Turizm Talebinin Yapay Sinir Ağaları Yöntemiyle Tahmin Edilmesi

Yıl 2015, Cilt: 20 Sayı: 2, 195 - 209, 01.06.2015

  Yrd.Doç.Dr.Mehmet Karahan

Öz

Planning of tourism investment and tourist activities across the country are of great importance for tourist areas. The forecasting of tourism demand to region or country should be forecasted primarily for planning. Because, planning not based on demand forecasting cannot be placed on a realistic basis. Demand forecasting is necessary both guiding infrastructure and superstructure investments compatible to this demand and determination of capacity of tourist areas thus eliminating the negative effects of tourism economically and environmentally. As the demand for tourism goods and services are extremely sensitive against effective factors in the tourism sector, the estimate of this sector and the analysis of the factors effecting on this demand are gaining importance. In recent years, it is observed that artificial neural network methods are widely used in demand forecasting and this method has higher forecast performance than the other methods. In this study, artificial neural network forecasting performance is evaluated using six independent variables and it is forecasted monthly demand for tourism in the future. So, with this study it is presented that artificial neural network method can be used easily as an alternative to traditional forecasting methods for practitioners in tourism sector and managers in the position of decision-making through planning for future

Anahtar Kelimeler

-

TURİZM TALEBİNİN YAPAY SİNİR AĞALARI YÖNTEMİYLE TAHMİN EDİLMESİ

Öz

Turistik bölgeler için, ülke genelinde turizm yatırımlarının ve turistik faaliyetlerin planlanması büyük önem taşımaktadır. Planlama için öncelikle bölgeye ya da ülkeye yönelik turizm talebinin tahmin edilmesi gerekir. Çünkü talep tahminlerine dayanmayan planlamalar gerçekçi bir temele oturtulamaz. Talep tahminleri bir taraftan bu talebe uyumlu alt ve üst yapı yatırımlarının yönlendirilmesi, diğer taraftan da turistik bölgelerin taşıma kapasitelerinin belirlenmesi, bu sayede de toplumsal, ekonomik ve çevresel açıdan turizmin olumsuz etkilerinin giderilmesi için gereklidir. Turizm sektöründe turistik mal ve hizmetlere yönelik talebin etken faktörlere karsı aşırı duyarlı olması, bu sektördeki tahminleri ve talep üzerinde etkili olan faktörlerin analizini daha önemli duruma getirmektedir. Son yıllarda yapay sinir ağı yönteminin talep tahmininde yoğun olarak kullanıldığı ve bu yöntemin diğerlerine göre genellikle daha yüksek bir tahmin performansı gösterdiği gözlenmektedir. Bu çalışmada, altı bağımsız değişken kullanılarak yapay sinir ağlarının tahmin performansı değerlendirilmiş, gelecek dönemlerdeki aylık turizm talebi tahmin edilmiştir. Böylelikle turizm sektöründeki uygulamacılar ve karar verme konumunda olan yöneticilerin, geleceğe yönelik planlama çalışmalarında geleneksel tahmin yöntemlerine alternatif olarak yapay sinir ağlarını kolaylıkla kullanabilecekleri ortaya konmaya çalışılmıştır

