16. ULUSAL TURİZM KONGRESİ BİLDİRİLER KİTABI

16. ULUSAL TURİZM KONGRESİ BİLDİRİLER KİTABI 12-15 Kasım 2015, ÇANAKKALE Editör: Prof. Dr. Abdullah KELKİT Editör Yardımcıları: Yrd. Doç. Dr. Ş. Okan MERCAN Yrd. Doç. Dr. H. Mehmet YILDIRIM Ankara, 2015

DETAY YAYINLARI : 678 1. Baskı : Ekim 2015 ISBN : 978-605-9189-27-9 Yayıncı Sertifika No Matbaa Sertifika No : 13188 : 26649 Detay Anatolia Akademik Yayıncılık Ltd. Şti. Her hakkı saklıdır. Yazarından ve yayınevinden yazılı izin alınmaksızın bu kitabın fotokopi veya diğer yollarla kısmen veya tamamen çoğaltılması, basılması ve yayınlanması yasaktır. Aksine davranış, 5846 sayılı Fikir ve Sanat Eserleri Kanunu gereğince, 5 yıla kadar hapis ve adli para cezaları ile fotokopi ve basım aletlerine el konulmasını gerektirir. Dizgi Kapak Tasarım Baskı ve Cilt : Detay Yayıncılık : Detay Yayıncılık : Bizim Büro Matbaacılık ve Basımevi 1. Sanayi Caddesi Sedef Sokak No: 6/1 İskitler-Ankara GENEL DAĞITIM ve İSTEME ADRESİ DETAY ANATOLIA AKADEMİK YAYINCILIK LTD. ŞTİ. Adakale Sokak No: 14/1-5 Kızılay/ANKARA Tel : (0.312) 434 09 49 Faks: (0.312) 434 31 42 Web: www.detayyayin.com.tr e-posta: detayyay@gmail.com

ÖNSÖZ Turizm Fakültemiz, 1993-1994 Eğitim-Öğretim yılında Turizm İşletmeciliği ve Otelcilik Yüksekokulu olarak eğitime başlamıştır. 2002-2003 eğitim-öğretim yılından itibaren Konaklama İşletmeciliği ve Seyahat İşletmeciliği olarak iki bölüm halinde eğitim vermektedir. 2009-2010 eğitim-öğretim yılında Konaklama İşletmeciliği İkinci Öğretim Programı açılmıştır. 2011-2012 Öğretim Yılından itibaren Seyahat İşletmeciliği Bölümü, Seyahat İşletmeciliği ve Turist Rehberliği Bölümü olarak eğitim ve öğretimine devam etmektedir. 2013-2014 Eğitim-Öğretim yılından itibaren ismi Turizm Fakültesi olarak değişmiştir. 2014-2015 Eğitim-Öğretim yılından itibaren ise Konaklama İşletmeciliği Bölümü, Turizm İşletmeciliği olarak eğitime devam etmektedir. Fakültemiz gün geçtikçe büyümekte ve gelişmektedir. Çanakkale Savaşları nın 100. yılında, üniversitemizin barış ve kültür kenti Çanakkale nin ulusal ve uluslararası düzeyde tanıtımına katkı sağlayan akademik ve sosyal etkinlikleriyle; sürdürülebilir performansı ve gelişmeyi referans yapan üniversite olmak misyonu doğrultusunda ve uluslararası akademik çevreden katılımın arttığı sempozyum, kongre, araştırma vb. akademik etkinlik ve organizasyonlarıyla uluslararası akademik topluluklar ile sürdürülebilir etkileşim sağlayan dünya üniversitesi olma vizyonu çerçevesinde Turizm Fakültemiz ev sahipliğinde düzenlenecek olan 16. Ulusal Turizm Kongresi nin önemli bir işleve sahip olduğu inancını taşımaktayım. Turizm Fakültemizin ev sahipliğinde Turizm ve Barış temasıyla düzenlenen 16. Ulusal Turizm Kongresi vasıtasıyla siz değerli katılımcıları üniversitemizde ve Çanakkale de ağırlamaktan mutluluk duyduğumu belirtmek isterim. Bu önemli kongrenin hazırlanmasında emeği geçen tüm arkadaşlarıma, kurumlara ve sektör temsilcilerine üniversitem ve şahsım adına teşekkür ediyorum. Kongrenin, barışa, insanlığa ve turizme katkı sağlaması dileğiyle. Prof. Dr. Yücel ACER Çanakkale Onsekiz Mart Üniversitesi Rektörü

