Süleyman Demirel Üniversiesi İkisadi ve İdari Bilimler Fakülesi Dergisi Y.2009, C.14, S.1 s.99-114. Suleyman Demirel Universiy The Journal of Faculy of Economics and Adminisraive Sciences Y.2009, Vol.14, No.1 pp.99-114. TURİZM TALEBİNİN YAPAY SİNİR AĞLARI İLE TAHMİNİ VE ZAMAN SERİSİ YÖNTEMLERİ İLE KARŞILAŞTIRMALI ANALİZİ: ANTALYA İLİNE YÖNELİK BİR UYGULAMA FORECASTING TOURISM DEMAND BY ARTIFICIAL NEURAL NETWORKS AND TIME SERIES METHODS: A COMPARATIVE ANALYSIS IN INBOUND TOURISM DEMAND TO ANTALYA Yrd.Doç.Dr.Mura ÇUHADAR 1 Prof.Dr.İbrahim GÜNGÖR 2 Yrd.Doç.Dr.Ali GÖKSU 3 ÖZET Bu çalışmada; zaman serisi yönemlerinden Üsel Düzleşirme ve Box-Jenkins yönemleri ile farklı mimarilere sahip yapay sinir ağı modellerinin ahmin doğruluklarını karşılaşırarak en yüksek doğruluğu sağlayan modelin belirlenmesi ve belirlenen model yardımıyla Analya iline yönelik aylık dış urizm alebi ahminlerinin yapılması amaçlanmışır. Çalışmada Ocak 1992- Aralık 2005 döneminde Analya iline gelen aylık yabancı uris sayısı verilerinden yararlanılmışır. Yapılan çok sayıda deneme sonucunda orijinal seri değerleri kullanılarak oluşurulan 12 gecikmeli yapay sinir ağı modelinin en yüksek doğruluğu sağladığı görülmüş ve elde edilen model yardımıyla 2009 yılı için Analya iline yönelik aylık dış urizm alebi ahminleri yapılmışır. ABSTRACT In his sudy, i is aimed o deermine he forecasing mehod ha provides he bes performance when compared he forecas accuracy of exponenial smoohing, Box-Jenkins as ime series echniques and arificial neural neworks o esimae he monhly inbound ourism demand o Analya via he mehod giving bes resuls. Monhly foreign ouris arrivals o Analya in he period of January 1992-December 2006 daa were uilized o build appropriae model. As a consequence of several aemps i has been observed ha 12 lagged ANN model formed by uilizing he unpreprocessed raw daa has presened bes performance and by he means of his model i has been forecased he monhly inbound ourism demand o Analya for year 2009. 1 2 3 Süleyman Demirel Üniversiesi, Eğirdir M.Y.O. Süleyman Demirel Üniversiesi, İkisadi ve İdari Bilimler Fakülesi Burçh Üniversiesi, Saray Bosna, Bosna Hersek.
ÇUHADAR GÜNGÖR GÖKSU 2009 Turizm Talebi, Yapay Sinir Ağları, Zaman Serisi Tahmin Yönemleri Tourism Demand,, Arificial Neural Neworks, Time Series Forecasing Mehods 1. GİRİŞ Turizm, döviz girdisini arırıcı, isihdam yaraıcı özellikleriyle ulusal ekonomiye kakıda bulunan, uluslararası külürel ve oplumsal ileişimi sağlayıcı ve büünleşirici ekisi ile dünya barışının korunmasında büyük payı olan sekörlerden birisi konumundadır. Günümüzde ekonomik ve kilesel bir olgu haline gelen urizm sekörünün, ülke ekonomileri üzerindeki olumlu ekileri, ekonomik yönünü daha da ön plana çıkarmışır. Turizm, ilgili ülkelerde yaraığı ekonomik sonuçlar açısından değerlendirildiğinde, büün ülkelerin bu sonuçlardan yararlanmak için büyük çaba göserdiği bir faaliye olarak kabul edilmekedir. Özellikle ödemeler dengesine olan kakısı ve doğurduğu ekonomik canlılık, pek çok ülke için urizmi cazip bir hale geirmiş olup kalkınma planlarında geniş bir yer verilmesini sağlamışır. Bir ülke ekonomisi için urizm bir kazanç kaynağı ve döviz girdisi sağlayan olay olarak ne kadar önemli ise, bölgeler arası ekonomik dengesizliğin giderilmesi, yeni iş alanlarının açılması sayesinde işsizliğin azalılması, arım, ulaşırma, hizmeler ve diğer urizmle doğrudan ve dolaylı olarak ilgili bulunan icari faaliyelerin canlılık kazanması ve üreimin arırılması gibi parasal olmayan ekileri de o derece önemlidir. Dünya Seyaha ve Turizm Konseyi arafından hazırlanan bir rapora göre; urizm ve seyaha endüsrisi, üm dünyada 5 rilyon 890 milyar dolar gelir ile küresel GSMH nın % 9,9 unu, doğrudan ve dolaylı olmak üzere 238.277.000 iş imkanı ile dünyadaki oplam isihdamın % 8.4 ünü sağladığı ahmin edilmekedir. 4 Ancak urizmin sayılan özelliklerinden faydalanabilmek için gerek kamu, gerekse özel sekörde geleceğe yönelik kararların alınmasında urizm alebi ahminlerinin önemi oldukça büyükür. Turizm sekörü de ülkedeki diğer ekonomik sekörler gibi güvenilir verilere dayanan doğru ahminlere ihiyaç duymakadır. Turizmde, alebin eken fakörlere karşı duyarlı olması ve hizmelerin dayanıksızlık özelliği, bu sekördeki alep ahminlerini daha da önemli duruma geirmekedir. 5 Boş uçak, gemi, oobüs koluklarının, saılamayan oel odaları ve pake urlar ve diğer urizm akivielerinin, daha sonra saılmak üzere soklanması, urisik ürünlerin dayanıksızlık özelliğinden dolayı mümkün değildir. Güvenilir ve doğru alep ahminleri başa konaklama, ulaşırma ve seyaha işlemeleri olmak üzere urizm sekörü ile ilgili büün faaliyelerin ekili bir şekilde planlanabilmesi için gereklidir. 6 Ayrıca bir urizm merkezine yönelik gelecekeki alebi gerçekçi bir şekilde ahmin emek, uzun vadeli urizm gelişme planlarının yapılmasında da önemli bir rol oynar. Bu nedenle bilimsel emele dayanan yönemlerle urizmdeki gelişmelerin ahmin 4 5 6 World Travel & Tourism Council, Progress and Prioriies 2008/2009, s. 6 Orhan İÇÖZ, Turizm Ekonomisi, Turhan Kiabevi, Ankara, 2005, s. 339 Haiyan SONG ve Sephan WITT, Tourism Demand Modelling and Forecasing: Modern Economeric Approach, Elsevier Science Pergamon, Neherlands, 2000, s. 9 100
