Türkiye'de yabancı turizm talebi tahmini için makina öğrenimi algoritmalarının kullanılması

Abstract

Türkiye, turizm sektöründe dünyada önemli bir destinasyon olarak dikkat çekmektedir. Turizm, ülke ekonomisine önemli katkılar sağlamaktadır; bu nedenle, turizm talebinin doğru bir şekilde tahmin edilmesi, stratejik planlama ve politika geliştirme açısından büyük bir önem taşımaktadır. Her ne kadar geleneksel teknikler turizm sektöründe başarı göstermiş olsa da makine öğrenimi yöntemleri gibi yeni yöntemlerin kullanılması bu alana çok katkı sağlayabilir. Makine öğrenmesi yöntemleri turizm tahmini de dahil olmak üzere birçok tahmin uygulamasına başarıyla uygulanmıştır. Bu tezde, Türkiye'ye yönelik yabancı turizm talebini tahmin etmek amacıyla çeşitli makina öğrenimi algoritmalarının kullanımı incelenmiştir. Çalışmada, 1972-2023 yılları arasında Türkiye'ye gelen yabancı turist sayısı, döviz kurları, doğal afetler, mevsimsel etkiler ve sosyal olaylar gibi çok sayıda veri seti kullanılarak analiz edilmiştir. Bu veriler ışığında, yabancı turizm talebini en iyi şekilde tahmin edebilecek makina öğrenimi modelleri geliştirilmiştir. Kullanılan algoritmalar arasında lineer regresyon, destek vektör makineleri, karar ağaçları, rastgele orman, gradyan artırma ve yapay sinir ağları gibi yaygın ve güçlü teknikler bulunmaktadır. Çalışmanın sonuçlarına göre, Gradyan Artırma algoritması en yüksek doğruluk oranına ulaşarak turist sayısındaki değişimleri en iyi şekilde modellemiştir. Rasgele orman algoritması gradyan artırma algoritmasından sonra ikinci en başarılı sonuçları vermiştir. Destek vektör makinaları ise en düşük başarıya sahip algoritma olmuştur. Bağımsız değişkenler arasında en yüksek korelasyona sahip olan değişken ise Türkiye'nin yatak kapasitesi ve Türkiye'deki havaalanı sayısı olarak belirlenmiştir ve mevsimselliğin etkileri gözlemlenmiştir. Türkiye'de yabancı turizm talebi tahmini için makina öğrenimi algoritmalarının kullanılması ilgili detaylı bilgiler içeren bu çalışma konuyla ilgilenen sektör profesyonelleri ve akademik araştırmacılar için önemli bulgular sunmaktadır.Türkiye stands out as an important destination in the global tourism sector. Tourism makes a significant contribution to the national economy; therefore, accurately forecasting tourism demand is of great importance for strategic planning and policy development. Although traditional techniques have been successful in the tourism sector, new methods such as machine learning can significantly contribute to this field. Machine learning methods have been successfully applied to various forecasting applications, including tourism demand prediction. In this thesis, the use of various machine learning algorithms to forecast foreign tourism demand for Türkiye has been examined. The study analyzed numerous datasets from 1972 to 2023, including the number of foreign tourists visiting Türkiye, exchange rates, natural disasters, seasonal effects, and social events. Based on these data, machine learning models that can best predict foreign tourism demand were developed. The algorithms used include widely adopted and powerful techniques such as linear regression, support vector machines (SVM), decision trees, random forests, and artificial neural networks. According to the results of the study, the Gradient Boosting algorithm achieved the highest accuracy rate, effectively modeling changes in the number of tourists. The random forest algorithm produced the second most successful results after Gradient Boosting. On the other hand, support vector machines showed the lowest performance among the algorithms. Among the independent variables, Türkiye's bed capacity and the number of airports in the country were found to have the highest correlation, and the effects of seasonality were observed. This study, which provides detailed information on the use of machine learning algorithms for forecasting foreign tourism demand in Türkiye, offers important findings for industry professionals and academic researchers interested in the subject.