737 TURİZM FAALİYETLERİNİN PLANLANMASINDA TALEP TAHMİNİNİN ÖNEMİ: BOX-JENKİNS MODELİ VE YAPAY SİNİR AĞI (YSA) UYGULAMALARI İ. Murat BİCİL Dr. Balıkesir Üniversitesi, Sındırgı Meslek Yüksekokulu muratbicill@gmail.com Özer YILMAZ Dr. Bandırma 17 Eylül Üniversitesi, Gönen Meslek Yüksekokulu ozer_yil@hotmail.com Onur ÖZAYDIN İktisat Bilim Uzmanı, Türk Telekom A.Ş. Balıkesir Altıeylül Telekom Müdürlüğü ÖZET ozaydinonur@hotmail.com Turizm faaliyetlerinden gelir elde eden tüm ülkeler için, turizm ile ilgili talebin doğru tahmin edilmesi hayati önem taşımaktadır. Talebin doğru tahmin edilmemesi; hatalı planlama yapılmasına, tutundurma ve fiyatlandırma kararlarının yanlış alınmasına ve turizmden elde edilecek gelirden ciddi kayıplar yaşanmasına neden olabilir. Turizm sektörünün kendine has özelliği ve talebin etken faktörler karşısında esnek olmasından dolayı, talebin doğru tahmin edilmesi daha da önemli hale gelmektedir. Bu çalışmada da 2007 Ocak ile 2014 Aralık dönemini kapsayan çeşitli turizm verilerini kullanarak, en düşük düzeyde hatayı veren tahminleme modelinin tespit edilmesi amaçlanmıştır. Araştırma sonucunda Box- Jenkins Modeli ve Yapay Sinir Ağı (YSA) ile yapılan tahminlerin birbiri ile yakın ve yüksek doğruluklu tahmin performansları gösterdiği; ancak Box-Jenkins Modelinin YSA dan (Ortalama Mutlak Yüzde Hata kriterine göre) %1,5 daha doğru tahminde bulunduğu tespit edilmiştir. Elde edilen sonuçlar; turizm sektöründeki uygulamacılar ile karar verme konumunda olan yöneticilerin, ileriye yönelik yapacakları tahmin çalışmalarında bu iki metodu da rahatlıkla kullanabileceklerini göstermektedir. Anahtar Kelimeler: Talep Tahmini, Box-Jenkins Modeli, Yapay Sinir Ağı, 1. GİRİŞ Turizm, boş zaman ve tasarrufun nasıl kullanılacağına dair ekonomik bir kararla başlayan ve yatırım, tüketim, istihdam, ihracat ve kamu gelirleri gibi ekonomik boyutları bulunan bir faaliyettir. Turizm, gelir yaratıcı etkisi, sağladığı dö-

738 viz girdisi ve istihdam arttırıcı özelliği ile dünya ekonomilerinin en önemli sektörlerinden biri olarak kabul edilmektedir. Küreselleşme ile birlikte ekonomik önemi ön plana çıkan turizm sektörü, 21. yüzyıl dünya ekonomisinde en hızlı gelişen sektör olup; gelişmiş ve gelişmekte olan birçok ülkede ekonomik büyümenin ve gelişmenin anahtarı olarak görülmektedir (Akın, Şimşek ve Akın, 2012, 64). Turizm sektörü, Türkiye için son yıllarda önemi giderek artan bir sektör haline gelmiştir. 1980 li yıllarda Gayri Safi Milli Hasıla (GSMH) içinde % 0,6 lık bir paya sahip olan Turizm sektörü, Sovyet bloğunun yıkılması, küreselleşme ve yapılan yatırımlarda meydana gelen artışlar gibi nedenlerle 2000 li yıllarda GSMH içindeki payını % 5,4 e kadar çıkarmıştır (TURSAB, 2015). Bu yıllardan sonra Türkiye ekonomisinin farklı sektörler ekseninde büyümeye başlaması ile birlikte turizm sektörünün GSMH içindeki payı oransal olarak azalsa da, elde edilen turizm gelirlerinde ciddi bir artış olduğu görülmektedir. Ancak bu artışa rağmen, Türkiye nin mevcut turizm potansiyelini tam olarak kullanabildiğini söylemek mümkün değildir. Örneğin 2012 yılında Türkiye, dünyada en çok ziyaretçi çeken 6. ülke durumunda olmasına rağmen, elde ettiği gelire göre 11. sırada (AKTOB, 2014, 11) yer almaktadır. Yabancı ziyaretçilerin 2001 yılından beri Türkiye ye geldiğinde yapmış oldukları harcamalar 650-750 $ arasında gerçekleşmekte (TÜİK, 2015) ve yıllar itibari ile kayda değer artış göstermemektedir. Turizm gelirlerini ve kişi başı harcamaları arttırma yolunda atılabilecek birçok farklı adım bulunmaktadır. Bu adımlardan biri de gerek mikro gerekse makro düzeyde turizm talebinin doğru tahmin edilmesidir. Çünkü turizm sektörü de diğer ekonomik sektörler gibi güvenilir verilere dayanan doğru tahminlere ihtiyaç duymaktadır. Turizmde, talebin etken faktörlere karşı duyarlı olması ve hizmetlerin dayanıksızlık özelliği, bu sektördeki talep tahminlerini daha da önemli duruma getirmektedir. Boş uçak, gemi, otobüs koltuklarının, satılamayan otel odaları ve paket turlar ve diğer turizm aktivitelerinin, daha sonra satılmak üzere stoklanması, turistik ürünlerin dayanıksızlık özelliğinden dolayı mümkün değildir (Çuhadır, Güngör ve Göksu, 2009, 100).. Güvenilir ve doğru talep tahminleri üretim planlaması, fiyatlandırma, tutundurma ve stratejik pazarlama programlarının, işgücü ve sermaye kaynaklarının isabetli bir şekilde yönlendirilebilmesi gereklidir. Bir turistik destinasyonu ziyaret edecek turist sayısının ve bu sayılara göre şekillenecek olan mal ve hizmetlerin tahmin edilmesi; alt yapı, konaklama, ulaşım, tutundurma ve benzeri birçok faaliyetin planlanması ve tamamlayıcı diğer sektörlerle koordine edilmesi, o bölgedeki turizmin sağlıklı gelişimi, uzun dönemdeki rekabet gücü ve başarısı açısından önemlidir (Çuhadar, 2014, 2).

