Yabancı Ziyaretçi Sayısının Tahmininde Box-Jenkins Modeli, Winters Yöntemi ve Yapay Sinir Ağlarıyla Zaman Serisi Analizi

Tahminleme turizmde düzenlemelerin yolmasında büyük öneme sahiptir ve turizm politikalarının oluşturulmasında önemli analitik bir araçtır. Bu çalışmada Türkiye'ye 1986-2007 yıllan arasında gelen yabana turist sayılan kullanılarak 2008-2010 yıllarına ait tahminleme yapılması amaçlanmaktadır. Bu çalışmada uzun dönemli yabana ziyaretçi sayısının tahmini için yapay sinir ağlarının kullanılabilirliği ve geleneksel zaman serisi analizi yöntemleri ve Box-Jenkins yönteminin kullanımı ile ' elde edilen sonuçların Yapay sinir ağlan kullanılarak elde edilen sonuçlarla karşılaştırılması amaçlanmıştır. Uygun yöntemin bulunması için Zaman Senlerinin istatistiksel ve teorik alt yapısından yararlanılmış, hata analizleri ve klasik zaman serileri testleri kıllanılmıştır. Box-Jenkins modellerinden en iyisinin seçiminde Akaike ve Swartehz kriterleri dikkate alınmıştır. Üstel düzgünleştimıe ve Box-Jenkins Modelleri zaman serileri tahminlerinde sıklıkla kullanılan iki yöntemdir. Sinir Ağlan ise bilgisayar biliminden destek alan yapay zeka tekniğidir.
Anahtar Kelimeler:

ziyaretçiler

Time Series Analysis with Box-Jenkins Models and Artificial Neural Network for Forecasting Number of Foreign Visitors

Forecasting plays a major role in tourism planning and it is an essentM analytical tool in tourism policy. This paper focuses on forecasting methods to forecast international tourism arrivals to Turkey for 2008-2010 based on dataperiod 1986-2007. The study focuses mainly on the applicability of artificial neural network (ANN) model for forecasting number of foreign visitors in long term and comparing the ANN's results with the Traditional Time Series Analysis and Box Jenkins' model solutions. Time Series statistical theory and methods are used to select an adequate technique, based on residual analysis and classical Time Series test for model adequation. Akaike and Swartehz criteria are used to select the best estimated option in Box-Jenkins Models. Exponential smoothing and Box-Jenkins Models are two commonly used statistical time series forecasting techniques. Neural Networks, is an artificial intelligence technique derived from computer science.
Keywords:

