YAPAY SİNİR AĞLARI KULLANARAK BİR KONAKLAMA İŞLETMESİNİN DOLULUK ORANININ TAHMİNİ

Yıl 2021, Sayı: 47, 209 - 218, 02.11.2021

Ayten Yılmaz Yalçıner , Mine Büşra Gelen Mert

https://doi.org/10.30794/pausbed.828902

Cited By: 1

Öz

Turizm, ülkelerin ekonomisinde oldukça etkili olan sektörlerden biridir. Türkiye gibi iş veya kültürel başta olmak üzere birçok amaçla turizm faaliyetinin yoğun olarak gerçekleştirildiği ülkelerde turizm talebinin öngörülebilmesi oldukça önemlidir. Turizmde istihdam edilecek işgücünün ve ihtiyaç duyulan konaklama altyapısının tespit edilebilmesi gibi birçok sebep, turizm sektöründe taleplerin önceden tespit edilebilmesine yönelik çalışmaları son yıllarda arttırmıştır. Bu çalışmada turizme olan talep, konaklama işletmeleri açısından ele alınmaktadır. Sakarya’da faaliyet gösteren bir konaklama işletmesi için doluluk oranının tahmin edilmesi hedeflenmektedir. Doluluk oranı üzerinde etkisi olan çeşitli faktörler belirlenmiş ve yapay zeka tekniklerinden biri olan yapay sinir ağları kullanılarak doluluk oranının önceden yüksek bir tahmin oranı ile öngörülebilmesi sağlanmıştır.

Anahtar Kelimeler

Yapay sinir ağları, doluluk oranı tahmini, yapay zeka, konaklama işletmeleri, turizm

ESTIMATING THE OCCUPANCY RATE OF AN ACCOMMODATION BUSINESS USING ARTIFICIAL NEURAL NETWORKS

Öz

Tourism is one of the sectors that is highly influential in countries' economy. Tourism activity can be realized for many reasons, especially for business or cultural purposes. Such as Turkey, for countries where tourism is intensively carried out, It is very important to predict tourism demand. Many reasons such as determining the workforce to be employed in tourism and the accommodation infrastructure needed have increased in recent years the studies to determine the tourism demands in advance. In this study, the demand for tourism is handled in terms of accommodation establishments. It is aimed to estimate the occupancy rate for a accommodation business in Sakarya. Several factors that have an effect on the occupancy rate have been detected and it has been ensured that the occupancy rate can be predicted with a high estimation rate by using artificial neural networks which are one of the artificial intelligence techniques.

Anahtar Kelimeler

Artificial neural networks, occupancy rate estimation, artificial intelligence, accommodation establishments, tourism