739 Bu açıklamalar ışığında çalışmanın temel amacı, Türkiye nin turizm talebini tahmin etme açısından Box-Jenkins Modeli ve Yapay Sinir Ağı (YSA) yöntemlerinin performanslarının karşılaştırılması ve en az hatayı veren modelin tespit edilmesidir. Bu çerçevede çalışmada sırası ile literatürde yer alan çalışmalar özetlenmiş, talep tahmin yöntemlerinin kapsamı, amacı ve aşamaları açıklanmış ve çalışmanın amprik bulguları değerlendirilmiştir. 2. LİTERATÜR TARAMASI Gerek turizm planlamalarının yapılması, gerekse turizm politikalarının belirlenmesinde büyük bir rol oynaması nedeniyle turizm talep modellemesi ve tahmin çalışmalarının sayısı dünyada ve Türkiye de oldukça fazladır(aksakal ve Arıcıgil Çilan, 2015, 237). Yine de turizmde talep tahmini konusunda bir tek en iyi model olmadığı, farklı durumlarda farklı modellerin daha iyi sonuç verdiği pek çok araştırmacının üzerinde fikir birliğine sahip olduğu konulardan biridir (Soysal ve Ömürgönlüşen, 2010, 129). Ancak Song ve Li (2008) nin turizm talep çalışmaları ile ilgili yapmış oldukları tarama incelendiğinde, literatürde turizm talep tahmini ile ilgili, en sık ekonometrik modeller (Çoğunlukla EKK), yapay sinir ağı ve zaman serisi yöntemlerinden yararlanıldığı görülmektedir. Turizm talep tahmini ile ilgili dünya ve Türkiye de yapılan çalışmalardan bazılarına ilişkin detaylar şu şekildedir: Law ve Au, (1999), Japonya dan Hong Kong a turist sayısını (gelen turist), 1967-1996 dönemini kapsayan yıllık hizmet fiyatı, döviz kuru, nüfus, pazarlama giderleri, gayri safi yurtiçi harcama ve ortalama otel fiyatı verilerini girdi değişkeni olarak kullandıkları yapay sinir ağı modeli ile tahmin etmişlerdir. Çalışmada yapay sinir ağı tahminin %10,59 ortalama mutlak yüzde hata ile çoklu regresyon, üstsel düzleştirme ve hareketli ortalama yöntemlerine göre daha başarılı olduğu bulgusuna ulaşılmıştır. Law (2000), Tayvan dan Hong Kong a gelen Tayvanlı turist sayısı, hizmet fiyatı, ortalama otel fiyatı, döviz kuru, nüfus, pazarlama harcamaları, Tayvan lı kişi başına gayri safi harcama verileri kullanılarak geri yayılımlı yapay sinir ağı ile tahminler gerçekleştirilmiştir. Çalışmada turizm talep tahmininde geri yayılımlı yapay sinir ağlarının, ileri beslemeli ağlara regresyon ve zaman serisi yöntemlerine göre daha tutarlı tahmin sonuçları verdiği bulgusuna ulaşmıştır. Cho (2003), ABD, Tayvan, Japonya, Kore, Birleşik Krallık ve Singapur dan Hong Kong a turist sayısını (gelen turist) üstsel düzleştirme, ARIMA ve yapay sinir ağı modelleriyle tahmin etmiştir. Çalışmada tahmin performansları ortalama mutlak yüzde hata ve karekök ortalama hata kriterlerine