C.14, S.1 Turizm Talebinin Yapay Sinir Ağları İle Tahmini ve Zaman Serisi edilmesi, merkezi ve yerel kamu yöneimi programlarının ve urisik işleme bilançolarının ekili bir yol gösericisidir. 7 Çalışmanın amaçları üç kısımda ele alınabilir: 1- Analya iline yönelik dış urizm alebinin farklı mimarilere sahip yapay sinir ağları ve zaman serisi ahmin yönemlerinden Üsel Düzleşirme ve Box-Jenkins yönemleri ile modellenmesi, 2-Uygulanan üm modellerin geçmişe yönelik ahmin doğruluklarının karşılaşırılarak en yüksek doğruluğu sağlayan modelin belirlenmesi, 3- Belirlenen model yardımıyla 2009 yılı için Analya iline yönelik dış urizm alebinin aylar iibariyle ahmin edilmesidir. Yapılan ahminler ile merkezi ve yerel kamu yöneimleri arafından hazırlanan urisik gelişme planları için bir zemin oluşurmak; ilgili işleme yöneicilerinin aylık planlamalarında karar almalarını kolaylaşırmak ve Türkiye de urizm lieraürüne kakı sağlanması, çalışmanın amaçları arasındadır. Uygulamanın Analya iline yönelik olarak belirlenmesindeki emenler şöyle sıralanabilir; Analya ilinin sahip olduğu arihi, doğal ve külürel urizm poansiyeli nedeniyle Türkiye nin önde gelen urizm merkezlerinden birisi olması, Türkiye yi ziyare eden urislerin en fazla ercih eikleri urizm merkezinin Analya olması. (Türkiye ye 2006 yılında gelen urislerin % 30,3 ü, 2007 yılında gelen urislerin % 31,2 si Analya yı ercih emişir), Türkiye deki oplam urizm yaırımlarının en fazla bulunduğu il Analya dır. (2007 yılı iibariyle Türkiye deki yaırım belgeli urizm işlemelerinin % 40 ı, işleme belgeli esislerin ise % 44,2 si Analya ili sınırları içerisinde yer almakadır), Lieraürde, urizm alebi ahmin çalışmalarının ağırlıklı olarak modelin kurulması ve değerlendirilmesi üzerinde yoğunlaşığı; ileriye yönelik ahminlerin üreilmediği ve çoğu zaman kurulan modellerin ahmin performansları dahi araşırılmadan ilgililerin kullanımına sunulduğu eleşirilmekedir. Bununla birlike, Türkiye de urizm alebinin modellenmesi ve ahmini ile ilgili çalışmaların büyük bir bölümünün belirli bir bölge veya urisik çekim merkezine değil, ülke genelinde yani Türkiye ye yönelik olarak ve yıllık olarak yapıldığı, Analya ili ve çevresindeki urisik merkezlere yönelik urizm alebinin ahmini ile ilgili çalışmaların ise oldukça sınırlı olduğu dikka çekmekedir. Bu konuda daha önce yapılan ek çalışmanın, Güngör ve Çuhadar arafından yapay sinir ağları kullanılarak Analya iline yönelik Alman urizm alebi ahmini çalışması olduğu 7 Muzaffer Uysal Turizmde Talep Projeksiyon Modelleri ve Özellikleri, Turizm Yıllığı, T.C. Turizm Bankası Yayını, 1985, s.35 101
ÇUHADAR GÜNGÖR GÖKSU 2009 görülmekedir. 8 Gerek Analya iline yönelik urizm alebinin ahmini, gerekse nicel yönemler ile birlike yapay sinir ağları kullanılarak urizm alebinin aylar iibariyle ahminine yönelik mukayeseli çalışmaların sınırlı olması nedeniyle disiplinler arası yaklaşımla hazırlanan bu çalışmanın, Türkiye de bu alanda ileriye yönelik olarak yapılacak çalışmalara yön vermesi açısından önem aşıdığına inanılmakadır. 2. ÇALIŞMADA KULLANILAN YÖNTEMLER Bu bölümde, çalışmada kullanılan Yapay sinir ağları, Üsel Düzleşirme ve Box-Jenkins yönemleri hakkında bilgiler verilmişir. 2.1. Yapay Sinir Ağları Yapay sinir ağları, insan beyninden esinlenerek gelişirilmiş, ağırlıklı bağlanılar aracılığıyla birbirine bağlanan ve her biri kendi belleğine sahip işlem elemanlarından oluşan paralel ve dağıılmış bilgi işleme yapılarıdır. Yapay sinir ağları, bir başka deyişle, biyolojik sinir ağlarını akli eden bilgisayar programlarıdır. 9 Yapay sinir ağının yapısında, nöron (yapay sinir hücresi), bağlanılar ve öğrenme algoriması olmak üzere üç bileşen bulunur. Nöron, bir yapay sinir ağının emel işlem elemanıdır. Ağ içerisinde yer alan nöronlar, probleme eki eden fakörlere göre bir veya birden fazla girdi alırlar ve problemden beklenen sonuç sayısı kadar çıkı verirler. Nöronların birbirleriyle bağlanılar aracılığıyla bir araya gelmeleri yapay sinir ağını oluşurmakadır (Şekil 1.). Genel bir yapay sinir ağı siseminde nöronların aynı doğrulu üzerinde bir araya gelmeleri kamanları oluşurur. 10 Şekil 1. Bir Yapay Sinir Ağı Girişler Çıkışlar Girdi Kamanı Gizli Kaman Çıkı Kamanı 8 9 10 GÜNGÖR İbrahim ve ÇUHADAR Mura, Analya İline Yönelik Alman Turis Talebinin Yapay Sinir Ağları Yönemiyle Tahmini, Gazi Üniversiesi Ticare ve Turizm Eğiim Fakülesi Dergisi, Yıl: 2005, Sayı: 1, s. 84-99 Çein ELMAS, Yapay Sinir Ağları (Kuram, Mimari, Eğiim, Uygulama), Seçkin Yayıncılık, Ankara, 2003, s. 23 Birol YILDIZ, Finansal Başarısızlığın Öngörülmesinde Yapay Sinir Ağı Kullanımı ve Halka Açık Şirkelerde Ampirik Bir Uygulama, İMKB Dergisi, Sayı: 17, 2001, s. 54 102
