evaluation of multivariate linear regression and artificial neural networks in prediction of water quality parameters. Journal of Environmental Health Science and Engineering, 12(1), 1-8.
• Agatonovic-Kustrin, S., & Beresford, R. (2000). Basic concepts of artificial neural network (ANN) modeling and its application in pharmaceutical research. Journal of pharmaceutical and biomedical analysis, 22(5), 717-727.
• Baldemir, E., & Bahar, Ö. (2003). Türkiye'ye Yönelik Turizm Talebinin Neural (Sinir) Ağları Modelini Kullanarak Analizi. Gazi Üniversitesi Ticaret ve Turizm Eğitim Fakültesi Dergisi, 2, 1-14.
• Buluk, B., & Duran, E. (2018). Analysis of Turkey’s Foreign Tourism Potential with Panel Gravity Model. Anatolia: Turizm Araştırmaları Dergisi, 29(1).
• Chen, C.-F., Lai, M.-C., & Yeh, C.-C. (2012). Forecasting tourism demand based on empirical mode decomposition and neural network. Knowledge-Based Systems, 26, 281-287.
• Chen, K.-Y., & Wang, C.-H. (2007). Support vector regression with genetic algorithms in forecasting tourism demand. Tourism Management, 28(1), 215-226.
• Claveria, O., Monte, E., & Torra, S. (2015). A new forecasting approach for the hospitality industry. International Journal of Contemporary Hospitality Management.
• Çuhadar, M. (2013). Modelling and Forecasting Inbound Tourism Demand to Turkey by Mlp, Rbf And Tdnn Artificial Neural Networks: A Comparative Analysis. Journal of Yaşar University, 8(31), 5274-5295.
• Çuhadar, M. (2014). Modelling and Forecasting Inbound Tourism Demand to Muğla for Years 2012-2013. Uluslararası İktisadi ve İdari İncelemeler Dergisi(12).
• Çuhadar, M. (2020). Türkiye’nin dış aktif turizm gelirlerinin alternatif yaklaşımlarla modellenmesi ve tahmini. Ankara Hacı Bayram Veli Üniversitesi Turizm Fakültesi Dergisi, 23(1), 115-141.
• Çuhadar, M., & 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.
• Emir, G. (2010). Doğu Karadeniz Bölgesine olan turistik talebin ekonometrik bir yaklaşımla tahmini. Paper presented at the Uluslararası Doğu Karadeniz Turizm Sempozyumu.
• Erilli, N. A. (2015). İstatistik-2. Ankara, Turkey: Seçkin Yayıncılık
• Ertek, T., Altınay, M., & Bıçak, H. A. (2002). Kuzey Kıbrıs Türk Cumhuriyeti'ne Yönelik Turizm Talebi. Anatolia: Turizm Araştırmaları Dergisi, 13(2), 117-128.
• Goh, C., & Law, R. (2011). The methodological progress of tourism demand forecasting: a review of related literature. Journal of Travel & Tourism Marketing, 28(3), 296-317.
• Güngör, İ., & Çuhadar, M. (2005). Antalya İline Yönelik Alman Turist Talebinin Yapay Sinir Ağları Yöntemiyle Tahmini. Gazi Üniversitesi Ticaret ve Turizm Eğitim Fakültesi Dergisi(1), 84-98.
• Hesamian, G., & Akbari, M. G. (2021). A robust multiple regression model based on fuzzy random variables. Journal of Computational and Applied Mathematics, 388, 113270.
• Hsu, C.-W., & Lin, C.-J. (2002). A comparison of methods for multiclass support vector machines. IEEE transactions on Neural Networks, 13(2), 415-425.
• Kara, O., Çömlekçi, İ., & Kaya, V. (2012). The Relation of Tourism Revenues and Various Macroeconomic Indicators: The Case of Turkey (1992-2011). International Journal of Economic & Social Research, 8(1).
• Karabulut, R., & Şeker, K. (2018). Effects On Determıned Varıants On Tax Revenues: Multıple Lınear Regressıon Analysıs. Süleyman Demirel Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 23(3), 1049-1070.
• Karaca, C., & Karacan, H. (2016). Investigation of Factors Affecting Demand For Electricity Consumption With Multiple Regression Method. Selçuk Üniversitesi Mühendislik, Bilim ve Teknoloji Dergisi, 4(3), 182-195.
• Karagöz, K. (2008). Türkiye'nin Turizm Potansiyeli: Çekim Modeli Yaklaşımı. Anatolia: Turizm Araştırmaları Dergisi, 19(2), 149-156.
• Karahan, M. (2015). Turizm talebinin yapay sinir ağları yöntemiyle tahmin edilmesi. Süleyman Demirel Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 20(2), 195-209.
• Karal, Ö. (2018). Compression of ECG data by support vector regression method. J. Fac. Eng. Arch. Gazi Univ, 1, 743-756.