740 göre karşılaştırılmıştır. Tahmin modellerinin üçü arasında en başarılı olan yapay sinir ağı modeli olmuştur. Çuhadar, M., Güngör, İ., Göksu, A., (2009), Turizm Talebinin Yapay Sinir Ağları İle Tahmini ve Zaman Serisi Yöntemleri ile Karşılaştırmalı Analizi: Antalya İline Yönelik Bir Uygulama, adlı çalışmalarında, turizm sektöründe talep tahmini yapılırken, Üstel Düzleştirme, Box Jenkins ve Yapay Sinir Ağı modellerinin, tahmin doğruluklarının karşılaştırılarak, en yüksek doğruluğu sağlayan modelin belirlenmesini ve belirlenen model yardımıyla Antalya iline yönelik dış turizm talebi tahminlerinin yapılmasını amaçlamışlardır. Bu çerçevede, gelen toplam yabancı turist sayısı veri olarak alınmıştır. Yapılan analiz neticesinde, trend ve mevsimsel bileşenin etkisi olduğu görülmüş, mevsimsel hareketlerin, birbirini izleyen yılların Nisan ayından itibaren artmaya başlayarak, Temmuz ve Ağustos aylarında en yüksek, Ocak ve Şubat aylarında ise en düşük değerlere ulaştığı anlaşılmıştır. Uygulanan trend analizinin, 0.05 önem seviyesinde anlamlı olduğu belirlenmiştir. Uygulanan yöntemlerden elde edilen sonuçlar doğrultusunda, en yüksek tahmin doğruluğunu sağlayan ve gerçek değerlere en yakın sonucu veren yöntemin, Yapay Sinir Ağları olduğu görülmüştür. Soysal, M., Ömürgönül Şen, M., (2010) çalışmalarında, Türkiye genelinde, T.C. Kültür ve Turizm Bakanlığı nca verilen işletme belgesine sahip tesislerde, Ocak 2000 ile Aralık 2007 dönemleri arasında konaklayan yerli ve yabancı turist sayısı toplamı veri olarak kullanılarak, 2008 yılının ilk altı ayına yönelik turist sayısı hakkında tahmin yapılmıştır. Model tahmini yapılırken, zaman serisi analizi yöntemlerinden olan hareketli ortalama, basit üstel düzleştirme ve holt&winter yöntemleri ayrı ayrı uygulanmış ve yöntemlerin performansları birbiriyle karşılaştırılmıştır. Analizin sonucunda, verinin mevsimsellik içerdiği görülmüş, yapılan değerlendirme sonucunda, Winter yönteminin, mevsimselliği ve trendi ele alıyor olması sebebiyle, eldeki veri setiyle tahmin yapılması için daha uygun olduğu belirlenmiştir. Türkiye ye gelen turist sayısının her yıl yaz aylarında arttığı, kış aylarında ise azaldığı bulgusuna ulaşılmıştır. 2008 yılı verilerine ulaşılamadığından, yapılan tahminin, gerçek değerlerle karşılaştırılması mümkün olmamıştır. Çuhadar, M., (2014) çalışmasında, Türkiye de önemli turizm merkezlerinden biri olan Muğla iline yönelik dış turizm talebinin, Üstel Düzleştirme ve Box Jenkins yöntemleri ile modellenerek, 2012 2013 yılları için tahmin edilmesi amaçlanmıştır. İlgili çalışmada, turizm talebinin ölçüsü olarak, gelen turist sayıları, turistlerin geceleme sayıları, turizm gelirleri, ziyaretçi

741 harcamaları ve otel doluluk oranlarının kullanıldığı görülmektedir. Ocak 2000 Nisan 2012 arası dönemde, artan pozitif yönlü bir trend ve mevsimsel bileşenin etkisi olduğu görülmüş, mevsimsel hareketlerin, birbirini izleyen yılların Nisan ayından itibaren artmaya başlayarak, Temmuz ve Ağustos aylarında en yüksek, Ocak ve Şubat aylarında ise en düşük değerlere ulaştığı anlaşılmıştır. Uygulanan trend analizinin, 0.05 önem seviyesinde anlamlı olduğu belirlenmiştir. Karahan, M., (2015), Turizm Talebinin Yapay Sinir Ağları Yöntemiyle Tahmin Edilmesi, adlı çalışmasında, aylık turist sayısı bağımlı değişkeni ile, turizm dönemleri, ilgili dönemlerdeki hava sıcaklıkları, turizm gelirleri, döviz kurları, aylık TUFE ve yıllık TUFE bağımsız değişkenlerinde faydalanmıştır. Yapay sinir ağı modelinin gerçekleştirilen eğitim ve test aşamalarında elde edilen sonuçlara göre, ağın, hem öğrenme ve eğitim, hem de test aşamalarında başarılı olduğu sonucuna varılmıştır. Elde edilen sonuç doğrultusunda yapılan tahminler değerlendirildiğinde, yapay sinir ağı modellerinin kullanılarak, turizm işletmelerine olan talebin doğru tahmin edilebileceği, dolayısıyla, turizm sektöründeki uygulamacılar ve karar vericilerini geleceğe yönelik planlama çalışmalarında, geleneksel tahmin yöntemlerine alternatif olarak, yapay sinir ağı modelini kullanabilecekleri anlaşılmıştır. Aksakal, M.,Arıcıgil Çilan, Ç.,(2015), çalışmalarında, Avrupa ülkelerinin Türkiye ye yönelik turizm talebi modellenerek, seçilen Avrupa ülkelerinin Türkiye ye yönelik turizm talebini etkileyen faktörler incelenmiş, bu faktörlere göre ülke karşılaştırması yapılmıştır. Görünürde ilişkisiz regresyon modelleri (GİR) kullanılarak, tahmin edilen parametreler, en küçük kareler (EKK) tahminleri ile kıyaslanmıştır. Çalışma, Türkiye de turizm talep tahmin literatüründe, GİR modeli kullanılarak yapılması açısından ilk olma özelliği taşımaktadır. GİR modeli kullanılarak elde edilen parametre tahminlerinin, klasik regresyon modeli tahminlerine nazaran daha etkili sonuçlar verdiği gözlenmiştir. Bağımlı değişken olarak Türkiye ye gelen turist sayısı kullanılırken, kişi başına düşen reel milli gelir, turizmin Türkiye deki maliyeti, dış tanıtıma ayrılan tanıtım bütçesi, gelen turist sayısının bir gecikmeli değerleri ve kukla değişken olan acil durum değişkeni ise bağımsız değişken olarak ele alınmıştır. Karşılaştırması yapılan ülkeler genelinde, tüm değişkenler istatistik açıdan anlamlı bulunmuş, Avrupa ülkeleri için, gelir, acil durum beklenti ve alışkanlıklar değişkenlerinin, turizm talebini etkileyen önemli değişkenler olduğu sonucuna varılmıştır.