C.14, S.1 Turizm Talebinin Yapay Sinir Ağları İle Tahmini ve Zaman Serisi Bir yapay sinir ağında, birbirleriyle bağlanılı sinir hücrelerinin yer aldığı girdi kamanı (inpu layer), çıkı kamanı (oupu layer) ve gizli kaman (hidden layer) olmak üzere emelde üç kaman bulunmakadır. Girdi kamanı ilk kamandır ve dışarıdan gelen verilerin yapay sinir ağına alınmasını sağlar. Girdi kamanı probleme eki eden paramerelerden oluşmakadır ve girdi kamanındaki nöron sayısı paramere sayısına göre şekillenmekedir. Son kaman çıkı kamanı olarak adlandırılır ve bilgilerin dışarıya ileilmesi işlevini görür. Modeldeki diğer kamanlar ise girdi kamanı ile çıkı kamanı arasında yer alır ve gizli kaman olarak adlandırılır. Gizli kamanda bulunan nöronların dış oramla bağlanıları yokur. Yalnızca girdi kamanından gelen sinyalleri alırlar ve çıkı kamanına sinyal gönderirler. 11 Yapay sinir ağları, belirli bir problemi direk olarak mevcu örnekler üzerinden eğiilerek öğrenirler. Yapay sinir ağlarında öğrenme kısaca, isenen bir işlevi yerine geirecek şekilde ağırlıkların ayarlanması sürecidir. Temelde öğrenme yönemleri danışmanlı (supervised) ve danışmansız (unsupervised) olmak üzere iki gruba ayrılmışır. Danışmanlı öğrenmede, yapay sinir ağı kullanılmadan önce eğiilmelidir. Eğime işlemi, sinir ağına giriş ve çıkış bilgileri sunmakan oluşur. Ağ giriş bilgisine göre üreiği çıkış değerini, isenen değerle karşılaşırarak ağırlıkların değişirilmesinde kullanılacak bilgiyi elde eder. Girilen değerle isenen değer arasındaki fark haa değeri olarak önceden belirlenen değerden küçük oluncaya kadar eğiime devam edilir. Haa değeri isenen değerin alına düşüğünde üm ağırlıklar sabilenerek eğiim işlemi sonlandırılır. Danışmansız öğrenmede sisemin doğru çıkış hakkında bilgisi yokur ve girişlere göre kendi kendisini örnekler. Danışmansız olarak eğiilebilen ağlar, isenen ya da hedef çıkış olmadan giriş bilgilerinin özelliklerine göre ağırlık değerlerini ayarlar. 12 Ağın eğiimi amamlandıkan sonra öğrenip öğrenmediğini (performansını) ölçmek için yapılan denemelere ise, ağın es edilmesi denmekedir. Tes emek için ağın öğrenme sırasında görmediği örneklerden yararlanılır. Ağ, eğiim sırasında belirlenen bağlanı ağırlıklarını kullanarak görmediği bu örnekler için çıkılar üreir. Elde edilen çıkıların doğruluk değerleri ağın öğrenmesi hakkında bilgiler verir. Sonuçlar ne kadar iyiyse, eğiim performansının da o kadar iyi olduğunu göserir. Eğiimde kullanılan örnek seine eğiim sei, es için kullanılan see ise es sei adı verilmekedir. 13 Yapay sinir ağlarında yer alan sinir hücreleri ve bağlanılar, çok değişik biçimlerde bir araya geirilebilmekedir. Yapay sinir ağı mimarileri, sinirler arasındaki bağlanıların yönlerine göre veya ağ içindeki işarelerin akış yönlerine göre birbirlerinden ayrılmakadır. Buna göre, ileri beslemeli (feed forward) ve geri beslemeli (feedback, recurren) ağlar olmak üzere iki emel ağ mimarisi bulunmakadır. 11 12 13 Yasemin BENLİ, Finansal Başarısızlığın Tahmininde Yapay Sinir Ağı Kullanımı ve İMKB de Bir Uygulama, Muhasebe Bilim Dünyası Dergisi, 2002, Yıl: 4, Sayı: 4, s. 19 Çein ELMAS, a.g.e., s. 96-149 Ercan ÖZTEMEL, Yapay Sinir Ağları, Papaya Yayıncılık, İsanbul, 2003, s. 56 103
ÇUHADAR GÜNGÖR GÖKSU 2009 2.2. Üsel Düzleşirme Yönemi Üsel Düzleşirme, geçmiş dönem verilerine eşi ağırlık veren basi harekeli oralamalar yönemine benzeyen ancak geçmiş dönem verilerine eşi değil farklı ağırlıkların verildiği yönemler opluluğudur. Üsel erimi verilen ağırlıkların veriler eskidikçe üsel bir şekilde azalması anlamını aşımakadır. Diğer bir ifadeyle ahminde kullanılan geçmiş dönem verilerinden yakın geçmişe gerçekleşenlere yüksek, veriler eskidikçe ise üsel olarak azalan ağırlıklar verilmekedir. 14 Üsel düzleşirme yöneminde düzleşirme kasayılarının değerlerinin belirlenmesi büyük önem aşımakadır. Bu kasayıların belirlenmesindeki emel amaç; uygulanan modelin haa kareleri oralamalarını en küçük yapan düzleşirme kasayısı değerlerini bulmakır. 