Anahtar Kelimeler

Turizm Talebi, Yapay Sinir Ağları, Talep Tahmini, Hata Testleri

Kaynakça

• AKGÜL, I. (2003). Zaman Serilerinin Analizi ve ARIMA Modelleri, Der Yayınları, İstanbul.
• BALDEMİR, E., ve BAHAR, O. (2003). “Türkiye’ye Yönelik Turizm Talebinin Neural (Sinir) Ağları Modelini Kullanarak Analizi”, Gazi Üniversitesi Ticaret ve Turizm Eğitimi Fakültesi Dergisi, (2): 152-168.
• BAYIR, F. (2006). Yapay Sinir Ağları ve Tahmin Modellemesi Üzerine Bir Uygulama, Yüksek Lisans Tezi, İstanbul Üniversitesi Sosyal Bilimler Enstitüsü, İstanbul.
• BENLI, Y. K. (2005). “Bankalarda Mali Başarısızlığın Öngörülmesi Lojistik Regresyon ve Yapay Sinir Ağı Karşılaştırması”, Gazi Üniversitesi Endüstriyel Sanatlar Eğitim Fakültesi Dergisi, (16): 31-46.
• BURGER, M. D., KATHRADA, M. ve LAW, R. (2001). “A Practitioners Guide to TimeSeries Methods for Tourism Demand Forecasting a Case Study of Durban, South Africa”, Tourism Management, 22 (4): 403-409.
• CHANG-JUI, L., HSUEH-FANG, C. ve TIAN-SHYUG, L. (2011). “Forecasting Tourism Demand Using Time Series, Artificial Neural Networks and Multivariate Adaptive Regression Splines: Evidence from Taiwan”, International Journal of Business Administration, 2(2):14-24.
• CHANG-JUI, L. ve TIAN-SHYUG, L. (2013). “Tourism Demand Forecasting: Econometric Model based on Multivariate Adaptive Regression Splines, Artificial Neural Network and Support Vector Regression”. Advances in Management & Applied Economics, 3(6):1-18.
• CHO, V. (2003). “A Comparison of Three Different Approaches to Tourist Arrival Forecasting”, Tourism Management, 24 (3): 323-330.
• CHUN-FU, C., MING-CHENG, L. ve CHING-CHIANG, Y. (2012). “Forecasting Tourism Demand Based on Empirical Mode Decomposition and Neural Network”, Knowledge-Based Systems, (26): 281–287.
• ÇIMAT, A. ve BAHAR, O. (2003). “Turizm Sektörünün Türkiye Ekonomisi İçindeki Yeri ve Önemi Üzerine Bir Değerlendirme”, Akdeniz Üniversitesi İ.İ.B.F. Dergisi, (6): 1-18.
• ÇUHADAR, M. (2013). “Türkiye’ye Yönelik Dış Turizm Talebinin MLP, RBF ve TDNN Yapay Sinir Ağı Mimarileri ile Modellenmesi ve Tahmini: Karşılaştırmalı Bir Analiz”, Journal of Yasar University, 8(31): 5274-5295.
• 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.
• 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.
• EFE, Ö. ve KAYNAK, O. (2000). Yapay Sinir Ağları ve Uygulamaları, Boğaziçi Üniversitesi Yayınevi, İstanbul.
• EFENDİGİL, T., ÖNÜT, S. ve KAHRAMAN, C. (2009). “A Decision Support System for Demand Forecasting with Artificial Neural Networks and Neuro-Fuzzy Models: A Comparative Analysis”, Expert Systems With Applications, (36): 6697-6707
• FAUSETT, L. (1994). Fundamentals of Neural Networks: Architectures, Algorithms and Applications. New Jersey: Prentice Hall.
• FERNANDES, P., TEIXEIA, J., FERREIRA, J. M. ve AZEVEDO, S.G. (2008). “Modeling Tourism Demand: A Comparative Study Between Artificial Neural Networks and The Box-Jenkins Methodology”, Romanian Journal of Economic Forecasting, (3): 30-50.
• 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.
• HAMZAÇEBİ, C. (2011). Yapay Sinir Ağları: Tahmin Amaçlı Kullanımı, Matlab ve Neuro Solutions Uygulamalı. (1. Baskı). Ekin Basım Yayın Dağıtım, Bursa.
• HAYKIN, S. (1999). Neural Networks A Comprehensive Foundation. (2 nd Edition). New Jersey: Prentice Hall.
• HU, C. (2002). Advanced Tourism Demand Forecasting: ANN and Box-Jenkins Modelling, Doktora Tezi, Purdue University, MI, USA.