742 3. YÖNTEM Çalışmada Türkiye ye gelen turist sayısı çarpımsal ARMA modeli ve yapay sinir ağı yöntemi olan çok katmanlı algılayıcı ile tahmin edilmesi amaçlanmıştır. Bu bölümde çalışmada kullanılan veriler, çalışmada kullanılan modeller ile tahmin bulgularına yer verilmiş, elde edilen sonuçlar karşılaştırılmıştır. 3.1. Veri Seti Araştırmada kullanılacak veri setinin seçiminde öncelikle literatür başlığında yer alan çalışmalar incelenmesine ve bu çalışmalarda ortak olarak kullanılan değişkenlerin turizm talep tahmininde kullanılmasına karar verilmiştir. Yapılan inceleme sonucunda turizm talebini tahmin etmek için kullanılan bağımsız değişkenler olarak geçmiş yıllara ait turist sayıları, Tüketici Fiyat Endeksi, Türkiye Cumhuriyet Merkez Bankası(TCMB) Dolar Kuru ile Türkiye de en çok turist çeken ilk üç ilin (Sırası ile Antalya, İstanbul, Muğla) ortalama sıcaklık değerleri kullanılmıştır. Sıcaklığa ilişkin veriler Hollanda Meteoroloji Enstitüsü veri tabanından, kalan veriler ise Kültür v Turizm Bakanlığı web sayfası ile TCMB elektronik veri dağıtım sisteminden elde edilmiştir. Veriler aylık frekansta ve Ocak 2007 ile Aralık 2014 dönemini kapsamaktadır. 2007 Ocak ile 2012 Aralık dönemi verileri, tahminlerin yapılması için kullanılmış ve oluşturulan modeller ile 2013 Ocak-2014 Aralık arasındaki talebin tahmin edilmesi ve gerçek talep rakamları ile karşılaştırılması sağlanmıştır. 3.2. Kullanılan Tahmin Modelleri Literatürde en çok kullanılan modellerden olmaları ve genellikle en yüksek tahmin performansını vermeleri sebebi ile çalışmada ARMA modeli (Box-Jenkins Metodolojisi) ve Yapay Sinir Ağı (Çok Katmanlı Algılayıcı) kullanılmıştır. 3.2.1. Box-Jenkins Modeli Bu yaklaşımda ilk aşamada model tanımlama, ikinci aşamada tahmin ve üçüncü aşamada ileriye dönük tahmin gerçekleştirilmektedir. Modelin belirlenmesinde Box ve Jenkins tutumluluk ilkesini öne sürmektedir. Buna göre daha az parametreli modellerlin çok fazla parametre içeren modellere göre daha iyi ileriye dönük tahmin performansı sergiledikleri öne sürülmektedir. Model tanımlama aşamasında durağanlık test edilmekte, model seçimi için ACF (otokorelasyon fonksiyonu) ve PACF(Kısmi otokorelasyon fonksiyonu hesaplanmaktadır. Tahmin aşamasında potansiyel modeller için parametre tahminleri yapılmakta, parametre tahminlerinin anlamlılığı, R 2 katsayısı, Akaike ve Schwarz bilgi kriterleri kullanı-

743 larak en iyi model seçilmekte. Ayrıca model seçimi için ayırt edici kontrol yapılmaktadır. Daha sonra seçilen modelle ileriye dönük tahmin gerçekleştirilmektedir (Sevüktekin ve Çınar, 2014, s.188-200). ARIMA modelleri mevsimsel verileri modellemede de kullanılabilmektedir. Bu durumun mevsimsel yapıda olmayan verileri modellemekten çok farkı yoktur. Bu durumda modelde mevsimsel olmayan ve mevsimsel bileşenleri içeren çarpımsal modellere ihtiyaç duyulur. Çarpımsal bir ARIMA modeli ARIMA ( p, d, q)( P, D, Q) şeklinde ifade edilir (Enders, 2014, s.96-102). Burada; 3.2.2 Yapay Sinir Ağları s p ve q = mevsimsel olmayan ARMA katsayılarını d= Mevsimsel olmayan fark sayısını P= Çarpımsal otoregresif katsayıyı D= Mevsimsel fark sayısını Q= Çarpımsal hareketli ortalama katsayısını s= mevsimsel periyodu göstermektedir. Yapay sinir ağları insan beyninin öğrenme fonksiyonunun bilgisayar ile uygulanan biçimidir. Sinir hücresine benzer özellikler taşıyan yapay sinir hücresinde girdiler belirli ağırlıklarla çarpılarak birleştirme fonksiyonu ile birleştirildikten sonra nöronun net girdisi elde edilir. Net girdi aktivasyon fonksiyonu ile net çıktıyı belirler. YSA lar birbirine bağlı sinir hücrelerinden (proses elemanı) oluşur (Öztemel, 2012, s.29-50). Yapay sinir ağları, öğrenme ve genelleme yapabilme ve farklı problemlere uygulanabilme gibi özelliklere sahip olduğundan birçok alanda uygulamada kullanılmaktadır. Yapay sinir ağları özellikle tahmin ve optimizasyon problemlerinde kullanılabilmektedir. (Hamzaçebi, 2011, s.17-25). YSA da birçok tahmin sistemi kullanılabilmektedir. Bunlardan biri de çok katmanlı algılayıcıdır. Çok katmanlı algılayıcı girdi, gizli ve çıktı katmanlarından oluşan bir yapıdadır. Girdi katmanı verileri almakta, çıktı katmanı sonuçları dışarı aktarmakta ve gizli katman bu iki katmanın arasında yer almaktadır. Gizli katmana bilgi akışı dışarıdan gelen bilgilerin girdi katmanı tarafından gizli katmana aktarılması yoluyla sağlanır. Girdi katmanındaki her bir proses elemanını, gizli katmandaki proses elemanına bağlıdır ve burada girdi katmanından gelen veriler işlem görerek bir sonraki katmana aktarılır. Çıktı katmanı gizli katmandan gelen bilgileri işlemekte ve yapay sinir ağı çıktılarını dışarı aktarmaktadır. Ağı oluşturan tüm katmanlardaki proses elemanları arasında bağlantı bulunmaktadır (Öztemel, 2012, s.76-77).