15 Üsel düzleşirme yönemi, verilerin özelliklerine uygun farklı yönemlerden oluşmakadır. Bu yönemler arasında, Tekli (Basi) Üsel Düzleşirme Yönemi, Brown un Tek Paramereli Doğrusal Üsel Düzleşirme Yönemi, Hol un Çif Paramereli Doğrusal Üsel Düzleşirme Yönemi, Winers ın Mevsimsel Üsel Düzleşirme Yönemi sayılabilir. Trend ve mevsimsel dalgalanmalara sahip verilerin ahmininde Winers Mevsimsel Üsel Düzleşirme Yönemi kullanılmakadır. Winers yönemi, her biri modelin üç bileşenini; rend, esadüfi (rassal) dalgalanmalar ve mevsimselliğe bağlı paramerelerin düzleşirilmesinde kullanılan üç eşiliğe dayanmakadır. Winers yöneminin denklemleri aşağıdaki gibidir; L b S Y = α + ( 1 α)( L 1 + b 1) S s = β ( L L 1 ) + (1 β ) b 1 Y = γ + ( 1 γ ) L S s F + m = ( L + b m) S s+ m Yukarıdaki eşiliklerde, S = Mevsim uzunluğunu (Bir yıl içerisindeki mevsim sayısı), L b S F+m = Serinin dönemindeki genel seviyesini, = Trend bileşenini, = Mevsimsel bileşeni, = m ileri dönem için ahmin değerini ifade emekedir. 14 15 Neyran ORHUNBİLGE, Zaman Serileri Analizi Tahmin ve Fiya Endeksleri, Avcıol Basım Yayın, 1999, İsanbul, s.95 Cem KADILAR, SPSS Uygulamalı Zaman Serileri Analizine Giriş, Bizim Büro Basımevi, 2005, Ankara, s. 154 104
C.14, S.1 Turizm Talebinin Yapay Sinir Ağları İle Tahmini ve Zaman Serisi α, β ve γ Winers yöneminin düzleşirme sabileridir. α, modelin oralama düzey düzleşirme sabii, β, rend düzleşirme sabii γ ise mevsim düzleşirme sabiidir. 16 2.2. Box- Jenkins Yönemi Box-Jenkins yöneminde emel olarak iki ayrı yönemin (Ooregresyon ve Harekeli Oralama) bir birleşimi oluşurulmaya çalışılmakadır. Bu yönemi oluşuran modeller, mevsimsel olmayan ve mevsimsel modeller olarak ikiye ayrılmakadır. Mevsimsel olmayan Box- Jenkins modelleri genel olarak ARIMA(p,d,q) şeklinde ifade edilmekedir. Burada, p ooregresyon (AR) modelinin derecesi, d fark alma işlemi sayısı ve q harekeli oralama (MA) modelinin derecesidir. Mevsimsel Box-Jenkins modelleri ise genel olarak ARIMA(p,d,q,)(P,D,Q,)s biçiminde ifade edilmekedir. Burada, P mevsimsel ooregresyon (SAR) modelinin derecesini, D mevsimsel fark alma işlemi sayısını, Q mevsimsel harekeli oralama (SMA) modelinin derecesini ve S mevsim periyodunu gösermekedir. 17 P,D,Q derecelerindeki mevsimsel ARIMA modeli, geri kaydırma işlemcisi ile Φ s D P ( B ) s y = ΘQ ( B s ) ε şeklinde ifade edilmekedir. Modelde S mevsimsel fark işlemcisini, S mevsim dönemlerini gösermeke olup aylık veriler için S = 12 olarak alınmakadır. D işlemcisi D-kere mevsimsel farkının alındığını gösermekedir. Tüm işlemciler ile yapılan dönüşümler sonrasında serinin D durağanlığı sağlanmaka ve durağan olmayan seri S ile simgelenen fark alma işlemleri sonrasında durağan seri olarak ifade edilmekedir. Modeldeki Φ mevsimsel oo regresyon (SAR) parameresini, Θ ise mevsimsel P harekeli oralama (SMA) parameresini simgelemekedir. 18 Box-Jenkins modellerinde emel yaklaşım, incelenen değişkenin bugünkü değerinin, geçmiş değerlerinin ağırlıklı oplamı ve rassal şokların bileşimine dayandığıdır. 19 Model seçiminde, serinin durağan olup olmaması ve mevsim ekisi aşıyıp aşımaması belirleyici olmakadır. Bu nedenle ilk olarak zaman serisinin özellikleri oraya çıkarılmaka ve uygun bir model bulmaya çalışılmakadır. Box-Jenkins yönemi, üm model kombinasyonları arasından uygun bir modeli belirlemek için dör basamakan oluşan ekrarlamalı bir yaklaşım kullanmakadır. Bu basamaklar sırasıyla; belirleme, paramere ahminleri, uygunluk esleri ve ileriye yönelik ahmin aşamalarıdır Belirlenen model yeerli değilse, süreç orijinal modeli gelişirmek için Q 16 Spyros MAKRIDAKIS, Forecasing: Mehods and Applicaions, John Wiley and Sons Inc., 1998, New York, 17 Cem KADILAR, a.g.e., s. 185 18 AKGÜL Işıl, Zaman Serilerinin Analizi ve ARIMA Modelleri, Der Yayınları, 2003, İsanbul, s. 200 19 AKGÜL Işıl, a.g.e., s. 35 105
ÇUHADAR GÜNGÖR GÖKSU 2009 oluşurulan diğer bir model kullanılarak ekrarlanır. Bu süreç amin edici bir model elde edilene kadar ekrar edilmekedir. 20 3. VERİ VE YÖNTEM 3.1. Çalışmada Kullanılan Veriler Araşırmada, Analya iline yönelik dış urizm alebinin ölçüsü olarak gelen oplam yabancı uris sayıları alınmışır. Lieraürde urizm alebinin ölçüsü olarak gelen uris sayıları; urizm gelirleri; urislerin geceleme sayıları ve doluluk oranlarının kullanıldığı görülmekedir. Bunlar arasından en fazla kullanılan ölçü gelen uris sayılarıdır. 21 Song ve Wi, inceledikleri 1990-2004 yılları arasında yapılmış kırk beş çalışmanın ouz yedisinde uluslararası urizm alebinin ölçüsü olarak oplam yabancı uris sayılarının kullanıldığını belirmişlerdir. 