• Kayakuş, M. (2021). Yazılım Çaba Tahmininde Yapay Sinir Ağları İçin Optimum Yapının Belirlenmesi. Avrupa Bilim ve Teknoloji Dergisi, (22), 43-48.
• Kayakuş, M., & Terzioğlu, M. (2021). Yapay Sinir Ağları ve Çoklu Doğrusal Regresyon Kullanarak Emeklilik Fonu Net Varlık Değerlerinin Tahmin Edilmesi. Bilişim Teknolojileri Dergisi, 14(1), 95-103.
• Keskin, H. İ. (2019). Türkiye'nin turizm talebinin tahmininde görünürde ilişkisiz regresyon modelinin kullanılması. Journal of Tourism Theory amd Research, 5(2), 182-190.
• Khaidi, S. M., Abu, N., & Muhammad, N. (2019). Tourism demand forecasting–a review on the variables and models. Paper presented at the Journal of Physics: Conference Series.
• Law, R. (2000). Back-propagation learning in improving the accuracy of neural network-based tourism demand forecasting. Tourism Management, 21(4), 331-340.
• Law, R., & Au, N. (1999). A neural network model to forecast Japanese demand for travel to Hong Kong. Tourism Management, 20(1), 89-97.
• Law, R., Li, G., Fong, D. K. C., & Han, X. (2019). Tourism demand forecasting: A deep learning approach. Annals of tourism research, 75, 410-423.
• Li, G., Song, H., & Witt, S. F. (2005). Recent developments in econometric modeling and forecasting. Journal of Travel Research, 44(1), 82-99.
• Liu, D., Yuan, Y., & Liao, S. (2009). Artificial neural network vs. nonlinear regression for gold content estimation in pyrometallurgy. Expert Systems with Applications, 36(7), 10397-10400.
• Maaouane, M., Zouggar, S., Krajačić, G., & Zahboune, H. (2021). Modelling industry energy demand using multiple linear regression analysis based on consumed quantity of goods. Energy, 225, 120270.
• Montgomery, D. C., Peck, E. A., & Vining, G. G. (2021). Introduction to linear regression analysis: John Wiley & Sons.
• Önder, E., & Hasgül Kuvat, Ö. (2009). Yabancı ziyaretçi sayısının tahmininde box jenkins modeli, winters yöntemi ve yapay sinir ağlarıyla zaman serisi analizi (time series analysis with using box jenkins models and artificial neural network for forecasting number of foreign visitors). Istanbul University, Business Economy Institute Journal of Management, 62, 62-83.
• Rencher, A. C., & Schaalje, G. B. (2008). Linear models in statistics: John Wiley & Sons.
• Shalab, S. (2013). Multiple linear regression model. In Regression analysis. Kanpur, India.: Lecture notes, Department of Mathematics & Statistics, Indian Institute of Technology.
• Smola, A. J., & Schölkopf, B. (2004). A tutorial on support vector regression. Statistics and computing, 14(3), 199-222.
• Song, H., & Li, G. (2008). Tourism demand modelling and forecasting—A review of recent research. Tourism Management, 29(2), 203-220.
• Teixeira, J. P., & Fernandes, P. O. (2012). Tourism time series forecast-different ANN architectures with time index input. Procedia Technology, 5, 445-454.
• Tranmer, M., & Elliot, M. (2008). Multiple linear regression. The Cathie Marsh Centre for Census and Survey Research (CCSR), 5(5), 1-5. Uyanık, G. K., & Güler, N. (2013). A study on multiple linear regression analysis. Procedia-Social and Behavioral Sciences, 106, 234-240.
• Vapnik, V. (2013). The nature of statistical learning theory: Springer science & business media.
• Wang, L., Wu, B., Zhu, Q., & Zeng, Y.-R. (2020). Forecasting Monthly Tourism Demand Using Enhanced Backpropagation Neural Network. Neural Processing Letters, 52(3), 2607-2636.
• Wu, D. C., Song, H., & Shen, S. (2017). New developments in tourism and hotel demand modeling and forecasting. International Journal of Contemporary Hospitality Management.
• Wu, W.-W. (2011). Beyond Travel & Tourism competitiveness ranking using DEA, GST, ANN and Borda count. Expert Systems with Applications, 38(10), 12974-12982.
• Zhang, Y., Li, G., Muskat, B., & Law, R. (2021). Tourism demand forecasting: A decomposed deep learning approach. Journal of Travel Research, 60(5), 981-997.
• Zorlutuna, Ş., & Bircan, H. (2019). Türkiye'ye gelen turist sayısı tahmininde zaman serileri analizi ve yapay sinir ağları yöntemlerinin karşılaştırılması. S.C.Ü. İktisadi ve İdari Bilimler Dergisi, 20(2), 1-22.
• Zortuk, M., & Bayrak, S. (2013). Seçilmiş ülkelere göre Türkiye’nin turizm talebi. Istanbul University Econometrics and Statistics e-Journal(19), 38-58