• İÇÖZ, O. ve KOZAK, M. (2002). Turizm Ekonomisi, Turhan Kitabevi, Ankara.
• KAR, M., ZORKİRİŞÇİ, E. ve YILDIRIM, M. (2004). Turizmin Ekonomiye Katkısı Üzerine Ampirik Bir Değerlendirme. Akdeniz Üniversitesi İ.İ.B.F. Dergisi. (8): 87-112.
• KARAHAN, M. (2011). İstatistiksel Tahmin Yöntemleri: Yapay Sinir Ağları Metodu ile Ürün Talep Tahmini, Doktora Tezi, Selçuk Üniversitesi Sosyal Bilimler Enstitüsü, Konya.
• KORKMAZ, M. (2012). Denizli’nin Turizm Potansiyeli, Turizm Haberleri, URL: http://www.turizmhaberleri.com/koseyazisi.asp?ID=1903, 01.11.2014.
• KUAN-YU, C. (2011). “Combining Linear and Nonlinear Model in Forecasting Tourism Demand”, Expert Systems With Applications, (38): 10368-10376.
• LAW, R. (1998). “Room Occupancy Rate Forecasting: A Neural Network Approach”, International Journal of Contemporary Hospitality Management, 10(6): 234-239.
• LAW, R. (2000). “Back-Propagation Learning in Improving The Accuracy of Neural Network-Based Tourism Demand Forecasting”, Tourism Management, (21): 331- 340.
• LEWİS, C.D. (1982). Industrial and Business Forecasting Methods. Butterworths Publishing, London.
• MONKS, J.G. (1996) İşlemler Yönetimi Teori ve Problemler. (Çeviren: Sevinç Üreten), Nobel Yayın Dağıtım, Ankara.
• ÖNDER, E. ve HASGÜL, Ö. (2009). “Yabancı Ziyaretçi Sayısının Tahmininde Box Jenkins Modeli, Winters Yöntemi ve Yapay Sinir Ağlarıyla Zaman Serisi Analizi”, İstanbul Üniversitesi İşletme İktisadi Enstitüsü Yönetim Dergisi. 20(62):62-83.
• ÖZALP, A. ve ANAGÜN, A.S. (2003). “Yapay Sinir Ağı Performansına Etki Eden Faktörlerin Analizinde Taguchi Yöntemi: Hisse Senedi Fiyat Tahmini Uygulaması”, İstatistik Araştırma Dergisi. 2(1): 29-45.
• SEZGİN, F. ve ÖZDAMAR, E.Ö. (2011). “KOBİ’lerin Üretim ve Finansal Potansiyellerine Yönelik Sınıflandırılmasında Yeni Bir Yaklaşım: Diskriminant Uygunluk Analizi”, XI. Üretim Araştırmaları Sempozyumu, Bildiriler Kitapçığı, 23-24 Haziran 2011, ss: 157-167.
• SOYSAL, M. ve ÖMÜRGÖNÜLŞEN, M. (2010). “Türk Turizm Sektöründe Talep Tahmini Üzerine Bir Uygulama”, Anatolia: Turizm Araştırmaları Dergisi, 21(1): 128-136.
• TANG, T. C. ve CHI, L.C. (2005). “Neural Networks Analysis in Business Failure Prediction of Chinese Importers: A Between-Countries Approach”, Expert Systems With Applications, (29): 244–255.
• TEKİN, M. (2009). Üretim Yönetimi Cilt 1, 6. Baskı, Günay Ofset, Konya.
• TUYED (2013). Turizm Yazarları ve Gazetecileri Derneği, http://www.tuyed.org.tr/termalve-kueltuer-turizmine-yatrm-yapan-denizli-20-milyon-turist-edefliyor/, 02.11.2014.
• UYSAL, M. (1985). Turizmde Talep Projeksiyon Modelleri ve Özellikleri. Turizm Yıllığı, T.C. Turizm Bankası A.Ş., Ankara.
• 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.
• WITT, S.F. ve WITT, C.A. (2000), Modeling and Forecasting Demand in Tourism, Academic Press, Londra.
• YANG, J.H., YINGCHUN, L.V. ve MU, Z. (2013). “Predictions on The Development Dimensions of Provincial Tourism Discipline Based on The Artificial Neural Network BP Model”, Higher Education Studies, 3(3):13-20.
• YILDIZ, B. (2001). “Finansal Başarısızlığın Öngörülmesinde Yapay Sinir Ağı Kullanımı ve Halka Açık Şirketlerde Ampirik Bir Uygulama”, İMKB Dergisi, 5(17): 51-67.
• ZEREN, F. ve ERGÜZEL, O.Ş. (2014). “Forecast Share Prices With Artificial Neural Network in Crisis Periods”, Journal of Business Research-Türk, 6/3(2014):16-28.