22 Çalışmada, Ocak 1990 Kasım 2008 dönemine ai Analya iline hava ve deniz yolu (Analya, Alanya, Kaş, Kemer, Finike) ile gelen aylık yabancı uris sayısı verilerinden yararlanılmışır. Veriler, Külür ve Turizm Bakanlığı arafından yayımlanan urizm isaisikleri bülenlerinden ve Analya İl Külür ve Turizm Müdürlüğü nden (Analya Gümrük Kapıları Yeli ve Yabancı Ziyareçi Girişleri İsaisikleri) emin edilmişir. Aylık veriler, mevsim ve rend bileşenlerinin ele alınarak daha deaylı incelemeler yapılabilmesi için ercih edilmişir. 3.2. Çalışmanın Yönemi Çalışmada öncelikle, verilerin yapısına uygun yönemlerin belirlenebilmesi amacıyla verilerin zaman serisi özellikleri analiz edilerek seriyi ekileyen emel bileşenler incelenmişir. Verilerin bileşenlerinin incelenmesinden sonra, Ocak 1990-Aralık 2006 dönemine ai veriler kullanılarak 2007 ve 2008 (Ocak-Kasım) yılları için üsel düzleşirme ve Box-Jenkins yönemlerinden, verilerin yapısına uygun modeller ve farklı mimarilere sahip yapay sinir ağı modelleri ile Analya iline yönelik aylık yabancı uris sayısı ahminleri yapılmışır. Modellerin üreikleri ahmin değerleri, gerçekleşmiş olan uris sayıları ile karşılaşırılarak hangi yönemin daha gerçekçi sonuçlar verdiği belirlenmişir. Uygulanan yönemlerin ahmin doğrulukları, Oralama Mulak Yüzde Haa (MAPE) isaisiği yardımıyla değerlendirilmişir. Lieraürde, MAPE isaisiğinin ahmin haalarını yüzde olarak ifade emesi nedeni ile ek başına da bir anlamının olması, diğer krierlere göre üsünlüğü olarak kabul edilmekedir. 23 Wi ve Wi, MAPE değerleri % 10 un alında olan ahmin modellerini yüksek doğruluk derecesine sahip, % 10 ile % 20 arasında olan modelleri ise doğru ahmin 20 21 22 23 John HANKE, Arhur REITSCH, Business Forecasing, (Fourh Ediion), Allyn and Bacon, 1992, Boson, s. 381 Chrisine LIM, Review of Inernaional Tourism Demand Models, Annals of Tourism Research, Volume: 24, No: 4, 1997, s. 839 Haiyan SONG ve Sephan WITT, a.g.e., s. 216 Işıl AKGÜL, a. g. e., s. 138 106
C.14, S.1 Turizm Talebinin Yapay Sinir Ağları İle Tahmini ve Zaman Serisi modelleri olarak sınıflandırmışır. 24 Benzer şekilde Lewis, MAPE değeri %10 un alında olan modelleri çok iyi, % 10 ile % 20 arasında olan modelleri iyi, % 20 ile % 50 arasında olan modelleri kabul edilebilir ve % 50 nin üzerinde olan modelleri ise yanlış ve haalı olarak sınıflandırmışır. 25 MAPE isaisiğinin maemaiksel ifadesi aşağıda verilmişir. n e = 1 y MAPE = n Bu formülde; 100(%) e = y - ŷ olmak üzere y = döneminde gerçekleşen değer, ŷ = dönemi için hesaplanan ahmin değeri, n = ahmin yapılan dönem sayısı, e = dönemindeki ahmin haasını ifade emekedir. 3.2. Verilerin Zaman Serisi Bileşenlerinin Analizi Çalışmada kullanılan, verilere ai zaman grafiği Şekil 2. de verilmişir. Zaman grafiği incelendiğinde verilerin, aran bir rend ile birlike mevsimsel dalgalanmaların ekisinde olduğu gözlenmekedir. Dalgalanma, birbirini izleyen yılların nisan aylarından iibaren armaya başlayarak Temmuz ve Ağusos aylarında en yüksek değere ulaşması, Ocak aylarında en düşük değere ulaşması şeklinde meydana gelmekedir. En küçük kareler yönemi ile yapılan rend analizi neicesinde, verilerin aran bir rend yapısına sahip olduğu espi edilmişir. Trend denkleminin geçerliliğini es emek için yapılan F esi ve denklem kasayılarının eslerinin, 0.05 önem düzeyinde anlamlı oldukları görülmüşür. Verilerdeki mevsimsel ekileri espi emek için mevsimsel ayrışırma işlemi uygulanmışır. Mevsimsel ayrışırma Harekeli Oralamaya Oran yönemi ile SPSS 12.0 isaisik pake programı yardımıyla yapılmış, harekeli oralama ağırlıkları; seri on iki aylık düzenli periyoda sahip olduğundan Periyo+1 (Enpoins Weighed by 0.5) aralığıyla hesaplanmışır. Analiz neicesinde elde edilen mevsim indeks değerleri, verilerin 12 ayda bir ekrar eden periyodik mevsimsel dalgalanmaların ekisinde olduğunu oraya koymuşur. 24 25 Sephen F. WITT ve Chrisine WITT, Modeling and Forecasing Demand in Tourism, Academic Press: London, 1992, s. 137 Colin D. LEWIS, Indusrial and Business Forecasing Mehods, Buerworhs Publishing: London, 1982, s. 40 107