744 Çok katmanlı algılayıcıda yapay sinir hücreleri, girdi, gizli ve çıktı katmanları, birleştirme ve aktivasyon fonksiyonları, hata fonksiyonu ve öğrenme algoritmaları bileşenleri bulunmaktadır. Burada girdi değerleri bağlantı ağırlıkları ile ağırlıklandırılır birleştirme fonksiyonu aracılığıyla ağın net girdisi oluşur. Aktivasyon fonksiyonunda işlem gören net girdi net çıktının oluşmasını sağlar. Birleştirme fonksiyonu olarak genellikle toplama fonksiyonu kullanılır. ÇKA ların tahmin problemlerinde kullanımında aktivasyon fonksiyonu olarak sigmoid, hiperbolik tanjant ve doğrusal fonksiyonlar kullanılmaktadır (Hamzaçebi, 2011). Sigmoid fonksiyonu girdi değerlerinin her biri için [0,1] arasında değer üretmektedir. Hiperbolik tanjant fonksiyonunun çıktı değerleri ise [-1,1] arasında değişmektedir. Bu nedenle çok katmanlı algılayıcı ile çalışma yapılırken verilerin belirtilen değerlere dönüştürülmesi işlemi gerçekleştirilir. Bu işleme normalizasyon işlemi adı verilir. Normalizasyon; Burada [0,1] aralığında doğrusal dönüşüm : x n x0 x maks x x min min [a,b] aralığında doğrusal dönüşüm: x n x ( b a) x 0 maks x x min Şeklinde gerçekleştirilir. min a x n,normalleştirilmiş veriyi, x 0, orijinal veriyi, minimum değeri, x min, veri kümesindeki xmaksveri kümesindeki maksimum değeri ifade eder. Çok katmanlı algılayıcı ile işlem gerçekleştirirken veri hazırlama, girdi, gizli katman, proses elemanı ve çıktı sayılarının, birleştirme ve aktivasyon fonksiyonunun belirlenmesi, başlangıç ağırlıklarının belirlenmesi, girdilerin ağa gösterilmesi, çıktı değerlerinin beklenen çıktı ile karşılaştırılması, hatanın hesaplanması süreci takip edilir. Hatalar istenilen düzeye ulaşıncaya kadar bu süreç devam eder (Öztemel, 2012, s.81). 4. BULGULAR Çalışmanın bu bölümünde Box-Jenkins Modeli ve Çok Katmanlı Algılayıcı ile yapılan talep tahmin sonuçları yer almaktadır.

4.1. Box-Jenkins Modeli Tahmin Sonuçları 745 Çalışmada Box-Jenkins metodolojisi daha önce belirtildiği gibi üç aşamada uygulanmıştır. Öncelikle turist sayısını ifade TS değişkeni için ADF durağanlık testi uygulanmış ve serinin durağan olduğu tespit edilmiştir. ADF testi sonuçları tablo-1 de gösterilmektedir. Buna göre ADF-t değeri mutlak değerde Mac- Kinnon Kritik değerlerinin üzerinde olduğundan serinin durağan olduğu kabul edilmiştir. Tablo 1. Turist Sayısı (TS) Değişkeni İçin Birim Kök Testi Sonuçları Durağanlık testinin ardından potansiyel mevsimsel ARMA modellerinin tespiti için TS serisi için ACF ve PACF fonksiyonları çizilmiş ve sonuçlar Şekil-1 de gösterilmiştir. 1 0,5 0-0,5 1 3 5 7 9 11 13 15 17 19 21 23-1 PACF 1 0,5 0-0,5-1 1 3 5 7 9 11 13 15 17 19 21 23 PACF Şekil 1. TS Serisi ACF ve PACF fonksiyonları