Kaynakça

• AKTOB, (2014). 2023’e Doğru Türkiye’de Turizmin 100 Yılı, Araştırma Raporu. Accessed date: 02.02.2021, https://docplayer.biz.tr/7919989-Turizm-sektorunun-yapisi-buyuklugu-ve-ekonomiye-katkisi.html.
• Aliyev, R., Salehi, S., and Aliyev, R. (2019). “Development of Fuzzy Time Series Model for Hotel Occupancy Forecasting”, Sustainability, 11/3, 793.
• Andrew, W. P., Cranage, D. A., and Lee, C. K. (1990). “Forecasting hotel occupancy rates with time series models: An empirical analysis”, Hospitality Research Journal, 14/2, 173-182.
• Arı, A., and Berberler, M. E. (2017). “Yapay Sinir Ağları ile Tahmin ve Sınıflandırma Problemlerinin Çözümü İçin Arayüz Tasarımı”, Acta INFOLOGICA, 1/2, 55-73.
• Assaf, A. G., and Tsionas, M. G. (2019). “Forecasting occupancy rate with Bayesian compression methods”, Annals of Tourism Research, 75, 439-449.
• Baldigara, T., and Koic, M. (2015). “Modelling Occupancy Rates in Croatian Hotel Industry”, International Journal of Business Administration, 6/3, 121.
• Caicedo-Torres, W., and Payares, F. (2016). “A machine learning model for occupancy rates and demand forecasting in the hospitality industry”, Ibero-American Conference on Artificial Intelligence, 201-211.
• Chow, W. S., Shyu, J. C., and Wang, K. C. (1998). “Developing a forecast system for hotel occupancy rate using integrated ARIMA models”, Journal of international hospitality, leisure & tourism management, 1/3, 55-80.
• Constantino, H. A., Fernandes, P. O., and Teixeira, J. P. (2016). Tourism demand modelling and forecasting with artificial neural network models: the Mozambique case study. Tékhne, 14(2), 113-124.
• Çuhadar, M., and 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.
• Çuhadar, M., and Kervankıran, İ. (2016). “Nevşehir ili konaklama işletmelerine yönelik turizm talebinin analizi, modellenmesi ve tahminleri”, Muğla Sıtkı Koçman Üniversitesi İktisadi Ve İdari Bilimler Fakültesi Ekonomi Ve Yönetim Araştırmaları Dergisi, 5/2, 343-352.
• Golcuk, A., Yasak, M. S., and Dalmizrak, M. B. (2020). “Forecasting with Multilayer Perceptron Algorithm the Occupancy Rate of Accommodation Establishmentsin Turkey”, International Journal of Intelligent Systems and Applications in Engineering, 8/2, 66-70.
• Güngör, İ., and 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.
• Karaatlı, M., Helvacıoğlu, Ö. C., Ömürbek, N., and Tokgöz, G. (2012). “Yapay sinir ağları yöntemi ile otomobil satış tahmini”, Uluslararası Yönetim İktisat ve İşletme Dergisi, 8/17, 87-100.
• Kaynar, O., and Taştan, S. (2009). “Zaman Serisianalizinde MLP Yapay Sinir Ağları ve Arıma Modelinin Karşılaştırılması”, Erciyes Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 33, 161-172.
• Kaynar, O., Taştan, S., and Demirkoparan, F. (2011). “Yapay sinir ağlari ile doğalgaz tüketim tahmini”, Atatürk Üniversitesi İktisadi ve İdari Bilimler Dergisi, 25, 463-474.
• KTB, (2019). T.C. Kültür ve Turizm Bakanlığı Yatırım ve İşletmeler Genel Müdürlüğü, 2019 Turizm İstatistikleri Raporu. Accessed date: 02.02.2021, https://yigm.ktb.gov.tr/Eklenti/69320,turizmistatistikleri2019-4pdf.pdf?0.
• Law, R. (1998). “Room occupancy rate forecasting: a neural network approach”, International Journal of Contemporary Hospitality Management, 10/6, 234-239.
• Law, R. (2004). “Initially testing an improved extrapolative hotel room occupancy rate forecasting technique”, Journal of Travel & Tourism Marketing, 16/2-3, 71-77.
• Law, R., and Au, N. (1999). “A neural network model to forecast Japanese demand for travel to Hong Kong”, Tourism Management, 20/1, 89-97.
• Öztemel, E. (2012). Yapay Sinir Ağları, 3. Baskı, Papatya Yayıncılık, İstanbul, 57.
• Pan, B., and Yang, Y. (2017). “Forecasting destination weekly hotel occupancy with big data”, Journal of Travel Research, 56/7, 957-970.
• Schwartz, Z., Uysal, M., Webb, T., and Altin, M. (2016). “Hotel daily occupancy forecasting with competitive sets: a recursive algorithm”, International Journal of Contemporary Hospitality Management, 28/2, 267-285.
• Soysal, M., and Ömürgönülşen, M. (2010). “Türk Turizm Sektöründe Talep Tahmini Üzerine Bir Uygulama”, Anatolia: Turizm Araştırmaları Dergisi, 21/1, 128-136.
• Suzuki, K., (2011). Artificial neural networks: methodological advances and biomedical applications, In Tech, Croatia, 3-18.
• Taşdelen, B., Helvaci, S., Kaleağasi, H., and Özge, A. (2009). “Artificial neural network analysis for prediction of headache prognosis in elderly patients”, Turkish Journal of Medical Sciences, 39/1, 5-12.
• Warren, R. N. (2017). Occupancy forecasting methods and the use of expert judgement in hotel revenue management, Graduate Theses and Dissertations, Iowa State University, 18-37.
• World Travel and Tourism Council, (2020). Accessed date: 02.02.2021, https://wttc.org/en-gb/.
• Wu, E. H., Law, R., and Jiang, B. (2010). “Data mining for hotel occupancy rate: an independent component analysis approach”, Journal of travel & tourism marketing, 27/4, 426-438.
• Zakhary, A., El Gayar, N., and Ahmed, S. E. O. H. (2010). “Exploiting neural networks to enhance trend forecasting for hotels reservations”, Workshop on Artificial Neural Networks in Pattern Recognition, 241-251.
• Zhang, M., Li, J., Pan, B., and Zhang, G. (2018). “Weekly Hotel Occupancy Forecasting of a Tourism Destination”, Sustainability, 10/12, 4351.