ÇUHADAR GÜNGÖR GÖKSU 2009 Şekil 2: Analya İli ne Gelen Yabancı Turisler Serisi Zaman Grafiği (Ocak 1990 Kasım 2008) 1600000 1400000 Yabancı Turis Sayıları 1200000 1000000 800000 600000 400000 200000 0 1 13 25 37 49 61 73 85 97 109 121 133 145 157 169 181 193 205 217 Ay - Yıl 4. YÖNTEMLERİN UYGULANMASI Çalışmanın bu bölümünde Üsel Düzleşirme, Box-Jenkins yönemleri ve Yapay Sinir Ağları ile yapılan ahminlere ai açıklamalara yer verilmişir. Çalışmada kullanılan verilerin aran bir rende sahip olması ve mevsimsel dalgalanmaların ekisinde olması nedeniyle, verilerin yapısına uygun zaman serisi yönemlerinin, Mevsimsel Üsel Düzleşirme ve Mevsimsel Box-Jenkins yönemleri olduğuna karar verilmişir. 4.1. Mevsimsel Üsel Düzleşirme (Winer s) Yönemi Yönemin uygulanması SPSS 12.0 isaisik pake programı yardımıyla yapılmışır. Mevsim fakörleri olarak mevsimsel ayrışırma işlemi ile elde edilen mevsim indeks değerleri kullanılmışır. Modelin düzleşirme sabii α, rend düzleşirme sabii β ve mevsim düzleşirme sabii olanγ paramereleri, modelin haa kareleri oplamını minimum yapacak şekilde belirlenmişir. Elde edilen; α = 0,8000000 β = 0,0000000 γ = 0,0000000 paramere değerleri modelin düzleşirme kasayıları olarak kullanılmışır. Modele ai başlangıç değerleri bilgisayar yardımı ile aşağıdaki gibi hesaplanmışır: L = 52989, 18873 (Seviye başlangıç değeri) s b = 264,106577 (Trend başlangıç değeri) s 108
C.14, S.1 Turizm Talebinin Yapay Sinir Ağları İle Tahmini ve Zaman Serisi 4.2. Mevsimsel Box-Jenkins Yönemi Box-Jenkins yöneminin uygulanmasında öncelikle, verilerdeki mevsimsel bileşenin zaman içerisinde sabi olmadığı espi edilmiş ve orijinal verinin sabi mevsimsel değişmeler içeren bir hale gelmesi için verilerin doğal logariması alınmışır. Genişleilmiş Dickey-Fuller (ADF) esleri ile durağanlık analizleri yapılmış, yapılan analizler sonucunda serinin birinci derece mevsimsel farkı alınarak (D=1, S=12) durağanlığının sağlandığı görülmüşür. Verilere ai oo korelasyon ve kısmi oo korelasyon fonksiyonları incelenerek mevsimsel ve mevsimsel olmayan ooregresyon (AR) ve harekeli oralama (MA) süreçlerinin dereceleri belirlenmişir. AR ve MA süreçleri için uygun merebeler aşağıdaki gibi belirlenmişir: AR merebesi p = 1 MA merebesi q = 0 Mevsimsel AR merebesi P = 0 Mevsimsel MA merebesi Q = 1 Bu sonuçlar, logarimik dönüşüme abi Analya iline gelen yabancı urisler serisi için uygun modelin Çarpımsal-Mevsimsel ARIMA Modeli olarak ifade edilen ARIMA(1,0,0)(0,1,1) 12 olduğunu gösermekedir. Elde edilen modele ai nihai paramere ahminleri Tablo 1. de verilmişir. Tablo 3.5. de, belirlenen modelin paramere ahminlerine ai -değerlerinin ümünün 0,00 önem düzeyinde (ayrıca mevsimsel paramere ahminlerinin > 1,25 olmaları nedeniyle 26 ) isaisiksel açıdan önemli oldukları görülmekedir. Değişken Tablo 1: ARIMA (1,0,0)(0,1,1,) 12 Modeli Tahmini Tahmin Sandar Haa - isaisiği Olasılık AR(1) 0,74083121 0,04619080 16,038501 0,00000000 SMA(1) 0,58414480 0,06080231 9,607280 0,00000000 Consan 0,15992469 0,03444717 4,642608 0,00000603 Gözlem Sayısı 227 Fark Alındıkan Sonraki Gözlem Sayısı 215 Akaike Bilgi Krieri (AIC) 91,899195 Haa Kareleri Toplamı 18,769076 Sandar Haa 0,29357803 Dönüşüm ve Fark Alma Doğal logariması alınan serinin mevsimsel ilk farkı (s = 12) Belirlenen modelin paramere ahminleri isaisiksel açıdan değerlendirildiken sonra, modele ai kalınıların (residuals) rassal (beyaz gürülü) olup olmadığı ve aralarında ookorelasyon olup olmadığını sınamak 26 Mevsimsel gecikmelerin anlamlılığının es edilmesinde kullanılan -es isaisiği için kriik değer 1,25 olarak alınmakadır. 109
ÇUHADAR GÜNGÖR GÖKSU 2009 için Ljung-Box (Q * ) isaisiğinden yararlanılmışır. Modele ai arıklar serisi için 12, 24 ve 36. gecikmelere göre hesaplanan Q * isaisikleri, arıklar arasında önemli ookorelasyon olmadığını, arıklar serisinin rassal bir sürece sahip olduğunu ve seçilen modelin uygunluğunu oraya koymuşur. Box- Jenkins modellerinin ookorelasyon ve kısmi ookorelasyon fonksiyonları ile ADF esleri ise E-Views 5 pake programı yardımıyla gerçekleşirilmişir. 4.3. Yapay Sinir Ağları Verilerin yapay sinir ağları ile modellenmesinde, üç ayrı veri sei kullanılarak oluşurulan farklı yapay sinir ağı mimarilerinin ahmin performansları incelenmişir. Kullanılan 227 aylık verinin 1990-2006 dönemine ai 204 ü eğiim, 2007-2008 dönemine ai 23 ü de es verisi şeklinde gruplandırılmışır. Giriş kamanında farklı zaman gecikmelerindeki veri değerleri ( y 1, y 3, y 12... y k ) çıkış kamanında ise gecikmesiz veri değerleri ( y ) kullanılmışır. Yönemin uygulanması Malab 7.0 bilgisayar programının yapay sinir ağları modülü (Neural Nework Toolbox) ile gerçekleşirilmişir. Çalışmada kullanılan veriler, bilgisayara girilmeden önce [0:1] aralığında değerler alabilmesi için normalize edilmişir. Normalizasyon işlemi aşağıdaki formül yardımıyla gerçekleşirilmişir. Bu eşilike; x x n = x x0 0 max x x min min = orijinal veri, x = normalize edilmiş veri, n xmin emekedir. = veri sei içerisinde yer alan en küçük sayı, x = veri sei içerisinde yer alan en büyük sayıyı ifade max Çalışmada kullanılan veri seleri için değişik gizli kaman sayıları (1-5 