visitors,

___

  • ALFONSO, Palmer., JUAN JOSE, Montano., ALBERT, Sese., 2006, "Designing an artificial neural network for forecasting tourism time series", Tourism Management, Vol:27,781-790
  • ASLANARGUN,Atilla., MAMMADOV, Mammadagha., YAZİCİ, Berna., YOLACAN Senay,. January 2007, "Comparison of ARIMA, neural networks and hybrid models in time series: tourist arrival forecasting", Journal of Statistical Computation and Simulation, Volume 77, Issue 1 , pages 29 -53
  • BALDEMİR, Ercan., BAHAR, Ozan., 2003, "Türkiye'ye yönelik turizm talebinin Neural (Sinir) Ağları modelini kullanarak analizi", Ticaret Ve Turizm Eğitim Fakültesi Dergisi, Sayı:2
  • BAYRAMOĞLU, Mehmet Fatih., 2007, "Finansal Endekslerin Öngörüsünde Yapay Sinir Ağı Modellerinin Kullanılması: İMKB Ulusal 100 Endeksinin Gün İçi En Yüksek Ve En Düşük Değerlerinin Öngörüsü Üzerine Bir Uygulama", Zonguldak Karaelmas Üniversitesi, Sosyal Bilimler Enstitüsü, Yüksek Lisans Tezi, 233s.
  • BURGER, C.J.S.C., DOHNAL, M., KATHRADA, M., LAW, R., 2001, "Practitioners guide to time-series methods for tourism demand forecasting a case study of Durban, South frica", TourismManagement, Vol:22, 403-409
  • Coşkun HAMZAÇEBİ, Fevzi KUTAY, Yapay Sinir Ağları ile Türkiye Elektrik Enerjisi Tüketiminin 2010 Yılına Kadar Tahmini, Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, Cilt 19, No 3, 227-233, 2004
  • ENDERS, Walter., 1995, Applied Econometric Time Series, Wiley Series in Probability and Mathermatical Statistics, John Wiley & Sons, Inc., s:95-433.
  • GUJARATI, Damodar N., 2001, Temel Ekonometri, Çevirenler: Ümit Şenesen, Gülay Günlük Şenesen, Literatür Yayıncılık, İstanbul, 849s.
  • GÜNGÖR, İbrahim., ÇUHADAR, Murat., (2005), "Antalya İline Yönelik Alman Turist Talebinin Yapay Sinir Ağları Yöntemiyle Tahmini", Ticaret ve Turizm Eğitim Fakültesi Dergisi, Sayı:l
  • KADILAR, Cem., 2005, SPSS Uygulamalı Zaman Serileri Analizine Giriş, Bizim Büro Basımevi, s:299
  • KROSE, Ben., SMAGT, Patrick Van Der, November 1996, An introduction to Neural Networks, Eighth edition, The University of Amsterdam, p. 129
  • KUTLAR, Aziz., 2000, Ekonometrik Zaman Serileri Teori ve Uygulama, Gazi Kitabevi, Ankara, s:332.
  • LAW, Rob., AU, Norman., 1999, ",4 neural network model to forecast Japanese demand for travel to Hong Kong" , Tourism Management Vol:20, 89-97
  • LAW, Rob., 2000, "Back-propagation learning in improving the accuracy of neural network-based tourism demand forecasting", Tourism Management, Vol: 21, 331-340
  • MCNELIS, Paul D., 2005, Neural Networks m,. Finance: Gaining Predictive Edge in the Market Elsevier Academic Press, USA, s:242
  • ORHUNBİLGE, Neyran., 1999, Zaman Serileri Analizi Tahmin ve Fiyat İndeksleri, İşletme Fakültesi Yayın No:277, İstanbul, s:290.
  • ÖZALP, Alperen., ve ANAGÜN A. S., "Sektörel Hisse Senedi Fiyat Tahmininde Yapay Sinir Ağı Yaklaşımı ve Klasik Tahminleme Yöntemleriyle Karşılaştırılması", Endüstri Mühendisliği Dergisi, Cilt 12, Sayı 3-4, Sayfa (2-17)
  • TARI, Recep., 2002, Ekonometri, Alfa Basım Yayım Dağıtım Ltd. Şti., s:407.
  • TURANLI, Münevver., ve GÜNEREN, Elif,. Haziran 2003, "Turizm Sektöründe Talep Tahmin Modellemesi", İstanbul Ticaret Üniversitesi Dergisi, Sayı 3
  • UYSAL, Muzaffer., EL ROUBI, M. Sherif., 1999, "Artificial Neural Networks versus Multiple Regression in Tourism Demand Analysis", Journal of Travel Research, Vol. 38, No. 2, 111-118 SAGE Publications
  • WHITBY, Blay., 2005, A Beginner's Guide: Artificial Intelligence, Çeviren: Çiğdem Karabağlı, İletişim Yayıncılık, s: 179
  • YURTOĞLU, Hasan., Şubat, 2005, "Yapay Sinir Ağları Metodolojisi ile Öngörü Modellemesi: Bazı Makroekonomik Değişkenler İçin Türkiye Örneği", Ekonomik Modeller ve Stratejik Araştırmalar Genel Müdürlüğü, Yayın No: DPT 2683,
  • ZHANG, Guoqiang., PATUWO, B. Eddy., Y. HU, Michael, 1998, "Forecasting with artificial neural networks": The state of the art. International Journal of Forecasting Vol: 14, 35-62
  • www.tursab.org.tr (Türkiye Seyahat Acentaları Birliği)
  • http://www.qnetv2k.com/Qnet2000M anual/html/qnet99kn.htm Vesta Services, Inc. Erişim: 18.03.2008