746 ACF ve PACF fonksiyonları incelenerek potansiyel ARMA süreçleri tespit edilmiştir. Bu süreçlere ilişkin parametre tahminleri gerçekleştirilmiş ve ARMA (1,0)(1,0) 3 (1,1 ) 12 süreci seçilmiştir. ARMA (1,0)(1,0) 3 (1,1 ) 12 modeli parametre tahminleri tablo 2 de gösterilmiştir. Tablo 2. ARMA (1,0)(1,0) 3 (1,1 ) 12 Modeli Tahmini Variable Coefficient Std. Error t-statistic Prob. C 4343282. 1753293. 2.477214 0.0163 AR(1) 0.572684 0.103521 5.532076 0.0000 AR(3) -0.171937 0.064088-2.682838 0.0096 AR(12) 0.528610 0.091515 5.776216 0.0000 MA(12) 0.907826 0.021289 42.64236 0.0000 R-squared 0.966579 Mean dependent var 2518237. Adjusted R-squared 0.964148 S.D. dependent var 812963.3 S.E. of regression 153930.6 Akaike info criterion 26.80605 Sum squared resid 1.30E+12 Schwarz criterion 26.98057 Log likelihood -799.1814 Hannan-Quinn criter. 26.87431 F-statistic 397.6688 Durbin-Watson stat 1.863640 Prob(F-statistic) 0.000000 Tablo 2 ye göre model parametre tahminleri istatistiksel olarak anlamlıdır ve yüksek bir belirlenim katsayısı R 2 değeri görülmektedir. Bu sonuca göre bu model ile yapılacak tahminlemelerin güvenilir olacağı görülmektedir. Bu aşamadan sonra ARMA (1,0)(1,0) 3 (1,1 ) 12 modeli için ileriye dönük tahmin aşamasına geçilmiştir. 2007 Ocak ile 2012 Aralık dönemi verileri ile 2013 Ocak 2014 Aralık dönemi için yapılan tahmine ilişkin sonuçlar Şekil 2 de gösterilmiştir.

747 Şekil 2. ARMA (1,0)(1,0) 3 (1,1 ) 12 İleriye Dönük Tahmin Sonuçları 2007 Ocak ile 2012 Aralık dönemi verileri ile 2013 Ocak 2014 Aralık döneminde 24 ay için gerçekleştirilen ileriye dönük tahminin ortalama mutlak yüzde hatası %7,3 olarak hesaplanmıştır. ARMA (1,0)(1,0) 3 (1,1 ) 12 modeli ile gerçekleştirilen ileriye dönük turist sayısı tahmini ve gerçek değerlere ilişkin seriler Şekil 3 te gösterilmiştir. Şekil 3. Gerçek Turist Sayısı (TS) ve ARMA ile Tahmin Edilen Turist Sayısı (TST)

748 4.2. Çok Katmanlı Algılayıcı Tahmin Sonuçları Turist sayısının çok katmanlı algılayıcı ile tahmininde turist sayısının 1,3 ve 12 gecikmeli değerleri, Antalya, Muğla ve İstanbul ili ortalama sıcaklık değerleri, 2003 bazlı tüketici fiyat endeksi değerleri ve TCMB dolar kuru değerleri girdi değişkeni olarak kullanılmıştır. Çok katmanlı algılayıcı tek gizli katmandan oluşacak şekilde tasarlanmıştır. Çok katmanlı algılayıcı 8 girdi ve bir çıktıdan oluşmaktadır. Çok katmanlı algılayıcı sigmoid aktivasyon fonksiyonu kullanılarak momentum ve levenbergmarquardt algoritmaları ile eğitilerek tahminler yapılmıştır. Yapılan denemelerde simoid aktivasyon fonksiyonu ve levenbergmarquardt algoritması ile eğitilen ve şekil 4 de yapısı gösterilen 8x3x1 lik yapıya sahip çok katmanlı algılayıcı için girdi değişkenleri ile çıktı değişkenleri arasındaki ilişkiyi gösteren r katsayısı 0,92 olarak hesaplanmıştır. Tahminin ortalama mutlak yüzde hatası %8,8 olarak gerçekleşmiştir. Şekil 4. Turist Sayısı Tahmininde Kullanılan ÇKA Yapısı Açıklama: TS: Turist Sayısı, ANTS, MUGS, ISTS: Antalya, Muğla, İstanbul Hava Sıcaklıkları, TUFE: Tüketici Fiyat Endeksi, DK: Dolar Kurunu ifade eder

749 Çok katmanlı algılayıcı ile tahmin edilen turist sayısı ve gerçek turist sayılarına ilişkin değerler Şekil 5 te gösterilmiştir. Şekil 5. Gerçek Turist Sayısı (TS) ve ÇKA ile Tahmin Edilen Turist Sayısı (TST) 5. SONUÇ ve ÖNERİLER Turizm sektörü, Türkiye için önemi giderek artan bir gelir kaynağıdır. Turizm arz kaynaklarının etkin ve verimli bir şekilde kullanılması, ülke ekonomisi ve kalkınması açısından oldukça önemlidir. Turizm ile ilgili en uygun planlamayı yapmak, fiyatlama ve tutundurma kararlarını belirlemek için güvenilir talep tahminine ihtiyaç duyulmaktadır. Talebin doğru bir şekilde tahin edilmesi, mikro ve makro düzeyde alınacak birçok kararın başarısını sağlamaktadır. Bu nedenle en uygun girdilerin, en az hata veren yöntemler ile birleştirilmesi ve en doğru tahmini verecek modellerin geliştirilmesi gerekmektedir. Bu çalışmada, Türkiye nin turizm talebini en iyi şekilde tahmin etmek amacı ile literatürde sıklıkla başvurulan ve yüksek tahmin performansı gösteren Box-Jenkins Modeli ve Yapay Sinir Ağı (YSA) kullanılmıştır. Yapılan analizlerde 2007-2012 yıllarına ilişkin veriler kullanılarak 2013 ve 2014 yılına ait turist sayılarının tahmin edilmesi ve bu tahminlerin gerçek turist sayıları ile karşılaştırılarak en iyi performans gösteren modelin tespit edilmesi amaçlanmıştır. Analiz sonucunda Box-Jenkins Modeli gerçek turist sayısını %7,3 ortalama mutlak yüzde hata ile tahmin etme performansı gösterirken, YSA nın tahmin hatası %8,8 olarak bulunmuştur. Bu sonuçlar iki yöntemin ve bu yöntemlerde kullanılan girdilerin kabul edilebilir bir tahmin performansına sahip olduğunu ve ileriye yönelik tahmin çalışmalarında güvenilir sonuçlar üretebileceğini göstermiştir.