arasında), değişik nöron sayıları (1-5 arasında) ile modeller kurulmuş ve farklı ierasyon (5.000-50.000) sayılarında denemeler yapılarak eğiim gerçekleşirilmişir. Daha sonra es için ayrılan veriler ile kurulan üm modeller es edilmişir. Tes işlemi sonucunda bulunan ahmin değerleri, gerçek değerlerle karşılaşırılarak, değişik mimarilere sahip yapay sinir ağı modellerinin ahmin doğrulukları değerlendirilmişir. Yapılan çok sayıda deneme sonucunda denenen modellerdeki gizli kaman ve gizli kamandaki nöron sayıları arıkça modellerin ahmin doğruluklarının azaldığı, gerçek değerlere en yakın sonuçları veren yapay sinir ağı modelinin, on iki gecikmeli modeller arasından elde edildiği görülmüşür. Kullanılan veri selerindeki sisemaik örünü (mevsimsel döngü) on iki ayda bir ekrar eiğinden, on iki gecikmeli modellerin bir ve üç gecikmeli modellere göre daha iyi sonuçlar verdiği söylenebilir. Modelde bir 110
C.14, S.1 Turizm Talebinin Yapay Sinir Ağları İle Tahmini ve Zaman Serisi giriş kamanı, bir gizli kaman ve bir çıkış kamanı bulunmakadır. Giriş kamanında alı, gizli kamanda üç, çıkış kamanında ise bir nöron bulunmakadır. Şekil 3. elde edilen yapay sinir ağı modelini emsil emekedir. Şekil 3: Denemeler Sonucunda Elde edilen Yapay Sinir Ağı Modeli y 12 y 24 y 36 y 48 y 60 y 72 Modelde ileri sürümlü-haa geri yayınımlı (feed forward back propagaion) ağ mimarisi kullanılmışır. Akivasyon fonksiyonu olarak Logarimik Sigmoid, eğiim fonksiyonu olarak ise Levenberg-Marquard algoriması seçilmişir. Ağın eğiimi için 30.000 epok (epoch: bir yapay sinir ağında ileri beslemenin bir kere yapılması) gerçekleşirilmişir. 4.4 Yönemlerin Karşılaşırılması Ve Analya İline Yönelik Dış Turizm Talebi Tahminleri Analya iline yönelik dış urizm alebi ahminlerinde kullanılacak uygun modelin belirlenmesi amacıyla, uygulanan yönemlerden elde edilen ahmin değerleri ile gerçekleşmiş değerler üzerinde yapılan doğruluk ölçümü sonuçları Tablo 2. de verilmişir. Tablo 2: Uygulanan Yönemlerin Tahmin Doğrulukları Yönem MAPE (%) Yapay Sinir Ağı 7,16 Box-Jenkins ARIMA(1,0,0)(0,1,1) 12 8,37 Mevsimsel Üsel Düzleşirme (Winers) 11,01 Daha önce de değinildiği gibi, lieraürde MAPE değeri %10 un alında olan modeller çok iyi, %10 ile %20 arasında olan modeller iyi, %20 ile %50 arasında olan modeller kabul edilebilir ve %50 nin üzerinde olan modeller ise yanlış ve haalı olarak sınıflandırılmakadır. Tablo 2. incelendiğinde, Yapay Sinir Ağları ve Çarpımsal-Mevsimsel Box-Jenkins yönemi ile yapılan ahminlerde MAPE değerlerinin %10 un alında, Mevsimsel Üsel Düzleşirme (Winers) yönemi ile yapılan ahminlerde ise 111
ÇUHADAR GÜNGÖR GÖKSU 2009 MAPE değerinin %11,01 olduğu görülmekedir. Bu durumda uygulanan her üç yönemin de oldukça başarılı ahminler üreiği söylenebilir. Winers ın mevsimsel üsel düzleşirme yöneminin en önemli avanajı; rendin yanı sıra mevsimsel dalgalanmaya sahip veriler üzerinde uygulanabilmesidir. Benzer şekilde Box-Jenkins modelleri de, ahmin için ek bilgi gerekirmemesi ve özellikle kısa ve ora dönem ahmin başarısının yüksek olduğunun çeşili çalışmalarda oraya konmuş olması nedeni ile yaygın kullanım alanı bulmuşlardır. Bunun yanında, çeşili model seçenekleri arasında uygun olanı seçme ve seçilen modelin her aşamada verilere uygunluğunu deneleme gibi üsünlüklere sahip oldukları söylenebilir. Ancak, denemeler sonucunda elde edilen on iki gecikmeli yapay sinir ağı modelinin, mevsimsel üsel düzleşirme ve Box-Jenkins yönemleri ile elde edilen modellere göre daha düşük sapma değerlerine sahip olduğu görülmekedir. Uygulanan yönemlerin ahmin doğruluklarının karşılaşırılması neicesinde, en yüksek doğruluğu sağlayan [5-3-1] düzenindeki yapay sinir ağı modeli kullanılarak 2009 yılı için Analya iline yönelik aylık dış urizm alebi ahminleri yapılmış, elde edilen ahmin değerleri Tablo 3. e verilmişir. Tablo 3: Analya İline Yönelik Aylık Dış Turizm Talebi Tahminleri (2009) Aylar (2009) Turis Tahminleri Ocak 142035 Şuba 161347 Mar 329986 Nisan 570740 Mayıs 1051421 Haziran 1334533 Temmuz 1604897 Ağusos 1613976 Eylül 1320322 Ekim 839003 Kasım 288779 Aralık 175428 5. SONUÇ VE ÖNERİLER Bilimsel emele dayanan yönemlerle urizmdeki gelişmelerin ahmin edilmesi, yöneici durumunda bulunanların karar almalarını da kolaylaşıran bir olanakır. Turisik yaırımların iici gücünü alep oluşurmaka ve yaırımlar alebin sayısal ve nieliksel özelliklerinin bir fonksiyonu olarak oraya çıkmakadır. Çok büyük yaırımların yapıldığı urizm projelerinin başarısı, gelecekeki alebin ve pazar yapısının ahminine, dolayısıyla arz kaynaklarının alebe uygun hale geirilmesine bağlıdır. 112
C.14, S.1 Turizm Talebinin Yapay Sinir Ağları İle Tahmini ve Zaman Serisi Güvenilir ve doğru alep ahminleri başa konaklama, ulaşırma ve seyaha olmak üzere urizm sekörü ile ilgili büün faaliyelerin ekili bir şekilde planlanabilmesi için gereklidir. Bu nedenle, kullanılan verilerin özelliklerine uygun ve en doğru ahminleri veren yönemin belirlenmesi, ileriye yönelik olarak yapılacak alep ahminlerinin güvenilirliği açısından son derece önemlidir. Bu çalışmada; zaman serisi yönemlerinden Üsel Düzleşirme ve Box-Jenkins yönemleri ile farklı mimarilere sahip yapay sinir ağı modellerinin ahmin doğruluklarını karşılaşırarak en yüksek doğruluğu sağlayan modelin belirlenmesi ve belirlenen model yardımıyla Analya iline yönelik aylık dış urizm alebi ahminlerinin yapılması amaçlanmışır. Uygulanan yönemlerden elde edilen ahmin sonuçlarının değerlendirilmesi neicesinde, en yüksek ahmin doğruluğunu sağlayan ve gerçek değerlere en yakın sonuçları veren yönemin, Yapay Sinir Ağları olduğu görülmüşür. Yapay sinir ağları, veriler arasındaki doğrusal olmayan ilişkileri öğrenip genelleme yapabilmeke ve bu sayede daha önce hiç karşılaşmadığı sorulara kabul edilebilir bir haayla cevap bulabilmekedirler. Bu özellikleri nedeniyle yapay sinir ağları, ahminlemede ekili bir yönem olarak kullanılmakadır. Gerek bu çalışmadan elde edilen sonuçlar, gerekse daha önce yapılan çalışmalardan elde edilen sonuçlar dikkae alındığında; aşırı eğime, mimarinin haalı oluşurulması vb. problemleri olmayan yapay sinir ağı modellerinin diğer yönemlerle kurulan modellere göre daha iyi sonuçlar verdiği görülmekedir. Yapay sinir ağı algorimalarının, doğrusal olmayan ve dinamik sisemleri modellemede yararlı olduğu birçok araşırmacı arafından kabul edilmekedir. Ancak isaisiksel yönemler beraberinde sorun alanına ilişkin anlaşılabilir ve yorumlamaya imkân veren paramereler üremesine karşın, yapay sinir ağlarındaki bağlanı ağırlıklarını henüz yorumlama imkânı bulunmamakadır. Bu nedenle yapay sinir ağları ile ulaşılan sonuçlarda modelin kapalı bir kuu olarak kaldığı da unuulmamalıdır. İleriye yönelik yapılacak çalışmalar için; farklı mimarilere sahip yapay sinir ağı modelleri kullanılarak, Türkiye ye veya belirli bir bölgeye yönelik iç ve dış urizm alebi; belirli bir bölge veya il sınırları içerisinde faaliye göseren konaklama işlemelerindeki doluluk oranları; yerli ve yabancı konukların konaklama işlemelerindeki geceleme sayıları ve oralama kalış sürelerine ilişkin ahmin çalışmaları önerilebilir. Ayrıca yapay sinir ağları ile zaman serisi ahmin yönemlerinin birleşirildiği melez modellerin ahmin performansları araşırılabilir. Ülkemizde gerek yapay sinir ağları, gerekse melez yaklaşımlarla mevsimsel urizm serilerinin modellenmesi ve ahmini ile ilgili çalışmaların sınırlı sayıda olduğu dikkae alınırsa, önerilen çalışmaların Türkiye deki urizm lieraürüne ve urizm seköründeki uygulamacılar ile karar verme konumunda olan yöneicilerin geleceğe yönelik planlama çalışmalarına önemli kakılar sağlayacağı söylenebilir. 113
ÇUHADAR GÜNGÖR GÖKSU 2009 KAYNAKÇA 1. AKGÜL Işıl, Zaman Serilerinin Analizi ve ARIMA Modelleri, Der Yayınları, 2003, İsanbul 2. BENLİ Yasemin, Finansal Başarısızlığın Tahmininde Yapay Sinir Ağı Kullanımı ve İMKB de Bir Uygulama, Muhasebe Bilim Dünyası Dergisi, 2002, Yıl: 4, Sayı: 4, s. 17-30 3. ELMAS Çein, Yapay Sinir Ağları (Kuram, Mimari, Eğiim, Uygulama), Seçkin Yayıncılık, 2003, Ankara 4. GÜNGÖR İbrahim ve ÇUHADAR Mura, Analya İline Yönelik Alman Turis Talebinin Yapay Sinir Ağları Yönemiyle Tahmini, Gazi Üniversiesi Ticare ve Turizm Eğiim Fakülesi Dergisi, Yıl: 2005, Sayı: 1, s. 84-99 5. HANKE John E., REITSCH Arhur, Business Forecasing, (Fourh Ediion), Allyn and Bacon, 1992, Boson 6. KADILAR Cem, SPSS Uygulamalı Zaman Serileri Analizine Giriş, Bizim Büro Basımevi, 2005, Ankara 7. LEWIS Colin D., Indusrial and Business Forecasing Mehods, Buerworhs Publishing: London, 1982 8. LIM Chrisine, Review of Inernaional Tourism Demand Models, Annals of Tourism Research, Volume: 24, No: 4, 1997, s. 839 9. MAKRIDAKIS Spyros, WHEELWRIGHT Seven C., HYNDMAN, Rob Forecasing: Mehods and Applicaions, John Wiley and Sons Inc., 1998, New York, 10. ORHUNBİLGE Neyran, Zaman Serileri Analizi Tahmin ve Fiya Endeksleri, Avcıol Basım Yayın, 1999, İsanbul 11. ÖZTEMEL Ercan, Yapay Sinir Ağları, Papaya Yayıncılık, İsanbul, 2003 12. WITT Sephen F. ve WITT Chrisine, Modeling and Forecasing Demand in Tourism, Academic Pres, 1992, London 13. YILDIZ Birol, Finansal Başarısızlığın Öngörülmesinde Yapay Sinir Ağı Kullanımı ve Halka Açık Şirkelerde Ampirik Bir Uygulama, İMKB Dergisi, Sayı: 17, 2001, s.51-67 114