750 İleriye yönelik talep tahmini çalışması yapacak araştırmacı ve uygulamacılara şunlar önerilmektedir: Çalışmaların Türkiye geneli yerine belirli bir bölge ya da il için kurgulanmasının, daha yüksek tahmin performansları üretebileceği düşünülmektedir. Çalışmalarda bu çalışmadan farklı girdilerin kullanılması ile tahmin performansının arttırılması denenmelidir. Doğru girdilerin kullanılmasının, doğru sonucu elde etmede önemli bir gereklilik olduğu unutulmamalıdır. Tahminleme çalışmalarının ortalama geceleme sayısı, ortalama harcama ve ortalama doluluk oranları için yapılması önerilmektedir. Bu sayede elde edilen sonuçların, bu çalışmanın sonuçlarını tamamlar nitelikte olacağı düşünülmektedir. Bundan sonra yapılacak çalışmalarda farklı analiz yöntemleri ve YSA tahmincilerinin kullanılması önemlidir. Bu sayede hangi analiz yönteminin daha iyi sonuçlar ürettiğini tespit etmek mümkün olacaktır. KAYNAKÇA Akın, A.., Şimşek, M. Y., ve Akın, A. (2012). Turizm Sektörünün Ekonomideki Yeri Ve Önemi. Akademik Araştırmalar ve Çalışmalar Dergisi (AKAD), 4(7), 63-81. Aksakal, M., Arıcıgil Çilan, Ç.,(2015), Türkiye ye Yönelik Turizm Talebinin Görünürde İlişkisiz Regresyon Modelleri ile İncelenmesi, International Journal of Economic and Administrative Studies, 4, 236 256. AKTOB (2014), Akdeniz Turistik Otelciler Ve İşletmeciler Birliği Turizm İstatistikleri Raporları, http://aktob.idawebdesign.com/turizm-raporlari Erişim: 01.06.2015 Cho, V., (2003), A Comparison of Three Different Approaches to Tourist Arrival Forecasting, Tourism Management, 24, 323-330. Çuhadar, M., (2014), Muğla İline Yönelik Dış Turizm Talebinin Modellemesi ve 2012 2013 Yılları İçin Tahminlenmesi, Uluslararası İktisadi ve İdari İncelemeler Dergisi, 6(12), 1 22. Çuhadar, M., Güngör, İ., 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), 99 144. Enders, W. (2014), Applied Econometric Time Series, 4th.. Edition, Wiley Series, USA. Hamzaçebi C. (2011). Yapay Sinir Ağları (Tahmin Amaçlı KullanımıMatlab ve Neurosolutions Uygulamalı, Ekin Yayınevi, BURSA.

751 Hollanda Meteoroloji Enstitüsü veritabanı: http://climexp.knmi.nl/gettempall.cgi?id=someone@somewhere&wmo=17300&station=antalya&extraargs= Erişim: 31.05.2015 Karahan, M., (2015), Turizm Talebinin Yapay Sinir Ağları Yöntemiyle Tahmin Edilmesi, Süleyman Demirel Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 20 (2), 195 209. Law, R., (2000),Back-probagation Learning in Improving the Accuracy of Neural Network- BAsed Tourism Demand Forecasting, Tourism Management, 21, 331-340. Law, R., Au, N., (1999), A Neural Network Model to Forecast Japanese Demand for Travel to Hong Kong, Tourism Management, 20, 89-97. Öztemel, E. (2012).Yapay Sinir Ağları, Papatya Yayıncılık, İSTANBUL. Sevüktekin, M., Çınar, M., (2014), Ekonometrik Zaman Serileri Analizi, Dora Yayıncılık, Bursa. Song, H., & Li, G. (2008). Tourism demand modelling and forecasting A review of recent research. Tourism Management, 29(2), 203-220. Soysal, M., Ömürgönülşen, M., (2010), Türk Turizm Sektöründe Talep Tahmini Üzerine Bir Uygulama, Anatolia: Turizm Araştırmaları Dergisi, 21 (1), 128 136. TCMB, (2015). Türkiye Cumhuriyet Merkez Bankası Elektronik Veri Dağıtım Sistemi, http://evds.tcmb.gov.tr/ Erişim: 31.05.2015 TURSAB (2015). Türkiye Seyahat Acentaları Birliği İstatistikleri. http://www.tur- sab.org.tr/tr/istatistikler/turizmin-ekonomideki-yeri/gsmh-icindeki-payi- 1963-_79.html erişim: 02.09.2015 TÜİK (2015), Türkiye İstatistik Kurumu, Turizm Geliri, Gideri ve Ortalama Geceleme Sayısı, http://www.tuik.gov.tr/preistatistiktablo.do?istab_id=1609http://www. tuik.gov.tr/preistatistiktablo.do?istab_id=1609 Erişim: 02.06.2015